Scribd
Cargar
17 vistas4 páginas

Clase 2

Este documento cubre conceptos básicos de probabilidad e introducción a variables aleatorias discretas y continuas, incluyendo funciones de distribución comunes como binomial, Poisson, uniforme y exponencial. También discute generación de números aleatorios y conceptos como intervalo de confianza.

Cargado por

Esteban Vásquez Pérez
Derechos de autor
© © All Rights Reserved
Formatos disponibles
Descargue como PDF, TXT o lea en línea desde Scribd
Descargar como pdf o txt
17 vistas4 páginas

Clase 2

Este documento cubre conceptos básicos de probabilidad e introducción a variables aleatorias discretas y continuas, incluyendo funciones de distribución comunes como binomial, Poisson, uniforme y exponencial. También discute generación de números aleatorios y conceptos como intervalo de confianza.

Cargado por

Esteban Vásquez Pérez
Derechos de autor
© © All Rights Reserved
Formatos disponibles
Descargue como PDF, TXT o lea en línea desde Scribd
Descargar como pdf o txt
Descargar como pdf o txt
Está en la página 1/ 4

Clase 2

Probabilidad
Tendencia o valor límite del experimento.

Variables Aleatorias
Siendo X la variable aleatoria y x un valor de la variable aleatoria.

Discretas
Se asigna fx función de densidad de probabilidad por partes.

Se define F (X) = P (X ≤ x)

La media o el valor esperado es E(x) = ∑ x i ⋅ f (X = x i )

i=1

Continuas
Se asigna fx como función de densidad de probabilidad.

la probabilidad de
b
X ∈ [a, b] = ∫ f (x) dx
a

Se define
x
F (x) = ∫ f (t) dt
−∞

y la esperanza
∞
E(x) = ∫ t ⋅ f (t) dt
−∞

Funciones comunes
Discretas:

Binomial

número de éxitos en n ensayos de un experimento con probabilidad p de


éxito

n k n−k
f (x) = ( )(p) (1 − p)
k

Bernoulli: es la binomial con n = 1

Poisson
Eventos raros en un intervalo de tiempo/espacio fijo y una tasa de
ocurrencia similar

−λ k
e ⋅ λ
f (X = k) =
k!

tasa promedio de accidentes en un día = 2

En un día cualquiera
−2 3
e ⋅ 2
f (X = 3) =
3!

Se deriva de la binomial cuando n -> infinito y p -> 0

Continuas

Uniforme
1
⎧ para a ≤ x ≤ b
b−a

f (x) = ⎨
⎩
0 para cualquier otro valor de x

Se pueden usar resultados de la uniforme para simular datos de otra


distribución F

siendo r = random()

−1
X0 = F (r)

Inversamente proporcional a la longitud del intervalo

Exponencial
Modela tiempo entre eventos de Poisson (como el tiempo entre llegadas
de clientes a un mostrador de servicio).

−λx
⎧ λe para x ≥ 0

f (x) = ⎨
⎩
0 para x < 0

Normal
Media, Varianza
2
1 −
(x−μ)

f (x) = ⋅ e 2σ 2

√ 2πσ

---
title:
xLabel:
yLabel:
bounds: [-10,10,-0.2,0.5]
disableZoom: false
grid: true
---
f(x)= 1 / sqrt(2 * PI) * exp(-0.5 * x * x)

Cuántas simulaciónes hacer?

Con una normal y un dado α , varianza σ y precisión D

2 2
(z α/2 ) (σ)
N =
2
D

Generación de números aleatorios


1. Deben seguir una distribución uniforme

Linear congruential method (LCM)

X i+1 = (aX i + c) (mod m)

Pseudo-Random
No necesariamente uniformes, pueden ser discretos, media y varianza
muy alta o muy baja, puede existir dependencia.

Conceptos

Densidad máxima y periodo

Para aumentar el periodo se combinan dos LCM

Random Number Stream

Tiene algo que ver con la semilla

Intervalo de confianza
es un intervalo que da una aproximación de los valores entre los
cuales se encuentra el valor de un parámetro poblacional

Para la media
Para la varianza

También podría gustarte