Beruflich Dokumente
Kultur Dokumente
Contenido
SESIÓN 3
Modelamiento por medio de variables aleatorias.
Variables aleatorias continuas
Variables aleatorias discretas
Modelamiento aleatorio, ajuste de modelos aleatorios
Prueba de Kolmogorov Smirnov
Generación de variables aleatorias
Ejemplo de aplicación
1
Generación de variables aleatorias
2
Generación de variables aleatorias
Todo valor de probabilidad está entre 0 y 1.
La suma de todas las probabilidades de un espacio muestral es 1.
Espacio muestral: conjunto de todos los posibles resultados de un
evento.
Punto muestral: un valor del espacio muestral.
P ( e) + P ( e ) = 1 P ( a ∩ b) P(a∪b) =P(a)+P(b)−P(a∩b)
3
Generación de variables aleatorias
4
Generación de variables aleatorias
La probabilidad cambia.
No cambia la probabilidad.
5
Axiomas de la probabilidad
Generales
0 ≤ P(a ) ≤ 1, p(S) = 1, p(a ) = 1 − p(a )
p (a ∪ b ) = p (a ) + ( b) − p(a ∩ b)
p (a | b ) = p ( a )
Eventos independientes
p (a ∩ b ) = p (a ) p ( b )
p (a ∪ b ) = p (a ) + p ( b ) − p (a ) p ( b )
p (a ∪ b ) = p ( a ) + p ( b ) − p (a ∩ b )
Eventos dependientes
p (a ∩ b ) = p ( a | b ) p ( b )
p (a ∩ b ) = p ( b | a ) p (a )
Eventos excluyentes p( a ∩ b) = ∅
Javier Sierra
p( a ∪ b) = p( a ) + p ( b)
SIMULACIÓN [ 11 ]
javier.sierra@upb.edu.co
6
Función de Densidad de Probabilidad
La función de densidad
se utiliza en estadística
con el propósito de
conocer cómo se
distribuyen las
probabilidades de un
evento en relación al
resultado del evento. En
este caso se llama
función de densidad de
probabilidad.
7
Algunas distribuciones de probabilidad
importantes
Distribución continua
uniforme
1
k=
b−a
a+b
También se pueden calcular µ=
otras cantidades como: 2
σ 2 = (b − a )
1 2
12
Javier Sierra SIMULACIÓN [ 16 ]
javier.sierra@upb.edu.co
8
Algunas distribuciones de probabilidad
importantes
Distribución discreta
uniforme
9
Distribución Binomial
Suposiciones:
Se realiza una serie de N ensayos.
En cada ensayo puede haber un resultado a o b con
probabilidades P(a) y P(b) complementarias.
Los eventos son independientes entre sí en cada
ensayo.
Las probabilidades permanecen constantes durante
la realización del experimento.
Distribución Binomial
Determina la probabilidad de obtener n veces el resultado a en los
N ensayos.
Se debe lograr que ocurran
P (n veces a ) = P (a ) n P( n) N − n
10
Distribución Binomial
N!
P(n veces a) = P(n) = P(a) n P(b) N −n
( N − n)!n!
P(a) = p
P(b) = 1 − p
N!
P ( n) = p n (1 − p) N −n
( N − n)!n!
Distribución Binomial
N!
P ( n) = p n (1 − p) N −n
( N − n)!n!
µ = Np
σ 2 = Np(1 − p)
11
Distribución Binomial
Distribución de Poisson
Esta distribución mide la probabilidad de que ocurran n
eventos en un intervalo de tiempo T.
Suposición: el tiempo T se puede dividir en n intervalos
pequeños de tiempo dt=T/n.
Suposición: La probabilidad de que ocurra un evento en
un intervalo de tiempo de duración dt es
P=λdt
La probabilidad que no ocurra un evento en el mismo
intervalo es
1-p=1- λdt
No puede ocurrir más de un evento
12
Distribución de Poisson
Aplicando la distribución Binomial, se encuentra que la
probabilidad que ocurran n eventos en los N intervalos
es:
N!
P ( n) = (λdt ) n (1 − λdt ) N −n
( N − n)!n!
Distribución de Poisson
N!
P ( n) = (λdt ) n (1 − λdt ) N − n
( N − n)!n!
T
! T
−n
P ( n) = Lim dt
(λdt ) (1 − λdt )
n dt
dt →0 T
− n !n!
dt
(λ T ) n e − λT
P ( n) =
n!
13
Distribución de Poisson
( λ T ) n e − λT
P (n) =
n!
µ = λT
σ 2 = λT
Javier Sierra SIMULACIÓN [ 27 ]
javier.sierra@upb.edu.co
b
P(a ≤ x ≤ b) = ∫ f (u )du
a
14
Función de probabilidad acumulada
b
P( x ≤ b) = ∫ f (u )du = F (b)
−∞
b
P(a ≤ x ≤ b) = ∫ f (u )du
a
b
P( x ≤ b) = ∫ f (u )du = F (b)
−∞
15
Generación de variables aleatorias
Varianza
∞
Var ( x) = σ 2 = ∫ ( x − µ ) 2 ⋅ f ( x)dx
−∞
Distribución Exponencial
16
Distribución Exponencial
( λ T ) 0 e − λT
P (0eventos) = = e − λT
0!
La cantidad anterior mide la probabilidad que no ocurra
ningún evento entre 0 y T, debido a que n=0.
Distribución Exponencial
17
Distribución Exponencial
f (t ) = λe − λT
Que se llama distribución de probabilidad exponencial y
mide la probabilidad que el siguiente evento ocurra
entre dos tiempos cualquiera.
Distribución Normal
( x− µ )2
−
1 2σ 2
f ( x) = e
σ 2π
18
Generación de números aleatorios
X n = (a ⋅ X n −1 + b )% M
19
Generación de números aleatorios
Por ejemplo con parámetros cualquiera se obtienen series muy
cortas de números:
20
Generación de números aleatorios
El método en
forma
general,
depende de
la
distribución
acumulada
de
probabilidad
de la variable
a generar.
21
Generación de números aleatorios
22
Generación de números aleatorios
Transformada Inversa
El método anterior se llama en general como el de la transformada
inversa.
X=F-1(U). Su aplicación es inmediata en las distribuciones de
probabilidad continuas.
Por ejemplo para generar una variable aleatoria con distribución
exponencial…
− λt
F( t ) = 1 − e =U
Ln(1 − U )
t=−
λ
Ver Matlab - Exponencial
23
Transformada Inversa
En las distribuciones de
probabilidad discretas el
asunto es un poco más
complejo puesto que es
necesario acumular las
probabilidades hasta que
se supera la probabilidad
acumulada, así:
Transformada Inversa
Al generar un número aleatorio Variable Binomial, N=6, p=0,2
u=0.55, por ejemplo, se ve,
n P(n) F(n)
siguiendo la distribución
acumulada, que el primer valor 0 0,2621 0,2621
superior ocurre en n=1, por lo
1 0,3932 0,6554
tanto se genera este número.
2 0,2458 0,9011
5 0,0015 0,9999
6 0,0001 1,0000
24
Generación Distribución Poisson
En la distribución Poisson se puede simplificar el cálculo de la
probabilidad acumulada así:
P (i ) =
(λt )i e − λt
i!
P(i + 1) =
(λt ) e − λt
i +1
(i + 1)!
P(i + 1) =
(λt ) P(i)
i +1
Con estos valores se calcula la probabilidad acumulada sin
necesidad de calcular el factorial o el exponencial en cada paso.
25
Ajuste de distribuciones de probabilidad
0,05
0,04
0,03
Probabilidad medida
Probabilidad calculada
0,02
0,01
0
60 70 80 90 100 110 120 130
-0,01
26
Ajuste de distribuciones de probabilidad
D=max(|F(xi)-Sn(xi)|)
27
Ajuste de distribuciones de probabilidad
El estadístico mide
la diferencia de las
funciones
acumuladas
experimental y
teórica.
28
Ejemplos
29