Professional Documents
Culture Documents
Memoria PS PDF
Memoria PS PDF
7. PRÀCTICA 7: Simulación 38
7.1. Actividad 1: Simulando de una doble exponencial . . . . . . . . . . . . . . . . . 38
7.2. Actividad 2: Simulando de una distribución binomial-beta-poisson . . . . . . 40
Laya Targa Memòria Pràctiques PS Subgrup 4
Se sap que la probabilitat que un matemàtic trobe treball en acabar els seus estudis
és 0,4, per a un enginyer en informàtica aquesta probabilitat és 0,6. Si la probabilitat
que tots dos troben treball és 0,24, calcular les probabilitats que:
Sabem que:
P (A) = probabilitat que el matemàtic trobe treball = 0,4, $P(Aˆc) = $ que el matemàtic no trobe
treball,
P (B) = probabilitat que el informàtic trobe treball = 0,6 y P (B c ) = que el informàtic trobe treball,
P (A ∩ B) =la probabilitat que tots dos troben treball = 0,24
El contrari de que cao trobe treball: P (A ∪ B) = P (A) + P (B) − P (A ∩ B) = 0,4 + 0,6 − 0,24 = 0,76
a) Només trobe treball l’informàtic.
Si tenim la unió de A i B, si li restem A i després li restem la intersecció:
0.76-0.4-0.24
## [1] 0.12
## [1] 0.76
Pagina 2
Laya Targa Memòria Pràctiques PS Subgrup 4
1-0.76
## [1] 0.24
Considerar una baralla de n cartes ben mesclades. Cada carta conté un número de l’1
al n.
Li aneu donant la volta cada vegada a una carta alhora que compteu, 1, 2, 3, . . .
Guanyeu si, en algun moment el número que dieu coincideix amb el número de la
carta.
1 1 1 1 1
= 1 − + − + ...
e 1! 2! 3! 4!
Siga A = { que en algún moment la carta a la qual li dones la volta tinga el mateix número que el
que tu dius.}
I Ai = { que la i-ésima carta que li dones la volta siga la carta amb el número i}
Com no puc calcular P (A) perque no sé quant val, dividirem P (A) en diferents parts.
Guanye si
n
P (A) = P
[
Ai .
i=1
Que equival a
n n
P (A) = P Ai = P (Ai ) − P (Ai ∩ Aj ) + P (Ai ∩ Aj ∩ Ak ) + ....
[ X X X
Calculem
A ∪ B = P (A) + P (B) − P (A ∩ B)
Pagina 3
Laya Targa Memòria Pràctiques PS Subgrup 4
Ara calculem
n n
P (A) = P Ai = P (Ai )− P (Ai ∩Aj )+ P (Ai ∩Aj ∩Ak )−. . . (−1)n+1 P (A1 ∩· · ·∩An )
[ X X X
n
! ! ! !
n n n n
Ai = P (Ai ) − P (Ai ∩ Aj ) + P (Ai ∩ Aj ∩ Ak ) − . . . (−1)k+1 P (A1 ∩ · · · ∩ Ak )
[
P
i=1
1 2 3 k
Suposem que cada paquet de xiclet que comprem conté la imatge d’un jugador de
futbol, que es fan servir les imatges de diferents jugadors, que la imatge de cada
jugador és igualment probable que es col·loqui en qualsevol paquet de xiclets, i que
les imatges es col·loquin en diferents paquets independents els uns dels altres. Es
demana: determinar la probabilitat p que una persona que compra n paquets de xiclet
(n ≥ r) obtingui un conjunt complet de r imatges diferents.
n = paquets, r = imatges
n
P (A) = 1 −
[
Ai .
i=1
Pagina 4
Laya Targa Memòria Pràctiques PS Subgrup 4
Calculem
1 n
P (Ai ) = 1 −
r
que és equivalent a
r − 1 n
P (Ai ) =
r
Ara calculem
2 n
P (Ai ∩ Aj ) = 1 −
r
Com tinc r imatges diferents i n paquets de xiclets, la probabilitat de que em toque la imatge i es
k n
P (Ai ) = r −
r
En un concurs de TV hi ha tres portes, una d’elles amaga un cotxe i les altres dues
sengles cabres. El concursant tria una de les portes i obté com a premi allò que la
porta oculta, però la porta roman tancada i el presentador (Monty Hall), que coneix
el que hi ha darrere de cada porta, obri una de les altres dues portes i apareix una
cabra (lògicament Monty mai obri la porta que oculta el cotxe). El presentador es
dirigeix aleshores al concursant i li permet canviar la seua elecció. Què li convé fer al
concursant?. Aquest concurs va tindre gran èxit entre 1963 i 1986 en els USA i, anys
després, una coneguda columnista de la revista Parade Magazine, Marylin vós Savant,
va publicar que canviant la seua elecció el concursant doblega la seua probabilitat de
guanyar el cotxe. La seua afirmació era correcta. Comprova-ho. Considerem ara una
xicoteta complicació del joc, hi haurà 10 portes, un sol cotxe i el presentador obrirà 7
Pagina 5
Laya Targa Memòria Pràctiques PS Subgrup 4
Apartat 1: 3 portes
#P(w|A1):
wA1 <- 0 #es impossible guanyar canviant de porta si en un primer
#moment tries la porta on està el cotxe.
#P(A1):
A1 <- 1/3 #hi ha 1 porta amb el cotxe
Pagina 6
Laya Targa Memòria Pràctiques PS Subgrup 4
#P(w|A2):
wA2 <- 1 #Com que en un primer moment tries la porta amb una cabra, Monty
#obri l'altra on està la cabra, i si canvies, guanyes el cotxe.
#P(A2):
A2 = 2/3 #hi ha 2 portes amb cabres
post<-fac*prev
sum(post)
## [1] 0.6666667
#Aplicant la fòrmula:
w = wA1*A1+wA2*A2; w
## [1] 0.6666667
P (w) = 2
3 = 0,6666667
La probabilitat de guanyar canviant la porta es de 2
3 = 0,6666667
Apartat 2: 10 portes
Apliquem el mateix raonament que el l’apartat anterior:
Pagina 7
Laya Targa Memòria Pràctiques PS Subgrup 4
#P(w|A1):
wA1 <- 0 #es impossible guanyar canviant de porta si en un primer
#moment tries la porta on està el cotxe.
#P(A1):
A1 <- 1/10 #hi ha 1 porta amb el cotxe
#P(w|A2):
wA2 <- 1/2 #Com que en un primer moment tries la porta amb una cabra, Monty
#obri altres 7 portes on están les cabres, i et queden 3 (2 amb cabres i
#una altra amb un cotxe).
#P(A2):
A2 = 9/10 #hi ha 2 portes amb cabres
Pagina 8
Laya Targa Memòria Pràctiques PS Subgrup 4
post<-fac*prev
sum(post)
## [1] 0.45
#Aplicant la fòrmula:
w = wA1*A1+wA2*A2; w
## [1] 0.45
P (w) = 9
20 = 0,45
La probabilitat de guanyar canviant la porta es de 9
20 = 0,45
En una oficina treballen tres administratius, Ana, Bea i Carlos, i una de les seues
tasques és arxivar documents. Assumim que els tres són igualment ràpids fent-ho.
Un dia el cap troba un arxiu mal classificat, munta en còlera i decideix acomiadar
al causant. Ana arxiva documents el 60 % del temps, Bea el 30 % i Carlos el 10 %
restant. D’altra banda, les avaluacions anuals dels treballadors fixen la probabilitat de
cometre un error en 0,3 % per a Ana, 0,7 % per a Bea i 1 % per a Carlos. La primera
idea del cap és que l’error l’ha hagut de cometre la persona que més temps dedica a
l’arxivament i corre a preparar l’acomiadament d’Ana. Et sembla just o podem ajudar-
la?. Si ho aconseguim el cap no acomiadarà a ningú, però la pròxima vegada que trobe
un error, utilitzarà les nostres troballes per a decidir. Com creus que ho farà? Qui
serà el culpable més probable la pròxima vegada? i si la pròxima vegada apareixen 8
errors simultàniament?.
D = Cometre un error.
A = Que Ana siga culpable.
B = Que Bea siga culpable.
C = Que Carlos siga culpable.
Al principi:
P (x) = probabilitat de que x siga el culpable ; P (D|x) = probabilitat de que es cometa un altre
Pagina 9
Laya Targa Memòria Pràctiques PS Subgrup 4
Probabilitats de que A, B o C hagin sigut culpables la primera vegada que s’ha comès un error:
P (A|D) = 0,3673469
P (B|D) = 0,4285714
P (C|D) = 0,2040816
Per tant, no es just que el jefe prepare l’acomiadament d’Ana perque en aquest cas es Bea qui té
mes probabilitat de ser ella qui a comès l’error.
Ara calculem qui serà el culpable més probable la pròxima vegada, és a dir, quan es produïsca un
2n error:
La probabilitat de que A, B o C siga culpable ha canviat:
P (A2 ) = P (A|D) = 0,3673469; P (D|A) = 0,3 % = 0,003
P (B2 ) = P (B|D) = 0,4285714; P (D|B) = 0,7 % = 0,007
P (C2 ) = P (C|D) = 0,2040816; P (D|C) = 1 % = 0,01
Probabilitats de que A, B o C hagin sigut culpables la segona vegada que s’ha comès un error:
P (A2 |D) = 0,1794020
Pagina 10
Laya Targa Memòria Pràctiques PS Subgrup 4
Per últim, calcularem qui es més culpable la pròxima vegada quan apareixen 8 errors simultàniament:
Calculem les probabilitats de que es produïsquen 8 errors donat que A, B o C son els culpables:
P (8D|A) = P (D1 ∩ D2 ∩ ... ∩ D8 ) = P (D1 |A) ∗ P (D2 |A) ∗ ... ∗ P (D8 |A) = (0,003)8
P (8D|B) = (0,007)8
P (8D|C) = (0,01)8
Les probabilitats de que A, B o C siguen els culpables son les mateixes del principi:
P (A) = 60 % = 0,6
P (B) = 30 % = 0,3
P (C) = 10 % = 0,1
P (A|8D) = 0,0003355044
P (B|8D) = 0,1473949328
P (C|8D) = 0,8522695627
Carlos es la persona més probable de ser culpable quan es produïxquen 8 errors simultàniament.
Pagina 11
Laya Targa Memòria Pràctiques PS Subgrup 4
En un hospital amb 100 habitacions buides 10 d’elles tenen finestres amb vistes a un
parc. Suposem que dues persones són ingressades, un primer i després l’altra (ull amb
el reemplaçament). Considera la variable aleatòria que indica quantes d’aquestes dues
persones aconsegueixen vistes.
Al ser X una variable discreta, podem definir la seua funció de probabilitat com: pX (x) = P (X = x)
probs
90 89
P (X = 0) = × = 0,809090909
100 99
90 10
P (X = 1) = 2 × ( × ) = 0,181818182
100 99
10 9
P (X = 2) = × = 0,009090909
100 99
Pagina 12
Laya Targa Memòria Pràctiques PS Subgrup 4
plot(0:2,probs,type="h",
ylab= "probabilitat", xlab = "número de persones que consegueixen vistes",
main= "Funció de probabilidat", ylim=c(0,1))
points(0:2,probs, pch=19)
Funció de probabilidat
1.0
0.8
probabilitat
0.6
0.4
0.2
0.0
Al ser X una variable discreta, podem definir la seua funció de distribució acumulada com: FX (x) =
P (X ≤ x)
FX (0) = P (X ≤ 0) = P (X = 0) = 0,8090909
FX (1) = P (X ≤ 1) = P (X = 0) + P (X = 1) = 0,9909091
FX (2) = P (X ≤ 2) = P (X = 0) + P (X = 1) + P (X = 2) = 1,0000000
Pagina 13
Laya Targa Memòria Pràctiques PS Subgrup 4
plot(stepfun(0:2, c(0,probsacum)),
verticals=FALSE, ylab="F(x)",
xlim = c(0, 2),
main = "Funció de Distribució Acumulada")
0.4
0.2
0.0
Calcula la probabilitat que almenys una persona hagi aconseguit (no importa
quina) habitació amb vistes utilitzant la funció de probabilitat.
90 10
P (X = 1) = 2 × ( × ) = 0,181818182
100 99
10 9
P (X = 2) = × = 0,009090909
100 99
Pagina 14
Laya Targa Memòria Pràctiques PS Subgrup 4
probs[2]+probs[3]
## [1] 0.1909091
Calcula la probabilitat que almenys una persona hagi aconseguit (no importa
quina) habitació amb vistes utilitzant la funció de distribució.
P (X ≤ 0) = P (X = 0) = 0,8090909
1 − P (X ≤ 0) = 1 − 0,8090909 = 0,1909091
1-probsacum[1]
## [1] 0.1909091
Sense fer cap càlcul (només els previs), calcula la probabilitat que cap de les dues
persones ingressades hagi aconseguit habitació amb vistes.
P (X ≤ 0) = P (X = 0) = 0,8090909
probsacum[1]
## [1] 0.8090909
Pagina 15
Laya Targa Memòria Pràctiques PS Subgrup 4
0.4
Densidad
0.2
0.0
−2 0 2 4 6
P (X = 4) = 0, ja que la probabilitat de un punt sempre és 0.
P (X < 2) = 0,5, ja que la suma total de l’àrea té que sumar 1, y es veu que és la meitat de l’àrea.
0.4
Densidad
Densidad
0.2
0.2
0.0
0.0
−4 −2 0 2 4 −4 −2 0 2 4
0.2
0.0
−4 −2 0 2 4
La mediana es 0, representa que la meitat dels valors están por baix d’aquest valor i l’altra meitat
es troven per dalt.
Pagina 16
Laya Targa Memòria Pràctiques PS Subgrup 4
0.8
F. Dist.
0.4
0.0
−4 −2 0 2 4
Aproximadament l’altura per a x = 0 és 0,5 (Ho he mirat en la gràfica)
Siga T la variable aleatòria que representa la vida (en mesos) d’una bombeta, i siga
1 − t , per a 0 ≤ t ≤ 30;
15 450
f (t) =
0, en qualsevol altre valor de t
Pagina 17
Laya Targa Memòria Pràctiques PS Subgrup 4
Funció bombeta
0.06
0.04
densitat
0.02
0.00
0 5 10 15 20 25 30
temps
1 1
Z ∞ Z t Z t Z t
t t
FX (t) = f (t)dt = − dt = − dt =
−∞ 0 15 450 0 15 0 450
1 1 t t t2 t t2
Z t Z t
t
= dt − tdt = − = −
15 0 450 0 15 0 450 ∗ 2 0 15 900
Pagina 18
Laya Targa Memòria Pràctiques PS Subgrup 4
0.4
0.2
0.0
0 5 10 15 20 25 30
temps
integrate(f3,15,30)
f3.2(30)-f3.2(15)
## [1] 0.25
1 t2
Z 30 Z 30 Z 30 Z 30 Z 30 2
t t t t
E(t) = t ∗ f (t)dt = t∗ − dt − dt = − dt =
0 0 15 450 0 15 450 0 15 0 450
1 1 t2 30 t3 30 302 302
Z 30 Z 30
= tdt − t dt =
2
− = − = 10
15 0 450 0 15ů2 0 450 ∗ 3 0 30 1350
Pagina 19
Laya Targa Memòria Pràctiques PS Subgrup 4
(1-f3.2(16))/(1-f3.2(15))
## [1] 0.8711111
Utilitzar R per calcular les següents probabilitats: P(X < 15), P(X ≤ 15), P(10 ≤
X ≤ 25), P(X ≥ 15), P(X > 15) i P(12 < X ≤ 15).
#P(X<15)
pnorm(14,15, sqrt(20))
## [1] 0.4115316
## [1] 0.5
## [1] 0.8555501
## [1] 0.5
#P(X>15)
1-pnorm(14, 15, sqrt(20))
## [1] 0.5884684
Pagina 20
Laya Targa Memòria Pràctiques PS Subgrup 4
## [1] 0.1726396
Utilitzar R per calcular les següents probabilitats: P(Z < 3), P(Z ≤ 3), P(2 ≤ Z ≤
4), P(Z ≥ 4), P(Z > 4), i P(2 < Z ≤ 4).
#P(Z<3)
pbinom(2, 4, 0.3)
## [1] 0.9163
#P(Z <= 3)
pbinom(3, 4, 0.3)
## [1] 0.9919
#P(2<= Z <= 4)
pbinom(4, 4, 0.3)-pbinom(2, 4, 0.3)
## [1] 0.0837
#P(Z >= 4)
1-pbinom(4, 4, 0.3)
## [1] 0
#P(Z>4)
1-pbinom(3, 4, 0.3)
## [1] 0.0081
#P(2<Z <= 4)
pbinom(4, 4, 0.3)-pbinom(3, 4, 0.3)
## [1] 0.0081
Pagina 21
Laya Targa Memòria Pràctiques PS Subgrup 4
Normal y en l’altre cas es Binomial). A més que els parámetres son diferents (X ∼ N(µ = 15,
σ 2 = 20) i Z ∼ Bi(n = 4, π = 0.3)) i signifiquen coses diferents (en la Normal µ = es la mit-
jana i σ 2 la variança, i en la Binomial, n es el nombre de proves que es fan i π el nombre d’éxits.
Realitza una comparativa visual de les funcions de densitat i de distribució acumulada de les següents
distribucions de probabilitat: Normal, lognormal i gamma establint els seus paràmetres de manera
que totes tinguin mitjana 3 i variància 2.
Per a això, una possibilitat seria crear un vector de 1000 valors entre, per exemple, 0 i 10 (ja
veuràs per què entre aquests dos valors). Després es poden representar les tres funcions de densitat
associades a cada valor vector en una única gràfica (ajuda: a més de plot utilitzar la funció lines) i
les funcions de distribució en una altra. Utilitzar el paràmetre mfrow per aconseguir que les dues
estiguin en el mateix dispositiu gràfic.
Pagina 22
Laya Targa Memòria Pràctiques PS Subgrup 4
par(new=T)
plot(gam, type ="l", add = TRUE, col = "green", axes = FALSE)
0.10
0.00
Index
El volum d’un cert xarop per a la tos que una màquina d’ompliment automàtic diposita
en les botelles té una distribució normal amb mitjana 200 ml i desviació típica de 6
ml.
a) Quina és la probabilitat que el volum de xarop embotellat siga menor que 190
ml?
X = (Cantitat de xarop) X~N (µ = 200, σ 2 = 62 )
Pagina 23
Laya Targa Memòria Pràctiques PS Subgrup 4
#P(X<190)
pnorm(190, 200, 6)
## [1] 0.04779035
b) Si es rebutgen totes les botelles que tenen menys de 185 o més de 215 ml de
xarop, quina és la proporció de botelles rebutjades?
## [1] 0.01241933
c) Sabent que cal re-equilibrar la màquina cada vegada que es rebutgen 3 botelles i
que cal completar un lot de 300 botelles, quina és la probabilitat d’acabar el lot
abans d’haver de re-equilibrar?
X = (Cantitat de botelles fabricades fins al 3º fallo) $X NB(3, 0.01241933)$
#P(x>=300)
1-pnbinom(299, 3, 0.01241933)
## [1] 0.2751557
#P(x=0)
dbinom(0, 50, 0.01241933)
## [1] 0.5353392
#P(X>2)
1-pbinom(2, 50, 0.01241933)
## [1] 0.02434368
Pagina 24
Laya Targa Memòria Pràctiques PS Subgrup 4
## [1] 0.9945476
Y
X 1 2 3 4
1 4 0 4 0
2 12 0 4 8
3 0 8 0 0
Pagina 25
Laya Targa Memòria Pràctiques PS Subgrup 4
Y
X 1 2 3 4
1 4/40 0 4/40 0
2 12/40 0 4/40 8/40
3 0 8/40 0 0
library(prob)
##
## Attaching package: 'combinat'
Pagina 26
Laya Targa Memòria Pràctiques PS Subgrup 4
##
## Attaching package: 'prob'
## Var1 Var2
## 1 1 1
## 2 2 1
## 3 3 1
## 4 1 2
## 5 2 2
## 6 3 2
## 7 1 3
## 8 2 3
## 9 3 3
## 10 1 4
## 11 2 4
## 12 3 4
## X Y probs
## 1 1 1 0.1
## 2 2 1 0.3
## 3 3 1 0.0
## 4 1 2 0.0
## 5 2 2 0.0
Pagina 27
Laya Targa Memòria Pràctiques PS Subgrup 4
## 6 3 2 0.2
## 7 1 3 0.1
## 8 2 3 0.1
## 9 3 3 0.0
## 10 1 4 0.0
## 11 2 4 0.2
## 12 3 4 0.0
Prob(S1) #P(X<=1,Y<1)
## [1] 0.1
Prob(S2) #P(X<1,Y<1)
## [1] 0.1
Prob(S3) #P(X=1,Y<1)
## [1] 0.5
a) És una funció de densitat lícita? ¿Quina relació hi ha entre la constant (en aquest
cas 2) i l’àrea del suport?
Pagina 28
Laya Targa Memòria Pràctiques PS Subgrup 4
Z 1Z 1 Z 1 h i1 Z 1 Z 1
2dydx = 2 y dx = 2 (1 − x)dx = 2 (1 − x)dx =
0 x 0 x 0 x
" #
Z 1 Z y h i1 h x2 i
2∗ 1 dx − dx = 2 ∗ x − =
0 x 0 2
h i
2 ∗ (1 − 0) − ( 12 − 0) = 2 − 1 = 1
F a (x0 , y0 ) = P (X ≤ x0 , Y ≤ y0 )
En aquest cas:
Z x0 Z y0 Z x0
F a (x0 , y0 ) = 2dydx = 2 y0 − xdx =
0 x 0
!
h x2 ix0
2∗ y0 x − 0 = 2y0 x0 − x20
2
0 (x0 , y0 ) ∈ A,
F a (x0 , y0 ) (x0 , y0 ) ∈ SX,Y
F (x0 , y0 ) = F a (y0 , y0 ) (x0 , y0 ) ∈ D, E
F a (x0 , 1) (x0 , y0 ) ∈ B
1 (x0 , y0 ) ∈ C
Pagina 29
Laya Targa Memòria Pràctiques PS Subgrup 4
Fd <- function(x,y) {
Fa<-function(x,y) {2*y*x-(x^2)}
ifelse(x<0 & y<0, 0, #A
ifelse(x>=0 & x<=1 & y>=0 & y<=1 & x<=y, Fa(x,y), #Sxy
ifelse(x>=0 & x<=1 & y>=0 & y<=1 & x>y, Fa(y,y), #D
ifelse(x>=1 & y>=0 & y <=1, Fa(y,y), #E
ifelse(x >=1 & y>1, Fa(x,1), #c
ifelse(x>1 & y>1, 1,0)))))) #D
}
n<-30
x<-seq(0,1,len=n)
y<-seq(0,1,len=n)
grid<-expand.grid(x,y)
grid$z<-Fd(grid$Var1,grid$Var2)
persp(x,y,matrix(grid$z,nrow=n,byrow=F),theta = -30, phi = 30,
main="Funció de distribució acumulada",
zlab="F(x,y)",axes=T,col="lightblue",ticktype="detailed",cex.axis=0.5)
Pagina 30
Laya Targa Memòria Pràctiques PS Subgrup 4
1.0
0.8
F(x,y)
0.6
0.4
0.2
0.0
1.0
0.8
0.6
1.0
0.8
y
0.4
0.6
0.2 0.4
x
0.2
0.0 0.0
P (X ≤ 0,2, Y ≤ 0,4)
## [1] 0.12
P (x ≥ 0,2, Y ≤ 0,2) = 0
## [1] 0.01
## [1] 0
## [1] 0.0625
Pagina 31
Laya Targa Memòria Pràctiques PS Subgrup 4
k 0 ≤ x2 + y 2 ≤ 9
f (x, y) =
0
en altre cas
Com la funció de densitat es una distribució uniforme (ja que no depen ni de x ni de y, només es
una constant), l’àrea del soport es la inversa de la constant.
Per tant, k = 1
9π
Y
X 1 2 3 4
1 4 0 4 0
2 12 0 4 8
3 0 8 0 0
library(prob)
X<- c(1, 2, 3) #Valor que pot prendre X
Pagina 32
Laya Targa Memòria Pràctiques PS Subgrup 4
## Var1 Var2
## 1 1 1
## 2 2 1
## 3 3 1
## 4 1 2
## 5 2 2
## 6 3 2
## 7 1 3
## 8 2 3
## 9 3 3
## 10 1 4
## 11 2 4
## 12 3 4
## X Y probs
## 1 1 1 0.1
## 2 2 1 0.3
## 3 3 1 0.0
## 4 1 2 0.0
## 5 2 2 0.0
## 6 3 2 0.2
## 7 1 3 0.1
## 8 2 3 0.1
## 9 3 3 0.0
## 10 1 4 0.0
## 11 2 4 0.2
## 12 3 4 0.0
Pagina 33
Laya Targa Memòria Pràctiques PS Subgrup 4
#Marginal
(pX <- marginal(fun_prob, vars = "X"))
## X probs
## 1 1 0.2
## 2 2 0.6
## 3 3 0.2
## Y probs
## 1 1 0.4
## 2 2 0.2
## 3 3 0.2
## 4 4 0.2
#Condicionada
y1<-subset(fun_prob,Y==1); y1/Prob(y1)
## X Y probs
## 1 2.5 2.5 0.25
## 2 5.0 2.5 0.75
## 3 7.5 2.5 0.00
x2<-subset(fun_prob,X==2); x2/Prob(x2)
## X Y probs
## 2 3.333333 1.666667 0.5000000
## 5 3.333333 3.333333 0.0000000
## 8 3.333333 5.000000 0.1666667
## 11 3.333333 6.666667 0.3333333
#P(X<2 |Y=1)
X0<-subset(y1,X<2) #y1 es y=1
Prob(X0)
## [1] 0.1
Pagina 34
Laya Targa Memòria Pràctiques PS Subgrup 4
#Independencia
#del apartado anterior sabemos que P(X<2|Y=1) sabemos que es 0.1
x0 <- subset(fun_prob, X<2); Prob(x0)
## [1] 0.2
#Son independientes
#Correlación
(Ex<-sum(pX$X*pX$probs)) #Esperanza de X
## [1] 2
## [1] 4.4
(Ey<-sum(pY$Y*pY$probs)) #Esperanza de Y
## [1] 2.2
## [1] 6.2
## [1] 4.4
## [1] 0.4
## [1] 1.36
(Cov<-Exy-Ex*Ey)
## [1] 0
Pagina 35
Laya Targa Memòria Pràctiques PS Subgrup 4
(Corr<-Cov/(sqrt(Varx)*sqrt(Vary)))
## [1] 0
Marginales
Z 1
fx (x) = 2dy = 2 − 2x
x
2 − 2x si x ∈ [0, 1]
fx (x) =
0
en otro caso
Z y
fy (y) = 2dx = 2y
0
2y
si y ∈ [0, 1]
fy (y) =
0
en otro caso
Condicionada
f (x, y0 )
fx|y0 x =
fy (y0 )
2 1
fx|Y0 (x) = =
2Y0 Y0
x ∈ [0, Y0 ]
Pagina 36
Laya Targa Memòria Pràctiques PS Subgrup 4
1 si x ∈ [0, Y0 ]
Y0
f( X|Y0 )(X) =
0
en otro caso
Independencia
fy (y)ůfx (x) = f (x, y)
2yů2 − 2x 6= 2
NO SON INDEPENDIENTES
P (X < y0 | Y = y0 )
1
Z yo
P (X < y0 | Y = y0 ) = dx =
0 Y0
1 Y0
ů[X]Y0 o = =1
Y0 Y0
fExy<-function(x,y){2}
fEx<-function(x){x*(2-2*x)}
fEx2<-function(x){x^2*(2-2*x)}
fEy<-function(y){y*(2*y)}
fEy2<-function(y){y^2*(2*y)}
Ex<-integrate(fEx,0,1)
Ex2<-integrate(fEx2,0,1)
Ey<-integrate(fEy,0,1)
Ey2<-integrate(fEy2,0,1)
Calculo E(XY ):
" #1
y2
Z ∞ Z ∞ Z 1Z 1 Z 1Z 1 Z 1Z 1
E[XY ] = xy·fXY (x, y)dydx = 2xy dydx = 2 xy dydx = 2 x dx =
−∞ −∞ 0 x 0 x 0 x 2 x
#1
1 x2 1 1 1
! "
x3 x2 x4
Z 1 Z 1 Z 1
x
2 x − dx = 2 − dx = x − x dx =
3
− = − =
0 2 2 0 2 2 0 2 4 0
2 4 4
## [1] 0.05555556
Pagina 37
Laya Targa Memòria Pràctiques PS Subgrup 4
## [1] 0.05555556
(Cov<-1/4-Ex$value*Ey$value)
## [1] 0.02777778
(Corr<-Cov/(sqrt(Varx)*sqrt(Vary)))
## [1] 0.5
7. PRÀCTICA 7: Simulación
λ −λ|x|
f (x) = e ,x ∈ R.
2
Para sacar Fx (x) (funcion de distribucion acumulada) tenemos que integrar f (x):
Z x Z x
λ −λ|t|
Fx (x) = f (t) dt = e dt
−∞ −∞ 2
1 1
Z x x
λ −λ(−t)
e dt = eλt = eλt
−∞ 2 2 −∞ 2
-
x>0
Pagina 38
Laya Targa Memòria Pràctiques PS Subgrup 4
1 λt 0 1 1 1 −λt 1
Z 0 Z x x
λ λt λ −λt
e dt + e dt = e − e−λt = + e = 1 − e−λt
−∞ 2 0 2 2 −∞ 2 0 2 2 2
Entonces,
1 eλt
si x ≤ 0
2
FX x =
1 − 1 e−λt
si x > 0
2
1
y = eλt → 2y = eλt
2
ln(2y)
ln(2y) = ln(eλt ) → ln(2y) = λt → x =
λ
-
x>0
1
y = 1 − e−λt → −2y + 2 = e−λt
2
ln(−2y + 2)
ln(−2y + 2) = ln(e−λt ) → ln(−2 + 2y) = −λt → x = −
λ
Pagina 39
Laya Targa Memòria Pràctiques PS Subgrup 4
Histogram of sim1
5
4
3
Density
2
1
0
sim1
Pagina 40
Laya Targa Memòria Pràctiques PS Subgrup 4
(x|p, n) ∼ Binomial(p, n)
(p|x, n) ∼ Beta(x + 2, 4 + n − x)
par(mfrow=c(2,1))
hist(sim3[,1],nclass=40,col="mistyrose",xlab=" ", ylab=" ",
main="Gibbs sampling")
Gibbs sampling
150
50
0
0 2 4 6 8 10 12
Pagina 41