Índice

1. PRÀCTICA 1: Aleatorietat, experiments i esdeveniments. Contem? 2

1.1. Activitat 1: Eixint de l’atur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2. Activitat 2: El problema de la correspondència de Montmort . . . . . . . . . 3
1.3. Actividat 3: El problema del col·leccionista . . . . . . . . . . . . . . . . . . . . 4

2. PRÀCTICA 2: Probabilitat Condicionada 5

2.1. Activitat 2. El problema de Monty Hall . . . . . . . . . . . . . . . . . . . . . . . 5
2.2. Activitat 3. Errors en el treball . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

3. PRÀCTICA 3. Variables aleatòries i funcions de probabilitat 12

3.1. Activitat 1: Una habitació amb vistes . . . . . . . . . . . . . . . . . . . . . . . . 12
3.2. Activitat 2: Probabilitats en gràfiques . . . . . . . . . . . . . . . . . . . . . . . . 15
3.3. Activitat 3: Durada de les bombetes . . . . . . . . . . . . . . . . . . . . . . . . . 17

4. PRÀCTICA 4: Distribucions de probabilitat conegudes 20

4.1. Activitat 1: Calculant probabilitats . . . . . . . . . . . . . . . . . . . . . . . . . . 20
4.2. Activitat 2: Comparant distribucions contínues . . . . . . . . . . . . . . . . . . 22
4.3. Activitat 3: Una mica de Xarop . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

5. PRÀCTICA 5: Distribucions bivariants (I) 25

5.1. Activitat 1: Teles i cotxes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
5.2. Activitat 2: Funció de densitat uniforme. . . . . . . . . . . . . . . . . . . . . . . 28
5.3. Activitat 3: Sense més ganes de treballar . . . . . . . . . . . . . . . . . . . . . . . 32

6. PRÀCTICA 6: Distribuciones bivariantes (II) 32

6.1. Actividad 1: Teles y coches (de nuevo) . . . . . . . . . . . . . . . . . . . . . . . . 32
6.2. Actividad 2: Función de densidad uniforme (de nuevo) . . . . . . . . . . . . . 36

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

1. PRÀCTICA 1: Aleatorietat, experiments i esdeveniments.

Contem?

1.1. Activitat 1: Eixint de l’atur

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:

a) Només trobe treball l’informàtic.

b) Almenys un dels dos trobe treball.

c) Cap trobe treball.

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

b) Almenys un dels dos trobe treball.

Usem la següent fòrmula: P (A ∪ B) = P (A) + P (B) − P (A ∩ B) = 0,4 + 0,6 − 0,24

0.4 + 0.6 - 0.24

## [1] 0.76

c) Cap trobe treball.

El contrari de que els dos troben treball: P (A ∩ B)c = 1 − P (A ∪ B)

Pagina 2
Laya Targa Memòria Pràctiques PS Subgrup 4

1-0.76

## [1] 0.24

1.2. Activitat 2: El problema de la correspondència de Montmort

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.

Quina és la probabilitat de guanyar?

Ajuda L’expansió en sèrie de Taylor de e−1 és:

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

i=1 i=1 (n2 ) (n3 )

Calculem
A ∪ B = P (A) + P (B) − P (A ∩ B)

Pagina 3
Laya Targa Memòria Pràctiques PS Subgrup 4

Ara calculem

A1 ∪ A2 ∪ A3 = P (A1 ) + P (A2 ) + P (A3 ) − P (A1 ∩ A2 ) − P (A2 ∩ A3 ) − P (A1 ∩ A3 ) + P (A1 ∩ A2∩ A3 )

I així succesivament, obtenim que:

n n
P (A) = P Ai = P (Ai )− P (Ai ∩Aj )+ P (Ai ∩Aj ∩Ak )−. . . (−1)n+1 P (A1 ∩· · ·∩An )
[
X X X

i=1 i=1 i<j i<j<k

Si ho fiquem amb números combinatoris:

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

1.3. Actividat 3: El problema del col·leccionista

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

Siga Ai = { no obtenir la imatge r.}

Y
n
[
Ai .
i=1

no obtenir alguna imatge}

Com volem calcular la probabilitat d’obtenir una imatge:

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

Tinc la mateixa probabilitat de que em toque qualsevol imatge, es a dir, 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

2. PRÀCTICA 2: Probabilitat Condicionada

2.1. Activitat 2. El problema de Monty Hall

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

d’elles, mostrant 7 cabres. Podries calcular la probabilitat de guanyar canviant la teua

primera elecció per una de les portes que queden sense obrir?.

Apartat 1: 3 portes

w = Concursant guanya canviant la porta.

A1 = Porta elegida al principi es un coche.
A2 = Porta té una cabra.

Com que en 2 de les portes hi ha una cabra i en l’altra està el cotxe:

P (A1 ) = 31 , P (A2 ) = 2
3

Per saber la probabilitat de w, és a dir, la probabilitat de que el concursant guanya canviant la

porta, farem servir la fòrmula de la Llei de Probabilitat total:
P (w) = P (w|A1 ) ∗ P (A1 ) + P (w|A2 ) ∗ P (A2 )

#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

prev<-c(A1, A2) #probabilitats inicials de guanyar o el cotxe o la cabra.

fac<-c(wA1, wA2) #probabilitats de guanyar canviant la porta.

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:

w = Concursant guanya canviant la porta.

A1 = Porta elegida al principi es un coche.
A2 = Porta té una cabra.

Com que en 9 de les 10 portes hi ha una cabra i en l’altra està el cotxe:

P (A1 ) = 10 ,
1
P (A2 ) = 9
10

Pagina 7
Laya Targa Memòria Pràctiques PS Subgrup 4

Per saber la probabilitat de w, és a dir, la probabilitat de que el concursant guanya canviant la

porta, farem servir la fòrmula de la Llei de Probabilitat total:
P (w) = P (w|A1 ) ∗ P (A1 ) + P (w|A2 ) ∗ P (A2 )

#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

prev<-c(A1, A2) #probabilitats inicials de guanyar o el cotxe o la cabra.

fac<-c(wA1, wA2) #probabilitats de guanyar canviant la porta.

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

2.2. Activitat 3. Errors en el treball

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

error donat que sabem que x ha sigut el culpable.

P (A) = 60 % = 0,6; P (D|A) = 0,3 % = 0,003
P (B) = 30 % = 0,3; P (D|B) = 0,7 % = 0,007
P (C) = 10 % = 0,1; P (D|C) = 1 % = 0,01

prior<-c(60, 30, 10)/100 #temps archivant documents.

like<-c(0.3, 0.7, 1)/100 #probabilitats de cometre un error
post<-like*prior
(post<-post/sum(post)) #probabilitats posteriors de culpabilitat.

## [1] 0.3673469 0.4285714 0.2040816

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

prior<-c(0.3673469, 0.4285714, 0.2040816)

like<-c(0.3, 0.7, 1)/100 #probabilitats de cometre un error
post<-like*prior
(post<-post/sum(post)) #probabilitats posteriors de culpabilitat.

## [1] 0.1794020 0.4883721 0.3322259

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

P (B2 |D) = 0,4883721

P (C2 |D) = 0,3322259
Torna a ser Bea la que té més probabilitat de ser culpable.

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

prior<-c(60, 30, 10)/100 #temps archivant documents

like<-c((0.003)^8, (0.007)^8, (0.01)^8) #probabilitats de cometre un error
post<-like*prior
(post<-post/sum(post)) #probabilitats posteriors de culpabilitat.

## [1] 0.0003355044 0.1473949328 0.8522695627

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

3. PRÀCTICA 3. Variables aleatòries i funcions de probabilitat

3.1. Activitat 1: Una habitació amb vistes

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.

Calcula i representa la seva funció de probabilitat.

Calcula i representa la seva funció de distribució.
Calcula la probabilitat que almenys una persona hagi aconseguit (no importa
quina) habitació amb vistes utilitzant la funció de probabilitat.
Calcula la probabilitat que almenys una persona hagi aconseguit (no importa
quina) habitació amb vistes utilitzant la funció de distribució.
Sense fer cap càlcul (només els previs), calcula la probabilitat que cap de les
dues persones ingressades hagi aconseguit habitació amb vistes.
Siga l’espai mostral Ω = {0, 1, 2} i la variable aleatoria X = número de aquestes 2
persones que consegueixen habitació amb vistes, qué es una variable discreta.

Calcula i representa la seva funció de probabilitat.

Al ser X una variable discreta, podem definir la seua funció de probabilitat com: pX (x) = P (X = x)

probs <- c((90/100)*(89/99),((90/100)*(10/99))*2,(10/100)*(9/99))

probs

## [1] 0.809090909 0.181818182 0.009090909

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

0.0 0.5 1.0 1.5 2.0

número de persones que consegueixen vistes

Calcula i representa la seva funció de distribució.

Al ser X una variable discreta, podem definir la seua funció de distribució acumulada com: FX (x) =
P (X ≤ x)

probsacum <- cumsum(probs); probsacum

## [1] 0.8090909 0.9909091 1.0000000

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")

Funció de Distribució Acumulada

1.0
0.8
0.6
F(x)

0.4
0.2
0.0

0.0 0.5 1.0 1.5 2.0

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

P (X = 1) + P (X = 2) = 0,181818182 + 0,009090909 = 0,1909091

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

3.2. Activitat 2: Probabilitats en gràfiques

Utilitza els següents gràfics per obtenir el que et demanen.

Calcula P (X = 4) i P (X <2) sense realitzar càlculs, només mirant la gràfica

següent:

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.

Representa, respectivament, P (X> 2) i P (X <0) en cadascuna d’aquestes dues

gràfiques:
0.4

0.4
Densidad

Densidad
0.2

0.2
0.0

0.0

−4 −2 0 2 4 −4 −2 0 2 4

Quina és la mediana d’aquesta distribució? Què indica?

0.4
F. Dens.

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.

Quina altura assoleix l’ordenada en l’abscissa 0? Ho has mesurat en la gràfica o

ho sabies abans ja?

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)

3.3. Activitat 3: Durada de les bombetes

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



la funció de densitat de probabilitat d’aquesta variable.

Realitzar una gràfica de f (t) respecte a t i indicar les seves característiques.

f3 <- function(t) {(1/15)-(t/450)}

plot(0:30,f3(0:30),type="l", main ="Funció bombeta",

ylab= "densitat", xlab = "temps")

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

Obtenir la funció de distribució i realitzar una gràfica d’aquesta funció respecte

a t.

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
 

f3.2 <- function(t){ifelse (t >= 0, (t/15)-(t**2/900), 0)}

plot(0:30,f3.2(0:30),type="l", main = "funció de distribució acumulada",

ylab= "densitat", xlab = "temps", xlim=c(0,30))

Pagina 18
Laya Targa Memòria Pràctiques PS Subgrup 4

funció de distribució acumulada

1.0
0.8
0.6
densitat

0.4
0.2
0.0

0 5 10 15 20 25 30

temps

Calcular la probabilitat que la bombeta duri almenys 15 mesos utilitzant la funció

de densitat.

integrate(f3,15,30)

## 0.25 with absolute error < 2.8e-15

Calcular la probabilitat que la bombeta duri almenys 15 mesos utilitzant la funció

de distribució.

f3.2(30)-f3.2(15)

## [1] 0.25

Calcular el temps mitjà de durada de la bombeta.

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

+ Una bombeta ja ha durat 15 mesos. Obtenir la probabilitat que duri almenys un

Pagina 19
Laya Targa Memòria Pràctiques PS Subgrup 4

altre mes més.

(1-f3.2(16))/(1-f3.2(15))

## [1] 0.8711111

4. PRÀCTICA 4: Distribucions de probabilitat conegudes

4.1. Activitat 1: Calculant probabilitats

Siguen X ∼ N(µ = 15, σ 2 = 20) i Z ∼ Bi(n = 4, π = 0.3):

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

#P(X <= 15)

pnorm(15, 15, sqrt(20))

## [1] 0.5

#P(10<= X <= 25)

pnorm(25, 15, sqrt(20))-pnorm(10, 15, sqrt(20))

## [1] 0.8555501

#P(X >= 15)

1-pnorm(15, 15, sqrt(20))

## [1] 0.5

#P(X>15)
1-pnorm(14, 15, sqrt(20))

## [1] 0.5884684

Pagina 20
Laya Targa Memòria Pràctiques PS Subgrup 4

#P(12<X <= 15)

pnorm(15, 15, sqrt(20))-pnorm(13, 15, sqrt(20))

## [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

Quines diferències s’observen en els resultats? Explicar el perquè.

Els resultats son diferents perquè estas calculant distribucions diferents (en un cas és una

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.

Algunes probabilitats es saben sense utilitzar R. Quins són? Per què?

En el cas de la distribució Normal P(X ≥ 15) i P(X ≤ 15), perqué 15 es la mitjana i tens el
mateix nombre d’elements als dos costats, per aixo la probabilitat en els dos casos en 0.5. En
el cas de la Binomial P(Z ≥ 4) perque només tens 4 elements i si vols calcular la probabilitat
de ser major, donará 0.

4.2. Activitat 2: Comparant distribucions contínues

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.

També podeu fer-ho usant la funció curve i l’opció add = TRUE.

x = seq(0, 10, length.out = 1000)

n <- dnorm(x, 3, sqrt(2))
logn <- dlnorm(x,1.045932, 1.019627)
gam <- dgamma(x, 9/2, 3/2)

plot(n, type ="l")

par(new=T)
plot(logn, type ="l", add = TRUE, col = "red", axes = FALSE)

## Warning in plot.window(...): "add" is not a graphical parameter

Pagina 22
Laya Targa Memòria Pràctiques PS Subgrup 4

## Warning in plot.xy(xy, type, ...): "add" is not a graphical parameter

## Warning in title(...): "add" is not a graphical parameter

par(new=T)
plot(gam, type ="l", add = TRUE, col = "green", axes = FALSE)

## Warning in plot.window(...): "add" is not a graphical parameter

## Warning in plot.xy(xy, type, ...): "add" is not a graphical parameter

## Warning in title(...): "add" is not a graphical parameter

0.20
gam
logn
n

0.10
0.00

0 200 400 600 800 1000

Index

4.3. Activitat 3: Una mica de Xarop

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?

#P(x > 215 U x < 185) = P(x < 185) + P(x>215)

1-pnorm(215, 200, 6)+pnorm(185, 200, 6)

## [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

d) Suposem ara que es tria un lot de 50 botelles:

i) quina és la probabilitat de no rebutjar cap botella?

X = (Numero de botelles descartades en 50 intents) $X Bin(50, 0.01241933)$

#P(x=0)
dbinom(0, 50, 0.01241933)

## [1] 0.5353392

ii) quina és la probabilitat de rebutjar més de 2 botelles?

#P(X>2)
1-pbinom(2, 50, 0.01241933)

## [1] 0.02434368

Pagina 24
Laya Targa Memòria Pràctiques PS Subgrup 4

e) Si sabem que es fabriquen un total de mil botelles al mes, quina distribució de

probabilitat utilitzaríeu per calcular la probabilitat que es rebutgen més de 4
botelles?
Utilizariem la distribució normal, vols calcular P(X ≥ 4).

X = (Numero de botelles descartades en 1000 intents) $P(x > 4) $

1-pbinom(4, 1000, 0.01241933)

## [1] 0.9945476

5. PRÀCTICA 5: Distribucions bivariants (I)

5.1. Activitat 1: Teles i cotxes.

En un veïnat, cadascún dels residents va declarar el nombre de cotxes X i el nombre de

televisors Y que posseïa. Els recomptes resultants es presenten a continuació. Obtindre
la funció de probabilitat conjunta i calcular les següents probabilitats P (X = 1, Y < 2),
P (X = 1, Y ≤ 2) i P (X ≥ 2, Y ≥ 2).

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

La funció de probabilitat és:





4
40 x = 1, y = 1


0 x = 1, y = 2







4
x = 1, y = 3





 40

0 x = 1, y = 4






x = 2, y = 1


 12
40




0 x = 2, y = 2



F (x, y) =




4
40 x = 2, y = 3


8
x = 2, y = 4





 40

0 x = 3, y = 1






x = 3, y = 2


 8
40




0 x = 3, y = 3







0 x = 3, y = 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)

## Loading required package: combinat

##
## Attaching package: 'combinat'

## The following object is masked from 'package:utils':

##
## combn

## Loading required package: fAsianOptions

## Loading required package: timeDate

## Loading required package: timeSeries

## Loading required package: fBasics

Pagina 26
Laya Targa Memòria Pràctiques PS Subgrup 4

## Loading required package: fOptions

##
## Attaching package: 'prob'

## The following objects are masked from 'package:base':

##
## intersect, setdiff, union

X<- c(1, 2, 3) #Valor que pot prendre X

Y<-c(1, 2, 3, 4) #Valor que por ptrendre Y
probs <- c(4, 12, 0, 0, 0, 8, 4, 4, 0, 0, 8, 0)/40 #probabilitats
EP<-expand.grid(X,Y); EP #totes les combinacions

## 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

fun_prob <- data.frame(X=EP$Var1,Y=EP$Var2,probs=probs); fun_prob #funció de probabilitat

## 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

S1<-subset(fun_prob,X==1 & Y<2)

S2<-subset(fun_prob,X==1 & Y<=2)
S3<-subset(fun_prob,X>=2 & Y>=2)

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

5.2. Activitat 2: Funció de densitat uniforme.

Donades dues variables contínues X i Y , i donada f (x, y) la seua funció de densitat

conjunta, 
 2

0≤x≤y≤1
f (x, y) =
 0

en altre cas

Respondre a les següents preguntes:

a) És una funció de densitat lícita? ¿Quina relació hi ha entre la constant (en aquest
cas 2) i l’àrea del suport?

Primer hem de comprobar 2 coses: f (x) ≥ 0 i f (x) = 1

RR

Pagina 28
Laya Targa Memòria Pràctiques PS Subgrup 4

Comprovem f (x) ≥ 0 , que es compleix perque 2 > 0

Comprovem ara f (x) = 1:

RR

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

Com s’ha comprobat, f (x) = 1

RR

Per tant, la funció de densitat és lícita.

La relació es qué l’area del soport es la inversa de la constant

b) Obtenir la funció de distribució acumulada.

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

c) Dibuixar la funció de distribució acumulada i obtenir les següents probabilitats:

P (X ≤ 0,2, Y ≤ 0,4), P (x ≥ 0,2, Y ≤ 0,2), P (x > 0,2, Y ≤ 0,2) i P (X ∈ [0,25, 0,75], Y ≤ 0,5)

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

Funció de distribució acumulada

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)

Fd(0.2, 0.4) #0.12

## [1] 0.12

P (x ≥ 0,2, Y ≤ 0,2) = 0

Fd(1, 0.2)-Fd(0.1, 0.2)

## [1] 0.01

P (x > 0,2, Y ≤ 0,2) = 0

Fd(1, 0.2)-Fd(0.2, 0.2)

## [1] 0

P (X ∈ [0,25, 0,75], Y ≤ 0,5)

Fd(0.75, 0.5)-Fd(0.25, 0.5) #0.0625

## [1] 0.0625

Pagina 31
Laya Targa Memòria Pràctiques PS Subgrup 4

5.3. Activitat 3: Sense més ganes de treballar . . . .

Donades dues variables contínues X i Y i donada f (x, y) la seva funció de densitat

conjunta, volem obtenir el valor de k que fa que f estigui ben definida. Però ja hem
treballat molt per hui. Series capaç de fer-ho sense fer cap integral?


 k 0 ≤ x2 + y 2 ≤ 9

f (x, y) =
 0

en altre cas

Es pot observar, qué es tracta d’un cercle de radi 3.

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.

L’àrea es: πr2 . Sustituim i l’àrea és: 9π.

Per tant, k = 1
9π

6. PRÀCTICA 6: Distribuciones bivariantes (II)

6.1. Actividad 1: Teles y coches (de nuevo)

En un vecindario, cada uno de los residentes declaró el número de coches (X) y el

número de televisores (Y) que poseía. los conteos resultantes se presentan a conti-
nuación. Obtener las funciones de probabilidad marginal y condicional (para Y = 1 y
X = 2). ¿Podrías calcular P (X < 2 | Y = 1)?. ¿Se trata de variables independientes?
Explorad la posible correlación entre ellas.

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

Y<-c(1, 2, 3, 4) #Valor que por ptrendre Y

probs <- c(4, 12, 0, 0, 0, 8, 4, 4, 0, 0, 8, 0)/40#probabilitats
EP<-expand.grid(X,Y); EP #totes les combinacions

## 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

fun_prob <- data.frame(X=EP$Var1,Y=EP$Var2,probs=probs); fun_prob #funció de probabilitat

## 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

(pY <- marginal(fun_prob, vars = "Y"))

## 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

#sin especificar vale 0.2

#Son independientes

#Correlación
(Ex<-sum(pX$X*pX$probs)) #Esperanza de X

## [1] 2

(Ex2<-sum((pX$X)^2*pX$probs)) #Esperanza de X^2

## [1] 4.4

(Ey<-sum(pY$Y*pY$probs)) #Esperanza de Y

## [1] 2.2

(Ey2<-sum((pY$Y)^2*pY$probs)) #Esperanza de Y^2

## [1] 6.2

(Exy<-sum(fun_prob$X*fun_prob$Y*fun_prob$probs)) #Esperanza de X·Y

## [1] 4.4

(Varx <- Ex2-Ex^2)

## [1] 0.4

(Vary <- Ey2-Ey^2)

## [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

las variables X e Y son incorreladas

6.2. Actividad 2: Función de densidad uniforme (de nuevo)

Dadas dos variables continuas X e Y y dada f (x, y) su función de densidad conjunta,


 2 si 0 ≤ x ≤ y ≤ 1

f (x, y) = ,
 0 en otro caso


obtener las funciones de probabilidad marginal, condicional (a un valor fijo de X y de

Y , y calcular P (X < y0 | Y = y0 ). ¿Se trata de variables independientes? Explorad la
posible correlación entre ellas.

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

(Varx <- Ex2$value-(Ex$value)^2)

## [1] 0.05555556

Pagina 37
Laya Targa Memòria Pràctiques PS Subgrup 4

(Vary <- Ey2$value-Ey$value^2)

## [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

7.1. Actividad 1: Simulando de una doble exponencial

La distribución doble exponencial de parámetro λ tiene como función de densidad:

λ −λ|x|
f (x) = e ,x ∈ R.
2

Simular 10000 valores de una doble-exponencial de parámetro (tasa) 10 utilizando el

teorema de inversión y comparar el histograma de los valores simulados con la densidad
superpuesta de la doble exponencial (de la que tienes la densidad).

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

Al ser una integral con valor absoluto, dividimos en 2 partes:

-
x≤0

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

Ahora que tenemos FX x, debemos calcular su inversa:

-
x≤0

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

# Función casera para simulación por inversión de una exponencial

rexpcasera1 <- function(n=1,lambda = 1){
u <- runif(n)
ifelse (u <=1/2, log(2*u)/lambda, -log(2-2*u)/lambda)
}
sim1 <- rexpcasera1(1000,10)

#funcion de densidad de la doble exponencial

ddexp <- function(x, lambda = 1){
lambda*exp(-lambda*abs(x))/2

Pagina 39
Laya Targa Memòria Pràctiques PS Subgrup 4

hist(sim1, prob = T, breaks = "FD", ylim = c(0,5))

curve(ddexp(x, 10), from = -0.8, to = 0.8, add = T, col = 2)

Histogram of sim1
5
4
3
Density

2
1
0

−0.5 0.0 0.5

sim1

7.2. Actividad 2: Simulando de una distribución binomial-beta-poisson

Obtener una muestra de la distribución conjunta:

!
n α+x−1 λn
f (x, p, n) ∝ p (1 − p)β+n−x+1 x = 0, 1, . . . , n 0≤p≤1 n = 0, 1, 2, . . .
x n!

y de la marginal f (x). Considerar que α = 2 y β = 4.

Condicionadas:

Pagina 40
Laya Targa Memòria Pràctiques PS Subgrup 4

(x|p, n) ∼ Binomial(p, n)

(p|x, n) ∼ Beta(x + 2, 4 + n − x)

(z|p) ∼ Poisson(λů(1 − p))

gibbs1 <- function(nsim=1000,ncal=100)

{
xc <- matrix(0,nrow=nsim,ncol=3)
xc[1, 3] <- 0
for(t in 1:(nsim-1)){
xc[t+1,1] <- rbinom(1,xc[t,3],xc[t,2])
xc[t+1,2] <- rbeta(1,xc[t+1,1]+2,4+xc[t,3]-xc[t+1,1])
xc[t+1,3] <- rpois(1, 10*(1-xc[t+1,2]))+xc[t+1,1]
}
xc[(ncal+1):nsim,]
}
sim3 <- gibbs1(2000,1000)

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