Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Patricia Kisbye
FaMAF
6 de mayo, 2010
Anlisis estadstico de datos simulados
Continuas:
I Uniforme: Para cantidades que varan "aleatoriamente" entre
valores a y b, y que no se conocen ms datos.
I Exponencial: Tiempos entre llegadas de "clientes" a un sistema,
y que ocurren a una tasa constante. Tiempos de falla de
mquinas.
I Gamma, Weibull: Tiempo de servicio, tiempos de reparacin.
I Normal: Errores. Sumas grandes Teorema central del lmite.
I Otras: (Law & Kelton, cap. 6)
Parmetros:
I de posicin: (normal, uniforme)
I de escala: (normal, uniforme, exponencial, lognormal)
I de forma: (Gamma, Weibull, lognormal)
Distribucin uniforme
1
I f (x) = ba I(a,b) (x)
I a: posicin, b a: escala.
I Rango: a < x < b.
a+b
I Media: 2 .
(ba)2
I Varianza: 2 .
Distribucin Gamma(, )
x 1 exp(x/)
I f (x) = ()
I : forma, : escala.
I Rango: x > 0.
I Media: .
I Varianza: 2 .
I NOTACIN para
I = 1 Exponencial
Distribucin Weibull (, )
I f (x) = x 1 e(x/)
I : forma, : escala.
I Rango: x > 0.
1 .
I Media:
Distribucin Normal(, 2 )
I f (x) =
1 exp((x )2 /(2 2 ))
2
I : posicin, : escala.
I Rango: R.
I Media: .
I Varianza: 2 .
Distribucin Lognormal(, 2 )
2 2
I f (x) = 1 e(log(x)) /(2 )
x 2 2
I : forma, : escala.
I Rango: x > 0.
2
I Media: e+ /2
.
2
2+
I Varianza: e (e 1).
Distribuciones de probabilidad ms utilizadas
Discretas:
I Bernoulli.
I Uniforme discreta.
I Geomtrica: nmero de observaciones hasta detectar el primer
error.
I Binomial negativa: nmero de observaciones hasta detectar el
n-simo error.
I Poisson: Nmero de eventos en un intervalo de tiempo, si
ocurren a tasa constante.
Distribucin Binomial
p = 0.25 p = 0.5
Distribucin Poisson
Distribucin Poisson
Corresponde a = 25.
Distribucin emprica
Datos continuos
I Datos observados: X1 , X2 , . . . , Xn disponibles.
I Datos agrupados en un intervalo: histograma.
Si los datos estn disponibles, puede construirse una funcin de
distribucin lineal a trozos:
I Ordenando los datos de menor a mayor: X(1) , X(2) , . . . , X(n)
I Definiendo F (x) como:
0
x < X(1)
i1 xX(i)
F (x) = n1 + (n1)(X(i+1) X(i) ) X(i) x < X(i+1) 1i <n
1 X(n) x
n1 + n2 + + nk = n
#{i | Xi = x}
p(x) =
n
I Si los datos estn agrupados, se define la funcin de masa p(x)
de modo que la suma en cada intervalo sea igual a la proporcin
de Xi s en dicho intervalo.
La definicin de p(x) dentro del intervalo es esencialmente
arbitraria.
Tcnicas de prueba de independencia
1 X1 /1 X2 / 1 Xn /
L() = e e e
n
!
1X
= n exp Xi
i=1
n
1X
= Xi = X (n) = Media muestral.
n
i=1
Ejemplo
Para la distribucin geomtrica, = p (0 < p < 10) y
pp (x) = p(1 p)x1 para x = 1, 2, . . . .
Pn
L(p) = pn (1 p) i=1 (Xi 1)
n
p Pn
= (1 p) i=1 Xi
1p
X 1
1
=
p Xi
n
Estimadores de mxima verosimilitud:
Distribuciones continuas:
I Uniforme: a = max{Xi }.
= min{Xi }, b
I Exponencial: = X (n).
I y se resuelven numricamente.
Gamma, Weibull:
I Normal: 1/2
n1 2
= X (n),
= S (n) .
n
I Lognormal:
Pn 1/2
)2
P
i=1 log(Xi ) i=1 n(log(Xi )
= ,
= .
n n
Estimadores de mxima verosimilitud
Distribuciones discretas:
I = X (n)/t.
Binomial (t, p): si t es conocido, p
I Bernoulli: Caso binomial con t = 1 e igual p.
I Geomtrica: p= 1 .
X (n)
I Binomial negativa (s, p): nmero de ensayos hasta el s-simo
= s .
xito. Si s es conocido: p X (n)
I = X (n).
Poisson: