Modelos Discretos

Bernoulli
Es solo tiene dos resultados
experimento de Bernoulli
→
si

→
Éxito o fracaso

Este
construye las demás
→
a .

P / ✗ 1) =p
=

y P /✗ = 0
) =
e -

p
o < p < 1

✗ ~
Berlp)

→
función de wantia :

jeito

{ ÉLIE
↳
°
✗ c-

eoc
494

fracaso

→
Esperanza : EIX ] =p

→ Varianza :
VIX] =p / 1- p )

Binomial
→
Cuenta el número de éxitos

→
✗ es el número de éxitos al realizar n
experimentos Bernoulli independientes .

✗ =
Yi

✗ ~
Binlryp )
→
función de cuantía

(7)
1×1=4
""

40,1 , .in }
"
f- ✗ p H
-

pl ✗ c- . .

O eoc .
 "
?
0,65 935
.

9111
→
Esperanza : EEX] :
np

Varianza VIX ] hp / e p/
→
lado sumatoria
=
:
dwmv
-

es

Geométrica repasar

→
Con bernoulli definimos ✗ como
repeticiones hasta el primer éxito

→ X -
Geo IP)

→
función Cuantía :

PÍ
"

f-✗
1×1=4 p/ 11,2 }
1- ✗ t . .
.

O eoc

Repetición de eventos de bernoulli hasta que haya un éxito

→
Esperanza :
El × )

Varianza VEX]
11¥
→ =
:

Binomial negativa Repasar

El Último ensayo éxito

in.IE!
→ es un

→ ✗ NBN / ryp)

→
función de manta :

| 1)
" "
P[✗ =
× ] =
✗ -

pk ( 1- p) ,
✗ c- { K, K-1
,
. . .
}
K -
L

→
al menos necesitamos K
repeticiones obtener K éxitos
para
.

→
Esperanza EEX]
Kp
-
:

→ Varianza : V [X] = KI 1- P )

pa
P
[ ✗ =3] Variable Hipergeométrica
→
permite modelar la cantidad de elementos que poseen cierta característica
.

→
Píx .
-
K ] =
/ E) 11¥ )
1H

→
Esperanza : EEX] =
n
kN
V [×]
Varianza
Kj
→ : =
n N -
K N -
n

N N -
1

Proceso de conteo
→ Proceso de Poisson da
origen a la distribución de Poisson

→
Proceso de conteo :
en un
tiempo t
,
ocurran cierta oawt de eventos si :

→
NHI ≥ o

→ Nlt) C Z
→
set NH) -
Nls) Cant de eventos entre syt

→ Incrementos independientes : si el número de eventos que ocurren en

intervalos disjuntos son

independientes .

→
Incrementos estacionarios : Cuando la distribución de eventos depende de la longitud
del intervalo ls stt ] depende solo de t valor de S
→
, para cualquier

Proceso de Poisson
→ Es proceso de Poisson un conteo NLH con ocurrencia h O si
> :

→
NIO ) = O

→
NH) tiene incrementos independientes
→
PEN / 1- d) +
-

NIH 1) = =
hh tots)
→ PENH d) +
-

NHI≥ 2) =
o (b)

Con ◦ Hume fc
Huí ◦
µ =
°
→
Error
por
Área Teorema

→
tiempo de espera
→
Fórmula recursiva NH) es un proceso de Poisson con tasa K NHI es una v. Poisson de
parámetro ht
→ Pérdida de memoria -
ht "

PENA) -
-
n ] =
e lhtl
n!

Distribución de Poisson
→ Determinar la cantidad de eventos que ocurren en un
espacio de manera aleatoria

→ ✗ -
Poilh )
"

PIX -
-
✗ 1h ] =
ÉL '
✗ =

943 . . .

×!

→
Esperanza : EIX] =L

→ Varianza : VTX] =L

Pérdida de memoria * Repasar bien

la cantidad de eventos en espacios distintos son independientes

fhuna distribución exponencial :

✗ ~
Exp / a) PI X > tts /✗ >s ) =
PIX > t ) tsit > o
,
.

Aproximación de Poisson
Para obtener esta distribución mediante . una distribución binomial de infinitos eventos ,
esta distribución considera una

cantidad finita de eventos con probalidad p .

Klint esperada de eventos favorables del total de h es

A- np Si consideramos = hln tiende infinito entonces :

.

p y que n a

" n k
-

" "

II.% PIX
%) / f)
-
- × ] =
t.im n! 1- =
h e
""
K! In ki !
-

K!
 Modelos Continuos
Distribución Uniforme
Una variable aleatoria estar distribuida uniformenle intervalo [ A B ]
puede en un
,

función f- ✗ A)
| LA [ A B]
i
densidad =
si ✗ t
,

O e. 0 .
C

✗ ~
Unif [ A , B]

"
EIX]
|
=
✗ dx = BTA

A
B- A 2

✓ [×] =

/A
/✗ -

B- A
BIP dx = (B -

12
A Í

Distribución Exponencial

función densidad :
fxlx) = AÉ
"

,
× ≥0
¡
Fxlx) =
1- e- ↑ × ≥o

✗ ~
Expldl
"t
EIX] = 1 FTHI : PET≤ t ] =
1- e-
"

✓ [ ×] =

Para modelar el tiempo de ocurrencia de dos eventos o

para modelar tiempos de vida de componentes electrónicos .

H valor h la razón los eventos

representa a la que ocurren

Pérdida de memoria
PEX > tth / ✗ > t ] =
PIX > h]

↳
probalidad de
que ocurra el evento en tiempo tth dado que no ha ocurrido en el
tiempo t .

1- ¿¥ =
qq PIX≥t]
Relación Exponencial - Poisson
Si t el entre eventos Poisson NHI de tasa
h
es
tiempo dos de
,
sot

tiene distribución exponencial de parámetro h .

Tnexplh) Ni
ft ( t)
-

=
de

Distribución gamma
Para modelar tiempos de espera tiempos de vida , esta tiene dos parámetros NO NO
, y .

✗ ~
Gamma K , H

✗" " "

fx (a) =
A / a) e EIX] -
a-
Mal ✗

|
←' ✗
Miz) =
✗ e- dx VEX] =

Relación Gamma - Exponencial

Distribución exponencial :

Es gamma si ✗ =L la función densidad de convierte exponencial de

, gamma se en

(✗ exp / A)
para metro A
~

"
lx) dé
f- ✗
=

,
✗ >O

Te ~
Exp / A)

Sn ZT Gamma ln , h)
+
=
,
+
.
.
.
Tu ~
 Distribución Normal
'
lx )
-

µ
-

f- × 1×1 = 1 C 2+2
ZITT

✗ ~
N/
µ,
F) EIX] =
VEX] =

Distribución Normal Estándar

Cuando :O si =L
µ
:
y

e- ¥
función densidad 0/1×1 1
: =

21T

✗ NN 1µF )
2- =
✗ µ -
~ N / 0,11
T

Vectores Aleatorios
Si experimento estamos interesados OMAÍ resultados cada uno de estos valores muestra
en un en dos
, corresponde a una de
alguna v. a .

teniendo en cuenta las propiedades individuales y relaciones entre estas .

Si consideramos el vector aleatorio Hill nos interesa encontrar:

→
función de masa o densidad conjunta fxylxis ) :
modela la
ley de probabilidad de ambas variables en

conjunto .

t
función de masa o densidad marginal de cada variable fxtx) y fyly)
:
funciones de masa o densidad de cada

variable individual .

1
función de distribución conjunta Fxylx y) : , función de probabilidad acumulada conjuntas .

Y
función de distribución marginales Fxlx) y FYIYI :
funciones de distribuciones individuales de cada v. a
función de masa conjunta

La
✗ Y discretas función de masa de
probabilidad conjunta f- ✗y Ix , Y ) cada par de números 1441
→
e :
para
.

f- ✗y
lx , 4) =P [✗ =
✗ n y y]
=

Propiedades :

I
Of f-✗ y Hist ≤ 1

1
¥} fxy =
1

a P [ Hill c- A] =
ZZ fxy His )
His ) EA

función de wantia conjunta :

función de masa marginal

✗e Y discretas sabiendo fxylxisl queriendo la

función de ✗ Y :
→
masa de o
, y

→
f- ✗ H) =

§ f-✗ y Hit ) Probabilidad de ✗ bajo todos los lisos de Y

f-y 1×1 Hit) Probabilidad de Y bajo todos los de ✗

§ f- y
→ = lisos
✗
Función de distribución conjunta

Fxi ti , Y ) =
IPIX ≤ × Y ≤ y]
,

LIM Fxi, IX , 4) = 1
HMI →
19^1

Marginales :

FXIXI =
Lim Fx ,y 144) Fy 141 = IIM Fx Y
,
Kid
Y UN , ✗ → N

función de densidad conjunta

KY → continuas .

✗ Y

Fxy H , Y /
| | fxyluivldudv
=

, ,

f- ✗ y Ix , y ) = Ó Fxylx y) ,

Hay

Propiedades :

f.¡ f.¡ fxyluirtdu 1

→
dr
-
-

✗2 Yz

||
IPIX , ✗≤ Y ≤ Ya]
< <
fxy tu, vlduidv
→ ×
y,
=
} ,

,, ,,

función de densidad marginal

a

f- ✗ 1×1
[¡ fxy Hildy fy IY)
| fxytxisldx
=
-
.

,
- N
Valor esperado

fea 2- =

g / ✗µ) ,
la esperanza de Z:

° a

EEZ] =
/ Lo
→
91444×41441 dxdy

[ ✗ Zyglxislfxylxist

Momentos
conjunto

Comportamiento en conjunto de XEY ,

momento KI -

ésimo

[¡ f.¡ yefxylxisldxdy
" ' "
E- [✗ y ] =
✗

§§
"

fxylxiisi)
'
✗
y

kl -

momento central ✗ e Y :

" '
E [ IX -

EEX] / ( y EEY ] ) ]
-

Si K = 2
y 1=0
es VIX] si K
-0,1--2
-
MVIY]
,

Correlación y Covarianza

Correlación

EIXY ] es correlación con Kid =

corlxisl
' '
SÉ Sy
.

Covarianza

momento central K -1=1

-

Cor IX. 4) EIIX= -

EIX] ) / Y EN] ) ]
-

UN / ✗ ✗ +4,2-1 = ✗ WIX, Z) + UNIY , Z )

UNIXM / =
EIXY] -

EIXJEIY]

Covlx , XI = VEX]
 Con / ✗ MÍ ≤ VTX] '

YIY] =
8×5}

tan IXMII ≤ rxry

tan IXMII ≤ 1

TX Ty

coeficiente de correlación

look , Y ) EIXY] EIX ] EIY]

fx y
-

=
=

TX , Ty 8×164

1 ≤ fx y ≤ 1
-

Distribución condicional

Fxty 1×1 IP [✗ ≤ ✗ IY ] IPIX ≤ xny y]

=
=
y
-
= -

y
.
_

1PM -
-

y]

✗
=

f. fxiiltisldx

fyly)

Fxly -

y
tú =
lim Fxly LY ≤ ythlx)
NO

FXIYCY ≤ ythh) : IPIX ≤ ✗ A y < Y≤ y +h ]

th]
IPIYCY ≤ y

× yth

f. f fxyluirldnrdv SÍ f- Luis aun

=
✗Y
•
, =

""
(a) f-y 14th
/ y fy
µ

Lim h -10

Densidad Condicional

de ✗ : f- ✗ / y ylx)-
-
=
f-✗ y / ×, y)
fy IY)
Esperanza condicional de una función

Esperanza condicional g Hill / Y y

-
_

Elg IX , YI / Y y] = =

[ •
glxitlfxty ylxldx -
-

EN / Y -
-
]
y =

[¡ ✗ fxly =
y 1×1 DX

Variables aleatorias independientes

Fxy txy ) =
Fxlx) -

Fyly )