Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
→
Esperanza :
El × )
Varianza VEX]
11¥
→ =
:
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 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
✗ ~
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
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-
"
✓ [ ×] =
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
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] =
Distribución exponencial :
(✗ 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] =
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 .
→
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
→
f- ✗ H) =
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
KY → continuas .
✗ Y
Fxy H , Y /
| | fxyluivldudv
=
, ,
f- ✗ y Ix , y ) = Ó Fxylx y) ,
Hay
Propiedades :
✗2 Yz
||
IPIX , ✗≤ Y ≤ Ya]
< <
fxy tu, vlduidv
→ ×
y,
=
} ,
,, ,,
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
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
corlxisl
' '
SÉ Sy
.
Covarianza
UNIXM / =
EIXY] -
EIXJEIY]
Covlx , XI = VEX]
Con / ✗ MÍ ≤ VTX] '
YIY] =
8×5}
tan IXMII ≤ 1
TX Ty
coeficiente de correlación
=
=
TX , Ty 8×164
1 ≤ fx y ≤ 1
-
Distribución condicional
y
.
_
1PM -
-
y]
✗
=
f. fxiiltisldx
fyly)
Fxly -
y
tú =
lim Fxly LY ≤ ythlx)
NO
× yth
""
(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
Elg IX , YI / Y y] = =
[ •
glxitlfxty ylxldx -
-
EN / Y -
-
]
y =
[¡ ✗ fxly =
y 1×1 DX
Fxy txy ) =
Fxlx) -
Fyly )