Documentos de Académico
Documentos de Profesional
Documentos de Cultura
λxe−λ
P (x) =
para x = 0, 1, 2, ...
x!
La media esperada y la varianza de X son E[X]=Var[X]=λ
Por lo tanto, X ∼ P oisson(λ)
1. Graficar la función de probabilidad de X para distintos valores del paráme-
tro, es decir λ = 5, 10, 20 y 30. Describir los gráficos y compararlos.
Lambda 5 Lambda 10
0.12
0.15 0.10
probabilida
probabilida
0.08
0.10
0.06
d
d
0.05 0.04
0.02
0.00 0.00
0 5 10 15 0 5 10 15 20
x x
Lambda 20 Lambda 30
0.10 0.08
0.08
0.06
Density
Density
0.06
0.04
0.04
0.02 0.02
0.00 0.00
10 15 20 25 30 35 10 20 30 40 50
x x
Tomamos 1000 datos aleatorios para cada uno de los valores de lambda, podemos ver que en cada uno de
los graficos llegan a tener una similitud ya que su curva de densidad es centrada, esto quiere decir que las
graficas son asimetricas para los valores de lambda 10,20 y 30,en el caso de lambda 5 podemos ver que su
sesgo llega a ser positivo esto se debe a que La distribución de Poisson depende del parametro lambda, es
igual a la media y la varianza. Cuando lambda aumente a valores lo suficientemente grandes, la distribución
normal podría utilizarse para aproximar la distribución de Poisson, la variable X presenta una distribución
simétrica respecto a su media.
1
2. Calcular la probabilidad de que la variable aleatoria X tome valores a lo
sumo de: 5 (para lambda 5), 10 (para lambda 10), 20 (para lambda 20) y 30
(para lambda 30). Interpretar resultados y compararlos.
2.1. λ = 5
Σ5 5xe−5
P (x ≤ 5) = = 0 6159607
.
x=0 x !
Cuando lambda toma el valor de 5, la probabilidad de que a lo sumo X sea 5 es de 0.616
2.2. λ = 10
x −10
Σ 10 e
10
P (x ≤ 10) = = 0 5830398
.
x=0 x !
Cuando lambda toma el valor de 10, la probabilidad de que a lo sumo X sea 10 es de 0.583
2.3. λ = 20
x −20
Σ 20 e
20
P (x ≤ 20) = = 0 5590926
.
x=0 x !
Cuando lambda toma el valor de 20, la probabilidad de que a lo sumo X sea 20 es de 0.5591
2.4. λ = 30
x −30
Σ 30 e
30
P (x ≤ 30) = = 0 5483515
.
x=0 x !
Cuando lambda toma el valor de 30, la probabilidad de que a lo sumo X sea 30 es de 0.5484
∞
Σ 5xe−5
E[X] = x =5
x=0
x!
Y con varianza:
!2
Σ
∞ x −5
25 e
Σ
∞
5xe−5
2 2
V ar[X] = E[X ] − E [X] = x − x = 30 − 25 = 5
x=0 x! x=0
x!
2
3.2. λ = 10
Cuando lambda toma el valor de 10, se tiene que la esperanza está dada por:
Σ
∞
10xe−10
E[X] = x = 10
x=0
x!
Y con varianza:
!2
Σ
∞ x −10
2 10 e
Σ
∞
10xe−10
2 2
V ar[X] = E[X ] − E [X] = x − x = 110 − 100 = 10
x=0 x! x=0
x!
3.3. λ = 20
Cuando lambda toma el valor de 20, se tiene que la esperanza está dada por:
Σ
∞ 20xe−20
E[X] = x = 20
x=0
x!
Y con varianza:
!2
Σ
∞
2 20xe−20 Σ
∞
20xe−20
2 2
V ar[X] = E[X ] − E [X] = x − x = 420 − 400 = 20
x=0 x! x=0
x!
3.4. λ = 30
Cuando lambda toma el valor de 30, se tiene que la esperanza está dada por:
Σ
∞
30xe−30
E[X] = x = 30
x=0
x!
Y con varianza:
!2 = 930 − 900 = 30
Σ
∞ x −30
2 30 e
Σ
∞
30xe−30
2 2
V ar[X] = E[X ] − E [X] = x −
x=0 x! x=0
x
x!
Deducimos que cada que tomamos diferentes valores de lambda la esperanza y la varianza es
igual a lambda, así qué para cualquier valor de lambda su esperanza y su varianza van a ser igual
a lambda
3
4. Para una variable aleatoria X que se modela con una función de proba-
bilidad con parámetro lambda=20, generar 100 muestras aleatorias de tama-
ño n=1000. Por cada muestra aleatoria, calcular la media muestral, varianza
muestral y porcentaje de valores en la muestra menores o iguales 20.
Después de la simulación de las 100 muestras aleatorias podemos observar una sección de la
base de datos:
Cuadro 1: Muestra de la base de datos
4.a Construir un gráfico de dispersión donde en el eje y ubiques los resultados de las medias
muestrales y en el eje x los valores de 1 a 100 (indexación por muestra). Además, trazar una
línea paralela al eje x que corte en el eje y en el valor teórico de la esperanza matemática de
la variable X. Interpretar el grafico y la relación de los resultados muestrales y teóricos.
20.4
20.2
Media Muestral
20.0
19.8
19.6
0 25 50 75 100
Muestra
4
Hay una dispersión demasiado alta entre cada uno de los valores en la que su media se
encuentra entre los valores de 19.9 y 20.2 aunque la mayor parte de los valores se encuentra
en su media teórica que es 20 ya qué el valor teórico corresponde al
parámetro de las muestras.
4.b Construir un gráfico de dispersión donde en el eje y ubiques los resultados de las varianzas
muestrales y en el eje x los valores de 1 a 100 (indexación por muestra). Además, trazar una
línea paralela al eje x que corte en el eje y en el valor teórico de la varianza de la variable
X. Interpretar el gráfico y la relación de los resultados muestrales y teóricos.
22
21
Varianza Muestral
20
19
18
0 25 50 75 100
Muestra
Al igual que la anterior gráfica la dispersión se encuentra entre los valores de la varianza
muestral ,pero para ser más exactos están mucho más cerca de la varianza teórica esto se
debe a que el valor teórico corresponde el parámetro de las muestras.
4.c Construir un gráfico de dispersión donde en el eje y ubiques los resultados de los por-
centajes y en el eje x los valores de 1 a 100 (indexación por muestra). Además, trazar una
línea paralela al eje x que corte en el eje y en el valor de la probabilidad de que X toma
valores menores o iguales 20. Interpretar el gráfico y la relación de los resultados muestrales
y teóricos.
5
60.0
57.5
Porcentaje (<20)
55.0
52.5
0 25 50 75 100
Muestra
son muy cercanos a la probabilidad inicial debido La mayoría de los porcentajes de las
muestras oscilan entre el 50% y 60.
4.d Construir 10 gráficos de barras para los resultados de 10 muestras aleatorias y compa-
rarlos con el gráfico de la función de probabilidad de X para λ=20 del ejercicio 1.
150
150
Frecuencia
Frecuencia
Frecuencia
Frecuencia
100
100
50
50
50
0
5 15 25 35 5 15 25 35 5 10 20 30 5 15 25 35
x x x x
300
Frecuencia
Frecuencia
Frecuencia
Frecuencia
100
200
100
50
0
5 15 25 35 5 15 25 35 5 15 25 35 5 15 25 35
x x x x
6
Muestra 9 Muestra 10 .
Frecuencia
100
50
0
0
5 15 25 35 5 15 25 35
x x
Los datos provienen de una distribución con lambda = 20, por lo tanto su comportamiento
en las gráficas se ven muy similares, en la mayoría de las gráficas lo que más podemos notar
es la amplitud de las barras ya que esta depende de los valores que se
tomen en cada muestra.
5. Para una variable aleatoria X que se modela con una función de probabilidad
con parámetro lambda=20 seleccionar 12 muestras aleatorias de tamaños n=2,
5, 10, 20, 30, 50, 100, 200, 300, 400, 500, 1000. Por cada muestra calcular el
porcentaje de valores en la muestra menores o iguales 20. Construir un gráfico
de dispersión donde en el eje y ubiques los resultados de los porcentajes y en
el eje x los valores de 1 a 12 (indexación por muestra). Además, trazar una
línea paralela al eje x que corte en el eje y en el valor de la probabilidad de que
X tome valores menores o iguales 20. Analizar estos resultados y compararlos
con los encontrados en el ejercicio 4 c) del punto 4
Los datos obtenidos después de la simulación de las muestras son:
7
gráfico de dispersión de los porcentajes, donde la línea roja es la P (x ≤ 20) =
55.909% es:
70
60
Porcentaje (<20)
50
40
30
20
1 2 3 4 5 6 7 8 9 10 11 12
Muestra
Podemos darnos cuenta que en esta gráfica la mayor parte de los valores se encuentran entre
la línea roja es decir la probabilidad de qué X tome valores menores o iguales a 20 quién
este caso es el 55.9%, no obstante hay dos valores el 20 y el 69% que se encuentran muy
alejados de esta probabilidad, a diferencia del punto 4c dónde los valores se encuentran
entre 52 y 60 pero absolutamente todos los valores oscilan entre la media muestral.
Punto 5. Suponga que la variable aleatoria X se modela con una distribución Gamma. Se
utiliza en este caso la parametrización que se usa en el software R. La función de densidad
está dada por:
∫ ∞
1
f (x) = x α−1 −x/σ
e ; Γ(α) = tx−1e−t dt
σαΓ(α) 0
8
1. Graficar la función de densidad de X para distintos valores de los paráme-
tros. Alpha=2 y Sigma=1/3, 1/5, 1/10, 1/15 y 1/20. (todas estas curvas en
un mismo gráfico). Además, Alpha=1 y Sigma =1/3, 1/5, 1/10, 1/15 y 1/20
(todas estas curvas en un mismo gráfico). Describir y comparar las curvas de
densidad.
Alpha = 2
scale
1/10
Densidad
4
1/15
1/20
1/3
1/5
2
0 1 2 3
X
Alpha = 1
10
scale
1/10
Densidad
1/15
1/20
1/3
5
1/5
0 1 2
X
9
Se pueden observar claras diferencias entre ambos gráficos, el primero (α = 2) tiene colas
más pesadas que el segundo (α = 1) y los valores máximos son más altos en el segundo
a comparación del primero para los distintos valores de σ observados, sin embargo, para
ambos gráficos se puede observar que la altura de cada curva aumenta cuando se disminuye
el valor de sigma y la mayoría de los datos están entre 0 y 1.
∫ 0.2
1
P (x > 0.2) = 1 − p(x ≤ 0.2) = 1 − x2−1e−10xdx = 1 − 0.5939942 = 0.4060058
2
0 1
10
Γ(2)
3.5
3.0
2.5
Densidad
2.0
1.5
1.0
0.5
0.0
10
∫ ∞
1
V ar(X) = E(X2) − E2(X) = x2 · 2 x2−1e−10x − (0.2)2 = 0.06 − 0.04 = 0.02
0 1
10
Γ(2)
4.a Construir un gráfico de dispersión donde en el eje y ubiques los resultados de las medias
muestrales y en el eje x los valores de 1 a 100 (indexación por muestra). Además, trazar una
línea paralela al eje x que corte en el eje y en el valor teórico de la esperanza matemática de
la variable X. Interpretar el gráfico y la relación de los resultados muestrales y teóricos.
11
0.210
0.205
Media Muestral
0.200
0.195
0.190
0 25 50 75 100
Muestra
Se puede observar una dispersión notable entre los valores muestrales y el teórico, los datos
de la media a nivel muestral oscilan entre 0.189 y 0.211, pero en general se mueven muy
cerca de la media teórica que es 0.2. Esto debido a que el parámetro con el que se simularon
las muestras corresponde al valor teórico.
4.b Construir un gráfico de dispersión donde en el eje y ubiques los resultados de las varianzas
muestrales y en el eje x los valores de 1 a 100 (indexación por muestra). Además, trazar una
línea paralela al eje x que corte en el eje y en el valor teórico de la varianza de la variable
X. Interpretar el gráfico y la relación de los resultados muestrales y teóricos.
0.024
0.022
Varianza Muestral
0.020
0.018
0 25 50 75 100
Muestra
Se puede observar una dispersión considerable entre los valores muestrales y el teórico, los
datos de la varianza a nivel muestral oscilan entre 0.017 y 0.024, pero en general se mueven
muy cerca de la varianza teórica que es 0.02. Esto debido a que el parámetro con el que se
simularon las muestras corresponde al valor teórico.
4.c Construir un gráfico de dispersión donde en el eje y ubiques los resultados de los porcen-
tajes calculados y en el eje x los valores de 1 a 100 (indexación por muestra). Además, trazar
una línea paralela al eje x que corte en el eje y en el valor de la probabilidad de que X toma
valores mayores a 0.2. Interpretar el gráfico y comparar resultados muestrales y teóricos.
12
45
43
Porcentaje (>0.2)
41
39
37
0 25 50 75 100
Muestra
Si X ∼ gamma(2, 1/10) entonces P (x > 0.2) = 40.6%, es notable que todos los porcentajes
de las muestras aleatorias oscilan entre 36.9% y 44.7% que son muy cercanos a la probabili-
dad dada inicialmente.
Muestra n Media
1 2 0.2286
2 5 0.2283
3 10 0.1631
4 20 0.1661
5 30 0.1779
6 50 0.1790
7 100 0.2026
8 200 0.2006
9 300 0.1966
10 400 0.2107
11 500 0.2082
12 1000 0.2046
13
Así, el gráfico de dispersión de las medias, donde la línea roja representa la media teórica,
es:
0.22
Media Muestral
0.20
0.18
0.16
1 2 3 4 5 6 7 8 9 10 11 12
Muestra
Se puede observar una dispersión notable entre los valores muestrales y el teórico, los datos
de la media a nivel muestral oscilan entre 0.1631 y 0.2286. Debido a la escala de los datos no
es una diferencia tan considerable comparado con el ejercicio 4.a donde también se observó
una gran dispersión, esto debido a los tamaños de las muestras y a que los pámetros de las
simulaciones fueron iguales.
14