Actividad 2 Simulacin de Procesos estocsticos e Inferencia Estadstica

Autor:

1

12 de abril de 2014
Actividad 2.

A1. CUESTIONES TERICO-PRCTICAS
1.
Se trata de encontrar mediante la tcnica de aceptacin-rechazo la generacin de valores
pseudoaleatorios N(0,1).






2.
Vamos a tratar de construir a partir del algoritmo anterior, una generacin de valores que siga
una Chi-Cuadrado de 10 grados de libertad. Por lo que deberemos generar una variable
aleatoria X, si (X
1
,X
2
,...,X
n
) son n variables aleatorias normales independientes de media 0 y
varianza 1, la variable definida como

n
1 i
2
i
2
n
2
1 n
X X X Y

Actividad 2 Simulacin de Procesos estocsticos e Inferencia Estadstica
Autor:

2

Por lo que en nuestro caso va a consistir en generar 10 variables aleatorias normales N(0,1) e
independientes, y finalmente realizar su sumatorio.


La programacin termina con la construccin de un histograma de los datos generados, con el
objetivo de que se pueda apreciar la forma de la Chi-Cuadrado de 10 grados de libertad (vara
su forma en funcin del nmero de grados de libertad):

3.
La transformada inversa, es un mtodo para la generacin de variables aleatorias continuas,lo
cual se logra mediante la funcin acumulada f(x) y la generacin de nmeros pseudoaleatorios
ri ~U (0,1).
Actividad 2 Simulacin de Procesos estocsticos e Inferencia Estadstica
Autor:

3

A partir de la generacin de una distribucin exponencial, debemos obtener una distribucin
Gamma. La distribucin exponencial es un caso particular de la distribucin Gamma.
Para una variable aleatoria X que siga una distribucin Gamma (n,lambda), hay que tener en
cuenta que no es posible aplicar la expresin F
-1
, con el objeto de aplicar el mtodo de la
transformacin inversa.
Es importante comentar, que la suma de distribuciones exponenciales independientes nos da
como resultado una distribucin Gamma. Por lo que podemos generar una distribucin
gamma mediante la generacin de (n) nmeros aleatorios U:
X= ) ... log(
1
log
1
... log
1
1 1 n n
U U U U


Vamos a tratar de replicar este planteamiento mediante la computacin en R:

Asignamos el valor de 4 al parmetro lambda. Y construimos 8 generacin aleatorias con el
mismo tamao n=1.000. Continuamos con la multiplicacin de stas y ahora si introducimos el
logaritmo dividido por el parmetro lambda.
Como comprobacin final, sabemos que

n
corresponde a la media muestral de la distribucin
Gamma. Por lo que en nuestro caso

n
=8/4=2, y con la sentencia mean nos aparece la media
que es aproximadamente igual a 2. Por lo que parece que la simulacin es correcta.
Vemos la forma de la distribucin Gamma generada:
Actividad 2 Simulacin de Procesos estocsticos e Inferencia Estadstica
Autor:

4


4.
Para trabajar con la generacin Poisson la variable aleatoria se distribuye segn una uniforme
(0,1), mediante la utilizacin de la funcin propia de R "rnunif" que proporciona valores
comprendidos entre 0 y 1.
Computacin introducida en lenguaje R:

Como ejemplo introducimos en la simulacin n=100 y lambda=5, por la teora de la
distribucin de Poisson sabemos que lambda debe ser igual a la media. Como podemos
observar en la salida de R, la media se aproxima considerablemente al valor de lambda
introducido en la generacin del algoritmo.

Mediante la siguiente sentencia, reproducimos un grfico muy til para observar que 5 es el
valor con mayor frecuencia:
barplot(xtabs(~simmul_Poisson(100,5))/100)
Actividad 2 Simulacin de Procesos estocsticos e Inferencia Estadstica
Autor:

5



A continuacin se presenta el histograma de la generacin mediante Poisson, con el objeto de
comprobar la forma de la distribucin:


5.
Para realizar la generacin a travs de la tcnica discreta de la variable aleatoria con la funcin
de probabilidad, nos basamos en el ejemplo 5 de los apuntes con diferentes variantes. Donde:
Semilla s=25 , Escala a =14, Orgen b=1, Mdulo de congruencia m=40



Actividad 2 Simulacin de Procesos estocsticos e Inferencia Estadstica
Autor:

6



6.

Desde la teora se conoce que en los problemas de procesos aleatorios, es importante
considerar el tiempo (t) entre dos sucesos estudiados. Donde (t) es el valor de una variable
aleatoria y debe tener algn tipo de densidad de probabilidad en un proceso aleatorio
continuo. Para encontrar esta densidad en un proceso de Poisson, debemos tener en cuenta:

-El tiempo de espera entre la presencia de dos sucesos consecutivos es mayor que t.
-El nmero de veces que se presenta un suceso desde el instante t es igual a 0.

Por lo que si en un proceso de Poisson F(t) nos indica la probabilidad de que el tiempo de
espera sea igual o mayor que t, nos queda:
1-F(t)=
! 0
) (
0
t e
t

quedando: F(t)=1-
t
e


Si derivamos respecto de t, podemos observar que la densidad del tiempo de espera entre la
presencia de dos sucesos est distribuida por la distribucin exponencial:



t
e

t>0
f(t)=
0 t0

La media de esta distribucin es

1
(tiempo medio de espera), lo que se corresponde con que
sea el nmero de sucesos por unidad de tiempo.

En base a ello construimos en lenguaje R un algoritmo que mediante un proceso de Posisson,
que integra el tiempo de espera mediante una distribucin exponencial y presenta finalmente
los resultados mediante un grfico.

Actividad 2 Simulacin de Procesos estocsticos e Inferencia Estadstica
Autor:

7






Grfico final de los tiempos de espera de una Poisson (100, 1/10):


Observamos que el tiempo de espera llega hasta el valor de 1.000, lo cual tiene su coherencia,
ya disponemos de un tamao n=100 con una media de espera de 10
1 , 0
1 1

, y de ello se
obtiene 100*10=1000. El eje vertical, alcanza un total de 100, el mismo valor de n.








Actividad 2 Simulacin de Procesos estocsticos e Inferencia Estadstica
Autor:

8

7.

Mediante la utilizacin del mtodo de Box-Muller, que permite crear variables aleatorias
normales con N(0,1) independientes. Este mtodo puede no ser eficiente desde un punto de
vista computacional, por la necesidad de calcular las funciones trigonomtricas de seno y
coseno.
En el objeto "datos" introducimos la generacin de 100 valores que siguen una Normal
(51,5.2), mediante una semilla igual a 25, escala igual a 14 y origen igual 1.
Observamos la media muestral es igual a 50,73 distinta aunque cercana a la media terica de
51. La desviacin tpica muestral es igual 5,05 distinta aunque prxima a la desviacin tpica
terica de 5,2.
Mediante la sintaxis "hist(datos)" reproducimos el histograma, donde observamos el parecido
a una distribucin Normal:

Actividad 2 Simulacin de Procesos estocsticos e Inferencia Estadstica
Autor:

9




8.
Para generar una variable aleatoria de Rayleigh R, a partir de una Uniforme U, se puede
aplicar el mtodo de la transformada inversa, donde:

) 2 (
2
1 ) (
r
R
e r F

----> ) (
1
r F
R

La distribucin de Rayleigh es una funcin continua. Si la variable aleatoria R sigue una
Rayleigh (
2
) donde R~N(0,
2
).


A2. TEORA
Realizada la bsqueda en las bibliotecas de referencia y de la Universidad adems de por
Internet, ha resultado ser infructuosa para el libro correspondiente para proceder a la
resolucin de ste punto.

A3. COMPUTACIN
Programacin en lenguaje R de los ejemplos del Tema 2 en lenguaje Matlab.
Ejemplo1 (sintaxis y salida):
Actividad 2 Simulacin de Procesos estocsticos e Inferencia Estadstica
Autor:

10



Ejemplo 2 (sintaxis y salida):

Ejemplo 3 (sintaxis y salida):

Actividad 2 Simulacin de Procesos estocsticos e Inferencia Estadstica
Autor:

11

Ejemplo 4 (sintaxis y salida):

Ejemplo 5 (sintaxis y salida):


Ejemplo 6 (sintaxis y salida):
Actividad 2 Simulacin de Procesos estocsticos e Inferencia Estadstica
Autor:

12










Ejemplo 7 (sintaxis y salida):

Actividad 2 Simulacin de Procesos estocsticos e Inferencia Estadstica
Autor:

13


Ejemplo 8 (sintaxis y salida):