Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 187 vistas

    Parcial 03 Simulacion Terminado Punto 1

    Cargado por

    Juan Camilo Castro Ortiz
    El resumen evalúa la estimación de parámetros estadísticos usando técnicas de muestreo de Markov cadenas (MCMC) dados dos modelos probabilísticos. En la primera pregunta, se estima el metro cuadrado esperado de construcciones dados valores de muestra, obteniendo 93,26079 metros cuadrados con un error de 8,781%. En la segunda pregunta, se estiman el valor esperado, varianza conjunta y probabilidad de valores dados modelos de Poisson y uniforme, obteniendo estimaciones con sus respectivos errores y confianzas.

    Copyright:

    © All Rights Reserved
    Descargue como DOC, PDF, TXT o lea en línea desde Scribd

    Parcial 03 Simulacion Terminado Punto 1

    Cargado por

    Juan Camilo Castro Ortiz
    187 vistas5 páginas
    El resumen evalúa la estimación de parámetros estadísticos usando técnicas de muestreo de Markov cadenas (MCMC) dados dos modelos probabilísticos. En la primera pregunta, se estima el metro cuadrado esperado de construcciones dados valores de muestra, obteniendo 93,26079 metros cuadrados con un error de 8,781%. En la segunda pregunta, se estiman el valor esperado, varianza conjunta y probabilidad de valores dados modelos de Poisson y uniforme, obteniendo estimaciones con sus respectivos errores y confianzas.

    Descripción original:

    Simulacion estadistica

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    DOC, PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    El resumen evalúa la estimación de parámetros estadísticos usando técnicas de muestreo de Markov cadenas (MCMC) dados dos modelos probabilísticos. En la primera pregunta, se estima el metro cuadrado esperado de construcciones dados valores de muestra, obteniendo 93,26079 metros cuadrados con un error de 8,781%. En la segunda pregunta, se estiman el valor esperado, varianza conjunta y probabilidad de valores dados modelos de Poisson y uniforme, obteniendo estimaciones con sus respectivos errores y confianzas.

    Copyright:

    © All Rights Reserved
    Descargue como DOC, PDF, TXT o lea en línea desde Scribd
    Descargar como doc, pdf o txt
    187 vistas5 páginas

    Parcial 03 Simulacion Terminado Punto 1

    Cargado por

    Juan Camilo Castro Ortiz
    El resumen evalúa la estimación de parámetros estadísticos usando técnicas de muestreo de Markov cadenas (MCMC) dados dos modelos probabilísticos. En la primera pregunta, se estima el metro cuadrado esperado de construcciones dados valores de muestra, obteniendo 93,26079 metros cuadrados con un error de 8,781%. En la segunda pregunta, se estiman el valor esperado, varianza conjunta y probabilidad de valores dados modelos de Poisson y uniforme, obteniendo estimaciones con sus respectivos errores y confianzas.

    Copyright:

    © All Rights Reserved
    Descargue como DOC, PDF, TXT o lea en línea desde Scribd
    Descargar como doc, pdf o txt
    Está en la página 1de 5

    PARCIAL 03 – SIMULACION ESTADISTICA ICG 2019 – SEGUNDO SEMESTRE DEL AÑO

    NOMBRES y APELLIDOS Juan Camilo Castro Ortiz CODIGO 20171025108

    NOMBRES y APELLIDOS Michael Javier Avendaño Calderón CODIGO 20171025110

    NOTA: Todo debe estar bien justificado. Se anula el punto si el punto no está correctamente
    justificado, así tenga la respuesta correcta.

    1. Se quiere estimar el metro cuadrado esperado de inmuebles, pero solo se cuenta una muestra
    tamaño tres de metros cuadrados 80, 94 y 87. Use Estadistica Bayesiana y Metrópolis Hasting
    para estimar el metro cuadrado esperado dada la información de la muestra tamaño tres. Como
    sugerencia para la muestra asuma modelo exponencial negativo y para el metro cuadrado asuma
    un modelo uniforme continúo teniendo en cuenta que el valor minimo que puede tomar el metro
    cuadrado es 75 y el valor máximo 105. La estimación debe ir acompañada junto con su
    respectivo cálculo de la variabilidad, confianza y error.

    SOLUCION

    Pasos:

    1. Entender el valor esperado E[θ/80,94,87], establecer la función de verosimilitud L[θ] y la


    probabilidad p[θ].

    2. Establecer un valor inicial θ0, para ellos tenemos que relacionar y calcular los modelos de la
    muestra y total del metro cuadrado. En nuestro caso el modelo que se va a generar es un
    modelo exponencial negativo.

    Para determinar la funcion de verosimilitud mediante la productoria vamos a establecer a


    lambda como theta de la siguiente forma
    Ahora calculamos la verosimilitud con los valores iniciales dados

    Ahora hallamos el valor θt+1 de la siguiente manera

    3. Se establece la zona de ergocidad. El valor de K hasta el ultimo t valor generado que se va a


    considerar la zona ergodica.

    K= 10% de t K=0.1t

    Para este caso usaremos 50000 interacciones entonces como K es igual al 10% de las
    interacciones se tomarán las interacciones desde 5000 hasta 50000 es decir 45000.

    4. En este paso utilizaremos el algoritmo en rStudio para la implementación del modelo


    MCMC de la siguiente forma:

    Empezamos con el cálculo de y la generación del uniforme distribuido de 0 a


    1.
    Estableceremos las siguientes Variables para implementarlas en rStudio.

    Nsim: Número de simulaciones.

    R: Será una función uniforme entre 75 y 105 con un número aleatorio a la vez donde se
    replicará todo lo anterior n veces, en este caso 50000 veces.

    Y: Será una función uniforme entre 75 y 105 con un número aleatorio a la vez.

    IF: Se condiciona si los valores de teta (t), teta de la siguiente iteración (t+1) y de la
    uniforme es menor a la función , si esto se cumple entonces el valor es, Ɵ (t+1) =
    Ɵ (*) en otro caso es igual a Ɵ (t+1) = Ɵ (t).

    Rdef: Son los valores que serán tenidos en cuenta después del 10% total es decir desde
    5000 simulaciones hasta 50000.

    Código Implementado en R

    Resultado: La estimación de metros cuadrados que tendrían las construcciones de la


    muestra dada es de 93,26079 con un error de 8,781%. Adicionalmente usamos una
    confianza de 95%

    Graficas de R y Rdef
    2. Asumiendo que, Y es uniforme continuo con parámetro mínimo 1 y con parámetro máximo 5X
    y X es Poisson con media 6, usar la técnica MCMC Gibbs Sampler, estimar el valor esperado
    de Y, el valor esperado de 6X+3Y, la correlación de X e Y y la probabilidad conjunta de que
    X>4 e Y >16. Incluir solo confianza y error en cada estimación.

    Nsim=5000 NUMERO DE PAREJAS


    n=15 PARAMETROS INVOLUCRADOS
    a=3
    b=7
    X=T=array(0,dim=c(Nsim,1)) GUARDAR LAS CADENAS DE MARKOV X Y T
    T[1]=rbeta(1,a,b) VALORES INICIALES DE T Y X
    X[1]=rbinom(1,n,T[1])
    for (i in 2:Nsim){ COMBINACION DE MODELO DISCRETO-CONTINUO DE T Y X
    X[i]=rbinom(1,n,T[i-1])
    T[i]=rbeta(1,a+X[i],n-X[i]+b)
    }

    H=cbind(X,T) MUESTRA LAS DUPLAS

    MODELO DE PERSON (ASEMEJA A MONTE CARLO PERO PARA MULTIVARIADA)

    >cor(X,T)

    Nsim=100000
    n=15
    a=3
    b=7
    X=Y=array(0,dim=c(Nsim,1))
    Y[1]=runif(1,2,3)
    X[1]=runif(1,1,Y[1])
    for (i in 2:Nsim){
    Y[i]=runif(1,2,3)
    X[i]=runif(1,1,Y[i])
    }

    H=cbind(X,Y)

    También podría gustarte