Mode Los

1
Modelos de probabilidad
Proceso de Bernoulli
Distribucin de Bernoulli
Distribucin Binomial
Distribucin Geomtrica
Proceso de Poisson
Distribucin de Poisson
Distribucin Exponencial
Distribucin Normal
La Normal como aproximacin de otras distribuciones
Distribuciones relacionadas con la Normal
Distribucin
2
de Pearson
Distribucin t de Student
Distribucin F de Fisher
Estadstica, Profesora. Mara Durbn
Objetivos del tema:
2
Al final del tema el alumno ser capaz de:
Comprender las hiptesis de las distintas distribuciones presentadas
Seleccionar la distribucin discreta o continua correcta en aplicaciones
especficas
Calcular probabilidades, determinar medias y varianzas para las
distribuciones ms comunes
3
Proceso de Poisson
Distribucin Normal
Distribucin
2
de Pearson
4
Cuando un experimento tiene las siguientes caractersticas:
Slo hay dos resultados posibles: Aceptable (A)
Defectuoso (D)
La proporcin de A y D es constante en la poblacin
y no se modifica cualquiera que sea la cantidad
observada
Las observaciones son independientes
Pr( )
Pr( ) 1
D p
A q p
=
= =
5
Slo hay dos resultados posibles: Aceptable (A)
Defectuoso (D)
La proporcin de A y D es constante en la poblacin
y no se modifica cualquiera que sea la cantidad
observada
Pr( )
Pr( ) 1
D p
A q p
=
= =
6
Ejemplos
Observar el resultado al lanzar una moneda
Si una pieza es defectuosa o no en un proceso de fabricacin
Observar el sexo de un recin nacido
Si se transmite correctamente un bit a travs de un canal digital
7
0 si el suceso no ocurre A 1 Pr( 0)
1 si el suceso ocurre A Pr( 1)
q p X
X
p X
= = =
=

= =
La funcin de probabilidad es:

1
( ) (1 ) 0,1
x x
p x p p x
= =
[ ]
[ ]
2 2
0 (1 ) 1
(0 ) (1 ) (1 ) (1 )
E X p p p
Var X p p p p p p
= = + =
= = + =
8
X = Nmero de veces que ocurre un suceso en las n pruebas
X toma valores 0,1,2,,n
Si se repite un nmero fijo de veces, n, un experimento de Bernoulli con
parmetro p, el nmero de xitos sigue una distribucin Binomial de
parmetros (n,p).
~ ( , ) X B n p
9
[ ]
[ ]
(1 )
E X np
Var X np p
=
=
( ) (1 ) , 0,1, ,
r n r
n
P X r p p r n
r

| |
= = =
|
\
K
10
n=5
n=25 p=0.75 p=0.5 p=0.2
11
Ejemplo
Un aparato electrnico contiene 40 circuitos integrados. La probabilidad de
que un circuito sea defectuoso es 0.01 y los circuitos son independientes.
El producto funciona slo si no hay ningn circuito defectuoso.
Cul es la probabilidad de que el aparato funcione?
X = Nmero de circuitos defectuosos en los 40 de un aparato
Pr( 0) X =
12
Ejemplo
Experimento: Observar si un circuito es defectuoso o no. Se repite 40 veces
Son independientes
La probabilidad de ser defectuoso es constante, 0.01
13
Ejemplo
~ (40, 0.01) X B
0 40
40
Pr( 0) 0.01 (1 0.01) 0.669
0
X
| |
= = =
|
\
14
Slo hay dos resultados posibles
La probabilidad de xito se mantiene
constante
Se repite el experimento hasta que ocurre el primer
xito
X = Nmero de veces que hay que repetir el experimento hasta
conseguir el primer xito
~ ( ) X Ge p
15
1,..... son Bernoulli
i
X i n =
1
( ) (1 ) , 1, 2,
r
P X r p p r
= = = K
( )
( )
( )
( ) qqqp X X
qqp X X
qp X X
p X X
X X X X X
= = =
= = =
= = =
= = =

4 Pr 4 1 0 0 0
3 Pr 3 1 0 0
2 Pr 2 1 0
1 Pr 1 1
4 3 2 1
L
16
[ ]
[ ]
2
1/
(1 ) /
E X p
Var X p p
=
=
1,..... son Bernoulli
i
X i n =
( )
( )
( )
( ) qqqp X X
qqp X X
qp X X
p X X
X X X X X
= = =
= = =
= = =
= = =

4 Pr 4 1 0 0 0
3 Pr 3 1 0 0
2 Pr 2 1 0
1 Pr 1 1
4 3 2 1
L
17
( ) ( )
1
Pr (1 )
x
p x X x p p
= = =
18
Ejemplo
La probabilidad de que un bit transmitido a travs de un canal de
transmisin digital sea recibido como un error es 0.1. Si las transmisiones
son independientes,
Cul es el nmero medio de transmisiones que hemos de
observar hasta que ocurre el primer error?
X = Nmero de transmisiones que hay que observar hasta encontrar
el primer error
[ ]
1/ 1/ 0.1 10 E X p = = =
19
Proceso de Poisson
Distribucin Normal
Distribucin
2
de Pearson
20
Proceso de Poisson
Se observa la ocurrencia de sucesos en un intervalo
La probabilidad de que ocurra un suceso en un intervalo
Es la misma para los intervalos del mismo tamao
Es proporcional a la longitud del intervalo
Los sucesos ocurren de forma independiente. El nmero de
sucesos que ocurren en un intervalo es independiente del
nmero de sucesos que ocurren en otro intervalo
21
Proceso de Poisson
X = Nmero de sucesos en un intervalo de longitud fija
La distribucin de Poisson se puede obtener como lmite de una
Binomial cuando
y 0 n p
np =
Nmero medio de sucesos en ese intervalo
22
( ) , 0,1,
!
r
e
P X r r
r
= = = K
[ ] [ ]
[ ]
1
0 1
1 2 1 2
! ( 1)!
~ ( ) ~ ( ) independientes ~ ( )
r r
e
E X E X r e
r r
Var X
X P Y P X Y P
= = = =
=
+ +

Proceso de Poisson
23
Proceso de Poisson
24
Proceso de Poisson
Ejemplos
Nmero de defectos en un milmetro de cable.
Nmero de llamadas de telfono que se reciben en una centralita
en una hora.
Nmero de erratas por pgina en un documento
25
Proceso de Poisson
Ejemplo
El proceso de llegadas de clientes a un puesto de servicio se produce
de manera estable e independiente. Por trmino medio llega un cliente
cada minuto.
Cul es la probabilidad de que no lleguen clientes en 3 minutos?
X = Nmero de clientes por minuto
Y = Nmero de clientes en 3 minutos
~ ( 1) X P =
~ ( 3) Y P =
3 0
3
3
Pr( 0)
0!
e
Y e
= = =
26
Proceso de Poisson
Ejemplo
cada minuto.
Mantener el citado puesto de servicio abierto 8 horas al da cuesta
6000 euros diarios. Cul debe ser el precio mnimo que se cobre a
cada cliente para que sea rentable?
Y = Nmero de clientes en 8 horas ~ ( 60 8 480) Y P = =
Beneficio = Tarifa x Y -6000
[ ] Beneficio Esperado = Tarifa 6000 0
= Tarifa 480 6000 0
E Y >
>
Tarifa > 12.5
27
Proceso de Poisson
La distribucin exponencial se puede utilizar para modelizar
Tiempo entre llamadas telefnicas
Tiempo entre llegadas a un puesto de servicio
Tiempo de vida de un componente elctrico
Cuando el nmero de sucesos sigue una distribucin de
Poisson, el tiempo entre sucesos sigue una distribucin
exponencial
M
Distribucin de exponencial
Estadstica, Prof. Bernardo D'Auria 28
Proceso de Poisson
X = Numero de sucesos en la unidad de tiempo
T = Tiempo hasta que ocurre el primer suceso
Podemos calcular su funcin de distribucin:
0 0
( ) (cero sucesos en (0,t )) P T t P > =
~ ( ) X P
X= Nmero de sucesos en una unidad de tiempo
Y = Nmero de sucesos en (0,t
0
)
0
~ ( ) Y P t
0
0 0
( ) ( ) 1
t
F t P T t e

= =
~ ( ) X P
0
0
( ) Pr( 0)
t
P T t Y e

> = = =
29
Proceso de Poisson
X = Numero de sucesos en la unidad de tiempo
T = Tiempo entre dos sucesos consecutivos
~ ( ) X P
( )
( ) , 0
t
dF t
f t e t
dt

= =
[ ]
[ ]
2
1/
1/
E X
Var X

=
=
Si hay sucesos por trmino medio en un
intervalo de tiempo
El tiempo medio entre dos sucesos es 1/
30
Proceso de Poisson
0.1
( ) 0.1
x
f x e
=
0.5
( ) 0.5
x
f x e
=
2
( ) 2
x
f x e
=
( )
x
f x e

=
31
Proceso de Poisson
Ejemplo
cada minuto.
Cul es la probabilidad de que pasen ms de 3 minutos entre la
llegada de dos clientes?
X = Nmero de clientes por minuto
T = Tiempo entre dos clientes
~ ( 1) X P =
~ ( 1) T Exp =
( )
1 3 3
Pr( 3) 1 Pr( 3) 1 (3) 1 1 T T F e e

> = = = =
Pr(No haya clientes en 3 minutos) =
32
Proceso de Poisson
Propiedad
1 2 1 2
Pr(T > t +t | T > t ) = Pr( T > t )
1 2
2
1
(t +t )
1 2 1 1 2
t
1 1
Pr(T > t +t T > t ) Pr( T > t +t )
=
Pr( T > t ) Pr( T > t )
t
e
e
e
= =
I
Si no ha habido clientes en 4 minutos, cul es la probabilidad de
que no haya clientes en los prximos 3 minutos?
3
Pr( 7 | 4) Pr( 3) 1 (3) Y Y Y F e
> > = > = =

33
Proceso de Poisson
Distribucin Normal
Distribucin
2
de Pearson
34
Distribucin Normal
La distribucin Normal describe gran cantidad de procesos
aleatorios
Errores de medida
Ruido en una seal digital
Corriente elctrica en un trozo de cable
En muchas situaciones otras distribuciones se pueden

aproximar a una Normal
Es la base para la inferencia estadstica
35
Distribucin Normal
Est caracterizada por dos parmetros: La media, , y la desviacin
tpica, .
Toma valores en toda la recta real
Su funcin de densidad es:
2
2
( )
2
2
1
( ) e
2
[ ] [ ]
x
f x x
E X Var X

= < <
= =
( , ) N
36
Tiene forma de campana y es simtrica respecto de la media
( ) f x
Distribucin Normal
0.5 0.5
La media, mediana y
moda coinciden
37
El El efecto efecto de de y y
Cmo afecta la deviacin tpica la forma de f(x)?
= 2
=3
=4
= 10 = 11 = 12
Cmo afecta el valor esperado a la posicin de f(x)?
Distribucin Normal
Es un factor
de escala
Es un factor de
traslacin
Pr(c d) X
38
La probabilidad es el rea
bajo la curva
c d
x
f(x)
Distribucin Normal
No es posible calcular la probabilidad de
un intervalo simplemente usando la
integral de la funcin de densidad
39
Densidad de X
Densidad de X-
0
Densidad de (X-)/
1
Distribucin Normal
Todas las distribuciones normales
se pueden transformar en N(0,1)
X
X Z

=
6 3
Pr Pr( 1.5)
2
Z Z
| |
=
|
\
Distribucin Normal
~ (3, 2) X N
Pr( 6) X
3 6
0 1.5
Mismo
rea
~ (0,1) Z N
41
Distribucin Normal
La funcin de distribucin de la Normal estndar tiene una notacin
propia:
Existen ciertas cotas para la funcin Q que se utilizan para calcular
cotas en error de probabilidad de varios sistemas de
comunicaciones
( ) Pr( ) ( )
( ) Pr( ) 1 ( )
F x X x x
Q x X x x
= =
= > =
( ) 1 ( ) Q x Q x =
2
2
2
2
1
( ) 0
2
1
( ) 0
2
x
x
Q x e x
Q x e x
x

<
42
Distribucin Normal
Ejemplo
El tiempo de vida de un semiconductor sigue una distribucin Normal con media
7000 horas y desviacin tpica 600 horas
Cul es la probabilidad de que el semiconductor falle antes de 6000 horas?
Qu tiempo de vida en horas es excedido por el 95.05% de los semiconductores?
Pr( 6000) X <
Pr( ) 0.9505 X a > =
43
Distribucin Normal
Ejemplo
6000 7000
Pr( 6000) Pr Pr( 1.66)
600
X Z Z
| |
< = < = <
|
\
-1.66
44
Distribucin Normal
Ejemplo
6000 7000
Pr( 6000) Pr Pr( 1.66)
600
X Z Z
| |
< = < = <
|
\
1.66
45
Distribucin Normal
Ejemplo
6000 7000
Pr( 6000) Pr Pr( 1.66)
600
X Z Z
| |
< = < = <
|
\
1.66
1 Pr( 1.66) Z =
1 Pr( 1.66) Z = <
Distribucin Normal
Ejemplo
1 0.9515
0.0485
=
=
Cul es la probabilidad de
que el semiconductor falle
antes de 6000 horas?
47
Distribucin Normal
Ejemplo
7000
Pr( ) 0.9505 Pr 0.9505
600
a
X a Z

| |
> = > =
|
\
a
0.9505
48
Distribucin Normal
Ejemplo
7000
Pr( ) 0.9505 Pr 0.9505
600
a
X a Z

| |
> = > =
|
\
-b
0.9505
-b Valor negativo
49
Distribucin Normal
Ejemplo
( 7000)
Pr( ) 0.9505 Pr 0.9505
600
a
X a Z

| |
> = < =
|
\
b
0.9505
b
( 7000)
Pr( ) Pr 0.9505
600
a
X a Z
| |
> = < =
|
\
Qu tiempo de vida en horas es
excedido por el 95.05% de los
semiconductores?
Ejemplo
Distribucin Normal
( 7000)
1.65
600

6010
a
a

=
=
El 95.05% de los semiconductores
duran ms de 6010 horas
51
Pr( -0.6 < Z < 1.83 )=
Pr( Z < 1.83 ) - Pr( Z -0.6 )
Pr ( Z <-0.6) =
Pr ( Z >0.6 ) =
1 - Pr (Z < 0.6 ) =
1 0.7257 =
0.2743
Pr( Z < 1.83 ) =
0.9664
= 0.7257 - 0.0336
= 0.6921
1.83 -0.6
Distribucin Normal
Ms ejemplos de clculo de probabilidades

La Normal es importante, no slo porque muchas variables comunes
sigan esa distribucin, sino porque aunque una v.a. no posea
distribucin normal, ciertos estadsticos/estimadores calculados sobre
muestras elegidas al azar s poseen una distribucin Normal.
52
Distribucin Normal
53
Distribucin Normal
50 55 60 65 70
0
1
0
2
0
3
0
4
0
5
0
6
0
x
Ilustracin
Sea X una variable Uniforme en
el intervalo [50,70].
Tenemos una muestra de tamao
2000.
La muestra tiene media 59.9 y
desviacin tpica 4.57
El histograma no se parece a
una distribucin normal con la
misma media y desviacin tpica
xx
Elegimos aleatoriamente grupos de 10
observaciones.
Para cada grupo de 10 obtenemos
entonces una nueva medida: la media
muestral.
Las medias de cada muestra estn ms
o menos cerca de la media de la
variable original.
Muestra
1 2 3
59 63 59
60 60 69
66 58 60
54 53 65
51 51 69
54 59 54
51 53 59
63 62 65
66 57 56
70 69 55
54 59.4 58.5 61.1
Distribucin Normal
55
55.220755
56.160009
57.099264
58.038518
58.977773
59.917028
60.856282
61.795537
62.734792
63.674046
64.613301
aa$x
0
10
20
30
40
a
Distribucin Normal
La distribucin de las medias
muestrales tiene distribucin
aproximadamente normal.
La media de esta nueva variable
es muy parecida a la de la variable
original.
Las observaciones de la nueva variable
estn menos dispersas. La desviacin
tpica es menor, en este caso 1.92 xxx
56
Supongamos que tenemos n variables aleatorias X
i
independientes con medias (
) y desviaciones tpicas (
i
) y
distribucin cualquiera
Cuando n crece,
Teorema Central del Lmite
Distribucin Normal
2
(0,1)
i
i
Y
N
1 2 n
Y X X X = + + + K
( )
2
~ ,
i i
Y N

la distribucin de
57
Supongamos que tenemos n variables aleatorias X
i
independientes con medias (
) y desviaciones tpicas (
i
) y
distribucin cualquiera
Teorema Central del Lmite
Distribucin Normal
Sea lo que sea lo que midamos, cuando se promedie sobre
una muestra grande, nos va a aparecer de manera natural
la distribucin Normal
58
4.5 Proceso de Bernoulli
4.6 Proceso de Poisson
4.8 Distribucin Normal
4.9 La Normal como aproximacin de otras distribuciones
4.10 Distribuciones relacionadas con la Normal
Distribucin
2
de Pearson
59
La variable Binomial es suma de variables de Bernoulli, que
toman el valor 0 1.
Binomial-Normal
1 2 n
Y X X X = + +K
[ ]
[ ] (1 )
i
i
E X p
Var X p p
=
=
T.C.L.
( )
, (1 ) Y N np np p
30
5
n
npq
>
>
60
5.000 7.625 10.250 12.875 15.500 18.125 20.750 23.375 26.000
x
0.00
0.04
0.08
0.12
Binomial-Normal
( )
15, 10.5 N
50 0.3
10.5
n p
npq
= =
=
61
La distribucin Normal es continua pero la Binomial es discreta.
Para mejorar la aproximacin introducimos un factor de correccin que
consiste en aadir o substraer 0.5 al valor al que le queremos calcular la
probabilidad.
Factor de correccin
0.5
Pr( ) Pr( 0.5) Pr
(1 )
0.5
Pr( ) Pr( 0.5 ) Pr
(1 )
x np
X x X x Z
np p
x np
x X x X Z
np p
| |
+
= +
|
|
\
| |

=
|
|
\
62
Ejemplo
Un fabricante de semiconductores admite que produce un 2% de chips
defectuosos. Los chips se empaquetan en lotes de 2000 chips para su
venta.
Un comprador rechazar un lote si contiene 25 o ms chips defectuosos
Cul es la probabilidad de rechazar un lote?
~ (2000, 0.02)
30
40
(1 ) 39.2
X B
n
np
np p
>
=
=
(40, 6.26) X N
( )
( )
( ) 9932 . 0 47 . 2 Pr
47 . 2 Pr
26 . 6
5 . 0 40 25
Pr
25 Pr
= =
=
|
\
|
Z
Z
Z
X
63
Poisson-Normal
La distribucin de Poisson surge como lmite de la Binomial cuando
el nmero de experimentos tiende a infinito.
Aproximamos a una Normal cuando grande ( > 5)
( )
~ ( )
,
X P
X N

64
Poisson-Normal
65
Ejemplo
El nmero de defectos en la superficie de un material por metro cuadrado
sigue una distribucin de Poisson con media 100.
Si se analiza un metro cuadrado de dicho material, Cul es la probabilidad
de encontrar 95 defectos o ms?
( )
( ) ( ) 7088 . 0 55 . 0 Pr 55 . 0 Pr
10
5 . 0 100 95
Pr
95 Pr
= = = |
\
|
Z Z Z
X
66
Proceso de Poisson
Distribucin Normal
Distribucin
2
de Pearson
67
Tiene un slo parmetro denominado grados de libertad.
La funcin de densidad es asimtrica. Slo toma valores positivos.
La funcin de densidad se hace ms simtrica cuando aumenta el nmero
de grados de libertad.
2
g
[ ] [ ]
2
2
1
2
2
1
~ (0,1) ~
~ 2
i i
g
i
g
i
X X
N
X
Y E Y g Var Y g

=
| |
|
\
| |
= = =
|
\
~ ( , )
i
X N
independientes
68
La funcin de densidad es asimtrica positiva. Slo toma valores positivos.
La funcin de densidad se hace ms simtrica cuando aumenta el nmero
2
g
0 5 10 15 20 25
x
0
.
0
0
.
1
0
.
2
0
.
3
0
.
4
0
.
5
f
(
x
)
2 grados de libertad
69
t de Student
La funcin de densidad es simtrica respecto al 0. Toma valores en toda la
recta real.
La funcin de densidad se aproxima a una N(0,1) cuando aumenta el nmero
Se obtiene como el cociente entre dos variables:
2
~ (0,1) ~
/
g g
Z
t Z N Y
Y g
=
70
t de Student
La funcin de densidad es simtrica positiva respecto al 0. Toma valores en toda la
recta real.
La funcin de densidad se aproxima a una N(0,1) cuando aumenta el nmero
-10 -5 0 5
x
0
.
0
0
.
1
0
.
2
0
.
3
0
.
4
f
(
x
)
71
F de Fisher
Tiene un dos parmetros denominados grados de libertad.
La funcin de densidad es asimtrica. Slo toma valores positivos.
Se obtiene como el cociente entre dos variables:
1 2 1 2
2 2 1
,
2
/
X ~ ~
/
g g g g
X g
F Y
Y g
=

Mode Los

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Mode Los

Загружено:

Авторское право:

Доступные форматы

1

La funcin de probabilidad es:

> > = > = =

En muchas situaciones otras distribuciones se pueden

Estadstica, Profesora. Mara Durbn

Вам также может понравиться