Академический Документы
Профессиональный Документы
Культура Документы
Modelos probabilı́sticos
Tema 4 (parte II). Algunos modelos especiales
Proceso de Bernouilli
Distribución binomial
Distribución geométrica
Distribución de Poisson.
2 Modelos continuos
Distribución uniforme
Distribución exponencial
Distribución normal
Contenidos
1 Modelos discretos
2 Modelos continuos
1. Modelos discretos
Definiciones básicas
Contenidos
Modelos discretos Proceso de Bernouilli
Proceso de Bernouilli
Proceso de Bernouilli
La función de masa de probabilidad es
p,
si x = 1
fX (x) = q = 1 − p, si x = 0 .
0, en otro caso
E[X ] = 0 · Pr (X = 0) + 1 · Pr (X = 1) = 0 · q + 1 · p = p.
Su momento de orden 2 es
E[X 2 ] = 02 · q + 12 · p = p,
V (X ) = E[X 2 ] − E 2 [X ] = p − p2 = p · (1 − p) = p · q.
Bloque II/Tema 4 (parte II) Matematicas III 7 / 52
Modelos discretos Proceso de Bernouilli
Proceso de Bernouilli
Contenidos
1 Modelos discretos
Proceso de Bernouilli
Distribución binomial
Distribución geométrica
Distribución de Poisson.
2 Modelos continuos
Distribución binomial
La distribución binomial cuenta el número de éxitos ocurridos en
n realizaciones idénticas e independientes de un experimento de
Bernouilli, es decir, X = “Número de éxitos”, X ∼ Bin(n, p).
Distribución binomial
La función de masa de probabilidad es
fX (k) = Pr (X = k ) = kn pk (1 − p)n−k , si k = 0, 1, 2, . . . , n.
La varianza es
n
X
n
k2 · pk q n−k − n2 · p2 = n · p · (1 − p) = n · p · q.
V (X ) = k
k=1
Bloque II/Tema 4 (parte II) Matematicas III 10 / 52
Modelos discretos Distribución binomial
Distribución binomial
Función de masa para Bin(10,0.1) Función de masa para Bin(10,0.3) Función de masa para Bin(10,0.5)
0.25
0.20
0.3
0.20
0.15
0.15
0.2
0.10
0.10
0.1
0.05
0.05
0.00
0.00
0.0
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
x x x
Función de masa para Bin(10,0.6) Función de masa para Bin(10,0.8) Función de masa para Bin(10,0.95)
0.25
0.30
0.25
0.5
0.20
0.20
0.4
0.15
0.15
0.3
0.10
0.10
0.2
0.05
0.05
0.1
0.00
0.00
0.0
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
x x x
Distribución binomial
Ejemplos de variables aleatorias binomiales
Un jugador de baloncesto tiene un porcentaje (histórico) de
aciertos en tiros libres del 85 %. Si lanza 10 libres. ¿Cuál es la
probabilidad de que enceste al menos 3?
La compañı́a aérea FLYCOST tiene una tasa de puntualidad del
98 %. En el próximo mes, voy a volar tres veces con ellos (vuelos
de ida y vuelta, es decir, 6 trayectos en total). ¿Cuál es la
probabilidad de que todos mis vuelos lleguen puntuales?
La probabilidad de que en nacimientos individuales (un sólo
bebé por parto), el bebé sea niña es del 0.51. Si una pareja
planea tener 4 bebés en los próximos años, y suponemos que
todos los partos van a ser individuales, ¿cuál es la probabilidad
de que todos los hijos sean varones?
Calcula E(X ), E(X 2 ), y V (X ) para los ejemplos anteriores.
Contenidos
1 Modelos discretos
Proceso de Bernouilli
Distribución binomial
Distribución geométrica
Distribución de Poisson.
2 Modelos continuos
Distribución geométrica
La distribución geométrica modeliza el número de veces que hay
que repetir un experimento de Bernoulli para obtener un éxito,
X ∼ Ge(p). Distribución geométrica
La función de masa de probabilidad es
(
(1 − p)k−1 p = q k−1 p, si k = 1, 2, 3, 4, . . .
fX (k) = Pr (X = k) =
0, en otro caso
La esperanza de una variable X ∼ Ge(p) es
∞
X
E[X ] = k · q k−1 · p = p1 .
k=1
La varianza es
∞
X 1−p q
V (X ) = k 2 · q k−1 · p − 1
p2
= p2
= p2
.
k=1
Bloque II/Tema 4 (parte II) Matematicas III 14 / 52
Modelos discretos Distribución geométrica
Distribución geométrica
Función de masa para Geom(0.1) Función de masa para Geom(0.3) Función de masa para Geom(0.4)
0.10
0.30
0.4
0.25
0.08
0.3
0.20
0.06
0.15
0.2
0.04
0.10
0.1
0.02
0.05
0.00
0.00
0.0
0 1 2 3 4 5 6 7 8 9 11 13 15 17 19 0 1 2 3 4 5 6 7 8 9 11 13 15 17 19 0 1 2 3 4 5 6 7 8 9 11 13 15 17 19
x x x
Función de masa para Geom(0.6) Función de masa para Geom(0.7) Función de masa para Geom(0.9)
0.6
0.7
0.8
0.6
0.5
0.5
0.4
0.6
0.4
0.3
0.4
0.3
0.2
0.2
0.2
0.1
0.1
0.0
0.0
0.0
0 1 2 3 4 5 6 7 8 9 11 13 15 17 19 0 1 2 3 4 5 6 7 8 9 11 13 15 17 19 0 1 2 3 4 5 6 7 8 9 11 13 15 17 19
x x x
Distribución geométrica
Contenidos
1 Modelos discretos
Proceso de Bernouilli
Distribución binomial
Distribución geométrica
Distribución de Poisson.
2 Modelos continuos
Distribución de Poisson
Distribución de Poisson
Su varianza es
∞
X e−λ λk
V (X ) = k2 · − λ2 = λ.
k!
k=0
Distribución de Poisson
Función de masa para Pois(0.4) Función de masa para Pois(0.8) Función de masa para Pois(1)
0.35
0.6
0.4
0.30
0.5
0.25
0.3
0.4
0.20
0.3
0.2
0.15
0.2
0.10
0.1
0.1
0.05
0.00
0.0
0.0
0 2 4 6 8 10 12 14 16 18 20 22 24 0 2 4 6 8 10 12 14 16 18 20 22 24 0 2 4 6 8 10 12 14 16 18 20 22 24
x x x
Función de masa para Pois(3) Función de masa para Pois(8) Función de masa para Pois(15)
0.10
0.20
0.12
0.08
0.10
0.15
0.06
0.08
0.10
0.06
0.04
0.04
0.05
0.02
0.02
0.00
0.00
0.00
0 2 4 6 8 10 12 14 16 18 20 22 24 0 2 4 6 8 10 12 14 16 18 20 22 24 0 2 4 6 8 10 12 14 16 18 20 22 24
x x x
Distribución de Poisson
Ejemplos de variables aleatorias de Poisson
Cierta enfermedad tiene una probabilidad muy baja de ocurrir,
p = 1/100, 000. Calcular la probabilidad de que en una ciudad
con 500,000 habitantes haya más de 3 personas con dicha
enfermedad. (Aproxima la binomial por una Poisson).
Si un banco recibe en promedio 6 cheques sin fondo por dı́a,
¿cuál es la probabilidad de que reciba más de cuatro cheques sin
fondo en un dı́a dado?
En la inspección de un proceso electrolı́tico, se identifican 0.2
imperfecciones en promedio por minuto. ¿Cuál es la probabilidad
de identificar al menos dos imperfecciones en 5 minutos?
Si el 2 % de los libros encuadernados en cierto taller tiene
encuadernación defectuosa, ¿cuál es la probabilidad de que 5 de
400 libros de este taller tengan encuadernaciones defectuosas?
Contenidos
1 Modelos discretos
2 Modelos continuos
Definiciones básicas
Definiciones básicas
Definiciones básicas
Contenidos
1 Modelos discretos
2 Modelos continuos
Distribución uniforme
Distribución exponencial
Distribución normal
Distribución uniforme
Distribución uniforme
Ejemplos
Tenemos una cuerda de 2 m de longitud que queremos cortar por
un punto al azar a distancia X de uno de los extremos. La
posición de X sigue una distribución uniforme, X ∼ U(0, 2) m. Su
función de densidad es
(
1
si 0 ≤ x ≤ 2
fX (x) = 2 .
0 en otro caso
Distribución uniforme
La función de distribución de una variable aleatoria X ∼ U(a, b)
es
0,
x ≤ a,
x−a
F (x) = b−a , a < x < b,
1, x ≥ b.
Distribución uniforme
Ejemplos
En el ejemplo de la cuerda, la esperanza es
Z ∞ Z 2 h i2
1 1 x2 1 4
E(x) = xfX (x)dx = 2 xdx = 2 2 0 = 2 · 2 = 1.
−∞ 0
El segundo momento es
Z ∞ Z 2 h i2
2 2 x3
E(x ) = x fX (x)dx = 1
2 x 2 dx = 1
2 3 0 = 1
2 · 8
3 = 43 ,
−∞ 0
Distribución uniforme
1
b−a a b
f(x)
1
F(x)
a b
Contenidos
1 Modelos discretos
2 Modelos continuos
Distribución uniforme
Distribución exponencial
Distribución normal
Distribución exponencial
La distribución exponencial modeliza el tiempo que transcurre
entre dos ocurrencias consecutivas en situaciones en las que que
el proceso que genera esas ocurrencias es un proceso de
Poisson, y por tanto no tiene memoria.
Sea λ > 0. La función de densidad de T ∼ Exp(λ) es
(
λe−λx para x > 0,
fT (x) =
0 para x ≤ 0.
Distribución exponencial
Bloque II/Tema 4 (parte II) Matematicas III 35 / 52
Modelos continuos Distribución exponencial
Distribución exponencial
Ejemplos
En el ejemplo del tiempo necesario para que llegue el servicio de
urgencias, T , si suponemos que el tiempo medio es de 30
minutos, la función de densidad es
Distribución exponencial
Integrando por partes se obtiene que, para una variable aleatoria
T con distribución T ∼ Exp(λ), la esperanza
Z ∞
1
E[T ] = xλe−λx dx = .
0 λ
Además, integrando dos veces por partes llega a la expresión
Z ∞
2
2
E[T ] = x 2 λe−λx dx = 2 .
0 λ
Por tanto, la varianza de T es
2 1 1
V (T ) = 2
− 2 = 2.
λ λ λ
Las variables aleatorias de la familia exponencial son las únicas
para las que la varianza coincide con el cuadrado de la
esperanza.
Bloque II/Tema 4 (parte II) Matematicas III 37 / 52
Modelos continuos Distribución exponencial
Ejemplos
En el ejemplo anterior, el cálculo de la esperanza es inmediato
1 1
E(T ) = λ = 2 horas.
V (T ) = 1
λ2
= 1
4 horas2 ,
1 2
E(T 2 ) = V (T ) + (E(T ))2 = 1 1 2
4 + 2 = 2 = λ2
.
Distribución exponencial
Distribución exponencial
λ=0.5
6
λ=0.8
λ=1
λ=2
λ=4
5
λ=6
4
f(x)
3
2
1
0
Contenidos
1 Modelos discretos
2 Modelos continuos
Distribución uniforme
Distribución exponencial
Distribución normal
Distribución normal
Distribución normal
función de densidad es
!
1 (x − µ)2
fX (x) = √ exp − .
2πσ 2σ 2
Se demuestra que ∀x ∈ R
1 fRX (x) > 0
∞
2
−∞ X
f (x) dx = 1.
Distribución normal
Distribución normal
La esperanza de X ∼ N µ, σ 2 es
!
(x − µ)2
∞
Z
1
E[X ] = √ x exp − dx = µ.
2πσ −∞ 2σ 2
En consecuencia, la varianza es
V (X ) = E[X 2 ] − E 2 [X ] = σ 2 .
Distribución normal
Distribución normal
0.4
µ=−1,σ
σ=1
µ=−1,σ
σ=2
µ=0,σ
σ=1
µ=0,σ
σ=2
µ=1,σ
σ=1
µ=1,σ
σ=2
0.3
0.2
f(x)
0.1
0.0
−3 −2 −1 0 1 2 3
X −µ
Z = ∼ N (0, 1) ⇒
σ
a−µ X −µ b−µ
Pr (a ≤ X ≤ b) = Pr ≤ ≤
σ σ σ
a−µ b−µ
= Pr ≤Z ≤
σ σ
b−µ a−µ
= Φ −Φ .
σ σ
Bloque II/Tema 4 (parte II) Matematicas III 49 / 52
Modelos continuos Distribución normal
Distribución normal
Ejemplos de tipificación
Los pesos de los individuos de una población se distribuyen
normalmente con media 70 kg y desviación tı́pica 6 kg. De una
población de 2000 personas, calcular cuántas tendrán un peso
comprendido entre 64 y 76 kg.
Solución: Necesitamos calcular la probabilidad Pr (64 ≤ X ≤ 76),
donde X ∼ N (µ = 70, σ 2 = 62 ). Si tipificamos, tenemos que la
probabilidad pedida es igual a
Pr ( 64−70
6 ≤ X −70
6 ≤ 76−70
6 ) = Pr (−1 ≤ Z ≤ 1), siendo
Z ∼ N (0, 1). Por tanto, Pr (−1 ≤ Z ≤ 1) = Pr (Z ≤ 1) − Pr (Z ≤
−1) = Φ(1) − Φ(−1) = 0,68. (Con R no “hace falta” tipificar, se
podrı́a haber hecho directamente como
pnorm(76,70,6)-pnorm(64,70,6)). Por tanto, el número de
personas pedidas será 2000 · 0,68 ' 1366 personas.
Distribución normal
Ejemplos de tipificación
La duración media de un televisor es de ocho años, y su
desviación tı́pica 0.5 años. Sabiendo que su vida útil se distribuye
normalmente, hallar la probabilidad de que al adquirir un televisor
dure más de nueve años. ¿Cuánto tiempo duran como mı́nimo el
10 % de los televisores más fiables?
Solución: La primera probabilidad es
Pr (X ≥ 9) = 1 − Pr (X ≤ 9) = 1 − Pr (Z ≤ 2) = 0,023 ' 2,28 %
(con R serı́a 1-pnorm(2)). En la segunda pregunta nos piden el
percentil 90, esto es, un valor x90 tal que
Pr (X ≤ x90 ) = 0,9 = Pr (Z ≤ z90 ). Por tanto,
z90 = Φ−1 (0,9) = 1,28. Destipificando, obtenemos
x90 = 8 + 0,5 · z90 = 8,64 años (con R serı́a
qnorm(0.9,8,0.5)).