Upload
ngonga
View
232
Download
1
Embed Size (px)
Citation preview
2Probabilidad y Estadística
Distribución Uniforme Discreta
Definición
Una variable aleatoria X, tiene una distribución uniforme discreta, si cada uno de los valores x1, x2, ….. xn, tiene igual probabilidad de ocurrencia
3Probabilidad y Estadística
Distribución Uniforme Discreta
Figura: Función de distribución de probabilidades para unavariable aleatoria discreta uniforme
5Probabilidad y Estadística
Distribución Binomial
Supongase un experimento aleatorio que consiste en nensayos ( ensayos de Bernoulli):
•Los ensayos son independientes
•Cada ensayo tiene sólo dos resultados posibles: éxito o fracaso
•La probabilidad de éxito p permanece constante de ensayo a ensayo
6Probabilidad y Estadística
Distribución Binomial
DefiniciónLa variable aleatoria X que cuenta el número de éxitos en n ensayos tiene la siguiente función de distribución de probabilidades:
7Probabilidad y Estadística
Distribución BinomialLa distribución binomial es utilizada frecuentemente en control de calidad. Es un modelo probabilístico adecuado cuando se muestrea sobre una población que puede considerarse infinitamente grande, p representa la fracción de items defectuosos en dicha población. En estas aplicaciones X representa el número de artículos defectuosos encontrados cuando se toma una muestra al azar de tamaño n .
Si por ejemplo p=0.10 y n= 15; la probabilidad de hallar x artículos defectuosos es:
9Probabilidad y Estadística
Distribución Binomial Ejemplo:Cada muestra de agua tiene una probabilidad de 10% de contener un contaminante orgánico particular. Se supone que las muestras son independientes en el sentidode presentar o no el contaminante.Encontrar la probabilidad de que en la próximas 18 muestrasexaminadas, exactamente 2 presenten contaminación.
X: número de muestras que presentan el contaminante en las 18 analizadas
X tiene una distribución binomial con parámetros
n=18 p=0.10
11Probabilidad y Estadística
Distribución Binomial Ejemplo•Determinar la probabilidad de que por lo menos 4 muestras presenten contaminación
•Puede ser más sencillo calcular la probabilidad del evento complementario
14Probabilidad y Estadística
Distribución Binomial
Ejemplo
Para el ejemplo anterior:
E(X)=np=0.1.18=1.8
Var(X)=np(1-p)=0.1.0.9.18=1.62
15Probabilidad y Estadística
Distribución GeométricaSupongase un experimento aleatorio que consiste en nensayos ( ensayos de Bernoulli):
•Los ensayos son independientes
•Cada ensayo tiene sólo dos resultados posibles: éxito o fracaso
•La probabilidad de éxito p permanece constante de ensayo a ensayo
16Probabilidad y Estadística
Distribución Geométrica
DefiniciónSea X la variable aleatoria que cuenta el número de ensayos hasta la ocurrencia del primer éxito. X es unavariable aleatoria geométrica con parámetro p y tiene la siguiente función de distribuciónen de probabilidades:
17Probabilidad y Estadística
Distribución Geométrica
Figura: Distribuciones geométricas para distintos valores del parámetro p
19Probabilidad y Estadística
Distribuciones Binomial Negativa(Pascal)
Distribución Binomial NegativaEs una generalización de la distribución geométrica. La variable aleatoria X cuenta el número de ensayos hasta la ocurrencia de r éxitos. Los parámetros de la distribución son r y p
20Probabilidad y Estadística
Distribuciones Binomial Negativa(Pascal)
Figurade Pascal paradiferenteslos
. Distribuciones
valores de parámetros r y p.
21Probabilidad y Estadística
Distribuciones Binomial Negativa(Pascal)
Figura. Variable aleatoria de Pascal representadacomo la suma de variables geométricas
ensayos
Indica un ensayo que resultó en “éxito”
22Probabilidad y Estadística
Distribuciones Binomial Negativa(Pascal)
Distribución Binomial Negativa. Media y Varianza
23Probabilidad y Estadística
Distribution Hipergeométrica
Definición
Sea N un conjunto de objetos tal que:
•K objetos son clasificados como “éxitos”
•N-K objetos son clasificados como “fracasos”
Se extrae sin reposición una muestra de tamaño n del conjunto de N objetos, con K≤N y n≤N
24Probabilidad y Estadística
Distribution Hipergeométrica
Definición
La variable aleatoria X, que cuenta el número de éxitos en un experimento aleatorio con las características anteriores, se denomina variable aleatoria hipergeométrica:
25Probabilidad y Estadística
Distribución Hipergeométrica
Figura. Distribucioneshipergeométricas paradiferentes valores de losparámetros N, K, y n.
26Probabilidad y Estadística
Distribución Hipergeométrica
Ejemplo:Un lote de tuberías está compuesto por 100 partes provenientes de un proveedor local y 200 partes de un proveedor extranjero. Si se seleccionan al azar 4 partessin reemplazo, cual es la probabilidad de que todas seannacionales?
X: número de partes del proveedor local
28Probabilidad y Estadística
Distribución Hipergeométrica
Definición
p es interpretado como la proporción de éxitos en el conjunto de Nobjetos
29Probabilidad y Estadística
Distribución Hipergeométrica
Factor de corrección por población finita
El término en la varianza de una variable aleatoria hipergeométrica
Se denomina factor de corrección por población finita.
Si el tamaño de la muestra n es pequeño comparado con el tamaño del lote N, la distribución hipergeométrica puede ser aproximada por una distribución binomial con probabilidad de éxito p=K/N .
En la práctica: n/N ≤0.05
30Probabilidad y Estadística
Distribución Hipergeométrica
Figura. Compación de distribuciones hipergeométricas y binomiales.
31Probabilidad y Estadística
Distribución de Poisson
Sea un experimento aleatorio caracterizado por:•El número de éxitos que ocurren en un intervalo de tiempo o en una región especificada, son independientes de los que ocurren en otro intervalo de tiempo o región del espacio disjunto
•La probabilidad de que ocurra un sólo éxito durante un intervalo de tiempo muy corto o una pequeña región es proporcional a la duración del intervalo de tiempo o al tamaño de la región
•La probabilidad de que ocurra más de un éxito en dicho intervalo de tiempo o región es despreciable
32Probabilidad y Estadística
Distribución de Poisson
Definición
La variable aleatoria X, que cuenta el número de éxitos en un experimento aleatorio con las características anteriores, se denomina variable aleatoria de Poisson, con parámetro λ>0:
35Probabilidad y Estadística
Distribución de Poisson
Unidades consistentes
Es importante utilizar unidades consistentes en el cálculo de probabilidades, medias y varianzas que involucran variables de Poisson.
Si por ejemplo:
•El número promedio de llamadas por seg es 9, entonces
•El número promedio de llamadas en 1 min es 540
36Probabilidad y Estadística
Distribución de Poisson
Ejemplo: En la fabricación discos ópticos la contaminaciónconstituye un problema. El número de particulas de contaminación que están presentes en un disco tiene unadistribución de Poisson, y el número promedio de partículas por cm2 de superficie es de 0.1. El area de un disco bajo estudio es de 100 cm2. Encontrar la probabilidadde que en el area bajo estudio se presenten 12 partículas de contaminantes
37Probabilidad y Estadística
Distribución de Poisson
Ejemplo
X: número de partículas en el área de un disco bajo estudio
38Probabilidad y Estadística
Distribución de Poisson
Ejemplo•Determinar la probabilidad de no encontrar ninguna partícula de contaminante
•Determinar la probabilidad de encontrar 12 o menos partículas de contaminante en el disco bajo estudio
2Probabilidad y Estadística
Distribución UniformeDefinición
Una variable aleatoria continua X, con función de densidad
se denomina variable aleatoria continua uniforme
1
3Probabilidad y Estadística
Distribución Uniforme
Figura 1: Función de densidad de probabilidades para unavariable continua uniforme
4Probabilidad y Estadística
Distribución Uniforme
Media y Varianza
Si X es una variable aleatoria uniformemente distribuida en el intervalo (a,b):
2
5Probabilidad y Estadística
Distribución Uniforme
Ejemplo 1:La corriente medida en miliamperes, en un delgado alambre de cobre puede ser representada por unavariable aleatoria X uniformememte distribuida en el intervalo [0,20mA]. Calcular la probabilidad de que la medición de corriente esté entre 5 y 10 mA.
6Probabilidad y Estadística
Distribución Uniforme
Ejemplo1:
La media y la varianza de X, con a=0 y b=20:
Por lo tanto el desvío estándar asociado a la medición es 5.77 mA.
8Probabilidad y Estadística
Distribución UniformeLa función de distribución acumulada para una variable uniformemente distribuida se calcula como:
Por lo tanto, la descripción completa de la función de distribución acumulada es:
3
9Probabilidad y Estadística
Distribución Normal
Definición: Una variable aleatoria X tiene una distribuciónnormal ( o Gaussiana) si su función de densidad de probabilidades es:
Donde µ y σ son parámetros tales que σ>0 y -∞<µ<∞
4
10Probabilidad y Estadística
Distribución Normal Media y Varianza:
Puede demostrarse que el valor esperado y la varianza de X están dadas por :
Para simbolizar que X tiene una distribución normal con parámetros µ y σ2 es común utilizar la notación:
X~N(µ, σ2)
5
11Probabilidad y Estadística
Distribución Normal
Figura 3: Funciones de densidad de probabilidadnormales para diferentes valores de μ y σ2.
12Probabilidad y Estadística
Distribución Normal
Distribución normal Areas bajo la distribución normal
Figura 4
13Probabilidad y Estadística
Distribución Normal Estándar
Definición: Una variable aleatoria normal con
Se denomina variable aleatoria normal estándar y se simboliza con Z.
Su función de distribución acumulada es denotada como:
16Probabilidad y Estadística
Distribución Normal Sea X una variable aleatoria normal con E(X)=µ y V (X)=σ2, entonces la variable Z:
Tiene una distribución normal con media E(Z)=0 y V(Z)=1. Esto es, Z es normal estándar
6
17Probabilidad y Estadística
Distribución Normal Sea X una variable aleatoria normal con E(X)=µ y V (X)=σ2, entonces:
Donde Z es normal estándar y
es el valor que se obtiene al estandarizar X. Los valores de la distribución normal estándar acumulada se encuentran tabulados
7
18Probabilidad y Estadística
Distribución Normal
Figura 5 Valores de distribución normal estándar acumulada.
19Probabilidad y Estadística
Distribución Normal
Ejemplo 2:Las mediciones de corriente en un alambrepueden representarse como una variable aleatoria Xnormalmente distribuida con media 10 mA y varianza 4 (mA)2. Determinar la probabilidad de que una mediciónexceda los 13 mA.
20Probabilidad y Estadística
Distribución Normal
Figura 6 Estandarización de una variable aleatoria normal.
21Probabilidad y Estadística
Distribución Normal
Ejemplo 2 continuación
Cual es la probabilidad de que la medición de corriente esté entre 9 y 11 mA?
22Probabilidad y Estadística
Distribución Normal Ejemplo 2 continuación:
Determinar el valor de x para el cual la probabilidad de una medición esté por debajo de dicho valor sea de 0.98. El valor de x a determinar se muestra graficamente en la figura 7 y verifica: P(X<x)=0.98. Si se estandariza la variable X esto resulta en:
23Probabilidad y Estadística
Distribución Normal Ejemplo 2 continuación:
La tabla de distribución normal acumulada se utiliza paraencontrar el valor de z tal que P(Z<z)=0.98. El valor máscercano es
Por lo tanto el correspondiente valor de x:
24Probabilidad y Estadística
Distribución Normal
Ejemplo 2(continuación)
Figura 7 Determinación del valor de x que verifica unaprobabilidad específica.
25Probabilidad y Estadística
Aproximación de la DistribuciónNormal a las Distribuciones Binomial y
de Poisson
• Bajo ciertas condiciones , la distribución normal puede utilizarse para aproximar la distribución binomial y la distribución de Poisson
26Probabilidad y Estadística
Aproximación de la Distribución Normal a la Distribución Binomial
Figura 8 AproximaciónNormal a la binomial.
27Probabilidad y Estadística
Aproximación de la DistribuciónNormal a la Distribución Binomial
Ejemplo 3: El número de bits con error recibidos en un canal de comunicación digital, puede ser modelado comouna variable aleatoria binomial con parámetro p= 1x10-5. Si se reciben 16 millones de bits, cual es la probabilidadde que ocurran más de 150 errores?
28Probabilidad y Estadística
Aproximación de la DistribuciónNormal a la Distribución Binomial
Ejemplo 3 continuación
Imposible de computar
•La distribución normal puede utilizarse en este ejemplo para dar una excelente aproximación de la probabilidad pedida
29Probabilidad y Estadística
Aproximación de la Distribución Normal a la Distribución Binomial
Si X es una variable aleatoria binomial, entonces la variable:
Se distribuye aproximadamente como una variable aleatoria normal estándar. Dicha aproximación es buena si:
8
30Probabilidad y Estadística
Aproximación de la Distribución Normal a la Distribución Binomial
Ejemplo 3 continuación
El problema de comunicación digital puede ser resueltocomo:
31Probabilidad y Estadística
Aproximación de las Distribuciones
Figura 9 Condiciones para aproximar una distribuciónhipergeométrica por una distribución binomial
32Probabilidad y Estadística
Aproximación de la Distribución Normal a la Distribución de Poisson
Si X es una variable aleatoria de Poisson, con E(X)=λ y V(X)=λ entonces la variable:
Se distribuye aproximadamente como una variable aleatoria normal estándar. Dicha aproximación es buena si λ>5.
9
33Probabilidad y Estadística
Aproximación de la Distribución Normal a la Distribución de Poisson
Ejemplo 4 El número de partículas de asbesto por m2 de polvo en una superficie sigue una distribución de Poisson con media igual a 1000. Determinar la probabilidad de queen una muestra de un m2 de polvo analizada, se encuentrena lo sumo 950 partículas de asbesto.
Esta probabilidad puede ser expresada exactamente como:
34Probabilidad y Estadística
Aproximación de la Distribución Normal a la Distribución de Poisson
Ejemplo 4
La dificultad computacional para calcular esta probabilidad es clara. Por lo tanto puede ser aproximada como:
35Probabilidad y Estadística
Algunas Aproximaciones Útiles
Figura 10: Aproximaciones de distribuciones de probabilidad
Mejor cuanto más chica es p y más grande es n
Si p’=1-p. Cuanto más chica es p’ y mayor es n
Mejor cuanto mayor es λ
36Probabilidad y Estadística
Propiedades de la Distribución NormalSean X1, X2, …..Xn variables aleatorias independientes, normalmente distribuidas con medias µ1, µ2,….., µn y varianzas σ1
2, σ22,………,σn
2 respectivamente. Entonces la variable aleatoria Y ( combinación lineal de dichas variables
Y=a1 X1 +a2 X2+……………+an Xn
Tiene una distribución normal con media:
µY =a1 µ1+a2 µ2 +.…..+an µn
y varianza :
σY2 =a1
2σ12+ a2
2σ22+………+ an
2 σn2
Donde a1,a2,…,an son constantes
37Probabilidad y Estadística
Propiedades de la Distribución NormalSean X1, X2, …..Xn variables aleatorias con medias µ1, µ2,….., µn y varianzas σ1
2, σ22,………,σn
2 respectivamente.
Sea Y= X1 + X2+……………+ Xn
Entonces: a medida que n →∞ , )1,0(
1
2
1 NY
n
ii
n
ii
≈−
∑
∑
=
=
σ
μ
• Interpretación práctica: La suma de variables aleatorias se distribuye aproximadamente normal independientemente de la distribución de cada variable individual en la suma .
39Probabilidad y Estadística
Distribución Gamma
Función Gamma
Integrando por partes se obtiene:
Además si r es un entero positivo
40Probabilidad y Estadística
Distribución Gamma
Definición: Una variable aleatoria X tiene una distribuciónGamma, con parámetros λ>0 y r>0 si su función de densidad de probabilidades es:
11
41Probabilidad y Estadística
Distribución Gamma
Figura 11 DistribucionesGamma para diferentesvalores de r y λ.
r =1:Distribución exponencial
43Probabilidad y Estadística
Distribución Exponencial
Definición: Una variable aleatoria X tiene una distribuciónExponencial , con parámetros λ>0 si su función de densidad de probabilidades es:
13
44Probabilidad y Estadística
Distribución Exponencial
Media y Varianza de la Distribución Exponencial
14
45Probabilidad y Estadística
Distribución Chi-cuadrado
•Otra distribución de la familia de la distribución Gamma
•Si los parámetros son : r=k/2 λ=1/2 la función de densidad de probabilidades:
Se transforma en:
15
46Probabilidad y Estadística
Distribución Chi-cuadrado
• El único parámetro de la distribución es k: número de grados de libertad
•A medida que k crece la distribución se vuelve más simétrica
•La forma límite de la distribución cuando k→∞ es la distribución normal.•Media y Varianza de la Distribución Chi-cuadrado
E(X)= k V(X)=2k
47Probabilidad y Estadística
Distribución chi-cuadrado
Figura 12 Distribucionesχ2 para diferentes gradosde libertad.
48Probabilidad y Estadística
Distribución de Weibull
Definición: Una variable aleatoria X tiene una distribuciónde Weibull , con parámetros δ>0 y β>0 si su función de densidad de probabilidades es:
16
49Probabilidad y Estadística
Figura 13 Distribuciones de Weibull para diferentesvalores de los parámetros.