Modelos Clases Procesos

Modelos de probabilidad
Proceso de Bernoulli
Objetivos del tema:
Distribucin de Bernoulli
Distribucin Binomial
Distribucin Geomtrica
Al final del tema el alumno ser capaz de:
Proceso de Poisson
Distribucin de Poisson
Distribucin Exponencial
Comprender las hiptesis de las distintas distribuciones presentadas

Distribucin Normal
La Normal como aproximacin de otras distribuciones
Seleccionar la distribucin discreta o continua correcta en aplicaciones

especficas
Distribuciones relacionadas con la Normal

Distribucin 2 de Pearson
Distribucin t de Student
Distribucin F de Fisher
Calcular probabilidades, determinar medias y varianzas para las

distribuciones ms comunes
Estadstica, Profesora. Mara Durbn
Cuando un experimento tiene las siguientes caractersticas:

Slo hay dos resultados posibles: Aceptable (A)
Defectuoso (D)
Proceso de Poisson
La proporcin de A y D es constante en la poblacin

y no se modifica cualquiera que sea la cantidad
observada
Distribucin Normal
Pr( D) = p
Pr( A) = q = 1 p

Las observaciones son independientes

Ejemplos
Slo hay dos resultados posibles: Aceptable (A)
Defectuoso (D)
Observar el resultado al lanzar una moneda
La proporcin de A y D es constante en la poblacin

y no se modifica cualquiera que sea la cantidad
observada
Si una pieza es defectuosa o no en un proceso de fabricacin

Observar el sexo de un recin nacido
Pr( D) = p
Pr( A) = q = 1 p
Si se transmite correctamente un bit a travs de un canal digital

5
0 si el suceso no ocurre A q = 1 p = Pr( X = 0)

X =
si el suceso ocurre A
p = Pr( X = 1)
1
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 = Nmero de veces que ocurre un suceso en las n pruebas
La funcin de probabilidad es:
p ( x) = p x (1 p )1 x
X ~ B ( n, p )
x = 0,1
X toma valores 0,1,2,,n
= E [ X ] = 0 (1 p ) + 1 p = p
= Var [ X ] = (0 p) 2 (1 p) + (1 p) 2 p = p(1 p)
n=5
n
P( X = r ) = p r (1 p) n r , r = 0,1,K , n
r
n=25
E [ X ] = np
p=0.75
p=0.5
p=0.2
Var [ X ] = np (1 p )
9
10
Ejemplo
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( X = 0)
Experimento: Observar si un circuito es defectuoso o no. Se repite 40 veces

Son independientes
La probabilidad de ser defectuoso es constante, 0.01
11
12
Ejemplo

Slo hay dos resultados posibles

La probabilidad de xito se mantiene
constante
Se repite el experimento hasta que ocurre el primer

xito
X ~ B(40, 0.01)
X = Nmero de veces que hay que repetir el experimento hasta

conseguir el primer xito
40
Pr( X = 0) = 0.010 (1 0.01) 40 = 0.669
0
X ~ Ge( p )
13
X i i = 1,.....n son Bernoulli

X1
1
0
X2
0
1
X3
0
0
X4 L
0 L
0 L
0
0
0
0
1
0
0
1
L
L
X i i = 1,.....n son Bernoulli
X = 1 Pr( X = 1) = p
X = 2 Pr( X = 2) = qp
X1
1
0
X2
0
1
X3
0
0
X4 L
0 L
0 L
X = 3 Pr( X = 3) = qqp
X = 4 Pr( X = 4) = qqqp
0
0
0
0
1
0
0
1
L
L
X = 1 Pr( X = 1) = p
X = 2 Pr( X = 2) = qp
X = 3 Pr( X = 3) = qqp
X = 4 Pr( X = 4) = qqqp
E [ X ] = 1/ p
P( X = r ) = (1 p ) r 1 p, r = 1, 2, K
14
Var [ X ] = (1 p ) / p 2
15
16
Ejemplo
p ( x ) = Pr ( X = x ) = (1 p) x 1 p
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
E [ X ] = 1/ p = 1/ 0.1 = 10
17
Proceso de Poisson
Se observa la ocurrencia de sucesos en un intervalo
Proceso de Poisson
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
Distribucin Normal
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

18
19
20
Proceso de Poisson
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 n y p 0
= np
P( X = r ) =
Nmero medio de sucesos en ese intervalo
e r
, r = 0,1, K
r!
E[X ] = E[X ] = r
Var [ X ] =
e r
r 1
= e
=
r!
1 ( r 1)!
X ~ P(1 ) Y ~ P(2 ) independientes X + Y ~ P(1 + 2 )

21
22
Proceso de Poisson
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
23
24
Proceso de Poisson
Proceso de Poisson
Ejemplo
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.

cada minuto.
Cul es la probabilidad de que no lleguen clientes en 3 minutos?
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?
X = Nmero de clientes por minuto X ~ P ( = 1)
Y = Nmero de clientes en 8 horas Y ~ P ( = 60 8 = 480)
Y = Nmero de clientes en 3 minutos Y ~ P ( = 3)
Beneficio = Tarifa x Y -6000
Pr(Y = 0) =
3 0
e 3
= e3
0!
Beneficio Esperado = Tarifa E [Y ] 6000 > 0

= Tarifa 480 6000 > 0
25
Proceso de Poisson
Distribucin de exponencial
X = Numero de sucesos en la unidad de tiempo X ~ P ( )
Tiempo entre llamadas telefnicas

Tiempo entre llegadas a un puesto de servicio
Tiempo de vida de un componente elctrico
T = Tiempo hasta que ocurre el primer suceso
Podemos calcular su funcin de distribucin:
P (T > t0 ) = P(cero sucesos en (0,t 0 ))
Cuando el nmero de sucesos sigue una distribucin de

Poisson, el tiempo entre sucesos sigue una distribucin
exponencial
26
Proceso de Poisson
La distribucin exponencial se puede utilizar para modelizar
Tarifa > 12.5
X= Nmero de sucesos en una unidad de tiempo X ~ P ( )

Y = Nmero de sucesos en (0,t0) Y ~ P (t0 )
27
P (T > t0 ) = Pr(Y = 0) = e t0
F (t0 ) = P (T t0 ) = 1 e t0
Estadstica, Prof. Bernardo D'Auria
28
Proceso de Poisson
Proceso de Poisson
f ( x ) = e x
X = Numero de sucesos en la unidad de tiempo X ~ P ( )
T = Tiempo entre dos sucesos consecutivos
f ( x) = 2e 2 x
dF (t )
= e t , t 0
dt
f (t ) =
E [ X ] = 1/
f ( x) = 0.5e 0.5 x
f ( x ) = 0.1e 0.1x
Si hay sucesos por trmino medio en un

intervalo de tiempo
Var [ X ] = 1/ 2
El tiempo medio entre dos sucesos es 1/

29
30
Proceso de Poisson
Proceso de Poisson
Ejemplo
Propiedad

cada minuto.
Pr(T > t1 +t 2 | T > t1 ) = Pr( T > t 2 )
Cul es la probabilidad de que pasen ms de 3 minutos entre la

llegada de dos clientes?
X = Nmero de clientes por minuto X ~ P ( = 1)
T = Tiempo entre dos clientes
Pr(T > t1 +t 2 I T > t1 )

Pr( T > t1 +t 2 ) e (t1 +t 2 )
= t1 = e t2
=
e
Pr( T > t1 )
Pr( T > t1 )
T ~ Exp ( = 1)
Pr(T > 3) = 1 Pr(T 3) = 1 F (3) = 1 (1 e
13
)=e
Pr(Y > 7 | Y > 4) = Pr(Y > 3) = 1 F (3) = e3
= Pr(No haya clientes en 3 minutos)

Si no ha habido clientes en 4 minutos, cul es la probabilidad de

que no haya clientes en los prximos 3 minutos?
31
32
Distribucin Normal
La distribucin Normal describe gran cantidad de procesos

aleatorios
Proceso de Poisson
Errores de medida
Ruido en una seal digital
Corriente elctrica en un trozo de cable
Distribucin Normal
En muchas situaciones otras distribuciones se pueden

aproximar a una Normal
Es la base para la inferencia estadstica
33
34
Distribucin Normal
Distribucin Normal
Tiene forma de campana y es simtrica respecto de la media
Est caracterizada por dos parmetros: La media, , y la desviacin

tpica, . N ( , )
f ( x)
Toma valores en toda la recta real
La media, mediana y
moda coinciden
Su funcin de densidad es:
1
f ( x) =
e
2
E[ X ] =
( x )2
2 2
< x <
Var[ X ] = 2
0.5
35
0.5
36
Distribucin Normal
Distribucin Normal
El efecto de y
Cmo afecta la deviacin tpica la forma de f(x)?
La probabilidad es el rea
bajo la curva
Es un factor
de escala
= 2
Pr(c X d)
=3
=4
f(x)
No es posible calcular la probabilidad de

un intervalo simplemente usando la
integral de la funcin de densidad
Cmo afecta el valor esperado a la posicin de f(x)?

= 10 = 11 = 12
Es un factor de
traslacin
c
37
X Z =
38
Distribucin Normal
Densidad de (X-)/
Distribucin Normal
Todas las distribuciones normales
se pueden transformar en N(0,1)
X ~ N (3, 2)
Densidad de X-
Densidad de X
3
Pr( X 6)
Z ~ N (0,1)
Mismo
rea
39
1.5
63 0
Pr Z
Pr(
1.5)
=
Z
40
Distribucin Normal
Distribucin Normal
Ejemplo
La funcin de distribucin de la Normal estndar tiene una notacin

propia:
El tiempo de vida de un semiconductor sigue una distribucin Normal con media

7000 horas y desviacin tpica 600 horas
F ( x) = Pr( X x) = ( x)
Cul es la probabilidad de que el semiconductor falle antes de 6000 horas?
Q( x) = Pr( X > x) = 1 ( x)
Qu tiempo de vida en horas es excedido por el 95.05% de los semiconductores?
Pr( X < 6000)
Q( x) = 1 Q( x)
Existen ciertas cotas para la funcin Q que se utilizan para calcular
cotas en error de probabilidad de varios sistemas de
comunicaciones
1 x2
Pr( X > a ) = 0.9505
Q( x) e
2
x0
2
Q( x) <
1
e 2 x0
2 x
41
42
Distribucin Normal
Distribucin Normal
Ejemplo
Ejemplo


6000 7000
Pr( X < 6000) = Pr Z <

= Pr( Z < 1.66)
600
6000 7000
Pr( X < 6000) = Pr Z <

= Pr( Z < 1.66)
600
-1.66
1.66
43
44
Distribucin Normal
Distribucin Normal
Ejemplo
Ejemplo
Cul es la probabilidad de
que el semiconductor falle
antes de 6000 horas?

6000 7000
Pr( X < 6000) = Pr Z <

= Pr( Z < 1.66)
600
= 1 Pr( Z 1.66)
= 1 Pr( Z < 1.66)
= 1 0.9515
= 0.0485
1.66
45
Distribucin Normal
46
Distribucin Normal
Ejemplo
Ejemplo


a 7000
Pr( X > a ) = 0.9505 Pr Z >

= 0.9505
600
a 7000
Pr( X > a ) = 0.9505 Pr Z >

= 0.9505
600
-b
0.9505
0.9505
a
Valor negativo
-b
47
48
Distribucin Normal
Distribucin Normal
Ejemplo
Ejemplo
Qu tiempo de vida en horas es
excedido por el 95.05% de los
semiconductores?

(a 7000)
Pr( X > a ) = 0.9505 Pr Z <

= 0.9505
600
(a 7000)
Pr( X > a) = Pr Z <

= 0.9505
600
(a 7000)
= 1.65
600
a = 6010
b
0.9505
El 95.05% de los semiconductores

duran ms de 6010 horas
b
49
Distribucin Normal
50
Distribucin Normal
Ms ejemplos de clculo de probabilidades

Pr ( Z <-0.6) =
Pr ( Z >0.6 ) =
1 - Pr (Z < 0.6 ) =
1 0.7257 =
0.2743
Pr( -0.6 < Z < 1.83 )=

Pr( Z < 1.83 ) - Pr( Z -0.6 )
Pr( Z < 1.83 ) =

0.9664
= 0.7257 - 0.0336
= 0.6921
-0.6
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.
1.83
51
52
Distribucin Normal
Distribucin Normal
Muestra
Ilustracin
50
60
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.
El histograma no se parece a
una distribucin normal con la
misma media y desviacin tpica
10
20
La muestra tiene media 59.9 y

desviacin tpica 4.57
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
30
40
Sea X una variable Uniforme en

el intervalo [50,70].
Tenemos una muestra de tamao
2000.
50
55
xx
60
65
70
53
59.4
Distribucin Normal
58.5
61.1
54
Distribucin Normal
Supongamos que tenemos n variables aleatorias Xi
La distribucin de las medias

muestrales tiene distribucin
aproximadamente normal.
Las observaciones de la nueva variable

estn menos dispersas. La desviacin
tpica es menor, en este caso 1.92
distribucin cualquiera
30
Teorema Central del Lmite
La media de esta nueva variable

es muy parecida a la de la variable
original.
independientes con medias () y desviaciones tpicas (i) y

40
20
Cuando n crece,
10
Y = X1 + X 2 + K + X n
0
55.220755
57.099264
58.977773
62.734792
64.613301
xxx 60.856282
56.160009
58.038518
59.917028
61.795537
63.674046
la distribucin de
Y i
N (0,1)
i2
aa$x
55
Y~N
( ,
i
2
i
)
56
Distribucin Normal
4.5 Proceso de Bernoulli

Supongamos que tenemos n variables aleatorias Xi

independientes con medias () y desviaciones tpicas (i) y
4.6 Proceso de Poisson

distribucin cualquiera
Teorema Central del Lmite
4.8 Distribucin Normal

4.9 La Normal como aproximacin de otras distribuciones
4.10 Distribuciones relacionadas con la 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
57
58
Binomial-Normal
Binomial-Normal
La variable Binomial es suma de variables de Bernoulli, que

toman el valor 0 1.
E [ Xi ] = p
Y = X 1 + X 2 +K X n
n = 50 p = 0.3
0.08
npq = 10.5
Var[ X i ] = p (1 p )
T.C.L.
Y N np, np (1 p )
0.12
0.04
n > 30
N 15, 10.5
npq > 5
0.00
5.000
7.625
10.250 12.875 15.500 18.125 20.750 23.375 26.000

x
59
60
Factor de correccin
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
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.
Cul es la probabilidad de rechazar un lote?
x + 0.5 np
Pr( X x) = Pr( X x + 0.5) Pr Z
np (1 p )
x 0.5 np
Pr( x X ) = Pr( x 0.5 X ) Pr

Z
np (1 p )
n > 30
np = 40
np (1 p) = 39.2
61
Pr ( X 25 )
X ~ B(2000, 0.02)
X N (40, 6.26)
25 0.5 40
Pr Z
=
6.26
Pr (Z 2.47 ) =
Pr (Z 2.47 ) = 0.9932
62
Poisson-Normal
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 ,
)
63
64
Ejemplo
El nmero de defectos en la superficie de un material por metro cuadrado

sigue una distribucin de Poisson con media 100.
Proceso de Poisson
Si se analiza un metro cuadrado de dicho material, Cul es la probabilidad

de encontrar 95 defectos o ms?
Distribucin Normal
Pr ( X 95 )

95 100 0.5
Pr Z
= Pr (Z 0.55 ) =
10
Pr (Z 0.55 ) = 0.7088
65
66
g2
g2
Tiene un slo parmetro denominado grados de libertad.
La funcin de densidad es asimtrica. Slo toma valores positivos.
La funcin de densidad es asimtrica positiva. Slo toma valores positivos.
La funcin de densidad se hace ms simtrica cuando aumenta el nmero

de grados de libertad.
La funcin de densidad se hace ms simtrica cuando aumenta el nmero

g X
2
Y = i =1 i
~ g

2
E [Y ] = g
0.4
0.3
Var [Y ] = 2 g
0.0
0.1
independientes
2 grados de libertad
f(x)
X i ~ N ( , )
Xi
2
~ 1

2
~ N (0,1)
0.2
Xi
0.5
67
10
15
x
20
25
68
t de Student
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
0.4

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
Z ~ N (0,1) Y ~ g2
f(x)
Z
Y/g
0.0
0.1
tg =
0.2
0.3
Se obtiene como el cociente entre dos variables:
69

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:
Fg1 , g2 =
X / g1
Y / g2
X ~ g21 Y ~ g22
71
-10
-5
0
x
70

Modelos Clases Procesos

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Modelos Clases Procesos

Hochgeladen von

Copyright:

Verfügbare Formate

Modelos de probabilidad

Objetivos del tema:

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

Distribuciones relacionadas con la Normal

Calcular probabilidades, determinar medias y varianzas para las

Estadstica, Profesora. Mara Durbn

Estadstica, Profesora. Mara Durbn

Cuando un experimento tiene las siguientes caractersticas:

La proporcin de A y D es constante en la poblacin

Distribuciones relacionadas con la Normal

Las observaciones son independientes

Estadstica, Profesora. Mara Durbn

Estadstica, Profesora. Mara Durbn

Cuando un experimento tiene las siguientes caractersticas:

Observar el resultado al lanzar una moneda

La proporcin de A y D es constante en la poblacin

Si una pieza es defectuosa o no en un proceso de fabricacin

Si se transmite correctamente un bit a travs de un canal digital

Las observaciones son independientes

Estadstica, Profesora. Mara Durbn

Estadstica, Profesora. Mara Durbn

0 si el suceso no ocurre A q = 1 p = Pr( X = 0)

Si se repite un nmero fijo de veces, n, un experimento de Bernoulli con

La funcin de probabilidad es:

X toma valores 0,1,2,,n

Estadstica, Profesora. Mara Durbn

La funcin de probabilidad es:

Estadstica, Profesora. Mara Durbn

Estadstica, Profesora. Mara Durbn

Un aparato electrnico contiene 40 circuitos integrados. La probabilidad de

Un aparato electrnico contiene 40 circuitos integrados. La probabilidad de

Cul es la probabilidad de que el aparato funcione?

Cul es la probabilidad de que el aparato funcione?

X = Nmero de circuitos defectuosos en los 40 de un aparato

X = Nmero de circuitos defectuosos en los 40 de un aparato

Experimento: Observar si un circuito es defectuoso o no. Se repite 40 veces

Estadstica, Profesora. Mara Durbn

Estadstica, Profesora. Mara Durbn

Un aparato electrnico contiene 40 circuitos integrados. La probabilidad de

Slo hay dos resultados posibles

Cul es la probabilidad de que el aparato funcione?

Las observaciones son independientes

X = Nmero de circuitos defectuosos en los 40 de un aparato

Se repite el experimento hasta que ocurre el primer

X = Nmero de veces que hay que repetir el experimento hasta

Estadstica, Profesora. Mara Durbn

X i i = 1,.....n son Bernoulli

X i i = 1,.....n son Bernoulli

La funcin de probabilidad es:

Estadstica, Profesora. Mara Durbn

Estadstica, Profesora. Mara Durbn

La probabilidad de que un bit transmitido a travs de un canal de

Estadstica, Profesora. Mara Durbn

Cuando un experimento tiene las siguientes caractersticas:

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

Los sucesos ocurren de forma independiente. El nmero de

Distribuciones relacionadas con la Normal

Estadstica, Profesora. Mara Durbn

Estadstica, Profesora. Mara Durbn

Estadstica, Profesora. Mara Durbn