3 - Teoría de La Probabilidad Parte 1.b - Julio 24

PROBABILIDAD Y ESTADÍSTICA
TEORÍA DE PROBABILIDAD
PARTE 1-B
Profesora: Nidia Quintero Peña

Julio 2019
MODELOS CONTINUOS Y
DISCRETOS
El modelo es discreto si solo es de interés conocer los
valores de salida en un conjunto discreto (de cardinal
finito o numerable).
El modelo es continuo si se quiere conocer los valores de
salida en todos los instantes o espacios de un intervalo.
Nota: Los modelos que se implementan en un computador

son necesariamente discretos. Si el modelo a implementar
es continuo, lo que se hace en el computador son
discretizaciones.
MODELOS CONTINUOS Y
DISCRETOS
Debido a que muchos sistemas físicos son modelados a
partir de experimentos aleatorios, y variables aleatorias,
es interesante observar que ésta puede ser discreta o
continua tanto para simulación como para adquisición de
datos.
x h(t) ó h[n] y
VARIABLES ALEATORIAS Y
SUS DISTRIBUCIONES
Variable aleatoria (recordar)
Se considera así a una medida que contiene variabilidad.
Generalmente, se representa matemáticamente usando
el modelo:
: constante
: perturbación aleatoria
Mientras permanece igual, se debe a los pequeños

cambios dados por el ambiente, el equipo, entre otros.
SUS DISTRIBUCIONES
Variable aleatoria: Una variable aleatoria es una función
que asigna un número real para cada resultado en un
espacio muestral de un experimento aleatorio.
La notación de la variable aleatoria es una letra
mayúscula tal como .
Cuando un experimento es realizado, el valor medido de

la variable aleatoria es dado por una letra minúscula tal
como
SUS DISTRIBUCIONES
Variable aleatoria discreta: Es una variable aleatoria con
un margen (o rango) finito (o infinito contable).
Variable aleatoria continua: Es una variable aleatoria

con un intervalo (finito o infinito) de números reales
para su margen (o rango).
SUS DISTRIBUCIONES
Ejemplos de variables aleatorias discretas: proporción
de partes defectuosas en un lote de 100 pruebas,
errores en la transmisión de bits en un sistema de
comunicaciones.
Ejemplos de variables aleatorias continuas: Corriente

eléctrica, longitud, presión, temperatura, velocidad,
tiempo, peso, tensión, etc.
SUS DISTRIBUCIONES
Ejemplo (discreto)
Un sistema de comunicación de voz para un negocio
contiene 48 líneas externas. En un caso particular, se
hace una observación del sistema y hay algunas líneas en
uso.
Si la variable aleatoria denota el número de líneas en
uso, entonces puede asumir cualquier valor entero entre
0 y 48.
Cuando el sistema es observado, si 10 líneas son usadas, .
VARIABLES ALEATORIAS Y SUS
DISTRIBUCIONES
Distribución de probabilidad
La distribución de probabilidad de una variable

aleatoria es una descripción de las probabilidades
asociadas con los posibles valores de .
Para una variable aleatoria discreta, la distribución es

frecuentemente especificada por solo una lista de
posibles valores a lo largo de la probabilidad de cada
uno.
DISTRIBUCIONES
Para una variable aleatoria continua, la distribución de

probabilidad es calculada a través de la función de
densidad de probabilidad .
Así, si en un intervalo es comúnmente contenido un
valor de , su probabilidad es alta, y este corresponde a
altos valores para la función .
DISTRIBUCIONES
Ejemplos:
Discreto Continuo
[Tomado de Montgomery]
DISTRIBUCIONES
Definición. Para una variable aleatoria discreta con

posibles valores , una función de probabilidad es una
función tal que:
Dado el ejemplo anterior,

DISTRIBUCIONES
Definición. Para una variable aleatoria continua una

función de densidad de probabilidad es una función tal
que:
1.
(área debajo de desde hasta para cualquier y .
DISTRIBUCIONES
Histograma.
Un histograma es una aproximación a la función de
densidad de probabilidad, el área de las barras es igual
a la frecuencia relativa (proporción) en el intervalo.
En el histograma, es usado para calcular el área que
representa la probabilidad que asuma un valor en
Tomado de Montgomery
DISTRIBUCIONES
Teniendo una variable aleatoria continua, es muy

probable que se encuentre que . Por lo tanto:
Si es una variable aleatoria continua para algún y ,

entonces:
DISTRIBUCIONES
Funciones de Probabilidad Acumulativa
Definición. La función de probabilidad acumulativa de

una variable aleatoria discreta , denotada como es:
Para una variable aletoria , satisface las propiedades:
1. Si , entonces
DISTRIBUCIONES
Ejemplo.
Determine la función de probabilidad de a partir de la siguiente
distribución de probabilidad acumulativa.
Para poder encontrar la distribución, es necesario observar que

los puntos que no reciben probabilidad 0, son -3, 1 y 3 la
probabilidad de que estos ocurran será:
;;
; ;
DISTRIBUCIONES
Definición. La función de probabilidad acumulativa de

una variable aleatoria continua , denotada como es:
Para una variable aleatoria , satisface las propiedades:

1.
2. Si , entonces
DISTRIBUCIONES
Ejemplo
DISTRIBUCIONES
Algunos conceptos adicionales
La media y la varianza. Estos dos son números que sirven

para medir el centro (o medio) y la dispersión (o
variabilidad) de una distribución de probabilidad para una
variable aleatoria .
Para variables aleatorias discretas se tiene:
La media o valor esperado de una variable aleatoria
discreta denotada como es:
DISTRIBUCIONES
Para variables aleatorias discretas:

La varianza de denotada como o es:
La desviación estándar de es
DISTRIBUCIONES
Para variables aleatorias continuas:

Si es una variable aleatoria continua con función de
densidad de probabilidad .
La media o valor esperado de denotado como o es:
La varianza de denotada como o es:

DISTRIBUCIONES
Ejemplo (discreto):
La probabilidad de transmitir un bit erróneamente en un
canal de comunicaciones. Se asume que es igual al
número de bits erróneos en los próximos
cuatro transmitidos. Los posibles valores de
son: . Basados en un modelo para los errores,
las probabilidades son:
DISTRIBUCIONES
Ejemplo (discreto):
Para hallar la varianza:

DISTRIBUCIONES
Para hallar la varianza paso a paso (discreto):
0 -0,4 0,16 0,6561 0,104976
1 0,6 0,36 0,2916 0,104976
2 1,6 2,56 0,0486 0,124416
3 2,6 6,76 0,0036 0,024336
4 3,6 12,96 0,0001 0,001296

DISTRIBUCIONES
Ejemplo (continuo):
Una variable aleatoria continua denota la corriente
medida en un alambre de cobre delgado. Asuma el
rango de es y asuma que la función de densidad de
probabilidad es para . ¿Cuál es la probabilidad que una
corriente mida menos de10 mA? ¿Cuál será su media?
. A su vez la varianza:
DISTRIBUCIONES
La moda. Es el valor con mayor frecuencia en una

distribución de datos.
El intervalo modal es el de mayor frecuencia absoluta. Cuando
tratamos con datos agrupados antes de definir la moda, se ha de
definir el intervalo modal.
La moda, cuando los datos están agrupados, es un punto que divide
al intervalo modal en dos partes de la forma y , siendo c la amplitud
del intervalo, que verifiquen que:
DISTRIBUCIONES
La mediana
La mediana muestral es el valor medio cuando las
observaciones se ordenan de menor a mayor. Si las
observaciones se denotan por , se emplea el símbolo
para representar la mediana muestral.
Definición:
La mediana muestral se obtiene al ordenar las n
observaciones (o muestras) de menor a mayor (incluso
si hay valores repetidos) así:
DISTRIBUCIONES
Valor esperado de una función de una variable

aleatoria discreta. Si es una variable aleatoria discreta
con función de probabilidad ,
Valor esperado de una función de una variable

aleatoria continua. Si es una variable aleatoria
continua con función de densidad de probabilidad ,
DISTRIBUCIONES
En el ejemplo (discreto) anterior, es el número de bits en

error en los próximos cuatro transmitidos. ¿Cuál es el valor
esperado del cuadrado del número de bits en error?
NOTA: Es importante observar que no es lo mismo sumar

los cuadrados de la probabilidad que elevar al cuadrado la
media anteriormente calculada.
DISTRIBUCIONES
En el ejemplo (continuo) anterior, es la corriente

medida en mA. ¿Cuál es el valor esperado de la
corriente al cuadrado?
NOTA: Revisar en el valor esperado de una función

continuo y discreto las propiedades de linealidad
VARIABLES
ALEATORIAS
DISCRETAS
Y SUS
DISTRIBUCIONES
DISTRIBUCIONES
Distribución Uniforme
Definición. Una variable aleatoria tiene una distribución

uniforme discreta si cada uno de sus valores en su rango
tiene igual probabilidad.
Entonces:
DISTRIBUCIONES
Ejemplo (discreto). El primer digito de una parte de un número

serial es igualmente probable de ser algún dígito del 0 al 9. Si una
parte es seleccionada desde un largo lote y, es el primer dígito de
un número serial, tiene una distribución uniforme discreta con
probabilidad 0.1 para cada valor en . Esta es,
Para cada valor en . Función de probabilidad para una variable aleatoria discreta uniforme
0.4
0.3
f(x)
0.2
0.1
.
0
-1 0 1 2 3 4 5 6 7 8 9 10
x
DISTRIBUCIONES
DISTRIBUCIONES
VARIABLES ALEATORIAS
Y SUS DISTRIBUCIONES
Distribución Binomial
Definición
La variable aleatoria que iguala el número de intentos que
resultan en un éxito tiene una distribución binomial con
parámetros y La función de masa de probabilidad de es:
Ejemplo:
Cada muestra de agua tiene un 10% de probabilidad de
contener una partícula orgánica contaminante. Asuma que las
muestras son independientes con relación a la presencia del
contaminante. Encuentre la probabilidad que en las próximas
18 muestras, exactamente 2 contienen contaminante.
Digamos que es el número de muestras que contienen el
contaminante en las próximas 18 muestras analizadas.
Entonces es una variable aleatoria binomial con y . Por lo
tanto:
Y:
Determine ahora la probabilidad de que al menos 4 muestras

contienen polución. La probabilidad requerida es:
Pero es más fácil encontrar el complemento:
Ejercicio:
Determine la probabilidad que .
Definición
Si es una variable aleatoria binomial con parámetros y ,
y
Lo cual muestra que para una variable aleatoria binomial su media
y varianza depende sólo de los parámetros y .
Ejemplo:
Para el número de bits recibidos con error en un ejemplo visto, y ,
entonces:
y
Distribución Geométrica
Definición
En una serie de intentos de Bernoulli (intentos independientes
con probabilidad constante de un éxito), digamos que la
variable aleatoria denota el número de intentos hasta el
primer éxito. Entonces, es una variable aleatoria geométrica
con parámetro y distribución de probabilidad,
y
Ejemplo
La probabilidad que un semiconductor (wafer) contenga una
partícula grande de contaminación es 0.01. Si se asumió que
los wafer son independientes, ¿Cuál es la probabilidad que
exactamente se necesiten 125 wafers para ser analizados
antes de que una partícula sea detectada?
: Número de muestras analizadas hasta detectar una partícula.
es una variable aleatoria geométrica con . La probabilidad
requerida es :
Definición
Si es una variable aleatoria geométrica con parámetro ,
y
Propiedad de pérdida de memoria
Una variable aleatoria geométrica ha sido definida como el
número de intentos hasta encontrar el primer éxito. Sin
embargo, porque los intentos son independientes, el conteo
del número de intentos hasta el éxito puede iniciar en cualquier
intento sin cambiar la distribución de probabilidad de la
variable aleatoria.
Una generalización de una distribución geométrica en la cual la
variable aleatoria es el número de intentos requeridos para
obtener resultados exitosos es la distribución binomial
negativa.
Ejemplo: Suponga ahora que la probabilidad de un bit

transmitido a través de un canal de transmisión digital sea
recibido con error es 0.1. Asuma que las transmisiones son
eventos independientes, y digamos que la variable aleatoria
denota el número de bits transmitidos hasta el cuarto error.
Distribución Binomial Negativa
Definición
En una serie de intentos de Bernoulli, se dice que la variable
aleatoria denota el número de intentos hasta queéxitos
ocurran. Entonces, es una variable aleatoria binomial negativa
con parámetros , y
con
Debido a que intentos son requeridos para obtener éxitos, el
rango de es desde hasta . Si , se cumple específicamente la
variable aleatoria geométrica.
Definición
Si es una variable aleatoria binomial negativa con
parámetros y .
Su media y varianza están dados por las expresiones:
Distribución Hipergeométrica
Definición. Un conjunto de objetos contiene objetos
clasificados como éxitos y objetos clasificados como fracaso
Una muestra de tamaño objetos es seleccionada al azar (sin
reemplazo) desde objetos, dónde y . Digamos que la variable
aleatoria denota los números de éxitos en la muestra.
Entonces, es la variable aleatoria hipergeométrica y:
Ejemplo: En un día de producción de 850 partes fabricadas,
50 de ellas son no conformes según los requerimientos de los
usuarios. El día de producción, dos partes son seleccionadas al
azar sin reemplazo. Digamos que A y B denotan los eventos
donde la primera y la segunda parte son no conformes,
respectivamente. Anteriormente, se encontró que y .
Consecuentemente, que la primera parte sea no conforme
sugiere que es menos probable que la segunda parte sea no
conforme.
SUS DISTRIBUCIONES
Entonces, el número de partes no conformes en la muestra es

una variable aleatoria binomial. Digamos que es igual al
número de partes no conformes en la muestra. Entonces:
=0.003
Ejemplo. Al utilizar la definición de la variable aleatoria
hipergeométrica:
Ejemplo. Un lote contiene 100 partes de un proveedor local
de tuberías y 200 partes de un proveedor de otro estado. Si
cuatro partes son seleccionadas aleatoriamente y sin
reemplazos, ¿Cuál es la probabilidad que todos sean del
proveedor local?
Digamos que es el número de partes en la muestra del
proveedor local. Entonces tiene una distribución
hipergeométrica y la respuesta es . Así:
SUS DISTRIBUCIONES
Ahora, ¿Cuál es la probabilidad que de estas 4 muestras,

dos o más sean del proveedor local?
¿Cuál es la probabilidad que al menos una de estas 4

muestras sea del proveedor local?
SUS DISTRIBUCIONES
Si es una variable aleatoria hipergeométrica con

parámetros , entonces:
Donde:
Distribución de Poisson
Definición: Dado un intervalo de números reales, asuma que los
conteos ocurren al azar a lo largo del intervalo. Si el intervalo
puede ser particionado dentro de subintervalos de longitudes
suficientemente pequeñas que:
1. La probabilidad de más de un conteo en un subintervalo es
cero,
2. La probabilidad de un conteo en un intervalo es la misma para
todos los subintervalos y proporcional a la longitud del
subintervalo, y
3. El conteo en cada subintervalo es independiente de otros
subintervalos, el experimento aleatorio es llamado un Proceso
de Poisson.
SUS DISTRIBUCIONES
SUS DISTRIBUCIONES
Definición
La variable aleatoria que iguala el número de conteos en el
intervalo es una variable aleatoria de Poisson con parámetro ,
y la función de masa de probabilidad de es:
Si una variable aleatoria de Poisson representa el número de

conteos en un intervalo, la media de la variable aleatoria, debe
igual al número esperado de conteos en la misma longitud del
intervalo.
SUS DISTRIBUCIONES
Definición:
Si es una variable aleatoria de Poisson con parámetro ,
entonces:
La varianza y el valor esperado en la variable aleatoria de

Poisson son iguales. Por este motivo, se debe tener cuidado
ya que si la varianza del conteo de datos es mucho mayor
que la media de los mismos datos, la distribución de Poisson
no es un buen modelo para la distribución de la variable
SUS DISTRIBUCIONES
Ejemplo:
Suponga que el número de defectos encontrados en un cable
delgado de cobre que sigue una distribución de Poisson tiene
una media de 2.3 defectos por milímetro (de longitud).
Determine la probabilidad de exactamente 2 defectos en un
milímetro de cable.
Digamos que denota el número de defectos en un milímetro
de cable. defectos y:
Determine ahora, la probabilidad de 10 defectos en 5

milímetros de cable.
SUS DISTRIBUCIONES
Digamos que denota el número de defectos en 5 milímetros de

cable. defectos/mm= 11,5 defectos:
Determine ahora, la probabilidad de al menos 1 defecto en 2

milímetros de cable. Entonces la distribución de Poisson tiene:
defectos/mm=4.6 defectos.
Por lo tanto,
SUS DISTRIBUCIONES
VARIABLES
ALEATORIAS
CONTINUAS
Y SUS
DISTRIBUCIONES
DISTRIBUCIONES
Distribución uniforme
Definición. Una variable aleatoria continua con función

de densidad de probabilidad:
Es una variable aleatoria

uniforme continua.
DISTRIBUCIONES
Ejemplo. La variable continua denota la corriente en mA,

medida en un alambre de cobre delgado, asuma que el
rango de es y que la función de densidad de probabilidad
de es . ¿Cuál es la probabilidad que una corriente mida
entre 5 y 10 mA?
DISTRIBUCIONES
Ejemplo. La siguiente gráfica describe la función de

probabilidad continua uniforme.
Función de probabilidad para una variable aleatoria continua uniforme

0.1
0.08
0.06
f(x)
0.04
0.02
0
0 2 4 6 8 10 12 14 16 18 20
x
DISTRIBUCIONES
DISTRIBUCIONES
DISTRIBUCIONES
Distribución Normal o Gaussiana
La distribución normal es la distribución más utilizada

para variables aleatorias (continuas).
También conocida como distribución de Gauss o

gaussiana.
DISTRIBUCIONES
Definición.
Una variable aleatoria continua con función de densidad
de probabilidad
Es una variable aleatoria normal con parámetros:

y .
DISTRIBUCIONES
Definición.
Y para recordar:
y
Además la notación también es usada para denotar esta

distribución.
DISTRIBUCIONES
La media y la varianza, pueden ser modeladas por la

función de densidad de probabilidad normal. El valor de
determina el centro de la función de densidad de
probabilidad y el valor de determina el ancho.
Función de densidad de probabilidad normal. Tomado de Montgomery

DISTRIBUCIONES
¿Qué se puede deducir de esta distribución?

La función de densidad de probabilidad normal decrece
tanto como se aleja de .
La función de densidad de probabilidad normal crece tanto
como se acerque a .
Es una distribución simétrica.
El ancho de la distribución se dice que es (debido al gran
porcentaje que abarca de a ).
DISTRIBUCIONES
Para cualquier variable aleatoria normal.
Por simetría de f(x) :

DISTRIBUCIONES
Ejemplo. Asuma que la medida de la corriente de un

pedazo de alambre sigue una distribución normal con una
media de y una varianza de . ¿Cuál es la probabilidad de
que la medida exceda ?
En este caso, denota la corriente en mA. La probabilidad
que preguntan se puede representar por .
Este tipo de probabilidades se deben calcular a partir de
tablas o numéricamente.
DISTRIBUCIONES
Ejemplo. Para encontrar la probabilidad de como se

muestra en la figura. Se podría apoyar de tablas o
aplicando la función de Matlab.
◦ normpdf(x, ) densidad normal f(x)
◦ normcdf (x, ) distribución normal acumulada F(x)
= 0.0668
DISTRIBUCIONES
Distribución Normal Estándar
Definición. Una variable aleatoria con y es llamada una

variable aleatoria normal estándar y es denotada
como .
La función de distribución acumulativa de una variable

aleatoria normal estándar es denotada:
DISTRIBUCIONES
Distribución Normal Estándar
Haciendo una comparación entre la función de

probabilidad para la distribución normal estándar y la
distribución normal podemos encontrar:
DISTRIBUCIONES
Transformaciones de Distribuciones de Probabilidad
Si es una variable aleatoria normal con y , la variable

aleatoria
Es una variable aleatoria normal con y . Esto es, es una

variable aleatoria normal estándar.
DISTRIBUCIONES
Para calcular la probabilidad, suponga que es una variable

aleatoria normal con media y varianza . Entonces
Donde es una variable aleatoria normal estándar, y es el z-

valor obtenido por estandarización de .
Para obtener la probabilidad es necesario buscar valores en
tablas para probabilidad estándar.
DISTRIBUCIONES
Ejemplo. Asuma que la medida de la corriente de un

pedazo de alambre sigue una distribución normal con una
media de y una varianza de . ¿Cuál es la probabilidad de
que la medida exceda ?
Recordar que denota la corriente en mA. La probabilidad

que solicitan se representa por Ahora, digamos que , la
relación entre los valores de y los valores transformados
de corresponden a que es .
DISTRIBUCIONES
Ejemplo.
◦ normcdf (z) distribución normal estándar

3 - Teoría de La Probabilidad Parte 1.b - Julio 24

Hochgeladen von

Dokumentinformationen

Originaltitel

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

3 - Teoría de La Probabilidad Parte 1.b - Julio 24

Hochgeladen von

Copyright:

Verfügbare Formate

PROBABILIDAD Y ESTADÍSTICA

Profesora: Nidia Quintero Peña

Nota: Los modelos que se implementan en un computador

Mientras permanece igual, se debe a los pequeños

Cuando un experimento es realizado, el valor medido de

Variable aleatoria continua: Es una variable aleatoria

Ejemplos de variables aleatorias continuas: Corriente

La distribución de probabilidad de una variable

Para una variable aleatoria discreta, la distribución es

Para una variable aleatoria continua, la distribución de

Definición. Para una variable aleatoria discreta con

Dado el ejemplo anterior,

Definición. Para una variable aleatoria continua una

Teniendo una variable aleatoria continua, es muy

Si es una variable aleatoria continua para algún y ,

Definición. La función de probabilidad acumulativa de

Para una variable aletoria , satisface las propiedades:

Para poder encontrar la distribución, es necesario observar que

Definición. La función de probabilidad acumulativa de

Para una variable aleatoria , satisface las propiedades:

La media y la varianza. Estos dos son números que sirven

Para variables aleatorias discretas:

Para variables aleatorias continuas:

La varianza de denotada como o es:

Para hallar la varianza:

Para hallar la varianza paso a paso (discreto):

0 -0,4 0,16 0,6561 0,104976

1 0,6 0,36 0,2916 0,104976

2 1,6 2,56 0,0486 0,124416

3 2,6 6,76 0,0036 0,024336

4 3,6 12,96 0,0001 0,001296

La moda. Es el valor con mayor frecuencia en una

Valor esperado de una función de una variable

Valor esperado de una función de una variable

En el ejemplo (discreto) anterior, es el número de bits en

NOTA: Es importante observar que no es lo mismo sumar

En el ejemplo (continuo) anterior, es la corriente

NOTA: Revisar en el valor esperado de una función

Definición. Una variable aleatoria tiene una distribución

Ejemplo (discreto). El primer digito de una parte de un número

Determine ahora la probabilidad de que al menos 4 muestras

Ejemplo: Suponga ahora que la probabilidad de un bit

Entonces, el número de partes no conformes en la muestra es

Ahora, ¿Cuál es la probabilidad que de estas 4 muestras,

¿Cuál es la probabilidad que al menos una de estas 4

Si es una variable aleatoria hipergeométrica con

Si una variable aleatoria de Poisson representa el número de

La varianza y el valor esperado en la variable aleatoria de

Determine ahora, la probabilidad de 10 defectos en 5

Digamos que denota el número de defectos en 5 milímetros de

Determine ahora, la probabilidad de al menos 1 defecto en 2

Definición. Una variable aleatoria continua con función

Es una variable aleatoria

Ejemplo. La variable continua denota la corriente en mA,

Ejemplo. La siguiente gráfica describe la función de

Función de probabilidad para una variable aleatoria continua uniforme

La distribución normal es la distribución más utilizada

También conocida como distribución de Gauss o

Es una variable aleatoria normal con parámetros:

Además la notación también es usada para denotar esta

La media y la varianza, pueden ser modeladas por la

Función de densidad de probabilidad normal. Tomado de Montgomery

¿Qué se puede deducir de esta distribución?