Distribuciones00 PDF

Estadstica
Distribuciones
Hernan Aules Centeno, M.Sc.
Departamento de Ciencias de la Computacion
Maestra en Gerencia de Sistemas
November 22, 2013
Hernan Aules Centeno, M.Sc. Estadstica
Estadstica
1
Principales Distribuciones de Probabilidad
Distribucion Uniforme Discreta
Distribucion Hipergeometrica
M odelo Matematico de Recurrencia
Distribuciones de Bernoulli y Binomial
Distribucion Geometrica
Distribucion Binomial Negativa
Distribucion de Poisson
Distribucion Uniforme
Distribucion Exponencial
Relaci on entre la Distribucion Exponencial y de Poisson
Distribucion Normal
El Teorema del Lmite Central
Teorema (del Lmite Central)
La Aproximaci on de la Binomial por la Normal
La Aproximaci on de Poisson a la Distribucion Binomial
Los Axiomas de Probabilidad
Procesos de Poisson Hernan Aules Centeno, M.Sc. Estadstica
Estadstica


Estadstica
Distribucion Uniforme Discreta
Una variable aleatoria X puede tomar un n umero nito de valores
1,2.....n cada uno de los cuales tiene la misma probabilidad de
ocurrir, se dice que sigue una ley de distribucion uniforme discreta,
es decir:
P(x = k) =
1
n
; k = 1, 2....n
Su esperanza es igual a
u = E(x) =
n + 1
2
y su varianza es
2
= V ar (x) =
n
2
1
12
Estadstica
La equiprobabilidad es la forma mas obvia de asignar probabilidades
dentro de un fenomeno aleatorio cuyo comportamiento es
desconocio. Esta ley aparece en los juegos al azar en los que
tod@s l@s jugador@s tienen iguales posibilidades; ademas es basica
en la simulacion de eventos aleatorios mediante computadora.
Estadstica
Ejemplo
Se lanza un dado en forma de octaedro ,considerando la variable
aleatoria que describe el n umero de puntos que aparece.
Determinar su esperanza y varianza
n = 8; P(x = i ) =
1
8
E(x) =
n + 1
2
=
8 + 1
2
= 4. 5
V ar (x) =
n
2
1
12
=
64 1
12
= 5. 25
Estadstica
Ejemplo
Una maquina registra, en minutos completos,la diferencia del
tiempo en paso de camiones por cierto lugar de la carretera. Se
sabe que la diferencia maxima puede ser 9 min. Si se asume que
los arribos son aleatorios, calcular el tiempo que se esperara exista
entre dos arribos consecutivos,su varianza y su desviacion estandar.
Se tiene que la X , puede tomar valores desde 1,...,9 se considera
ademas que tiene distribucion uniforme, entonces:
a) E(x) =
n + 1
2
=
9 + 1
2
= 5 min
b) V ar (x) =
n
2
1
12
=
81 1
12
= 6. 666 7 min
2
c) =
_
V ar (x) =
6. 666 7 min
2
= 2. 582 0 min
Estadstica
Distribucion Hipergeometrica
Para entender la distribucion hipergeometrica se plantea el
siguiente problema:
En una urna se tiene N bolas, n de las cuales son rojas y las N n
son negras,de las cuales se extraen al azar r bolas; investigar la
probabilidad de que el grupo elegido contenga exactamente k bolas
rojas; aqu, k puede ser cualquier entero entre cero y n o r .
La Probabilidad es
P(X = k) =
C
k
n
C
r k
Nn
C
r
N
; k = 0, 1, ..., min {n, r }
Estadstica
Si consideramos la proporcion de bolas rojas en la composicion
inicial de bolas contenidas en la urna p =
n
N
; q = 1 p; entonces
la formula de la probabilidad puede expresarse como:
P(X = k) =
C
k
Np
C
r k
Nq
C
r
N
; k = 0, 1, ..., min {Np, r }
Por lo que la probabilidad P de obtener una bola roja se puede
introducir como un parametro que dene la ley.
Estadstica
Para una variable aleatoria X que sigue la ley hipergeometrica de
parametros (N, n, r ) ;se le denota as
H (N, n, r )
La esperanza matematica es:
u = E(x) =
rn
N
= rp
La varianza es:
V ar (x) = r
n
N
_
1
n
N
_
_
N r
N 1
_
V ar (x) = rp (1 p)
_
N r
N 1
_
Estadstica
Esta distribucion de probabilidad surge en el analisis de muestras
en control de la calidad de lotes de productos ( en los cuales hay
artculos utiles y defectuosos), en estudios censales de poblaciones
de animales y al realizar muestreo sin reposicion.
La siguiente formula de recurrencia facilita el calculo iterativo de
las probabilidades de la ley.
Estadstica
Modelo Matematico de Recurrencia
Este modelo matematico de recurrencia, nos facilita el calculo
iterativo de las probabilidades de la ley hipergeometrica
P
0
=
(N n)! (N r )!
N! (N n r )!
P
k
= P
k1
n + 1 k
k

r + 1 k
N n r + k
, k = 1, 2, .., n
Estadstica
Ejemplo
En un grupo de 12 estudiantes 8 son sobresalientes, por lista se
escogieron 9 al azar.
a) Cual se la probabilidad de que entre l@s estudiantes
seleccionad@s hayan 5 sobresalientes?.
b) Cuantos estudiantes sobresalientes se espera encontrar entre l@s
estudiantes seleccionad@s
Sea la variable aleatoria Z: n umero de estudiantes
sobresalientes,entre l@s 9 escogid@s, se tiene que.
Total de estudiantes: N = 12
Total de estudiantes sobresalientes: n = 8
Total de estudiantes escoguid@s al azar: r = 9
N umero de estudiantes sobresalientes que fueron escogid@s: k = 5,
por lo tanto
Estadstica
Z H (12, 8, 9)
Entonces tenemos:
P(Z = k) =
C
k
n
C
r k
Nn
C
r
N
Reemplazamos
P(Z = 5) =
C
5
8
C
4
4
C
9
12
=
8!
5!3!
4!
4!0!
12!
9!3!
=
14
55
= 0.254 55
b) La esperanza de nuestra variable Z es
E(x) =
rn
N
=
9 8
12
= 6
Se esperara encontrar 6 estudiantes sobresalientes.
Estadstica
Ejemplo
En un control de calidad industrial de toma un lote de 10 piezas
para una inspeccion.En el lote hay 8 piezas correctas. Se toman al
azar 2 piezas. Formar la ley de distribucion del n umero de piezas
correctas entre las escogidas y calcular su esperanza.
N = 10 Total de piezas
n = 8 Total de piezas correctas
r = 2 Total de piezas escogidas al azar
La variable aleatoria
(Y : n umero de piezas correctas entre las escogidas) tiene los
siguientes valores: x
1
= 0; x
2
= 1, x
3
= 2
Estadstica
Emplearemos la ley hipergeometrica con N = 10
(n umero total de piezas) , n = 8 (n umero total de piezas correctas)
y r = 2 (Tamano de la muestra), es decir Y H (10, 8, 2)
obteniendo
P(Z = k) =
C
k
n
Cr
r k
Nn
C
r
N
P(Z = 0) =
C
0
8
C
20
102
C
2
10
=
8!
0(080)!

2!
2!(22)!
10!
2!(102)!
=
1
45
P(Z = 1) =
C
1
8
C
21
102
C
2
10
=
8!
1!(81)!

2!
1!(21)!
10!
1!(102)!
=
16
45
P(Z = 2) =
C
1
8
C
21
102
C
2
10
=
8!
2!(6)!

2!
01(2)!
10!
2!(102)!
=
28
45
Estadstica
x 0 1 2
Z
1
45
16
45
28
45
b) E(Z) = 0
_
1
45
_
+ 1
_
16
45
_
+ 2
_
28
45
_
=
8
5
= 1. 6
Estadstica
Distribuciones de Bernoulli y Binomial
Si al realizar un experimento una vez, solo hay dos resultados
posibles, se tiene una prueba de Bernoulli. Se acostumbra referirse
a uno de los resultados como << exito >>, que aparece con
probabilidad p, y al otro resultado como << fracaso >>, que
sucede con probabilidad q. Es evidente que p y q son no negativos
y que p + q = 1.
Generalmente se dene la variable aleatoria que sigue una ley de
Bernoulli as:
X =
_
1, si es exito
0, si es fracaso
Estadstica
La ley de probabilidad es:
P(X = 1) = p
P(X = 0) = 1 p = q
La esperanza y la varianza son iguales a:
E(X) = p V ar (X) = pq
La ley de Bernoulli dsempe na un papel fundamental en el analisis
de fenomenos en los cuales solo se tiene dos resultados
mutuamente excluyentes, como es el caso de muchas preguntas en
todo tipo de encuestas o la determinacion del sexo de los recien
nacidos.
Estadstica
Ejemplo
a) Seg un los datos censales se ha establecido que en la poblacion
ecuatoriana el 52% lo constituyen las mujeres y el 40% restante los
hombres. Si se toma una persona al azar y se quiere conocer su
sexo, se tiene
X =
_
1, si es mujer
0, si es hombre
entonces
P(X = 0) = 0.48
P(X = 1) = 0.52
Estadstica
Supongamos que se realiza una sucesion de n pruebas de Bernoulli
e interesa conocer el n umero de exitos obtenidos, al margen del
orden en que ellos se presenten. El n umero de exitos puede ser
0, 1, 2, ..., n Se llama distribucion binomial porque puede ser escrita
en forma de binomio, as
P(X = k) = C
k
n
p
k
q
nk
, k = 0, 1, ..., n
Estadstica
La variable aleatoria X que sigue una ley binomial de parametros n
y p se la notara como X Bin (n p) y su esperanza como la
varianza, son
E(X) = n p V ar (X) = n p q
Estadstica
La distribucion binomial tiene amplia aplicacion en la teora de
muestreo cuando se puede constestar a una pregunta unicamente,
con dos opciones ( Ejemplo SI - NO ).
El calculo de las probabilidades puede ser un proceso dcil, porque
los factoriales en los coecientes binomiales crecen muy rapido,
mientras que las potencias de p y q decrecen rapidamente. Por
estas razones se utiliza la siguiente formula recursiva para su
calculo.
p
0
= (1 p)
n
p
k
= p
k1

n + 1 k
k

p
1 p
; k = 1, 2, ..., n
Estadstica
Ejemplo
Supongamos que en una poblacion existen igual n umero de
hombres y de mujeres y consideremos aquellas familias que tienen
4 hijos.
a) Formar una ley de la variable aleatoria que describe el n umero
de hijos varones en dichas familias.
b) Calcular la probabilidad de que en una de estas familias haya
mas de un hijo varon.
c) Cuantos hijos varones se espera que hay en una familia que
tiene 4 hijos?
Estadstica
Sabemos que p =
1
2
y el n umero total de hijos es n = 4. Entonces,
la variable aleatoria X:<<N umero de hijos varones>>, sigue una
ley binomial de parametros
_
4,
1
2
_
, o sea, X Bin
_
4
1
2
_
Para a.
Se determina las probabilidades correspondientes:
- Si en una familia no hay ning un varon, k = 0
P(X = 0) = C
0
4
_
1
2
_
0
_
1
2
_
40
=
1
16
- Si en una familia hay un varon, k = 1
P(X = 1) = C
1
4
_
1
2
_
1
_
1
2
_
41
=
1
4
- Si en una familia dos varones, k = 2
P(X = 2) = C
2
4
_
1
2
_
2
_
1
2
_
42
=
3
8
Estadstica
- Si en una familia tres varones, k = 3
P(X = 3) = C
3
4
_
1
2
_
3
_
1
2
_
43
=
1
8
- Si en una familia cuatro varones, k = 4
P(X = 4) = C
4
4
_
1
2
_
4
_
1
2
_
44
=
1
16
De manera que
X 0 1 2 3 4
P 1/16 1/4 3/8 1/4 1/16
Estadstica
Para b.
Se debe calcular
P(X > 1) = P(X = 2) +P(X = 3) +P(X = 4)
Esta probabilidad tambien se puede calcular mediante el evento
complementario
P(X > 1) = 1 P(X 1) = 1 [P(X = 0) +P(X = 1)]
P(X > 1) = 1
_
1
16
+
1
4
_
=
11
16
Estadstica
Para c. El n umero esperado de hijos varones se calcula mediante la
esperanza de la variable aleatoria
E(X) = n p = 4
1
2
= 2
De manera que se esperara que en la familia que tiene 4 hijos, dos
sean varones.
Estadstica
Ejemplo
Un examen consta de 8 preguntas de eleccion m ultiple, cada una
de ellas ofrece cinco alternativas, de las cuales solo una es correcta.
Para aprobar el examen es necesario contestar correctamente al
menos tres preguntas. Si un estudiante se propone responder a las
preguntas al azar.
a. Cual es la probabilidad de que conteste correctamente todas las
preguntas?
b. Cual es la probabilidad de que el estudiante apruebe el examen?
Estadstica
Para a. La probabilidad de responder correctamente a cualquier
pregunta es p =
1
5
= 0.2
Sea Z: << n umero de preguntas correctamente contestadas >>,
con Z Bin (8, 0.2)
Debemos determinar la probabilidad del evento Z = 8
P(Z = 8) = C
8
8
(0.2)
8
(0.8)
88
= 2. 56 10
6
Lo que indica que es muy dcil que adivine todas las respuestas.
Para b. Para aprobar se debe contestar corretamente al menos tres
preguntas, por lo tanto Z 3
Estadstica
P(Z 3) = 1 P(Z < 3)
= 1 [P(Z = 0) +P(Z = 1) +P(Z = 2)]
= 1
_
C
0
8
(0.2)
0
(0.8)
8
+ C
1
8
(0.2)
1
(0.8)
7
+ C
2
8
(0.2)
2
(0.8)
6
_
= 0.20308
Estadstica
Distribucion Geometrica
Consideremos una sucesion de pruebas de Bernoulli, con
probabilidad de exito p, pero en lugar de contar el n umero de
exitos, nos interesa conocer el n umero de intentos hasta obtener el
primer exito.
Una variable aleatoria discreta X que puede formar un n umero
innito de valores 1, 2, ..., n se dice que sigue la Ley de Distribucion
Geometrica de parametro p(0 < p < 1), si la probabilidad de que
X tome el valor de k es:
P(X = k) = p(1 p)
k1
; k = 1, 2, .., n
Estadstica
A esta variable aleatoria se le nota: X G(p), Su esperanza y su
varianza son iguales a
E(X) =
1
p
V ar (X) =
1 p
p
2
La distribucion geometrica se aplica en investigaciones de mercado
y en muestreo, para conocer cuantas compras se han de realizar en
una promocion para obtener un premio.
Estadstica
Ejemplo
Si la probabilidad de que un estudiante pase una prueba de ingreso
a una universidad es 0.25. Cual es la probabilidad de que el
estudiante pase la prueba en el cuarto intento?.
En nuestro caso p = 0.25 y el n umero de intentos es k = 4, por lo
que
P(X = 4) = p (1 p)
41
= 0.25 (1 0.25)
3
= 0.105
Estadstica
Ejemplo
En una promocion una marca de papas fritas incluye, en cada una
de las fundas, una de las guras de los tres chiados. Si un
comprador cree que hay igual n umero de guras de cada uno de los
personajes en la promocion, Cuantas fundas he de esperar comprar
para obtener las tres guras?.
Estadstica
En la primera compra, siempre obtiene una gura que no se tena,
por lo tanto
E(X
1
) = 1
Para la segunda compra, se tiene una probabilidad de p
2
=
2
3
de
conseguir una gura nueva, as el n umero de compras que se debe
realizar para obtenerla es E(X
2
) =
1
p
2
=
3
2
Una vez que se tienen dos guras, la probabilidad de encontrar la
gura que falta es p
3
=
1
3
y el n umero de compras que se espera
realizar para obtenerla es E(X
3
) =
1
p3
= 3, el n umero total de
compras que se espera realizar es:
E(X) = E(X
1
) +E(X
2
) +E(X
3
) = 1 + 1.5 + 3 = 5.5
As se espera realizar al menos 6 compras del producto para
obtener la coleccion completa.
Estadstica
Distribucion Binomial Negativa
Ahora, generalmente con la idea de la ley geometrica,nos interesa
el n umero de pruebas de Bernoulli necesarias hasta obtener
exactamente r exitos
Una variable aleatoria discreta X que puede tomar un n umero
innito de valores r , r + 1, r + 2, ..., se dice que sigue la Ley de
Distribucion Binomial Negativa de parametros
(r , p); (r 1; 0 < p < 1) si la probabilidad de que X tome el valor
de k es:
P(X = k) = C
r 1
k1
p
r
(1 p)
kr
, k = r ; r + 1, r + 2, ...,
Estadstica
El parametro r es el n umero de exitos que se desea obtener y p es
la probabilidad de obtener un exito.
A esta variable aleatoria se la nota: X BN(r , p) , Su esperanza
y varianza es:
E(X) =
r
p
V ar (X) = r
1 p
p
2
A esta ley de distribucion binomial negativa tambien se la llama
Distribucion de Pascal y tiene las mismas aplicaciones que la Ley
Geometrica.
Estadstica
Ejemplo
Una maquina que esta da nada envasa latas de conserva de una en
una y de manera independiente. Se considera que el 5% de lo
envasado resulta defectuoso. Si la maquina se detiene apenas
produce el tercer defectuoso.
a) Cual es el n umero de latas producidas hasta que se
detiene la maquina?
b) Cual es la probabilidad de que la maquina se
detenga en la novena lata producida?
c) Cual es la probabilidad de que se detenga sin
producir ninguna lata buena?
Estadstica
Denimos la variable aleatoria X << n umero de latas producidas
hasta que hayan 3 defectuosas>>, X BN(3, 0.05)
a. Calculando la esperanza de X
E(X) =
r
p
=
3
0.05
= 60.0
Se esperara producir 60 latas de conserva hasta que se detenga la
maquina.
b) Calculemos P (X = 9) =?
P(X = k) = C
r 1
k1
p
r
(1 p)
kr
P (X = 9) = C
31
91
(0.05)
3
(1 0.05)
93
P(X = 9) = 257 10
3
= 0.257
Estadstica
c) Que ninguna lata producida fue buena, signica que las 3
primeras latas fueron defectuosas, es decir k = 3
P(X = 3) = C
31
31
(0.05)
3
(1 0.05)
33
P(X = 3) = 1.25 10
4
= 1. 25 10
4
Estadstica
Una varaiable aleatoria X que puede tomar un n umero innito de
valores 0, 1, 2, ..., se dice que sigue una ley de Poisson de parametro
( > 0); si la probabilidad de que X tome el valor de k es:
P(X = k) =
e
k
k!
; k = 0, 1, 2, ...
A esta variable aleatoria se la nota como: X P() ,
Estadstica
Su esperanza y varianza son:
E(X) = V ar (X) =
La distribucion de Poisson se aplica a sucesos que se presentan en
el tiempo o en el espacio, tales como, el n umero de accidentes de
traco, n umero de llamadas telefonicas a una central , n umero de
goles que marca un equipo en un partido, n umero de bacterias en
una placa, entre otras.
Estadstica
Observacion:
El signicado del parametro es el promedio de aparecimiento del
evento en n pruebas.
Esta ley de probabilidad es una buena aproximaci on a la Binomial
cuando n es relativamente grande.(n 30) y p peque no
(p 0.05), poniendo = np
(X P()) (X B(n, p))
Puesto que muchas aplicaciones de esta ley dependen del tiempo,
es conveniente ponerla en un intervalo de tiempo jo de duracion t
Estadstica
Para la ley de distribucion de Poisson tambien existe una formula
de recurrencia, para el calculo de probabilidades, dada por:
Po = e
P
k
= P
k1

k
; k = 1, 2, ...
Estadstica
Ejemplo
En la construccion de un edicio el n umero de accidentes es tres
por mes. Calcular la probabilidad de que en un mes:
a) Hayan 2 accidentes?
b) Hayan menos de 2 accidentes?
c) Hayan mas de 3 accidentes?
Estadstica
Para a. Entonces para determinar la solucion se debe analizar lo
siguiente:
X : N umero de accidentes en un mes.
X P(); X P(3)
a) La probabilidad solicitada es; k = 2; = 3
P(X = k) =
e
k
k!
P(X = 2) =
e
3
(3)
2
2!
P(X = 2) = 0.224
Estadstica
b) La probabilidad P(X < 2) es
P(X < 2) = P(X = 0) +P(X = 1)
P(X < 2) =
e
3
(3)
0
0!
+
e
3
(3)
1
1!
= 0.199 15
Estadstica
c) Esta probabilidad es mas comodo calcularla mediante el evento
complementario
P(X > 3) = 1 P(X 3)
P(X > 3) = 1 [P(X = 0)+ P(X = 1) +...+
P(X = 2)+ P(X = 3)]
Estadstica
P(X > 3) = 1 [
e
3
(3)
0
0!
+
e
3
(3)
1
1!
+
e
3
(3)
2
2!
+
e
3
(3)
3
3!
]
P(X > 3) = 1 e
3
[
_
1 + 3 +
9
2
+
9
2
_
P(X > 3) = 1 13e
3
P(X > 3) = 0.352
Estadstica
Ejemplo
El promedio de llamadas que pasan por una central telefonica en
un minuto es igual a 2. Hallar la probabilidad de que en 3 minutos
se hagan
a) 4 llamadas,
b) menos de 4 llamadas
c) al menos 4 llamadas.
Estadstica
En este caso es necesario utilizar la segunda forma de la ley de
Poisson con = 2 y t = 3
Para a. Tenemos que la probabilidad de que en 3 minutos se hagan
4 llamadas es
P(X = k) =
e
t
(t)
k
k!
P(X = 4) =
e
23
(2 3)
4
4!
P(X = 4) =
e
6
(6)
4
4!
P(X = 4) = 0.133
Estadstica
Para b.La probabilidad buscada es
P(X < 4) = P(X = 3)+ P(X = 2)+ P(X = 1)+ P(X = 0)
P(X < 4) =
e
6
(6)
3
3!
+
e
6
(6)
2
2!
+
e
6
(6)
1
1!
+
e
6
(6)
0
0!
P(X < 4) = 0.1512
c) Los eventos << se hicieron menos de 4 llamadas >> y << se
hicieron al menos 4 llamadas>> son complementarios, por eso, su
probabilidad es:
P(X 4) = 1 P(X < 4)
P(X 4) = 1 0.1512
P(X < 4) = 0.848
Estadstica
Distribucion Uniforme
La ley de distribucion de probabilidad de una variable aleatoria
continua X , se llama uniforme si en el intervalo [a, b], la funcion
de densidad es constante e igual a:
f (x) =
_
_
_
1
b a
if x [a, b]
0 if x [a, b]
A esta variable aleatoria se la nota como X P[a, b]
Estadstica
Su funcion de distribucion es:
f (x) =
_
_
0 if x < a
x a
b a
if a x b
1 if x > b
Estadstica
Sabiendo ademas que la esperanza y la varianza son iguales a
E(X) =
a + b
2
V ar (X) =
(b a)
2
12
Estadstica
Esta ley es analoga continuo de la distribucion uniforme discreta,
que asigna igual probabilidad a cada resultado de un experimento.
Tiene amplia aplicacion en problemas de simulacion estadstica y
en fenomenos que presentan regularidad en su aparecimiento, pero
no es posible usar variables discretas, como cuando dependen del
tiempo. Tambien, el error originado por el redondeo de un n umero
se describe satisfactoriamente mediante una ley uniforme en el
intervalo
_
1
2
,
1
2

Estadstica
Ejemplo
Una variable aleatoria X, sigue una distribucion uniforme sobre
[2, 3]
a) Calcular P(X = 1), P(X < 1.3), P(|X| < 1.5)
b) Hallar el valor de t tal que P(X > t) =
1
3
Estadstica
a) Estimemos la funcion de densidad, sabemos que f (x) = 0 si
x / [2, 3]
Se tienen los lmites a = 2, b = 3, por lo que f (x) =
1
3 (2)
=
1
5
en [2, 3]
La funcion de densidad queda as:
f (x) =
_
1
5
if x [2, 3]
0 if x / [2, 3]
P(X = 1) =
_
1
1
f (x) dx = 0, porque X es una variable
aleatoria continua
P(X < 1.3) =
_
1.3
f (x) dx =
_
1.3
2
1
5
dx = 0.66
Estadstica
P(|X| < 1.5) = P(1.5 < X < 1.5) =
_
1.5
1.5
f (x) dx =
_
1.5
1.5
1
5
dx = 0.6
b) Calculemos P(X > t) :
P(X > t) =
_
t
f (x) dx =
_
3
t
1
5
dx +
_
3
0dx =
_
x
5
_
3
t
=
3 t
5
=
1
3
, con lo cual t =
4
3
Estadstica
Ejemplo
Una variable aleatoria X esta denidad mediante la funcion de
distribucion
F (x) =
_
_
_
0 if x 1
3
4
x +
3
4
if 1 < x <
1
3
1 if x
1
3
Hallar la probabilidad de que la variable aleatoria X,tome un valor
en el intervalo (0, 1.3)
Estadstica
Para que x tome un valor en (a, b) es P(a < x < b)
como a = 0; b =
1
3
; se tiene que P
_
0 < x <
1
3
_
; se tiene que
P
_
0 < x <
1
3
_
= F
_
1
3
_
F (0)
F (x) =
3
4
x +
3
4
F
_
1
3
_
=
3
4
_
1
3
_
+
3
4
= 1
F (0) =
3
4
P
_
0 < x <
1
3
_
= 1
3
4
= 0.25
Estadstica
Distribucion Exponencial
Denicion
Se dice que una variable continua X sigue una ley de distribucion
exponencial de parametro si la funcion de densidad es
f (x) =
_
0 if x < 0
e
x
if x 0
donde es una constante positiva. Notaremos como X ()
Estadstica
La funcion de distribucion correspondiente es:
F (x) =
_
0 if x < 0
1 e
x
if x 0
La esperanza y la varianza son iguales a:
E(X) =
1
V ar (X) =
1
2
Estadstica
Esta ley surge en problemas de genetica, duracion de aparatos
electronicos o desintegracion radioactiva, tambien es la principal en
la teora de los procesos de Markov.
Estadstica
Ejemplo 1
En un proceso de produccion, el 90% de la produccion es no
defectuoso. La vida util (en a nos) del producto defectuoso se
distribuye exponencialmente en 0.2 a nos y la del producto no
defectuoso se distribuye en el intervalo 0.1 si una unidad escogida
al azar del total de la produccion, ha durado no mas de un a no
Como cambia este evento los %s de produccion defectuosa y no
defectuosa?
Estadstica
Sea la variable aleatoria x :duracion del producto
eventos:
D: defectuosos D
C
:no defectuosos
E:el producto dura no mas de un a no
P(E) = P(D) P
_
E
D
_
+P
_
D
C
_
P
_
E
D
C
_
P(E) = (0.1)
_
1 e
x
_
+ (0.9) (0.5)
P(E) = 0.099 + 0.45 = 0.549
P(D/E) =
P(D)P
(
E
D
)
P(E)
=
0.099
0.549
= 0.180 33
P(D/E) =
P
(
D
C
)
P
E
D
C
P(E)
=
0.45
0.8493
= 0.529 85
recordando PPr (x x) = 1 e
t
Estadstica
donde:
t : es el lapso de tiempo
e : base del logaritmo natural; e2.71828
: (u) es la tasa promedio de ocurrencia
Estadstica
Ejemplo 2
Cross City cab company programa sus taxis para que lleguen al
aeropuerto local en una cierta distribucion con una tasa promedio
de llegada de 12h. Usted acaba de aterrizar al aeropuerto y debe
llegar al centro a cerrar un gran negocio. C ual es la probabilidad
de que usted tenga que esperar maximo 5 min para conseguir un
taxi?. Su jefe es un tirano que no tolerara la falla de manera que si
la probabilidad de que pase otro taxi dentro de 5 min, es menor al
50% usted alquilara un carro para el viaje a la ocina.
Estadstica
P(x E) = 1 e
t
t : 5 min /60 min =
1
12
e : 2.71828
: 12
P(x 5) = 1 e
t
P(x 5) = 1 e
12
(
1
12
)
P(x 5) = 1 e
1
= 0.632 12
P(x 5) = 63.2 1%
Estadstica
Relacion entre la Distribucion Exponencial y de Poisson
Sea X la variable que cuenta el n umero de eventos que ocurren en
el tiempo [0, t], con media t; entonces,
P(X = k) =
e
t
(t)
k
k!
, k = 0, 1, 2, ...
sea T el tiempo que transcurre hata que sucede el primer evento
de Poisson. El rango de T es el intervalo [0, ] y su funcion de
distribucion es
F
T
(t) = P(T t) = 1P(T > t) = 1P(X = 0) = 1e
t
Estadstica
Donde el evento (T > t) indica que el primer evento de Poisson
ocurre despues de t, o lo que es lo mismo, que no ocurre ning un
evento en el intervalo [0, t]; es decir, (T > t) = (X = 0).
Tambien, se tiene que
f
T
(t) = F
T
(t) = e
t
, t > 0
Estadstica
Ejemplo 1
1. Una variable aleatoria continua Y esta disttribuida seg un una
ley exponencial (3).
a) Hallar la probabilidad del resultado de la prueba: Y este en el
intervalo (0.13; 0.7);
b) Determinar su esperanza y su desviacion estandar.
Estadstica
Como Y (3),
f (y) =
_
0 if y < 0
3e
3y
if y 0
a) determinemos P(0.13 < Y < 0.7) :
P(0.13 < Y < 0.7) =
_
0.7
0.13
f (y) dy =
_
0.7
0.13
3e
3y
dy
= 3
_
1
3
_
e
3y
0.7
0.13
= 0.677 0.122 = 0.552
Estadstica
b) Se tiene que
E(Y) =
1
=
1
3
(Y) =
_
V ar (Y) =
_
1
9
=
1
3
Estadstica
Ejemplo 2
El tiempo durante el cual las bateras para telefono celular trabajan
en forma efectiva hasta que fallan se distribuye sug un un modelo
exponencial, con un tiempo promedio de falla de 500 horas.
a) Calcular la probabilidad de que una batera funciones por mas
de 600 horas;
b) Si una batera ha trabajado 350 horas, Cual es la probabilidad
de que trabaje mas de 300 horas adicionales?
Estadstica
Consideremos la variable aleatoria X:
<
tiempo que dura la batera
hasta que falla
>
como E(X) = 500 =
1
, entonces =
1
500
y
X
_
1
500
_
. Su funcion de distribucion es:
F (x) =
_
0 if x < 0
1 e
x
500
if x 0
a) Calculemos P(X > 600) :
P(X > 600) = 1 P(X 600) = 1 F (600)
= 1
_
1 e
600
500
_
= 0.301
Estadstica
b) Si la batera ya trabajo 350 horas, queremos conocer la
probabilidad de que trabaje mas de 650:
P(X > 350 + 300X > 350) =
P(X>650)
P(X>350)
=
1F(650)
1F(350)
=
1
1e
650
500
1e
350
500
= 0.549
Estadstica
Distribucion Normal
La ley de probabilidad de una variale aleatoria continua
X N
_
,
2
_
. La funcion de distribucion correspondiente es la
integral
F (x) =
1
2
_
x
e
(t)
2
2
2
dt
La esperanza y la varianza son iguales a
E(X) = , V ar (X ) =
2
Estadstica
Por esto se dice que es una ley normal de media y varianza
2
,
obviamente es la desviacion estandar de X.
Un caso importante de esta ley de probabilidad se tiene cuando
= 0 y
2
= 1, que se denomina normal estandar (N (0, 1)) sus
funciones de densidad y distribucion son
(x) =
1
2
e
x
2
2
x (, )
(x) =
1
2
_
x
e
t
2
2
dt
Estadstica
respectivamente. observese que en este caso particular, la funcion
de densidad se nota mediante y la funcion de distribucion por .
Si se tiene una variable aleatoria X N
_
,
2
_
pueden calcularse
los valores de su funcion de distribucion mediante el empleo de la
ley normal estandar aplicando la transformacion
F (x) =
_
z
_
La funcion de distribucion de la ley normal estandar no se puede
dar como una funcion explicita, sino solamente en forma de una
integral,, por lo que se emplean tablas.
Estadstica
Ejemplo 1
La eperanzan de una variable aleatotria X normal es igual 6 y su
varianza es 16. escribir la ley de la variable aleatoria y calcular:
a) P(X < 3);
b) P(X > 4);
c) P(4.5 < X < 7)
d) Encontrar el valor de t de manera que se cumpla que
P(X < t) = 0.9264.
Estadstica
La esperanza es E(X) = = 6 y la varianza es
2
= 16, por lo
que = 4; entonces,
f (x) =
1
2 4
e
(x6)
2
216
=
1
4
2
e
(x6)
2
32
a) calculemos P(X < 3) : P(X > 4

P(X < 3) = F (3) =
_
36
4
_
= (0.75) = 0.2266
Estadstica
b) calculemos P(X > 4):
P(X > 4) = 1 P(X 4) = 1 F (4)
= 1
_
46
4
_
= 1 (0.5)
= 1 0.3085 = 0.6915
Estadstica
c) Calculemos P(4.5 < X < 7):
P(4.5 < X < 7) = F (7) F (4.5)
=
_
76
4
_
_
4.56
4
_
= (0.25) (0.375)
= 0.5987 0.3538 = 0.2449
Estadstica
d) Se tiene que
P(X < t) =
_
t 6
4
_
= 0.9264
Por otro lado, en la tabla de la ley normal, se encuenttra que
(1.45) = 0.9264; es decir, se cumple que
t 6
4
= 1.45
Entonces, t = 1.45 4 + 6 = 11.8
Estadstica
El Teorema del Lmite Central
Este teorema constituye el nexo de comunicacion entre las teoras
de la probabilidad y la estadstica.
Sean X
1
, X
2
, ..., X
n
, n variables aleatorias independientes,
distribuidas con media y varianza
2,
y que siguen una ley de
probabilidad cualquiera -no necesariamentela misma-. Se forma la
variable suma
Y = X
1
+ X
2
+ + X
n
,
que tiene esperanza E(Y) = n y varianza V ar (Y) = n
2
.
Entonces, la distribucion de la variable aleatoria
Z =
Y E(Y)
_
V ar (Y)
=
Y n
n
Tiende hacia una ley de distribucion normal estandar, cuando n
tiende al innito.
Estadstica
El teorema implica que si n es grande , se puede aproximar las
probabilidades de Y utilizando que
P(Y t) = P(Z
t n
n
)
_
t n
n
_
En la que Z es una variable aleatoria normal estandar.
En la practica, se asume que la aproximacion es buena si n 25.
Estadstica
Ejemplo
Suponga que la vida util de un componente electronico se
distribuye exponencialmente con media de 100 horas. Apenas falla
un componente, se lo reemplaza con otro para continuar el trabajo.
a) Calcular la probabilidad de que durante 210 das se necesiten
mas 36 de esos componentes;
b) Cuantos de esos componenetes se necesitan para que duren al
menos 4600 horas, con una probabilidad del 99%?
Estadstica
Denamos las siguientes variables aleatorias: X
i
:
<
Duracion de los
componentes electronicos
>
; X
i

_
1
100
_
y E(X) = (X) = 100
Y
n
:
<
Tiempo total de duracion de n componenetes
>
; Y
n
=
n
i =1
X
i
a) Se necesitan mas de 36 componentes durante 210 das, si la vida
util es menor a 5040 horas (210 das por 24 horas). De manera que
P(Y
36
< 5040)
_
504036100
100
36
_
= (2.4)
= 0.9918
Estadstica
b) Se debe encontrar n tal que P (Y
n
4600) = 0.99, luego
P(Y
n
< 4600)
_
4600 100n
100
n
_
= 0.01
Luego,
4600 100n
100
n
= 2.33
La solucion de la ecuacion n = 64.5; es decir, 65 componentes.
Estadstica
La Aproximacion de la Binomial por la Normal
Un caso particular del Teorema del Lmite Central -conocido como
teorema de Moivre-Laplace, Se presenta cuando todas las variables
X
i
son independientes, identicamente distribuidas seg un una ley de
Bernoulli con parametro p. Como sabemos, la variable
Y =
n
i =1
X
i
Sigue una distribucion Bin (n, p), con media np y varianza npq,
con q = 1 p. Por el Teorema del Lmite Central, la variable
Z =
Y np
npq
Estadstica
Sigue aproximadamente una ley normal estandar, cuando n es
sucientemente grande; es decir,
P(Y t) = P
_
Z
t np
npq
_

_
t np
npq
_
En la siguiente tabla se presenta una relacion entre los prametros n
y p para que la aproximacion normal a la ley binomial sea valida.
Estadstica
p n requerido p n requerido
0+ 221 0.25 74
0.01 214 0.30 51
0.05 188 0.35 32
0.10 157 0.40 16
0.15 128 0.45 13
0.20 100 0.50 13
Otro criterio para escoger n es que el intervalo
_
p 2
_
pq
n
, p + 2
_
pq
n
_
se encuentre completamente dentro del
intervalo (0, 1).
Estadstica
Ejemplo
La Superintendencia de Bancos cree que el 32% de los creditos al
sector agrcola, estan en mora. En un estudio se tomo una muestra
de 270 creditos a la agricultura. a) Hallar la probabilidad de que
mas de 80 de ellos esten en mora; b) Cual es la probabilidad de
que exactamente 95 clientes esten en mora?
Estadstica
a) La probabilidad de que mas de 80 clientes esten en mora es
P(X > 80) = P(X 81) =
270
k=81
C
k
270
(0.32)
k
(0.68)
270k
Cuyo calculo puede ser muy complicado. Aplicando la
aproximacion de la ley normal a la ley binomial, se tiene
= np = 2700.32 = 86.4, =

npq =
270 0.32 0.68 = 7.665

Luego,
P(X > 80) = P
_
Z >
8086.4
7.665
_
1
_
8086.4
7.665
_
= 1 0.2033 = 0.7967
Estadstica
b) La probabilidad buscada es
P(X = 95) = C
95
270
(0.32)
95
(0.68)
27095
= 0.02735. Si
empleamos el teorema de Moivre-Laplace, resulta:
P(X = 95) = P(94.5 X 95.5)
_
95.586.4
7.665
_
_
94.586.4
7.665
_
= 0.8829 0.8554 = 0.0275
Como se observa, la diferencia entre el valor exacto y el
aproximado es mnima.
Estadstica
La Aproximacion de Poisson a la Distribucion Binomial
Cuando n es grande y p es peque na, las probabilidades binomiales
son aproximadas a menudo por medio de la formula
f (x; ) =

x
e
x!
para x = 0, 1, 2,...
Con (lambda) igual al producto np. antes de justicar esta
aproximacion, se nalemos que x = 0, 1, 2,... signica que existe una
innidad contable de posibilidades.
Estadstica
Los Axiomas de Probabilidad
Axioma 1 0 P(A) 1 para cada evento A en S
Axioma 2 P(S) = 1
Axioma 3 Si A y B son cualesquiera eventos mutumente
excluyentes en S, entonces
P(A B) = P(A) +P(B).
lo cual nos obliga a modicar el tercer axioma de probabilidad. En
su lugar sustituimos el siguiente axioma.
Estadstica
Modicacion del Tercer Axioma de Probabilidad
Axioma 3 Si A
1,
A
2,
A
3,
... es una secuencia innita de eventos
mutuamente excluyentes en S, entonces
P(A
1
A
2
A
3
) = P(A
1
) +P(A
2
) +P(A
3
) +
Los otros postulados permanecen sin cambios. Para vericar que
P(S) = 1 para esta formula, hacemos uso del axioma 3 y
formulamos lo siguiente:
x=0
f (x; ) =
x=0
e
x
x!
= e
x=0
x
x!
Estadstica
Dado que la serie innita en la expresion de la derecha de
Maclaurin para e
, de ello se desprende que
x=0
f (x; ) = e
= 1
Demostremos ahora que cuando n y p 0, mientras que
np = permanece constante, la forma de limitacion de la
distribucion binomial es la que se da al inicio del parrafo anterior.
sustituyamos primero

n
por p en la formula para la distribucion
binomial y simpliquemos la expresion resultante; as, obtenemos
Estadstica
b (x; n p) =
n!
x! (n x)!
_
n
_
x
_
1

n
_
nx
=
n (n 1) (n 2) (n x + 1)
x!n
x
()
x
_
1

n
_
nx
=
_
1
1
n
__
1
2
n
_

_
1
x 1
n
_
x!
()
x
_
1

n
_
nx
Si ahora convenimos en que n , determinamos que n
_
1
1
n
__
1
2
n
_

_
1
x 1
n
_
1 que
_
1

n
_
nx
=
_
_
1

n
_n
_
_
1

n
_
x
e

Estadstica
y, en consecuencia, que la distribucion binomial se aproxima
x
e
x!
para x = 0, 1, 2, ...
Esto completa nuestra prueba; la distribucion a la cual llegamos se
llama distribucion de Poisson.
Los siguientes son algunos ejemplos que ilustran la aproximacion
de probabilidades binomiales de Poisson. Una regla aceptable es
emplear esta aproximacion si n 20 y p 0.05; si n 100, la
aproximacion es generalmente excelente siempre y cuando np 10.
Estadstica
Ejemplo
Se sabe que el 5% de los libros encuadernados en cierto taller
tienen encuadernaciones defectuosas. Determine la probabilidad de
que 2 de 100 libros encuadernados tengan encuadernaciones
defectuosas usando
a) La formula para la distribucion binomial;
b) La aproximacion de poisson a la distribucion binomial.
Estadstica
a) Sustituyendo x = 2, n = 100 y p = 0.05 en la formula de la
distribucion binomial obtenemos
b (2; 100 0.005) =
_
100
2
_
(0.05)
2
(0.95)
98
= 0.081
b) Sustituyendo x = 2 y = 100 (0.05) = 5 en la formula de la
distribucion de Poisson, obtenemos
f (2; 5) =
5
2
e
5
2!
= 0.084
Es interesante hacer notar que la diferencia entre los dos valores
que obtuvimos (el error que cometeramos empleando la
aproximacion de Poisson) es de apenas 0.003.
Estadstica
Ejemplo
Un fabricante de maquinaria pesada tiene instalados en el campo
3, 840 generadores de gran tama no con garanta. Si la probabilidad
de que cualquiera de ellos falle durante el a no dado es de
1
1,200
,
determine las probabilidades de que 0, 1, 2, 3, 4,... de los
generadores fallen durante el a no en cuestion.
Estadstica
La distribucion binomial podra usarse en caso de que se dispuciera
del software de computo adecuado. Sin embargo, el n umero
esperado es peque no, en tanto que el n umero de generadores es
grande, de modo que la aproximacion de Poisson resulta valida.
Tomamos
= 3, 840
1
1,200
= 3.2
seg un la tabla, y la identidad f (x; ) = F (x; ) F (x 1; )
ofrece los resultados.
Estadstica
Procesos de Poisson
En general un proceso aleatorio es un proceso fsico total o
parcialmente controlado por alg un tipo de mecanismo azaroso.
Puede ser una secuencia de lanzamientos repetidos de una moneda,
las vibraciones de las alas de un avion o cualquiera de muchos otros
fenomenos. Lo que caracteriza a estos procesos es su dependencia
temporal, es decir, el hecho de que ciertos eventos tengan o no
lugar a intervalos regulares o a lo largo de intervalos continuos.
Estadstica
Nos ocuparemos de procesos que tienen lugar en intervalos
continuos, como la ocurrencia en el arribo de llamadas telefonicas
a un conmutador o el paso de automoviles por un dispositivo
electronico de vericacion. Demostraremos que el modelo
matematico que podemos usar para describir muchas situaciones
como estas es el de la distribucion de Posisson. Para determinar la
probabilidad de x exitos durante un intervalo de de duracion T ,
dividimos el intervalo en n partes iguales de duracion t, de
manera que T = n t, y suponemos que:
Estadstica
1. La probabilidad de un exito durate un intervalo t muy
reducido esta dada por t.
2. La probabilidad de mas de un exito durante ese reducido
intervalo t es insignicante
3. La probabilidad de un exito durante ese intervalo no depende de
lo que haya ocurrido antes de ese momento.
Esto signica que los supuestos subyacentes en la distribucion
binomial se satisfacen, de modo que la probabilidad de x exitos en
el intervalo T esta dada por la probabilidad binomial b (x; n, p) con
n =
T
t
y p = t.
Estadstica
Luego, determinamos que cuando n la probabilidad de x
exitos durante el intervalo T esta dada por la correspondiente
probabilidad de Poisson con el parametro
= n p =
T
t
( t) = T.
Puesto que es la media de esta distribucion de Poisson,
noteseque es el n umero promedio (media) de exitos por unidad
de tiempo.
Estadstica
Ejemplo
Si un banco recibe en promedio = 6 cheques sin fondo por dia,
Cuales son las probabilidades de que reciba
a) cuatro cheques sin fondos en un da dado;
b) 10 cheques sin fondos en cualesquiera dos das consecutivos?.
Estadstica
a) Sustituyendo x = 4 y = aT = 6 1 = 6 en la formula de la
distribucion de Poisson,obtenemos
f (4; 6) =
6
4
e
6
4!
=
1,296(0.00248)
24
= 0.134
b) Aqu = 2 = 12, de manera que deseamos determinar
f (10; 12). Formulamos
f (10; 12) = F (10; 12) F (9; 12)
= 0.347 0.242
= 0.105
Donde los valores de F (10; 12) y F (9; 12) fueron obtenidos de la
tabla.
Estadstica
Ejemplo
En la inspeccion de hojalata producida por un proceso electroltico
continuo, se identican 0.2 imperfecciones en promedio por
minuto. Determine las probabilidades de identicar
a) una inperfeccion de tres minutos
b) al menos dos inperfecciones en cinco minutos
Estadstica
Remitiendonos en cada caso a la tabla, con = (0, 2) 3 = 0.6,
obtenemos
F (1; 0.6) F (0; 0.6) = 0.878 0.549 = 0.329
Para el inciso (a). Con = (0.2) 5 = 1.0, obtenemos
1 F (1; 1.0) = 1 0.736 = 0.264
Para el inciso (b), y con = (0.2) 15 = 3.0, obtenemos
F (1; 3.0) = 0.199
Estadstica
References
Johnson Richard A, Probabilidad y estadstica para ingenieros,
Mexico, 2010.
Portus Lincoyan, Estadstica, Colombia, 2001.
Triola F. Mario, Probabilidad y estadstica, Mexico, 2004.
, Estadstica, Mexico, 2009.
Lopez Martn Perez Maya Ruiz, Fundamentos de inferencia
estadstica, 2012.
Angarita Klinger Rafael, Estadstica, Colombia, 2006.
Pierdant Alberto Rodrguez Jes us, Estadstica aplicada ii,
Mexico, 2010.
Moya Runo, Probabilidades e inferencia estadstica, Editorial
San Marcos, Per u, 2004.
Myers Walpole, Probabilidad y estadstica para ingeniera y
ciencias, Mexico, 2007.

Distribuciones00 PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Distribuciones00 PDF

Transféré par

Droits d'auteur :

Formats disponibles

Estadstica

Hernan Aules Centeno, M.Sc. Estadstica

Hernan Aules Centeno, M.Sc. Estadstica

a) calculemos P(X < 3) : P(X > 4

270 0.32 0.68 = 7.665

, de ello se desprende que

Hernan Aules Centeno, M.Sc. Estadstica

Vous aimerez peut-être aussi