Grado en Ingeniera en Tecnologas Industriales Curso 10/11 Prctica 2

Modelos discretos y continuos de probabilidad

Una variable aleatoria es una funcin que pasa a nmeros los resultados de un experimento aleatorio. Las variables aleatorias pueden ser discretas, si toman un nmero finito o infinito numerable de valores y continuas si toman un nmero infinito no numerable de valores. Vamos a estudiar en esta prctica tres importantes modelos discretos de probabilidad, el modelo de Bernoulli, el binomial y el de Poisson y el modelo continuo ms importante de toda la Estadstica, que es el modelo normal.

ESTADSTICA (107)

Las variables aleatorias discretas se pueden definir a travs de su funcin de masa, que es la probabilidad de que la variable tome cada uno de sus posibles valores. Por ejemplo, si consideramos el experimento aleatorio del lanzamiento de una moneda, podemos definir la variable aleatoria X que al resultado salir cara le asigne el valor 1 y al resultado salir cruz le asigne el valor 0. La funcin de masa de esta variable X es P(X=0)=P(salir cruz)=0.5 y P(X=1)=P(salir cara)=0.5.

practica2GradoCurso10-11.nb

Distribucin de Bernoulli
Un experimento o prueba decimos que es de Bernoulli si tiene slo dos posibles resultados. A estos dos posibles resultados los solemos llamar "xito" y "fracaso". La probabilidad de "xito" la notamos por p Si consideramos la variable aleatoria X que al resultado xito le asigna un 1 y al resultado fracaso le asigna un 0, diremos que X sigue una distribucin de Bernoulli de parmetro "p". En el ejemplo visto anteriormente correspondiente al lanzamiento de una moneda, la variable aleatoria X, que al resultado salir cara le asigna el valor 1 y al resultado salir cruz le asigna el valor 0, tiene una distribucin de Bernoulli de parmetro 1/2.

Simulemos el lanzamiento de una moneda. Nota : Para simular cualquier experimento aleatorio necesitamos partir de nmeros aleatorios, que son nmeros seleccionados al azar en el intervalo (0, 1)

RandomReal@D da un nmero aleatorio en el intervalo H0, If@RandomReal@D < 0.5, "cara", "cruz"D

1L

Como el lanzamiento de una moneda es un experimento de Bernoulli, lo podamos haber simulado a travs de la distribucin de Bernoulli de parmetro 0.5, sabiendo que el resultado "1" corresponde a "salir cara" y el resultado "0" a "salir cruz".

RandomInteger@distD da un valor simulado de la distribucin discreta dist.

BernoulliDistribution@pD representa la distribucin de Bernoulli de parmetro p.

RandomInteger@BernoulliDistribution@0.5DD

Distribucin binomial
Simulemos el lanzamiento de una moneda 10 veces
t = Table@If@RandomReal@D < 0.5, "cara", "cruz"D, 810<D

Contemos el nmero de caras en el lanzamiento de una moneda 10 veces

practica2GradoCurso10-11.nb

Table@Count@t, "cara"DD

Este es un valor de una distribucin conocida con el nombre de distribucin binomial.

Otra forma de obtener un valor del nmero de caras en el lanzamiento de una moneda 10 veces hubiese sido simular 10 valores de la distribucin de Bernoulli de parmetro 0.5 y sumarlos; de esta forma, habramos obtenido un vector de 10 componentes (0 1) y si sumamos dichas componentes estaramos contando el nmero de 1, es decir, el nmero de caras.
ber = Table@RandomInteger@BernoulliDistribution@0.5DD, 810<D Apply@Plus, berD

Consideremos un experimento de Bernoulli y sea "p" su probabilidad de xito. Consideremos la variable aleatoria X que cuenta el nmero de xitos en "n" pruebas de este experimento. La variable X decimos que sigue una distribucin binomial de parmetros "n" y "p". Los valores de X son nmeros enteros comprendidos de 0 a n.

BinomialDistribution@n, pD p.

representa

la

distribucin

binomial

de

parmetros

Mean@distD da la esperanza matemtica de una v.a. con la distribucin dist. Variance@distD da la varianza de una v.a. con la distribucin dist. PDF@dist, xD da la funcin de masa de una variable aleatoria con una distribucin dist en el punto x DiscretePlot[ expr, {n, nmin, nmax}] genera un grfico con los valores de expr cuando n toma valores enteros desde nmin a nmax.
bn = Table@PDF@BinomialDistribution@10, 0.5D, xD, 8x, 0, 10<D tbn = Table@8i, bn@@i + 1DD<, 8i, 0, 10<D ListPlot@tbn, PlotStyle 8Red, AbsolutePointSize@8D<D b = DiscretePlot@PDF@BinomialDistribution@10, 0.5D, kD, 8k, 0, 10<, Filling None, PlotStyle 8Blue, AbsolutePointSize@8D<D

Simulemos 10000 valores de la binomial de parmetros 10 y 0.5. Es como si lanzsemos una moneda 10 veces, contsemos el nmero de caras y sto lo repitisemos 10000 veces.
RandomInteger@BinomialDistribution@10, 0.5D, 810 000<D;

Calculamos las frecuencias relativas y las representamos grficamente junto con sus valores.
freq = BinCounts@%, 80, 11, 1<D 10 000 t = Table@8i, freq@@i + 1DD<, 8i, 0, 10<D simul = ListPlot@t, PlotStyle 8Green, AbsolutePointSize@8D<D

Comparamos las frecuencias relativas obtenidas en la simulacin con la funcin de masa de la binomial de la que hemos simulado.

practica2GradoCurso10-11.nb

Comparamos las frecuencias relativas obtenidas en la simulacin con la funcin de masa de la binomial de la que hemos simulado.
Show@b, simulD

Cmo vara la funcin de masa de la distribucin binomial cuando los parmetros n y p varan?
Manipulate@DiscretePlot@PDF@BinomialDistribution@n, pD, xD, 8x, 0, n<, PlotStyle 8Blue, AbsolutePointSize@8D<D, 8n, 1, 20, 1<, 8p, 0, 1<D

Distribucin de Poisson
Representemos la distribucin binomial cuando n crece y p decrece, de forma que el producto np se mantenga constante.
b1 = DiscretePlot@PDF@BinomialDistribution@10, 1 10D, kD, 8k, 0, 10<, Filling None, PlotStyle 8Red, AbsolutePointSize@5D<D; b2 = DiscretePlot@PDF@BinomialDistribution@20, 1 20D, kD, 8k, 0, 10<, Filling None, PlotStyle 8Blue, AbsolutePointSize@5D<D; b3 = DiscretePlot@PDF@BinomialDistribution@50, 1 50D, kD, 8k, 0, 10<, Filling None, PlotStyle 8Green, AbsolutePointSize@5D<D; b4 = DiscretePlot@PDF@BinomialDistribution@100, 1 100D, kD, 8k, 0, 10<, Filling None, PlotStyle 8Magenta, AbsolutePointSize@5D<D; GraphicsGrid@88b1, b2<, 8b3, b4<<D

Cuando n crece y p = 1/n, la funcin de masa de la distribucin binomial de parmetros n y p se aproxima a la de una distribucin de Poisson de parmetro 1. En general, cuando n crece y p = l/n (0<l<n), la funcin de masa de la distribucin binomial de parmetros n y p se aproxima a la de una distribucin de Poisson de parmetro l. La distribucin de Poisson cuenta el nmero de veces que ocurre un fenmeno poco probable en un intervalo de tiempo o espacio determinado.

PoissonDistribution@lD representa la distribucin de Poisson de parmetro l.

Table@PDF@PoissonDistribution@3.D, xD, 8x, 0, 15<D DiscretePlot@PDF@PoissonDistribution@3D, kD, 8k, 0, 10<, Filling None, PlotStyle 8Purple, AbsolutePointSize@8D<D Manipulate@DiscretePlot@PDF@PoissonDistribution@lD, xD, 8x, 0, 20<, PlotStyle 8Purple, AbsolutePointSize@8D<D, 8l, 0.1, 10<D

practica2GradoCurso10-11.nb

Distribucin normal
Cuando n crece y p tiene un valor moderado, la grfica de la funcin de masa de la distribucin binomial de parmetros n y p se aproxima a la de la curva de Gauss. La variable aleatoria cuya funcin de densidad (la funcin de densidad es una generalizacin de la funcin de masa cuando la variable puede tomar un nmero infinito no numerable de valores) es la curva de Gauss decimos que tiene una distribucin normal. La distribucin normal tiene dos parmetros: m y s 2 (m y s 2 > 0M.
b1 = DiscretePlot@PDF@BinomialDistribution@10, 0.5D, kD, 8k, 0, 10<, Filling None, PlotStyle 8Red, AbsolutePointSize@5D<D; b2 = DiscretePlot@PDF@BinomialDistribution@20, 0.5D, kD, 8k, 0, 20<, Filling None, PlotStyle 8Blue, AbsolutePointSize@5D<D; b3 = DiscretePlot@PDF@BinomialDistribution@50, 0.5D, kD, 8k, 0, 50<, Filling None, PlotStyle 8Green, AbsolutePointSize@5D<D; b4 = DiscretePlot@PDF@BinomialDistribution@100, 0.5D, kD, 8k, 0, 100<, PlotRange All, Filling None, PlotStyle 8Magenta, AbsolutePointSize@5D<D; GraphicsGrid@88b1, b2<, 8b3, b4<<D

NormalDistribution@, sD representa la distribucin normal de parmetros m y s2

Plot@8PDF@NormalDistribution@0, 1D, xD, PDF@NormalDistribution@- 4, 1D, xD, PDF@NormalDistribution@4, 1D, xD<, 8x, - 10, 10<, PlotRange All, PlotStyle 88Red, Thick<, 8Blue, Thick<, 8Green, Thick<<D Plot@8PDF@NormalDistribution@0, 1D, xD, PDF@NormalDistribution@0, 1 2D, xD, PDF@NormalDistribution@0, 2D, xD<, 8x, - 10, 10<, PlotRange All, PlotStyle 88Red, Thick<, 8Blue, Thick<, 8Green, Thick<<D Manipulate@Plot@PDF@NormalDistribution@m, sD, xD, 8x, - 20, 20<, PlotRange All, PlotStyle 8Purple, Thick<D, 8m, - 5, 5<, 8s, 0.01, 5<D

Ejercicio :
a) Simula 10000 valores correspondientes al nmero de artculos defectuosos en una muestra de 12 artculos producidos por una mquina cuyo porcentaje de produccin de piezas defectosas es del 5 %. b) Calcula las frecuencias relativas de cada uno de los valores distintos obtenidos en el apartado anterior. Representa cada uno de dichos valores junto a su correspondiente frecuencia relativa. c) Modela los datos obtenidos en el apartado a) del ejercicio. Representa grficamente la funcin de masa de dicha distribucin. d) Compara las grficas de los apartados b) y c). e) Simula 15 valores correspondientes al nmero de llegadas de aviones al aeropuerto de Mlaga en media hora, que corresponde a una Poisson de parmetro 4. Smalos. Repite todo el proceso anterior 1000 veces. Nota: Apply[Plus, {a1,a2,...,an}] realiza la suma a1+a2+...+an.

practica2GradoCurso10-11.nb

a) Simula 10000 valores correspondientes al nmero de artculos defectuosos en una muestra de 12 artculos producidos por una mquina cuyo porcentaje de produccin de piezas defectosas es del 5 %. b) Calcula las frecuencias relativas de cada uno de los valores distintos obtenidos en el apartado anterior. Representa cada uno de dichos valores junto a su correspondiente frecuencia relativa. c) Modela los datos obtenidos en el apartado a) del ejercicio. Representa grficamente la funcin de masa de dicha distribucin. d) Compara las grficas de los apartados b) y c). e) Simula 15 valores correspondientes al nmero de llegadas de aviones al aeropuerto de Mlaga en media hora, que corresponde a una Poisson de parmetro 4. Smalos. Repite todo el proceso anterior 1000 veces. Nota: Apply[Plus, {a1,a2,...,an}] realiza la suma a1+a2+...+an. Table [expr,{n}] hace n veces expr. f) Haz el histograma correspondiente a los 1000 valores obtenidos en el apartado anterior. g) A la vista del histograma obtenido en f), cul sera la distribucin por la que modelaras la suma de 15 valores de una Poisson de parmetro 4? (Teorema central del lmite)