Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
EAS200a - Probabilidad y Estad́ıstica R. Aguila - M. I Vicuña - O. Ferreiro 2o Semestre 2017 Caṕıtulo 3 : , 1 Contenido I � Introducción � Distribuciones de Probabilidad Usuales Distribución Uniforme Discreta Distribución Binomial y Bernoulli Distribución Geométrica Distribución Binomial Negativa El Proceso de Poisson y la Distribución de Poisson Distribución Hipergeométrica Distribución Uniforme Continua Distribución Normal Distribución Exponencial Distribución Gamma � Otras Distribuciones de Probabilidad Distribución Beta Distribución Log-Normal � Aproximaciones : , 2 Contenido II Aproximaciones de la Binomial y Hipergeométrica Teorema del Ĺımite Central (TLC) : , 3 Introducción Introducción Teóricamente, cualquier función que satisfaga las condiciones descritas en el caṕıtulo anterior puede ser utilizada para representar una distribución de probabilidad o de densidad de una variable aleatoria, sin embargo, nos interesan algunas funciones que satisfacen: I La función es resultado de un proceso f́ısico o puede ser derivada bajo ciertos supuestos. I La función es resultado de algunos procesos ĺımites I Es ampliamente conocida, y la información esta disponible. I Distribución de probabilidad, medidas de descripción, etc. : , 4 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Discretas Distribución Uniforme Discreta Una variable aleatoria X tiene una distribución uniforme discreta, si toma n valores distintos con la misma probabilidad igual a 1/n, es decir, pX (x) = 1 n , x = 1, 2, 3, ..., n 0, en otro caso Su valor esperado y varianza son: E(X ) = (n + 1) 2 y Var(X ) = n2 − 1 12 : , 5 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Discretas Distribución Uniforme Discreta Ejemplo: Probabilidad que un número entre 1 y 41 sea parte de los número ganadores de Loto. : , 6 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Discretas Distribución Uniforme Discreta Frecuencia relativa de 6409 sorteos del loto 0.00 0.05 0.10 0.15 0.20 Número Fr ec ue nc ia R el at iva 1 2 3 4 5 6 7 8 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 1/41 : , 7 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Discretas Distribución Binomial y Bernoulli En las más diversas áreas, a menudo los problemas involucran la ocurrencia o recurrencia de un evento, el cual es impredecible, como una secuencia de “experimentos”. Ejemplos: 1. Para un d́ıa de lluvia, ¿colapsa o no un sistema de drenaje? 2. Al comprar un producto, ¿éste satisface o no los requerimientos de calidad? 3. Un alumno ¿aprueba o reprueba el curso? Notar que hay sólo dos resultados posibles para cada “experimento”. : , 8 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Discretas Distribución Bernoulli y Binomial Las variables descritas pueden ser modeladas por una secuencia Bernoulli, la cual se basa en los siguientes supuestos: 1. Cada experimento, tiene una de dos opciones ocurrencia o no ocurrencia del evento. 2. La probabilidad de ocurrencia del evento (“éxito”) en cada experimento es constante (digamos π). 3. Los experimentos son estad́ısticamente independientes. : , 9 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Discretas Distribución Bernoulli y Binomial Se dice que una v.a X tiene distribución Bernoulli con parámetro π, si X toma únicamente dos valores: 0 y 1 con probabilidad P(X = 1) = π P(X = 0) = 1− π Ambas probabilidades se pueden unificar en una única expresión: P(X = x) = πx(1− π)1−x x = 0, 1 Además E(X ) = π Var(X ) = π(1− π) MX (t) = πe t + (1− π) : , 10 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Discretas Distribución Bernoulli y Binomial Dada una secuencia Bernoulli, si X es el número de ocurrencias del evento éxito entre los n experimentos, con probabilidad de ocurrencia igual a π, entonces la probabilidad que ocurran exactamente x éxitos en los n experimentos esta representada por la distribución Binomial pX (x) = ( n x ) πx (1− π)n−x , x = 0, 1, . . . , n FX (x) = 0, x < 0 [x]∑ k=0 ( n k ) πk (1− π)n−k , 0 ≤ x < n 1, x ≥ n : , 11 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Discretas Distribución Bernoulli y Binomial A la variable aleatoria X se denotará por Binomial(n, π) y su valor esperado y varianza están dados por: E(X ) = n π, Var(X ) = n π (1− π) Mientras que su función generadora de momentos es: MX (t) = [ π · et + (1− π) ]n , t ∈ R : , 12 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Discretas Distribución Bernoulli y Binomial Proposición Si X1, ...,Xn son n experimentos Bernoulli con parámetro π, entonces X = n∑ i=1 Xi tiene distribución Binomial con parámetro n, π. Dem: Usar fgm : , 13 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Discretas Distribución Bernoulli y Binomial Ejemplo: La tienda de retail Falabella ha estado realizado una campaña de marketing para el lanzamiento de un nuevo producto. En marzo de 2015 comenzó su venta, y se realizó un estudio para ver el impacto de los consumidores por un peŕıodo de casi tres años. En cada d́ıa, se analizaron 50 clientes que se seleccionaron al azar y se registró el número de ellos que compró el producto. Puede que un cliente sea seleccionado más de un d́ıa. N clientes 9 11 12 13 14 15 16 17 18 19 20 d́ıas 1 5 11 12 33 40 66 80 90 109 108 N clientes 21 22 23 24 25 26 27 28 29 30 31 d́ıas 104 90 77 64 37 29 18 10 4 1 1 : , 14 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Discretas Distribución Bernoulli y Binomial Si X representa el número de clientes que compraron el producto de un total de 50 clientes y sea π la probabilidad de compra. X puede ser repre- sentada por un modelo Binomial(50,π). A partir de los valores observados, vemos que E (X ) ≈ 20, luego una estimación para π es 20/50 ≈ 0.4 0. 00 0. 04 0. 08 0. 12 Número de clientes que compran el producto F re cu en ci a R el at iv a 9 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 : , 15 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Discretas Distribución Bernoulli y Binomial Ejercicios Control 3 - 2009 - 01. Problema 2(a) Un ensayo consiste en seleccionar al azar un número real entre -1 y 1, es decir, el resultado tiene una densidad de probabilidad fX (x) dada por fX (x) = { 1 2 −1 ≤ x ≤ 1 0 eoc En un experimento, se repetirá el ensayo 10 veces de manera independiente. ¿Cuál es la probabilidad de obtener 3 o más números mayores que 0.5? : , 16 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Discretas Distribución Bernoulli y Binomial I2 - 2009 - 01.Problema 3 Un fabricante posee una máquina M1 que produce cigarros. La proporción de cigarros defectuosos producidos por M1 es 5%. Considere un lote de k cigarros producidos por M1, con k ∈ {1, 2, 3, ...}. Suponga que se rechaza este lote si y solo si, hay al menos un cigarro defectuoso en él. (a) Determine el menor valor de k de tal modo que la probabilidad que se rechace el lote sea al menos un 65% : , 17 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Discretas Distribución Bernoulli y Binomial Suponga que hoy es 1 de Enero de 2009. Nuestro fabricante se ampĺıa, empezando a operar hoy 4 máquinas más: M2,M3,M4 y M5, cada una de las cuales produce la misma proporción de cigarros defectuosos que M1. Estas 5 máquinas funcionan independientemente entre si. El d́ıa 7 de cada mes, un inspector revisa un lote de k = 10 cigarros de cada máquina. Si se aceptan al menos 4 de estos 5 lotes en una misma inspección mensual, ese mismo d́ıa el fabricante realizauna parrillada. (b) ¿Cuál es la probabilidad de que en ese mismo mes se realice una parrillada? : , 18 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Discretas Distribución Bernoulli y Binomial I2 - 2015 - 01. Problema 1 Si un proceso productivo está bajo control entonces, la probabilidad de que un art́ıculo sea defectuoso es solo del 1 %, sin embargo cuando está fuera de control, esta probabilidad sube al 10%. Se sabe además que la probabilidad que el proceso este fuera de control es del 5 %. Los art́ıculos se envasan en cajas de 10 unidades. Se selecciona una caja al azar durante un proceso que podŕıa estar bajo control o no, y se define la variable aleatoria X como el número de art́ıculos defectuosos en una caja. : , 19 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Discretas Distribución Bernoulli y Binomial (a) ¿Qué distribución se puede asumir para X cuando el proceso está bajo control? (b) ¿Qué distribución se puede asumir para X cuando el proceso está fuera control? (c) ¿Cuál es la probabilidad que la caja, contenga 1 art́ıculo defectuoso? (d) Al inspeccionar una caja seleccionada al azar, resultó que conteńıa un art́ıculo defectuoso. ¿Cuál es la probabilidad de que la caja provenga de un proceso fuera de control? : , 20 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Discretas Distribución Geométrica Dada una secuencia Bernoulli, el número de experimentos hasta la ocur- rencia del primer evento exitoso sigue una distribución geométrica. Si el primer éxito ocurre en el n-ésimo experimento, los primeros n − 1 fueron “fracasos”. Si N es la variable aleatoria que representa el número de experimentos hasta el primer éxito, entonces: P(N = n) = π (1− π)n−1, n = 1, 2, . . . A la variable aleatoria N se denotará por Geométrica(π) : , 21 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Distribución Geométrica La función distribución esta dada por: FN(n) = [n]∑ k=1 π (1− π)k−1 = 1− (1− π)[n] para n ≥ 1. Mientras que su valor esperado, varianza y función generadora de momen- tos son: E(N) = 1 π , Var(N) = (1− π) π2 MN(t) = π et [1− et (1− π)] , t < − ln(1− π) : , 22 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Distribución Geométrica Ejemplo: Datos históricos muestran que el 4% de los años se presentan desbordes del ŕıo Mapocho en Santiago. Cuántos años se espera que deban pasar observar el fenómenos nuevamente? : , 23 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Distribución Geométrica Ejercicio Control 3 - 2010 - 02. Problema 2 Una empresa considera la posibilidad de implementar ventas telefónicas como complemento de los métodos tradicionales. Estimaciones indican que una de cada 20 llamadas resulta en una venta. Asumiendo independencia entre llamadas: (a) ¿Cuál es la probabilidad que un vendedor telefónico logre su primera venta antes del décimo llamado? (b) En los primeros 20 llamados, ¿cuál es la probabilidad que haya realizado por lo menos tres ventas? : , 24 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Discretas Distribución Binomial Negativa La distribución geométrica permite modelar el número de experimentos hasta la primera ocurrencia. Sea Tk la variable aleatoria que representa el número de experimentos hasta que ocurra el k-ésimo éxito. Esta es modelada por la distribución binomial negativa, cuya función de probabilidad está dada por P(Tk = x) = ( x − 1 k − 1 ) πk (1− π)x−k , x = k , k + 1, k + 2, . . . Es útil la siguiente igualdad para mostrar que la suma es uno: 1 (1− p)k = ∞∑ x=0 ( x + k − 1 k − 1 ) px 0 ≤ p < 1 : , 25 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Discretas Distribución Binomial Negativa A la variable aleatoria Tk se denotará por Binom Neg(k, π) cuyo valor esperado, varianza y función generadora están dadas por: E (Tk) = k π , Var(Tk) = k (1− π) π2 MTk (t) = { π et [1− et (1− π)] }k , t < − ln(1− π) : , 26 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Discretas Distribución Binomial Negativa Ejercicio I2 - 2012 - 02. Problema 3 Se sabe que en un proceso productivo el 5% de los art́ıculos resultan con algún defecto. (a) Suponga que la producción de art́ıculos es constante, lo que permite asumir que el porcentaje de defectuoso se mantiene en un 5%, y a usted se le pide que realice un control de calidad para detectar art́ıculos con algún defecto. ¿Cuántos art́ıculos usted espera revisar hasta detectar un tercer art́ıculo defectuoso? (b) Calcule la probabilidad que el número de art́ıculos revisados hasta detectar el tercero defectuoso sea exactamente el valor que usted espera en la parte (a). : , 27 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Discretas El Proceso de Poisson y la Distribución de Poisson Muchos problemas f́ısicos de interés para ingenieros y cient́ıficos que im- plican las ocurrencias posibles de eventos en cualquier punto en el tiempo y/o en el espacio. Por ejemplo: I Los terremotos pueden ocurrir en cualquier momento y en cualquier lugar en una región con actividad śısmica en el mundo. I Los accidentes de tráfico pueden suceder en cualquier momento en una autopista. I Un cliente puede ingresar a un tienda en cualquier momento. : , 28 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Discretas El Proceso de Poisson y la Distribución de Poisson Este problema puede ser modelado como secuencia Bernoulli, dividiendo el tiempo o el espacio en pequeños intervalos “apropiados” tal que solo un evento puede ocurrir o no dentro de cada intervalo (Ensayo Bernoulli). Sin embargo, si el evento puede ocurrir al azar en cualquier instante de tiempo (o en cualquier punto del espacio), esto puede ocurrir más de una vez en cualquier momento o intervalo de espacio. En tal caso, las ocurrencias del evento puede ser más apropiado el modelo con un proceso de Poisson o la secuencia Poisson. : , 29 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Discretas El Proceso de Poisson y la Distribución de Poisson Supuestos: I Un evento puede ocurrir al azar y en cualquier instante de tiempo o en cualquier punto en el espacio. I La ocurrencia(s) de un evento en un intervalo de tiempo dado (o espacio) es estad́ısticamente independiente a lo que ocurra en otros intervalos (o espacios) que no se solapen. I La probabilidad de ocurrencia de un evento en un pequeño intervalo ∆ t es proporcional a ∆ t, y puede estar dada por λ∆ t, donde λ es la tasa de incidencia media del evento (que se supone constante). I La probabilidad de dos o más eventos en ∆ t es insignificante. : , 30 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Discretas El Proceso de Poisson y la Distribución de Poisson Bajo los supuestos anteriores, el número de eventos estad́ısticamente in- dependientes en t (tiempo o espacio) esta regido por la función de prob- abilidad del modelo Poisson, donde la variable aleatoria Xt : número de eventos en el intervalo de tiempo (0, t), cuya función de probabilidad está dada por P(Xt = x) = (λ t)x e−λ t x! , x = 0, 1, 2, . . . donde ν es la tasa de ocurrencia media por unidad de tiempo, es decir, E(Xt) = λ t A la variable aleatoria Xt se denotará por Poisson(λ t) : , 31 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Discretas El Proceso de Poisson y la Distribución de Poisson Ejercicio Muestre que si Xt ∼ Poisson(λ t) I Var(Xt) = λ t. I MXt (s) = exp [λ t (e s − 1)]. : , 32 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Discretas Distribución Poisson Ejemplo El Centro Sismológico Nacional registra diariamente el númerode sismos ocurridos en nuestro páıs. Se analizó el peŕıodo desde Enero del 2003 a Diciembre 2007 y se registró el número de sismos diarios. : , 33 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Discretas Distribución Poisson Si X representa el número de sismos diarios ocurridos en chile desde los años 2003 al 2007 y sea λ la tasa de ocurrencia media diaria. X puede ser representada por un modelo Poisson(λ). A partir de los valores observados, vemos que E (X ) = λ, luego una estimación para λ es 12. 0 5 10 15 20 25 30 0.00 0.05 0.10 0.15 Número de sismos Fr ec ue nc ia re la tiv a : , 34 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Discretas Distribución Poisson Ejercicios I2-2008-02. Problema 2(a) Al servidor computacional de una institución, llegan e-mails a una tasa promedio de 34.1 por cada 10 segundos. (a) Determine la probabilidad de que lleguen al menos dos e-mails en un segundo. : , 35 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Discretas Distribución Poisson I2 - 2015- 01. Problema 3 Ud. está a cargo de supervisar la llegada de veh́ıculos a una planta de revisión técnica. Datos históricos muestran que cada seis minutos se espera que lleguen a la planta cuatro veh́ıculos. (a) Plantee una distribución que Ud. considere adecuada para el número de veh́ıculos que llegan en 2 minutos. (b) Determine la probabilidad de que no lleguen veh́ıculos en medio minuto. (c) Determine la probabilidad de que en 50 segs. llegue al menos 1 veh́ıculo dado que ya se han observado 25 segs. sin veh́ıculos. : , 36 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Discretas Distribución Hipergeométrica La distribución Hipergeométrica se produce cuando se estudia una muestra de una población finita la cual se puede dividir en dos grupos. Considere un lote de tamaño N, de los m son defectuosos y N − m no defectuosos. Si se toma una muestra aleatoria de tamaño n al azar, la probabilidad que x sean defectuosos esta dada por la función de probabilidad de la distribución hipergeométrica: pX (x) = ( m x )( N −m n − x ) ( N n ) , max{0, n + m − N} ≤ x ≤ min{n,m} se denotará X ∼ Hipergeométrica(n,N,m) : , 37 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Discretas Distribución Hipergeométrica El cálculo de su valor esperado y varianza requiere un desarrollo bastante complejo cuyo resultado final es el siguiente µX = n · m N , σ2X = ( N − n N − 1 ) · n · m N · ( 1− m N ) : , 38 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Discretas Distribución Hipergeométrica Ejercicio I2 -2008-02. Problema 1(a) Suponga que de 2500 cuentas comerciales del Banco Internacional CATP (Confianza a Toda Prueba), 125 han sido alteradas fraudulentamente. Las alteraciones son lo bastante sutiles como para que sólo una auditoŕıa muy detallada las pueda descubrir. Se elige al azar 50 cuentas comerciales para la revisión detallada. (i) La selección se realiza, como es habitual, sin reemplazo. ¿Qué distribución exacta seguiŕıa la variable ”número de cuentas alteradas existentes entre las seleccionadas”? ¿Cuál es la probabilidad de que se haya seleccionado al menos una cuenta alterada? (ii) Adicionalmente, determine la misma probabilidad asumiendo una selección con reemplazo esta vez. Señale expĺıcitamente cuál es la distribución exacta que utilice. : , 39 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Continuas Distribución Uniforme Continua Una variable aleatoria X tiene una distribución uniforme en el intervalo [a, b] si su función de densidad es contante. fX (x) = { 1 b−a , a ≤ x ≤ b 0, en otro caso Se denotará X ∼ Uniforme(a, b) Ejercicio: I Obtenga FX , µX , σ 2 X y MX (t). I Sea Y = [X ], con [·] parte entera. Determine la función de distribución de Y , con X ∼ Uniforme(0, n) : , 40 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Continuas Distribución Uniforme Continua Ejercicio Control 4 - 2008 - 02. Problema 2 En los d́ıas de verano, el tiempo Y de retraso de un tren de enlace subur- bano se puede modelar como una variable aleatoria uniforme entre 0 y 20 minutos. (a) Encuentre la probabilidad que el tren llegue por lo menos con 8 minutos de retraso (b) Encuentre la función generadora de momentos del tiempo Y de retraso de un tren de enlace suburbano : , 41 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Continuas Distribución Normal En estad́ıstica y probabilidad se llama distribución normal, distribución de Gauss o distribución gaussiana, a una de las distribuciones de probabilidad de variable continua que con más frecuencia aparece en fenómenos reales. La distribución normal fue reconocida por primera vez por el francés Abra- ham de Moivre (1667-1754), en un art́ıculo de 1733 donde relaciona la distribución normal y la binomial. Posteriormente, el matemático alemán Carl Friedrich Gauss (1777-1855) elaboró desarrollos más profundos y formuló la ecuación de la curva; de ah́ı que asimismo se la conozca, más comúnmente, como campana de Gauss. : , 42 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Continuas Distribución Normal 0. 0 0. 1 0. 2 0. 3 0. 4 F un ci ón D en si da d µµ : , 43 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Continuas Distribución Normal Muchos fenómenos que encontramos en la naturaleza se miden mediante variables cuya distribución, naturalmente, tienden a formar una campana de Gauss. Además, muchas variables aleatorias continuas presentan una función de densidad cuya gráfica tiene dicha forma. Finalmente, varios procedimientos estad́ısticos usados habitualmente asumen la normalidad de los datos observados. La importancia de esta distribución radica en que permite modelar nu- merosos fenómenos naturales, sociales y psicológicos. : , 44 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Continuas Distribución Normal La función densidad de una variable aleatoria X con distribución Normal(µ, σ2) es de la forma: fX (x) = 1√ 2π σ2 exp { −1 2 ( x − µ σ )2} , −∞ < x <∞ con µ parámetro de localización y σ un parámetro de escala o forma tales que: −∞ < µ <∞, 0 < σ2 <∞ : , 45 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Continuas Distribución Normal Los dos parámetros: µ y σ2, permiten describir diferentes distribuciones normales. Efecto del parámetro µ 0. 0 0. 1 0. 2 0. 3 0. 4 F un ci ón D en si da d µµ1 µµ2 : , 46 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Continuas Distribución Normal Efecto del parámetro σ2 0. 0 0. 2 0. 4 0. 6 0. 8 F un ci ón D en si da d µµ : , 47 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Continuas Distribución Normal Un caso especial es cuando µ = 0 y σ2 = 1. Este caso es conocido como la distribución normal estándar, la que denotaremos por Z , cuya función de densidad está dada por fZ (z) = 1√ 2π e−z 2/2, −∞ < z <∞ La ventaja es que su función de distribución de probabilidad acumulada se encuentra tabulada, la cual se denota por Φ(·). : , 48 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Continuas Distribución Normal Luego, si Z una variable aleatoria con distribución normal estándar, su función de distribución de probabilidad acumulada está dada por Φ(z) = P(Z ≤ z) = FZ (z) = ∫ z −∞ 1√ 2π e−x 2/2 dx fS(s) 0 Sp Probabilidad = p Propiedades: zp = Φ−1(p) = −Φ−1(1− p) y Φ(−z) = 1− Φ(z). : , 49 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Continuas Distribución Normal Tabla deΦ(z) = P(Z ≤ z) : , 50 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Continuas Distribución Normal Si X una variable aleatoria Normal(µ, σ2) con función de distribución acumulada FX . Se puede demostrar que la variable aleatoria Z = X−µ σ distribuye Normal (0, 1). Luego, para dos valores dados a y b (con a < b) se tiene que: P(a < X ≤ b) = FX (b)− FX (a) = Φ ( b − µ σ ) − Φ ( a− µ σ ) : , 51 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Continuas Distribución Normal Ejercicio Si X ∼ Normal(µ, σ2), muestre que: 1. E(X ) = µ. 2. Var(X ) = σ2. 3. MX (t) = exp ( µ t + σ2 t2/2 ) , con t ∈ R. 4. FX (x) = Φ ( x−µ σ ) . : , 52 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Continuas Distribución Normal Ejercicio I2 - 2009 - 01. Problema 2 (a) y (c) Una empresa fabrica barras de acero cuyo diámetro (en cm.) se comporta como una variable aleatoria Normal(1, 0.0022). Un cliente necesita barras con diámetros (en cm.) en el intervalo (0.997, 1.003) (a) ¿Qué proporción del total de barras producidas no satisfacen los requerimientos del cliente? (b) La empresa fabrica barras de acero sucesiva e independientemente entre si. ¿Cuántas barras esperaŕıa fabricar esta empresa hasta obtener la quinta barra que satisfaga los requerimientos del cliente? (c) Si el fabricante mejora el control de calidad de su proceso, él puede reducir desviación estándar a un valor σ0, manteniendo la media en el valor 1. ¿Qué valor de σ0 asegura que no más del 1 % de las barras producidas no cumpliŕıan los requerimientos del cliente? : , 53 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Continuas Distribución Exponencial En un Proceso de Poisson el tiempo transcurrido entre la ocurrencia de eventos puede ser descrito por una distribución exponencial. Si T1 representa al tiempo transcurrido hasta la ocurrencia del primer evento en un Proceso de Poisson, el evento (T1 > t) implica que en el intervalo (0, t) no ocurren eventos, es decir, P(T1 > t) = P(Xt = 0) = (λ t)0 e−λ t 0! = e−λ t , con Xt ∼ Poisson(λ t) : , 54 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Continuas Distribución Exponencial Por lo tanto la función de distribución de probabilidad acumulada de T1 esta dada por: FT1 (t) = P(T1 ≤ t) = 1− P(T1 > t) = 1− e−λ t Su función densidad se obtiene como sigue: fT1 (t) = d dt FT1 (t) = λ e −λ t que corresponde a la función densidad de una variable aleatoria con dis- tribución exponencial. : , 55 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Continuas Distribución Exponencial Ya mostramos anteriormente que un variable aleatoria X con distribución Exponencial de parámetro λ > 0, tiene función densidad y de distribución: fX (x) = { λ e−λ x , x ≥ 0 0, x < 0 FX (x) = { 0, x < 0 1− e−λ x , x ≥ 0 Se denotará por X ∼ exponencial(λ) Mientras que su valor esperado, varianza y función generadora de momen- tos están dador por: µX = 1 λ , σ2X = 1 λ2 MX (t) = λ λ− t , t < λ : , 56 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Continuas Distribución Exponencial Ejemplo La encuesta de origen y destino de viajes en Santiago, consistió en encuestar a todos los residentes de 18.000 hogares de santiago, se- leccionados leatoriamente,entre Julio 2012 y Noviembre 2013. Una de las variables que se registró fue el tiempo de viaje (en minutos) entre su origen de destino hasta el destino final. : , 57 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Discretas Distribución Poisson Si X representa el tiempo de viaje (en minutos) entre su origen de des- tino hasta el destino final. X puede ser representada por un modelo exponencial(λ). E (X ) = 1λ , y a partir de los valores observados, vemos que una estimación para λ es 1/x̄ = 1/42.35 = 0.023. Tiempo de Viaje (minutos) 0 100 200 300 400 0.000 0.005 0.010 0.015 : , 58 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Continuas Distribución Gamma Una variable aleatoria X con distribución Gamma tiene función densidad fX (x) = λk Γ(k) xk−1 e−λ x , x ≥ 0 donde k, ν son parámetros positivos. La función Γ(α) = ∫∞ 0 uα−1 e−u du, la cual tiene las siguientes propiedades: I Γ(α + 1) = α Γ(α). I Γ(n + 1) = n! si n ∈ N0. I Γ(1/2) = √ π. Se denotará por X ∼ Gamma(k , λ) : , 59 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Continuas Distribución Gamma Relación con distribución Poisson En un Proceso de Poisson el tiempo transcurrido hasta la ocurrencia del k-ésimo evento puede ser descrito por una distribución Gamma. Si Tk representa al tiempo transcurrido hasta la ocurrencia del k-ésimo evento en un Proceso de Poisson, el evento (Tk > t) implica que en el intervalo (0, t) ocurren a lo más k-1 eventos, es decir, P(Tk > t) = P(Xt ≤ k − 1) = k−1∑ x=0 (λ t)x e−λ t x! : , 60 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Continuas Distribución Gamma Relación con distribución Poisson Luego, su función de distribución acumulada esta dada por: FTk (t) = 1− k−1∑ x=0 (λ t)x e−λ t x! Se puede demostrar que fTk (t) = d dt FTk (t) = λk Γ(k) tk−1 e−λ t , t ≥ 0 donde su valor esperado, varianza y función generadora de momentos es µTk = k ν , σ2Tk = k λ2 , MTk (t) = ( λ λ− t )k , t < λ : , 61 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Distribución Gamma 0 10 20 30 40 50 60 Distribución Gamma(k, ν = 1 6) Tiempo T (en meses) f T k(t ) 0 1 6 k = 1 k = 2 k = 3 : , 62 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Continuas Distribución Gamma Ejercicios I2 - 2008 - 02. Problema 2 Al servidor computacional de una institución, llegan e-mails a una tasa promedio de 34.1 por cada 10 segundos. (a) Determine la probabilidad de que lleguen al menos dos e-mails en un segundo. (b) ¿Cuál es la probabilidad de que entre dos mails consecutivos transcurra 1.2 segundos a lo más? (c) ¿Cuá es el valor esperado del tiempo hasta recibir el décimo e-mail de ahora en adelante? ¿Cuál es la distribución precisa, con parámetros, que permite determinar dicho valor? : , 63 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Continuas Distribución Gamma I2 - 2015 - 01. Problema 3 Ud. está cargo de supervisar la llegada de veh́ıculos a una planta de revisión técnica. Datos históricos muestran que cada seis minutos se espera que lleguen a la planta cuatro veh́ıculos. (a) Plantee una distribución que Ud. considere adecuada para el número de veh́ıculos que llegan en 2 minutos. (b) Determine la probabilidad de que no lleguen veh́ıculos en medio minuto. Determine esta probabilidad primero mediante una distribución de tipo discreto y luego mediante una distribución continua. (c) Determine la probabilidad de que en 50 segs. llegue al menos 1 veh́ıculo dado que ya se han observado 25 segs. sin veh́ıculos. : , 64 Distribuciones de Probabilidad Usuales Distribuciones de Probabilidad Usuales Continuas Distribución Gamma (d) Explicite la distribución de la variable T6: Tiempo hasta a llegada del sexto veh́ıculo. Determine la probabilidad de que el tiempo que Ud. debe esperar hasta la llegada de un 6to veh́ıculo sea más de 6 minutos. (e) Determine el valor esperado (en minutos) del tiempo a esperar hasta que llegue el 6to veh́ıculo. : , 65 Otras Distribuciones de Probabilidad Otras Distribuciones de Probabilidad Distribución Beta Una variable aleatoria X con distribución Beta tiene función densidad fX (x) = 1 B(q, r) · (x − a) q−1 (b − x)r−1 (b − a)q+r−1 , a ≤ x ≤ b donde q y r son los parámetros de la distribución, y B(q, r) es la función beta dada por B(q, r) = ∫ 1 0 xq−1 (1− x)r−1 dx =Γ(q) Γ(r) Γ(q + r) Se denotará por X ∼ Beta(q, r) : , 66 Otras Distribuciones de Probabilidad Distribuciones de Probabilidad Distribución Beta 0.0 0.2 0.4 0.6 0.8 1.0 0 1 2 3 4 Distribución Beta(q, r) x f X (x ) B(q = 1, r = 4) B(q = 3, r = 3) B(q = 4, r = 2) B(q = 1, r = 1) : , 67 Otras Distribuciones de Probabilidad Otras Distribuciones de Probabilidad Distribución Log-Normal Se dice que X sigue una ley de probabilidad Log-Normal(λ, ζ2) si su función de densidad esta dada por fX (x) = 1√ 2π 1 (ζ x) exp [ −1 2 ( ln x − λ ζ )2] , x ≥ 0. Donde, λ = E(lnX ) y ζ2 = Var(lnX ) : , 68 Otras Distribuciones de Probabilidad Otras Distribuciones de Probabilidad Distribución Log-Normal 0.0 0.5 1.0 1.5 2.0 2.5 0 1 2 3 4 x f X (x ) ζ = 0.1 ζ = 0.3 ζ = 0.5 Mediana = 1.0 : , 69 Otras Distribuciones de Probabilidad Otras Distribuciones de Probabilidad Distribución Log-Normal Ejemplo La Encuesta Nacional de Salud que se realizó 2008-2009 una de las variables que se midió fue el nivel de coresterol a través del HDL en la sangre. : , 70 Otras Distribuciones de Probabilidad Distribuciones de Probabilidad Usuales Discretas Distribución Poisson Si X representa el nivel de coresterol de una persona. X puede ser repre- sentada por un modelo lognormal(λ, ζ2). E (lnX ) = λ y Var(lnX ) = ζ2 y a partir de los valores observados, vemos que una estimación para λ es 3.83 y una estimación para ζ es 0.255 Nivel de HDL en la sangre D en si ty 0 20 40 60 80 100 120 0. 00 0 0. 01 0 0. 02 0 0. 03 0 : , 71 Otras Distribuciones de Probabilidad Otras Distribuciones de Probabilidad Distribución Log-Normal Ejercicio Sea X ∼ Log-Normal(λ, ζ2), obtenga su valor esperado, mediana y vari- anza. Ejercicio Demostrar lnX ∼ Normal(λ, ζ2). : , 72 Otras Distribuciones de Probabilidad Otras Distribuciones de Probabilidad Distribución Log-Normal I2 - 2011 - 02. Problema 2 (c) - (d) En el reciente caso de La Polar, los montos, X , de las renegociaciones uni- laterales alcanzan un promedio µX igual a M$650 y un desviación estándar σX igual a M$260. Si asumimos que los montos renegociados se comportan como una dis- tribución Log-Normal(λ, ζ2), evalué: (c) Proporción de morosos renegociados unilateralmente que se encuentran sobre una desviación estándar de la mediana de los montos. (d) Monto ḿınimo renegociado del 30% de morosos de los mayores montos renegociados : , 73 Aproximaciones Aproximaciones Binomial vs Poisson Bajo ciertas condiciones algunos modelos pueden aproximarse Binomial(n, π) ≈ Poisson(n π) cuando n→∞ y π → 0. : , 74 Aproximaciones Aproximaciones Binomial vs Poisson 0 2 4 6 8 0.00 0.05 0.10 0.15 0.20 0.25 n = 10 0 5 10 15 20 25 30 0.00 0.02 0.04 0.06 0.08 0.10 0.12 n = 50 10 20 30 40 50 0.00 0.02 0.04 0.06 0.08 n = 100 π = 0.3 Binomial(n,π) Poisson(nπ) : , 75 Aproximaciones Aproximaciones Binomial vs Poisson 0 1 2 3 4 5 0.0 0.1 0.2 0.3 0.4 0.5 0.6 n = 10 0 2 4 6 8 0.00 0.05 0.10 0.15 0.20 0.25 n = 50 0 2 4 6 8 10 12 0.00 0.05 0.10 0.15 n = 100 π = 0.05 Binomial(n,π) Poisson(nπ) : , 76 Aproximaciones Aproximaciones Hipergeométrica v/s Binomial Hipergeométrica(n, N, m) ≈ Binomial(n, π = m/N), cuando N y m son grandes comparados con n : , 77 Aproximaciones Aproximaciones Hipergeométrica v/s Binomial 0 1 2 3 4 5 0.0 0.1 0.2 0.3 0.4 n = 5, m = 5, N = 10 0 1 2 3 4 5 0.00 0.05 0.10 0.15 0.20 0.25 0.30 0.35 n = 5, m = 20, N = 50 0 1 2 3 4 5 0.0 0.1 0.2 0.3 0.4 n = 5, m = 80, N = 100 Hipergeométrica(n,N,m) Binomial(n,π=m n) : , 78 Aproximaciones Aproximaciones Teorema del Ĺımite Central Sean X1, . . . ,Xn variables aleatorias independientes e idénticamente dis- tribuidas (iid) con E (Xi ) = µ y Var(Xi ) = σ 2 para todo i = 1, . . . , n. Entonces, Zn = n∑ i=1 Xi − n · µ √ n σ = X n − µ σ/ √ n → Z ∼ Normal(0, 1), cuando n→∞. : , 79 Aproximaciones Aproximaciones Teorema del Ĺımite Central Ejemplos Sean X1, . . . ,Xn iid∼ Bernoulli(π), entonces para n grande se tiene que Sn = n∑ i=1 Xi ∼Binomial(n, π) aprox.∼ Normal (n π, n π (1− π)) X n = 1 n n∑ i=1 Xi aprox.∼ Normal ( π, π (1− π) n ) : , 80 Aproximaciones Aproximaciones Teorema del Ĺımite Central 0 2 4 6 8 10 0.00 0.05 0.10 0.15 0.20 0.25 n = 10 0 10 20 30 40 50 0.00 0.02 0.04 0.06 0.08 0.10 n = 50 0 20 40 60 80 100 0.00 0.02 0.04 0.06 0.08 n = 100 Binomial(n,π) Normal(nπ,nπ(1 − π)) : , 81 Aproximaciones Aproximaciones Teorema del Ĺımite Central Ejemplos Sean X1, . . . ,Xn iid∼ Poisson(λ), entonces para n grande se tiene que Sn = n∑ i=1 Xi ∼Poisson(n λ) aprox.∼ Normal (n λ, n λ) : , 82 Aproximaciones Aproximaciones Teorema del Ĺımite Central 5 10 15 20 25 30 35 0.00 0.02 0.04 0.06 0.08 n = 10 60 80 100 120 140 0.00 0.01 0.02 0.03 0.04 n = 50 140 160 180 200 220 240 260 0.000 0.005 0.010 0.015 0.020 0.025 n = 100 Poisson(nλ) Normal(nλ , nλ) : , 83 Aproximaciones Aproximaciones Teorema del Ĺımite Central Ejemplos Sean X1, . . . ,Xn iid∼ Exponencial(λ), entonces para n grande se tiene que Sn = n∑ i=1 Xi ∼Gamma(n, λ) aprox.∼ Normal (n λ , n λ2 ) : , 84 Aproximaciones Aproximaciones Teorema del Ĺımite Central 0 1 2 3 4 5 0.0 0.1 0.2 0.3 0.4 0.5 n = 10 5 10 15 20 0.00 0.05 0.10 0.15 0.20 n = 50 10 15 20 25 30 35 40 0.00 0.05 0.10 0.15 n = 100 Gamma(nλ) Normal(n λ , n λ2) : , 85 Aproximaciones Aproximaciones Teorema del Ĺımite Central Cuando se aproxima una variable aleatoria discreta por una continua se recomienda realizar una corrección por continuidad. Por ejemplo, sea X una variable aleatoria Binomial(n, π) la cual puede ser aproximada por una Normal(n π, n π (1− π)). Tenemos que P(X ≤ x) = P(X < x + 1) = P(X < x + 0.5), con x ∈ R : , 86 Aproximaciones Aproximaciones Teorema del Ĺımite Central Consideremos n = 100, π = 1/2 y x = 40: P(X ≤ 40) = [40]∑ k=0 (100 k ) π k (1− π)100−k = 0.02844397 [Valor Exacto] P(X ≤ 40) ≈ Φ ( 40− 100 · 0.5 √ 100 · √ 0.5 · (1− 0, 5) ) = 0.02275013 P(X < 40.5) ≈ Φ ( 40.5− 100 · 0.5 √ 100 · √ 0.5 · (1− 0, 5) ) = 0.02871656 [Corrección por Continuidad] P(X < 41) ≈ Φ ( 41− 100 · 0.5 √ 100 · √ 0.5 · (1− 0, 5) ) = 0.03593032 : , 87 Introducción Distribuciones de Probabilidad Usuales Distribución Uniforme Discreta Distribución Binomial y Bernoulli Distribución Geométrica Distribución Binomial Negativa El Proceso de Poisson y la Distribución de Poisson Distribución Hipergeométrica Distribución Uniforme Continua Distribución Normal Distribución Exponencial Distribución Gamma Otras Distribuciones de Probabilidad Distribución Beta Distribución Log-Normal Aproximaciones Aproximaciones de la Binomial y Hipergeométrica Teorema del Límite Central (TLC)
Compartir