Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Tercer Corte 29-05-2023 · Luego, la F de X será : CAPITULO 5 . DISTRIBUCIONES DE PX(X) PROBABILIDAD ESPECIALES PX(x) = lop , X = 0 rop P P , X = 1 Hasta el momento, hemos trabajado S O , 0. 2 ↓ X distribuciones de probabilidad arbitrarias. O 1 Distribuciones Especiales Aplicadas a Si XBernoulli (p)-X es una variable la realidad aleatoria Indicador del evento "Éxito" . mBernoulli Características de la Distribución Bernoull , - Experimento aleatorio con des posibles ~ Bernoulli (p) resultados : Éxito o Fracaso - Media : EX)= (x) = 0 (1-p) + ILp) - La probabilidad de éxito será el único ↳ parámetro del ensayo : p, dondeEl . E(X) = P - Varianza : Var(X) = E(X) - [E(X)]2 = Pr("éxito") , lop = Pr("fracaso") = xpx(xs - (p) -Cualquier experimento aleatorio se = 02(1-p) + 12 p - p > puede reducir a un Ensayo Bernoulli, en = p - p2 términos de la ocurrencia (no ocurrencia ↑ Var(X) = p(1 -p) de un evento de interés . Distribución binomial Distribución Bernoulli -Suponga que se realiza una cantidad - Suponga un ensayo Bernoulli con conocida n deensayos Bernoulli idénticos e probabilidad de éxito p . independientes, cada uno con probabilidad - Sea X la variable aleatoria discreta de éxito p. que registra el resultado del ensayo - Sea X la variable aleatoria discreta que Bernoulli así : representa el "número de éxitos" obtenido en los n ensayos Bernoulli . X = { , si el resultado del ensayo es Éxito-Se dice que X sigue una distribución , si el resultado del ensayo es Fracaso binomial, de parámetros n y p, lo cual se simboliza como : - Entonces X es una variable aleatoria binaria con recorrido ex = 20, 13 y X~ binomial (n,),n, El probabilidades respectivas [1- , p > · Se dice que sigue una distribución - Función de probabilidad de la Bernoulli con parámetro , esto esi distribución binomial : XBernoulli (p) Sea Xbinomial (n, -PX(X) = ? · Recorrido de X : Rx = 20, 1, 2, 3, ... n3 Px (0) = Pr(X = 0) = Pv (Fi1F21 ... 1 Fn) (1) = 6 - ¿Quésignificasde Fi Fracaso ; En : Éxito Significa que hay 6 maneras de elegir 2 objetos de un - Pr(F , JPr(F2) ... Pr(En) = 4-pJM grupo de sin sustitución a - y sin importar el orden. 1 - p 1- p ... 1. p I M PX(1 = Pr(X= 1) = PrJE 1 ... IF :Pop A B Quiero elegir 2 letras n n - 1 E E ... /F :PLIP) C -> sin sustitución y sin N D importar el orden. De Eventos F/F(E100 JF cuántas formas se : excluyentes 1 .. IEe puede hacer? &A , B3 , CA , C3 , E ,D3 , EB, CY EB , D3 , EC , DY - np(1-p) 4- - 123 U 6 Formas : () PX(2) = Pr(x=2) = Pr) Ele(f) ... IF IF Características de la distribución binomial Sea Xubinomial (n , plEFE ... LEIES -Conexión con la distribución Bernoulli : -(n(p (1 -p)n-2 1 (2(314/516/7/8/9/10/11/12 de e ... ↓ ↓ Y12 1001000100 1 0 En la calculadora : n[r- (nu ~ Bernoullip), i E El , ..., n En general: = Pr(X= X) = ((p(1-pjnx Luego Di , donde 1,2,..., yn son variables aleatorias iid con distribución Con XEE0 , 1 , 2, n3 Bernoulli de parámetro p. - Coeficiente "Una variable aleatoria ~binomial In,pldonde : (n=n X : binomial se la puede interpretar como la suma de En combinado n variables aleatorias cid con distribución con X Bernoulli (p)". 61 = 6! = 6 . 3= 13 -Media : El : EX(): (/p Copy↑(22) = 16-25 : 2 : 4 : 2 : 2 Otra forma : EX) : E) i) : Elite + ... +n) = ni = 1 = (n) = ELY , J + E(yz)+...(8) = 4 0 : nit ... + E(Yn) = p + pt ... +p = ninti : =n = ( = p (n) = n 1 ! C: = UP -Varianza : Var) = ELX) - [EX)]2 ~ binomial (n = 3 , =23) =Ex(P LIP - (np) - Dispendioso Px(1) = (y(p + (1-p(n x , x E 30, 1 , 2:13 Otra forma : Varl) = Var) i) = var(Yi - PX(x) = (2)(3)x(z (3 - x 2 = 1 Con EEO, 1 , 2 , 3, 4 , 5 = PLID Con = 0 ; PX(X =0): = p(1op) 243 Con X = 1 ; PX(X = 1) = 10 - Var(x) = up(1 -p) 243 Con < = 2 ; PX(x = 2) = 40 Ejemplo : Al lanzar cierta moneda cargada, 243 se tiene que la probabilidad de Con <= 3 ; Px(4 =3) = G Obtener cara es el doble de la 243 probabilidad de obtener sello . Con X = P j px(x = 4) = 80 243 9 Determinar la función de probabilidad Con =5; PX(5) : 32 de la variable aleatoria X "número de 243 caras al lanzar 5 veces la moneda" PX(X) b) Determinar la media y la varianza de X . el Calcular la probabilidad deObtener al menos 3 caras al lanzar 5 veces la moneda . I 1. ... x d) Calcular la probabilidad de Obtener J 12345 a lo sumo 3 sellos al lanzar 8 veces la moneda . MO(X) E <3 , 43 : Bimodal el Si en los primeros 3 lanzamientos no hubo caras, cual es la probabilidad b)ELX) = p = 5(z) = 1deque en los 4 lanzamientos siguientes haya al menos una cara? Var(x) = p(1p) = 3(z)(z) = 10 Es3 - 22 + d :1 e c) Pr(X 2 3) = px(3) + px(4)PX(3) = px(x) = E (2)(3) (z (3 - x X = 3 X = 3 a= "número de caras al lanzar 5 = 80 + 80 + 32 veces la moneda" 243 243 243 = "número de éxitos en ensayos Bernoulli" = 192/243 = 0 . 7901// d = "número de sellos en 8 lanzamientos = "número de caras en los primeros = "número de éxitos en 8 ensayos 3 lanzamientos" Bernoulli independientes e idénticos" Y = "número de caras en los 4 siguientes lanzamientos" p=1 = n = 8 Xubinomial (n = 3 , p =2/3) zubinomial (n= 8 , p = 5) Pr(ZE 3) = OPECE) px(x) = (3x)(3)x (1) 3 XE50 , 1 , 2 , 33 Donde : Pz(z) = (8)(+=(28 ~ binomial (n= 4 , p = 2/3 con zE20 , 1 , 2 , 3 ...,83 (2) = (2)(z)(4E0 , 1 , 2 . 33 Pz(z =0) = 236 6561 Las variables aleatorias X y Y son Independientes . Pz(z= 1) = 1024 6561 Luego : Pr(921/X = 0) = Pr(y21) Pz(z = 2) = 1792 = (5)(3)(5) 6561 -Aplicando complemento : Pz(z = 3) = 1792 6561 1 - Pr(Y < 1) -> Pr(z = 3) = 1792 + 1792 + 1024 + 256 = 10 Py(0) = 1 -(( 6561 = 4864 = 1 ! = 80 6361 8Il = 0 . 7413/1 Pregunta adicional e /413/6/7/ 7) Si la moneda se lanza en 10 ocasiones -e y se obtienen 6 caras, cuál es la probab Informa ? de que en los 3 primeros lanzamientos el Le *I no hayan salido caras ? Problema Y O caras I *I - X · 12/3/4/3/6/7/8/910 Seran dos variables independientesy teniendo un condicional en este caso, G caras la información del problema respecto a la X vista en el dibujo, sería 1 12/3/41516/7/8/a/10 z = x+ y irrelevante . - X Y X = "número de caras en los primeros = (8)(5) = 1 . 7 =lanzamientos" I Y = "número de caras en los últimos 7 (18) 218 38 II lanzamientos" = X+: "número de caras en los 10 31 -03-2023 lanzamientos" Distribución Geométrica Suponga que se realizan ensayos Bernoulli Xubinomial (n = 3 , p = 2/3) idénticos e independientes demanera ↑ ~ binomial (n = 7 , p= 2/3) reiterada , cada uno con la misma probab. zubinomial (n = 10 , p = 2/3) de éxito p . SeaX la variable aleatoria discreta que representa el número de Px(x) = (3)(z) (13, EE0 , ..., 33 ensayos que se deben realizar hasta lograr el primer éxito. Se dice queX sigue una Py (9) = (2)(z)3(17 , yEE0, ..,7 distribución geométrica con parámetro p, esto es : Pz(z) = (10)(zz( 10- , zEE0:, 10 ~ geométrica (pl · pmf de la geométrica: X , y son independientes - Recorrido :x = El , 2 , 3, ..., Pr(X =0/z = 6) = Pr(x =0(x+y = 6) - Px(x) = Pr(X = X) , E[1 , 2 , 3...,03 Aplicando Bayes PX(1) = PrCEI) = P PrLX=0) Pr(X* Y = 6/X =0 Px(2) = Pr(X =2) = Pr(FIREz) = Pr(FI) PULEz) Pr(X + Y = 6) 1. = PX(0) Pr(0 + y =6/X =0 = (1 -p)P Pz (6) px(3) = Pr(X= 3)= PV (Fi F2 E3) = Pr(F1) Pr(F2) PrLE3) = PX(0) Pr(Y =6/X =0 = (1-p) (1-p) p Pz(6) = (1 - p)2 p = PX(0) PV (Y = 6) PX(X) = (1-p) . p Pz (6) - e léxito = PX(0) Py(6) Fracasos Pz (6) = (8)()( . ()() · PX(X) = p(1-p) , E41 , 2 . 3 ...., 83 / PX(X) (18)(5)(5)V 11/IIIII 123456789101112 Características de la distribución a número de veces que juega Ana geométrica : Si X geométrica (p), entoncesi hasta ganar la lotería" = "número de ensayos Bernoulli lid · Media : E(X) =I hasta lograr el primer éxito" P X ~geométrica (p = 0 . 002) ·Varianza : Var(X) = 1-p ↓ p2 I XPLDT 0 . 998 PXLX) Si 20 188-1 Pr(X = 100) = PX (100) = 0 . 002(0 . 998) /IIIIIIIIIIIII = 0 . 00164 PX(X) b) Pr(X <100) = PX(1) +px(2) + ... + px (99) = PX(X) = =0 . 002 (0. 998) Sil X = 1X= 1 11111000 X Suma geométrica : r = 19-pt 1 - p Ejemplo : Una lotería juega todos los días. La probabilidad de que Ana gane la lotería en un día -> 0 . 002 (0.998) 0 . 998x Cualquiera es 0 . 002 . Si Ana X = 1 compra la lotería todos los días, determinar : : 0.02 0 . 998-0 . 998 0 . 998 I 1-0998 99 + 1 I a) La probabilidad de que la gane en el día 100 ↑ = 0 . 998-0 . 998100 b) la probabilidad de que la gane 8 . 998 Antes del día 100 . = 1-0 . 99899 e) La probabilidad de que la gane = 0 . 1797 es después del día 200. d) Si en los primeros 100 días no la c) Pr(X >200) = PX (201) +px(202) + . . . +PX(0) ganó, cuál es la probabilidad de que la & gane antes del dra 250? = 20 . 002 . 0 . 998 el Cuál es la probabilidad de que Ana X = 201 gane la lotería por segunda vez el día 225 ? = 0 . 002 . 0 . 9980 . 998 X= 281 G Cada vez que Ana juega la loterra se = 002 0 . 998201-0 .9980)tiene un ensayo Bernoulli idéntico e 8.998 I 1-0998 independiente de los demás,con p = 0 . 002. = 0 . 990200 0 Otra forma: = 0 . 9981 -0 . 99250 Ana gana la lotería por primera vez 1 - 0998 después del día 200" 0 . 998101-0 .99800 = "Ana no gana la lotería ninguna vez 1-0998 en 200 días" : 0 . 99810 - 0 . 998230 = 1-0 . 998149 ·Y = "número de veces que Ana gana 0. 998101 La lotería en 200 días" = 0 . 2379// ~binomial (n = 200, p= 0 .002) e "Ana gana la lotería por segunda Py(y) = (2000 . 00230 . 998200 - y vez el día 223" "Ana gana la Lotería una vez en los primeros 224 días y gana la lotería el día 225 Pr(X>200. ) = Pr(Y =0) = Py (0) Z: "número de veces que Ana gana = (2000. 00200 . 998200 la lotería en los primeros 224 días" = 0 . 998200 = 0 .67/ Zubinomial (n = 224 , D = 0 . 002) d) Pr(x 250/100) W : "Variable aleatoria indicador del evento Ana gana la lotería el día = Pr(X250 X > 100) 225" Pr(X100) ~ Bernoulli (p = 0 . 002) = Pr (100XX < 250) Pr(X> 100) Pr(Z = 1 1 W= 1) = Pr(z= 1) Pr(W = 1) = 2249 px(x) Eventos independientes -10 X() = P(1) . wll = (22) 0. 0021 . 0 . 998224- X = 101 · 0 . 002 249 = 2 0 . 002-0 . 998-1 X = 101 = 224 . 0 . 002: 0 . 998223 . 0 . 002 & - 2 0. 002-0.9984-1 = 0 . 0008556/1 X= 101 05-06-2023 & Distribución Uniforme- 0.00 9 een Sea X una variable aleatoria continua & con recorrido x : [a,b], donde : 0.0020 .4e - 8. Se dice que sigue una distribución uniforme en La,J si su densidad de probabilidad es plana = 4b2 +4ab +42 -392 - Gab - 3b2 (constantes sobre todo x = [a, b) , así : 12 = b2-2ab +a2 = (b - a) 2 X-U(a ,b) 12 12 Densidad de probabilidad : ·Va = -a : Varianza 12 FX(X) Il Mediana : 30 = atb ↑ I ↑ " i b- a 211 a b x Usos comunes : - - Generación de números aleatorios en computadoras . fx(2) = I -Generación de distribuciones deE b - q , a = x=b probabilidaarbitrarias La travésde z , 8 . U la transformación integra - modelamiento del ruido de cuantificación Media : EX)= X en la conversión analógica/digital de b & señales. · ba * = asla - Modelamiento del error de sincronismo en la fase de la portadora recuperada en el RX en un sistema de comunicación. = =() = ba : Media 2(b-a) 2(b+a) 211 Ejemplo : Se elige al azar un número real en el intervalo -1, 61. Determinar : Varianza : Var(X) = E (x2) - [E(X)]2 9) La probabilidad de que el número 5x(dx - (a+b) elegido sea negativo . d) La probabilidad de que el número =J - (ats e elegido no difiera en más deuna unidad del número 3 . = x3 a) ↑ 3 (b-a) - (a) ! E = b3 - a3 - (a +b)2 X = "número elegido V . aleat Continua 3(b -a) 4 ex = [ - 1 , 6] = (bx9) (btaba) - Catb) > -Al azar : ~ 21 ,6] 3(bxa) 4 fx(x) = 1 = b2 +ab +a - a +2ab+b2 6- (1) = / , EXEG 3 4 FX(x) = 1/7 , 1 , EXEG fx(x) F (w)= Falu) , dondee I -> I E 7 Fwlw) = pa(wk) - p ca Pr(X0= =X Ahora :F (w) es sacar la derivada a Flw), es decir,a la derivada de la acumulativa. I - 7/ fw(w) = 1 C(b-a) bPr(1-31 = 1) = Pr (-18 X- 3 = 1) = Pr(-1 +3 x-3+3 = /3) Conclusión : WNU (catd , cb +d) = Pr(2 X E 4) = = Sk La transformación integral = El = Sea X una variable aleatoria continua Il con po Arbitraria () y d FX) . Sea y la variable aleatoria continua Teorema: Sea ~U, bJ. Sea u la dada por la siguiente transformación : variable aleatoria dada por : W = ext , donde c y b son Y = FX(X) / constantes y CO. Entonces ~ también tendrá distribución Entonces y tendrá una distribución uniforme con: uniforme en el intervalo 20, 17, esto es : In U20, 17 ~+, btd] , si 20 Aplicación : (simulación de variables w~ U(c b +d , ca +b] , sicx0 aleatorias) Demostración : ~U2, J, () = pa 5 : y = Fx(X) ~ U[0 , 17 , entonces : a = x= b FX (Y) =F (FX(X)), donde FXL .J es ↓ b la inversa de Sea =Xtd, con O Fx (y) = X FX(c) ↓ tw = ? Es invertible Cb+b L ((5(x)) = X alx = x mi f(f (X)) = X Inex = x IIIIIIII X cald 1 ex &I -> X= x(), donde U[0 , 11/ Con esto, puedo generar realizaciones - - 2x = In (1-y) de la variable aleatoria arbitrara X + X = (n(1y) + X = 1 (n(l y a partir de la distribución UCO , 11 . - 2 II Procedimiento para generar números 3. En Matlab:Y: rand (1 , 10 . 000); aleatorios con distribución de probabilid 7 histogram (Y) arbitraria FX() a partir de una fy(y) distribución uniforme U20 , 11 : 1. Determinar la d de X (es decir, FX) Y 2.Calcular la función inversa de FXX) , z I esto es, FX(. ) . En otras palabras, despejar X de la ecuación : y FX() 4. En Matlab: X = -0 .5 log (1 -y); 3.Generar números aleatorios con Histogram (X) distribución 20 , 17, o lo que es lo mismo, fx(X) generar realizaciones de una valeatoria Y con distribución UCO , 11 . 4. Aplicar la transformación X = Ex (Y) sobre cada realización de 2 . 7 G Ejemplo : Generar 10000 realizaciones Ejemplo: Generar 10000 realizaciones de de una variable aleatoria X con pas una variable aleatoria X con pdf : 5() =2, para 20, usando la Fx() :2, 20 y mostrar que distribución U20 , 13 en MATLAB. E(X) = 0 . 5 2 fx(x) E(X) = > , pero : - fx(x) = 2e -2 , X20 E1 2 = lim + Xi 7 Distribución n- & U n + 0 Hi= 1 exponencial E(X): ( = 2 x 1 . Fx(x) = ? = 298xexdx = + 2 FX(x) = PXX) = 5x() dz KitX2t ...+10000 = 0 . 5 =2 z : -e = 1 ex , x 10000 En Matlab: Esum(X)/length(X) · Fx(x) = 1 -e2x ,20 Ejercicio : Sea X una variable aleatoria 2 . 9 = Fx(X) -X= ? con la pdf mostrada en la figura: fx(x) y = 1 - e - 2x + y- 1 = - e-2x I - e -2x = 1 - y I 7 2 as Generar (en Matlab 5000 realizaciones que X sigue una distribución normal con de X usando la transformación integral . parámetros MER y OER si su densidad b) Calcular el valor aproximado de E de probabilidad (d está dada por : a partir de la media artmética de las - (x-u)2 realizaciones y compararlo con el valor 5x(x) = 1 & 202 verdadero de EX). 0 2π ↓ ↓ Solución M : parámetro de posición O : parámetro de escala FX(x) = SExH , OXE2 Asi : XN (M , 02) 0 , 0 . 1 fx(x) E(X): ( = e(Ex +k·o'c p M-- = xxx e · "Campana de Gause" :E(= (13 + (2 !. f u, < 12 ↑ -: i = - + 2 = -p : 2 : Medial . M2 X 07-06-2023 Distribución Normal r-También conocida coro distribución -or Gaussiana . - Considerada la más importante de X las distribuciones de probabilidad Características de la distribución especiales. normal - La suma de muchas variables Sea X~N(u , 0 aleatorias sid converge a una distribución normal (teorema del límiteCentral · Media : EX) = U · modela una gran cantidad de fenómenos aleatorios de la naturaleza Varianza : Var = 82 y de la cotidianidad . - Muy usada en la Inferencia Estadis Moda : MOX= U tied . · Muy utilizada en Telecomunicaciones. Mediana: = Descripción matemática Propiedades de simetría de la Sea X una variable aleatoria continua distribución normal : con recorrido x = 10+o) . se dice D · Q(t) =Pr(s- ez in x I ↓ IIIIII · ... E(t) + Q(t) = 1 u- a u u+ a - a a Q(t) = (- t) I * t EIR · Pr(x = u-a) = Pv (X2 u+a) E(t) = Q( t) · Pr(u - a(X = M) = Pr(u = X = u+c) · Pr(u - a =x = u+a) = 2Pv (u-a = x = M) = 2Pv (M = X = u+ a) = 1 - 2Pr(X < u - a) = 1 - 2Pr(x u+a) ene Esto,es válido para todo a Et ↑ ---------- - Distribución Normal Estándar -Sea 7 una variable aleatoria normal -- 0. 5 de la forma: EnN(0, 1) - E(z) = 0 Var(E) = 1 : ELL) Se dice quez sigue una distribución : Q(t) "Normal Estándar" - 22/2 (0) : 0 ; (0) = 1 5z(z) = E - 2π Q(00) = 1 j Q(0) = 0 2π (0) = Q(0) = 0 . 3 jar Transformación Lineal de una variable- aleatoria normal 8 Sea ~ (,2), y sea y la variable a leatoria dada por : = axtb , donde Función y Función Q : a y b son constantes, y a 0 , entonces , y también será normal con parámetros : Función : Es la función de distribución acumulativa () de la variable y -N (am+ b , a 02) , aleatoria ~ NCO , 1) , esto esi Teorema de Estandarización = (t) = Pr(z = t)= -22/2dz Sea x una variable aleatoria normal de ↓ & e2π I la Forma : XN(M , 02) Función : Complemento de la función Para calcular la probabilidad de un I evento arbitrario EX I EX 23 se tiene: PIEXES=S a 8 . 64 Watt. - (X-u)2 =Sdezare de X : potencia de la señal que llega al RX (watt] b Pero esta integral no X~N (10, 4) h= 10 de puede resolver en forma 02 = 4 + 0 = 2 analítica 5x(x) Por otro lado: ·NiP(X / EXEX2) =Pr(XIMEX Exalyo . X Ill 1 I 2 pero la variable aleatoria : Pr(x8 . 64) = Pv /X-1 < 8 . 6P - MO X= u =E X M ~NCO, Pero X -M = zN(0 , 1) J ·E() = E(X)El) = u-r = Luego : J PV(X <8 . 64) = Pr(z < 8 . 6410) · Var(x)= Var(x-u) = Varka 2 = Pr (zx - 0 . 08) = 02 = 1 = (-0 .68) : Buscamos en la tabla 02 el valor-0 . 6 y buscamos 0 . 08 para completar-0. 68 por tanto : = 0. 2483/ Pr(XIEXEz) =Pr(EEu S b) Calcular la probabilidad de que la G potencia recibida sea inferior a 7 . 000 donde =X ~ (0, 1) , Luego mwatt o superior a 11 . 8 Watts 7000mWatt = 7Watt PIEXE2) = Eu) - E (XI Pr(X <7 UX > 11 . 8) Ejemplo : La potencia (en Wattl de la señal que llega a un receptor ninalámbrico es una variable aleatoria normal con media 10 y varianza 4. Determinari 7 ig a La probabilidad de que la señal recibida tenga una potencia inferior Pr(XX 248) = Pr(x7) + Pr(X > 11 .8) Lo anterior, porque son eventos de Cual es la potencia recibida que excluyentes supera al 90 % de los casos? -pr (7 = 110) + Prjes11 .80) I Pr(zx - 1 . 3) + Pr(z > 0 . 9) Pr(X ( 2) = 0 . 9 - E (1 . 3) + 1 -Pr(zE0 .9) + (-1 . b) + 1 - (0. 9) - pr(z < 2 -10) = 0 . 9 = 0 . 0668 + 1 - 0 . 8159 (2 - 10) = 0 . 9 = 0 .2509/ c) Si se sabe que la potencia recibida ((2-10)) : - (0 .4) es inferior a la medía , cuál es la probab de que dicha potencia sea superior a 2-10 = (0 .9) 9.3Watte inferior a 17 . 3Watt ? 2 Pr(X >9. 31X 17 .3/XX10) 2 - 10 = 2 (1 .3) Pr (9. 5 (X < 17 .3/X = 10) = ? d = 2(1 . 3) + 10 d = 12 . 8 // = Pr((9 . 5 < X < 17 . 3) 1 XX10) Pr(X X 10) 14-06-2023 Ejemplo : XN (10, 4) = Pr (9 . 5 < X< 10) ↓ Pr(XX10) Potencia Recibida Entonces : Pr (9 . 5-10 < x 10-10)2 2 Cuál es la potencia recibida que Pr(z < 10 - 10 supera al 90% de los casos ? Z = Pr (-0 . 25 < 2 <0) Pr(z <O) #I/ = (0) - (- 0 . 23) - CO) Pr(XE d) = 8 . 9 = 0 . 5 -0 . 4013 = 0 . 1974 // 0 . 5 + Pr(x2n = d -1) = 0 . 4 O · NCO , 1) -⑦(ju) = 0 . 9 = Pr(x - 1 < 12 - q (2 - 10) = 0 . 9 p = Pr(z > 1) = 1 - ECI p = 1 - 0. 84/3 - p = 0 . 1587/ h - 10 = " (0 . 9) 2 Sea 7 la variable aleatoria discreta que representa el número de tomas - 2 - 10 = 2 (1 . 28) Con una potencia mayor a 12watt d = 2 (1 . 28) + 10 entonces : d = 12 . 56 Watt /I Trbinomial (u = 5 , p= 0 . 1587) e Obtener la densidad de probabilidad de la potencia expresada en mu. p+ (t) = (3) 0 . 1387 0 . 84133- ↑ = "potencia recibida en mu" tE 20 , 1 , 2 , 3 , 4 , 53 X ~N (10 , 4) - (x- 10)2 La probabilidad buscada es : P22) - 5x(x) = 1 2(4) C 22π Pr(T22) = 1 -Pr(T<2) = 1 - p+ (0) - p+ LI) Y = 1000 X = 1 (3 0 .. 138700 . 84133 Y ~ N (1000ELX) , 10003 Var(X)) · (5) 0 . 158700 . 84134 Y~ N (10 . 000 , 4000. 000) = 1 - 0 . 4214 - 5 (0 . 1587)(0. 8413)4 - (Y- 10. 0003 = 0 . 18108// FY(y) = I 8: 000. 000 E L 2000 2π I La gráfica aproximada es : P + (t) # Si se hacen 5 tomas independientes de la potencia recibida, ¿cuál es la probabilidad de que al menos des de I ellas superen los 12 watt? I 0 . 23 d s E ⑧ ⑧ & Teorema : Sean X1, X, ..., Xn variables v , aleatorias normales e independientes, XXX X X cada una con parámetros Mi y 02, Cada toma de potencia puede ser vista esto es,~ (Mi , 8:), para como un ensayo Bernoulli idéntico e El, 2, ..., . Sea y la suma de die has independientedel dersenen 12 variables , esto es : = = Xixat... Así R ~N(4 , 100) Luego: Entonces: Y Mi in) -Propiedad Pr(RIO) : Pr(RoM 20 , reproductiva Ejemplo: Sean las variables aleatorias : = Q(- 0 . 4) = 1 - 1 - 0 . 4) XN(0 , 4) , Y N(1 ,4) = 1-0. 3446 = 0 . 6554/ Si X y Y s independientes, calcular la probabilidad de que el promedio Ejemplo : El punto en el que cae una bala arimético de dichas variables sea inferior lanzada por un francotirador es un a 1 vector aleatorio continuo (X , ), donde X y 4 son variables aleatorias ad con W = X+ Y distribución normal estándar, medidas 2 en metros. Determinar : x + Y ~N(0- 1 , 4 +4) a La probabilidad de que la bala caiga x+Y N( - 1 , 8) a menos de un metro del origen x+9 -N((( , (E)(8) Y I w~( 1 , 2) ...... S- I -.... Pr(W1) = Pr (We <10LE - (3) = (1 .060 - . 0 . 8554// -, 1 , X - - 1 A Pr(3X - 420) = ? Sea R = 3 X-4) X , y ~ NCO, 1) R será normal con media y varranza dadas respectivamente por: Pr(x2+ y2' = 1) = ((5x,y(, 3) dydx x -+y= E(R) = E(3x- 4y) = 3ECX) - 4ELY) = 3(0) - 4(- 1) 5x ,y(x,3) = 5 x(x) - fy(y) = 4 / - x2+y2 : g-x3/2 . p -y 1 e2= Var(R) : Var (3x-49) 2IT 2π = Var (3x) +Var(-44) - x2+y = 9 VarLX) + 16 Var(Y) -preten ,se= q(4) + 16(4) = 100 / Transformando la integral a coordenadas FR :Pr(E) , 0 polares : I & X = Post II/ . x Y Y =9 send , T P = xx+y x tand = 3 -FRL= free e y Luego : Pr (x +y El Eje- ele bodd esde dedd -deee d poe I V= 2/2 me du =9(8 I u = 02/2 u0 = 0 du = P (P u(n = 12/2 10 : O 12/2 ul 1 = 112 FR(r = ! edu = -el = Se d ·ev) = 1 - e - 172 ,, 70 = 1 -e = 0 . 3934/ Así : S( = FR(= (1er b) Sea R la variable aleatoria "distancia Fr(u= , 10, que separa a la bala del Origen". Hallar la pdf de R . ↓ R sigue una distribución Rayleigh 5R(r)- M v R = x2 + y 2, Cual es la probabilidad de que el I tirador le acierte al objetivo mostrado &R = 10 , +o) en la figura. Y Fr() = Fr(u) , donde: - IY FR(r) = Pr(REr) Pr(-1EX El n -zEY = E) con una distribución de probabilidad PX(;) 5 (X;) , dependiendo del Event Dependientes caracter discreto o continuo de X). El Proceso Estocastro de Poisson = Pr(-1EX = 1) · PrC-112EYE 1/2) Es un proceso estocástico de tiempo = (1 - (1) · (0 . 3) - -0. 3) continuo y amplitud discreta, que = 0 . 8413 -0 . 1587 · 0 . 6913-0 . 3083 consiste de una secuencia de incidentes = 0 . 6826 (0. 383) Lo sucesos) puntuales que ocurren de = 0 . 2614 manera descoordinada a lo largo del Il tiempo (por ejemplo : accidentes da d) Cuál es la probabilidad de que el tránsito, llamadas telefónicas, fallas tirador leacierte al objetivo de la en una red, llegada de clientes a un figura ? banco, paso de vehículos por una intersección, etc) . .li O Tiempo & · · ⑳ ⑧ · * && Pr 3a · ocurrencias del suceso (puntos en el tiempol . 21-06-2023 Los instantes en que ocurren los I PROCESOS ESTOCÁSTICOS incidentes(o suceso son aleatorios, Así como el número de ocurrencias en · Generadores aleatorios de funciones un determinado intervalo de tiempo, del tiempo. sin embargo, el número promedio de - Función del tiempo cuya amplitud en ocurrencias por unidad de tiempo se cada instante es una variable aleatoria asume constante y se conoce como X(t) "tasa del proceso Poisson", la cual aleatoria se simboliza con , donde EIR . Nota : El valor de 1 puede ser entero ¿ decimal , y siempre es positivo.M Un proceso Poisson con tasa a satisface las siguientes premisas : X (ti) ⑧ ↑ 1) El número promedio de ocurrencias en ti t2 t3 un intervalo de tiempoes proporcional X() : proceso estocástico a la extensión de ese intervalo . En cada instante E , X(E) es una 2) Las ocurrencias en intervalos que no variable aleatoria (discreta o continua se traslapan son estadísticamente independientes. y= 3)Cualquier intervalo de tiempo puede dividirse en ranuras de tiempo suficientemente pequeñas, de tal forma que en cada vanura será : y ~ Poisson() haya,a lo sumo, , una ocurrencia. Este descarta la posibilidad de ocurrencias PX(X) PXCX) simultáneas . A pequeño 4) El valor de 7 no depende de la ubicación del intervalo de análisis, sólo depende de su extensión. (proceso 1 , 1 homogéneo) . x x grande x · Ilustración del Proceso Poisson Ejemplo : Los vehículos quepasan por un peaje obedecen a un proceso Número de ocurrentras Prisson con tasa de 2 vehículos - cada 3 minutos . - - a) Cuál es la probabilidad de que en - un minuto pasen al menos 3 venículos? - - % . Tiempo R = 2 vehículos/3mins T , TI T3 3mins * R= 2 DistribucióPaisson I min R= ? Seax la variable aleatoria discreta que representa el número de ocurrencias en - = veh/Imin un intervalo fijo de tiempo. Se dice 3 queX sigue una distribución Paisson X = "número de vehículos en un de parámetro , esto es, X Poisson(A) minute" Características de la distribución poisson Xi : "número de ocurrencias en un intervalo fijo de tiempo" · 2x = 20 , 1 , 2 , 3 ...., + 03 Xin Poisson( = 3) · x() = Pr(X = X) = ex X ! PX , (xi) = e -213(213) j xe50, 1 , 2 .... 3 para XE50, 1 , 2 , 3,..., 03 X · E(X) = x Pr(X , 23) = Px , (3) + Px2(4) + ... · Var(X) = A · Si XI, 2, 3, ..., Xn son variables 1Pr(x 1 < 3) = 1 - (PX , (0) + PX , (1) +PX ,(2)] aleatorias independientes, cada una de la forma Xinpoisson(1) , apoisson() , = 1 -E -21 (2/3/4 ... ~Piso(n), entonces, la X=8 X ! variable aleatoria y dada por : = 1 - -2132 (2(3) = 0 . 0302//X=0 X ! Si en el primer minuto no pasó X= "número de vehículos en el intervalo ningún vehículo. ¿ Cuál es la probabilidad [11 : 00 , 11 : 03] de que en los 455 siguientes pasen a lo Y : "número de vehículos en el intervalo sumo 2 vehículos ? 211 : 05 , 11 : 07]" X= "número de vehículos en el primer X , y : independientes minuto" Y "número de vehículos en los 455 Pr(X = 0 1 y = 1) = Pr(X= 0) Pr(y2) Siguientes" = Pr(x = 0 ( [1 - Pr(y = 1)] = PX (0) [1 - py(0)] ~Poisson(= 2/3) Variables aleatorias YPOSSON (t = 1/2 3 independientes ~ Poisson (R = 2) ~ Poisson(= 413) 3mins 2 3 = 3min 2umins 2 min 3 = 413 Px(x) = e 21321 - = -20 . (1 - e - 3 IO ! Py(y) : -1129e Yo = e -2(1 - e -413] = 0 . 0996/ Pr(Y = 2 x =0) Pregunta adicional : 5 Eventos P0U21) Aplicamos D'Morgan Independientes = ( Pr((x=0) &(y =1)) ↓ X II I I = 1- Pr(X EO) Pr(y = 1) I I I = 1 - [1 - Pr(X=O)) (Pr (Y =O) J Imin Imin y 45seg = 1 - [1 - e-2] (e-413) Pr(Y =2) = Py(y) =2 1 12 d)Si en los primeros 5 minutos pasaron ! 4 vehículos, ¿cuál es la probabilidad de que en los 2 primeros minutos no haya -> Pu (y = 2) = 0 .9836/ pasado ningún vehículo? el Cuál es la probabilidad de que entre I I IC las 11 :00 y las 11 :03 no pasen vehículos O 2min 5min S y entre las 11 : 03 y las 11 :07 paseal-I C menos un vehículo ? X Y X I - - I :03 I I It X = "número de ocurrencias en el intervalo 11 :00 11 : 03 11 : 07 10 , 27 ~ PoisSon (x = 4/3) :"número de ocurrencias en el intervalo · Recorrido: = 20, +0) (2 , 5)"~ PoisSON (R=2) · pdf : 5T(t) = xe x , +2 0 X , Y : variables aleatorias independientes E O , en otro caso Pr(X=0/x + y = 4) x FTLt) x+ Y ~ POisSON (R = 2 +El E x+y ~ Poisson (R = 10 Il ·Media : ELT) = 1 * Pr(x =0/x+y = 4} ·Varianza: Var(T) I - 72 = Pr(X =0 - Pr(x +y =4/X=0) - Bayes ST(t) Pr(X + Y = 4) : xx> : xxX = Pr(X =0) Pr (0+ Y = 4(X =0) X 21 : La distribución Pr(X+ Y = 4) "L estará más concentrada = Pr(X=0) Pr(Y =4) - hacia el origen. Pr(X+Y = 4) Distribución Erlang Suponga un procesoPoisson con tasa . = 2+4134/30 * I Sea la variable aleatoria continua que 0 ! pl (el representa el tiempo hasta la k-ésima ex0310/34 Ocurrencia,con . Se dice que sigue ! una distribución Erlang con parámetros y - 413 y , esto es : T ~ Erlang(, X) . = C e -10131013 (e 24] · Características de la distribución Erlang : 623 · Recordo =20en el: 81 = 0 . 1296/ E (k goxt , 20 O , en otro caso. 26-06-2023 fT (t) Distribución Exponencial k = 1 Suponga un proceso Poisson con tas . ............ K = 2 Sea la variable aleatoria continua k= 3 que representa el tiempo hasta la primera t -- j = 4 Ocurrencia (tiempo entre ocurrencias consecutivas). Se dice que sigue una ·Media : EL)= K / X distribución exponencial de parámetro Varianza :Va/ j esto es, ~exponencial (x) · Si = 1, ~ Erlang(I, ) = exponencial (x) · Sean Ti, 2, ..., k variables aleatorias vid, Cada una de la forma Tirexponencial (1), = 312 o = 1 - e - 3/12(3) entonces : 3 y=, ~Erank, = 1 - e 3/4 = 0 . 7134// ↓ I T OtraForma : V= "Tiempo hasta observar Si es suficientemente grande el primer Vuelo" (horas) (K > 30) : V-exponencial (x =25) I ↓ IN ,), 3mins a horas 3160 = 1 horas 20 X(): Proceso Paisson Sv(v) = 23-23 , v20. , I Pr(V = 1120) = "Fulus bu I - D I ! t 12323v = -2310 1/20 exp(a) exp exp exp (1)(x) (x) = 1 - e - 23(1120) = 0 . 7134/- Erlang (k = 4 , a) b) Calcular la probabilidad de que el 4to Ejemplo : Los vuelos que llegan a un aeropuerto vuelo aterrice después de que se cumplan Obedecen a un proceso poisson con los primeros 10 mins . tasa de 23 vuelos por hora. T : "Tiempo hasta el 4to vuelo" [min] as Si una persona llega a las 2 de la tarde ~ Erlang(= 4, X = 3/12) al aeropuerto, cuál es la probabilidad de que Observe el primer atenzaje antes de las 2 : 03 ST Lt) = (f2) * ( 40 g - 3112t , 20 p.m? (4 - 1) ! T : "Tiempo hasta observar el primer avión = 625 (3pt , +20 [min] 6- 1442 Pr(T < 3) = ? Pr(T > 10) = S FLESde Se TLES DE , donde : Filt) = Dest , 20 =12 +3 -312d{ 0 , 0 . U 14 : 60mins 23 x: : > 10 "El 4to avión aterriza después del I min décimo minuto" = En 10 minutos aterrizaron 3 o El menos aviones" ST(t) = 3/122 +23/12 , 20 ! · Emin (2- 1) ! & ! ! Emin Pr(T < 3) = SFLtS = = 0 . 3333 Il ! ⑳ & · ! temin] / ! min) Otra Forma : t2min] X Pr(3) : "El tiempo hasta la segunda ↓ a ooooo o Ocurrencia es inferior a 3min" : Seample ; X : No secumple -Pr("en 3 min hay 2 o más ocurrencias" Sea x la variable aleatoria discreta ! ⑧ O ↑ t X que representa el número de vuelos en 3min 10minutos , entonces : 01 O ~ ! 3min ↑ t X-Poisson (X = 23/6) ↑ 0010 00! · 3min ↑ t Ahora : 60mins ↑ 10mins 23 1 x =230 ! O oo e O ↑ t PX(x) = 2 2516 (23/6), e60, 1 , 2, ...,3 = "número de vuelos en 3mins" X! ~ Poisson (X = 5/4) AS : Pr(10) = Pr(XE3) = 2516 (25/6)+ X = 0 X ! PU(TX3) = Pr(X2) = PXCES = 0 . 4016/ Px(x) = e3/4(3/4)x Otra forma : V= "tiempo hasta el 4t X ! Vuelo"Choras] · 3/4(5/4)+ 1 - Pr(X < 2) = 1- ~ Erlang (k = 4 , x= 25) X=C X ! = 0 . 3534// fu(v) = 23 4 24 p-25 , V30 (4- 1) ! d Una persona llega al aeropuerto a las 2 : 00m. Si el primer avión que Pr(VE: 2 15 = 0 . 40 esa persona observa aterriza antes de las 2 :Olm, cuál es la probabilidad el Cuál es la probabilidad de que de que el segundo avión que esa persona transcurran menos de 3minutos entre Observa aterrice después de las 2 :03 pm? el 5to y el 7mo vuelo ? = "Tiempo hasta la 2da ocurrencia" = "Tiempo hasta que aterriza el primer ~ Erlang (k = 2 , = 5/12) [mins] avión" R : "Tiempo entre el aterrizaje del lev avión y el aterrizaje del ado arrón" rexponencia =3a di en Pr(TtR >3/TX1) = Pr(T +R> 3 &TXI) PUCTXI = Pr(R >T Tl) PrCTXIS . donde PULTI = SFTLS DE =SBestE = 1 - e - 3/12 PIR3-TTX1) :SSTRLE, rs ande · ·se =! binz en t . eb e t ↑ = e - 34) k = e 314
Compartir