Documente Academic
Documente Profesional
Documente Cultură
1. Teoría de la probabilidad
2.Variables aleatorias
3.Variables aleatorias conjuntas
4. Modelos probabilísticos de fenómenos aleatorios
discretos
5. Modelos probabilísticos de fenómenos
aleatorios continuos
Modelos Probabilísticos Comunes
Objetivo
1
𝑃 𝜇 − 𝑘𝜎 ≤ 𝑋 ≤ 𝑘𝜎 + 𝜇 ≥ 1 − 2
𝑘
TEMA V
Teorema de Chebyshev
EJEMPLO 1
Una variable aleatoria tiene una media 12, con una variancia
9. Utilizando el teorema de Chebyshev, obtener:
a) 𝑃 6 < 𝑋 < 18
b) 𝑃(3 < 𝑋 < 21)
TEMA V
Teorema de Chebyshev
EJEMPLO 2
1
; 𝑎≤𝑥≤𝑏
𝑓𝑋 𝑥 = ቐ𝑏 − 𝑎
; 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
0
−λ𝑡
𝑓𝑇 𝑡 = ቊλ𝑒 ; 𝑡>0
0 ; 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
Y
𝐹𝑇 𝑡 = 1 − 𝑒 −λ𝑡
TEMA V
Distribución Exponencial
Función generadora de momentos
∞
𝜃𝑡 −λ𝑡
λ
𝑀𝑇 𝜃 = න 𝑒 λ𝑒 𝑑𝑡 =
0 λ−𝜃
TEMA V
Distribución Exponencial
EJEMPLO 6
𝜞 𝛼 = න 𝑥 𝛼−1 𝑒 −𝑥 𝑑𝑥
0
Propiedades:
1. Con cualquier 𝛼 > 1, 𝜞 𝛼 + 1 = 𝛼 ∗ 𝜞 𝛼
2. Con cualquier entero positivo n 𝜞 𝑛 + 1 = 𝑛!
1
3. 𝜞 = 𝜋
2
TEMA V
Distribución Gamma
Se dice que una variable aleatoria continua X tiene una
distribución Gamma si la función de densidad de
probabilidad es
1 𝑥
𝛼−1 −
𝑥 𝑒 𝛽 𝑥>0
𝑓 𝑥; 𝛼, 𝛽 = ቐ𝛽 𝜞(𝛼)
𝛼
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
Donde 𝛼 > 0 𝑦 𝛽 > 0
TEMA V
Distribución Gamma
La distribución modela el tiempo hasta que se produce 𝛼
veces un determinado suceso.
𝛼 corresponde a la forma
1
𝛽 corresponde a la escala 𝛽 =
𝜆
𝜇 = 𝛼𝛽 y 𝜎 2 = 𝛼𝛽 2
TEMA V
Distribución Gamma
http://www.monografias.com/trabajos46/limites-control-ambiental/Image1255.gif
TEMA V
Distribución Gamma
Si X tiene una distribución gamma con parámetros 𝛼 y 𝛽
entonces con cualquier 𝑥 > 0, la función de distribución
acumulativa de X es
∝−1
𝑥 1
𝑥 1 − 𝛽𝑥
𝛽
𝑃 𝑋 ≤ 𝑥 = 𝐹 𝑥; 𝛼, 𝛽 = න 𝑒 𝑑𝑥
𝜞 ∝ 𝛽
0
Función generadora de momentos
−𝛼 ;
1
𝑀𝑋 𝜃 = 1 − 𝛽𝜃 0≤𝑥<
𝛽
TEMA V
Distribución Gamma
Si X tiene una distribución gamma con parámetro 𝛼 = 𝑛 donde n es
un número entero natural, entonces la función de distribución
acumulativa de X es
𝑘
∞ 𝑥
𝑥
𝑥 𝛽 −
𝑃 𝑋 ≤ 𝑥 = 𝐹 𝑥; 𝛼, = 𝑒 𝛽, 𝑥>0
𝛽 𝑘!
𝑘=∝
0, 𝑥≤0
𝑘
∝−1 𝑥
𝑥
𝑥 𝛽 −
𝑃 𝑋 ≤ 𝑥 = 𝐹 𝑥; 𝛼, = 1− 𝑒 𝛽, 𝑥>0
𝛽 𝑘!
𝑘=0
0, 𝑥≤0
a) 𝑃 𝑍 < −1
b) 𝑃 𝑍 ≤ −0.89
c) 𝑃 −0.86 < 𝑍 ≤ 1.97
d) 𝑃(𝑍 > 2)
e) 𝑃 𝑍 > 0.89
TEMA V
Distribución Normal
EJEMPLO 13
σ𝑛𝑖=1 𝑥𝑖 − 𝜇 2
𝑌=
𝜎2
Entonces 𝑌~𝝌2(𝑛)
Y recordando que la variancia se calcula:
σ 𝑛 2
𝑖=1 𝑥𝑖 − 𝜇
𝑆𝜇2 =
𝑛
TEMA V
Distribución Chi-cuadrada
EJEMPLO 18
a) 𝐹𝛼=0.05, 12,9
b) 𝐹𝛼=0.05, 12,9
c) 𝑃 𝐹 > 𝑓𝛼, 7,12 = 0.005
d) 𝑃 𝐹 ≤ 𝑓𝛼, 5,10 = 0.9
e) 𝑃 𝐹 ≤ 𝑓𝛼, 8,100 = 0.99
TEMA V
Distribución F-Fisher
Esta distribución se utiliza para comparar las variancias de
dos muestras.
𝑆𝑋2
𝜎𝑋2
2 ~𝐹(𝑛𝑋 −1,𝑛𝑌 −1)
𝑆𝑌
𝜎𝑌2
TEMA V
Distribución F-Fisher
EJEMPLO 24
Y función acumulativa
0; 𝑥<0
𝐹 𝑥; 𝛼, 𝛽 = ቐ −
𝑥 𝛼
1−𝑒 𝛽 𝑥≥0
TEMA V
Distribución Weibull
EJEMPLO 26
1 ln 𝑥 −𝜇 2
−
𝑒 2𝜎 2 , 𝑥≥0
𝑓 𝑥; 𝜇, 𝜎 = ൞ 2𝜋𝜎𝑥
0, 𝑥<0
TEMA V
Distribución Lognormal
EJEMPLO 28
Características:
1. Deben ser uniformemente distribuidos
2. Deben ser variables independientes
3. Reproducibles
4. Deben ser de periodo largo
5. Deben salir de un método rápido
TEMA V
Generación de números aleatorios
MÉTODOS CONGRUENCIALES
1. Método de congruencia lineales (Lehmer)
MIXTO
1. m y b son primos entre sí
2. a no debe ser divisible entre 3 o 5
MULTIPLICATVO
1. La semilla debe ser impar
2. 𝑎 = 200𝑡 ± 𝑝 donde p es un número primo
3. 𝑚 = 2𝑘 𝑜 10𝑘
TEMA V
Generación de números aleatorios
EJEMPLO 28