Documente Academic
Documente Profesional
Documente Cultură
1
INTRODUCCIÓN
2
Función de distribución Acumulada:: función que a cada valor posible de
una VA le asigna la probabilidad de que la variable sea menor o igual
que ese valor.
FX (r) = P(X ≤ r)
E(X) = µ = s. p ( s ) si X es discreta
X
S
+∞
E(X) = µ = s. f X
( s ) ds si X es continua
−∞
σ (s − µ ) . p
2 2
Var(X) = = (s) si X es discreta
X
S
+∞
σ (s − µ ) . f
2 2
Var(X) = = ( s ) ds si X es continua
X
−∞
5
DISTRIBUCIONES DISCRETAS
• DISTRIBUCIÓN BINOMIAL
o Lote de tamaño “N”
o Se extrae una muestra de “n” unidades con reposición
o Cada unidad se clasifica como apta o defectuosa
D
o p= fracción de unidades defectuosas en el lote
N
X = “número de unidades defectuosas en la muestra”
X ∼ Bin(n,p)
Función de probabilidad:
n k n−k
p X
(k ) = P ( X = k ) = C k . p . (1 − p)
6
µ = np
σ2 = np(1-p)
Ejemplo:
X ∼ H (n,N,D)
Función de probabilidad:
D N − D
.C
p X
(k ) = P ( X = k ) = C k
N
n−k
C n
n .D 2 n. D D N −n
µ =
N
σ =
N
.(1 − ).(
N N −1
)
8
Ejemplo:
= 0.147
C 100
10
n
OBS.: si ≤ 0.1 se aproxima al modelo con reposición
N (Binomial)
9
• DISTRIBUCIÓN DE POISSON
X ∼ P (λ)
Función de probabilidad:
p X (k ) = P ( X = k ) = λ k .e−λ
k!
µ = λ , σ2 = λ
10
Ejemplo:
= 0.0296
Obs.: si p ≤ 0.1 y np ≤ 10 la distribución Binomial se
aproxima a la Poisson de
parámetro np.
11
DISTRIBUCIONES CONTINUAS
• DISTRIBUCIÓN NORMAL
Es la distribución continua más importante.
Sea X ∼ N(µ,σ2) , con µ ∈ ℜ , σ > 0
Densidad de probabilidad:
2
1 1 t− µ
f (t) = exp − t ∈ℜ
X
σ 2π 2 σ
o Distribución normal estándar: distribución normal con
µ=0 ,σ=1
X −µ
X ∼ N(µ,σ2) Z= ∼ N(0,1)
σ
La función de distribución de Z se denota por “Φ(.)”, y está
tabulada. 12
X −µ a−µ a−µ a−µ
P( X ≤ a ) = P ≤ =P Z≤ =Φ
σ σ σ σ
13
Ejemplo:
Luego de un gran número de determinaciones se ha comprobado
que la temperatura de desconexión de ciertos termostatos responde a
una distribución normal con µ = 80 ºC y σ = 2 ºC.
a) Calcular la proporción que corta entre 80 y 82 ºC.
b) Si la especificación es 81 ± 3 ºC, ¿cuál es la proporción de
termostatos defectuosos?
a) X = “temperatura de desconexión de un termostato”
82 − 80
Proporción que corta entre 80 y 82 ºC = Φ − 0 .5 = 0.3413
2
b) p = fracción defectuosa
84 − 80 78 − 80
p =1− Φ +Φ = 1 − Φ ( 2 ) + Φ ( − 1) =
2 2
µ =
a+b , σ 2
=
(b − a )2
2 12
15
Ejemplo:
Una máquina realiza el fraccionamiento de café en frascos de
1kg. La experiencia indica que el contenido de café en los frascos
llenados por esa máquina responde aproximadamente a una
distribución uniforme entre 800 y 1200 g. La especificación
establece que el contenido debe ser de al menos 900 g.
a) ¿Cuál es la fracción de frascos que no la cumplen?
b) Si se inspeccionan tres frascos, ¿cuál es la probabilidad de
que todos cumplan la especificación?
a) X = “contenido neto de un frasco” X ∼ U [800,1200]
1 1
∀ t ∈ [800,1200] f X (t ) = p= .100 = 0.25
400 400
b) P(X ≥ 900) = 1 – p = 0.75
P(3 cumplan la especificación) = (1 - p)3 = 0.753 = 0.422
16
• DISTRIBUCIÓN EXPONENCIAL
Se emplea en el área de la confiabilidad, como un modelo para
estimar el tiempo hasta la falla de un componente o sistema.
Sea X ∼ Exp (λ) , con λ > 0
λ = tasa promedio de fallas = cte.
Densidad de probabilidad: f ( t ) = λ . exp( − λ t ) , t≥0
X
17
1 2 1
µ=
λ
, σ =
λ2
Función de distribución:
a
F X (a ) = P ( X ≤ a ) = 0
λ . exp( − λ t ) dt = 1 − exp( − λ a )
, a≥0
Ejemplo:
En un ensayo de vida útil se prueban 500 componentes de un tipo
determinado. Se sabe que la vida útil de los mismos se distribuye
exponencialmente. Al cabo de 1000 hs. de uso han fallado 5
componentes.
a) ¿Cuántos componentes sobrevivirán 25000 horas?
b) ¿Cuántos componentes fallarán antes de su vida esperada?
18
a) X = “tiempo hasta la falla de un componente”
X ∼ Exp(λ)
5
λ = 500 = − 5 −1
1000
10 h
P ( X ≥ 25000 ) = 1 − P ( X ≤ 25000 ) =
= 1 − ( 1 − exp( − 10 − 5 . 25000 )) = 1 − ( 1 − exp( − 0 . 25 )) =
= exp( − 0 . 25 ) = 0 . 7788
N = 500 . P ( X ≥ 25000 ) = 389 . 4 ≅ 389
1
b) µ= = 10 5 h = tiempo medio hasta la falla
λ
P ( X ≤ µ ) = 1 − exp( − λ . µ ) = 1 − exp( − 1 ) = 0 . 6321
N = 500 . P ( X ≤ µ ) = 316 . 05 ≅ 316
19
• χ2 )
DISTRIBUCIÓN CHI-CUADRADO (χ
La distribución χ2 resulta cuando “ν” variables independientes
idénticamente distribuidas N(0,1) son elevadas al cuadrado y
sumadas:
X1,..., Xυ iid N (0,1) Y = X12 + ... + Xν2 ∼χ2
Densidad de probabilidad:
1 ν / 2 − 1 − x 2 /2
f Y ( x) = ν / 2 x e
, x>0
2 Γ (ν / 2 )
Densidad de probabilidad:
− ( k + 1) / 2
Γ [(k + 1 ) / 2 ] t2
f t (x) = +1
, -∞<t<∞
kπ Γ (k / 2) k
24
La distribución F está tabulada para diferentes valores
de u y v.
25
APROXIMACIONES ENTRE DISTRIBUCIONES
DE PROBABILIDAD
H
n
≤ 0. 1
N
B
p ≤ 0 .1
np > 10 np ≤ 10
0.1 ≥ p ≥ 0.9
P
λ ≥ 15
26