Modelos de Distribucion de Probabilidad Tarea 4

Maria Patricia Trujillo Uribe Edificio 357 Oficina 2020

Probabilidad directa e inversa

Probabilidad directa usa un modelo que describe un proceso basado en supuesto sobre las caractersticas de los datos Probabilidad inversa se basa en el calculo de la probabilidad condicional de una o mas variables no observadas dada una variable observada. Se conoce como enfoque bayesiano

Distribuciones de Probabilidad

Variable aleatoria
Una variable aleatoria X es una funcin que asocia a cada suceso del espacio muestral E de un experimento aleatorio un valor numrico real:

X :E w X ( w)
La variable aleatoria puede ser discreta o continua.

Distribuciones de Probabilidad

Nmero de caras al lanzar 3 monedas.

Elementos del espacio muestral
Ley de correspondencia

+++

++C +C+

C++

CC+

C+C

+CC CCC

N reales

3 caras

Distribuciones de Probabilidad

Funcin de probabilidad
Una vez definida una variable aleatoria X, podemos definir una funcin de probabilidad asociada a X, de la siguiente forma:

p : [0,1] x p( x) = P( X = x)
La funcin de probabilidad debe cumplir:

(i ) p ( x) 0 x (ii ) p ( x) = 1
x

(Suma sobre todos los posibles valores que puede tomar la variable aleatoria).

Distribuciones de Probabilidad

Funcin de probabilidad discreta

Valores

Probabilidad 1/4 = 0.25 2/4 = 0.50 1/4 = 0.25

Z Z Z Z

0 1 2

Distribuciones de Probabilidad

Requerimientos de una distribucin de probabilidad

X P(X) X P(X) X P(X)

-1 0 1 2 3

0.1 0.2 0.4 0.2 0.1 1.0

-1 0 1 2 3

-0.1 0.3 0.4 0.3 0.1 1.0

para todo

-1 0 1 2 3
x

0.1 0.3 0.4 0.3 0.1 1.2

0 P (x) 1
para todo x

P (x) = 1
7

Distribuciones de Probabilidad

Observa que aun si el espacio muestral es infinito numerable, podemos definir una variable aleatoria discreta y una funcin de probabilidad. Ejemplo: Sea X = Nmero de lanzamientos de una moneda antes de que aparezca una cara. Tenemos que: P(X = 1) = P(C) = 1/2 P(X = 2) = P(+C) = 1/2 . 1/2 = 1/4 P(X = 3) = P(++C) = 1/2 . 1/2 . 1/2 = 1/8 etc. y en general P(X = n) = (1/2)n, n = 1,2,.
Distribuciones de Probabilidad 8

Sea el experimento lanzar dos dados. El espacio muestral E es: E = {(1,1),(1,2),...(1,6),...,(5,6),(6,6)} Sea la variable aleatoria discreta X: con S = {2,3,...,12} la suma de puntos. Una posible funcin de probabilidad es: f : [0,1]

X : E S

f (2) = P(X = 2 ) = P( (1,1) ) = 1/ 36 f (3) = P(X = 3 ) = P( (1,2) (2,1) ) = 2 / 36 f (4) = P(X = 4 ) = P( (1,3) (3,1) (2,2) ) = 3 / 36 ...
Distribuciones de Probabilidad 9

Funcin de probabilidad de la variable aleatoria X

6/36

P
4/36 3/36 2/36 1/36

5/36

5/36 4/36 3/36 2/36 1/36

10

11

12

Observa que cumple las dos condiciones: es siempre positiva y la suma es uno. 10
Distribuciones de Probabilidad

Funcin de distribucin
Dada una variable aleatoria discreta X se llama funcin de distribucin a la funcin F definida como:

F : [0,1]

x F ( x) = P( X x)
En el ejemplo de los dos dados: F(5) = P(X 5) = P(x = 2 o x = 3 o x = 4 o x = 5) F(5) = 1/36 + 2/36 +3/36 + 4/36 = 10/36
Distribuciones de Probabilidad 11

Funcin de distribucin de la variable aleatoria X

F
1,0

0,5

0,028 2 3 4 5 6 7 8 9 10 11 12

x
12

Distribuciones de Probabilidad

Ejercicio:
Dibuja la funcin de probabilidad f(x) y la funcin de distribucin F(x) de una variable discreta definida como: X = Nmero en la cara de un dado.

Distribuciones de Probabilidad

13

X tiene como posibles valores x = 1, 2, 3, 4, 5, 6 cada uno con probabilidad 1/6

1 6

F(x)
0.5

f(x)

0 1

Funcin de probabilidad f(x)

Funcin de distribucin F(x)

Distribuciones de Probabilidad

14

Algunos problemas de probabilidad estn relacionados con la probabilidad de que X asuma algn valor en un intervalo, P(a <X b) . Observa que: P(a < X b) = F(b) - F(a) Los sucesos X a y a< X b son mutuamente excluyentes. Entonces: F(b) = P(X b) = P(X a) + P(a < X b) = F(a) + P(a < X b)

Distribuciones de Probabilidad

15

En el ejemplo de los dos dados, calcula la probabilidad de que los dos dados sumen al menos 4 pero no ms de 8. P(3 < X 8) = F(8) - F(3) = 26/36 - 3/36 = 23/36

Distribuciones de Probabilidad

16

Propiedades de la funcin de distribucin

F (+) = lim F ( x) = lim P( X x) = P( E ) = 1

x + x +

F () = lim F ( x) = lim P ( X x) = P() = 0

x x

P( x1 < X x2 ) = F ( x2 ) F ( x1 )
F es montona creciente. F es continua por la derecha: la probabilidad de que la variable aleatoria discreta X tome un valor concreto es igual al salto de la funcin de distribucin en ese punto.
Distribuciones de Probabilidad 17

Esperanza matemtica o media de un distribucin discreta

= E( X ) = xi P( X = xi ) = xi p( xi )
i i

X
-1 0 1 2 3

P(X)
0.1 0.2 0.4 0.2 0.1

X P(X)
-0.1 0.0 0.4 0.4 0.3 1.0
18

Distribuciones de Probabilidad

Calcular la esperanza de la variable aleatoria X en el ejemplo de los dos dados:

= E ( X ) = P(i ) i =
i =2

12

1 2 6 1 2 + 3 + ... + 7 + ... + 12 = 7 36 36 36 36

Distribuciones de Probabilidad

19

Propiedades:
Sean a, b y c constantes, X y Y variables aleatorias
(1) (2) (3)

E (c ) = c

E ( X + Y ) = E ( X ) + E (Y )
E (aX + b) = aE ( X ) + b

X y Y son independiente

Distribuciones de Probabilidad

20

Momento de orden k de una variable aleatoria

De forma ms general podemos definir la esperanza matemtica o media no solo para una variable aleatoria X, sino para cualquier funcin T(X) como:

= E(T ( X )) = T ( xi ) p( xi )
i

Tomando como funciones a:

T1 ( X ) = X k

obtenemos los momentos de orden k centrados en el origen:

mk = E ( X k ) = xik p ( xi )
i
Distribuciones de Probabilidad 21

Y tomando como funciones a:

T2 ( X ) = ( X ) k

obtenemos los momentos de orden k centrados en la media de X:

M k = E (( X ) k ) = ( x ) k p( xi )
i

Observemos que:

m1 = E ( X ) = M1 = E( X ) = E( X ) = 0
Distribuciones de Probabilidad 22

Varianza y desviacin estndar o tpica

Varianza

2 = Var ( X ) = M 2 = E (( X ) 2 ) =

(x )
i i

P ( X = xi )

Desviacin estndar o tpica

= Var ( X )
23

Distribuciones de Probabilidad

Ejemplo
X P(X)

( X ) ( X ) P( X )
2

-1 0 1 2 3

0.1 0.2 0.4 0.2 0.1

-2 -1 0 1 2

4 1 0 1 4

0.4 0.2 0.0 0.2 0.4 1.2

2 = ( xi ) 2 P ( xi ) = 1,2
i

= Var ( X ) = 1.10
Distribuciones de Probabilidad 24

Calcula la varianza y desviacin tpica de la variable aleatoria X en el ejemplo de los dos dados:

Var ( X ) = P(i) (i 7)2 =

i=2

12

1 2 1 (2 7)2 + (3 7)2 +...+ (12 7)2 = 5,83 36 36 36

= Var ( X ) = 5,83 = 2,41

Distribuciones de Probabilidad

25

Algunas propiedades de la varianza

Var ( X ) =
2

(x
i

) 2 p ( xi ) =

(x
i

2 i

+ 2 2 xi ) p ( xi ) =
i

x
i

2 i 2

p ( xi ) + 2 2 xi p ( xi ) =
2 2

E ( X ) + 2 = E ( X 2 ) ( E ( X )) 2

2 = E( X 2 ) ( E( X ))2
Distribuciones de Probabilidad 26

Propiedades:
Sean a, b y c constantes, X y Y variables aleatorias
(1) (2) (3)

Var (c) = 0

Var ( X + Y ) = Var ( X ) + Var (Y )

Var (aX + b) = a 2Var ( X )

X y Y son independiente

Distribuciones de Probabilidad

27

Distribucin de Bernoulli
Experimento de Bernoulli: solo son posibles dos resultados: xito o fracaso. Podemos definir una variable aleatoria discreta X tal que: xito 1 fracaso 0 Si la probabilidad de xito es p y la de fracaso q = 1 - p, podemos construir una funcin de probabilidad:

P ( X = x) = p x q1 x
1

x = 0,1

Evidentemente:

P( X = x) = P( X = 0) + P( X = 1) = p + q = 1
x =0
Distribuciones de Probabilidad 28

Esperanza y Varianza de la distribucin de Bernoulli.

E[ X ] = = x P ( X = x) =
x =0

0 P( X = 0) + 1 P ( X = 1) = p
Var ( X ) = E[ X 2 ] ( E[ X ]) 2 = x 2 P ( X = x) p 2
x =0 1

= 0 2 P ( X = 0) + 12 P( X = 1) p 2 = p p 2 = p (1 p ) = pq
Distribuciones de Probabilidad 29

En resumen: distribucin Bernoulli

Experimento de Bernoulli: solo son posibles dos resultados: xito o fracaso. Definimos la variable aleatoria discreta X tal que: xito 1 fracaso 0

P ( X = x) = p x q1 x E[ X ] = p

x = 0,1

Var ( X ) = E[ X 2 ] ( E[ X ]) 2 = pq

Distribuciones de Probabilidad

30

Distribucin binomial
La distribucin binomial aparece cuando estamos interesados en el nmero de veces que un suceso A ocurre (xitos) en n intentos independientes de un experimento.

Puede verse como la repeticion de n ensayos indepentiende de Bernoulli

Se define p (probabilidad de xito) como la probabilidad de que A ocurra en un intento, entonces q = 1-p es la probabilidad de que A no ocurra (probabilidad de fracaso).

Distribuciones de Probabilidad

31

Se realizan n ensayos (intentos) independientes de Bernoulli y se define la variable aleatoria: X = Nmero de veces que ocurre A. Entonces X puede tomar los valores 0, 1, 2, ... n. Si consideramos uno de estos valores, fijamos el valor de X= x , es decir que en x de los n intentos ocurre A y en n-x no. La probabilidad de cada posible ordenacin es pxqn-x y existen x idnticas ordenaciones.
k

Distribuciones de Probabilidad

32

La distribucin de probabilidad P(X = k) ser:

n n! p x (1 p ) n x B(n, p ) = p ( x) = p x (1 p ) n x = x x!(n x)!

Distribucin binomial para n = 5 y distintos valores de p, B(5, p)

Distribuciones de Probabilidad

33

Ejercicio: Supongamos que la probabilidad de encontrar una estrella de masa m* >10 M en un cmulo estelar joven es del 4%. Cul es la probabilidad de que en una muestra escogida al azar, entre 10 miembros del cmulo encontremos 3 estrellas con m* >10 M ?

n p(x) = p x( 1 p)n x x p = 0.04; n = 10; x = 3 10 p( 3 ) = ( 0.04 )3( 1-0.04 )10 - 3 = 0.043 0.967 = 0.006 3
Distribuciones de Probabilidad 34

Caractersticas de la distribucin binomial

Media
= E(X) = n p
.6 .4 .2 0 P(X)

n = 5 p = 0.1
X

Varianza 2 = npq

.6 .4 .2 0

P(X)

n = 5 p = 0.5
X

Distribuciones de Probabilidad

35

En resumen: distribucin Binomial

n experimento de Bernoulli n experimentos independientes p permanece constante en los n experimentos
Y = numero total de exitos
y = 0,1, ..., n n P(Y = y ) = p y q n y y

E[Y ] = np Var (Y ) = E[Y 2 ] ( E[Y ]) 2 = npq

Distribuciones de Probabilidad

36

Estimacin de Parmetros de la distribucin Binomial

La distribucin Binomial esta caracterizada por dos parmetros: n y p Requerimos del conocimiento de estos dos valores para calcular cualquier probabilidad n es el numero de veces que se repite el experimento de Bernoulli, por lo tanto esta dado una vez ocurra el experimento p ser necesario estimarla con la informacin muestral

Distribuciones de Probabilidad

37

Sea nA el numero de veces que ocurre el evento A y n el numero total de veces que se repite el experimento. Un estimador para la proporcin o la probabilidad de ocurrencia del evento A es:
p= nA n

Alternativamente, podemos calcular los valores a1 y a2, o limites del intervalo, en los que puede ocurrir la proporcin con probabilidad 1-
P(a1 p a2 ) = 1

Distribuciones de Probabilidad

38

Veamos: estamos buscando los valores a1 y a2

) n p= A n

n A Binomial ( p, n )

P(a1 p a2 ) = P(na1 n A na2 ) = 1

Requerimos encontrar los valores na1 y na2 en las tablas de la distribucin Binomial, de tal manera que

/2
na1

/2 na2
39

Distribuciones de Probabilidad

Distribucin geomtrica
Consideremos el siguiente experimento: Partimos de un experimento de Bernoulli donde la probabilidad de que ocurra un suceso es p (xito) y la probabilidad de que no ocurra q = 1- p (fracaso). Repetimos nuestro experimento hasta conseguir el primer xito. Definimos la variable aleatoria X, como el nmero de fracasos hasta que se obtiene el primer xito. Entonces:

P( X = x) = pq x ,
E[X ] = p q

x = 0 ,1, 2 , ...
p q2
40

Var [X ] =
Distribuciones de Probabilidad

Distribucin binomial negativa

Consideremos el siguiente experimento: Partimos de un experimento de Bernoulli donde la probabilidad de que ocurra un suceso es p (xito) y la probabilidad de que no ocurra q = 1- p (fracaso). Repetimos nuestro experimento hasta conseguir el r-simo xito. Definimos la variable aleatoria X, como el nmero de fracasos x hasta que se obtiene el r-simo xito. Entonces: x + r 1

BN (r , p ) = P( X = x) = x = 0 ,1, 2 , ...

prq x ,

Distribuciones de Probabilidad

41

Elegir al azar con reemplazo

Elegir al azar con reemplazo significa que escogemos al azar un elemento de un conjunto y lo regresamos para elegir de nuevo al azar. Esto garantiza la independencia de las elecciones y nos lleva a una distribucin binomial. Si una caja contiene N bolas de las cuales A son rojas, entonces la probabilidad de escoger al azar una bola roja es: p = A/N Si repetimos el experimento sacando n bolas con reemplazo la probabilidad de que x sean rojas es:

n n x P ( x ) = p x (1 p ) x
Distribuciones de Probabilidad

(Una distribucin binomial)

( x = 0,1,....n)
42

Elegir al azar sin reemplazo

Elegir al azar sin reemplazo significa que no devolvemos el elemento elegido al azar al conjunto. De modo que las probabilidades de la siguiente eleccin dependen de las anteriores. Si repetimos el experimento anterior sacando n bolas sin reemplazo, cul ser ahora la probabilidad de que x sean rojas? N

Casos posibles = n

Para calcular los casos favorables observa que: N = A + (N A). De las A bolas rojas tomaremos x y de las N A bolas no rojas tomaremos n x.
Distribuciones de Probabilidad 43

Distribucin hipergeomtrica
A = diferentes formas de tomar x bolas rojas de A x N A n x = diferentes formas de tomar n x bolas no rojas de N M A N A Casos favorables = x n x

A N A x n x H ( n, N , A) = P ( x) = N n
Distribuciones de Probabilidad

( x = 0,1,....n)

44

Ejercicio: Queremos seleccionar al azar dos bolas de una caja que contiene 10 bolas, tres de las cuales son rojas. Encuentra la funcin de distribucin de la variable aleatoria X = Nmero de bolas rojas en cada eleccin (con y sin reemplazo).

Distribuciones de Probabilidad

45

Tenemos N = 10, A = 3, N - A = 7, n = 2 Escogemos con reemplazo:

2 3 7 p ( x) = x 10 10
x 2 x

, p (0) = 0.49, p (1) = 0.42, p (2) = 0.09

Escogemos sin reemplazo:

3 7 x 2 x p ( x) = 10 2 21 3 0.47 , p (2) = 0.07 45 45

p (0) = p(1) =

Distribuciones de Probabilidad

46

Distribucin de Poisson
Cuando en una distribucin binomial el nmero de intentos (n) es grande y la probabilidad de xito (p) es pequea y np (la media de la distribucin binomial) es finito y tiende a entonces la distribucin binomial converge a la distribucin de Poisson:

e k p ( x) = , x = 0 ,1,2, ... > 0 x!

Observa que si p es pequea, el xito es un suceso raro.

Distribuciones de Probabilidad

47

Caractersticas de la distribucin de Poisson Media = E (X ) = Varianza 2 =

Nota: el mximo de la distribucin se encuentra en x
.6 .4 .2 0 .6 .4 .2 0 P(X)

= 0.5
X

P(X)

=6
X

10

Distribuciones de Probabilidad

48

La distribucin de Poisson se obtiene como aproximacin de una distribucin binomial con la misma media, para n grande (n > 30) y p pequeo (p < 0,1). Queda caracterizada por un nico parmetro (que es a su vez su media y varianza).

=np=

Distribucin de Poisson para varios valores de

Distribuciones de Probabilidad 49

Si la probabilidad de fabricar un televisor defectuoso es p = 0.01, cul es la probabilidad de que en un lote de 100 televisores contenga ms de 2 televisores defectuosos? La distribucin binomial nos dara el resultado exacto:
100 99 P ( Ac ) = 0 100
100

100 99 1 100 99 1 + 1 100 100 + 2 100 100

99

98

= 0.9206 El suceso complementario Ac: No ms de 2 televisores defectuosos puede aproximarse con una distribucin de Poisson con = np = 1, sumando p(0) + p(1) + p(2).

P ( Ac ) e 1 (1 + 1 + 1 ) = 0.9197 2
Distribuciones de Probabilidad

p( x) =

x e x!

( x = 0,1,....)

50

Un proceso de Poisson esta compuesto de eventos discretos que son independientes en el espacio y/o en el tiempo Si el nmero de eventos esperados, el nmero medio de eventos en un intervalo de extensin h es m Entonces = h/ m, ser la tasa de eventos por unidad de h La probabilidad de que ocurran x eventos en el intervalo h vendr dada por la distribucin de Poisson

Distribuciones de Probabilidad

51

La seal promedio recibida en un telescopio de una fuente celeste es de 10 fotones por segundo. Calcular la probabilidad de recibir 7 fotones en un segundo dado.
p( x) = x e x! ( x = 0,1,....)

Una distribucin de Poisson con = 10. P(7) = 107 e10 / 7! = 0.09, es decir 9%

Parece muy baja. Comparemos con el valor de mxima probabilidad que ocurrir para x = 10: = 10 P(10)=1010 x e10 / 10! = 0.125, es decir 12.5% Las probabilidades poissonianas para un nmero de eventos dado, son siempre pequeas, incluso en el mximo de la distribucin de probabilidad
Distribuciones de Probabilidad 52

En resumen: distribucin de Poisson

n eventos discretos que son independientes en el espacio y/o
en el tiempo Y numero de xitos obtenidos en cada evento taza de eventos por unidad de espacio y/o tiempo
P (Y = y ) = e

x
x!

y = 0,1, ...

E[Y ] =
Var (Y ) = E[Y 2 ] ( E[Y ]) 2 =

Distribuciones de Probabilidad

53

Estimacin del Parmetro de la distribucin de Poisson

La distribucin de Poisson esta caracterizada por un parmetro: Requerimos del conocimiento de esto valor para calcular cualquier probabilidad es el promedio de ocurrencias/llegadas por unidad de rea/tiempo ser necesario estimarla con la informacin muestral

Distribuciones de Probabilidad

54

Se tiene una muestra aleatoria, x1, , nn, de una variable con distribucin de poisson
=

x
i =1

Alternativamente, podemos calcular los valores a1 y a2, o limites del intervalo, en los que puede ocurrir la estimacin de con probabilidad 1-
P (a1 a2 ) = 1

Distribuciones de Probabilidad

55

Veamos: estamos buscando los valores a1 y a2

P(a1 p a2 ) = F (a2 ) F (a1 ) = 1
Requerimos encontrar los valores a1 y a2 de manera tal que

/2
a1

/2 a2
56

Distribuciones de Probabilidad

Nmero de Nmero de Programadore Diseadores s 4 3 3 1 3 3 2 1 4 1 1 3 2 2 2 7 3 1 4 1 2 2 1 3 4 1 2 1 1 1 1 2 1 6 2 3 3 4

Uso de Utilizacion de Utilizacion de Software para Presencia de instalador para depurador de Documentado Administracion Arquitectura el/los codigo r de Versiones de diseo productos No Si SI No No SI SI SI NO SI SI SI SI NO SI NO NO SI NO NO SI NO Manual SI NO NO NO Manual NO SI Si Si Manual SI SI SI NO Manual NO SI SI NO NO NO SI NO NO Manual NO SI SI NO SI SI NO No No Manual No No NO NO NO NO NO NO NO SI NO SI NO NO Manual NO SI SI SI SI SI SI NO NO Manual SI NO NO SI NO NO NO NO SI NO SI

Distribuciones de Probabilidad

57

Se necesita definir:
Numero de programadores Numero de diseadores Utilizacin de depurador Utilizacin de documentador Se usara o no instalador Se requiere software para administracin de versiones Se requiere arquitectura de diseo

Distribuciones de Probabilidad

58