Documente Academic
Documente Profesional
Documente Cultură
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
+++
++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
Valores
Z Z Z Z
0 1 2
Distribuciones de Probabilidad
-1 0 1 2 3
-1 0 1 2 3
-1 0 1 2 3
x
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
P
4/36 3/36 2/36 1/36
5/36
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
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
1 6
F(x)
0.5
f(x)
0 1
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
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
= 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
= 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
= E(T ( X )) = T ( xi ) p( xi )
i
T1 ( X ) = X k
mk = E ( X k ) = xik p ( xi )
i
Distribuciones de Probabilidad 21
T2 ( X ) = ( X ) k
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
2 = Var ( X ) = M 2 = E (( X ) 2 ) =
(x )
i i
P ( X = xi )
= Var ( X )
23
Distribuciones de Probabilidad
Ejemplo
X P(X)
( X ) ( X ) P( X )
2
-1 0 1 2 3
-2 -1 0 1 2
4 1 0 1 4
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:
12
Distribuciones de Probabilidad
25
(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
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
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
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.
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
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
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
Distribuciones de Probabilidad
36
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
n A Binomial ( p, n )
/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
BN (r , p ) = P( X = x) = x = 0 ,1, 2 , ...
prq x ,
Distribuciones de Probabilidad
41
n n x P ( x ) = p x (1 p ) x
Distribuciones de Probabilidad
( x = 0,1,....n)
42
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
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:
Distribuciones de Probabilidad
47
= 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=
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
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
x
x!
y = 0,1, ...
E[Y ] =
Var (Y ) = E[Y 2 ] ( E[Y ]) 2 =
Distribuciones de Probabilidad
53
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
/2
a1
/2 a2
56
Distribuciones de Probabilidad
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