Upload
feliciana-durazo
View
252
Download
4
Embed Size (px)
Citation preview
1
Introducción a las Señales AleatoriasISAL
Capítulo 2:VARIABLE ALEATORIA
Material de partida:Principios de probabilidad, variables aleatorias y señales aleatorias
Peyton, Z. & Peebles, Jr.(Capítulo 2)
Bartolo Luque Departamento Matemática Aplicada Y Estadística
E.T.S.I. Aeronáuticos, UPM. Plaza Cardenal Cisneros, 3Madrid 28040, Spain. Tf.: 91 336 63 26
[email protected]:/matap.dmae.upm.es/bartolo.html
2
Variable aleatoria -I : Experimento aleatorio : Espacio muestral (todos los resultados posibles)cada elemento del espacio muestral le asignamos un
número real X() Una variable aleatoria X es una función que asocia a cada suceso del espacio muestral de un experimento aleatorio un valor numérico real:
)(
:
wXw
X
Llamar variable a una función resulta algo confuso, por ello hay que insistir en que es una función.
La variable aleatoria puede ser discreta, continua o mixta.
3
Ejemplo de variable aleatoria discreta:
Número de caras al lanzar 3 monedas.
Elementos del espacio muestral +++ ++C +C+ C++ CC+ C+C +CC CCC
Nº reales(# de caras) 0 1 2 3 caras
Ley de correspondencia
Establecer una variable aleatoria para un experimento aleatorio no es más que una manera de asignar de "manera natural" números a los eventos.
)(
:
wXw
X
4
Variable aleatoria -IIUna variable aleatoria X es una función que aplica cada suceso
del espacio muestral en algún punto de la recta real.
Más de un suceso puede aplicarse al mismo valor de X pero no puede ser multivaluada (todo punto de debe corresponder con un solo valor de X)
)(
:
wXw
X
X(“cero caras”)=0 X(“una cara”)=1 X(“dos caras”)=2 X(“tres caras”)=3
Dominio : ={“cero caras”,“una cara”,“dos caras”,“tres caras”}Rango : {0,1,2,3}
Dominio
x
Rango
5
Variable aleatoria -IIINotación: variable aleatoria W,X,Y mayúscula, valores
concretos, minúscula, w,x,y
RBBwXwBX
xwXwxX
xwXxwxXx
xwXwxX
con })(/{ " " }{
})(/{ " " }{
})(/{ " " }{
})(/{ paranotación }{
2121
Condiciones para que una función sea una v.a.:-Además de no ser multivaluada- {X =< x} será un suceso para cualquier número real x (y podremos calcular su probabilidad-ver arriba-)- Que las probabilidades de los sucesos {X=} y {X=- } sean igual a cero.
6
Variable aleatoria -IVFormalización:
< ,F , P> espacio probabilístico ligado a X: ------------ R w --------- X(w) R
X es una variable aleatoria (v.a.) si y sólo si
0)()( )
}{ )
XPXPii
RxxXi F
Nota:Una v.a. Compleja Z es de la forma Z=X + jY, con X, Y v.a’s reales definidas sobre el mismo
7
Función de Distribución
8
Función de Distribución-I
RxxXPxF
RxxX
X
}{)(
F.D.ón Distribuci deFunción llama Se
xde depende obviamente que
}{ suceso del adprobabilid La F
9
Función de Distribución-II
derecha lapor continua es )(
0y , siendo )()( )6
)()()( )5
si )()( )4
1)(0 3)
1)( )2
0)( 1)
1221
2121
xF
xxxFxF
xFxFxXxP
xxxFxF
xF
F
F
X
XX
XX
XX
X
X
X
Propiedades, algunas específicas derivadas del hecho de que FX(x) es una probabilidad
10
Función de Distribución-III
derecha lapor continua es )(
0y , siendo )()( )6
)()()( )5
si )()( )4
1)(0 3)
1)( )2
0)( 1)
1221
2121
xF
xxxFxF
xFxFxXxP
xxxFxF
xF
F
F
X
XX
XX
XX
X
X
X
Propiedades 1,2 y 3 fáciles de demostrar, la 4 -> FX(x) no decreciente, y la 5....
11
Función de Distribución-IV
)()()(
}{}{
}{}{}{
)()()( )5
2112
211
2112
1221
xXxPxXPxXP
xXxxX
xXxxXxX
xFxFxXxP XX
Propiedades 5
12
Función de Distribución-VVariable aleatoria discreta:
aquella cuya función de distribución es “escalonada” Ejemplo: Lanzamiento de dos dados, con v.a. X la suma de los dados rango x = {2,3,...,12}
...
363)2,2()13()31(4
362)12()21(3
361)11(2
/),,P()P(X
/),,P()P(X
/),P()P(X
x
1,0
0,5
0,028
2 3 4 5 6 7 8 9 10 11 12
FX(x)
13
Función de Distribución-VIVariable aleatoria discreta:
x
1,0
0,5
0,028
2 3 4 5 6 7 8 9 10 11 12
FX(x)
•Es suficiente conocer las xi y las pi para caracterizar probabilísticamente una v.a discreta•La v.a. Sólo toma valores discretos: X discreta <=> x discreto•Propiedades:
prob.) de (masa )()()(
0)()()( 11
iiXiXi
iXiXii
pxFxFxXP
xFxFxXxP
ser puede
1)(1
1)(
/)()(
N
N
iF
ip
N
i ixxuipxixi ixXPxXF
0 0
0 1)(
x
xxu
14
Ej. v.a discreta sobre un espacio muestral infinito numerable, (N infinito) también podemos definir una función de densidad
Ejemplo: Sea X = Número de lanzamientos de una moneda antes de que aparezca una cara.
Entonces:
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 ...
y en general P(X = n) = (1/2)n, n = 1,2,….
Demuestra que está normalizada.
15
Función de Distribución-VIIVariable aleatoria continua:
aquella cuya función de distribución es “continua”
x
1,0
0,5
0
0 1 2 3 4 5 6 7 8
FX(x)
•Propiedades:
0)(
)()()(
RxxXP
RxxFxFxF XXX
Rango continuo
16
Función de Distribución-VIIIVariable aleatoria mixta:
aquella cuya función de distribución es “discontinua” pero noescalonada(parte escalonada, parte continua)
x
1,0
0,5
0
0 1 2 3 x0 5 6 7 8
FX(x)
P(X=x0)
NOTA: Para todos los casos discreto, continuo, mixto
MEDIANA xm es la mediana de X, si y sólo si xm x y F(xm)=1/2
17
Función de Densidad
18
Función de Densidad (de probabilidad)-I
Pueden existir puntos donde la derivada no esté definida:• puntos de cambio abrupto de pendiente (f(x) usa la función escalón u(x))
x
1,0
0,5
0
0 1 2 3 4 5 6 7 8
FX(x)
x
1,0
0,5
1/8
0
0 1 2 3 4 5 6 7 8
fX(x)
Interpretación... Cómo se “distribuye” (densidad) la “masa” de probabilidad de X (en este ejemplo, uniformenente)
...acumulación de probabilidad...“Función de distribución de probabilidad acumulativa”
dx
xdFxf X
X
)()(
19
Función de Densidad (de probabilidad)-II
dx
xdFxf X
X
)()(
• para v.a’s discretas, la derivada de los “escalones” -> funciones impulso unitario (n) (delta –densidad infinita concentrada en un punto)
fx(x)
2 3 4 5 6 7 8 9 10 11 12 X
1/36
2/36
6/36
4/36
5/36
3/36
2/36
1/36
5/36
4/36
3/36
x
1,0
0,5
0,028
2 3 4 5 6 7 8 9 10 11 12
FX(x)
x
N
iiiX
u(x)δ(ξ)dξdx
xdux
Nota
xxxPxf
)(
)(
:
)()()(1
20
Función de densidad de probabilidad
0.00
0.05
0.10
0.15
0.20
0.25
1 2 3 4 5 6 7 8 9
10 11 12 13 14 15
Se puede pensar como la generalización de un histograma de frecuencias relativas para variable continua.
a b
)()(
)(
aFbF
bxaP
XX
dxxfb
aX )(
21
Función de Densidad -IIIPropiedades de f(x)
2
1
)(}{ )4
)()( )3
1)()( .... 1)( 2)
edecrecient no es )( 0)( )1
21
-
-
x
x
X
x
XX
X
XX
dxxfxXxP
xFdf
FFdxxf
xFRxxf
Las propiedades 1 y 2 pueden utilizarse como pruebas para ver si una función g X(x) puede ser una f.d.p.Ejercicio 2.3.-1
x
xxXxPxf
xX
}{lim)(
0
22
...veremos la media....
mediana
xm es la mediana de X, si y sólo si xm x y FX(xm)=1/2
moda xmod: es el valor para el cuál la distribución toma su máximo absoluto.
dx
xdFxf
)()(
Siguen un orden alfabético
x
dttfxF )()(
23
Ejemplos Distribuciones Continuas
Variable Aleatoria .................................................
24
Ejemplos Distribuciones ContinuasDistribución uniforme (X v.a. uniforme)
• Misma prob. intervalos de igual “anchura” (área igual)• Cuantificación de señales.....
25
ab
xx)xxP(x
2121
2
1
4147
4245)4542(
xP
)(xf
x41 47
45 42
47 41
1
2
Area= 0.5
f x
para x
para
( )
1
47 4141 47
0 el resto de valores
Ejemplo:
1
47 41
1
6
45 42
Calcula la probabilidad
)4542( xP
26
Ejemplo: Dibuja la función de probabilidad f(x) y la función de distribución F(x) de una variable discreta definida como:
X = Número en la cara de un dado.
X tiene como posibles valores x = 1, 2, 3, 4, 5, 6 cada uno con probabilidad 1/6
0
61
1 x
f(x)
1
0.5
10
F(x)
x6 6
Función de probabilidad f(x) Función de distribución F(x)
27
Sin duda la distribución continua de probabilidad más importante, por la frecuencia con que se encuentra y por sus aplicaciones teóricas, es la distribución normal, gaussiana o de Laplace- Gauss. Fue descubierta y publicada por primera vez en 1733 por De Moivre. A la misma llegaron, de forma independiente, Laplace (1812) y Gauss (1809), en relación con la teoría de los errores de observación astronómica y física .
Pierre Simon de Laplace(1749-1827)(1749-1827)
Karl F. Gauss(1777-1855)(1777-1855)
Distribución Gaussiana (Normal)
28
Caracteres fisiológicos, por ejemplo: efecto de una misma dosis de un fármaco.
Caracteres morfológicos de individuos (personas, animales, plantas,...) de una especie (tallas, pesos, diámetros, perímetros,...).
Caracteres sociológicos, por ejemplo: consumo de cierto producto por un mismo grupo de individuos, puntuaciones de examen, ...
Errores cometidos al medir ciertas magnitudes. Valores estadísticos muestrales, por ejemplo : la media. Y en general cualquier característica que se obtenga como suma de muchos factores.
Otras distribuciones como la binomial o la de Poisson se aproximan a la normal. Distribuciones binomiales con n grande (n>30) y ‘p ni pequeño’ (np > 5) ‘ni grande’ (n(1-p) > 5).
29
Distribución normal o gaussiana
• Está caracterizada por dos parámetros: la media, μ y la desviación típica, σ.
• Su función de densidad es:
μ-σx-para
exfNx
X
y 0con
0) (σ π2σ
1)(σ)μ,(
2
2
σ2
μ)(
La curva normal adopta un número infinito de formas, determinadas por sus parámetros μ y σ.
30 +
Características de la distribución Normal
, Mo, Mn
- +
• Tiene forma de campana, es asintótica al eje de las abscisas
(para x = )
• Los puntos de inflexión tienen como abscisas los valores
• Simétrica con respecto a la media () donde coinciden la mediana (Mn) y la moda (Mo )
Puntos de
Inflexión(decrece 0,607 veces su máximo)
31
Distribución normal con =0 para varios valores
0
0.4
0.8
1.2
1.6
-2.50 -1.50 -0.50 0.50 1.50 2.50
x
p(x)
32
20 30 40 50 60 70 80 90 100 110 120
5 5
10
Curvas normales con distintas medias y desviaciones estándar.
0) (σ π2σ
1)(σ)μ,(
2
2
σ2
μ)(
x
exfN
33
N(μ, σ): Interpretación geométrica
• Podemos interpretar la media como un factor de traslación.
• Y la desviación típica como un factor de escala, grado de dispersión,…
34
N(μ, σ): Interpretación probabilista• Entre la media y una
desviación típica tenemos siempre la misma probabilidad: aproximadamente el 68%.
•Si tomamos intervalos centrados en μ, y cuyos extremos están…–a distancia σ, tenemos probabilidad 68%
–a distancia 2 σ, tenemos probabilidad 95%
–a distancia 2’5 σ tenemos probabilidad 99%
• Entre la media y dos desviaciones típicas aprox. 95%
35
Podemos obtener la función de distribución F(x) integrando la función de densidad de probabilidad:
π2σ
1)(
2
2
σ2
μ)(
dvexFx v
De modo que la probabilidad de una variable aleatoria normal X en un intervalo a x b es:
π2σ
1)()()(
2
2
σ2
μ)(
dveaFbFbXaPb
a
v
¡No podemos calcular analíticamente el valor de la integral!Tabularemos sus valores numéricos...
2
2
σ2
μ)(
π2σ
1)(σ)μ,(
x
exfN
1 π2σ
1 2
2
σ2
μ)(
dvev
En particular:
36
¿Cómo calcular probabilidades asociadas ¿Cómo calcular probabilidades asociadas a una curva normal específica?a una curva normal específica?
Dado que tanto como pueden asumir infinitos valores lo que hace impracticable tabular las probabilidades para todas las posibles distribuciones normales, se utiliza la distribución normal reducida o tipificada.
Se define una variable z = xx - -
Es una traslación , y un cambio de escala de la variable original.
37
La nueva variable z se distribuye como una
NORMAL con media = 0 y desviación típica = 1
-3 -2 -1 0 1 2 3-3 -2 -1 0 1 2 3
zz
68%95%99%
Recordemos de nuevo que en cualquier distribución normal las probabilidades delimitadas entre :
68 % 2 95 % 3 99 %
68%
99%
95%
38
Tipificación• Dada una variable de media μ y desviación típica
σ, se denomina valor tipificado z, de una observación x, a la distancia (con signo) con respecto a la media, medido en desviaciones típicas, es decir:
x
z
• En el caso de variable X normal, la interpretación es clara: asigna a todo valor de N(μ, σ), un valor de N(0,1) que deja exáctamente la misma probabilidad por debajo.
• Nos permite así comparar entre dos valores de dos distribuciones normales diferentes.
39
Se quiere dar una beca a uno de dos estudiantes de sistemas educativos diferentes y se asignará al que tenga mejor expediente académico:– El estudiante A tiene una calificación de 8 en un sistema donde la
calificación de los alumnos se comporta como N(6,1).– El estudiante B tiene una calificación de 80 en un sistema donde la
calificación de los alumnos se comporta como N(70,10).
110
7080
21
68
B
xz
xz
BBB
A
AAA
–No podemos comparar directamente 8 puntos de A frente a los 80 de B, pero como ambas poblaciones se comportan de modo normal, podemos tipificar y observar las puntuaciones sobre una distribución de referencia N(0,1).
–Como zA > zB, podemos decir que el porcentaje de compañeros del mismo sistema de estudios que ha superado en calificación al estudiante A es mayor que el que ha superado B. En principio A es mejor candidato para la beca.
40
Las probabilidades de la variable tipificada (z) están tabuladas para los diferentes valores de la variable.Para calcular probabilidades, una vez transformada, la variable a valores de z, se busca en una tabla el área correspondiente.
Apliquemos el cambio de variable tipificada a la función de distribución F(x):
)(π2
1)()(
;π2
1)(
z
2
u
2
z
2
2
zGduezZpzF
zezf
π2σ
1)(
2
2
σ2
μ)(
dvexFx v
dz σdv σ
- μ z
σ
x- μ G zG )(
41
duexXpxFxG
xexf
x
2
u
2
x
2
2
π2
1)()()(
;π2
1)(
Característica de la distribución normal tipificada (reducida o estándar):
No depende de ningún parámetro.
Su media es 0, su varianza es 1 y su desviación típica es 1.
La curva f(x) es simétrica respecto al eje de ordenadas y tiene un máximo en este eje.
Tiene dos puntos de inflexión en x =1 y x = -1.
G(x1) 1-G(x1)
x1 x
f(x)
42
Hay varios tipos de tablas de la distribución normal
La que se explica aquí representa las áreas G(x) para
X mayores o iguales que cero (G(0)=0.5)
00 +
Los valores negativos de x Los valores negativos de x NONO están tabulados, ya están tabulados, ya que la distribución es que la distribución es simétrica y G(-x)=1-G(x)simétrica y G(-x)=1-G(x)
duexG
x
2
u2
π2
1)(
G(-1.8)
1-G(1.8)
43
44
45
46
?
Ejemplo 1
¿Cuál es la probabilidad de que un valor de v.a. z N(0,1) esté entre 0 y -¿Cuál es la probabilidad de que un valor de v.a. z N(0,1) esté entre 0 y -2.03?2.03?
zz
Cómo la curva es simétrica
P (-2.03 < z < 0) = P (0 < z < 2.03)
-3 -2 -1 0 1 2 3-3 -2 -1 0 1 2 3
47
47. 88%
Ejemplo 1
¿Cuál es la probabilidad de que un valor de z esté entre 0 y -2.03?¿Cuál es la probabilidad de que un valor de z esté entre 0 y -2.03?
-3 -2 -1 0 1 2 3-3 -2 -1 0 1 2 3
zz
Se busca en la tabla G(2.03) – G(0) = 0.9788 – 0.5 = 0.4788
48
?47.88% 47.88%
Ejemplo 2
¿Cuál es la probabilidad de que un valor de z esté entre -2.03 y 2.03 ?¿Cuál es la probabilidad de que un valor de z esté entre -2.03 y 2.03 ?
-3 -2 -1 0 1 2 3-3 -2 -1 0 1 2 3
zz
En el ejemplo 1, vimos que la probabilidad de que z estuviera entre 0 y 2.03= 0.47882
La misma área hay entre 0 y -2.03 , por lo tanto
P ( -2.03< z< 2.03) = 0.95764
95.76%
49
Ejemplo 3
¿Cuál es la probabilidad de que un valor de z sea mayor a 1.25 ?¿Cuál es la probabilidad de que un valor de z sea mayor a 1.25 ?
zz -3 -2 -1 0 1 2 3-3 -2 -1 0 1 2 3
??
1.0 – G(1.25) = 1.0 – 0.8944 = 0.1056
39.44%
10.56%
50%50%
50
Hallar P( -0.34 < z < Hallar P( -0.34 < z < ) )
zz
13.31% 50%
63.31%Por simetría G(0.34)=0.6331Por simetría G(0.34)=0.6331
-3 -2 -1 0 1 2 -3 -2 -1 0 1 2 33
Ejemplo 4
51
Ejemplo 5
Hallar P( 0.34 < z < 2.30)Hallar P( 0.34 < z < 2.30)
zz
-3 -2 -1 0 1 2 3-3 -2 -1 0 1 2 3
G(2.30) – G(0.34) = 0.9893 – 0.6331= 0.3562
35.62%
52
EJEMPLOEJEMPLO
Sea una variable distribuida normalmente con media = 4 y desviación típica = 1.5.
¿Cuál es la probabilidad de encontrar un valor x 6 (P(x 6 ))?
53
x
= 4 = 1.5
?6
1.- 1.- transformar x en un valor de z
0.40824
0.0918
z = (6 - 4)/1.5 = 1.33
2.- P(x 6)=1-P(x<6)=
1-P(z<1.33)=
1-G(1.33)=1-0.9082=0.0918
σμx
z
0.5
-0.5 1 2.5 4 5.5 7 8.5-0.5 1 2.5 4 5.5 7 8.5-3 -2 -1 0 1 1.33 2 3 z
54
Hasta ahora vimos como dado un valor x de la variable, hallar probabilidades transformando (estandarización) la variable en valores de x -
¿Cómo hallar un valor de x, dada la probabilidad?
x = ?
38.20%
Ejemplo: Sea una variable distribuida normalmente con =4 yy
=2 . Hallar el valor de x que deja por encima de él un 38.20% (0.3820)Se debe desestandarizar : :
xx = z = z + 1-G(z)1-G(z) = 0.3820 ; G(z)= 0.6180 Se busca en la tabla el valor más
aproximado :0.6179 corresponde a z =+ 0.30
4.60
Se busca en la tabla de acuerdo al área. Con su signo
Sustituyendo en la fórmula
0.30x2+4 =4.60
z =
55
Ejemplo Distribuciones Continuas
.... “relacionadas” con la v.a. gaussiana...............
56
Ejemplo Distribuciones Continuas .... “relacionadas” con la v.a. gaussiana...
57
Ejemplo Distribuciones Continuas .... “relacionadas” con la v.a. gaussiana...
58
Distribución log-normal Log-N(,)Se trata de la densidad de probabilidad de una variable log x distribuida según una función normal:
XeYNX ),(
yyf
yyFyGyg
yFyXPyePyYPyG X
1)(log
1)(log')(')(
)(log)log()()()(
0;2
)(logexp
1
2
1)( 2
2
yy
yyg
59
60
61
Más ejemplos Distribuciones Continuas
62
0 ,0 para )( xexf x
0.0
0.2
0.4
0.6
0.8
1.0
1.2
1.4
1.6
1.8
2.0
0 1 2 3 4 5 6 7 8
1
)(
0
0
x
x
e
dxedxxf
Distribución exponencial Exp ()
1
0
dxex xVida media
63
xxtx t eedte 100
Distribución exponencial Exp ()
0,0
0,1)(
x
xexF
x
64
Distribución exponencial Exp ()
Ejemplos de este tipo de
distribuciones son: el tiempo que
tarda una partícula radiactiva
en desintegrarse (datación de
fósiles o cualquier materia
orgánica mediante la técnica del
carbono 14) o el tiempo que
puede transcurrir en un servicio
de urgencias, para la llegada de
un paciente.
65
Distribución exponencial Exp ()
66
Distribución exponencial Exp ()
... más adelante veremos... Distribución condicionada
67
Ejemplo Distribuciones Discretas
68
Distribución de Bernoulli-IExperimento de Bernoulli: solo son posibles dos resultados: éxito o fracaso. Podemos definir una variable aleatoria discreta X tal que: éxito 1fracaso 0
Si la probabilidad de éxito es p y la de fracaso 1 - p, podemos construir una función de probabilidad:
< ,F , P> espacio probabilístico ligado a (ensayo de Bernoulli)A F P(A)=pX: ------------ R w --------- X(w) = 1 si w A
0 si w A
P(X=1)=P(A)=pP(X=0)=P(noA)=1-p=q
69
Distribución de Bernoulli-IIExperimento de Bernoulli:
Si la probabilidad de éxito es p y la de fracaso 1 - p, < ,F , P> espacio probabilístico ligado a (ensayo de Bernoulli)A F P(A)=pX: ------------ R w --------- X(w) = 1 si w A
0 si w A
P(X=1)=P(A)=pP(X=0)=P(noA)=1-p=q
1 1
10 0 0
)(
)1( )()(
x
xqx
xF
xpxqxf F(x)
q
1.0
0 1 x
f(x)
qp
0 1 x
70
Distribución binomial-ILa distribución binomial aparece cuando estamos interesados en el número de veces que un suceso A ocurre (éxitos) en n intentos independientes de un ensayo de Bernouilli (la probabilidad de ocurrencia de A es cte.)
P. ej.: # de caras en n lanzamientos de una moneda.
71
Distribución binomial-II< i ,Fi , Pi > espacio probabilístico ligado a i (ensayos de Bernoulli) i=1,2,.......n Cada ensayo es independiente de los demás
Ai A en el ensayo i -ésimo Ai Fi
Xi v.a. De Bernouillo del ensayo i -ésimo Pi (Xi)=Pi (Ai)=p
= 1 x 2 x 3 ....... n -> < ,F , P>
X: ----------------- R
(w1 , w2 ....... wn )--------- X(w1 , w2 ....... wn ) = X(w1)+X(w2 ) .....X(wn) = nº de ocurrencias
de A
knk
nkk
i
n
ii
qp
AAAA
XXX
0 ...... 0 1 ........... 1 1
x........xx........xA
kX que Para
Bernouilli v.a.con
121
1
72
Distribución binomial-III
nkqpk
nkXP
k
n kX
XXX
knk
i
n
ii
......2,1,0 )(
k)!-(nk!
n! posibles esordenacion de Número el Para
Bernouilli v.a.con 1
1 )(
)(
0
0
mxmqpk
mxF
kxδqpk
nxf
m
k
kmk
n
k
knk
1)(00
nn
k
knkn
k
qpqpk
nkXP
73
Experimento aleatorio: n = 3 lanzamientos de una moneda.Probabilidad de éxito en cada lanzamiento (cara) = p.Probabilidad de fracaso en cada lanzamiento (cruz) = 1- p = q.
2)1(3 pp
)1(3 2 pp
74
La función de probabilidad P(X = x) será
la distribución binomial:
xnxxnx ppxnx
npp
x
nxppnB
)1(
)!(!
!)1()(),(
Distribución binomial para n = 5 y distintos valores de p, B(5, p)
75
76
Ejercicio:
¿Cuál es la probabilidad de que en una familia de 4 hijos exactamente 2 sean niñas?
242 501502
42
2450
1
-
xnx
).-(). ()p(
x; n; .p
p)(px
np(x)
77
Ejercicio:
Si una décima parte de personas tiene cierto grupo sanguíneo, ¿cuál es la probabilidad de que entre 100 personas escogidas al azar exactamente 8 de ellas pertenezcan a este grupo sanguíneo?
928 101108
1008
810010
1
).-(). ()p(
x; n; .p
p)(px
np(x) xnx
78
¿Y si la pregunta es 8 personas como máximo?
8
0
100
8
0
9.0)1.0(100
18
x
xx
x
xnx
)(x
p)(px
n)p(x
79
Calcula la probabilidad de obtener al menos dos seises al lanzar un dado cuatro veces.
p = 1/6, q = 5/6, n = 4
4322
6
1
4
4
6
5
6
1
3
4
6
5
6
1
2
4
132.01296
171)154256(
6
14
Al menos dos seises, implica que nos valen k = 2, 3, 4. P(2) + P(3) + P (4)
),....1,0( )( nkqpk
nkP knk
80
Ejercicio:
Supongamos que la probabilidad de encontrar una estrella de masa m* >10 M en un cúmulo estelar joven es del 4%.
¿Cuál es la probabilidad de que en una muestra escogida al azar, entre 10 miembros del cúmulo encontremos 3 estrellas con m* >10 M?
. . .).-(). ()p(
x; n; .p
p)(px
np(x)
-
xnx
00609670043004010403
103
310040
1
3103
81
Chuck-a-luck: Elige un número entre 1 y 6. Lanzas 3 dados. Si el número que has elegido sale en los 3 dados cobras 3 euros. Si sale en 2 cobras 2 euros. Si sale en un dado cobras 1 euro. Y si no sale en ninguno, pagas 1 euro. ¿Es un juego justo?
08.0)1(6
5
0
31
6
5
6
1
1
3
26
5
6
1
2
33
6
5
6
1
3
3
321
203
82
1
1.95.0
1
1
q
qp
nn
x
xpq
19.095.0)19.0(95.019.0
19.0.1.095.0
nnn
294.289.0ln
05.0ln9.0ln05.0ln9.005.0 nnn
Un acontecimiento ocurre, en la población, en el 10% de los casos. ¿Qué tamaño de muestra debo tomar para tener una probabilidad del 95% de obtener al menos un éxito ?
83
Distribución geométrica-IConsideremos el siguiente experimento: Partimos de un experimento de Bernoulli donde la probabilidad de que ocurra un suceso es p (éxito) y la probabilidad de que no ocurra q = 1- p (fracaso). Repetimos nuestro experimento hasta conseguir el primer éxito. Definimos la variable aleatoria X con distribución geométrica, como el número
de fracasos hasta que se obtiene el primer éxito. Entonces:
,....,,mppmXP m 321 1)( 1
84
Distribución geométrica-IIDefinimos la variable aleatoria X con distribución geométrica, como el
número de fracasos hasta que se obtiene el primer éxito.
• Aplicaciones como Nº de productos inspeccionados hasta uno defectuoso
• Distribución geométrica “contrapartida” discreta de la distribución exponencial
• Como la distribución exponencial (en continua) es la única discreta “sin memoria”
P{X=n+m|X>n} = P{X=m}
85
Distribución de Poisson-ICuando en una distribución binomial el número de intentos (n) es grande y la probabilidad de éxito (p) es pequeña, la distribución binomial converge a la distribución de Poisson:
0 0 0
0 ,!}{
k
kk
ekXP
k
Observa que si p es pequeña, el éxito es un “suceso raro”.
La distribución de Poisson, junto con la uniforme y la binomial, son las distribuciones más utilizadas.
donde np =
86
Distribución de Poisson-II Límite de la distribución binomial
ak
nkk
n
nkk
n
nkk
kn
knk
n
knk
ek
a
n
a
k
a
n
a
n
k
n
n
a
k
a
n
a
n
kn
n
n
n
n
n
a
k
a
n
a
n
knnn
n
a
n
a
k
knnnkXP
n
aq
n
ap
anppn
qpk
nkXP
!
1!
11
1.....1
11lim
1!
11
.....1
lim
1!
1)1).....(1(
lim
1!
)1).....(1(lim)(
1 ,
pero ,0 , si
)(
87
Proceso de Poisson y Distribución exponencial Exp ()
En un proceso de Poisson donde se
repite sucesivamente un
experimento a intervalos de tiempo
iguales, el tiempo que transcurre
entre la ocurrencia de dos "sucesos
raros" consecutivos sigue un modelo
probabilístico exponencial. Por
ejemplo, el tiempo que transcurre
entre que sufrimos dos veces una
herida importante (o una coz de
burro, recuerda...)
88
Ejemplos:
• la llegada de fotones a un detector.
• la probabilidad de fallo de un equipo
Hipótesis:
• probabilidad de llegada o de fallo en un intervalo de tiempo “h” es siempre igual (“no envejecimiento” -> distribución exponencial – geométrica en v.a. discreta)
• la llegada (fallo) de un fotón (equipo) no afecta a los demás.
i observación de fallo del componente i-ésimo en un intervalo de
tiempo t0
i ={“fallo en t0” , “no fallo en t0”} X i(“fallo”)=1 X i(“no fallo”)=0
pi =p=P(“fallo en t0”)=(modelada con una v.a T con distribución exponencial)=P(T
t0)=F(t0)=1-e- t0
= 1 x 2 x 3 ....... n Número (k) de “n” componentes que fallan
en t0
Distribuciones de Binomiales, Poisson y Exponencial-I
89
i observación de fallo del componente i-ésimo en un intervalo de
tiempo t0
i ={“fallo en t0” , “no fallo en t0”} X i(“fallo”)=1 X i(“no fallo”)=0
pi =p=P(“fallo en t0”)=(modelada con una v.a T con distribución exponencial)=P(T
t0)=F(t0)=1-e- t0
= 1 x 2 x 3 ....... n Número (k) de “n” componentes que fallan
en t0
Distribuciones de Binomiales, Poisson y Exponencial-II
0,0
0,1)(
x
xexF
x
nkeek
nqp
k
nkXP
XX
kntktknk
n
ii
0 1)(
Binomial
00
1
90
Distribuciones de Binomiales, Poisson y Exponencial-III
• El dato de la probabilidad de fallo en 1 año nos permite obtener el parámetro (llamado “c” en este caso) de una v.a T con distribución exponencial
• Sobre esa distribución ya podemos calcular p=Ft(2 años)
91
Distribuciones de Binomiales, Poisson y Exponencial-IV
• Teniendo p, podemos usar la Binomial para la v.a k (k=0) fallos en 1000 componentes
•Como np < 5 (n grande, p pequeño) podemos utilizar la aproximación de Poisson a la Binomial
92
Bombas sobre Londres en la II Guerra Mundial (Feller)
10 x 10
400 bombas
Supón que vivías en uno de los 100 bloques que aparecen en la gráfica inferior. La probabilidad de que una bomba cayera en tu bloque era 1/100. Como cayeron 400 bombas, podemos entender el número de impactos en tu bloque como el número de éxitos en un experimento de Bernoulli con n = 400 y p = 1/100. Podemos usar una Poisson con λ=400 1/100=4:
!
4)(
4
k
ekXP
k
Observado
Predicho
93Distribución de Poisson para varios valores de .
La distribución de Poisson se obtiene como aproximación de una distribución binomial con la misma media, para ‘n grande’ (n > 30) y ‘p pequeño’ (p < 0,1). Queda caracterizada por un único parámetro μ (que es a su vez su media y varianza).
n p =
94
Si la probabilidad de fabricar un televisor defectuoso es p = 0.01, ¿cuál es la probabilidad de que en un lote de 100 televisores contenga más de 2 televisores defectuosos?
El suceso complementario Ac también puede aproximarse con una distribución de Poisson con = np = 1, sumando p(0) + p(1) + p(2).
9197.0)11()( 211 eAP c ,....)1,0(
!
μ)( μ
k
kek
kXP
La distribución binomial nos daría el resultado exacto para la probabilidad del suceso complementario Ac: No más de 2 televisores :
9206.0
100
1
100
99
2
100
100
1
100
99
1
100
100
99
0
100)(
29899100
cAP
),....1,0( )( nkqpk
nkXP knk
95
La señal 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(7) = 107 e−10 / 7! = 0.09, es decir 9%
Parece muy baja. Comparemos con el valor de máxima probabilidad que ocurrirá para x = 10:
μ = 10 P(10) = 1010 x e−10 / 10! = 0.125, es decir 12.5%
Las probabilidades poissonianas para un número de eventos dado, son siempre pequeñas, incluso en el máximo de la distribución de probabilidad.
,....)1,0( !
μ)( μ
k
kek
kXPUna distribución de Poisson con μ = 10.
96
Si en promedio, entran 2 coches por minuto en un garaje, ¿cuál es la probabilidad de que durante un minuto entren 4 o más coches?
Si asumimos que un minuto puede dividirse en muchos intervalos cortos de tiempo independientes y que la probabilidad de que un coche entre en uno de esos intervalos es p – que para un intervalo pequeño será también pequeño – podemos aproximar la distribución a una Poisson con = np = 2.
y la respuesta es 1 – 0.857 = 0.143
El suceso complementario “entran 3 coches o menos” tiene probabilidad:
857.0)()3()2()1()0()( !32
!22
!12
!022 3210 eppppAP c
,....)1,0( !
μ)( μ
k
kek
kXP
97
Ejemplo de p 29 !!!!
y la respuesta es 1 – 0.857 = 0.143
El suceso complementario “entran 3 coches o menos” tiene probabilidad:
,....)1,0( !
μ)( μ
k
kek
kXP
98
Funciones de Distribución y Densidad CONDICIONALES
Extender el concepto de Probabilidad Condicional entre sucesos (Capítulo 1) para incluir Variables Aleatorias
< ,F , P> Espacio probabilístico
A,B F P(B) 0
Probabilidad de un suceso A sabiendo que
se ha producido un suceso B:
)()(
)|(BP
BAPBAP
99
Funciones de Distribución y Densidad CONDICIONALES
< ,F , P> Espacio probabilístico
X : R (X v.a.)
B F P(B) 0
Función de distribución condicional:
BxxX(s)
s
BxX
BP
BxXPBxXPBxFX
y
:que tales"" resultados los Todos
B x}{X conjunto suceso
)(
}|{)|(
100
Funciones de Distribución y Densidad CONDICIONALES
La Función de distribución condicional:
)(
}|{)|(BP
BxXPBxXPBxFX
es una auténtica Función de Distribución (F.D.)
101
Funciones de Distribución y Densidad CONDICIONALES
< ,F , P> Espacio probabilístico
X: R v.a.
B F P(B) 0
Función de densidad condicional:
contínua X
}|{)|()|(
0 x
BxxXxP
dx
BxdFBxf lím
x
XX
102
Funciones de Distribución y Densidad CONDICIONALES
La Función de densidad condicional:
es una auténtica Función de Densidad (f.d.p)
dx
BxdFBxf X
X
)|()|(
103
Funciones de Distribución y Densidad CONDICIONALES
Si {A1, A2 , ................ An } es una partición de
Teorema de la Probabilidad Total
)()/(...............)()/()(
)()/(...............)()/()(
11
11
nnXXX
nnXXX
APAxfAPAxfxf
APAxFAPAxFxF
104
105
106
Calcula FX(x) y fX(x) (aplicando el Teorema de la Probabilidad Total)
107
Calcula FX(x) y fX(x) (aplicando el Teorema de la Probabilidad Total)
108
El “suceso condicionante” B puede también estar definido en función de una v.a (la misma u otra), por ej.: B={Xb}
Ejemplo: analizar la condición de “sin memoria” de la distribución exponencial
109
El “suceso condicionante” B puede también estar definido en función de una v.a (la misma u otra), por ej.: B={Xb}
Ejemplo: analizar la condición de “sin memoria” de la distribución exponencial
(la única continua)
110
...también para FD y fdp discretas condicionales.....
... Y la ditribución geométrica es “sin memoria” (la única discreta)
V.a. X con distribución geométrica, como el número de fracasos hasta que se obtiene el primer éxito.
,....,,mppmXP m 321 1)( 1
)(
111
11
111
)(1)(
)()|(
)()|(
11
11
1
1
1
1
kXPpqq
pq
pq
p
pq
p
pq
pq
pq
mXP
pq
mXP
kmXPmXkmXP
kXPmXkmXP
km
km
m
km
m
km
m
i
i
km
km