Upload
hector-funes
View
16.161
Download
2
Embed Size (px)
Citation preview
Un experimento muy común es observar una característica dicotómica.
Distribución Bernoulli
ocurreno si0
ocurre si1 A
X
casootroen
xsipp
xp
xx
0
1,0)1(
)(
1
E(X) = 1.p + 0.(1- p) = p
)1()()()( 222 ppppXEXEXV
a) El experimento consiste en n pruebas o repeticiones Bernoulli con n fijo.b) Las pruebas son independientes, es decir el resultado de una prueba no influye sobre el de cualquier otra.c) La probabilidad de éxito se mantiene constante de prueba en prueba y se denotará p.
Experimento binomial Muchos experimentos satisfacen las siguientes condiciones:
Una sucesión de pruebas Bernoulli genera la variable aleatoria binomial
X es el número de veces que ocurre el atributo A
X es el número de éxitos
DISTRIBUCIÓN BINOMIAL
Los valores que puede tomar X es: n,,3,2,1,0
X ~B(n,p)
De una urna que contiene 8 bolas blancas y 12 negras, se extraen con reemplazo, 5 bolas.
La variable que contabiliza el número de bolas blancas extraídas es una variable aleatoria binomial.
X cuenta el número de éxitos en este caso el número de bolas blancas extraídas.
EJEMPLO 1
Los parámetros de esta distribución binomial son:
5n5
2
20
8p
La función de distribución de probabilidad de una variable aleatoria X Binomial
p x n p
p p si x n
en otro caso
n
xx n x
( / , )
( ) , , ,...,
1 0 1 2
0
DISTRIBUCIÓN BINOMIAL
ESPERANZA Y VARIANZA DE UNA VARIABLE BINOMIAL
E X E X E X p npii
n
ii
n
i
n
( ) ( )
1 1 1
V X V X V X p p np pii
n
ii
n
i
n
( ) ( ) ( ) ( )
1 1 1
1 1
p(x)
x
n =12
p = 0.7
DISTRIBUCIÓN BINOMIAL
p(x)
x
n =12
p = 1/2
DISTRIBUCIÓN BINOMIAL
DISTRIBUCIÓN BINOMIAL
,][ rnr qpr
nrXP
Función de probabilidad
X se distribuye en forma binomial con parámetros n y p
Media: μ =n p Varianza: σ2 = n p q
n es el número de repeticiones
p es la probabilidad de éxito
xnxr
x
qpx
nrXP
0
][
Función de probabilidad acumulada
nr 0
De una urna que contiene 8 bolas blancas y 12 verdes, se extraen con reemplazo, 6 bolas.
a) ¿Cuál es la probabilidad de que se extraigan exactamente 3 bolas blancas?
b) ¿Cuál es la probabilidad de que se extraigan a lo sumo 3 bolas blancas?
c) ¿Cuál es la probabilidad de que se extraigan al menos 3 bolas blancas?
EJEMPLO 2
X cuenta el número de éxitos en este caso el número de bolas blancas extraídas.
EJEMPLO 2
Los parámetros de esta distribución binomial son:
5
2
20
8p6n
La probabilidad de que un paciente se recupere de una rara enfermedad sanguínea es de 0.6. Si se sabe que 15 personas contraen esta enfermedad, ¿cuál es la probabilidad de que:(a)sobrevivan al menos 10,(b)sobrevivan de 3 a 8 (c) sobrevivan exactamente 5
EJEMPLO 3
EL PROCESO DE POISSON
Es una sucesión de fallas o acontecimientos puntuales,
que ocupan individualmente, una porción despreciable
en un medio continuo.
Ese medio continuo puede ser un intervalo dado o una
región específica.
EL PROCESO DE POISSON
El intervalo dado puede ser de cualquier longitud,
como un minuto, un día, una semana, etc.
La región específica podría ser un segmento, un área,
etc.
Genera valores para la v. a. X que representa por
ejemplo: el numero de llamadas telefónicas por hora
que recibe una oficina.
EL PROCESO DE POISSON
De modo que la probabilidad de que ocurra un número
dado X de fallas en una extensión T de continuo es
independiente de la posición de T dentro del continuo
y de la ocurrencia de fallas en otros tramos, esto es,
que las fallas no se producen en “cadenas” y el
proceso “no tiene memoria”.
CORTES DE LUZ EN UNA CIUDAD
LLAMADAS TELEFÓNICAS A UNA LÍNEA
LLEGADAS DE PERSONAS A UN COMERCIO
FALLAS EN LOS ROLLOS DE ALFOMBRA
ACCIDENTES DE TRANSITO EN UNA CIUDAD
TEMBLORES EN UNA REGION DETERMINADA
PASAS DE UVAS EN UN BUDIN
λ= TASA DE FALLAS (RESULTADOS) O PROMEDIO
DE FALLAS (RESULTADOS) POR UNIDAD DE
CONTINUO.
UNA UNIDAD DE CONTINUO PUEDE SER UN
INTERVALO, UNA REGION ESPECÍFICA.
CONTINUODELEXTENSIÓNDEUNIDAD
FALLASDEMEDIONÚMERO
DISTRIBUCIÓN DE POISSON
Fijada la extensión t del continuo, el número de
fallas X (acontecimientos o resultados) que pueden
encontrarse en ella es una variable aleatoria,
denominada variable de POISSON, cuya media o
esperanza es
tXE )(
DISTRIBUCIÓN DE POISSON
La probabilidad de encontrar x fallas en la extensión t está dada por:
!!
);(x
e
x
tetxp
xxt
...,3,2,1,0x
EJEMPLO 4
El proceso productivo de un tipo de tela produce fallas a
una tasa de 1.2 fallas cada 100 metros y se bobina en
rollos de 80 metros. Definiremos como rollo de
Primera Calidad aquel que tiene una falla o ninguna, de
Segunda Calidad que tiene 2 fallas y de rechazo el que
tiene 3 ó más fallas. Calculemos las probabilidades para
cada una de estas calidades.
...,3,2,1,0xX: Número de fallas
CONTINUODELEXTENSIÓNDEUNIDAD
FALLASDEMEDIONÚMERO
012.0100
2.1 96.080*012.0 t
!
96.0)96.0;(
96.0
xe
xpx
383.0
!096.0
)96.0;0(096.0
e
p
367.0
!196.0
)96.0;1(196.0
e
p
75.0)1( CalidadP a
176.0)2()2( pCalidadP a
074.0)(Re chazoP
x
xxf para
21
exp
)2(
1),/(
2
2
12
DISTRIBUCIÓN NORMAL
Se dice que una variable aleatoria X tiene distribución normal, con media y varianza 2 si X es continua y su función de densidad es:
Se puede demostrar que esta función cumple las propiedades de una densidad.
DISTRIBUCIÓN NORMAL
µ-σ µ µ+σ
DISTRIBUCIÓN NORMAL
DISTRIBUCIÓN NORMAL
La esperanza y la varianza son los parámetros de la distribución.
)(XE
2)( XVar
),/(~ 2xNX
DISTRIBUCIÓN NORMAL
Valor Medio o Esperado
Factor de posición
Desvío Estándar
Factor de dispersión
DISTRIBUCIÓN NORMAL
),/(~ 2xNX Y= aX + b
),/(~ 22 abayNY
),/(~ 2XXxNX ),/(~ 2
YYyNY
variable aleatorias independientes
),/(~ 22YXYXyxNYX
DISTRIBUCIÓN NORMAL ESTANDAR
)1,0/(~ xNZ1y 0 2
xxxfx para
2
1exp
)2(
1)1,0/()( 2
2
1
xduux )()(
Estandarización de una variable aleatoria normal
),/(~ 2xNX
X
Z
)1,0/(~ zNZ
Uso de tablas de la distribución normal
Uso de tablas de la distribución normal
Uso de tablas de la distribución normal
Uso de tablas de la distribución normal
Uso de tablas de la distribución normal
Uso de tablas de la distribución normal
Uso de tablas de la distribución normal
Uso de tablas de la distribución normal
Suponga que X N ( 5,4). Calcular la probabilidad P( 1<X<8)
EJEMPLO
P X PX
P Z( ) ( . )
( . ) ( ) ( . ) [ ( )] ( . ) ( ) .
1 81 5
2
8 5
22 15
15 2 15 1 2 15 2 1 9105
p P X k P Z kk ( )
k pk
1 0.6826
2 0.9544
3 0.9974
4 0.99994
5 1 6 x 10-7
10 1 2 x 10-23
En general si X N ( , 2) para k> 0