Curso de Probabilidad y Estadística Distribuciones de Probabilidad Dr. José Antonio Camarena Ibarrola camarena@umich.mx Universidad Michoacana de San Nicolás de Hidalgo Facultad de Ingeniería Eléctrica División de Estudios de Postgrado Dr. J Antonio Camarena Ibarrola, DEPFIE, UMSNH p.1/3
Distribución Uniforme discreta Si una variable discreta puede asumir k valores diferentes con igual probabilidad Donde x i x j i j f(k) = 1 k x = x 1, x 2,..., x k Ej: X: Resultado obtenido en un lanzamiento de un dado legal Dr. J Antonio Camarena Ibarrola, DEPFIE, UMSNH p.2/3
Distribución de Bernoulli Un experimento o ensayo de Bernoulli tiene dos resultados posibles, éxito o fracaso los cuales tienen probabilidad p y q respectívamente. Es evidente que q = 1 p Una variable aleatoria X que nos indica el éxito (X=1) o el fracaso (X=) de un solo ensayo de Bernoulli tiene una distribución dada por f(x) = p x (1 p) 1 x x =, 1 Ej: X: Ganar un juego de tenis Dr. J Antonio Camarena Ibarrola, DEPFIE, UMSNH p.3/3
Distribución Binomial Cuando se efectúan n ensayos de Bernoulli puede haber x exitos y por ende n-x fracasos, en cada ensayo la probabilidad de éxito es igual a p. Una variable aleatoria discreta X que indique el número de éxitos tiene distribución: ( ) n f(x) = p x (1 p) n x x El número de maneras en que pueden obtenerse x éxitos en n ensayos es ( n x) dado que no importa el orden en que se obtengan dichos éxitos. Nota: La distribución de Bernoulli es un caso especial de la distribución binomial en la que n=1 Dr. J Antonio Camarena Ibarrola, DEPFIE, UMSNH p.4/3
Gráficas Distribución binomial 1.2 1.8.6.4.2 2 4 6 8 1 1.2 1.8.6.4.2 2 4 6 8 1 p=.5 p=.2 1.2 1.8.6.4.2 2 4 6 8 1 1.2 1.8.6.4.2 2 4 6 8 1 P=.1 p=.8 Dr. J Antonio Camarena Ibarrola, DEPFIE, UMSNH p.5/3
Ejemplo (Distribución Binomial) Encuentre la probabilidad de acertar correctamente al menos en 6 de 1 respuestas en un examen de opción múltiple donde cada pregunta tiene 3 posibles respuestas y estas se eligen al azar. Dr. J Antonio Camarena Ibarrola, DEPFIE, UMSNH p.6/3
Ejemplo (Distribución Binomial) Encuentre la probabilidad de acertar correctamente al menos en 6 de 1 respuestas en un examen de opción múltiple donde cada pregunta tiene 3 posibles respuestas y estas se eligen al azar. En cada pregunta (ensayo) la probabilidad de acertar es de 1 3 y de fallar es de 2 3 P(X = 6) = f(6) = `1 1 6 4 2 6 3 3 =.57 P(X = 7) = f(7) = `1 1 7 3 2 7 3 3 =.1626 P(X = 8) = f(8) = `1 1 8 2 2 8 3 3 =.348 P(X = 9) = f(9) = `1 1 9 2 9 3 3 =.3387 P(X = 1) = f(1) = `1 1 1 1 3 =.1693 P(X 6) = P(X = 6) + P(X = 7) + P(X = 8) + P(X = 9) + P(X = 1) P(X 6) =.57 +.1626 +.348 +.3387 +.1693 =.7666 Dr. J Antonio Camarena Ibarrola, DEPFIE, UMSNH p.6/3
Media en la Dist. Binomial G(t) = E[e tx ] = n x= etx( ) n x p x q n x G(t) = n ( n ) x= x (pe t ) x q n x Pero sabemos que (a + b) n = n ( n x= x) a n x b x, entonces: G(t) = (q + pe t ) n G (t) = n(q + pe t ) n 1 pe t G () = n(q + p) n 1 p, pero q + p = 1 por lo que: µ = E[X] = G () = np Dr. J Antonio Camarena Ibarrola, DEPFIE, UMSNH p.7/3
Varianza en la Dist. Binomial G(t) = (q + pe t ) n G (t) = n(q + pe t ) n 1 pe t G (t) = n(n 1)(q + pe t ) n 2 pe t pe t + n(q + pe t ) n 1 pe t G () = n(n 1)(q + p) n 2 p 2 + n(q + p) n 1 p Pero q + p = 1 por lo que: E[X 2 ] = G () = n(n 1)p 2 + np, σ 2 = E[X 2 ] µ 2 = E[X 2 ] (np) 2 = n(n 1)p 2 + np (np) 2 σ 2 = n 2 p 2 np 2 + np (np) 2 = np np 2 = np(1 p) = npq En conclusión σ 2 = npq Dr. J Antonio Camarena Ibarrola, DEPFIE, UMSNH p.8/3
Distribución de Poisson S.D. Poisson introdujo esta distribución en 1837, es una conveniente aproximación a la distribución binomial cuando el número de ensayos es muy grande y la probabilidad de éxito de cada ensayo es muy pequeña. f(x) = µx x! e µ.4.35.3.25.2.15.1.5 5 1 15 2 Dr. J Antonio Camarena Ibarrola, DEPFIE, UMSNH p.9/3
Ejemplo Si 2% de los motores que fabrica una empresa sale defectuoso, encuentre la probabilidad de que en un lote de 4 motores, cinco esten defectuosos Dr. J Antonio Camarena Ibarrola, DEPFIE, UMSNH p.1/3
Ejemplo Si 2% de los motores que fabrica una empresa sale defectuoso, encuentre la probabilidad de que en un lote de 4 motores, cinco esten defectuosos µ = np = (4)(.2) = 8 f(5) = 85 5! e 8 =.92 Dr. J Antonio Camarena Ibarrola, DEPFIE, UMSNH p.1/3
Distribución Hipergeométrica La distribución binomial es útil en muestreo con reemplazo. En muestreos sin reemplazo donde los ensayos no son independientes, podemos usar la distribución Hipergeométrica. De un Conjunto de N elementos, M se consideran éxitos y N-M se consideran fracasos. La probabilidad de obtener x éxitos es: f(x) = ( M )( N M ) x n x ( N n) Donde: ( ) M x es el numero de maneras en que se pueden obtener x elementos exitosos de los M que hay, ( ) N M n x es el número de maneras en que se puede escoger n-x no exitosos de los N-M que hay y ( N n) es el número de maneras de escoger n elementos del total Dr. J Antonio Camarena Ibarrola, DEPFIE, UMSNH p.11/3 de N.
Ejemplo De un lote con 2 lámparas, 5 de las cuales están defectuosas se toman al azar 1. Encuentre la probabilidad de que 2 estén defectuosas. Dr. J Antonio Camarena Ibarrola, DEPFIE, UMSNH p.12/3
Ejemplo De un lote con 2 lámparas, 5 de las cuales están defectuosas se toman al azar 1. Encuentre la probabilidad de que 2 estén defectuosas. ( 5 15 ) 2)( f(2) = ( 2 1 8 ) = (1)(6435) 184756 =.3483 Dr. J Antonio Camarena Ibarrola, DEPFIE, UMSNH p.12/3
Distribución exponencial f(x) = { λe λx x x < 2 1.5 1.5 1 2 3 4 5 6 7 8 Dr. J Antonio Camarena Ibarrola, DEPFIE, UMSNH p.13/3
Media y Varianza (Dist exponencial) µ = E[X] = xλe λx dx = [xe λx ] + e λx dx = 1 λ En forma similar σ 2 = E[X 2 ] µ 2 = x 2 λe λx dx 1 λ 2 = 1 λ 2 Dr. J Antonio Camarena Ibarrola, DEPFIE, UMSNH p.14/3
Ejemplo Ej. Se sabe que un componente electrónico tiene una vida útil representada por una densidad exponencial con una razón de fallas de 1 5 fallas por hora. La media del tiempo de falla es por tanto 1 5 horas. Determine el número de componentes que pueden fallar antes de la vida media o esperada. Dr. J Antonio Camarena Ibarrola, DEPFIE, UMSNH p.15/3
Ejemplo Ej. Se sabe que un componente electrónico tiene una vida útil representada por una densidad exponencial con una razón de fallas de 1 5 fallas por hora. La media del tiempo de falla es por tanto 1 5 horas. Determine el número de componentes que pueden fallar antes de la vida media o esperada. P(T 1 λ ) = 1 λ λe λx dx = [ e λx ] 1 λ = 1 e 1 =.63212 Dr. J Antonio Camarena Ibarrola, DEPFIE, UMSNH p.15/3
Distribución Gamma Una variable aleatoria X tiene una distibución Gamma si su densidad es: f(x) = { 1 β α Γ(α) xα 1 e x/β x x <.2.15.1.5 1 2 3 4 5 6 Cuando α es igual a 1, esta distribución se convierte en la distribución exponencial Dr. J Antonio Camarena Ibarrola, DEPFIE, UMSNH p.16/3
Función Gamma de Euler En 1814 Adrian Legendre propuso nombrar Gamma a una Función definida por Euler. Γ(λ) = Z e t t λ 1 dt Γ(λ + 1) = R e t t λ dt Integrando por partes se obtiene la relación básica: Γ(λ + 1) = λγ(λ) Γ(1) = R e t dt = 1 Γ(2) = 1Γ(1) = 1!, Γ(3) = 2Γ(2) = 2!,..., Γ(n + 1) = nγ(n) = n! La distribución chi-cuadrada requiere calcular Γ( n ) para valores enteros de n. Si n es par, podemos 2 calcular Γ( n 2 ) = ` n 2 1!, si n es impar, podemos usar el hecho de que Γ(1/2) = π. Por ejemplo, si n=5, Γ( 5 2 ) = 3 2 Γ(3 2 ) = (3 2 )(1 2 )Γ(1 2 ) = 3 4 π Γ(x) se puede calcular para valores flotantes, incluso hay tablas de valores de Gamma para el rango de 1 a 2, para valores fuera de ese rango se puede hacer como en el siguiente ejemplo: Γ(3.4) = 2.4Γ(2.4) = (2.4)(1.4)Γ(1.4) = (2.4)(1.4)(.8873) = 2.98 Dr. J Antonio Camarena Ibarrola, DEPFIE, UMSNH p.17/3
Dist. exponencial y Dist. Gamma Si la variable aleatoria X es la suma de α variables aleatorias independientes distribuidas exponencialmente, cada una con λ = 1/β, entonces X tiene densidad gamma con parámetros α y β. Dr. J Antonio Camarena Ibarrola, DEPFIE, UMSNH p.18/3
Ejemplo Un sistema redundante cuenta con tres unidades. Al principio, la unidad 1 está funcionando, mientras que las unidades 2 y 3 están en espera. Cuando la unidad 1 falla, el sistema pone a trabajar la unidad 2, la cual opera hasta que falla y se active la unidad 3. La vida del sistema puede representarse como la suma de las vidas de las 3 unidades, es decir: X = X 1 + X 2 + X 3 Si las vidas de las unidades son independientes entre sí, y cada unidad tiene una vida X j con densidad g(x) = (1/1)e x/1, entonces X tendrá una densidad gamma con α = 3 y β = 1. f(x) = 8 < : 1 1 3 Γ(3) x3 1 e x/1 x x < f(x) = 8 < : 1 1 3 (2!) x2 e x/1 x x < Dr. J Antonio Camarena Ibarrola, DEPFIE, UMSNH p.19/3
Distribución Gaussiana También conocida como Distribución Normal, es la piedra angular de la teorá estadística moderna. En el siglo XIX, los científicos observaron una asombrosa regularidad en los errores de medición, se referian a las curvas de errores como "normales" y las atribuían a las leyes del azar. La distribución normal es la mas importante por varias razones: Muchas variables aleatorias relacionadas con experimentos u observaciones prácticas están distribuidas normalmente Muchas otras variables aleatorias tienen una distribución aproximada a la normal Varias distribuciones mas complicadas se pueden aproximar a la normal (por ej la binommial Las variables que no siguen distribución gaussiana se pueden convertir en otras con distribución gaussiana mediante una transformación. f(x) = 1 σ 2π e 1 x µ 2 ( σ )2 Dr. J Antonio Camarena Ibarrola, DEPFIE, UMSNH p.2/3
Distribución Gaussiana.8.6.4.2 1.8.6.4.2 8 6 4 2 2 4 6 8 8 6 4 2 2 4 6 8 f(x) F(x) f(x) = 1 σ 2π e 1 x µ 2 ( σ )2 F(x) = 1 σ 2π Z x e 2 1( v µ σ )2 dv Dr. J Antonio Camarena Ibarrola, DEPFIE, UMSNH p.21/3
Distribución Gaussiana P(a X b) = F(b) F(a) = 1 σ 2π Z b a e 2 1( x µ σ )2 dx Esta integral no es facil de calcular, sin embargo se puede expresar en términos de Φ(z), donde: Φ(z) = 1 2π Z z F(x) = Φ( x µ σ ) e v2 2 dv Los valores de Φ(z) aparecen tabulados en los apéndices de todos los libros de Probabilidad y en muchos sitios web como http://www.math.unb.ca/ knight/utility/normtble.htm Dr. J Antonio Camarena Ibarrola, DEPFIE, UMSNH p.22/3
Distribución normal estandar Z..1.2.3.4.5.6.7.8.9..5.54.58.512.516.519.523.527.5319.5359.1.539.543.547.551.555.559.563.567.5714.5753.2.579.583.587.591.594.598.62.66.613.6141.3.617.621.625.629.633.636.64.644.648.6517.4.655.659.662.666.67.673.677.68.6844.6879.5.691.695.698.71.75.78.712.715.719.7224.6.725.729.732.735.738.742.745.748.7517.7549.7.758.761.764.767.77.773.776.779.7823.7852.8.788.791.793.796.799.82.85.87.816.8133.9.815.818.821.823.826.828.831.834.8365.8389 1..841.843.846.848.85.853.855.857.8599.8621 1.1.864.866.868.87.872.874.877.879.881.883 1.2.884.886.888.89.892.894.896.898.8997.915 Dr. J Antonio Camarena Ibarrola, DEPFIE, UMSNH p.23/3
Ejemplo X es una variable aleatoria que representa la resistencia al rompimiento de una cuerda. X tiene distribución normal con media de 8 Newtons y varianza 144. Determine la probabilidad de que una cuerda resista mas de 81 Newtons. Dr. J Antonio Camarena Ibarrola, DEPFIE, UMSNH p.24/3
Ejemplo X es una variable aleatoria que representa la resistencia al rompimiento de una cuerda. X tiene distribución normal con media de 8 Newtons y varianza 144. Determine la probabilidad de que una cuerda resista mas de 81 Newtons. z = 81 8 12 =.83 P(X > 81) = 1 P(81 < X) = 1 Φ(.83) = 1.7967 =.233 Dr. J Antonio Camarena Ibarrola, DEPFIE, UMSNH p.24/3
Teorema límite de Moivre-Laplace Para n grande, la distribución binomial se aproxima a la distribución normal, es decir: P(a X b) = b x=a ( ) n p x q n x Φ(β) Φ(α) x Donde: β = b np+.5 npq y α = a np.5 npq Como la distribución binomial es discreta y la normal es contínua, normalmente se emplea la corrección de continuidad o corrección de medio intervalo (restar.5 al límite inferior y sumar.5 al límite superior). Dr. J Antonio Camarena Ibarrola, DEPFIE, UMSNH p.25/3
Ejemplo Si n=1 y p=.2, encuentre P(21 Z 24) Dr. J Antonio Camarena Ibarrola, DEPFIE, UMSNH p.26/3
Ejemplo Si n=1 y p=.2, encuentre P(21 Z 24) µ = (1)(.2) = 2 σ 2 = (1)(.2)(.8) = 16 σ = 4 Por la corrección de continuidad hay que encontrar P(2.5 X 24.5) = Φ( 24.5 2 ) Φ( 4 2.5 2 ) 4 P(2.5 X 24.5) = Φ(1.125) Φ(.125) =.8686.5478 P(2.5 X 24.5) =.328 Dr. J Antonio Camarena Ibarrola, DEPFIE, UMSNH p.26/3
Ley de los grandes números de Bernoulli Sea X la variable aleatoria que indica el número de éxitos en n ensayos independientes. Entonces, dado un número positivo ǫ (no importa que tan pequeño sea, pero diferente de cero), lim ( P Xn ) ǫ = 1 n Es decir, la probabilidad de que el número promedio de éxitos difiera de p en mas de un ǫ dado, se aproxima a cero cuando n tiende a infinito. Dr. J Antonio Camarena Ibarrola, DEPFIE, UMSNH p.27/3
Distribución Chi-cuadrada Esta distribución muestral fue introducida por F.R. Helmert (1876) y constituye la base de una prueba de hipótesis (bondad de ajuste). Sean X 1, X 2,..., X n, variables aleatorias independientes que tienen media cero y varianza 1. La suma de sus cuadrados se representa en general por χ 2 χ 2 = X 2 1 + X2 2 +... + X2 n A la distribución correspondiente a esta suma se le llama distribución chi-cuadrada, cuya densidad es f(x) = K n x (n 2)/2 e x/2 n es el número de grados de libertad y K n = 1 2 n/2 Γ(n/2) Dr. J Antonio Camarena Ibarrola, DEPFIE, UMSNH p.28/3
Distribuciones Chi-cuadrada.4.3.2.1 1.8.6.4.2 5 1 15 2 25 3 35 5 1 15 2 25 n=5 n=1 1 1.8.8.6.6.4.4.2.2 5 1 15 2 25 5 1 15 2 25 n=3 n=6 Dr. J Antonio Camarena Ibarrola, DEPFIE, UMSNH p.29/3
Distribución t de Student Esta distribución muestral fue introducida por W. S. Gosset (198) que utilizaba el seudónimo Student y es la base de importantes pruebas de hipótesis. La distribución t es la distribución de la variable aleatoria T = X Y/n, donde X es una variable aleatoria normal con media cero y varianza 1 mientras que Y es una variable aleatoria con distribución Chi-cuadrada con n grados de libertad. La distribución t tiene densidad: f(z) = Γ ` n+1 2 ` nπγ n 2 1 + z2 n 1 (n+1)/2.4.3.2.1 8 6 4 2 2 4 6 8 Para n=1, esta distribución se convierte en la distribución de Cauchy Dr. J Antonio Camarena Ibarrola, DEPFIE, UMSNH p.3/3