Modelos de probabilidad
Modelos de probabilidad
Proceso de Bernoulli
Objetivos del tema:
Distribución de Bernoulli Distribución Binomial Distribución Geométrica
Al final del tema el alumno será capaz de:
Proceso de Poisson Distribución de Poisson Distribución Exponencial
Comprender las hipótesis de las distintas distribuciones presentadas Distribución Normal La Normal como aproximación de otras distribuciones
Seleccionar la distribución discreta o continua correcta en aplicaciones específicas
Distribuciones relacionadas con la Normal Distribución χ2 de Pearson Distribución t de Student Distribución F de Fisher
Calcular probabilidades, determinar medias y varianzas para las distribuciones más comunes
1
Estadística, Profesora. María Durbán
2
Estadística, Profesora. María Durbán
Modelos de probabilidad
Proceso de Bernoulli
Proceso de Bernoulli Distribución de Bernoulli Distribución Binomial Distribución Geométrica
Cuando un experimento tiene las siguientes características: Sólo hay dos resultados posibles: Aceptable (A) Defectuoso (D)
Proceso de Poisson Distribución de Poisson Distribución Exponencial
La proporción de A y D es constante en la población y no se modifica cualquiera que sea la cantidad observada
Distribución Normal La Normal como aproximación de otras distribuciones
Pr( D) = p Pr( A) = q = 1 − p
Distribuciones relacionadas con la Normal Distribución χ2 de Pearson Distribución t de Student Distribución F de Fisher
Las observaciones son independientes
Estadística, Profesora. María Durbán
3
Estadística, Profesora. María Durbán
4
Proceso de Bernoulli
Proceso de Bernoulli
Cuando un experimento tiene las siguientes características: Ejemplos Sólo hay dos resultados posibles: Aceptable (A) Defectuoso (D)
Observar el resultado al lanzar una moneda
La proporción de A y D es constante en la población y no se modifica cualquiera que sea la cantidad observada
Si una pieza es defectuosa o no en un proceso de fabricación Observar el sexo de un recién nacido
Pr( D) = p Pr( A) = q = 1 − p
Si se transmite correctamente un bit a través de un canal digital
Las observaciones son independientes 5
Estadística, Profesora. María Durbán
6
Estadística, Profesora. María Durbán
Proceso de Bernoulli
Proceso de Bernoulli
Distribución de Bernoulli
Distribución Binomial
0 si el suceso no ocurre A → q = 1 − p = Pr( X = 0) X = si el suceso ocurre A → p = Pr( X = 1) 1
Si se repite un número fijo de veces, n, un experimento de Bernoulli con parámetro p, el número de éxitos sigue una distribución Binomial de parámetros (n,p). X = Número de veces que ocurre un suceso en las n pruebas
La función de probabilidad es:
p ( x) = p x (1 − p )1− x
X ~ B ( n, p )
x = 0,1
X toma valores 0,1,2,…,n
µ = E [ X ] = 0 × (1 − p ) + 1× p = p σ = Var [ X ] = (0 − p) 2 (1 − p) + (1 − p) 2 p = p(1 − p) Estadística, Profesora. María Durbán
7
Estadística, Profesora. María Durbán
8
Proceso de Bernoulli
Proceso de Bernoulli n=5
La función de probabilidad es:
n P( X = r ) = p r (1 − p) n − r , r = 0,1,K , n r n=25
E [ X ] = np
p=0.75
p=0.5
p=0.2
Var [ X ] = np (1 − p ) 9
Estadística, Profesora. María Durbán
10
Estadística, Profesora. María Durbán
Proceso de Bernoulli
Proceso de Bernoulli
Ejemplo
Ejemplo
Un aparato electrónico contiene 40 circuitos integrados. La probabilidad de que un circuito sea defectuoso es 0.01 y los circuitos son independientes. El producto funciona sólo si no hay ningún circuito defectuoso.
Un aparato electrónico contiene 40 circuitos integrados. La probabilidad de que un circuito sea defectuoso es 0.01 y los circuitos son independientes. El producto funciona sólo si no hay ningún circuito defectuoso.
¿Cuál es la probabilidad de que el aparato funcione?
¿Cuál es la probabilidad de que el aparato funcione?
X = Número de circuitos defectuosos en los 40 de un aparato
X = Número de circuitos defectuosos en los 40 de un aparato
Pr( X = 0)
Experimento: Observar si un circuito es defectuoso o no. Se repite 40 veces Son independientes La probabilidad de ser defectuoso es constante, 0.01
Estadística, Profesora. María Durbán
11
Estadística, Profesora. María Durbán
12
Proceso de Bernoulli
Proceso de Bernoulli
Ejemplo
Distribución Geométrica Cuando un experimento tiene las siguientes características:
Un aparato electrónico contiene 40 circuitos integrados. La probabilidad de que un circuito sea defectuoso es 0.01 y los circuitos son independientes. El producto funciona sólo si no hay ningún circuito defectuoso.
Sólo hay dos resultados posibles La probabilidad de éxito se mantiene constante
¿Cuál es la probabilidad de que el aparato funcione?
Las observaciones son independientes
X = Número de circuitos defectuosos en los 40 de un aparato
Se repite el experimento hasta que ocurre el primer éxito
X ~ B(40, 0.01)
X = Número de veces que hay que repetir el experimento hasta conseguir el primer éxito
40 Pr( X = 0) = 0.010 (1 − 0.01) 40 = 0.669 0
X ~ Ge( p ) 13
Estadística, Profesora. María Durbán
Proceso de Bernoulli
Proceso de Bernoulli
Distribución Geométrica
Distribución Geométrica
X i i = 1,.....n son Bernoulli X1
X2
X3
X4 L
↓ 1
↓
↓
↓
0
1
0 0
0 0
1 0
1
X i i = 1,.....n son Bernoulli X
X1
X2
X3
X4 L
↓ 1
↓
↓
↓
⇒
↓ X =1
⇒
X =2
0
1
0 0
0 0
⇒ ⇒
Pr ( X = 1) = p
Pr ( X = 2 ) = qp
X = 3 Pr ( X = 3) = qqp X = 4 Pr ( X = 4 ) = qqqp
1 0
1
X ⇒
↓ X =1
⇒
X =2
⇒ ⇒
Pr ( X = 1) = p
Pr ( X = 2 ) = qp
X = 3 Pr ( X = 3) = qqp X = 4 Pr ( X = 4 ) = qqqp
E [ X ] = 1/ p
La función de probabilidad es:
P( X = r ) = (1 − p ) r −1 p, r = 1, 2, K Estadística, Profesora. María Durbán
14
Estadística, Profesora. María Durbán
Var [ X ] = (1 − p ) / p 2 15
Estadística, Profesora. María Durbán
16
Proceso de Bernoulli
Proceso de Bernoulli
Distribución Geométrica
Ejemplo
p ( x ) = Pr ( X = x ) = (1 − p) x −1 p
La probabilidad de que un bit transmitido a través de un canal de transmisión digital sea recibido como un error es 0.1. Si las transmisiones son independientes, ¿Cuál es el número medio de transmisiones que hemos de observar hasta que ocurre el primer error? X = Número de transmisiones que hay que observar hasta encontrar el primer error
E [ X ] = 1/ p = 1/ 0.1 = 10 17
Estadística, Profesora. María Durbán
Modelos de probabilidad
Proceso de Poisson
Proceso de Bernoulli
Cuando un experimento tiene las siguientes características:
Distribución de Bernoulli Distribución Binomial Distribución Geométrica
Se observa la ocurrencia de sucesos en un intervalo
Proceso de Poisson
La probabilidad de que ocurra un suceso en un intervalo
Distribución de Poisson Distribución Exponencial
Es la misma para los intervalos del mismo tamaño Es proporcional a la longitud del intervalo
Distribución Normal La Normal como aproximación de otras distribuciones
Los sucesos ocurren de forma independiente. El número de sucesos que ocurren en un intervalo es independiente del número de sucesos que ocurren en otro intervalo
Distribuciones relacionadas con la Normal Distribución χ2 de Pearson Distribución t de Student Distribución F de Fisher
Estadística, Profesora. María Durbán
18
Estadística, Profesora. María Durbán
19
Estadística, Profesora. María Durbán
20
Proceso de Poisson
Proceso de Poisson
Distribución de Poisson
Distribución de Poisson
La función de probabilidad es:
X = Número de sucesos en un intervalo de longitud fija La distribución de Poisson se puede obtener como límite de una Binomial cuando n → ∞ y p → 0
λ = np →
P( X = r ) = ∞
Número medio de sucesos en ese intervalo
e− λ λ r , r = 0,1, K r!
E[X ] = λ → E[X ] = ∑r Var [ X ] = λ
0
∞ e−λ λ r λ r −1 = λ e−λ ∑ =λ r! 1 ( r − 1)!
X ~ P(λ1 ) Y ~ P(λ2 ) independientes X + Y ~ P(λ1 + λ2 ) 21
Estadística, Profesora. María Durbán
22
Estadística, Profesora. María Durbán
Proceso de Poisson
Proceso de Poisson Distribución de Poisson
Ejemplos Número de defectos en un milímetro de cable. Número de llamadas de teléfono que se reciben en una centralita en una hora. Número de erratas por página en un documento
Estadística, Profesora. María Durbán
23
Estadística, Profesora. María Durbán
24
Proceso de Poisson
Proceso de Poisson
Ejemplo
Ejemplo
El proceso de llegadas de clientes a un puesto de servicio se produce de manera estable e independiente. Por término medio llega un cliente cada minuto.
El proceso de llegadas de clientes a un puesto de servicio se produce de manera estable e independiente. Por término medio llega un cliente cada minuto.
¿Cuál es la probabilidad de que no lleguen clientes en 3 minutos?
Mantener el citado puesto de servicio abierto 8 horas al día cuesta 6000 euros diarios. ¿Cuál debe ser el precio mínimo que se cobre a cada cliente para que sea rentable?
X = Número de clientes por minuto → X ~ P (λ = 1)
Y = Número de clientes en 8 horas → Y ~ P (λ = 60 × 8 = 480)
Y = Número de clientes en 3 minutos → Y ~ P (λ = 3)
Beneficio = Tarifa x Y -6000
Pr(Y = 0) =
−3 0
e 3 = e−3 0!
Beneficio Esperado = Tarifa × E [Y ] − 6000 > 0 = Tarifa × 480 − 6000 > 0 25
Estadística, Profesora. María Durbán
Proceso de Poisson
Distribución de exponencial
Distribución de exponencial X = Numero de sucesos en la unidad de tiempo X ~ P (λ )
Tiempo entre llamadas telefónicas Tiempo entre llegadas a un puesto de servicio Tiempo de vida de un componente eléctrico
T = Tiempo hasta que ocurre el primer suceso
M
Podemos calcular su función de distribución:
P (T > t0 ) = P(cero sucesos en (0,t 0 ))
Cuando el número de sucesos sigue una distribución de Poisson, el tiempo entre sucesos sigue una distribución exponencial
Estadística, Profesora. María Durbán
26
Estadística, Profesora. María Durbán
Proceso de Poisson
La distribución exponencial se puede utilizar para modelizar
Tarifa > 12.5
X= Número de sucesos en una unidad de tiempo X ~ P (λ ) Y = Número de sucesos en (0,t0) Y ~ P (λt0 )
27
P (T > t0 ) = Pr(Y = 0) = e − λt0 F (t0 ) = P (T ≤ t0 ) = 1 − e − λt0 Estadística, Profesora. María Durbán
Estadística, Prof. Bernardo D'Auria
28
Proceso de Poisson
Proceso de Poisson
f ( x ) = λ e−λ x
Distribución de exponencial X = Numero de sucesos en la unidad de tiempo X ~ P (λ ) T = Tiempo entre dos sucesos consecutivos f ( x) = 2e −2 x
dF (t ) = λ e − λt , t ≥ 0 dt
f (t ) = E [ X ] = 1/ λ
f ( x) = 0.5e −0.5 x
f ( x ) = 0.1e −0.1x
Si hay λ sucesos por término medio en un intervalo de tiempo
Var [ X ] = 1/ λ 2
El tiempo medio entre dos sucesos es 1/λ 29
Estadística, Profesora. María Durbán
30
Estadística, Profesora. María Durbán
Proceso de Poisson
Proceso de Poisson
Ejemplo
Propiedad
El proceso de llegadas de clientes a un puesto de servicio se produce de manera estable e independiente. Por término medio llega un cliente cada minuto.
Pr(T > t1 +t 2 | T > t1 ) = Pr( T > t 2 )
¿Cuál es la probabilidad de que pasen más de 3 minutos entre la llegada de dos clientes? X = Número de clientes por minuto → X ~ P (λ = 1) T = Tiempo entre dos clientes
Pr(T > t1 +t 2 I T > t1 ) Pr( T > t1 +t 2 ) e − λ (t1 +t 2 ) = − λ t1 = e − λt2 = e Pr( T > t1 ) Pr( T > t1 )
→ T ~ Exp (λ = 1)
Pr(T > 3) = 1 − Pr(T ≤ 3) = 1 − F (3) = 1 − (1 − e
−1×3
)=e
−3
Pr(Y > 7 | Y > 4) = Pr(Y > 3) = 1 − F (3) = e−3
= Pr(No haya clientes en 3 minutos) Estadística, Profesora. María Durbán
Si no ha habido clientes en 4 minutos, ¿cuál es la probabilidad de que no haya clientes en los próximos 3 minutos?
31
Estadística, Profesora. María Durbán
32
Modelos de probabilidad
Distribución Normal
Proceso de Bernoulli Distribución de Bernoulli Distribución Binomial Distribución Geométrica
La distribución Normal describe gran cantidad de procesos aleatorios
Proceso de Poisson Distribución de Poisson Distribución Exponencial
Errores de medida Ruido en una señal digital Corriente eléctrica en un trozo de cable …
Distribución Normal La Normal como aproximación de otras distribuciones Distribuciones relacionadas con la Normal Distribución χ2 de Pearson Distribución t de Student Distribución F de Fisher
En muchas situaciones otras distribuciones se pueden aproximar a una Normal Es la base para la inferencia estadística
33
Estadística, Profesora. María Durbán
34
Estadística, Profesora. María Durbán
Distribución Normal
Distribución Normal Tiene forma de campana y es simétrica respecto de la media
Está caracterizada por dos parámetros: La media, µ, y la desviación típica, σ. N ( µ , σ )
f ( x) Toma valores en toda la recta real La media, mediana y moda coinciden
Su función de densidad es:
1 f ( x) = e 2π σ E[ X ] = µ
− ( x − µ )2 2σ 2
−∞ < x < ∞
µ
Var[ X ] = σ 2 0.5
Estadística, Profesora. María Durbán
35
Estadística, Profesora. María Durbán
0.5 36
Distribución Normal
Distribución Normal
El efecto de µ y σ ¿Cómo afecta la deviación típica la forma de f(x)?
La probabilidad es el área bajo la curva
Es un factor de escala
σ= 2
Pr(c ≤ X ≤ d)
σ =3 σ =4
f(x)
No es posible calcular la probabilidad de un intervalo simplemente usando la integral de la función de densidad
¿Cómo afecta el valor esperado a la posición de f(x)? µ = 10 µ = 11 µ = 12 Es un factor de traslación
c 37
Estadística, Profesora. María Durbán
X → Z =
X −µ
38
Distribución Normal
Densidad de (X-µ)/σ
σ
x
Estadística, Profesora. María Durbán
Distribución Normal Todas las distribuciones normales se pueden transformar en N(0,1)
d
X ~ N (3, 2) Densidad de X-µ
Densidad de X 3
6
Pr( X ≤ 6) Z ~ N (0,1) Mismoº área
σ
1 µ
Estadística, Profesora. María Durbán
0
39
1.5 6−3 0 Pr Z ≤ Pr( 1.5) = Z ≤ 2 Estadística, Profesora. María Durbán
Estadística, Prof. Bernardo D'Auria
40
Distribución Normal
Distribución Normal Ejemplo
La función de distribución de la Normal estándar tiene una notación propia:
El tiempo de vida de un semiconductor sigue una distribución Normal con media 7000 horas y desviación típica 600 horas
F ( x) = Pr( X ≤ x) = φ ( x)
¿Cuál es la probabilidad de que el semiconductor falle antes de 6000 horas?
Q( x) = Pr( X > x) = 1 − φ ( x)
¿Qué tiempo de vida en horas es excedido por el 95.05% de los semiconductores?
Pr( X < 6000)
Q(− x) = 1 − Q( x) Existen ciertas cotas para la función Q que se utilizan para calcular cotas en error de probabilidad de varios sistemas de comunicaciones 1 − x2
Pr( X > a ) = 0.9505
2
Q( x) ≤ e 2
x≥0 2
Q( x)
30
N 15, 10.5
npq > 5
)
0.00 5.000
7.625
10.250 12.875 15.500 18.125 20.750 23.375 26.000 x
Estadística, Profesora. María Durbán
59
Estadística, Profesora. María Durbán
60
La Normal como aproximación de otras distribuciones
La Normal como aproximación de otras distribuciones
Factor de corrección
Ejemplo Un fabricante de semiconductores admite que produce un 2% de chips defectuosos. Los chips se empaquetan en lotes de 2000 chips para su venta. Un comprador rechazará un lote si contiene 25 o más chips defectuosos
La distribución Normal es continua pero la Binomial es discreta. Para mejorar la aproximación introducimos un factor de corrección que consiste en añadir o substraer 0.5 al valor al que le queremos calcular la probabilidad.
¿Cuál es la probabilidad de rechazar un lote?
x + 0.5 − np Pr( X ≤ x) = Pr( X ≤ x + 0.5) ≅ Pr Z ≤ np (1 − p ) x − 0.5 − np Pr( x ≤ X ) = Pr( x − 0.5 ≤ X ) ≅ Pr ≤Z np (1 − p )
n > 30 np = 40 np (1 − p) = 39.2 61
Estadística, Profesora. María Durbán
Pr ( X ≥ 25)
X ~ B(2000, 0.02)
La Normal como aproximación de otras distribuciones
X ≈ N (40, 6.26)
↓ 25 − 40 − 0.5 Pr Z ≥ 6.26 = Pr (Z ≥ −2.47 ) = Pr (Z ≤ 2.47 ) = 0.9932 62
Estadística, Profesora. María Durbán
La Normal como aproximación de otras distribuciones
Poisson-Normal
Poisson-Normal
La distribución de Poisson surge como límite de la Binomial cuando el número de experimentos tiende a infinito. Aproximamos a una Normal cuando λ grande (λ > 5)
X ~ P (λ )
(
X ≈ N λ, λ
Estadística, Profesora. María Durbán
) 63
Estadística, Profesora. María Durbán
64
Modelos de probabilidad
La Normal como aproximación de otras distribuciones
Proceso de Bernoulli
Ejemplo
Distribución de Bernoulli Distribución Binomial Distribución Geométrica
El número de defectos en la superficie de un material por metro cuadrado sigue una distribución de Poisson con media 100.
Proceso de Poisson
Si se analiza un metro cuadrado de dicho material, ¿Cuál es la probabilidad de encontrar 95 defectos o más?
Distribución de Poisson Distribución Exponencial Distribución Normal La Normal como aproximación de otras distribuciones
Pr ( X ≥ 95)
Distribuciones relacionadas con la Normal Distribución χ2 de Pearson Distribución t de Student Distribución F de Fisher
↓ 95 − 100 − 0.5 Pr Z ≥ = Pr (Z ≥ −0.55) = Pr (Z ≤ 0.55) = 0.7088 10
65
Estadística, Profesora. María Durbán
Distribuciones relacionadas con la Normal
66
Estadística, Profesora. María Durbán
Distribuciones relacionadas con la Normal
χ g2
χ g2 Tiene un sólo parámetro denominado grados de libertad.
La función de densidad es asimétrica. Sólo toma valores positivos.
La función de densidad es asimétrica positiva. Sólo toma valores positivos.
La función de densidad se hace más simétrica cuando aumenta el número de grados de libertad.
La función de densidad se hace más simétrica cuando aumenta el número de grados de libertad.
g X −µ 2 Y = ∑ i =1 i ~ χg σ 2
E [Y ] = g
0.4 0.3
Var [Y ] = 2 g
0.0
0.1
independientes
σ
2 grados de libertad 3 grados de libertad 4 grados de libertad 5 grados de libertad
f(x)
X i ~ N (µ ,σ )
Xi − µ 2 ~ χ1 σ 2
~ N (0,1)
0.2
Xi − µ
0.5
Tiene un sólo parámetro denominado grados de libertad.
0
Estadística, Profesora. María Durbán
67
Estadística, Profesora. María Durbán
5
10
15 x
20
25
68
Distribuciones relacionadas con la Normal
Distribuciones relacionadas con la Normal
t de Student
t de Student Tiene un sólo parámetro denominado grados de libertad. La función de densidad es simétrica positiva respecto al 0. Toma valores en toda la recta real. La función de densidad se aproxima a una N(0,1) cuando aumenta el número de grados de libertad. 0.4
Tiene un sólo parámetro denominado grados de libertad. La función de densidad es simétrica respecto al 0. Toma valores en toda la recta real. La función de densidad se aproxima a una N(0,1) cuando aumenta el número de grados de libertad.
5 grados de libertad 20 grados de libertad 100 grados de libertad
Z ~ N (0,1) Y ~ χ g2
f(x)
Z Y/g
0.0
0.1
tg =
0.2
0.3
Se obtiene como el cociente entre dos variables:
69
Estadística, Profesora. María Durbán
Distribuciones relacionadas con la Normal F de Fisher Tiene un dos parámetros denominados grados de libertad. La función de densidad es asimétrica. Sólo toma valores positivos.
Se obtiene como el cociente entre dos variables:
Fg1 , g2 =
Estadística, Profesora. María Durbán
X / g1 Y / g2
X ~ χ g21 Y ~ χ g22
71
Estadística, Profesora. María Durbán
-10
-5
0 x
5
70