Documentos de Académico
Documentos de Profesional
Documentos de Cultura
FDP y CDF Con Matlab
FDP y CDF Con Matlab
Cx xa P( x)dx
C( x) PX x
0 C( x) 1 para cualquier x
Cx i Cx j
si
xi x j
PX x 1 C( x)
>>help normrnd
A continuacin mostramos algunas de las funciones del Statistics Toolbox ms tiles:
Distribuciones
Funciones de Densidad de Probabilidad (pdf)
betapdf - Beta density
binopdf - Binomial density
Descripcin:
Computa la funcin de distribucin uniforme continua para el valor X y los parmetros
A y B. X, A y B deben ser del mismo tamao. El parmetro B debe ser mayor que A.
Genera una matriz de tamao m x n, formada por nmeros aleatorios que cumplen que
su distribucin sobre la recta real es de la forma indicada. (m y n son parmetros
opcionales y pueden no ser necesaria su inclusin).
El resultado Y es la probabilidad de que ocurra X en el intervalo (A,B).
La distribucin uniforme estndar tiene A=0 y B=1.
Ocurre en un evento donde una variable aleatoria toma valores de un intervalo finito,
de manera que stos se encuentran distribuidos igualmente sobre el intervalo. Esto es,
la probabilidad de que la variable aleatoria tome un valor en cada subintervalo de igual
longitud es la misma.
Se aplica con un conocimiento muy general o poco conocimiento sobre la distribucin.
Tambin para errores de redondeo en la medida, generacin de nmeros aleatorios y
llegadas (cuando son independientes y el nmero total est determinado).
Sintaxis:
Y = unifpdf(X,A,B,m,n)
EJEMPLO 1. Coincidiendo con los valores de X, A y B para obtener las grficas previas se
tiene:
>> Y = unifpdf(1,0,1) % X=1, A=0, B=1
Y se despliega:
Y=
1
EJEMPLO 2. Para A y B fijados, para un rango de 0.1 a 0.6 , con diferencia de 0.1, la pdf
uniforme es constante.
>> X = 0.1:0.1:0.6;
Y = unifpdf(X)
Y se despliega:
Y=
1 1 1 1 1
1
Agregando plot(X,Y); grid; xlabel('x'); ylabel('p')
para obtener la grfica :
y despliega :
1
y pasa por
20
0
X 20
X 20
CDF F( x)
20 X 40
20
X 40
0
Ajustando con el MATLAB nos da la
ecuacin: y = 0.05* x - 1
20 40
30
2
CDF
Descripcin:
Computa la funcin de distribucin exponencial negativa para el valor X y los
parmetros MU y SIGMA. X, MU y SIGMA pueden ser vectores, matrices y arreglos que
deben ser del mismo tamao. El parmetro SIGMA debe ser positivo.
La distribucin normal estndar tiene MU = 0 y SIGMA = 1.
Fluctuaciones simtricas alrededor de un valor medio (MU).
Se aplica para describir atributos humanos o de objetos: peso, altura, etc. dentro
Y = normpdf(X,MU,SIGMA)
EJEMPLO 5. Coincidiendo con los valores de X, MU y SIGMA la grfica de la PDF previa
se tiene:
>> Y = normpdf(0.019048,0,1) % X=0.019048, MU = 0, SIGMA= 1
Y se despliega:
Y = 0.3989
EJEMPLO 6. Si MU es un arreglo de valores entre 0 y 2, con una diferencia de 0.1
>> mu = [0:0.1:2]; % el rango va desde 0 a 2, con un incremento de 0.1, teniendo 21
% valores
>> Y = normpdf(1.5,mu,1)
Y se despliega:
Y = Columns 1 through 8
0.1295 0.1497 0.1714 0.1942 0.2179 0.2420 0.2661 0.2897
Columns 9 through 16
0.3123 0.3332 0.3521 0.3683 0.3814 0.3910 0.3970 0.3989
Columns 17 through 21
0.3970 0.3910 0.3814 0.3683 0.3521
EJEMPLO 7. Si X es un arreglo de valores entre 150 y 180, con una diferencia de 5
>> X = (150:5:180);
Y = normpdf(X,165,5) % con MU = 165 y SIGMA = 5
Y se despliega:
Y = 0.0009 0.0108 0.0484 0.0798 0.0484 0.0108 0.0009
Agregando: plot(X,Y); grid; xlabel('x'); ylabel('p')
para obtener la grfica de la izquierda.
CDF
Descripcin:
Computa la funcin de distribucin exponencial negativa para el valor X y el
parmetro MU. X y MU deben ser del mismo tamao. El parmetro MU debe ser positivo.
La pdf exponencial es la pdf gamma con su primer parmetro (a) igual a 1.
La variable aleatoria exponencial es el tiempo que transcurre hasta que se da el
primer evento de Poisson. Es decir, la distribucin exponencial puede modelar el lapso
entre dos eventos consecutivos de Poisson que ocurren de manera
independiente y a una frecuencia constante.
Se utiliza en sucesos independientes entre s. Es apropiada para modelar tiempos
de espera cuando dicho tiempo se supone independiente del tiempo que haya
transcurrido hasta ese momento. Por ejemplo, la probabilidad de que una
bombilla deje de lucir en el prximo minuto es relativamente independiente del tiempo
que haya estado luciendo hasta ahora. Tiempos entre roturas, tamao de pedidos,
tiempos de procesos, llegada de personas a una tienda y, en general, acciones
por unidad de tiempo.
Sintaxis:
Y = exppdf(X,MU)
EJEMPLO 9.
Coincidiendo con los valores X y MU de la grfica de la PDF previa se tiene:
>> Y = exppdf(10,3) % con X= 10 y MU = 3
Y se despliega:
Y = 0.0119
EJEMPLO 10.
Con un arreglo de valores para X desde 1 a 5 al igual que para MU en el mismo rango, se
tiene:
>> Y = exppdf(1:5,1:5)
Y se despliega:
Y = 0.3679 0.1839 0.1226 0.0920 0.0736
Para obtener la grfica del ejemplo, definimos X primero y luego de esta manera con el
comando plot(X,Y):
>> X = (1:1:5);
>> Y = exppdf(X,1:1:5)
>> plot(X,Y); grid; xlabel('x'); ylabel('p')
Y se despliega el grfico:
CDF
Descripcin:
Computa la funcin de distribucin log-normal para el valor X con media MU y
desviacin estndar SIGMA. X, MU y SIGMA deben ser del mismo tamao, que
determina el tamao de Y.
Es una distribucin normal asimtrica.
Se utiliza para modelar tiempos de procesos y reparacin, averas de un coche con el
tiempo, poblacin de un sitio con respecto al dinero, estancia de tiempo en un banco,
etc.
Sintaxis:
Y = lognpdf(X,MU,SIGMA)
EJEMPLO 11. Coincidiendo con los valores X y MU de para obtener la grfica de la PDF
previa se tiene:
>> Y = lognpdf(3,0,1)
Y = 0.0727
EJEMPLO 12. Con un arreglo de valores para X desde el 1 al 10, tomados de uno en uno
>> X = (1:1:10); % arreglo desde 1 a 10, tomados de 1 en 1
Y = lognpdf(X,0,1) % con MU = 0 y SIGMA = 1
Y = Columns 1 through 8
0.3989 0.1569 0.0727 0.0382 0.0219 0.0134 0.0086 0.0057
Columns 9 through 10
0.0040 0.0028
para incluir la grfica, se agregan: plot(X,Y); grid; xlabel('x'); ylabel('p')
CDF
Descripcin:
Computa la funcin de distribucin gamma para el valor X y los parmetros A y B. X,
A y B deben ser del mismo tamao. A y B deben ser positivos y X tiene que estar dentro
del intervalo [0, ) .
Y = gampdf(X,A,B)
EJEMPLO 13. Coincidiendo con los valores X, A y B de para obtener las grficas previas
de la PDF y de la CDF se tiene:
>> Y = gampdf(1,1,2) % donde X=1, A=1 y B=2
Y se despliega:
Y = 0.3033
EJEMPLO 14. Con un arreglo de valores para B, desde 1 a 5, de 1 en 1, con X=1 y A=1
>> X =(1:1:5);
Y = gampdf(1,1,X)
Y se despliega:
Y = 0.3679 0.3033 0.2388 0.1947 0.1637
Incluyendo la grfica, tenemos:
Descripcin:
Computa la funcin de distribucin gamma para el valor X y los parmetros A y B. X, A
y B deben ser del mismo tamao. A y B deben ser positivos y X tiene que estar dentro del
intervalo [0,1].
La distribucin uniforme en [0,1] es un caso derivado de la distribucin beta
donde A=1 y B=1.
X, A, y B pueden ser vectores, matrices, o arreglos multidimensionales que tengan la
misma dimensin. Una entrada escalar se expande a un arreglo constante con las mismas
dimensiones de las otras entradas.
La distribucin beta para un valor dado x y un par de parmetros a y b es
y f x a, b
1
b 1
xa1 1 x I ( 0 ,1) ( x)
Ba, b
donde B( ) es la funcin Beta. La function inidcador I ( 0 ,1) ( x ) asegura que solo los valores
de x en el rango (0 1) tengan una probabilidad distinta a cero. La distribucin uniforme
en (0 1) es un caso degenerado de la pdf de beta donde a= 1 y b = 1.
Permite generar una gran variedad de perfiles. Se puede usar para representar la
distribucin de artculos defectuosos sobre un intervalo de tiempo especfico, etc.
Sintaxis:
Y = betapdf(X,A,B)
EJEMPLO 15. Coincidiendo con los valores de X, A y B para obtener las grficas previas
se tiene:
Y = 1.4574
CDF
Descripcin:
Computa la funcin de distribucin uniforme discreta para el valor X y el
parmetro N. X y N deben ser del mismo tamao y N un entero positivo.
El resultado Y es la probabilidad de que ocurra X de entre N nmeros, que en este
caso, por ser uniforme, ser la misma para cualquier X entre 1 y N.
Se usa para generar nmeros aleatorios de entre N. Por ejemplo podemos
calcular la probabilidad de sacar un nmero X (del 1 al 6) al tirar un dado.
Sintaxis:
Y = unidpdf(X,N)
EJEMPLO 17. Para un rango de valores de X desde 1 a 6, avanzando de 1 en 1, en 10
ensayos , adems de su grfica
>> X = (1:1:6);
>> Y = unidpdf(X,10)
Y = 0.1000 0.1000 0.1000 0.1000 0.1000 0.1000
>> plot(X,Y,'+'))
0.2000
0.1667
0.1429
0.1250
0.1111
CDP
Descripcin:
Computa la funcin de distribucin binomial para el valor X y los parmetros N y P. X,
N y P deben ser del mismo tamao. N debe ser un entero positivo y P tiene que estar en
el intervalo [0,1].
El resultado Y es la probabilidad de observar X sucesos en N pruebas
independientes, donde la probabilidad de que ocurra el suceso (acierto) viene
dada por el parmetro P, que permanece constante para cada prueba, y la
probabilidad de que no ocurra el suceso (fracaso) es 1-P.
Sus reas de aplicacin incluyen inspeccin de calidad, ventas, mercadotecnia,
medicina, investigacin, de opiniones y otras. Por ejemplo, un proceso de
manufactura produce un determinado producto en el que algunas unidades son
defectuosas; si la proporcin de unidades defectuosas producidas por este proceso
es constante durante un periodo razonable y, si como procedimiento de rutina, se
seleccionan aleatoriamente un determinado nmero de unidades, entonces las
proposiciones de probabilidad con respecto al nmero de artculos defectuosos puede
hacerse mediante el empleo de la distribucin binomial.
Sintaxis:
Y = binopdf(X,N,P)
EJEMPLO 19: Coincidiendo con los valores X, N y P de para obtener las grficas previas
de la PDF y de la CDF se tiene:
>> Y = binopdf(5,10,0.5)
Y = 0.2461
lo que equivale a la probabilidad P( X 5)
Y para la CDF:
>> Y = binocdf(5,10,0.5)
Y = 0.6230
lo que equivale a la probabilidad P( X 5)
EJEMPLO 20: Un inspector de comercio testea al da 200 muestras de un producto. Si el
2% de ellas son defectuosas, cul es la probabilidad de que el inspector no encuentre
ninguna defectuosa ese da?
Es decir se quiere encontrar PX 0 , aqu entonces tenemos x=0, N =200 y la
probabilidad P=0.02
>> binopdf(0,200,0.02)
ans =
0.0176
P( X 1) 1 P( X 1) 1 P( X 0)
Descripcin:
Computa la funcin de distribucin binomial negativa para el valor X y los
parmetros R y P. X, R y P deben ser del mismo tamao. La funcin de densidad es 0 a
menos que X sea un entero.
La variable aleatoria representa el nmero de ensayos necesarios para observar R
xitos. Los ensayos son independientes entre s. La probabilidad de xito en cada ensayo
es constante e igual a P.
La aplicacin principal de esta distribucin es una alternativa adecuada para el modelo
de Poisson cuando la frecuencia de ocurrencia no es constante en el tiempo o el
espacio. Tambin se emplea para modelar
las estadsticas de accidentes, datos
psicolgicos, compras del consumidor y otras eventos similares en donde la
frecuencia de ocurrencia entre grupos o individuos no se espera que sea la misma.
Sintaxis:
Y = nbinpdf(X,R,P)
EJEMPLO 21. Para un rango de valores de X desde 0 a 10, en 10 ensayos, donde se repite
3 xitos, donde la probabilidad es p= 0.5. Incluir la grfica de
>> X = (0:10);
>> Y = nbinpdf (X,3,0.5)
Se despliega:
Y = Columns 1 through 9
0.1250 0.1875 0.1875 0.1562 0.1172 0.0820 0.0547 0.0352 0.0220
Columns 10 through 11
0.0134 0.0081
Su grfica de la PDF:
plot(X,Y,'+')
set(gca,'Xlim',[-0.5,10.5])
% fijando los lmites del eje de las X desde -0.5 a 10.5
CDF
Descripcin:
Computa la funcin de distribucin de Poisson para el valor X y el parmetro LAMBDA.
X y LAMBDA deben ser del mismo tamao y LAMBDA positivo. X puede ser cualquier
entero no negativo. La funcin de densidad es 0 a menos que X sea un entero.
La variable aleatoria representa el nmero de eventos independientes que
ocurren a una velocidad constante en el tiempo o en el espacio.
Ofrece una aproximacin muy buena a la funcin de probabilidad binomial
cuando p es pequeo y n grande.
Es el principal modelo de probabilidad empleado para analizar problemas de
lneas de espera. Se usa para estimar el nmero de personas que llegan a una
tienda de autoservicio en un tiempo estimado, el nmero de defectos en piezas similares
para el material, el nmero de bacterias en un cultivo, nmero de solicitudes de
seguro procesadas por una compaa en un perodo especfico, etc.
Sintaxis:
Y = poisspdf(X,LAMBDA)
EJEMPLO 22.Un fabricante de discos duros para ordenadores ha observado que ocurren
defectos en el proceso de fabricacin aleatoriamente con una media aproximada de
2 defectos por disco de 4 Gb. Se considera este trmino de fallos aceptable para el
proceso. Cul es la probabilidad de que un disco duro cualquiera sea fabricado sin
fallos ?
Para este caso, LAMBDA = 2 y X = 0
Se quiere calcular P( X 0)
>> P = poisspdf(0,2)
P = 0.1353
Es decir que P( X 0) 0.1353 o sea un 13.53% de que un disco duro sea fabricado sin
fallos.
EJEMPLO 23. El nmero de vehculos que llegan a una interseccin de caminos
durante una hora sigue una distribucin de Poisson de parmetro = 10.
(a) Calcula la probabilidad de que slo llegue un vehculo.
(b) Cul es el nmero medio de vehculos que se espera que lleguen al cruce en una
hora?
(c) Calcula la probabilidad de que el nmero de vehculos que llegan al cruce sea mayor
al nmero esperado
Para este caso , LAMBDA= 10
a) se quiere encontrar P( X 1)
>> P = poisspdf(1,10)
P = 4.5400e-004
Es decir que P( X 1) 4.5400 10 4 o sea un 0.05% de que llegue slo un vehculo
b) el nmero medio o esperado = LAMBDA= 10 vehculos
c) se quiere encontrar P( X 10) 1 P( X 10)
>> P = 1- poisscdf(10,10)
P = 0.4170
Es decir, P( X 10) 0.4170 o sea 41.70 % de vehculos mayor al valor esperado
EJEMPLO 24. Supngase que un libro de 585 pginas contiene 43 errores tipogrficos. Si
esos errores estn distribuidos aleatoriamente en el libro, Cul es la probabilidad de
que 10 pginas, seleccionadas al azar, estn libres de error?
Para este caso la probabilidad de encontrar un error tipogrfico es p
El valor de LAMBDA ser: LAMBDA= N p 43
1
585
1
43
585 585
0.0735
>> P = poisspdf(0,LAMBDA)
P=
0.9291
CDF
EJEMPLO 25.Suponga que se lanza una moneda comn repetidamente, puede salir cara o
sello. Si la moneda cae y sale cara, eso es un xito. Cul es la probabilidad de que
exactamente salgan tres sellos antes de obtener una cara?
En este caso la probabilidad de xito, es p= 0.5
Se quiere encontrar P( X 3)
>> p = geopdf(3,0.5)
p=
0.0625
K M K
x N x
En este caso, M = 100, los discos defectuosos son K=20 y se toman N = 10 al azar
Se quiere hallar la funcin de probabilidad
>> X = 0:5;
p = hygepdf(X,100,20,10)
p=
0.0951
0.2679
0.3182
0.2092
0.0841
0.0215
4
1
2
3
5
1
5
4
2
1
3
3
1
3
2
2
3
2
2
4
2
5
5
4
2
3
1
5
5
5
2
3
1
3
2
1
1
3
1
3
3
4
4
4
1
1
2
3
4
3
5
4
5
3
2
1
4
4
3
1
2
1
2
3
3
3
5
3
5
4
5
2
4
2
4
4
1
2
2
4
5
2
4
4
1
4
2
5
1
3
3
3
4
2
4
3
1
1
4
3
1
2
4
1
4
2
5
2
4
1
2
1
3
4
3
3
4
4
4
4
5
2
4
2
1
4
3
3
4
4
2
4
3
5
5
2
4
3
3
5
2
2
1
5
4
3
4
3
4
3
4
3
5
2
1
1
PROBLEMAS PROPUESTOS
1. Se sabe que aproximadamente el 90% de los matriculados en Ingeniera son hombres.
(a) Calcula la probabilidad de que en un grupo de cinco estudiantes escogidos al azar
haya alguna chica.
(b) Calcula la probabilidad de que en una clase de 30 estudiantes no haya ningn chico.
(c) Calcula la probabilidad de que en una clase de 40 personas, menos del 20% sean
mujeres.
Respuestas. a) 0.4095; b) 10-30 ; c) 0.9489
2. Si se lanza un dado 150 veces, cul es la probabilidad de que salga 30 veces un seis?
Respuesta. 0.048
3. En un colegio se realizan una serie de pruebas psicotcnicas para determinar el
coeficiente de inteligencia de los alumnos, quedando establecido que dicha medida se
distribuye segn una distribucin normal de parmetros 100 y 10.
(a) Calcula la probabilidad de que un alumno seleccionado al azar tenga un
coeficiente intelectual por encima de 120.
(b) Calcula el porcentaje de alumnos cuyo coeficiente intelectual est
comprendido entre 95 y 105.
(c) Qu valor del coeficiente intelectual verifica que slo el 10% de los alumnos tienen
un coeficiente superior?
(d) Se decide repetir las pruebas a aquellos alumnos con un coeficiente
demasiado alto, que resultan ser un 5% del total, y a aquellos con coeficiente
demasiado bajo, que representan un 2%. Calcula los valores del coeficiente de
inteligencia a partir de los cuales se repetirn las pruebas.
Respuestas. a) 0.0228; b) 0.383; c) 112.816; d) Por encima de 116.45 y por debajo 79.46.
4. Segn estudios realizados por una compaa de seguros, se sabe que la probabilidad
de que una mujer mayor de sesenta aos sufra un accidente de circulacin es del
0.001%. Sabiendo que la compaa tiene 40000 clientes de esas caractersticas, calcular
la probabilidad de que tenga que soportar ms de 4 siniestros de este tipo.
Respuesta. 0.0001
5. Segn las encuestas previas a las elecciones se supone que el 25% de los electores de
la ciudad de La Paz votan por un determinado candidato.
Se eligen al azar 50
votantes en un distrito electoral paceo. Calcular la probabilidad de que ms de 20
voten por dicho candidato.
Respuesta. 0.0045
6. Una mquina de lavado a presin est diseada para suministrar 25 litros de limpiador
por minuto, pero se ha comprobado que la mquina suministra una cantidad aleatoria
entre 24 y 26 litros, siguiendo una distribucin uniforme.
a) Calcular la probabilidad de suministrar mas de la cantidad esperada por minuto
b) Calcular la probabilidad de que la cantidad suministrada en un minuto sea menor de
25 litros y medio, sabiendo que ha sido superior a la cantidad esperada.
Respuestas. a) 0.5; b) 0.5