Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Mall en Arenas
Departamento de Matem aticas Facultad de Ciencias Universidad de Chile
Variables Aleatorias II
1 / 26
Algunas distribuciones discretas Distribuci on Bernoulli Distribuci on Binomial Distribuci on Geom etrica Distribuci on Binomial Negativa Distribuci on Hipergeom etrica Distribuci on Poisson Algunas distribuciones continuas Distribuci on Uniforme Distribuci on Exponencial Distribuci on Erlang Distribuci on Normal.
Variables Aleatorias II
2 / 26
Distribuci on Bernoulli
Distribuci on Bernoulli
Denici on Se dice que la variable aleatoria X tiene distribuci on Bernoulli de par ametro p si tiene funci on de probabilidad dada por: p(x) = P (X = x) = px q 1x , x = 0, 1; 0<p<1 y q = 1 p.
Notaci on: X Bernoulli(p) Si realizamos un experimento donde los resultados posibles son exito (E ) y fracaso (F ) y la probabilidad de exito es p. Denimos la v. a. X como: X (E ) = 1 y X (F ) = 0
Variables Aleatorias II
3 / 26
Distribuci on Bernoulli
V (X ) = p(1 p) = pq.
Variables Aleatorias II
4 / 26
Distribuci on Binomial
Distribuci on Binomial
Tiene importancia poder determinar la probabilidad de que se observen x exitos cuando se repite n veces ensayos Bernoulli. El resultado de estas repeticiones da lugar a una variable aleatoria Binomial. Denici on Se dice que la variable aleatoria X tiene distribuci on Binomial de par ametros p y n si tiene funci on de probabilidad dada por: p(x) = P (X = x) = x = 0, 1, 2, . . . , n; 0 < p < 1 y q = 1 p. Notaci on: X Bin(n, p) n x px q nx ,
Variables Aleatorias II
5 / 26
Distribuci on Binomial
En tal caso se dene X como el n umero de exitos obtenidos al repetir n veces el experimento. Por ejemplo: si repetimos 4 veces un ensayo Bernoulli y obtenemos EF EE entonces X (EF EE ) = 3 Si X Bin(n, p) entonces se puede ver que: E (X ) = np y V (X ) = np(1 p) = npq.
Variables Aleatorias II
6 / 26
Distribuci on Binomial
Ejemplo Se est a llevando a cabo un estudio para determinar la opini on con respecto a la construcci on de una nueva represa para controlar las inundaciones del r o Andalien. Para ello se eligen 15 residentes del area. Si se sabe que un 80% de la gente que vive en el area se opone a la represa, cu al es la probabilidad que la mayor a est e en contra?.
Variables Aleatorias II
7 / 26
x = 0, 1, 2, . . . ;
0<p<1
y q = 1 p.
Variables Aleatorias II
Ejemplo Los 2/3 de los alumnos de un colegio est an ausentes por causa de una epidemia. En un curso de 25 ni nos, el profesor pasa la lista. Dena la variable aleatoria X como el No de estudiantes llamados hasta que uno responda a) Cu al es la probabilidad que el d ecimo ni no llamado sea el primero en responder? b) Determine P (X 2) y P (X 2) c) Determine E (X ) y V (X ).
Variables Aleatorias II
9 / 26
0 < p < 1.
Tambi en se fundamenta en el proceso Bernoulli; Es una extensi on de la distribuci on geom etrica; X : no de ensayos necesarios hasta obtener r exitos. r rq E (X ) = , y V (X ) = 2 . p p
Variables Aleatorias II
10 / 26
Denici on Se dice que la variable aleatoria X tiene distribuci on Hipergeometrica de parametros N , k y n si tiene funci on de probabilidad dada por: k x N k nx N n 0 < p < 1.
p(x) = P (X = x) =
x = 0, 1, 2, . . . , n;
Variables Aleatorias II
11 / 26
Se selecciona sin reemplazo una muestra al azar de tama no n. k de los art culos se pueden clasicar como exito y N k como fracaso. Interesa ahora la probabilidad de seleccionar x exitos de entre un total de k exito y n x fracasos entre los N k fracasos. Si denimos X como el n umero de exitos, entonces X es una v.a. hipergeom etrica.
Variables Aleatorias II
12 / 26
Distribuci on Poisson
Distribuci on Poisson
Denici on Se dice que la variable aleatoria X tiene distribuci on Poisson de par ametro t si su funci on de probabilidad est a dada por: p(x) = P (X = x) = et(t) , x! t > 0.
x
x = 0, 1, 2, . . . ;
> 0,
Variables Aleatorias II
13 / 26
Distribuci on Poisson
Las variables aleatorias Poisson surgen como una aproximaci on de la Binomial cuando la probabilidad de exito es muy peque na y n es muy grande. En este caso t juega el rol de la probabilidad de exito y el de cantidad de veces que se repite el experimento. Las v. a. Poisson tienen una conexi on con los llamados procesos de Poisson. Estos implican la observaci on de un conjunto discreto de sucesos en un intervalo continuo de tiempo, longitud, espacio o volumen. En este caso X es la v. a. n umero de ocurrencias de un evento en un intervalo (0, t). Adem as esta variable aleatoria cumple que: E (X ) = V (X ) = t
Variables Aleatorias II
14 / 26
Distribuci on Poisson
Ejemplo En una cierta poblaci on se ha observado que el n umero medio de personas que mueren de c ancer al pulm on es de 12 al a no. S el n umero de muertes por c ancer al pulm on sigue una distribuci on de Poisson, cu al es la probabilidad de que durante el a no en curso a) haya exactamente diez muertes por c ancer al pulm on? b) Quince o m as personas mueran a causa de la enfermedad? c) Por lo menos una muera a causa de esta enfermedad dentro de seis meses?
Variables Aleatorias II
15 / 26
Distribuci on Poisson
Ejemplo Suponga que n umero de llamadas telef onicas que llegan a la central telef onica de bomberos en un periodo de tres horas es de 10 llamadas. a) Cu al es la probabilidad de que haya por lo menos 2 llamadas en 1 hora?
b) Cu al es la probabilidad de que haya exactamente 5 llamadas en dos horas? c) Determine el n umero promedio y la desviaci on est andar del n umero de llamadas en dos horas.
Variables Aleatorias II
16 / 26
Distribuci on Uniforme
Distribuci on Uniforme
Denici on Se dice que la variable aleatoria X est a uniformemente distribuida en el intervalo (a, b) o que X tiene distribuci on Uniforme de par ametros a y b si tiene funci on de densidad de probabilidad dada por: f (x) =
1 ba ,
0,
si a x b; E.O.C.;
a < b,
a, b I R.
Variables Aleatorias II
17 / 26
Distribuci on Uniforme
La funci on de distribuci on acumulada es 0, si x a; x a , si a < x < b; F (x) = ba 1, si x b; Adem as se tiene que: = E (X ) = a+b 2
a < b,
a, b I R.
y 2 = V (X ) =
(b a)2 12
Variables Aleatorias II
18 / 26
Distribuci on Exponencial
Distribuci on Exponencial
Denici on Se dice que la variable aleatoria X tiene distribuci on exponencial de par ametro si tiene funci on de densidad de probabilidad dada por: f (x) = ex , si x > 0; 0, E.O.C.; > 0.
Recordemos que la v.a de Poisson, se deni o como el No de ocurrencias de un evento en un intervalo (0, t). Si T es el tiempo hasta la ocurrencia del primer evento de un proceso de Poisson, entonces se dice que T tiene distribuci on exponencial de par ametro .
Variables Aleatorias II
19 / 26
Distribuci on Exponencial
Variables Aleatorias II
20 / 26
Distribuci on Erlang
Distribuci on Erlang
Es una generalizaci on natural de la distribuci on exponencial. Ahora queremos determinar la distribuci on del tiempo hasta que un evento ocurra un n umero determinado de veces. Suponga que observamos un proceso de Poisson de par ametro desde el tiempo cero. Si Tr es el tiempo hasta el r- esimo evento (r 1), entonces Tr se llama v.a. Erlang de par ametros r y .
Variables Aleatorias II
21 / 26
Distribuci on Erlang
Denici on Se dice que la variable aleatoria X tiene distribuci on Erlang de par ametros y r si tiene funci on de densidad de probabilidad dada por: f (x) =
x) ex (( r1)! , si t > 0; 0, E.O.C.;
r 1
> 0.
Variables Aleatorias II
22 / 26
Distribuci on Normal.
Distribuci on Normal.
Esta es la distribuci on m as importante de la estad stica. Se le usa como modelo en un gran n umero de aplicaciones. Denici on Una variable aleatoria continua, tiene distribuci on normal, si su funci on de densidad de probabilidades es f (t) = 1 2 2 e
(x)2 2 2
x > 0.
Variables Aleatorias II
23 / 26
Distribuci on Normal.
El gr aco de esta funci on de probabilidad tiene forma de campana, es sim etrica con respecto a x = , es c oncava hacia abajo entre y + , y c oncava hacia arriba fuera de este intervalo, (los puntos ( , f ( )) y ( + , f ( + )), son puntos de inexi on, adem as la curva es asint otica con el eje x y tiene su m aximo valor en x = Notaci on: X N (, 2 ). Los par ametros y corresponden a la media aritm etica y a desviaci on est andar de la distribuci on normal.
Variables Aleatorias II
24 / 26
Distribuci on Normal.
Variables Aleatorias II
25 / 26
Distribuci on Normal.
La funci on de distribuci on acumulada de Z se denota por , es decir: (z ) = P (Z z ) = FZ (z ) Si X N (, 2 ), entonces FX (x) = P (X x) = P ((X )/ < ((x )/ ) = ((x )/ ). Este resultado nos muestra que podemos calcular probabilidades de intervalos de cualquier distribuci on normal, haciendo uso de la distribuci on normal est andar.
Variables Aleatorias II
26 / 26