Anda di halaman 1dari 18

Modelos de probabilidad

Modelos de probabilidad

Proceso de Bernoulli

Objetivos del tema:

Distribucin de Bernoulli
Distribucin Binomial
Distribucin Geomtrica

Al final del tema el alumno ser capaz de:

Proceso de Poisson
Distribucin de Poisson
Distribucin Exponencial

 Comprender las hiptesis de las distintas distribuciones presentadas


Distribucin Normal
La Normal como aproximacin de otras distribuciones

 Seleccionar la distribucin discreta o continua correcta en aplicaciones


especficas

Distribuciones relacionadas con la Normal


Distribucin 2 de Pearson
Distribucin t de Student
Distribucin F de Fisher

 Calcular probabilidades, determinar medias y varianzas para las


distribuciones ms comunes

Estadstica, Profesora. Mara Durbn

Estadstica, Profesora. Mara Durbn

Modelos de probabilidad

Proceso de Bernoulli

Proceso de Bernoulli
Distribucin de Bernoulli
Distribucin Binomial
Distribucin Geomtrica

Cuando un experimento tiene las siguientes caractersticas:


Slo hay dos resultados posibles: Aceptable (A)
Defectuoso (D)

Proceso de Poisson
Distribucin de Poisson
Distribucin Exponencial

La proporcin de A y D es constante en la poblacin


y no se modifica cualquiera que sea la cantidad
observada

Distribucin Normal
La Normal como aproximacin de otras distribuciones

Pr( D) = p
Pr( A) = q = 1 p

Distribuciones relacionadas con la Normal


Distribucin 2 de Pearson
Distribucin t de Student
Distribucin F de Fisher

Las observaciones son independientes

Estadstica, Profesora. Mara Durbn

Estadstica, Profesora. Mara Durbn

Proceso de Bernoulli

Proceso de Bernoulli

Cuando un experimento tiene las siguientes caractersticas:


Ejemplos
Slo hay dos resultados posibles: Aceptable (A)
Defectuoso (D)

Observar el resultado al lanzar una moneda

La proporcin de A y D es constante en la poblacin


y no se modifica cualquiera que sea la cantidad
observada

Si una pieza es defectuosa o no en un proceso de fabricacin


Observar el sexo de un recin nacido

Pr( D) = p
Pr( A) = q = 1 p

Si se transmite correctamente un bit a travs de un canal digital

Las observaciones son independientes


5

Estadstica, Profesora. Mara Durbn

Estadstica, Profesora. Mara Durbn

Proceso de Bernoulli

Proceso de Bernoulli

Distribucin de Bernoulli

Distribucin 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 nmero fijo de veces, n, un experimento de Bernoulli con


parmetro p, el nmero de xitos sigue una distribucin Binomial de
parmetros (n,p).
X = Nmero de veces que ocurre un suceso en las n pruebas

La funcin 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

= E [ X ] = 0 (1 p ) + 1 p = p
= Var [ X ] = (0 p) 2 (1 p) + (1 p) 2 p = p(1 p)
Estadstica, Profesora. Mara Durbn

Estadstica, Profesora. Mara Durbn

Proceso de Bernoulli

Proceso de Bernoulli
n=5

La funcin 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

Estadstica, Profesora. Mara Durbn

10

Estadstica, Profesora. Mara Durbn

Proceso de Bernoulli

Proceso de Bernoulli

Ejemplo

Ejemplo

Un aparato electrnico contiene 40 circuitos integrados. La probabilidad de


que un circuito sea defectuoso es 0.01 y los circuitos son independientes.
El producto funciona slo si no hay ningn circuito defectuoso.

Un aparato electrnico contiene 40 circuitos integrados. La probabilidad de


que un circuito sea defectuoso es 0.01 y los circuitos son independientes.
El producto funciona slo si no hay ningn circuito defectuoso.

Cul es la probabilidad de que el aparato funcione?

Cul es la probabilidad de que el aparato funcione?

X = Nmero de circuitos defectuosos en los 40 de un aparato

X = Nmero 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

Estadstica, Profesora. Mara Durbn

11

Estadstica, Profesora. Mara Durbn

12

Proceso de Bernoulli

Proceso de Bernoulli

Ejemplo

Distribucin Geomtrica
Cuando un experimento tiene las siguientes caractersticas:

Un aparato electrnico contiene 40 circuitos integrados. La probabilidad de


que un circuito sea defectuoso es 0.01 y los circuitos son independientes.
El producto funciona slo si no hay ningn circuito defectuoso.

Slo hay dos resultados posibles


La probabilidad de xito se mantiene
constante

Cul es la probabilidad de que el aparato funcione?

Las observaciones son independientes

X = Nmero de circuitos defectuosos en los 40 de un aparato

Se repite el experimento hasta que ocurre el primer


xito

X ~ B(40, 0.01)

X = Nmero de veces que hay que repetir el experimento hasta


conseguir el primer xito

40
Pr( X = 0) = 0.010 (1 0.01) 40 = 0.669
0

X ~ Ge( p )
13

Estadstica, Profesora. Mara Durbn

Proceso de Bernoulli

Proceso de Bernoulli

Distribucin Geomtrica

Distribucin Geomtrica

X i i = 1,.....n son Bernoulli


X1

1
0

X2

0
1

X3

0
0

X4 L

0 L
0 L

0
0

0
0

1
0

0
1

L
L

X i i = 1,.....n son Bernoulli

X = 1 Pr( X = 1) = p
X = 2 Pr( X = 2) = qp

X1

1
0

X2

0
1

X3

0
0

X4 L

0 L
0 L

X = 3 Pr( X = 3) = qqp
X = 4 Pr( X = 4) = qqqp

0
0

0
0

1
0

0
1

L
L

X = 1 Pr( X = 1) = p
X = 2 Pr( X = 2) = qp
X = 3 Pr( X = 3) = qqp
X = 4 Pr( X = 4) = qqqp

E [ X ] = 1/ p

La funcin de probabilidad es:

P( X = r ) = (1 p ) r 1 p, r = 1, 2, K
Estadstica, Profesora. Mara Durbn

14

Estadstica, Profesora. Mara Durbn

Var [ X ] = (1 p ) / p 2
15

Estadstica, Profesora. Mara Durbn

16

Proceso de Bernoulli

Proceso de Bernoulli

Distribucin Geomtrica

Ejemplo

p ( x ) = Pr ( X = x ) = (1 p) x 1 p

La probabilidad de que un bit transmitido a travs de un canal de


transmisin digital sea recibido como un error es 0.1. Si las transmisiones
son independientes,
Cul es el nmero medio de transmisiones que hemos de
observar hasta que ocurre el primer error?
X = Nmero de transmisiones que hay que observar hasta encontrar
el primer error

E [ X ] = 1/ p = 1/ 0.1 = 10
17

Estadstica, Profesora. Mara Durbn

Modelos de probabilidad

Proceso de Poisson

Proceso de Bernoulli

Cuando un experimento tiene las siguientes caractersticas:

Distribucin de Bernoulli
Distribucin Binomial
Distribucin Geomtrica

Se observa la ocurrencia de sucesos en un intervalo

Proceso de Poisson

La probabilidad de que ocurra un suceso en un intervalo

Distribucin de Poisson
Distribucin Exponencial

Es la misma para los intervalos del mismo tamao


Es proporcional a la longitud del intervalo

Distribucin Normal
La Normal como aproximacin de otras distribuciones

Los sucesos ocurren de forma independiente. El nmero de


sucesos que ocurren en un intervalo es independiente del
nmero de sucesos que ocurren en otro intervalo

Distribuciones relacionadas con la Normal


Distribucin 2 de Pearson
Distribucin t de Student
Distribucin F de Fisher

Estadstica, Profesora. Mara Durbn

18

Estadstica, Profesora. Mara Durbn

19

Estadstica, Profesora. Mara Durbn

20

Proceso de Poisson

Proceso de Poisson

Distribucin de Poisson

Distribucin de Poisson

La funcin de probabilidad es:

X = Nmero de sucesos en un intervalo de longitud fija


La distribucin de Poisson se puede obtener como lmite de una
Binomial cuando n y p 0

= np

P( X = r ) =

Nmero medio de sucesos en ese intervalo

e r
, r = 0,1, K
r!

E[X ] = E[X ] = r
Var [ X ] =

e r
r 1
= e
=
r!
1 ( r 1)!

X ~ P(1 ) Y ~ P(2 ) independientes X + Y ~ P(1 + 2 )


21

Estadstica, Profesora. Mara Durbn

22

Estadstica, Profesora. Mara Durbn

Proceso de Poisson

Proceso de Poisson
Distribucin de Poisson

Ejemplos
Nmero de defectos en un milmetro de cable.
Nmero de llamadas de telfono que se reciben en una centralita
en una hora.
Nmero de erratas por pgina en un documento

Estadstica, Profesora. Mara Durbn

23

Estadstica, Profesora. Mara Durbn

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 trmino 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 trmino medio llega un cliente
cada minuto.

Cul es la probabilidad de que no lleguen clientes en 3 minutos?

Mantener el citado puesto de servicio abierto 8 horas al da cuesta


6000 euros diarios. Cul debe ser el precio mnimo que se cobre a
cada cliente para que sea rentable?

X = Nmero de clientes por minuto X ~ P ( = 1)

Y = Nmero de clientes en 8 horas Y ~ P ( = 60 8 = 480)

Y = Nmero de clientes en 3 minutos Y ~ P ( = 3)

Beneficio = Tarifa x Y -6000

Pr(Y = 0) =

3 0

e 3
= e3
0!

Beneficio Esperado = Tarifa E [Y ] 6000 > 0


= Tarifa 480 6000 > 0
25

Estadstica, Profesora. Mara Durbn

Proceso de Poisson

Distribucin de exponencial

Distribucin de exponencial
X = Numero de sucesos en la unidad de tiempo X ~ P ( )

Tiempo entre llamadas telefnicas


Tiempo entre llegadas a un puesto de servicio
Tiempo de vida de un componente elctrico

T = Tiempo hasta que ocurre el primer suceso

Podemos calcular su funcin de distribucin:

P (T > t0 ) = P(cero sucesos en (0,t 0 ))

Cuando el nmero de sucesos sigue una distribucin de


Poisson, el tiempo entre sucesos sigue una distribucin
exponencial

Estadstica, Profesora. Mara Durbn

26

Estadstica, Profesora. Mara Durbn

Proceso de Poisson

La distribucin exponencial se puede utilizar para modelizar

Tarifa > 12.5

X= Nmero de sucesos en una unidad de tiempo X ~ P ( )


Y = Nmero de sucesos en (0,t0) Y ~ P (t0 )

27

P (T > t0 ) = Pr(Y = 0) = e t0
F (t0 ) = P (T t0 ) = 1 e t0
Estadstica, Profesora. Mara Durbn

Estadstica, Prof. Bernardo D'Auria

28

Proceso de Poisson

Proceso de Poisson

f ( x ) = e x

Distribucin de exponencial
X = Numero de sucesos en la unidad de tiempo X ~ P ( )
T = Tiempo entre dos sucesos consecutivos
f ( x) = 2e 2 x

dF (t )
= e t , t 0
dt

f (t ) =
E [ X ] = 1/

f ( x) = 0.5e 0.5 x

f ( x ) = 0.1e 0.1x

Si hay sucesos por trmino medio en un


intervalo de tiempo

Var [ X ] = 1/ 2

El tiempo medio entre dos sucesos es 1/


29

Estadstica, Profesora. Mara Durbn

30

Estadstica, Profesora. Mara Durbn

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 trmino medio llega un cliente
cada minuto.

Pr(T > t1 +t 2 | T > t1 ) = Pr( T > t 2 )

Cul es la probabilidad de que pasen ms de 3 minutos entre la


llegada de dos clientes?
X = Nmero de clientes por minuto X ~ P ( = 1)
T = Tiempo entre dos clientes

Pr(T > t1 +t 2 I T > t1 )


Pr( T > t1 +t 2 ) e (t1 +t 2 )
= t1 = e t2
=
e
Pr( T > t1 )
Pr( T > t1 )

T ~ Exp ( = 1)

Pr(T > 3) = 1 Pr(T 3) = 1 F (3) = 1 (1 e

13

)=e

Pr(Y > 7 | Y > 4) = Pr(Y > 3) = 1 F (3) = e3

= Pr(No haya clientes en 3 minutos)


Estadstica, Profesora. Mara Durbn

Si no ha habido clientes en 4 minutos, cul es la probabilidad de


que no haya clientes en los prximos 3 minutos?

31

Estadstica, Profesora. Mara Durbn

32

Modelos de probabilidad

Distribucin Normal

Proceso de Bernoulli
Distribucin de Bernoulli
Distribucin Binomial
Distribucin Geomtrica

La distribucin Normal describe gran cantidad de procesos


aleatorios

Proceso de Poisson
Distribucin de Poisson
Distribucin Exponencial

Errores de medida
Ruido en una seal digital
Corriente elctrica en un trozo de cable

Distribucin Normal
La Normal como aproximacin de otras distribuciones
Distribuciones relacionadas con la Normal
Distribucin 2 de Pearson
Distribucin t de Student
Distribucin F de Fisher

En muchas situaciones otras distribuciones se pueden


aproximar a una Normal
Es la base para la inferencia estadstica

33

Estadstica, Profesora. Mara Durbn

34

Estadstica, Profesora. Mara Durbn

Distribucin Normal

Distribucin Normal
Tiene forma de campana y es simtrica respecto de la media

Est caracterizada por dos parmetros: La media, , y la desviacin


tpica, . N ( , )

f ( x)
Toma valores en toda la recta real
La media, mediana y
moda coinciden

Su funcin de densidad es:

1
f ( x) =
e
2
E[ X ] =

( x )2
2 2

< x <

Var[ X ] = 2
0.5

Estadstica, Profesora. Mara Durbn

35

Estadstica, Profesora. Mara Durbn

0.5
36

Distribucin Normal

Distribucin Normal

El efecto de y
Cmo afecta la deviacin tpica la forma de f(x)?

La probabilidad es el rea
bajo la curva

Es un factor
de escala

= 2

Pr(c X d)

=3
=4

f(x)

No es posible calcular la probabilidad de


un intervalo simplemente usando la
integral de la funcin de densidad

Cmo afecta el valor esperado a la posicin de f(x)?


= 10 = 11 = 12
Es un factor de
traslacin

c
37

Estadstica, Profesora. Mara Durbn

X Z =

38

Distribucin Normal

Densidad de (X-)/

Estadstica, Profesora. Mara Durbn

Distribucin Normal
Todas las distribuciones normales
se pueden transformar en N(0,1)

X ~ N (3, 2)
Densidad de X-

Densidad de X
3

Pr( X 6)
Z ~ N (0,1)
Mismo
rea

Estadstica, Profesora. Mara Durbn

39

1.5
63 0

Pr Z
Pr(
1.5)
=
Z

Estadstica, Profesora. Mara Durbn

Estadstica, Prof. Bernardo D'Auria

40

Distribucin Normal

Distribucin Normal
Ejemplo

La funcin de distribucin de la Normal estndar tiene una notacin


propia:

El tiempo de vida de un semiconductor sigue una distribucin Normal con media


7000 horas y desviacin tpica 600 horas

F ( x) = Pr( X x) = ( x)

Cul es la probabilidad de que el semiconductor falle antes de 6000 horas?

Q( x) = Pr( X > x) = 1 ( x)

Qu 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 funcin Q que se utilizan para calcular
cotas en error de probabilidad de varios sistemas de
comunicaciones
1 x2

Pr( X > a ) = 0.9505

Q( x) e
2

x0
2

Q( x) <

1
e 2 x0
2 x

Estadstica, Profesora. Mara Durbn

41

42

Estadstica, Profesora. Mara Durbn

Distribucin Normal

Distribucin Normal

Ejemplo

Ejemplo

El tiempo de vida de un semiconductor sigue una distribucin Normal con media


7000 horas y desviacin tpica 600 horas

El tiempo de vida de un semiconductor sigue una distribucin Normal con media


7000 horas y desviacin tpica 600 horas

Cul es la probabilidad de que el semiconductor falle antes de 6000 horas?

Cul es la probabilidad de que el semiconductor falle antes de 6000 horas?

6000 7000

Pr( X < 6000) = Pr Z <


= Pr( Z < 1.66)
600

6000 7000

Pr( X < 6000) = Pr Z <


= Pr( Z < 1.66)
600

-1.66
Estadstica, Profesora. Mara Durbn

1.66
43

Estadstica, Profesora. Mara Durbn

44

Distribucin Normal

Distribucin Normal

Ejemplo

Ejemplo
Cul es la probabilidad de
que el semiconductor falle
antes de 6000 horas?

El tiempo de vida de un semiconductor sigue una distribucin Normal con media


7000 horas y desviacin tpica 600 horas
Cul es la probabilidad de que el semiconductor falle antes de 6000 horas?

6000 7000

Pr( X < 6000) = Pr Z <


= Pr( Z < 1.66)
600

= 1 Pr( Z 1.66)

= 1 Pr( Z < 1.66)

= 1 0.9515
= 0.0485
1.66
45

Estadstica, Profesora. Mara Durbn

Estadstica, Prof. Bernardo D'Auria

Estadstica, Profesora. Mara Durbn

Distribucin Normal

46

Distribucin Normal

Ejemplo

Ejemplo

El tiempo de vida de un semiconductor sigue una distribucin Normal con media


7000 horas y desviacin tpica 600 horas

El tiempo de vida de un semiconductor sigue una distribucin Normal con media


7000 horas y desviacin tpica 600 horas

Qu tiempo de vida en horas es excedido por el 95.05% de los semiconductores?

Qu tiempo de vida en horas es excedido por el 95.05% de los semiconductores?

a 7000

Pr( X > a ) = 0.9505 Pr Z >


= 0.9505
600

a 7000

Pr( X > a ) = 0.9505 Pr Z >


= 0.9505
600

-b

0.9505

0.9505

a
Estadstica, Profesora. Mara Durbn

Valor negativo

-b
47

Estadstica, Profesora. Mara Durbn

48

Distribucin Normal

Distribucin Normal

Ejemplo

Ejemplo
Qu tiempo de vida en horas es
excedido por el 95.05% de los
semiconductores?

El tiempo de vida de un semiconductor sigue una distribucin Normal con media


7000 horas y desviacin tpica 600 horas
Qu tiempo de vida en horas es excedido por el 95.05% de los semiconductores?

(a 7000)

Pr( X > a ) = 0.9505 Pr Z <


= 0.9505
600

(a 7000)

Pr( X > a) = Pr Z <


= 0.9505
600

(a 7000)
= 1.65
600

a = 6010

b
0.9505

El 95.05% de los semiconductores


duran ms de 6010 horas

b
49

Estadstica, Profesora. Mara Durbn

Estadstica, Profesora. Mara Durbn

Distribucin Normal

Estadstica, Prof. Bernardo D'Auria

50

Distribucin Normal

Ms ejemplos de clculo de probabilidades




Pr ( Z <-0.6) =
Pr ( Z >0.6 ) =
1 - Pr (Z < 0.6 ) =
1 0.7257 =
0.2743

Pr( -0.6 < Z < 1.83 )=


Pr( Z < 1.83 ) - Pr( Z -0.6 )

Pr( Z < 1.83 ) =


0.9664

= 0.7257 - 0.0336
= 0.6921

-0.6
Estadstica, Profesora. Mara Durbn

La Normal es importante, no slo porque muchas variables comunes


sigan esa distribucin, sino porque aunque una v.a. no posea
distribucin normal, ciertos estadsticos/estimadores calculados sobre
muestras elegidas al azar s poseen una distribucin Normal.

1.83
51

Estadstica, Profesora. Mara Durbn

52

Distribucin Normal

Distribucin Normal
Muestra

Ilustracin

50

60

Elegimos aleatoriamente grupos de 10


observaciones.
Para cada grupo de 10 obtenemos
entonces una nueva medida: la media
muestral.
Las medias de cada muestra estn ms
o menos cerca de la media de la
variable original.

El histograma no se parece a
una distribucin normal con la
misma media y desviacin tpica

10

20

La muestra tiene media 59.9 y


desviacin tpica 4.57

59

63

59

60

60

69

66

58

60

54

53

65

51

51

69

54

59

54

51

53

59

63

62

65

66

57

56

70

69

55

30

40

Sea X una variable Uniforme en


el intervalo [50,70].
Tenemos una muestra de tamao
2000.

50

55

xx

60

65

70

53

Estadstica, Profesora. Mara Durbn

59.4

Estadstica, Profesora. Mara Durbn

Distribucin Normal

58.5

61.1

54

Distribucin Normal
Supongamos que tenemos n variables aleatorias Xi

La distribucin de las medias


muestrales tiene distribucin
aproximadamente normal.

Las observaciones de la nueva variable


estn menos dispersas. La desviacin
tpica es menor, en este caso 1.92

distribucin cualquiera

30

Teorema Central del Lmite

La media de esta nueva variable


es muy parecida a la de la variable
original.

independientes con medias () y desviaciones tpicas (i) y


40

20

Cuando n crece,

10

Y = X1 + X 2 + K + X n

0
55.220755
57.099264
58.977773
62.734792
64.613301
xxx 60.856282
56.160009
58.038518
59.917028
61.795537
63.674046

la distribucin de
Y i
N (0,1)
i2

aa$x

Estadstica, Profesora. Mara Durbn

55

Estadstica, Profesora. Mara Durbn

Y~N

( ,
i

2
i

)
56

Modelos de probabilidad

Distribucin Normal

4.5 Proceso de Bernoulli


Distribucin de Bernoulli
Distribucin Binomial
Distribucin Geomtrica

Supongamos que tenemos n variables aleatorias Xi


independientes con medias () y desviaciones tpicas (i) y

4.6 Proceso de Poisson


Distribucin de Poisson
Distribucin Exponencial

distribucin cualquiera

Teorema Central del Lmite

4.8 Distribucin Normal


4.9 La Normal como aproximacin de otras distribuciones
4.10 Distribuciones relacionadas con la Normal
Distribucin 2 de Pearson
Distribucin t de Student
Distribucin F de Fisher

Sea lo que sea lo que midamos, cuando se promedie sobre


una muestra grande, nos va a aparecer de manera natural
la distribucin Normal

57

Estadstica, Profesora. Mara Durbn

La Normal como aproximacin de otras distribuciones

58

Estadstica, Profesora. Mara Durbn

La Normal como aproximacin de otras distribuciones

Binomial-Normal

Binomial-Normal

La variable Binomial es suma de variables de Bernoulli, que


toman el valor 0 1.

E [ Xi ] = p

Y = X 1 + X 2 +K X n

n = 50 p = 0.3

0.08

npq = 10.5

Var[ X i ] = p (1 p )

T.C.L.

Y N np, np (1 p )

0.12

0.04

n > 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

Estadstica, Profesora. Mara Durbn

59

Estadstica, Profesora. Mara Durbn

60

La Normal como aproximacin de otras distribuciones

La Normal como aproximacin de otras distribuciones

Factor de correccin

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 rechazar un lote si contiene 25 o ms chips defectuosos

La distribucin Normal es continua pero la Binomial es discreta.


Para mejorar la aproximacin introducimos un factor de correccin que
consiste en aadir o substraer 0.5 al valor al que le queremos calcular la
probabilidad.

Cul 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

Estadstica, Profesora. Mara Durbn

Pr ( X 25 )

X ~ B(2000, 0.02)

La Normal como aproximacin de otras distribuciones

X N (40, 6.26)

25 0.5 40

Pr Z
=
6.26

Pr (Z 2.47 ) =
Pr (Z 2.47 ) = 0.9932

Estadstica, Profesora. Mara Durbn

62

La Normal como aproximacin de otras distribuciones

Poisson-Normal

Poisson-Normal

La distribucin de Poisson surge como lmite de la Binomial cuando


el nmero de experimentos tiende a infinito.
Aproximamos a una Normal cuando grande ( > 5)

X ~ P ( )

X N ,

Estadstica, Profesora. Mara Durbn

)
63

Estadstica, Profesora. Mara Durbn

64

Modelos de probabilidad

La Normal como aproximacin de otras distribuciones

Proceso de Bernoulli

Ejemplo

Distribucin de Bernoulli
Distribucin Binomial
Distribucin Geomtrica

El nmero de defectos en la superficie de un material por metro cuadrado


sigue una distribucin de Poisson con media 100.

Proceso de Poisson

Si se analiza un metro cuadrado de dicho material, Cul es la probabilidad


de encontrar 95 defectos o ms?

Distribucin de Poisson
Distribucin Exponencial
Distribucin Normal
La Normal como aproximacin de otras distribuciones

Pr ( X 95 )

Distribuciones relacionadas con la Normal


Distribucin 2 de Pearson
Distribucin t de Student
Distribucin F de Fisher

95 100 0.5

Pr Z
= Pr (Z 0.55 ) =
10

Pr (Z 0.55 ) = 0.7088
65

Estadstica, Profesora. Mara Durbn

Distribuciones relacionadas con la Normal

66

Estadstica, Profesora. Mara Durbn

Distribuciones relacionadas con la Normal

g2

g2
Tiene un slo parmetro denominado grados de libertad.

La funcin de densidad es asimtrica. Slo toma valores positivos.

La funcin de densidad es asimtrica positiva. Slo toma valores positivos.

La funcin de densidad se hace ms simtrica cuando aumenta el nmero


de grados de libertad.

La funcin de densidad se hace ms simtrica cuando aumenta el nmero


de grados de libertad.

g X
2
Y = i =1 i
~ g

2

E [Y ] = g

0.4
0.3

Var [Y ] = 2 g

0.0

0.1

independientes

2 grados de libertad
3 grados de libertad
4 grados de libertad
5 grados de libertad

f(x)

X i ~ N ( , )

Xi
2

~ 1

2

~ N (0,1)

0.2

Xi

0.5

Tiene un slo parmetro denominado grados de libertad.

Estadstica, Profesora. Mara Durbn

67

Estadstica, Profesora. Mara Durbn

10

15
x

20

25

68

Distribuciones relacionadas con la Normal

Distribuciones relacionadas con la Normal

t de Student

t de Student
Tiene un slo parmetro denominado grados de libertad.
La funcin de densidad es simtrica positiva respecto al 0. Toma valores en toda la
recta real.
La funcin de densidad se aproxima a una N(0,1) cuando aumenta el nmero
de grados de libertad.
0.4

Tiene un slo parmetro denominado grados de libertad.


La funcin de densidad es simtrica respecto al 0. Toma valores en toda la
recta real.
La funcin de densidad se aproxima a una N(0,1) cuando aumenta el nmero
de grados de libertad.

5 grados de libertad
20 grados de libertad
100 grados de libertad

Z ~ N (0,1) Y ~ g2

f(x)

Z
Y/g

0.0

0.1

tg =

0.2

0.3

Se obtiene como el cociente entre dos variables:

69

Estadstica, Profesora. Mara Durbn

Distribuciones relacionadas con la Normal


F de Fisher
Tiene un dos parmetros denominados grados de libertad.
La funcin de densidad es asimtrica. Slo toma valores positivos.

Se obtiene como el cociente entre dos variables:

Fg1 , g2 =

Estadstica, Profesora. Mara Durbn

X / g1
Y / g2

X ~ g21 Y ~ g22

71

Estadstica, Profesora. Mara Durbn

-10

-5

0
x

70