1 / 42

Capítulo 4 Variables Aleatorias Distribuciones

Capítulo 4 Variables Aleatorias Distribuciones. Variables Aleatorias. Función que asigna a cada punto del espacio muestral un número real X :  R Ejemplo N°1 :  =  falla , no falla  X( no falla ) = 0 X( falla ) = 1. X({no falla}) = 0. X({falla}) = 1. IR.

laurent
Download Presentation

Capítulo 4 Variables Aleatorias Distribuciones

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Capítulo 4 Variables Aleatorias Distribuciones

  2. Variables Aleatorias Función que asigna a cada punto del espacio muestral un número real X : R Ejemplo N°1:  = falla , no falla  X( no falla ) = 0 X( falla ) = 1

  3. X({no falla}) = 0 X({falla}) = 1 IR Familia de eventos elementales Variables Aleatorias  Espacio Muestral A cada s   le corresponde exactamente un valor X(s) falla no falla Conjunto Números Reales ¥ ¥ + - 0 1 X :Rx  X-1(-, x)  IR Á

  4. si X(s) = b; s   A sk X(s) = a Variables Aleatorias  RX a b • El espacio RX es el conjunto de TODOS los posible valores de X(s). • En cierto sentido podemos considerar Rx como otro espacio muestral • El espacio muestral original “induce” un espacio muestra Rx asociado a la Variable Aleatoria X • Luego un evento A en S induce un evento en el espacio muestral RX

  5. ( a < x < b ) ( a < x  b ] [ a x < b ) [ a  x  b ] x < b ) -  -  x  b ] (x > a  (x  a  Variables Aleatorias si X(s) = b; s    A sk X(s) = a RX a b Nótese que para cada par de números reales a y b existen los siguientes conjuntos

  6. 0  P(X(s) = x ) = f(x)  1 f(x) 1 0 f : R [0, 1] Función de Probabilidad • El concepto de Probabilidad de ocurrencia de eventos en el espacio muestral  se puede aplicar a eventos en RX. W RX X(s) = x s X: W RX

  7. Variable Aleatoria X : R X-1(-, x)  Variable Aleatoria Discreta Sea C (con C  ) Soporte contable f : C R C =  ci : i  I  N  i) f(ci)  0 ii) = 1 Usando la transformación X

  8. Variable Aleatoria Discreta • Sea X una variable aleatoria. • Si el número de posibles valores de X (esto es su RX). - Es finito (contable) o. - Es contablemente infinito (denumerable). • Entonces llamamos a X una variable aleatoria discreta. • Esto es, los posibles valores de X pueden ser listados. X1, x2, x3, ...., xn, ..... - En el caso contable la lista es finita. - En el caso denumerable la lista es infinita contable

  9. Variable Aleatoria Discreta SeaC  X: C tal que i) p(ci) = Pr(ci) 0 X(ci) = xi P(A) = Á Conjunto de eventos elementales de una familia de eventos del espacio muestra; C   X es una función definida sobre el Espacio Muestral, que mapea en el conjunto de los Números Reales los eventos elementales definidos en C =  ci: i  I  N  IR En algunos textos se utiliza la letra f para acentuar que la variable aleatoria discreta es una fución Sea A el evento tal los eventos elementales ciC pertnezcan también a A, esto es ci C  A. Usando la transformación X å å p(c ) = P ( = x ) X i i { } Î Î : i i c C A i I i

  10. f(xi) x1 x 2 x3 x4 x5 x6 xn P(X=5) = f(5) Función de Probabilidad de “masa” Función de Frecuencia Función de Probabilidad v.a. Discreta A cada resultado posible xi se asocia un número f(xi) = P(X(s) = xi) llamado la probabilidad de xi • Los f(xi) deben satisfacer • 0  f(xi)  1; i = 1, 2, 3, ... , n • S f(xi) = 1 • El conjunto de pares (xi, f(xi)) se le denomina Función de Probabilidad o Cuantia. i x

  11. X(ci) = xi P(A) = Propiedades función de cuantia: 1. P ( X = xi )  0 2.  P ( X = xi ) = 1 3. Función de Distribución: F(x) =  P ( X = xi ) =  f ( xi ) i xix xix

  12. Esperanza de una v.a. X Varianza de una v.a. X

  13. Distribuciones Discretas Especiales 1. Distribución Bernoulli X : R P(X(ω)=0) = 1 – p P(X(ω)=1) = p E X = 0 ( 1 - p ) + 1 * p = p V X = ( 0 - p )2( 1 - p ) + ( 1 - p )2 p = p ( 1 - p )

  14. f(x) = P(X =x) = px (1 – p)1-x X = 0, 1 0 < p < 1 P(X = 1) = p P(X = 0) = 1 – p f(x) p = 0,7 Entonces su función de cuantía es x 0 0 1 Función de Distribución v.a. Discreta Consideremos un solo experimento  sea A un evento asociado con tal experimento. supongamos que P(A) = p; luego P(Ac) = 1- p Sea la v.a. X(A ) = 1 X(Ac) = 0

  15. Distribuciones Discretas Especiales 2. Distribución Binomial Supongamos que de una línea de producción se extraen n piezas con reemplazo, las cuales pueden ser defectuosas o no con una probabilidad “p”. X: N° de piezas defectuosas en las n extracciones Entonces k = 0, 1, 2,......,n

  16. E X = np • V X = np (1-p) • Notación: X  B( n , p ) • Se utiliza en el muestreo de una población finita con reemplazo. • También cuando la población es muy grande, con o sin reemplazo, ya que “p” se hace relativamente constante.

  17. f(x) 0,300 n x n = 16 0,200 p = 0,2 f(x) = P(X = x) = px(1 –p)n-x 0,100 x = 0, 1, 2,......,n 0 < p < 1 x 0,000 9 0 1 2 3 4 5 6 7 8 Función de Distribución v.a. Discreta • Sean n repeticiones independientes del experimento •  consiste de todos los posibles secuencias { a1, a2, a3, .., an}, donde cada ai puede ser un evento A o un evento Ac. • Existen 2n de tales secuencias Sea la variable aleatoria X := número de veces que ocurre el evento A sus posibles valores son: 0, 1, 2, 3 , ....., n

  18. Distribuciones Discretas Especiales 3. Distribución Hipergeométrica Surge en poblaciones que contienen elementos clasificables en 2 estratos ( con defectos: D ; sin defectos: N - D ). Consideremos un lote de tamaño N. Se extrae una muestra de tamaño n sin reemplazo. X: N° de artículos defectuosos en la muestra

  19. k =0,1,2,.....,min n , D  Es aplicable al muestrear lotes de tamaño pequeño en relación al tamaño de la muestra ( N  10 n ).

  20. Distribuciones Discretas Especiales 4. Distribución de Poisson Supongamos que tenemos una muestra de tamaño grande, para lo cual la probabilidad de encontrar un artículo defectuoso es pequeño “p”, y por lo tanto “np” el número total de artículos defectuosos en la muestra. Sea  = np. Entonces k = 0, 1, 2,.......

  21. E X =  V X =  Caso límite: X  B( n , p ) con n p  0 N0

  22. Cronstrucción de un Modelo Probabilístico • Las piezas a la salida de una línea de producción se clasifican en defectuosas (D) o no defectuosas (N). • Se toma tres piezas aleatoriamente y se clasifican de acuerdo a este esquema. El  para este experimento es: •  = {NNN, NND, NDN, DNN, NDD, DND, DDN, DDD} • La probabilidad que una pieza sea defectuosa es p y no cambia. Eso implica que si la población es finita, las observaciones se hacen con reemplazo • Interesa el número de piezas D y no el orden en que salen. • Se define una v.a. X igual al número de piezas defectuosas; luego, X = { 0, 1, 2, 3). Encontrar (xi, f(xi))

  23. 3(1-p)2p (1-p)3 3(1-p)p2 p3 0 1 2 3  = {NNN, NND, NDN, DNN, NDD, DND, DDN, DDD} X(NND)= 1 X(NDN)= 1 X(DNN)= 1 3 P(N) P(N) P(D) Creando un Modelo Probabilístico f(x) 0,5 0,4 0,3 0,2 0,1 x 0

  24. F(x) = 0 x< x1 1 i = 1 =  f( xi ) x1  x < x2 2 i = 1 =  f( xi ) x2  x < x3 3 i = 1 =  f( xi ) x3  x < x4 4 i = 1 =  f( xi ) x4  x < x5 P(X=x5) = f(x5) Función de Probabilidad de “masa” Función de Frecuencia Función de Distribución v.a. Discreta F(x) 1 0 x x1 x2 x3 x4 x5 x6 xn

  25. R R   P(x < X < x + h) h Variables Aleatorias Continuas • Cuando el experimento  se realiza sobre unespacio muestral  que está relacionado con escalas intevalares (tales como mediciones de distancias, volúmenes, pesos, tiempos, velocidad, voltajes, intensidad, caudal, temperatura etc.) • Ya que los posibles valores de X en un intervalo, a < x < b, son infinitos - no enumerables - no podemos hablar del i-ésimo valor de X = xi; En tales casos se habla se Variables Aleatorias Continuas, donde Rx es un intervalo o un conjunto de intervalos; entonces existe una función continua especial • f: • f(x) = lim h  0 > 0

  26. A: un evento a b A: { x| a < x  b) ò f(x) dx = 1 b ò P(A) = P(a < x < b) = f ( x ) dx Rx a Variables Aleatorias Continuas Sea X una variable aleatoria continua. La función densidad de probabilidad (pdf) es una función que satisface: f(x) x f(x) > 0;  x  Rx  -¥, +¥

  27. Distribuciones de Probabilidad Continuas Están definidas por una densidad de v. a. X f : R R se dice densidad de probabilidad Propiedades: 1. f (x)  0 2.

  28. Observaciones 1. 2. 3. F (-) = 0 ; F () = 1 4. Fx es no decreciente 5. 6. f(x) a b x

  29. Si X es una v.a. Discreta F(x) = f(xi) Donde la suma es tomada sobre todos los índices i que satifacen xi x Si X es una v.a. Continua F(x) = f(t) dt Donde la sumatoria es reemplazada por una integración para todos los valores de t  x Si X es una v.a. Discreta Si X es una v.a. Continua S x ò  i  xi x -  Función de Distribución Acumulada Si X es una variable aleatoria, la Función de Distribución Acumulada mide la probabilidad de un suceso en un intervalo de valores: F(x) = P(X  x)

  30. Construcción de Modelos de Probabilidad II) Sea F : R R , Fu Distribución, entonces: i) F es no decreciente ii) F es continua por la derecha iii) lim F(x) = 0  lim F(x) = 1 Luego P( - , x ) = F(x) define una Probabilidad Además: P( a,b ) = F(b) - F(a) P( a,b ) = F(b) - F(a-) P( a,b ) = F(b-) - F(a) P( a,b ) = F(b-) - F(a-)

  31. f(x) 1 a  x  b = f x ( ) 0,2 - b a 0,1 7 1 ò P(A) = P(4 < x < 7) = x dx 9 min máx 0,0 2 3 4 5 6 7 8 9 10 11 12 a b 4 Variables Aleatorias Continuas Sea X una variable aleatoria continua que puede tomar cuarquier valor entre a  x  b; cuya pdf es: Sea a = 3; b = 12 A: el evento { 4 < x < 7 } Entonces: 1 3 P(A) =

  32. Distribuciones Continuas Especiales • Distribución Uniforme: Dada la función de densidad • La función de Distribución es

  33. Notación: X  U( a , b )

  34. Distribuciones Continuas Especiales 2. Distribución Normal F(x) : No tiene expresión analítica

  35. Notación: X  N(  , 2 ) Estandarización Haciendo  N( 0 , 1 ) se tiene que: y FZ(z) se obtiene de tablas !

  36. Distribuciones Continuas Especiales 3. Distribución Rayleigh

  37. Distribuciones Continuas Especiales 4. Distribución Gamma

  38. Función Densidad de Probabilidades

  39. Distribuciones Continuas Especiales 5. Distribución Chi-Cuadrado Evaluando en Gamma Se llega a que X  2(n)   ( n/2 , 2 )

  40. Distribuciones Continuas Especiales 6. Distribución Beta X   ( r , s ) ssi

  41. Función Densidad de Probabilidades

More Related