Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Proceso de Bernoulli
El resultado de un experimento admite dos
categoras: Aceptable y Defectuoso.
Se repite el experimento n veces.
La probabilidad de defectuoso es la misma p
en todos los experimentos.
Los experimentos son independientes.
Modelos Univariantes 2
Proporcin defectuosas = p
X = N de defectuosas al extraer n piezas
Modelos Univariantes 4
p 4 (1 p) 6
OOOOPPPPPP
OOOPOPPPPP
PPPPPPOOOO
10
4
10 4
P( X = 4) = p (1 p ) 6
4
Modelos Univariantes 5
(1) P(X = k) 0, k .
(2)
n k
nk
= 1.
p
(
1
p
)
k
k =0
n
n =10, p=0.2
0,3
0,2
0,1
0
0
10
x
Modelos Univariantes 6
E[ X ] = k P ( X = k ) = np.
k =0
Var[ X ] = E[ X 2 ] E[ X ] 2 = np (1 p )
0,08
0,06
0,04
n = 100, p = 0.5
0,02
0
0
20
40
50
60
80
100
Modelos Univariantes 7
Distribuciones binomiales
0,2
0,16
n = 25, p = 0.5
0,12
0,16
n = 25, p = 0.2
0,12
0,08
0,08
0,04
0,04
0
0
10
15
20
25
10
15
20
25
0,1
0,08
n = 100 , p = 0.5
0,06
n = 100, p = 0.2
0,08
0,06
0,04
0,04
0,02
0,02
0
0
20
40
60
80
100
20
40
60
80
100
Modelos Univariantes 8
Distribuciones binomiales
0,2
0,16
n = 25, p = 0.5
0,12
n = 25, p = 0.2
2
0,12
2.5
0,08
0,16
0,08
0,04
0,04
0
0
10 12.5 15
20
25
55
10
15
20
25
0,1
0,08
n = 100 , p = 0.5
0,06
0,06
0,04
n = 100, p = 0.2
0,08
0,04
0,02
0,02
0
0
20
40 50 60
80
100
20
20
40
60
80
100
Modelos Univariantes 9
Ejemplo
Un contrato estipula la compra de componentes en lotes
grandes que deben contener un mximo de 10% de piezas con
algn defecto. Para comprobar la calidad se toman 11
unidades y se acepta el lote si hay como mximo 2 piezas
defectuosas. Es un buen procedimiento de control?
Sea p la proporcin de piezas en un lote,
X Nmero de defectuosas en la muestra
P(Aceptar) = P(X 2)
11 0
11 1
11 2
11
10
= p (1 p ) + p (1 p ) + p (1 p ) 9
0
1
2
p
5%
10% 15% 20% 25%
P ( Aceptar ) 0.985 0.910 0.779 0.617 0.45
Modelos Univariantes 10
Proporcin defectuosas = p
Modelos Univariantes 11
PPP...O
p
(1-p)p
(1-p)2p
(1-p)k-1p
1
2
3
k
P( X = k ) = (1 p )
k 1
p, k = 1,2,3,...
Modelos Univariantes 12
Var[Y ] =
1 p
p2
0,3
0,25
0,2
p=0.3
0,15
0,1
0,05
0
0
12
16
20
Modelos Univariantes 13
Proporcin defectuosas = p
W = Piezas extradas hasta que aparezcan r defectuosas
k 1 r
p (1 p ) k r , k = r , r + 1, r + 2,....
P(W = k ) =
r 1
Modelos Univariantes 14
k n k
, k = 0,1,2,..., n
P(V = k ) =
N
n
y n (N K ) k K
Modelos Univariantes 15
Distribucin de Poisson
Nmero de defectos aparecidos en tramos de
longitud fija de hilos de cobre.
Nmero de partculas por centmetro cbico
en lquidos con sustancias en suspensin.
Emisiones radiactivas: nmero de partculas
emitidas en intervalos de tiempo fijo.
Nmero de llamadas a una centralita de
telfonos en un da
Modelos Univariantes 16
Distribucin de Poisson
Modelos Univariantes 17
p=
n
n x
PX ( x) = p (1 p ) n x ,
x
n!
PX ( x) = lim
n ( n x )! x! n
1
n
n x
x
n(n 1)L(n x + 1)
lim
=
1 1
x
x! n
n n
n
1
x
= e , x = 0,1,2,...
x!
Modelos Univariantes 18
Distribucin de Poisson
x
P( X = x) = e , x = 0,1,2,..
x!
2,5000E-01
2,0000E-01
=3
1,5000E-01
1,0000E-01
5,0000E-02
0,0000E+00
0
10
12
14
16
Modelos Univariantes 19
Media y Varianza
x
P( X = x) = e , x = 0,1,2,...
x!
x x
E[ X ] = x e = x e
x!
x!
x =0
x =1
x 1
= e
=
x =1( x 1)!
E[ X ] =
Var[ X ] =
Modelos Univariantes 20
Ejemplo
Una fuente radiactiva emite partculas segn la
distribucin de Poisson de media 10 partculas por
minuto. Se desea calcular:
Probabilidad de 5 partculas en un minuto
Probabilidad de 0 partculas en un minuto
Probabilidad de ms de 5 partculas en un minuto.
Probabilidad de al menos 30 partculas en 5
minutos.
Modelos Univariantes 21
Ejemplo Poisson
5
10
1. P( X = 5) = e 10
= 0.0378
5!
2. P ( X = 0) = e 10 = 4.54 E 15.
3. P( X > 5) = 1 P( X 5)
x
10
= 1 e 10
= 0.933.
x = 0 x!
4. Y N de partculas en 5 minutos
' = 5 10 = 50
5
x
50
= 0.0016
P (Y 30) = e 50
x =0 x!
30
Modelos Univariantes 22
Poisson de media 10
1,4000E-01
1,2000E-01
1,0000E-01
8,0000E-02
6,0000E-02
4,0000E-02
2,0000E-02
0,0000E+00
0
10
15
20
25
Modelos Univariantes 23
Distribucin Exponencial
T
t1
t2 t3
t4
t5 t6
t7
Modelos Univariantes 24
Distribucin Exponencial
T t
0
Funcin de densidad
Propiedades (Exponencial)
fT (t ) = e
0,1
0,08
, t 0.
0,06
= 0.1
0,04
0,02
0
0
10
20
30
40
50
60
E[T ] = t fT (t )dt
= te
= t 2e t dt
dt =
1
2
1
2
Modelos Univariantes 26
Distribucin Normal
Campana de Gauss
1 x 2
1
exp
f X ( x) =
, x
2
2
Modelos Univariantes 27
Medidas Caractersticas
E[ X ] =
E[( X ) ] = 0
Asimetra = 0
X N ( , )
Var[ X ] =
E[( X ) ] = 3
Curtosis = 3.
Modelos Univariantes 28
0.68
0.955
- 2
+2
0.997
- 3
+3
Modelos Univariantes 29
Normal Estndar
1
Z N (0,1)
0
1 z2 / 2
, z
f Z ( z) =
e
2
( z ) =
1 t 2 / 2
e
dt
2
TABLAS
Modelos Univariantes 30
Estandarizacin
X N ( , )
P( X x) = P(
Z=
N(,)
N (0,1)
) = P(Z
) = (
).
N(0,1)
a
P( X a)
P( Z z )
z = (a-)/
Modelos Univariantes 31
TABLA
Normal
Estandar
P (Z z)
N(0,1)
z
Ejemplo.
P(Z 1.96) = 0.9750
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
0
.5000
.5398
.5793
.6179
.6554
.6915
.7257
.7580
.7881
.8159
.8413
.8643
.8849
.9032
.9192
.9332
.9452
.9554
.9641
.9713
.9772
.9821
.9861
.9893
.9918
.9938
.9953
.9965
.9974
.9981
.9987
0,01
.5040
.5438
.5832
.6217
.6591
.6950
.7291
.7611
.7910
.8186
.8438
.8665
.8869
.9049
.9207
.9345
.9463
.9564
.9649
.9719
.9778
.9826
.9864
.9896
.9920
.9940
.9955
.9966
.9975
.9982
.9987
0,02
.5080
.5478
.5871
.6255
.6628
.6985
.7324
.7642
.7939
.8212
.8461
.8686
.8888
.9066
.9222
.9357
.9474
.9573
.9656
.9726
.9783
.9830
.9868
.9898
.9922
.9941
.9956
.9967
.9976
.9982
.9987
0,03
.5120
.5517
.5910
.6293
.6664
.7019
.7357
.7673
.7967
.8238
.8485
.8708
.8907
.9082
.9236
.9370
.9484
.9582
.9664
.9732
.9788
.9834
.9871
.9901
.9925
.9943
.9957
.9968
.9977
.9983
.9988
0,04
.5160
.5557
.5948
.6331
.6700
.7054
.7389
.7704
.7995
.8264
.8508
.8729
.8925
.9099
.9251
.9382
.9495
.9591
.9671
.9738
.9793
.9838
.9875
.9904
.9927
.9945
.9959
.9969
.9977
.9984
.9988
0,05
.5199
.5596
.5987
.6368
.6736
.7088
.7422
.7734
.8023
.8289
.8531
.8749
.8944
.9115
.9265
.9394
.9505
.9599
.9678
.9744
.9798
.9842
.9878
.9906
.9929
.9946
.9960
.9970
.9978
.9984
.9989
0,06
.5239
.5636
.6026
.6406
.6772
.7123
.7454
.7764
.8051
.8315
.8554
.8770
.8962
.9131
.9279
.9406
.9515
.9608
.9686
.9750
.9803
.9846
.9881
.9909
.9931
.9948
.9961
.9971
.9979
.9985
.9989
0,07
.5279
.5675
.6064
.6443
.6808
.7157
.7486
.7794
.8078
.8340
.8577
.8790
.8980
.9147
.9292
.9418
.9525
.9616
.9693
.9756
.9808
.9850
.9884
.9911
.9932
.9949
.9962
.9972
.9979
.9985
.9989
0,08
.5319
.5714
.6103
.6480
.6844
.7190
.7517
.7823
.8106
.8365
.8599
.8810
.8997
.9162
.9306
.9429
.9535
.9625
.9699
.9761
.9812
.9854
.9887
.9913
.9934
.9951
.9963
.9973
.9980
.9986
.9990
0,09
.5359
.5753
.6141
.6517
.6879
.7224
.7549
.7852
.8133
.8389
.8621
.8830
.9015
.9177
.9319
.9441
.9545
.9633
.9706
.9767
.9817
.9857
.9890
.9916
.9936
.9952
.9964
.9974
.9981
.9986
.9990
Modelos Univariantes 32
P (Z z)
N(0,1)
z
z
3,1
3,2
3,3
3,4
3,5
3,6
3,7
3,8
3,9
4,0
0,00
.9990323
.9993128
.9995165
.9996630
.9997673
.9998409
.9998922
.9999276
.9999519
.9999683
0,01
.9990645
.9993363
.9995335
.9996751
.9997759
.9998469
.9998963
.9999305
.9999538
.9999696
0,02
.9990957
.9993590
.9995499
.9996868
.9997842
.9998527
.9999004
.9999333
.9999557
.9999709
0,03
.9991259
.9993810
.9995657
.9996982
.9997922
.9998583
.9999042
.9999359
.9999575
.9999721
0,04
.9991552
.9994023
.9995811
.9997091
.9997999
.9998636
.9999080
.9999385
.9999592
.9999733
0,05
.9991836
.9994229
.9995959
.9997197
.9998073
.9998688
.9999116
.9999409
.9999609
.9999744
0,06
.9992111
.9994429
.9996102
.9997299
.9998145
.9998739
.9999150
.9999433
.9999625
.9999755
0,07
.9992377
.9994622
.9996241
.9997397
.9998215
.9998787
.9999184
.9999456
.9999640
.9999765
0,08
.9992636
.9994809
.9996375
.9997492
.9998282
.9998834
.9999216
.9999478
.9999655
.9999775
0,09
.9992886
.9994990
.9996505
.9997584
.9998346
.9998878
.9999247
.9999499
.9999669
.9999784
Modelos Univariantes 33
Ejemplo (Normal)
La longitud X de ciertos tornillos es una variable
aleatoria con distribucin normal de media 30 mm
y desviacin tpica 0.2 mm. Se aceptan como
vlidos aquellos que cumplen 29.5 < X < 30.3.
Proporcin de tornillos no aceptables por cortos.
Proporcin de tornillos no aceptables por largos.
Proporcin de tornillos vlidos.
Modelos Univariantes 34
Ejemplo (Solucin)
X N (30, 0.2)
Z=
N (0,1)
X 30 29.5 30
)
1. P( X 29.5) = P(
0.2
0.2
= P( Z 2.5) = (2.5) = 0.0068
0.0068
0.0068
0.9932
-2.5
Tablas
2.5
Modelos Univariantes 35
X 30 30.4 30
)
0.2
0.2
= P( Z 2.0) = 1 (2) = 0.0228
3. P(" Defectuosas" ) = 0.0228 + 0.0068 = 0.0296
Y N de piezas defectuosa en un lote de 1000
E[Y] = 1000 0.0296 = 29.6
2. P ( X 30.4) = P (
Modelos Univariantes 36
Binomial-Poisson-Normal
Binomial
n,p
n , p 0
= np
n
p 1/ 2
= np
= np (1 p)
Poisson
Normal
,
Modelos Univariantes 37
Aproximacin Binomial-Normal
n=25, p=1/2
0.18
0.16
0.14
0.12
0.1
0.08
0.06
0.04
0.02
0
0
9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Modelos Univariantes 38
0.12
0.1
0.08
0.06
0.04
0.02
0
10
15
20
25
30
35
40
45
50
Modelos Univariantes 39
Modelos Univariantes 40
P(X 10.5)
Binomial:
P(X 10)
9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Modelos Univariantes 41
OBJETIVO:
n: tamao muestral
c: mximo defectuosas
Modelos Univariantes 45
X np A
c np A
)
>
np A (1 p A )
np A (1 p A )
= P( Z z1 )
Conocido z1
N(0,1)
c np A
=
np A (1 p A )
0
z1-
Modelos Univariantes 46
= P(X c|p = pR ) = P(
X npR
c npR
)
npR (1 pR )
npR (1 p R )
= P( Z z )
Conocido z =
c npR
np R (1 p R )
N(0,1)
0
Modelos Univariantes 47
Valores de n y c
z1
c npR
z =
npR (1 p R )
c np A
=
np A (1 p A )
z1
n=
p A (1 p A ) z
pR p A
p R (1 p R )
c = np A + z1 np A (1 p A )
Modelos Univariantes 48
Lote Bueno
p=pA
npA c
Lote Malo
p=pR
Probabilidad de
rechazar un lote
malo
Probabilidad de
aceptar un lote
bueno
npR
Rechazar Lote
Aceptar Lote
c
Modelos Univariantes 49
0.08 0.02
Modelos Univariantes 50