Modelado de la aleatoriedad: Distribuciones Begoña Vitoriano Villanueva [email protected] Facultad de CC. Matemáticas Universidad Complutense de Madrid I. Distribuciones Discretas Bernoulli (p) 9 Aplicaciones: experimentos con 2 posibles resultados; generar otras distribuciones (binomial, geométrica,...) 9 Función de masa y Función de distribución: ⎧1 − p p( x) = ⎨ ⎩ p 9 9 9 x<0 ⎧0 ⎪ F ( x) = ⎨1 − p 0 ≤ x < 1 ⎪1 x ≥1 ⎩ x=0 x =1 Rango: {0,1} Media: p Varianza: p(1-p) ⎧1 p ≥ 1/ 2 9 Moda: ⎨ ⎩0 p ≤ 1/ 2 p(x) p 1-p 0 1 Distribuciones de probabilidad- 1 I. Distribuciones discretas Uniforme Discreta (i,j) 9 Aplicaciones: experimento con varios resultados posibles y equiprobables; no informativa 9 Función de masa y Función de distribución: ⎧ 1 x ∈ {i, i + 1,..., j} ⎪ p( x) = ⎨ j − i + 1 ⎪ 0 otro caso ⎩ 9 Rango: {i, i + 1,..., j} i+ j 9 Media: 2 ( j − i + 1) 2 − 1 9 Varianza: 12 x<i ⎧0 ⎪ ⎪ ⎢ x⎥ − i + 1 F ( x) = ⎨ ⎣ ⎦ i≤x≤ j − + j i 1 ⎪ ⎪⎩1 x> j p(x) 9 Moda: No hay única 1/(j-i+1) i i+1 j-1 j Distribuciones de probabilidad- 2 I. Distribuciones discretas Binomial (n,p) 9 Aplicaciones: número “éxitos” al repetir n veces independientes un experimento Bernoulli; número elementos defectuosos en un lote de tamaño n; demanda de producto en inventario 9 Función de masa y Función de distribución: ⎧⎛ n ⎞ x n− x ⎪⎜ ⎟ p (1 − p ) p( x) = ⎨⎝ x ⎠ ⎪ 0 ⎩ x ∈ {0,1,..., n} otro caso {0,1,..., n} 9 Rango: 9 Comentarios: np Media: ⎧0 ⎪ x ⎪ ⎢⎣ ⎥⎦ ⎛ n ⎞ i F ( x) = ⎨∑ ⎜ ⎟ p (1 − p ) n−i ⎪ i =0 ⎝ i ⎠ ⎪⎩1 np(1 − p) x<0 0≤ x≤n x>n Varianza: • Binomial(n,p): Suma de n variables indeptes. Bernoulli(p) • Reproductiva respecto a n (suma binomiales parámetro p, es binomial con n suma de los parámetros, y p el mismo) • X Bin(n,p) si y sólo si n-X Bin(n,1-p) Distribuciones de probabilidad- 3 I. Distribuciones discretas Binomial (n,p) (cont.) Distribuciones de probabilidad- 4 I. Distribuciones discretas Geométrica(p) 9 Aplicaciones: número de ensayo de primer éxito al repetir experimentos Bernoulli(p); número de productos inspeccionados hasta encontrar el primero defectuoso; número de productos en un lote de tamaño variable; demanda producto en inventario 9 Función de masa y Función de distribución: 0 x <1 ⎧⎪ ⎧ p (1 − p ) x−1 x ∈ {1, 2,...} p( x) = F ( x) = ⎨ ⎩ 0 ⎨ ⎢ x⎥ ⎪⎩1 − (1 − p) ⎣ ⎦ otro caso x ≥1 9 Rango: {1,2,...} Media: 1/p Varianza: q / p 2 9 Comentarios: Análoga a la exponencial, no tiene memoria p(x) 0.6- p(x) 0.5- p=0.25 0.4- 0.60.50.4- 0.3- 0.3- 0.2- 0.2- 0.1- 0.11 2 3 p=0.5 4 5 6 7 8 1 2 3 4 5 6 7 8 Distribuciones de probabilidad- 5 I. Distribuciones discretas Poisson(L) 9 Aplicaciones: número de eventos que ocurren en un intervalo de tiempo cuando ocurren con tasa constante; número de artículos en un lote de tamaño aleatorio; demanda de un inventario 9 Función de masa: ⎧ e − L Lx x ∈ {0,1,...} ⎪ p( x) = ⎨ x! ⎪ 0 ⎩ 9 Rango: {0,1, 2,...} 9 Comentarios: Media: L otro caso Varianza: L • Tiempo entre dos eventos independientes Exponencial media L si y sólo si número de eventos en intervalo de tamaño t es Poisson(Lt) • Reproductiva respecto a L • Distribución de los sucesos raros: en una binomial si n es grande, p pequeño, y np pequeño (<5), aproxima a la binomial Distribuciones de probabilidad- 6 I. Distribuciones discretas Poisson (L) (cont.): Distribuciones de probabilidad- 7 II. Distribuciones absolutamente continuas Uniforme(a,b): 9 Aplicaciones: magnitud con valor igualmente distribuido en un intervalo; no informativa (no hay razones para suponer más probable una zona que otra); generar valores aleatorios 9 Función de densidad y Función de distribución: ⎧1/(b − a) a < x < b f ( x) = ⎨ resto ⎩ 0 9 Rango: (a,b) Media: x<a ⎧0 ⎪x−a ⎪ F ( x) = ⎨ a≤ x≤b b − a ⎪ x>b ⎪⎩1 2 a+b Varianza: (b − a) 2 12 f(x) 1/(b-a) a b Distribuciones de probabilidad- 8 II. Distribuciones absolutamente continuas Exponencial(λ): 9 Aplicaciones: tiempos entre sucesos independientes; tiempos hasta fallo componentes con tasa constante; tiempos entre llegadas a un sistema; tiempos para completar una tarea 9 Función de densidad y Función de distribución: ⎧ 0 f ( x) = ⎨ − λ x ⎩λ e 9 Rango: [0,∞) 9 Comentarios: • • • λ x<0 x≥0 ⎧ 0 F ( x) = ⎨ −λ x ⎩1 − e x<0 x≥0 Media: 1/ λ Varianza: 1/ λ2 Única continua sin memoria,como geométrica discreta Caso particular de Gamma y Weibull La suma exponenciales independientes mismo parámetro es Erlang 1 f(x) F(x) Distribuciones de probabilidad- 9 II. Distribuciones absolutamente continuas Weibull(α,β): 9 Aplicaciones: tiempo para completar una tarea; tiempo hasta el fallo de un equipo (forma similar a la gamma) 9 Función de densidad y Función de distribución: 0 x<0 ⎧⎪ F ( x) = ⎨ α −( β x ) x≥0 x≥0 ⎪⎩1 − e 2 1 ⎧⎪ ⎛ 2 ⎞ 1 ⎡ ⎛ 1 ⎞ ⎤ ⎫⎪ 1 ⎛1⎞ Media: Γ ⎜ ⎟ Varianza: 2 ⎨2Γ ⎜ ⎟ − ⎢Γ ⎜ ⎟ ⎥ ⎬ αβ ⎪⎩ ⎝ α ⎠ α ⎣ ⎝ α ⎠ ⎦ ⎭⎪ αβ ⎝ α ⎠ 0 ⎧⎪ f ( x) = ⎨ α α α −1 −( β x ) ⎪⎩αβ x e x<0 9 Rango: [0,∞) 9 Comentarios: Weibull(1,β) es Exponencial(β) 9 Logaritmo neperiano de Weibull es Gumbel o valor-extremo 9 Weibull(2,β) es Rayleigh(β) Distribuciones de probabilidad- 10 II. Distribuciones absolutamente continuas Normal(μ,σ): 9 Aplicaciones: Errores de varios tipos (punto impacto artefacto,...); cantidades que son suma de gran número de otras cantidades 9 Función de densidad (de distribución no tiene explícita): f ( x) = 1 e 2π σ 1 ⎛ x−μ ⎞ − ⎜ ⎟ 2⎝ σ ⎠ 2 9 Rango: (- ∞,∞) Media: μ Varianza: σ2 9 Comentarios: Combinación lineal de normales es normal • • • • Si dos normales son incorreladas, entonces son independientes Suma de normales independientes al cuadrado es Chi2 Exponencial de una normal es lognormal La normal usada para cantidades no negativas ha de truncarse en 0 Distribuciones de probabilidad- 11 II. Distribuciones absolutamente continuas Lognormal(μ,σ): 9 Aplicaciones: tiempo para desarrollar una tarea; forma similar a Weibull y Gamma, pero puede tener “pico” más alto cerca de 0; cantidades que son producto de gran número de otras 0 x≤0 ⎧ 9 Función de densidad: ⎪ 2 1 ⎛ ln x − μ ⎞ f ( x) = ⎨ 1 − ⎜ ⎟ e 2⎝ σ ⎠ x > 0 ⎪ ⎩ x 2π σ 2 2 μ +σ 2 σ2 μ +σ / 2 e ( e − 1) Varianza: e 9 Rango: [0,∞) Media: 9 Comentarios: Su logaritmo neperiano es normal (μ,σ) Distribuciones de probabilidad- 12 II. Distribuciones absolutamente continuas Gamma(p,a): 9 Aplicaciones: tiempo para completar una tarea; tiempo de servicio de atención a un cliente; tiempo hasta fallo de un equipo 9 Función de densidad: 0 x≤0 0 ⎧ ⎪ f ( x) = ⎨ 1 p p −1 − ax a ⎪ Γ( p ) x e ⎩ x≤0 x>0 ⎧ ⎪ p −1 F ( x)(si p entero) = ⎨ (ax) j − ax ⎪1 − e ∑ j ! j =0 ⎩ x<0 9 Rango: [0,∞) Media:p/a Varianza: p/a2 9 Comentarios: Gamma(1,a) es Exponencial(a) • Si p es entero Gamma(p,a)=Erlang(p,a) • Chi-2 k grados de libertad es Gamma(k/2,1/2) • Reproductiva respecto a p Distribuciones de probabilidad- 13 II. Distribuciones absolutamente continuas Beta(α,β): 9 Aplicaciones: modelo en ausencia de datos (muchas formas); distribución de proporciones (como número defectuosos en un lote); tiempo para completar una tarea (redes PERT) 0 x ∉ (0,1) 9 Función densidad (distribución no cerrada): ⎧⎪ f ( x) = ⎨ 1 α −1 β −1 0 < x <1 ⎪ B(α , β ) x (1 − x) ⎩ 9 Rango: (0,1) Media: α/(α+β) Varianza: αβ/[(α+β)2(α+β+1)] 9 Comentarios: Beta(1,1) es Uniforme (0,1); Se puede trasladar: a+(b-a)X; X Beta(α,β) 1-X Beta(β,α) Distribuciones de probabilidad- 14 II. Distribuciones absolutamente continuas Triangular(a,b,c): 9 Aplicaciones: modelo en ausencia de datos (muchas formas); 9 Función de densidad (de distribución no cerrada): ⎧ 2( x − a) ⎪ (b − a )(c − a ) ⎪ ⎪ 2(b − x) f ( x) = ⎨ ⎪ (b − a )(b − c) ⎪0 ⎪ ⎩ a≤x≤c c≤ x≤b resto ⎧0 ⎪ 2 ⎪ ( x − a) ⎪⎪ (b − a )(c − a) F ( x) = ⎨ 2 ⎪1 − (b − x) ⎪ (b − a )(b − c) ⎪ ⎪⎩1 x<a a≤x≤c c< x≤b x>b 9 Rango: (a,b) Media: (a+b+c)/3 Varianza: (a2+ b2+c2-ab-ac-bc)/18 9 Comentarios: Moda: c f(x) 2/(b-a) a c b Distribuciones de probabilidad- 15 III. Distribuciones multidimensionales Multinomial(n;p1,p2,…,pk): 9 Aplicaciones: generalización de la binomial a k+1 resultados posibles de cada experimento 9 Función de masa: k n−∑ x k P ( x1 ,...., xk ) = n! k x1 !...xk !(n − ∑ xi )! p ... p (1 − ∑ pi ) x1 1 xk k i i =1 i =1 i =1 k 9 Rango: xi ≤ n xi ∈ {0,..., n} ∀i ∑ i =1 9 Media: (np1,…, npk) 9 Matriz Varianzas-covarianzas: V(Xj)= npj (1-pj) Cov(Xi,Xj)=-npi pj 9 Comentarios: • Cada marginal individual es una B(n,p1) y el resto multinomiales Distribuciones de probabilidad- 16 III. Distribuciones multidimensionales G Normal multivariante ( μ , Σ) 9 Aplicaciones: distribución conjunta de múltiples variables que individualmente son normales… 9 Σ matriz real dimensión nxn simétrica y semidefinida positiva 9 Función de densidad: 1 −1 T f ( x1 ,..., xn ) = 1 Σ 2π n e − ( x1 − μ1 ,..., xn − μn ) Σ ( x1 − μ1 ,..., xn − μn ) 2 9 Rango: Rn 9 Media: (μ1,…, μn) 9 Matriz Varianzas-covarianzas: Σ 9 Comentarios: • Cada marginal individual es una normal univariante, y las otras multivariantes • Cada condicionada es normal • Cada combinación lineal de ellas es normal Distribuciones de probabilidad- 17