Asignatura Profesor

: ESTADISTICA APLICADA I : Vctor Gonzlez Ruiz

MODELOS DE PROBABILIDAD DISCRETOS 1. DISTRIBUCIN UNIFORME DISCRETA Introduccin: La ms simple de todas las distribuciones de probabilidad discretas, es una donde la variable aleatoria toma cada uno de sus valores con una probabilidad idntica. Tal distribucin de probabilidad se denomina distribucin Uniforme Discreta. Definicin: Si la variable aleatoria

toma los valores

x 1 ; x 2 ; x 3 ; x 4 ;;;;; x k con idnticas

probabilidades, entonces la distribucin uniforme discreta est dada por:

1 si x = x k f ( x ,k ) = 0 T .O .C .
1

;x

;x

;;; x

Su Esperanza es E ( x ) =
k

x
i= 1

k E( x) ) 2 k

Su Varianza es V ( x ) = Se utiliza la notacin PARMETRO k.

(x
i= 1

f ( x ; k ) para indicar que la distribucin uniforme depende del

Ejemplo 1: Seleccionamos una ampolleta al azar de una caja que contiene una ampolleta de 40 Watts, otra de 75, una de 60 y la ltima de 100. Si definimos el espacio muestral S como S = (40; 60; 75; 100), en donde cada elemento de S ocurre con probabilidad . Por lo tanto, tenemos una distribucin uniforme con la siguiente funcin de cuanta:

Asignatura Profesor

: INFERENCIA ESTADSTICA : Vctor Gonzlez Ruiz

1 si x = 40 ; 60 ; 75 ; 100 4 f ( x ,4 ) = 0 T .O . C .

Se pide: 1. 2. 3. 4. Demuestre que f ( x) es funcin de cuanta. Determine la funcin de distribucin acumulada. Determine la E ( x) . Determine la P( x 75 )

2. DISTRIBUCIN DE BERNOULLI Supongamos que un experimento aleatorio tiene slo dos resultados posibles que son mutuamente excluyentes y conjuntamente exhaustivos, y que por conveniencia llamaremos "xito" y "fracaso". Sea P la probabilidad de xito y (1 p) la probabilidad de fracaso. Definamos ahora la variable aleatoria X que toma el valor 1 si el resultado del experimento es xito y contrario. La funcin de probabilidad de esta variable aleatoria es:

0 en caso

p x (1 p )1 x f ( x; p ) = 0

x = 0 ,1 T .O .C .

Esta distribucin se conoce como la distribucin de Bernoulli. Su media y su varianza pueden calcularse mediante la Funcin Generatriz de Momentos (F.G.M.), siendo:

E( x) = p V ( x) = p(1 p)
M
x

( t ) = ( 1 p )+ p e

EJEMPLO Un agente de seguros piensa que en un contacto concreto, la probabilidad de conseguir una venta es 0,4. Si definimos la variable aleatoria X que toma el valor 1 si consigue una venta y 0 si no,
2 MODELOS UNIFORME y GEOMETRICA ALUMNOS Confidencial

05/11/2009

Asignatura Profesor

: INFERENCIA ESTADSTICA : Vctor Gonzlez Ruiz

entonces, X tiene distribucin Bernoulli con probabilidad de xito funcin de probabilidad de X es:

igual a 0,4, es decir, la

0,4 x 0,61 x x = 0,1 f ( 0, 4 ) = T .O .C . 0 La media y la varianza de esta distribucin son:

E ( x ) = 0 ,4 V ( x ) = 0 , 4 * 0 , 6 = 0 , 24

3. DISTRIBUCIN BINOMIAL Una generalizacin importante de la distribucin Bernoulli consiste en considerar el caso en el que un experimento aleatorio, con dos resultados posibles, se repite varias veces. Supongamos de nuevo que la probabilidad de xito en cada repeticin es P y que se realizan n ensayos independientes, con lo que el resultado de un ensayo no influye en el resultado de cualquier otro. El nmero de xitos X en las n repeticiones puede ser cualquier nmero entero entre 0 y n , y estamos interesados en la probabilidad de obtener exactamente repeticiones, esta distribucin se denomina Distribucin Binomial. Su funcin de probabilidad es:

X =x

xitos en

n x p (1 p) n x f ( x) = x 0

x = 0,1,2,..., n T .O.C.

donde:

n n! = x ! (n x)! x

La media y la varianza de la distribucin binomial son:

E ( x) = np V ( x) = np(1 p)
Su funcin Generadora de Momentos es:

(t) =

(( 1

p)+ p e

3 MODELOS UNIFORME y GEOMETRICA ALUMNOS Confidencial

05/11/2009

Asignatura Profesor

: INFERENCIA ESTADSTICA : Vctor Gonzlez Ruiz

Demostraci n : M M
x

(t ) = (t ) =

x =0

e
n

tx

n x x p (1 p )

n x

x =0

n ( p e t )x (1 p ) x

n x

Aplicando el Teorema del Binomio (a + b ) n = Entonces

k a
k =0

nk

b k , a = (1 p ); b = p e t ; k = x ;

M x ( t ) = (1 p ) + p e

EJEMPLO Se envan invitaciones para cenar a los 20 delegados que asisten a una convencin, y se cree que para cada delegado invitado, la probabilidad de que acepte es 0,9. Si se asume que toman la decisin de aceptar la invitacin independientemente, cul es la probabilidad de que como mucho 17 de los delegados acepten la invitacin? Sea X la variable aleatoria que representa el nmero de delegados que aceptan la invitacin. Entonces X , tiene distribucin binomial, con n = 20 y p = 0,9 . Buscamos:

P( X 17) = 1 P( X = 18) P( X = 19) P( X = 20) P( X 17) = 1 0,2852 0,2702 0,1216 = 0,323

Una aplicacin importante de la distribucin binomial es el muestreo de aceptacin. Cuando una compaa recibe un cargamento de mercancas muy grande, debe decidir, a partir de la informacin sobre la calidad de estos productos, si aceptar el pedido. Normalmente, una inspeccin minuciosa de todo el cargamento resulta demasiado cara, por lo que se selecciona y examina una pequea muestra aleatoria. A partir de los resultados de este examen, se toma una decisin sobre la aceptacin o no del cargamento. Para cada regla particular de decisin de este tipo, es posible calcular la probabilidad de aceptar un cargamento con una proporcin dada de artculos defectuosos. En efecto, si p es la proporcin de artculos defectuosos en el cargamento y n es el tamao de la muestra, el nmero de artculos de defectuosos en la muestra una distribucin binomial.

sigue

El siguiente ejemplo ilustra cmo pueden calcularse las probabilidades de aceptar un envo.

4 MODELOS UNIFORME y GEOMETRICA ALUMNOS Confidencial

05/11/2009

Asignatura Profesor

: INFERENCIA ESTADSTICA : Vctor Gonzlez Ruiz

EJEMPLO Una compaa recibe un gran cargamento de artculos, y decide aceptar el envo si en una muestra aleatoria de veinte artculos no hay ms de uno defectuoso. La proporcin de artculos defectuosos es 0,1.

p = 0,1 n = 20

20 x 20 x x 0 ,10 0 ,90 f ( 20 ;0 ,1) 0

x = 0 ,1,..., 20 T .O .C .

P( X 1) = P( X = 0) + P( X = 1) P( X 1) = 0,1216 + 0,2702 = 0,3918

Si el 20% de los artculos del cargamento son defectuosos aceptar el cargamento es:

( p = 0,20) , la probabilidad de

P( X 1) = P( X = 0) + P( X = 1) P( X 1) = 0,0115 + 0,0576 = 0,0691

4. DISTRIBUCIN HIPERGEOMTRICA Supongamos que se elige una muestra aleatoria de tamao n de un conjunto de N elementos, N 1 de los cuales son xitos. La distribucin del nmero de xitos, x , en la muestra se denomina Distribucin Hipergeomtrica, cuya funcin de probabilidad o cuanta est dada por:
N 1 N N 1 x n x x = 0,1,2,...n si n N o x = 0,1,2,...N si n > N 1 1 1 f ( x; N; N1 n ) = N n T.O.C. 0

Donde x puede tomar valores enteros denotados por el soporte definido.

5 MODELOS UNIFORME y GEOMETRICA ALUMNOS Confidencial

05/11/2009

Asignatura Profesor

: INFERENCIA ESTADSTICA : Vctor Gonzlez Ruiz

E ( x ) = np N n V ( x ) = np(1 p) N 1 N1 Donde p = es la proporcin de xitos en la poblacin N

La manera ms simple de ver la diferencia entre la distribucin Binomial y la distribucin Hipergeomtrica est en la forma en que se realiza el muestreo. Los tipos de aplicaciones de la distribucin Hipergeomtrica son muy similares a los de la Binomial. Nos interesamos en el clculo de probabilidades para el nmero de observaciones que caen en una categora particular. Pero en el caso de la Binomial, se requiere la independencia entre las pruebas. Como resultado, si se aplica la Binomial o digamos, tomar muestras de un lote de artculos (lotes de artculos producidos), el muestreo se debe efectuar con reemplazo de cada artculo despus de que se observe. Por otro lado, la distribucin Hipergeomtrica no requiere independencia y se basa en el muestreo que se realiza sin reemplazo. 5. DISTRIBUCIN DE POISSON Consideremos las siguientes variables aleatorias: El nmero de accidentes de trfico mortales en una ciudad durante una semana concreta. El nmero de llamadas telefnicas que se reciben en un da en la central de una empresa durante los quince minutos anteriores al medio da. El nmero de rdenes de devolucin de piezas que recibe una empresa en una semana. El nmero de veces que falla una pieza en un equipo durante un perodo de tres meses. El nmero de huelgas anuales en una fbrica. Cada una de estas cinco variables aleatorias se caracteriza por ser el nmero de ocurrencias de cierto suceso durante un perodo de tiempo. La experiencia indica que para una amplia gama de problemas de este tipo la distribucin de probabilidad POISSON, representa adecuadamente la estructura de probabilidad de la variable aleatoria. Se dice que la variable aleatoria X sigue una distribucin de POISSON si tiene funcin de probabilidad o cuanta dada por:

6 MODELOS UNIFORME y GEOMETRICA ALUMNOS Confidencial

05/11/2009

Asignatura Profesor

: INFERENCIA ESTADSTICA : Vctor Gonzlez Ruiz

x e x = 0 ,1 , 2 ,........ f ( x; ) = x! 0 T .O .C .

Donde e = 2,71828

Parmetro: , el cual se define como la tasa promedio de ocurrencia y puede tomar cualquier valor mayor a cero. Su Esperanza: E ( x) = Su Varianza: V ( x) = Tarea: Averiguar la Funcin Generadora de Momentos para la distribucin de POISSON y demuestre a travs de ella la Esperanza y Varianza. EJEMPLO Un estudio indica que el nmero de huelgas anuales en una fbrica chilena con 2000 empleados es de 0,4. Cul es la probabilidad de que en un ao determinado, en la fbrica haya 1 huelga? Debemos definir en primera instancia la variable aleatoria X, como el nmero de huelgas en una fbrica chilena en un perodo de un ao. De esto se desprende que al analizar la probabilidad consultada (un ao determinado), la variable aleatoria a definir debe estar en la misma medida que la tasa promedio de ocurrencia (nmero de huelgas anuales es de 0,4) Por lo cual nuestra funcin de probabilidad o cuanta es:
0,4 0 ,4 e f ( x ; 0 ,4 ) = x! 0 T .O .C .
x

x = 0 ,1 , 2 ,........

Entonces la probabilidad de que en un ao determinado, en la fbrica haya 1 huelga es:

7 MODELOS UNIFORME y GEOMETRICA ALUMNOS Confidencial

05/11/2009

Asignatura Profesor

: INFERENCIA ESTADSTICA : Vctor Gonzlez Ruiz

p( X = 1) =

0 ,4

0 ,4 1!

= 0 , 2681

Cul es ahora la probabilidad de que en un ao determinado, en la fbrica haya 2 huelgas? Seguimos trabajando con la misma funcin de probabilidad definida en el punto anterior, por lo tanto, la probabilidad de que haya 2 huelgas en un ao determinado es:
p( X = 2 ) =

0 ,4

0 ,4 2!

= 0 , 0536

Cul es la probabilidad de que en un ao determinado, en la fbrica haya 3 huelgas? Seguimos trabajando con la misma funcin de probabilidad definida en el punto anterior, por lo tanto, la probabilidad de que haya 3 huelgas en un ao determinado es:

p( X = 3) =

0 ,4

0 ,4 3!

= 0 , 0071

Cul es la probabilidad de que en un ao determinado, en la fbrica no haya huelgas? Seguimos trabajando con la misma funcin de probabilidad definida en el punto anterior, por lo tanto, la probabilidad de que no haya huelgas en un ao determinado es:

p( X = 0 ) =

0 ,4

0 ,4 0!

= 0 , 6703

Cul es la probabilidad de que en seis meses, en la fbrica haya 1 huelga? Como nos damos cuenta la probabilidad consultada, tiene ahora un nuevo perodo de tiempo, por lo cual nuestra tasa promedio de ocurrencia debemos adaptarla de la siguiente forma:

Si

1 ao 0,4 = 0,5 aos 2 Luego 2 = 0,2

8 MODELOS UNIFORME y GEOMETRICA ALUMNOS Confidencial

05/11/2009

Asignatura Profesor

: INFERENCIA ESTADSTICA : Vctor Gonzlez Ruiz

Con esta nueva tasa promedio de ocurrencia, se puede definir una nueva funcin de probabilidad o cuanta para la variable aleatoria X2 como el nmero de huelgas en una fbrica chilena en un perodo de seis meses. Por lo cual nuestra funcin de probabilidad o cuanta es:
0 ,2 0 ,2 e f ( x 2 ; 0 ,2 ) = x! 0 T .O .C .
x

x = 0 ,1 , 2 ,........

Entonces la probabilidad de que en seis meses, en la fbrica haya 1 huelga es:

p( X = 1) =

0 ,2

0 ,2 1!

= 0 ,1637

APROXIMACIN POISSON DE LA DISTRIBUCIN BINOMIAL Sea X el nmero de xitos resultante de n ensayos independientes, cada uno con probabilidad de xito p. La distribucin del nmero de xitos X es binomial con Esperanza = np. Sin embargo, si el nmero de ensayos n es grande (Tiende a ) y la probabilidad de xito p es pequea (Tiende a 0), esta distribucin puede aproximarse bien a la distribucin de POISSON con = np. La funcin de probabilidad de la distribucin aproximada es entonces:
np ( np ) x e f ( x ; np ) = x! 0 T .O .C . x = 0 ,1 , 2 ,........

Ejemplo: Un analista predice que el 1,5% de las pequeas empresas quebrarn durante el prximo ao. Asumiendo que la prediccin del analista es correcta, estimar la probabilidad de que al menos una empresa de una muestra aleatoria de 100, quiebre durante el prximo ao. La distribucin del nmero X de quiebras es Binomial, con n = 100 y p = 0,015, luego la media de la distribucin es:
9 MODELOS UNIFORME y GEOMETRICA ALUMNOS Confidencial

05/11/2009

Asignatura Profesor

: INFERENCIA ESTADSTICA : Vctor Gonzlez Ruiz

np = (100)(0,015) = 1,5
Como el nmero de empresas n=100 es grande y la probabilidad de quiebra p=0,015 es pequea, esta distribucin puede aproximarse bien a la distribucin de POISSON con = 1,5 Aproximamos entonces la funcin de probabilidad del nmero X de quiebras por:
1 , 5 (1 , 5 ) x e f ( x ;1 , 5 ) = x! 0 T .O .C . x = 0 ,1 , 2 ,........

Luego la probabilidad de que al menos una empresa de una muestra aleatoria de 100, quiebre durante el prximo ao es:
P ( X 1) = 1 P( X < 1) =1 P ( X = 0) e 1,5 (1,5 0 ) =1 = 1 0,2231 = 0,7769 0!

6. DISTRIBUCIN GEOMTRICA Una variable aleatoria X, se distribuye Geomtricamente, si su funcin de probabilidad o cuanta est dada por:

p (1 p) x 1 si x =1,2,3,......... . f ( X ; p) = 0 T.O.C.
Esta variable aleatoria X, contesta el nmero de experimentos de BERNOULLI que se deben realizar hasta encontrar el PRIMER XITO. Parmetro: p , el cual se define como la probabilidad de xito y puede tomar cualquier valor que est en el intervalo (0,1]. Su Esperanza: E ( x) = 1 p

10 MODELOS UNIFORME y GEOMETRICA ALUMNOS Confidencial

05/11/2009

Asignatura Profesor

: INFERENCIA ESTADSTICA : Vctor Gonzlez Ruiz

Su Varianza: V ( x) =

1 p p2

p et Su Funcin Generadora de Momentos es: M x (t ) = 1 (1 p ) e t

Ejemplo: Un explorador de petrleo perfora una serie de pozos en cierta rea para encontrar un pozo productivo. La probabilidad de que tenga xito en una prueba es 0,2. Cul es la probabilidad de que el primer pozo productivo sea el tercer pozo perforado?. En este caso nos debemos fijar en la informacin que contiene el problema. 1. 0,2 es la probabilidad de que el explorador tenga xito en una prueba y por lo tanto pueda encontrar un pozo de petrleo. 2. La probabilidad consultada es EL PRIMER POZO PRODUCTIVO SEA EL TERCER POZO PERFORADO, o sea, que el nmero de experimentos a realizar deben ser tres hasta encontrar el PRIMER XITO O POZO PRODUCTIVO. Por lo cual se puede deducir que estamos frente a una distribucin GEOMTRICA, cuya variable aleatoria X es: Nmero de pozos perforados en cierta rea para encontrar un pozo productivo. Por lo cual nuestra funcin de probabilidad o cuanta es:

0,2 (0,8) x 1 si x =1,2,3,......... . f ( X ; 0,2) = 0 T.O.C.

Entonces la probabilidad de que el primer pozo productivo sea el tercer pozo perforado es:

P( X = 3) = 0,2 (0,8)31 = 0,128

Qu esperanza tiene el explorador de petrleo de encontrar un pozo productivo?, Cul es la Varianza de esta variable aleatoria?. 7. DISTRIBUCIN DE PASCAL O BINOMIAL NEGATIVA
11 MODELOS UNIFORME y GEOMETRICA ALUMNOS Confidencial

05/11/2009

Asignatura Profesor

: INFERENCIA ESTADSTICA : Vctor Gonzlez Ruiz

Una variable aleatoria X, se distribuye de acuerdo a una PASCAL o BINOMIAL NEGATIVA, si su funcin de probabilidad o cuanta est dada por:

x1 r , r +2, r +3,........ p (1 p)xr si x =r, r +1 f (X ; r; p)= r 1 0 T.O .C.

Esta variable aleatoria X, contesta el nmero de experimentos de BERNOULLI que se deben realizar para obtener el r simo xito en el x simo intento. Este modelo o distribucin es una generalizacin de la distribucin GEOMTRICA. Esto es, Si r=1 la funcin de probabilidad converge a la GEOMTRICA. Parmetros: 1. 2.

p : El cual se define como la probabilidad de xito y puede tomar cualquier valor que est en el intervalo (0,1].

r: Nmero de xitos en los experimentos y puede tomar cualquier valor dentro de los Naturales. r (1 p) r Su Esperanza: E ( x) = , su Varianza: V ( x) = p p2

p et Su Funcin Generadora de Momentos es: M x (t ) = t 1 (1 p ) e

p tr ( p 1) e t + 1 * e * r M 'x (t ) = t ( p 1) e + 1
p ( p 1) e r t ( p 1) e + 1 M '' x (t ) = 2 ( p 1) e t + 1
t

[r e ]
rt

12 MODELOS UNIFORME y GEOMETRICA ALUMNOS Confidencial

05/11/2009

Asignatura Profesor

: INFERENCIA ESTADSTICA : Vctor Gonzlez Ruiz

APLICACIN DE DISTRIBUCIONESDISTRIBUCIONES DE PROBABILIDAD DISCRETAS 1. Distribucin Binomial Esta distribucin de probabilidad encuentra aplicaciones en muchos campos cientficos. A menudo, las mediciones de control de calidad y los esquemas de muestreo para procesos se basan en la distribucin Binomial. sta se aplica en cualquier situacin industrial donde el resultado de un proceso es dicotmico (dividido en dos partes) y los resultados del proceso son independientes, y la probabilidad de xito es constante de una prueba a otra. La distribucin binomial tambin se utiliza de manera extensa en aplicaciones mdicas y militares. En ambos casos, un resultado de xito o fracaso es importante, Por ejemplo: "Cura" o "No Cura" es importante en el trabajo farmacutico. "Dar en el blanco" o "Errar" a menudo es la interpretacin del resultado de lanzar un misil guiado. Como la distribucin de probabilidad de cualquier variable aleatoria binomial depende slo de los valores que toman n, p y (1 - p), parecera razonable suponer que la media y la varianza de una variable aleatoria binomial tambin dependen de los valores que toman estos parmetros. 2. Distribucin Hipergeomtrica La manera ms simple de ver la diferencia entre la distribucin Binomial y la distribucin Hipergeomtrica est en la forma en que se realiza el muestreo. Los tipos de aplicaciones de la distribucin Hipergeomtrica son muy similares a los de la binomial. Nos interesamos en el clculo de probabilidades para el nmero de observaciones que caen en una categora particular. Pero en el caso de la Binomial, se requiere la independencia entre las pruebas. Como resultado, si se aplica la Binomial a, digamos, tomar muestras de un lote de artculos ( lotes de artculos producidos), el muestreo se debe efectuar con reemplazo de cada artculo despus de que se observe. Por otro lado, la distribucin Hipergeomtrica no requiere independencia y se basa en el muestreo que se realiza sin reemplazo. Las aplicaciones de la distribucin Hipergeomtrica se encuentran en muchas reas, con gran uso en muestreo de aceptacin, pruebas electrnicas y garanta de calidad. Obviamente, para muchos de estos campos el muestreo se realiza a expensas del artculo que se prueba. Es decir, el artculo se destruye y por ello no se puede reemplazar en la muestra. As, el muestreo sin reemplazo es necesario.

13 MODELOS UNIFORME y GEOMETRICA ALUMNOS Confidencial

05/11/2009

Asignatura Profesor

: INFERENCIA ESTADSTICA : Vctor Gonzlez Ruiz

3. Distribucin Geomtrica y Binomial Negativa La aplicacin para la distribucin Geomtrica se puede describir en una situacin donde los Auditores Computacionales intentan determinar cun ineficiente es un sistema de informacin telefnica durante perodos ocupados. Claramente en este caso, las pruebas ocurren antes de que un xito represente un costo. Si hay una alta probabilidad de hacer varios intentos antes del enlace, entonces se deben hacer planes para redisear el sistema. Las aplicaciones de la binomial negativa son similares en naturaleza. Los intentos son costosos en algn sentido y ocurren en sucesin. Una alta probabilidad de que se requiera un nmero "grande" de intentos para experimentar un nmero fijo de xitos no es benfica para el Auditor o el Ingeniero. 4. Distribucin de Poisson como forma limitante de la Binomial Aunque la Distribucin de Poisson por lo general, encuentra aplicaciones en problemas de espacio y tiempo, se puede ver como una forma limitante de la distribucin Binomial. En el caso de la binomial, si n es bastante grande y p es pequea, las condiciones comienzan a simular las implicaciones de espacio continuo o regin temporal del proceso de Poisson. La independencia entre las pruebas de Bernoulli, en el caso Binomial, es consistente con la probabilidad de que ocurra un solo resultado durante un intervalo de tiempo, a travs del proceso de Poisson. Si se hace al parmetro p cercano a cero para el caso de la Binomial, se relaciona con la probabilidad insignificante de que ocurra ms de un resultado en un intervalo corto de tiempo en el proceso de Poisson. En realidad, derivaremos ahora la distribucin de Poisson como forma limitante de la distribucin Binomial cuando n , p 0 , y np permanece constante. De aqu, si n es grande y p cercana a 0, se puede usar la distribucin de Poisson, con, = np , para aproximar probabilidades binomiales.

14 MODELOS UNIFORME y GEOMETRICA ALUMNOS Confidencial

05/11/2009