DISTRIBUCIONES DE VARIABLES ALEATORIAS DISCRETAS.

ENSAYO DE BERNOULLI

DEJANON MARTINEZ KAREN LUCIA NAVARRO MARTINEZ ALBERTO

PRESENTADO AL LICENCIADO JOSE VICENTE BARRAZA. DIDCTICA DE LA ESTADSTICA. LICENCIATURA EN MATEMTICA.

UNIVERSIDAD DEL ATLANTICO. FACULTAD CIENCIAS DE LA EDUCACION. . BARRANQUILLA.

INTRODUCCION. En esta ocasin estudiaremos algunas distribuciones asociadas a variables aleatorias discretas, que puedan ajustarse a una gran diversidad de problemas y campos cientficos en los que se pueden aplicar. Alguna de esas distribuciones son: distribucin de Bernoulli, distribucin binomial, distribucin geomtrica, distribucin de poisson. En la teora de probabilidad y estadstica, un ensayo de Bernoulli es un experimento aleatorio en el que slo se pueden obtener dos resultados (habitualmente etiquetados como xito y fracaso). Se denomina as en honor a Jakob Bernoulli. Desde el punto de vista de la teora de la probabilidad, estos ensayos estn modelados por una variable aleatoria que puede tomar slo dos valores, 0 y 1. Habitualmente, se utiza el 1 para representar el xito. En la prctica, los ensayos de Bernoulli se utilizan para modelar fenmenos aleatorios que slo tienen dos resultados posibles, como por ejemplo: Al lanzar una moneda, comprobar si sale cara (xito) o cruz (fracaso). Se suele suponer que una moneda tiene una probabilidad de xito de 0,5. Al lanzar un dado, ver si se obtiene un seis (xito) o cualquier otro valor (fracaso). Al realizar una encuesta poltica, tras escoger un votante al azar, ver si ste votar "si" en un referndum prximo. Era el recin nacido nia? Son verdes los ojos de una persona? Decidi un cliente potencial comprar determinado producto?

Hay que entender que xito y fracaso son etiquetas para los resultados y que no debe ser interpretado literalmente.

OBJETIVOS GENERALES

Utilizar la distribucin de bernoulli para obtener las probabilidades de aquellas situaciones con dos posibles resultados, que se puedan presentar en la vida diaria, laboral etc.

OBJETIVOS ESPECIFICOS

comprender de los conceptos bsicos de las distribuciones discretas de probabilidad. Explicar y entender en qu consiste el ensayo de Bernoulli y cul es su aplicacin. Distinguir el concepto de variable aleatoria discreta.

1. DISTRIBUCION DE BERNOULLI. Sea una experimento con dos posibles resultados, generalmente llamados xitos y fracaso para los que P[xito] = p y P[fracaso] = 1 p = q. a este tipo de experimento se le denomina experimento o prueba de Bernoulli. Se le puede asociar una variable aleatoria de la siguiente manera: X: {0,1} Por tanto, tenemos: P [X = 1] = P[xito] = p, P [X = 0] = P[fracaso] = q. DEFINICION: Una variable aleatoria discreta X se dice que sigue una distribucin de Bernoulli de parmetro p, X ~ Be (p), con p verifica: rg (X) = {0,1} Y la funcin de probabilidad puede escribirse como: P [X = x] = px (1 - p)1 x, x {0,1}. [0,1]; si se Fracaso 0 xito 1.

PROPOSICIN: (Media y varianza de una variable Bernoulli) Si X ~ Be (p) entonces E [X] = p, V ar [X] = pq. Demostracin: Sea X una variable Bernoulli con parmetro p. Luego: E [X] = p x 1 + (1 - p) x 0

= p. E [X2] = p x 12 + (1 - p) x 02 = p. V [X] = E [X2] - E [X]2 = p p2 V [X] = p (1 - p) DT [X] =

= p.

EJEMPLO: Se sabe que una maquina produce un 3 % de piezas defectuosas. Elegimos una pieza al azar para comprobar si no presenta defectos. Cmo se distribuye la variable X que vale 1 si la pieza no es defectuosa y 0 si es defectuosa? Cules son su media y su varianza? SOLUCION: X sigue una distribucin Bernoulli con parmetro 0.97. La media y varianza son: Como el 3% es la cantidad de piezas defectuosas, entonces 97 % sera la cantidad de piezas no defectuosas. E [X] = 0.97 V [X] = 0.97 (1 0.97) V [X] = 0.97 x 0.03 V [X] = 0.0291.

2. DISTRIBUCION BINOMIAL. Consideremos n experimentos de Bernoulli independientes e idnticamente distribuidos y sea la variable aleatoria X definida como el nmero de xitos en n pruebas de Bernoulli. Diremos que X sigue una distribucin binomial de parmetros n y p, X ~ B (n, p), Donde n es el nmero de pruebas, p probabilidad de xito en una prueba.

DEFINICION: Sea X una variable con distribucin binomial con parmetros n y p, si P (X = x) = ( ) px (1 p) n x, para x = 0, 1,2,, n donde ( ) = caso, se escribe X ~ B (n, p). Por tanto, la distribucin Bernoulli es el caso especial X ~ B (1, p). . En este

EJEMPLO: La probabilidad de que Ronaldo marque un gol de penalti es 0.8. Cul es la distribucin del nmero de goles que marca en los siguientes 6 penaltis? Cul es la probabilidad de que marque los 6 penaltis? Y la probabilidad de que falle por lo menos uno?

SOLUCION: La distribucin del nmero de goles que marca en los siguientes 6 penaltis es X ~ B (6, 0.8). La probabilidad de que marque los 6 penaltis viene dada por: P (X = x) = ( )PX (1 p)
nx

P (X = 6) = ( )(0.8)6(1 0.8)6 - 6 = 0.262 Por lo tanto de que la probabilidad de que marque los 6 penaltis es del 26.2 %

PROPOSICIN: (Media y varianza de una variable binomial) Sea X ~ B (n, p). Luego E [X] = np, V [X] = np (1 - p). DT [X] = Demostracin:Escribimos X = X1 + X2 + + Xn donde cada Xi es un ensayo de Bernoulli. Luego, E [X] = E [X1 + X2 + + Xn] = E [X1] +E [X2] + +E [Xn] = p + p ++ p (n veces) E [X] = np. V [X] = V [X1 + X2 + + Xn] = V [X1] +V [X2] + +V [Xn] = p (1 - p) + p (1 - p) ++ p (1 - p) = (p + p ++ p) (1 p) V [X] = np (1 p). DT [X] =

EJEMPLO: Volvemos al ejemplo de Ronaldo. El numero medio de goles en 6 penaltis ser de E [X] = np = 6(0.8) =4.8 La varianza es de V [X] = np (1 p) = 4.8 (1 0.8) = 4.8 (0.2) = 0.96 DT [X] = = 0.98

3. DISTRIBUCION GEOMETRICA. Realizamos una serie de pruebas de Bernoulli independientes e idnticamente distribuidas con la misma probabilidad de xito, p, en cada prueba. Definimos: X = numero de fracasos antes de obtener el primer xito. Entonces se tiene u tipo de distribucin denominada geomtrica.

DEFINICION: Se dice que una variable aleatoria discreta X sigue una distribucin geomtrica de parmetro p P (X = x) = (1 p)x 1p, para x = 1, 2, En este caso, se escribe X ~ G (p). PROPOSICIN: (Media y varianza de una variable geomtrica) Si X ~ G (p), luego E [X] = V [X] = , y (0,1] si se verifica:

DT [X] =

EJEMPLO: En un proceso de fabricacin se puede suponer por estudios previos que la probabilidad de que un articulo sea defectuosos es p = 0.01. Inspeccionamos artculos secuencialmente hasta encontrar uno defectuoso. Calcular la probabilidad de que el quinto articulo seleccionado sea el primero defectuoso.

SOLUCION:Definimos X = numero de artculos seleccionados antes de encontrar el primero defectuoso, X ~ G (0.01). P[el quinto articulo seleccionado sea el primero defectuoso] = P[X = 4] P (X = x) = (1 p)x 1p P (X = 4) = (1 0.01)
51

(0.01)

P (X = 4) = (0.99)4 (0.01) = 0.0096. Calculamos tambin la media y la varianza. E [X] = V [X] = = = = 99, = 9900.

4. DISTRIBUCION DE POISSON La distribucin de Poisson es una distribucin discreta de gran utilidad donde la variable aleatoria suele estudiar el nmero de eventos independientes que ocurren a velocidad constante en un intervalo de tiempo o espacio. El intervalo puede ser de cualquier longitud, como un minuto, un da, una semana. Por ejemplo, el numero de llamada telefnicas por hora que llegan a una oficina, el numero de mensajes que llegan a un servidor de correos durante un hora, etc. DEFINICION:Una variable aleatoria X discreta, sigue una distribucin de Poisson de parmetro > 0, X ~ P (), si: Rg(X)= {0, 1, 2, .} Y la funcin de probabilidad viene dada por: P[X = k] = e- ,k = 0, 1, 2, ,

Comprobamos que es funcin de probabilidad: [ ]

PROPOSICIN: (Media y varianza de una variable de Poisson) Si X ~ P () entonces E [X] = , V [X] = .