Probabilidad y Estadstica 2

IFD N 6018.
Prof. Celia Villagra

Distribuciones tericas de probabilidades de variable discreta
La idea de construir modelos es familiar a todos. El arquitecto desarrolla un modelo en
miniatura del proyecto de una construccin para tener una mejor perspectiva; el
ingeniero construye modelos de un sistema particular de vigas para probar la resistencia,
una compaa de juguetes desarrolla un modelo de ftbol de saln para dar a la gente un
sustituto que le permita imitar a sus propios equipos. En todos los casos mencionados, el
modelo representa un recurso simplificado que contiene las caractersticas ms esenciales
e importantes de una entidad mayor de tamao real. A ello sirve el propsito de permitir
la experimentacin y dar una forma concreta cuando el objeto real es difcil o imposible
de manejar.
En estadstica debemos ser capaces de crear un modelo para las caractersticas de
probabilidad en diferentes poblaciones. El modelo de probabilidad de una poblacin
describe las posibilidades existentes que ocurran ciertos sucesos cuando la poblacin es
muestreada. A tal modelo se le llama probabilidad de la distribucin. Particularmente el
modelo que nos interesa ser presentado a travs de una funcin matemtica.
En esta materia particularmente nos van a interesar los modelos de probabilidad que
producen las variables aleatorias discretas. Ya habamos visto que en el caso de la variable
aleatoria discreta que la distribucin de probabilidad estaba dada por el conjunto de pares
ordenados (x, f(x)). Y que a la funcin f(x) la llambamos funcin de probabilidad o funcin
de cuanta. Ella debe cumplir que sea mayor o igual a 0, que la sumatoria sea 1.
Dicha distribucin es una distribucin terica en el sentido que sus funciones de
probabilidad se deducen matemticamente con base en ciertas hiptesis que se suponen
vlidas para los fenmenos aleatorios. Examinaremos en detalle tres familias de
distribuciones de probabilidad discreta.
Distribucin Binomial
Distribucin Poisson
Distribucin Hipergomtrica
Distribucin binomial
Es una de las distribuciones de probabilidad ms tiles. Numerosos experimentos estn
compuestos de intentos repetidos ( o ensayos) cuyos resultados se pueden clasificar en
una de dos categoras: xito o fracaso, mutuamente excluyentes. Por ej: arrojar una
moneda, si una respuesta es acertada o equivocada, si un arbusto se infecto o no con un
Probabilidad y Estadstica 2
IFD N 6018.
Prof. Celia Villagra

determinado patgeno, etc. A ese ensayo con slo dos resultados se lo denomina ensayo
de Bernoulli. Donde denominamos p a la probabilidad de xito y 1-p a la probabilidad de
fracaso. Si al experimento lo realizamos n veces, y cada uno de los ensayos es
independiente de todos los dems, nos interesa saber el nmero de xitos , entonces
llamaremos X a la variable aleatoria que representa el nmero de xitos en los n ensayos
independientes. La distribucin de probabilidad de esta variable aleatoria discreta se
llama distribucin binomial y sus valores los vamos a representar por B(x;n,p)
Veamos un ejemplo para comprender mejor esta distribucin
Sobre una parcela se ha determinado que la probabilidad de un rbol presente ataques por
un patgeno foliar es de un 15 % . S se seleccionan un total de 3 rboles. Cul ser la
distribucin de probabilidad de la variable nro de rboles que presentan ataques
patgenos?
Pensemos cmo es la situacin. Primero observamos un rbol y observamos si presenta l
ataque del patgeno. Las respuestas son presenta o no presenta por eso es un ensayo de
Bernoulli. El experimento se repite 3 veces es decir n= 3. El ensayo independiente consiste
en observar un rbol y analizar si presenta ataque patgeno . la p = 0,15, entonces 1-p=
0,85.
El experimento se realiza 3 veces, entonces n = 3. Los ensayos son independientes porque
la ocurrencia de uno no modifica las probabilidad p de cada ensayo.
El recorrido de la variable aleatoria ser 0, 1, 2, 3
X P(X=x)
0 0,614
1 0,325
2 0,057
3 0,03


P(x=0) P(SSS)= P(S).P(S).P(S) =
P(x=1) 3 P(SSN)=3.P(S).P(S)P(N)
P(x=2) 3 P(SNN) = 3.P(S). P(N).P(N)
P(x=3) P(NNN)=P(N).P(N). P(N)
Probabilidad y Estadstica 2
IFD N 6018.
Prof. Celia Villagra

X es una variable aleatoria binomial y el Conjunto (x, f(x)) ser la distribucin de
probabilidades recordar e que en la discreta fx) es igual P(X=x). Si somos rigurosos tener
en cuenta que f es una funcin definida de reales en reales, entonces no solo son 4 pares,
sino tambin todos los otros pares.
Ahora el siguiente desafo sera cmo hacemos para encontrar una funcin definida
matemticamente, que me devuelva esas probabilidades sin tener que aplicar todas estas
tcnicas de probabilidades, ya que si el n aumentara sera tedioso construir una tabla para
un n= 15, por ejemplo. Es all donde viene la idea de modelo, al que nos referirnos al
principio, es decir un modelo matemtico que devuelva la probabilidad de x xitos en n
intentos de Bernoulli con probabilidad de xito p.
Entonces analizando la situacin anterior
P( x xitos y n-x fracasos) = es la probabilidad de la ocurrencias de estos sucesos en el
orden dado.
P ( k-exitos y n fracasos) = p . p p. (1-p) (1-p) (1-p) = p
k
. (1-p)
n-k

Como quiere calcular la probabilidad en todos los ordenes
( )
x n x
p p
x
n
x X P

|
|
.
|

\
|
= = 1 . ) (
Definicin
Sea X una variable aleatoria que representa el nmero de exitos en n ensayos
independientes y p la probabilidad de xito con cualquiera de stos. Se dice entonces que
X tiene una distribucin binomial con funcin de probabilidad
( )

=
|
|
.
|

\
|
= =

v o p o
n x si p p
x
n
x f p n x B
x n x
. .
... 2 , 1 , 0 1 .
) ( ) , , (


La esperanza es igual a n.p
Y la varianza es n.p.q
Probabilidad y Estadstica 2
IFD N 6018.
Prof. Celia Villagra


Retomando la primera situacin, ahora queremos saber:
cul ser la probabilidad de que 2 de esos rboles presenten ataques del patgeno?
b) cul ser la probabilidad de que al menos uno de esos rboles presten ataques del
patgeno?
Ahora utilicemos la distribucin terica para responder las preguntas
a) 057 , 0 85 , 0 . 15 , 0
2
3
) 2 (
1 2
=
|
|
.
|

\
|
= = X P

b_) 386 , 0 614 , 0 1 85 , 0 15 , 0
0
3
1 ) 0 ( 1 ) 1 ( 1 ) 1 (
3 0
= =
|
|
.
|

\
|
= = = < = > X P X P X P
Pero tambin se puede resolver
0,385 0,03 + 0,057 + 325 , 0 ) 3 ( ) 2 ( ) 1 ( ) 1 ( = = = + = + = = > X P X P X P X P

El nombre de distribucin binomial proviene del hecho de que los valores de B(x,,n,,p)
para x= 0,1,2n son los trminos sucesivos de la expansin binomial de [ (1-p) + p ]
n
=
(1-p)
n
+n(1-p)
n-1
p + n.(n-1)/2! (1-p)
n-2
p
2
+ + p
n

Pero dicha suma ser igual a 1 ya que si resolvemos [ (1-p) + p ]
n
= [ (1-p+ p ]
n
=1
n
=1
La Distribucin Binomial tiene forma simtrica cuando p=0.5

Ejemplo. Grafique la Distribucin Binomial con n=10, p=0.5
10 ,..., 1 , 0 x , ) 5 . 0 (
x
10
) 5 . 0 ( ) 5 . 0 (
x
10
) x ( f
10 x 10 x
=
|
|
.
|

\
|
=
|
|
.
|

\
|
=


Probabilidad y Estadstica 2
IFD N 6018.
Prof. Celia Villagra


Si p>0.5, la forma de la distribucin binomial tiene sesgo negativo.
Si p<0.5, la forma de la distribucin binomial tiene sesgo positivo .

El sesgo se lo puede visualizar en el grfico observando si decrece hacia la izquierda o la derecha

Ejemplo
Grafique la distribucin binomial con n=10, p=0.65
10 ,..., 1 , 0 x , ) 35 . 0 ( ) 65 . 0 (
x
10
) x ( f
x 10 x
=
|
|
.
|

\
|
=



0 1 2 3 4 5 6 7 8 9 10
0
0.05
0.1
0.15
0.2
0.25
0 1 2 3 4 5 6 7 8 9 10
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
Sesgo negativo
Probabilidad y Estadstica 2
IFD N 6018.
Prof. Celia Villagra

La distribucin hipergeometrica
El esquema del tipo de experimentos aleatorios donde se puede aplicar una distribucin
hipergeomtrica es similar a la binomial. La diferencia radica que en la binomial las
distintas observaciones eran independientes, mientras que en la hipergeomtrica son
dependientes.
Se conoce como un experimento hipergeomtrico aquel que posee las siguientes dos
propiedades:
1. Se selecciona una muestra aleatoria de tamao n sin reemplazo de N artculos
2. k de los N artculos se pueden clasificar como xitos y N-k se clasifican como
fracasos
El nmero X de xitos de un experimento hipergeomtrico se denomina variable aleatoria
hipergeomtrica.Es decir X es el nmero de elementos exitosos en la muestra. En
consecuencia, la distribucin de probabilidad de la variable hipergeomtrica se llama
distribucin hipergeomtrica, y sus valores se denotan como H(x; N, n, k), debido a que
dependen del nmero de xitos k en el conjunto N del que seleccionamos n artculos.
Veamos un ejemplo. En los dos ltimos aos de la Carrera del Profesorado de Matemtica
hay 15 alumnos que llevan las materias al da, de los cuales 7 son de 3er ao. En Julio se
realiza en Salta un congreso de Didctica de la Matemtica. La Direccin decide
seleccionar aleatoriamente tres alumnos que sern beneficiados con una Beca para asistir
al Congreso Cul es la probabilidad de que uno de los alumnos elegidos sea de 3er, ao?
Realicemos un grafico para comprender la situacin
N= 15 K= 7 alumnos de 2do ao
n= 3 X= 1 alumno de segundo ( elementos del tipo k)
graficamos




N=15
K=7
N-k=8
Probabilidad y Estadstica 2
IFD N 6018.
Prof. Celia Villagra

|
|
.
|

\
|
=
3
15
3 , 15
C
|
|
.
|

\
|
-
|
|
.
|

\
|
3
8
1
7

43 , 0
3
15
2
8
1
7
) 1 ( =
|
|
.
|

\
|
|
|
.
|

\
|

|
|
.
|

\
|
= = X P
|
|
.
|

\
|
|
|
.
|

\
|

-
|
|
.
|

\
|
= =
n
N
x n
k N
x
k
x X P ) (

En sntesis sea X una variable aleatoria hipergeometrica, se define la funcin de
probabilidades de X como


k x
v o p
n x si
n
N
x n
k N
x
k
x f k n N x H s

=
|
|
.
|

\
|
|
|
.
|

\
|

-
|
|
.
|

\
|
= = :
. . 0
... 2 , 1 , 0
) ( ) , , , (

Distribucin de Poisson
En estadstica, la distribucin de Poisson es una de las distribuciones de probabilidad
discreta.
Veamos algunos ejemplos para comprender la distribucin de Poisson.
El nmero de vehculos que pasan por una caseta de cobro en las horas de mayor
trfico sirve como ejemplo para mostrar las caractersticas de una distribucin de
probabilidad de Poisson.
Probabilidad y Estadstica 2
IFD N 6018.
Prof. Celia Villagra

El promedio (media) de los arribos de vehculos por hora de gran trfico puede
estimarse a partir de los datos anteriores del trfico.
Si dividimos las horas de gran trfico en periodos (intervalos) de un segundo cada
uno, encontraremos que los siguientes enunciados son verdaderos:
a) La probabilidad de que exactamente un vehculo llegue por segundo a una caseta
individual es un nmero muy pequeo y es constante para que cada intervalo de un
segundo.
b) La probabilidad de que dos o ms vehculos lleguen en un intervalo de un segundo
es tan reducida que podemos asignarle un valor cero.
c) El nmero de vehculos que llegan en determinado intervalo de un segundo es
independiente del momento en que el intervalo de un segundo ocurre durante la hora
de gran trfico.
d) El nmero de llegadas en cualquier intervalo de un segundo no depende del
nmero de arribos de cualquier otro intervalo de un segundo.
Ahora bien, podemos generalizar partiendo de las cuatro condiciones que hemos
descrito en este ejemplo, si estas condiciones se cumplen nos apoyaremos en una
distribucin de probabilidad de Poisson para describirlos.
Clculo de probabilidades mediante la distribucin de Poisson.
La distribucin de Poisson, segn hemos sealado, se refiere a ciertos procesos que
pueden ser descritos con una variable aleatoria discreta. La letra X suele representar
esa variable y puede adems asumir valores enteros (0,1,2,3 etc..) . Utilizamos la letra
X mayscula para representar la variable aleatoria y la x minscula para designar un
valor especfico que puede asumir la X mayscula. La probabilidad de exactamente x
ocurrencias en una distribucin de Poisson se calcula mediante la frmula:
!
) ; ( ) (
k
e
x f x P
x

= =


x
= Lambda
(nmero medio de ocurrencias por intervalo de tiempo) elevada a la potencia x.
e-

= e= 2.71828 elevado a la potencia de lambda negativa.
Probabilidad y Estadstica 2
IFD N 6018.
Prof. Celia Villagra

x! = x factorial.
Ejemplo :
Supngase que estamos investigando la seguridad de un crucero muy peligroso. Los
archivos de la polica indican una media de cinco accidentes por mes en l. El nmero
de accidentes est distribuido conforme a la distribucin de Poisson, y la divisin de
seguridad en carreteras quiere calcular la probabilidad de exactamente 0,1,2,3 y 4
accidentes en un mes determinado.
Aplicando la frmula anterior:
P(0) = (5)
0
(e
-5)
/0! = 0.00674
P(1) = (5)
1
(e
-5)
/1! = 0.03370
P(2) = (5)
2
(e
-5)
/2! = 0.08425
P(3) = (5)
3
(e
-5)
/3! = 0.14042
P(4) = (5)
4
(e
-5)
/4! = 0.17552
Para saber cual es la probabilidad en 3 o menos, sumaremos las probabilidades de
0,1,2,3 lo que ser igual a :
P(0) = 0.00674
P(1) = 0.03370