Distribuciones

DISTRIBUCIN DE BERNOULLI Consiste en realizar un experimento aleatorio una sola vez y observar si cierto suceso ocurre o no, siendo p la probabilidad de que esto sea as (xito) y q=1-p el que no lo sea (fracaso). En realidad no se trata ms que de una variable dicotmica, es decir que nicamente puede tomar dos modalidades, es por ello que el hecho de llamar xito o fracaso a los posibles resultados de las pruebas obedece ms una tradicin literaria o histrica, en el estudio de las V.A., que a la situacin real que pueda derivarse del resultado. Podramos por tanto definir este experimento mediante una V.A. discreta X que toma los valores X=0 si el suceso no ocurre, y X=1 en caso contrario, y que se denota Ejemplo: Un ingeniero biomdico del Hospital Dr. Rafael Calles Sierra est a punto de realizar un inventario al departamento de mantenimiento. La probabilidad de que lo termine a tiempo es de 0.55. Sea X=1 si termina el inventario. Si no lo hace entonces X=0. Determine la media y la varianza de X. Si realiza el inventario, su trabajo obtiene 2 puntos en la calificacin que les realizan. Si lo falla su departamento no recibe punto. Sea Y el nmero de puntos anotados Tiene una probabilidad de Bernoulli? Si es as encuentre la probabilidad de xito. Si no explique. Determine la media y varianza de Y. RESPUESTA: Media Px = (0) (1-0.55) + (1) (0.55) = Px = 0.55 Varianza V 2M = (0-0.55)2 (0.55) (0-0.55)2 (0.45) = V2X = 0.2475 No; una variable aleatoria de Bernoulli tiene valores positivos de 0 y 1 mientras que los valores de Y son 0 y 2.

X P XP 1 0.55 1.1 0 0.45 0 (Y-M) 2 *P (2-1.1)2 (0.55) (0-1.1)2 (0.45) = 0.99 LA DISTRIBUCIN BINOMIAL:

Llamamos experiencia aleatoria dicotmica a aquella que slo puede tener dos posibles resultados A y A'. Usualmente A recibe el nombre de xito, adems representaremos como p = p(A) y q = 1-p=p(A'). A la funcin de probabilidad de una variable aleatoria X resultado de contar el nmero de xitos al repetir n veces una experiencia aleatoria dicotmica con probabilidad de xito p la llamamos distribucin binomial y la representamos por B (n, p) Para esta distribucin se verifica que, la variable X puede tomar los valores: 0, 1, 2, ... , n y que la variable toma cada uno de estos valores con probabilidad:

Ejemplo: Se sabe que el 30% de los equipos mdicos dependen de un mantenimiento preventivo. Determinar la probabilidad de que en una revisin aleatoria de 4 equipos.

1.) Ninguna padezca de mantenimiento. 2.) Ms de 2 sufran de falla de fbrica.

Sea x el nmero de equipos que sufran de mal mantenimiento en una revisin de equipo. X~B(n=4; P=0,3)

1.) P(X=0)= (40)*0,30*(0,7)4=0,2401 2.) P(X 3)= (43)*0,33*(0,7)1 + (44)*0,34*(0,7)0= 0,0756 + 0,0081=0,0837

DISTRIBUCIN DE POISSON

Esta distribucin es una de las ms importantes distribuciones de variable discreta. Sus principales aplicaciones hacen referencia a la modelizacin de situaciones en las que nos interesa determinar el nmero de hechos de cierto tipo que se pueden producir en un intervalo de tiempo o de espacio, bajo presupuestos de aleatoriedad y ciertas circunstancias restrictivas. Otro de sus usos frecuentes es la consideracin lmite de procesos dicotmicos reiterados un gran nmero de veces si la probabilidad de obtener un xito es muy pequea. Ejemplo:

Si un rea de ingeniera de un hospital recibe en promedio 6 equipos dallados por da, cules son las probabilidades de que reciba, a) cuatro equipos daado en un da dado, b) 10 equipos daados en cualquiera de dos das consecutivos? Solucin: a) X = variable que nos define el nmero de equipos daados que llegan al rea de

mantenimiento en un da cualquiera = 0, 1, 2, 3, etc. = 6 equipos daados por da

p( x 4, 6 )

( 6 )4 ( 2.718 )6 ( 1296 )( 0.00248 ) 0.13392 4! 24

b) X= variable que nos define el nmero de equipos daados que llegan al rea de ingeniera en dos das consecutivos = 0, 1, 2, 3, ......, etc., etc. = 6 x 2 = 12 equipos daados en promedio que llegan al rea de ingeniera en dos das consecutivos Nota: siempre debe de estar en funcin de x siempre o dicho de otra forma, debe hablar de mismo que X. lo

p( x 10 , 12 )

( 12 )10 ( 2.718 )12 ( 6.1917364 10 )( 0.000006151 ) 0.104953 10! 3628800

DISTRIBUCIN GEOMTRICA O DE PASCAL

La distribucin geomtrica es un modelo adecuado para aquellos procesos en los que se repiten pruebas hasta la consecucin del xito a resultado deseado y tiene interesantes aplicaciones en los muestreos realizados de esta manera . Tambin implica la existencia de una dicotoma de posibles resultados y la independencia de las pruebas entre s. Ejemplo: La probabilidad de que cierto examen mdico d lugar a una reaccin positiva es igual a 0,8, cul es la probabilidad de que ocurran menos de 5 reaccio nes negativas antes de la primera positiva? La variable aleatoria nmero de reacciones negativas antes de la primera positiva sigue una distribucin Geomtrica con parmetro p=0,8. Resultados con Epidat 3.1 Clculo de probabilidades. Distribuciones discretas Geomtrica (p) P: Probabilidad de xito 0,8000 Punto K 4 Probabilidad Pr[X=k] 0,0013 Cola Izquierda Pr[X<=k] 0,9997 Cola Derecha Pr[X>k] 0,0003 Media 0,2500 Varianza 0,3125 La probabilidad de que ocurran menos de 5 reacciones negativas antes de la primera positiva es casi 1 (0,9997)

LA DISTRIBUCIN NORMAL

Se trata, sin duda, del modelo continuo ms importante en estadstica, tanto por su aplicacin directa, veremos que muchas variables de inters general pueden describirse por dicho modelo, como por sus propiedades, que han permitido el desarrollo de numerosas tcnicas de inferencia estadstica. En realidad, el nombre de Normal proviene del hecho de que durante un tiempo se crey, por parte de mdicos y bilogos, que todas las variables naturales de inters seguan este modelo. Su funcin de densidad viene dada por la frmula:

que, como vemos, depende de dos parmetros (que puede ser cualquier valor real) y (que ha de ser positiva). Por esta razn, a partir de ahora indicaremos de forma abreviada que una variable X sigue el modelo Normal as: X ~ N(, ). Por ejemplo, si nos referimos a una distribucin Normal con = 0 y = 1 lo abreviaremos N(0, 1).

Ejemplo: La vida media de una lmpara cialitica, segn el fabricante, es de 68 meses, con una desviacin tpica de 5. Se supone que se distribuye segn una distribucin normal En un lote de 10.000 lmparas cialiticas. a) Cuntas lmparas cialiticas superarn

previsiblemente los 75 meses?. b) Cuntos lmparas se estropearn antes de 60 meses? a) t = (75 -68)/5 = 1,4 P (X > 75) = (t > 1,4) = 1 - P (t 1,4) = 1 - 0,9192 = 0,0808 Luego, el 8,08% de las lmparas (808 lmparas) superarn los 75 meses b) t = (60 -68)/5 = -1,6 P (X 60) = (t -1,6) = P (t> 1,6) = 1 - P (t 1,6) = 0,0548 Luego, el 5,48% del lote (548 lmparas) no llegarn probablemente a durar 60 meses

LA DISTRIBUCIN BETA

La distribucin beta es posible para una variable aleatoria continua que toma valores en el intervalo [0,1], lo que la hace muy apropiada para modelar proporciones. En la inferencia bayesiana, por ejemplo, es muy utilizada como distribucin a priori cuando las observaciones tienen una distribucin binomial. Uno de los principales recursos de esta distribucin es el ajuste a una gran variedad de distribuciones empricas, pues adopta formas muy diversas dependiendo de cules sean los valores de los parmetros de forma p y q, mediante los que viene definida la distribucin. Un caso particular de la distribucin beta es la distribucin uniforme en [0,1], que se corresponde con una beta de parmetros P=1 y Q=1, denotada Beta (1,1). Campo de variacin: 0x1 Parmetros: P: parmetro de forma, p > 0 Q: parmetro de forma, q > 0 Ejemplo: En el presupuesto familiar, la porcin que se dedica a salud sigue una distribucin Beta (2,2). 1. Cul es la probabilidad de que se gaste ms del 25% del presupuesto familiar en salud? 2. Cul ser el porcentaje medio que las familias dedican a la compra de productos y servicios de salud? Resultados con Epidat 3.1 Clculo de probabilidades. Distribuciones continuas Beta (p,q) P: Forma 2,0000 Q: Forma 2,0000 Punto X 0,2500 Cola Izquierda Pr[X<=k] 0,1563 Cola Derecha Pr[X>=k] 0,8438 Media 0,5000

Varianza 0,0500 Moda 0,5000 Teniendo en cuenta la distribucin beta, la probabilidad de que se gaste ms de la cuarta parte del presupuesto en salud ser 0,84 y el porcentaje medio que las familias dedican a la compra de productos y servicios de salud ser el 50%.

DISTRIBUCIN GAMMA

La distribucin gamma se puede caracterizar del modo siguiente: si se est interesado en la ocurrencia de un evento generado por un proceso de Poisson de media lambda, la variable que mide el tiempo transcurrido hasta obtener n ocurrencias del evento sigue una distribucin gamma con parmetros a= nlambda (escala) y p=n (forma). Se denota Gamma(a,p). Por ejemplo, la distribucin gamma aparece cuando se realiza el estudio de la duracin de elementos fsicos (tiempo de vida). Esta distribucin presenta como propiedad interesante la falta de memoria. Por esta razn, es muy utilizada en las teoras de la fiabilidad, mantenimiento y fenmenos de espera (por ejemplo en una consulta mdica tiempo que transcurre hasta la llegada del segundo paciente). Campo de variacin: 0<x< Parmetros: A: parmetro de escala, A > 0 P: parmetro de forma, P > 0 Ejemplo: El nmero de pacientes que llegan a la consulta de un mdico sigue una distribucin de Poisson de media 3 pacientes por hora. Calcular la probabilidad de que transcurra menos de una hora hasta la llegada del segundo paciente. Debe tenerse en cuenta que la variable aleatoria tiempo que transcurre hasta la llegada del segundo paciente sigue una distribucin Gamma (6, 2). Resultados con Epidat 3.1 Clculo de probabilidades. Distribuciones continuas

Gamma (a,p) A: Escala 6,0000 P: Forma 2,0000 Punto X 1,0000 Cola Izquierda Pr[X<=k] 0,9826 Cola Derecha Pr[X>=k] 0,0174 Media 0,3333 Varianza 0,0556 Moda 0,1667 La probabilidad de que transcurra menos de una hora hasta que llegue el segundo paciente es 0,98.

DISTRIBUCIN DE LA CURVA DE NORMAL.

La distribucin normal es una distribucin de probabilidad de variable continua que describe los datos que se agrupan en torno a un valor central. Todo proceso en el que solo existan causas aleatorias de variacin sigue una ley de distribucin normal. Esta condicin que aparece con frecuencia en fenmenos naturales (de ah que se la denomine normal), puede obtenerse en los procesos industriales si los procesos se llevan a un esta do en el que solo existen causas comunes de variacin. La representacin grfica es la curva de distribucin normal tambin denominada campana de Gauss en honor del renombrado cientfico alemn Carl Friedrich Gauss a quien se le atribuye errneamente su invencin pero que sin duda la us frecuentemente para analizar fenmenos astronmicos con xito.

Una distribucin normal se caracteriza por: 1. Los valores de las mediciones tienden a agruparse alrededor de un punto central, la media 2. La representacin de los datos es simtrica a ambos lados de la media 3. Las desviaciones estndares quedan situadas a igual distancia unas de otras

4. La proporcin de mediciones situada entre la media y las desviaciones es una constante en la que:

La media 1 * desviacin estndar = cubre el 68,3% de los casos La media 2 * desviacin estndar = cubre el 95,5% de los casos La media 3 * desviacin estndar = cubre el 99,7% de los casos

Podemos analizar el comportamiento de los procesos grficos y determinar su efectividad tomando como base su grado de aproximacin a la curva de distribucin normal a partir de los datos generados y la creacin de histogramas que permitan la comparacin con curva de distribucin normal. Posibilidades: La curva de distribucin normal del proceso coincide o est dentro de los lmites establecidos por la industria (bien en las normas de calidad desarrolladas o bien en las recomendaciones establecidas por las asociaciones). En este caso el proceso opera con eficacia y se pueden realizar trabajos de alta exigencia con respecto a la variable controlada. La curva de distribucin supera los lmites establecidos por la industria. En este caso puede que estn operando causas asignables de variacin o que existen limitaciones debidas a los recursos y equipos empleados por lo que no es posible realizar trabajos exigentes con respecto a la variable controlada hasta que no se hayan eliminado las causas especiales de variacin o no se dispongan de los recursos y equipos adecuados.

Campana de gauss: