Académique Documents
Professionnel Documents
Culture Documents
DISTRIBUCIONES DE PROBABILIDAD
DE VARIABLES ALEATORIAS DISCRETAS
TEMA
7.1.Introduccin
7.2.Distribucin uniforme
7.3.Distribucin bernoulli
7.4.Distribucin binomial
7.4.1. Generalidades.
7.4.2. Propiedades caractersticas de la distribucin binomial
7.4.3. Funciones de probabilidad de la vab
7.4.4. Aplicaciones de la distribucin binomial
7.5.Distribucin de poisson
7.5.1. Generalidades
7.5.2. Propiedades caractersticas de la distribucin binomial
7.5.3. Funciones de probabilidad de la vap
7.5.4. Aplicaciones de la distribucin poisson
7.5.5. La distribucin de poisson como una aproximacin a la binomial
7.1. INTRODUCCIN
Se ha visto que las variables aleatorias se relacionan con los experimentos aleatorios, y que en
todos los casos se trata de variables numricas. En este captulo se desarrollarn modelos
probabilsticos o modelos estocsticos, que describen el comportamiento de variables aleatorias
discretas y en el prximo se introducirn modelos para el caso continuo. En ambos casos se trata de un
tipo de modelo formal que puede expresarse mediante una frmula, y que es muy utilizado en el mbito
de las ciencias aplicadas para explicar el comportamiento de los fenmenos aleatorios.
Un modelo probabilstico para el caso discreto, expresa la relacin entre los valores de una
variable aleatoria discreta y la probabilidad asociada a posibles valores de la misma. en cuyo caso tal
regla de correspondencia se denomina funcin de probabilidad. La informacin correspondiente se
suele organizar como una distribucin de probabilidad, la cual se refiere a la distribucin de las
probabilidades asociadas a cada uno de los valores de la variable aleatoria. Las distribuciones
probabilsticas se pueden representar a travs de una tabla o de una representacin grfica.
Entre los modelos de distribuciones de probabilidad de variables discretas se tiene a los siguientes:
En este curso se utilizarn los modelos uniforme y de Bernoulli para introducir algunos conceptos
bsicos, pero el inters se centrar en los modelos binomial y de Poisson.
Jakob Bernoulli o Jacob Bernoulli (1654 - 1705), fue un matemtico y cientfico suizo cuya obra maestra fue Ars
Conjectandi (el Arte de la conjetura), un trabajo pionero en la teora de la probabilidad. Los trminos ensayo de Bernoulli y
nmeros de Bernoulli son resultado de su trabajo, publicado siete aos despus de su muerte.
Modelo descubierto por Simon-Denis Poisson (1781- 1840), un fsico y matemtico francs que se interes en el clculo de
las integrales y en la distribucin de las cargas elctricas sobre la superficie de los conductores. En 1837 public Recherches
sur la probabilit des jugements en matires criminelles et matire civile (Investigacin sobre la probabilidad de los juicios en
materias criminales y civiles), donde describi la probabilidad de acontecimientos fortuito ocurridos en un tiempo o intervalo de
espacio, cuando la probabilidad de ocurrencia es muy pequea, pero el nmero de intentos es muy grande.
121
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCUYO / Ciclo 2014
1
= , , , #
= = = ;
=
0 !"
Se puede decir entonces que la distribucin uniforme se caracteriza porque todos los valores de
un sistema finito de valores posibles son igualmente probables.
Propiedades
Parmetros del modelo
Esperanza matemtica
o media
k
$%&' = ( =
-%&' = ., =
Varianza
)++
,
), +
+,
. = 0-%&'
Desviacin estndar
Ejemplo 7.1: la variable aleatoria X asociada al experimento de tirar un dado sigue una distribucin
uniforme discreta, cuya media es 3,5 y varianza 5,8.
p(x)
1/6
122
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCUYO / Ciclo 2014
Propiedades
Parmetros del modelo
$%&' = ( = 7
Esperanza matemtica
o media
-%&' = ., = 7+ 7
Varianza
. = 0-%&'
Desviacin estndar
Ejemplo 7.2. la variable aleatoria X asociada al experimento de tirar una moneda una vez sigue una
distribucin Bernoulli, si cara es el evento xito y sello el evento fracaso, la probabilidad de xito es
6 = 0,5 y la probabilidad de fracaso es 1 6 = 0,5. La media es 0,5 y la varianza 0,25.
p(x)
0,5
b (x; 0,5)
La expresin &~93; :, ; se lee: variable aleatoria X cuyos valores por siguen una distribucin
de probabilidades Bernoulli con parmetro = 0,5.
En forma anloga, el experimento de lanzar un dado legal y considerar como evento xito la
salida del 6, se asocia con una variable dicotmica, esto es S = {6, no 6}. La variable aleatoria X se
referir a la ocurrencia del 6, que se etiquetar con 1 (xito) en tanto que 0 representar que salga
cualquier puntaje que no sea 6 (fracaso). La probabilidad clsica indica que = 1 / 6, de este modo
P(6) = P(X = 1) = p (1) = 1 / 6 0,17
P(no 6) = P(X = 0) = p (0) = 1- p (0) 0,83
2.
Cada prueba puede tener uno de dos resultados. Es decir los resultados son dicotmicos
Debido a la falta de una mejor nomenclatura, llamaremos convencionalmente a un resultado
xito (E) y al otro fracaso (F).
3. La probabilidad del evento xito en una sola prueba es igual a , y permanece constante de
una prueba a otra. La probabilidad del evento fracaso es (1-).
4. Las pruebas son independientes.
5. Interesa conocer x, que es el nmero de xitos observados en c pruebas.
Ejemplo 7.3: De un proceso de produccin que supondremos arroja un 25% de artculos defectuosos,
se seleccionan tres artculos al azar que se inspeccionan y se clasifican como defectuosos no
defectuosos. En el contexto de la inspeccin de calidad de los procesos productivos se suele designar
como xito al resultado: artculo defectuoso. El nmero de xitos es una variable aleatoria X que toma
valores enteros de 0 a 3. Es ste un experimento binomial?
1. El experimento consiste en c=3 ensayos o pruebas de Bernoulli que se repiten.
2. Cada ensayo es independiente de los otros (que un artculo sea defectuoso o no defectuoso
no influye en el resultado que arroja otro artculo).
3. Cada ensayo arroja un resultado que se puede clasificar como xito o fracaso. (cada artculo
podr ser defectuoso o no defectuoso).
4. La probabilidad de xito permanecer constante en cada prueba. (siempre que se seleccione
un artculo, ste tendr una probabilidad de 0,25 de ser defectuoso).
5. La variable aleatoria X representa el nmero de
experimento. (Rx = {0, 1, 2, 3}).
Por lo tanto, despus del anlisis de los tems anteriores, se concluye que se trata de un
experimento binomial. Los ocho resultados posibles del experimento anterior (2x2x2) y los valores de la
variable aleatoria X se reflejan en la siguiente tabla:
Resultado
Ningn defectuoso
Uno defectuoso
Dos defectuosos
Tres defectuosos
DDD
DNN
NDN
NND
DDN
DND
NDD
DDD
xi
0
1
1
1
2
2
2
3
3 1 3 9
P ( N D N ) = P ( N ).P (D ).P ( N ) = =
4 4 4 64
Pero el resultado una sola de las tres unidades es defectuosa se corresponde con tres puntos del
espacio muestral.
2) Se debe determinar ahora el nmero total de puntos muestrales en el experimento que tiene x
xitos y (c-x) fracasos. Este nmero es igual al nmero combinatorio >3< ? dado por la regla de
conteo para el caso sin reposicin y sin orden, que en este contexto recibe el nombre de
coeficiente binomial.
Ilustracin: de esta manera las probabilidades asociadas a los valores posibles de la variable
aleatoria Por, de inters resultan ser
P(X=x)=p(x)
xi
27
64
9
64
9
64
1
64
donde se observa que la probabilidad de dos artculos defectuosos calculada aplicando la funcin
de probabilidad es igual a
1
9
= 2 = 2 = 5 A = 2; = 3, 6 = D =
4
64
Sea X una variable aleatoria discreta que representa el nmero de xito en c ensayos y la
probabilidad de xito con cualquiera de stos.
1) Se dice que X tiene una distribucin binomial con funcin de probabilidad:
5; , 6 = GHI 6 H 1 6I=H = J K 6 H 1 6I=H = 0,1,2, , 0 6 1
I!
6 H 1
I=H!H!
M
6I=H ; 0 6 1 #
c!
(c x)! x!
2) La probabilidad de que una variable aleatoria X sea menor o igual a un valor especfico de x,
se determina por la funcin de la distribucin acumulada
= P = P; , 6 = Q A D 6 1 6 ; = 1,2, + 1
R
donde
HS TH
<, 7
$%&' = ( = <7
-%&' = ., = <7+ 7
. = 0-%&'
125
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCUYO / Ciclo 2014
(a)
(b)
(c)
Grfico 7.4.. Distribuciones de probabilidad binomial para (a) c=10,
c=20, =0,50
Notar: que la distribucin binomial resulta simtrica cuando =1/2; mientras que si 1- resulta
asimtrica positiva.
Grfico 7.5.
7. . Funcin de distribucin acumulada de una VAB
p( x) = C x4 (0,2) x (0,8) 4 x
p(2) =
4!
(0,04)(0,64) = 0,15
2!2!
4!
(0,2) 4 (1) = 0,0016
4!0!
Ejemplo 7.5: Se inspeccionan los grandes lotes de productos que llegan a una planta manufacturera a
fin de encontrar artculos defectuosos, mediante un plan de muestreo. Se selecciona una muestra
aleatoria de n artculos de cada uno de los lotes y se inspeccionar la muestra, anotando el nmero x de
defectuosos. Si X es menor que o igual a algn nmero de aceptacin a especificado, se aceptar el
lote. Si X es mayor que a, se rechazar el citado lote. Supngase que un fabricante utiliza un plan de
muestreo con c = 10 y a = 1. Si el lote contiene exactamente 5% de artculos defectuosos, cul es la
probabilidad de que el lote sea aceptado? Cul es la probabilidad de que sea rechazado?
Bajo la suposicin de que el lote contiene 5% de defectuosos, la probabilidad de que un artculo,
extrado de l sea defectuoso, es =0,05. Entonces la probabilidad de observar x defectuosos en una
muestra de c=10 artculos es:
x
10 x
p ( x ) = C 10
x ( 0,05) ( 0,95)
Se ha especificado que el lote ser aceptado, cuando x sea menor o igual que al nmero de aceptacin
a=1. Por lo tanto, la probabilidad de aceptacin de un lote con estas caractersticas es:
P(aceptar ) = p(0) + p(1) = C 010 (0,05) 0 (0,95)10 + C110 (0,05)1 (0,95) 9 = 0,914
P(rechazar ) = 1 P(aceptar ) = 1 0,914 = 0,086
Ejemplo 7.6: Una representacin grfica de la probabilidad de aceptacin del lote, contra la fraccin de
defectuosos , se llama curva caracterstica de operacin de un plan de muestreo para aceptacin
de lotes. Calcular la probabilidad de aceptacin de lotes en el caso de un plan de muestreo con un
tamao muestral c=5 y un nmero de aceptacin a=0 para las fracciones de defectuosos del lote
considerando =0,1; 0,3 y 0,5.
5
P(aceptar ) = p(0) = p 0 q 5 = q 5
0
p
Grfico 7.6. Curva caracterstica de operacin para c=5 y a=0
.
127
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCUYO / Ciclo 2014
5
x
x =0
Para entrar en la tabla, primero hay que localizar a c=5. Luego, ya que los valores tabulares dan
a
de =0,3 se encuentra el valor tabulado buscado: 0,9692, que corresponde a la suma de las
probabilidades binomiales desde x=0 hasta a=3 (para c=5 y =0,3), esto es
3
F(3) =
p( x) = 0,9692.
x =0
Tabla 7.1. Fragmento de una tabla de valores de la funcin de distribucin acumulada binomial
x
c
0.01 0.05 0.10 0.20
0.30 0.40 0.50 0.60 0.70 0.80 0.90 0.95 0.99 c
5 0
0
1
1
2
0,8369
---2
3
0,9692
--3
4
4
La tabla puede utilizarse tambin para encontrar una probabilidad binomial especfica, por ejemplo p(3)
para c=5, =0,6. En este caso se procede segn
x =0
x =0
= p( x) p( x)
= 0,9692 0,8369
= 0,1323
Por lo tanto, un valor individual de p(x) es igual a la diferencia entre dos sumas que son entradas
adyacentes, dadas en una columna de la tabla.
Ejemplo 7.7. Obtener la media y la desviacin tpica para la distribucin de probabilidad binomial
relacionada con un experimento donde c=10 y =0,1 y calcular la probabilidad de que X caiga en el
intervalo ( 2 ) .
La media y la desviacin tpica para la distribucin de probabilidad de la VAB resultan
= c = (10)(0,1) = 1
= c (1 ) =
(10)(0,1)(0,9) = 0,95
Todos los problemas sobre VAB estudiados hasta aqu se han referidos a la variable X, que
representa el nmero de xitos en experimentos con c pruebas de Bernouilli. Muchas veces interesa
trabajar con la proporcin de xitos en c pruebas de Bernouilli. La proporcin en un experimento
binomial se corresponde con una VAB expresada como X/c.
La nueva variable aleatoria X / c se distribuye de una forma similar a la VAB X. En otras palabras,
128
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCUYO / Ciclo 2014
Esperanza matemtica
o media
-%&' = ., =
Varianza
7+ 7
U
. = 0-%&'
Desviacin estndar
Ejemplo 7.9. Sea la probabilidad de xito es 0,10 y el nmero de observaciones es 100. Encontrar la
media y la desviacin estndar de la distribucin probabilstica, tanto para el nmero de xitos X, como
para la proporcin de xitos (X/c).
Variable
X: Nmero de xitos
Media
6 = 1000,10 = 10
6 = 0,10
Desviacin tpica
061 6 = 01000,100,90 = 3
0,100,90
61 6
V
=V
= 0,03
100
Muestra
Grfico 7.7. Parte de un rollo de papel y rea base para contar la ocurrencia de fallas.
129
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCUYO / Ciclo 2014
130
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCUYO / Ciclo 2014
e x
: es un parmetro positivo que representa una tasa media de veces que puede
esperarse la ocurrencia de un fenmeno en el intervalo considerado
e: es la base de los logaritmos naturales (e = 2,71828 ...)
2) La probabilidad de que una variable aleatoria X sea menor o igual a un valor especfico de x,
se determina por la funcin de la distribucin acumulada
e xi
; para xi.= 0,1, 2, 3, .
P ( X x ) = F ( x; ) =
xi !
xi x
(7.4)
donde
F(x): da la probabilidad de la ocurrencia de x veces o menos del evento xito.
Propiedades
Parmetros del modelo
Esperanza matemtica
o media
Varianza
Desviacin estndar
$%&' = ( = W
-%&' = ., = W
. = 0-%&'
El nico parmetro necesario para caracterizar una poblacin descrita por la distribucin de
Poisson es la tasa media de ocurrencia de los sucesos, simbolizada con la letra griega lambda ().
Puede definirse lambda como la tasa media de ocurrencia por unidad de temporal o espacial
considerada.
As, si =1,0 se refiere a la llegada de los clientes la un banco, la ley de probabilidad de Poisson
est indicando que a largo plazo se produce a razn de 1,0 clientes por minuto, con una varianza de
llegadas tambin igual a 1,0.
Debe notarse que an cuando se considera que la VAP toma un nmero infinito de valores, tal
131
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCUYO / Ciclo 2014
Ejemplo 7.11 Un zologo sabe por experiencia que en ciertas condiciones, la tasa media de insectos
xilfagos que puede encontrarse en rboles que presentan una incipiente podredumbre es de =600. Se
supone que los insectos van colonizando el fuste del forestal en forma constante a razn de 1 insecto
por unidad de volumen de madera. Se desea determinar la probabilidad de encontrar:
a) exactamente dos insectos en una unidad de volumen seleccionada al azar.
Siendo = 1 y x = 2, luego
P( 2 in sec tos ) = p( 2) =
e 1 (1) 2
1
1
=
=
= 0,1839
2!
2e 2 x 2,71828
(2)
N de
clientes
R
0
8
19
23
17
15
8
3
3
2
1
100
(3)
Frec.
Relativas
YR
0.00
0.08
0.19
0.23
0.17
0.15
0.08
0.03
0.03
0.02
0.01
1.00
(4)
R YR
(5)
R
(6)
R YR
0.00
0.08
0.38
0.69
0.68
0.75
0.48
0.21
0.24
0.18
0.10
3.79
0
1
4
9
16
25
36
49
64
81
100
385
0.00
0.08
0.76
2.07
2.72
3.75
2.88
1.47
1.92
1.62
1.00
18.27
132
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCUYO / Ciclo 2014
(1)
Cantidad de
llegadas
R
(2)
N de clientes
observados
R
(3)
R
(4)
N de clientes
esperados
aR
La columna ltima de esta tabla contiene las frecuencias tericas aR ,, calculadas utilizando el
modelo Poisson. Esta serie de frecuencias debe
debe compararse con las correspondientes frecuencias
observadas de la segunda columna R . Cuanto
o mayor sea la similitud significa que se tiene ms
informacin emprica a favor de la suposicin planteada inicialmente y, contrariamente, si se observan
discrepancias
epancias notables se comenzar a sospechar que habr que describir el comportamiento de la
variable observada utilizando otro modelo para acercarse al conocimiento de la verdadera distribucin
de la poblacin de donde se extrajo la muestra.
Ms
s adelante se presentar
presentarn herramientas,, proporcionadas por la Estadstica Inferencial,
Inferencial que
permitirn dilucidar este problema y alcanzar una conclusin en trminos probabilsticos acerca de la
distribucin poblacional.
La tabla proporciona sumas de probabilidades, al igual que la ttabla binomial acumulativa, para x
o menos ocurrencias P(X
P(X x),, dada la media del proceso ()3. Adems si bien da valores de
probabilidad para una funcin de distribucin acumulada, tambin puede utilizarse con criterios similares
a los vistos en el caso Poisson
oisson para encontrar una probabilidad Poisson especfica, P(X=x) = p(x).
133
Ctedra de Clculo
culo Estadstico y Biometra Facultad de Cien
iencias Agrarias UNCUYO / Ciclo 2014
0.8
1.2
1.5
2.0
2.6
3.8
5.6
6.0
Clculos
Se lee directamente
Se lee P(x 2)
Se lee directamente
1 P( x 3)
P ( x 4) P ( x 1)
P ( x 4) P ( x = 0 )
P ( x 4) P ( x 1)
1 P ( x 4)
Probabilidad
0.809
0.879
0.223
0.143
0.610
0.646
0.338
0.715
Ejemplo 7.8: Obtenga la probabilidad de encontrar cuatro artculos defectuosos de una muestra de 300
tomada de un enorme lote, en el que se dice que hay un 2% de artculos defectuosos.
Como los valores c=300 y = 0,02 estn ms all de la variedad de valores presentados en la
tabla binomial, las alternativas seran buscar una tabla ms extensa, y recurrir a la frmula binomial
300
(0,02)4 (0,98)296
P( x = 4) =
4
(lo que representara una tarea muy difcil), o bien, utilizar la aproximacin de Poisson, con = x . De
esta manera
X = 6 = 3000,02 = 6
P( x = 4) =
x e
x!
6 4 e 6
= 0,135
4!
El mismo resultado se puede obtener utilizando una tabla de Poisson: cuando X = 6, a partir de la tabla
P(x = 4) es 0,135.
En la tabla 7.6 se hace una comparacin entre algunas de las caractersticas fundamentales de
las distribuciones de Poisson y binomial.
Tabla 7.6. Comparacin entre las distribuciones binomial y Poisson
Resultados posibles
Observaciones
Parmetros
Binomial
Poisson
Enteros de 0 a n
Enteros de 0 a +
Conteo de xitos o de
fracasos
6
134
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCUYO / Ciclo 2014