Académique Documents
Professionnel Documents
Culture Documents
UCR ECCI CI-1352 Investigacin de Operaciones I Prof. M.Sc. Kryscia Daviana Ramrez Benavides
Introduccin
El comportamiento de una variable aleatoria queda descrito por su distribucin de probabilidad sin importar si esta se representa de forma grfica, en forma tabular o con una frmula.
A menudo, las observaciones de diferentes experimentos estadsticos tienen el mismo tipo general de comportamiento. En consecuencia, las variables aleatorias discretas asociadas se pueden describir con la misma distribucin de probabilidad y se pueden representar mediante una sola frmula.
De hecho, se necesita slo un conjunto de distribuciones de probabilidad importantes para describir muchas de las variables aleatorias discretas que se encuentran en la prctica.
2
Es la ms simple de todas las distribuciones discretas de probabilidad. Si la variable aleatoria X toma los valores x1, x2, , xk, con probabilidades idnticas, entonces la distribucin uniforme discreta est dada por 1 f ( x; k ) = x = x1 , x2 ,..., xk k La media y la varianza de la distribucin uniforme discreta k k 2 f(x;k) son (x ) x
i =1
2 =
i =1
k
3
Un experimento a menudo consiste en pruebas repetidas, cada una con dos posibles resultados que se pueden etiquetar como xito o fracaso. Este tipo de proceso se denomina proceso de Bernoulli. Cada ensayo se llama experimento de Bernoulli.
El experimento consiste en n pruebas que se repiten. Cada prueba produce un resultado que se puede clasificar como xito o fracaso. La probabilidad de un xito, que se denota con p, permanece constante en cada prueba. Las pruebas que se repiten son independientes.
El nmero X de xitos en n experimentos de Bernoulli se denomina variable aleatoria binomial. La distribucin de probabilidad de esta variable aleatoria discreta se llama distribucin binomial, y sus valores se denotarn como b(x;n,p), pues dependen del nmero de pruebas y de la probabilidad de xito en una prueba dada.
Un experimento de Bernoulli puede tener como resultado un xito con probabilidad p y un fracaso con probabilidad q = 1 p. Entonces la distribucin de probabilidad de la variable aleatoria binomial X, el nmero de xitos en n pruebas independientes, es n x n x b( x; n, p ) = p q x = 0,1,2,..., n x La media y la varianza de la distribucin binomial b(x;n,p) son = np 2 = npq
B(r ; n, p ) = b( x; n, p )
x =0
La tabla A.1 del libro de texto brinda las sumas binomiales para n = 1, 2, , 20, y para valores seleccionados de p entre 0.1 y 0.9.
Aplicaciones:
Campos cientficos. Ingeniera industrial. Mediciones de control de calidad y esquemas de muestreo para procesos. Aplicaciones mdicas y militares.
El experimento binomial se convierte en un experimento multinomial si cada prueba tiene ms de dos resultados posibles. En general, si una prueba dada puede tener como consecuencia cualquiera de los k resultados posibles E1, E2, , Ek con probabilidades p1, p2, , pk, entonces distribucin multinomial dar la probabilidad de que E1 ocurra x1 veces; E2 ocurra x2 veces; ; y Ek ocurra Ek veces en n pruebas independientes, donde x1 + x2 + ... + xk = n
10
Claramente, p1 + p2 ++ pk = 1, pues el resultado de cada prueba debe ser uno de los k resultados posibles.
11
Si una prueba dada puede conducir a los k resultados posibles E1, E2, , Ek con probabilidades p1, p2, , pk, entonces la distribucin de probabilidad de las variables aleatorias X1, X2, , Xk, que representan el nmero de ocurrencias para E1, E2, , Ek en n pruebas independientes es n x1 x2 p1 p2 ... pkxk f ( x1 , x2 ,..., xk ; p1 , p2 ,..., pk , n ) = x , x ,..., x k 1 2 con
x
i =1
=n
p
i =1
=1
12
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. Se interesa en el clculo de probabilidades para el nmero de observaciones que caen en una categora en particular. Pero a diferencia de la binomial, que son pruebas independientes, la hipergeomtrica son pruebas dependientes.
13
Como resultado, si se aplica la binomial a tomar muestras de un lote de artculos, el muestreo se debe efectuar con reemplazo de cada artculo despus de que se observe. Por otro lado, la distribucin hipergeomtrica se basa en el muestreo que se realiza sin reemplazo. Aplicaciones:
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.
14
En general, interesa la probabilidad de seleccionar x xitos de los k artculos considerados como xito y n x fracasos de los N k artculos que se consideran fracasos cuando se selecciona una muestra aleatoria de tamao n de N artculos. Esto se conoce como experimento hipergeomtrico; es decir, uno que posee las siguientes dos propiedades:
Se selecciona sin reemplazo una muestra aleatoria de tamao n de N artculos. Los k de los N artculos se pueden clasificar como xitos y N k se clasifican como fracasos.
15
El nmero X de xitos de un experimento hipergeomtrico se denomina variable aleatoria hipergeomtrica. 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.
16
17
Hay una relacin interesante entre la distribucin hipergeomtrica y la binomial. Como se podra esperar, si n es pequeo comparado con N, la naturaleza de los N artculos cambia muy poco en cada prueba. n 0.05 N As la cantidad k/N juega el papel del parmetro binomial p. Como consecuencia, la distribucin binomial se puede ver como una versin de poblacin grande de las distribuciones hipergeomtricas.
18
La media y la varianza entonces se obtienen de las frmulas nk k k 2 = np = = npq = n 1 N N N Al comparar estas frmulas, se puede observar que la media es la misma mientras que la varianza difiere por un factor de correccin (N n)/(N 1), que es insignificante cuando n es pequea en relacin con N.
19
La distribucin hipergeomtrica se puede extender para tratar el caso donde los N artculos se pueden dividir en k celdas A1, A2, , Ak con a1 elementos en la primera celda, a2 elementos en la segunda celda, , y ak elementos en la k-sima celda. Se interesa ahora en la probabilidad de que una muestra aleatoria de tamao n d x1 elementos de A1, x2 elementos de A2,, y xk elementos de Ak. Esta probabilidad se representa por f ( x1 , x2 ,..., xk ; a1 , a2 ,..., ak , N , n )
20
Si N artculos se pueden dividir en las k celdas A1, A2, , Ak con a1, a2, , ak elementos, respectivamente, entonces la distribucin de probabilidad de las variables aleatorias X1, X2, , Xk, que representan el nmero de elementos que se seleccionan de A1, A2, , Ak en una muestra aleatoria de tamao n, es a1 a2 ak ... x x x f ( x1 , x2 ,..., xk ; a1 , a2 ,..., ak , N , n ) = 1 2 k N n con k k
x
i =1
=n
a
i =1
=N
21
Se considera un experimento donde las propiedades son las mismas que las que se indican para un experimento binomial, con la excepcin de que las pruebas se repetirn hasta que ocurra un nmero fijo de xitos. Por lo tanto, en lugar de encontrar la probabilidad de x xitos en n pruebas, donde n es fija, interesa la probabilidad de que ocurra el k-simo xito en la x-sima prueba. Los experimentos de este tipo se llaman experimentos binomiales negativos.
22
El nmero X de pruebas que produce k en un experimento binomial negativo se llama variable aleatoria binomial negativa y su distribucin de probabilidad se llama distribucin binomial negativa. Como sus probabilidades dependen del nmero de xitos que se desean y la probabilidad de un xito en una prueba dada, se denotar con b*(x;k,p).
23
Si pruebas independientes repetidas pueden tener como resultado un xito con probabilidad p y un fracaso con probabilidad q = 1 p, entonces la distribucin de probabilidad de la variable aleatoria X, el nmero de la prueba en la que ocurre el k-simo xito, es x 1 k x k b * (x; k , p ) = x = k , k + 1, k + 2,... k 1 p q La media y la varianza de la distribucin binomial negativa b*(x;k,p) son k kq = 2 = 2 p p
24
En teora de probabilidad y estadstica, la distribucin geomtrica es cualquiera de las dos distribuciones de probabilidad discretas siguientes:
La distribucin de probabilidad del nmero X del experimento de Bernoulli necesaria para obtener un xito, cuando x = 1, 2, 3, ... La distribucin de probabilidad del nmero Y = X 1 de fallos antes del primer xito, cuando x = 0, 1, 2, 3, ...
25
Si se considera el caso especial de la distribucin binomial negativa donde k = 1, se tiene una distribucin de probabilidad para el nmero de pruebas que se requieren para un solo xito. La distribucin binomial negativa se reduce a la forma b * (x;1, p ) = pq x 1 x = 1,2,3,... Como los trminos sucesivos constituyen una progresin geomtrica, se acostumbra referirse a este caso especial como la distribucin geomtrica y denotar sus valores con g(x;p).
26
Si pruebas independientes repetidas pueden tener como resultado un xito con probabilidad p y un fracaso con probabilidad q = 1 p, entonces la distribucin de probabilidad de la variable aleatoria X, el nmero de la prueba en el que ocurre el primer xito, es g ( x; p ) = pq x 1 x = 1,2,3,... La media y la varianza de una variable aleatoria que sigue distribucin geomtrica son 1 q 2 = = 2 p p
27
Aplicaciones:
Binomial negativa:
Similares a la naturaleza. Los intentos son costosos en algn sentido y ocurren en sucesin; para ver si hay un alta probabilidad de requerir un nmero grande de intentos para experimentar un nmero fijo de xitos, ya que no es benfico para el cientfico o ingeniero. 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 o proceso.
Geomtrica:
28
Los experimentos que dan valores numricos de una variable aleatoria X, el nmero de resultados que ocurren durante un intervalo dado o en una regin especfica, se llaman experimentos de Poisson. El intervalo dado puede ser de cualquier longitud, como un minuto, un da, una semana, un mes o incluso un ao. La regin especfica podra ser un segmento de lnea, un rea o quiz una pieza de material.
29
Un experimento de Poisson se deriva del proceso de Poisson y posee las siguientes propiedades:
El nmero de resultados que ocurren en un intervalo o regin especfica es independiente del nmero que ocurre en cualquier otro intervalo o regin del espacio disjunto. No tiene memoria. La probabilidad de que ocurra un solo resultado durante un intervalo muy corto o en una regin pequea es proporcional a la longitud del intervalo o al tamao de la regin, y no depende del nmero de resultados que ocurren fuera de este intervalo o regin. La probabilidad de que ocurra ms de un resultado en tal intervalo corto o que caiga en tal regin pequea es insignificante.
30
El nmero X de resultados que ocurren durante un experimento de Poisson se llama variable aleatoria de Poisson y su distribucin de probabilidad se llama distribucin de Poisson. El nmero medio de resultados se calcula de = t, donde t es el tiempo o regin especfico de inters. Como sus probabilidades dependen de , la tasa de ocurrencia de los resultados, se denota con p(x;t).
31
La distribucin de probabilidad de la variable aleatoria de Poisson X, que representa el nmero de resultados que ocurren en un intervalo dado o regin especfica que se denota con t, es x e t (t ) p( x; t ) = x = 0,1,2,... x! Donde es el nmero promedio de resultados por unidad de tiempo o regin y e = 2.71828 La media y la varianza de la distribucin de Poisson p(x;t) tienen el valor t.
32
P(r ; t ) = p(x; t )
x =0
La tabla A.2 del libro de texto brinda la suma de probabilidad de Poisson para algunos valores selectos de t que van de 0.1 a 18.
33
Aplicaciones:
Control de calidad. Seguro de calidad. Muestreo de aceptacin. Ciertas distribuciones continuas importantes que se usan en la teora de confiabilidad y teora de colas depende del proceso de Poisson.
34
Aunque el proceso 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.
35
La independencia entre las pruebas de Bernoulli en el caso binomial es consistente con la propiedad 2 del proceso de Poisson. Si se hace al parmetro p cercano a cero se relaciona con la propiedad 3 del proceso de Poisson.
Si p es cercana a 1, an se puede utilizar la distribucin de Poisson para aproximar probabilidades binomiales mediante el intercambio de lo que definimos como xito o fracaso, se cambian los valores de p y q.
36
Sea X una variable aleatoria binomial con distribucin de probabilidad b(x;n,p). Cuando n , p 0, y = np permanece constante, b(x;n,p) p(x;).
e x b(x; n, p ) x!
x = 0,1,2,...
37
Referencias Bibliogrficas
Walpole, R.E.; Myers, R.H.; Myers, S.L. & Ye, K. Probabilidad y estadstica para ingeniera y ciencias. Octava Edicin. Pearson Prentice-Hall. Mxico, 2007.
38