Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Distribuciones de Probabilidad Con Ejemplos
Distribuciones de Probabilidad Con Ejemplos
Distribucin Bernoulli.
En teora de probabilidad y estadstica, la distribucin de Bernoulli (o
distribucin dicotmica), nombrada as por el matemtico y cientfico
suizo Jakob Bernoulli, es una distribucin de probabilidad discreta, que toma
valor 1 para la probabilidad de xito ( ) y valor 0 para la probabilidad de fracaso
(
).
Si
es una variable aleatoria que mide "nmero de xitos", y se realiza un
nico experimento con dos posibles resultados (xito o fracaso), se dice
que la variable aleatoria
se distribuye como una Bernoulli de parmetro .
La frmula ser:
Su funcin de probabilidad viene definida por:
Ejemplos:
1. Cuando se lanza un dado hay una probabilidad de 1/6 de que salga 6 x=1 si el
dado cae seis y X =0 en cualquier otro caso (cual es la distribucin de X?
Solucin:
La probabilidad de xito es P(X=1) 0 1/6 por lo que X Bernoulli (6)
Solucin.
1.
2.
3.
4.
0.05
0.20
0.23
Si
4. Cuando se lanza al aire una moneda hay una probabilidad de 0.5 de que caiga
en cara. Sea X=1 si la moneda cae en cara y X =0 si cae en Cruz. Cul es
la distribucin X?
Solucin:
Puesto que X=1 cuando cae cara. Esta es resultado de xito. La probabilidad de xito
p(X=1). Es igual a 0.5. Por tanto X Bernoulli (0.5)
X=1
Distribucin Binomial
La distribucin binomial es una distribucin de probabilidad discreta que
mide el nmero de xitos en una secuencia de n ensayos de Bernoulli
independientes entre s, con una probabilidad fija p de ocurrencia del xito
entre los ensayos.
Un experimento de Bernoulli se caracteriza por ser dicotmico, esto es, slo son
posibles dos resultados. A uno de estos se denomina xito y tiene una
probabilidad de ocurrencia p y al otro, fracaso, con una probabilidad q = 1 - p.
En la distribucin binomial el anterior experimento se repite n veces, de forma
independiente, y se trata de calcular la probabilidad de un determinado nmero
de xitos. Para n = 1, la binomial se convierte, de hecho, en una distribucin de
Bernoulli.
Caractersticas analticas
Su funcin de probabilidad es
Donde
Siendo
de en )
las combinaciones de
en ( elementos tomados
Ejemplo
Supongamos que se lanza un dado 50 veces y queremos la probabilidad de que
el nmero 3 salga 20 veces. En este caso tenemos una X ~ B(50, 1/6) y la
probabilidad sera P(X=20):
Ejemplos:
X
0
1
2
3
4
5
6
7
8
X
0
1
2
3
4
5
X
0
1
2
3
4
Distribucin de Poisson
La funcin de masa de la distribucin de Poisson es
Donde:
Ejemplos:
1. si X
Poisson (3), calcule P(X=2), P(X=10), P(X=0), P(X=-1) y
P(X=0.5)
SOLUCION:
Cuando se usa la funision de masa de probailiodad (4.9), con
P=(X=2)= 0.2240
P=(X=10)=0.0008
P=(X=0)= 0.0498
P=(X=1)= O
P(X=O.5)=O
=3, se obtiene:
2. Si X
SOLUCION:
P(X< 2)= 0.2381
P(X>1)= 0.9084
3. Sea X
1.
2.
3.
4.
Poisson(4). Determine:
P(X=1)
P(X=0)
P(X<2)
P(X>1)
SOLUCION-.
1.
2.
3.
4.
0.0733
0.0183
000916
0.9084
para Y
Distribucin normal
La distribucin normal es, sin duda, la distribucin de probabilidad ms
importante del Clculo de probabilidades y de la Estadstica. Fue descubierta
por De Moivre (1773), como aproximacin de la distribucin binomial. De todas
formas, la importancia de la distribucin normal queda totalmente consolidada
por ser la distribucin lmite de numerosas variables aleatorias, discretas y
continuas, como se demuestra a travs de los teoremas centrales del lmite. Las
consecuencias de estos teoremas implican la casi universal presencia de la
distribucin normal en todos los campos de las ciencias empricas: biologa,
medicina, psicologa, fsica, economa, etc. En particular, muchas medidas de
datos continuos en medicina y en biologa (talla, presin arterial, etc.) se
aproximan a la distribucin normal.
Junto a lo anterior, no es menos importante el inters que supone la simplicidad
de sus caractersticas y de que de ella derivan, entre otras, tres distribuciones
(Ji-cuadrado, t y F) que se mencionarn ms adelante, de importancia clave en
el campo de la contrastacin de hiptesis estadsticas.
La distribucin normal queda totalmente definida mediante dos parmetros: la
media (Mu) y la desviacin estndar (Sigma).
Campo de variacin:
- < x <
Parmetros:
Mu: media de la distribucin, - < Mu <
Sigma: desviacin estndar de la distribucin, Sigma > 0
1. Ejercicio
Se supone que el nivel de colesterol de los enfermos de un hospital sigue una
distribucin normal con una media de 179,1 mg/dL y una desviacin estndar
de 28,2 mg/dL.
1. Calcule el porcentaje de enfermos con un nivel de colesterol inferior a 169
mg/dL.
2. Cul ser el valor del nivel de colesterol a partir del cual se encuentra el
10% de los enfermos del hospital con los niveles ms altos?
3. Represente la funcin de densidad.
En este caso, se tendr que ejecutar Epidat 3.1 dos veces: en el primer caso
para calcular una probabilidad, en el segundo caso el dato de entrada es
una probabilidad, concretamente la cola de la derecha, lo que permitir
obtener el punto. En ambas ejecuciones se ofrece, de manera opcional, la
funcin de densidad del nivel de colesterol.
solucion
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= n
lambda (escala) y p=n (forma). Se denota Gamma.
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
Ejercicio 1
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).
Solucin:
Clculo de probabilidades. Distribuciones continuas Gamma.
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
Varianza
Moda
0,3333
0,0556
0,1667
Solucin:
Clculo de probabilidades. Distribuciones continuas Gamma
a : Escala
p : Forma
Cola Izquierda Pr[X<=k]
Cola Derecha Pr[X>=k]
Punto X
Media
Varianza
Moda
0,8100
7,8100
0,9000
0,1000
14,2429
9,6420
11,9037
8,4074
Ejemplo 4
Tambin en el mbito de la siniestralidad viaria, en un estudio de la ciudad de
Medelln, Colombia, se usa la distribucin Gamma para obtener la distribucin
de probabilidad de la variable aleatoria edad de fallecimiento en accidentes de
trfico. En este caso explican que se asignaron los parmetros y a ojo. El
mejor resultado es el que parece minimizar los errores cuadrticos medios
despus de varias asignaciones. Finalmente obtienen =2,94 y =13,94.
Ejemplo5
En un estudio de la guardia urbana de Barcelona se toma una distribucin
gamma para modelizar el nmero de vctimas en accidentes de trfico. Como es
ms habitual la proporcin de 1 ocupante por vehculo siniestrado, y es ms rara
la probabilidad de 4 5 ocupantes por vehculo siniestrado, se crea una
distribucin gamma para modelizar el nmero de vctimas por accidente de
trfico. El 38% de la distribucin lo acumula la proporcin 1 accidentado por
accidente, el 36% 2:1, 16% la 3:1, 6% el 4:1 y finalmente un 3% para 5:1. La
media del modelo es 1,5 vctimas por accidente, pero no indican el valor de los
parmetros y tomados en cuenta.
Distribucin T student.
Es una distribucin de probabilidad que surge del problema de estimar la
media de una poblacin normalmente distribuida cuando el tamao de la
muestra es pequeo.
Aparece de manera natural al realizar la prueba t de Student para la
determinacin de las diferencias entre dos medias mustrales y para la
construccin del intervalo de confianza para la diferencia entre las medias de
dos poblaciones cuando se desconoce la desviacin tpica de una poblacin y
sta debe ser estimada a partir de los datos de una muestra.
La distribucin t de Student es la distribucin de probabilidad del cociente
Donde
Z tiene una distribucin normal de media nula y varianza 1
V tiene una distribucin ji-cuadrado con grados de libertad
Z y V son independientes
1. EJEMPLO:
Cual es la probabilidad de que una variable t de Student de 6 grados de libertad
deja a la izquierda de -1,45:
En la tabla encontramos:
Por tanto:
2. EJEMPLO:
Cual es la probabilidad acumulada a la derecha de 2,45, en una variable t de
Student de 15 grados de libertad.
Segn lo anterior:
3. EJEMPLO:
Cual es la probabilidad:
Segn lo anterior:
4. EJEMPLO:
Cual es la probabilidad acumulada de una variable t de Student de 25 grados
de libertad, se encuentre entre: 0,75 y 1,25.
Sustituyendo tenemos:
Realizando la operacin:
5. EJEMPLO:
Calcular la probabilidad acumulada a la izquierda de 0,87 de una variable t
Student de 10 grados de libertad:
Segn la expresin:
Operando:
Esto es: