PROBABILIDAD Y

ESTADSTICA
DISTRIBUCIONES Y DENSIDADES
DE PROBABILIDAD

DISCRETA

1) Distribucin y densidad Binomial

Usando el lenguaje de los juegos de azar, podemos decir que en cada
uno de estos ejemplos queremos conocer la probabilidad de obtener
x xitos en los N ensayos realizados, o en otras palabras, x xitos
y N x fracasos en N intentos posibles.
Se consideran las siguientes suposiciones:
1.
2.
3.
4.

Existen solamente 2 posibles resultados de cada ensayo

La posibilidad de un xito es la misma en cada ensayo
Hay N ensayos, donde n es una constante.
Los N ensayos son independientes

TEDDY NEGRETE PEA

Distribucin y densidad Binomial

x
xitos

N-x

N
ensayos

fracasos
TEDDY NEGRETE PEA

2) Distribucin y densidad Poisson

Cuando tenemos una Distribucin y densidad Binomial con los
parmetros N relativamente grande y p relativamente pequea, las
probabilidades de estos experimentos se aproximan con la relacin
de Poisson, donde

= N*p

x es el nmero de ensayos con xito.

N es un nmero muy grande
p es la probabilidad muy pequea, que ocurra un ensayo con xito

TEDDY NEGRETE PEA

Distribucin y densidad Poisson

n es muy
grande

p es muy
pequea
TEDDY NEGRETE PEA

3) Distribucin y densidad Hper-geomtrica

Si K es un subconjunto de M, que tienen cierta caracterstica, por
ejemplo equivalente a decir un subconjunto de xitos.
En el problema del muestreo sin reemplazo, los x xitos pueden
escogerse slo del conjunto K, entonces pueden escogerse de KCx
formas. Si N objetos pueden escogerse del conjunto de M objetos,
entonces pueden se elegidos de MCN formas, y si consideramos todas
igualmente probables de estas posibilidades se reduce que para el
muestreo sin reemplazo la probabilidad de obtener:
x xitos en N ensayos es la probabilidad conocida como Hpergeomtrica.
TEDDY NEGRETE PEA

Distribucin y densidad Hper-geomtrica

K - xitos de los M ensayos

x - xitos en n ensayos
M - ensayos
N - ensayos de M (N> x)

TEDDY NEGRETE PEA

4) Distribucin y densidad Multinomial

Cuando un producto manufacturado se clasifica como de calidad
superior, promedio o mala; o cuando el aprovechamiento de un
estudiante se evala asignndole calificaciones 10, 20, 30, 40, 50; o
cuando un experimento; o cuando se evala a un experimento como
exitoso, desafortunado, o inconveniente.
Para abordar estos problemas consideramos:
n ensayos independientes, donde cada uno de los ensayos admite.
rk resultados mutuamente excluyentes cuyas probabilidades respectivas
son p1, p2, pk, donde su sumatoria de estas probabilidades debe ser 1.
Antes slo haban 2 resultados (bi-nomial), ahora hay k>2 resultados (multinomial)
x vector de xitos, se determinarn xi xitos para cada resultado rk.
p vector de probabilidad de un xito para cada resultado r1, r2, rk, hay
pi probabilidades para cada xi
TEDDY NEGRETE PEA

Distribucin y densidad Multinomial

Los resultados:
n - ensayos

resultado 1
resultado 2

resultado k

resultado 1

resultado 2

Todos son MUTUAMENTE

EXCLUYENTES
resultado k

r1 + r2 + + rk = n
p1 + p2 + + p3 = 1
TEDDY NEGRETE PEA

5) Distribucin y densidad Binomial Negativa

Consideremos un experimento con las mismas propiedades de un
experimento binomial, slo que en este caso las pruebas se repetirn
hasta que ocurra un nmero fijo de r=k xitos.
En vez de encontrar la probabilidad de x - xitos en n ensayos,
donde n es fija, ahora nos interesa la probabilidad de que ocurran el
r=k xitos en el Xsimo ensayo, ahora no se requiere n, porque X
(X>=k) es ahora el nmero de ensayos.
Si X-k=x, entonces x=0,1,2,(domino en Matlab) pero X=k,k+1,k+2,
El ordinal Xsimo debe ser mayor que k, pero el ordinal xsimo no.
Los experimentos de este tipo se llaman experimentos binomiales
negativos.
TEDDY NEGRETE PEA

10

Distribucin y densidad Binomial Negativa

La funcin nbinpdf de MATLAB, se obtiene:
( + )
( , ) =
1
( + 1)()
Equivalente a

+1
+1
( , ) =
=

1
Aqu no hay relacin condicional entre x y r
Con dominio de x=0,1,2,
TEDDY NEGRETE PEA

11

Distribucin y densidad Binomial Negativa

La funcin de Estadstica Aplicada, se obtiene:

X 1 k
X k
b ( X / k , p)
p (1 p )
k 1
*

Siendo necesario que X>=k

Con dominio X=k,k+1,k+2, si X-k=x, entonces se tiene x=0,1,2, que
es el dominio para la funcin de MATLAB
Para evaluar con MATLAB, se requiere sustituir x=X-k, y r=k
TEDDY NEGRETE PEA

12

Distribucin y densidad Binomial Negativa

Ejemplo:
En Estadstica Aplicada: X=6; k=4, p=0.55

k
*
X k
b ( X / k , p)
p (1 p )
k 1
El resultado es b*(6,4,0.55)=0.1853

En MATLAB: x=Xk=64=2; k=4, p=0.55

El resultado es nbinpdf(2,4,0.55)=0.1853
TEDDY NEGRETE PEA

13

Distribucin y densidad Binomial Negativa

n ENSAYOS (no se requiere)

X=(x+k) simo ensayo

k XITOS (k<=X)
(ORDINALIDAD)

TEDDY NEGRETE PEA

14

6) Distribucin y densidad Geomtrica

Si en una sucesin de ensayos se quiere saber el nmero del ensayo
en el que ocurre el primer xito y que todas las suposiciones de la
Distribucin y densidad Binomial, menos la tercera, se satisfacen, en
otras palabras n no es constante.
Si el primer xito ocurre en el X simo ensayo, entonces estuvo
precedido por X 1 fracasos. Tome en cuenta que en este caso X no
puede ser cero, es decir debe existir al menos 1 xito. No se
requiere saber n, porque depende del xito.
Sin embargo observe el dominio que presenta la funcin geopdf(x,p)
de MATLAB, para esta distribucin.

TEDDY NEGRETE PEA

15

Distribucin y densidad Geomtrica

La funcin geopdf de MATLAB, se obtiene:

geopdf ( x / p ) p (1 p )

Con dominio x=0,1,2,

La funcin de Estadstica Aplicada, se obtiene:
X 1

g ( X / p ) p (1 p )

Con dominio X=1,2, , si X-1=x, entonces se tiene x=0,1,2, que es el

dominio para la funcin de MATLAB
Esto significa que para evaluar en MATLAB, con parmetros de Estadstica
Aplicada, se requiere sustituir x=X1
TEDDY NEGRETE PEA

16

Distribucin y densidad Geomtrica

n ENSAYOS (no se requiere)

X=x+1 simo ensayo

1(PRIMER) XITO
(ORDINALIDAD)

TEDDY NEGRETE PEA

17

7) Distribucin y densidad Uniforme Discreta

Es una distribucin de probabilidad que asume un nmero finito
de valores con la misma probabilidad.
Si hay N ensayos, la probabilidad Uniforme para cada x simo
ensayo es 1/N.
Cada x simo ensayo tiene la misma probabilidad.

TEDDY NEGRETE PEA

18

Distribucin y densidad Uniforme Discreta

TEDDY NEGRETE PEA

19

Bibliografa:
Bain, L. J., & Engelhardt, M. (1987). Introduction to probability and
mathematical statistics. Brooks/Cole.
Johnson, N. L., Kemp, A. W., & Kotz, S. (2005). Univariate discrete
distributions (Vol. 444). John Wiley & Sons.
Jones, B. (1997). Matlab Statistics Toolbox. The MathWorks. Inc., Natick,
MA.
Johnson, N. L., Kemp, A. W., & Kotz, S. (2005). Univariate discrete
distributions (Vol. 444). John Wiley & Sons.
Miller, I., Freund, J. E., & Johnson, R. A. (1965). Probability and statistics for
engineers (Vol. 1110). Englewood Cliffs, NJ: Prentice-Hall.
Walpole, R. E., Myers, R. H., Myers, S. L., & Ye, K. (1993). Probability and
statistics for engineers and scientists (Vol. 5). New York: Macmillan.
TEDDY NEGRETE PEA

20