Está en la página 1de 51

ALGUNAS DISTRIBUCIONES Estadística II

DISCRETAS DE PROBABILIDAD
DISTRIBUCÓN INDICADOR
Esta distribución está definida como:

1 𝑐𝑜𝑛 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑝
𝐼={
0 𝑐𝑜𝑛 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 1 − 𝑝

La media y la varianza de esta variable son:

𝐸 𝐼 =𝑝

𝑉𝑎𝑟 𝐼 = 𝑝(1 − 𝑝)
LA DISTRIBUCIÓN BINOMIAL
Los calculos de probabilidades son particularmente simples si solo
tengo dos resultados posibles.

Esta es una situación que surge en diferentes contextos.

Podemos querer verificar si un articulo es defectuoso o no, o si un


cálculo es correcto o no, o si un estudiante pasa el examen o no.

En todos estos casos solo hay dos posbilidades a considerar.


Un experimento donde se tienen dos resultados posibles, que es
repetido un cierto número de veces, donde cada ensayo del
experimento es independiente y la probabilidad de cada resultado
es constante, es llamado un experimento binomial.

Estos experimentos pueden ser caracterizados asi:

 Cada ensayo tiene dos resultados: éxito (s) y fallo (f).


 La probabilidad del éxito es constante e igual a p en todos los ensayos.
 Todos los ensayos son independientes.
 El número de ensayos es constante e igual a n.
Por ejemplo, la probabilidad de la secuencia de eventos {éxito, éxito,
fallo, éxito, fallo, fallo}, es igual a:

𝑝 𝑠𝑠𝑓𝑠𝑓𝑓 = 𝑝3 (1 − 𝑝)3

¿Cuál será la probabilidad de obtener x éxitos en n realizaciones?

Para responder esto necesitamos saber cuantas secuencias contienen x


éxitos.
Ejemplo 1: Tenemos un experimeto con 5 ensayos. ¿Cuántos resultados
tienen exactamente 3 éxitos?

Los posibles resultados son:


Una forma de llegar a este resultado (el número total de posibles
resultados) es a través de un análisis combinatorio.

El número total de combinaciones es entonces igual al número de


diferentes resultados en los que seleccionamos tres elementos de
cinco posibles, y en los que el orden no importa.

5
Entonces vamos a tener = 10 posibles resultados.
3
En número total de secuencias diferentes con x éxitos en n realizaciones
𝑛
del experimento, está dado por .
𝑥

Cada una de las posibles secuencias tiene la misma probabilidad:

𝑝 𝑥 (1 − 𝑝)𝑛−𝑥

Por tanto, definimos (Definición 1) la probabildiad binomial como:

𝑛 𝑥
𝑃 𝑥 é𝑥𝑖𝑡𝑜𝑠 𝑒𝑛 𝑛 𝑒𝑛𝑠𝑎𝑦𝑜𝑠 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠 = 𝑝 (1 − 𝑝)𝑛−𝑥
𝑥
Ejemplo 2: Queremos producir 100 relojes. La probabilidad de que
un reloj sea defectuoso es 5%. Asumimos que los resultados de la
producción son independientes. ¿Cuál es la probabilidad de obtener
éxactamete 5 relojes defectuosos?

¿Cuál será la probabilidad de obtener a lo sumo 5 relojes


defectuosos?
Con una distribución binomial, definimos nuestra variable aleatoria
como:

𝑋 = 𝑒𝑙 𝑛ú𝑚𝑒𝑟𝑜 𝑠 𝑑𝑒 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜𝑠 𝑒𝑛 𝑛 𝑒𝑛𝑠𝑎𝑦𝑜𝑠 𝑏𝑖𝑛𝑜𝑚𝑖𝑎𝑙𝑒𝑠

La distribución de esta variable la vamos a denotar:

𝑋 = 𝐵𝑖𝑛[𝑛, 𝑝]
VALOR ESPERADO Y VARIANZA
Partiendo de la definición de valor esperado, tenemos para la distribución
binimial:

𝑛 𝑛
𝑛
𝐸 𝑋 = 𝑥𝑃(𝑋 = 𝑥) = 𝑥 𝑝 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥
𝑥=0 𝑥=0

Para hallar este valor esperado, podemos hacer uso de la distribución indicador.
En este caso, vamos a agregar n distribuciones independientes de este tipo. Esto
nos dará el número total de éxitos en n ensayos.
Vamos a decir que cada 1 representa un éxito. Entonces, la variable aleatoria
binomial será:

𝑋 = 𝐼1 + 𝐼2 + ⋯ + 𝐼𝑛
Dado lo anterior,

𝐸 𝑋 = 𝑛𝑝

Y la varianza será:

𝑉𝑎𝑟 𝑋 = 𝑛𝑝(1 − 𝑝)

Además, para esta ditribución se tiene que:

 Coeficiente de sesgo=(1 − 2𝑝)/[𝑛𝑝 1 − 𝑝 ]1/2


 Curtosis=3 + 1 − 6𝑝 1 − 𝑝 /𝑛𝑝(1 − 𝑝)
Ejemplo 3: Sea X el número de artículos defectuosos es un embarque
de 7600 artículos. Asumamos que la probabilidad de que un ítem sea
defectuoso es p=5%. ¿Cuál es la distribución de X, su valor esperado
y su varianza?

Ejemplo 4: Un club nacional de automovilistas comienza una campaña


telefónica con el propósito de aumentar el número de miembros. Con
base en esperiencias previas se sabe que una de cada 20 personas
que reciben la llamada se une al club. Si en un día 25 personas
reciben la llamada, ¿cuál es la probabilidad de que por lo menos dos
de ellas se inscriban al club? ¿Cuál es el número esperado?
Ejemplo 5: En unas pruebas de alcoholemia se ha observado que el
5% de los conductores controlados dan positivo en la prueba y que el
10% de los conductores controlados no llevan puesto el cinturón de
seguridad. También se ha observado que las dos infracciones son
independientes. Un guardia de tráfico para cinco conductores al azar.
Si tenemos en cuenta que el número de conductores es suficientemente
importante como para estimar que la proporción de infractores no
varía al hacer la selección:

 Determinar la probabilidad de que exactamente tres conductores hayan cometido


alguna de las dos infracciones

 Determine la probabilidad de que al menos uno de los conductores controlados haya


cometido alguna de las dos infracciones
TAREA 2 SEGUIMIENTO 2
1. Sea X una variable aleatoria cuya función de densidad de
probabilidad está dada por:

1
1 −1 𝑥2
𝑓 𝑥 = 𝑥 2 exp − ,𝑥 > 0
8 4

Determine la media, la desviación estándar, la mediana, el recorrido


intercuatil y el recorrido interdecil.
2. Un laboratorio afirma que una droga causa efectos secundarios en
una proporción de 3 de cada 100 pacientes. Para contrastar esta
afirmación, otro laboratorio elige al azar a 5 pacientes a los que aplica
la droga. ¿Cuál es la probabilidad de los siguientes sucesos?
 Ningún paciente tenga efectos secundarios
 Al menos dos tengan efectos secundarios
 ¿Cuál es el número medio de pacientes que espera laboratorio que sufran efectos
secundarios si elige 100 pacientes al azar?
DISTRIBUCIÓN POISSON
En este caso la variable aleatoria representa el número de eventos
independientes que ocurren a una velocidad constante en el tiempo o en
el espacio.

Ejemplos de esto son: número de personas que llegan a una tienda en un


tiempo determinado, número de bacterias en un cultivo, número de
solicitudes procesadas por una compañía en un período espcífico, entre
otros.

Este es el principal modelo de probabilidad utilizado para analizar


porblemas de linea de espera.

Cuando p es pequeño y n es grande, esta distribución ofrece una buena


aproximación a la distribución binomial.
Definición 2: Sea X una variable aleatoria que representa el número de
eventos aleatorios independientes que ocurren a una rapidez constante
sobre el tiempo o el espacio. Se dice entonces que la variable aleatoria
X tiene una distribución Poisson con función de probabilidad:

𝑒 −𝜆 𝜆𝑥
𝑝 𝑥; 𝜆 = { 𝑥! , 𝑥 = 0, 1, 2, … ; 𝜆 > 0
0 𝑝𝑎𝑟𝑎 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑣𝑎𝑙𝑜𝑟

El parámetro de la distribución de Poisson es 𝜆, que representa el número


promedio de ocurrencias del evento aleatorio por unidad de tiempo.
Ejemplo 6: Sea 𝜆 = 1.2. Calcular las probabilidades de que 𝑥 =
0, 1, 2, …

Ejemplo 7: Despues de una prueba de laboratorio muy rigurosa con


cierto componente eléctrico, el fabricante determina que en
promedio, solo fallarán dos componentes antes de tener mil horas de
operación. Un comprador afirma que son cinco los que fallan antes de
las 1000 horas. Si el número de componentes que fallan es una
variable aleatoria de Poisson, ¿existe suficiente evidencia para dudar
de la conclusión del fabricante?
Ejemplo 8: Considérese el juego de fútbol que se efectúa entre los 28
equipos que constituyen la Liga Nacional de Fútbol (NFL). Sea la
variable aleatoria de interés el número de anotaciones -seis puntos-
de cada equipo por juego. Con el número de anotaciones por equipo
en la temporada 1979, ¿existe alguna razón para creer que el
número de anotaciones es una variable aleatoria de Poisson?

Número de anotaciones Número de veces observadas


0 35
1 99
2 104
3 110
4 62
5 25
6 10
7* 3
Totales 448
Teorema 1: Sea X una variable aleatoria con distribución binomial y
función de porbabilidad:

𝑛!
𝑝 𝑥; 𝑛, 𝑝 = 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥 , 𝑥 = 0, 1, 2, … , 𝑛
𝑛−𝑥 !
Si para 𝑛 = 1, 2, … la relación 𝑝 = 𝜆/𝑛 es cierta para alguna
constante 𝜆 > 0, entonces:

𝑒 −𝜆𝜆𝑥
lim 𝑝 𝑥; 𝑛, 𝑝 =
𝑛→∞
, 𝑥 = 0, 1, 2, …
𝑥!
𝑝→0
Ejemplo 9: Un comprador de grandes cantidades de circuitos
integrados ha adoptado un plan para aceptar un envío de éstos y
que consiste en inspeccionar una muestra aleatoria de 100 circuitos
porvenientes del lote. Si el comprador encuetra no más de 2 circuitos
defectuosos en la muestra, acepta el lote; de otra forma, lo rechaza.
Si se envía al comprador un lote que contiene 1% de circuitos
defectuosos, ¿cuál es la probabilidad de que sea aceptado?
Para la variable aleatoria Poisson se tiene:

𝐸 𝑋 =𝜆

𝑉𝑎𝑟 𝑋 = 𝜆

𝜇3 = 𝜆

𝜇4 = 3𝜆2 + 𝜆
Ejemplo 10: Cada día un número grande y relativamente constante
de compradores visita un centro comercial. En este centro comercial,
hay una tienda que vende un producto muy especial. Pocos
compradores compran este producto, pero como son muchos lo que
visitan la tienda, se vende un producto por día en promedio. ¿Cuál es
la probabilidad de que la tienda venda 2 o más de esos productos
durante un día?
ALGUNAS DISTRIBUCIONES
CONTINUAS DE PROBABILIDAD
LA DISTRIBUCIÓN NORMAL (GAUSIANA)
Esta es probablemente la más importante y de mayor uso de todas
las distribuciones continuas de probabilidad.

Es la piedra angular en temas de inferencia estadística puesto que las


distribuciones de muchas estadísticas muestrales tienden hacia la
distribución normal conforme crece el tamaño de la muestra.

La apariencia gráfica de la distribución normal es una curva simétrica


con forma de campana que se extiende sin límite hacia valores
positivos y negativos.
Definición 3: Se dice que una variable aleatoria se encuentra
normalmente distribuida si su función de densidad de probabilidad está
dada por:

1 1 𝑥−𝜇 2
𝑓 𝑥; 𝜇, 𝜎 = exp − ,
2𝜋𝜎 2 𝜎
−∞ < 𝑥 < ∞, −∞ < 𝜇 < ∞, 𝜎 > 0

Para esta distribución se tiene que:

𝐸 𝑋 = 𝜇, 𝑉𝑎𝑟 𝑋 = 𝜎 2 , 𝜇4 = 3𝜎 4

La curva de la función de densidad normal es simétrica.


La probabilidad de que una variable aleatoria distribuida
normalmente sea menor o igual a un valor específico, está dada por:

𝑥
2
1 − 𝑡−𝜇
𝑃 𝑋 ≤ 𝑥 = 𝐹 𝑥; 𝜇, 𝜎 = exp 𝑑𝑡
2𝜋𝜎 2𝜎 2
−∞

Para conocer estas probabilidades se tabula 𝐹(𝑥; 𝜇, 𝜎) . Sin


embargo, esto implicaría considerar todos los posobles valores de la
media y la varianza, tarea que es virtualmente imposible. Para
realizar esta tarea, debe estandarizarse la variable 𝑥.
Sea 𝑍 una variable aleatoria definida por:

(𝑋 − 𝜇)
𝑍=
𝜎

Esta variable aleatoria, tienen media cero y desviación estándar 1.


Con esta tranformación, tenemos que:

(𝑥−𝜇)/𝜎
𝑥−𝜇 1 −𝑧 2
𝑃 𝑋≤𝑥 =𝑃 𝑍≤ = exp 𝑑𝑧
𝜎 2𝜋 2
−∞
En este sentido, si 𝑋 se encuentra distribuida normalmente con media 𝜇 y
(𝑋−𝜇)
desviación estándar 𝜎 , entonces 𝑍 = también se ecuentra
𝜎
distribuida normalmente con media cero y desviación estándar 1.

Entonces,

𝐹𝑋 𝑥; 𝜇, 𝜎 = 𝐹𝑍 (𝑧; 0, 1)

Cuando una variable aleatoria se distribuya de manera normal, se


especificará como:

𝑋~𝑁(𝜇, 𝜎)
¿Cuál será la probabilidad de que 𝑋 se ecuentre entre 𝑎 y 𝑏, si la
variable dsitribuye normal?

Por definición:

𝑏
2
1 − 𝑥−𝜇
𝑃 𝑎≤𝑋≤𝑏 = exp 𝑑𝑥
2𝜋𝜎 2𝜎 2
𝑎
Esta probabilidad puede obtenerse como:

𝑎 −𝜇 𝑏−𝜇
𝑃 𝑎≤𝑋≤𝑏 =𝑃 ≤𝑍≤
𝜎 𝜎
𝑏−𝜇 𝑎−𝜇
= 𝐹𝑍 ; 0, 1 − 𝐹𝑍 ; 0, 1
𝜎 𝜎
Ejemplo 11: Si 𝑋~𝑁(𝜇, 𝜎), ¿cuáles son las probabilidades de que el
valor de 𝑋 se encuentre a una, dos y tres veces la desviación estándar de
la media?

Ejemplo 12: Sea 𝑋 una variable aleatoria que representa la inteligencia


medida por medio de pruebas CI. Si esta variable distribuye de manera
normal con media 100 y desviación estándar 10, obtener las
probabilidades de que la variable

 Sea mayor que 100,


 Sea menor que 85,
 Sea a lo más 112,
 Sea por lo menos 108,
 Sea más grande que 90,
 Esté entre 95 y 120.
Ejemplo 13: Supóngase que la demanda mensual de cierto producto
se encuetra aproximada por una variable aleatoria normal con
media de 200 y desviación estándar igual a 40 unidades. ¿Qué tan
grande debe ser el inventario disponible a principio de un mes para
que la probabilidad de que la existencia se agote no sea mayor que
0.05?

Ejemplo 14: Supongase que el diametro externo de cierto tipo de


cojinetes se encuentra, de manera aproximada, dsitribuido
normalmente con media igual a 3.5 cm y desviación estándar de 0.02
cm. Si el diametro de los cojinetes no debe ser menor de 3.47 cm ni
mayor de 3.53 cm, ¿cuál es el porcentaje de cojinetes, durante el
proceso de manufactura, que debe desecharse?
Teorema del límite de DeMoivre-Laplace: Sea 𝑋 una variable
aleatoria binomial con media np y varianza np(1-p). La distribución
de esta variable aleatoria tiende a la normal estándar

𝑋 − 𝑛𝑝
𝑌=
𝑛𝑝(1 − 𝑝)

conforme 𝑛 → ∞.
DISTRIBUCIÓN UNIFORME
En esta situación, la probabilidad de que la variable aleatoria tome
un valor en cada subintervalo de igual longitud, es la misma.
Definición 4: Se dice que una variable aleatoria X está distribuida
uniformemente sobre el intervalo (𝑎, 𝑏) si su función de densidad de
probabilidad está dada por:

1
𝑎≤𝑥≤𝑏
𝑓 𝑥; 𝑎, 𝑏 = { 𝑏 − 𝑎
0 𝑝𝑎𝑟𝑎 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑣𝑎𝑙𝑜𝑟

Esta distribución tambié se conoce como la distribución rectangular.


La función de distribución acumulativa se determina de manera fácil y
está dada por:

𝑃 𝑋 ≤ 𝑥 = 𝐹 𝑥; 𝑎, 𝑏 = (𝑏 − 𝑎)−1 𝑑𝑡
𝑎

0, 𝑥<𝑎
𝑥−𝑎
={ ,𝑎 ≤ 𝑥 ≤ 𝑏
𝑏−𝑎
1, 𝑥>𝑏

Para cualquier subintervalo interior a (𝑎, 𝑏):

𝑃 𝑎1 ≤ 𝑋 ≤ 𝑏1 = 𝐹 𝑏1 ; 𝑎, 𝑏 − 𝐹 𝑎1 ; 𝑎, 𝑏 = (𝑏1 − 𝑎1 )/(𝑏 − 𝑎)
LA DISTRIBUCIÓN GAMA
Supongase que una pieza metálica se encuentra sometida a cierta
fuerza, de manera que se romperá despueés de aplicar un número
específico de ciclos de fuerza. Si los ciclos ocurren de manera
independiente y a una frecuencia promedio, entonces el tiempo que
debe transcurrir antes de que el material se rompa es una variable
aleatoria que cumple con la distribución gama.
Definición 5: Se dice que la variable aleatoria X tiene una
dsitribución gama si su función de densidad de probabilidad está
dada por:

1 𝛼−1 𝑥
𝛼 𝑥 exp − , 𝑥 > 0, 𝛼, 𝜃 > 0
𝑓 𝑥; 𝛼, 𝜃 = {Γ(𝛼)𝜃 𝜃
0 𝑝𝑎𝑟𝑎 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑣𝑎𝑙𝑜𝑟
Para valores grandes de 𝛼, la distribución gama puede aproximarse,
en algún grado, por una distribución normal. Esto es, la variable
aleatoria

𝑍 = (𝑋 − 𝛼𝜃)/𝜃 𝛼

es, de manera aproximada, igual a la normal estándar para valores


grandes de 𝛼.
La función de distribución acumulativa se determina por la siguiente expresión:
1 𝑥 𝛼−1 𝑡
𝐹 𝑥; 𝛼, 𝜃 = 𝑡 exp − 𝑑𝑡, 𝑥 > 0
Γ 𝛼 𝜃𝛼 0 𝜃

Debe notarse que si el parámetro de forma 𝛼 es un entero positivo, la función


de distribución acumulativa puede expresarse de forma cerrada:
𝑥 1 𝑥 2 1 𝑥 𝛼−1
𝐹 𝑥; 𝛼, 𝜃 = 1 − 1 + + +⋯ exp(−𝑥/𝜃)
𝜃 2! 𝜃 𝛼−1 ! 𝜃
como resultado de efectuar varias integraciones por partes.
Ejemplo 15: Supóngase que cierta pieza metálica se romperá después de sufrir
dos ciclos de esfuerzo. Si estos ciclos ocurren de manera independiente a una
frecuencia promedio de dos por cada 100 horas, obtener la probabilidad de
que el intervalo de tiempo se encuentre hasta que ocurre el segundo ciclo: a)
dentro de una desviación estándar del tiempo promedio, y b) a más de dos
desviaciones estándar por encima de la media.
Sea 𝑋 la variable aleatoria que representa el lapso que transcurre hasta que la
pieza sufre el segundo ciclo de esfuerzo.
Si 𝑋 tiene una distribución gama con 𝛼 = 2 y 𝜃 = 50 horas debido a que la
frecuencia promedio es 0.02 por hora.
La función de densidad de probabilidad es

1 𝑥
𝑓 𝑥; 𝛼, 𝜃 = 𝑥 exp − , 𝑥>0
Γ 2 502 50

Y la función de distribución acumulativa se reduce a:

𝑥 𝑥
𝐹 𝑥; 𝛼, 𝜃 = 1 − 1 + exp − , 𝑥>0
50 50

De los resultados anteriores, los valores de la media y la desviación estándar de 𝑋 son


100 y 70.71 respectivamente.
De acuerdo con lo anterior:
𝑃 𝜇−𝜎< 𝑋 <𝜇+𝜎
= 𝑃 29.29 < 𝑋 < 170.71
= 𝐹 170.71; 2,50 − 𝐹 29.29; 2,50 = 0.7376
Nótese que la probabilidad de que el lapso sea menor de una desviación
estándar por debajo de la media es de 0.1172 y la probabilidad de que éste
sea más grande que la media por una desviación estándar es 1-
0.8548=0.1452.
Finalmente:
𝑃 𝑋 > 𝜇 + 2𝜎
= 𝑃 𝑋 > 241.42
= 1 − 𝐹 241.42; 2,50 = 0.0466
DISTRIBUCIÓN DE WEIBULL
Esta distribución se ha empleado como modelo para situaciones del
tipo tiempo-falla.

Definición 6: Se dice que una variable aleatoria tienen una


dsitribución de Weibull si su función de densidad de probabilidad está
dada por:

𝛼 𝛼−1 𝑥 𝛼
𝑥 exp − , 𝑥 > 0; 𝛼, 𝜃 > 0
𝑓 𝑥; 𝛼, 𝜃 = {𝜃 𝛼 𝜃
0 𝑝𝑎𝑟𝑎 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑣𝑎𝑙𝑜𝑟
La función de distribución acumulativa de Weibull

𝑥
𝛼
𝛼 𝑡
𝐹 𝑥; 𝛼, 𝜃 = 𝛼 𝑡 𝛼−1 exp −
𝜃 𝜃
0

puede obtenerse en forma cerrada. Por tanto,

𝑥 𝛼
𝐹 𝑥; 𝛼, 𝜃 = 1 − exp − ,𝑥 ≥ 0
𝜃
Ejemplo 16: Un fabricante de lavadoras garantiza sus productos
contra cualquir defecto durante el primer año de uso normal. El
fabricante ha estimado un costo por reparación de $75 durante el
primer año de garantía. Con base en la expriencia, se sabe que el
tiempo en que ocurre la primera falla es una variable aleatoria de
Weibull con parámetros de forma y escala iguales a 2 y 40,
respectivamente. Si el fabricante espera vender 100 mil unidades y
si, para la misma unidad, se descuenta el valor de las reparaciones,
se determina el costo esperado de la garantía para el fabricante.

También podría gustarte