BIOESTADÍSTICA
Modelos de Probabilidad

Facultad
Facultad de Ingeniería
Ingeniería Ambiental
Ambiental - UNI
MSc. Beatriz Castañeda S.
 

Distribución de Bernoulli
X: Número de éxitos en una prueba con dos resultados
posibles (éxito o fracaso)
P(éxito)= P P(fracaso)=1-P

Valores que puede asumir x: 0, 1; donde 0  fracaso y 1  éxito

1  P ,  si  x 0
 f  ( x )  ;   P  ;  
2
 P (1 P )
  P ,  si  x   1
a) Instituciones que solicitan un préstamo pueden acceder o no acceder
al préstamo
b) Un cliente puede adquirir un nuevo producto o no adquirirlo
c) Un producto puede ser defectuoso o no defectuoso
d) Individuos pueden fumar o no fumar 
e) A la exposición a un contaminante los trabajadores pueden
desarrollar cierta enfermedad o no desarrollarla.

Bioestadística Mg. Beatriz Castañeda S. 2

 

Distribución Binomial
El experimento consiste en realizar n pruebas independien
independientes,
tes, cada una con 2
resultados posibles (éxito o fracaso)

Donde P(éxito)= P P(fracaso)=1-P constante para todas las pruebas

X: Número de éxitos en n pruebas independientes, cada una

con dos resultados posibles (éxito o fracaso)

Valores que puede asumir x: 0, 1, 2, ..., n

 n    x 
P ( X   x  )    nP (1   P )
  n x  2
 P (1 P) ; nP ; 
  x 

Bioestadística Mg. Beatriz Castañeda S. 3

 

Distribución Binomial

1.10 Supóngase que se sabe que la probabilidad de recuperación de cierta

enfermedad es de 0,40. Si 15 personas contraen la enfermedad (considérese
esto como una muestra aleatoria), ¿ cuál es la probabilidad de que
a) Tres o más se recuperen?
b) Cuatro o más se recuperen?
c) Cinco o más se recuperen?
d) Menos de trtres se recuperen?

Bioestadística Mg. Beatriz Castañeda S. 4

 

Distribución Hipergeométrica
Población N

A Ac
P= T Prop
Propor
orci
ción
ón pobl
poblac
acio
iona
nall
T N-T N

Muestra n
A Ac
P = x propo
proporc
rción
ión muestr
muestral
al
x n-x n

X: Número de elementos A en la muestra

La selección de la muestra es sin reposición

Bioestadística Mg. Beatriz Castañeda S. 5
 

Distribución Hipergeométrica
El experimento consiste en extraer,
extraer, sin reposición, una muestra de n elementos
de un conjunto que tiene N elementos, de los cuales T son de tipo A y el resto
son no A

X: Número de elementos A en la muestra

  T   N  T 
  
  x   n    x  

  f ( x )     N      x  :0, 1, 2, ..., n  si 
 si  n T   y  n N  T 
  n
  
 0  p
 pa
ara otro valor   x 

T   T    N    T   N  n   N  n 
   n
2
E  ( X  ) n  ;    nP (1 P)  
N   N    N   N    1   N    1 

Bioestadística Mg. Beatriz Castañeda S. 6

 

Distribución Hipergeométrica
 Ejemplo 1.11
Mecanismos de dirección defectuosos han sido montados por
error en 3 de un grupo de 9 misiles. No se sabe que misiles tienen
los mecanismos defectuosos. Si se toma una muestra al azar de 4
misiles ¿cuál es la probabilidad de que:
a) La muestra no contenga misiles defectuosos?
b) La muestra contenga 2 misiles defectuosos?
 Ejemplo 1.12.
Ciertos componentes para ensamble se envían en lotes de 25
unidades, para la aceptación de un lote se seleccionan 3
componentes al azar y si ninguno de ellos tiene defectos se
acepta el lote. ¿Cuál es la probabilidad de que se acepte el lote si
contiene:
a) cinco defectuosos?
b) Dos defectuosos?
Bioestadística Mg. Beatriz Castañeda S. 7
 

 Aproximación de la Distribución
Hipergeométrica a la binomial
 T    N  T  
  x   n    x    n 
Lí m        x  n  x  T 
  P (1 P ) ; hacie
haci endo P
N    N     x  N 
 n
 
P ( X   x ) P ( X   x )
Hipergeométrica Binomial

 N  n 
nP ;  2 nP (1 P ) nP (1   P )
 N    1 
n
Para N  tal que  0.10 de
deci
ci mos que N  es g grr ande
N 
o que la población es grande 

Bioestadística Mg. Beatriz Castañeda S. 8

 

Distribución Hipergeométrica
 Ejemplo 1.13
 Supóngase que el 24% de los individuos de una población
utiliza cierto producto B. Para una muestra de tamaño 20
extraída de esta población, encuentre la probabilidad de que
 a) Se encuentren exactamente tres personas que utilizan el
producto B
 b) Se encuentren tres o más personas que lo utilicen.
 c) Se encuentren menos de tres
 d) Se encuentren exactamente cinco

 Ejemplo 1.14
De un lote de 200 unidades de las cuales 10 son defectuosas se obtiene
una muestra aleatoria de tamaño 4. Halle la probabilidad de que esta
cont
conten
enga
ga un artí
artícu
culo
lo de
defe
fect
ctuo
uoso
so.

Bioestadística Mg. Beatriz Castañeda S. 9

 

Distribución de Poisson
X: Número de   “hechos” por unidad especificada (de tiempo,
longi
longitu
tud,
d, supe
superf
rfic
icie
ie o volu
olume
men)
n)

 x 
2
Donde X: 0, 1, 2, ..... P ( X   x ) e ; ;  
 x !

 es el número promedio o esperado de  “hechos”por  uni

unidad
dad esp
especi
ecific
ficada
ada..
Este
ste mo
mode
dello es ap
apli
lic
cab
able
le so
sobr
bre
e todo
todo cuan
cuando
do::
 Las ocurrencias de los eventos en cada unidad de observación son
independientes
 Teóricamente, debe ser posible un número muy grande de ocurrencias del
evento.
 La probabilidad de que se presente una sola vez el evento en una
dete
determ
rmin
ina
ada un
unid
ida
ad es pr
prop
opor
orci
cion
onal
al a la lo
long
ngit
itud
ud de la un
unid
idad
ad..
 Si con
onsi
side
dera
ramo
mos
s un
una
a un
unid
idad
ad infi
infini
nite
tes
sim
ima
almen
lmente
te pe
pequ
que
eña
ña,, la pr
prob
obab
abiili
lida
dad
d de
que el hecho ocurra más de una vez es despreciable.

Bioestadística Mg. Beatriz Castañeda S. 10

 

Distribución de Poisson
 Ejemplo 1.14.
Supóngase que durante un período de varios añoñoss el número promedio
de accidentes graves en una planta de montaje ha sido de diez. Si el
número de accidentes sigue la distribución de Poisson, ¿cuál es la
probabilidad de que durante el año que transcurre?
a) Tengan accidentes graves exactamente siete trabajadores de la
planta de montaje.
b) Se accidenten diez o más trabajadores.
c) No haya accidentes.
d) Haya menos de cinco accidentes
 Ejemplo 1.15.
Un proveedor de películas produce al año 10 rollos de película
especialmente sensible. La película debe descartarse si no se vende
dentro del año. Experiencias anteriores indican que D, la demanda
(pequeña) para la película es una variable con distribución de Poisson
con media 8. Si se obtiene una utilidad de $7 en cada rollo vendido,
mientras que ocurre una pérdida de $3 en cada rollo que debe ser
descartado. Calcular la utilidad esperada que el fabricante puede
obBitoeensteardísctoicna los 10 rollos que pMrgo. dBueacteri.z Castañeda S. 11
 

 Aproximación de la Distribución
binomial a la Poisson

 n   x  e   x 
L í m   P (1 P ) n  x 
; haciendo   nP
n    x   x !
 p 0

P ( X   x ) P ( X     x )

Binomial Poisson

 Se asume n  g
 grr ande  s  si i  n  100
 y  P  pe  si i  P  0.05
 pequeño  s

Bioestadística Mg. Beatriz Castañeda S. 12

 

 Aproximación de la Binomial a la Poisson

 Ejemplo 1.16.
Una compañía
compañía de seguros
seguros halla qque
ue el 0.005% de la población fallecía cada
año debido a cierto tipo de accidente, ¿cuál es la probabilidad de que tenga
que pagar a más de 3 de 10 000 asegurados contra tales accidentes en un
año?
 Ejemplo 1.17.
El número de defectos superficiales que os paneles de plástico utilizados en
los interiores de los automóviles ocurre a una tasa de 0.5 defectos por pie
cuadrado de panel. Suponga que el interior de un automóvil contiene 10 pies
cuadrados de material.
a) ¿Cuál es la probabilidad de que no haya defectos superficial
superficiales
es en los
interiores de un automóvil?
b) Si se venden 10 automóviles a una compañía, ¿cuál es la probabilidad de
que máximo dos de ellos tengan a lo más 1 defecto superficial en sus
interiores?
c) Si se venden 100 automóviles a una compañía, ¿cuál es la probabilidad de
que máximo dos de ellos tengan a lo más un defecto superficial en sus
interiores?

Bioestadística Mg. Beatriz Castañeda S. 13

 

Modelo Exponencial
 si   x   0
e  x  ;  si 
  f ( x )   ; con  0
 0  p
 pa
ar a otro valor   x 

1 2 1 1
;  ;   

   
2
 

La distribución exponencial se aplica para el estudio del

tiempo de vida o duración de productos y en procesos de
fenó
fenóme
menonos
s de ti
tiem
empo
pos
s es
espe
pera
ra

Bioestadística Mg. Beatriz Castañeda S. 14

 

Relación entre el modelo

Exponencial y el modelo de Poisson
Modelo de Poisson

X: nº de hechos ocurridos en un periodo de tiempo T

 x 
 
  f ( x ) e
 x !

Modelo Exponencial

T: Tiempo transcurrido entre 2 hechos consecutivos

  t 
  f (t ) e

Bioestadística Mg. Beatriz Castañeda S. 15

 

Distribución normal
Dada una variable X con distribución normal de
media  y varianza 2, denotamos X es N(,2)

2
1   x     
 
2  
e
  f ( x ) ;  x  
2 

2 X
E ( x )  y   V ( x ) -k   +k 
Me
Mo

Bioestadística Mg. Beatriz Castañeda S. 16

 

Distribución normal N( ,2)

68%

 X 
 -    + 

95% 99%

 X X 
 - 2    + 2  - 3   +3 

Bioestadística Mg. Beatriz Castañeda S. 17

 

Propiedades del modelo

Normal
1. Si X es N(x, x2), entonces Y = a + b X es normal

Con y = a + b x

2y = b2 2x

2. Si X1, X2, ...Xn son n variables independientes cada una

con distribución normal N(i, i2), entonces

 Y= a1 X1 + a2 X2 + ...... + an Xn es normal

Con y = a1 1 + a2 2 + ..... + an n

2y = a12 12 + a22 22 + .... + an2 n2

Bioestadística Mg. Beatriz Castañeda S. 18