Distribucin de 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:

Ejemplo de distribucin de Bernoulli.

_ Se

ha observado estudiando 2000 accidentes de trfico con impacto frontal y cuyos conductores no tenan cinturn de seguridad, que 300 individuos quedaron con secuelas. Describa el experimento usando conceptos de v.a. _ Solucin.
_ La

noc. frecuentista de prob. nos permite aproximar la probabilidad de tener secuelas mediante 300/2000=0,15=15% _ X=tener secuelas tras accidente sin cinturn es variable de Bernoulli _ X=1 tiene probabilidad p _ 0,15 _ X=0 tiene probabilidad q _ 0,85

Distribucin binomial
Es utilizada para realizar inferencias basadas nicamente en 2 posibles resultados, de igual manera es comn utilizarla en el caso de preguntas cerradas en un cuestionario. Ejemplo: Est usted de acuerdo con...? S o No. Los dos posibles resultados son mutuamente excluyentes. El experimento puede ser repetido el nmero de veces requerido.

La probabilidad de un resultado es independiente al de otros experimentos.

p = probabilidad asociada a un resultado posible. Q = No probabilidad. Regularmente Q se expresa como 1 - p n = nmero de ensayos (nmero de veces que se ejecuta un experimento) x = nmero de xitos observados en un experimento. nCx = De cuntas maneras distintas se pueden combinar los datos.

Suponga que un ensayo de Bernoulli se repite n veces, entonces se presentan las siguientes caractersticas adicionales: 1. Cada vez que se repite un ensayo es independiente de las dems. 2. La probabilidad de que suceda el evento A, no cambia a lo largo del experimento (seleccin con repeticin). 3. X: Variable aleatoria que indica el nmero de veces que ocurre el resultado A en los n ensayos del experimento.
NOTACION: X ~ B (n, P) Indica que la variable X tiene distribucin Binomial con parmetros n y P.

Ejemplo. En una sucesin de 30 aos interesa la ocurrencia o no de un caudal mayor que la capacidad de un vertedero, si las magnitudes del caudal son independientes ao tras ao y la probabilidad de una ocurrencia no cambia a travs de los 30 aos, suponiendo p = 0.02. Solucin X: Nmero de aos en los cuales ocurren grandes inundaciones, en la sucesin de 30 aos. X = 0, 1, 2,.....30 Durante un ao cualquiera pueden ocurrir no, grandes inundaciones independientemente una de la otra, con probabilidad fija de 0.02. Por lo tanto, X ~ B (n=30, P =0.02) a. Cul es la probabilidad de que ocurra al menos una gran inundacin durante los 30 aos, de un sistema propuesto de control de inundaciones?

b. Si se considera, muy grande el riesgo de tener al menos una gran inundacin, el ingeniero debe incrementar la capacidad de diseo, de modo que la magnitud de la inundacin crtica sea slo excedida con la probabilidad 0,01 en un ao cualquiera. De sta manera:

DISTRIBUCIN HIPERGEOMTRICA.

Los experimentos que tienen este tipo de distribucin tienen las siguientes caractersticas: a) Al realizar un experimento con este tipo de distribucin, se esperan dos tipos de resultados. b) Las probabilidades asociadas a cada uno de los resultados no son constantes. c) Cada ensayo o repeticin del experimento no es independiente de los dems. d) El nmero de repeticiones del experimento (n) es constante.

Ejemplo: En una urna o recipiente hay un total de N objetos, entre los cuales hay una cantidad a de objetos que son defectuosos, si se seleccionan de esta urna n objetos al azar, y sin reemplazo, cul es la probabilidad de obtener x objetos defectuosos? Solucin:

Luego;

donde: p(x,n) = probabilidad de obtener x objetos defectuosos de entre n seleccionados

muestras de n objetos en donde hay x que son defectuosos y n-x buenos

todas las muestras posibles de seleccionar de n objetos tomadas de entre N objetos en total = espacio muestral

Considerando que en la urna hay un total de 10 objetos, 3 de los cuales son defectuosos, si de seleccionan 4 objetos al azar, cul es la probabilidad de que 2 sean defectuosos?

Solucin:

N = 10 objetos en total a = 3 objetos defectuosos n = 4 objetos seleccionados en muestra x = 2 objetos defectuosos deseados en la muestra

donde:

probabilidad asociada a cada muestra de 4 objetos que se seleccionaron, con lo que se demuestra que las probabilidades no son constantes

formas o maneras de obtener 2 objetos defectuosos entre los 4 seleccionados = muestras de 4 objetos entre los que 2 son defectuosos

Como se observa en el desarrollo de la solucin del problema, la pretensin es demostrar que las probabilidades asociadas a cada uno de los resultados no son constantes.

Luego la probabilidad de obtener 2 objetos defectuosos entre los 4 seleccionados al azar sera:

DISTRIBUCIN GEOMTRICA.

Esta distribucin es un caso especial de la Binomial, ya que se desea que ocurra un xito por primera y nica vez en el ltimo ensayo que se realiza del experimento, para obtener la frmula de esta distribucin, haremos uso de un ejemplo.

Ejemplo: Se lanza al aire una moneda cargada 8 veces, de tal manera que la probabilidad de que aparezca guila es de 2/3, mientras que la probabilidad de que aparezca sello es de 1/3, Determine la probabilidad de que en el ltimo lanzamiento aparezca una guila.

Solucin: Si nosotros trazamos un diagrama de rbol que nos represente los 8 lanzamientos de la moneda, observaremos que la nica rama de ese rbol que nos interesa es aquella en donde aparecen 7 sellos seguidos y por ltimo una guila; como se muestra a continuacin:

SSSSSSSA

S denotamos; x = el nmero de repeticiones del experimento necesarias para que ocurra un xito por primera y nica vez = 8 lanzamientos p = probabilidad de que aparezca una guila = p( xito) = 2/3 q = probabilidad de que aparezca un sello = p(fracaso) = 1/3

Entonces la probabilidad buscada sera;

P(aparezca una guila en lanzamiento)=p(S)*p(S)*p(S)*p(S)*p(S)*p(S)*p(S)*p(A) =

el

ltimo

=q*q*q*q*q*q*q*p =

Luego, la frmula a utilizar cuando se desee calcular probabilidades con esta distribucin sera;

Donde: p(x) = probabilidad de que ocurra un xito en el ensayo x por primera y nica vez p = probabilidad de xito q = probabilidad de fracaso

Resolviendo el problema de ejemplo; x = 8 lanzamientos necesarios para que aparezca por primera vez una guila p = 2/3 probabilidad de que aparezca una guila q = 1/3 probabilidad de que aparezca un sello

p(x=8) = DISTRIBUCIN GEOMTRICA.

Esta distribucin es un caso especial de la Binomial, ya que se desea que ocurra un xito por primera y nica vez en el ltimo ensayo que se realiza del experimento, para obtener la frmula de esta distribucin, haremos uso de un ejemplo.

Ejemplo: Se lanza al aire una moneda cargada 8 veces, de tal manera que la probabilidad de que aparezca guila es de 2/3, mientras que la probabilidad de que aparezca sello es de 1/3, Determine la probabilidad de que en el ltimo lanzamiento aparezca una guila.

Solucin: Si nosotros trazamos un diagrama de rbol que nos represente los 8 lanzamientos de la moneda, observaremos que la nica rama de ese rbol que nos interesa es aquella en donde aparecen 7 sellos seguidos y por ltimo una guila; como se muestra a continuacin:

SSSSSSSA

S denotamos; x = el nmero de repeticiones del experimento necesarias para que ocurra un xito por primera y nica vez = 8 lanzamientos p = probabilidad de que aparezca una guila = p( xito) = 2/3 q = probabilidad de que aparezca un sello = p(fracaso) = 1/3

Entonces la probabilidad buscada sera;

P(aparezca una guila en lanzamiento)=p(S)*p(S)*p(S)*p(S)*p(S)*p(S)*p(S)*p(A) =

el

ltimo

=q*q*q*q*q*q*q*p = Luego, la frmula a utilizar cuando se desee calcular probabilidades con esta distribucin sera;

Donde:

p(x) = probabilidad de que ocurra un xito en el ensayo x por primera y nica vez p = probabilidad de xito q = probabilidad de fracaso

Resolviendo el problema de ejemplo; x = 8 lanzamientos necesarios para que aparezca por primera vez una guila p = 2/3 probabilidad de que aparezca una guila q = 1/3 probabilidad de que aparezca un sello

p(x=8) =
DISTRIBUCIN DE POISSON.

Caractersticas:

En este tipo de experimentos los xitos buscados son expresados por unidad de rea, tiempo, pieza, etc, etc,: - # de defectos de una tela por m2 - # de aviones que aterrizan en un aeropuerto por da, hora, minuto, etc, etc. - # de bacterias por cm2 de cultivo - # de llamadas telefnicas a un conmutador por hora, minuto, etc, etc. - # de llegadas de embarcaciones a un puerto por da, mes, etc, etc. Para determinar la probabilidad de que ocurran x xitos por unidad de tiempo, rea, o producto, la frmula a utilizar sera:

donde: p(x, ) = probabilidad de que ocurran x xitos, cuando el nmero promedio de ocurrencia de ellos es = media o promedio de xitos por unidad de tiempo, rea o producto = 2.718 x = variable que nos denota el nmero de xitos que se desea que ocurra

Hay que hacer notar que en esta distribucin el nmero de xitos que ocurren por unidad de tiempo, rea o producto es totalmente al azar y que cada intervalo de tiempo es independiente de otro intervalo dado, as como cada rea es independiente de otra rea dada y cada producto es independiente de otro producto dado.

Ejemplos: 1. Si un banco recibe en promedio 6 cheques sin fondo por da, cules son las probabilidades de que reciba, a) cuatro cheques sin fondo en un da dado, b) 10 cheques sin fondos en cualquiera de dos das consecutivos?

Solucin: a) x = variable que nos define el nmero de cheques sin fondo que llegan al banco en un da cualquiera = 0, 1, 2, 3, ....., etc, etc. = 6 cheques sin fondo por da = 2.718

b) x= variable que nos define el nmero de cheques sin fondo que llegan al banco en dos das consecutivos = 0, 1, 2, 3, ......, etc., etc. = 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en dos das consecutivos Nota: siempre debe de estar en funcin de x siempre o dicho de otra forma, debe hablar de lo mismo que x.

7. DISTRIBUCIN BINOMIAL NEGATIVA.

Esta tambin es un caso especial de la distribucin Binomial, ya que en este caso se trata de que al llevar a efecto varias veces un experimento binomial, se desea determinar la probabilidad de que ocurran r xitos, solo que el ltimo de ellos debe ocurrir en el ksimo ensayo o repeticin del experimento que es el ltimo.

Para encontrar una frmula que nos permita calcular probabilidades con esta distribucin, partiremos de un ejemplo.

Ejemplo: Se lanza al aire una moneda cargada 8 veces, de tal manera que la probabilidad de que aparezca guila es de 2/3, mientras que la probabilidad de que aparezca sello es de 1/3,

Determine la probabilidad de que aparezcan tres guilas, y la ltima que aparezca sea en el ltimo lanzamiento.

Solucin: S trazamos un diagrama de rbol que nos represente los 8 lanzamientos de la moneda, encontraremos que las ramas que nos interesan son aquellas en donde aparecen 3 guilas y la ltima de ellas aparece en el ltimo lanzamiento; ejemplos de una rama que nos interesa sera; SAASSSSA, SSASSSAA, ASSASSSA, etc., etc.

Entonces la probabilidad se puede determinar de la siguiente forma:

(Probabilidad de que aparezcan Tres guilas, donde la ltima de ellas aparece en el ltimo lanzamiento de la moneda)=(# de ramas del rbol en donde la tercera guila que aparece est en el octavo lanzamiento)(probabilidad asociada a cada rama)

Luego, definiendo algunos trminos a utilizar;

Y = k = nmero de lanzamientos necesarios para que se obtenga una guila por rsima vez = 8 lanzamientos
r = nmero de veces que aparece un xito = 3 guilas p = probabilidad de xito = p(aparezca guila) = 2/3 q = probabilidad de fracaso = p(aparezca sello) = 1/3

Luego, el nmero de ramas que nos interesan del rbol se podra determinar de la siguiente forma:

# de ramas =

Cual es la razn de que se tomen k-1 ensayos y r-1 xitos al momento de calcular el nmero de ramas que nos interesan?

Lo anterior se debe a que en el ltimo ensayo siempre va a haber un xito, por lo que como ste no se va a mover como lo hacen los xitos anteriores, entonces no se toma en cuenta para el clculo de las ramas que nos interesan.

Y la probabilidad asociada a cada rama sera;

Probabilidad asociada a cada rama = p(S)*p(A)*p(A)*p(S)*p(S)*p(S)*p(S)*p(A)= = q*p*p*q*q*q*q*p =

Por lo tanto, la frmula a utilizar sera:

Donde: P(Y=k) = probabilidad de que ocurran r xitos en k ensayos y que el ltimo de ellos que es el r-simo, ocurra en el k-simo ensayo que es el ltimo.

r = nmero de xitos k = nmero de ensayos para obtener r xitos p = p(xito) = p(aparezca guila) q = p(fracaso) = p(aparezca sello) = 1-p

Ejemplos:
1. S la probabilidad de que un cierto dispositivo de medicin muestre una desviacin excesiva es de 0.05, cul es la probabilidad de que; a) el sexto de estos dispositivos de medicin sometidos a prueba sea el tercero en mostrar una desviacin excesiva?, b) el sptimo de estos dispositivos de medicin sometidos a prueba, sea el cuarto que no muestre una desviacin excesiva?.

Solucin: a) k = 6 dispositivos de medicin r = 3 dispositivos que muestran desviacin excesiva p = p(dispositivo muestre una desviacin excesiva) = 0.05 q = p(dispositivo no muestre una desviacin excesiva) = 0.95

p(Y = 6) =

b) k = 7 dispositivos de medicin r = 4 dispositivos que no muestran una desviacin excesiva p = p(dispositivo no muestre una desviacin excesiva) = 0.95

q = p(dispositivo muestre una desviacin excesiva) = 0.05

p(Y = 7) =

DISTRIBUCIONES CONTINUAS
1. DISTRIBUCIN NORMAL.

Caractersticas:

a) Es generada por una variable de tipo continuo, denominada x; - x b) La funcin que nos define esta distribucin es:

- x

Al dar a la funcin los valores de , 2 y valores a x, obtendremos la distribucin en cuestin, la que tiene forma de campana, por lo que tambin se le conoce como campana de Gauss. Hay un nmero infinito de funciones de densidad Normal, una para cada combinacin de y . La media mide la ubicacin de la distribucin y la desviacin estndar mide su dispersin.

c) Es simtrica con respecto a su eje vertical. d) Es asinttica con respecto a su eje horizontal; esto quiere decir que jams va a tocar el eje de las equis. e) El rea total bajo la curva es 1. f) S sumamos a , se observar que aproximadamente el 68.26% de los datos se encuentran bajo la curva, si sumamos a 2, el 95.44% de los datos estar entre esos lmites y si sumamos a 3, entonces el 99.74% de los datos caer dentro de esos lmites. Esta caracterstica es a la vez una forma emprica y rpida de demostrar si los datos que se analizan tienen una distribucin Normal; ya que para trabajar los datos con esta distribucin, debe verificarse que efectivamente as se distribuyen, ya que de no hacerlo, las decisiones que en un momento dado se tomarn de un anlisis de los datos con la distribucin Normal, seran errneas.

Cmo se determinan probabilidades con la distribucin Normal? De acuerdo a como se trataron las distribuciones de probabilidad continuas en la unidad III, lo ms lgico es que la funcin f(x, , 2), se integre entre los lmites de la variable x; esto es,

La integral anterior nos dara el rea bajo la curva de la funcin, desde a hasta b, que corresponde o es igual a la probabilidad buscada. Debido a la dificultad que se presenta para integrar esta funcin cada vez que sea necesario, lo que se hace es tipificar el valor de la variable x, esto es, x se transforma en un valor de z, de la siguiente manera:

Este valor de z es buscado en una tabla donde vienen reas asociadas a este valor, y haciendo uso de los valores tabulados, se determina la probabilidad requerida. La tabla que es usada para calcular las probabilidades es la que nos d el rea que se muestra a continuacin:

Ejemplos:
1. El acero que se utiliza para tuberas de agua a menudo se recubre internamente con un mortero de cemento para evitar la corrosin. En un estudio de los recubrimientos de mortero de una tubera empleada en un proyecto de transmisin de agua en California (Transportation Engineering Journal, Noviembre de 1979) se especific un espesor de 7/16 pulgadas para el mortero. Un gran nmero de mediciones de espesor dieron una media de 0.635 pulgadas y una desviacin estndar de 0.082 pulgadas. S las mediciones de espesor, tenan una distribucin Normal, qu porcentaje aproximado fue inferior a 7/16 de pulgada?

Solucin: x = variable que nos define el espesor del mortero en pulgadas = 0.635 pulgadas

 = 0.082 pulgadas

p(z = -2.41) = 0.492

p(x 7/16 pulgadas) = 0.5- p(z = -2.41) = 0.5-0.492 = 0.008

Por tanto, 0.008 x 100% = 0.8% de los recubrimientos de mortero tienen un espesor menor de 7/16 pulgadas