Professional Documents
Culture Documents
Continuas
Distribuciones de Probabilidades
Introduccin.
Las distribuciones de probabilidad se emplean el estudio de fenmenos aleatorios
en disciplinas como la ingeniera y las ciencias aplicadas o bien en negocios y la
economa. En este manual se desarrollar un mtodo para determinar las
distribuciones de probabilidad de una funcin de variable aleatoria.
una determinada
se
expondrn
detalladamente
las
Ejemplo:
Los valores que toma la variable, (de tipo cuantitativo discreto), son enteros positivos.
117
Distribuciones de Probabilidades
Ejemplo
Se tiene una moneda que al lanzarla puede dar slo dos resultados: o cara
(50%), o cruz (50%).
La siguiente tabla muestra los posibles resultados de lanzar dos veces una
moneda:
Primer
Segundo
lanzamiento
lanzamiento
2 lanzamientos
resultados posibles
cara
cara
cara
cruz
cruz
cara
cruz
cruz
PROBABILIDAD DE ESTE
NMERO DE
CARAS
LANZAMIENTOS
RESULTADO
P(CARA)
(CRUZ, CRUZ)
0.25
(CARA, CRUZ)
1
0.50
(CRUZ, CARA)
2
(CARA, CARA)
0.25
NOTA: Esta tabla no representa el resultado real de lanzar una moneda dos
veces sino la del resultado terico es decir representa la forma en que se
espera se comporte el experimento de lanzar dos veces una moneda.
118
Distribuciones de Probabilidades
2. Variable aleatoria continua (x). Porque puede tomar tanto valores enteros
como fraccionarios y un nmero infinito de ellos dentro de un mismo intervalo.
Ejemplo:
119
Distribuciones de Probabilidades
DISTRIBUCIONES DE PROBABILIDADES
El comportamiento de una variable aleatoria queda descrito por su distribucin de
probabilidad. Esta distribucin especifica su forma y sus parmetros.
En muchas tareas o anlisis de aplicacin estadstica, se busca determinar una
distribucin de probabilidad o modelo de probabilidad que satisfagan un conjunto
de supuestos, para estudiar los resultados observados de un experimento
aleatorio.
I.
PRINCIPALES
DISTRIBUCIONES
DE
VARIABLES
ALEATORIAS
DISCRETAS
Muchos de los acontecimientos cotidianos, pueden ser representados
mediante funciones probabilsticas tericas, que son tiles en la toma de
decisiones bajo condiciones de incertidumbre que contribuyen al desarrollo
de la ciencia. Veamos algunos de ellos:
1.
Caractersticas:
1. La prueba tiene 1 de 2 resultados mutuamente excluyentes (xito o
fracaso).
2. Las probabilidades de xito (E) y fracaso (F) se denotan con " p(E)=p " y
" p(F)=1-p = q" respectivamente.
3. X: es el nmero de xitos x = 0,1.
4. Distribucin de probabilidad de Bernoulli.
La variable aleatoria X tiene una distribucin de Bernoulli con parmetro
p y denotado por: XBer(p). La distribucin de probabilidad de la
variable aleatoria Bernoulli es:
FUNCIN DE CUANTIA:
p x q1 x , x 0 ,1
f ( x) p ( X x)
0 para otros valores
120
Distribuciones de Probabilidades
Donde p es la probabilidad de conseguir un xito y f define una funcin de
cuanta con parmetro p.
FUNCIN DE DISTRIBUCION.
0 ; x 0
F ( x) P( X x) 1 p : 0 x 1
1
: x 1
=p
=pq
a)
E( x) 0x(1 p) 1xp p
b) 2 E( X 2 ) 2 (0) 2 (1 p) (1) 2 ( p) P 2 p p 2 pq
PROBLEMA: Un experimento aleatorio consiste en seleccionar un artculo
defectuoso de un lote 1000 artculos que contiene 20 defectuosos.
a) Construir la cuanta y
ii) distribucin asociados a dicho experimento.
iii) Calcule esperanza matemtica y
iv) varianza de la variable de la variable con distribucin de Bernoulli.
v) Calcule P(0 x 1.5)
Solucin:
p= (20/1000)=0.02 Probabilidad de xito.
1-p=q=1-0.02=0.98
i) CUANTA
0.02 x 0.981 x , x 0 ,1
f ( x) p ( X x)
0 para otros valores
121
Distribuciones de Probabilidades
ii) DISTRIBUCIN
0 ; x 0
F ( x) P( X x) 0.98 : 0 x 1
1
: x 1
F(x)
0.98
= p q=0.02(0.98)=0.0196
2.
DISTRIBUCIN BINOMIAL
Distribuciones de Probabilidades
FUNCIN DE CUANTIA:
nx p x (1 p) n x ,
x 0, 1, 2,......., n
f ( X ) p( X x)
0 para otros caso
Permite obtener la probabilidad simple de obtener x aciertos en un total de
n ensayos
FUNCIN DE DISTRIBUCION.
x
F ( X ) P( X x)
p (1 p)
n
x
n x
: Probabilidad de xito
q = (1 -p)
: Probabilidad de fracaso
: nmero de pruebas
Distribuciones de Probabilidades
La variable aleatoria X, nmero de xitos en n ensayos de Bernoull se puede
escribir como una suma de n variables aleatorias independientes de Bernoull.
Esto es:
n
x Xi
i 1
Siendo
a)
Xi
de Bernoull con:
E( X i ) p
n
n
n
E ( X ) E X 1 var( X i ) p np.
i 1
i 1
i 1
n
n n
12
= (0.,08)0 (0.92)12
0
= 0.9212
Usando la tabla:
B(0 ; 12 , 0.08) = B (0 ; 12 ,0.08) = 0.3677
Distribuciones de Probabilidades
Usando tablas:
p( X 1) = 1 - p(X 1)
= 1 - p(X = 0)
= 1 - B (0 ; 15 , 0.08)
= 0.7137
= np = 1000(0.08) = 80
= np (1 - p) 1000(0.08)(0.92) 8.579
PROBLEMA: La probabilidad que un rayo impacte en un poste o cable de energa
elctrica de la red de distribucin de la Regin, en una noche de lluvia tormentosa
es 0.15. Encontrar la probabilidad que de 20 noches de lluvia:
i)
ii)
iii)
Ocurran de 2 o ms impactos
solucin:
x b(x ; 20 , 0.15)
USO DE LA TABLA
i) P(x =1) = f(1) = b(1 ; 20 , 0.15) = B(1 ; 20 , 0.15) - B(0 ; 20 , 0.15)
= 0.1756 - 0.0388 = 0.1368
ii) P(x 3) = B(3 ; 20 , 0.15) = 0.6477
iii) P(x 2) = 1 - P(x < 2) = 1 - P(x 1)
= 1 - B(1 ; 20 , 0.15)
= 1 - 0.1756 = 0.8244
USO DE LA TABLA
a)
b)
c)
Distribuciones de Probabilidades
b(8 ; 12 , 0.70) = B(4 ; 12 , 0.30) = B(4; 12, 0.30)-B(3;12,0.30)
= 0.7237 - 0.4925 = 0.2312
d)
x 9) :
i) P(5 x 9) =
x 6
x 0
x 0
ii)
e)
x 5
x 0
x 0
= 0.0432
126
Distribuciones de Probabilidades
3.
DISTRIBUCIN DE POISSON
Caractersticas:
1. El experimento en que el nmero de xitos ocurre durante una unidad de
tiempo rea o volumen.
2. La probabilidad de que un evento ocurra en una unidad dada de tiempo,
rea o volumen es la misma para todas las unidades.
3. El nmero de xitos que ocurren en una unidad de tiempo, rea o volumen
es independiente del nmero que ocurren en otras unidades.
4. El nmero medio de eventos en cada unidad se denota por Lambda ().
Su creador fue el francs Simen Denisse Poisson (1781-1840)
e x
P ( X x)
x!
, x = 0, 1, 2,
donde:
: Nmero medio de xitos de eventos en una unidad dada de tiempo, rea o
volumen
x : nmero de xitos
e : base neperiano el cual equivale a 2.71828
x : factorial de x
127
Distribuciones de Probabilidades
La media y la varianza de la variable aleatoria de la distribucin de Poisson
son respectivamente: = y =
MODELO
Experimento binmico en que la probabilidad de xito es bastante pequea
(p0) en tanto que la muestra es grande (n), su parmetro es =np
parmetro
CUANTA
e x
f ( x) P( X x)
; x 0,1,2,3,...
x!
Donde:
: nmero medio de xitos de eventos en una unidad dada de tiempo, rea o
volumen
x : nmero de xitos
e : base neperiano el cual equivale a 2.71828
x : factorial de x
DISTRIBUCIN
e x
F ( x) P ( X x)
;
x
!
x 0
x
x Z 0
=
E(X) = V(X) = .
USO DE LA TABLA:
a) Sea X variable aleatoria con distribucin de Poisson, calcular:
Si =5.4
Si =6.8
128
Distribuciones de Probabilidades
PROBLEMA: El nmero de tornillos producidos por minuto con una mquina
automtica es una variable aleatoria que tiene la distribucin de Poisson con =
5.6. Si la mquina aumenta la velocidad se desajusta cuando produce por lo
menos 13 tornillos por minuto Cul es la probabilidad de desajuste de la
mquina?
SOLUCIN
Cuanta: X Poisson (x; 5.6)
e 5.6 5.6 x
f ( x;5.6) P( X x)
; x 0,1,2,3,...
x!
e 5.6 5.6 x
P (x 13) = 1 - P (x < 13) = 1 P( x 12) 1
x!
x 0
12
= 1 - 0.9949 = 0.0055
PROBLEMA: Se sabe que el 2% de de la produccin mensual de queso es
defectuoso. Se desea obtener una muestra de manera que el mximo nmero de
quesos defectuosos sea de 6 con una probabilidad de 0.95 Cul ser el tamao
de dicha muestra?
Solucin:
X b (x; n, p), donde p = 0.02
P(x 6) = 0.95
3.2
=0.02n
3.3
0.95
0.9490
interpolacin lineal:
0.9554 0.9490
3.2 3.3
0.95 0.9490
0.02n 3.3
n 164.2 164
6 0.9554
de
Poisson
para
aproximar
la
distribucin
binomial.
np
129
Distribuciones de Probabilidades
II.
PRINCIPALES
DISTRIBUCIONES
DE
VARIABLES
ALEATORIAS
CONTINUAS
4.
DISTRIBUCIN NORMAL
Quizs la distribucin de probabilidad ms importante utilizada para describir
una variable aleatoria continua es la distribucin de probabilidad normal; es
aplicable en gran cantidad de situaciones de problemas prcticos. La
distribucin normal es la de mayor importancia en la Estadstica porque:
1. Muchas variables aleatorias continuas se distribuyen normalmente o se
supone que siguen la ley de probabilidad normal.
2. Sirve como una buena aproximacin de muchas distribuciones discretas,
como la binomial y la de Poisson.
3. Las distribuciones de muchos estadsticos muestrales se aproximan a la
distribucin normal.
La distribucin normal, o tambin conocida como distribucin Gaussiana,
debido a que su autor fue Karl Gauss durante el siglo XIX. Tiene algunas
propiedades que la hacen aplicable en un gran nmero de situaciones en las
que es necesario hacer inferencias mediante la toma de muestras.
Definicin.Sea X una variable aleatoria continua con media
y varianza Entonces la
funcin de densidad es
La variable aleatoria X sigue una distribucin normal con parmetros , 2;
se denota por : ( x; ;
CARACTERSTICAS:
Distribuciones de Probabilidades
+ 2 = 95.5%
+ 3 = 99%
DENSIDAD
Su funcin de densidad de probabilidad, tiene la forma de una campana
como la figura siguiente:
f ( x)
Parmetros
1( x )2
e 2
; x
: media
2: varianza
:Nmero Pi , 3.14159
Esta funcin f(x) es muy sensible a los valores de (la desviacin estndar),
por cuanto para igual valor de esperanza matemtica , la curva tiende a
aplastarse y a ensancharse a medida que aumenta la desviacin estndar,
131
Distribuciones de Probabilidades
por el contrario, menores valores de tienden a comprimir la curva
alrededor del valor de la esperanza matemtica , aumentando el valor de la
curva.
DISTRIBUCIN
1 x 2
(
)
t
2
F (x t) 1
dx
e
2
Esperanza matemtica
E ( x)
1 x 2
(
)
xe 2
dx
Varianza
V ( x)
1 x 2
(
)
(x ) 2 e 2
dx
f (Z )
2
1
e Z / 2 ; x
2
V(Z) = 1
132
Distribuciones de Probabilidades
CARACTERSTICAS
Si X es una variable aleatoria continua distribuida normalmente con
media y varianza , lo denotamos por N(,).
f(x)
Area o
Probabilidad
z=0
1
f (Z t )
2
Z 2 / 2
dz
F(z)
1/2
133
Distribuciones de Probabilidades
USO DE TABLAS
Si X ~ n(x; 23, 9) calcular: a) P(X > 25)
Solucin
a)
b) P X 5
c) P20 X 26
25 23
X 25
P X 25 P
P Z
3
PZ 0.67 1 PZ 0.67
= 1 0.7486 = 0.2514
5 X 5
P X 5 P 5 X 5 P
3
3
b)
3
20 23 X 26 23
3
P
P Z P( Z 1) P( Z 1)
3
3
3
3
c)
=0.8413-0.1587=0.6826
Tambin se cumple
=2 P( Z 1.67)
-1= 0.6826
b) Menores de 100cm?
Solucin
X 132.34 123
= P (Z > 0.87)
10.7
a) P X 132.34 P
X 100 123
PZ 2.15 = 0.0158
10.7
b) P X 100 P
134
Distribuciones de Probabilidades
PROBLEMA: Una planta de elaboracin de productos lcteos es abastecida de
leche cada 2 das, el consumo en volumen de leche para la produccin tiene una
distribucin normal con media de 2000 litros y desviacin tpica 500 litros. (Se
entiende el consumo cada dos das). Se trata de hallar la capacidad de su tanque
de leche para que sea de solo 0.05, la probabilidad que en un periodo de 2 das,
la leche no sea suficiente para satisfacer toda la demanda.
Solucin:
x el valor de la v.a.
X: representa, el volumen de consumo de leche cada dos das.
X ~ n(x; 2000, 5002)
C : Capacidad del tanque
P(X > C) = 0.05
X C 2000
P
0.05
500
C 2000
P Z
0.05
500
C 2000
1 P Z
0.05
500
C 2000
P Z
0.95
500
C 2000
1.3645 ;
500
C 2822.5
f(x) =
2
[ () ]
( )2 2
[() ]
2
para x 0,
> 0
135
Distribuciones de Probabilidades
FUNCIN DE DISTRIBUCIN O ACUMULATIVA.
( ) =
(2) 2 2
1
() ] 2
[ ()]
2 2
Ejemplo
Sea el percentil x2 (45) = 80.1, Calcular [ 2 (45) 80.1]
Solucin.
[ 2 (45) 80.1] = 0.999. La probabilidad es de 0.999
Ejemplo.
[ 2 (10) ] = 0.0005, entonces x = 1.26
[ 2 (15) ] = 0.999, entonces x = 37.7
DISTRIBUCIN t STUDENT t(n).
Teorema. Sea Z una variable aleatoria normal estndar y X una variable aleatoria
chi-Cuadrado con n grados de libertad. Si Z y X son independientes, entonces la
variable aleatoria
Distribuciones de Probabilidades
Donde n = grados de libertad.
La distribucin t es una distribucin simtrica.
(1 ,)
(, ) = 1 ,
0 1
Ejemplo.
Calcular [(20) 1.725] = ?
Solucin.
[(20) 1.725] = . . La probabilidad es de 0.95.
Calcular [(20) 1.725] = ?
Solucin.
[(10) 0.879] = . . La probabilidad es de 0.80.
Ejemplo.
[(15) ] = . . Entonces t = - 0.879.
[(14) ] = . . Entonces t = 1.761.
15) ]
[ (0.95 ,
15) ]
[ (0.99 ,
15) ]
137
Distribuciones de Probabilidades
Dado que la distribucin t es simtrica con respecto al cero, para > 0.5, los
valores cuantiles (1 ,), sern negativos pero sus magnitudes sern las mismas
que las
15) ]
[ (0.05 ,
15) ]
[ (0.01 ,
15) ]
La distribucin F tiene asimetra positiva para cualesquiera valores de v1, v2, pero
sta va disminuyendo conforme v1 y v2 toman valores cada vez ms grandes.
Ejemplo.
[ (0.90 ,5,10) ]
[ (0.95 ,5,10) ]
[ (0.99 ,5,10) ]
138