Distribuciones de probabilidad

La inferencia estadstica consiste en extraer una manera de una poblacin y analizar sus datos con el propsito de aprender acerca de ello. Muchas veces se tiene un conocimiento superficial de la funcin de masa de probabilidad o de la funcin de densidad de probabilidad de la poblacin. En estos casos la funcin de masa o de densidad de probabilidad se aproxima mediante una de muchas familias comunes de curvas o funciones. En este capitulo se describen algunas de estas funciones comunes y las condiciones en que es apropiado utiliza cada una.

Distribucin 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:

Ejemplos:
1. Cuando se lanza un dado hay una probabilidad de 1/6 de que salga 6 x=1 si el dado cae seis y X =0 en cualquier otro caso (cual es la distribucin de X? Solucin: La probabilidad de xito es P(X=1) 0 1/6 por lo que X Bernoulli (6)

2. 10% de los componentes fabricados mediante determinado proceso esta defectuoso se selecciona un componente. Sea X=1 si el componente esta defectuoso y X=0 en cualquier otro caso (cual es la distribucin de x?. Solucin: La probabilidad de xito es p= P(X=1) 0.1 por lo que X Bernoulli _(0.1) 3. Cuando se aplica cierto Barniz a una superficie de cermica 5% es la probabilidad de que se decolore. 20% de que se agriete, y el 23% de que se decolore o no se agriete. O ambas . Sea X =1 si se produce una decoloracin y X =0 en cualquier otro caso. Y =1 si hay alguna grieta y Y =0 en cualquier otro caso. Z=1 si hay decoloracin o grieta, o ambas y Z =0 en cualquier otro caso a) b) c) d) Solucin. 1. 2. 3. 4. 0.05 0.20 0.23 Si Sea P x la probabilidad de xito de X. determine PX. Sea Py la probabilidad de xito de Y. determine PY. Sea Pz la probabilidad de xito de Z determine Pz Es posible que X y Y sea igual a Z.

4. Cuando se lanza al aire una moneda hay una probabilidad de 0.5 de que caiga en cara. Sea X=1 si la moneda cae en cara y X =0 si cae en Cruz. Cul es la distribucin X? Solucin: Puesto que X=1 cuando cae cara. Esta es resultado de xito. La probabilidad de xito p(X=1). Es igual a 0.5. Por tanto X Bernoulli (0.5) X=1

5. Un jugador de Bsquetbol esta a punto de tirar hacia la parte superios del tablero. La probabilidad de anote el tiro es de 0.55 a). sea X=1. S anota el tiro si no lo hace X=0 determine la media ya la varianza de X Solucin: a) M= 0.55 V= 0.2475

Distribucin Binomial
La distribucin binomial es una distribucin de probabilidad discreta que mide el nmero de xitos en una secuencia de n ensayos de Bernoulli independientes entre s, con una probabilidad fija p de ocurrencia del xito entre los ensayos. Un experimento de Bernoulli se caracteriza por ser dicotmico, esto es, slo son posibles dos resultados. A uno de estos se denomina xito y tiene una probabilidad de ocurrencia p y al otro, fracaso, con una probabilidad q = 1 - p. En la distribucin binomial el anterior experimento se repite n veces, de forma independiente, y se trata de calcular la probabilidad de un determinado nmero de xitos. Para n = 1, la binomial se convierte, de hecho, en una distribucin de Bernoulli. Caractersticas analticas Su funcin de probabilidad es

Donde

Siendo de en ) Ejemplo

las combinaciones de

en ( elementos tomados

Supongamos que se lanza un dado 50 veces y queremos la probabilidad de que el nmero 3 salga 20 veces. En este caso tenemos una X ~ B(50, 1/6) y la probabilidad sera P(X=20):

Ejemplos:
X 0 1 2 3 4 5 6 7 8 1. Sea x~Bin(8,0.4) Determine: P 0.01679616 a) 0.20901888 0.08957952 b) 0.23224320 0.20901888 c) 0.08957952 0.27869184 d) 0.00786532 0.23224320 e) 3.2 0.12386304 f) 1.92 0.04128768 0.00786432 0.00065536 1

X 0 1 2 3 4 5

2. Si se toma una muestra de cinco elementos de una poblacin grande en la cual 10% de los elementos esta defectuoso. P 0.59049 a) 0.00001 0.32805 b) 0.07290 0.07290 c) 0.59049 0.00810 d) 0.00045 0.00045 0.00001 1

3. Se lanza una moneda 10 veces. X P 0 0.000976562 a) 0.117187500 1 0.009765625 b) 5 2 0.043945312 c) 2.5 3 0.117187500 d) 1.57 4 0.205078125 5 0.246093750 6 0.205078125 7 0.117187500 8 0.043945312 9 0.009765625 10 0.000976562 0.999999997

X 0 1 2 3 4

4. En un cargamento grande de llantas de automvil, 5% tiene cierta imperfeccin. Se elige aleatoriamente cuatro llantas para instalarlas en el automvil P 0.773780937 a)0.000005937 0.162901250 b) 0.162901250 0.012860625 c) 0.773780937 0.000451250 0.000005937 0.999999997 5. En un patrn aleatorio de ocho bits utilizado para probar un microcircuito, cada bit tiene la misma probabilidad de ser 0 o 1. Supongamos que los valores de los bits son independientes. a). Cual es la probabilidad de que todos los bits sean 1? B). Cual es la probabilidad de que exactamente tres de los bits sean 1? Solucin: 1. 0.0039 2. 0.02188

Distribucin de Poisson
La funcin de masa de la distribucin de Poisson es

Donde:

k es el nmero de ocurrencias del evento o fenmeno (la funcin nos da la probabilidad de que el evento suceda precisamente k veces). es un parmetro positivo que representa el nmero de veces que se espera que ocurra el fenmeno durante un intervalo dado. Por ejemplo, si el suceso estudiado tiene lugar en promedio 4 veces por minuto y estamos interesados en la probabilidad de que ocurra k veces dentro de un intervalo de 10 minutos, usaremos un modelo de distribucin de Poisson con = 104 = 40. e es la base de los logaritmos naturales (e = 2,71828 ...)

Tanto el valor esperado como la varianza de una variable aleatoria con distribucin de Poisson son iguales a . Los momentos de orden superior son polinomios de Touchard en cuyos coeficientes tienen una interpretacin combinatoria. De hecho, cuando el valor esperado de la distribucin de Poisson es 1, entonces segn la frmula de Dobinski, el n-simo momento iguala al nmero de particiones de tamao n. La moda de una variable aleatoria de distribucin de Poisson con un no entero es igual a , el mayor de los enteros menores que (los smbolos representan la funcin parte entera). Cuando es un entero positivo, las modas son y 1.

Ejemplos:
1. si X Poisson (3), calcule P(X=2), P(X=10), P(X=0), P(X=-1) y P(X=0.5) SOLUCION: Cuando se usa la funision de masa de probailiodad (4.9), con P=(X=2)= 0.2240 P=(X=10)=0.0008 P=(X=0)= 0.0498 P=(X=1)= O P(X=O.5)=O =3, se obtiene:

2. Si X SOLUCION:

Poisson (4), calcuyle P(X< 2) y P(X>1).

P(X< 2)= 0.2381 P(X>1)= 0.9084 3. Sea X 1. 2. 3. 4. P(X=1) P(X=0) P(X<2) P(X>1) Poisson(4). Determine:

SOLUCION-. 1. 2. 3. 4. 0.0733 0.0183 000916 0.9084

4.Suponga que 0.03% de los contenedores plasticos producidos en cierto procesos tiene pequeos agujeros que lso dejan inservibles. X representa el numero de contenedores en una muestra aleatoria de 10000 que tienen este defecto. Determine: 1. P(X=3) 2. P(X<3) 3. P(1<X<4) SOLUCION: 1. 0.2240 2. 0.4232 3. 0.5974

5.Una ariable aletoria X tiene una distribucion binomial y una variable aleatoria Y tiene una distribucion de Poisson. Tanto X como Y tiene medias iguales a 3. es posible determinar que variable aleatoria tiene la varianza mas grande? Elija una de las siguientes respuestas: a) b) c) d) Si, X tiene la varaianza mas grande. Si, Y tiene ka varianza mas grande No, se necesita cono cer el numerop de ensayos, n, para X No, se necesita conocer la probailidad de xito, p, para X para Y

e) No, se necesita conocel el valor de SOLUCION: b) SI, Y tiene la varianza mas grande

Distribucin normal
La distribucin normal es, sin duda, la distribucin de probabilidad ms importante del Clculo de probabilidades y de la Estadstica. Fue descubierta por De Moivre (1773), como aproximacin de la distribucin binomial. De todas formas, la importancia de la distribucin normal queda totalmente consolidada por ser la distribucin lmite de numerosas variables aleatorias, discretas y continuas, como se demuestra a travs de los teoremas centrales del lmite. Las consecuencias de estos teoremas implican la casi universal presencia de la distribucin normal en todos los campos de las ciencias empricas: biologa, medicina, psicologa, fsica, economa, etc. En particular, muchas medidas de datos continuos en medicina y en biologa (talla, presin arterial, etc.) se aproximan a la distribucin normal. Junto a lo anterior, no es menos importante el inters que supone la simplicidad de sus caractersticas y de que de ella derivan, entre otras, tres distribuciones (Ji-cuadrado, t y F) que se mencionarn ms adelante, de importancia clave en el campo de la contrastacin de hiptesis estadsticas. La distribucin normal queda totalmente definida mediante dos parmetros: la media (Mu) y la desviacin estndar (Sigma). Campo de variacin: - < x < Parmetros: Mu: media de la distribucin, - < Mu < Sigma: desviacin estndar de la distribucin, Sigma > 0 1. Ejercicio Se supone que el nivel de colesterol de los enfermos de un hospital sigue una distribucin normal con una media de 179,1 mg/dL y una desviacin estndar de 28,2 mg/dL. 1. Calcule el porcentaje de enfermos con un nivel de colesterol inferior a 169 mg/dL.
2. Cul ser el valor del nivel de colesterol a partir del cual se encuentra el 10% de los enfermos del hospital con los niveles ms altos? 3. Represente la funcin de densidad. En este caso, se tendr que ejecutar Epidat 3.1 dos veces: en el primer caso para calcular una probabilidad, en el segundo caso el dato de entrada es una probabilidad, concretamente la cola de la derecha, lo que permitir obtener el punto. En ambas ejecuciones se ofrece, de manera opcional, la funcin de densidad del nivel de colesterol.

solucion
1. Resultados con Epidat 3.1
Clculo de probabilidades. Distribuciones continuas Normal (Mu, Sigma) Mu: Media 179,1000 Sigma: Desviacin estndar 28,2000 Punto X 169,0000 Cola Izquierda Pr[X<=k] 0,3601 Cola Derecha Pr[X>=k] 0,6399 Dos Colas 1-Pr[|X|<=k] 0,7202

El porcentaje de enfermos con un nivel de colesterol inferior a 169 mg/dL es 36%. 2. Resultados con Epidat 3.1 Clculo de probabilidades. Distribuciones continuas Normal (Mu, Sigma) Mu: Media 179,1000 Sigma: Desviacin estndar 28,2000 Cola Izquierda Pr[X<=k] 0,9000 Cola Derecha Pr[X>=k] 0,1000 Dos Colas 1-Pr[|X|<=k] 0,2000 Punto X 215,2398
A partir de 215,24 mg/dL se encuentran los valores de colesterol del 10% de los enfermos que tienen los valores ms altos.

3.- Los CI de 600 aspirantes de cierta universidad se distribuyen aproximadamente de forma normal con una media de 115 y una desviacin estndar de 12. Si la universidad requiere un CI de al menos 95, cuntos de estos estudiantes sern rechazados sobre esta base sin importar sus otras calificaciones? Solucin: P(X < 95) = [(95 115)/12]= [-1.67] = 0.0478 Nmero de estudiantes rechazados = 600*0.0478 = 28.68 o 29 4.-La vida promedio de cierto tipo de motor pequeo es 10 aos con una desviacin estndar de dos aos. El fabricante reemplaza gratis todos los motores que fallen dentro del tiempo de garanta. Si est dispuesto a reemplazar slo 3% de los motores que fallan, de qu duracin debe ser la garanta que ofrezca? Suponga que la duracin de un motor sigue una distribucin normal. Solucin: = 10 y = 2 P3 rea = 0.03 ( Z ) = 0.03 Z = -1.88 x = Z + = (-1.88)(2) + 10 = 6.24 5.-Un abogado va todos los das de su casa en los suburbios a su oficina en el centro de la ciudad. El tiempo promedio para un viaje de ida es 24 minutos, con una desviacin estndar de 3.8 minutos. Suponga que la distribucin de los tiempos de viaje est distribuida normalmente. = 24 y = 3.8 Solucin: cul es la probabilidad de que un viaje tome al menos hora? P(X > 30) = 1 - [(30 24)/3.8 ] = 1 - [1.58 ] = 1 0.9428 = 0.0572

Distribucin Gamma
La distribucin gamma se puede caracterizar del modo siguiente: si se est interesado en la ocurrencia de un evento generado por un proceso de Poisson de media lambda, la variable que mide el tiempo transcurrido hasta obtener n ocurrencias del evento sigue una distribucin gamma con parmetros a= n lambda (escala) y p=n (forma). Se denota Gamma. Por ejemplo, la distribucin gamma aparece cuando se realiza el estudio de la duracin de elementos fsicos (tiempo de vida). Esta distribucin presenta como propiedad interesante la falta de memoria. Por esta razn, es muy utilizada en las teoras de la fiabilidad, mantenimiento y fenmenos de espera (por ejemplo en una consulta mdica tiempo que transcurre hasta la llegada del segundo paciente). Campo de variacin: 0<x< Parmetros: a: parmetro de escala, a > 0 p: parmetro de forma, p > 0
Ejercicio 1 El nmero de pacientes que llegan a la consulta de un mdico sigue una distribucin de Poisson de media 3 pacientes por hora. Calcular la probabilidad de que transcurra menos de una hora hasta la llegada del segundo paciente. Debe tenerse en cuenta que la variable aleatoria tiempo que transcurre hasta la llegada del segundo paciente sigue una distribucin Gamma (6, 2). Solucin:
Clculo de probabilidades. Distribuciones continuas Gamma. a : Escala 6,0000 p : Forma 2,0000 Punto X 1,0000 Cola Izquierda Pr[X<=k] 0,9826 Cola Derecha Pr[X>=k] 0,0174 Media Varianza Moda 0,3333 0,0556 0,1667

La probabilidad de que transcurra menos de una hora hasta que llegue el segundo paciente es 0,98. Ejercicio 2 Suponiendo que el tiempo de supervivencia, en aos, de pacientes que son sometidos a una cierta intervencin quirrgica en un hospital sigue una distribucin Gamma con parmetros a=0,81 y p=7,81, calclese: 1. El tiempo medio de supervivencia. 2. Los aos a partir de los cuales la probabilidad de supervivencia es menor que 0,1.

Solucin:
Clculo de probabilidades. Distribuciones continuas Gamma a : Escala p : Forma Cola Izquierda Pr[X<=k] Cola Derecha Pr[X>=k] Punto X Media Varianza Moda 0,8100 7,8100 0,9000 0,1000 14,2429 9,6420 11,9037 8,4074

El tiempo medio de supervivencia es de, aproximadamente, 10 aos. Ejercicio3

Si se sabe que el tiempo de sobrevivencia de ratas expuestas a un determinado txico es una variable aleatoria que sigue una distribucin Gamma (5, 10), cul es la probabilidad de que una rata no supere las 60 semanas de vida? Solucion:
Resolviendo en R, > pgamma(60, 5, scale = 10, lower.tail = T) [1] 0.7149435 Su representacin grfica en Excel

Ejemplo 4 Tambin en el mbito de la siniestralidad viaria, en un estudio de la ciudad de Medelln, Colombia, se usa la distribucin Gamma para obtener la distribucin de probabilidad de la variable aleatoria edad de fallecimiento en accidentes de trfico. En este caso explican que se asignaron los parmetros y a ojo. El mejor resultado es el que parece minimizar los errores cuadrticos medios despus de varias asignaciones. Finalmente obtienen =2,94 y =13,94.

Ejemplo5 En un estudio de la guardia urbana de Barcelona se toma una distribucin gamma para modelizar el nmero de vctimas en accidentes de trfico. Como es ms habitual la proporcin de 1 ocupante por vehculo siniestrado, y es ms rara la probabilidad de 4 5 ocupantes por vehculo siniestrado, se crea una distribucin gamma para modelizar el nmero de vctimas por accidente de trfico. El 38% de la distribucin lo acumula la proporcin 1 accidentado por accidente, el 36% 2:1, 16% la 3:1, 6% el 4:1 y finalmente un 3% para 5:1. La media del modelo es 1,5 vctimas por accidente, pero no indican el valor de los parmetros y tomados en cuenta.

Distribucin T student.
Es una distribucin de probabilidad que surge del problema de estimar la media de una poblacin normalmente distribuida cuando el tamao de la muestra es pequeo. Aparece de manera natural al realizar la prueba t de Student para la determinacin de las diferencias entre dos medias mustrales y para la construccin del intervalo de confianza para la diferencia entre las medias de dos poblaciones cuando se desconoce la desviacin tpica de una poblacin y sta debe ser estimada a partir de los datos de una muestra. La distribucin t de Student es la distribucin de probabilidad del cociente

Donde Z tiene una distribucin normal de media nula y varianza 1 V tiene una distribucin ji-cuadrado con grados de libertad Z y V son independientes

Si es una constante no nula, el cociente es una variable aleatoria que sigue la distribucin t de Student no central con parmetro de nocentralidad .

1. EJEMPLO: Cual es la probabilidad de que una variable t de Student de 6 grados de libertad deja a la izquierda de -1,45:

Los valores negativos no vienen en la tabla, pero segn lo anterior:

En la tabla encontramos:

Por tanto:

Con lo que obtenemos:

2. EJEMPLO: Cual es la probabilidad acumulada a la derecha de 2,45, en una variable t de Student de 15 grados de libertad.

Segn lo anterior:

Por la tabla tenemos que:

Que sustituyndolo en la expresin, resulta:

Que da como resultado:

3. EJEMPLO: Cual es la probabilidad: Segn lo anterior:

Buscando el valor en la tabla, tenemos que:

4. EJEMPLO: Cual es la probabilidad acumulada de una variable t de Student de 25 grados de libertad, se encuentre entre: 0,75 y 1,25.

Segn lo anterior, tenemos:

En la tabla las probabilidades, tenemos los valores:

Sustituyendo tenemos:

Realizando la operacin:

5. EJEMPLO: Calcular la probabilidad acumulada a la izquierda de 0,87 de una variable t Student de 10 grados de libertad:

el valor 0,87 no viene en la tabla, pero los valores 0,85 y 0,90 s:

Segn la expresin:

Sustituyendo los valores numricos, tenemos:

Operando:

Esto es:

Dando como resultado:

Que es la solucin al problema planteado: