13/11/2013

Materia Estadstica Matemtica II Docente : Marco A Snchez L 2013

Hay muchos experimentos que solo tienen dos resultados posibles xito E y fracaso F. Luego el espacio muestral para este tipo de ensayo es ={E,F} Un experimento con estas caractersticas se llama un ensayo de Bernoulli. Definimos la variable aleatoria X de tal manera que: X(w)=Nmero de xitos en un ensayo de Bernoulli RX={0,1} Es decir X(F)=0 si el resultado del ensayo es una F y X(E)=1 si el resultado del ensayo es una E.

13/11/2013

La variable aleatoria X, as definida se llama: Variable aleatoria de Bernoulli

E F 0= X(F)

1= X(E)

Determinamos por p=P[E] y por q=1-p=P[F] La distribucin de probabilidad de Bernoulli se presenta en la siguiente tabla y grafica:
0,8 0,6 p(x) x p(x) 0 1-p=q 1 p 0,4 0,2 0 0 X 1

13/11/2013

La distribucin de Bernoulli se escribe como una distribucin as: p(x)=P[X=x]=px(1-p)1-x, x=0 1 La media y la varianza de la variable aleatoria X se calcula como sigue: =E(X)=0*q+1*p=p 2 =Var(X)=E(X2)-(E(X))2 =02xq+12xp-p2=p-p2=p(1-p) Hay muchos problemas en los cuales el experimento consta de n ensayos (o sub experimentos), de Bernoulli:1,2,3,,n.

Se dice que una secuencia de n ensayos iguales de Bernoulli, forman un proceso de Bernoulli o experimento binomial si se cumple: a) Cada ensayo tiene solo 2 resultados posibles E F. b)Los ensayos son independientes. Es decir el resultado(xito o fracaso) de cualquier ensayo es independiente del resultado de cualquier otro ensayo. c)La probabilidad de xito p permanece constante de ensayo a ensayo. Luego la probabilidad de fracasos q=1-p tambin es constante.

13/11/2013

EJEMPLO: Suponga un experimento que consta de tres ensayos de Bernoulli y p la probabilidad de xito en cada ensayo. X la variable aleatoria que representa el nmero de xitos en los tres ensayos. Hallar la distribucin de probabilidad de X. Sea Xi(i=1,2,3) la variable aleatoria de Bernoulli que representa el numero de xitos en el ensayo i. La variable aleatoria X se escribe X= 3 =1 , el dominio es:

={FFF, FFE, FEF, EFF, EEF, EFE, FEE, EEE} RX={0,1,2,3} P[X=0]=P[FFF]=(1-p)(1-p)(1-p)=(1-p)3 P[X=1]=P[FFE]+P[FEF]+P[EFF]=3p(1-p)2 P[X=2]=P[EEF]+P[FEE]+P[EFE]=3p2(1-p) P[X=3]=P[EEE]=p3
x p(x) 0 (1-p)3 1 3p(1-p)2 2 3p2(1-p) 3 p3

13/11/2013

Grficamente representado tendramos:

A menudo estaremos interesados en el numero total de xitos E obtenidos en un proceso de n ensayos de Bernoulli al margen del orden en que se presentan. El espacio muestral de los n ensayos, tiene 2n elementos o sucesos los cuales son una sucesin de n smbolos E y F. =(FEFFEFEFE,)

n letras

13/11/2013

Definamos ahora una variable aleatoria X de la siguiente forma: X(w)= Nmero de xitos obtenidos en los n ensayos de Bernoulli RX={0,1,2,3,4,5,,n} La variable aleatoria X as definida, se llama una variable aleatoria binomial.
FFF FFE; F.EF FEF; EF.F EF.EF n 0 1

La distribucin de probabilidad de la variable aleatoria binomial X, se llama distribucin binomial y se denota por P[X=x/B;np] o b(x;n,p) que se lee: la probabilidad de obtener exactamente x xitos y n-x fracasos Clculo de la distribucin de probabilidad de la variable aleatoria binomial X: a)La probabilidad que en los n ensayos no ocurra ningn xito es qn. Es decir: P[X=0]=P[{F..FF.FF}] =qn, por ser independientes
n veces F

13/11/2013

b) La probabilidad de que en los n ensayos ocurra un xito es: 1 P[X=1]=P[{FFFFE,}]=1, 1 = 1 Ya que una E y n-1 efes pueden ocurrir en los n ensayos de Pnn-1= formas diferentes. 1 c) La probabilidad que en los n ensayos ocurran 2 xitos es: n-2 2 2 2 P[X=2]=P[{FFFFEE,}]= 2 Ya que en los n ensayos los dos ees y n-2 efes 2,2 ocurren de = formas diferentes. 2

d) En general la probabilidad que en los n ensayos ocurra x, xitos es:

P[X=x]=P[{FFFF....EEE,}]=
,

Ya que los x ees ocurre en los n ensayos de , P = formas diferentes.

13/11/2013

Por lo tanto la distribucin binomial de la variable X es: P[X=x/B;np]=P[X=x]= , x=0,1,2,,n Algunas veces escribiremos simplemente: b(x;n,p)=]= , x=0,1,2,,n

CARACTERSTICAS DE LA DISTRIBUCIN BINOMIAL Las caractersticas de la distribucin binomial son la esperanza matemtica, la Varianza y la desviacin tpica. La esperanza matemtica luego de aplicar la definicin general se define como: =E(X)=np

13/11/2013

La varianza se la define como: 2 = = De donde la desviacin estndar seria: =

EJEMPLO: Se lanza un dado 10 veces. Calcular la probabilidad de obtener cuatro veces 6. Paso 1 Definimos la variable aleatoria as: X(w)=numero de veces que aparece el numero seis en los 10 lanzamientos del dado. Entonces: RX={0,1,2,3,4,5,6,7,8,9,10} Paso 2 El evento que nos interesa es obtener un 6. Entonces definimos los eventos: E= obtener un 6 al lanzar el dado F= obtener un nmero diferente de 6

13/11/2013

Paso 3:Definimos que la probabilidad para ambos eventos es: P[E]=1/6 y P[F]=5/6 Paso 4: Se lanza el dado 10 veces por lo tanto n=10. Paso 5: Analizamos que: Cada lanzamiento puede considerarse con dos resultados E o F. Las probabilidades de E y F permanecen constantes en cada ensayo El resultado de cualquier ensayo es independiente de otro. Por lo tanto X(w) es una variable aleatoria binomial y su distribucin de probabilidad es:

10 1 5 10 P[X=x/B;n=10 y p=1/6]= ( ) ( ) , con 6 6 x=0,1,2,3,10 Paso 6 Para resolver el ejercicio debemos calcular: 10 1 4 5 104 P[X=4/B;n=10 y p=1/6]= ( ) ( ) 4 6 6 = =
10! 4! 104 !

1 1296

(6)6=24(720) 1296 46656

3628800

15625

3628800 *0,000771605*0,334897977 17280

=210*0,000258409=0,0542659

10

13/11/2013

EJEMPLO 2:En Monteagudo en el mes de octubre la lluvia cae con un promedio de uno cada cuatro das durante los que el cielo esta nublado. Determine la distribucin de probabilidades del nmero de das con lluvia entre los cuatro prximos das nublados, suponiendo se cumple independencia. Encuentre la media y la varianza del nmero de das lluviosos. Presente tambin la grfica de la distribucin de probabilidad.

La variable aleatoria X(w)= Numero de das con lluvia durante los cuatro das nublados. RX={0,1,2,3,4} El experimento es observar si llueve durante los das nublados de donde solo pueden haber dos tipos de respuesta: E= da con lluvia y F= da sin lluvia De donde p=P[E]=1/4 q=P[F]=3/4 Suponiendo que llueve o no un da determinado, es independiente de que llueva o no los otros das se tiene que X(w) es una variable aleatoria binomial cuya distribucin de probabilidad con parmetros: n=4 p=1/4 es:

11

13/11/2013

4 1 3 4 , x=1,2,3,4 4 4 La media y la varianza de X estn dadas por: =E(X)=np=4*1/4=1 2 =npq=4*1/4*3/4=12/16=3/4 Para la grafica de la distribucin tendramos la siguiente distribucin: P[X=x/4;1/4]=
x p(x) 0 0,316 1 0,422 2 0,211 3 0,047 4 0,004

Distribucin Binomial
0,600 p(x) 0,400 0,200 0,000 0 1 2 X 3 4 5

La grafica muestra la distribucin de probabilidad graficada y es una variable aleatoria discreta.

12

13/11/2013

APLICACIONES DE LA DISTRIBUCION BINOMIAL EN UNA MUESTRA La extraccin de una muestra de n elementos de una poblacin puede considerarse como un experimento que consiste de n ensayos repetidos. Los n ensayos o selecciones sern independientes en los siguientes casos: a) Cuando los elementos de la muestra se extraen con o sin remplazo de una poblacin infinita. Obviamente el resultado de una extraccin cualquiera es independiente de otra extraccin y la proporcin p de xitos (p=P[xito]) permanece constante en cada extraccin. Entonces es aplicable la distribucin binomial.

b) Cuando los elementos de la muestra se extraen con reemplazamiento de una poblacin finita. Suponga que la poblacin tiene N elementos, k de los cuales son de cierta clase en las que estamos interesados. Definimos la variable aleatoria X tal que: X(w)=nmero de elementos de la clase de nuestro inters en la muestra de tamao n. Las extracciones individuales son ensayos de Bernoulli, donde el elemento de clase de nuestro inters son xitos y el experimento de tomar una muestra de tamao n con reemplazamiento consiste de n ensayos independientes de Bernoulli donde p= P[xito]=k/N, es decir X tiene una distribucin binomial.

13

13/11/2013

p(x)=P[X=x/B;n,k/N]=

,x=0,1,2,..,n

Frecuentemente en la realidad se extrae una muestra sin reemplazamiento de una poblacin finita, situacin en la cual no se puede aplicar la distribucin binomial ya que los ensayos son claramente no independientes. En este caso la distribucin es una hipergeomtrica.

Ejemplo1 En una colmena de abejas, el 25% tienen una diferenciacin de color por alguna afeccin bacteriana. Se seleccionan aleatoriamente 300 abejas de la colmena para un anlisis de la afeccin que tienen. Defina X como el nmero de abejas que tienen la afeccin en la muestra. Determinar el valor esperado la varianza y la desviacin estndar. Los datos para resolver el problema son:

14

13/11/2013

X(w)= nmero de abejas que tienen la afeccin en la muestra p=25% q=75% y n =300 Entonces la distribucin sera seria binomial y se la expresara como: 300 P[X=x]= 0,25 0,75300 , =E(x)=np=300x0,25=75 Var(x)=npq=56,25 = 56,25=7,5

Ejemplo 2: El daltonismo afecta al 1% de una poblacin grande. Suponga que se escogen aleatoriamente n personas de esta poblacin. Cul es la probabilidad de que ninguna de las n personas sean daltnicos?Que tamao debe tener n para que esta poblacin sea <10%? Los datos del problema son: X(w)= personas que son daltnicas p=0,01 y q=0,99 para la primera pregunta x=0, entonces el tamao de muestra es el que calculara de la siguiente manera:

15

13/11/2013

! 0,010 0,990 = 1 0,99 0! 0 ! 0 ! 1 0,99 =11 0,99 =(0,99) a) P[X=0]=

b)Se quiere determinar n tal que (0,99) < 0,10 (0,99) = 0,10 Aplicando logaritmos tendramos: nlog0,99=log0,10 n=
0,10 0,99

1 =229,1=229 0,0043648

USO DE LA TABLA DE PROBABILIDAD BINOMIAL Los valores de la funcin de distribucin acumulada de la variable aleatoria X que tiene una distribucin binomial estn dadas en tablas y es uso de estas simplifica mucho el calculo de todas las probabilidades binomiales. Sea X(w)=numero de xitos en los n ensayos de Bernoulli. La probabilidad acumulada binomial dado en la tabla 1 es P[Xr] que designaremos por:

16

13/11/2013

P[Xr/B;n,p] o P[Xr/n,p] En otras palabras la tabla da la probabilidad que la variable aleatoria binomial toma valores mayores o iguales a r. En la siguiente grafica se muestran los valores que toma la variable aleatoria, asociada con sus respectivas probabilidades y se ve tambin que cada probabilidad en la tabla de probabilidad acumulada es la suma de probabilidades individuales P[Xr]=P[X=r]+P[X=r+1]++P[X=n]

Algunas de las probabilidades mas simples que se presentan se dan en el siguiente cuadro:

17

13/11/2013

Probabilidades que queremos calcular P[Xr/n,p] P[X>r/n,p] P[X=r/n,p] P[X<r/n,p] P[Xr/n,p]

Probabilidades dadas en la tabla P[Xr/n,p] P[Xr+1/n,p] P[Xr/n,p]-P[Xr+1/n,p] 1-P[Xr/n,p] 1-P[Xr+1/n,p]

Utilizando un diagrama similar al anterior se tendr:

Ejemplo: Calcular:

a) P[X=2/4;0,23]=P[X2/4;0,23]-P[X 3/4;0,23] =0,2285-0,0403=0,1882 b) P[X<10/20;0,3]=1-P[X10/20;0,3] =1-0,0480=09520

18

13/11/2013

Considerando que las tablas solo contienen valores hasta p=0,5, cuando p>0,5 se debe proceder de la siguiente manera: 1) Se sustituye r por n-r 2) Se sustituye p por 1-p 3) Se invierten las desigualdades (< por >) 4) Se usa el procedimiento para calcular probabilidades <0,5 Ejemplo: Resolver P[X<4/10;0,8] Aplicando regla tenemos P[X>6/10;0,2]=P[X7/10;0,2]=0,0009

19

13/11/2013

La distribucin geomtrica esta tambin relacionada con un proceso de Bernoulli excepto que el numero de ensayos no es fijo. La definicin de la variable aleatoria es: X(w)=nmero de ensayos requeridos hasta obtener el primer xito. RX={1,2,3,4,5,} ={E,FE,FFE,FFFE,FFFFE,} La variable aleatoria as definida se llama una variable aleatoria geomtrica y la distribucin de probabilidad se llama distribucin geomtrica.

La distribucin de probabilidad geomtrica es: p(x)=P[X=x]=pqx-1, x=1,2,3,4 La distribucin acumulativa estara dada por: 0 , < 1 = 1 , 1 La media y la varianza de la distribucin estaran dadas por:

2 =

20

13/11/2013

PROPIEDADES DE LA DISTRIBUCION GEOMETRICA

1. La distribucin geomtrica es decreciente es decir : p(x)<p(x-1) para x=2,3, 2. La distribucin geomtrica no tiene memoria, es decir: P[X>x+r/X>r]=P[X>x] La distribucin geomtrica es la nica que tiene esta propiedad.

Ejemplo1: La probabilidad de xito al lanzar un cohete es 0,8. Suponga que el ensayo del lanzamiento ya ha ocurrido. Cul es la probabilidad que sean necesarios 6 ensayos? Paso 1 Sea: X(w)=Numero de ensayos hasta que el cohete sea lanzado con xito Paso 2 Se define: RX={1,2,3,4,..} ; p=P[E]=0,8, q=0,2

21

13/11/2013

Paso 3 La variable aleatoria distribucin geomtrica:

tiene

una

p(x)=P[X=x]=(0,8)(0,2)x-1 , x=1,2,3, Luego: P[X=6]=(0,8)(0,2)5=0,000256

La distribucin de Poisson es una de las distribuciones mas importantes puesto que se aplica a muchos casos. El proceso de Poisson consiste en observar la ocurrencia de eventos discretos en un intervalo continu ( unidad de medida). Por ejemplo contar el numero de automviles que llegan a una estacin de servicio durante un intervalo de tiempo por ejemplo una hora. Entonces la variable aleatoria ser: X(w)= numero de automviles que llegan a una estacin de servicio en una hora

22

13/11/2013

Y su rango ser RX={1,2,3,} Otros ejemplos pueden ser el numero de llamadas que llegan a un tablero conmutador telefnico de una compaa grande en un intervalo de tiempo digamos 9:00 a 10:00am, en este caso el numero de llamadas es discreto ya que el tiempo de llamada es un punto aislado en el periodo de una hora. O podra ser el numero de bacterias que se pueden contar en 1cm2 de agua.

DEFINICION Diremos que los eventos discretos que se generan en un intervalo continuo (unidad de medida: longitud , rea, volumen, tiempo, etc.) forman un proceso de Poisson con parmetro si tiene las siguientes propiedades: 1. El numero promedio de ocurrencia de eventos en una unidad de medida (intervalo de tiempo, regin especifica), es conocido e igual a . 2. La ocurrencia de un evento en una unidad de medida h no afecta a la ocurrencia o no ocurrencia de otra unidad de medida h contigua.(Es decir, la ocurrencia de eventos en unidades contiguas son independientes) 3. Sea una unidad de medida suficientemente pequea de longitud h luego: i. La probabilidad de un xito en esta unidad pequea es proporcional a la longitud del intervalo esto es h. ii. La probabilidad de la ocurrencia de dos o mas xitos en esta unidad pequea es aproximadamente 0.

23

13/11/2013

En un proceso de Poisson de parmetro se observan t unidades de medida y definimos la variable aleatoria como: X(w)= numero de ocurrencia de eventos en t unidades de medida. RX={0,1,2,3,4,} La variable as definida se llama variable aleatoria de Poisson y la distribucin de probabilidades de X se llama distribucin de Poisson lo cual esta definido por:
() p(x)=P[X=x/P: t]= !

, x=0,1,2,3,

t es el numero promedio de ocurrencias de los eventos en las t unidades de medida. Para t fijo, ponemos = t y obtenemos una expresin mas simple para la distribucin de Poisson.
() p(x)=P[X=x/P: t]= !

, x=0,1,2,3,

La funcin de distribucin de X esta dada por:

24

13/11/2013

F(x)=P[Xx/P:]= E(X)=
=0 !

0
=0 !

, < 0

, 0 La media y la varianza de Poisson estn dadas por: = = E(x)==

Similarmente: 2=E(X2)-(E(X))2=2+-2

2 =

TABLA DE DISTRIBUCION DE POISSON La tabla de distribucin de Poisson es de distribucin acumulativa P[Xx/P;] y su uso lo mostraremos con un ejemplo. EJEMPLO: Las personas llegan aleatoriamente a la ventanilla de un banco en promedio a una razn de 24 por hora durante el periodo de tiempo de 11:00 a 12:00 a.m. cierto da. Cual es la probabilidad que exactamente 5 personas lleguen durante un periodo de tiempo de 12 minutos? Cul que por lo menos lleguen 10 personas ? Qu lleguen a lo mas 12?

25

13/11/2013

Paso 1 Definimos la variable aleatoria como: X(w)= Numero de personas que llegan dentro de el periodo de 12 minutos Paso 2 Determinamos el Rango de la variable aleatoria y el valor de . RX={0,1,2,3,.} =(24)(12)/60=4,8 Paso 3 X es una variable aleatoria de Poisson y su distribucin es:

P[X=x/P;4,8]=

(4,8) 4,8 !
5!

, x=1,2,3,
=
2548,03970,0082 120
=0,1747

Si P[X=5/P;4,8]=

(4,8)5 4,8

Hay una probabilidad del 17,47% que lleguen exactamente 5 personas en el periodo de 5 minutos. El calculo en la tabla de Poisson seria el presentado a continuacin:

26

13/11/2013

El valor de x=k=5 y el valor de ==4,8 y en la interseccin se muestra el valor de 0,1747 equivalente al 17,47% de que lleguen 5 personas en 12 minutos

Para la segunda pregunta la respuesta es 0,0064=0,64% de probabilidad Para la ultima pregunta la tabla da un valor de 0,0026 que es 0,26% de probabilidad que lleguen a lo mas 12 personas en el lapso de los 12 minutos. Ejemplo2: La siguiente distribucin estadstica de la distribucin del nmero de das (ni) sin accidentes, con accidente, , con 4 accidentes para un periodo n= 50 das en la ciudad es:

27

13/11/2013

Numero de accidentes (xi) Numero de das ni

0 21

1 18

2 7

3 3

4 1

a) La distribucin de accidentes puede considerarse como una variable de Poisson b) Si la respuesta en (a) es si compare los valores dados (ni) con el numero terico de das (numero calculado mediante la distribucin de Poisson).

PASO 1 Calculamos la distribucin de probabilidad emprica de la variable

PASO 2 Clculo de la esperanza matemtica de la variable E(X)=0*0,42 + 1 0,36 + 2 0,14 + 3 0,06 + 4 0,02 =
0,9

28

13/11/2013

PASO 3 Calculamos la varianza de la variable: E(X2)=02*0,42 + 12 0,36 + 22 0,14 + 32 0,06 + 42 0,02 = 1,78 Var(X)=E(X2)-(E(X))2=1,78-(0,9)2=0,97 PASO 4 Puesto que la E(X) Var(X) es decir son casi lo mismo hacemos que =9 entonces: p(x)=P[X=x]= Paso 5Determinado por la formula (4) las P[X=x] para, x=1,2,3,4 obtenemos la tabla.
0,9 0,9 , x00,1,2 !

x P[X=x]

0 0,41

1 0,36

2 0,16

3 0,05

4 0,002

a)La

distribucin es de Poisson puesto que sus caractersticas se ajustan a esta distribucin. b)El numero terico de das en base a la distribucin hallada, se calcula por la formula: n*P[X=x]=50*P[X=x]
x Frecuencia terica (fi) Frecuencia observada (ni) 0 20 21 1 18 18 2 8 7 3 2 3 4 1 1

29

13/11/2013

DISTRIBUCION DE POISON COMO UNA APROXIMACION A LA BINOMIAL La distribucin de Poisson se considera como un limite de la distribucin binomial con =np. En esta relacin p debe ser suficientemente pequeo y n grande de tal manera que np permanezca constante. De =np tenemos que p=n/ y q=1-n/ de donde se deduce la aproximacin: P[X=x/B:n,p]=
!

, x=1,2,3,

Ejemplo1 Una fabrica textil produce ciertas piezas de dimensiones especficas. Se sabe que la probabilidad que una pieza sea defectuosa es de 0,02 en un lote de 100 piezas Cul es la probabilidad que no hayan piezas defectuosas? Cul es la probabilidad que a lo sumo hayan 3 piezas defectuosas? Paso 1 Sea X una variable definida como X(w)=Numero de piezas defectuosas en 100 piezas Entonces n=100, p=0,02 luego =np=2

30

13/11/2013

Paso 2 La distribucin de probabilidad de la variable aleatoria X es la binomial con parmetros 100 y 0,02 Paso 3: Puesto que n es grande y p pequea entonces =np (100*000002=2<5) por lo que se aproxima por la distribucin de Poisson, con parmetro =2. Es decir: P[X=x/B:100;0,02]= , x=0,1,2,3,,100 ! 2 = 0,1353=13,53% a) P[X=0]= b) P[X3]=1-P[X4]=1-0,1429=0,8571
2 2

31