Capitulo 1: Variable Aleatoria

27

MODELOS DISCRETOS DE DISTRIBUCION PROBABILISTICA

2.1

Distribucin Binomial 2.1.1 2.1.2 Funcin de Probabilidad del Modelo Binomial Propiedades del Modelo Binomial

2.2 2.3

Distribucin Bernoulli Distribucin Poisson 2.3.1 2.3.2 Aproximacin Matemtica del modelo de Poisson a partir del modelo Binomial Propiedades del Modelo de Poisson

2.4

Distribucin Hipergeomtrica 2.4.1 2.4.2 Funcin de Probabilidad del Modelo Hipergeomtrico Propiedades del Modelo Hipergeomtrico

Ejercicios de Autocomprobacin

Arnaldo de e!"! Peralta Ca!tilla

28

E!tad#!ti$a In%eren$ial para Salud

2.1 DISTRIBUCIN BINOMIAL Si consideramos un experimento aleatorio ue en cada prueba se presenta uno de los resultados ue son exclu!entes A ^ con probabilidades p, (1 - p) respecti"amente# De$inamos una "ariable aleatoria x como el n%mero de "eces ue se presenta se el suceso A en las n pruebas independientes# &Podemos 'allar la probabilidad de ue en las n pruebas se presente exactamente n "eces el suceso A( )enemos ue sea p(A) = p ! p () = 1 - p* si 'acemos n pruebas con n art+culos ! los primeros x ue anali,amos son de buena calidad ! los dems son de mala calidad# Podemos apreciar uen A.* A* /* /*####* / x n0x n p* p* ###* p* x 1. 0 p2* 1. 0 p2* 3* 1. 0 p2 n0x P1A 9 A9*3 / 9 /* 3 /2 :P1A2;x # :P1/2;n<x

n x n x x p 1. p2
4os "alemos de las combinaciones para obtener x elementos de n muestra#

p1x2 5 pr 1x 5 x2 5

n x n x x p 1. p2

&'(1)

Para todo "alor de x entero positi"o 5 6*.*3* n 2.1.1 Funcin de P !"#"i$id#d de$ M!de$! Bin!%i#$. 7a $uncin p1x2 se llama $uncin de probabilidad o de cuant+a de una distribucin binomial Figura 8#.#

Arnaldo de e!"! Peralta Ca!tilla

Capitulo 1: Variable Aleatoria

2&

Si una "ariable aleatoria x tiene por $uncin de probabilidad p(x) igual a la anterior* se dice ue la "ariable aleatoria x se distribu!e como una binomial de parmetros n, p ue se expresa as+- x = b1n* p2 p1x2 5 n > x p x 1.< p2n<x si sabemos que x 5 6* .*###* n &'(')

n ' Parmetro discreto ( ' Parmetro continuo ue se llama probabilidad de xito o de inters# )1 * (+ ' Probabilidad de $racaso o de no inters# 2.1.2 P !(ied#de, de$ M!de$! Bin!%i#$. 1. Su $uncin de probabilidad p1x2 siempre ser ma!or o igual a cero- p(x) 0 2. 7a suma de todas las $unciones de probabilidades debe ser igual a .* o sea* p(x) = 1 3. Funcin de distribucin acumulada est dada por- F(x) = p(x x)

n x xn F1x2= p 1. p2 = 6x x

x 5 6* .* ?*3* n

&'(*)

7a aplicacin de la $uncin de distribucin acumulada del modelo binomial permite calcular las di$erentes probabilidades para los "alores menores o iguales 1 2 de x ue toma la "ariable* las cuales se encuentran tabuladas en el apndice A .* llamada tabla de la distribucin binomial Figura 8#?# 7as di$erentes preguntas de los casos posibles o in$erencias ue se pueden plantear en los ejemplos o ejercicios corresponden a las propiedades de la $uncin de distribucin acumulada para una "ariable aleatoria discreta F1x2* presentadas como $rmulas con n%mero de re$erencia 11.3+ 'asta la )1.1-+. Fi.u # 8.1#Funcin de >uant+a Fi.u # 8.2 Funcin de distribucin acumulada

Arnaldo de e!"! Peralta Ca!tilla

3/

E!tad#!ti$a In%eren$ial para Salud

Esperan,a Matemtica de la distribucin Binomial Aarian,a de la distribucin binomial-

E1x2 5 @ 5 n p B ? 5 n p1. < p2

&'(+) &'(,)

C!ndici!ne, (# # #($ic# $# Di,0 i"ucin Bin!%i#$. >ada prueba del experimento puede clasi$icarse entre dos categor+as- como de inters o de xito ! como de no inters o de $racaso# Cue la probabilidad de xito sea la misma en cada prueba del experimento# >ada prueba de experimento es independiente de las otras pruebas# El experimento debe reali,arse bajo las mismas condiciones un n%mero $inito de "eces# El muestreo es con reempla,amiento o con sustitucin#

A($ic#cin de $# Di,0 i"ucin Bin!%i#$ 7a tabla de la distribucin binomial es calculada de acuerdo con la propiedad de la $uncin de distribucin acumulada F1x2 del modelo binomial ! est 'ec'a para probabilidades p1x x2* la cual se encuentra en el apndice A* denominada )abla A . Modelo Binomial# 12e%($! 1/ Dna m uina produce el .6E de tornillos ortopdicos de$ectuosos del total producido en un mes* los cuales se empacan en lotes de .66 unidades* con una muestra de tamaFo .6#

Arnaldo de e!"! Peralta Ca!tilla

Capitulo 1: Variable Aleatoria

31

&Hallar la probabilidad de extraer dos tornillos ortopdicos de$ectuosos# S!$ucin3 x- Aariable aleatoria indica el n%mero de tornillos ortopdicos de$ectuosos# p- Probabilidad de inters o xito es igual a 6*.#

Por %-r.ula:
p1x 5 ?2 5 5 6*.G?H 5 .G*?HE
.6

Por tabla:
Haciendo uso de la $ormula &1(*)p(x = b) = p(x b) - p(x b - 1) p(x = 2) = p(x 2) - p(x 1) (a) Buscando en la T#"$# A1 de la distribucin binomial

>? 16#.2? 16#G28

p1x I ?2 5 6#G?G8 y p1x I .2 5 6#HJK.L reempla,ando en 1a2* entoncesp1x 5 ?2 5 6#G?G8 < 6#HJK. p1x 5 ?2 5 6#.G?H Este resultado indica ue existe una probabilidad del .G*?HE de encontrar exactamente ? tornillos ortopdicos de$ectuosos en una muestra de tamaFo .6* en un muestreo con reempla,o# 12e%($! 11 En la conser"acin de cierta "acuna* una de cada .6 resulta "encida &>ul es la probabilidad de ue una muestra aleatoria de M "acunas contenga# #+ "+ c+ d+ 4inguna "encidaL Exactamente una "encidaL Exactamente dos "encidasL 4o ms de dos "encidas(

S!$ucin3 n5M p 5 6*.6 . < p 5 6*G

Por %-r.ula: #+ p1x 5 62 5 M>6 16*.26 16*G2M 5 . 1.2 16*KNK.2 5 KN#KE

Por tabla: p1x 5 62 5 &( Haciendo uso de la $ormula &1(*)-

p(x = b) = p(x b) - p(x b - 1) p1x 5 62 5 p1x I 62 < p1x I <2 1a2 Buscando en la 0#"$# A1 de la distribucin binomial p1x I 62 5 6#KNK. y p1x I <2 5 6L reempla,ando en 1a2* entonces-

Arnaldo de e!"! Peralta Ca!tilla

32

E!tad#!ti$a In%eren$ial para Salud

p1x 5 62 5 6#KNK. < 6#6666 p1x 5 62 5 6#KNK.

Por %-r.ula:

Por tabla: p1x 5 .2 5 &( Haciendo uso de la $ormula &1(*)p(x = b) = p(x b) - p(x b - 1) p1x 5 .2 5 p1x I .2 < p1x I 62 1a2

"+ p1x 5 .2 5 M>. 16*.2 16*G2J 5 M 16*.2 16*H?G2 5 ?G*.KE

Buscando en la 0#"$# A1 de la distribucin binomial p1x I .2 5 6#GMGH y p1x I 62 5 6#KNK.L reempla,ando en 1a2* entoncesp1x 5 .2 5 6#GMGH < 6#KNK. p1x 5 .2 5 6#?GJK

Por %-r.ula:

Por tabla: p1x 5 ?2 5 &( Haciendo uso de la $ormula &1(*)p(x = b) = p(x b) - p(x b - 1) p1x 5 ?2 5 p1x I ?2 < p1x I .2 1a2

c+ p1x 5 ?2 5 M>? 16#.2? 16#G2? 5 M#8

Buscando en la 0#"$# A1 de la distribucin binomial p1x I ?2 5 6#GGKJ y p1x I .2 5 6#GMHHL reempla,ando en 1a2* entoncesp1x 5 ?2 5 6#GGKJ < 6#GMHH p1x 5 ?2 5 6#6M8K

Por %-r.ula:

Por tabla:

Arnaldo de e!"! Peralta Ca!tilla

Capitulo 1: Variable Aleatoria

33

d+p1x I ?2 5 p1x I ?2 5 p1x 5 62 O p1x 5 .2O p1x 5 ?2 5 M>6 16*.26 16*G2M O M>. 16*.2 16*G2J O M>? 16*.2? 16*G2? 5 6*KNK O 6*?G.K O 6*6M8K 5 6#GGKJ 5 GG*KJE p(x I ?2 5 &( Hacemos uso e !a "o#mu!a &1(+) p(x b) = F (b) p(x I ?2 5 6#GGKJ

12e%($! 12 >on$orme a los registros uni"ersitarios* NE de los estudiantes de la $acultad de en$ermer+a pierden la asignatura de estad+stica# &>ul es la probabilidad de ue K estudiantes seleccionados al a,ar* despus de 'aber "isto tal asignatura* J o menos la pierdan( S!$ucin3 p 5 6*6N Por %-r.ula p1x P J2 5 p1x I ?2 p1x P J25 p1x 5 62 O p1x 5 .2 O p1x 5 ?2 5 K>6 16*6N26 16*GN2K O K>. 16*6N2. 16*GN2N O K>? 16*6N2? 16*GN2M .< p 5 6*GN n5K x 5 6* .* ?

Arnaldo de e!"! Peralta Ca!tilla

34

E!tad#!ti$a In%eren$ial para Salud

5 6*HJN6G. O 6*?J?.JM O 6*6J6NMJ 5 6#GGHHK8 12e%($! 13 Partiendo de datos e in$ormes 'istricos* se estima ue la probabilidad de ue tenga lugar una inundacin de .6#666 pies c%bicosQsegundo* o ms en cual uier aFo ! en un r+o determinado es .QN &>ul es la probabilidad de ue se produ,ca una inundacin de esas caracter+sticas por lo menos una "e, en los prximos N aFos( P1x R .2 5 &( P1x R .2 5 . < p1x I 62 x = b 1N* .QN2

P1x I 62 5 N>6 1.QN26 1MQN2N 5 .1.2 6#J?HK8 5 6#J?HK8 P1x R .2 5 . < 6#J?HK8 5 6#KH? 7a probabilidad ue existe es del KHE ue se presente una inundacin en los pr ximos N aFos#

2.2 DISTRIBUCIN B1RNOULLI >uando el tamaFo de muestra n es igual a . 1n5.2* la "ariable aleatoria x posee una distribucin ue corresponde al modelo de Bernoulli con parmetros 1.* p2* o sea* slo se 'ace una prueba del experimento* su $uncin de probabilidad esp1x2 5 .>x px 1.< p2 .<x x 5 6* . &'(/) &'(0)

E1x2 5 p

B ? 5 p1. < p2 &'(1) 2.3 DISTRIBUCIN POISSON 7a Distribucin Poisson se obtiene como una apro ximacin de la distribucin binomial cuando el tamaFo de la muestra es grande o tiende a in$inito 1n S 2 ! la probabilidad de Tnters del experimento tiende a cero 1 pS 62* o se aproxima a cero#

Arnaldo de e!"! Peralta Ca!tilla

Capitulo 1: Variable Aleatoria

34

Funcin de P !"#"i$id#d de$ M!de$! P!i,,!n3

p1 x2 5 p1 x 5 x2 5 V x e <V xU

x 5 6* .*3* n &'(2)

Si una "ariable aleatoria tiene una $uncin de probabilidad de$inida como en la $rmula 1?#G2 se dice ue la "ariable aleatoria x posee una Distribucin Poisson# En la Distribucin de Poisson su media se designa con la letra griega # 7os siguientes son los parmetros ue identi$ican la distribucin Poisson(3 la probabilidad slo depende de un parmetro e3 es la base de los logaritmos neperianos- e 5 ?*H.8?8 3 es el "alor promedio de la distribucinL n%mero de "eces ue en promedio aparece el resultado de la "ariable en estudio# 33 es el n%mero de "eces ue aparece el resultado considerado o "alor ue toma la "ariable* cu!a probabilidad se est buscando* mediante el modelo# Aer Figura 8#J#

2.3.1

A( !5i%#cin %#0e%60ic# de$ M!de$! de P!i,,!n # (# 0i de$ M!de$! Bin!%i#$. >omo se recordar* la expresin matemtica del modelo binomial esp1x2 5 p 1x 5 x2 5 n > x p x 1. < p2n<x p1 x = x 2 = nU p x p 1 n W 2 xU1n x 2U

X bien sustitu!endo*
nU $n x n1 n 5 5 xU1 n x2U xU .2###1 n xU x O .2

p1 x = x 2 =

n 1n .2###1n x + .2 x p xU

1 n x 2

Arnaldo de e!"! Peralta Ca!tilla

3-

E!tad#!ti$a In%eren$ial para Salud

Fi.u # 8.3 Funcin de Probabilidad de una Distribucin Poisson

Para calcular la expresin del modelo de Poisson a partir del modelo binomial* calculamos el l+mite cuando#+ p 6 1mu! pe ueFa2 #+ n 1mu! grande2 #+ 1media de la poblacin2 5 n p es $inita p 5 Qn

Arnaldo de e!"! Peralta Ca!tilla

Capitulo 1: Variable Aleatoria

37

n . pero lim . = e L lim * lim * = . n n n n lim. = . con lo p6 n p1 x = x 2 =

x

ue -

x e . . .###. xU . x luego p1 x = x 2 = e xU

2.3.2 P !(ied#de, de$ M!de$! P!i,,!n3 De esta manera a tra"s del modelo de Poisson se pueden calcular las probabilidades de ue en una muestra grande n Y .66* elegida al a,ar de una poblacin donde los "alores de la "ariable 1x 5 6* .* ?*32 el resultado considerado en una determinada unidad tiempo o de espacio por ejemplo* con la condicin de ue la probabilidad Zp[ de aparicin de dic'o resultado en la poblacin sea mu! pe ueFa* in$erior al 6*6N# 1. >uando n Y N6 ! la probabilidad de p se aproxima a 6 ! 1. < p2 a .* de tal manera ue el producto @ 5 n p es menor ue N* debe utili,arse la Distribucin Poisson# En la prctica cuando n % &0 ! p ' 0,01(

Arnaldo de e!"! Peralta Ca!tilla

38

E!tad#!ti$a In%eren$ial para Salud

2. Su $uncin de probabilidad siempre es p1 x2 R 6 para todo x ue pertenece al espacio de muestra#

3. 7a suma de todas sus $unciones de probabilidad de la "ariable aleatoria x debe ser igual
a .* o sea- \ p1 x 2
x= 6 ]

= .

4. 7a Media o Esperan,a Matemtica E1x2* o "alor medio de la Distribucin de Poisson esE1x2 5 &'(11) &'(14)

4. Aarian,a ! Des"iacin del Modelo Poisson-

Por lo tanto* esta distribucin de probabilidad ueda de$inida por un solo parmetro * cu!o "alor es el de la media aritmtica ! el de la "arian,a# 7a suma de "ariables aleatorias poissonianas independientes- >uando se tienen n "ariables aleatorias independientes x.* x?* xJ* 3 xn ue siguen el modelo de Poisson de medias .* ?* 3* n* la suma aritmtica de las "ariables aleatorias xm 5 x. O x? O* 3* xn* sigue tambin un modelo de Poisson de media m 5 . O ? O* 3 * O n 7a Funcin de Distribucin Acumulada del Modelo Poisson# Aer Figura 8#M-

V x e <V F 1 x2 5 p1 x I x ) 2 5 \ xU x56 Fi.u # 8.4 Funcin de Distribucin Acumulada del Modelo Poisson

&'(1')

7a aplicacin de la $uncin de distribucin acumulada del modelo Poisson permite calcular las di$erentes probabilidades para los "alores menores o iguales 12 de x ue toma la "ariable* las cuales se encuentran tabuladas en el #(7ndice A2. 7lamada )abla de la distribucin Poisson# 7as di$erentes preguntas de los casos posibles o in$erencias ue se pueden plantear en los ejemplos o ejercicios* corresponden a las propiedades de la $uncin de distribucin acumulada para una "ariable aleatoria discreta F1x2* presentadas como $rmulas con n%mero de re$erencia 11.3+ 'asta la )1.1-+. C!ndici!ne, (# # #($ic# e$ M!de$! P!i,,!n3

Arnaldo de e!"! Peralta Ca!tilla

Capitulo 1: Variable Aleatoria

3&

El resultado de cada prueba del e xperimento puede clasi$icarse entre dos categor+as>omo de inters* ue se considera xito* o de no inters* ue se considera $racaso# 7os sucesos ue ocurren en un inter"alo de tiempo son independientes de los ue ocurren en otro inter"alo de tiempo* independiente de cmo se tome el inter"alo# @ indica el promedio de xitos ue se presenten en un inter"alo de tiempo dado 1la probabilidad de ue un suceso se presente es proporcional a la longitud del inter"alo de tiempo "olumen o rea del espacio2# Se trabaja con el promedio debido a ue la probabilidad de ue dos o ms sucesos se presentan en un inter"alo de tiempo es mu! pe ueFa* es tan pe ueFa ue puede despreciarse# 7a Distribucin de Poisson es un modelo probabil+stico utili,ado para una "ariable aleatoria distribuida en el tiempo o en el espacio# 7a e xperiencia 'a demostrado ue este modelo presenta resultados excelentes* para calcular probabilidades asociadas con los siguientes sucesos#+ 4%mero de llamadas ue entran a una central tele$nica durante un per+odo de tiempo determinado# "+ El n%mero de de$ectos en un art+culo manu$acturado o procesado# c+ El n%mero de elementos de$ectuosos de un lote en un proceso de produccin#

El inters prctico del modelo de Poisson tiene numerosas aplicaciones cuando se trabaja en el rea de control de calidad* !a ue las proporciones de elementos de$ectuosos son $recuentemente pe ueFas !* por tanto* siempre ue las muestras obtenidas sean cuantitati"amente grandes* interesar estudiar el $enmeno mediante este modelo# Aplicacin en las interrupciones de e uipos de laboratorio* accidentes de trabajo* en teor+a de colas* manejos de in"entarios en almacenes* etc#

7os $enmenos ue se comportan de acuerdo al modelo de Poisson* del mismo modo ue ocurr+a con los ue obedecen a el modelo binomial* presentan distribuciones de probabilidad di$erentes al "ariar el tamaFo de la muestraL es por esto ue el tipo de muestreo ue se aplica en ambas distribuciones es con reempla,amiento# 12e%($! 14 7a probabilidad de encontrar una solucin de mala calidad entre las procesadas en un laboratorio de $armacia es del . E# &>ul es la probabilidad de encontrar alguna solucin de mala calidad en una muestra de .66 soluciones extra+das al a,ar de la poblacin( S!$ucin3 El problema responde al tipo de Distribucin Binomial* !a ue aparece el carcter consideradoZ ue la solucin obser"ada de entre la muestra sea de$ectuosa[ con una probabilidad p 5 6*6.* ! el carcter contrario al considerado Z ue la solucin obser"ada de entre la muestra no sea mala calidad[* es decir* ue sea de buena calidad* con una probabilidad 1. < p2 5 6*GG#

Arnaldo de e!"! Peralta Ca!tilla

4/

E!tad#!ti$a In%eren$ial para Salud

Fi.u # &. 7a proporcin de interes en la poblacin determina el tamaFo de la muestra#

En este caso* dado ue p P 6*6N o sea* p 5 6*6. ! n es grande 1n 5 .662* se debe aplicar el modelo de Poisson# Aer Figura G# 5 p ^ n 5 6*6. ^ .66 5 .
p1 x = x 2 = e
p 1 x R .2 5&(

x xU

Se pide la probabilidad de ue en la muestra apare,ca alguna* o sea* 1. o ms2 pie,a de$ectuosa#

p 1 x R .2 5 p1x 5 .2 O p1x 5 ?2 O*3 O p1x 5 .662

Se puede calcular esta probabilidad restando del "alor .* a la suma de todas las probabilidades de los "alores de la "ariable* la probabilidad de ue apare,can cero 162 soluciones de$ectuosas en la muestra p1x 5 62* es decir-

p1 x .2 = p1 x = . ms2 = . p1 x = 62 p1 x = 62 = e 6 . = e = e . = = 6*JKH88 6U e

p1 x .2 = . p1 x = 62 = . 6*JKH88 = 6*KJ?.?
12e%($! 14 Dn $abricante de sbanas de algodn para camas inspecciona las telas contando el n%mero de de$ectos ue se pueden presentar* tales como- una rotura* una manc'a de aceite* etc# Se sabe ue por experiencias anteriores el promedio de de$ectos por pie,a $abricada es de tres 1@5J2# >alcular#+ la probabilidad de ue una pie,a tenga M o ms de$ectos !* "+ exactamente M de$ectos# S!$ucin3 #+ ()3 8 4+ ' 9:

Arnaldo de e!"! Peralta Ca!tilla

Capitulo 1: Variable Aleatoria

41

33 Aariable aleatoria ue indica el n%mero de de$ectos por pie,a $abricada* x = Poisson @ 5J p1x R M2 5 . < p1x I J2

F1 x 2 = p1 x x _ 2 = F1 x 2 = p1 x J2 =
J

x e xU x =6
_

J x e J xU x =6

p1x I J2 5 p1x 5 62 O p1x 5 .2 O p1x 5 ?2 O p1x 5 J2 5 6*6MG 5 6#KMK p1x R M2 5 . < p1x I J2 5 . < 6*KMK 5 6*JNM "+ ()3 ' 4+ '9: O 6*.MG O 6*??M6 O 6*??M6

p1 x = x 2 = p1 x = M2 =

x e xU J M e J MU

p1 x = M2 = 6*.K86
p1x 5 M2 5 JMe<JQMU 5 6#.K86 7a interpretacin de este resultado es- 6*.K86 indica ue de cada .#666 pie,as ue se produ,can* se "an a encontrar .K8 ue tienen exactamente M de$ectos# 12e%($! 1Si la probabilidad de ue los indi"iduos su$ran una reaccin de una in!eccin por un determinado suero es 6*66.# Determinar la probabilidad de ue de un total de ?#666 indi"iduos#+ exactamente J indi"iduos tengan la reaccin !* "+ ms de dos indi"iduos tengan la reaccin# S!$ucin3 Por %-r.ula #+ p1x 5 J2 5&( p 5 6*66.

Arnaldo de e!"! Peralta Ca!tilla

42

E!tad#!ti$a In%eren$ial para Salud

@ 5 np @ 5 ?#666 16*66.2 5 ?

p1 x = x 2 = p1 x = J2 =

x e xU ? J e ? JU

p1 x = J2 = 6*.86M
)ambin lo podemos solucionar con la )abla A ? de la distribucin acumulada del modelo PoissonPor tabla: Hacemos uso de la propiedad numerada con &1(*) p1x 5 J25 p1x I J2 < p1x I ?2 5 6*8NH. < 6*KHKH 5 6*.86M En este caso* se utili,a la propiedad identi$icada con &1(,) "+ p1x Y?2 5 & ( L x 5 J* M* N*3* ?666 p1x Y?2 5 . < p 1x I ?2 5 . < :p1x 5 62 O p1x<.2 O p1x 5 ?2; 5 . < 6*KHKH 5 6*J?JJ 5 J?*JJE 2.4 DISTRIBUCIN ;IP1R<1OM=TRICA Si consideramos una poblacin de 4 elementos en los cuales 'a! _ ue pertenecen a una clase* 14 < _2 ue pertenecen a la otra clase# Si se e xtrae aleatoriamente ! sin reempla,o una muestra de n elementosL de$inamos una "ariable aleatoria x, ue denota el n%mero de elementos ue pertenecen a la clase _* podemos 'allar la probabilidad de ue en n elementos se presenten exactamente x de la clase _# >onsideremos el uni"erso de todas las muestras distintas de tamaFo n* siendo n P 4 ue se pueden extraer sin de"olucin a la poblacin 1x.* x?* xJ*3* xn2 elementos# En estas condiciones todas las muestras distintas de tamaFo n* son las combinaciones de orden n de los elementos del citado conjunto 1x.* x?* xJ*3* x42#

Arnaldo de e!"! Peralta Ca!tilla

Capitulo 1: Variable Aleatoria

43

En este uni"erso* se puede de$inir la siguiente $uncin de la "ariable aleatoria x( A cada muestra de tamaFo n* se le 'ace corresponder el n%mero de elementos de la clase _ contenido en la muestra# El n%mero de elementos de la clase _ contenido al a,ar llamados n%meros de aciertos* es una "ariable aleatoria en el muestreo* cambia de una muestra a otra de una $orma impre"isible* ! se denomina "ariable 'ipergeomtrica# 2.4.1 Funcin de P !"#"i$id#d de$ M!de$! ;i(e .e!%70 ic! 7a $uncin de probabilidad de la distribucin Hipergeomtrica# Aer Figura G#.

_ 4 _ x xn p1 x 2 = 4 n
x 5 6* .* ?*###* n* donde* _ O 14 < _2 5 4 El modelo Hipergeomtrica depende de tres n%meros $ijos- 4* n* _* ! una "ariable- x N* +ama,o e !a pob!aci-n( n -+ama,o e !a mues.#a( > - /0me#o e e!emen.os e !a pob!aci-n que .ienen !a ca#ac.e#1s.ica e in.e#2s(

&'(1*)

Si x es una "ariable aleatoria con $uncin p(x) de$inida en la $orma anterior se dice ue x tiene una distribucin 'ipergeomtrica ! la $uncin se llama $uncin de probabilidad de distribucin 'ipergeomtrica#

Arnaldo de e!"! Peralta Ca!tilla

44

E!tad#!ti$a In%eren$ial para Salud

7a "ariable aleatoria x debe cumplir con el siguiente rango de operacin o campo de la "ariable para el uso del modelo 'ipergeomtrico* as+7a "ariable x debe tomar un "alor no menor ue el mximo de los n%meros- cero 162 ! n < 14 < _2* ! no ma!or ue el m+nimo entre ) ! n, o sea:El mximo entre 6* y n < 14 < _2 I x I m+nimo entre n ! _;# &'(1+)

34emp!o e! #an5o e ope#aci-n- Dna poblacin se compone de 4 5 .66 batas de cirug+a de las cuales K6 son buenas 1clase _2 ! M6 son de$ectuosas 1clase 4 < _2# Se e xtraen muestras de n 5 H6 batas# Se calcula el campo de la "ariable aleatoria x* n%mero de batas buenas contenidas en la muestra# En este caso* p 5 K6Q.66 5 6*K ! . < p 5 6*M# Por tanto* el menor "alor posible de x es J6* puesto ue el mximo:6* n < 14 < _2; 5 :6* H6 < 1.66 < K62; 5 16* H6 < M62 5 mximo entre 16* J62 5 J6 ! el ma!or "alor posible de x es K6* !a ue el m+nimo1n* _2 5 m+nimo entre 1H6* K62 5 K6

Fi.u # &.1 Distribucin 'ipergeometrica

En estas condiciones el campo de operacin de la "ariable aleatoria x es- J6 I x I K6 2.4.2 P !(ied#de, de$ M!de$! ;i(e .e!%70 ic!3 7a $uncin de probabilidad p1x2 es una $uncin de cuant+a ue debe cumplir las siguientes condiciones-

Arnaldo de e!"! Peralta Ca!tilla

Capitulo 1: Variable Aleatoria

44

1. p1x2 R 6 para todo x ue pertenece al espacio de muestra#

2.

\ p 1 x2 5 .
x56

3. 7a $uncin de distribucin acumulada del modelo 'ipergeomtrico7a aplicacin de la $uncin de Distribucin Acumulada del Modelo Mipergeomtrico permite calcular las di$erentes probabilidades para los "alores menores o iguales 1 2 de x ue toma la "ariable# Aer Figura 8#K# 7as di$erentes preguntas* de los casos posibles o in$erencias ue se pueden plantear en los ejemplos o ejercicios* corresponden a las propiedades de la $uncin de distribucin acumulada para una "ariable aleatoria discreta F1x2* presentadas como $rmulas con n%mero de re$erencia 11.3+ 'asta la )1.1-+. Fi.u # &.2 Funcin de distribucin acumulada

Arnaldo de e!"! Peralta Ca!tilla

4-

E!tad#!ti$a In%eren$ial para Salud

_ 4 _ xi x i n xi F1x2= p1x i2x = 4 x = m ax 6 * n 1 4 _ 2 n

[]

&'(1,)

Medi# de$ M!de$! ;i(e .e!%70 ic!3 Su esperan,a matemtica est dada por la siguiente e xpresin3 1 x2 5 n) / &'(1/)

4tese ue si p 5 _Q4* la media de la "ariable aleatoria 'ipergeomtrica es la misma ue la de la "ariable aleatoria binomial# p5 ) / &'(10) &'(11)

1. < p2 5 14 < _2Q4

Arnaldo de e!"! Peralta Ca!tilla

Capitulo 1: Variable Aleatoria

47

?# i#n@# de$ M!de$! ;i(e .e!%70 ic!3 B ? 5 n ` p ` 1. < p 2 / <n / <. &'(12)

7a "arian,a de una "ariable aleatoria Hipergeomtrica es ms pe ueFa ue la correspondiente a la "ariable aleatoria Binomial por un $actor de correccin para poblaciones $initas 14 < n2Q14 < .2# Sin embargo* si 4 es grande al compararse con n* este $actor se encontrar cercano a uno* dando como resultado una "arian,a prcticamente igual a la binomial# Si n es slo una pe ueFa $raccin de un lote de tamaFo 4* la distribucin 'ipergeomtrica tiende a con"ertirse en distribucin binomial# 7a di$erencia entre la Binomial ! la Hipergeomtrica es ue p es constante en la binomial ! "ariable en la 'ipergeomtrica* adems en esta %ltima es necesario conocer el tamaFo de la poblacin 4# C!ndici!ne, (# # $# #($ic#cin de$ M!de$! ;i(e .e!%70 ic!3 El resultado de cada extraccin puede clasi$icarse entre dos categor+asL de inters considerada de xito* de no inters* considerada como de $racaso# 7a probabilidad de xito "ar+a en cada extraccin o prueba del experimento# 7a extraccin sucesi"a o pruebas son dependientes* o sea reempla,o# 7as extracciones se repiten en n%mero $inito de "eces n# >uando el tamaFo de la muestra es grande comparado con el tamaFo de la poblacin ! el muestreo es sin reempla,o* partiendo de una poblacin $inita* se debe trabajar con la 'ipergeomtrica en "e, del binomial# Si se aumenta el "alor de _ ! 14 < _2* de tal manera ue se conser"e la misma proporcin de art+culos de buena calidad ! de$ectuosos# a las e xtracciones se reali,an sin reempla,amiento la "ariable aleatoria x se puede aproximar a la distribucin binomial# ue el muestreo es sin

Arnaldo de e!"! Peralta Ca!tilla

48

E!tad#!ti$a In%eren$ial para Salud

12e%($! 17 En un lote de art+culos 'a! K de$ectuosos ! M de buena calidad# Hallar la probabilidad de obtener exactamente ? de buena calidad# Empleando el Modelo de Distribucion Binomial ! el Modelo Hipergeomtrico* al tomar muestras de tamaFo tres 1n5J2# S!$ucin3 p1x5?25 &( 1. Por el modelo binomialx se distribu!e como una binomial* x = b 1n*p2 x = b 1J* MQ.62 p1x 5 ?2 5 J>? 1MQ.62? 1KQ.62. 5 6#?88 2. Por el modelo 'ipergeomtrico_ 5 M6 4 < _ 5 K6 4 5 .66 n5J x5?
M6 K6 ? . p1 x = ?2 = = 6*?8GM .66 J M66 K66 ? . = 6*?88. p1 x = ?2 = .66 J

x se distribu!e como una "ariable 'ipergeomtrica- x = H 14* n* _2 O",e A#cin. En el Ejemplo anterior* calculamos la probabilidad de p1x 5 ?2* para 4 5 .66 ! 4 5 .666# 7a probabilidad da mu! aproximada al resultado de la binomial# Se puede concluir entonces ue cuanto ms grande sea 4* tanto ms precisa es la apro ximacin entre los dos modelos#

Arnaldo de e!"! Peralta Ca!tilla

Capitulo 1: Variable Aleatoria

4&

12e%($! 18 >onsidrese un lote de N6 $resas odontolgicas* de las cuales J son de$ectuoso* se toma una muestra aleatoria de tamaFo cinco* 1 n=N2 ! sin reempla,o &>ul es la probabilidad de ue en dic'a muestra se obtenga 6* .* ? ! J art+culos de$ectuosos respecti"amente( S!$ucin. _5J 4 < _ 5 MH n 5 N6 x5x n5N bango o campo de "ariacin de la "ariable aleatoria x* :El mximo entre 6* y n < 14 < _2 I x I m+nimo entre n ! _;# :El mximo entre 6* y &0 < 1MH2 I x I m+nimo entre N6 ! J;# :El mximo entre 6* < MH I x I m+nimo entre N6 ! J;# :6* I x I J;#
J MH ? J p1 x = ?2 = = 6*6??.G N6 N J MH J ? p1 x = J2 = = 6#666N.6 N6 N

_ 4 _ J MH ? n x 6 N p1 x = 62 = = = 6#H?JG 4 N6 n N J MH . M p1 x = .2 = = 6*?N?N N6 N

12e%($! 1& En un lote de .? pipetas de laboratorio* J de las cuales son de$ectuosas* se toma al a,ar una muestra de cuatro 1n=M2 &>ul es la probabilidad de ue dic'a muestra contenga e xactamente una pipeta mala( S!$ucin _5J 4 5 .? n5M 4<_5G bango o campo de "ariacin de la "ariable aleatoria x* :El mximo entre 6* y n < 14 < _2 I x I m+nimo entre n ! _;# :6* y M < G I x I m+nimo entre M ! J;# :6* y <N I x I m+nimo entre M ! J; :6* I x I J;

Arnaldo de e!"! Peralta Ca!tilla

4/

E!tad#!ti$a In%eren$ial para Salud

J G . J 1J218M2 p1 x = .2 = = = 6*N6G6G 1MGN2 .? M

1B1RCICIOS D1 AUTOCOMPROBACIN 1. Si un paciente llega tarde a sus citas mdicas el .6E de las "eces &>ul es la probabilidad ue en ?6 citas llegue tarde exactamente .? "eces( 2. Dna caja contiene K ampollas buenas ! M malas# Si se extrae una muestra de M ampollas al a,ar en un muestreo sin reempla,o# >alcule la probabilidad de#+ Extraer ? o menos ampollas buenas( "+ Extraer ms de J ampollas buenas( 3. Dn distribuidor "ende jeringas en pa uetes de .66 unidades ! garanti,a ue como mximo del .6E son de$ectuosas# Dn consumidor controla cada pa uete extra!endo .6 jeringas sin reempla,o# Si la muestra no contiene jeringas de$ectuosas* l acepta el pa uete* de otra manera lo rec'a,a# Encontrar la probabilidad ue en este proceso cual uier pa uete dado se rec'ace# 4. Para un "olumen $ijo el n%mero de clulas sangu+neas rojas es una "ariable aleatoria ue se presenta con una $recuencia constante# Si el n%mero promedio de un "olumen dado es de G clulas en personas normales* determinar el inter"alo emp+rico de ue el n%mero de clulas rojas en una persona se encuentre dentro de una des"iacin estndar del promedio ! a dos des"iaciones estndar del promedio 4. Sea x una "ariable aleatoria distribuida binomialmente con n 5 .6 ! p 5 6#N# #+ Determinar las probabilidades ue x se encuentre dentro de una des"iacin estndar de la media ! a dos des"iaciones estndar de la media# "+ &>mo cambiar+an las respuestas de 1a2 si n 5 .N ! p 5 6#M -. Supngase ue en un cruce transitado ocurren de manera aleatoria e independiente ? accidentes por semana# Determinar la probabilidad de ue ocurra un accidente en una semana ! de ue ocurran tres accidentes en la semana siguiente# Sea x una "ariable aleatoria de Poisson con un parmetro @5?# 7. Mediante estudios resientes se 'a determinado ue la probabilidad de morir por causa de cierta "acuna contra la gripe es de 6#6666?# Si se administra una "acuna a .66 mil personas ! se supone ue estas constitu!en un conjunto independiente de ensa!os# &>ul es la probabilidad de ue mueran no ms de ? personas a causa de la "acuna( 8. Se sospec'a ue por causa de una error 'umano* se 'an incluido en un pa uete de N6 unidades dos o jeringas de$ectuosas# El $abricante admite el error ! en"+a al cliente solo M8 unidades# Antes de recibir el pa uete el cliente selecciona aleatoriamente N unidades ! encuentra una de$ectuosa# &Debe reclamar una indemni,acin al $abricante(

Arnaldo de e!"! Peralta Ca!tilla

Capitulo 1: Variable Aleatoria

41

&. Dn 'ospital recibe un lote de .666 unidades de "acuna# Para aceptarlos se selecciona .6 unidades de manera aleatoria ! se inspeccionan# Si ninguna se encuentra de$ectuosa el lote se aceptaL de otro modo se rec'a,a# Se sospec'a ue N de cada .66 unidades estn daFadas#+ Determinar la probabilidad de aceptarlo mediante el empleo de la distribucin 'ipergeomtrica# "+ Aproximar la respuesta de la parte 1a2 mediante el empleo de la distribucin binomial# c+ Aproximar la respuesta de la parte 1b2 mediante el empleo de la distribucin Poisson# 1/. De las distribuciones binomial* Poisson* 'ipergeomtrica* &cules no considerar+a si alguien le dijera* de una distribucin en particular ue#+ &7a media es igual a la "arian,a( "+ &7a media es ms grande ue la "arian,a( c+ &7a media es menor ue la "arian,a( d+ &El $enmeno aleatorio de inters constitu!e un grupo de ensa!os independientes( e+ &El muestreo se lle"a a cabo con reempla,o( C+ &El muestreo se lle"a a cabo sin reempla,o( R1SPU1STA 1B1RCICIOS D1 AUTOCOMPROBACIN 1. 2. 3. 4. 4. -. 7. 8. &. 6 #+ 7a $uncin de probabilidad 'ipergeomtrica* con probabilidades de x 5 6* .* ?# "+ Probabilidades de x 5 J* M# 6#KH# 6#HK6. ! 6#GH.8# #+ 6#KNK?L 6#GJMKL "+ 6#NKGKL 6#GJG. 6#6M88 6#KHKH 6#.8JHL a2 6#NGHJL 4o# b2 6#NG8HL c2 6#K6KN

1/. De$iniciones por conocimiento del alumno#

Arnaldo de e!"! Peralta Ca!tilla