Professional Documents
Culture Documents
CARACTERSTICAS Y TRATAMIENTO.
LA DISTRIBUCIN BINOMIAL Y DE POISSON.
APLICACIONES
1.- Introduccin
2.- Distribucin de probabilidad de variable discreta.
2.1.- Funcin de probabilidad.
2.2.- Funcin de distribucin de probabilidad.
3.- Caractersticas y tratamiento.
3.1.- Esperanza matemtica o media de X
3.2.- Momentos.
Momento de orden k respecto al origen
Momento central de orden k
Momento de orden K respecto a un punto c
Momento absoluto de orden k
3.3.- Varianza.
3.4.- Desviacin tpica.
3.5.- Variable tipificada o normalizada.
3.6.- Coeficiente de variacin.
3.7.- Otras medidas de centralizacin y dispersin
Mediana
Desviacin media
Cuartil de orden p
Funcin caracterstica
Funcin generatriz de momentos
4.- Pruebas de Bernouilli.
5.- Distribucin Binomial.
6.- Distribucin de Poisson.
7.- Otras distribuciones discretas.
7.1.- Distribucin geomtrica.
7.2.- Distribucin binomial negativa.
7.3.- Distribucin hipergeomtrica.
Funcin caracterstica y Funcin generatriz de momentos
Funcin caracterstica:
u(t) = E[e
itX
] =
k
itx
k
k
e p
La serie es absolutamente convergente pues | e
itX
| = 1 y u(t) es continua
por ser suma de funciones continuas.
Funcin generatriz de momentos:
(t) = E[e
tX
] =
k
tx
k
k
e p
Propiedades:
1) (0) = 1 p p e
k
k k
k
x 0
k
= =
2) Es uniformemente continua en el intervalo (-, +)
3) Sea X tal que
aX
(t) conocida
aX+b
(t) = e
tb
aX
(t)
4) Sean X
1
, X
2
independientes tales que ( ) ( ) t , t
X X
2 1
conocidas
( ) ( ) ( ) t t t
2 1 2 1
X X X X
=
+
5) ( ) 0 t
k (
X k
= = o
-
PRUEBAS DE BERNOUILLI O DISTRIBUCIN DE BERNOUILLI
Una prueba de Bernouilli es un experimento aleatorio cuyos posibles
resultados son agrupados en dos conjuntos excluyentes que llamaremos xito, E, y
fracaso F, O = {E,F}con P(E) = p y P(F) = 1-p.
Realizamos una prueba de Bernouilli con P(E) = p. Asociando X a los xitos el
nmero 1 y a los fracasos el nmero 0, O = {0,1}. La distribucin de Bernouilli de
parmetro p es la distribucin de la variable aleatoria:
X =
fracaso obtenemos si 0
xito obtenemos si 1
Se trata pues de una variable aleatoria discreta, ya que nicamente puede
tomar los valores 0,1.
Funcin de probabilidad : P(X = x) = p
x
(1-p)
1-x
, x = 0, 1.
Esperanza: E[X] =
i i
p x = 0(a-p) + 1p = p
Varianza: V(X) = E[X
2
] p
2
= p p
2
= p(1-p)
Las pruebas de Bernouilli generan diferentes modelos de probabilidad, como
la distribucin Binomial, la distribucin geomtrica y la distribucin binomial
negativa.
Distribucin Binomial.
Realizamos n pruebas de Bernouilli independientes, con P(E) = p en cada
prueba. La distribucin binomial B(n; p) es la distribucin de la variable aleatoria
X = "nmero de xitos obtenidos en las n pruebas". Se trata pues de una variable
aleatoria discreta, ya que nicamente puede tomar los valores 0,1,...,n.
Teorema de Adicin: La suma de variables aleatorias binomiales independientes
con el mismo parmetro p es otra binomial de parmetro p. As, sean XB(n,p) e
YB(m,p) independientes X + Y B(n+m,p).
Funcin de probabilidad: ( )
x n x
) p 1 ( p
x
n
x X P
|
|
.
|
\
|
= =
Se trata de una funcin de probabilidad, ya que: ( 0 < p < 1)
1) ( ) 0 ) p 1 ( p
x
n
p , n B
x n x
>
|
|
.
|
\
|
=
2) ( ) ( ) 1 ) p 1 ( p ) p 1 ( p
x
n
p , n B
n
n
0 x
x n x
n
0 x
= + =
|
|
.
|
\
|
=
=
=
Funcin de distribucin: F(X) = P(Xsx) =
>
< <
|
|
.
|
\
|
<
n x si 1
n x 0 si ) p 1 ( p
r
n
0 x si 0
x
0 r
r n r
Funcin caracterstica: u(t) = E[e
itx
] =
itr
n
0 r
r n r
e ) p 1 ( p
r
n
|
|
.
|
\
|
= (pe
it
+ (1-p))
n
Funcin generatriz de momentos:
(t) = E[e
tX
] =
|
|
.
|
\
|
n
0 r
r n r tr
) p 1 ( p
r
n
e = ( ) ( )
|
|
.
|
\
|
n
0 r
r n
r
t
p 1 pe
r
n
= (pe
t
+ (1-p))
n
Los momentos respecto al origen se obtienen a partir de la funcin
generatriz de momentos, derivando y particularizando para t = 0.
Media: = E[X] = np
Varianza: o
2
= V(X) = np(1-p)
Comportamiento:
La forma de la binomial como funcin de x es una grfica que comienza en un
valor para x=0 y va creciendo hasta alcanzar un mximo en x=x
0
, tras lo que
comienza a decrecer hasta llegar al valor x=n. La distribucin es simtrica si p=
) p 1 ( , asimtrica a la izquierda si p> ) p 1 ( y asimtrica a la derecha si p< ) p 1 ( .
0 1 2 x=m n-1 n
Aplicaciones:
Veamos algunos ejemplos de variables aleatorias que siguen una ley binomial:
- La determinacin del sexo de un nio al nacer. Si se considera el suceso A, que
nazca varn, el suceso no A ser que nazca hembra.
- La probabilidad de muerte, muy utilizado por las compaas de seguros.
- Sea el experimento lanzar 10 veces una moneda. Los sucesos cara y cruz son
contrarios y las probabilidades son P(cara) =
2
1
y P(cruz) =
2
1
. Luego es una
binomial de parmetros n = 10 y p =
2
1
B(10,
2
1
).
- Un ingeniero industrial est interesado en la proporcin de defectuosos, en un
proceso industrial. A menudo las mediciones de control de calidad y los esquemas
de muestreo para procesos se basan en la distribucin binomial.
- Tambin se usa en aplicaciones mdicas y militares.
Distribucin de Poisson.
Supongamos un experimento aleatorio que sigue una distribucin Binomial
donde n grande y p pequeo, es decir, se realizan n pruebas independientes de una
experiencia aleatoria cualquiera, en cada una de las cuales la probabilidad de que
ocurra el suceso A es p.
Si queremos calcular la probabilidad de que el suceso A ocurra r veces en las n
pruebas, se puede aplicar la frmula de la distribucin Binomial pero si n es grande
y p pequeo es ms prctica la distribucin de Poisson.
Se define la distribucin de Poisson como paso al lmite de la distribucin
Binomial.
Admitamos que n , p 0 y np = . Esta ltima igualdad significa que el
promedio de apariciones del suceso A para distintos valores de n permanece
constante. Se trata pues de una variable aleatoria discreta que puede tomar un
conjunto de valores infinito numerable. A toda variable aleatoria que cumple las
condiciones anteriores se le llama variable aleatoria de Poisson de parmetro ,
P(), donde es el promedio de apariciones del suceso.
La probabilidad de que A ocurra x veces en n pruebas es:
P
x
= ( )
x n x
p p
x
n
|
|
.
|
\
|
1
( )
( )
x n x
p p
x n x
n
= 1
! !
!
Funcin de probabilidad: ( )
= = e
! x
x X P
x
Veamos que se trata de una funcin de probabilidad:
1) ( ) 0 e
! x
x X P
x
x
>
= =
2) ( ) 1 e e
! x
e e
! x
x X P
0 x
x
0 x
x
0 x
= =
= =
=
Funcin de distribucin: ( ) ( )
>
<
= s =
s
0 x si e
! r
0 x si 0
x X P x F
x r
r
Funcin caracterstica: ( ) | |
= =
0
!
r
itr
r
itX
e
r
e e E t
|
Funcin generatriz de momentos:
( ) | |
( )
( )
=
=
= =
= =
0 r
1 e e
r
t
0 r
tr
r
0 r
tr
r
tX
t t
e e e
! r
e
e e
! r
e e
! r
e e E t
Los momentos respecto al origen se obtienen a partir de la funcin
generatriz de momentos, derivando y particularizando para t = 0.
Media: = E[X] =
Varianza: o
2
= Var(X) =
Teorema de Adicin: La suma de variables aleatorias de Poisson independientes, es
tambin una variable aleatoria de Poisson de parmetro la suma de los parmetros.
Comportamiento:
- El valor inicial es ( )
= = e 0 X P , en el limite ( ) 0 x X P
x
=
dado que la
serie
0 x
x
e
! x
es convergente y por tanto el termino general tiende a cero.
- La funcin P(X = x) es creciente cuando /k >1 es decir para valores k<
- La funcin P(X = x) es decreciente cuando /k <1 es decir para valores k>
- Luego el valor mximo lo alcanza en el mayor entero anterior a .
Aplicaciones:
Ejemplos tpicos de variables que siguen aproximadamente una distribucin
de Poisson pueden ser:
- La frecuencia de una poblacin de enfermedades o sucesos muy raros como
albinismo o sndrome de Down, nmero de suicidios o nmeros de muertos por
accidente de circulacin.
- En las desintegraciones radioactivas, la probabilidad de que lleguen a un
contador un nmero determinado de partculas k en un cierto tiempo fijo T, es una
distribucin de Poisson, en que depende linealmente del tiempo T.
- Una fbrica enva al almacn 10.000 piezas. La probabilidad de que una pieza se
deteriore durante el transporte es p = 0,0001. Hallar la probabilidad de que haya
cinco piezas defectuosas al llegar al almacn.
n = 10.000 piezas y p = 0.0001 probabilidad de pieza defectuosa = 1
Luego es una Poisson de parmetro = 1 P(1)
O es una binomial B(10. 000, 0.0001).
Otras distribuciones discretas.
Distribucin geomtrica.
Realizamos pruebas de Bernouilli independientes, con P(E)=p en cada prueba,
hasta la aparicin del 1
er
xito. La distribucin geomtrica, G(p), es la distribucin
de la variable aleatoria X = "n de fracasos hasta la aparicin del 1
er
xito".
Funcin de probabilidad: P(X=x) = (1-p)
x
p , x = 0, 1, ...
Esperanza: E[x] =
p
p 1
Varianza: V(X) =
2
p
p 1
No cumple el teorema de adicin.
Es un caso particular de la binomial negativa haciendo r=1
Distribucin binomial negativa.
Realizamos n pruebas de Bernouilli independientes, con P(E)=p en cada
prueba, hasta conseguir r xitos (donde r est fijado previamente). La distribucin
binomial negativa, BN(r,p), es la distribucin de la variable aleatoria X = "n de
fracasos hasta la aparicin del r-simo xito".
Funcin de probabilidad: P(X=x) =
|
|
.
|
\
| +
x
1 r x
p
r
(1-p)
x
, x = 0, 1, ...
Esperanza: E[x] =
p
) p 1 ( r
Varianza: V(X) =
2
p
) p 1 ( r
Cumple el teorema de adicin.
Distribucin hipergeomtrica.
Consideremos una poblacin con N elementos, de los cuales, D son xitos (es
decir, tienen una determinada caracterstica) y N-D son fracasos (no tienen esa
caracterstica). La distribucin hipergeomtrica, HG(N,D,n), es la distribucin de
la variable aleatoria X = "n de xitos obtenidos en n observaciones al azar de una
poblacin, sin reemplazamiento".
Funcin de probabilidad: P(X = x) =
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
n
N
x n
D N
x
D
, max{0, n-(N-D)} s x s min{n, D}
Esperanza: E[x] =
N
nD
Varianza: V(X) =
1 N
n N
N
D N
N
nD
Nota: Si N es muy grande en comparacin con n, la diferencia entre que tomemos
las observaciones con o sin reemplazamiento va a ser insignificante la
distribucin hipergeomtrica coincide prcticamente con la binomial con P(E) =
N
D
.