You are on page 1of 9

DISTRIBUCIN GEOMTRICA

En el marco de repeticiones independientes de Pruebas de Bernoulli con parmetro


P se define otro tipo de experimento como el nmero de pruebas necesarias hasta
conseguir que ocurra el evento A por primera vez. Este experimento se denomina
experimento Geomtrico y define una variable aleatoria
Geomtrica.
El modelo Geomtrico es una variable aleatoria que se define
como el nmero de repeticiones independientes de una Prueba de Bernoulli hasta
que ocurre el evento A.
Notas: - La variable aleatoria tomar cualquier valor entero mayor o
igual a uno.
- El modelo Geomtrico se denotar como G(p), donde p es la
probabilidad de que ocurra el evento A en cada Prueba de
Bernoulli.
- La asignacin de probabilidades de cada valor de la variable esta dada por la ecuacin 1

Ecuacin 1
Como consecuencia de la Ecuacin 1, la funcin de distribucin acumulativa de
probabilidades, la funcin de densidad de probabilidades y la funcin de
probabilidad vienen dadas por las ecuaciones 2, 3 y 4, respectivamente.

La Tabla 1 muestra los valores esperados ms importantes correspondientes al


modelo Geomtrico.
Tabla 1: Valores Esperados ms Importantes para el Modelo Geomtrico.

Para darse una idea se plantean los siguientes ejemplos:


Ejemplo 1:La probabilidad de que ocurra el evento A en una Prueba de
Bernoulli es 0.6. Cul es la probabilidad de que se necesiten exactamente 5 pruebas
para conseguir el resultado A por primera vez?.
La variable aleatoria as definida se corresponde con el modelo Geomtrico con
parmetro p = 0.6. La probabilidad que se solicita viene dada por

Ejemplo 2:Considere una caja con R pelotas rojas y A pelotas amarillas. Se va a


realizar un muestreo con reposicin hasta obtener una pelota amarilla. Cul es la
probabilidad de que realicen exactamente 3 extracciones para conseguir la
primera pelota amarilla?.
La variable aleatoria as definida se corresponde con el modelo Geomtrico con
parmetro p =A/A+R
. La probabilidad que se solicita viene dada por

Ejemplo 3:Un estudiante tiene probabilidad de 0.8 de aprobar el curso de


probabilidades. De no aprobar el curso en este trmino lo inscribe de nuevo hasta
que lo apruebe. Cul es la probabilidad de que necesite inscribirse ms de tres
veces para aprobar el curso?.
La variable aleatoria definida como el nmero de veces que se toma el curso de
probabilidades hasta aprobarlo se corresponde con el modelo Geomtrico con
parmetro p = 0.8 (se supone aqu que el valor de p permanece constante de un
trmino a otro). La probabilidad que se solicita viene dada por

Nota:
La Texas Instrument (TI-89), con su aplicacin flash del programa de Probabilidad y Estadstica, en el caso de la
distribucin Geomertrica, se da por la opcion F5, seccion F.

Distribucin Hipergeometrica

El modelo Hipergeomtrico es una variable aleatoria que se


define como el nmero de objetos del tipo A en un muestreo sin reposicin de
tamao n en una poblacin de N objetos donde k de ellos son del tipo A.
Notas: - La variable aleatoria tomar cualquier valor entero entre cero y n
pero debe cumplir con las restricciones de ser menor o igual a k
y mayor o igual que (n + k - N).
- El modelo Hipergeomtrico se denotar como H(N, k, n), donde
N es la cantidad de objetos en la poblacin, k es el nmero de
objetos tipo A en la poblacin y n es el tamao de muestra sin
reposicin.
- La asignacin de probabilidades de cada valor de la variable est
dada por la ecuacin 1.
Como consecuencia de la Ecuacin 1, la funcin de distribucin acumulativa de
probabilidades, la funcin de densidad de probabilidades y la funcin de
probabilidad vienen dadas por las ecuaciones 2, 3 y 4, respectivamente.

Ejemplo 1:Considere una caja con R pelotas rojas y A pelotas amarillas. Se va a


realizar un muestreo sin reposicin de tamao 3. Cul es la probabilidad de que se
extraigan exactamente 3 pelotas amarillas?.
La variable aleatoria definida como el nmero de pelotas amarillas en el MSR de
tamao 3 de la caja mencionada se corresponde con el modelo Hipergeomtrico con
parmetros N = R + A, k = A y n = 3. La probabilidad que se solicita viene dada por

Ejemplo 2:Considere una caja con R pelotas rojas y A pelotas amarillas. Se va a


realizar un muestreo sin reposicin de tamao 3. Cul es la probabilidad de que se
extraigan ms pelotas amarillas que rojas?.
La variable aleatoria definida como el nmero de pelotas amarillas en el MSR de
tamao 3 de la caja mencionada se corresponde con el modelo Hipergeomtrico con
parmetros N = R + A, k = A y n = 3. La probabilidad que se solicita viene dada por

Note que los clculos que involucra el modelo Hipergeomtrico se pueden volver muy engorrosos para valores
grandes de sus parmetros.

Distribuciones Multinomial

La distribucin multinomial es similar a la distribucin binomial, con la diferencia de que en lugar de dos posibles
resultados en cada ensayo, puede haber mltiples resultados:
Ejemplo de distribucin binomial: a unas elecciones se presentaron 2 partidos polticos: el POPO obtuvo un 70% de
los votos y el JEJE el 30% restante. Cul es la probabilidad de que al elegir 5 ciudadanos al azar, 4 de ellos hallan
votado al JEJE?
Ejemplo de distribucin multinomial: a esas elecciones se presentaron 4 partidos polticos: el POPO obtuvo un 40%
de los votos, el JEJE el 30%, el MUMU el 20% y el LALA el 10% restante. Cul es la probabilidad de que al elegir 5
ciudadanos al azar, 3 hayan votado al POPO, 1 al MUMU y 1 al LALA?
La distribucin multinomial sigue el siguiente modelo:

Donde:
X1 = x1: indica que el suceso X1 aparezca x1 veces (en el ejemplo, que el partido POPO lo hayan votado 3 personas)
n: indica el nmero de veces que se ha repetido el suceso (en el ejemplo, 5 veces)
n!: es factorial de n (en el ejemplo: 5 * 4 * 3 * 2 * 1)
p1: es la probabilidad del suceso X1 (en el ejemplo, el 40%)
Veamos el ejemplo:

Luego:
P = 0,0256
Es decir, que la probabilidad de que las 5 personas elegidas hayan votado de esta manera es tan slo del 2,56%
Nota: 0 es igual a 1, y cualquier nmero elevado a 0 es tambin igual a 1
Veamos otro ejemplo:
En una fiesta, el 20% de los asistentes son espaoles, el 30% franceses, el 40% italiano y el 10% portugueses. En un
pequeo grupo se han reunido 4 invitados: cual es la probabilidad de que 2 sean espaoles y 2 italianos?
Aplicamos el modelo:

Luego
P = 0,0384
Por lo tanto, la probabilidad de que el grupo est formado por personas de estos pases es tan slo del 3,84%.
MODELO DISTRIBUCIN GAMMA.

En el modelo Normal se puede apreciar la relacin existente entre los posibles


valores que pueden tomar los parmetros y , y la forma que adquiere la curva
de
densidad de probabilidades al observar las Figuras 6.6 y 6.7. Una de las principales
caractersticas que se desprenden de esas figuras es el carcter simtrico del
fenmeno normal alrededor del valor esperado. En aquellos casos en los cuales es
importante que los posibles valores de la variable sean asimtricos, el modelo
Gamma explica satisfactoriamente el fenmeno.
Definicin 1: El modelo Gamma es una variable aleatoria donde la funcin de
densidad de probabilidades.
- Como propiedades de la funcin Gamma se pueden destacar las
siguientes:

Asignndole distintos valores a los parmetros a y b se obtienen distintos miembros


de la familia Gamma que tienen sus nombres propios debido a la popularidad de los
mismos. Las Definiciones 6.8, 6.9 y 6.10 destacan los tres miembros ms comunes.
Definicin 2: El modelo Gamma Estndar es una variable aleatoria Gamma
donde =1y es variable por lo que su
funcin de densidad de probabilidades
viene dada por la Ecuacin 6.11.
LA DISTRIBUCIN DE PROBABILIDAD BETA.

La distribucin de probabilidad beta es una funcin de densidad con dos parmetros definida en el intervalo
cerrado 0 <= y <= 1. Se utiliza frecuentemente como modelo para fracciones, tal como la proporcin de impurezas
en un producto qumico o la fraccin de tiempo que una maquina est en reparacin.

Funcin de densidad probabilidad:


, 0;0 y 1
y 1 (1 y) 1
f ( y) {
B( , )

En cualquier otro punto donde

( ) ( )
B( , ) y 1 (1 y ) 1 dy
( )

Ntese que la definicin de (y) sobre el intervalo 0<= y <= 1 restringe su aplicacin. Si c<= y <= d, y = (y- c) / (d- c)
definir una nueva variable en el intervalo 0<= y <= 1. As la funcin de densidad beta se puede aplicar a una
variable aleatoria definida en el intervalo c<= y <= d mediante una traslacin y una medicin en la escala.

La funcin de distribucin acumulativa para la variable aleatoria beta se llama comnmente funcin beta y esta
dada por
y t 1 (1 t ) 1
F ( y) dt I y ( , )
0 B( , )

Para valores enteros de alfa y beta, Iy (alfa, beta) est relacionada con la funcin de probabilidad binomial. Cuando
y = p, se puede demostrar que

y 1 (1 y) 1 n
F ( p) dy p y (1 p) n y
B( , ) y
En donde 0< p < 1 y n igual a alfa ms beta menos uno.

El valor esperado y la varianza de una variable aleatoria X con distribucin beta son

Un caso especial de la distribucin Beta con a = 1 y b = 1 es la


probabilidad uniforme.
Distribucin de Weibull

Weibull (2-Parameter)
Funcin de densidad de probabilidad

Funcin de distribucin de probabilidad

Parmetros scale (real)


shape (real)
Dominio

Funcin de
densidad(pdf)

Funcin de
distribucin(cdf)
Media

Mediana

Moda

if k > 1
Varianza
Coeficiente de
simetra

Curtosis (see text)


Entropa

Funcin
generadora de
momentos(mgf)
Funcin
caracterstica

En teora de la probabilidad y estadstica, la distribucin de Weibull es una distribucin de probabilidad continua.


Recibe su nombre de Waloddi Weibull, que la describi detalladamente en 1951, aunque fue descubierta
inicialmente por Frchet (1927) y aplicada por primera vez por Rosin y Rammler (1933) para describir la
distribucion de los tamaos de determinadas partculas.
La funcin de densidad de una variable aleatoria con la distribucin de Weibull x es:1

donde k > 0 es el parmetro de forma y > 0 es el parmetro de escala de la distribucin.


La distribucin modela la distribucin de fallos (en sistemas) cuando la tasa de fallos es proporcional a una
potencia del tiempo:
Un valor k<1 indica que la tasa de fallos decrece con el tiempo.
Cuando k=1, la tasa de fallos es constante en el tiempo.
Un valor k>1 indica que la tasa de fallos crece con el tiempo.

Propiedades
Su funcin de distribucin de probabilidad es

para x 0, siendo nula cuando x < 0.


La tasa de fallos (hazard) es

La funcin generadora de momentos del logaritmo de la distribucin de Weibull es2

donde es la funcin gamma. Anlogamente, la funcin caracterstica del logaritmos es

En particular, el momento n-simo de X es:

Su media y varianza son


y

Mientras que su asimetra y curtosis son

donde i = (1 + i / k).

Distribuciones relacionadas
La distribucin de Weibull desplazada (a travs de un parmetro adicional) tambin se encuentra en la
literatura.2 Tiene funcin de densidad

para y f(x; k, , ) = 0 cuando x < , donde k > 0 es el parmetro de forma, > 0 es el parmetro de
escala y , el de localizacin. Coincide con la habitual cuando =0.
La distribucin de Weibull puede caracterizarse como la distribucin de una variable aleatoria X tal que

sigue una distribucin exponencial estndar de intensidad 1.2 De hecho, la distribucin de Weibull coincide con la

exponencial de intensidad 1/ cuando k = 1 y la de distribucin de Rayleigh de moda cuando k = 2.


La funcin de densidad de la distribucin de Weibull cambia sustancialmente cuando k vara entre 0 y 3 y, en
particular, cerca de x=0. Cuando k < 1 la densidad tiende a cuando x se aproxima a 0 y la densidad tiene forma
de J. Cuando k = 1 la densidad tiene un valor finito en x=0. Cuando 1<k<2, la densidad se anula en 0, tiene una
pendiente infinita en tal valor y es unimodal. Cuando k=2, la densidad tiene pendiente finita en 0. Cuando k>2, la
densidad y su pendiente son nulas en cero y la densidad es unimodal. Conforme k crece, la distribucin de Weibull
converge a una delta de Dirac soportada en x=.
La distribucin de Weibull tambin puede caracterizarse a travs de la distribucion uniforme: si X es uniforme

sobre (0,1), entonces sigue una distribucin de Weibull de parmetros k y . Este resultado
permite simular numricamente la distribucin de manera sencilla.
La distribucin de Weibull es un caso especial de la distribucin Exponentiated Weibull distribution (de tres
parmetros) cuando el parmetro adicional vale 1. Tambin es un caso especial de la generalized extreme value
distribution. Fue precisamente en este contexto que fue identificada por Maurice Frchet in 1927.
Aplicaciones
La distribucin de Weibull se utiliza en:
Anlisis de la supervivencia
Reliability engineering
En ingeniera, para modelar procesos estocsticos relacionados con el tiempo de fabricacin y distribucin de
bienes
Teora de valores extremos
Meteorologa
Para modelar la distribucin de la velocidad del viento
En telecomunicaciones
En sistemas de radar para simular la dispersin de la seal recibida
En seguros, para modelar el tamao de las prdidas.