LECTURA DE SEMANA 3 DE ME DISTRIBUCIONES DE PROBABILIDAD DISCRETAS La teora matemtica de probabilidad es la que soporta las metodologas estadsticas de inferencia, razn

por la cual se debe conocer algo de teora de probabilidad para entender ms claramente las metodologas estadsticas. En esta parte del curso (semanas 3 y 4) veremos algunas distribuciones tericas de probabilidad que se usan mucho en la prctica y en la inferencia estadstica. Variable Aleatoria (v.a.). Para nosotros, una variable aleatoria es una caracterstica de inters en una poblacin, con la condicin de que se puede medir numricamente. Rango de una v.a. Es el conjunto de valores que realmente puede tomar una v.a. Hay dos tipos de variables aleatorias: variable continua y variable discreta. Una variable aleatoria (v.a.) es discreta cuando el rango de la v.a. (los valores que puede tomar la v.a.) son tales que se pueden enumerar en una lista y agotar todos los valores posibles. Para nuestro curso, el rango de una v.a. discreta es un conjunto de nmeros enteros positivos o no negativos. Unas v.a. es continua si su rango es un intervalo de nmeros reales. Es importante diferenciar el tipo de v.a. que se esta manejando, ya que la manera de calcular probabilidades depende del tipo de variable que se esta utilizando. En esta semana veremos algunas distribuciones de probabilidad de v.a. discretas. Casi todas las probabilidades de v.a. discretas que veremos se pueden obtener en excel, ver el manual de funciones de excel (excel versin en ingls) para saber como usar dichas funciones..
Distribucin Uniforme Discreta. Sea X una v.a. discreta con rango 1, 2, 3, ..., k. Luego su funcin de probabilidad es P(i) = 1/k para i=1, 2, 3, ..., k. Su valor esperado o media es E(X) =

k +1 k 2 1 , y su varianza es V(X) = . 2 12

La distribucin uniforme discreta modela los casos en donde todos los resultados posibles tienen la misma probabilidad de ocurrir, y se aplica para modelar juegos de azar. Por ejemplo, se lanza un dado legal y se registra el nmero que aparece con la cara hacia arriba, luego el rango de X = nmero que aparece con la cara hacia arriba, es {1,2,3,4,5,6} (observe que aqu k = 6). Es decir, el rango es el conjunto de nmeros posibles en un dado legal. Como es razonable pensar que todos los nmeros tienen la misma posibilidad de ocurrir, entonces P(X = i) = 1/6 para i = 1,2,3,4,5,6. Luego, el nmero promedio que aparece por lanzamiento es: E(X) = (6+1)/2 = 3.5 con una varianza de V(X) = (6 2 1)/12 = 2.9167 y una desviacin estndar de X = 2.9167 = 1.7078.
P P

La Distribucin Bernoulli. La distribucin Bernoulli est asociada con un experimento aleatorio denominado experimento Bernoulli. Un experimento Bernoulli es aqul, en donde son slo dos los resultados posibles del experimento, a estos resultados posibles los llamaremos xito y

fracaso. Por ejemplo, lanzar una moneda y registrar el lado que cae hacia arriba es un experimento Bernoulli, porque slo hay dos resultados posibles. Otro ejemplo, al analizar un producto para saber si est defectuoso o no est defectuoso es un experimento Bernoulli, ya que hay dos resultados posibles: defectuoso y no defectuoso. Si en un experimento Bernoulli al resultado xito se le asigna el nmero 1 y al resultado fracaso se le asigna el nmero 0, entonces se podra definir la v.a. X con rango X = {0, 1}, donde X(xito)=1 y X(fracaso)=0. Si conocemos la probabilidad de que ocurra el xito denotada por p, entonces la probabilidad de que ocurra el fracaso es 1-p, de tal manera que el valor de p define la funcin de probabilidad de la v.a. X, y a esta funcin de probabilidad se le llama distribucin Bernoulli como se indica en la siguiente definicin. Definicin de la Distribucin Bernoulli. La v.a. discreta X tiene distribucin Bernoulli si su funcin de probabilidad es: si x = 1 p f(x) = 1 p si x = 0 0 de otro modo adems: E(X) = p y Var(X) = p(1-p). Ejemplo 3.1 Se analizar un producto para determinar si es defectuoso o no defectuoso. Se sabe que el 11% de la produccin sale defectuosa. Si se define la v.a. X = nmero de artculos defectuosos que resultan, obtener la funcin de probabilidad de X. Para obtener f(x), observe que el rango de X es {1, 0}, solo dos resultados posibles, entonces X tiene distribucin Bernoulli, donde P(X=1) = P(defectuoso) = 0.11 y P(X=0) = P(no defectuoso) = 1-0.11 = 0.89; luego: . si x = 1 011 f(x) = 0.89 si x = 0 0 de otro modo. adems, E(X) = 0.11 y Var(X) = 0.11(0.89) = 0.0979. La Distribucin Binomial. La distribucin binomial se aplica en la siguiente situacin. Suponer que un experimento Bernoulli se repite n veces de manera independiente , donde la probabilidad de que ocurra xito es p. Sea la v.a. X definida como X = al nmero de xitos ocurridos en las n repeticiones del experimento Bernoulli. Entonces, la v.a. X tiene distribucin binomial con parmetros n, p. Observe que el rango de X es: {0, 1, 2, L , n}.
U U

La situacin anterior se presenta cuando, por ejemplo, se inspecciona un lote de 50 artculos y se determina la cantidad de artculos defectuosos que hay en el lote. El experimento Bernoulli es inspeccionar un artculo para determinar si est defectuoso o no y este experimento se va a repetir 50 veces (son 50 artculos). Si se sabe que el 10% de los artculos son defectuosos, entonces la probabilidad de que un artculo sea defectuoso

es 0.1 y si los experimentos Bernoulli (inspeccin de un artculo) son independientes , (el hecho de que un artculo sali o no sali defectuoso no afecta a la probabilidad de que el siguiente salga defectuoso), entonces la v.a. definida como el nmero de artculos defectuosos en el lote tiene distribucin binomial con parmetros n = 50, p = 0.1.
U U

Definicin de Distribucin Binomial. La v.a. X tiene distribucin binomial, si su funcin de probabilidad es: n n x f(x) = p x (1 p) para x = 0, 1, 2, L , n. x donde f(x) = 0 de otro modo. Adems, E(X) = np y Var(X) = np(1-p).
n El smbolo (se lee: combinaciones de n en x) y se define como x n! con 0 x n, donde r! = 1234Lr, y 0!=1. El smbolo r!, se x !( n x )! factorial o el factorial de r. Adems, E(X) = np y Var(X) = np(1-p). n = x

lee r

n El clculo de ya est integrado en las calculadoras cientficas de bolsillo y no x debe ser problema obtener el resultado de estos clculos.

Ejemplo 3.2 Se tiene un lote de 50 artculos, de los cuales se sabe que el 10% de la produccin es defectuoso. Al hacer la inspeccin del lote, obtener la probabilidad de que haya a) 3 artculos defectuosos, b) a lo ms 4 artculos defectuosos, c) ms de 3 artculos defectuosos, d) el promedio del nmero de artculos defectuosos, e) la varianza y la desviacin estndar del nmero de artculos defectuosos, f) determinar cuantos artculos buenos se deben tener de refaccin por lote, de tal manera que haya una probabilidad de por lo menos 90% de que se repongan todos los productos defectuosos. Solucin: Sea X = nmero de artculos defectuosos en el lote. Suponiendo que el resultado de las inspecciones son independientes, entonces X tiene distribucin binomial con parmetros n=50 p=0.1 (en smbolos: Xbinomial(n=50, p=0.1)). Luego, de la definicin de distribucin binomial tenemos que la funcin de probabilidad de X es: 50 50 x f(x) = ( 01) x ( 0.9) para x = 0, 1, 2, L , 50. . x Para resolver el a), tenemos que: 50 3 47 47 P(X=3) = f(3) = ( 0.1) 3 ( 0.9) = (19600)(0.1) (0.9) 0.1386. 3 Para resolver el b) tenemos que: 4 4 50 50 50 50 49 . P(X 4) = f (i ) = ( 01) i ( 0.9) 50 i = ( 0.1) 0 ( 0.9) + ( 01) 1 ( 0.9) + . i 0 1 i=0 i= 0
P P P P

 50 48 50 47 50 46 2 3 4 ( 0.1) ( 0.9) + ( 0.1) ( 0.9) + ( 0.1) ( 0.9) 0.4312. 2 3 4 Estas probabilidades se pueden obtener en una hoja de clculo como excel. Para resolver el c), tenemos que: 3 50 50 49 . P(X > 3) = 1 - P(X 3) = 1 - f (i ) = 1 - ( 01) 0 ( 0.9) 50 + ( 01) 1 ( 0.9) + . 1 i = 0 0

50 47 48 50 2 . 3 ( 0.1) ( 0.9) + ( 01) ( 0.9) 1 - 0.2503 = 0.7497. 3 2 Para resolver el d), de la definicin de distribucin binomial tenemos que: E(X) = np = (50)(0.1) = 5.0; es decir, en promedio salen 5 artculos defectuosos por lote. Igualmente, para resolver el e), tenemos de la definicin de distribucin binomial, que: Var(X) = np(1-p) = (50)(0.1)(0.9) = 4.5 y X = 4.5 2.121
B B

Para resolver el f), sea w el nmero de artculos buenos que se tienen de refaccin y sea X el nmero de productos defectuosos en el lote. Para que se puedan reponer todos los productos defectuosos se tiene que X no debe superar a w, es decir X w. Como se desea que haya una probabilidad de por lo menos 90% de que se repongan todos los productos defectuosos el lote entonces se debe cumplir que P(X w) 0.90. Luego, w debe ser un valor tal que su probabilidad acumulada sea por lo menos 0.9, la tabla 1 muestra valores de w con su correspondiente probabilidad acumulada.
w 0 1 2 3 4 5 P(X <= w) 0.005154 0.033786 0.111729 0.250294 0.431198 0.616123 w 6 7 8 9 10 11 P(X <= w) 0.770227 0.877855 0.942133 0.975462 0.990645 0.996780 w 12 13 14 15 16 17 P(X <= w) 0.998995 0.999715 0.999926 0.999983 0.999996 0.999999 w 18 19 20 21 22 23 P(X <= w) 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000

Tabla 1. Probabilidad acumulada de w, distribucin binomial (n = 50, p = 0.10). De la tabla 1 (hecha en excel) vemos que el valor mnimo de w que tiene probabilidad acumulada mayor a 90% es 8, de donde se deduce que w = 8, es decir con 8 artculos buenos de refaccin se pueden sustituir todos los artculos defectuosos del lote con una probabilidad de 94.2% (Cuntos artculos son necesarios si se desea una probabilidad de por lo menos 99%?) Las figuras 3.1 y 3.2 ilustran el aspecto de la grfica de una funcin de probabilidad para una distribucin binomial.

G r fic a d e la D is trib u c i n B in o m ia l c o n n = 2 0
0 .3 0 .2 5 probabilidad 0 .2 0 .1 5 0 .1 0 .0 5 0 0 5 10 15 20 25 n m e ro d e x ito s

p = 0 .1 p = 0 .5

p = 0 .9

Figura 3.1 Grfica de f(x) de una distribucin binomial variando el valor de p.

G r fi c a d e l a D i str i b u c i n B i n o m i a l c o n p = 0 . 1
0 .7 0 .6 probabilidad 0 .5 0 .4 0 .3 0 .2 0 .1 0 0 10 20 n m e r o d e x it o s 30 40

n= 5

n= 50 n= 100

Figura 3.2 Grfica de f(x) de una distribucin binomial variando el valor de n. NOTA: Las probabilidades de la distribucin binomial se pueden calcular en una hoja de clculo como excel. La Distribucin Geomtrica. La distribucin geomtrica se aplica en la siguiente situacin. Suponer que se tiene un experimento Bernoulli con probabilidad de xito p. Suponer que este experimento de Bernoulli se repite independientemente hasta que por primera vez ocurre el xito. Sea la v.a. X = nmero de repeticiones realizadas hasta que ocurre el xito por primera vez.

Entonces, X tiene distribucin geomtrica con parmetro p. Observe que el rango de X es {1, 2, 3, L }. Por ejemplo, suponga que se tienen 5 llaves, de las cuales slo una llave pone a funcionar una mquina. Una persona saca (al azar) con reposicin una llave e intenta encender la mquina con dicha llave, entonces, el nmero de intentos realizados hasta que se enciende la mquina tiene distribucin geomtrica con parmetro p = 1/5. Observe que, como se saca una llave con reposicin, entonces los intentos son independientes y son experimentos de Bernoulli, ya que hay dos resultados posibles: enciende o no enciende la mquina. Definicin de Distribucin Geomtrica. La v.a X tiene distribucin geomtrica si su funcin de probabilidad es: x-1 f(x) = (1 - p) p para x = 1, 2, 3, L 1 11 adems, E(X) = y Var(X) = 1 . p p p
P P

Ejemplo 3.3 Se tiene un equipo de transmisin. Se sabe que la seal enviada se recibe incorrectamente el 5.7% de las veces. Se enva una seal consecutivamente hasta que se recibe en forma incorrecta. Calcular la probabilidad de que se hagan; a) 5 envos, b) a lo ms 5 envos, c) ms de 3 envos, d) ms de 2 y menos de 7 envos, e) calcular el promedio del nmero de envos, f) calcular la varianza y desviacin estndar del nmero de envos. Sea X = nmero de envos hechos hasta que se recibe incorrectamente la seal. Entonces, suponiendo resultados independientes en cada seal para el a), tenemos que: 4 P(X = 5) = f(5) = (0.943) (0.057) 0.045, para el b) tenemos que
P P

P(X 5) =
4
P P

f (i ) = (0.943)
i =1

0
P P

(0.057) + (0.943)(0.057) +(0.943) (0.057) +(0.943) (0.057)

P P P P

+(0.943) (0.057) 0.2543, para el c) tenemos que: 0 2 P(X > 3) = 1 - P(X 3) = 1 - [(0.943) (0.057) + (0.943)(0.057) +(0.943) (0.057)] 0.83856. Las probabilidades acumuladas P(X x) se puede calcular con la frmula x 3 P(X x) = 1 (1 p) . Entonces P(X 3) = 1 (1 0.057) = 0.1614 .
P P P P P P P P

Para el d) tenemos que: P(2 < X < 7) =

4 5
P P P P

f (i ) = (0.943)
i= 3

2
P

(0.057) + (0.943) (0.057) +

P P

(0.943) (0.057) + (0.943) (0.057) 0.18606, para el e), de la definicin de distribucin geomtrica, tenemos que E(X) = 1/0.057 17.54; entonces, en promedio se hacen 17.5 envos hasta que se recibe la seal incorrectamente. Tambin de la definicin de distribucin geomtrica se tiene que para el f), Var(X) = (1/0.057)[(1/0.057) - 1] 290.24 y X 17.037.
B B

La figura 3.3 muestra el aspecto de la funcin de probabilidad de una distribucin geomtrica variando el valor de p.
G r f i c a d e l a D is t r ib u c i n G e o m t r ic a
1 .2 1 probabilidad 0 .8 0 .6

p = 0 .9

p = 0 .5
0 .4 0 .2 0 0 5 10 15 20 25 n m e r o d e in te n to s

p = 0 .1

Figura 3.3 Grfica de f(x) de una distribucin Geomtrica variando p.

La Distribucin Poisson La distribucin Poisson se usa para modelar el nmero de ocurrencias de un evento que denominaremos xito en un intervalo especfico de tiempo o de espacio. Por ejemplo, la distribucin Poisson podra utilizarse para modelar el nmero de clientes por hora que llegan a un negocio, el nmero de imperfecciones por 100 m en un cable de acero, el nmero de defectos por 5 m 2 de lmina, el nmero de partculas de plomo por m 3 de aire, etc.
P P P P

Definicin de la Distribucin Poisson La v.a. X tiene distribucin Poisson si su funcin de probabilidad es:
f ( x) =

x e
x!

para x = 0, 1, 2, 3, L y Var(X) = .

donde > 0. Adems E(X) =

La figura 3.4 muestra el aspecto de la funcin de probabilidad de la distribucin Poisson para diferentes valores de .

G r fica d e la D istrib u ci n P o isso n

0 .4 0 .3 5 0 .3 probabilidad 0 .2 5 0 .2 0 .1 5 0 .1 0 .0 5 0 0 5 10 15 20 25 n m e r o d e x it o s

= 1.0

= 5.0 = 10.0

Figura 3.4 Grfica de f(x) para la distribucin Poisson variando el valor de . Ejemplo 3.4 Suponer que el nmero de imperfecciones en una lmina de acero tiene una distribucin Poisson con un promedio de 5 imperfecciones por 7 m 2 . Calcular la probabilidad de que en 7 m 2 haya; a) 3 imperfecciones, b) ms de 5 imperfecciones, c) menos de 6 imperfecciones, d) por lo menos 4 y a lo mucho 8 imperfecciones.
P P P P

De la definicin de distribucin Poisson tenemos que para el a) = 5, entonces: (5) 3 e 5 P(X = 3) = f(3) = 0.1404; para el b) tenemos que 3! 5 5 i e 5 P(X > 5)=1 - F(5)=1 - 1 - 0.616, entonces P(X > 5) 0.384, para el c) i! i =0

5 i e 5 tenemos que: P(X < 6) = F(5) = 0.616, para el d) tenemos que: i! i =0 8 5 i e 5 3 5 i e 5 8 5 i e 5 P( 4 X 8) = F(8) - F(3) = - = 0.6669 i! i =0 i! i =4 i! i =0
5

Continuando con el ejemplo anterior, si se desea calcular la probabilidad de que en 21 m 2 haya 10 imperfecciones, luego se aplica la distribucin Poisson pero con una 1510 e 15 proporcional tal que = 3(5) = 15. Entonces, P(X = 10) = = 0.0486 . 10! NOTA: Las probabilidades de una distribucin poisson se pueden obtener en una hoja de clculo como excel.
P P