Universidad Nacional Experimental Francisco de Miranda Area de Tecnologia Programa De Ingenieria Civil Asignatura de Estadistica

ASIGNACION II Distribucion de Probabilidad

Bachiller: Maximiliano Pea 19063279

Santa Ana de coro, noviembre 2010

Distribucin Multinomial.
Este modelo se puede ver como una generalizacin del Binomial en el que, en lugar de tener dos posibles resultados, tenemos r resultados posibles. Supongamos que el resultado de una determinada experiencia puede ser r valores distintos: A1, A2, ... Ar cada uno de ellos con probabilidad p1, p2, ..., pr, respectivamente.

Si repetimos la experiencia n veces en condiciones independientes, podemos preguntarnos la probabilidad de que el suceso A1 aparezca k1 veces, el suceso A2, k2 veces y as sucesivamente:

Al modelo estadstico que nos da dicha probabilidad se le denomina Multinomial, y su funcin de densidad viene dada por:

Como se ve el modelo Multinomial queda definido por los parmetros (n, p1, p2, ..., pr). La frmula anterior puede deducirse de forma anloga al caso Binomial. En realidad, si tomamos r = 2 tenemos exactamente el modelo Binomial. Se debe destacar que este modelo es un ejemplo de distribucin multivariante, es decir, de distribucin conjunta de varias (r) variables aleatorias. En efecto, si definimos la variable aleatoria X1 como nmero de veces que se produce el suceso A1 de un total de n experiencias, y as sucesivamente, tenemos un conjunto de r variables aleatorias discretas cuya funcin de densidad conjunta (valorada a la vez) viene definida por la anterior frmula. Ntese que si consideramos cada una de estas variables Xi (i = 1, 2, ..., r) por separado, su distribucin es la Binomial de parmetros n y pi.

Ejemplo de Distribucion Multinomial:

Las probabilidades son de 0.4, 0.2, 0.3 y 0.1, respectivamente, de que un delegado llegue por aire a una cierta convencin, llegue en autobs, en automvil o en tren. Cul es la probabilidad de que entre 9 delegados seleccionados aleatoriamente en esta convencin 3 hayan llegado por aire, 3 en autobs, 1 en automvil y 2 en tren. Datos: p1 = 0.4 x1 = 3 n = 9 p2 = 0.2 x2 = 3 p3 = 0.3 x3 = 1 p4 = 0.1 x4 = 2 Distribucin multinomial:

R: La probabilidad es de 0.0077

Distribucion Binomial Negativa

Puede definirse como una generalizacin del modelo Geomtrico o de Pascal. As, dado un suceso A y su complementario Ac, cuando X representa el nmero de veces que se da Ac (ausencias, fallos, etc.) hasta que se produce r veces el suceso A, en una serie de repeticiones de la experiencia aleatoria en condiciones independientes, decimos que X sigue la distribucin Binomial negativa. Ntese que, cuando r = 1, tenemos exactamente el modelo geomtrico. Este modelo queda definido por dos parmetros p (la probabilidad de A: p = P(A)) y r el numero de veces que debe producirse A para que detengamos la experiencia. La funcin de densidad viene dada por:

La distribucin Binomial negativa puede definirse con mayor generalidad si tomamos r como un nmero real positivo cualquiera (no necesariamente entero). Pero, en dicho caso, se pierde el carcter intuitivo del modelo y se complican ligeramente los clculos.

Propiedades del modelo Binomial negativo

1) Esperanza: E(X) = r q/p 2) Varianza: V(X) = r q/p2 3) Se cumplen las siguientes propiedades respecto la funcin de densidad:

Ejemplo de Distribucion binomial Negativa.

Si la probabilidad de que un nio expuesto a una enfermedad contagiosa la contraiga es 0,40, cul es la probabilidad de que el dcimo nio expuesto a la enfermedad sea el tercero en contraerla? En este caso, X es el nmero de nios expuestos la enfermedad y

La solucin es

Distribucion Geometrica

En teora de probabilidad y estadstica, la distribucin geomtrica es cualquiera de las dos distribuciones de probabilidad discretas siguientes: la distribucin de probabilidad del nmero X del ensayo de Bernoulli necesaria para obtener un xito, contenido en el conjunto { 1, 2, 3,...} o la distribucin de probabilidad del nmero Y = X 1 de fallos antes del primer xito, contenido en el conjunto { 0, 1, 2, 3,... }. Cul de stas es la que uno llama "la" distribucin geomtrica, es una cuestin de convencin y conveniencia.

Propiedades

Si la probabilidad de xito en cada ensayo es p, entonces la probabilidad de que x ensayos sean necesarios para obtener un xito es

para x = 1, 2, 3,.... Equivalentemente, la probabilidad de que haya x fallos antes del primer xito es

para x = 0,1, 2, 3,.... En ambos casos, la secuencia de probabilidades es una progresin geomtrica.

El valor esperado de una variable aleatoria X distribuida geomtricamente es

y dado que Y = X-1,

En ambos casos, la varianza es

Las funciones generatrices de probabilidad de X y la de Y son, respectivamente,

Como su anloga continua, la distribucin exponencial, la distribucin geomtrica carece de memoria. Esto significa que si intentamos repetir el experimento hasta el primer xito, entonces, dado que el primer xito todava no ha ocurrido, la distribucin de probabilidad condicional del nmero de ensayos adicionales no depende de cuantos fallos se hayan observado. El dado o la moneda que uno lanza no tiene "memoria" de estos fallos. La distribucin geomtrica es de hecho la nica distribucin discreta sin memoria. De todas estas distribuciones de probabilidad contenidas en {1, 2, 3,... } con un valor esperado dado , la distribucin geomtrica X con parmetro p = 1/ es la de mayor entropa. La distribucin geomtrica del nmero y de fallos antes del primer xito es infinitamente divisible, esto es, para cualquier entero positivo n, existen variables aleatorias independientes Y 1,..., Yn distribuidas idnticamente la suma de las cuales tiene la misma distribucin que tiene Y. Estas no sern geomtricamente distribuidas a menos que n = 1.

Ejemplo de Distribucion Geometrica

La probabilidad de que un estudiante para piloto apruebe el examen para obtener su licencia de piloto privado es 0.7, encuentre la probabilidad de que una persona apruebe el examen: a) en el tercer intento, Datos: p = 0.7 x = 3 para el primer xito q = 0.3 Distribucin geomtrica:

R: La probabilidad es de 0.0630

b) antes del cuarto intento. Distribucin geomtrica:

R: La Probabilidad es de 0.9730

Distribucion Hipergeometrica

En teora de la probabilidad la distribucin hipergeomtrica es una distribucin discreta relacionada con muestreos aleatorios y sin reemplazo. Supngase que se tiene una poblacin de N elementos de los cuales, d pertenecen a la categora A y N-d a la B. La distribucin hipergeomtrica mide la probabilidad de obtener x ( ) elementos de la categora A en una muestra de n elementos de la poblacin original.

Propiedades

La funcin de probabilidad de una variable aleatoria con distribucin hipergeomtrica puede deducirse a travs de razonamientos combinatorios y es igual a

donde N es el tamao de poblacin, n es el tamao de la muestra extrada, d es el nmero de elementos en la poblacin original que pertenecen a la categora deseada y x es el nmero de

elementos en la muestra que pertenecen a dicha categora. La notacin hace referencia al coeficiente binomial, es decir, el nmero de combinaciones posibles al seleccionar b elementos de un total a.

El valor esperado de una variable aleatoria X que sigue la distribucin hipergeomtrica es

y su varianza,

En la frmula anterior, definiendo

se obtiene

La distribucin hipergeomtrica es aplicable a muestreos sin reemplazo y la binomial a muestreos con reemplazo. En situaciones en las que el nmero esperado de repeticiones en el muestreo es presumiblemente bajo, puede aproximarse la primera por la segunda. Esto es as cuando N es grande y el tamao relativo de la muestra extrada, n/N, es pequeo.

Ejemplo de Distribucion Hipergeometrica

Un club de estudiantes extranjeros tiene en su lista a 2 canadienses, 3 japoneses, 5 italianos y 2 alemanes. Si se selecciona un comit de 4 estudiantes aleatoriamente encuentre la probabilidad de que: a) estn representadas todas las nacionalidades, Datos: Canadienses: A1 = 2 x1 = 1 n = 4 Japoneses: A2 = 3 x2 = 1 Italianos: A3 = 5 x3 = 1 Alemanes: A4 = 2 x4 = 1 Distribucin hipergeomtrica:

R: La probabilidad es de 0.1212

Distribucion de Poisson

Se dice que existe un proceso de Poisson si podemos observar eventos discretos en un rea de oportunidad un intervalo continuo (de tiempo, longitud, superficie, etc.) de tal manera que si se reduce lo suficiente el rea de oportunidad o el intervalo, 1. La probabilidad de observar exactamente un xito en el intervalo es constante. 2. La probabilidad de obtener ms de un xito en el intervalo es 0. 3. La probabilidad de observar un xito en cualquier intervalo es estadsticamente independiente de la de cualquier otro intervalo. Esta distribucin se aplica en situaciones como:

El numero de pacientes que llegan al serviciode emergencia de un hospital en un intervalo de tiempo. El numero de radiaciones radiactivas que se recibe en un lapso de tiempo, El numero de glbulos blancos que se cuentan en una muestra dada. El numero de partos triples por ao

Su utilidad en el rea de la salud es muy amplia. La expresin matemtica para la distribucin de Poisson para obtener X xitos, dado que se esperan l xitos es:

Donde: P(X) = probabilidad de X xitos dado el valor de l l = esperanza del nmero de xitos. e = constante matemtica, con valor aproximado 2.711828 X = nmero de xitos por unidad La distribucin de Poisson se considera una buena aproximacin a la distribucin binomial, en el caso que np < 5 y p < 0.1 n > 100 y p < 0.05 y en ese caso l = np. El interes por sustituir la distribucin Binomial por una distribucin de Poisson se debe a que esta ultima depende unicamente de un solo parmetro, l , y la binomial de dos, n y p.

Ejemplo de distribucin de Poisson

Cierta enfermedad tiene una probabilidad muy baja de ocurrir, p=1/100.000. Calcular la probabilidad de que en una ciudad con 500.000 habitantes haya ms de 3 personas con dicha enfermedad. Calcular el nmero esperado de habitantes que la padecen.

R: Si consideramos la v.a. X que contabiliza el nmero de personas que padecen la enfermedad, es claro que sigue un modelo binomial, pero que puede ser muy bien aproximado por un modelo de Poisson, de modo que

As el nmero esperado de personas que padecen la enfermedad es

Como , existe una gran dispersin, y no sera extrao encontrar que en realidad hay muchas ms personas o menos que estn enfermas. La probabilidad de que haya ms de tres personas enfermas es:

Distribucion Gamma

Este modelo es una generalizacin del modelo Exponencial ya que, en ocasiones, se utiliza para modelar variables que describen el tiempo hasta que se produce p veces un determinado suceso. Su funcin de densidad es de la forma:

Como vemos, este modelo depende de dos parmetros positivos: y p. La funcin (p) es la denominada funcin Gamma de Euler que representa la siguiente integral:

que verifica (p + 1) = p(p), con lo que, si p es un nmero entero positivo, (p + 1) = p!

Propiedades De Distribucion Gamma

1. Su esperanza es p. 2. Su varianza es p2 3. La distribucin Gamma (, p = 1) es una distribucin Exponencial de parmetro . Es decir, el modelo Exponencial es un caso particular de la Gamma con p = 1. 4. Dadas dos variables aleatorias con distribucin Gamma y parmetro comn X ~ G(, p1) y Y ~ G(, p2) se cumplir que la suma tambin sigue una distribucin Gamma X + Y ~ G(, p1 + p2). Una consecuencia inmediata de esta propiedad es que, si tenemos k variables aleatorias con distribucin Exponencial de parmetro (comn) e independientes, la suma de todas ellas seguir una distribucin G(, k).

Ejemplo de Distribucion Gamma

Suponga que cierta pieza metlica se romper despus de sufrir dos ciclos de esfuerzo. Si estos ciclos ocurren de manera independiente a una frecuencia promedio de dos por cada 100 horas. Obtener la probabilidad de que el intervalo de tiempo se encuentre hasta que ocurre el segundo ciclo. a. Dentro de una desviacin con respecto del tiempo promedio. b. A ms de dos desviaciones por encima de la media. Solucin: X: Lapso que ocurre hasta que la pieza sufre el segundo ciclo de esfuerzo , en horas. Y: Nmero de ciclos / 100 horas ----Y ~P( =2) E(Y) = 2 Y': Nmero de ciclos / hora ---------Y'~P( =0.02) E(Y') = 0.02 = X ~ G(2, 0.02)

a. P (

- < X < + ) = P (29.09 < X < 170.71 ) =

2

*X*

dx = 0.73752

b. P( X > + 2 = P (X > 241.42 ) = 0.0466

Distribucion Exponencial

En estadstica la distribucin exponencial es una distribucin de probabilidad continua con un parmetro > 0 cuya funcin de densidad es:

Su funcin de distribucin es: Donde e representa el nmero e. El valor esperado y la varianza de una variable aleatoria X con distribucin exponencial son:

Ejemplo De Distribucion Exponencial

En un experimento de laboratorio se utilizan 10 gramos de . Sabiendo que la duracin media de un tomo de esta materia es de 140 das, cuantos idas transcurrirn hasta que haya desaparecido el 90 % de este material?

Solucin: El tiempo T de desintegracin de un tomo de exponencial

es una v.a. de distribucin

Como el nmero de tomos de existentes en una muestra de 10 gramos es enorme, el histograma de frecuencias relativas formado por los tiempos de desintegracin de cada uno de estos tomos debe ser extremadamente aproximado a la curva de densidad, f. Del mismo modo, el polgono de frecuencias relativas acumuladas debe ser muy aproximado a la curva de su funcin de distribucin F. Entonces el tiempo que transcurre hasta que el 90% del material radiactivo se desintegra es el percentil 90, t90, de la distribucin exponencial, es decir

Distribucion Ji Cuadrada
En estadstica, la distribucin (de Pearson) es una distribucin de probabilidad continua con un parmetro k que representa los grados de libertad de la variable aleatoria:

donde Zi son variables de distribucin normal, de media cero y varianza uno. El que la variable aleatoria X tenga esta distribucin se representa habitualmente as: .

Es conveniente tener en cuenta que la letra griega se transcribe al latn como chi1 y se pronuncia en castellano como ji.2 3 La distribucin tiene muchas aplicaciones en inferencia estadstica, por ejemplo en la denominada prueba utilizada como prueba de independencia y como prueba de bondad de ajuste y en la estimacin de varianzas. Tambin est involucrada en el problema de estimar la media de una poblacin normalmente distribuida y en el problema de estimar la pendiente de una recta de regresin lineal, a travs de su papel en la distribucin t de Student, y participa en todos los problemas de anlisis de varianza, por su papel en la distribucin F de Snedecor, que es la distribucin del cociente de dos variables aleatorias independientes con distribucin .

Propiedades
Su funcin de densidad es:

donde es la funcin gamma.

Funcin de distribucin acumulada

Su funcin de distribucin es

donde

es la funcin gamma incompleta.

Ejemplo de distribucin Ji Cuadrada

Obtendremos una muestra aleatoria de tamao 3 de la distribucin 2 X8 Usando una tabla de nmeros seudo aleatorios tenemos 265 0 Y1= 0.265 Y2= 0.096 Y3= 0.225 Y4= 0.175 Entonces = - 2ln ( , , , ) = 13.812

Los otros valores se obtienen de similar manera, as: = 14.384 = 12.136

Distribucion weibull

La distribucin de Weibull, nombrada por su creador Waloddi Weibull, es una distribucin de probabilidad continua, usada en estudios de tiempo de vida de equipamientos y estimativa de fallos. Su funcin densidad es

para y f(x;k,) = 0 para x > 0, adnde k > 0 es el parmetro de forma y > 0 es el parmetro de escala de la distribucin. La distribucin de Weibull es usualmente plotada en una escala especfica (grfico de Weibull), en el cual la funcin es representada por una recta. Esta distribucin muestra una buena aderncia a datos de fallo de equipamientos, necesitando de menos ocorrncias que otras distribuciones.

Ejemplo de distribucin de Weibull

Si estimamos un modelo de Weibull de supervivencia para los datos del ejemplo se obtiene un valor de =0.781 y un valor de =0.0217 Hay que tener en cuenta que en ocasiones el modelo de Weibull se expresa de forma algo diferente a la presentada en la frmula mediante la siguiente expresin

En ambas frmulas el valor de es el mismo y . Luego si el programa utilizado hubiera estimado el modelo segn esta frmula habramos obtenido el mismo valor de y un valor de =0.00742

Referencias Bibliograficas

- Parzen, e. Modern Probability Theory and its Aplications. New York. Wiley1964 - Probabilidad y estadstica para Ingenieros. Segunda edicin. Ross, sheldon editorial mc graw- hill. - Enlace web Starmedia linea de ejercicios.