Reporte de prctica

Materia: Procesos Estcasticos

Facilitador: Ing. Pedro Martn Garca Vite

Integrantes: Armendriz Flores Adrin

Cruz Hernndez Emmanuel Gonzlez Manuel Ana Silvia

Tema: Grficas de funciones de distribuciones de probabilidad.

Especialidad: Electrnica y Telecomunicaciones

Indice

Introduccin3

Objetivo6

Desarrollo7

Cdigos,grficas ..8

Conclusin16

Introduccin Distribucin Uniforme discreta (a,b) Describe el comportamiento de una variable discreta que puede tomar n valores distintos con la misma probabilidad cada uno de ellos. Un caso particular de esta distribucin, que es la que se incluye en este mdulo de Epidat 3.1, ocurre cuando los valores son enteros consecutivos. Esta distribucin asigna igual probabilidad a todos los valores enteros entre el lmite inferior y el lmite superior que definen el recorrido de la variable. Si la variable puede tomar valores entre a y b, debe ocurrir que b sea mayor que a, y la variable toma los valores enteros empezando por a, a+1, a+2, etc. hasta el valor mximo b. Por ejemplo, cuando se observa el nmero obtenido tras el lanzamiento de un dado perfecto, los valores posibles siguen una distribucin uniforme discreta en {1, 2, 3, 4, 5, 6}, y la probabilidad de cada cara es 1/6. Valores: x: a, a+1, a+2, ..., b, nmeros enteros Parmetros: a: mnimo, a entero b: mximo, b entero con a < b Distribucin Binomial (n,p) La distribucin binomial es una distribucin discreta muy importante que surge en muchas aplicaciones bioestadsticas. Esta distribucin aparece de forma natural al realizar repeticiones independientes de un experimento que tenga respuesta binaria, generalmente clasificada como xito o fracaso. Por ejemplo, esa respuesta puede ser el hbito de fumar (s/no), si un paciente hospitalizado desarrolla o no una infeccin, o si un artculo de un lote es o no defectuoso. La variable discreta que cuenta el nmero de xitos en n pruebas independientes de ese experimento, cada una de ellas con la misma probabilidad de xito igual a p, sigue una distribucin binomial de parmetros n y p. Este modelo se aplica a poblaciones finitas de las que se toma elementos al azar con remplazo, y tambin a poblaciones conceptualmente infinitas, como por ejemplo las piezas que produce una mquina, siempre que el proceso de produccin sea estable (la proporcin de piezas defectuosas se mantiene constante a largo plazo) y sin memoria (el resultado de cada pieza no depende de las anteriores). Un ejemplo de variable binomial puede ser el nmero de pacientes ingresados en una unidad hospitalaria que desarrollan una infeccin nosocomial. Un caso particular se tiene cuando n=1, que da lugar a la distribucin de Bernoulli. Valores: x: 0, 1, 2, ..., n Parmetros: n: nmero de pruebas, n > 0 entero p: probabilidad de xito, 0 < p < 1 Un ejemplo de variable binomial puede ser el nmero de pacientes ingresados en una unidad hospitalaria que desarrollan una infeccin nosocomial. Un caso particular se tiene cuando n=1, que da lugar a la distribucin de Bernoulli.
3

Valores: x: 0, 1, 2, ..., n Parmetros: n: nmero de pruebas, n > 0 entero p: probabilidad de xito, 0 < p < 1 (diabetes, obesidad, hbito de fumar, etc.). El nmero de xitos en una muestra aleatoria de tamao n, extrada sin remplazo de la poblacin, es una variable aleatoria con distribucin hipergeomtrica de parmetros N, R y n. Cuando el tamao de la poblacin es grande, los muestreos con y sin remplazo son equivalentes, por lo que la distribucin hipergeomtrica se aproxima en tal caso a la binomial. Valores: x: max{0,n-(N-R)}, ..., min{R,n}, donde max{0,n-(N-R)} indica el valor mximo entre 0 y n(N-R) y min{R,n} indica el valor mnimo entre R y n. Parmetros: N: tamao de la poblacin, N>0 entero R: nmero de xitos en la poblacin, R 0 entero n: nmero de pruebas, n>0 entero Distribucin Geomtrica (p) Supngase, que se efecta repetidamente un experimento o prueba, que las repeticiones son independientes y que se est interesado en la ocurrencia o no de un suceso al que se refiere como xito, siendo la probabilidad de este suceso p. La distribucin geomtrica permite calcular la probabilidad de que tenga que realizarse un nmero k de repeticiones hasta obtener un xito por primera vez. As pues, se diferencia de la distribucin binomial en que el nmero de repeticiones no est predeterminado, sino que es la variable aleatoria que se mide y, por otra parte, el conjunto de valores posibles de la variable es ilimitado. Para ilustrar el empleo de esta distribucin, se supone que cierto medicamento opera exitosamente ante la enfermedad para la cual fue concebido en el 80% de los casos a los que se aplica; la variable aleatoria intentos fallidos en la aplicacin del medicamento antes del primer xito sigue una distribucin geomtrica de parmetro p=0,8. Otro ejemplo de variable geomtrica es el nmero de hijos hasta el nacimiento de la primera nia. La distribucin geomtrica se utiliza en la distribucin de tiempos de espera, de manera que si los ensayos se realizan a intervalos regulares de tiempo, esta variable aleatoria proporciona el tiempo transcurrido hasta el primer xito. Esta distribucin presenta la denominada propiedad de Harkov o de falta de memoria, que implica que la probabilidad de tener que esperar un tiempo t no depende del tiempo que ya haya transcurrido. Valores: x: 0, 1, 2, ... Parmetros: p: probabilidad de xito, 0<p<1

Distribucin Binomial negativa (r,p) Una generalizacin obvia de la distribucin geomtrica aparece si se supone que un experimento se contina hasta que un determinado suceso, de probabilidad p, ocurre por rsima vez. La variable aleatoria que proporciona la probabilidad de que se produzcan k fracasos antes de obtener el r-simo xito sigue una distribucin binomial negativa de parmetros r y p, BN(r,p). La distribucin geomtrica corresponde al caso particular en que r=1. Un ejemplo es el nmero de lanzamientos fallidos de un dado antes de obtener un 6 en tres ocasiones, que sigue una BN(3,1/6). En el caso de que los sucesos ocurran a intervalos regulares de tiempo, esta variable roporciona el tiempo total para que ocurran r xitos, por lo que tambin se denomina distribucin binomial de tiempo de espera. La distribucin binomial negativa fue propuesta, originalmente, como una alternativa a la distribucin de Poisson para modelar el nmero de ocurrencias de un suceso cuando los datos presentan lo que se conoce como variacin extraPoisson o sobre dispersin. En estas situaciones, la varianza es mayor que la media, por lo que se incumple la propiedad que caracteriza a una distribucin de Poisson, segn la cual la media es igual a la varianza. La primera aplicacin en bioestadstica la realiz Student (William S. Gosset) a principios de siglo cuando propuso esta distribucin para modelar el nmero de glbulos rojos en una gota de sangre. En este caso, la variabilidad extra se debe al hecho de que esas clulas no estn uniformemente distribuida en la gota, es decir, la tasa de intensidad no es homognea. Por ejemplo, la distribucin binomial negativa es ms adecuada que la de Poisson para modelar el nmero de accidentes laborales ocurridos en un determinado lapso. La distribucin de Poisson asume que todos los individuos tienen la misma probabilidad de sufrir un accidente y que sta permanece constante durante el perodo de estudio; sin embargo, es ms plausible la hiptesis de que los individuos tienen probabilidades constantes en el tiempo, pero que varan de unos sujetos a otros; esto es lo que se conoce en la literatura como la propensin a los accidentes (accident proneness)8,9. Esta hiptesis se traduce en una distribucin de Poisson mixta, o de efectos aleatorios, en la que se supone que las probabilidades varan entre individuos de acuerdo a una distribucin gamma y esto resulta en una distribucin binomial negativa para el nmero de accidentes. Valores: x: 0, 1, 2, ... Parmetros: p: probabilidad de xito, 0<p<1 r: nmero de xitos, r=>0 Distribucin Hipergeomtrica (N,R,n) La distribucin hipergeomtrica suele aparecer en procesos muestrales sin reemplazo, en los que se investiga la presencia o ausencia de cierta caracterstica. Pinsese, por ejemplo, en un procedimiento de control de calidad en una empresa farmacutica, durante el cual se extraen muestras de las cpsulas fabricadas y se someten a anlisis para determinar su composicin.
5

Durante las pruebas, las cpsulas son destruidas y no pueden ser devueltas al lote del que provienen. En esta situacin, la variable que cuenta el nmero de cpsulas que no cumplen los criterios de calidad establecidos sigue una distribucin hipergeomtrica. Por tanto, esta distribucin es la equivalente a la binomial, pero cuando el muestreo se hace sin remplazo. Esta distribucin se puede ilustrar del modo siguiente: se tiene una poblacin finita con N elementos, de los cuales R tienen una determinada caracterstica que se llama xito (diabetes, obesidad, hbito de fumar, etc.). El nmero de xitos en una muestra aleatoria de tamao n, extrada sin remplazo de la poblacin, es una variable aleatoria con distribucin hipergeomtrica de parmetros N, R y n. Cuando el tamao de la poblacin es grande, los muestreos con y sin remplazo son equivalentes, por lo que la distribucin hipergeomtrica se aproxima en tal caso a la binomial. Valores: x: max{0,n-(N-R)}, ..., min{R,n}, donde max{0,n-(N-R)} indica el valor mximo entre 0 y n(N-R) y min{R,n} indica el valor mnimo entre R y n. Parmetros: N: tamao de la poblacin, N>0 entero R: nmero de xitos en la poblacin, R 0 entero n: nmero de pruebas, n>0 entero

Objetivo Obtener las grficas de las diferentes funciones de distribucin de probabilidad.

Desarrollo 1. Se nos otorgo, por parte del profesor una tabla de diferentes funciones. Estas funciones se llaman funcion de distribucion de probabilidad las cuales se enlistan a continuacion: Uniforme, geometrica, binomial, binomial negativa,hipergeometrica.

2. Despues de tener todas las funciones se proseguio a realizar los diferentes codigos de cada una de ellas, utilizando el programa de matlab.

Cdigos y grficas

10

11

12

13

14

15

Conclusin Llegamos a la conclusin de que el Matlab nos ahorra tiempo y trabajo mental, al realizar los programas adecuadamente podemos ingresar nuestros valores deseados y poder observar el comportamiento de dichas distribuciones para tener un mayor entendimiento mediante las grficas.

16