Distribucion Estadistica

Estadstica (Q) Diana M.
Kelmansky 62
Veremos en lo que sigue nuevas variables aleatorias

discretas. Estas variables y sus distribuciones se utilizan
como modelos en muchas aplicaciones estadsticas.
Distribucin Binomial
Consideremos los siguientes experimentos aleatorios
1 : Una moneda es arrojada 4 veces.
2 : Una caja contiene 1 bolita roja y 9 bolitas negras. Se

realizan 5 extracciones con reposicin.
3 : Un lote contiene artculos que cumplen (E) con las

especificaciones y otros que no las cumplen (F).
Los experimentos 1 , 2 , 3 son experimentos binomiales
Definicin Un experimento se denomina Binomial si satisface

las condiciones siguientes
1. El experimento consta de n pruebas o repeticiones, n se
fija antes de realizar el experimento.
2. Las pruebas son idnticas y en cada prueba puede ocurrir
uno de los dos sucesos posibles, que denominamos xito
(E) y Fracaso (F).
3. Las pruebas son independientes, es decir que el resultado
de una prueba no influye sobre el de las otras.
4. La probabilidad de xito (P(E) = p) se mantiene constante
en todas las pruebas.
Cada prueba se denomina ensayo de Bernoulli.

Estadstica (Q) Diana M. Kelmansky 63
Ejemplos
1 , xito es el suceso sale cara.
2 , xito es el suceso se extrae una bolita roja
Consideremos el siguiente experimento
4 : Una caja contiene 1 bolita roja y 9 bolitas negras. Se

realizan 5 extracciones sin reposicin, xito es el suceso
se obtiene una bolita roja
Es 4 un experimento Binomial? Sean B1 el suceso sali roja

en la primera extraccin y B2 el suceso sali roja en la
segunda extraccin
1
P ( B 2 | B1 ) = 0 P ( B2 ) =
10
no se verifica la tercera condicin de experimento

binomial
tampoco se verifica la segunda ya que las pruebas no
son idnticas (la composicin de la urna vara)
la cuarta condicin s se satisface.
Variable aleatoria binomial
Definicin: Sea X = cantidad de xitos en un experimento

Binomial que consta de n pruebas con probabilidad de xito
p. Decimos que X es una variable aleatoria con distribucin
Binomial de parmetros n y p.
Notacin: X ~ Bi (n,p).
Ejemplo: Seguimos con el experimento 2
X = cantidad de bolitas rojas extradas
5 bolitas con reposicin
n=5 p = 0.1
X ~ Bi (5, 0.1) , RX =
P ( X = 1 ) = pX ( 1 ) = P ( 1 roja)
RNNNN
NRNNN
5 5!
NNRNN 1 roja = 5 sucesos elementales = 1 = 1!4!

NNNRN
NNNNR
P( 1 roja ) = P ( R N N N N) + P ( N R N N N) +
P ( N N R N N) + P ( N N N R N) + P ( N N N N R )
= 5 P ( R N N N N) = 5 (0.1) (0.9)4
Luego
5!
P ( X = 1 ) = 1!4! (0.1)1 (0.9)5-1
X=2 RRNNN NRRNN NNRNR

RNRNN NRNRN NNNRR
RNNRN NRNNR
5 5!
RNNNR NNRRN = = 10
2
2!3!
5
P (X = 2) = 2 (0.1)2 (0.9)5-2

5
P (X = k) = k (0.1)k (0.9)5-k k: 0, 1, 2, 3, 4, 5

Cul es el espacio muestral asociado a 2?
Es de equiprobabilidad?
En general:
Si X ~ Bi (n,p)
n
i) pX (k) = k ( p )k ( 1- p )n-k k: 0, 1, . . ., n

n
Verifiquemos que p X (k ) = 1.
k =0
n n
n
p (k ) = p k (1 p ) n k = ( p + (1 p ) ) = 1n = 1.
n
X
k =0 k
k =0
Hemos usado la frmula del Binomio de Newton:

n
n
(a + b) n = a k b n k .
k =0 k
ii) E ( X ) = n p
iii) Var ( X ) = n p (1- p)

Ejemplo:
Se fabrican diariamente N = 50 000 unidades de un producto.

Se extrae una muestra de n = 10 unidades sin reposicin.
Llamamos xito ( E ) al suceso la unidad es buena
Es un experimento binomial? ........................................
Si n / N < 0.05, si se extrae menos del 5% de la poblacin, se

puede usar la aproximacin binomial aunque el muestreo se
realice sin reposicin
Supongamos que 40 000 de las 50 000 son buenas
P ( 4a buena ) = 0.8
40000
P ( 4a buena / salieron 1a, 2a, 3a malas) = = 0.800048
49997
39997
P ( 4a buena / salieron 1a, 2a, 3a buenas) = =0.799988
49997
Falla un poco la condicin de independencia.
Ejemplo: X ~ Bi (10, 0.1)
Tablas P( X x ) = FX(x) Funcin de Distribucin

Acumulada
pX (0) = P ( X 0) = 0.349
pX (1) = P ( X 1) - P ( X 0) = 0.736 - 0.349 = 0.387
pX (2) = P ( X 2) - P ( X 1) = 0.930 - 0.736 = 0.194
...........................
...........................
X ~ Bi (10, 0.5)
pX (0) = 0.001 = pX (10)
pX (1) = 0.010 = pX (9)
pX (2) = 0.044 = pX (8)
La v.a. X se distribuye en forma simtrica alrededor de .......

Ejemplo.
Un lote contiene tornillos, se eligen 10 tornillos al azar con

reposicin y se observa que 5 son defectuosos.
a) Suponiendo que el lote tiene 50% de tornillos defectuosos.

Calcule la probabilidad de que 5 o ms tornillos sean
defectuosos.
X = cantidad de tornillos defectuosos entre los 10 elegidos
X ~ Bi (10, 0.5)
P ( X 5 ) = 1 - P ( X 4) = 1 - 0.377 = 0.623
b) dem a) suponiendo que el lote tiene 20% de tornillos

defectuosos
X ~ Bi (10, 0.2)
P ( X 5 ) = 1 - P ( X 4) = 1 - 0.967 = 0.033
c) dem a) suponiendo que el lote tiene 10% de tornillos

defectuosos
X ~ Bi (10, 0.1)
P ( X 5 ) = 1 - P ( X 4) = 1 - 0.998 = 0.002
Distribucin Hipergeomtrica
Hemos visto que la distribucin binomial es un modelo

probabilstico aproximado para el caso de un muestreo sin
reemplazo.
La distribucin hipergeomtrica es el modelo probabilstico

exacto para un muestreo sin reemplazo de una poblacin
finita dicotmica (E-F)
Se elige al azar, de la poblacin, una muestra de tamao n

sin reemplazo.
X = cantidad de xitos en la muestra
X ~ H ( M, N, n )
N M N

x n x
p X (x) = x : (max{0, n (M N)},L, min{n, N})
M

n
Si en la muestra hay 0 xitos significa que n son fracasos,

pero el total de fracasos en la poblacin es M-N.
Luego si el tamao de la muestra n > M-N, habr como

mnimo n - (M-N) > 0 xitos y no podr ser cero.
Para que en la muestra haya n xitos, n N.

Ejemplo: Seguimos con el experimento 4
5 extracciones sin
reposicin
X = cantidad de bolitas rojas de la muestra

RX = { 0, 1 }
1 10 1 1 9 1 9

0 5 0 = 0 5 = 1 0 4 1
p X (0) = p X (1) = =
10 10 2 10 2

5 5 5
Esperanza y varianza de la distribucin hipergeomtrica
N M-n N N
E (X) = n Var (X) = ( ) n (1 )
M M -1 M M
Comparacin con la distribucin binomial
Se extraen con reposicin n elementos de una poblacin de

N
tamao M, con N xitos, p = P (xito) =
M
N
E (X) = n igual que la distr. hipergeomtrica
M
N N
Var (X) = n (1 ) mayor que la distr. hipergeomtrica
M M
Proceso de Poisson
Sea Xt = cantidad de pulsos radioactivos recibidos por un

contador Geiger en un intervalo de longitud t.
Vamos a realizar las siguientes suposiciones sobre la forma

en que pueden ocurrir los pulsos:
1) Para cualquier intervalo de longitud pequea, t la

probabilidad de recibir exactamente 1 pulso es
proporcional a la longitud del intervalo, a menos de un
o(t )
trmino o(t) tal que hlim = 0 es decir:
0 t
P(ocurra 1 pulso en t) = t + o(t)
2) La probabilidad de recibir ms de 1 pulso en un intervalo

longitud pequea t es prcticamente cero:
P(recibir ms de un pulso en t) = o(t)
3) El nmero de pulsos recibidos en un intervalo de longitud

t es independiente del nmero de pulsos recibidos
anteriormente a ese intervalo de tiempo.
Cmo se interpreta la cantidad ?
= valor esperado o valor medio de pulsos en la unidad de

tiempo: intensidad
Teorema: Si se cumplen las suposiciones 1, 2 y 3 entonces
( t)k e t
P(Xt = k) = p Xt (k) = k : 0, 1, L
k!
Se dice que Xt sigue un Proceso de Poisson.
Si nos interesa un intervalo de longitud t fija, decimos que Xt

tiene distribucin Poisson de parmetro t
Xt ~ P ( t)
Tenemos una distribucin de probabilidades vlida, en efecto

e k
si llamamos = t, p X (k ) = k : 0, 1, 2, ...... = N0 = N { 0 }
k!
i) p X (k ) 0 k .

e k
k
ii) p X (k ) = =e

= e e = 1,
k =0 k =0 k! k = 0 k!
El modelo de Poisson suele ser adecuado en los casos en

que interesa estudiar:
- el nmero de imperfecciones que presenta un rollo de tela

que se produce en forma continua
- el nmero de glbulos rojos que se observan en un porta

objetos
- nmero de partculas emitidas por una fuente radioactiva
- nmero de automviles que pasan por una esquina

- nmero de llamadas telefnicas recibidas por una central
Ejemplo. En un proceso electroltico continuo de aplicacin

de estao, se descubren en promedio 0.2 imperfecciones por
minuto Cul es la probabilidad de descubrir
a) una imperfeccin en 3 minutos?
X3 = nmero de imperfecciones en 3 minutos

t = 3 minutos , = 0.2 imperfecciones / minuto
t = 0.6 imp
X3 ~ P (0.6)
Nuevamente podemos hallar la funcin de distribucin

acumulada:
Luego P (X3 = 1) = P ( X3 1 ) - P (X3 0 )

= 0.878 - 0.549 = 0.329
b) al menos dos imperfecciones en 5 minutos?

Forma de la distribucin Poisson
Funcin de probabilidad puntual, para la distribucin de

Poisson para distintos valores de .
lambda=0.10 Distribucion Poisson lambda =1
0.6
0.8
lambda =0.5
0.3
0.6
0.4
0.2
p(x)
p(x)
p(x)
0.4
0.2
0.1
0.2
0.0
0.0
0.0
0 5 10 15 20 0 5 10 15 20 0 5 10 15 20
x x x
lambda =2 lambda =3 lambda =5
0.20
0.15
0.20
0.10
p(x)
p(x)
p(x)
0.10
0.10
0.05
0.0
0.0
0 5 10 15 20 0 5 10 15 20 0.0 0 5 10 15 20
x x x
lambda =10 lambda =15 lambda =20
0.12
0.08
0.06
0.08
p(x)
p(x)
p(x)
0.04
0.04
0.02
0.0
0.0
0.0
0 5 10 15 20 25 30 0 5 10 15 20 25 30 0 10 20 30 40
x x x
La distribucin se simetriza alrededor de a medida que este

parmetro crece.
Aproximacin de la distribucin Binomial por la distr. Poisson
Proposicin: Sea X ~ Bi(n,p) y sea Y ~ P ( ), supongamos que

n y p 0 , de manera que n p = (fijo), entonces :
p X (k)
p Y (k) k No = N {0}
Dem:
k nk
n n!
p X (k ) = p k (1 p ) n k = 1
k k!(n k )! n n
n k
n(n 1)...(n k + 1) k
= 1 1
nk n n k!
n k
n n 1 n k + 1 k
= .... 1 n 1 n .
n n n k!
Observemos que:
n 1 n k +1
1 .... n
1

n n
n

e
1 n

n
k

1 n
1

n
e k
Entonces, p X (k )
= pY (k ) , como queramos demostrar.
k!
Ejemplo. Se tiran 2 dados equilibrados 100 veces y se

registra
X = no de veces que sale el doble seis
X ~ Bi (100, 1/36) p = 1/36 = 0.0278
= n p = 100 . 1 / 36 = 2.78
n grande
p pequeo aproximo la binomial por P ( 2.78)
k Prob. exacta (Binomial) Prob. Poisson

0 0.0598 0.0622
1 0.1708 0.1727
2 0.2416 0.2399
5 0.0857 0.0857
8 0.0049 0.0055
9 0.0014 0.0017
10 0.0004 0.0005
11 0.0001 0.0001
Cundo podemos utilizar la aproximacin?
REGLAS PRCTICAS
- n 20 admisible
- p 0.05 n 100 n p 10 excelente
- p 0.01 n 100 n p 20 excelente
Proposicin: X ~ P ( ) entonces E(X)= Var ( X ) =

Distribucion Estadistica

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Distribucion Estadistica

Diunggah oleh

Hak Cipta:

Format Tersedia

Estadstica (Q) Diana M.

Veremos en lo que sigue nuevas variables aleatorias

Consideremos los siguientes experimentos aleatorios

1 : Una moneda es arrojada 4 veces.

2 : Una caja contiene 1 bolita roja y 9 bolitas negras. Se

3 : Un lote contiene artculos que cumplen (E) con las

Los experimentos 1 , 2 , 3 son experimentos binomiales

Definicin Un experimento se denomina Binomial si satisface

Cada prueba se denomina ensayo de Bernoulli.

1 , xito es el suceso sale cara.

2 , xito es el suceso se extrae una bolita roja

Consideremos el siguiente experimento

4 : Una caja contiene 1 bolita roja y 9 bolitas negras. Se

Es 4 un experimento Binomial? Sean B1 el suceso sali roja

no se verifica la tercera condicin de experimento

Variable aleatoria binomial

Definicin: Sea X = cantidad de xitos en un experimento

Ejemplo: Seguimos con el experimento 2

X = cantidad de bolitas rojas extradas

5 bolitas con reposicin

X=2 RRNNN NRRNN NNRNR

Cul es el espacio muestral asociado a 2?

Hemos usado la frmula del Binomio de Newton:

iii) Var ( X ) = n p (1- p)

Se fabrican diariamente N = 50 000 unidades de un producto.

Es un experimento binomial? ........................................

Si n / N < 0.05, si se extrae menos del 5% de la poblacin, se

Supongamos que 40 000 de las 50 000 son buenas

Falla un poco la condicin de independencia.

Ejemplo: X ~ Bi (10, 0.1)

Tablas P( X x ) = FX(x) Funcin de Distribucin

pX (1) = P ( X 1) - P ( X 0) = 0.736 - 0.349 = 0.387

pX (2) = P ( X 2) - P ( X 1) = 0.930 - 0.736 = 0.194

pX (0) = 0.001 = pX (10)

pX (1) = 0.010 = pX (9)

pX (2) = 0.044 = pX (8)

La v.a. X se distribuye en forma simtrica alrededor de .......

Un lote contiene tornillos, se eligen 10 tornillos al azar con

a) Suponiendo que el lote tiene 50% de tornillos defectuosos.

X = cantidad de tornillos defectuosos entre los 10 elegidos

b) dem a) suponiendo que el lote tiene 20% de tornillos

c) dem a) suponiendo que el lote tiene 10% de tornillos

Hemos visto que la distribucin binomial es un modelo

La distribucin hipergeomtrica es el modelo probabilstico

Se elige al azar, de la poblacin, una muestra de tamao n

X = cantidad de xitos en la muestra

Si en la muestra hay 0 xitos significa que n son fracasos,

Luego si el tamao de la muestra n > M-N, habr como

Para que en la muestra haya n xitos, n N.

Ejemplo: Seguimos con el experimento 4

X = cantidad de bolitas rojas de la muestra

Esperanza y varianza de la distribucin hipergeomtrica

Comparacin con la distribucin binomial

Se extraen con reposicin n elementos de una poblacin de

Sea Xt = cantidad de pulsos radioactivos recibidos por un

Vamos a realizar las siguientes suposiciones sobre la forma

1) Para cualquier intervalo de longitud pequea, t la

2) La probabilidad de recibir ms de 1 pulso en un intervalo

P(recibir ms de un pulso en t) = o(t)

3) El nmero de pulsos recibidos en un intervalo de longitud

Cmo se interpreta la cantidad ?

= valor esperado o valor medio de pulsos en la unidad de

Teorema: Si se cumplen las suposiciones 1, 2 y 3 entonces

Se dice que Xt sigue un Proceso de Poisson.