Distribución uniforme
La distribución Uniforme es el modelo (absolutamente) continuo más simple.
Corresponde al caso de una variable aleatoria que sólo puede tomar valores
comprendidos entre dos extremos a y b, de manera que todos los intervalos de
una misma longitud (dentro de (a, b)) tienen la misma probabilidad. También
puede expresarse como el modelo probabilístico correspondiente a tomar un
número al azar dentro de un intervalo (a, b).
De la anterior definición se desprende que la función de densidad debe tomar el
mismo valor para todos los puntos dentro del intervalo (a, b) (y cero fuera del
intervalo). Es decir,
Gráficamente:
La función de distribución se obtiene integrando la función de densidad y viene
dada por:
Gráficamente:
Propiedades del modelo Uniforme
1. Su esperanza vale (b + a)/2
2. Su varianza es (b − a)2/12
Distribución de Bernoulli
Distribución Binomial
Distribución Geométrica
DISTRIBUCIÓN GEOMÉTRICA O DE PASCAL
La distribución geométrica es un modelo adecuado para aquellos procesos en
los que se repiten pruebas hasta la consecución del éxito a resultado deseado y
tiene interesantes aplicaciones en los muestreos realizados de esta manera .
También implica la existencia de una dicotomía de posibles resultados y la
independencia de las pruebas entre sí.
Proceso experimental del que se puede hacer derivar
Esta distribución se puede hacer derivar de un proceso experimental puro o de
Bernouilli en el que tengamos las siguientes características
· El proceso consta de un número no definido de pruebas o experimentos
separados o separables. El proceso concluirá cuando se obtenga por primera vez
el resultado deseado (éxito).
· Cada prueba puede dar dos resultados mutuamente excluyentes : A y no A
· La probabilidad de obtener un resultado A en cada prueba es p y la de obtener
un resultado no A es q
siendo (p + q = 1).
Las probabilidades p y q son constantes en todas las pruebas ,por tanto , las
pruebas ,son independientes (si se trata de un proceso de "extracción" éste se
llevará a , cabo con devolución del individuo extraído) .
· (Derivación de la distribución). Si en estas circunstancias aleatorizamos de forma
que tomemos como variable aleatoria X = el número de pruebas necesarias para
obtener por primera vez un éxito o resultado A , esta variable se distribuirá con
una distribución geométrica de parámetro p.
Obtención de la función de cuantía
De lo dicho anteriormente , tendremos que la variable X es el número de
pruebas necesarias para la consecución del primer éxito. De esta forma la
variables aleatoria toma valores enteros a partir del uno ; í 1,2,………ý
La función de cuantía P(x) hará corresponder a cada valor de X la probabilidad
de obtener el primer éxito precisamente en la X-sima prueba. Esto es , P(X) será
la probabilidad del suceso obtener X-1 resultados "no A" y un éxito o resultado A
en la prueba número X teniendo en cuenta que todas las pruebas son
independientes y que conocemos sus probabilidades tendremos:
dado que se trata de sucesos independientes y conocemos las probabilidades
luego la función de cuantía quedaría
Algunos autores consideran la aleatorización como "número de pruebas anteriores
al primer éxito". De esta manera el conseguir el éxito a la primera sería X=0 . En la
siguiente representación gráfica de la función de cuantía de la geométrica puede
apreciarse este tipo de aleatorización, sin embargo nosotros preferimos, por
razones prácticas, utilizar la aleatorización antes comentada.
Función de distribución
En base a la función de cuantía se puede expresar la función de distribución
de la siguiente manera.
desarrollando la expresión tendríamos
de
donde
La Función Generatriz de Momentos (F.G.M.) quedaría:
por lo que queda establecida que la F.G.M. tiene la
expresión
En base a la FGM podemos obtener la media y varianza:
Así
Haciendo t =0 tendríamos que
La varianza sería
Haciendo t =0 tendríamos que
De esta
manera
Luego
La moda es el valor de la variable que tiene asociada mayor probabilidad el
valor de su función de cuantía es el mayor. Es fácil comprobar (véase
simplemente la representación gráfica anterior) que .Por lo
tanto la media de la distribución geométrica es siempre 1.
En cuanto a la mediana Me será aquel valor de la variable en el cual la función de
distribución toma el valor 0,5. Así
por lo que
Distribución Hipergeométrica
es especialmente útil en todos aquellos casos en los que se extraigan muestras o
se realicen experiencias repetidas sin devolución del elemento extraído o sin
retornar a la situación experimental inicial.
Es una distribución fundamental en el estudio de muestras pequeñas de
poblaciones pequeñas y en el cálculo de probabilidades de juegos de azar. Tiene
grandes aplicaciones en el control de calidad para procesos experimentales en
los que no es posible retornar a la situación de partida.
Las consideraciones a tener en cuenta en una distribución hipergeométrica:
El proceso consta de "n" pruebas, separadas o separables de entre un
conjunto de "N" pruebas posibles.
Cada una de las pruebas puede dar únicamente dos resultados
mutuamente excluyentes.
El número de individuos que presentan la característica A (éxito) es "k".
En la primera prueba las probabilidades son: P(A)= p y P(A)= q; con
p+q=1.
En estas condiciones, se define la variable aleatoria X = “nº de éxitos obtenidos”.
La función de probabilidad de esta variable sería:
La media, varianza y desviación típica de esta distribución vienen dadas por:
EJEMPLO 1:
Supongamos la extracción aleatoria de 8 elementos de un conjunto formado por
40 elementos totales (cartas baraja española) de los cuales 10 son del tipo A (salir
oro) y 30 son del tipo complementario (no salir oro).
Si realizamos las extracciones sin devolver los elementos extraídos y llamamos X
al número de elementos del tipo A (oros obtenidos) que extraemos en las 8 cartas;
X seguirá una distribución hipergeométrica de parámetros 40 , 8 ,
10/40.H(40,8,0,25).
Para calcular la probabilidad de obtener 4 oros:
EJEMPLO 2:
De cada 20 piezas fabricadas por una máquina, hay 2 que son defectuosas. Para
realizar un control de calidad, se observan 15 elementos y se rechaza el lote si
hay alguna que sea defectuoso. Vamos a calcular la probabilidad de que el lote
sea rechazado.
Cuando N es muy grande, como criterio se suele considerar N > 10n, la
distribución hipergeométrica se puede aproximar por la binomial B( n, p ) con p =
k/N.
Distribución Poisson
Es una distribución de probabilidad discreta que expresa, a partir de una
frecuencia de ocurrencia media, la probabilidad de que ocurra un determinado
número de eventos durante cierto período de tiempo.
En este tipo de experimentos los éxitos buscados son expresados por unidad de
área, tiempo, pieza, etc, etc,:
- # de defectos de una tela por m2
- # de aviones que aterrizan en un aeropuerto por día, hora, minuto, etc, etc.
- # de bacterias por cm2 de cultivo
- # de llamadas telefónicas a un conmutador por hora, minuto, etc, etc.
- # de llegadas de embarcaciones a un puerto por día, mes, etc, etc.
Para determinar la probabilidad de que ocurran x éxitos por unidad de tiempo,
área, o producto, la fórmula a utilizar sería:
donde:
p(x, l) = probabilidad de que ocurran x éxitos, cuando el número promedio de
ocurrencia de ellos es l
l = media o promedio de éxitos por unidad de tiempo, área o producto
e = 2.718
x = variable que nos denota el número de éxitos que se desea que ocurra
Hay que hacer notar que en esta distribución el número de éxitos que ocurren por
unidad de tiempo, área o producto es totalmente al azar y que cada intervalo de
tiempo es independiente de otro intervalo dado, así como cada área es
independiente de otra área dada y cada producto es independiente de otro
producto dado.
Ejemplos:
1. Si un banco recibe en promedio 6 cheques sin fondo por día, ¿cuáles son
las probabilidades de que reciba, a) cuatro cheques sin fondo en un día
dado, b) 10 cheques sin fondos en cualquiera de dos días consecutivos?
Solución:
a) x = variable que nos define el número de cheques sin fondo que llegan al
banco en un día cualquiera = 0, 1, 2, 3, ....., etc, etc.
l = 6 cheques sin fondo por día
e = 2.718
b)
x= variable que nos define el número de cheques sin fondo que llegan al banco en
dos días consecutivos = 0, 1, 2, 3, ......, etc., etc.
l = 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en dos días
consecutivos
Nota: l siempre debe de estar en función de x siempre o dicho de otra forma, debe
“hablar” de lo mismo que x.
2. En la inspección de hojalata producida por un proceso electrolítico continuo,
se identifican 0.2 imperfecciones en promedio por minuto. Determine las
probabilidades de identificar a) una imperfección en 3 minutos, b) al menos
dos imperfecciones en 5 minutos, c) cuando más una imperfección en 15
minutos.
Solución:
a) x = variable que nos define el número de imperfecciones en la hojalata por
cada 3 minutos = 0, 1, 2, 3, ...., etc., etc.
l = 0.2 x 3 =0.6 imperfecciones en promedio por cada 3 minutos en la hojalata
b) x = variable que nos define el número de imperfecciones en la hojalata por
cada 5 minutos = 0, 1, 2, 3, ...., etc., etc.
l = 0.2 x 5 =1 imperfección en promedio por cada 5 minutos en la hojalata
=1-(0.367918+0.367918) = 0.26416
c) x = variable que nos define el número de imperfecciones en la hojalata por
cada 15 minutos = 0, 1, 2, 3, ....., etc., etc.
l = 0.2 x 15 = 3 imperfecciones en promedio por cada 15 minutos en la hojalata
= 0.0498026 + 0.149408 = 0.1992106
5.2 Distribución para variables continuas
Distribución Uniforme
La distribución Uniforme es el modelo (absolutamente) continuo más simple.
Corresponde al caso de una variable aleatoria que sólo puede tomar valores
comprendidos entre dos extremos a y b, de manera que todos los intervalos de
una misma longitud (dentro de (a, b)) tienen la misma probabilidad. También
puede expresarse como el modelo probabilístico correspondiente a tomar un
número al azar dentro de un intervalo (a, b).
De la anterior definición se desprende que la función de densidad debe tomar el
mismo valor para todos los puntos dentro del intervalo (a, b) (y cero fuera del
intervalo). Es decir,
Gráficamente:
La función de distribución se obtiene integrando la función de densidad y viene
dada por:
Gráficamente:
Propiedades del modelo Uniforme
1. Su esperanza vale (b + a)/2
2. Su varianza es (b − a)2/12
Distribución Exponencial
La distribución Normal puede utilizarse para resolver muchos problemas en
ingeniería y ciencias, existen aún numerosas situaciones que requieren diferentes
tipos de funciones de densidad, tales como la exponencial y la gamma y algunas
otras como la weibull, etc., etc., de momento solo trataremos sobre el uso de la
exponencial.
Resulta que la exponencial es un caso especial de la distribución gamma, ambas
tienen un gran número de aplicaciones. Las distribuciones exponencial y gamma
juegan un papel importante tanto en teoría de colas como en problemas de
confiabilidad. El tiempo entre las llegadas en las instalaciones de servicio y el
tiempo de falla de los componentes y sistemas eléctricos, frecuentemente
involucran la distribución exponencial. La relación entre la gamma y la exponencial
permite que la distribución gamma se utilice en tipos similares de problemas.
La variable aleatoria x tiene una distribución exponencial, con parámetro b, si su
función de densidad es:
, x > 0 ; f(x) = 0 en cualquier otro caso
donde b > 0
La media y la variancia de la distribución exponencial son:
m = b y s2 = b2
Relación con el proceso de Poisson.
Las aplicaciones más importantes de la distribución exponencial son aquellas
situaciones en donde se aplica el proceso de Poisson , es necesario recordar que
un proceso de Poisson permite el uso de la distribución de Poisson. Recuérdese
también que la distribución de Poisson se utiliza para calcular la probabilidad de
números específicos de “eventos” durante un período o espacio particular. En
muchas aplicaciones, el período o la cantidad de espacio es la variable aleatoria.
Por ejemplo un ingeniero industrial puede interesarse en el tiempo T entre
llegadas en una intersección congestionada durante la hora de salida de trabajo
en una gran ciudad. Una llegada representa el evento de Poisson.
La relación entre la distribución exponencial (con frecuencia llamada exponencial
negativa) y el proceso llamado de Poisson es bastante simple. La distribución de
Poisson se desarrolló como una distribución de un solo parámetro l, donde l puede
interpretarse como el número promedio de eventos por unidad de “tiempo” .
Considérese ahora la variable aleatoria descrita por el tiempo que se requiere para
que ocurra el primer evento. Mediante la distribución de Poisson, se encuentra que
la probabilidad de que no ocurran en el espacio hasta el tiempo t está dada por:
;
Ahora puede utilizarse lo anterior y hacer que X sea el tiempo para el primer
evento de Poisson. La probabilidad de que el período hasta que ocurre el primer
evento de Poisson exceda x es la misma que la probabilidad de que no ocurra un
evento de Poisson en x. Esto último por supuesto está dado por . Como
resultado,
P(X ³ x) =
Entonces, la función de distribución acumulada para x es:
P(0£ X £ x) = 1 -
Ahora, con objeto de que se reconozca la presencia de la distribución exponencial,
puede derivarse la distribución acumulada anterior para obtener la función de
densidad:
f(x) =
La cual es la función de densidad de la distribución exponencial con .
Nótese que la media de la distribución exponencial es el parámetro , el
recíproco del parámetro en la distribución de Poisson. El lector debe recordar que
con frecuencia se dice que la distribución de Poisson no tiene memoria, lo cuál
implica que las ocurrencias en períodos de tiempo sucesivos son independientes.
Aquí el parámetro importante es el tiempo promedio entre eventos. En teoría de
la confiabilidad, donde la falla de un equipo concuerda con el proceso de
Poisson, recibe el nombre de tiempo promedio entre fallas. Muchas
descomposturas de equipo siguen el proceso de Poisson, y entonces la
distribución exponencial es aplicable.
En el siguiente ejemplo se muestra una aplicación simple de la distribución
exponencial en un problema de confiabilidad. La distribución binomial también
juega un papel importante en la solución.
Ejemplos:
1. Suponga que un sistema contiene cierto tipo de componente cuyo tiempo
de falla en años está dado por la variable aleatoria T, distribuida
exponencialmente con tiempo promedio de falla . S í 5 de estos
componentes se instalan en diferentes sistemas, ¿cuál es la probabilidad
de que al menos 2 continúen funcionando después de 8 años?
Solución:
La probabilidad de que un determinado componente esté funcionando aún
después de 8 años es:
la | nos indica que la integral se va a
evaluar desde 8 hasta ¥
Sea x el número de componentes funcionando después de 8 años. Entonces
mediante la distribución Binomial,
n=5
p = 0.20 = probabilidad de que un componente esté funcionando después de 8
años
q = 1-p = 0.80 = probabilidad de que un componente no funcione después de 8
años
P(x ³ 2 ) = p(x=2) + p(x=3) + p(x=4)+p(x=5) = 1 – p(x = 0, 1)
2. El tiempo que transcurre antes de que una persona sea atendida en una
cafetería es una variable aleatoria que tiene una distribución exponencial
con una media de 4 minutos. ¿Cuál es la probabilidad de que una persona
sea atendida antes de que transcurran 3 minutos en al menos 4 de los 6
días siguientes?
Solución:
la nos indica que la
integral va a ser evaluada de 0 a 3
x = número de días en que un cliente es atendido antes de que transcurran 3
minutos
x = 0, 1, 2,...,6 días
p = probabilidad de que un cliente sea atendido antes de que transcurran 3
minutos en un día cualquiera = 0.5276
q = probabilidad de que un cliente no sea atendido antes de que transcurran 3
minutos en un día cualquiera = 1- p = 0.4724
= 0.11587 + 0.02157 = 0.13744
