Sesin

DISTRIBUCIONES DE PROBABILIDAD

OBJETIVOS
Al finalizar la sesin 2, el estudiante ser capaz de: 1. Identificar las distribuciones de probabilidad que ms se utilizan en la toma de decisiones. 2. Utilizar el concepto de valor esperado para la toma de decisiones. 3. Mostrar cul distribucin de probabilidad utilizar, y como encontrar sus valores. 4. Comprender las limitaciones de cada una de las distribuciones que utilice.

CONTENIDO
1. Tcnicas de conteo 2. Las distribuciones de probabilidad 3. Las variables aleatorias 4. Distribuciones discretas de probabilidad 5. Distribuciones continuas de probabilidad

2.1 TECNICAS DE CONTEO Combinacin: Es una seleccin de objetos con independencia en su ordenamiento. Ejemplo: Un escritor dispone de 10 libros para un resumen especial. Slo ocho son necesarias para realizarlo. Los ocho libros necesariamente son seleccionadas aleatoriamente.

Permutacin: Es una distribucin de objetos en un orden determinado. Ejemplo: El numero del DNI.

PERMUTACION Clculo del nmero de permutaciones para n objetos tomados de x

Ejemplo:

n! P = donde x n (n x)!
n x

Los estudiantes estn interesados en el orden en que cuatro colores, Azul (A), Rojo (R), Blanco (B) y celeste (C) se combinan para formar una bandera de franjas verticales. Cuntas banderas formadas por dos colores pueden formarse?

4! 4 x3 x2 x1 P = = = 12 (4 2)! 2 x1
4 2

Hacer Hacerun undiagrama diagramade derbol rbol para indicar las 12 banderas para indicar las 12 banderas

COMBINACION Numero de combinaciones de n objetos tomadas de r

Ejemplo:

n! C = donde x n x !(n x)!

n x

Se realiza un estudio para determinar la opinin de los profesores de la FED de la UNH respecto a la desercin; si se elige una muestra de cuatro profesores de un total de 45. Cuntas muestras distintas pueden seleccionarse?

45! 45 x 44 x 43x 42 x 41! 45 x 44 x 43x 42 C = = = = 148,995 4!(45 4)! 4! x41! 4!

45 4

2.2 Las Distribuciones de Probabilidad

(A)

Es una distribucin de frecuencias terica que describe la forma en que se espera que varen los resultados. Resultan tiles para realizar inferencias y tomar decisiones bajo incertidumbre.
Concepto:

Ejemplo: Se seleccionan en forma consecutivas dos estudiantes de un centro educativo. El nmero de estudiantes varones ser:
N de Resultados Probabilidad varones 0 M,M 0,25 1 MV,VM 0,50 2 V,V 0,25
Probabilidad

0.50 0.25

2
N de varones

(B) TIPOS DE DISTRIBUCIONES a) DISCRETAS: La variable toma un nmero limitado de valores. Abarca : - Distribucin binomial - Distribucin de Poisson - Distribucin hipergeomtrica b) CONTINUAS: La variable puede tomar cualquier valor dentro de un intervalo dado. Abarca: - Distribucin normal - Distribucin normal estndar o Z - Distribucin t - Distribucin Ji-cuadrada 2 - Distribucin F

2.3 Variables Aleatorias

Una variable es aleatoria si toma diferentes valores como resultado de un experimento. Puede ser discreta o continua Ejemplo: Se lanzan 3 monedas X : variable aleatoria (ej : nmero de caras) x : valores que puede tomar la variable (ej : 0, 1, 2, 3)

Esperanza matemtica : E (X) Es el promedio de la variable aleatoria, si el experimento se repite un nmero infinito de veces. Ejemplo : Se lanzan 3 monedas
1/8 1/8 1/8 1/8 1/8 1/8 1/8 1/8 = {CCC, CCS, CSC, SCC, CSS, SCS, SSC, SSS}
3 caras. 2 caras 1 cara 0 caras => x

x
Nmero de caras

P(x) XP(x)
1/8 3/8 3/8 1/8 0 3/8 6/8 3/8 12/8

X = =

XP x

0 1 2 3

12 8

= 1,5

Aplicacin: uso del valor esperado y las prdidas monetarias. Supongamos que un distribuidor de revista educativa (de publicacin diaria) compra cada ejemplar a a 20 Nuevos Soles y las vende a 50 Nuevos Soles. No puede especificar el nmero de ejemplares que le solicitarn diariamente, pero dispone de los siguientes datos:
Ventas diarias 10 11 12 13 N de das de venta 15 20 40 25 100 Probabilidad de venta de cada cantidad 0.15 0.20 0.40 0.25 1.00

Tipo de prdidas (A) Prdidas por mermas (obsolescencia): oferta > demanda (costo contable) (B) Prdidas de oportunidad: oferta < demanda (costo econmico)
Posibles N de revistas pedidas/da 10 11 12 13 Alternativas de oferta 10 0 30 60 90 11 20 0 30 60 12 40 20 0 30 13 60 40 20 0

Clculo de la prdida esperada Para un stocks de 10 revistas, la prdida esperada ser:

Posibles N de revistas pedidas/da 10 11 12 13 Probabilidad Prdida que se reciban Condicional estos pedidos 0 30 60 90 Prdida esperada

0.15 0.00 0.20 6.00 0.40 24.00 0.25 22.50 Prdida esperada: 52.50

Solucin ptima: analizar otros tamaos de stocks y decidir por aqul que genere la menor perdida

2.4 Distribuciones Discretas de Probabilidad

2.4.1 La distribucin binomial Se utiliza para describir variables discretas.

Es una de las distribuciones mas utilizadas en la estadstica aplicada. La distribucin se deriva de un procedimiento llamado ensayo de Bernoulli, nombrado as en honor del matemtico Suizo James Bernoulli (1654 - 1785).
a) Caractersticas: El experimento consiste en una serie de ensayos repetidos. Cada ensayo slo tiene dos resultados posibles: xito y fracaso.

La probabilidad de xito, designado por p es la misma para cada ensayo, la probabilidad de fracaso q (igual a 1-p) es tambin constante. 1. Los ensayos sucesivos son independientes. 2. Puede ser simtrica o sesgada. 3. La informacin de la muestra se obtiene con reposicin de una poblacin finita.

b) Formula:

n! x n- x P X= x = p q x ! n- x !

donde: n : nmero de ensayos x : nmero de xitos p : probabilidad de xitos en un ensayo q : probabilidad de fracaso en un ensayo n - x : nmero de fracaso en el ensayo

Se aplica a la seleccin de una muestra, slo cuando el resultado de cada solucin es independiente de los resultados de las selecciones anteriores.

c) Aplicacin:
Una muestra de 4 discos digitales se selecciona sin restitucin de un lote de 5000 discos de cierto almacn de materiales. Suponiendo que el 20% de los discos del lote no cumplen con las especificaciones tcnicas, cul es la probabilidad de que la muestra contenga exactamente 2 discos malos?

Datos: n=4 x=2 p = 0,20 q = 0,80

n! x n- x P X= x = p q x ! n- x ! 4! 2 2 P X= 2 = 0.2 0.80 2! 4- 2 ! = 0,1536

Ejercicio

Los nios excepcionales pueden determinarse con un test de coeficiente intelectual. Suponiendo que en un centro educativo tiene por trmino medio 4 nios excepcionales, cul es la probabilidad de que una muestra de un centro educativo: a) contenga exactamente tres nios excepcionales? b) No tenga nios excepcionales?

d) La distribucin
Cierto proceso de seleccin de materiales se repite cuatro veces. Suponga que existe la probabilidad de 0.50 que el proceso resulte deficiente. En cuatro repeticiones se puede obtener 0,1,2,3 4 procesos deficientes. Se puede calcular la probabilidad de cada uno de estos posibles resultados mediante la distribucin binomial.

X (Nmero de procesos deficientes)

P X= x
4! 1 0! 4 ! 2 4! 1 1! 3 ! 2 4! 1 2! 2! 2

0 1 2 3 4

4! 1 3! 1! 2 4! 1 4! 0 ! 2

1 2 3 4

1 1 = 2 16
3

1 4 = 2 16
2

1 6 = 2 16 1 4 = 2 16
0 1

1 1 = 2 16

A estos resultados se denomina distribucin de probabilidad.

e) La media y la desviacin estndar

Consideramos la distribucin del ejemplo anterior (p = 1/2, n = 4)

P X= x
La media

0 1/16

1 4/16

2 6/16

3 4/16

4 1/16

= XP x

X 0 1 2 3 4

P(x) 1/16 4/16 6/16 4/16 1/16

XP(x) 0 4/16 12/16 12/16 4/16 32/16

32 XP x =16

= 2 procesos
Tambin:
m = np 1 m= 4 =2 2

Interpretacin: Si seleccionamos 4 procesos de seleccin al azar, se espera encontrar 2 procesos deficientes, si este experimento se repite un nmero infinito de veces.

La desviacin estndar

=
x
0 1 2 3 4

x P x
2

P x
1/16 4/16 6/16 4/16 1/16

x
-2 -1 0 +1 +2

x
4 1 0 1 4

x P x
4/16 4/16 0 4/16 4/16 16/16

16 X P x =16
2

16 = X P x = = 1 proceso deficiente 16

Tambin:

s = npq
= 4 0,5 0,5 =1

La distribucin binomial (p = 1/2, n = 4) tiene una media de 2 y una desviacin estndar de 1.

Ejemplo

La Dra. Velarde, Directora de Control de Calidad de una Universidad, se encuentra realizando su revisin mensual a los procesos de atencin administrativa. En el procedimiento, se seleccionan 10 procesos y se les analiza en busca de deficiencias administrativas. A lo largo del tiempo, slo 2% de las atenciones registran deficiencias administrativas (suponga que las deficiencias se presentan de manera independiente en diferentes procesos).

 Cul es la probabilidad de que la muestra de la Dra. Valverde contenga ms de dos procesos con deficiencias administrativas? Cul es la probabilidad de que en ninguno de los procesos seleccionados registre deficiencia administrativa?

Ejemplo:
En cierta academia se sabe que el 52 por ciento de todos los estudiantes que se matricularon son varones. Si aleatoriamente se escogen cinco registros de matrcula de esta academia, cul es la probabilidad de que exactamente tres de ellos pertenezcan a varones?. Solucin
P = 0.52 q = 1 - 0.52 = 0.48 n=5 r=3

5! P(3,5) = 0.523 0.48(5 3) = 0.32 32% 3!(5 3)!

Uso de Tablas Solucionando el problema anterior usando la tabla de probabilidades binomiales

tabla de probabilidades binomiales p n r 0.37 0.38 0.39 0.40 0.41 0.42 0.43 0.44 0.45 0.46 0.47 0.48 0.49 0.50 r n

0 1 2 3 4 5

0.0380 0.1755 0.3240 0.2990 0.1380 0.0255

5 4 3 2 1 0 5

0.63

0.62

0.61

0.60

0.59

0.58

0.57 p

0.56

0.55

0.54

0.53

0.52

0.51

0.50

r n

La probabilidad de tener 3 inscritos varones de 5 registros realizados es del 0.324 o 32.4%.

3.4 Distribuciones continuas de probabilidad

3.4.1 La distribucin normal
Tambin conocida como campana de Gauss en honor al matemtico Karl Gauss ( siglo 19). Es importante por: Es muy aplicable para inferencia estadstica Se ajusta (casi) a las distribuciones de frecuencias reales observadas.
Se utiliza para describir el comportamiento de una variable continua. (a) Caractersticas 1. Tiene un slo pico (unimodal). Forma acampanada. 2. La media cae en el centro 3. La media, media y moda coinciden 4. Es asinttica al eje horizontal

Media Mediana Moda La distribucin normal de probabilidad es simtrica con respecto a una lnea vertical que pase por la media

El extremo izquierdo se extiende de manera indefinida y nunca toca el eje horizontal

El extremo derecho se extiende de manera indefinida y nunca toca el eje horizontal

b) Frmula La funcin de densidad: f(x), para la distribucin normal tiene la siguiente formula:

1 f x = e 2

x 2 2

donde: e : constante matemtica: 2.71828 :constante matemtica: 3.14159 : media de la poblacin : desviacin estndar de la poblacin x : cualquier valor de la variable aleatoria continua

Areas debajo de la curva normal No importa cuales son los valores de y , para una distribucin de probabilidad normal el rea total bajo la curva es 1.00, de manera que podemos pensar en reas bajo la curva como si fuesen probabilidades. Matemticamente es verdad que:

1: Aproximadamente 68% de todos los valores de una poblacin normalmente distribuida se encuentra datos 1 desviacin estndar de la media .

68% datos

2: Aproximadamente 95.5% de todos los valores de una poblacin normalmente distribuida se encuentra datos 2 desviacin estndar de la media.

+ 2

95,5%

datos

3: Aproximadamente 99.7% de todos los valores de una poblacin normalmente distribuida se encuentra datos 3 desviacin estndar de la media

+ 3

99,7%

datos

3.5.2 La distribucin normal estndar ( Z)

La distribucin normal tiene diferente y para calcular probabilidades habra que integrar la funcin de densidad. Por este motivo se estandariza la variable. La estandarizacin es un proceso estadstico que consiste en restar la media a la variable y el resultado dividirlo por la desviacin estndar.

x m Z= s

Distribucin normal estndar

=50 =1

La tabla de distribucin normal estndar, es la siguiente:

z 0.0 0.1 : : 1.1 1.2 : : 2.4 2.5 :

0.00 0.0000 0.0398 : : 0.3643 0.4032

0.01 0.0040 0.0438 : : 0.3665 0.4049

0.02 0.0080 0.0478 : : 0.3686 0.4066

0.03 0.0120 0.0517 : : 0.3708 0.4082

0.04 0.0160 0.0557 : : 0.3729 0.4099

0.05 0.0199 0.0596 : : 0.3749 0.4115

0.06 0.0239 0.0636 : : 0.3770 0.4131

0.07 0.0279 0.0675 : : 0.3790 0.4147

0.08 0.0319 0.0714 : : 0.3810 0.4162

Cuando Z=1.27

entonces el rea vale: ......

Ejercicio:
Un experto en psicomotricidad piensa que los puntajes en una prueba de destreza manual tiene una distribucin aproximadamente normal, con una media de 10 y una desviacin estndar de 2,5. Si a un individuo, elegido aleatoriamente, se le aplica el examen, cul es la probabilidad de que logre un puntaje de 15 o mas puntos?.

= 2.5

= 10 15

Obtenemos la siguiente informacin:

=10

=2.5
z= x 15 10 = =2 2 .5

= 2.5

Calculando Z:

Para Z=2, buscamos en la tabla cual es la probabilidad (o rea) que le corresponde: rea = .4772 Como deseamos conocer esta rea:

= 10 15

= 2.5

P x 15 =0 .5 0 . 4772 =0 . 0228 2. 28
10 = 15

Cul es la probabilidad de que se logre un puntaje entre 11 y 14?

Calculando Z:

Cuando x =11 z =

11 10 =0 . 4 A= 0. 1554 2.5

Cuando x =14 z =

14 10 =1 .6 A=0 . 4452 2. 5

1 14 1 El rea sombreada se encuentra restando del rea mayor (0.4452) el rea menor (0.1554)

P 11 x 14 =0 . 4452 0. 1554 =0 . 2898 28. 98

Aplicaciones Una empresa aplica un programa de entrenamiento diseado para mejorar la habilidades de supervisin en los diferentes procesos que se desarrollan en una institucin. Debido a que el programa es autoadministrado, los supervisores requieren un nmero diferente de horas para concluirlo Un estudio de los participantes anteriores indica que el tiempo medio que se lleva completar el programa es de 500 horas y que esta variable aleatoria normalmente distribuida tiene una desviacin estndar de 100 horas.

Pregunta 1. Cul es la probabilidad de que un participante elegido al azar requiera ms de 500 horas para completar el programa?
Solucin: En la figura, podemos ver que la mitad del rea bajo la curva est localizada a ambos lados de la media de 500 horas. Por lo tanto podemos deducir que la probabilidad de que la variable aleatoria tiene un valor mayor a 500 es el rea sombreada, es decir, 0.5.

P(X>500)=0.5

Pregunta 2:Cul es la probabilidad de que un supervisor elegido al azar se tome entre 500 y 650 horas para completar el programa de entrenamiento.
Solucin: La grfica se muestra la respuesta como zona sombreada, representada por el rea entre la media (500 horas) y el valor de X, en el cual estamos interesados (650 horas). Estandarizando la variable tenemos un valor para Z

P(500 X 650)=0.4332

x Z= 650 500 Z= =1 .5 100

Si buscamos Z = 1.5 en la tabla, encontraremos una probabilidad de 0,4332. En consecuencia, la probabilidad de que un candidato escogido al azar requiera entre 500 y 650 horas para terminar el programa de entrenamiento es ligeramente mayor a 0,4.

Pregunta 3:Cul es la probabilidad de que un supervisor elegido al azar se tome ms de 700 horas en completar el programa? Solucin: Estamos interesados en el rea a la derecha de 700. Estandarizamos

x Z=
700 500 Z= =2 100

P(X >700)= 0..0228

Tabla: si Z = 2.0 Area: 0.4772 En consecuencia, la probabilidad mayor a 700 ser 0,5 - 0,4772 = 0,0228 Por lo tanto hay un poco ms de 2 oportunidades en 100 de que un participante elegido al azar se lleve ms de 700 horas en completar el curso.

Pregunta 4:Suponga que el director del programa desea saber la probabilidad de que un participante escogido al azar requiera entre 550 y 650 horas para completar el trabajo requerido en el programa. Solucin: Primero calculamos el valor de Z para 650

x Z=
650 500 Z= =1 .5 100
A este valor le corresponde un rea de 0,4332
P(550 X 650)

Despus calculamos un valor de Z para 550

x Z=
550 500 Z= =0 .5 100
Correspondindole un rea de 0,1915

Para responde la pregunta debemos estar restar las reas: Probabilidad de que la variable aleatoria est entre la media y 650 horas (-) Probabilidad de que la variable aleatoria est entre la media y 550 horas (=) Probabilidad de que la variable aleatoria est 550 y 650 horas 0,4332

0,1915 0,2417

As pues, la probabilidad de que un supervisor elegido al azar se tome entre 550 y 650 horas para completar el programa de entrenamiento es un poco menor de 1 entre 4

Ejemplo
Supngase que la duracin promedio de tutoria en un centro educativo es de 5,5 das con una desviacin estndar de 1,8 das. Si se supone que la duracin de las tutorias se distribuye normalmente, encuentre la probabilidad de que un estudiante seleccionado al azar de dicho centro educativo, tenga una duracin de tutoria: de ms de 6 das entre 4 y 7 das

3.5.3 La distribucin t a) Caractersticas Al igual que la normal, tambin es simtrica es algo ms plana que la distribucin normal hay una distribucin t para cada tamao de muestra cuando el tamao de la muestra es mayor a 30, la distribucin t se asemeja tanto a la normal que se prefiere utilizar sta.

CUANDO UTILIZAR Z o t
S E C O N O C E

SI USA R

NO

es n 30?

SI USA R

NO

USA R

TABLA DE DISTRIBUCION t DE STUDENT d.f.

d.f. Grados de libertad

t .90 3.08 1.89 1.64

t .95 6.31 2.92 2.35

t .975 12.7 4.3 3.18

t .99 31.8 6.97 4.54

t .995 63.7 9.92 5.84

1 2 3 : : : : 26 27 28 : : :

d. f . = n 1
Ejemplo: n= 28 t=? N.C. = 95%

d.f. = 28 - 1 = 27 t = 2,0518

1.32 2.31 1.31

1.71 1.7 1.7

2.06 2.05 2.05

2.48 2.47 2.47

2.78 2.77 2.76

b) Frmula

x t= s n

c) Grados de libertad Se definen como el nmero de valores que podemos escoger libremente.

3.5.4 La distribucin Ji-Cuadrada

a) Caractersticas Es una distribucin asimtrica a la derecha Slo considera valores positivos b) Definicin La distribucin Ji-cuadrada esta definida por
2 = Z i2
i =1 n

c) Aplicaciones Las aplicaciones ms importantes estn en la prueba de bondad de ajuste la prueba de independencia estadstica d) Distribucin

3.5.5 La Distribucin F
Caractersticas Es una distribucin asimtrica a la derecha Slo tiene valores positivos Se utiliza para comparar variancias de dos poblaciones, con distribucin normal Frmula
2 S mayor F= 2 S menor

11-3

Existe una familia de distribuciones F. Cada miembro de la familia est determinado por dos parmetros: los grados de libertad ( gl) en el numerador y los grados de libertad en el denominador. El valor de F no puede ser negativo y es una distribucin continua. La distribucin F tiene sesgo positivo. Sus valores varan de 0 a . Con forme F la curva se aproxima al eje X.

Hoja de Comprobacin
1. El valor de z para algn punto x que se encuentra en una distribucin normal es el rea entre x y la media de la distribucin 2. Los extremos derecho e izquierdo de la distribucin normal se extienden indefinidamente, sin tocar nunca el eje horizontal. 3. Para una distribucin normal, la media siempre se encuentra entre la moda y la mediana 4. Toda el rea menos tres decimos del 1% de una distribucin normal se encuentra dentro de 3 desviaciones estndar de la media 5. El desarrollo de una tabla de perdida condicional es un trabajo tedioso cuando existen muchas acciones y resultados posibles, debido a que la perdida resultante de cada pareja accin/resultado debe incluirse en la tabla

6. El valor esperado de un experimento se obtiene calculando el valor promedio aritmtico de todos los resultados del experimento 7. El rea bajo la curva de una distribucin normal entre la media y un punto situado a 1.8 desviaciones estndar por arriba de la media es mayor para una distribucin que tiene una media de 100 que para una distribucin que tiene una media de 0 8. La distribucin normal puede utilizarse para aproximar la distribucin binomial cuando el numero de ensayos, n, es mayor o igual a 60 9. Si el numero esperado de llegadas a una oficina se calcula como cinco por hora, uno puede tener una confianza razonable de que cinco personas llegaran en la siguiente hora 10..La distribucin binomial no es realmente necesaria, pues sus valores se pueden aproximar siempre por otra distribucin

11. Los dos tipos de perdidas que analizamos al resolver un problema de almacenamiento de inventario son a)perdidas de oportunidad y b)perdidas de actividad 12.Cuando la probabilidad de xito en un proceso de Bernoulli es de 50% (p=0.5), su distribucin binomial es simtrica 13.Una distribucin de frecuencias da una lista de las frecuencias observadas para un experimento que ya se ha llevado a cabo; una distribucin de probabilidad da una lista de aquellos resultados que podran presentarse si el experimento se llevara a cabo. 14.El valor que una variable aleatoria puede tomar por lo general se puede predecir con respecto a una presentacin particular 15.Una vez que el valor de p ya se ha determinado para un proceso de Bernoulli, el valor de q se calcula como (1-p)

16.Cualquier accin que minimice la perdida esperada, minimizar tambin la ganancia esperada 17.Despus de 20 ensayos de un experimento, se crea una curva de distribucin con su forma definitiva 18.Un ejemplo de una perdida de oportunidad podra se la perdida de ventas debido a un exceso de madurez en la fruta de una tienda de abarrotes 19. .Una distribucin en la que la media y la mediana tienen diferentes valores nunca podr ser una distribucin normal 20. .La media de una distribucin binomial esta dada por np