Академический Документы
Профессиональный Документы
Культура Документы
LA SELVA
DISTRIBUCIONES DE PROBABILIDAD
SEMESTRE : 2015 II
Porque solo puede tomar valores enteros y un nmero finito de ellos. Por ejemplo:
X Variable que nos define el nmero de alumnos aprobados en la materia de
probabilidad en un grupo de 40 alumnos (1, 2 ,3 los 40).
p(xi)<1 Las probabilidades asociadas a cada uno de los valores que toma x deben ser
mayores o iguales a cero y menores o iguales a 1.
E p(xi) = 1 La sumatoria de las probabilidades asociadas a cada uno de los valores que
toma x debe ser igual a 1.
EJEMPLO
Para variable aleatoria discreta
Tenemos una moneda que al lanzarla puede dar slo dos resultados: o cara (50%), o
cruz (50%).
La siguiente tabla nos muestra los posibles resultados de lanzar dos veces una moneda:
Al realizar la tabla de distribucin del nmero posible de caras que se obtiene al lanzar
una moneda dos veces, obtenemos:
Porque puede tomar tanto valores enteros como fraccionarios y un nmero infinito de
ellos dentro de un mismo intervalo. Por ejemplo:
x es la Variable que nos define la concentracin en gramos de plata de algunas
muestras de mineral (14.8 gr, 12.1, 10.0, 42.3, 15.0, 18.4, 19.0, 21.0, 20.8, , n)
p(x) Las probabilidades asociadas a cada uno de los valores que toma x deben ser
mayores o iguales a cero. Dicho de otra forma, la funcin de densidad de probabilidad
deber tomar solo valores mayores o iguales a cero.
El rea definida bajo la funcin de densidad de probabilidad deber ser de 1.
E(x) = = E xf (x)
VARIANZA
Varianza = E ( x - ) f ( x)
1. DISTRIBUCION DE BERNOULLI
Para comprender el proceso de Bernoulli pensemos, por ejemplo, en
situaciones en las que slo hay dos posibles resultados mutuamente
excluyentes (verdadero/falso, en un test; defectuoso/no defectuoso, en los
artculos que salen de una fbrica; aprobado/suspendido, en los resultados
de un examen, etc....). Decimos que son mutuamente excluyentes porque
no pueden darse simultneamente (un examen no puede estar aprobado y
suspendido al mismo tiempo; una respuesta no puede ser simultneamente
verdadera o falsa, etc...). Una manera comn de designar estos dos
resultados es como xito (E) o Fracaso (F).
Una segunda caracterstica de los fenmenos que siguen el denominado
Proceso de Bernoulli es que las pruebas de las que se obtienen los xitos o
los fracasos son independiente. As, el hecho de que un artculo salga
defectuoso en una lnea de produccin no tiene que ver con el resultado
obtenido en el siguiente artculo que examinamos.
Por ltimo, una tercera caracterstica de este Proceso es que las
probabilidades de xito o Fracaso son constantes.
Los fenmenos que en la vida real cumplen estas tres caractersticas pueden
ser considerados como Procesos de Bernoulli.
Llamemos p a la probabilidad de xito: P(E) = p
y llamemos q a la probabilidad de fracaso: P(F) = q
Definamos ahora una variable aleatoria, tal que
xi = 1 si el resultado es xito
xi = 0 si el resultado es fracaso.
Entonces
P(E) = P(X=1) = p
P(F) = P(X=0) = q
Tal como hemos definido las probabilidades es fcil concluir que
q = 1-p
Calculemos ahora la media de esa variable aleatoria:
2. DISTRIBUCIN BINOMIAL
Donde:
P(X)= Probabilidad de que ocurra el evento
p = (0.5)
q = (se define como q = 1 p ) (0.5)
X=2
n=6
3. DISTRIBUCIN DE POISSON
Para determinar la probabilidad de que ocurran x xitos por unidad de tiempo, rea, o
producto, la frmula a utilizar sera:
donde:
Hay que hacer notar que en esta distribucin el nmero de xitos que ocurren por
unidad de tiempo, rea o producto es totalmente al azar y que cada intervalo de tiempo
es independiente de otro intervalo dado, as como cada rea es independiente de otra
rea dada y cada producto es independiente de otro producto dado.
EJEMPLO
Si un banco recibe en promedio 6 cheques sin fondo por da, cules son las
probabilidades de que reciba, a) cuatro cheques sin fondo en un da dado, b) 10
cheques sin fondos en cualquiera de dos das consecutivos? (e= 2.718281828)
Resolviendo para :
a) x = 4; / = 6 cheques sin fondo por da
Comprobando (sustituyendo en la frmula):
Por lo tanto la probabilidad de que el banco reciba cuatro cheques sin fondo en un da
dado es de 0.133853 (13.39%)
Para el ejemplo, inciso a) que estamos viendo: Cul es la probabilidad de que el banco
reciba cuatro cheques sin fondo en un da dado?
Tenemos x = 4; / = 6 cheques sin fondo por da; obteniendo resultado directo de tablas
:
II. PRINCIPALES DISTRIBUCIONES DE VARIABLES ALEATORIAS
CONTINUAS
4. DISTRIBUCIN NORMAL
Existen dos razones bsicas por las cuales la distribucin normal ocupa un lugar tan
prominente en la estadstica:
Tiene algunas propiedades que la hacen aplicable a un gran nmero de situaciones en
la que es necesario hacer inferencias mediante la toma de muestras.
La distribucin normal casi se ajusta a las distribuciones de frecuencias reales
observadas en muchos fenmenos, incluyendo caractersticas humanas, resultados de
procesos fsicos y muchas otras medidas de inters para los administradores, tanto en el
sector pblico como en el privado.
Propiedad:
No importa cules sean los valores de y σ para un distribucin de probabilidad
normal, el rea total bajo la curva siempre es 1, de manera que podemos pensar en
reas bajo la curva como si fueran probabilidades. Matemticamente es verdad que:
Para cualquier distribucin normal de probabilidad, todos los intervalos que contienen
el mismo nmero de desviaciones estndar a partir de la media contendrn la misma
fraccin del rea total bajo la curva para cualquier distribucin de probabilidad normal.
Esto hace que sea posible usar solamente una tabla (Apndice Tabla 1) de la
distribucin de probabilidad normal estndar.
El valor de z est derivado de la frmula:
En la que:
x = valor de la variable aleatoria que nos preocupa.
= media de la distribucin de la variable aleatoria.
σ = desviacin estndar de la distribucin.
z = nmero de desviaciones estndar que hay desde x a la media de la
distribucin. (el uso de z es solamente un cambio de escala de medicin del
eje horizontal)
Distribucin normal que ilustra la comparacin de los valores de z y las desviaciones
estndar
EJEMPLO.
Por lo tanto, la probabilidad de que un candidato escogido al azar requiera entre 500 y
650 horas para terminar el programa de entrenamiento es de 0.4332
PROBLEMAS PROPUESTOS
1. Si X se distribuye como N(20,4), calcular las siguientes probabilidades:
a) P(X < 15).
b) P(4X -5 > 80).
SOLUCION
a) Si X - N(20,4)
b) P(4X - 5 > 80) = P(X > 21.25) = 1 - P(X < 21.25).
Tipificando:
SOLUCION
4. Una tienda vende camisetas de dos marcas distintas (Top y Body). Las ventas de
cada una de estas marcas siguen distribuciones normales con media de 2000
unidades y desviacin tpica de 100 unidades para la marca Top, y 2100 unidades
de media con desviacin tpica de 110 unidades para la marca Body. Al hacer el
pedido para la prxima temporada, el dueo de la tienda quiere conocer la
probabilidad de que las ventas de la marca Body superen en ms de 150 unidades
a las de la marca Top.
SOLUCION
Llamando T ventas de la marca Top: T N(2000, 100^2)
Llamando B ventas de la marca Body: B N(2100, 110^2)
Se pide: P(B - T > 150); llamando B - T = X
5. Si los autobuses con destino a la Universidad salen cada 15 minutos, por
trmino medio, y suponemos que los tiempos entre las salidas de los
distintos autobuses son independientes y siguen una distribucin
exponencial, cul sera la probabilidad de que un estudiante tuviera que
esperar ms de 20 minutos?
SOLUCION
Si T - Exp entonces E(T) = 1/ y = 1/15
Llamamos X20: "nmero de autobuses que llegan en 20 minutos"
X20 - P(1/15*20) = P(4/3)
Tenemos que calcular:
Una distribucin de frecuencia es una tabla de resumen en la que los datos se disponen
en agrupamientos o categoras convenientemente establecidas de clases ordenadas
numricamente.
En esta forma las caractersticas ms importantes de los datos se aproximan muy
fcilmente, compensando as el hecho de que cuando los datos se agrupan de ese modo,
la informacin inicial referente a las observaciones individuales de que antes se dispona
se pierde a travs del proceso de agrupamiento o condensacin.
La principal ventaja de usar una de estas tablas de resumen es que las principales
caractersticas de los datos se hacen evidentes inmediatamente para el lector.
La principal desventaja de tal tabla de resumen es que no podemos saber como se
distribuyen los valores individuales dentro de un intervalo de clase particular sin tener
acceso a los datos originales. El punto medio de la clase, sin embargo, es el valor usado
para representar todos los datos resumidos en un intervalo particular.
El punto medio de una clase (o marca de clase) es el punto a la mitad de los lmites de
cada clase y es representativo de los datos de esa clase.
La probabilidad es la posibilidad u oportunidad de que suceda un evento particular. La
probabilidad involucrada es una porcin o fraccin cuyo valor vara entre cero y uno
exclusivamente. Observamos un evento que no tiene posibilidad de ocurrir (es decir, el
evento nulo), tiene una probabilidad de cero, mientras que un evento que seguramente
ocurrir (es decir, el evento cierto), tiene una probabilidad de uno.
La regla mas evidente para las probabilidades es que deben variar en valor de 0 a 1. Un
evento imposible tiene una probabilidad cero de ocurrir, y un evento cierto tiene una
probabilidad uno de ocurrir. La probabilidad simple se refiere a la probabilidad de
ocurrencia de un evento simple.
Una distribucin de probabilidad para una variable aleatoria discreta es un listado
mutuamente excluyente de todos los resultados posibles para esa variable aleatoria, tal
que una probabilidad particular de ocurrencia est asociada con cada resultado.
BIBLIOGRAFIA