Distribuciones de Probabilidad

Una distribucin de probabilidad indica toda la gama de valores que pueden representarse como resultado de un experimento si ste se llevase a cabo. Es decir, describe la probabilidad de que un evento se realice en el futuro, constituye una herramienta fundamental para la prospectiva, puesto que se puede disear un escenario de acontecimientos futuros considerando las tendencias actuales de diversos fenmenos naturales. Toda distribucin de probabilidad es generada por una variable (porque puede tomar diferentes valores) aleatoria x (porque el valor tomado es totalmente al azar), y puede ser de dos tipos:

VARIABLE ALEATORIA DISCRETA (x).

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).

PROPIEDADES DE UNA VARIABLE ALEATORIA DISCRETA (X)

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.

VARIABLE ALEATORIA CONTINUA (x).

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)

PROPIEDADES DE UNA VARIABLE ALEATORIA DISCRETA (X)

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.

DISTRIBUCIN BINOMIAL
La distribucin Binomial es un caso particular de probabilidad de variable aleatoria discreta, y por sus aplicaciones, es posiblemente la ms importante. Esta distribucin corresponde a la realizacin de un experimento aleatorio que cumple con las siguientes condiciones: * Al realizar el experimento slo son posible dos resultados: el suceso A, llamado xito, y el suceso B , llamado fracaso. * Al repetir el experimento, el resultado obtenido es independiente de los resultados obtenidos anteriormente. * La probabilidad del suceso A es constante, es decir, no vara de una prueba del experimento a otra. * En cada experimento se realizan pruebas idnticas. Todo experimento que tenga estas caractersticas se dice que sigue el modelo de la distribucin Binomial o distribucin de Bernoulli. En general, si se tienen ensayos Bernoulli con probabilidad de xito y de fracasoq, entonces la distribucin de probabilidad que la modela es la distribucin de probabilidad binomial y su regla de correspondencia es: p q
-

Donde: P(X)= es la probabilidad de ocurrencia del evento p = es la probabilidad de xito del evento (en un intento) q = es la probabilidad de fracaso del evento (en un intento) (se define como q = 1 p ) X = ocurrencia del evento o xitos deseados = nmero de intentos

DISTRIBUCIN DE POISSON

La distribucin de POISSON es tambin un caso particular de probabilidad de variable aleatoria discreta, el cual debe su nombre a Simon Denis Poisson (1781-1840), un

francs que la desarroll a partir de los estudios que realiz durante la ltima etapa de su vida. Es til cuando tratamos con cantidades de ocurrencia de un evento a lo largo de un intervalo de tiempo o espacio especificado. Esta distribucin se utiliza para describir ciertos procesos.

Caractersticas:
En este tipo de experimentos los xitos buscados son expresados por unidad de rea, tiempo, pieza, etc: - # de defectos de una tela por m2 - # de aviones que aterrizan en un aeropuerto por da, hora, minuto, etc. - # de bacterias por cm2 de cultivo - # de llamadas telefnicas a un conmutador por hora, minuto, etc, etc. - # de llegadas de embarcaciones a un puerto por da, mes, etc, etc. Para determinar la probabilidad de que ocurran x xitos por unidad de tiempo, rea, o producto, la frmula a utilizar sera: e

donde: p(X) = probabilidad de que ocurran x xitos, cuando el nmero promedio de ocurrencia de ellos es / /= media o promedio de xitos por unidad de tiempo, rea o producto e = 2.718 (base de logaritmo neperiano o natural) X = variable que nos denota el nmero de xitos que se desea que ocurra 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.

DISTRIBUCIN NORMAL

La distribucin normal es tambin un caso particular de probabilidad de variable aleatoria contnua, fue reconocida por primera vez por el francs Abraham de Moivre (1667-1754). Posteriormente, Carl Friedrich Gauss (1777-1855) elabor desarrollos ms profundos y formul la ecuacin de la curva; de ah que tambin se le conozca, ms comnmente, como la "campana de Gauss". La distribucin de una variable normal est completamente determinada por dos parmetros, su media () y su desviacin estndar ( ;). Con esta notacin, la densidad de la normal viene dada por la ecuacin: 2 1 f e 2 2 d 2 que determina la curva en forma de campana que tan bien conocemos.

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 &#963; 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:

Aproximadamente el 68% de todos los valores de una poblacin normalmente distribuida se encuentra dentro de 1 desviacin estndar de la media. Aproximadamente el 95.5% de todos los valores de una poblacin normalmente distribuida se encuentra dentro de 2 desviaciones estndar de la media. Aproximadamente el 99.7% de todos los valores de una poblacin normalmente distribuida se encuentra dentro de 3 desviaciones estndar de la media.

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. = 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 T STUDENT
En probabilidad y estadstica, la distribucin-t o distribucin t de Student es una distribucin de probabilidad que surge del problema de estimar la media de una poblacin normalmente distribuida cuando el tamao de la muestra es pequeo. A la teora de pequeas muestras tambin se le llama teora exacta del muestreo, ya que tambin la podemos utilizar con muestras aleatorias de tamao grande. Veremos un nuevo concepto necesario para poder entender la distribucin t Student. Este concepto es " grados de libertad ". Para definir grados de libertad se har referencia a la varianza maestral: 2 1 s2 1 Esta frmula est basada en n-1 grados de libertad. Esta terminologa resulta del hecho de que si bien s 2 est basada en n cantidades

1 , 2 ,... n , stas suman cero, as que especificar los valores de cualquier n-1 de las cantidades determina el valor restante. or ejemplo, s n=4 y 1 = 8 ; 2 = 6 y 4 = 4 entonces automt camente tenemos 3 = 2, as que slo tres de las cuatro med das de estn l bremente determinadas, la otra debe tomar el valor que haga esta suma cero; es por esto que solo tenemos 3 grados de libertad. grados de libertad=nmero de mediciones-1

Propiedades de las distribuciones t

1. Cada curva t tiene forma de campana con centro en 0. 2. Cada curva t, est ms dispersa que la curva normal estndar. 3. A medida que k aumenta, la dispersin de la curva t correspondiente disminuye. 4. A med da que k , la secuenc a de curvas t se apro ma a la curva normal estndar La distribucin de probabilidad de t se public por primera vez en 1908 en un artculo de W. S. Gosset. En esa poca, Gosset era empleado de una cervecera irlandesa que desaprobaba la publicacin de investigaciones de sus empleados. Para evadir esta prohibicin, public su trabajo en secreto bajo el nombre de "Student". En consecuencia, la distribucin t normalmente se llama distribucin t de Student, o simplemente distribucin t

EJEMPLOS
Variable aleatoria discreta:
1-

Primer lanzamiento Cara Cara Cruz Cruz

Segundo lanzamiento Cara Cruz Cara Cruz

Nmero de caras en 2 lanzamientos 2 1 1 0

Probabilidad de los 4 resultados posibles 0.5*0.5 =0.25 0.5*0.5 =0.25 0.5*0.5 =0.25 0.5*0.5 =0.25

Al realizar la tabla de distribucin del nmero posible de caras que se obtiene al lanzar una

moneda dos veces, obtenemos:

Nmero de CARAS 0 1 2

Lanzamientos Cruz, Cruz Cara, Cruz Cruz,Cara Cara, Cara

Probabilidad de este resultdo P(Cara) 0.25 0.50 0.25

2Lanzamos un dado perfecto 240 veces, anotamos el resultado obtenido en la cara superior obteniendo los siguientes resultados:

Cara superior Nmero de veces

1 40

2 39

3 42

4 38

5 42

6 39

La tabla de distribucin de frecuencias muestra los resultados obtenidos

Cara 1 2 3 4 5

Frecuencia absoluta 40 39 42 38 42

Frecuencia relativa 0.1667 0.1625 0.1750 0.1583 1.1750

39 240

0.1625 1

La tabla de distribucin de probabilidad muestra los resultados esperados Cara 1 2 3 4 5 6 Nmero de veces 40 40 40 40 40 40 240 Probabilidad 1/6 1/6 1/6 1/6 1/6 1/6 1

Binominal
1-

Cul es la probabilidad de obtener exactamente 2 caras al lanzar una misma moneda 6 veces ? 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 Al sustituir los valores en la frmula obtenemos:

2La ltima novela de un autor ha tenido un gran xito, hasta el punto de que el 80% de los lectores ya la han ledo. Un grupo de 4 amigos son aficionados a la lectura:

Cul es la probabilidad de que en el grupo hayan leido la novela 2 personas? B(4, 0.2) p = 0.8 q = 0.2

Y cmo mximo 2?

Distribucin de Poisson
1-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%) 2- En la inspeccin de hojalata producida por un proceso electroltico continuo, se identifican 0.2 imperfecciones en promedio por minuto. Determine las probabilidades de identificar a) una imperfeccin en 3 minutos, b) al menos dos imperfecciones en 5 minutos, Solucin: a) x = variable que nos define el nmero 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 nmero de imperfecciones en la hojalata por cada 5 minutos = 0, 1, 2, 3, ...., etc., etc. l = 0.2 x 5 =1 imperfeccin en promedio por cada 5 minutos en la hojalata

=1-(0.367918+0.367918) = 0.26416

Distribucin Normal
1- Partiendo de la misma premisa, = 500 y = 100. Cul es la probabilidad de que un candidato elegido al azar se tome entre 500 y 650 horas en completar el programa de entrenamiento?

650-500 100

z= 1.5 desviacin estndar

2- En una ciudad se estima que la temperatura mxima en el mes de junio sigue una distribucin normal, con media 23 y desviacin tpica 5. Calcular el nmero de das del mes en los que se espera alcanzar mximas entre 21 y 27 p [21 27] 21 23 p( 5 27 23 ) 5

p(-0.4 z -[ =0.7881-(1-0.6554) = 0.4425*30=13

Distribucin Student
1- Se desea saber si un instrumento de medicin cualquiera est calibrado, desde el punto de vista de la exactitud. Para ello se consigue un valor patrn y se lo mide 10 veces (por ejemplo: una pesa patrn para una balanza, un suero control para un mtodo clnico, etc.). Suponiendo que el resultado de estas mediciones arroja una media de 52,9 y una desviacin de 3, usando un patrn de valor 50, se debe determinar si el instrumento est calibrado y la estimacin de su error sistemtico, si es que se prueba su existencia (no se usan unidades para generalizar este ejemplo). H 0 : = 50 el nstrumento est cal brado en e act tud H 1 : 50 no est cal brado. Hay un error s stemt co

Se trata de un ensayo de dos colas donde hay k=101=9 grados de libertad. De la Tabla t-Student se obtienen los valores crticos para el 95% de t 0,05,9 =2,262, para el 99% de t 0,01,9 =3,25 y para un nivel del 99,9% es t 0,001,9 =4,781. Lo que permite establecer las zonas de aceptacin y rechazo: t 52 9 50 3 10 3