DISTRIBUCIONES DE PROBABILIDAD

DISTRIBUCIONES DE
PROBABILIDAD

Definicin

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:

1. Variable aleatoria discreta (x). Porque solo puede tomar valores
enteros y un nmero finito de ellos. Por ejemplo:
xVariable 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)
a) 0p(x
i
)s1 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.

b) Ep(x
i
) = 1 La sumatoria de las probabilidades asociadas a
cada uno de los valores que toma x debe ser igual a 1.
VARIABLES ALEATORIAS
Ejemplo para variable aleatoria discreta
Tenemos una moneda que al lanzarla puede dar slo dos
resulatdos: o cara (50%), o cruz (50%).
La siguiente tabla nos muestra los posibles resultados de
lanzar dos veces una moneda:
PRIMER
LANZAMIENTO
SEGUNDO
LANZAMIENTO
NUMERO DE
CARAS EN 2
LANZAMIENTOS
PROBABILIDAD
DE LOS 4
RESULTADOS
POSIBLES
CARA CARA 2 .5 X .5 = .25
CARA CRUZ 1 .5 X .5 = .25
CRUZ CARA 1 .5 X .5 = .25
CRUZ CRUZ 0 .5 X .5 = .25
Ejemplo para variable aleatoria discreta
Al realizar la tabla de distribucin del nmero posible de
caras que se obtiene al lanzar una moneda dos veces,
obtenemos:
NMERO DE
CARAS
LANZAMIENTOS
PROBABILIDAD DE ESTE RESULTADO
P(CARA)
0 (CRUZ, CRUZ) 0.25
1
(CARA,CRUZ)
+
(CRUZ, CARA)
0.50
2 (CARA, CARA) 0.25
NOTA:
ESTA TABLA NO REPRESENTA EL RESULTADO REAL DE LANZAR UNA MONEDA DOS VECES
SINO LA DEL RESULTADO TERICO, ES DECIR REPRESENTA LA FORMA EN QUE ESPERAMOS
SE COMPORTE NUESTRO EXPERIMENTO DE LANZAR DOS VECES UNA MONEDA
VARIABLES ALEATORIAS
Distribuciones de variable discreta

Las distribuciones de variable discreta ms importantes son
las siguientes:
Distribucin binomial
Distribucin binomial negativa
Distribucin Poisson
Distribucin geomtrica
Distribucin hipergeomtrica
Distribucin de Bernoulli
Distribucin Rademacher. que toma el valor 1 con
probabilidad y el valor -1 con probabilidad .
Distribucin uniforme discreta, donde todos los elementos
de un conjunto finito son equiprobables.

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, o su contrario A, 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. Si llamamos p a la
probabilidad de A, p(A) = P, entonces p(A)= 1 p = q
En cada experimento se realizan n pruebas idnticas.
DISTRIBUCION BINOMIAL
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 n ensayos Bernoulli con probabilidad de xito p y
de fracaso q, entonces la distribucin de probabilidad que la modela es la
distribucin de probabilidad binomial y su regla de correspondencia es:




Como el clculo de estas probabilidades puede resultar algo tedioso se
han construido tablas para algunos valores de n y p que nos facilitan el
trabajo (Ver las tablas de la funcin de probabilidad Binomial).
P(X=x) =
n!
x!(n x)!
p
X
q
n - X
DISTRIBUCION BINOMIAL
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.

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 m
2

- # de aviones que aterrizan en un aeropuerto por da, hora, minuto, etc.
- # de bacterias por cm
2
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.
DISTRIBUCION DE POISSON
Para determinar la probabilidad de que ocurran x xitos por unidad de
tiempo, rea, o producto, la frmula a utilizar sera:




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.
DISTRIBUCION DE POISSON
P(X, ) =

x
e
-
X!

DISTRIBUCION DE POISSON COMO UNA
APROXIMACION DE LA DISTRIBUCION BINOMIAL
El uso de una distribucin para aproximar a otra es una prctica bastante comn
en probabilidad y estadstica. La idea consiste en buscar situaciones en las que
la distribucin (como la de Poisson) cuyas probabilidades son relativamente
fciles para calcular, tiene valores que s encuentran razonablemente cercanos a
las de otra distribucin (como la binomial) cuyas probabilidades implican
clculos ms complicados. Se sacrifica un poco de precisin a favor de una
simplificacin de los clculos.

La regla que se utiliza para utilizar la distribucin de Poisson como una buena
aproximacin de la distribucin binomial es:

* si n 20 y p 0.05

En los casos que se cumplen estas condiciones, podemos sustituir la media de
la distribucin binomial (np) en lugar de la media de la distribucin de Poisson
(), de modo que la frmula queda:

P(x) =
(np)
x
e
-np
x!

DISTRIBUCION DE POISSON COMO UNA
APROXIMACION DE LA DISTRIBUCION BINOMIAL
Por ejemplo:
Digamos que tenemos un hospital con 20 aparatos de dilisis de rin y que la
probabilidad de que cualquiera de ellos no funcione bien durante un da
cualquiera es de 0.02 Cul es la probabilidad de que exactamente tres
mquinas estn fuera de servicio en el mismo da?

n = 20; p(x) = 0.02 y x=3 utilizando la distribucin de Poisson como
aproximacin de la distribucin binomial tenemos:
P(X=x) =
n!
x!(n x)!
p
X
q
n - X
P(x) =
(np)
x
e
-np
x!

* Calculando por distribucin binomial tenemos:
P(3) =
20!
3!(20 3)!
0.02
3
(0.98)
20 - 3
= 0.00645
Observacin: la diferencia entre las dos distribuciones de probabilidad es pequea (slo de
aproximadamente el 10.85% de error para este ejemplo)
P(3) =
(20)(0.02)
3
e
-20(0.02)
3!

= 0.00715
}

=1 dx ) x ( f
Variable aleatoria continua (x)
Es llamada a si porque puede tomar tanto valores enteros como
fraccionarios y un nmero infinito de ellos dentro de un mismo
intervalo. Por ejemplo:

xVariable 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, , )

PROPIEDADES DE UNA VARIABLE ALEATORIA DISCRETA (X)

p(x)>0 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.
Distribuciones de variable continua
Las distribuciones de variable continua ms importantes son
las siguientes:
Distribucin ji cuadrado
Distribucin exponencial
Distribucin t de Student
Distribucin normal
Distribucin Gamma
Distribucin Beta
Distribucin F
Distribucin uniforme (continua)
Distribucin de Weibull
Distribucin de Pareto

La distribucin normal es tambin un caso particular de probabilidad de
variable aleatoria contina, 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:



que determina la curva en forma de campana que tan bien conocemos



DISTRIBUCION NORMAL
f(x) =
1

2

e

(x - )
2
2
2
-

x

-
dx
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.

DISTRIBUCION NORMAL
DISTRIBUCION NORMAL
Propiedad:
No importa cules sean los valores de y 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:

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

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

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

Ver grficas en la siguiente pgina
Relacin entre el rea bajo la curva de
distribucin normal de probabilidad y la
distancia a la media medida en
desviaciones estndar.
DISTRIBUCION NORMAL
Estas grficas muestran tres formas
diferentes de medir el rea bajo la curva
normal. Sin embargo, muy pocas de las
aplicaciones que haremos de la
distribucin normal de probabilidad
implican intervalos de exactamente (ms o
menos) 1, 2 3 desviaciones estndar a
partir de la media. Para estos casos
existen tablas estadsticas que indican
porciones del rea bajo la curva normal
que estn contenidas dentro de cualquier
nmero de desviaciones estndar (ms o
menos) a partir de la media.
Afortunadamente tambin podemos utilizar
una distribucin de probabilidad normal
estndar para encontrar reas bajo
cualquier curva normal. Con esta tabla
podemos determinar el rea o la
probabilidad de que la variable aleatoria
distribuida normalmente est dentro de
ciertas distancias a partir de la media.
Estas distancias estn definidas en
trminos de desviaciones estndar.
DISTRIBUCION NORMAL
Uso de la tabla de distribucin de probabilidad normal estndar
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.
= 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)
DISTRIBUCION NORMAL
Z =
x -

Distribucin normal que ilustra la comparacin
de los valores de z y las desviaciones estndar.
DISTRIBUCION NORMAL / EJEMPLO
Ejemplo 1:
Hay un programa de entrenamiento diseado para mejorar la calidad de las
habilidades de supervisin de los supervisores de la lnea de produccin. Debido
a que el programa es autoadministrado, los supervisores requieren un nmero
diferente de horas para terminarlo. 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. Cul es la probabilidad de que un candidato elegido al azar
requiera ms de 500 horas para completar el programa de entrenamiento?
De la grfica podemos observar que
la mitad del rea bajo la curva est
localizada a ambos lados de la media
de 500 horas. Por tanto, podemos
deducir que la probabilidad de que
la variable aleatoria tome un valor
mayor a 500 es el rea sombreada,
es decir, 0.5
Para esta presentacin aprendimos la aplicacin y manejo de las Distribuciones de Probabilidades
ms comunes, la Binomial, la de Poisson y finalmente la distribucin Normal.
Se investig adems de la utilizacin y funcionamiento del Minitab 15 el razonamiento, clculo manual
y por tablas como el mtodo original como se realizaba, antes de que el Minitab existiera como tal.
Deseamos compartir esta compilacin de informacin con alguien ms que al igual que nosotros
tuvimos la necesidad de investigar y realizar un trabajo de este tipo. Anlisis y estudios que nos han
abierto la mente as como nuestras habilidades para desempearnos con mayor eficiencia en nuestras
funciones laborales y personales.
Gracias por tomarse el tiempo de revisar nuestras aportaciones.
CONCLUSIONES
BIBLIOGRAFIA
Estadstica para Administradores. Sexta Edicin. Richard I. Levin & David S. Rubin. Editorial Prentice
Hall. Captulo 5 Probabilidad II: Distribuciones, pp.232 264

GE Lighting - AEA. Curso para Green Belts, Iniciativa Sies Sigma Semana #1. Abril 1997.

Minitab 15 (versin de prueba obtenida de www.minitab.com).

MeetMinitabEs.pdf (obtenido de www.minitab.com)

Distribucin de Probabilidades (informacin tomada de www.monografias.com,
http://www.monografias.com/trabajos29/distribucion-probabilidades/distribucion-probabilidades.shtml)

Distribucin Binomial (informacin tomada de www.wikipedia.com,
http://es.wikipedia.org/wiki/Distribuci%C3%B3n_binomial)

Distribucin Normal (informacin tomada de www.wikipedia.com,
http://es.wikipedia.org/wiki/Distribuci%C3%B3n_normal

Distribucin de Poisson
(http://www.itchihuahua.edu.mx/academic/industrial/sabaticorita/_private/05Distr%20Poisson.htm)