ESCUELA GESTIN EMPRESARIAL

MARIA CHICA

ESTADISTICA INFERENCIAL II

TEMA: PROBABIIDADES

NOCTURNO

10 01- 2013

PROBABILIDAD
1. QU ES UNA PROBABILIDAD?

La probabilidad es algo indefinible, pero utilizado para expresar, de algn modo, un grado de creencias que uno tiene de la ocurrencia de un suceso; nos referimos a algo que puede suceder con base en la experiencia que se tenga. Con frecuencia observamos o escuchamos el estado del tiempo, o sea los pronsticos meteorolgicos sobre la posibilidad de buen tiempo o la presencia lluvias fuertes o ligeras, etc.; los hinchas de los diferentes equipos de futbol discuten frecuentemente sobre la posibilidad de ganar el campeonato; el mismo alumno, cuando se refiere a la posibilidad que tiene de ganar o de perder una asignatura; todos ellos son pronsticos que hacemos con esperanza de que sucedan. 2. CULES SON LAS OPERACIONES ENTRE PROBABILIDADES? Se puede hablar de Posibilidades y de Probabilidades, el primero hace referencia a la comparacin entre el nmero de resultados favorables con los desfavorables cuociente entre el nmero favorable sobre el total de casos posibles: P= . En el segundo caso es el .

Mtodo axiomtico.- El cual concibe la probabilidad de ocurrencia de un suceso, como un nmero comprendido entre 0 y 1. Este concepto tiene que ver directamente con la nocin de frecuencia relativa, donde 0< h, < 1. Supongamos que se lanza 100 veces una moneda, anotamos el nmero de veces que sale cara y las veces que sale sello; los resultados fueron los siguientes: Frecuencia absoluta: Frecuencia relativa: Probabilidad: cara 56 veces 56/100 p=56%(xito) sello 44 veces 44/100 p=44%(fracaso)

La probabilidad igual a 1 corresponde al lmite superior, el cual se considera como la certeza absoluta; por ejemplo, la probabilidad de que algn da moriremos, esto es un hecho que tiene que cumplirse. Para el otro extremo igual a 0, consideraremos por ejemplo, que se atravesar el Ocano Atlntico a nado, lo cual es imposible, as que la probabilidad ser 0; se habla de imposibilidad absoluta. Se llama suceso a cada caso posible. Es decir, q la realizacin de un acontecimiento y este puede ser: Se dira que un hecho es cierto, cuando son favorables todos los casos posibles. Un jemplo podra ser, el de comprar todos los billetes de un sorteo, por lo tanto ser un hecho cierto que ganara el sorteo.

Llamaremos un hecho verosmil a un suceso susceptible de realizarse, pero su probabilidad favorable es menor que la unidad y mayor que 0,5. Si la probabilidad es igual a 0,5 sera un hecho dudoso, ya que las probabilidades ventajosas y desventajosas son iguales. Tal es el caso del lanzamiento de una moneda, en la aparicin de cara y sello.

Hecho inverosmil, se presenta cuando la probabilidad es menor que 0,5 y mayor que cero. Hecho imposible, es cuando no existe posibilidad alguna de salir favorecido; por ejemplo el individuo que no compra lotera, la probabilidad que tienen de ganar cera cero.

Mtodo emprico o prctico. Considera la probabilidad de un suceso, como aquel numero al cual aproxima cada vez ms la frecuencia relativa de la ocurrencia de un suceso, cuando las veces que se repita el experimento que se origina ese suceso es lo bastante grande. Este concepto tiene que ver con el experimiento de Quetelet. Probabilidad emprica, se determina mediante una serie de experimentos, es el caso, de determinar la probabilidad de xito de una operacin quirrgica practicada por determinado mdico, ser: P=

Mtodo clsico. Considera la probabilidad como el cuociente de dividir el nmero de casos favorables o xitos que pueden ocurrir en una prueba, por el total de casos posibles y que anteriormente lo definamos como emprico. P=

Probabilidad a priori. Es aquella que se puede determinar de antemano, sin necesidad de realizar el experimento. Ejemplo: la probabilidad de que aparezca cara en el lanzamiento de una moneda, se debe de antemano que es igual a 0,5. Probabilidad objetiva y subjetiva. Las probabilidades obtenidas mediante el mtodo emprico y mtodo clsico, ya que se toma de la experiencia, es decir, de las repeticiones del hecho. Tambin existen las llamadas probabilidades subjetivas correspondientes a una evaluacin muy personal de la ocurrencia del suceso por ejemplo perder la seleccin de futbol en el prximo partido?, la persona fijara la probabilidad correspondiente dependiendo de su criterio personal.

Probabilidad con base en las frecuencias relativas. Consiste en una observacin que nos determina en que momento ocurrieron eventos semejantes en el pasado, que permitan establecer la probabilidad de que vuelva a ocurrir en el futuro. Probabilidad de ocurrencia=

3. TIPOS DE DISTRIBUCIONES PROBABILISTICAS Distribucin de probabilidad. Son todos los posibles valores que resultan de un experimento aleatorio, junto con la probabilidad asociada a cada valor. VARIABLE ALEATORIA DISCRETA Se considera as, cuando los valores que asume se puedan contar, y si estos pueden organizarse en una secuencia al igual que los nmeros enteros positivos. Solo pueden asumir el nmero finito de valores. DISTRIBUCION BINOMIAL Algunos la denominan como mtodo exacto. Se puede considerar que si durante repetidos ensayos, siendo p la probabilidad de xito en un solo ensayo, la cual debe permanecer fija, y q la probabilidad de fracaso, entonces la probabilidad P de que se obtenga x xitos en n ensayos, es el termino de desarrollo binomial de para cada trmino es: = n = Nmero de ensayos x = Nmero de xitos p = probabilidad de xito en cada ensayo q = probabilidad de fracaso en cada ensayo . La frmula general

Los criterios que debe satisfacer una experiencia binomial son: a. Debe existir un nmero fijo de pruebas repetidas (n) b. Cada una de las n pruebas debe tener dos resultados, favorables o desfavorables. En el caso de la moneda ser: cara o sello, por lo tanto son mutuamente excluyentes. c. La probabilidad de xito de un acontecimiento es fijo, algo similar sucede con la probabilidad de fracaso.

d. Las pruebas son independientes, ya que el resultado de un ensayo, no afecta el resultado de otro. e. Nos interesa el nmero de xitos en n pruebas.
EJEMPLO: Supongamos el lanzamiento de 12 monedas o una moneda lanzada 12 veces. Cul es la probabilidad de obtener exactamente 4 caras.

Exactamente 4 caras p= q=1- = n= 12 X= 4 xitos ( )

( [ [ [

)( ) ( ) ][ ][ ] ][ ( ) ] ][ ]

DISTRIBUCIN PROBABILSTICA DE POISSON En una distribucin binomial cuando n es grande, por lo general mayor de cincuenta, y p, la probabilidad de xito de un suceso, se acerca a cero, mientras que q la probabilidad de fracaso se aproxima a 1, de tal manera que el producto np, simbolizado por lambda , sea menor o igual a 5, debe utilizarse la distribucin de Poisson. Algunos autores consideran no solo el hecho de que p sea muy pequea, sino tambin cuando p es tan grande que se aproxima a 1, y 5, en ambos casos, se puede aplicar esta distribucin. Su frmula es:

e = 2,71828 (base de los logaritmos ) = np X = nmero de casos favorables. = probabilidades que se va a calcular para un valor dado de x La distribucin de Poisson tiene su mayor aplicacin, cuando en el experimento que se realiza ocurren sucesos llamados raros, los cuales se identifican con una probabilidad de xito sumamente pequea (p) y el nmero de observaciones (n) grande; pero la verdad es que esta distribucin se aplica a una variedad de situaciones diferentes, como las ocurrencias respecto a un campo continuo, como rea o tiempo. Son ejemplos para la aplicacin de la distribucin de Poisson: el nmero de personas que llegan a un almacn, banco o aeropuerto en un tiempo determinado; el nmero de llamadas telefnicas por minuto; el nmero de defectos en piezas similares en el material. Ya sea por centmetro cuadrado o centmetro lineal; nmeros de bacterias en un cultivo; insectos por kilmetros cuadrado; el nmero de fallas de una maquina durante una hora o un da; el nmero de accidentes por das; el nmero de solicitudes a una compaa de seguros en un determinado periodo, etc. EJEMPLO: Si el 1% de las bombillas fabricadas por una compaa son defectuosas, hallar la probabilidad de que, en una muestra de 100 bombillas, 3 sean defectuosas. = 100(0,01) = 1 x= 3

= 0,06131 = 6,13% DISTRIBUCION HIPERGEOMTRICA

La distribucin Hipergeomtrica est asociada, generalmente, con un proceso de muestreo sin reposicin en una poblacin finita. Las caractersticas o condiciones que debe reunir una distribucin hipergeomtrica, son: a) La informacin de la muestra se toma sin reposicin de una poblacin finita. b) La probabilidad de xito no es constante, cambia para cada observacin. c) El resultado de una prueba es dependiente de la prueba anterior, siempre se ver afectado por el resultado de observaciones previas. d) El tamao de la muestra (n) debe ser superior en un 5% con respecto al tamao poblacin N. e) Se relaciona con situaciones que tenga que ver con dos o ms resultados. f) La distribucin es adecuada, cuando el tamao de la poblacin es pequea. Esta condicin limita su aplicacin. La frmula que se debe emplear es: ( )( ( ) N = Tamao de la poblacin A = Nmero de xitos en la poblacin n = Tamao de la muestra x = Nmero de xitos en la muestra Es necesario tener en cuenta que x no puede exceder a A ni a n. Recordemos que: ( ) ( ) )

EJEMPLO: Un colegio tiene a su disposicin para el transporte de sus estudiantes 10 buses. Por informacin llegada a las directivas del plantel se sabe que 4 no se encuentran en ptimas condiciones. Si se selecciona una muestra de 5 buses, a) Cul es la probabilidad de que dos de ellos no se encuentren en ptimas condiciones? b) Qu dos de ellos se encuentren en perfectas condicione? a)

N=10

A=4

n=5

x=2

( )( ( )

( )( ) ( )

b) N=10 A=6 n=5 x=2

( )( ( )

( )( ) ( )

VARIABLE ALEATORIA CONTINUA Se da, cuando puede asumir cualquier valor dentro de un intervalo o en una unin de intervalos. Como ejemplo se podra considerar cualquier resultado de medicin del ancho, longitud de una cosa, as como el tiempo en la realizacin de una tarea; en estos casos las variables admiten fracciones. DISTRIBUCION NORMAL Se extiende sobre un campo de variabilidad infinito y est dada por la funcin. Y=

N = Nmero de datos = Desviacin estndar de la distribucin binomial = e = Base de los logaritmos naturales = 2,71828 = 3,1415926535 = Media de la distribucin binomial = np Caractersticas de la distribucin normal: Simtrica Es asinttica El rea bajo la curva , es aproximadamente del 100% La media, se localiza en el centro de la campana. Se puede aplicar en los ejercicios de distribucin Binomial, siendo su resultado aproximado. Se le suele denominar: Gaussiana, Laplaciana, Distribucin de Laplace Gauss o de Gauss Laplace o bien la segunda ley de Laplace. Todo ejercicio planteado como Binomial, es especial cuando (n), el nmero de experimentos realizados es grande, se debe resolver mediante la distribucin Normal. Este procedimiento permite facilitar y agilizar las operaciones, cuyo resultado no ser exacto (mtodo binomial) sino un valor bastante aproximado, razn por la cual algunos lo identifican como mtodo aproximado. EJEMPLO: Un profesor manifiesta que el promedio que los estudiantes obtienen en su asignatura es de 3,9, con una desviacin tpica 0,35. Cul es la probabilidad que uno de sus alumnos obtenga una calificacin superior a 4,4? = 3,9 = 0,35

Z= Z= Z = 1,43 A(0,4263)

0,5000 0,4263 = 0,0737 = 7,37%

= 7,37%
0,5000

7,37% 0,4263

3,9 BIBLIOGRAFA

4,4

x z

CIRO MARTNEZ BENCARDINO (2005). Estadstica y Muestreo, dcima edicin. Ecoe Emisiones.