Unidad II

Distribuciones de

Probabilidad

Introduccin Una distribucin de probabilidad indica toda la gama de valores que pueden representarse como resultado de un experimento.

Una distribucin de probabilidad es similar a la distribucin de frecuencias relativas.

Si embargo, en vez de describir el pasado, describe la probabilidad 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.

Las decisiones estadsticas, basadas en la estadstica Inferencial son fundamentales en la investigacin que son evaluadas en trminos de distribucin de probabilidades.
Una distribucin de probabilidad muestra todos los resultados posibles de un experimento y la probabilidad de cada resultado.

Una distribucin de probabilidad se genera a partir de querer pronosticar un suceso probable, ejemplo:

Supongamos que se quiere saber el numero de caras que se obtienen al lanzar cuatro veces una moneda al aire? Los posibles resultados son: cero caras, una cara, dos caras, tres caras y cuatro caras. Si realizamos el experimento obtenemos el siguiente espacio muestral: n = { CCCC, CCCS, CCSC, CCSS, CSCC, CSCS, CSSC, CSSS, SCCC, SCCS, SCSC, SCSS, SSCC, SSCS, SSSC, SSSS }

Ejemplo 2. Existe la posibilidad de que un bit transmitido a travs de un canal de transmisin digital se reciba con error. Sea X igual al numero de bits con error en los cuatro siguientes bits transmitidos. Los valores posibles de X son ( 0, 1, 2, 3, 4 ). Suponga que las probabilidades son:

P (X = 0) = 0.6561 P (X = 1) = 0.2916 P (X = 2) = 0.0486 P (X = 3) = 0.0036 P (X = 4) = 0.0001

La distribucin de probabilidad de X se especifica por los valores posibles junto con la probabilidad de cada uno. Presentamos la distribucin en la siguiente grafica:

La PROBABILIDAD de un evento se puede definir, si estuvisemos hablando de conjuntos finitos, como:

En donde:
N(E) = numero de elementos independientes de E N(S) = numero total de elementos independientes

En algunos casos sencillos es posible conocer fcilmente el nmero total de elementos que conforman cada uno de los conjuntos, sin embargo, esto no es posible para la mayora de los dems casos, por lo que es conveniente recurrir en principio a las tcnicas de conteo para determinar las probabilidades.

Tcnicas de Conteo
Principio Fundamental del Conteo
Si un evento n1 se puede realizar de N1 formas y otro evento se puede realizar de N2 formas, entonces el evento conjunto se puede realizar de N1.N2 formas.

Lo representamos as:

N = N1.N2

El principio fundamental del conteo se puede representar grficamente mediante el llamado diagrama de rbol. Cada trayectoria en el diagrama de rbol representa un posible resultado o forma de realizarse el experimento. Se muestra a continuacin el diagrama de rbol para el caso de N1=4 y N2 = 2, con lo que se obtienen

N1*N2=4*2 = 8 trayectorias formas

Por otra parte el principio fundamental del conteo se puede generalizar a k eventos, esto es, si el evento i puede ocurrir de Ni formas, entonces el evento total conjunto de los k eventos, se puede realizar de N1.N2. NiNk formas. Veamos los siguientes ejemplos: 1. Determine el numero total de combinaciones de un candado formado por tres discos giratorios y cada uno de los cuales puede ser colocado en los nmeros 0,1,2,3,4,5,6,7,8,9.

SOLUCION

De acuerdo a los indicado en el problema cada uno de los discos pude ser colocado en 10 formas, esto es N1=10; N2=10, y N3=10.
Aplicando el principio fundamental del conteo se obtiene:

Si retomamos el ejercicio de arrojar la moneda, vamos a plantearlo de esta forma: Una moneda es arrojada 2 veces consecutivas. Obtenga el espacio muestral del conjunto. El ESPACIO MUESTRAL es el conjunto de todos los resultados posibles de un evento aleatorio probabilstico. Normalmente el espacio muestral se representa por la letra S y en trminos de conjuntos es el equivalente al conjunto universo.

SOLUCION Una moneda tiene dos resultados posibles, guila (A) Sol (S).

Si la moneda es arrojada dos veces, entonces:

N = N1 * N2 = 2*2 = 4 eventos independientes

Cada uno de los eventos individuales se muestran a continuacin:

S={ (A,A), (A,S), (S,A), (S,S)}

Replanteamos el ejercicio original: Un experimento consiste en arrojar una moneda 4 veces, lstense todas las posibilidades: SOLUCION El nmero total de posibles eventos independientes es: N = (2, 2, 2, 2) = 24 = 16 (Ya revisamos el conjunto de posibilidades en el primer planteamiento).

Realizar el siguiente ejercicio: Obtenga el nmero total de eventos independientes que se obtiene al arrojar una moneda 5 veces consecutivas. SOLUCION En cada uno de los 5 casos de arrojar una moneda est puede tener solamente dos resultados posibles, guila (A). Sol (S), entonces:

Realice el siguiente ejercicio:

Obtenga el espacio muestral que se genera al arrojar un dado 2 veces SOLUCION. El dado tiene 6 caras y por lo tanto existen 6 posibilidades para cada vez que es arrojado, entonces como es arrojado 2 veces:

S = { (1,1), (1,2), (1,3), (1,4), (1,5), (1,6), (2,1), (2,2), (2,3), (2,4), (2,5), (2,6), (3,1), (3,2), (3,3), (3,4), (3,5), (3,6), (4,1), (4,2), (4,3), (4,4), (4,5), (4,6), (5,1), (5,2), (5,3), (5,4), (5,5), (5,6), (6,1), (6,2), (6,3), (6,4), (6,5), (6,6) }

Realice el siguiente ejercicio. Determine el nmero posible de combinacin de placas vlidas, si la placa esta formada por 3 nmeros consecutivos y 3 letras del abecedario.
SOLUCION. Existen

10 posibilidades para cada uno de los nmeros y 26 posibilidades para cada una de las letras (no se incluyen letras dobles RR, CH, LL y la letra ), entonces:

En el clculo anterior se han incluido placas que no existen para fines prcticos, por ejemplo:

En general las placas no pueden tener un cero o ceros antes que un nmero diferente de cero.

Nmero de placas no validas = (90)(263)+ (9)(263)+ 263=(102)(263)=(100) (263) Entonces Nmero de placas validas = Nmero total - Nmero de placas no validas.

= (103) (263) - (100) (263) = (900)( 263) =

15 818 400 placas.

METODO II

La primer casilla de nmero no puede ser cero, por lo tanto se reduce sus posibles valores a:

N 1= 9
Mantenindose los dems valores iguales al mtodo I

Nmero de placas validas = (900) (263) = 15 818 400 placas

Nota La probabilidad de cada resultado especifico va desde cero hasta uno inclusive

VARIABLE S ALEATORIAS El objetivo de la Estadstica es la realizacin de inferencias acerca de una poblacin y sus caractersticas.

Para poder realizar esto, es necesario ampliar el concepto de Probabilidad a Variables Aleatorias
La cual se define como: La funcin que le asocia un numero real a cada elemento de un espacio muestral

Las Variables Aleatorias se van a indicar con letras maysculas. Por ejemplo, hallar los valores que toma la Variable Aleatoria X que representa el numero de guilas al lanzar una moneda dos veces:

Distinguimos dos tipos de Variables Aleatorias: Discretas y Continuas Las Variables Aleatorias Discretas: Representa los resultados de un espacio muestral, en forma tal que por P(X = x) se entender la probabilidad de que X tome el valor de x Una variable discreta proporciona datos que son llamados datos cuantitativos discretos y son respuestas numricas que resultan de un proceso de conteo.

Por ejemplo: - La cantidad de alumnos regulares en un grupo escolar. - El nmero de guilas en cinco lanzamientos de una moneda. - Nmero de circuitos en una computadora. - El nmero de vehculos vendidos en un da, en un lote de autos

Variable aleatoria continua. Es aquella que se encuentra dentro de un intervalo comprendido entre dos valores cualesquiera; sta puede asumir infinito nmero de valores y stos se pueden medir.

Ejemplo:
- La estatura de un alumno de un grupo escolar. - El peso en gramos de una moneda. - La edad de un hijo de familia. - Las dimensiones de un vehculo.

A su vez, estas variables aleatorias definen espacios muestrales Espacio muestral discreto: Contiene un numero finito de posibilidades o una secuencia con tantos elementos como numero naturales existen. Espacio muestral continuo: Contiene un numero infinito de posibilidades igual al numero de puntos en un segmento de lnea. Cada una de estas variables puede tomar cada uno de sus valores con cierta probabilidad, que se va a denotar como: f(x), h(x), g(x), etc.

Distribuciones Distribucin de Probabilidad. Es una distribucin terica de frecuencias que describe cmo se espera que varen los resultados de un experimento. Existen diferentes tipos de modelos que permiten describir el comportamiento de fenmenos estadsticos, y que a su vez, permiten hacer inferencias y tomar decisiones en condiciones de incertidumbre.

Distribuciones discretas. Son aquellas donde las variables asumen un nmero limitado de valores, por ejemplo el nmero de aos de estudio.

Distribuciones continuas. Son aquellas donde las variables en estudio pueden asumir cualquier valor dentro de determinados lmites; por ejemplo, la estatura de un estudiante.

Una distribucin de frecuencias es un listado de las frecuencias observadas de todos los resultados de un experimento que, en realidad se han presentado cuando se lleva a cabo un experimento.

En cambio, una distribucin de probabilidad es un listado de las probabilidades de todos los resultados posibles que podran presentarse si se efectuara el experimento.

Las probabilidades que se asocian a cada uno de los valores que toma la variable aleatoria x constituyen lo que se conoce como DISTRIBUCIN DE PROBABILIDAD. La cual puede ser representada mediante: una funcin matemtica, una grfica o una tabla de valores. La diferencia consiste en que la funcin matemtica se transforma en una funcin probabilstica.

Dados los eventos E1, E2, ..., En S, se dice que x es una variable aleatoria, si a cada valor de xi que asume cada Ei, se le asocia su probabilidad de ocurrencia y cumple con las siguientes condiciones:

a) La probabilidad para todo valor que asuma la variable aleatoria xi, ser mayor o igual a cero pero menor que uno.

b) La suma de todas las probabilidades asociadas a todos los valores que toma la variable x, es igual a la unidad.

Tarea:

Encuentre la distribucin de probabilidad de lanzar dos monedas y la variable aleatoria nmero de guilas.

Encuentre la distribucin de probabilidad de lanzar dos monedas y la variable aleatoria nmero de guilas. S x {Lanzar dos monedas} Nmero de guilas
E0 E1 E2 P(x = 0) = ? P(x = 1) = ? P(x = 2) = ?

Se lee la probabilidad de que x sea igual a cero, es decir, la probabilidad de que no caigan guilas Se lee la probabilidad de que x sea igual a uno, es decir, la probabilidad de que caiga slo una guila Se lee la probabilidad de que x sea igual a dos, es decir, la probabilidad de que caigan dos guilas

De acuerdo al diagrama de rbol correspondiente:

Primer Segundo lanzamiento lanzamiento A

S
A S S

Existen 4 posibles escenarios para este espacio muestral: S = {AA, AS, SA, SS}

Basndonos en el diagrama hecho,

P (x = 0) =
Por que solo hay un escenario de los cuatro posibles en donde no caen guilas (SS)

P (x = 1) = 2/4 =
Por que hay dos escenarios de los cuatro posibles en donde cae slo una guila (AS, SA)

P (x = 2) =
Por que solo hay un escenario de los cuatro posibles en donde caen dos guilas (AA)

De acuerdo a la complejidad del experimento en cuestin, no siempre es pertinente realizar diagramas de rbol para calcular las probabilidades de los eventos, por lo que hay que aprender a calcularlas a travs de tcnicas de conteo y/o reglas aditivas y multiplicativas.
Lo explicaremos as:: P(caiga sol en una moneda) = P(S) = P (caiga guila en una moneda) = P(A) =

Tcnicas de Conteo
Principio Fundamental del Conteo
Si un evento n1 se puede realizar de N1 formas y otro evento se puede realizar de N2 formas, entonces el evento conjunto se puede realizar de N1.N2 formas.

Lo representamos as:

N = N1.N2
Si un evento se puede realizar de una forma u otra, seria:

N = N1 + N2

Calculando las probabilidades: P(x = 0) = Probabilidad de que caiga sol en una moneda y sol en la otra moneda P(x = 0) = P(S)*P(S) = (1/2)(1/2) =
P(x = 1) = Probabilidad de que caiga sol en la primera moneda y guila en la segunda moneda; o guila en la primera y sol en la segunda P(x = 1) = P(S)*P(A) + P(A)*P(S) = (1/2)(1/2) + (1/2)(1/2) = P(x = 2) = Probabilidad de que caiga guila en una moneda y guila en la otra moneda P(x = 2) = P(A)*P(A) = (1/2)(1/2) =

Se comprueba que por ambos mtodos se llega al mismo resultado, siendo ms recomendable usar recursos como los ya mencionados (tcnicas de conteo, reglas).
De esta manera, la distribucin de probabilidad queda de la siguiente manera: x 0 1 2 P(x)

Grficamente:

Al tratarse de variables discretas, se debe cumplir que:

++=1 1=1

Por lo que se concluye que la distribucin discreta de probabilidad es la correcta.

Existen ciertas caractersticas que diferencian a las distribuciones de probabilidad, llamadas momentos de la distribucin que son: la media aritmtica o esperanza matemtica y la desviacin estndar.

FUNCIONES DE PROBABILIDAD DISCRETAS

La distribucin de probabilidad para una variable aleatoria discreta puede ser: 1.- Una relacin terica de resultados y probabilidades que se puede obtener de un modelo matemtico y que representa algn fenmeno de inters. 2.- Una relacin emprica de resultados y sus frecuencias relativas observadas. 3.- Una relacin subjetiva de resultados relacionados con sus probabilidades subjetivas o artificiales que representan el grado de conviccin del encargado en tomar decisiones sobre la probabilidad de posibles resultados.

Sabemos que una variable aleatoria discreta o discontinua es aquella en la que existe una distancia bien definida entre dos de los valores consecutivos que asume; y dichos valores son numerables.

Existen varios modelos matemticos que representan diversos fenmenos discretos de la vida real. Las ms tiles son: 1.- La distribucin uniforme discreta. 1.- La distribucin de probabilidad Binomial o de Bernoulli. 2.- La distribucin de probabilidad Hipergeomtrica. 3.- La distribucin de probabilidad de Poisson.

Distribucin UNIFORME DISCRETA

Si la variable aleatoria X asume valores de X1, X2, ..., Xk con iguales probabilidades, entonces la distribucin uniforme es:

La distribucin de probabilidad del lanzamiento de un dado es:

S = {1, 2, 3, 4, 5, 6}

LA DISTRIBUCION BINOMIAL Esta distribucin fue elaborada por Jacobo Bernoulli y es aplicable a un gran nmero de problemas de carcter econmico y en numerosas aplicaciones como:

- Juegos de azar. - Control de calidad de un producto. - En educacin. - En las finanzas.

La distribucin binomial posee las siguientes propiedades esenciales:

1.- El espacio muestral contiene n ensayos idnticos.

2.- Las observaciones posibles se pueden obtener mediante dos diferentes mtodos de muestreo. Se puede considerar que cada observacin se ha seleccionado de una poblacin infinita sin reposicin o de una poblacin finita con reposicin.

3.- Cada observacin se puede clasificar en una de dos categoras conocidas como xito E o fracaso E', las cuales son mutuamente excluyentes es decir E E' = 0.

4.- Las probabilidades de xito p y de fracaso q = 1 - p en un ensayo se mantienen constantes, durante los n ensayos. 5.- El resultado de cualquier observacin es independiente del resultado de cualquier otra observacin.

La probabilidad de que el evento E ocurra x veces y el evento E' ocurra (n - x) veces en n ensayos independientes est dado por la frmula binomial:

donde:

p = Probabilidad caracterstica o probabilidad de xito. q = Probabilidad de fracaso x = Nmero de xitos deseados n = Nmero de ensayos efectuados

Si se lanza 4 veces una moneda, calcular el evento "Nmero de guilas que caen. datos: n = 4 ensayos. p = probabilidad de xito en un ensayo. q=1-p=1-=

x = 0, 1, 2, 3, 4
S = {lanzar 4 veces la moneda} A = {nmero de guilas que caen}

La probabilidad de que ocurran x xitos, con n ensayos y p probabilidad de xito respectivamente, es igual al producto de las combinaciones de x en n, por p elevada a la x, y por q elevada a la n menos x

En la calculadora la funcin para calcular combinaciones es nCr, donde r es x en la frmula de probabilidad binomial

MEDIDAS DE TENDENCIA CENTRAL Y DE DISPERSIN El clculo de estas magnitudes pueden realizarse con las siguientes frmulas:

donde:
p = Probabilidad caracterstica o probabilidad de xito. q = Probabilidad de fracaso

n = Nmero de ensayos efectuados

DISTRIBUCIN MULTINOMIAL Ocurre cuando en el experimento binomial cada intento tiene ms de dos resultados posibles. Las probabilidades de ocurrencia p1, p2, ..., pk en un solo ensayo, la distribucin de probabilidad de las variables aleatorias k1, k2, ..., kn que representan el nmero de ocurrencias de E1, E2, ..., En en n intentos independientes es:

Calcular la probabilidad de obtener dos veces el nmero 4, dos veces el nmero 5 y una vez el nmero 2, en el lanzamiento de un dado 5 veces.

n! = 1 x 2 x 3 x 4 x x n 4! = 1 x 2 x 3 x 4 = 24 6! = 1 x 2 x 3 x 4 x 5 x 6 = 720 P = (30)(1/36)(1/36)(1/6)

LA DISTRIBUCIN HIPERGEOMTRICA

Se emplea para calcular la probabilidad de obtener determinado nmero de xitos en un espacio muestral de n ensayos; pero a diferencia de la distribucin binomial es que los datos de la muestra se extraen sin reemplazo en una poblacin finita.
Por esto es que el resultado de una observacin depende o es afectado por el resultado de cualquier otra u otras observaciones anteriores.

Es decir la distribucin Hipergeomtrica se emplea para muestreos sin reemplazo de una poblacin finita cuya probabilidad de ocurrencia cambia a lo largo del ensayo.

donde: N = El tamao de espacio muestral S n = El nmero de ensayos M = El nmero de xitos en el espacio muestral N - M = Nmero de fracasos del espacio muestral x = Nmero de xitos en la muestra n - x = Nmero de fracasos de la muestra.

Si en una empresa se presentan para cubrir dos vacantes 13 aspirantes de los cuales 5 son hombres y 8 son mujeres, calcular " El nmero de hombres contratados."

S = {13 aspirantes para cubrir 2 vacantes}

X = {Nmero de hombres contratados}

E0 = E1 = E2 =

E0 = Se contratan x0 = 0 hombres, equivale a contratar (n - x0) = 2 mujeres. E1 = Se contratan x1 = 1 hombres, equivale a contratar (n - x1) = 1 mujeres. E2 = Se contratan x2 = 2 hombres, equivale a contratar (n - x2) = 0 mujeres.

desarrollando N = 13 total de aspirantes M = 5 aspirantes hombres N-M = 8 aspirantes mujer n = 2 vacantes totales x = 0,1,2 hombres posibles a contratar n-x = 2,1,0 mujeres posibles a contratar

MEDIDAS DE TENDENCIA CENTRAL Y DE DISPERSIN El clculo de estas magnitudes pueden realizarse con las siguientes frmulas: Media

Varianza

Desviacin estndar

sustituyendo en el ejemplo anterior.