Universidad de Guanajuato

Divisin de Ciencias e Ingenieras Yahira Yesenia Gallardo Texas Probabilidad y Estadstica

Distribuciones de probabilidades
Toda distribucin de probabilidad es generada por una variable aleatoria x y puede ser de dos tipos: 1. ! ! Variable aleatoria discreta (x). Se le denomina variable porque puede tomar diferentes valores, aleatoria, porque el valor tomado es totalmente al azar y discreta porque solo puede tomar valores enteros y un nmero nito de ellos. 2. ! Variable aleatoria continua (x). Se le denomina variable porque puede tomar diferentes valores, aleatoria, porque los valores que toma son totalmente al azar y continua porque puede tomar tanto valores enteros como fraccionarios y un nmero innito de ellos. Como ya vimos la medida de la probabilidad de un espacio muestral discreto da automticamente las probabilidades de que una variable aleatoria asuma cualquier valor dado dentro de su intervalo. Muchas veces para poder representar las probabilidades asociadas con los valores de una variable aleatoria usamos una funcin tal que sus valores, f(x), sean iguales a P(X = x) para cada x dentro del rango de la variable aleatoria X.

Tipos de Distribuciones
Distribucin norma o distribucin de Gauss En estadstica y probabilidad se llama distribucin normal, distribucin de Gauss o distribucin gaussiana, a una de las distribuciones de probabilidad de variable continua que con ms frecuencia aparece aproximada en fenmenos reales. La grfica de su funcin de densidad tiene una forma acampanada y es simtrica respecto de un determinado parmetro estadstico. Esta curva se conoce como campana de gauus y es el grfico de una funcin gaussiana.

La importancia de esta distribucin radica en que permite modelar numerosos fenmenos naturales, sociales y psicolgicos. Mientras que los mecanismos que subyacen a gran parte de este tipo de fenmenos son desconocidos, por la enorme cantidad de variables incontrolables que en ellos

intervienen, el uso del modelo normal puede justificarse asumiendo que cada observacin se obtiene como la suma de unas pocas causas independientes. De hecho, la estadstica es un modelo matemtico que slo permite describir un fenmeno, sin explicacin alguna. Para la explicacin causal es preciso el diseo experimental, de ah que al uso de la estadstica en psicologa y sociologa sea conocido como mtodo correlacional. La distribucin normal tambin es importante por su relacin con la estimacin por mnimos cuadrados, uno de los mtodos de estimacin ms simples y antiguos. Algunos ejemplos de variables asociadas a fenmenos naturales que siguen el modelo de la normal son: caracteres morfolgicos de individuos como la estatura; caracteres fisiolgicos como el efecto de un frmaco; caracteres sociolgicos como el consumo de cierto producto por un mismo grupo de individuos; caracteres psicolgicos como el cociente intelectual; nivel de ruido en telecomunicaciones; errores cometidos al medir ciertas magnitudes; etc. La distribucin normal tambin aparece en muchas reas de la propia estadstica. Por ejemplo, la distribucin muestral de las medias muestrales es aproximadamente normal, cuando la distribucin de la poblacin de la cual se extrae la muestra no es normal.Adems, la distribucin normal maximiza la entropa entre todas las distribuciones con media y varianza conocidas, lo cual la convierte en la eleccin natural de la distribucin subyacente a una lista de datos resumidos en trminos de media muestral y varianza. La distribucin normal es la ms extendida en estadstica y muchos tests estadsticos estn basados en una supuesta "normalidad". En probabilidad, la distribucin normal aparece como el lmite de varias distribuciones de probabilidad continuas y discretas. Ejemplos Distribucin de Gauss Ejemplo 1 En una ciudad una de cada tres familias posee telfono. Si se eligen al azar 90 familias, calcular la probabilidad de que entre ellas haya por lo menos 30 tengan telfono Si X es una variable aleatoria de una distribucin N( ! , " ), hallar: p( ! # 3 " $ X $ ! +3 " )

Es decir, que aproximadamente el 99.74% de los valores de X estn a menos de tres desviaciones tpicas de la media.

Ejemplo 2 En un examen tipo test de 200 preguntas de eleccin mltiple, cada pregunta tiene una respuesta correcta y una incorrecta. Se aprueba si se contesta a ms de 110 respuestas correctas. Suponiendo que se contesta al azar, calcular la probabilidad de aprobar el examen

Ejemplo 3 Un estudio ha mostrado que, en un cierto barrio, el 60% de los hogares tienen al menos dos televisores Se elige al azar una muestra de 50 hogares en el citado barrio. Se pide: 1.Cul es la probabilidad de que al menos 20 de los citados hogares tengan cuando menos dos televisores?

2.Cul es la probabilidad de que entre 35 y 40 hogares tengan cuando menos dos televisores?

Distribucin Binomial La distribucin binomial es una distribucin de probabilidad discreta que mide el nmero de xitos en una secuencia de n ensayos de Bernoulli independientes entre s, con una probabilidad fija p de ocurrencia del xito entre los ensayos. Un experimento de Bernoulli se caracteriza por ser dicotmico, esto es, slo son posibles dos resultados. A uno de estos se denomina xito y tiene una probabilidad de ocurrencia y al otro, fracaso. En la distribucin binomial el anterior experimento se repite n veces, de forma independiente, y se trata de calcular la probabilidad de un determinado nmero de xitos. Para n = 1, la binomial se convierte, de hecho, en una distribucin de Bernoulli. Las caractersticas de esta distribucin son: a) ! ! ! ! ! En los experimentos que tienen este tipo de distribucin, siempre se esperan dos tipos de resultados, ejem. Defectuoso, no defectuoso, pasa, no pasa, etc, etc., denominados arbitrariamente xito (que es lo que se espera que ocurra) o fracaso (lo contrario del xito). b) ! ! ! ! ! Las probabilidades asociadas a cada uno de estos resultados son constantes, es decir no cambian. c)!!!!! Cada uno de los ensayos o repeticiones del experimento son independientes entre s. d) !!!! El nmero de ensayos o repeticiones del experimento (n) es constante. Si queremos saber la probabilidad de tener x xitos en n ensayos y n-x fracasos est dada por . Donde " es un factor por cada xito, 1- " es un factor por cada fracaso y lo x factores " se multiplica con 1- " factores n - x por la independencia. sta frmula anterior la multiplicamos por el nmero de maneras que podemos seleccionar x ensayos xitos en n ensayos es . Entonces la probabilidad para x

Ejemplos Distribucin Binomial Ejemplo 1 Encontrar la probabilidad de sacar 5 caras y 7 cruces en 12 lanzamientos de una moneda equilibrada Solucin Si sustituimos x= 5, n = 12 y % = 1/2 en la frmula tenemos

Ejemplo 2 Encontrar la probabilidad de que 7 de 10 personas se recuperarn de una enfermedad tropical si podemos suponer independencia y la probabilidad de que cualquiera de ellos se recuperar de la enfermedad es 0.80. Solucin Entonces sabemos que : x = 7, n = 10 y % = 0.80 y sustituyendo en la frmula

Ejemplo 3 Se dice que el 75% de los accidentes de una planta se atribuyen a errores humanos. Si en un perodo de tiempo dado, se suscitan 5 accidentes, determine la probabilidad de que; a) dos de los accidentes se atribuyan a errores humanos, b) tres de los accidentes no se atribuyan a errores humanos. Solucin: a) Si n = 5, x = 5, % = 0.75 y 1-% = 0.25 sustituyendo

b)Usando los mismos datos que el a) pero ahora % = 0.25

Distribucin hipergeomtrica La distribucin hipergeomtrica es una distribucin discreta relacionada con muestreos aleatorios y sin reemplazo. Los experimentos que tienen este tipo de distribucin tienen las siguientes caractersticas: a)!!!!! Al realizar un experimento con este tipo de distribucin, se esperan dos tipos de resultados. b)!!!!! Las probabilidades asociadas a cada uno de los resultados no son constantes. c)!!!!! Cada ensayo o repeticin del experimento no es independiente de los dems. d) !!!! El nmero de repeticiones del experimento (n) es constante.

Ahora si consideramos un conjunto de N elementos de los cuales M se consideran como xitos y los otros N-M son los fracasos. Si estamos interesados en en la probabilidad de obtener x xitos en n ensayos, sin reemplazo, n de los N elementos contenidos en el conjunto. Hay maneras de escoger x de los M xitos y maneras de escoger n - x de los N-M

fracasos; entonces hay

maneras de escoger x xitos y n - x fracasos. Y como hay

maneras de escoger n de los N elementos, y suponiendo que son todos igualmente posibles, se sigue que la probabilidad de x xitos en n ensayos es:

para x = 0, 1, 2, ....., n, x ! M y n - x ! N - M Entonces para el muestreo sin reemplazos, el nmero de xitos en n experimentos es aleatoria que tiene una distribucin hipergeomtrica con los parmetros n, N y M. La media y la varianza de la distribucin hipergeomtrica son

Ejemplos Distribucin Hipergeomtrica Ejemplo 1 Una tienda de artculos elctricos tiene 20 planchas, de las cuales 5 son amarillas. Si se extraen aleatoriamente y sin sustitucin 10 planchas Cul es la probabilidad de que dos de ellas sean amarillas? Solucin. En este caso se tiene una poblacin de 20 planchas (N = 20), de las cuales 5 son amarillas (a = 5) y se extrae una muestra de 10 planchas (n = 10). La variable aleatoria ser el nmero de planchas amarillas que hay en la muestra (entre las extradas), por lo que x = 2. Sustituyendo en el modelo de la distribucin Hipergeomtrica tenemos:

= Ejemplo 2 Si se extraen 8 canicas sin reemplazo de una urna que contiene 9 azules y 3 negras. Encontrar la probabilidad de haya 6 canicas azules dentro de las 8 que se extrajeron. Solucin. En total se tienen 12 canicas (N = 12), de las cuales 9 son azules (a = 9). Se extrae una muestra de 8 canicas (n = 8) y se desea obtener la probabilidad de que en la muestra haya 6 canicas azules (x = 6) por lo que:

= Ejemplo 3 Un vendedor de insecticidas quiere vender a una planta un lote de 50 barriles de cierto producto. El gerente de la planta sospecha que los barriles estn caducos, pero el vendedor sostiene que slo 10 barriles han caducado y est dispuesto a permitir que se analicen 5 barriles sin costo para el comprador, para que ste decida si adquiere el lote. Cul es la probabilidad de que el gerente encuentre que 4 o ms de los 5 barriles examinados han caducado, suponiendo que el vendedor tiene razn en su afirmacin? Solucin.De acuerdo a la informacin se tiene que N = 50, a = 10 y n = 5. La funcin de probabilidad de la variable X, definida por el nmero de barriles defectuosos en la muestra es:

por lo que la probabilidad buscada es:

Ejemplo 4 Una caja contiene 10 focos, de los cuales 3 son defectuosos. Cul es la probabilidad de que si se toma una muestra aleatoria sin reemplazo de tamao 2, se extraiga cuando mucho un foco defectuoso? Solucin. Definamos la variable aleatoria X: Nmero de focos defectuosos. Entonces N = 10, a = 3, n = 2 y x = 0, 1.

Distribucin de Poisson

La distribucin de Poisson es una distribucin de probabilidad discreta que expresa, a partir de una frecuencia de ocurrencia media, la probabilidad que ocurra un determinado nmero de eventos durante cierto periodo de tiempo. Fue descubierta por Simon-Denis Poisson, que la dio a conocer en 1838 en su trabajo Recherches sur la probabilit des jugements en matires criminelles et matire civile (Investigacin sobre la probabilidad de los juicios en materias criminales y civiles). Cuando nuestra n es muy grande a comparacin de nuestra x se usa este tipo de distribucin, donde n ! # y cuando " ! 0 , mientras n" sea constante n" = $. En base a esto tenemos la frmula de distribucin de Poisson : La media y la varianza de Poisson estn dadas por respectivamente.

Ejemplos Distribucin de Poisson Ejemplo 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? Solucin:

a) x = variable que nos define el nmero de cheques sin fondo que llegan al banco en un da cualquiera = 0, 1, 2, 3, ....., etc, etc. l = 6 cheques sin fondo por da e = 2.718

b) x= variable que nos define el nmero de cheques sin fondo que llegan al banco en dos das consecutivos = 0, 1, 2, 3, ......, etc., etc. l = 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en dos das consecutivos Nota: l siempre debe de estar en funcin de x siempre o dicho de otra forma, debe hablar de lo mismo que x.

Ejemplo 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, c) cuando ms una imperfeccin en 15 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 c) x = variable que nos define el nmero de imperfecciones en la hojalata por cada 15 minutos = 0, 1, 2, 3, ....., etc., etc. l = 0.2 x 15 = 3 imperfecciones en promedio por cada 15 minutos en la hojalata

= 0.0498026 + 0.149408 = 0.1992106 Ejemplo 3 La probabilidad de tener un accidente de trfico es de 0,02 cada vez que se viaja, si se realizan 300 viajes, cual es la probabilidad de tener 3 accidentes? Como la probabilidad " p " es menor que 0,1, y el producto " n * p " es menor que 10, entonces aplicamos el modelo de distribucin de Poisson.

Luego, P (x = 3) = 0,0892 Por lo tanto, la probabilidad de tener 3 accidentes de trfico en 300 viajes es del 8,9%

Bibliografa *Estadstica Matemtica con Aplicaciones, 6ta edicin, Edit. Pearson Educacin, John E. Freud, Irwin Miller y Marylees Miller *http://www.itch.edu.mx/academic/industrial/sabaticorita/_private/04Distribuciones%20de %20Probabilidad.htm * h t t p : / / w w w. i t c h . e d u . m x / a c a d e m i c / i n d u s t r i a l / s a b a t i c o r i t a / _ p r i v a t e / 0 3 D d i s t r %20Hipergeometrica.htm *http://www.itch.edu.mx/academic/industrial/sabaticorita/_private/01UNIDAD%20IV.htm