Las distribuciones discretas son aquellas en las que la variable puede pude tomar un nmero determinado de valores: Ejemplos: Si se lanza una moneda al aire puede salir cara o cruz Si se tira un dado puede salir un nmero de 1 al 6 En una ruleta el nmero puede tomar un valor del 1 al 32. Es aquel modelo que sigue un experimento que se realiza una sola vez y que puede tener dos soluciones: acierto o fracaso: Cuando es acierto la variable toma el valor 1 Cuando es fracaso la variable toma el valor 0 Ejemplo: Probabilidad de salir cara al lanzar una moneda al aire (sale cara o no sale) probabilidad de ser admitido en una universidad (o te admiten o no te admiten) probabilidad de acertar una quiniela (o aciertas o no aciertas) Al haber nicamente dos soluciones se trata de sucesos complementarios: A la probabilidad de xito se le denomina "p" A la probabilidad de fracaso se le denomina "q" Verificndose que: p + q = 1
Vease los ejemplos anteriores: Ejemplo 1 Probabilidad de salir cara al lanzar una moneda al aire: Probabilidad de que salga cara: p = 0,5 Probabilidad de que no salga cara: q = 0,5 p + q = 0,5 + 0,5 = 1
Ejemplo 2 Probabilidad de ser admitido en la universidad: Probabilidad de ser admitido: p = 0,25 Probabilidad de no ser admitido: q = 0,75 p + q = 0,25 + 0,75 = 1 Ejemplo 3 Probabilidad de acertar una quiniela: Probabilidad de acertar: p = 0,00001 Probabilidad de no acertar: q = 0,99999 p + q = 0,00001 + 0,99999 = 1
Distribuciones discretas: Binomial
Las distribucin binomial parte de la distribucin de Bernouilli: La distribucin de Bernouiili se aplica cuando se realiza una sola vez un experimento que tiene nicamente dos posibles resultados (xito o fracaso), por lo que la variable slo puede tomar dos valores: el 1 y el 0 La distribucin binomial se aplica cuando se realizan un nmero"n" de veces el experimento de Bernouiili, siendo cada ensayo independiente del anterior. La variable puede tomar valores entre: 0: si todos los experimentos han sido fracaso n: si todos los experimentos han sido xitos Ejemplo: se tira una moneda 10 veces: cuntas caras salen? Si no ha salido ninguna la variable toma el valor 0; si han salido dos caras la variable toma el valor 2; si todas han sido cara la variable toma el valor 10 La distribucin de probabilidad de este tipo de distribucin sigue el siguiente modelo:
Explicacin mediante un ejemplo: Ejemplo 1: Cul es la probabilidad de obtener 6 caras al lanzar una moneda 10 veces? " k " es el nmero de aciertos. En este ejemplo " k " igual a 6 (en cada acierto decamos que la variable toma el valor 1: como son 6 aciertos, entonces k = 6) " n" es el nmero de ensayos. En nuestro ejemplo son 10 " p " es la probabilidad de xito, es decir, que salga "cara" al lanzar la moneda. Por lo tanto p = 0,5 La frmula quedara:
Luego, P (x = 6) = 0,205 Es decir, se tiene una probabilidad del 20,5% de obtener 6 caras al lanzar 10 veces una moneda.
Ejemplo 2: Cul es la probabilidad de obtener cuatro veces el nmero 3 al lanzar un dado ocho veces? " k " (nmero de aciertos) toma el valor 4 " n" toma el valor 8 " p " (probabilidad de que salga un 3 al tirar el dado) es 1 / 6 (= 0,1666) La frmula queda:
Luego, P (x = 4) = 0,026 Es decir, se tiene una probabilidad del 2,6% de obtener cuatro veces el nmeros 3 al tirar un dado 8 veces.
Supongamos que se lanza un dado (con 6 caras) 50 veces y queremos conocer la probabilidad de que el nmero 3 salga 20 veces. En este caso tenemos una X ~ B(50, 1/6) y la probabilidad sera P(X=20):
Distribuciones discretas: Poisson
Las distribucin de Poisson parte de la distribucin binomial: Cuando en una distribucin binomial se realiza el experimento un nmero "n" muy elevado de veces y la probabilidad de xito "p" en cada ensayo es reducida, entonces se aplica el modelo de distribucin de Poisson: Se tiene que cumplir que: " p " < 0,10 " p * n " < 10 La distribucin de Poisson sigue el siguiente modelo:
Explicacin : El nmero "e" es 2,71828 " l " = n * p (es decir, el nmero de veces " n " que se realiza el experimento multiplicado por la probabilidad " p " de xito en cada ensayo) " k " es el nmero de xito cuya probabilidad se est calculando Ejemplo: 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 del8,9% Otro ejemplo: La probabilidad de que un nio nazca pelirrojo es de 0,012. Cul es la probabilidad de que entre 800 recien nacidos haya 5 pelirrojos?
Luego, P (x = 5) = 4,602 Por lo tanto, la probabilidad de que haya 5 pelirrojos entre 800 recien nacidos es del 4,6%.
Distribuciones discretas: Hipergeomtrica
Las distribucin hipergeomtrica es el modelo que se aplica en experimentos del siguiente tipo: En una urna hay bolas de dos colores (blancas y negras), cul es la probabilidad de que al sacar 2 bolas las dos sean blancas? Son experimentos donde, al igual que en la distribucin binomial, en cada ensayo hay tan slo dos posibles resultados: o sale blanca o no sale. Pero se diferencia de la distribucin binomial en que los distintos ensayos son dependientes entre s: Si en una urna con 5 bolas blancas y 3 negras en un primer ensayo saco una bola blanca, en el segundo ensayo hay una bola blanca menos por lo que las probabilidades son diferentes (hay dependencia entre los distintos ensayos).
La distribucin hipergeomtrica sigue el siguiente modelo:
Donde:
Explicacin : N: es el nmero total de bolas en la urna N1: es el nmero total de bolas blancas N2: es el nmero total de bolas negras k: es el nmero de bolas blancas cuya probabilidad se est calculando n: es el nmero de ensayos que se realiza Veamos un ejemplo: en una urna hay 7 bolas blancas y 5 negras. Se sacan 4 bolas Cul es la probabilidad de que 3 sean blancas? Entonces: N = 12; N1 = 7; N2 = 5; k = 3; n = 4 Si aplicamos el modelo:
Por lo tanto, P (x = 3) = 0,3535. Es decir, la probabilidad de sacar 3 bolas blancas es del 35,3%. Pero este modelo no slo se utiliza con experimentos con bolas, sino que tambin se aplica con experimentos similares: Ejemplo: en una fiesta hay 20 personas: 14 casadas y 6 solteras. Se eligen 3 personas al azar Cul es la probabilidad de que las 3 sean solteras?
Por lo tanto, P (x = 3) = 0,0175. Es decir, la probabilidad de que las 3 personas sean solteras es tan slo del 1,75%.
Distribuciones discretas: Multinomial
La distribucin multinomial es similar a la distribucin binomial, con la diferencia de que en lugar de dos posibles resultados en cada ensayo, puede haber mltiples resultados: Ejemplo de distribucin binomial: a unas elecciones se presentaron 2 partidos polticos: el Pri obtuvo un 70% de los votos y el Pan el 30% restante. Cul es la probabilidad de que al elegir 5 ciudadanos al azar, 4 de ellos hallan votado al Pan? Ejemplo de distribucin multinomial: a esas elecciones se presentaron 4 partidos polticos: el Pri obtuvo un 40% de los votos, el Pan el 30%, el Prd el 20% y el MZ el 10% restante. Cul es la probabilidad de que al elegir 5 ciudadanos al azar, 3 hayan votado al Pri, 1 al Prd y 1 al MZ? La distribucin multinomial sigue el siguiente modelo:
Donde: X1 = x1: indica que el suceso X1 aparezca x1 veces (en el ejemplo, que el partido Pri lo hayan votado 3 personas) n: indica el nmero de veces que se ha repetido el suceso (en el ejemplo, 5 veces) n!: es factorial de n (en el ejemplo: 5 * 4 * 3 * 2 * 1) p1: es la probabilidad del suceso X1 (en el ejemplo, el 40%) Veamos el ejemplo:
Luego: P = 0,0256 Es decir, que la probabilidad de que las 5 personas elegidas hayan votado de esta manera es tan slo del 2,56% Nota: 0! es igual a 1, y cualquier nmero elevado a 0 es tambin igual a 1 Veamos otro ejemplo: En una fiesta, el 20% de los asistentes son espaoles, el 30% franceses, el 40% italiano y el 10% portugueses. En un pequeo grupo se han reunido 4 invitados: cual es la probabilidad de que 2 sean espaoles y 2 italianos? Aplicamos el modelo:
Luego P = 0,0384 Por lo tanto, la probabilidad de que el grupo est formado por personas de estos pases es tan slo del 3,84%.
Distribuciones discretas: Multihipergeomtrica
La distribucin multihipergeomtrica es similar a la distribucin hipergeomtrica, con la diferencia de que en la urna, en lugar de haber nicamente bolas de dos colores, hay bolas de diferentes colores. Ejemplo: en una urna hay 7 bolas blancas, 3 verdes y 4 amarillas: cul es la probabilidad de que al extraer 3 bolas sea cada una de un color distinto? La distribucin multihipergeomtrica sigue el siguiente modelo:
Donde: X1 = x1: indica que el suceso X1 aparezca x1 veces (en el ejemplo, que una de las bolas sea blanca) N1: indica el nmero de bolas blancas que hay en la urna (en el ejemplo, 7 bolas) N: es el nmero total de bolas en la urna (en el ejemplo, 14 bolas) n: es el nmero total de bolas que se extraen (en el ejemplo, 3 bolas) Veamos el ejemplo:
Luego: P = 0,2307 Es decir, que la probabilidad de sacar una bola de cada color es del 23,07%. Veamos otro ejemplo: En una caja de lpices hay 10 de color amarillo, 3 de color azul y 4 de color rojo. Se extraen 7 lpices, cual es la probabilidad de que 5 sean amarillos y 2 rojos? Aplicamos el modelo:
Luego P = 0,0777 Por lo tanto, la probabilidad de que los 5 lpices sean de los colores indicados es del 7,77%.
Distribucin de probabilidad lineal o continuas
Ejercicio 1: La renta media de los habitantes de un pas es de 4 millones de ptas/ao, con una varianza de 1,5. Se supone que se distribuye segn una distribucin normal. Calcular: a) Porcentaje de la poblacin con una renta inferior a 3 millones de ptas. b) Renta a partir de la cual se sita el 10% de la poblacin con mayores ingresos. c) Ingresos mnimo y mximo que engloba al 60% de la poblacin con renta media. a) Porcentaje de la poblacin con una renta inferior a 3 millones de ptas. Lo primero que tenemos que hacer es calcular la normal tipificada:
(*) Recordemos que el denominador es la desviacin tpica ( raz cuadrada de la varianza) El valor de Y equivalente a 3 millones de ptas es -0,816. P (X < 3) = P (Y < -0,816) Ahora tenemos que ver cul es la probabilidad acumulada hasta ese valor. Tenemos un problema: la tabla de probabilidades (ver leccin 35) slo abarca valores positivos, no obstante, este problema tiene fcil solucin, ya que la distribucin normal es simtrica respecto al valor medio. Por lo tanto: P (Y < -0,816) = P (Y > 0,816) Por otra parte, la probabilidad que hay a partir de un valor es igual a 1 (100%) menos la probabilidad acumulada hasta dicho valor: P (Y > 0,816) = 1 - P (Y < 0,816) = 1 - 0,7925 (aprox.) = 0,2075 Luego, el 20,75% de la poblacin tiene una renta inferior a 3 millones ptas. b) Nivel de ingresos a partir del cual se sita el 10% de la poblacin con renta ms elevada. Vemos en la tabla el valor de la variable tipificada cuya probabilidad acumulada es el 0,9 (90%), lo que quiere decir que por encima se sita el 10% superior. Ese valor corresponde a Y = 1,282 (aprox.). Ahora calculamos la variable normal X equivalente a ese valor de la normal tipificada:
Despejando X, su valor es 5,57. Por lo tanto, aquellas personas con ingresos superiores a 5,57 millones de ptas. constituyen el 10% de la poblacin con renta ms elevada. c) Nivel de ingresos mnimo y mximo que engloba al 60% de la poblacin con renta media Vemos en la tabla el valor de la variable normalizada Y cuya probabilidad acumulada es el 0,8 (80%). Como sabemos que hasta la media la probabilidad acumulada es del 50%, quiere decir que entre la media y este valor de Y hay un 30% de probabilidad. Por otra parte, al ser la distribucin normal simtrica, entre -Y y la media hay otro 30% de probabilidad. En definitiva, el segmento (-Y, Y) engloba al 60% de poblacin con renta media. El valor de Y que acumula el 80% de la probabilidad es 0,842 (aprox.), por lo que el segmento viene definido por (-0,842, +0,842). Ahora calculamos los valores de la variable X correspondientes a estos valores de Y. Los valores de X son 2,97 y 5,03. Por lo tanto, las personas con ingresos superiores a 2,97 millones de ptas. e inferiores a 5,03 millones de ptas. constituyen el 60% de la poblacin con un nivel medio de renta.
Ejercicio 2: La vida media de los habitantes de un pas es de 68 aos, con una varianza de 25. Se hace un estudio en una pequea ciudad de 10.000 habitantes: a) Cuntas personas superarn previsiblemente los 75 aos? b) Cuntos vivirn menos de 60 aos? a) Personas que vivirn (previsiblemente) ms de 75 aos Calculamos el valor de la normal tipificada equivalente a 75 aos
Por lo tanto P (X > 75) = (Y > 1,4) = 1 - P (Y < 1,4) = 1 - 0,9192 = 0,0808 Luego, el 8,08% de la poblacin (808 habitantes) vivirn ms de 75 aos. b) Personas que vivirn (previsiblemente) menos de 60 aos Calculamos el valor de la normal tipificada equivalente a 60 aos
Por lo tanto P (X < 60) = (Y < -1,6) = P (Y > 1,6) = 1 - P (Y < 1,6) = 0,0548 Luego, el 5,48% de la poblacin (548 habitantes) no llegarn probablemente a esta edad.
Distribuciones continuas: Normal (IV)
Ejercicio 1: El consumo medio anual de cerveza de los habitantes de una pas es de 59 litros, con una varianza de 36. Se supone que se distribuye segn una distribucin normal. a) Si usted presume de buen bebedor, cuntos litros de cerveza tendra que beber al ao para pertenecer al 5% de la poblacin que ms bebe?. b) Si usted bebe 45 litros de cerveza al ao y su mujer le califica de borracho qu podra argumentar en su defensa? a) 5% de la poblacin que ms bebe. Vemos en la tabla el valor de la variable tipificada cuya probabilidad acumulada es el 0,95 (95%), por lo que por arriba estara el 5% restante. Ese valor corresponde a Y = 1,645 (aprox.). Ahora calculamos la variable normal X equivalente a ese valor de la normal tipificada:
Despejando X, su valor es 67,87. Por lo tanto, tendra usted que beber ms de 67,87 litros al ao para pertenecer a ese "selecto" club de grandes bebedores de cerveza. b) Usted bebe 45 litros de cerceza al ao. Es usted un borracho? Vamos a ver en que nivel de la poblacin se situara usted en funcin de los litros de cerveza consumidos. Calculamos el valor de la normal tipificada correspondiente a 45 litros:
Por lo tanto P (X < 45) = (Y < -2,2) = P (Y > 2,2) = 1 - P (Y < 2,2) = 0,0139 Luego, tan slo un 1,39% de la poblacin bebe menos que usted. Parece un argumento de suficiente peso para que dejen de catalogarle de "enamorado de la bebida"
Ejercicio 2: A un examen de oposicin se han presentado 2.000 aspirantes. La nota media ha sido un 5,5, con una varianza de 1,5. a) Tan slo hay 100 plazas. Usted ha obtenido un 7,7. Sera oportuno ir organizando una fiesta para celebrar su xito? b) Va a haber una 2 oportunidad para el 20% de notas ms altas que no se hayan clasificados. A partir de que nota se podr participar en esta "repesca"? a) Ha obtenido usted un 7,7 Vamos a ver con ese 7,7 en que nivel porcentual se ha situado usted, para ello vamos a comenzar por calcular el valor de la normal tipificada equivalente.
A este valor de Y le corresponde una probabilidad acumulada (ver tablas) de 0,98214 (98,214%), lo que quiere decir que por encima de usted tan slo se encuentra un 1,786%. Si se han presentado 2.000 aspirante, ese 1,786% equivale a unos 36 aspirantes. Por lo que si hay 100 plazas disponibles, tiene usted suficientes probabilidades como para ir organizando la "mejor de las fiestas". b) "Repesca" para el 20% de los candidatos Vemos en la tabla el valor de la normal tipificada que acumula el 80% de la probabilidad, ya que por arriba slo quedara el 20% restante. Este valor de Y corresponde a 0,842 (aprox.). Ahora calculamos el valor de la normal X equivalente:
Despejamos la X y su valor es 6,38. Por lo tanto, esta es la nota a partir de la cual se podr acudir a la "repesca".