1

La

funcin de probabilidad ser, pues, una aplicacin entre el conjunto de resultados y el conjunto de nmeros reales, que asignar a cada suceso la probabilidad de que se verifique.

La En

grafica de una funcin de probabilidad de masa, note que todos los valores no son negativos, y la suma de ellos es igual a 1. concreto, si el espacio muestral, E de la variable aleatoria X consta de los puntos x1, x2, ..., xk, la funcin de probabilidad P asociada a X es P(xi)= pi; 0 pi 1; p1 + p2 + p3 + + pn = pi = 1

Donde

pi es la probabilidad del suceso X = xi. consiguiente se define a la probabilidad como:

Por lo

que advertir que el concepto de funcin de probabilidad slo tiene sentido para variables aleatorias que toman un conjunto discreto de valores. Para variables aleatorias continuas el concepto anlogo es el de funcin de densidad. funcin de masa de probabilidad de un dado. Todos los nmeros tienen la misma probabilidad de aparecer cuando este es tirado.

Hay

La

La distribucin siguiente tipo:

binomial

est

asociada

experimentos

del

Realizamos n veces cierto experimento en el que consideramos slo la posibilidad de xito o fracaso. La obtencin de xito o fracaso en cada ocasin es independiente de la obtencin de xito o fracaso en las dems ocasiones. La probabilidad de obtener xito o fracaso siempre es la misma en cada ocasin.

Definicin de distribucin binomial:

realizamos n veces un experimento en el que podemos obtener xito, E, con probabilidad p y fracaso, F, con probabilidad q (q = 1 p), diremos que estamos ante una distribucin binomial de parmetros n y p, y lo representaremos por Bin(n;p). En este caso la probabilidad de obtener k xitos viene dada por:

Si

Nota:
observar que las probabilidades de xito y fracaso son complementarias, dicho de otra manera, q = 1-p y p = 1-q, por lo que basta saber una de ellas para calcular la otra.

Debemos

Uso de las tablas de la distribucin binomial:

distribucin binomial se encuentra tabulada por lo que es fcil calcular probabilidades sin necesidad de hacer demasiadas cuentas. Para usar las tablas de la distribucin binomial es necesario conocer:

La

El

nmero de veces que se realiza el experimento (n).

La El

probabilidad de xito (p). nmero de xitos (k).

Ejemplo:
un dado 7 veces y contamos el nmero de cincos que obtenemos. Cul es la probabilidad de obtener tres cincos? Este es un tpico ejemplo de distribucin binomial, pues estamos repitiendo 7 veces el experimento de lanzar un dado. Cul es nuestro xito? Evidentemente, sacar un 5, que es en lo que nos fijamos. El fracaso, por tanto, ser no sacar 5, sino sacar cualquier otro nmero. Por tanto, Por tanto, xito = E = sacar un

Tiramos

5 = p(E) =

Fracaso = F = no sacar un 5 p(F)

Para calcular la probabilidad que nos piden, fijmonos en que nos dicen que sacamos 3 cincos y por lo tanto tenemos 3 xitos y 4 fracasos, de cuntas maneras pueden darse estas posibilidades? Podramos sacar 3 cincos en las 3 primeras tiradas y luego 4 tiradas sin sacar cinco, es decir: EEEFFFF, pero tambin podramos sacar EFEFFFE, es decir que en realidad estamos calculando de cuntas maneras se pueden ordenar 4 fracasos y 3 xitos. Recordando las tcnicas combinatorias, este problema se reduce a calcular las permutaciones con elementos repetidos:

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

Es

Los

Al

Ejemplo:
una urna o recipiente hay un total de N objetos, entre los cuales hay una cantidad a de objetos que son defectuosos, si se seleccionan de esta urna n objetos al azar, y sin reemplazo, cul es la probabilidad de obtener x objetos defectuosos?

En

Solucin:

p( x ,n )

C x * N a Cn x N Cn

Dnde:
p(x,n) = probabilidad de obtener x objetos defectuosos de entre n seleccionados Muestras de n objetos en donde hay x que son defectuosos y n-x buenos
a

C x * N a Cn x

Todas las muestras posibles de seleccionar de n objetos tomadas de entre N objetos en total = espacio muestral
N

Cn

Considerando

que en la urna hay un total de 10 objetos, 3 de los cuales son defectuosos, si de seleccionan 4 objetos

al azar, cul defectuosos?

es

la

probabilidad

de

que

sean

Solucin:
N a n x = = = = 10 objetos en total 3 objetos defectuosos 4 objetos seleccionados en muestra 2 objetos defectuosos deseados en la muestra
3! 7! * C* C ( 3 2 )!2! ( 7 2 )!2! 3 2 7 2 10! 10 C4 ( 10 4 )!4!

p( x 2,n 4 )

C2*10 3 C4 2 10 C4

3! 7! 3x 2 x1! 7 x6 x5! * * 5!2! 3x 2 x7 x6 * 4! 1!2! 5!2! 1!2! 10! 10 x9 x8 x7 x6! 10 x9 x8 x7 2!2! 6!4! 6!4!

Es decir:
3 x 2 x7 x6 10 x9 x8 x7 Probabilidad asociada a cada muestra de 4 objetos que se seleccionaron, con lo que se demuestra que las probabilidades no son constantes
4! 2!2! Formas o maneras de obtener 2 objetos defectuosos entre los 4 seleccionados = muestras de 4 objetos entre los que 2 son defectuosos

Como

se observa en el desarrollo de la solucin del problema, la pretensin es demostrar que las probabilidades asociadas a cada uno de los resultados no son constantes. la probabilidad de obtener dos objetos defectuosos entre los 4 seleccionados al azar sera:

Luego

3 x 2 x7 x6 4! 252 24 6048 * * 0.30 10 x9 x8 x7 2!2! 5040 4 20160

Caractersticas: En
este tipo de experimentos los xitos buscados son expresados por unidad de rea, tiempo, pieza, etc., etc.:

de aviones que aterrizan en un aeropuerto por da, hora, minuto, etc., etc. Nmero de bacterias por cm2 de cultivo de llamadas telefnicas a un conmutador por hora, minuto, etc., etc. Nmero de llegadas de embarcaciones a un puerto por da, mes, etc., etc.

Nmero Nmero Nmero

de defectos de una tela por m2

Para

determinar la probabilidad de que ocurran x xitos por unidad de tiempo, rea, o producto, la frmula a utilizar sera:

Dnde:
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 = 2.718 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.

Al

estudiar aspectos tan cotidianos como:

Caracteres

morfolgicos de individuos (personas, animales, plantas) de una misma raza. Como tallas, pesos, envergaduras, etc. Caracteres fisiolgicos, como el efecto de una misma dosis de un frmaco, o de una misma cantidad de abono. Caracteres sociolgicos, como el consumo de ciertos productos por individuos de un mismo grupo humano. Caracteres psicolgicos, como el cociente intelectual, grado de adaptacin a un medio. Caracteres fsicos, como la resistencia a la rotura de ciertas piezas todos ellos tienen en comn que se distribuyen normalmente. Qu quiere decir esta expresin.

Pues,

por ejemplo, si hacemos una estadstica para conocer la altura de 1400 mujeres y representamos los resultados en un diagrama de barras, obtenemos:

10

Distribucin Las

de estaturas de 1400 mujeres

grficas de este tipo son muy corrientes: Hay pocos individuos en los extremos y un aumento paulatino hasta llegar a la parte central del recorrido, donde est la mayora de ellos.

Definicin: Una
distribucin de probabilidad sigue una distribucin normal de media x y desviacin tpica , y lo representaremos por N(x; ) cuando la representacin grfica de su funcin de densidad es una curva positiva continua, simtrica respecto a la media, de mximo en la media, y que tiene 2 puntos de inflexin, situados a ambos lados de la media (x y x + respectivamente) y a distancia de ella, es decir de la forma:

Distribucin

normal N(x; ). El mximo est en (x, 1 22 )

Dependiendo

de los valores que tomen x y , la grfica de esta funcin puede ser ms o menos alargada, achatada, etc..., pero en cualquier caso siempre tiene las mismas condiciones de simetra, continuidad, etc., reseadas anteriormente.
11

El

concepto de funcin de densidad introducido anteriormente no se estudiar con profundidad.

Baste

decir que la funcin de densidad determina la forma de cada distribucin de probabilidad. En el caso de la distribucin normal de parmetros x y , dicha funcin viene dada por: f(x) = 1 2 2 e (xx)2 22

Propiedad: El
rea encerrada bajo la curva normal N(x; ) siempre es 1. La demostracin de este resultado no es nada sencilla e implica el uso de resultados maten ticos que exceden el nivel de este curso.

De

entre todas las curvas normales N(x; ), la ms sencilla, usada y conocida es aquella que tiene por media 0 y por desviacin tpica 1, N (0, 1). Esta normal estndar se suele representar por Z.

La

grfica de esta curva se denomina campana de Gauss y se puede observar en la Su funcin de densidad ser a: F(x) = 1 2 E x2 2

Puesto Para

que el rea bajo esta curva normal es 1, podemos definir una probabilidad de la siguiente manera: un valor cualquiera k, definimos la probabilidad de que la distribucin Z, N (0; 1), sea menor o igual que k como: p (Z k)= rea encerrada bajo la curva normal N (0,1) desde hasta k (Es decir la parte rayada de la figura siguiente).

rea

encerrada por la curva normal desde hasta k Ahora bien, .como calcular dicha rea? Fcil: Dichas reas o probabilidades se encuentran tabuladas.

Uso

de las tablas de la distribucin normal N (0; 1)

12

La

normal N (0; 1) se encuentra tabulada, para valores a partir de 0 y hasta 399. Si por ejemplo:

Queremos 1. Buscar

calcular p (Z 2_78), hemos de realizar los pasos:

la parte entera y las dcimas en la primera columna (en este caso 27). las centsimas en la primera fila (en este caso 8).

2. Buscar 3. En Por

el punto comn a la fila y la columna que hemos encontrado, tenemos la probabilidad buscada, en este caso 09973. tanto p (Z 2_78) = 0_9973. Si queremos calcular una probabilidad de un valor mayor que 399, basta fijarse en que las probabilidades correspondientes a valores tales como 362 y mayores ya valen 09999 (prcticamente 1). Por eso, para estos valores mayores que 399, diremos que la probabilidad es aproximadamente 1. As: p (Z 5_62) 1 Aunque no aparezca en la tabla.

Por

otra parte, fijmonos en que en este tipo de distribuciones no tiene sentido plantearse probabilidades del tipo p (Z=k), ya que siempre valen 0, al no encerrar ningn rea. Por tanto, si nos pidiesen p (Z=32), basta decir que p (Z=32)=0.

Este

tipo de distribuciones en las cuales la probabilidad de tomar un valor concreto es 0 se demonizan Distribuciones continuas, para diferenciarlas de otras en las que esto no ocurre, como por ejemplo la binomial, que es una distribucin discreta.

As,

al pasar al complementario, si tenemos Z k, su complementario ser a Z < k, pero como incluir K no influye en la probabilidad, al calcular probabilidades podemos escribir: p (Z k) = 1 p (Z < k) = 1 p (Z k)

Solo

se puede hacer esto en distribuciones continuas, en el caso de la binomial esto no se puede hacer y hay que ser cuidadosos con el paso al complementario.

13

En esta unidad llevamos a cabo el estudio de diversos temas que sin darnos cuenta son aplicados a la vida real, en acontecimientos cotidianos y al mismo tiempo irrelevantes, as mismo hemos podido comprender el uso de ciertas herramientas, que ahora podremos aplicar en los problemas futuros a los que nos enfrentaremos.

Probabilidad elemental, Johnson Kuby; Tercera edicin, editorial MATH eearning. Introduccin a la Estadstica, Lincoln I. Chao; Editorial Cecsa. Probabilidad y Estadstica para Ingenieros, William W. Hines; Editorial Cecsa www. Wikipedia.com www.buenastareas.com

14