P. 1
Probabilidad._PSICOLOGÍA[1] ESTADISTIKAAA

Probabilidad._PSICOLOGÍA[1] ESTADISTIKAAA

|Views: 2|Likes:
Publicado porLisha Mamani Ari

More info:

Published by: Lisha Mamani Ari on Jun 07, 2013
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PPT, PDF, TXT or read online from Scribd
See more
See less

07/23/2015

pdf

text

original

UNIVERSIDAD PERUANA UNIÓN

ESCUELA ACADEMICO PROFESIONAL DE PSICOLOGÍA
ESTADÍSTICA
Mg. ROSA PADILLA CASTRO

PROBABILIDADES
CONTENIDO
 Introducción
 Técnicas de Conteo
 Definiciones básicas de Probabilidad
 Axiomas de Probabilidad
 Probabilidad Condicional
 Probabilidad Total
 Teorema de Bayes
 Variable aleatoria
 Media o esperanza matemática de una variable
aleatoria
 Varianza y desviación típica de una variable
aleatoria


PROBABILIDADES
INTRODUCCIÓN
La estadística moderna se caracteriza por hacer uso de la
estadística inferencial. Esta incluye un conjunto de
técnicas que tienen el propósito de inferir o inducir leyes
de comportamiento de una población a partir del estudio
de una muestra. La inducción es posible debido a que
suponemos que los datos muestrales siguen un modelo
teórico de comportamiento, llamado comúnmente
“Modelo matemático”, el cual tiene como elemento básico
al cálculo de probabilidades.
PROBABILIDADES

OBJETIVO

Desarrollar una comprensión de los conceptos
básicos de probabilidad que son la base necesaria
para el estudio de distribuciones de probabilidad e
inferencia estadística.
PROBABILIDADES
TÉCNICAS DE CONTEO
Cada experimento involucra un número de resultados
favorables y un número total de resultados. En muchas
instancias, sin embargo, debido al gran número de
posibilidades, no es factible enumerar cada uno de los
resultados, en este caso se han desarrollado técnicas de
conteo:
1. Árbol de decisión.
Es una representación gráfica de un experimento que consta de r pasos,
donde cada uno de los pasos tiene un número finito de maneras de ser
llevado a cabo.
Ejemplo: Un producto (por ejemplo, hardware para un sistema de
computadora) se puede embarcar a través de cuatro
aerolíneas diferentes, y cada aerolínea puede transportar los
embarques por tres rutas distintas. ¿Cuántas formas distintas de
embarcar el producto existen?
TÉCNICAS DE CONTEO
Solución: Una representación gráfica de las diferentes formas de embarcar el
producto nos ayudará a contarlas, esto es el árbol de decisión.
Existen 12 formas distintas de embarcar el producto
NOTA INTERESANTE:
Si se quiere saber CUANTOS = usar el Principio de Multiplicación
Si se quiere saber CUALES = construir el Diagrama de Árbol
TÉCNICAS DE CONTEO
2. FACTORIAL (n!)
Producto ordenado de los números enteros positivos, desde el que indica el signo
factorial, hasta llegar a 1.
Ejemplo:
* Tres factorial 3! = (3) (2) (1) = 6
* n factorial n! = (n) (n-1) ...(3) (2) (1) = (n-1)!n
Por definición 0! = 1
1! = 1
3. PERMUTACIONES (INTERESA EL ORDEN)
Se entiende como cambio de lugar, esto es si se tienen dos objetos a y b, no es igual
que a sea primero y b segundo, esto es (ab) ≠ (ba), hay dos permutaciones. Ejemplo
Tres elementos 1, 2, 3, muestras de dos:
• sin repetición sería: (1,2). (1,3), (2,3), (2,1), (3,1), (3,2)
• con repetición sería: (1,2). (1,3), (2,3), (2,1), (3,1), (3,2), (1,1), (2,2), (3,3)
PROBABILIDADES
TÉCNICAS DE CONTEO
3. PERMUTACIONES (INTERESA EL ORDEN)
Permutaciones con repetición: nPk = n
k
Permutaciones sin repetición: nPk =
)! (
!
k n
n
÷
Considere el siguiente ejemplo:

Un educador en asuntos sanitarios tiene tres carteles para exhibir uno junto
al otro en la pared del vestíbulo de un centro de salud, ¿en cuántas formas
diferentes puede colocar los carteles?

Solución:
Por ejemplo A = cartel # 1, B cartel # 2 y C cartel # 3, entonces: A B C # B A C,
y sin repetición, aquí importa el orden, son permutaciones con:

n = 3, k = 3


6 ! 3
)! 3 3 (
! 3
3
3
= =
÷
= ¬ P
TÉCNICAS DE CONTEO
4. COMBINACIONES (NO INTERESA EL ORDEN)
k)! - (n k!
n!
C
n
k
r n
=
|
|
.
|

\
|
=
k! 1)! - (n
1)! - k (n
n(CR)k
+
=
Combinaciones sin repetición
Combinaciones con repetición
Ejemplo: De un equipo multidisciplinario, formado por un economista, un
ingeniero, un psicólogo ¿Cuántos comités de dos profesionales pueden
formarse?
3
2
6
)! 1 )( 1 2 (
1 2 3
)! 2 3 ( ! 2
! 3
3
3
2
= ¬ = =
÷
= C
x
x x
C
Primer comité : Economista, Ingeniero
Segundo comité : Ingeniero, psicólogo
Tercer comité : Economista, psicólogo
Ejemplo
Para la comida un paciente de un hospital, puede elegir una de cuatro
carnes, dos de cinco vegetales, y uno de tres postres. ¿Cuántas comidas
diferentes puede elegir el paciente, si selecciona el número especificado de
cada grupo?.Nota el paciente no puede repetir dos platos de la misma
comida.

Solución
¿Son combinaciones o permutaciones?; son combinaciones, por que si se
toman las muestras (carne, vegetal, postre) son iguales, esto es no importa
el orden y es sin repetición.
Entonces por el principio de la multiplicación, tenemos: A x B x C =
4 x 10 x 3 = 120 formas de combinar su comida.
EXPERIMENTO
Proceso que puede
repetirse y obtener un
resultado, llamado
espacio muestral: O
DETERMINÍSTICO
Bajo las mismas
condiciones los
resultados son los
mismos cuantas veces
se repita.
DEFINICIONES BÁSICAS DE PROBABILIDAD
ALEATORIO
Los resultados no se
pueden predecir a pesar
de repetir bajo las
mismas condiciones
* Suma de dos números
naturales.
* Lanzar una piedra desde
una determinada altura.
* Lanzar un dado
* Concebir un hijo
* Lanzar una moneda
A = Sexo de un niño al ser concebido ¬ O = {H, M} ¬ n(O) = 2
B = Observar el número de caras que aparece al lanzar 3 monedas
O = {sss, ccc, csc, ccs, ssc, css, scc, scs} ¬ n(O) = 8
EVENTO
Puntos muestrales
PROBABILIDADES
PROBABILIDAD DE UN EVENTO
) Ω (
) (
) (
n
A n
A P =
Nº de resultados favorables

Nº de resultados posibles
Evento o Suceso:
Es un subconjunto del espacio muestral y se denota por letras mayúsculas.
B = Obtener 2 caras
n(B) = 3 Y n(O) = 8
AXIOMAS DE PROBABILIDAD
1. P(A) > 0
2. 0 < P(A) < 1
3. P(O) = 1

4. Probabilidad de la Adición de Eventos

• Si A y B son mutuamente excluyentes
P(A U B) = P(A)+P(B)
En general:
P(A1 U A2 U.... U An) = P(A1)+P(A2)+....+P(An)
• Si A y B no son mutuamente excluyentes
P(A U B) = P(A)+P(B) - P(A ∩ B)
A B B
O
B A
O
··
8
3
) Ω (
) (
) ( = =
n
B n
B P
PROBABILIDAD DE UN EVENTO
Si A, B y C no son mutuamente excluyentes
P(A U B U C) = P(A)+P(B)+P(C) - P(A ∩ B) - P(B ∩ C) - P(A ∩ C) + P(A ∩ B∩ C)

NOTA.-
P(A U A
C
) = P(A) U P(A
C
) = 1
AXIOMAS DE PROBABILIDAD
B
A
O
C
A
C

A
Ejemplo: Un 15% de los pacientes atendidos en un hospital son hipertensos, un
10% son obesos y un 3% son hipertensos y obesos. ¿Qué probabilidad hay de
que elegido un paciente al azar sea obeso o hipertenso?
A = {obeso} B = {hipertenso}
A ∩ B = {hipertenso y obeso}
A U B = {obeso o hipertenso}
P(A) = 0,10; P(B) = 0,15; P(A ∩ B) = 0,03
P(A U B) = 0,10 + 0,15 - 0,03 = 0,22
PROBABILIDADES
PROBABILIDAD DE UN EVENTO
Si A, B y C no son mutuamente excluyentes
P(A U B U C) = P(A)+P(B)+P(C) - P(A ∩ B) - P(B ∩ C) - P(A ∩ C) + P(A ∩ B∩ C)

NOTA.-
P(A U A
C
) = P(A) U P(A
C
) = 1
AXIOMAS DE PROBABILIDAD
B
A
O
C
A
C

A
Ejemplo: Un 15% de los pacientes atendidos en un hospital son hipertensos, un
10% son obesos y un 3% son hipertensos y obesos. ¿Qué probabilidad hay de
que elegido un paciente al azar sea obeso o hipertenso?
A = {obeso} B = {hipertenso}
A ∩ B = {hipertenso y obeso}
A U B = {obeso o hipertenso}
P(A) = 0,10; P(B) = 0,15; P(A ∩ B) = 0,03
P(A U B) = 0,10 + 0,15 - 0,03 = 0,22
PROBABILIDADES
EJEMPLO .-

En una comunidad, se evaluó el estado de nutrición de 100 niños menores
de 5 años de edad, obteniéndose los siguientes resultados:
*********************************************************
SEXO ESTADO de NUTRICION
Normal Malnutrido TOTAL
*********************************************************
Hombres 40 15 55
Mujeres 20 25 45
********************************************************
TOTAL 60 40 100
********************************************************
Se elige un niño al azar, cuál es la probabilidad de que sea hombre o su
estado de nutrición sea normal ?

SOLUCION

H: Sea hombre
N: Tenga estado nutricional normal

P(HUN) = P(H) + P(N) - P(H·N)
P(HUN) = 55/100 + 60/100 - 40/100 = 0.75
EJEMPLO.-
Se recolectó información sobre el peso del recién nacido y si la madre
fumó o no durante el embarazo. Los datos se presentan a continuación:
FUMA
CIGARRILLOS PESO R N.
TOTAL
BAJO NORMAL
SI 30 10 40
NO 20 140 160
TOTAL 50 150 200
¿Cuál es la probabilidad de que un recién nacido tenga bajo peso o sea
normal?
SOLUCION

B : Tenga bajo peso al nacer
N : Tenga peso normal

P( B N ) = P( B ) + P( N )
P( B N ) = 50 / 200 + 150 / 200 = 1

• PROBABILIDAD CONDICIONAL P(A/B)
La probabilidad condicional está referida a la posibilidad de que ocurra un
evento (A) dada la condición de que otro evento (B) ya ocurrió. Es decir, en
este caso ya no nos referimos al espacio muestral total, sino al subespacio
conformado por el evento condicional. En este caso el nuevo espacio
muestra es B y la única posibilidad de que ocurra A es que se den ambos.
Ejemplo: Se sabe que el 50% de la población fuma y que el 10% fuma y es
hipertensa. ¿Cuál es la probabilidad de que un fumador sea hipertenso?

A = {ser hipertenso} B = {ser fumador}
A ∩ B = {ser hipertenso y fumador}
P(A|B) = 0,10/0,50 = 0,20
PROBABILIDADES
Ejemplo: La investigación de las quejas de los consumidores referentes a
productos realizada por la Federal Trade Comisión (FTC, Comisión
Federal de comercio de Estados Unidos), ha generado gran interés por
parte de los fabricantes en la calidad de sus productos. Un fabricante
de procesadores de alimentos realizó un análisis de un gran número
de quejas de los consumidores y determinó que entraban en las seis
categorías que se muestran en la tabla 2. si se recibe una queja de un
consumidor, ¿Qué probabilidad hay de que la causa de la queja sea el
aspecto del producto, dado que la queja se origino durante el periodo
de garantía?
Tabla 2: Distribución de quejas por producto
Tablas de contingencia
Solución :
Sea A el evento de que la causa de una queja en particular fue el
aspecto del producto, y con B el evento de que la queja se presentó
durante el periodo de garantía. Observando la tabla veremos que el
(18 + 13 +32)% = 0.63 % de las quejas se presentaron durante la
vigencia de la garantía; por tanto; por tanto, P(B) =0.63. El porcentaje
de quejas debidas a la apariencia que ocurrieron durante el periodo
de garantía (el evento A ∩ B) es el 32%, por tanto, P (A ∩ B) =0.32.
Con base en estos valores de probabilidad, podemos calcular la
probabilidad condicional P(A/B) de que la cusa de una queja sea la
causa aspecto, dado que la queja ocurrió durante el periodo de
garantía:
PROBABILIDADES
Así podemos ver que un poco más de la mitad de las quejas que ocurrieron
durante el periodo de garantía se debieron a rayones, abolladuras u otras
imperfecciones en la superficie de los procesadores de alimentos.

Ejemplo:
***************************************************************
SEXO OCUPACION
Desempleados Empleados TOTAL
D D’
***************************************************************
Hombres H 40 460 500
Mujeres H’ 260 140 400
****************************************************************
TOTAL 300 600 900
*****************************************************************
Se elige un adulto al azar, cuál es la probabilidad de que:
a. Esté desempleado
b. Esté desempleado dado que es mujer
c. Esté desempleado dado que es varón
SOLUCION:
n(D·H’) 260
a. P (D/M) = ---------------- = ------------ = 0.65
n(H’) 400
Interpretación:
Al elegir un adulto al azar, la probabilidad de que este desempleado dado que es
mujer es de 0.65.

EJEMPLO: Se dispone de 110 historias clínicas,
pertenecientes a pacientes masculinos y femeninos
agrupados por su nivel de hemoglobina.
M F
Estado (Masculino)
(Femenino
) Total
A (Anémico) 50 30 80
N
(Normal) 10 20 30
Total 60 50 110
Dado que la historia clínica corresponde a un paciente
anémico, ¿cuál es la probabilidad que sea mujer?
SOLUCION
n(F·A) 30
P(F/A) = ----------- = ------ = 0.375
n(A) 80
Sexo
Probabilidad Total
Llamamos sistema completo de sucesos a una familia de sucesos A
1
, A
2
, ...,A
n
que cumplen:
Son incompatibles dos a dos,
La unión de todos ellos es el suceso seguro,
Sea A
1
, A
2
, ...,A
n
un sistema completo de sucesos tales que la probabilidad de
cada uno de ellos es distinta de cero, y sea B un suceso cualquier del que se
conocen las probabilidades condicionales P(B/A
i
), entonces la probabilidad del
suceso B viene dada por la expresión:
) / ( ). ( ... ) / ( ). ( ) / ( ). ( ) (
2 2 1 1 n n
A B P A P A B P A P A B P A P B P + + + =
| =
j i
A A 
E A
i
n
i
=
=1

Ejemplo:
Una compañía dedicada al transporte público explota tres líneas de una
ciudad, de forma que el 60% de los autobuses cubre el servicio de la primera
línea, el 30% cubre la segunda y el 10% cubre el servicio de la tercera línea.
Se sabe que la probabilidad de que, diariamente, un autobús se averíe es del
2%, 4% y 1%, respectivamente, para cada línea. Determine la probabilidad de
que, en un día, un autobús sufra una avería.

Probabilidad Total
Solución
El suceso "sufrir una avería" (Av) puede producirse en las tres líneas, (L
1
, L
2
,
L
3
). Según el teorema de la probabilidad total y teniendo en cuenta las
probabilidades del diagrama de árbol adjunto, tenemos:
) / ( ). ( ) / ( ). ( ) / ( ). ( ) (
3 3 2 2 1 1
L Av P L P L Av P L P L Av P L P Av P + + =
P(Av) = 0.6 x 0.02 +0.3 x 0.04 + 0.1 x 0.01 = 0.025
Probabilidad Total
Ejemplo: Una empresa del ramo de la alimentación
elabora sus productos en cuatro factorías: F
1
, F
2
, F
3
y F
4
.
El porcentaje de producción total que se fabrica en cada
factoría es del 40%, 30%, 20% y 10%, respectivamente, y
además el porcentaje de envasado incorrecto en cada
factoría es del 1%, 2%, 7% y 4%. Tomamos un producto de
la empresa al azar. ¿Cuál es la probabilidad de que se
encuentre defectuosamente envasado?

Solución:
P(de que se encuentre defectuosamente envasado) =
0.028
Teorema de Bayes
Sea A
1
, A
2
, ...,A
n
un sistema completo de sucesos, tales que
la probabilidad de cada uno de ellos es distinta de cero, y sea
B un suceso cualquier del que se conocen las probabilidades
condicionales P(B/A
i
), entonces la probabilidad P(A
i
/B) viene
dada por la expresión:




Nota:
En los problemas relacionados con la probabilidad, y en
particular con la probabilidad condicionada, así como con la
probabilidad total y el teorema de Bayes, es aconsejable que,
con la información del problema, se construya una tabla de
contingencia o un diagrama de árbol.
) / ( ). ( ... ) / ( ). ( ) / ( ). (
) / ( ). (
) / (
2 2 1 1 n n
i i
i
A B P A P A B P A P A B P A P
A B P A P
B A P
+ + +
=
Teorema de Bayes
Ejemplo: Tres máquinas, A, B y C, producen el 45%, 30% y 25%,
respectivamente, del total de las piezas producidas en una fábrica.
Los porcentajes de producción defectuosa de estas máquinas son
del 3%, 4% y 5%.
Seleccionamos una pieza al azar:
• Calcule la probabilidad de que sea defectuosa.
• Tomamos, al azar, una pieza y resulta ser defectuosa; calcular la
probabilidad de haber sido producida por la máquina B.
• ¿Qué máquina tiene la mayor probabilidad de haber producido la
citada pieza defectuosa?

Sea D= "la pieza es defectuosa" y N= "la pieza no es defectuosa".
La información del problema puede expresarse en el diagrama de
árbol adjunto.




diagrama de árbol
Para calcular la probabilidad de que la pieza elegida sea defectuosa, P(D), por
la propiedad de la probabilidad total,

P(D) = P(A) · P(D/A) + P(B) · P(D/B) + P(C) · P(D/C) =
P(D) = 0.45 · 0.03 + 0.30 · 0.04 + 0.25 · 0.05 = 0.038

Debemos calcular P(B/D). Por el teorema de Bayes,




) / ( ). ( ) / ( ). ( ) / ( ). (
) / ( ). (
) / (
C D P C P B D P B P A D P A P
B D P B P
D B P
+ +
=
Teorema de Bayes




Calculamos P(A/D) y P(C/D), comparándolas con el valor de P(B/D) ya
calculado. Aplicando el teorema de Bayes, obtenemos:








316 . 0
38
12
05 . 0 25 . 0 04 . 0 30 . 0 03 . 0 45 . 0
04 . 0 30 . 0
) / ( = =
+ +
=
x x x
x
D B P
355 . 0
380
135
05 . 0 25 . 0 04 . 0 30 . 0 03 . 0 45 . 0
03 . 0 45 . 0
) / ( = =
+ +
=
x x x
x
D A P
329 . 0
380
125
05 . 0 25 . 0 04 . 0 30 . 0 03 . 0 45 . 0
05 . 0 25 . 0
) / ( = =
+ +
=
x x x
x
D C P
La máquina con mayor probabilidad de haber producido la pieza
defectuosa es A
Teorema de Bayes

El 20% de los empleados de una empresa son ingenieros y otro 20% son
economistas. El 75% de los ingenieros ocupan un puesto directivo y el 50% de
los economistas también, mientras que los no ingenieros y los no economistas
solamente el 20% ocupa un puesto directivo. ¿cuál es la probabilidad de que
un empleado directivo elegido al azar sea ingeniero?








Rpta: 0.405
VARIABLE ALEATORIA
Es una variable cuyo valor es un número determinado por el resultado de un
experimento aleatorio, se denota por letras mayúsculas: X, Y, Z... y sus valores
individuales por su correspondiente letra minúscula, si X (es una variable
aleatoria) v.a., entonces sus valores son: X1,X2,..., Xn
Si a cada valor de la variable aleatoria le asociamos su probabilidad obtenemos
la distribución de probabilidad de dicha variable.

Ejemplo: Sea un experimento el lanzamiento de una moneda 2 veces y anotamos
los resultados obtenidos en la cara superior.
Podemos definir la variable aleatoria Y como el número de caras obtenido en los
2 lanzamientos. Así, los valores que toma la variable pueden ser 0, 1, 2
dependiendo de los resultados del experimento.
PROBABILIDADES
VARIABLE
ALEATORIA Y
PROBABILIDAD
P(Y)
0
1
2
1/4
2/4
1/4
TOTAL 1
Luego la distribución de probabilidad de esta variable será:
PROBABILIDADES
ESPACIO
MUESTRAL
VARIABLE
ALEATORIA
CC
CS
SC
SS
2 (caras)
1(cara)
1(cara)
0(cara)
PROBABILIDADES
Media o esperanza de una variable aleatoria

¿
=
= + + =
n
i
i i n n
x P X x P X x P X x P X
1
2 2 1 1
) ( ) ( . ... ) ( . ) ( . µ
Se llama media o esperanza de una variable aleatoria
x y se representa por:
Ejemplo:
Si lanzamos dos monedas. Si salen dos caras recibimos 3 dólares, si sale
una cara recibimos 1 dólar, y si no sale ninguna cara pagamos 5 dólares
¿Cuál es la ganancia media del juego?
Solución: Hallamos la función de probabilidad de la ganancia X en dólares:

xi 3 1 -5
Px(xi) 1/4 1/2 1/4
PROBABILIDADES
ESPACIO
MUESTRAL
Resultados al
lanzar dos
monedas
CC
CS
SC
SS
2 (caras)
1(cara)
1(cara)
0(cara)
VARIABLE
ALEATORIA Y
PROBABILIDAD
P(Y)
0
1
2
1/4
2/4
1/4
TOTAL 1
Hallamos la función de probabilidad de la ganancia X en dólares:

xi 3 1 -5
Px(xi) 1/4 1/2 1/4
Solución: Determinamos el espacio muestral del experimento de lanzar dos monedas,
luego definimos su variable aleatoria y calculamos la probabilidad para cada variación

¿
=
= + + =
n
i
i i n n
x P X x P X x P X x P X
1
2 2 1 1
) ( ) ( . ... ) ( . ) ( . µ
Reemplazamos valores en la fórmula de la media o esperanza de la variable xi
PROBABILIDADES
La ganancia media del juego es la media o esperanza de x:

Cuando en un juego la ganancia esperada
se llama juego justo, Si es un juego con
ventaja y si es un juego en desventaja

¬ + + = ) ( . ) ( . ) ( .
3 3 2 2 1 1
x P X x P X x P X µ
0 4 / 1 * 5 2 / 1 * 1 4 / 1 * 3 = + + = µ
0 = µ
0 > µ
0 s µ
PROBABILIDADES
Varianza y desviación típica de una variable aleatoria

Se llama varianza de una variable aleatoria x y se
representa por al valor:
A partir de la varianza se define la desviación típica como la
raíz cuadrada de la varianza.
2
o
2
1
2
2 2
2
2
2 1
2
1
2
) ( .
) ( . ... ) ( . ) ( .
µ
µ o
÷
= ÷ + + =
¿
=
n
i
i i
n n
x P X
x P X x P X x P X
PROBABILIDADES
Ejemplo: Hallar la varianza y la desviación típica de la variable
aleatoria x, dada por la función de probabilidad:

Solución:
Calculamos la media

Varianza:



Desviación típica

x
i
0 1 2 3
P(x
i
) 0.1 0.2 0.4 0.3
9 . 1 3 . 0 * 3 4 . 0 * 2 2 . 0 * 1 1 . 0 * 0 = + + + = µ
¬ = ÷ + + + = 89 . 0 9 . 1 3 . 0 * 3 4 . 0 * 2 2 . 0 . 1 1 . 0 * . 0
2 2 2 2 2 2
o
94 . 0 89 . 0 = = o
DISTRIBUCIONES DE PROBABILIDAD

VARIABLE
ALEATORIA Y
PROBABILIDAD
P(Y)
0
1
2
1/4
2/4
1/4
TOTAL 1
Variable aleatoria discreta: Distribución Binomial
Distribución Poissón
Distribución Hipergeométrica
Variable aleatoria continua: Distribución Normal
Distribución T- Student
Distribución chi- cuadrado
Distribución F- Snedecor
Luego la distribución de probabilidad de esta variable será:
PROBABILIDADES
DISTRIBUCIÓN BINOMIAL
Esta distribución considera variables que se obtienen a partir de la repetición de
un experimento simple, conocido como experimento Bernoulli. Este experimento
tiene únicamente dos resultados posibles llamados “éxito” o “fracaso”.
La distribución binomial, asigna probabilidades a la variable aleatoria definida
como el número de éxitos obtenidos en el total de repeticiones del experimento.
La función que asigna dichas probabilidades es:
o acumulativ ino térm
x - n

x

n
x
n
x
X) P(X
individual término
x - n

x

n
x
f(X) X) P(X
q
P C
q
P C
¿
= >
= = =
Donde p es la probabilidad de éxito, q la diferencia de p
n = número de ensayos
x = resultados que se desea obtener o éxitos
p (X = x) = probabilidad de obtener x éxitos
PROBABILIDADES
DISTRIBUCIÓN BINOMIAL
Los supuestos de la distribución binomial son:
1. La variable, en cada repetición, sólo toma dos valores
2. Las repeticiones son independientes
3. La probabilidad de éxito es constante
4. Todas las repeticiones son idénticas

Si un experimento cumple con estas cuatro condiciones, podemos utilizar la
Distribución Binomial para asignar probabilidades a sus resultados.

Ejemplo.- Estos experimentos aleatorios Son:
* Lanzamiento de una moneda al aire : Cara o sello
* Nacimiento de un ser humano con respecto al sexo: Hombre o Mujer
* Estado de salud de una persona: Sano o enfermo
* Situación ocupacional de una persona: Ocupado o desocupado
Debe cumplir que p + q = 1 ( por definición de probabilidad)
PROBABILIDADES
DISTRIBUCIÓN BINOMIAL
Uso de la tabla Binomial:
Muchas veces la aplicación de la fórmula binomial resulta sumamente larga y
tediosa, sobre todo cuando n es muy grande, entonces es muy práctico
utilizar la tabla estadística de la distribución Binomial.
Ejemplo
Generalmente el 40 % de los alumnos desaprueban un examen de
estadística. ¿Cuál es la probabilidad de que en un grupo de 20,
desaprueben:
a) Exactamente 10 alumnos
b) 5 o más alumnos
c) Más de 10 alumnos
d) Menos de 10 alumnos
e) 10 o menos alumnos
f) Entre 6 y 10 alumnos.
PROBABILIDADES
DISTRIBUCIÓN BINOMIAL
Solución:
a) Exactamente 10 alumnos desaprueben: x = 10, n = 20
Tablas estadísticas de Pedro Díaz, Pág.19 localizamos:
n x .01 .02 ............ .40 .45 .50 x
.
.
.

.

10
.
.

.

0+ 0+ ………
.
.

.

098 145 176
.
.

.

10
.
.

.


20 10 ……………… 117 159 176 10
P(x = 10) = 0.117 = 11.7% de que desaprueben exactamente 10 alumnos.
PROBABILIDADES
DISTRIBUCIÓN BINOMIAL
Solución
a) 5 o más alumnos desaprueben (términos acumulativos)
En la pág 26 de la tabla estadística localizamos n = 20, x = 5, p = .40
P(X > 0.949, la probabilidad de que desaprueben 5 o más alumnos es de 94.9%
b) Más de 10 alumnos. P(x > 10) = P (x > 11) = 0.128 = 12.8%
c) Menos de 10 alumnos: P (x < 10) = 1 – P (x > 10) = 1 – 0.245 = 0.775 = 77.5%
d) 10 o menos alumnos: P (x s10) = 1 – P (x > 11) = 1 – 0.128 = 0.872 = 87.2%
e) Entre 6 y 10 alumnos. P( 6s x s10) = P(x > 6) – P(x >11) = 0.874 – 0.128 = 0.746
La probabilidad de que desaprueben entre 6 y 10 alumnos es de 74.6%
Propiedades de la distribución Binomial
La media aritmética, la desviación estándar y la varianza en una
distribución binomial, se obtiene a través de:
MEDIA: µ = n x p
DESVIACIÓN ESTÁNDAR:
VARIANZA: σ
2
= n.p.q
q p n σ . . =
PROBABILIDADES
DISTRIBUCIÓN POISSON
Otra distribución a considerar debido, a su importancia, es la distribución de
Poisson. Proporciona un modelo para la frecuencia relativa de eventos que
ocurren en una unidad de tiempo, área, volumen, etc.
Ejemplo. El número de trabajos nuevos presentados a una computadora en un
minuto dado.
Al igual que la distribución binomial, esta distribución considera la repetición de
un experimento simple. La diferencia, en este caso, es que el número de
repeticiones es muy grande y la probabilidad de éxito es muy pequeña.
La función que asigna dichas probabilidades es:
!
) (
x
λ e
x X P
x λ ÷
= =
Donde x = 0, 1, 2, … y ì > 0 es una constante.
e = 2.718 , constante
ì = número promedio de ocurrencias en un tiempo t, área o volumen
PROBABILIDADES
DISTRIBUCIÓN POISSON
PROBABILIDADES
1. El número promedio de ocurrencias de eventos en una unidad de medida
(intervalo de tiempo, una región específica, volumen, etc.) es conocido e igual
a ì
2. La ocurrencia de los eventos continuos son independientes.
3. La media aritmética, la desviación estándar y la varianza en una distribución
de Poisson, se obtiene a través de:
MEDIA : µ = ì
DESVIACIÓN ESTÁNDAR :
VARIANZA : o
2
= ì
4. Si n es bastante grande : ì = n . p
PROPIEDADES DE LA DISTRIBUCIÓN DE POISSON
ì o =
DISTRIBUCIÓN POISSON
PROBABILIDADES



98.4% 0.984
! 0
1 . 0
) 0 (
0 1 . 0
= = = =
÷
e
X P
Ejemplo 1:
Supóngase que el 2 % de la población en promedio sean zurdos. Hallar la
probabilidad que en 100 personas haya:
a) 3 o más zurdos.
P = 2 % = 0.02, n = 100 ¬ ì = (0.02)(100) = 2 ¬
P (x s 3) = 1 - P ( x > 2 ) = 1 - 0.677 = 0.323 = 32.3 %
b) exactamente 3 zurdos
c) 3 o menos zurdos
Ejemplo 2:
Suponga que el manuscrito de un texto de ingeniería tiene un total de 50 errores en
las 500 páginas del material. Los errores están distribuidos aleatoriamente a lo largo
del texto. Cuál es la probabilidad de que:
Una página seleccionada aleatoriamente no tenga errores.
Solución
Probabilidad de cometer error 50 / 500 = 0.1
a) ì = np reemplazando ì = (1)(0.1) = 0.1 ¬
P ( x = 0 ) = = 0.984 = 98.4%

DISTRIBUCIÓN POISSON
PROBABILIDADES
Cuando n es relativamente grande y p pequeña, la probabilidades binomiales y
poisson se relacionan.
Donde los términos binomiales individuales se reemplazan por los
correspondientes valores de Poisson con λ = np
REGLA PRÁCTICA
i) Si n s 20 ; p s 0.05
ii) Si n > 100, la aproximación es generalmente excelente a condición de que
np s 10

APROXIMACIÓN DE LA DISTRIBUCIÓN DE POISSON A LA BINOMIAL
DISTRIBUCIÓN HIPERGEOMÉTRICA
PROBABILIDADES
El experimento consiste en extraer al azar y sin sustitución n elementos de un
conjunto de N elementos, r de los cuales son S (éxitos) y (N – r) de los cuales F
(fracasos).
El tamaño de la muestra n es grande en comparación con el número N de
elementos de la población , es decir , n/N > .05
La variable aleatoria hipergeométrica “y” es el número de resultados “S” en la
muestra de n elementos.
La distribución de probabilidad es:




Donde:
N = Nº total de elementos
r = Nº de resultados de S en los N elementos
n = Nº de elementos extraídos
Y = Nº de resultados S en los n elementos



| |,..., ) ( , 0 , ) ( r N n Máximo y
n
N
y n
r N
y
r
y P ÷ ÷ =
|
|
.
|

\
|
|
|
.
|

\
|
÷
÷
|
|
.
|

\
|
=
La media y la varianza de una variable aleatoria
hipergeométrica son, respectivamente,

) 1 (
) ( ) (
;
2
2
÷
÷ ÷
= =
N N
n N n r N r
N
nr
o µ
Se realiza un experimento para seleccionar un catalizador apropiado
para la producción comercial de etilendiamina (EDA), un producto que se
utiliza en jabones. Suponga que un ingeniero químico selecciona al azar tres
catalizadores para probarlos dentro de un grupo de 10 catalizadores, seis de los
cuales tienen baja acidez y cuatro de los cuales son muy ácidos.
a. Calcule la probabilidad de que no se escogerá un catalizador muy ácido.
b. Calcule la probabilidad de que se escoja exactamente un catalizador muy
ácido.
Solución: N = 10, n = 3, r = 4, y=0, entonces:
167 . 0
6
1
3
10
0 3
4 10
0
4
) 0 ( = =
|
|
.
|

\
|
|
|
.
|

\
|
÷
÷
|
|
.
|

\
|
= P
DISTRIBUCIÓN NORMAL
PROBABILIDADES
Esta distribución es frecuentemente utilizada en las aplicaciones estadísticas. Su propio
nombre indica su extendida utilización, justificada por la frecuencia o normalidad con la que
ciertos fenómenos tienden a parecerse en su comportamiento a esta distribución.

La importancia de la distribución normal se debe principalmente a que hay muchas
variables asociadas a fenómenos naturales que siguen el modelo de la normal:

•Caracteres morfológicos: de individuos (personas, animales, plantas,...) de una especie,
.ejm. tallas, pesos, envergaduras, diámetros, perímetros,...
•Caracteres ambientales: Ruido medido en decibeles, monóxido de carbono, etc.
•Caracteres fisiológicos: efecto de una misma dosis de un fármaco, o de una misma
cantidad de abono.
•Caracteres sociológicos: consumo de cierto producto por un mismo grupo de individuos,
puntuaciones de examen.
•Caracteres psicológicos: por ejemplo: cociente intelectual, grado de adaptación a un
medio,...
•Valores estadísticos muestrales: la media.
•Otras distribuciones como la Binomial o la de Poisson son aproximaciones normales, ...

DISTRIBUCIÓN NORMAL
PROBABILIDADES

2
2
2
) (
2
1
) (
o
µ
t o
÷
÷
=
x
e x f
FUNCIÓN DE DENSIDAD
ianza
típica Desv
media
var
.
2
=
=
=
o
o
µ
abscisa x
e
=
=
=
7182 . 2
1416 . 3 t
N(µ,o): para cada valor de µ y o tendremos una función de densidad distinta, por lo tanto
la expresión N (µ,o
2
) representa una familia de distribuciones normales.
Parámetros
DISTRIBUCIÓN NORMAL
PROBABILIDADES

+· < < ÷· = s =
}
· ÷
÷
÷
x dx e x X P X F
x x
,
2
1
) ( ) (
2
2
2
) (
o
µ
t o
FUNCIÓN DE DISTRIBUCIÓN
• Puede tomar cualquier valor (-·, + ·)
• Son más probables los valores cercanos a uno central que llamamos media µ
• La distribución es simétrica.
• Conforme nos separamos de ese valor µ, la probabilidad va decreciendo de
forma más o menos rápida dependiendo de un parámetro o, que es la
desviación típica.
DISTRIBUCIÓN NORMAL
PROBABILIDADES
TIPIFICACIÓN O ESTANDARIZACIÓN
Característica de la distribución normal tipificada (reducida,
estándar)
•No depende de ningún parámetro
•Su media es 0, su varianza es 1 y su desviación típica es 1.
•La curva f(x) es simétrica respecto del eje X
DISTRIBUCIÓN NORMAL
PROBABILIDADES
MANEJO DE TABLAS. CASOS MÁS FRECUENTES
Por ejemplo:
P(Z 2.75) = 0.99702
Por ejemplo:
P(Z > 1.40) = 1- P(Z 1.40)
= 1 – 0.91924 = 0.08076
Otra forma de cálculo:
P(Z > 1.40) = P (Z - 1.40)
= 0.08076
s
DISTRIBUCIÓN NORMAL
PROBABILIDADES
Ejemplo de aplicación

Suponga que un consultor estaba investigando el tiempo que emplearon los obreros de
una planta automotriz en montar una parte específica después de su entrenamiento
para realizar la tarea usando un enfoque de aprendizaje individual.
El consultor determinó que el tiempo en segundos invertido por los obreros entrenados
con este método para montar la parte se distribuirá normalmente con una media de
75 segundos y una desviación estándar de 6 segundos. Cuál es la probabilidad de
que un obrero fabril seleccionado aleatoriamente pueda montar la parte en:
a. menos de 62 segundos
b. En menos de 75 segundos o en más de 81 segundos
c. Entre 75 y 81 segundos
d. En más de 81 segundos
e. ¿Cuántos segundos debe transcurrir antes de que el 50% de los obreros
monten la parte?
f. Cuál es el alcance del primer cuartil (en segundos) para que los obreros
monten la parte.
DISTRIBUCIÓN NORMAL
PROBABILIDADES
Aproximación a la normal de la ley binomial
Se puede demostrar (teorema central del límite) que una v.a. discreta con
distribución binomial, se puede aproximar mediante una distribución normal
si n es suficientemente grande y p no está ni muy próximo a 0 ni a 1. Como el
valor esperado y la varianza de X son respectivamente np y npq, El convenio
que se suele utilizar para poder realizar esta aproximación es:


Ejemplo
Durante cierta epidemia de gripe, enferma el 30% de la población. En un
aula con 200 estudiantes de Ingeniería, (a) ¿cuál es la probabilidad de que
al menos 40 padezcan la enfermedad? (b) calcular la probabilidad de que
haya 60 estudiantes con gripe.
DISTRIBUCIÓN NORMAL
PROBABILIDADES
a) La v.a. que contabiliza el número de alumnos que padece la gripe es
Realizar los cálculos con la ley binomial es muy engorroso, ya que intervienen
números combinatorios de gran tamaño, y potencias muy elevadas. Por ello
utilizamos la aproximación normal de X, teniendo en cuenta que se verifican las
condiciones necesarias para que el error sea aceptable.
Así aproximando la v.a. discreta binomial X, mediante la v.a. continua normal
XN tenemos:
DISTRIBUCIÓN NORMAL
PROBABILIDADES
b) También es necesario calcular P(X = 60). Esta probabilidad se calcula
exactamente como:

Para calcular la probabilidad buscada. Por ejemplo, podemos aproximar P (X
= 60 ) por el valor de la función de densidad de XN en ese punto, la
posibilidad es considerar un intervalo de longitud 1 centrado en el valor 60
del que deseamos hallar su probabilidad y hacer:

LA DISTRIBUCIÓN t
PROBABILIDADES
La distribución “t”, al igual que la distribución normal “Z”, es
importante en problemas en los cuales se estima la media verdadera
(µ) a partir de la media de la muestra . La distribución t, a diferencia
de la distribución Z , no requiere el conocimiento de la desviación
estándar poblacional (o
2
); todo lo que se requiere para la “t” es que
la muestra sea tomada de una población normalmente distribuida y
que esta muestra tenga una media (x)y una desviación estándar (s)

You're Reading a Free Preview

Descarga
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->