Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Distribucion de Probabilidades
Distribucion de Probabilidades
DISTRIBUCIONES DE PROBABILIDAD
Lic. Norma Irene Sols Reyna Lic. Jess Daniel Mrquez Melndez Lic. Eric Crdenas Cervantes Ing. Jess Gerardo Armijo Wong
1
DISTRIBUCIONES DE PROBABILIDAD
Definicin
Una distribucin de probabilidad indica toda la gama de valores que pueden representarse como resultado de un experimento si ste se llevase a cabo.
Es decir, describe la probabilidad de 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.
VARIABLES ALEATORIAS
Toda distribucin de probabilidad es generada por una variable (porque puede tomar diferentes valores) aleatoria x (porque el valor tomado es totalmente al azar), y puede ser de dos tipos: Variable aleatoria discreta (x). Porque solo puede tomar valores enteros y un nmero finito de ellos. Por ejemplo: xVariable que nos define el nmero de alumnos aprobados en la materia de probabilidad en un grupo de 40 alumnos (1, 2 ,3 los 40). PROPIEDADES DE UNA VARIABLE ALEATORIA DISCRETA (X) 0p(xi)1 Las probabilidades asociadas a cada uno de los valores que toma x deben ser mayores o iguales a cero y menores o iguales a 1. p(xi) = 1 La sumatoria de las probabilidades asociadas a cada uno de los valores que toma x debe ser igual a 1.
2 1 1 0
0 1 2
NOTA:
ESTA TABLA NO REPRESENTA EL RESULTADO REAL DE LANZAR UNA MONEDA DOS VECES SINO LA DEL RESULTADO TERICO, ES DECIR REPRESENTA LA FORMA EN QUE ESPERAMOS SE COMPORTE NUESTRO EXPERIMENTO DE LANZAR DOS VECES UNA MONEDA 5
VARIABLES ALEATORIAS
Variable aleatoria continua (x). Porque puede tomar tanto valores enteros como fraccionarios y un nmero infinito de ellos dentro de un mismo intervalo. Por ejemplo: xVariable que nos define la concentracin en gramos de plata de algunas muestras de mineral (14.8 gr, 12.1, 10.0, 42.3, 15.0, 18.4, 19.0, 21.0, 20.8, , ) PROPIEDADES DE UNA VARIABLE ALEATORIA DISCRETA (X) p(x)0 Las probabilidades asociadas a cada uno de los valores que toma x deben ser mayores o iguales a cero. Dicho de otra forma, la funcin de densidad de probabilidad deber tomar solo valores mayores o iguales a cero.
El rea definida bajo la funcin de densidad de probabilidad deber ser de 1. f ( x )dx = 1
DISTRIBUCION BINOMIAL
La distribucin Binomial es un caso particular de probabilidad de variable aleatoria discreta, y por sus aplicaciones, es posiblemente la ms importante. Esta distribucin corresponde a la realizacin de un experimento aleatorio que cumple con las siguientes condiciones: * Al realizar el experimento slo son posible dos resultados: el suceso A, llamado xito, o su contrario A, llamado fracaso. * Al repetir el experimento, el resultado obtenido es independiente de los resultados obtenidos anteriormente. * La probabilidad del suceso A es constante, es decir, no vara de una prueba del experimento a otra. Si llamamos p a la probabilidad de A, p(A) = P, entonces p(A)= 1 p = q * En cada experimento se realizan n pruebas idnticas.
8
DISTRIBUCION BINOMIAL
Todo experimento que tenga estas caractersticas se dice que sigue el modelo de la distribucin Binomial o distribucin de Bernoulli. En general, si se tienen n ensayos Bernoulli con probabilidad de xito p y de fracaso q, entonces la distribucin de probabilidad que la modela es la distribucin de probabilidad binomial y su regla de correspondencia es:
P(X=x) = n! x!(n x)! pX qn - X
Como el clculo de estas probabilidades puede resultar algo tedioso se han construido tablas para algunos valores de n y p que nos facilitan el trabajo (Ver las tablas de la funcin de probabilidad Binomial).
P(X=x) =
n!
Donde: P(X) es la probabilidad de ocurrencia del evento p es la probabilidad de xito del evento (en un intento) (0.5) q es la probabilidad de fracaso del evento (en un intento) (se define como q = 1 p ) (0.5) X = ocurrencia del evento o xitos deseados =2 n = nmero de intentos = 6 A la columna C1 la titulamos X y en el rengln 1 columna 1 colocamos 2 (el cual representa el nmero de ocurrencia del evento, queremos saber la probabilidad de que caigan exactamente dos caras). Seleccionamos: Calc / Probability Distributions / Binomial 10
x!(n x)!
pX qn - X
En seguida aparecer una ventana Binomial Distribution (Distribucion Binomial). Seleccionamos Probability En el campo de Number of trials (Nmero de intentos) colocamos 6 En el campo de Event probability colocamos 0.5 (probabilidad de xito) En el campo de Input column colocamos el puntero del mouse y automticamente aparecer en el recuadro de la izquierda C1 X el cual seleccionamos con el puntero del mouse y luego presionamos Select Una vez alimentado los datos presionamos OK . 11
P(X) =
Al sustituir obtenemos:
n! X!(n X)!
los valores
pX qn - X
en la frmula
P(2 caras) =
Resolviendo:
(0.52) (0.56 2)
P(2 caras) =
(.25) (0.0625)
12
Para el ejemplo que estamos viendo: Cul es la probabilidad de obtener exactamente 2 caras al lanzar una misma moneda 6 veces ? Tenemos p = 0.50, n = 6 y r = 2 obteniendo resultado directo de tablas P(2 caras) = 0.2344
13
DISTRIBUCION DE POISSON
La distribucin de POISSON es tambin un caso particular de probabilidad de variable aleatoria discreta, el cual debe su nombre a Simon Denis Poisson (1781-1840), un francs que la desarroll a partir de los estudios que realiz durante la ltima etapa de su vida.
Esta distribucin se utiliza para describir ciertos procesos. Caractersticas: En este tipo de experimentos los xitos buscados son expresados por unidad de rea, tiempo, pieza, etc: - # de defectos de una tela por m2 - # de aviones que aterrizan en un aeropuerto por da, hora, minuto, etc. - # de bacterias por cm2 de cultivo - # de llamadas telefnicas a un conmutador por hora, minuto, etc, etc. - # de llegadas de embarcaciones a un puerto por da, mes, etc, etc.
14
DISTRIBUCION DE POISSON
Para determinar la probabilidad de que ocurran x xitos por unidad de tiempo, rea, o producto, la frmula a utilizar sera: P(X, ) = xe- X! donde: 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 e = 2.718 (base de logaritmo neperiano o natural) 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.
15
16
17
P(X=4, =6 ) =
Al sustituir obtenemos: los valores
xe- X!
en la frmula
P(X=4, =6 ) =
Resolviendo:
6 4e-6 4! 1296x0.0025 24
P(X=4, =6 ) =
18
Para el ejemplo, inciso a) que estamos viendo: Cul es la probabilidad de que el banco reciba cuatro cheques sin fondo en un da dado? Tenemos x = 4; = 6 cheques sin fondo por da; obteniendo resultado directo de tablas :
P(X=4, =6 ) = 0.1339
19
P(X=10, =12 ) =
Al sustituir obtenemos: los valores
xe- X!
en la frmula
P(X=10, =12 ) =
Resolviendo:
12 10e-12 10!
= 0.104837
20
Para el ejemplo, inciso b) que estamos viendo: Cul es la probabilidad de que el banco reciba diez cheques sin fondo en dos das consecutivos? Tenemos x = 10; = 12 cheques sin fondo en das consecutivos; obteniendo resultado directo de tablas :
21
P(3) =
(20)(0.02) 3e-20(0.02) 3!
= 0.00715
Observacin: la diferencia entre las dos distribuciones de probabilidad es pequea (slo de aproximadamente el 10.85% de error para este ejemplo) 23
DISTRIBUCION NORMAL
La distribucin normal es tambin un caso particular de probabilidad de variable aleatoria contnua, fue reconocida por primera vez por el francs Abraham de Moivre (1667-1754). Posteriormente, Carl Friedrich Gauss (1777-1855) elabor desarrollos ms profundos y formul la ecuacin de la curva; de ah que tambin se le conozca, ms comnmente, como la "campana de Gauss". La distribucin de una variable normal est completamente determinada por dos parmetros, su media () y su desviacin estndar (). Con esta notacin, la densidad de la normal viene dada por la ecuacin: x 1 (x - ) 2 dx e 2 2 f(x) = 2 - que determina la curva en forma de campana que tan bien conocemos
24
DISTRIBUCION NORMAL
Existen dos razones bsicas por las cuales la distribucin normal ocupa un lugar tan prominente en la estadstica : Tiene algunas propiedades que la hacen aplicable a un gran nmero de situaciones en la que es necesario hacer inferencias mediante la toma de muestras. La distribucin normal casi se ajusta a las distribuciones de frecuencias reales observadas en muchos fenmenos, incluyendo caractersticas humanas, resultados de procesos fsicos y muchas otras medidas de inters para los administradores, tanto en el sector pblico como en el privado.
25
DISTRIBUCION NORMAL
Propiedad: No importa cules sean los valores de y para un distribucin de probabilidad normal, el rea total bajo la curva siempre es 1, de manera que podemos pensar en reas bajo la curva como si fueran probabilidades. Matemticamente es verdad que: 4.Aproximadamente el 68% de todos los valores de una poblacin normalmente distribuida se encuentra dentro de 1 desviacin estndar de la media. 6.Aproximadamente el 95.5% de todos los valores de una poblacin normalmente distribuida se encuentra dentro de 2 desviaciones estndar de la media. 8.Aproximadamente el 99.7% de todos los valores de una poblacin normalmente distribuida se encuentra dentro de 3 desviaciones estndar de la media. Ver grficas en la siguiente pgina
26
DISTRIBUCION NORMAL
Estas grficas muestran tres formas diferentes de medir el rea bajo la curva normal. Sin embargo, muy pocas de las aplicaciones que haremos de la distribucin normal de probabilidad implican intervalos de exactamente (ms o menos) 1, 2 3 desviaciones estndar a partir de la media. Para estos casos existen tablas estadsticas que indican porciones del rea bajo la curva normal que estn contenidas dentro de cualquier nmero de desviaciones estndar (ms o menos) a partir de la media. Afortunadamente tambin podemos utilizar una distribucin de probabilidad normal estndar para encontrar reas bajo cualquier curva normal. Con esta tabla podemos determinar el rea o la probabilidad de que la variable aleatoria distribuida normalmente est dentro de ciertas distancias a partir de la media. Estas distancias estn definidas en trminos de desviaciones estndar. 27
Relacin entre el rea bajo la curva de distribucin normal de probabilidad y la distancia a la media medida en desviaciones estndar.
DISTRIBUCION NORMAL
Uso de la tabla de distribucin de probabilidad normal estndar
Para cualquier distribucin normal de probabilidad, todos los intervalos que contienen el mismo nmero de desviaciones estndar a partir de la media contendrn la misma fraccin del rea total bajo la curva para cualquier distribucin de probabilidad normal. Esto hace que sea posible usar solamente una tabla (Apndice Tabla 1) de la distribucin de probabilidad normal estndar.
28
DISTRIBUCION NORMAL
El valor de z est derivado de la frmula: Z= x-
En la que: x = valor de la variable aleatoria que nos preocupa. = media de la distribucin de la variable aleatoria. = desviacin estndar de la distribucin. z = nmero de desviaciones estndar que hay desde x a la media de la distribucin. (el uso de z es solamente un cambio de escala de medicin del eje horizontal)
Distribucin normal que ilustra la comparacin de los valores de z y las desviaciones estndar.
29
Para obtener la grfica en minitab seleccionamos: Graph / Probability Distribution Plot En seguida aparecer una ventana Probability Distribution Plot (Grfica de Distribucin de Probabilidad) con el puntero seleccionamos View Probability (Vista de Probabilidad) y una vez seleccionado presionamos OK.
31
Seleccionamos ahora la pestaa de Shaded Area: Con el puntero seleccionamos Probability Con el punetro seleccionamos el Right Tail or Left Tail (trabajaremos con right Tail) En el campo de Probability: colocamos 0.5 (ya que para este caso la media ocupa exactamente el punto ms alto de la curva por tanto la probabilidad es de 0.5) 32
El programa MIinitab nos arrojar la grfica mostrada. Estos pasos descritos fue simplemente para mostrar la manera de graficarlo.
33
Si buscamos Z=1.5 (refirase a la tabla de la pg. 28), encontramos una probabilidad de 0.4332. Por lo tanto, la probabilidad de que un candidato escogido al azar requiera entre 500 y 650 horas para terminar el programa de entrenamiento es de 0.4332
34
Para obtener la grfica en minitab seleccionamos: Graph / Probability Distribution Plot En seguida aparecer una ventana Probability Distribution Plot (Grfica de Distribucin de Probabilidad) con el puntero seleccionamos View Probability (Vista de Probabilidad) y una vez seleccionado presionamos OK.
35
Seleccionamos ahora la pestaa de Shaded Area: Con el puntero seleccionamos Probability Con el punetro seleccionamos el Middle En el campo de X value 1: colocamos 500 (valor medio) En el campo de X value 2: colocamos 650 (valor de la probabilidad que toma la vareable en ese punto) 36
El programa MIinitab nos arrojar la grfica mostrada y el valor obtenido. Es decir, la probabilidad de que un candidato escogido al azar requiera entre 500 y 650 horas para terminar el programa de entrenamiento es de 0.433. 37
CONCLUSIONES
El reto de la materia Estadstica Aplicada a los Negocios, impartida por el Ing. Juan Alejandro Garza Rodrguez, nos comprometi a aprender y a utilizar el Minitab como una herramienta ms. Con los grandes avances tecnolgicos hemos ahorrado tiempo para el anlisis estadstico, sin embargo la comprensin de la lgica que se utiliza para llegar a la resolucin del mismo es algo que nos ha llevado a este estudio, el cual ha sido muy bien conducido por el Ing. Garza, quien nos imparte la asignatura. Con el desarrollo de este proyecto y gracias a la comprensin de conceptos y el manejo del programa Minitab entendimos que es una poderosa herramienta estadstica que bien aplicada nos podr ayudar a facilitar los clculos para la solucin de problemas. Lo cual contina con el propsito esencial: Ahorro de costos y mejora contina en cualquier mbito en que nos desarrollemos. Aprendimos que no es limitativa el rea en que nos desempeemos en nuestro trabajo ya que tanto en Ingeniera como Materiales, en Recursos Humanos como en un Negocio Propio, en Comercio o en Industria, o bien por puro pasatiempo en el panorama de la probabilidad estadstica, estas herramientas sern siempre de gran utilidad. Para esta presentacin aprendimos la aplicacin y manejo de las Distribuciones de Probabilidades ms comunes, la Binomial, la de Poisson y finalmente la distribucin Normal. Se investig adems de la utilizacin y funcionamiento del Minitab 15 el razonamiento, clculo manual y por tablas como el mtodo original como se realizaba, antes de que el Minitab existiera como tal. Deseamos compartir esta compilacin de informacin con alguien ms que al igual que nosotros tuvimos la necesidad de investigar y realizar un trabajo de este tipo. Anlisis y estudios que nos han abierto la mente as como nuestras habilidades para desempearnos con mayor eficiencia en nuestras funciones laborales y personales. Gracias por tomarse el tiempo de revisar nuestras aportaciones.
BIBLIOGRAFIA
Estadstica para Administradores. Sexta Edicin. Richard I. Levin & David S. Rubin. Editorial Prentice Hall. Captulo 5 Probabilidad II: Distribuciones, pp.232 264 GE Lighting - AEA. Curso para Green Belts, Iniciativa Sies Sigma Semana #1. Abril 1997. Minitab 15 (versin de prueba obtenida de www.minitab.com). MeetMinitabEs.pdf (obtenido de www.minitab.com) Distribucin de Probabilidades (informacin tomada de www.monografias.com, http://www.monografias.com/trabajos29/distribucion-probabilidades/distribucion-probabilidades.shtml) Distribucin Binomial (informacin tomada de www.wikipedia.com, http://es.wikipedia.org/wiki/Distribuci%C3%B3n_binomial) Distribucin Normal (informacin tomada de www.wikipedia.com, http://es.wikipedia.org/wiki/Distribuci%C3%B3n_normal Distribucin de Poisson (http://www.itchihuahua.edu.mx/academic/industrial/sabaticorita/_private/05Distr %20Poisson.htm)