P. 1
Función de probabilidad

Función de probabilidad

|Views: 57|Likes:

More info:

Published by: Miguel Angel Cuellar Cervantes on Jun 13, 2012
Copyright:Attribution Non-commercial

Availability:

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

05/31/2013

pdf

text

original

Función de próbabilidad

Lógicamente, una vez tenemos un suceso, nos preocupa saber si hay muchas o pocas posibilidades de que al realizar la experiencia se haya verificado. Por lo tanto, sería interesante el tener alguna función que midiera el grado de confianza a depositar en que se verifique el suceso. A esta función la denominaremos función de probabilidad. La función de probabilidad será, pues, una aplicación entre el conjunto de resultados y el conjunto de números reales, que asignará a cada suceso la probabilidad de que se verifique. La notación: P(A) significará: probabilidad de que se verifique el suceso A. Pero claro, de funciones de probabilidad asociadas a priori a una experiencia aleatoria podría haber muchas. Lo que se hace para decir qué es y qué no es una función de probabilidad es construir una serie de propiedades (denominadas axiomas) que se exigirán a una función para poder ser catalogada como función de probabilidad. Y, ¿cuáles son estos axiomas? Pues los siguientes: Sea S el conjunto de sucesos. Axioma 1: Para cualquier suceso A, la probabilidad debe ser mayor o igual que 0. Axioma 2: P (Ω) = 1 Axioma 3: Para sucesos Ai, de modo que cada par de sucesos no tengan ningún resultado común, se verifica que:

De este modo, puede haber muchas funciones de probabilidad que se podrían asociar con la experiencia. El problema pasa entonces al investigador para decidir cuál o cuáles son las funciones de probabilidad más razonables asociadas con la experiencia que está manejando.

0 ≤ pi ≤ 1 p1 + p2 + p3 + · · · + pn = Σ pi = 1 E j emp l o Calcu lar la d i st ri bu c i ó n d e p ro b ab ili d ad o b t en idas al lan zar u n d ado .F u n c ió n d e p ro b ab ili d ad d e u n a d i str ibu c i ó n di sc r et a d e pro b ab i li d ad S e lla ma f u n ci ó n d e p ro b a b il i da d d e u na va ri a b l e al ea to ria d i scret a X a l a a p li ca ci ón q u e a so ci a a ca d a va l o r d e x i d e la va ri a b l e su p ro b a b il i da d p i . . X 1 2 3 4 5 6 p i d e las p un tu acio n es 1 /6 1 /6 1 /6 1 /6 1 /6 1 /6 1 Rep r esen t ac i ó n La re p re sen t ación de u n a di st ri b uc i ón d i sc r et a d e p ro b ab il i d ad es u n di agr ama d e b arr as.

t amb ién d e n om in ad a fu n ci ón d e l a d i st ri b u ci ó n d e Ber n ou ll i . p e s la p ro b ab ilid ad d e é xit o . k e s e l n úme ro d e éxit o s. E l n ú mer o c o mb in ato r i o E j emp l o . e s: n e s el nú me ro de pru e b as. q e s la p ro b ab ilid ad d e f rac aso .Fu n c ió n d e p ro b ab ili d ad d e l a di str i bu ci ó n b in o mi al La f u n c i ón d e p r o bab i l id ad d e l a d i st r i bu c i ón b i no mi al .

h asta e l pu nt o de q u e e l 80 % d e lo s le ct o re s ya la h an le íd o .2 B(4 .8 q = 0 . Un grup o d e 4 amigo s son a f icio n ad o s a la le ctu ra: 1 . 0 .2 ) .La ú lt ima n o ve la d e u n au to r h a t en id o u n gran é xito . ¿Cu ál e s la p ro b ab ilid ad de q u e el gru p o h ayan le ído la n o ve la 2 p e r so nas? n = 4 p = 0 .

Que es la que estudiaremos en este trabajo. es una variable cualitativa. VARIABLE ALEATORIA Una variable se dice que es aleatoria. Las variables aleatorias se clasifican: 1. . Valor esperado 4. Por ejemplo. Solamente se puede decir que existe una probabilidad de que la persona enferme. Variable aleatoria 3. No Usted alumna de la maestría en Salud Publica con mención en Salud Reproductiva.Distribución de probabilidades discretas 1. En otras palabras se sabe qué valores puede tomar la variable pero no se tiene certeza de su ocurrencia. Distribución de probabilidades discretas 5. pero no se sabe cuál de los dos eventos va a ocurrir. Si 2. Problema 2. en una epidemia de cólera. Distribución Poisson PROBLEMA Hay una campaña en un centro médico del poblado de Ucayali. En nuestro ejemplo. Distribución binomial 6. Por lo tanto se requieren de las Distribuciones de Probabilidades Discretas. se sabe que una persona cualesquiera puede enfermar o no (eventos). Una vez finalizada la charla se les entrega un papelito con una única pregunta: ¿Desearía usted ser esterilizada? 1. está interesada en investigar si las charlas tienen un efecto favorable en el sentido de que las mujeres se decidan a ser sometidas a la esterilización. sobre paternidad responsable a un grupo de mujeres. sólo se sabe que puede ocurrir con una cierta probabilidad. Ante este tipo de situaciones en la cual uno se encuentra todos los días. si los posibles valores que puede tomar son determinados por el azar. la variable Deseo ser esterilizada. tenemos que acudir a las Distribuciones de Probabilidades. discreta.

El conjunto de las probabilidades de ocurrencia de los posibles valores de la variable aleatoria se denomina distribución de probabilidades. Continuas: aquellas que resultan producto de una medición. etc. Antes de hacerles la pregunta sobre su deseo de ser esterilizadas. el nivel de hemoglobina. mientras que en el caso continuo se lo aplica a la función frecuencia: DISTRIBUCION DE PROBABILIDADES DISCRETAS Sigamos con nuestro ejemplo del centro médico de departamento de Ucayali. por ejemplo: el peso. puede considerar las posibles respuestas: X = 0 à Ninguna desearía ser esterilizada X = 1 à Sólo una de las mujeres desearía X = 2 à Dos mujeres desearían X = 3 à Las tres mujeres desearían Antes de verificar las respuestas de las 3 mujeres seleccionada. etc. VALOR ESPERADO Se llama también esperanza matemática. Discretas: aquellas que resultan de contar el número de casos en los que el evento de interés ocurre. Nuestra variable de interés seria: Deseo ser esterilizada. no sabe cuántas estarán de acuerdo en ser esterilizadas. 3. número de veces que llega una paciente al servicio de emergencia. entonces definimos como variable aleatoria a: X : Número de mujeres que desearían ser esterilizadas. pero si conociera las probabilidades de ocurrencia de cada uno de los posibles valores de la variable podría predecir su ocurrencia con una cierta probabilidad. Se trata de un operador matemático que al ser aplicado a la función probabilidad permite el cálculo de ese valor en el caso discreto. por ejemplo: número de hijos de una familia. Supongamos que a la charla asistieron tres mujeres.2. En nuestro ejemplo: .

Cuando en un proceso del tipo Bernoulli se desea saber la probabilidad de obtener exactamente r éxitos. en una serie de n pruebas. para su solución. 1. y no incide en el resultado de la prueba siguiente. a todo experimento consistente en una serie de pruebas repetidas. utilizaremos las matemáticas y también el Excel. Discreta porque la variable X deseo ser esterilizada es discreta. se puede aplicar la fórmula de la probabilidad binomial: X = 0. o "fracaso" en el caso contrario. se deben verificar tres condiciones: 1. siendo aleatorios e independientes. Nosotros estudiaremos dos tipos de distribuciones de probabilidades discretas: la Binomial y la de Poisson. 2. ……. DISTRIBUCION BINOMIAL Esta distribución se basa en el proceso de Bernoulli. 3. con una probabilidad de éxito p. n. caracterizadas por tener resultados que se pueden clasificar en si verifican o no cierta propiedad o atributo. Para identificar un proceso Bernoulli en una serie de pruebas repetidas. Se denominan procesos de tipo Bernoulli. .A esto se le llama distribución de probabilidades discreta. 4. Independencia de las pruebas: El resultado de una prueba cualquiera es independiente del resultado obtenido en la prueba anterior. Resultados dicotómicos: Los resultados de cada prueba se pueden clasificar en "éxito" si verifican cierta condición. 2. Estabilidad de las pruebas: La probabilidad p de obtener un resultado considerado como un éxito se mantiene constante a lo largo de toda la serie de pruebas.

Primero analizaremos si este caso cumple los supuestos básicos de una distribución binomial:   Los cobayos mueren (éxito) o sobreviven (fracaso). con una dosis mortal de 1g/100 ml para cobayos experimentales.25). en el 25% de los casos. como si cumple los supuestos básicos.  Entonces. La probabilidad de que mueran se mantiene constante a lo largo de la serie de pruebas (p = 0. Aplicando esta dosis a cien cobayos se desea saber cuánto vale la probabilidad de que mueran veinte de ellos.La media o valor esperado es m = np La varianza s 2 = np(1-p) Veamos el siguiente ejemplo: Sea el caso de una droga X. No se preocupen. aplicamos la fórmula: Mucha matemática. tenemos al Excel . Que un cobayo muera con la dosis. no significa que lo hará el siguiente (independencia) pues no se trata de una epidemia.

Ingresamos la información y listo P(x=20) = 0.0493 Veamos otro ejemplo: .

Entonces P(x<3) = 0. Matemáticamente P(x<3) = P(x≤ 2) .398 .2309 = 0. en la opción de acumulado ingresamos VERDADERO. entonces: P(x<3) = P(x=0) + P(x=1) + P(x=2) Matemáticamente esto se resuelve así: Entonces: P(x<3) = 0.0352 + 0. Cuando queremos menor igual. Se eligen al azar 15 clientes de ese tipo que ingresan al negocio y se desea calcular la probabilidad de concretar menos de tres ventas. El Excel calcula siempre o igualdad o menor igual.398 Ahora los hacemos con el Excel. Si se cumple los supuestos básicos de la distribución binomial.En una farmacia se ha calculado la probabilidad de venderle a un cliente con obra social es del 20%.1319 + 0.

a todo experimento consistente en una serie de pruebas repetidas dentro de un continuo. 4. 2. DISTRIBUCION POISSON Se denominan procesos de tipo Poisson. Probabilidad constante: La probabilidad de ocurrencia de un suceso en un lugar del continuo es la misma en todo punto del mismo. se deben verificar tres condiciones: 1. Es decir. Sucesos puntuales: Los sucesos ocurren dentro de un continuo (espacio o tiempo) y ocupan una parte infinitesimal del mismo. cierta propiedad o atributo. los sucesos no ocupan una parte apreciable del continuo. . caracterizadas por tener resultados que se pueden clasificar en si verifican o no. por facilitarme las cosas. siendo aleatorios e independientes del lugar que ocurren dentro del continuo. Sucesos independientes: La ocurrencia de un suceso en un lugar del continuo no condiciona la ocurrencia del anterior (o del siguiente) en otra parte del mismo. En términos prácticos. 3.Gracias Excel. en el espacio un suceso es puntual y en el tiempo es instantáneo. Para identificar un proceso Poisson en una serie de pruebas repetidas.

Tenemos la siguiente información: l = 5 accidentes por mes x = 3 accidentes por mes Aplicando la fórmula de la probabilidad de Poisson: . n e = 2. 2. este situación se ajusta a un proceso de Poisson. con un promedio de eventos esperados l . Cuando en un proceso del tipo Bernoulli se desea saber la probabilidad de obtener exactamente x éxitos en un intervalo de tiempo. Analizando el problema. 1. los accidentes en una ruta.71828 (es una constante. …. hay una secuencia de llegada (por mas que exista un choque múltiple.. El departamento de seguridad vial desea que calculemos la probabilidad de que en cualquier mes ocurran exactamente 3 accidentes. los registros policíacos indican una media de 5 accidentes mensuales en esta intersección. por eso muchos la llaman: la "binomial de los sucesos raros". la base de los logaritmos naturales) Veamos el siguiente ejemplo: Supongamos que estamos investigando la seguridad de una peligrosa intelección de calles. siempre hay uno que choca primero). etc. se puede aplicar la fórmula de la probabilidad de Poisson: X = 0. Esta probabilidad se aproxima a la binomial cuando la probabilidad de éxito es muy pequeña.Son ejemplos de este tipo de proceso:   la llegada de pacientes a una cola o línea de espera.

Ahora lo hacemos con el Excel: Ingresamos la información y listo P(x=3) = 0.14037 .

Ahora planteamos otra pregunta: ¿Cual seria la probabilidad de que sucedan como máximo 2 accidentes en un mes? En este caso seria: P( x ≤ 2) = P(x=0) + P(x=1) + P(x=2) Matemáticamente: Resolviéndolo con el Excel.12465 . tenemos: Ingresamos los datos y listo P(x ≤ 2) = 0.

Autor: MAGALLY ROSARIO DE LA CRUZ MACHUCA ALUMNA DE LA MAESTRIA EN "SALUD PÚBLICA CON MENCIÓN EN SALUD REPRODUCTIVA" UNIVERSIDAD NACIONAL FEDERICO VILLARREAL .

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)//-->