Funcin de prbabilidad

Lgicamente, 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, sera interesante el tener alguna funcin que midiera el grado de confianza a depositar en que se verifique el suceso. A esta funcin la denominaremos funcin de probabilidad. 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 notacin: P(A) significar: probabilidad de que se verifique el suceso A. Pero claro, de funciones de probabilidad asociadas a priori a una experiencia aleatoria podra haber muchas. Lo que se hace para decir qu es y qu no es una funcin de probabilidad es construir una serie de propiedades (denominadas axiomas) que se exigirn a una funcin para poder ser catalogada como funcin de probabilidad. Y, cules 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 () = 1 Axioma 3: Para sucesos Ai, de modo que cada par de sucesos no tengan ningn resultado comn, se verifica que:

De este modo, puede haber muchas funciones de probabilidad que se podran asociar con la experiencia. El problema pasa entonces al investigador para decidir cul o cules son las funciones de probabilidad ms razonables asociadas con la experiencia que est manejando.

F u n c i n d e p ro b ab ili d ad d e u n a d i str ibu c i n di sc r et a d e pro b ab i li d ad S e lla ma f u n ci 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 n 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 . 0 pi 1 p1 + p2 + p3 + + pn = pi = 1 E j emp l o Calcu lar la d i st ri bu c i n d e p ro b ab ili d ad o b t en idas al lan zar u n d ado . 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 n La re p re sen t acin de u n a di st ri b uc i n 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.

Fu n c i n d e p ro b ab ili d ad d e l a di str i bu ci n b in o mi al La f u n c i n d e p r o bab i l id ad d e l a d i st r i bu c i n b i no mi al , t amb in d e n om in ad a fu n ci n d e l a d i st ri b u ci n d e Ber n ou ll i , e s:

n e s el n me ro de pru e b as. k e s e l n me ro d e xit o s. p e s la p ro b ab ilid ad d e xit o . q e s la p ro b ab ilid ad d e f rac aso .

E l n mer o c o mb in ato r i o

E j emp l o

La lt ima n o ve la d e u n au to r h a t en id o u n gran xito , 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 d o . Un grup o d e 4 amigo s son a f icio n ad o s a la le ctu ra: 1 . Cu l e s la p ro b ab ilid ad de q u e el gru p o h ayan le do la n o ve la 2 p e r so nas? n = 4 p = 0 .8 q = 0 .2 B(4 , 0 .2 )

Distribucin de probabilidades discretas

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

2. Discretas: aquellas que resultan de contar el nmero de casos en los que el evento de inters ocurre, por ejemplo: nmero de hijos de una familia, nmero de veces que llega una paciente al servicio de emergencia, etc. 3. Continuas: aquellas que resultan producto de una medicin, por ejemplo: el peso, el nivel de hemoglobina, etc. VALOR ESPERADO Se llama tambin esperanza matemtica. Se trata de un operador matemtico que al ser aplicado a la funcin probabilidad permite el clculo de ese valor en el caso discreto, mientras que en el caso continuo se lo aplica a la funcin frecuencia: DISTRIBUCION DE PROBABILIDADES DISCRETAS Sigamos con nuestro ejemplo del centro mdico de departamento de Ucayali. Nuestra variable de inters seria: Deseo ser esterilizada. Supongamos que a la charla asistieron tres mujeres, entonces definimos como variable aleatoria a: X : Nmero de mujeres que desearan ser esterilizadas. Antes de hacerles la pregunta sobre su deseo de ser esterilizadas, puede considerar las posibles respuestas: X = 0 Ninguna deseara ser esterilizada X = 1 Slo una de las mujeres deseara X = 2 Dos mujeres desearan X = 3 Las tres mujeres desearan Antes de verificar las respuestas de las 3 mujeres seleccionada; no sabe cuntas estarn de acuerdo en ser esterilizadas, pero si conociera las probabilidades de ocurrencia de cada uno de los posibles valores de la variable podra predecir su ocurrencia con una cierta probabilidad. El conjunto de las probabilidades de ocurrencia de los posibles valores de la variable aleatoria se denomina distribucin de probabilidades. En nuestro ejemplo:

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

X = 0, 1, 2, , n.

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, con una dosis mortal de 1g/100 ml para cobayos experimentales, en el 25% de los casos. Aplicando esta dosis a cien cobayos se desea saber cunto vale la probabilidad de que mueran veinte de ellos. Primero analizaremos si este caso cumple los supuestos bsicos de una distribucin binomial:

Los cobayos mueren (xito) o sobreviven (fracaso). Que un cobayo muera con la dosis, no significa que lo har el siguiente (independencia) pues no se trata de una epidemia. La probabilidad de que mueran se mantiene constante a lo largo de la serie de pruebas (p = 0,25).

Entonces, como si cumple los supuestos bsicos, aplicamos la frmula:

Mucha matemtica. No se preocupen, tenemos al Excel

Ingresamos la informacin y listo P(x=20) = 0.0493

Veamos otro ejemplo:

En una farmacia se ha calculado la probabilidad de venderle a un cliente con obra social es del 20%. 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. Si se cumple los supuestos bsicos de la distribucin binomial, entonces: P(x<3) = P(x=0) + P(x=1) + P(x=2) Matemticamente esto se resuelve as:

Entonces: P(x<3) = 0.0352 + 0.1319 + 0.2309 = 0.398 Ahora los hacemos con el Excel. Matemticamente P(x<3) = P(x 2) . El Excel calcula siempre o igualdad o menor igual. Cuando queremos menor igual, en la opcin de acumulado ingresamos VERDADERO. Entonces P(x<3) = 0.398

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

Son ejemplos de este tipo de proceso:

la llegada de pacientes a una cola o lnea de espera, los accidentes en una ruta, etc.

Esta probabilidad se aproxima a la binomial cuando la probabilidad de xito es muy pequea, por eso muchos la llaman: la "binomial de los sucesos raros".

Cuando en un proceso del tipo Bernoulli se desea saber la probabilidad de obtener exactamente x xitos en un intervalo de tiempo, con un promedio de eventos esperados l , se puede aplicar la frmula de la probabilidad de Poisson:

X = 0, 1, 2, ., n e = 2.71828 (es una constante, la base de los logaritmos naturales) Veamos el siguiente ejemplo: Supongamos que estamos investigando la seguridad de una peligrosa inteleccin de calles, los registros policacos indican una media de 5 accidentes mensuales en esta interseccin. El departamento de seguridad vial desea que calculemos la probabilidad de que en cualquier mes ocurran exactamente 3 accidentes. Analizando el problema, este situacin se ajusta a un proceso de Poisson, hay una secuencia de llegada (por mas que exista un choque mltiple, siempre hay uno que choca primero). Tenemos la siguiente informacin: l = 5 accidentes por mes x = 3 accidentes por mes Aplicando la frmula de la probabilidad de Poisson:

Ahora lo hacemos con el Excel:

Ingresamos la informacin y listo P(x=3) = 0.14037

Ahora planteamos otra pregunta: Cual seria la probabilidad de que sucedan como mximo 2 accidentes en un mes? En este caso seria: P( x 2) = P(x=0) + P(x=1) + P(x=2) Matemticamente:

Resolvindolo con el Excel, tenemos: Ingresamos los datos y listo P(x 2) = 0.12465

Autor: MAGALLY ROSARIO DE LA CRUZ MACHUCA ALUMNA DE LA MAESTRIA EN "SALUD PBLICA CON MENCIN EN SALUD REPRODUCTIVA" UNIVERSIDAD NACIONAL FEDERICO VILLARREAL