CEL Kea BUS te leroy nse: Probabilidad Una distribucin de probabilidad es un modelo matematico que asocia valores de una variable aleatoria con Sus respectivas probabilidades, es decir: Probabllidad de x = Funcién de x. Las distribuciones se caracterizan por una férmula que determina el tipo de distribucién y por un conjunto de paraémetros, que son propios de cada espacio muestral, Existen dos tipos de distribuciones: discretas y continuas DISTRIBUCIONES DISCRETAS Son aquellas en las que la variable puede puede tomarun nlimerodeterminado de valores. La distribucion puede describirse mediante una Funcién de probabilidad, que para cada valor de x de la variable X determina la probabilidad de ser asumida: P( X= x) = p (x) 6 bien por medio de una funcién de distribucién de probabilidad acumulada o simplemente. Funcién de distribucién, la que, para cada valor provee la probabilidad de no ser superado P(X Sx) =F(x)= > p@) Romeo Ademés se cumple: y- Dp) =1 2)- E(x) = Sp) 3). Far(x)=07 = E(x*)-(E)) Ejemplo: ¢ puede salir cara 0 cruz; sise tira un dado puede salir un nimero de 1 al 6; Sise lanza una moneda al en una ruleta el numero puede tomar un valor del 1 al 32.LAS PRINCIPALES DISTRIBUCIONES DISCRETAS SON: 1.- Distribucién de Bernouilli Es aquel modelo que sigue Un experiment que se realiza una sola vez y que puede tener dos Soluciones: éxito 0 fracaso: afl. stocurreaxto con probabitided p Jo. . siocurre-fracaso con probabilidad 1- p =@ Funcién de Probabilidad: piq'*,si x=0, Px) = P(X =x) =5 oO xen offo caso Bernouilli con Parametro ‘p’, entonces. E(x) =p Var(x) = pq Ejemplo 1: Probabilidad de salir cara al lanzar una moneda al aire, Solucién: Probabilidad de que salga cara: p = 0,5. Probabilidad de que no salga cara: q = 0,5. Entonces: p+q=0,5+05=1 Ejemplo 2: Probabilidad de ser admitido en la universidad Solucion: Probabilidad de ser admitido: p = 0,25. Probabilidad de no ser admitido: q = 0,75. Entonces; p+q=0,25+0,75=1 2.- Distribuciones Binomial La distribucién binomial parte de la distribucién de Bernouilli. Se aplica cuando se realiza ‘n’ veces el experimento de Bernoulli, siendo cada ensayo independiente del anterior. Donde: x: numero de éxitos en n ensayos.P-: probabllidad de éxito 1- p: probabilidad de fracaso, 42. tene distribucién binornial con pardmetios ny p [x~b fm, PAI. Si: Su suncién de probabilidad es dado por JQp"@" st x= 0.0 P(x) = PLY = lo €n otro caso Sib (np) E(x) = np Var(x) = npg Elemplo 1: Se tira una moneda 10 veces: geuantas caras salen? Solucién Sing ha salido ninguna la variable toma el si todas han sido cara la variable toma el valor 10. valor 0; si han salido dos caras la variable toma el valor 2; Ejemplo 2: eCual es la probabilidad de obtener 6 caras al lanzar una moneda 10 veces? Solucién X: es el numero de aciertos Entonces x = 6 ‘n’ es el nimero de ensayos.n=10. es la probabilidad de éxito, es decir, que salga ‘cara’ al lanzar la moneda. Por lo tanto. p= 0,5 10) ae G!* (10-6)! 0,205, es decir, se tiene una probabilidad del 20,5% de obtener 6.caras allanzar 10 *95°* (1.95) Luego, P (x= veces una moneda, Elemplo 3: cul es la probabilidad de obtener cuatro veces el nimera 3 al lanzar un dado ocho veces? Solucién: %: (ntimero de aciertos) toma el valor 4. ‘n’ toma el valor 8 yp’ (probabilidad de que salga un 3 al tirarel dado} es 1/6(= queda: 11666). La formula 8! 419@-d)i P@=4) = Fass! * (10.166) 4Luego, P (x = 4) = 0,026; es decir, se Nene una probabilidad de! 2,6% de obtener cuatro veces ef mumeros 3 al tirar un dado 8 veces. Enel siguiente grafico se muestra la funcion de probabilidad puntual correspondiente ala distribucin Binomial para distintos valores de p y n=10, Puede observarse ‘como la distribucién se simetriza a medida que p tiende a 0.5. Como serian los graficos para valores de p20:S? 20.10 ‘Pistabucion Binomial n=10 om i | 1] a \| ied 4 || 6s & 10 poe) pO) i z age 3 10 x 0.50 Enel siguiente grafico se muestra la funcién de probabilidad puntual correspondiente a ladistribu Binomial para distintos valores depyn.73 @ «8 Pon es psn id p80 25 4 3 ogy 1 4 Hl AN 4 det Lite, i Ntapenee Sse : : 000 rs ato mio : Lp i g ] z | | I A Tal aes | ea eeeet I seaceussustesepectim e323 4 5 o 2 4 6 8 o 8 ff 6 OS 3.- Distribucién de Poisson La distribucién de Poisson parte de la distribucién binomial; cuando en una distribucién binomial se realiza el experimente un numero ‘n’ muy elevado de veces y la probabilidad de éxito ‘p’ en cada” ensayo es reducida, entonces se aplica el modelo de distribucién de Poisson. Se tiene que cumplir que:"p"<0,10 y"p*n"<10 Su funcién de probabilidad es dado por: ea — 4 P(x) = P(X =x) = x=012ee xt ¥ 0 ,en oire casoSiel parametro A >0 E(x) =A Far(x) =A p (el nimero de veces ‘n' que se realiza el experimento multiplicado por la probabilidad ‘ de éxito.en cada ensayo), 'x’ es el nimero de éxito cuya probabilidad se esté calculando. Ejemplo 1: La probabilidad de tener un accidente de trafice es de 0,02 cada vez que se viaja, si se realizan 300 viajes, écual es la probabilidad de tener 3 accidentes? Salucién: Como ‘p’ es menor que 0,1, y el producto np <10, entonces aplicamos el modelo de distribucién de Ss a P(e=3) =-%* 3 = 0,0892. Por Io tanto, la probabilidad de tener 3 accidentes de trafico en 300 viajes es del 8,9%. Ejemplo 2: La probabilidad de que un nifio nazca pelirrojoes de 0,012. Cul esa probabilidad de que entre 800 recién nacidos haya 5 pelirrojos? Solucion: Luego, P nacidos es del Enel siguiente grafico se muestra la funci6n de probabilidad puntual correspondiente ala distribucion de Poisson para distintos valores de }. Puede observarse cémo la distribucion se simetriza alrededor de A.a medida que este parémetro crece. ifee MRM M oe i ehece nel es) lambs =5 ‘ lamba =2 Gua . aan ——— 7 Peake ti amall i a oo g q | * | Bo Ee a9 ¢ | | | f aut eeesescagrersce dl eos AH Aa 2 memes ate Matinee ah oy eee A , p=0.25 90.30 p=0.35 \ + \ Y [ 1 f | | | \ | d 1 z | | fie tg 1 = | = | =z i | | | = z Leal 1} | ee | LALA iui JUL | dationaine g! lelalcleose geal qt Lhiltees oO 2 4 6 8 10 0 2 4 6 8 10 0 2 4 6 8 Ww x x x 4.- Distribucién Hipergeométrica La distribucién hipergeométrica es el modelo que se aplica en experimentos del siguiente tipo. * La poblacién a ser muestreada consiste de N elementos 0 individuos (poblacién finita). ° Cada elemento 0 individuo puede ser clasificado como éxito 0 fracaso y hay ‘r’ éxitas en la poblacién. * Se extrae de la poblacién una muestra de n elementos 0 individuos, de forma tal que cualquier subconjunto de tamafio n tiene la misma probabilidad de ser elegido. ° xesel la cantidad de éxitos en la muestra y (n-x) fracasos. f Sea X: numero de éxitos en la muestra de tamafio n. Se dice que X tiene distribuci6n Hipergeometrica \ de pardmetros n, Nyr y se denotaX ~ H (n,N,r). La distribucién hipergeomeétrica tiene la siguiente. Funcién De Probalidad: P eee ii P(x) = P(X =x) = ; Sixv.a.~H(N, 7,6) r E(x) =1— (x) "Fy ; : r N-rN-n Var(x) =n— N N N-1 :Ejemplo: ata Z una urna hay bolas de dos colores (blancas y negras), cual es la ee bolas las dos sean blancas? Son experimentos donde, al igual que en la “ f apes Hal, en cada ensayo hay tan solo dos posibles resultados: 0 sale blanca 0 NO sale. oe se _ ee) de Ia distribucién binomial en que los distintos ensayos son dependientes entre Si: st a wae a pars bolas blancas y 3 negras en un primer ensayo saco una bola blanca, en el segun! lo ensayo mt una bola blanca menos por lo que las probabilidades son diferentes (hay dependencia entre los distintos ensayos). Donde: N: es el numero total de bolas en la urna. r: es el nUmero total de bolas blancas. N- r: es el nmero total de bolas negras. x: es el numero de bolas blancas cuya probabilidad se esta calculando. n: es el numero de ensayos que se realiza. Ejemplo 1: En una urna hay 7 bolas blancas y 5 negras. Se sacan 4 bolas, écudl es la probabilidad de que 3 sean blancas? Solucion; Entonces: N = 12; r=7; N-r=5;x=3;n =4, si aplicamos el modelo: 7 DG) +) Por lo tanto, P (x= 3) = 0,3535. Es decir, la probabilidad de sacar 3 bolas blancas es del 35,3%. P(x =3)= Pero este modelo no sélo se utiliza con experimentos con bolas, sino que también se aplica con experimentos similares: + eeeensveg OD Ejemplo 2: En una fiesta hay 20 personas: 14 casadas probabilidad de que las 3 sean solteras?——— 5.- Distribucién Binomial Negativa Una va. x ‘ que denota el numero de fracasos que ocurren en una sucesién infinitas de ensayos de b illi éxi . ernouill Con parametros p antes que exactamente r éxitos sean obtenidos tiene distribucién inomial negativa con pardmetros r ypsi: Su funcién de probabilidad es dado por: ign\yq 3s: «=O 20ey7 =L2.. P(x) = P(X = x)= 0 ,en otro caso Si x~ BN (r, p) ay yy, Var(x) = ye 6.- Distribuci6n Geomeétrica Una distribucién binomial negativa con parémetros r =1 y p se denomina distribuci6n geomeétrica, esto es, se dice que una va. x tiene distribucién geométrica con parametros p si: Su funcion de probabilidad es dado por: pq’ ,si x=01,2... P(x) = P(X =x)= 0 ,en otro caso Si x~ BN (, p) En el siguiente grafico se mi Geométrica para di “anes0 5 10 15 20 25 30 7.- Distribucién Multinomial La distribucién multinomial es similar a la distribucién dos posibles resultados en cada ensayo puede haber Ejemplo de distribucién binomial: Aunas elecciones se presentaron 2 30% restante. éCudl es la proba por el JEJE? ee:p=0.90 cia de que en lugar de y el JEJE el * UO RUS UL oo el Cats | Ejemplo de distribucién multinomial: Aesas elecciones se presentaron 4 partidos politicos el POPO obtuvo un 40% de los votos, el JEJE el 30%, el MUMU el 20% y el LALA el 10% restante. éCudl es la probabilidad de que al elegir 5 ciudadanos al azar, 3 hayan votado por el POPO, 1 por el MUMU y 1 por el LALA? La distribucién multinomial sigue el siguiente modelo ni 3 PX) = x, Xa=20, X3 = 3..) = ———__—— p®'* pz? * ps? * xy! xq! * xt Donde: X1 = x1; indica que el suceso X1 aparezca x1 veces (en el ejemplo, que el partido POPO lo hayan votado 3 personas). nz indica el namero de veces que se ha repetido el suceso (enel ejemplo, 5 veces). ni: es factorial de n (enel ejemplo: 5 * 4* 3*2* 1). pi: es la probabilidad del suceso X1 (en el ejemplo, el 40%). Ejemplo 1: Luego: P = 0,0256. Es decir, que la probabilidad de que las 5 personas elegidas hayan votado de esta manera es tan sdlo del 2,56% (0! = 1, y cualquier numero elevado a 0 es igual a 1). P= 3, =0,99=1, X= 1= 0,4 *0,3°*0,2' 9,1" 5l 31 O1 +10 * LI Ejemplo 2: el 20% de los asistentes a una fiesta son espafioles, el 30% franceses, el 40% italianos y el 10% portugueses. En un pequefio grupo se han reunido 4 invitados: ¢cual es la probabilidad de que 2 sean espafioles y 2 italianos? Aplicamos el modelo: P (Kj =2,%2=0,%3=2,.%4=O= 0,27 * 0,39 0,47 *0,1° Jee 21* 0121 "01 Luego P = 0,0384. Por lo tanto, la probabilidad de que el grupo esté formado por personas de estos paiseses tan sdlo del 3,84%, 8.- Distribucién Multihipergeométrica b La distribucién multihipergeométrica es similar a la distrib de que en la urna, en lugar de haber Gnicamente bolas colores. ba _ eitP(X, 25 Xp =X =H) = Donde: ejemplo, que una de las bolas sea blanca). Mi = x1; indica que el suceso M1 aparezca x1 veces (enel (en el ejemplo, 7 bolas) ndmero de bolas blancas que hay en la urna Nz es el numero total de bolas en ta urna {en el ejemplo, 14 bolas). nz es el numero total de bolas que se extraen (en el ejemplo, 3 bolas). Ni: indica el Ejemplo 2: en 7 lapices, En una caja de lapices hay 10de color amarillo, icual es la probabilidad de que 5 sean amarillos y 2 r0jos? de color azul y 4 de color rojo. Se extra Aplicamos el modelo; P(X, =5,X) = 0% =2) Luego P = 0,0777. Por lo tanto, la probabilidad de que los 5 lapices sean de los colores indicados es del 7,77%. Meh ss PTC YS Son aquellas que presentan un numero infinito de posibles soluciones: s valores dentro de cierto intervalo Ejemplo: 1a de una poblacién (72,5 afios, 7,513 E| peso medio de los all (42,37 ke, 42,3764 kg, 42, 376541ke, afios, 72, 91234 afios): runcién de distribuclén: P(X $x) = [fener ‘Range jumnos de una clase puede tomar infinito: etc); la esperanza media de vids Ademés se cumple: ne [f@ae=l 2)- E(a) = [xferLas principales distribuciones continuas son: 1.- Distribucion Uniforme ucidn uN a y B (a 520.000) = P (Y>2,40)=1-P (¥ < 2,40) = 1 - 0,9918 = 0,0082 Por tanto, la probabilidad de que ganemos dinero con la operacién es de! 0,82%. 4.- Distribucién Exponencial .ne distribucién exponencial de pardmetro i 0 si su funcién de densidad‘Su funcién de distribucién o de probabitidad acumuloda ex: FUL) = PX Sx) = [fide Notacién: X~f (a, A) o bien X~G (a, A). En el siguiente grafico se muestra la densidad cortespondiente a X~ G (a, A) para distintos valores _ de los parametros,8.- Distribucidn t de Stédent SHIEK Xe Xap Mo) son 044 variables aleatorias normales Independientes de media OY varlenza‘e?, la variable: mm. x * é ty = : ¥ Sena a Tiene una distribucién t, de Student conn grados de libertad. Su funcidn de densidad es conx > 0, £) = eh ~# Ts Fe p+ 5] & Gores Ja funcién atlas Euler. conp > 0. T@)= i eax Finalmente, la funcién de distribucién viene dada por: én los contrastes. asociados a comparaciones entre las no! Si (Xt Kaper Xm) ¥ (Zr, Za,:-., Za) son m+n variables aleatorias media = Oy varianza o*, la variable:ee. To =e dx \ La funcidn de distribucién viene dada por: \ Fy = Prive = [rma EJERCICIOS RESUELTOS: 1). SéaX una variable aleatoria con Distribucién Beta, calcular pi'r = E(xr). 1 fa)= ae M(x? Solucién 1: Kes Bets, entonces: Bos ba x x)Pde = fez hn xt" x)%de a+ B+2a+ B+3).. a+ Bers) on "(U—shde __fiasrs sei "(1 -x)hde (a+r)ip