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 . 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.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 .

e s: n e s el nú me ro de pru e b as. k e s e l n úme ro d e éxit o s. 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 . q e s la p ro b ab ilid ad d e f rac aso . p e s la p ro b ab ilid ad d e é xit o .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 . E l n ú mer o c o mb in ato r i o E j emp l o .

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 . 0 . Un grup o d e 4 amigo s son a f icio n ad o s a la le ctu ra: 1 .2 ) . ¿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 . 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 .8 q = 0 .2 B(4 .

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

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. 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. 3. Continuas: aquellas que resultan producto de una medición. número de veces que llega una paciente al servicio de emergencia. no sabe cuántas estarán de acuerdo en ser esterilizadas. Supongamos que a la charla asistieron tres mujeres. El conjunto de las probabilidades de ocurrencia de los posibles valores de la variable aleatoria se denomina distribución de probabilidades. Se trata de un operador matemático que al ser aplicado a la función probabilidad permite el cálculo de ese valor en el caso discreto. Nuestra variable de interés seria: Deseo ser esterilizada. por ejemplo: número de hijos de una familia. En nuestro ejemplo: . 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. Antes de hacerles la pregunta sobre su deseo de ser esterilizadas. etc. etc. 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. entonces definimos como variable aleatoria a: X : Número de mujeres que desearían ser esterilizadas.2. el nivel de hemoglobina.

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

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

0493 Veamos otro ejemplo: .Ingresamos la información y listo P(x=20) = 0.

Si se cumple los supuestos básicos de la distribución binomial. entonces: P(x<3) = P(x=0) + P(x=1) + P(x=2) Matemáticamente esto se resuelve así: Entonces: P(x<3) = 0. Matemáticamente P(x<3) = P(x≤ 2) .1319 + 0. Cuando queremos menor igual. Entonces P(x<3) = 0.398 . 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.398 Ahora los hacemos con el Excel.2309 = 0.En una farmacia se ha calculado la probabilidad de venderle a un cliente con obra social es del 20%. El Excel calcula siempre o igualdad o menor igual. en la opción de acumulado ingresamos VERDADERO.0352 + 0.

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

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

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

12465 . tenemos: Ingresamos los datos y listo P(x ≤ 2) = 0.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.

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

Sign up to vote on this title
UsefulNot useful