Documente Academic
Documente Profesional
Documente Cultură
DISTRIBUCIONES DE PROBABILIDAD
Consiste en seleccionar un modelo para hallar la probabilidad de un evento o eventos de acuerdo a las propiedades que se presenten en cada caso.
Antes de seleccionar un modelo, se debe tener en cuenta si la variable aleatoria que se va a estudiar al momento de hallar la probabilidad es discreta o continua. Pero antes, definamos algunos conceptos:
Variable
Aleatoria o Estocstica: Es una variable cuyos valores se obtienen de mediciones en algn tipo de experimentos aleatorio.
Variable: Es lo contrario de constante y como tal, puede tomar cualquier valor dentro de sus posibilidades.
Ilustracin: Al momento de lanzar un dado, este puede tomar cualquier valor entre 1 y 6, por lo tanto su resultado es una variable aleatoria.
Variable Aleatoria Discreta: Se consideran as, aquellos valores que slo pueden ser registrados como nmeros enteros positivos. Tal es el caso del nmero de hijos (3), de baos de una casa (2), de estudiantes del saln (47), de trabajadores de una empresa (1596), etc. Como vemos, estos son valores que al momento de registrarlos no es posible colocarlos como: 2,5 baos, 4,1 hijos. Variable Aleatoria Continua: Son valores que s permiten ser fraccionados al momento de su registro, por ejemplo: estatura (1.80 metros), peso (56 kilos), resistencia (1000 libras), etc. Si bien el peso y las libras estn registradas como nmeros enteros, estos valores pueden ser fraccionados o particionados en cualquier momento, a diferencia del ejemplo del nmero de hijos por familia donde su registro siempre debe ser dado como nmero entero.
2.
Que la prueba se repita n veces. La prueba origina dos resultados, xito y fracaso (p y q), se tiene entonces que:
p + q = 1 100% (La suma de todas las probabilidades deben dar el 100%) Despejando: q = 1 p
3.
Los resultados de las pruebas son independientes, es decir, el resultado de una prueba no afecta el resultado de la prueba siguiente.
P (x) = nCx. px.qn-x Donde: P: Probabilidad del Experimento p (minscula): xito del experimento. Lo que se busca. q: fracaso del experimento n: muestra x: nmero de xitos de la muestra C: Combinatoria (En la calculadora cientfica corresponde a la tecla nCr)
2)
3)
La prueba se repite n veces: En este caso vemos que trabajamos con 4 monedas, lo que hace repetitivo su lanzamiento y prueba. La prueba origina dos resultados (xito y fracaso): Vemos que el xito es obtener cara (p = 1/2 = 0.50 x 100 = 50%), y el fracaso es obtener sello (q = 1/2 = 0.50 x 100 = 50%). Se cumple tambin que p + q = 0.50 + 0.50 = 1 x 100 = 100%. Los resultados de las pruebas son independientes: Al lanzar una moneda, su resultado no afecta la probabilidad del siguiente lanzamiento.
P (2) = 4C2. (0.5)2. (0.5)4-2 P (2) = 6 (0.25) (0.25) P (2) = 0.375 x 100 = 37.5% Probabilidad de obtener 2 caras en el lanzamiento de 4 monedas.
P (x = 0) = 10C0 (0.07)0 (0.93)10-0 = 0.4839 x 100 P (x = 0) = 48.39% Probabilidad de que al seleccionar 10 envases ninguno salga defectuoso.
Todas estas probabilidades tendramos que hallarlas, luego sumarlas y el resultado sera la probabilidad que nos pide el tercer punto. Sin embargo y aplicando la teora, sabemos que la suma de todas las probabilidades es y debe ser igual al 100%. Esto se puede ilustrar del siguiente modo: P(Xi) = 1 x 100 = 100%
P(x<2)
P(x 2)
P(x<2) + P(x 2) = 1
Despejando: P(x 2) = 1 - P(x<2) P(x 2) = 1 [P(x=1) + P(x=0)]
Cuando en el modelo Binomial n crece mayor de 50 (n>50), la probabilidad de xito p es muy pequea y la de fracaso q se acerca a uno, estamos ante el modelo de Poisson y se puede calcular su probabilidad a partir de la esperanza matemtica llamada tambin Lamda , que es igual a np con la siguiente expresin: P(x) = [x e-] / x! Donde: = n.p = Promedio o Media. e = euler x! = x factorial = 5! = 5x4x3x2x1=120
20: Si la probabilidad de que una persona adquiera la enfermedad como consecuencia de una vacuna contra la misma es 0.0002, cul es la probabilidad de que la adquieran exactamente 5 personas en una poblacin de 10.000 vacunados? R/: En este caso podemos ver que el enunciado nos ofrece una probabilidad ya calculada, la cual se acerca a Cero. Esta es una propiedad para aplicar Poisson. La segunda propiedad es que la muestra sea mayor de 50 y en este caso es de 10.000. P(x) = [x e-] / x! = n.p = 10.000 x 0.0002 = 2 P(x=5) = [25 e-2] / 5! = 0.036 x 100 P(x=5) = 3.6% Es la probabilidad de que la adquieran exactamente 5 personas en una poblacin de 10.000 vacunados.
Se asocia con muestreo aleatorio sin reposicin o reemplazamiento. Las probabilidades de xito p y fracaso q no son constantes. No existe independencia estadstica, es decir, el resultado de una prueba afecta el resultado de la prueba siguiente.
Frmula:
) [(N A) C (n X)]
/ Cn
N
Ejemplo 21: Un profesor dispone en su archivo de 15 preguntas sobre un tema especfico de la materia; seis de ellas son de teora. Si desea preparar un cuestionario de 5 preguntas, cul es la probabilidad de que 2 de las preguntas no sean de teora? Este es un caso en el que para poder determinar la probabilidad se debe aplicar el modelo Hipergeomtrico, ya que sus propiedades se ajustan al caso.
La primera propiedad dice: Se asocia con muestreo aleatorio sin reposicin o reemplazamiento, es decir y para este caso, al momento en que el profesor selecciona una pregunta, sta no puede seleccionarse nuevamente, ya que no va a poner en un examen dos veces la misma pregunta. La segunda propiedad dice: Las probabilidades de xito p y fracaso q no son constantes. Por la razn anterior, la probabilidad que tiene una pregunta en ser seleccionada es distinta a las dems. Para la primera pregunta tendr una probabilidad de 1/15, para la segunda de 1/14, para la tercera de 1/13 y as sucesivamente. La tercera propiedad dice que: No existe independencia estadstica, es decir, el resultado de una prueba afecta el resultado de la prueba siguiente. Como se nota en este caso, el resultado de la primera prueba, afecta el resultado de la segunda y as continuamente.