DISTRIBUCIONES PROBABILISTICAS IMPORTANTES

Una distribucin de probabilidad es un listado mutuamente excluyente de todos los eventos que pueden resultar de un proceso de prueba y la correspondiente probabilidad de ocurrencia de cada evento. Si lanzamos una moneda dos veces y deseamos encontrar la distribucin de probabilidad para el nmero de caras obtenidas, haramos un listado de la probabilidad de no obtener cara, de obtener una cara, dos caras, etc. A este listado se le conoce con el nombre de distribucin discreta, pues por que existen distintas probabilidades discretas, una para no obtener cara, una para obtener una cara, etc. y estas no cambiarn. Si este concepto lo relacionamos a los de variables discretas y continuas y al de variable aleatoria, encontraremos que una variable aleatoria discreta asume un determinado nmero de valores, mientras que una variable aleatoria continua, asume un nmero infinito de valores. Es decir que en el experimento del lanzamiento de una moneda dos veces no podemos obtener un resultado de 1.2 caras, luego el lanzamiento de una moneda genera posibilidades discretas. En el mundo de los negocios la podemos aplicar en diversas situaciones, por ejemplo si deseamos saber cul es el nmero exacto de tubos de TV defectuosos en un lote, o si deseamos saber cul es el nmero promedio de automviles que posee una familia en una determinada localidad, o cul es el nmero promedio de automviles que llega a una estacin de gasolina en una hora determinada, o tal vez a una caja registradora en un WONG o SANTA ISABEL. Estas preguntas las podemos resolver empleando algunas distribuciones de probabilidades, especficamente la Distribucin Binomial y la de Poisson. Distribucin binomial La distribucin binomial, se emplea en aquellos eventos que tienen dos posibles alternativas, como xito o fracaso, si o no, estos eventos deben de ser independientes entre s, y las probabilidades de xito o fracaso se mantienen constantes. Sus frmulas matemticas son: ( ) ( )

Donde: n es el nmero de ensayos o tamao de muestra, x es el nmero de xitos observados, p es la probabilidad de xito en cada ensayo, () q es la probabilidad de fracaso, q = 1- p. (1-) ( ) ( ) ( )

Distribucin de Poisson La distribucin de Poisson se emplea como modelo para describir distribuciones de probabilidad de eventos tales como la llegada de vehculos a una estacin de servicio, la llegada de aviones a un aeropuerto y la llegada de clientes a un estacionamiento, etc. Las expresiones matemticas de esta distribucin son: ( )

Donde: es el promedio del nmero de xitos en un periodo dado, e, es la constante de Neper 2.71828. x, es el nmero de xitos

Las variables aleatorias continuas son aquellas que pueden asumir un nmero ilimitado de valores. Por ejemplo podemos pesar un determinado producto con una precisin al kilogramo, al gramo o a un grado ms fino de exactitud. Si nuestra variable puede ser graficada como una curva contina en lugar de un polgono que solo puede representar un grupo de datos, podemos decir que es una variable continua, en este caso para analizar sus probabilidades podemos emplear una nueva distribucin que se denomina la distribucin normal. Esta ltima distribucin tambin se puede emplear como una aproximacin de la binomial y la de Poisson.

Resolvamos los siguientes ejercicios: 1. Juzgando a partir de una experiencia reciente, 5% de los engranajes producidos por una mquina automtica de alta velocidad son defectuosos. Cul es la probabilidad que entre seis engranajes seleccionados a) azar, exactamente ninguno sea defectuoso? Exactamente dos? Exactamente seis? Cul es la probabilidad de 3 o ms? En un da veraniego muy caluroso, 10% de los trabajadores de produccin de una empresa estn ausentes del trabajo. Se van a seleccionar al azar 10 obreros para un estudio especial a profundidad sobre el ausentismo. Cul es la probabilidad de descubrir que ninguno est ausente, si tom una muestra aleatoria de 10 trabajadores?

2.

3.

May Bertrn es la doctora encargada de la supervisin de la sala de Emergencias del Policlnico del Cono Sur-Como parte de sus funciones, ella planea la cantidad del personal que necesitar para atender la sala. Los sbados por la noche a partir de la 9 p.m. hasta la madrugada se torna en un perodo bastante movido. Normalmente se programa a tres internos para que laboren durante la noche de los sbados; por su experiencia sabe que en oportunidades anteriores con esta cantidad de personal a podido atender sin problemas 4 llegadas por hora, pero si esta cantidad varia hacia una mayor, se necesitar programar asistencia adicional. Ella recuerda que este tipo de problemas tiene una solucin matemtica, y le consulta a usted que ha terminado su curso en la Universidad del Pacfico, May le pregunta cul es la probabilidad que en una hora un sbado, la cantidad de pacientes que lleguen a Emergencia sea 5, 6, 7 u 8; pues si esta es considerable deber tomar medidas preventivas necesarias. Distribucin Normal El astrnomo alemn Kart Gauss (1777-1855) fue el primero en difundir la distribucin normal. Cuando estuvo calculando las rbitas de las estrellas, dedujo que sus mediciones no podan ser todas exactas, por tanto estas deban tener errores. Sobre la base de este concepto, desarrollo la idea de la curva normal de error, para describir como estaban distribuidos los errores de sus mediciones. Por ejemplo si tenemos una maquinaria de produce o corta monedas, debido al uso y/o calibracin de la maquinaria, manipuleo del operador o calidad de la materia prima, no todas las monedas tendrn el mismo tamao. Si nosotros encontramos la media o el tamao promedio de estas monedas, observaramos que la mayora de estas tienen un tamao cercano a la media. Sin embargo, algunas monedas podran ser un poco ms grandes o ms pequeas. Relativamente muy pero muy pocas seran exageradamente grandes o pequeas. La representacin grfica de esta distribucin sera una curva continua (suavizada), simtrica y con forma de una campana, por este motivo a esta curva tambin se le conoce con el nombre de Campana de Gauss. Los extremos o tambin llamados colas, de esta curva se acercan mucho al eje de la X pero nunca llegan a interceptarlo (asntota). Si conocemos la media y la desviacin estndar de esta curva normal, podremos calcular la probabilidad (error) de cualquier evento. Varios eventos pueden ser estudiados empleando la curva normal: alturas, pesos de los habitantes de una ciudad; los calificativos de los exmenes; las temperaturas durante el ao, y muchos ms. La distribucin Normal es la ms importante del estudio estadstico. Como se ha mencionado la curva Normal que representa una Distribucin Normas de Probabilidades est definida por la media y la desviacin estndar; luego cualquier combinacin de estos parmetros

1.

genera una distribucin de probabilidades distinta; por lo que las tablas de las probabilidades normales se basan en una distribucin especfica: la Distribucin Normal Estndar, que est definida por tener una media igual a Cero y una desviacin estndar igual a Uno, con un rea bajo la curva igual a Uno. 2. Uso de la Tabla Normal Estndar Empleando la formula del puntaje estndar (Z)

Este puntaje Z mide el nmero de desviaciones estndar de separacin desde la media. Podemos convertir los diferentes valores de x en un nmero que indica la separacin de la media de la distribucin a la que pertenece. La Tabla Normal Estndar o Tabla "Z", muestra el rea bajo la curva desde la media hasta cierto nmero de desviaciones estndar alejadas de esta, pero existen otras tablas que muestran el rea total de la curva. El modo de entrar a la tabla es el siguiente:

En la columna de la izquierda leeremos el nmero de desviaciones estndar (Z) hasta un decimal. Luego leemos en la primera fila el segundo decimal de Z (normalmente se trabaja con dos decimales). Efectuando la intercepcin de columna y fila ubicamos un nmero. Este y todos los que aparecen dentro de la Tabla representan reas bajo la curva.

Existen bsicamente seis tipos de clculos de probabilidades que pueden efectuarse usando la distribucin normal de probabilidades. 1. rea de la media hacia un punto Si los calificativos de una clase estn normalmente distribuidos con una media de 75 y una desviacin estndar de 12, Cul ser el porcentaje de alumnos que ha obtenido calificativos entre 75 y 85 puntos?

Tenemos 0.83 desviaciones estndar desde la media; de la tabla el rea entre este punto y la media es de 0.2967, luego tendremos 29.67% de alumnos que tendran calificativos entre 75 y 85. 2. rea desde un punto hacia el final de la curva

Cul sera el porcentaje de alumnos que tendran un calificativo de 85 o ms?

El rea entre 75 y 85 es 0.2967, pero toda el rea a la derecha de la media vale 0.5. Luego el porcentaje sobre 85 ser 0.5 - 0.2967 = 0.2033, entonces tendremos el 20.33% de alumnos con un puntaje mayor o igual a 85. 3. rea a la derecha e izquierda de la media El promedio de almacenamiento de cereales es de 45 das con una DS de 15 das. Cul ser el % de veces en que el ltimo cereal se encuentre almacenado entre 3 y 9 semanas? Convertimos semanas a das luego 3 sem.= 21 d. y 9 sem.= 63 d.

El rea total bajo la curva ser 0.8301. Debemos tener cuidado de no sumar Z's, pues la probabilidad resultante es diferente, lo que debemos sumar son reas. En nuestro ejemplo lo ltimo del Cereal estar almacenado entre 3 y 9 semanas 83.01% de las veces.

4. rea entre dos puntos a un lado de la media Cul ser el% de veces que el ltimo cereal se encuentre entres y 9 semanas de almacenamiento? 8 sem. = 56d. 9 sem. = 63 d.

El rea de inters ser 0.3849 - 0.2673=0.1176 Luego diremos que el 11.76% de las veces el cereal estar almacenado entre 8 y 9 semanas. 5. rea debajo de un punto que es mayor que la media Las alturas de los nios de 5 aos esta normalmente distribuida con una meda de 1.0160 metros y una desviacin estndar de 0.1270 mts. Cul es el porcentaje de nios con una talla menor a 1.2192 metros?

Para hallar el rea total debemos sumar al 0.5 al rea calculada, obteniendo 0,9452. Esto quiere decir que tenemos el 94.52% de los nios con una estatura menor a 1.2192 mts. 6. rea sobre un punto Que es menor Que la media Con los datos anteriores deseamos hallar ahora el porcentaje de nios que tienen una talla mayor a 0.7620 mts.

Para determinar el rea de inters debemos sumar 0.5 al rea hallada obteniendo 0.9772, que es igual a 97.72 %. La Distribucin Normal de Probabilidad es importante en la Inferencia estadstica por tres razones: 1. Se sabe que las mediciones que se obtienen en muchos procesos aleatorios tienen esta clase de distribucin. 2. Frecuentemente pueden emplearse las probabilidades normales para aproximarse a otras distribuciones de probabilidad como la binomial y Poisson. 3. Las distribuciones estadsticas como Media Muestral tienen una distribucin normal cuando el tamao de la muestra es grande, no importando la forma de la distribucin original. Problemas: 1. La Compaa de Telfonos ha estimado que el promedio de llamadas en una lnea dad entre las 4 y 5 PM. es de 448. La DS es de 30 llamadas Qu porcentaje de veces entre 429 y 490 llamadas? 2. Usando las distribuciones Binomial y Normal, calcular la probabilidad de obtener 9 caras cundo lanzamos una moneda 15 veces

3. Distribuciones de muestreo e Intervalos de Confianza Estimacin Puntual Frecuentemente estimamos parmetros con base a estadsticas mustrales debido a factores de tiempo y costo. Como sabemos un parmetro es una medida que resume una caracterstica de una poblacin, en tanto que una medida que resume la caracterstica de una muestra se llama estadstico o estadstico muestral. Un Estimador puntual es un nico valor numrico basado en datos de una muestra aleatoria, y que lo empleamos para estimar el valor de un parmetro. Una caracterstica de los estadsticos es que no son sesgados. Luego, un estimador no sesgado es un estadstico cuyo valor esperado es igual al parmetro que se estima. Un valor esperado es el promedio a largo de la estadstica muestral (estadstico). Algunos estimadores puntuales usados con frecuencia son la media, varianza, y la desviacin estndar. Si una Distribucin de Frecuencias Poblacional representa la distribucin de valores de una poblacin, por analoga una distribucin de frecuencias Muestral lo har de una muestra. Una distribucin muestral es una distribucin de probabilidad que se aplica a los valores posibles de un estadstico o estadstico muestral. Luego, la Distribucin Muestral de la media, no es ms que la distribucin de probabilidad de los valores posibles de la media muestral, , basados en un determinado tamao de muestra. Para cualquier tamao de muestra (n) tomado de una poblacin con media ( ), los valores de la media muestral ( ) variar en cada muestra. La Distribucin muestral de la media se describe mediante el valor esperado E(x) o media de la distribucin y la desviacin estndar de la distribucin de las medias ( ), tambin conocida como error estndar de la media.

( )

Cuando no conocemos la Desviacin Estndar Poblacional ( ) podemos estimar empleando la desviacin Estndar Muestral (S):

Si trabajamos con poblaciones finitas debemos incluir una correccin al error estndar de la media, esta correccin es despreciable s n < 0.05 N (muy grande).

Veamos, si un auditor toma una muestra aleatoria cuyo tamao n=16 de una poblacin N=100 cuentas por cobrar. No conocemos la DS poblacional, pero s S=57 soles. Cul ser el error de la distribucin Muestral de la media? Veamos si es necesario corregir: 0.05 N = 0.05 (100) =5 luego 5<16, correccin es despreciable. Aplicando la formula tendremos: El error estndar de la media ser 13.13 soles. El Error Estndar de la media es la base de la inferencia estadstica respecto a la media de una poblacin que se desconoce, basado en el Teorema de lmite Central. "Al aumentar el tamao de la muestra, ta distribucin Muestral de la Media se aproxima a la forma de la Distribucin Normal sin importar la forma de la distribucin de las mediciones individuales de la poblacin" (n>30) Si tenemos n>30 podemos emplear (a distribucin Normal de Probabilidades para efectuar nuestros clculos. Resolvamos, un auditor toma una muestra aleatoria n=36 de una poblacin de 1000 cuentas por cobrar. El promedio de las Cuentas por Cobrar es de S/.260.00 con una DS poblacional de S/.45.00 Cul ser la probabilidad que la media muestral sea superior a S/.250.00? 4. Intervalos de Confianza para la media Hasta ahora hemos arribado a resultados mustrales sobre la base de datos de la poblacin, veremos como podemos llegar a datos poblacionales basndonos en informacin muestral. Para lograr esto emplearemos mtodos de estimacin por intervalos, basados en l supuesto que podemos emplear la distribucin Normal de Probabilidad. Ser vlido cuando: 1. n> 30, por el Teorema de Lmite Central, y 2. n<30, pero si la poblacin est normalmente distribuida y conocemos la desviacin estndar poblacional. Sabemos que la media muestral es un estimador no sesgado de la media poblacional, pero no sabemos su grado de precisin (P = 0). Un intervalo de confianza es un estimador que se construye con respecto a la media muestral ( ) y nos permite especificar la

probabilidad que este intervalo incluya el valor de la media poblacional ( ). El grado de confianza asociado, nos indica el % de esa clase de intervalos que incluiran el parmetro que estamos estimando. Cuando podemos emplear la Distribucin Normal de Probabilidades, el intervalo de confianza para la media es:

Los intervalos de confianza empleados comnmente son del 90, 95 y 99%. 90% 95% 99% 0.90 0.95 0.99 Z = 1.645 Z = 1.96 Z = 2.58

Resolvamos, un estudio de una muestra de 400 Cuentas bancarias se ha efectuado para estimar el tamao promedio de una cuenta. La media de la muestra se ha calculado en $ 7542. de estudios previos de las cuentas, es conocido que la DS muestral es $1020. Con una confianza del 95% estimar la media del tamao de las cuentas bancarias. 5. Tamao de la muestra Si se nos especifica el tamao del intervalo, el grado de confianza, si conocemos o podemos estimar la desviacin estndar y nos basamos en la Distribucin Normal, el tamao de la muestra (n) ser:

Considerando: E es el factor de error n > 30 Se redondea al nmero superior. Resolvamos, una agencia de servicio Social quiere estudiar la cantidad de boletos de comida que han sido repartidos entre sus clientes, para

estimar la cantidad promedio de boletos recibidos por mes. Se desea efectuar una estimacin con un 95 % de confianza y un error de 3 soles. Un estudio previo mostr que la desviacin estndar era 20 sotes. Cuan grande ser la muestra a escoger? 6. La Distribucin t de Student Nosotros podemos emplear la distribucin normal en la estimacin de la media poblacional cuando la muestra es grande (n>30), o cuando es pequea (n<30) pero sabemos que est normalmente distribuida y adems conocemos su desviacin estndar; pero que sucede cuando nos encontramos con una muestra pequea y adems no conocemos su desviacin estndar. Sabemos que si una poblacin est normalmente distribuida, cualquier muestra de ella tambin lo estar, independientemente si conocemos o no su desviacin estndar. Pero cuando queremos inferir algo sobre esta poblacin o muestra, lo que hacemos es una conversin de valores de la media en trminos de z. Si desconocemos la desviacin estndar poblacional (), estamos incluyendo una variable en la formula de Z:

Pues los valores de S sern distintos en cada muestra; Luego al convertir los valores empleando el error estndar de estimacin muestral y no el poblacional, estos valores no estarn distribuidos como Z, sino que asumirn una forma de distribucin que se denomina "t de Student" (Campana de Gosset), la cual es ms achatada que la normal y esta corregida por los llamados grados de libertad (gl), donde gl= n-1. Esta distribucin la emplearemos para inferir medias cuando: Desconocemos la desviacin estndar poblacional. La poblacin est normalmente distribuida, sin importar el tamao de la muestra (n<30)

Cuando gl = n-1, el intervalo de confianza se construye:

Asumamos que tomamos una muestra de 25 alumnos y deseamos tener con una confianza del 95%, un intervalo para los ingresos de sus padres. La media muestral es de $ 20,000 y su desviacin estndar muestral es $ 5,000.