Sei sulla pagina 1di 14

Tema 4: Distribuciones de probabilidad

BIENVENIDA
Estimados estudiantes, les doy la bienvenida a esta cuarta semana del Curso, donde
estudiaremos los contenidos de las distribuciones discretas tales como la Binomial,
Hipergeomtrica y Poisson, para las distribuciones continuas trabajaremos con la distribucin
Normal, T-student y Chi cuadrado, para poder llegar as a describir como la probabilidad de un
evento se realiza en el futuro.

Introduccin
En esta cuarta semana identificaremos las distribuciones de probabilidad de una variable
discreta y continua, resaltando que una distribucin de probabilidad es el resultado de un
experimento, la misma que es similar a una distribucin de frecuencias relativas, a diferencia
que aqu estamos refirindonos a la probabilidad de realizar un evento en el futuro.
Para el desarrollo de esta semana haremos nfasis en las distribuciones: Binomial,
Hipergeomtrica, Poisson, Normal, T Student y Chi Cuadrado. Segn Badii & Castillo (2007). Los
valores de una variable sirven para describir o clasificar individuos o distinguir entre ellos. La
mayora de nosotros hacemos algo ms que simplemente describir, clasificar o distinguir, porque
tenemos ideas respecto a las frecuencias relativas de los valores de una variable. En estadstica
decimos que la variable tiene una funcin de probabilidad, una funcin de densidad de
probabilidad o simplemente una funcin de distribucin.
Por lo antes mencionado debemos considerar que las distribuciones de probabilidad se utilizan
con nfasis en la toma de decisiones, es por ello que en esta semana analizaremos y elegiremos
que distribucin de probabilidad debemos utilizar

Aprendizajes esperados
Conozcamos ahora las capacidades y actitudes a desarrollar en este primer tema:

Capacidades
o
Analiza la diferencia en el uso de la distribucin Binomial, Hipergeomtrica y Poisson
o
Analiza la diferencia en el uso de la distribucin Normal, T Student y Chi Cuadrado.
Actitudes
o
Muestra inters por las distribuciones de probabilidad de variable discreta y continuas:
Binomial, Hipergeomtrica, Poisson, Normal, T Student y Chi Cuadrado.
o
Participa proactivamente en el foro temtico aportando ideas, comentarios e informacin
sobre las distribuciones de probabilidad.

Mapa conceptual referido al tema


Observa detenidamente el siguiente esquema, en el encontrars de un vistazo de manera
sintetizada los principales concepto de la temtica que abordaremos. Qu conceptos o
categoras te llaman la atencin?

continuas

4.1 Distribucin Binomial

Cuando el experimento tipo Bernoulli se repite 2 o ms veces, y si cada experimento o


repeticin son independientes unos de otros, la distribucin formada as se llama binomial. As
por ejemplo si se escogen 5 piezas de un almacn y se prueban uno por uno y en cada prueba la
pieza puede ser declarado apto (xito) o inapto (fracaso), el resultado de cada prueba es
independiente del anterior as como del posterior, por lo que se le puede considerar como un
fenmeno binomial, pues se repiten varias pruebas del tipo bernoulli. (Tomeo,2003)
Definicin: Se dice que una v.a. tiene una distribucin binomial, si tiene las siguientes
caractersticas:
a.- Cada ensayo, prueba o repeticin tiene 2 resultados: xito y fracaso.
b.- La probabilidad del xito es p y la del fracaso es q y permanece constante en cada prueba o
ensayo.
c.- los n ensayos son independientes.
d.- la v.a. X indica el nmero de xitos en las n pruebas.
e.- cuando se realiza la seleccin de la muestra, se realiza uno por uno y con reposicin. La
poblacin puede ser finita o infinita.
f.- la funcin de cuanta es como sigue.

Ejemplo
La probabilidad de que cierto componente resista una prueba de impacto es de 4/5. Encuentre
la probabilidad de que 3 de los 5 componentes siguientes resistan la prueba de impacto.
Solucin:
Se supone que las pruebas son independientes entre si, donde p = 0,8, para cada una de las 5
pruebas, se considera a la v.a. X como el nmero de componentes que resisten la prueba.

4.2 Distribucin hipergeomtrica

Si la seleccin de la muestra se realiza uno por uno pero sin reposicin de una poblacin finita,
entonces el valor de la probabilidad de xito va disminuyendo de seleccin a seleccin, esta
variacin ser ms notoria si la poblacin es pequea, en cambio si se tiene una poblacin muy
grande estas probabilidades casi son similares.
Por otro lado, toda poblacin se puede dividir en dos grupos excluyentes de elementos llamados
tambin de xito o que pertenecen al xito y otros que corresponden al fracaso.
Se nota claramente que los ensayos o pruebas ya no son independientes, ms an dependen de
los ensayos anteriores. Las probabilidades seran como sigue, si se tiene N elementos en la
poblacin, de los cuales A corresponden al xito y N-A al fracaso, si de esta poblacin se
selecciona un elemento, la probabilidad de que pertenezca al xito es igual a A/N, la
probabilidad de xito del siguiente elemento escogido sera (A-1)/(N-1) y as sucesivamente
hasta completar los n elementos de la muestra, siendo la probabilidad de xito de este ltimo
elemento igual a (A-n+1)/(N-n+1), pero en la prctica no necesariamente todos los elementos
escogido pertenecen al xito, sino que habr un combinacin de xitos y fracasos, por lo que la
variable X que indica el nmero de xitos en la muestra, tendr una distribucin del tipo
hipergeomtrica. (Tomeo, 2003)
Definicin:
Un experimento hipergeomtrico consiste en escoger una muestra al azar de tamao n, uno a
continuacin del otro y sin reposicin de un conjunto de N elementos, que tiene A elementos
designados como xitos y con N-A elementos designados como fracasos.
Se dice que una v.a. X tiene distribucin hipergeomtrica, si tiene como funcin de cuanta a la
siguiente expresin:

4.3 Distribucin de Poisson

Llamada as en honor al probabilista francs Simen Denis Poisson. Es una distribucin de v.a.
discreta en la que la variable representa al nmero de xitos en el intervalo de tiempo o
espacio, estos eventos son continuos e independientes, lo que significa que el nmero de xitos
que ocurren en un intervalo de tiempo dado o espacio son independientes, de los que ocurren
en cualquier otro intervalo, pero se supone que la tasa de xitos por unidad de tiempo o espacio
permanece constante, esta tasa lo representaremos por l. (Espejel, 2007)

Definicin:
Si X es una v.a. discreta y cuando la probabilidad de xito es pequea y n es grande
en un proceso binomial, donde el producto np se hace constante, o cuando los
sucesos se realizan en un intervalo de tiempo o espacio; la distribucin que

representa a este tipo de procesos aleatorios se llama Distribucin de Poisson, cuya


funcin de cuanta est dada por la siguiente expresin:

Donde es el nmero promedio de ocurrencias por unidad de tiempo o espacio y lt es el nmero


promedio de ocurrencias de eventos en el intervalo de tiempo o espacio de tamao t.
La aproximacin de una v.a del tipo binomial a una del tipo Poisson, es muy buena si n 30 y p
0,05
Existen muchos casos en las que se pueden usar la distribucin de Poisson, tales como: en el
nmero de llamadas telefnicas a una central, el nmero de personas que llegan a una posta
mdica para ser atendidos, o a la ventanilla de un banco para hacer alguna transaccin, el
nmero de tornillos fabricados en un da, el nmero de aviones que llegan a un aeropuerto
durante el da, el nmero de barcos que arriban a un puesto en una semana, el nmero de
manchitas que puede tener una loseta de 20 cm 2, el nmero de bacterias que puede haber en un
centmetro cbico de agua, etc., en general todos los problemas llamados lneas de espera,
teora de colas o similares. (Espejel, 2007)
Ejemplo :
Se sabe que el nmero promedio de camiones que llegan a un terminal terrestre durante el da
es de 10, las instalaciones del terminal pueden atender como mximo 15 camiones al da. Cul
es la probabilidad de que la capacidad de atencin del terminal sea superado en un da
cualquiera?
Solucin:
X = nmero de camiones que llegan al terminal terrestre durante el da para ser atendidos.
X= 0, 1, 2, 3,..

4.4 Distribucin Normal

Llamada tambin distribucin gaussiana, es la distribucin de v.a. continua ms importante y


seguramente la de mayor uso, es la distribucin modelo y sirve de aproximacin para las dems
distribuciones, asimismo de acuerdo a la ley de los grandes nmeros muchas estadsticas
muestrales tienen distribucin normal.
Su grfica se llama curva normal, es una curva simtrica en forma de campana, o acampanada
que se extiende sin lmites en ambos sentidos sobre la recta real o eje de las X (abscisas en el
eje cartesiano).
Muchos fenmenos que ocurren en la naturaleza, en la industria y en cualquier campo tienen
distribucin normal, tales como: la temperatura del medio ambiente, la precipitacin pluvial,
las mediciones de magnitudes fsicas, el peso y la talla de las personas, etc. sin embargo, hay
que tener mucho cuidado para usarlo sin previa comprobacin, pues las consecuencias pueden
ser impredecibles. Ejemplo si se disea cierto material para resistir una cantidad dada de
presin que se supone se distribuye normalmente alrededor del valor promedio y el diseo se
hace con esta suposicin, el material puede verse seriamente daado al aplacrsele una presin
elevada pero dentro de los lmites permisibles. Ha sido estudiado por muchos matemticos
como La Place, De Moivre, Gauss, etc. (Espejel, 2007)
Definicin:
Se dice que una variable aleatoria continua X, tiene una distribucin normal, si su funcin de
densidad est dada por:

4.5 Distribucin T-Student

4.6 Distribucin Chi Cuadrado

La distribucin ji-cuadrada es la distribucin muestral de S2. O sea que si se extraen todas las
muestras posibles de una poblacin normal y a cada muestra se le calcula su varianza, se
obtendr la distribucin muestral de varianzas.
Para estimar la varianza poblacional o la desviacin estndar, se necesita conocer el estadstico
X2.

Donde n es el tamao de la muestra, s2 la varianza muestral y la varianza de la


poblacin de donde se extrajo la muestra. (Espejel, 2007)

Propiedades de las distribuciones X- cuadrada

Los valores de X2 son mayores o iguales que 0.

La forma de una distribucin X2 depende del gl=n-1. En consecuencia, hay un nmero


infinito de distribuciones X2.

El rea bajo una curva ji-cuadrada y sobre el eje horizontal es 1.

Las distribuciones X2 no son simtricas. Tienen colas estrechas que se extienden a la


derecha; esto es, estn sesgadas a la derecha.

Cuando n>2, la media de una distribucin X2 es n-1 y la varianza es 2(n-1).

El valor modal de una distribucin X2 se da en el valor (n-3).


Ejemplos:
Suponga que los tiempos requeridos por un cierto autobs para alcanzar un de sus destinos en
una ciudad grande forman una distribucin normal con una desviacin estndar =1 minuto. Si
se elige al azar una muestra de 17 tiempos, encuentre la probabilidad de que la varianza
muestral sea mayor que 2.
Solucin:

Primero se encontrar el valor de ji-cuadrada correspondiente a s2=2 como sigue:

Por ejemplo un encuestador podra desear saber si, el sexo, los antecedentes tnicos o el rango
salarial de una persona son factores relevantes en la votacin para una eleccin de algn
legislador.
La definicin formal de la distribucin es la siguiente:
Sean Z1, Z2,,Zk, k distribuciones normales estandar independientes.
Se denomina tambin la distribucin Chi- cuadrado con k grados de
libertad. que puede ser cualquier entero positivo incluyendo al 1 y est representado por df.

Si x se distribuye mediante una x20, hallar :

Preguntas de anlisis
Estimado estudiante, hemos revisado los contenidos referentes a la cuarta semana, y
con el fin de seguir apoyndote en este proceso de enseanza, te sugiero que analices y des
respuesta a las siguientes preguntas:
1.
Qu representa la campana de Gauss?
2.
Cundo hacer uso de la distribucin normal?
3.
Cundo aplicar la distribucin binomial?

Al respecto para conocer un poco ms sobre este tema, y dar respuesta a las
preguntas planteadas a continuacin te invitamos a hacer clic en el siguiente botn
Uno de los objetivos de la estadstica es el conocimiento cuantitativo de una
determinada parcela de la realidad. Para ello, es necesario construir un modelo de
esta realidad particular objeto de estudio, partiendo de la premisa de que lo real es
siempre ms complejo y multiforme que cualquier modelo que se pueda construir.
De todas formas, la formulacin de modelos aceptados por las instituciones
responsables y por los usuarios, permite obviar la existencia del error o distancia
entre la realidad y el modelo.

Los modelos tericos a los que se hace referencia se reducen en muchos casos a (o
incluyen en su formulacin) funciones de probabilidad. La teora de la probabilidad
tiene su origen en el estudio de los juegos de azar, que impulsaron los primeros
estudios sobre clculo de probabilidades en el siglo XVI, aunque no es hasta el siglo
XVIII cuando se aborda la probabilidad desde una perspectiva matemtica con la
demostracin de la ley dbil de los grandes nmeros segn la cual, al aumentar el
nmero de pruebas, la frecuencia de un suceso tiende a aproximarse a un nmero
fijo denominado probabilidad

Fuente: http://dxsp.sergas.es/ApliEdatos/Epidat/Ayuda/4- Ayuda%20Distribuciones


%20de%20probabilidad.pdf

Video
Con ayuda del siguiente video explicaremos algunas dudas que se hayan
presentado durante el transcurso de la cuarta semana
https://youtu.be/53tb5ezZBCM

Actividad de anlisis y comprensin


Despus de haber observado detenidamente el video responde a las siguientes preguntas:
1. En una distribucin normal: la media, mediana y moda siempre coinciden
Verdadero
Falso
Correcto! El que la media, mediana y moda coincidan es una caracterstica de la
distribucin normal
2. Fue reconocido por primera vez por: Abraham de Moivre
Verdadero

Falso
Buena eleccin! La distribucin normal fue reconocido por primera vez por el
francs Abraham de Moivre
3. La media de la poblacin para una distribucin normal no se encuentra en el centro de la
curva
Verdadero
Falso
Respuesta correcta! En una distribucin normal la media se encuentra en el centro
de la campana de Gauss

Referencias bibliogrficas

Lectura recomendada
Ponemos a tu disposicin y te invitamos a revisar dos interesantes documentos que te
ayudaran a reforzar y ampliar los temas que hemos estudiado, estos los encontrars
en la base de datos e-libros que utiliza nuestra universidad:

Documento : Estadstica
URL:http://site.ebrary.com/lib/bibsipansp/docDetail.action?docID=10479465&p00=estad
%C3%ADstica
Breve descripcin:
El texto se ha elaborado por la necesidad de que exista un texto adecuado para el estudio de la
Estadstica en las diferentes especialidades de la educacin superior.
Los contenidos y tcnicas que se abordan son presentados teniendo en cuenta la intuicin en la
medida de lo posible , evitndose de esta forma demostraciones matemticas que hagan desviar
la atencin del lector del objetivo principal, el cual consiste en aprender el uso de las tcnicas
estadsticas como herramienta de trabajo.

Conclusiones

Luego de haber analizado y desarrollado los contenidos de la cuarta semana llegamos a concluir
que las distribuciones de probabilidad se ponen de manifiesto ante las variadas disciplinas del
quehacer humano en las cuales este concepto est involucrado, en forma definida o implcita.
De una o varias forma, las variaciones posibles en la definicin y aplicacin de las distribuciones
de probabilidad permiten comprender su gran complejidad e importancia en la vida diaria de los
seres humanos, puesto que se puede disear un escenario de acontecimientos futuros
considerando
las
tendencias
actuales
de
diversos
fenmenos
naturales.
Concluyendo as que ya somos capaces de diferenciar el uso de las distribuciones de
probabilidad estudiadas y su respectiva aplicacin.