Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
La probabilidad de una variable aleatoria es una funcin que asigna a cada suceso definido sobre la variable aleatoria la probabilidad de que dicho suceso ocurra. La distribucin de probabilidad est definida sobre el conjunto de todos los sucesos, cada uno de los sucesos es el rango de valores de la variable aleatoria. Cuando la variable aleatoria toma valores en el conjunto de los nmeros reales, la distribucin de probabilidad est completamente especificada por la funcin de distribucin, cuyo valor en cada real x es la probabilidad de que la variable aleatoria sea menor o igual que x.
Por simplicidad, cuando no hay lugar a confusin, suele omitirse el subndice se escribe, simplemente, .
Propiedades
Como consecuencia casi inmediata de la definicin, la funcin de distribucin:
Adems, cumple
Para dos nmeros reales cualesquiera a y b tal que (a < b), los sucesos son mutuamente excluyentes y su unin es el suceso que tenemos entonces que:
y , por lo
Y finalmente
Por lo tanto una vez conocida la funcin de distribucin F(x) para todos los valores de la variable aleatoria x conoceremos completamente la distribucin de probabilidad de la variable. Para realizar clculos es ms cmodo conocer la distribucin de probabilidad, y sin embargo para ver una representacin grfica de la probabilidad es ms prctico el uso de la funcin de densidad.
Consideraremos primero las distribuciones de probabilidad para variables discretas Por ejemplo: Consideremos a la variable aleatoria X como la cantidad de guilas observadas cuando se lanzan dos volados. El espacio muestral es el conjunto {AA, AS, SA, SS} y se puede ver que la variable X puede tomar como valores 0, 1 y 2. Calculando las probabilidades tenemos: P(de no observar guilas) P(de observar una guila) P(de observar dos guilas) = P(SS) = P(SA AS) = P(AA) = P(X=0) = = P(X=1) =
2
/4
= P(X=2) =
/4
Se podr explicar por qu se usa el nombre "distribucin de probabilidad". E, incluso, con esta informacin se puede construir una grfica de barras o un histograma como el que sigue:
Las propiedades de las distribuciones de variables discretas son dos, y que posteriormente, al hablar de las distribuciones de variables continuas, se repetirn de manera muy similar:
1. 0 P(X=x) 1. 2. SP(X=x) = 1, o que es lo mismo: la suma de todas las probabilidades de los eventos posibles de una variable aleatoria es igual a la unidad. Hay que hacer notar que estas propiedades se enuncian suponiendo que conocemos el valor de la probabilidad, pero en la realidad esto no ocurre, es decir que no sabemos la probabilidad y lo que se hace es trabajar con estimaciones. Precisamente esto nos lleva a modelos tericos que estiman los resultados, los principales son los que a continuacin se presentan.
Uniforme. Es la distribucin donde todos los eventos elementales tienen la misma probabilidad. Por ejemplo: tirar un dado, donde la funcin P(X=x)=1/6 para valores de x=1, 2, 3, 4, 5,6.
Binomial. Es la que maneja la distribucin de la probabilidad de obtener cierta cantidad de xitos al realizar una cantidad de experimentos con probabilidad de xito constante y con ensayos independientes.
Geomtrica. Es la distribucin de la probabilidad de realizar cierto nmero de experimentos antes de obtener un xito. Hipergeomtrica. Es similar a la binomial, pero con un tamao de muestra grande en relacin al tamao de la poblacin. La funcin de Excel que proporciona sus valores es DISTR.HIPERGEOM
De Poisson. Es la distribucin de la probabilidad de que ocurra un evento raro en un periodo de tiempo, un espacio o un lugar. La funcin de Excel que da los valores de la distribucin es POISSON
Media y desviacin estndar de una distribucin de probabilidad para variables discretas En una *a href*distribucin de frecuencias para datos agrupados se calculaba la
Considerando la definicin de probabilidad de un evento, P(X) es el cociente de la frecuencia entre el nmero total de eventos (probabilidad frecuencial de ocurrencia), por lo que la media de una distribucin de probabilidad de una variable discreta es:
Por ejemplo: Consideremos la variable X del ejemplo de guilas observadas en dos lanzamientos de monedas. Es decir, X tal que su distribucin de probabilidad sea: X 0 1 2 P(X=x)
, y haciendo
Para que, finalmente, la varianza de una distribucin de probabilidad de una variable discreta sea:
Consecuentemente, la desviacin estndar de una distribucin de probabilidad de una variable discreta es:
Por ejemplo: Considerando la misma distribucin de probabilidad que en el ejemplo anterior, su desviacin estndar se calcula:
Una distribucin de probabilidad continua, la distribucin normal. En teora de la probabilidad una distribucin de probabilidad se llama continua si su funcin de distribucin es continua. Puesto que la funcin de distribucin de una variable aleatoria X viene dada por , la definicin implica que
en una distribucin de probabilidad continua X se cumple P[X = a] = 0 para todo nmero real a, esto es, la probabilidad de que X tome el valor a es cero para cualquier valor de a. Si la distribucin de X es continua, se llama a X variable aleatoria continua. En las distribuciones de probabilidad continuas, la distribucin de probabilidad es la integral de la funcin de densidad, por lo que tenemos entonces que:
Mientras que en una distribucin de probabilidad discreta un suceso con probabilidad cero es imposible, no se da el caso en una variable aleatoria continua. Por ejemplo, si se mide la anchura de una hoja de roble, el resultado 3,5 cm. es posible, pero tiene probabilidad cero porque hay infinitos valores posibles entre 3 cm. y 4 cm. Cada uno de esos valores individuales tiene probabilidad cero, aunque la probabilidad de ese intervalo no lo es. Esta aparente paradoja se resuelve por el hecho de que la probabilidad de que X tome algn valor en un conjunto infinito como un intervalo, no puede calcularse mediante la adicin simple de probabilidades de valores individuales. Formalmente, cada valor tiene una probabilidad infinitesimal que estadsticamente equivale a cero. Existe una definicin alternativa ms rigurosa en la que el trmino "distribucin de probabilidad continua" se reserva a distribuciones que tienen funcin de densidad de probabilidad. Estas funciones se llaman, con ms precisin, variables aleatorias absolutamente continuas (vase el Teorema de Radon-Nikodym). Para una variable aleatoria X absolutamente continua es equivalente decir que la probabilidad P[X = a] = 0 para todo nmero real a, en virtud de que hay un incontables conjuntos de medida de Lebesgue cero (por ejemplo, el conjunto de Cantor). Una variable aleatoria con la distribucin de Cantor es continua de acuerdo con la primera definicin, pero segn la segunda, no es absolutamente continua. Tampoco es discreta, ni una media ponderada de variables discretas y absolutamente continuas. En aplicaciones prcticas, las variables aleatorias a menudo ofrece una distribucin discreta o absolutamente continua, aunque tambin aparezcan de forma natural mezclas de los dos tipos. Para una variable continua hay infinitos valores posibles de la variable y entre cada dos de ellos se pueden definir infinitos valores ms. En estas condiciones no es posible deducir la probabilidad de un valor puntual de la variable; como se puede hacer en el caso de va discretas, pero es posible calcular la probabilidad acumulada hasta un cierto valor (funcin de distribucin de probabilidad), y se puede analizar como cambia la probabilidad acumulada en cada punto (estos cambios no son probabilidades sino otro concepto: la funcin de densidad.
En el caso de variable continua la distribucin de probabilidad es la integral de la funcin de densidad, por lo que tenemos entonces que:
Sea X una va continua, una distribucin de probabilidad o funcin de densidad de probabilidad (FDP) de X es una funcin f(x) tal que, para cualesquiera dos nmeros a y b siendo .
La grfica de f(x) se conoce a veces como curva de densidad, la probabilidad de que X tome un valor en el intervalo [a, b] es el rea bajo la curva de la funcin de densidad; as, la funcin mide concentracin de probabilidad alrededor de los valores de una variable aleatoria continua.
Para que f(x) sea una FDP (FDP = f(x)) sea legtima, debe satisfacer las siguientes dos condiciones:
1. f(x)
0 para toda x.
2.
Ya que la probabilidad es siempre un nmero positivo, la FDP es una funcin no decreciente que cumple:
1.
2.
Exponencial. Se utiliza para estudiar el tiempo entre dos sucesos. La funcin de Excel que le corresponde es DISTR.EXP.
Beta. Sirve para el estudio de variaciones, a travs de varias muestras, de un porcentaje que representa algn fenmeno. La funcin DISTR.BETA del Excel sirve para obtener sus valores; y la funcin DISTR.BETA.INV proporciona los valores inversos de la funcin, es decir, se utiliza como parmetro la imagen de la funcin y regresa la variable independiente.
Gamma. Se utiliza para estudiar variables cuya distribucin puede ser asimtrica. La funcin de Excel que le corresponde es DISTR.GAMMA; anterior. y la funcin DISTR.GAMMA.INV es la inversa de la
cuadrada (c). Es una distribucin asociada a la prueba c, y se usa para comparar los valores observados con los esperados. La funcin DISTR.CHI de Excel sirve para este caso.
Normal. Es la distribucin ms utilizada porque la mayora de las variables utilizadas en fenmenos sociales se distribuyen aproximadamente siguiendo este modelo. Es la que tocaremos a continuacin y se le llama comnmente distribucin normal.
Distribucin Binomial
En estadstica, la distribucin binomial es una distribucin de probabilidad discreta que mide el nmero de xitos en una secuencia de n ensayos de Bernoulli independientes entre s, con una probabilidad fija p de ocurrencia del xito entre los ensayos. Un experimento de Bernoulli se caracteriza por ser dicotmico, esto es, slo son posibles dos resultados. A uno de estos se denomina xito y tiene una probabilidad de ocurrencia p y al otro, fracaso, con una probabilidad q = 1 - p. En la distribucin binomial
el anterior experimento se repite n veces, de forma independiente, y se trata de calcular la probabilidad de un determinado nmero de xitos. Para n = 1, la binomial se convierte, de hecho, en una distribucin de Bernoulli. Para representar que una variable aleatoria X sigue una distribucin binomial de parmetros n y p, se escribe:
Caractersticas analticas
Su funcin de probabilidad es
Donde
siendo )
las combinaciones de
en (
elementos tomados de en
Ejemplo
Supongamos que se lanza un dado 50 veces y queremos la probabilidad de que el nmero 3 salga 20 veces. En este caso tenemos una X ~ B(50, 1/6) y la probabilidad sera P(X=20):
Propiedades caractersticas
Propiedades reproductivas
Dadas n variables binomiales independientes, de parmetros ni (i = 1,..., n) y p, su suma es tambin una variable binomial, de parmetros n1+... + nn, y p, es decir,
Graficas
Introduccin
Una distribucin de probabilidad indica toda la gama de valores que pueden representarse como resultado de un experimento. Una distribucin de probabilidad es similar al distribucin de frecuencias relativas .Si embargo, en vez de describir el pasado, describe la probabilidad que un evento se realice en el futuro, constituye una herramienta fundamental para la prospectiva, puesto que se puede disear un escenario de acontecimientos futuros considerando las tendencias actuales de diversos fenmenos naturales. Las decisiones estadsticas basadas en la estadstica inferencial son fundamentales en la investigacin que son evaluadas en trminos de distribucin de probabilidades. En el presente trabajo, se estudia de manera gil los diverso tipos de distribucin probabilstica, caracterizaremos cada distribucin, la fundamentacin matemtica de los diversos resultados no se enfocaran en el presente trabajo; slo me limitar al estudio descriptivo de la distribucin de probabilidades discretas.
Conclusin
Esta distribucin es frecuentemente utilizada en las aplicaciones estadsticas. Su propio nombre indica su extendida utilizacin, justificada por las frecuencia o normalidad con la que las ciertos fenmenos tienden a parecerse en su comportamiento a esta distribucin. Muchas variables aleatorias continuas presentan una funcin de densidad cuya grfica tiene forma de campana. En otras ocasiones, al considerar distribuciones binomiales, tipo B(n,p), para un mismo valor de p y de valores de n cada vez mayores, se ve que sus polgonos de frecuencias se aproximan a una forma en forma de campana. En resumen, la importancia de la distribucin normal se debe principalmente a que hay muchas variables asociadas a fenmenos naturales que siguen el modelo de la normal.
Repblica Bolivariana de Venezuela. Ministerio del Poder Popular para la Defensa. Universidad Nacional Politcnica de la Fuerza Armada Nacional Bolivariana. Carpano Edo Sucre.