Sie sind auf Seite 1von 32

2

Probabilidad

Objetivos
Desarrollar algunas herramientas bsicas para poder abordar con fundamento los problemas de la inferencia estadstica. Sistematizar, organizar y cimentar los conceptos probabilsticos presentes en la cultura cotidiana.

2.1. Elementos de la teora de probabilidad


En la presente Unidad trataremos conceptos de la teora de probabilidad por ser sta la herramienta conceptual necesaria para abordar con fundamento los problemas de la estadstica inferencial.

2.1.1. Experimento aleatorio


Comenzaremos leyendo el siguiente texto que fue extrado de la novela El jugador de Fedor Dostoievsky.
Prrafo del captulo IV de El jugador (1866), una de las ms clebres y populares novelas de Fedor Dostoievsky, en gran parte un relato autobiogrfico.

[...] Las salas de juego estaban repletas de pblico. Cunta insolencia y cunta avidez! Me abr paso entre la muchedumbre y me coloqu frente al propio croupier. Empec a jugar tmidamente, arriesgando cada vez dos, tres monedas. Entretanto, observaba. Tengo la impresin de que el clculo previo vale para poco y, desde luego no tiene la importancia que le atribuyen muchos jugadores: llevan papel rayado, anotan las jugadas, hacen cuentas, deducen las probabilidades, calculan; por fin, apuestan y pierden. Igual que nosotros simples mortales, que jugamos sin clculo alguno. He llegado, sin embargo, a una conclusin, al parecer, justa: existe, en efecto, si no un sistema, por lo menos cierto orden en la sucesin de probabilidades casuales, lo cual es muy extrao. Suele ocurrir, por ejemplo, que tras las doce cifras centrales salgan las doce ltimas. Cae, por ejemplo, dos veces en las doce ltimas y pasa a las doce primeras. De las doce primeras, vuelve a las centrales: sale tres o cuatro veces seguidas y de nuevo pasa a las doce ltimas. Tras dos vueltas, cae sobre las primeras, que no salen ms de una vez, y las cifras centrales salen sucesivamente tres veces. Esto se repite durante hora y media o dos horas. Uno, tres y dos; uno, tres y dos. Resulta muy divertido. Hay das, maanas, en que el negro alterna con el rojo, casi en constante desorden, de modo que ni el rojo ni el negro salen ms de dos o tres veces seguidas. Al da siguiente, o a la misma tarde, sale el rojo hasta veinticinco veces sucesivas, y contina as durante algn tiempo, a veces, durante todo el da [...].

55

Universidad Virtual de Quilmes

Experimento aleatorio, probabilstico o estocstico: es aquel donde no se puede determinar a priori cul va a ser su resultado.

La bsqueda de las leyes que, supuestamente, gobiernan el azar no solo atrae la concentracin de algn jugador empedernido, sino que domina permanentemente los clculos de casi todo el espectro cientfico desde en un rango cronolgico la astronoma hasta la economa. Lo que aparece claramente en el prrafo seleccionado es la observacin del fenmeno que interesa estudiar la ruleta mediante series de frecuencias. Cada vez que se realiza una jugada se est llevando a cabo un experimento aleatorio o azaroso, por qu aleatorio? Porque no se puede predecir de antemano el resultado que se va a obtener en esa jugada. Existen muchos experimentos aleatorios fuera del juego, por ejemplo, podramos anotar la edad de cada una de las personas que lee esta carpeta, cada edad del conjunto de todas las edades anotadas puede ser un resultado del experimento. Podemos citar tambin como experimento aleatorio la observacin de la ocurrencia del robo de un auto realizada por un actuario de seguros. Este actuario podra anotar en funcin de resultados previos cuntos autos de una determinada marca y modelo fueron robados entre todos los que existen en el mercado y a partir de ello inducir si un nuevo auto cualquiera, elegido al azar de ese modelo y marca, tiene alguna posibilidad de ser robado. Tanto la jugada nica del jugador, como el aseguramiento de un auto cualquiera tomado al azar, constituyen experimentos aleatorios simples porque involucran tomar un solo elemento al azar de una poblacin. Tanto la avidez del jugador como la de la compaa de seguros nos llevan a los experimentos aleatorios compuestos tomar ms de un elemento al azar donde el jugador hara varias jugadas o la compaa asegurara varios autos.

El proceso de tomar al azar uno o ms elementos de una determinada poblacin es un experimento aleatorio. Si se selecciona un solo elemento, referido a una variable, el experimento es simple y si se seleccionan dos o ms elementos, referidos a esa variable, el experimento aleatorio es compuesto porque es el resultado de la repeticin de uno simple. Por otro lado, si se selecciona un elemento al azar pero referido a dos o ms variables conjuntamente resulta tambin un experimento aleatorio compuesto.

Cuando se seleccionan muestras aleatorias de tamao n de una poblacin se estn realizando n experimentos aleatorios simples.

Espacio muestral
Denominamos espacio muestral (E) al conjunto de todos los resultados posibles de un experimento aleatorio. En el ejemplo del actuario nos interesa si al seleccionar un auto de esa marca y modelo ste puede ser robado o no, entonces los resultados posibles son: ser robado o no ser robado:

56

Estadistica

E = {robado, no robado} En una jugada de la ruleta los resultados posibles son: E = {todos los nmeros de la ruleta} = {0, 1, 2, 3, ......... , 34, 35, 36} En la siguiente tabla figuran distintos tipos de experimentos aleatorios y espacios muestrales asociados a ellos.

Experimento aleatorio Si se tomara/n al azar:

Espacio muestral Se obtendran los siguientes resultados

1- Una pyme del grupo que gura en la matriz ME 3 de la Unidad anterior y se examinara el E ={ A, C, I, S} rubro al que pertenece. 2- Dos empleados de la empresa cooperativa E={FF, FM, MF, MM} de la matriz ME 1 y se observara el sexo al que pertenece cada uno. 3- Una vivienda entre las de la ME 2 y se reexionara acerca de la cantidad de ambientes que tiene. E ={ 1, 2, 3, 4, 5}

Como puede apreciarse, los experimentos 1 y 3 son simples y el 2 es un experimento compuesto por repeticin de uno simple. Para describir los elementos de un espacio muestral de un experimento compuesto se puede recurrir a un diagrama denominado diagrama de rbol donde cada una de las ramas representa a cada uno de los elementos compuestos del espacio muestral. El diagrama de rbol (G.2.1.) correspondiente al segundo experimento es Grfico 2.1. Diagrama de rbol

Suceso o evento aleatorio


Un suceso o evento aleatorio es cualquier subconjunto de un espacio muestral.

57

Universidad Virtual de Quilmes

Son ejemplos de sucesos aleatorios del Espacio muestral del experimento 3, que la vivienda seleccionada tenga: S1 = {hasta 3 ambientes} S1 = {1, 2, 3} S2 = {1 ambiente} S2 = {1} S3 = {8 ambientes} S3 = { } = S4 = {hasta 5 ambientes} S4 = {1, 2, 3, 4, 5} = E S5 = {3 o 4 ambientes} S5 = {3, 4} S6 = {menos de 4 ambientes} S6 = {1, 2, 3} S7 = {ms de 3 ambientes} S7 = {4, 5}

Un suceso ocurrir si el resultado del experimento aleatorio es un elemento de dicho suceso.

Si un suceso tiene un solo elemento (por ejemplo S2) se dice que es un suceso elemental. Si los elementos de un suceso son todos los del espacio muestral (el suceso coincide con E como el S4) al suceso se lo denomina suceso cierto y ocurre siempre al realizar el experimento. Si un suceso no tiene elementos, es un conjunto vaco como el S3 y se llama suceso imposible. Este suceso no podra ocurrir al realizar el experimento.

Relaciones entre sucesos


Las relaciones ms destacables que se pueden establecer entre dos o ms sucesos son: identidad, exclusin e independencia. Para ejemplificarlas usaremos los sucesos S1 a S7. Identidad

Dos o ms sucesos son idnticos cuando tienen los mismos elementos.

Considerando el suceso S6 podemos notar claramente que es idntico al suceso S1.

58

Estadistica

Exclusin

Dos sucesos son mutuamente excluyentes cuando la ocurrencia de uno excluye la ocurrencia del otro. Es decir, que no tienen elementos en comn.

Por ejemplo, los sucesos S2 y S5 porque si ocurre S2 no puede ocurrir S5 y viceversa, por lo tanto son mutuamente excluyentes. Dos sucesos aleatorios son no excluyentes, caso S5 y S7, cuando tienen elementos en comn. Un suceso est incluido en otro cuando todos sus elementos son parte de los elementos del otro como en el caso del suceso S2 que est contenido en S1. El espacio muestral y los sucesos aleatorios pueden representarse mediante un diagrama de Venn. En los siguientes diagramas se visualizan las tres formas que puede adoptar la relacin de exclusin entre dos sucesos aleatorios.

Juan Venn (1834-1923). Filsofo e historiador ingls. Su obra de lgica ms original es la Lgica del azar.

Grfico 2.2.

Independencia Dos sucesos son independientes cuando la ocurrencia de uno no condiciona la ocurrencia del otro. Observando el primer caso del grfico 2.2. donde los sucesos son mutuamente excluyentes si uno ocurriera, el otro nunca podra ocurrir. Eso implica la total dependencia del segundo suceso respecto del primero, y viceversa.

Si dos sucesos son mutuamente excluyentes entonces son fuertemente dependientes.

En el tercer diagrama, del mismo grfico, si ocurriese el suceso incluido necesariamente el suceso incluyente ocurrir, por lo que ste tambin es fuertemente dependiente de aqul.

59

Universidad Virtual de Quilmes

Si un suceso incluye a otro entonces es fuertemente dependiente del suceso incluido.

En el caso de los sucesos no excluyentes, segunda forma del grfico, el anlisis de la independencia requiere de otras consideraciones que se irn incorporando paulatinamente. Pero s se puede afirmar que:

Si dos sucesos son independientes no son mutuamente excluyentes.

Operaciones entre sucesos


Estudiadas sistemticamente por el lgico irlands J. Boole (1815-1864) y aplicadas al diseo de circuitos electrnicos a partir de 1939 y a la telefona, control automtico y computadoras en general hasta hoy.

Las operaciones entre sucesos son las tres operaciones de Boole (unin, interseccin y complemento) del lgebra de conjuntos ms la operacin diferencia.

Estas operaciones aplicadas a dos o ms sucesos aleatorios devuelven siempre un nuevo suceso aleatorio.

Unin

La unin de dos sucesos Si y Sj es un nuevo suceso (Si U Sj) cuyos elementos pertenecen a alguno de los dos sucesos (a Si o a Sj o a ambos).

Grfico 2.3.

Consideremos las siguientes uniones de sucesos aleatorios: S2 U S5 = {1} U {3, 4} = {1, 3, 4} S7 U S5 = {4, 5} U {3, 4} = {3, 4, 5} S1 U S2 = {1, 2, 3} U {1} = {1, 2, 3}

60

Estadistica

Interseccin

La interseccin de dos sucesos Si y Sj es un nuevo suceso (Si Sj) cuyos elementos pertenecen conjuntamente a ambos sucesos.

Grfico 2.4.

La interseccin de los sucesos S7 y S5, con los que ya operamos, es: S7 I S5 = {4, 5} I {3, 4} = {4} El suceso S7 I S5 ocurrir s y solo s ocurrieran simultneamente los sucesos S7 y S5.

1. a. Realizar la interseccin entre los sucesos S2 y S5. b. Indicar qu tipo particular de suceso es la interseccin entre dos sucesos mutuamente excluyentes.

Complemento

El complemento de un suceso S es otro suceso cuyos elementos son todos los elementos del espacio muestral que no pertenecen al suceso S.

Grfico 2.5.

El complemento del suceso S1 es: S {todos los elementos de E que no estn en S1} = {4, 5}

61

Universidad Virtual de Quilmes

Diferencia

La diferencia entre dos sucesos Si y Sj es un nuevo suceso (Si Sj) cuyos elementos pertenecen slo a Si.

Grfico 2.6.

Las siguientes diferencias entre sucesos son: S7 S5 = {4, 5} {3, 4} = {5} S1 S2 = {1, 2, 3} {1} = {2, 3}

2. a. Determinar la diferencia entre los sucesos S2 y S5. b. Determinar el suceso resultante de la diferencia entre dos sucesos mutuamente excluyentes.

2.1.2. Definiciones de probabilidad


Enunciaremos las definiciones de probabilidad teniendo en cuenta su formulacin histrica.

Definicin clsica
Essai philosophique sur les probabilits (1814). Pierre Simn de Laplace (17491827), astrnomo y matemtico francs. Otras obras: Mecnica Celeste y El sistema del mundo.

La definicin clsica de probabilidad se debe a Pierre Simn de Laplace para quien la teora del azar consiste en determinar el nmero de casos favorables al acontecimiento cuya probabilidad se indaga. La razn de este nmero con la de todos los casos posibles es la medida de la probabilidad, que no es ms que una fraccin cuyo numerador es el nmero de casos favorables y cuyo denominador es el nmero total de casos posibles.

Es decir: p= cantidad de casos favorables cantidad de casos posibles Apliquemos esta definicin a algn suceso en la jugada de la ruleta, por ejemplo, si nos interesa que en la prxima tirada de la ruleta salga par.

62

Estadistica

El espacio muestral es: E = {todos los nmeros de la ruleta} E = {0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31. 32, 33, 34, 35, 36} y el suceso o evento de inters es: S = {que salga par} S = {2, 4, 6, 8, 10, 12, 14, 16, 18 , 20, 22, 24, 26, 28, 30, 32, 34, 36} P(S) = P(par) = 18 / 37 = 0,4865

Definicin frecuencial
Richard E. von Mises propuso la siguiente definicin de probabilidad frecuencial en 1919.
RTT La probabilidad de un suceso cualquiera es [...] el Valor Lmite de la Frecuencia Relativa... Esta es la razn del nmero de casos en que el atributo a Matemtico y filsofo austraco (1883-1953).

Supongamos que el actuario ha recabado informacin sobre una cantidad grande de autos asegurados y que de ello el 15% sufri algn robo. El actuario con ese dato puede calcular la probabilidad del suceso S: el auto asegurado no sera robado. Es decir:
p= f r = P( no robado) = 85/100 = 0,85 P(S)
Supongamos que el actuario ha recabado informacin sobre una cantidad grande Axiomatizacin de autos asegurados y que de ellos el 15% sufri algn robo. El actua2.1.3. de la probabilidad rio con ese dato puede calcular la probabilidad del suceso S: el auto asegu-

sido hallado al nmero total de observaciones [...] TTR

Tomado de su libro Probabilidad, Estadstica y Verdad (1928).

rado no sera La Teora de larobado. Probabilidad fue estructurada algebraicamente a partir de 1930 por matemticos de la escuela ruso francesa, dentro de una teora especial de la medida de conjuntos. Esa teora de la medida nos permitira hablar de l = P( no robado) = la 85/100 0,85 probabilidad de un P(S) suceso aleatorio, como medida= de su ocurrencia.
COMIENZO DE PASTILLA EN escuela ruso-francesa Los referentes ms importantes de esta escuela son: A. N. Kolmogoroff, F. Cantelli, E. Borel y otros. 2.1.3. Axiomatizacin de la probabilidad FIN DE PASTILLA

LaSu Teora de la reside Probabilidad fue estructurada algebraicamente partir de 1930 algebraica, es decir, un conjunto d utilidad en entregar al clculo de probabilidadesauna herramienta Los referentes ms por matemticos de la escuela ruso-francesa, dentro de una teora especial operaciones y maneras de operar con probabilidades. importantes de esta deSu la cuerpo medidaprincipal de conjuntos. Esa teora de la medida nos permitira hablar (teoremas). de consiste en tres axiomas y un grupo de propiedades escuela son: A. N. Kolmogoroff, F. Cantelli, E. Borel y otros. la probabilidad de un suceso aleatorio, como la medida de su ocurrencia. Su utilidad reside en entregar al clculo de probabilidades una herramienCOMIENZO DE PASTILLA EN axiomas ta algebraica, es decir, un conjunto de operaciones y maneras de operar con Recordar que los axiomas son proposiciones intuitivas aceptadas sin demostracin y que a partir de ellos pueden deducirse las propiedade probabilidades. (teoremas). Recordar que los axiomas principal consiste en tres axiomas y un grupo de propiedades FIN Su DEcuerpo PASTILLA son proposiciones intui(teoremas). tivas aceptadas sin demostracin
Axiomas A.1. P (S) 0 A.2. P(E) = 1 A.3. Si Sj = entonces P(Si Sj) = P (Si) + P(Sj) Propiedades P.1. 0 P(S) 1 Se deduce combinando A.1. y A.2. 63
la probabilidad de un suceso aleatorio S es un nmero no negativo. la probabilidad del espacio muestral E es 1. la probabilidad de la unin de dos sucesos aleatorios Si y Sj mutuamente excluyentes es la suma de sus respectivas probabilidades. y que a partir de ellos pueden deducirse las propiedades (teoremas).

A.2. P(E) = 1 A.3. Si Sj = entonces Universidad Virtual de Quilmes P(Si Sj) = P (Si) + P(Sj) Propiedades P.1. 0 P(S) 1 Se deduce combinando A.1. y A.2. P.2. P( S ) = 1 P(S) Se deduce combinando A.2. y A.3.

la probabilidad del espacio muestral E es 1. la probabilidad de la unin de dos sucesos aleatorios Si y Sj mutuamente excluyentes es la suma de sus respectivas probabilidades.

P.3. P() = 0 Se deduce de A.3. y considerando que es el complemento de E P.4. P(Si Sj) = P (Si) + P(Sj) P(Si Sj) Se deduce de A.3. y de considerar a cada uno de los sucesos como unin de partes mutuamente excluyentes.

COMIENZO DE ACTIVIDAD 3. 3. Demostrar la P.4. utilizando la sugerencia dada. Demostrar la P.4. utilizando la sugerencia dada. FIN DE ACTIVIDAD 2.1.4. Tipos de probabilidad
Hay tres tipos de probabilidad de que ocurra un suceso aleatorio, a saber: probabilidad total, probabilidad conjunta o compuesta y probabilidad condicional

Probabilidad total
Se denomina probabilidad total a la probabilidad del suceso resultante de la unin de dos o ms sucesos cualesquiera. Las probabilidades de los sucesos vistos en el subapartado 2.1.2. que el auto asegurado no sea robado y que salga un nmero par en la jugada de la ruleta son ejemplos de probabilidad total. El suceso que el auto asegurado no sea robado es un suceso elemental, en cambio el suceso que salga un nmero par en la jugada de la ruleta resulta de la unin de los sucesos elementales {2}, {4}, {6}, {8},......, {30}, {32},{34},{36} o sea, P(sea par) = P({2}U{4}U {6}U{8}U......U{30}U{32}U{34}U{36}) P(sea par) = P(2) + P(4) + P(6) + P(8) +...+ P(30) + P(32) + P(34) + P(36) = 1/37 + 1/37 + 1/37 +.+ 1/37 + 1/37 = 18 .1/ 37 = 18/37
Se entiende por equiprobabilidad, en el sentido expresado por Laplace, a la igualdad de oportunidad que tiene cada uno de los resultados elementales de una poblacin para ser seleccionado durante la realizacin de un experimento aleatorio.

El clculo realizado se basa en el tercer axioma y supone la equiprobabilidad de cada uno de los resultados de la jugada de la ruleta.

Probabilidad condicional
Supongamos que un estudio contable que recin se inicia debe presentar ante un organismo oficial dos declaraciones juradas (DDJJ) tomadas al azar entre sus 10 clientes. Entre ellos, tres son grandes contribuyentes (G) y el resto monotributistas (M). El espacio muestral E = {GG, GM, MG, MM} puede obtenerse a partir del diagrama de rbol del grfico 2.7. en el que se incluyen las probabilidades totales correspondientes a la primera seleccin

64

Estadistica

Grfico 2.7. Diagrama de rbol

Es decir, por ejemplo, que hay una probabilidad de 0,3 probabilidad total de que la primera declaracin jurada seleccionada corresponda a un gran contribuyente. A continuacin, completaremos el diagrama agregando las probabilidades de los resultados de la segunda seleccin de una declaracin teniendo en cuenta que en la segunda instancia el conjunto de DDJJ va a contar con un elemento menos cambiando tambin su composicin.

Grfico 2.8. Diagrama de rbol

Si nos interesara, por ejemplo, la probabilidad de que la segunda declaracin jurada extrada sea de un monotributista tendramos dos respuestas posibles (7/9 y 6/9) dependiendo de cul haya sido el resultado de la primera seleccin. Es decir, que la segunda seleccin est sujeta o condicionada a lo que ocurri en la primera. Las probabilidades consignadas al lado de cada resultado de la segunda extraccin son probabilidades condicionales.

La probabilidad condicional mide la ocurrencia de un suceso B si hubiera ocurrido el suceso A y se expresa P(B/A), donde A es el suceso condicin y el smbolo / es una notacin (no una operacin).

Las probabilidades condicionales consignadas en el rbol son: P(G/G) = 2/9 = 0,2222 P(G/M) = 7/9 = 0,7778 P(M/G) = 3/9 = 0,3333 P(M/M) = 6/9 = 0,6667

La notacin P(B/A) se debe al economista ingls J. M. Keynes (1883 1946) en su Tratado sobre las probabilidades (1933).

65

Universidad Virtual de Quilmes

La primera se lee: 0,2222 es la probabilidad de que en la segunda seleccin la Declaracin Jurada sea de un gran contribuyente si (dado que, tal que, sabiendo que) la primera hubiera sido tambin de un gran contribuyente.

Probabilidad conjunta o compuesta


Las probabilidades de cada uno de los sucesos del espacio muestral se denominan probabilidades compuestas y miden la probabilidad de ocurrencia conjunta o simultnea de dos resultados particulares en ambas selecciones. Convenimos en: P(GG) = P(primero G y segundo G) = P(G1 I G2) = P(G I G)

La probabilidad compuesta o conjunta es la probabilidad de que ocurran simultneamente dos o ms sucesos.

Utilizando la definicin de Laplace (casos favorables/casos posibles) la probabilidad del suceso GG resulta :

donde la cantidad de casos posibles resulta de contar todas las combinaciones de diez DDJJ (al momento de la primera seleccin) por nueve DDJJ (en la segunda instancia), y la cantidad de casos favorables tambin resulta de la combinacin de 3 G (primera vez) por 2 G (segunda vez). Relacionando con las probabilidades del rbol resulta finalmente:

Generalizando para dos sucesos cualesquiera A y B: P(A I B) = P(A). P(B/A)

La probabilidad compuesta entre dos sucesos A y B resulta de la multiplicacin de la probabilidad total del suceso condicin A por la probabilidad condicional de B tal que A.

Conclusiones Dados dos sucesos A y B de un espacio muestral de un experimento aleatorio con probabilidades no nulas, a partir de lo visto, se pueden deducir las siguientes proposiciones:

66

Estadistica

Los experimentos aleatorios compuestos por repeticin de uno simple son el mecanismo bsico para la confeccin de muestras en una poblacin. Otro tipo de experimentos compuestos sirven al estudio de la asociacin y/o relacin causa efecto entre variables y son los experimentos compuestos bivariados.

Experimento bivariado
Como ejemplo para el tratamiento de la probabilidad en experimentos bivariados analizaremos un caso particular como medio para la generalizacin. Con la finalidad de pronosticar el estado del trnsito en funcin de la ocurrencia de embotellamiento a partir de la existencia de un accidente en una autopista en determinada franja horaria, se relevaron datos histricos obtenindose la siguiente informacin: el 20% de los automviles que circulan por esa autopista en el horario estudiado tuvieron algn tipo de accidente; el 95% de las veces en que ocurri un accidente se produjo un embotellamiento y cuando no hubo accidente ocurri un embotellamiento el 15% de las veces. Notamos que podramos identificar la ocurrencia de un accidente como causa y el embotellamiento como un efecto. En el diagrama de rbol del grfico 2.9. se ilustra la informacin: Grfico 2.9. Diagrama de rbol

67

Insertar Imagen N G.2.9. Insertar Imagen N G.2.9.


Universidad Virtual de Quilmes

0,85

0,85 Donde las probabilidades que se tienen son:

Donde las probabilidades que se tienen son: Donde las probabilidades que se tienen son:

total de Accidente total de Accidente total de No accidente P(A) = 0,20 total de No accidente P( A ) = 0,80 condicional de Embotellamiento tal que Accidente condicional de Embotellamiento Accidente P(E/A) = 0,95 condicional detal Noque embotellamiento tal que Accidente condicional de No condicional embotellamiento tal que Accidente P( E /A) = 0,05 de Embotellamiento tal que No accidente condicional de Embotellamiento No accidente tal que No P(E/ A ) = 0,15 condicional detal Noque embotellamiento accidente condicional de No embotellamiento tal que No accidente P( E / A ) = 0,85

P(A) = 0,20

P( ) = 0,80 P(E/A) = 0,95 P( P( P(E/ /

/A) = 0,0

) = 0,1

) = 0,

A partir de estas probabilidades pueden calcularse las probabilidades conjuntas A partir de estas probabilidades pueden calcularse las probabilidades conjuntas
A partir de estas probabilidades pueden calcularse las probabilidades conjuntas:

de Accidente y Embotellamiento de Accidente y Embotellamiento P(AE) = 0,19 de Accidente y No embotellamiento de Accidente y No de embotellamiento P(A ) = 0,01 No accidente y Embotellamiento de No accidente y de Embotellamiento P( E) = 0,12 No accidente y No embotellamiento de No accidente y No embotellamiento P( ) = 0,68

P(AE) = 0,19 P(A E ) = 0,01 P( A E) = 0,12 P( A E ) = 0,68

Con las probabilidades totales de las causas y las conjuntas una tabla conjunta de probabili Con las probabilidades totales de las causas y lasarmamos conjuntas armamos una Con las probabilidades totales de las causas y las conjuntas armamos una tabla conjunta de pr contingencias . tabla conjunta de probabilidades o tabla de contingencias. contingencias.
E A
Total 0,19 0,12 0,31

E
0,19 0,12 0,31

0,01 0,68 0,69

E
0,01 0,68 0,69

Total
0,20 0,80 1

Total
0,20 0,80 1

A
Total

En la que adems aparecen calculadas las probabilidades totales de los efectos Embotell En queadems adems aparecen calculadas las probabilidades totales de los efectos Em En la la que aparecen calculadas las probabilidades totales de los efecembotellamiento. Embotellamiento y No embotellamiento. Por embotellamiento. sutos ubicacin en la tabla de contingencia, a las probabilidades totales se las suele denominar tambi Por su ubicacin en la tabla de contingencia, a las a probabilidades totales se las suele denominar de contingencia, las probabilidades totales marginales. Por su ubicacin en la tabla marginales .tabla se las suele denominar tambinpueden probabilidades marginales . A partir de la de contingencias calcularse las siguientes probabilidades condicionale A partir de la tabla de contingencias pueden calcularse las siguientes probabilidades condi partir de la tabla de contingencias pueden calcularse las siguientes propartir de losAefectos partir de los efectos babilidades condicionales de las causas a partir de los efectos: Accidente tal que Embotellamiento P(A/E) = 0,19/0,31 = 0,6129 Accidente tal que Embotellamiento P(A/E) = 0,19/0,31 = 0,6129 Accidente tal que No embotellamiento P(A/ E ) = 0,01/0,69 = 0,0145 Accidente tal que No embotellamiento P(A/ ) = 0,01/0,69 = 0,0145 No accidente tal que Embotellamiento P( A /E) = 0,12/0,31 = 0,0039 No accidente tal que Embotellamiento P( /E) = 0,12/0,31 = 0,0039 No accidente tal que No embotellamiento P( A / E ) = 0,68/0,69 = 0,9855 No accidente tal que No embotellamiento P( / ) = 0,68/0,69 = 0,9855

68

COMIENZO DE PASTILLA EN Bayes COMIENZO DEla PASTILLA En 1764, despus de muerte EN de Bayes Thomas Bayes (1702-1761), se public An essay formars solving a problem in the d En 1764, despus de la muerte de Thomas Bayes (1702-1761), se public An formars solving problem una memoria en la que aparece, por vez primera, la determinacin de la probabilidad deessay las causas a partir de a los efectos una memoria en la que aparece, por vez primera, la determinacin de la probabilidad de las causas a partir de los observados. observados. FIN DE PASTILLA FIN DE PASTILLA

Las probabilidades calculadas se denominan probabilidades bayesianas o probabilidades condicionales Las probabilidades calculadas se denominan probabilidades bayesianas o probabilidades condic formalizan mediante el teorema de Bayes formalizan mediante el teorema de Bayes

Estadistica

Las probabilidades calculadas se denominan probabilidades bayesianas o probabilidades condicionales de la causas y se formalizan mediante el teorema de Bayes. Dado el suceso B (efecto) de un espacio muestral E y una particin de n sucesos Ai (causas) de dicho espacio, la probabilidad de que ocurra el suceso Ai si ocurriera el suceso B es:

donde P(B) es la probabilidad total del suceso condicin y P(B) 0.

En 1764, despus de la muerte de Thomas Bayes (1702-1761), se public An essay formars solving a problem in the doctrine of chances, una memoria en la que aparece, por vez primera, la determinacin de la probabilidad de las causas a partir de los efectos que han podido ser observados.

Para Aj cualquier suceso del conjunto de los Ai con i = 1, 2n

4. Considerando la tabla conjunta 1.11. del subapartado 1.1.2. de la Unidad anterior referida al rubro y evolucin de los puestos de trabajo de las pymes, calcular una probabilidad de cada uno de los tipos vistos e interpretarla.

2.2. Variable aleatoria


Una variable aleatoria asigna valores numricos, del conjunto de los nmeros reales, a los sucesos definidos en el espacio muestral asociado a un experimento aleatorio. En caso de que el espacio muestral de un experimento aleatorio tenga una cantidad finita o infinita numerable de elementos, es decir, que permite algn mecanismo de conteo, la variable aleatoria diseada ser una variable aleatoria discreta. En caso de que el experimento aleatorio involucre algn tipo de medicin, cuyos resultados pertenecen a regiones del conjunto de los nmeros reales donde es clara la imposibilidad de conteo, la variable aleatoria es de naturaleza continua y por ello se la denomina variable aleatoria continua.

Se denomina variable aleatoria a una funcin del espacio muestral sobre el espacio de los nmeros reales.

2.2.1. Variable aleatoria discreta


Las variables aleatorias discretas son funciones del espacio muestral sobre el subconjunto de los enteros. Disearemos una variable aleatoria discreta para el ejemplo del estudio contable utilizado en el subapartado 2.1.4. (probabilidad condicional).
69

Recordemos que el espacio muestral es: E = {GG, GM, MG, MM}


Universidad Virtual de Quilmes

La variable aleatoria de diseo que elegimos es: de clientes monotributistas entre las dos seleccionadas X: cantidadque de DDJJ Recordemos el espacio muestral es: E = {GG, GM, MG, MM}
DE PASTILLA COMIENZO La variable aleatoria de diseo EN quemonotributistas elegimos es:

Al momento de disear una variable aleatoria discreta debe optarse por alguna de las categoras involucradas en el problema para la cual la variable har el conteo. En nuestro caso, podra haberse optado por otra variable que contara la cantidad de ddjj de grandes clientes entre las dos seleccionadas.

Al momento de disear una variable aleatoria discreta debe optarse por alguna de las categoras involucradas variable har el conteo. En nuestro caso, podra haberse optado por otra variable que contara la cantidad de DD X: cantidad de DDJJ de clientes monotributistas entre las dos seleccionadas dos seleccionadas.

FIN DE PASTILLA La variable aleatoria X recorrer los valores enteros entre 0 y 2, donde 0 significa ninguna de las dos DDJJ corresponderan a monotributistas 2 que 0 signica que Laque variable aleatoria X recorrer los valores enteros entre 0 y 2,y donde ambas declaraciones sean de monotributistas. corresponderan a monotributistas y 2 que ambas declaraciones sean de monotributistas. X E GG GM MG MM 0 1 2

El recorrido de X es R(X) = {0, 1, 2}

El recorrido de X es R(X) = {0, 1, 2}

Calculamos la probabilidad para cada valor r del recorrido de X obteniendo as de probabilidad h(r). Siendo h(r) = P(X = r) los valores de la denominada funcin de probabilidad h(r). Siendo h(r) = P(X = r) h (0) = P( 0 M) P(GG) = 6/90 h (0) = X= P( X= 0= M) = P(GG) = 6/90 h (1) = P( X= 1 M) = P(G, M) + M) P(MG) = 21/90 + 21/90 = 42/ h (1) = P( X= 1 M) = P(G, + P(MG) = 21/90 + 21/90 = 90 42/ 90 h (2) = P( X= 2 M) = P(MM) = 42/90 h (2) = P( X= 2 M) = P(MM) = 42/90

Calculamos la probabilidad para cada valor r del recorrido de X obteniendo as los valores

Confeccionamos aacontinuacin la tabla (T.2.1.) de distribucin de probabilidades. Confeccionamos continuacin la tabla (T.2.1.) de distribucin de probabilidades. T.2.1. T.2.1.
r 0 1 2

h(r) 6/90 42/90 42/90

F(r) 6/90 48/90 1

Donde F(r) es la funcin de distribucin acumulativa o simplemente funcin de distribucin.


Donde F(r) es la funcin de distribucin acumulativa o simplemente funcin de COMIENZO LEER distribucin . Siendo F(r) DE = P(x r). ATENTO

h(r) es una funcin de probabilidad de una variable aleatoria discreta X si y slo si R(X) se cumplen las siguientes propiedades que se desprenden de los dos primeros a 1)esh(r) 0 h(r) una funcin de probabilidad de una variable aleatoria discre h(r) = 1 ta X s y slo si para todo elemento r del R(X) se cumplen las siguienFIN DE LEER ATENTO tes propiedades que se desprenden de los dos primeros axiomas de probabilidad. Un grco adecuado para la funcin de probabilidad h(r) es el de bastones y para la funcin h(r) 0 escalones, ambos en el subapartado 1.1.3. de la Unidad 1. h(r) = vistos 1 El carcter numrico de la variable aleatoria permite calcular algunas de las medidas m estndar de las aplicadas anteriormente a las variables estadsticas, con la siguiente salvedad: e Unmedia grfico adecuado para lapromedio funcin de probabilidad h(r) es el en de una bastones y aleatoria la m la corresponde a un observado mientras que variable para la funcin distribucin es el de escalones, esperado, o valorde esperado, y se denomina esperanza.ambos vistos en el subapartado 1.1.3. de la Unidad 1.

La esperanza E(X), la varianza V(X) y el desvo estndar DS(X) se expresan


70

E(X) =

para todo r del R(X)

Estadistica

El carcter numrico de la variable aleatoria permite calcular algunas de las medidas media, varianza y desvo estndar de las aplicadas anteriormente a las variables estadsticas, con la siguiente salvedad: en una variable estadstica la media corresponde a un promedio observado mientras que en una variable aleatoria la media indica un promedio esperado, o valor esperado, y se denomina esperanza. La esperanza E(X), la varianza V(X) y el desvo estndar DS(X) se expresan

La esperanza de la variable del problema es: E (X) = 0.6/90 +1.42/90 + 2. 42/90 = 1,4 DDJJ de monotributistas Es decir, que si se seleccionan al azar dos DDJJ se espera que entre ellas haya 1,4 de clientes monotributistas. La varianza y el desvo estndar son: V(X) = 0,3733 y DS(X) = 0,611

Propiedades de la esperanza y de la varianza


P .1. E(C) = C La esperanza de una constante es ella misma. P .2. E(C + n . X) = C + n . E(X) C + n.X es una nueva variable aleatoria resultante de una transformacin lineal de X. P .3. E(n . X) = n . E(X) Caso particular que se desprende de la propiedad anterior P .4. E(X + Y) = E(X) + E(Y) X + Y es una nueva variable aleatoria, resultante de sumar las variables X e Y. P .5. V(X + Y) = V(X) + V(Y) Slo si X e Y son independientes. P .6. V(n . X) = n . V(x) Se deduce de la definicin de varianza
2

Las propiedades que se enuncian son vlidas en cualquier experimento aleatorio, sea este simple o compuesto.

2.2.2. Modelos especiales de variables aleatorias discretas


Existen problemas de distinta ndole originados en ramas diversas de la ciencia, que al ser vinculados con experimentos aleatorios presentan caracters71

Universidad Virtual de Quilmes

ticas similares; esas caractersticas comunes son las que permiten modelarlos unvocamente. Para la construccin de un modelo probabilstico, primero deben identificarse exhaustivamente cada una de las caractersticas especficas del experimento y seguidamente asociarle una variable aleatoria apropiada.

Experimento binomial
El experimento binomial es un experimento compuesto que consiste en n repeticiones independientes de un experimento simple dicotmico. Por lo tanto las caractersticas que lo identifican son:
Si el experimento tiene ms de dos resultados posibles hay que dicotomizarlo. Si las repeticiones del experimento simple no fueran independientes, el modelo que se generara se denomina modelo hipergeomtrico.

El experimento simple tiene slo dos resultados posibles, denominados xito suceso que interesa seguir y fracaso suceso complementario. Se repite n veces el experimento simple. Las repeticiones del experimento simple son independientes entre s. Vinculadas al experimento binomial pueden definirse ms de una variable aleatoria, con sus correspondientes distribuciones de probabilidad, cumpliendo distintos roles dentro del mismo experimento. Ellas son las variables aleatorias binomial, geomtrica y de Pascal (o binomial negativa). Variable aleatoria binomial

En este experimento, la variable aleatoria x asociada toma valores 0 y 1. La esperanza de esta variable resulta ser la probabilidad de xito. P. Santiago Jacobo Bernouilli o Bernoulli (1654-1705) fue un matemtico suizo de origen belga. Entre otras cosas fue quien us por primera vez la palabra integral y escribi el Ars conjectandi sobre el clculo de probabilidades. En smbolos X ~ B(n,P)

Es una variable discreta que cuenta la cantidad r de xitos en un experimento binomial.

Llamaremos P a la probabilidad de xito y en consecuencia 1-P a la probabilidad de fracaso.

El modelo binomial queda caracterizado por n (nmero de repeticiones del experimento simple o de Bernoulli) y P (probabilidad de xito en cada repeticin) que son sus parmetros. Entonces decimos que la variable aleatoria X asociada tiene distribucin binomial con parmetros n y P.

El modelo matemtico para la distribucin binomial permite calcular los valores de la funcin de probabilidad h(r). h (r) = P(X = r) = nCr . Pr . (1-P) n-r nCr combinatorio es un nmero combinatorio que cuenta la cantidad de combinaCOMIENZO DE PASTILLA Donde EN nmero
FIN DE PASTILLA

n n! nCr = = r r!(n r)!

ciones de n elementos tomados de a r, es decir la cantidad de grupos de r elementos que pueden formarse a partir de los n.

Ejemplo De la revisin de los archivos de una empresa de larga trayectoria en un deterEjemplo minado rubro surge que en el 70% trayectoria de sus balances semanales se registraron De la revisin de los archivos de una empresa de larga en un supervit. auditora propusosemanales realizar una muestra con los balances determinado rubro surge que enEn el una 70% de susse balances se de 10 semanas tomadas al azar en forma registraron supervit. En una auditora se propuso realizar unaindependiente. muestra

con los balances de 10 semanas tomadas al azar en forma independiente. Conceptualizando que esa muestra es un experimento aleatorio y 7 2 pasando revista a sus caractersticas comprobamos que responden a un modelo binomial a saber: hay dos resultados posibles (supervit o no

h (r) = P(X = r) = nCr . Pr . (1-P) n-r Donde nCr es un nmero combinatorio que cuenta la cantidad de combinaciones de n elementos tomados de a r, Estadistica es decir la cantidad de grupos de r elementos que pueden formarse a partir de los n.
COMIENZO DE PASTILLA EN nmero combinatorio Conceptualizando que esa muestra

es un experimento aleatorio y pasando revista a sus caractersticas comprobamos que responden a un modelo binomial a saber: hay dos resultados posibles (supervit o no supervit) cada FIN DE PASTILLA vez que se seleccione un balance semanal y se toman n (10) balances en forma independiente. Ejemplo Ante la futura auditora nos podemos preguntar acerca de la probabilidad De revisin de los archivos empresa de sumo larga trayectoria en un determinado surge que en el 70% de sus de la que se encuentren en de la una muestra a lo 5 balances con supervit rubro o balances semanales se registraron supervit. En una auditora se propuso realizar una muestra con los balances de 10 entre 3 y 6 balances con supervit o al menos 6 balances con supervit. semanas tomadas al azar en forma independiente. La variable aleatoria asociada al experimento, para responder los interroConceptualizando que esa muestra es un experimento aleatorio y pasando revista a sus caractersticas comprobamos gantes del auditor, podra ser:

que responden a un modelo binomial a saber: hay dos resultados posibles (supervit o no supervit) cada vez que se seleccione un balance semanal y se toman n (10) balances en forma independiente.
X: cantidad de balances con supervit entre los 10 seleccionados al azar en forma independiente. X: cantidad de balances con supervit entre los 10 seleccionados al azar en forma independiente. Losparmetros parmetros la distribucin resultan entonces, Los de de la distribucin resultan entonces, n = 10 Pn == 0,70 10

P = 0,70

y los losvalores valores la funcin de probabilidad h(r) los de la funcin de distribuy dede la funcin de probabilidad h(r) y los y de la funcin de distribucin F(r) = P(X r) se encuentran en la cin T.2.2. F(r) = P(X r) se encuentran en la tabla T.2.2. tabla
T.2.2. T.2.2.
ri h(r) F(r) 0 0,000006 0,000006 1 0,000138 0,000144 2 0,001447 0,001591 3 0,009002 0,010593 4 0,036757 0,047350 5 0,102919 0,150268 6 0,200121 0,350389 7 0,266828 0,617217 8 0,233474 0,850691 9 0,121061 0,971752 10 0,028248 1

La probabilidad de que en la muestra se encuentren a lo sumo 5 balances con supervit ser:


La probabilidad de que en la muestra se encuentren a lo sumo 5 balances con supervit ser:

o tambin

La probabilidad de que en la muestra haya entre 3 y 6 balances con supervit

o tambin

Al menos 6 balances con supervit

73

Universidad Virtual de Quilmes

o tambin

Esperanza y varianza de una distribucin binomial Como el experimento binomial consiste en n repeticiones independientes de un ensayo Bernoulli, la variable aleatoria binomial X es una transformacin lineal de la variable aleatoria Bernoulli x, es decir,

, aplicando las propiedades de la esperanza y varianza P Luego, .4. y P .5. enunciadas anteriormente en el presente apartado calculamos la esperanza y la . varianza de una variable aleatoria binomial X. La esperanza es:

y la varianza resulta:

Volviendo al ejemplo de los balances, la cantidad de balances que se espera encontrar con supervit entre los 10 seleccionados ser E(X) = n . p = 10 . 0,70 = 7 balances con supervit Con una desviacin estndar de

Proceso de Poisson
Un proceso de Poisson es un experimento de naturaleza binomial donde los xitos ocurren o no a lo largo de un intervalo continuo (el cual puede estar dado en tiempo, longitud, superficie, volumen, etctera).
Es un proceso donde los xitos ocurren en el transcurso del continuo y a diferencia de un experimento binomial puro los fracasos no pueden ocurrir porque representan la ausencia de xito. Lo que caracteriza unvocamente a un determinado proceso de Poisson es la intensidad media (a) de ocurrencias de xito en la unidad del continuo.

La intensidad media es la cantidad de xitos esperada por unidad del continuo, mientras el proceso sea el mismo.

74

Estadistica

Por ejemplo, una distribuidora mayorista comprob que, en las primeras semanas de cada mes, la cantidad media demandada de un determinado producto es de 3 toneladas diarias. El fenmeno descrito involucra un proceso de Poisson donde a = 3 tn/da para esa poca del mes. Tambin, que en las ltimas semanas de cada mes la demanda media diaria baja a 2 toneladas. En este caso el proceso de Poisson sera otro porque presenta una intensidad media a = 2 tn/da, diferente a la anterior. Diferentes a indican procesos poissonianos distintos. En un proceso aleatorio poissoniano es posible definir variables aleatorias de distinto tipo. Para procesos de este tipo, en esta carpeta, presentaremos una variable aleatoria discreta llamada de Poisson (que cuente la cantidad de xitos en un intervalo continuo) y una variable aleatoria continua denominada exponencial que veremos en 2.2.4. Variable aleatoria de Poisson Es una variable discreta que cuenta la cantidad de xitos que podran ocurrir en un cierto intervalo continuo, durante un proceso de Poisson. Establecido un intervalo de longitud t en el continuo, la cantidad media espe, donde es la ya rada de ocurrencia de xitos en ese intervalo es E(X) = . t, vista intensidad media de ocurrencias de xito en la unidad del continuo. La esperanza E(x), que simbolizamos con la letra griega es el parmetro de esta distribucin. Si una variable aleatoria discreta X sigue una distribucin de Poisson de parmetro podemos expresarla en smbolos como X ~ P(l) y la probabilidad P(X= r) de que sucedan r xitos en un intervalo t dado se calcula mediante la siguiente frmula:

La probabilidad de una variable aleatoria X que se distribuye en forma de Poisson: depende nicamente de la longitud (t) del intervalo considerado, es independiente de lo ocurrido en alguno de los intervalos precedentes. Para intervalos de diferente longitud t habr distintas distribuciones de probabilidad, cada una con su propio todas dentro de un mismo proceso caracterizado por . Lo particular de esta variable aleatoria es que su varianza tambin es .

Volviendo al ejemplo de la distribuidora mayorista nos planteamos las siguientes inquietudes. Cul es la probabilidad de que en dos das de la primera semana de un mes cualquiera se produzca una demanda de 5 toneladas? Determinamos primero el valor del parmetro para un t = 2 das:
75

Universidad Virtual de Quilmes

La probabilidad de que en esos dos das la demanda sea de 5 toneladas es de 0,1606. Con base al calculado podemos decir que en esos dos das se espera que haya una demanda de 6 toneladas del producto. Cul es la probabilidad de que en un da y medio de la ltima semana de un mes cualquiera la demanda sea superior a 2 toneladas. En este caso, = tn/da . 1,5 das = 3 tn Luego:

La probabilidad de que en ese da y medio la demanda supere las 2 tn es 0,8009. Con base al calculado podemos decir que en esos dos das se espera que haya una demanda de 3 toneladas del producto.

5. Buscar tres ejemplos de la vida real que pudieran constituir un proceso de Poisson y para cada uno describir la variable involucrada.

2.2.3. Variable aleatoria continua


Existen fenmenos que no permiten ser tratados con modelos de variables aleatorias discretas debido a que los resultados del experimento aleatorio asociado a l slo son medibles en el conjunto de los nmeros reales. En este caso la variable aleatoria asociada debe ser una variable continua para la cual no se pueden listar puntualmente cada uno de sus valores pero s considerar su recorrido mediante intervalos. Al ser las variables aleatorias continuas funciones del espacio muestral sobre el espacio de los nmeros reales, el tratamiento de la misma deber realizarse mediante intervalos, los problemas de probabilidad que las involucran son del tipo P(x a), P(x b) o P(a x b). En una variable aleatoria continua, el correlato de la funcin h(r) de las variables aleatorias discretas es la funcin f(x) denominada funcin de densidad de probabilidad que a diferencia de la h(r) no asigna probabilidades sino que permite calcularlas en intervalos de nmeros reales. La funcin de densidad de probabilidad cumple con las siguientes propiedades:

76

Estadistica

Los valores de la funcin f(x) deben ser siempre positivos o 0 para cualquier valor de la variable X.

El rea encerrada entre la funcin en todo su dominio y el eje de las abscisas es 1.

La probabilidad de que la variable aleatoria se encuentre entre dos valores a y b resulta de integrar la funcin de densidad f(x) entre esos dos lmites.

Grfico 2.10.

En el caso que a coincida con b el rea de la regin sombreada en el G.2.10. tendra base igual a 0 y el rea es 0, lo que tambin se desprende de la P .3. cuando a y b coinciden en un mismo punto. Es decir, que en una variable aleatoria continua las probabilidades puntuales son cero.

Una funcin de densidad de probabilidad es un modelo terico probabilstico sustentado, en general, por la distribucin de una poblacin.

Como consecuencia de que las probabilidades puntuales son cero los sucesos x < a y x a son idnticos y por lo tanto sus probabilidades son iguales.

2.2.4. Modelos especiales de variables aleatorias continuas


Como se hiciera mencin en el subapartado 2.2.2. las caractersticas comunes de algunos fenmenos aleatorios son las que permiten elaborar modelos. En el caso de las variables aleatorias continuas desarrollaremos dos modelos especiales de distribucin.

77

Universidad Virtual de Quilmes

Distribucin normal
Un fenmeno que genera tpicamente una poblacin con distribucin normal es la medicin del tiempo requerido para efectuar una misma operacin por todos los clientes de una determinada entidad bancaria, bajo el supuesto de que todos deberan tardar el mismo tiempo para realizar dicha operacin. A la hora de medir efectivamente el fenmeno podemos observar que predominan los clientes que emplearan para hacer la operacin un tiempo cercano al promedio, sin embargo, algunos son ms rpidos y otros ms lentos generando una distribucin del tiempo como la siguiente. Grfico 2.11.

El modelo terico de la distribucin normal de una variable continua x se formaliza matemticamente mediante la funcin f(x) cuya expresin

representada grficamente es Grfico 2.12.

donde la media y el desvo estndar son los parmetros de la distribucin y para cada par de valores de y se tendr una curva diferente. Caractersticas de la curva normal La curva que es la representacin grfica de la distribucin normal tiene las siguientes caractersticas:

78

Estadistica

Es perfectamente simtrica alrededor de . Es asinttica con el eje de la variable x hacia , es decir que el 100% de la poblacin queda encerrado entre esos dos lmites. Como consecuencia de las dos caractersticas anteriores la mitad de la poblacin se encuentra entre y y la otra mitad entre y + . Grfico 2.13.

Presenta dos puntos de inflexin a una distancia de un desvo estndar a ambos lados de la media. Las proporciones de poblacin que quedan comprendidos en secciones de un desvo estndar de amplitud a ambos lados de la media aparecen asentadas en el grfico G.2.14.

Grfico 2.14.

El siguiente ejemplo, se refiere a un experimento aleatorio sobre una poblacin con distribucin normal, donde la funcin f(x) que describe esa distribucin poblacional es la funcin de densidad de probabilidad de la variable aleatoria involucrada en el experimento.

Ejemplo Retomando el caso de los clientes de una entidad bancaria que efectan una operacin determinada, se ha encontrado que el tiempo medio requerido para realizarla es de 130 segundos con un desvo estndar de 43 segundos. Si se tomara un cliente al azar experimento aleatorio se podran plantear las siguientes preguntas: a) cul es la probabilidad de que esa persona emplee menos de 100 seg. para realizar la operacin? o b) cul es la probabilidad de que tarde entre 2 y 3 minutos en realizar la transaccin? Esquematizamos las dos situaciones planteadas en los grficos 2.15. y 2.16. respectivamente.
79

Universidad Virtual de Quilmes

Grfico 2.15.

Grfico 2.16.

Y las sendas respuestas son: a. P( x < 100s) = F(100) = 0,2427 b. P(2min< x <3 min) = P(120 s < x < 180 s) = P( x < 180s) P( x < 120s) = = F(180) F(120) = 0,8775 0,4081 = 0,4694 A los resultados obtenidos puede arribarse por integracin analtica de la funcin de densidad normal entre los extremos que correspondan o bien utilizando un programa estadstico (por ejemplo el mdulo estadstico de Excel, o los programas SPSS, InfoStat u otro). Si no se contara con las mencionadas herramientas de clculo puede utilizarse como recurso la tabla de probabilidades acumuladas de la denominada distribucin normal estndar que figura en el Anexo I y cuyas caractersticas, adems de las generales descritas anteriormente para cualquier distribucin normal, son: nombre de la variable normal estndar : Z parmetros: mz = 0 y sz = 1 funcin de densidad normal estndar:

Para convertir un valor cualquiera x correspondiente al problema real (con distribucin normal) a un valor estandarizado z (con el fin de aprovechar la tabla del Anexo I) se utiliza la siguiente frmula de estandarizacin:
80

Estadistica

Aplicando la distribucin normal estndar a la resolucin de los tems anteriores, resulta

Las diferencias que se detectan al realizar los clculos con la tabla se deben al redondeo a dos decimales de z que tiene dicha tabla.

6. a. Calcular el tiempo mximo que, con una probabilidad de 0,90, tardara en hacer dicha operacin un cliente de la entidad bancaria tomado al azar. b. En relacin con la poblacin de clientes observada, si se consideraran slo los clientes que tardaron menos de 130 segundos qu porcentaje de ellos tard ms de 100 segundos?

Experimento exponencial
El experimento exponencial se define dentro de un proceso de Poisson y en consecuencia la variable continua exponencial est ntimamente relacionada con la variable discreta de Poisson. Mientras el rol de la variable aleatoria de Poisson es contar la cantidad de xitos a lo largo de un intervalo continuo, la variable aleatoria exponencial mide, a partir del ltimo xito ocurrido, la longitud del continuo hasta la ocurrencia del siguiente xito. Con el ltimo xito concluye el experimento exponencial lo que determina su carcter de efmero (se desarrolla slo entre dos xitos), por lo que fijado un cierto intervalo t del continuo a partir del ltimo xito slo podran ocurrir dos sucesos aleatorios: que la variable exponencial mida la ocurrencia del siguiente xito antes de transcurrido t es decir x < t, o que la variable exponencial mida la ocurrencia del siguiente xito despus de transcurrido t es decir x > t.

Los sucesos x < t y x > t son los dos nicos sucesos aleatorios que pueden imaginarse dentro de un experimento exponencial y por lo tanto son complementarios y como tales, mutuamente excluyentes.

81

Universidad Virtual de Quilmes

La primera consecuencia de lo expresado anteriormente es que no hay sucesos compuestos en un experimento exponencial porque el nico suceso concebible {x < t} I {x > t}
es un suceso imposible {x < t} I {x > t} = y por lo tanto su probabilidad es nula P({x < t} I {x > t}) = P( ) = 0

La segunda consecuencia es que no hay probabilidades condicionales puesto que no hay posibilidad de particionar la poblacin para definir un suceso aleatorio que represente la condicin porque, como razonamos anteriormente, el experimento es efmero y no hay una coleccin de datos que permita describir una poblacin, por lo tanto no existen poblaciones exponenciales. Formalmente, y asignando arbitrariamente a uno de los dos sucesos posibles el rol de condicin, se tiene:

Al no haber poblacin, no podemos contar inicialmente con una funcin de densidad exponencial procediendo de forma similar a como se obtuvo, por ejemplo, la funcin de densidad normal. Usaremos un camino distinto aprovechando el vnculo entre las distribuciones de Poisson y exponencial dentro de un mismo proceso de Poisson caracterizado por . Para ello, definiremos un suceso aleatorio S: que transcurra todo un cierto intervalo t sin que ocurra xito, cuya probabilidad pueda calcularse tanto utilizando la variable aleatoria de Poisson como la variable aleatoria exponencial. P(que no ocurra xito a lo largo de t) = P(XPoisson = 0) = P(xexponencial > t) Donde: P(XPoisson = 0) = e-a.t = P(xexponencial > t)

Luego, las probabilidades de los nicos sucesos posibles de un experimento exponencial resultan: P(x > t) = e
-.t

y aplicando la propiedad de la probabilidad de sucesos complementarios P(x < t) = 1 - P(x > t) = 1 - e


-.t

se observa que esta expresin corresponde a la funcin de distribucin acumulada, luego se tiene que
-.t

F(t) = 1 - e

82

Estadistica

y derivndola se obtiene la funcin de densidad de probabilidad f(x) F (x) = f(x) La funcin de densidad que sintetiza al modelo es entonces

Cuya representacin grfica es G.2.17. Grfico 2.17.

El parmetro de la distribucin exponencial es el mismo a que caracteriza al proceso de Poisson.

La esperanza de esta variables es:

y la varianza

Aplicaciones de la distribucin exponencial Caso A. Como distribucin de los tiempos de espera, la exponencial puede aplicarse a problemas de rotacin de inventario donde el experimento comienza a partir de un pedido (xito) y luego la variable recorre los valores aleatorios del tiempo en que puede ocurrir el siguiente (xito) pedido. A continuacin se desarrolla un ejemplo. Una distribuidora mayorista comprob que cada 5 das hbiles recibe en promedio 3 pedidos de embarque de cierto artculo (a = 3 pedidos/5 das = 0,6 pedidos/da).

83

Universidad Virtual de Quilmes

1- Teniendo en cuenta que el tiempo para reponer un embarque en depsito es de 1 da, despachado un pedido con qu probabilidad el siguiente llegar despus de ese lapso?

2- Siendo el tiempo medio esperado entre pedidos: E(X) = 1/a = 1,67 das, con qu probabilidad el siguiente pedido ser antes de lo esperado?

3- Con una probabilidad de 0,90 de cunto tiempo se dispone entre dos pedidos?

despejando t se tiene t = ln 0,90 / -0,6 = 0,18 das 4- Habiendo despachado un pedido, con qu probabilidad el siguiente llegar entre 1 y 2 das despus?

Caso B. La distribucin exponencial tambin puede aplicarse a problemas de fiabilidad o plazo de servicio de los artculos en circulacin, vida til de materiales o de mercancas perecederas, donde la variable recorre los valores aleatorios de vida til de los mismos hasta quedar fuera de servicio. Aqu no hay dos xitos pues el experimento comienza con el inicio del servicio y termina en la falla, que es el nico xito. A continuacin se analiza un ejemplo. Para ciertas lmparas de bajo consumo, su fabricante midi que la vida media de funcionamiento sin fallo es de 8.000 horas. Si se instalara una cualquiera de esas lmparas. 1- Cunto tiempo se espera que dure? Dentro del experimento aleatorio, que consiste en tomar al azar una de las lmparas e instalarla, la media observada con anterioridad se convierte en un media esperada E(X) = 8.000 h. 2- Con qu probabilidad durar ms de 8.000 h? = 1/E(X) = 1/8000 = 0,000125

84

Estadistica

3- Cuntas horas de funcionamiento sin falla se puede garantizar, con una probabilidad de 0,90?

7. Tomando el ejemplo ya trabajado en la distribucin Poisson, una distribuidora mayorista comprob que, en las primeras semanas de cada mes, la cantidad media demandada de un determinado producto es de 3 toneladas diarias. Luego de la ltima tonelada demandada, para la misma poca del mes a. Cuntos das se espera que transcurran hasta el siguiente pedido de una tonelada? b. Calcular la probabilidad de que el siguiente pedido de una tonelada ingrese luego de transcurridos 2 das. c. Calcular la probabilidad de que el pedido se realice antes de que pase un da y medio.

85