Professional Documents
Culture Documents
Asignatura: ESTADISTICA
TEMA: APLICACION DE LA DISTRIBUCION UNIFORME
PRESENTADO POR:
Jimnez Apaza Claudia
Rodrguez Montalvo Yankarla
Riega Benavente Vctor
Semestre: V
Turno: Noche
Aula: 06
Arequipa Per
2014
NDICE
NDICE........................................................................................................................... 2
INTRODUCCIN............................................................................................................4
1. 5
CAPTULO I: HISTORIA.................................................................................................5
2. 7
CAPTULO II: PROBLEMA DE INVESTIGACIN...........................................................7
2.1. Problema de investigacin....................................................................................7
2.2. Formulacin del problema.....................................................................................7
2.3. Objetivos de la investigacin.................................................................................7
2.3.1. Objetivo general
3. 8
CAPTULO III: CONCEPTOS BSICOS..........................................................................8
3.1. Conceptos bsicos................................................................................................8
3.2. Probabilidad Clsica.............................................................................................8
3.3. Frecuencia relativa de la presentacin..................................................................9
3.4. Probabilidades subjetivas.....................................................................................9
3.5. Reglas de la Probabilidad.....................................................................................9
3.6. Eventos mutuamente excluyentes........................................................................9
3.7. Probabilidad de varios eventos...........................................................................10
3.8. Probabilidad bajo condiciones de independencia estadstica..............................11
3.9. Probabilidades marginales en condiciones de independencia............................12
3.10. Probabilidades conjuntas bajo condiciones de independencia estadstica..........12
3.11. Probabilidades condicionales bajo independencia estadstica............................14
3.12. Probabilidad Condicional Bajo Dependencia Estadstica....................................15
3.13. Probabilidades marginales bajo dependencia estadstica...................................17
INTRODUCCIN
Aunque para resolver todos los problemas que se nos presenten acudiremos al SPSS, sin
embargo, es necesario conocer los conceptos de la clase de problemas a solucionar.
Los principales precursores del clculo de probabilidades fueron Jacob Bernoulli (1674-1705)
Thoma Bayes (1702-1761) Joseph Lagrange (1736-1813) y Carl Friedrich Gauss.
La teora de la probabilidad es la base es la base de las investigaciones estadsticas en las
investigaciones de las ciencias sociales y en la toma de decisiones.
En realidad, las llamadas leyes en las ciencias sociales no son sino tendencias estadsticas en
el tiempo, las que pueden ser estimados con un grado de probabilidad.
Las probabilidades son muy tiles, ya que pueden servir para desarrollar estrategias. Por
ejemplo, algunos automovilistas parecen mostrar una mayor tendencia a aumentar la velocidad
si creen que existe un riesgo pequeo de ser multados; los inversionistas estarn ms interesados
en invertirse dinero si las posibilidades de ganar son buenas. El punto central en todos estos
casos es la capacidad de cuantificar cuan probable es determinado evento. En concreto decimos
que las probabilidades se utilizan para expresar cuan probable es un determinado evento.
1.
CAPTULO I: HISTORIA
La definicin de probabilidad surge debido al deseo del ser humano por conocer con certeza los
eventos que sucedern en el fturo. Es por eso que a travs de la historia se han desarrollado
diferentes enfoques para tener un concepto de la probabilidad y determinar sus valores.
El diccionario de la Real Academia Espaola define azar como una casualidad, un caso
fortuito, y afirma que la expresin al azar significa sin orden.1 La idea de Probabilidad est
ntimamente ligada a la idea de azar y nos ayuda a comprender nuestras posibilidades de ganar
un juego de azar o analizar las encuestas. Pierre-Simon Laplace afirm: "Es notable que una
ciencia que comenz con consideraciones sobre juegos de azar haya llegado a ser el objeto ms
importante del conocimiento humano". Comprender y estudiar el azar es indispensable, porque
la probabilidad es un soporte necesario para tomar decisiones en cualquier mbito.2
Segn Amanda Dure, "Antes de la mitad del siglo XVII, el trmino 'probable' (en latn probable)
significaba aprobable, y se aplicaba en ese sentido, unvocamente, a la opinin y a la accin.
Una accin u opinin probable era una que las personas sensatas emprenderan o mantendran,
en las circunstancias."3
Aparte de algunas consideraciones elementales hechas por Girolamo Cardano en el siglo XVI,
la doctrina de las probabilidades data de la correspondencia de Pierre de Fermat y Blaise Pascal
(1654). Christiaan Huygens (1657) le dio el tratamiento cientfico conocido ms temprano al
concepto. Ars Conjectandi (pstumo, 1713) de Jakob Bernoulli y Doctrine of Chances (1718) de
Abraham de Moivre trataron el tema como una rama de las matemticas. Vase El surgimiento
de la probabilidad (The Emergence of Probability) de Ian Hacking para una historia de los
inicios del desarrollo del propio concepto de probabilidad matemtica.
La teora de errores puede trazarse atrs en el tiempo hasta Opera Miscellanea (pstumo, 1722)
de Roger Cotes, pero una memoria preparada por Thomas Simpson en 1755 (impresa en 1756)
aplic por primera vez la teora para la discusin de errores de observacin. La reimpresin
(1757) de esta memoria expone los axiomas de que los errores positivos y negativos son
igualmente probables, y que hay ciertos lmites asignables dentro de los cuales se supone que
caen todos los errores; se discuten los errores continuos y se da una curva de la probabilidad.
Pierre-Simon Laplace (1774) hizo el primer intento para deducir una regla para la combinacin
de observaciones a partir de los principios de la teora de las probabilidades. Represent la ley
de la probabilidad de error con una curva
, siendo
cualquier error e y
su
2. el eje
igual a 0;
siendo
2.
CAPTULO II: PROBLEMA DE INVESTIGACIN
2.1.1. Problema de investigacin
Las aplicaciones de la probabilidad son infinitas y para aprovecharlas se requiere
tener la teora para aprovecharla al mximo; muchas reas del conocimiento la
utilizan para resolver problemas cotidianos y para conocer nuevos aspectos de las
ciencias.
2.1.2. Formulacin del problema
La mayora de las investigaciones utilizan muestras de probabilidad, es decir,
aquellas que el investigador pueda especificar la probabilidad de cualquier
elemento en la poblacin que investiga. Las muestras de probabilidad permiten usar
estadsticas inferenciales, aquellas que permiten hacer inferencias a partir de datos.
Por otra parte, las muestras no probabilsticas solo permiten usarse estadsticas
descriptivas, aquellas que solo permiten describir, organizar y resumir datos. Se
utilizan cuatro tipos de muestras probabilsticas: muestras aleatorias simples,
muestras aleatorias estratificadas, muestra por conglomerados y muestras
sistemticas.
Para ello necesitamos tener los conceptos bsicos y para ello se plantea este trabajo
como un aporte para que los estudiantes universitarios tengan a la mano una
herramienta bibliogrfica que les permita resolver sus dudas y de ser posible,
ayudarlos a entender de mejor manera la probabilidad.
2.1.3. Objetivos de la investigacin
2.1.3.1. Objetivo general
Conocer las aplicaciones de la probabilidad.
2.1.3.2. Objetivos de la investigacin
Establecer las aplicaciones ms comunes de la probabilidad en el conocimiento.
Comprender los usos y utilidad de esta herramienta estadstica.
3.
CAPTULO III: CONCEPTOS BSICOS
3.1.1. Conceptos bsicos
Probabilidad es la posibilidad cuantificada de que algo suceda.
Evento: Uno ms de los posibles resultados de hacer algo.
Si lanzamos una moneda al aire, saldr cruz o cara; cada resultado ser un
evento.
Experimento, la actividad que produce un evento; en este caso, el lanzar la moneda.
Cul ser la probabilidad de que una moneda, al ser lanzada, caiga cara? ser 0,5
Espacio muestral: al lanzar la moneda el espacio muestral es: {cara, cruz}
Si dos eventos pueden ocurrir al mismo tiempo, sern eventos no son mutuamente
excluyentes; si no pueden ocurrir simultneamente, sern mutuamente excluyentes.
La probabilidad de sacar una carta de un paquete de 52 cartas, ser 1/52
La de sacar una reina ser 4/52, pues existen cuatro reinas en el mazo.
La de sacar un trbol ser 13/52, pues hay 13 trboles en un mazo.
La probabilidad de sacar una carta roja es 26/52, dado que hay 26 cartas rojas.
La probabilidad de sacar un as al lanzar un dado es 1/6, porque hay seis nmeros
y un solo As: del mismo modo con los otros nmeros.
3.1.2. Probabilidad Clsica
La probabilidad de que un evento ocurra es definida del siguiente modo:
E = F/(T)
E = Evento
F = nmero de casos favorables
T = el total de casos
En el ejemplo de las cartas, el nmero favorable de sacar una reina es 4
El total de casos es 52
En el caso de los dados, el nmero favorable de sacar un as es 1
El total de casos es 6.
La probabilidad clsica es conocida tambin como probabilidad a priori.
Supongamos que tenemos inters en saber las probabilidades de que Juan o Mara
ganen el concurso de mritos; en este caso tenemos dos eventos que se suman entre
s.
La probabilidad de Juan es de 1/5 y la de Mara tambin es 1/5; entonces de
probabilidad de que alguno de los dos sea elegido ser 1/5 + 1/5 = 2/5 = 0,40
En el primer caso, el de que uno de los cinco gane, la probabilidad ser P(A) = 1/5
= 0,20
En el segundo caso, la probabilidad se representar del siguiente modo: P(A o B)
notacin que nos indica la probabilidad de que uno de los dos gane el concurso.
Para mostrar grficamente lo que la suma de probabilidades significa, los tericos
recurren a los smbolos de los conjuntos en matemticas.
Esos smbolos son muy tiles en la tarea de comprender los teoremas.
Tomemos la siguiente tabla, del libro de Levin y Rubin, en la que se consignan
datos sobre el nmero de hijos y sus probabilidades respectivas en una encuesta
familiar.
Nmero de hijos
0
1
2
3
4
5
6 o ms
Proporcin de familias que tienen esa cantidad 0.05 0.10 0.30 0.25 0.15 0.10 0.05
En el cuadro anterior tenemos una muestra que nos permitir establecer las
probabilidades de que una familia tenga un nmero determinado de hijos.
Ejemplo, la probabilidad de que una familia tenga 3 hijos es 0.25.
La probabilidad de que una familia no tenga hijos es 0.05, mientras que la
probabilidad de que una familia tenga 2 hijos ser 0.30 y as sucesivamente.
Ahora aplicaremos estos conceptos: deseamos saber la probabilidad de que una
familia del pueblo donde se hizo la encuesta tenga 4 o ms hijos.
Nos damos cuenta de que ya no estamos hablando de un solo evento, sino de varios.
3.1.7. Probabilidad de varios eventos
Para plantear el problema recordamos que estamos hablando de varios eventos y
que la simbologa para representar esa condicin es P(A o B)
En el caso particular que nos interesa, esa expresin toma la forma numrica
siguiente:
P(4,5,6 o ms) = P(4) + P(5) + P(6 o ms) = 0.5 + 0.10 + 0.05 = 0.30
32
Mujer
45
Mujer
20
Hombre
40
Una vez elegidos, los cinco deciden, a su vez, elegir un portavoz: Cul ser la
probabilidad de que la persona elegida sea mujer o tenga una edad por encima de
35 aos?
P(mujer o mayor a 35) = P(mujer) + P(mayor a 35) P(mujer y mayor a 35)
La probabilidad P(Mayor a 35 aos) se refiere al total de todos, hombres y mujeres,
que tienen ms de 35 aos; hay solamente dos casos de los cinco: 45 y 40.
2/5 + 2/5 1/5 = 3/5 = 0.60
3.1.8. Probabilidad bajo condiciones de independencia estadstica
En primer lugar, definiremos el concepto de Independencia
Dos eventos son estadsticamente independientes entre s cuando el evento o
resultado de uno de ellos no tenga influencia en el resultado o evento del otro.
Existen tres tipos de probabilidad independiente: Marginal, Conjunta, Condicional
10
0.125
H1, H2
0.25
H1, T2, H3
0.125
H1
0.5
H1, T2
0.25
H1, T2, T3
0.125
T1
0.5
T1, H2
0.25
T1, H3, H3
0.125
T1, T2
0.25
T1, H2, T3
0.125
T1, T2, H3
0.125
T1, T2, T3
0.125
El segundo evento posible en la columna del segundo lanzamiento es H1, T2,
esto es: en el primer lanzamiento sali una cara (H1) y en el segundo
lanzamiento sali una cruz (T).
El tercer evento muestra que en el primer lanzamiento se T1 y en el segundo, H2
El cuarto evento muestra que en el primer lanzamiento T1 y en el segundo, cara
H2
Las probabilidades en cada caso son 0.25, que resultan de
Cara = probabilidad de 0.5
Cruz = probabilidad de 0.5
La probabilidad, del primer evento del segundo lanzamiento H1, H2 es 0.5 x 0.5
= 0.25
Lo mismo con las dems probabilidades
12
13
Smbolo
Frmula
Marginal
P(A)
P(A)
Conjunta
P(AB)
P(A) x P(B)
Condicional
P(A/B)
P(B)
0.1
0,1
0.1
0.1
0.1
10
0.1
La probabilidad de que la bola tenga puntos dado que es gris es = 0.20/0.60 = 0.33
En la segunda parte, de que la bola tenga franja es = 5/10 = 0.5
La probabilidad de una bola que tenga franja, dado que es gris es = 6/10 = 3/5 =
0.60
3.1.13. Probabilidades marginales bajo dependencia estadstica
Esta clase de probabilidades se calculan sumando las probabilidades de todos los
eventos del experimento; v.g: calcular la probabilidad marginal del evento bola de
color.
Sumamos la probabilidad de los eventos en los que aparecen bolas de color.
Volviendo a nuestra tabla, vemos que las bolas de color aparecen bolas de color
con puntos y bolas de color con franjas; sumamos las dos probabilidades
3/10 + 1/10 = 4/10 = 0.4
La probabilidad de una bola gris resultar de la suma de bolas grises con puntos
y bolas grises con franjas = 2/10 + 4/10 = 6/10 = 0.6
3.1.14. La Probabilidad Total
A partir de las probabilidades del suceso A (de que llueva o de que haga buen
tiempo) deducimos la probabilidad del suceso B (que ocurra un accidente
automovilstico)
Supongamos que ha ocurrido el suceso B (un accidente) sobre la base de ese
accidente se puede deducir las probabilidades del suceso A (estaba lloviendo o
haca buen tiempo?)
La probabilidad del evento A encierra la probabilidad de varios sub eventos;
Llova en el momento del accidente?; Haca buen tiempo? Nevaba? Haba
niebla?
Ese nuevo concepto de probabilidad se denomina Clculo de probabilidades
anteriores y su planteamiento original se debe al conocido estadstico Thomas
Bayes (17021761)
Ya a principios del siglo XVIII la teora de las probabilidades estaba madura,
como para incursionar en otro tipo de modelos, diferentes al que hemos estudiado
hasta ahora.
El tipo de probabilidad estudiado se llama Probabilidad Clsica
16
= 0.20.
La Oficina de trnsito vehicular tiene datos sobre las probabilidades de que ocurra
un accidente automovilstico segn los estados meteorolgicos.
Lluvia: probabilidad de accidente es = 0.10;
Nieve: probabilidad de accidente es = 0.20;
Niebla: probabilidad de accidente es = 0.05.
Supongamos que ocurre un accidente y no sabemos si llovi, nev o hubo niebla.
Para calcular las probabilidades acudimos al Teorema de Bayes
Las probabilidades dadas antes de conocer que ha ocurrido un accidente son
"probabilidades a priori" (lluvia con el 60%, nieve con el 30% y niebla con el
10%)
Una vez conocida la informacin de que ha ocurrido un accidente, las
probabilidades del suceso son probabilidades condicionadas P (A/B) o
"probabilidades a posteriori".
La probabilidad de que en el momento del accidente lloviera es 0.41
17
Segundo lanzamiento. 2
lanzamientos
T
No. De cruces en
resultados posibles
2
Probabilidad de
los 4
0.5 x 0.5 = 0.25
H
T
1
0.5 x 0.5 = 0.25
H significa cara y T significa cruz y las probabilidades son tericas,
puesto que en la realidad puede que en dos lanzamientos los resultados sean
diferentes.
Pero, si lanzamos una moneda no alterada muchas veces, los resultados obtenidos
se irn acercando cada vez ms a las probabilidades tericas.
Deduciremos del anterior cuadro otro que registre la distribucin de la
probabilidad del nmero posible de cruces que se obtiene al lanzar dos veces una
moneda.
Nmero de cruces (T) Lanzamiento
0
(H, H)
18
(TH + HT)
0.50
2
(T, T)
0.25
Representaremos grficamente los resultados de la tabla 4.6
Estamos interesados en mostrar la distribucin de los resultados referidos a las
cruces.
Para hacer eso, colocamos en el eje de las abscisas de un cuadrante el nmero
terico de cruces que observaramos en dos lanzamientos de la moneda.
En el eje de las ordenadas registramos la probabilidad de cada observacin, de
acuerdo con los datos de la tabla 4.6 recordemos que estas probabilidades, son
tericas.
Grfica 1: Probabilidad
En la grfica 1 reflejamos los datos que nos da la tabla 4.6; ambas, la tabla y la
grfica son dos formas de mostrar una distribucin de probabilidades.
Tabla 5
Nmero de pacientes atendidos Nmero de das que se atendi
100
1
101
102
103
104
105
106
107
10
108
12
109
11
110
9
19
111
112
113
114
115
8
6
5
4
2
100
En la tabla 4.7 registramos los datos de los pacientes atendidos diariamente,
durante cien das en una clnica; vamos a convertir esos datos en una tabla de
probabilidades.
Este ejercicio es til para tener una imagen de lo que hace el SPSS en la
computadora.
Definamos algunos conceptos, antes de resolverlo.
20
21
Sobre esa simetra es que Gauss lleg a establecer la Distribucin Normal para
valores continuos, que es la que ms a menudo usaremos en el SPSS, una vez que
la definamos.
La Curva Normal, lo dijimos ya, refleja la distribucin normal de los datos y es la
que los estadsticos tratan de encontrar para realizar sus anlisis.
Cuando los datos originales no muestran una distribucin normal, los estadsticos
transforman los valores de la muestra por otros.
Por ejemplo, pueden transformar los datos originales en sus logaritmos naturales
y comprobar si la nueva distribucin se acerca ms a la normal que la anterior.
Ese procedimiento ser usado por nosotros en un apartado prximo.
Mientras tanto, nos familiarizaremos con lo que significado de Valor Esperado.
3.1.17. Valor Esperado de una variable Aleatoria Discreta
Se calcula, multiplicando cada valor que la variable pueda tomar, por la
probabilidad de que ese valor se presente; al final, sumamos total de estos
resultados parciales.
Construiremos un cuadro del Valor Esperado de la variable discreta Nmero de
Pacientes; con ese objeto, tomamos los valores de la tabla 4.7 y estructuramos la
tabla 4.9.
El Valor Esperado de la Variable aleatoria nmero de pacientes atendidos
diariamente durante una muestra de cien das es 108.20.
Tabla 7: Atenciones
22
23
4.
CAPTULO IV: CONCLUSIONES
PRIMERA: Las aplicaciones de la probabilidad son diversas y se basan en la unidad
como fundamento para aplicar sus frmulas, parte de la unidad y la
diferencia de ella frente a un valor arbitrario para realizar los clculos.
24
BIBLIOGRAFA
Economa. Interamericana.
BLANCO, Castaeda Liliana. 2004. "Probabilidad". Unibiblos. Universidad
Nacional de Colombia.
FELLER, William.1985. Introduccin a la Teora de Probabilidades y sus
Iberoamericana.
SCHEAFFER, Richard L.; Mc CLAVE, James T. 1993 Probabilidad y Estadstica
25