Ejemplos de preguntas y análisis de la distribución de probabilidad
La distribución de probabilidad es uno de los conceptos fundamentales de la estadística y la probabilidad. Se utiliza para comprender la probabilidad de que ocurran diferentes valores de un número aleatorio. Las distribuciones de probabilidad pueden adoptar diversas formas, según la naturaleza de los datos analizados. Los dos tipos más comunes son la distribución discreta y la continua. En este artículo, revisaremos varios ejemplos y analizaremos las distribuciones de probabilidad para comprender mejor este tema.
Distribución discreta
Una distribución discreta es aquella que calcula la probabilidad de una variable aleatoria discreta, es decir, una variable que solo puede tomar ciertos valores. Ejemplos conocidos de distribuciones discretas son la distribución binomial y la distribución de Poisson.
Ejemplo 1: Distribución binomial
La distribución binomial describe el número de éxitos en una serie de ensayos de Bernoulli. Cada ensayo de Bernoulli tiene dos resultados posibles: éxito o fracaso. La probabilidad de éxito se mantiene constante a lo largo del ensayo.
Pregunta:
Una compañía farmacéutica está probando un nuevo medicamento en 10 pacientes. La probabilidad de que el medicamento funcione en cualquier paciente es de 0.7. Calcula la probabilidad de que el medicamento funcione exactamente en 7 de los 10 pacientes.
Discusión:
La variable aleatoria \(X\) sigue una distribución binomial con \(n = 10\) y \(p = 0.7\). La función de probabilidad binomial es:
\[ P(X = k) = \binom{n}{k} p^k (1 – p)^{n – k} \]
Para \(k = 7\):
\[ P(X = 7) = \binom{10}{7} (0.7)^7 (0.3)^3 \]
Cálculo del coeficiente binomial \(\binom{10}{7}\):
\[ \binom{10}{7} = \frac{10!}{7!(10-7)!} = \frac{10!}{7!3!} = 120 \]
Cálculo de valores de probabilidad:
\[ P(X = 7) = 120 \times (0.7)^7 \times (0.3)^3 \]
\[ P(X = 7) \approx 120 \times 0.0823543 \times 0.027 \]
\[ P(X = 7) \approx 0.231 \]
Por lo tanto, la probabilidad de que el medicamento funcione exactamente en 7 de cada 10 pacientes es de aproximadamente 0.231 o 23.1%.
Ejemplo 2: Distribución de Poisson
La distribución de Poisson se utiliza para modelar el número de ocurrencias de un evento poco frecuente dentro de un intervalo de tiempo o espacio determinado.
Pregunta:
Una tienda recibe un promedio de 4 clientes por hora. ¿Cuál es la probabilidad de que la tienda reciba exactamente 5 clientes en una hora?
Discusión:
La variable aleatoria \(X\) sigue una distribución de Poisson con parámetro \(\lambda = 4\). La función de probabilidad de masa de Poisson es:
\[ P(X = k) = \frac{\lambda^ke^{-\lambda}}{k!} \]
Para \(k = 5\):
\[ P(X = 5) = \frac{4^5 e^{-4}}{5!} \]
Contar:
\[ P(X = 5) = \frac{1024 \cdot e^{-4}}{120} \]
\[ P(X = 5) \approx \frac{1024 \cdot 0.0183}{120} \]
\[ P(X = 5) \approx 0.156 \]
Por lo tanto, la probabilidad de que la tienda reciba exactamente 5 clientes en una hora es de aproximadamente 0.156, o el 15.6%.
Distribución continua
Las distribuciones continuas se utilizan cuando la variable aleatoria que se mide puede tomar cualquier valor dentro de un rango determinado. Ejemplos conocidos de distribuciones continuas son la distribución normal y la distribución exponencial.
Ejemplo 3: Distribución normal
La distribución normal, a menudo llamada distribución gaussiana, es una distribución comúnmente utilizada en diversos campos, incluyendo la ciencia, la ingeniería y la economía.
Pregunta:
Las estaturas de los hombres adultos en una ciudad siguen una distribución normal con una media de 170 cm y una desviación estándar de 10 cm. ¿Cuál es la probabilidad de que un hombre elegido al azar mida entre 160 cm y 180 cm?
Discusión:
Necesitamos calcular la puntuación z para 160 cm y 180 cm. La puntuación z se define como:
\[ Z = \frac{X – \mu}{\sigma} \]
Para \(X = 160\):
\[ Z_{160} = \frac{160 – 170}{10} = -1 \]
Para \(X = 180\):
\[ Z_{180} = \frac{180 – 170}{10} = 1 \]
Ahora debemos observar los valores de probabilidad de -1 a 1 en la tabla z. El valor de z = -1 a z = 1 es aproximadamente 0.6826.
Por lo tanto, la probabilidad de que un hombre seleccionado al azar mida entre 160 cm y 180 cm de altura es aproximadamente de 0.6826 o 68.26%.
Ejemplo 4: Distribución exponencial
La distribución exponencial se utiliza para modelar el tiempo entre eventos en un proceso de Poisson.
Pregunta:
El tiempo promedio entre la llegada de dos clientes a una tienda es de 15 minutos. ¿Cuál es la probabilidad de que el tiempo entre la llegada de dos clientes sea inferior a 10 minutos?
Discusión:
La distribución exponencial tiene un parámetro \(\lambda\) que es el inverso de la media (\(\mu\)). Con una media de 15 minutos:
\[ \lambda = \frac{1}{\mu} = \frac{1}{15} = 0.0667 \]
La función de distribución acumulativa exponencial es:
\[ P(X \leq x) = 1 – e^{-\lambda x} \]
Para \(x = 10\):
\[ P(X \leq 10) = 1 – e^{-0.0667 \times 10} \]
\[ P(X \leq 10) = 1 – e^{-0.667} \]
\[ P(X \leq 10) \approx 1 – 0.5134 \]
\[ P(X \leq 10) \approx 0.4866 \]
Por lo tanto, la probabilidad de que el tiempo entre la llegada de dos clientes sea inferior a 10 minutos es de aproximadamente 0.4866 o 48.66%.
conclusión
Las distribuciones de probabilidad, tanto discretas como continuas, son conceptos muy útiles para modelar y comprender el comportamiento de las variables aleatorias. Las distribuciones binomial y de Poisson se utilizan con frecuencia para variables discretas, mientras que las distribuciones normal y exponencial son ejemplos de distribuciones continuas.
Esperamos que, a través de los ejemplos anteriores, hayas comprendido mejor cómo calcular e interpretar probabilidades en distribuciones de probabilidad. Con la práctica constante, tu capacidad para comprender las distribuciones de probabilidad mejorará y podrás aplicarla en diversas disciplinas.
