Probabilidad

La probabilidad mide la frecuencia con la que se obtiene un resultado (o conjunto de

resultados) al llevar a cabo un experimento aleatorio, del que se conocen todos los
resultados posibles, bajo condiciones suficientemente estables. La teora de la probabilidad
se usa extensamente en reas como la estadstica, la fsica, la matemtica, la ciencia y la
filosofa para sacar conclusiones sobre la probabilidad de sucesos potenciales y la mecnica
subyacente de sistemas complejos.
Teora
La probabilidad constituye un importante parmetro en la determinacin de las diversas
casualidades obtenidas tras una serie de eventos esperados dentro de un rango estadstico.
Existen diversas formas como mtodo abstracto, como la teora Dempster-Shafer y la teora
de la relatividad numrica,esta ltima con un alto grado de aceptacin si se toma en cuenta
que disminuye considerablemente las posibilidades hasta un nivel mnimo ya que somete a
todas las antiguas reglas a una simple ley de relatividad.
[cita requerida]

La probabilidad de un evento se denota con la letra p y se expresa en trminos de una
fraccin y no en porcentajes, por lo que el valor de p cae entre 0 y 1. Por otra parte, la
probabilidad de que un evento "no ocurra" equivale a 1 menos el valor de p y se denota con
la letra q:

Los tres mtodos para calcular las probabilidades son la regla de la adicin, la regla de la
multiplicacin y la distribucin binomial.
Regla de la adicin
La regla de la adicin o regla de la suma establece que la probabilidad de ocurrencia de
cualquier evento en particular es igual a la suma de las probabilidades individuales, si es
que los eventos son mutuamente excluyentes, es decir, que dos no pueden ocurrir al mismo
tiempo.
Regla de la multiplicacin
La regla de la multiplicacin establece que la probabilidad de ocurrencia de dos o ms
eventos estadisticamente independientes es igual al producto de sus probabilidades
individuales.

Distribucin binomial
La probabilidad de ocurrencia de una combinacin especfica de eventos independientes y
mutuamente excluyentes se determina con la distribucin binomial, que es aquella donde
hay solo dos posibilidades, tales como masculino/femenino o si/no.
Distribucin de probabilidad

La distribucin Normal suele conocerse como la "campana de gauss".
En teora de la probabilidad y estadstica, la distribucin de 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 eventos 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.
Distribuciones de variable discreta
Distribucin binomial.
Se denomina distribucin de variable discreta a aquella
cuya funcin de probabilidad slo toma valores positivos
en un conjunto de valores de X finito o infinito numerable.
A dicha funcin se le llama funcin de masa de
probabilidad. En este caso la distribucin de probabilidad es
el sumatorio de la funcin de masa, por lo que tenemos
entonces que:

Y, tal como corresponde a la definicin de distribucin de probabilidad, esta expresin
representa la suma de todas las probabilidades desde hasta el valor x.
Distribuciones de variable discreta
Distribuciones de variable discreta ms importantes
Las distribuciones de variable discreta ms importantes son las siguientes:
Distribucin binomial
Distribucin binomial negativa
Distribucin Poisson
Distribucin geomtrica
Distribucin hipergeomtrica
Distribucin de Bernoulli
Distribucin Rademacher, que toma el valor 1 con probabilidad 1 / 2 y el valor -1 con
probabilidad 1 / 2.
Distribucin uniforme discreta, donde todos los elementos de un conjunto finito son
equiprobables.
Distribucin normal
En estadstica y probabilidad se llama distribucin normal, distribucin de Gauss o
distribucin gaussiana, a una de las distribuciones de probabilidad de variable continua
que con ms frecuencia aparece en fenmenos reales.
La grfica de su funcin de densidad tiene una forma acampanada y es simtrica respecto
de un determinado parmetro. Esta curva se conoce como campana de Gauss.
La importancia de esta distribucin radica en que permite modelar numerosos fenmenos
naturales, sociales y psicolgicos. Mientras que los mecanismos que subyacen a gran parte
de este tipo de fenmenos son desconocidos, por la enorme cantidad de variables
incontrolables que en ellos intervienen, el uso del modelo normal puede justificarse
asumiendo que cada observacin se obtiene como la suma de unas pocas causas
independientes.
De hecho, la estadstica es un modelo matemtico que slo permite describir un fenmeno,
sin explicacin alguna. Para la explicacin causal es preciso el diseo experimental, de ah
que al uso de la estadstica en psicologa y sociologa sea conocido como mtodo
correlacional.
La distribucin normal tambin es importante por su relacin con la estimacin por
mnimos cuadrados, uno de los mtodos de estimacin ms simples y antiguos.
Algunos ejemplos de variables asociadas a fenmenos naturales que siguen el modelo de la
normal son:
caracteres morfolgicos de individuos como la estatura;
caracteres fisiolgicos como el efecto de un frmaco;
caracteres sociolgicos como el consumo de cierto producto por un mismo grupo de
individuos;
caracteres psicolgicos como el cociente intelectual;
nivel de ruido en telecomunicaciones;
errores cometidos al medir ciertas magnitudes;
etc.
La distribucin normal tambin aparece en muchas reas de la propia estadstica. Por
ejemplo, la distribucin muestral de las medias muestrales es aproximadamente normal,
cuando la distribucin de la poblacin de la cual se extrae la muestra no es normal.
[1]

Adems, la distribucin normal maximiza la entropa entre todas las distribuciones con
media y varianza conocidas, lo cual la convierte en la eleccin natural de la distribucin
subyacente a una lista de datos resumidos en trminos de media muestral y varianza. La
distribucin normal es la ms extendida en estadstica y muchos tests estadsticos estn
basados en una supuesta "normalidad".
En probabilidad, la distribucin normal aparece como el lmite de varias distribuciones de
probabilidad continuas y discretas.
Definicin formal
Hay varios modos de definir formalmente una distribucin de probabilidad. La forma ms
visual es mediante su funcin de densidad. De forma equivalente, tambin pueden darse
para su definicin la funcin de distribucin, los momentos, la funcin caracterstica y la
funcin generatriz de momentos, entre otros.
Funcin de densidad

Se dice que una variable aleatoria continua X sigue una distribucin normal de parmetros
y y se denota X~N(, ) si su funcin de densidad est dada por:

donde (mu) es la media y (sigma) es la desviacin tpica (
2
es la varianza).
[5]

Se llama distribucin normal "estndar" a aqulla en la que sus parmetros toman los
valores = 0 y = 1. En este caso la funcin de densidad tiene la siguiente expresin:

Su grfica se muestra a la derecha y con frecuencia se usan tablas para el clculo de los
valores de su distribucin.
Funcin de distribucin

La funcin de distribucin de la distribucin normal est definida como sigue:

Por tanto, la funcin de distribucin de la normal estndar es:

Esta funcin de distribucin puede expresarse en trminos de una funcin especial llamada
funcin error de la siguiente forma:

y la propia funcin de distribucin puede, por consiguiente, expresarse as:

El complemento de la funcin de distribucin de la normal estndar, 1 (x), se denota
con frecuencia Q(x), y es referida, a veces, como simplemente funcin Q, especialmente en
textos de ingeniera.
[6]

[7]
Esto representa la cola de probabilidad de la distribucin
gaussiana. Tambin se usan ocasionalmente otras definiciones de la funcin Q, las cuales
son todas ellas transformaciones simples de .
[8]

La inversa de la funcin de distribucin de la normal estndar (funcin cuantil) puede
expresarse en trminos de la inversa de la funcin de error:

y la inversa de la funcin de distribucin puede, por consiguiente, expresarse como:

Esta funcin cuantil se llama a veces la funcin probit. No hay una primitiva elemental para
la funcin probit. Esto no quiere decir meramente que no se conoce, sino que se ha probado
la inexistencia de tal funcin. Existen varios mtodos exactos para aproximar la funcin
cuantil mediante la distribucin normal (vase funcin cuantil).
Los valores (x) pueden aproximarse con mucha precisin por distintos mtodos, tales
como integracin numrica, series de Taylor, series asintticas y fracciones continuas.
Lmite inferior y superior estrictos para la funcin de distribucin
Para grandes valores de x la funcin de distribucin de la normal estndar es muy
prxima a 1 y est muy cerca de 0. Los lmites elementales

en trminos de la densidad son tiles.
Usando el cambio de variable v = u/2, el lmite superior se obtiene como sigue:

De forma similar, usando y la regla del cociente,

Resolviendo para proporciona el lmite inferior.
Funciones generadoras
Funcin generadora de momentos
La funcin generadora de momentos se define como la esperanza de e
(tX)
. Para una
distribucin normal, la funcin generadora de momentos es:

como puede comprobarse completando el cuadrado en el exponente.
Funcin caracterstica
La funcin caracterstica se define como la esperanza de e
itX
, donde i es la unidad
imaginaria. De este modo, la funcin caracterstica se obtiene reemplazando t por it en la
funcin generadora de momentos.
Para una distribucin normal, la funcin caracterstica es
[9]


Propiedades
Algunas propiedades de la distribucin normal son:
1. Es simtrica respecto de su media, ;

Distribucin de probabilidad alrededor de la media en una distribucin N(, ).
2. La moda y la mediana son ambas iguales a la media, ;
3. Los puntos de inflexin de la curva se dan para x = y x = + .
4. Distribucin de probabilidad en un entorno de la media:
1. en el intervalo [ - , + ] se encuentra comprendida, aproximadamente, el
68,26% de la distribucin;
2. en el intervalo [ - 2, + 2] se encuentra, aproximadamente, el 95,44% de la
distribucin;
3. por su parte, en el intervalo [ -3, + 3] se encuentra comprendida,
aproximadamente, el 99,74% de la distribucin. Estas propiedades son de gran
utilidad para el establecimiento de intervalos de confianza. Por otra parte, el
hecho de que prcticamente la totalidad de la distribucin se encuentre a tres
desviaciones tpicas de la media justifica los lmites de las tablas empleadas
habitualmente en la normal estndar.
5. Si X ~ N(,
2
) y a y b son nmeros reales, entonces (aX + b) ~ N(a+b, a
2

2
).
6. Si X ~ N(
x
,
x
2
) e Y ~ N(
y
,
y
2
) son variables aleatorias normales independientes,
entonces:
o Su suma est normalmente distribuida con U = X + Y ~ N(
x
+
y
,
x
2
+
y
2
)
(demostracin). Recprocamente, si dos variables aleatorias independientes tienen
una suma normalmente distribuida, deben ser normales (Teorema de Crmer).
o Su diferencia est normalmente distribuida con
.
o Si las varianzas de X e Y son iguales, entonces U y V son independientes entre s.
o La divergencia de Kullback-Leibler,

Si e son variables aleatorias independientes
normalmente distribuidas, entonces:
o Su producto XY sigue una distribucin con densidad p dada por
donde K
0
es una funcin de Bessel modificada
de segundo tipo.
o Su cociente sigue una distribucin de Cauchy con X / YCauchy(0,
X
/
Y
). De este
modo la distribucin de Cauchy es un tipo especial de distribucin cociente.
Si son variables normales estndar independientes, entonces
sigue una distribucin con n grados de libertad.
Si son variables normales estndar independientes, entonces la media
muestral y la varianza muestral
son independientes. Esta
propiedad caracteriza a las distribuciones normales y contribuye a explicar por qu el test-F no es
robusto respecto a la no-normalidad).
Interpretacin y aplicacin
La desviacin estndar es una medida del grado de dispersin de los datos con respecto al
valor promedio. Dicho de otra manera, la desviacin estndar es simplemente el
"promedio" o variacin esperada con respecto a la media aritmtica.
Por ejemplo, las tres muestras (0, 0, 14, 14), (0, 6, 8, 14) y (6, 6, 8, 8) cada una tiene una
media de 7. Sus desviaciones estndar muestrales son 8,08, 5,77 y 1,33, respectivamente.
La tercera muestra tiene una desviacin mucho menor que las otras dos porque sus valores
estn ms cerca de 7.
La desviacin estndar puede ser interpretada como una medida de incertidumbre. La
desviacin estndar de un grupo repetido de medidas nos da la precisin de stas. Cuando
se va a determinar si un grupo de medidas est de acuerdo con el modelo terico, la
desviacin estndar de esas medidas es de vital importancia: si la media de las medidas est
demasiado alejada de la prediccin (con la distancia medida en desviaciones estndar),
entonces consideramos que las medidas contradicen la teora. Esto es coherente, ya que las
mediciones caen fuera del rango de valores en el cual sera razonable esperar que ocurrieran
si el modelo terico fuera correcto. La desviacin estndar es uno de tres parmetros de
ubicacin central; muestra la agrupacin de los datos alrededor de un valor central (la
media o promedio).