Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Distribuciones continuas de probabilidad Aproximación binomial por la normal (Teorema de De Moivre) ),( npqnpN )1;0(N npq npx Z − = 55 nqynp Moivre demostró que bajo determinadas condiciones: Para n grande y tanto “p” como “q” no estén próximos a cero la distribución Binomial B(n,p) se puede aproximar mediante una distribución normal Y por tanto … Teorema de De Moivre “Debemos tener en cuenta que cuanto mayor sea el valor de n, y cuanto más próximo sea p a 0.5, tanto mejor será la aproximación realizada”. Es decir, basta con que se verifique Gracias a esta aproximación es fácil hallar probabilidades binomiales, que para valores grandes de n resulten muy laboriosos de calcular. Hay que tener en cuenta que para realizar correctamente esta transformación de una variable discreta (binomial) en una variable continua (normal) es necesario hacer una corrección de continuidad. Distribuciones continuas de probabilidad Aproximación binomial por la normal (Teorema de De Moivre) Distribuciones continuas de probabilidad Aproximación binomial por la normal (Teorema de De Moivre) )5.0()( += xXPxXP )5.0()( −= xXPxXP )5.05.0()( 2121 +−= xXxPxXxP La corrección de continuidad Ejemplo 1: Distribuciones continuas de probabilidad Aproximación binomial por la normal (Teorema de De Moivre) 22.22 33.3340− =Z 414.1=Z )414.1()40( = ZPZP 921.0)40( =ZP ( ) 903.0 3 2 3 1 10039 0 100 = − = xx x x Si X ~ B(n=100,p=1/3), estimar P(X<40) E(x) = 100*1/3 = 33.33 V(x) = 100*1/3*2/3 = 22.22 La probabilidad correcta es: Ejemplo 1: Distribuciones continuas de probabilidad Aproximación binomial por la normal (Teorema de De Moivre) )39()40( = XPXP )5.39()40( = XPXP 22.22 33.335.39 − =Z 30815.1=Z )30815.1()40( = ZPZP 905.0)40( =ZP La corrección de continuidad Ejemplo 2: Distribuciones continuas de probabilidad Aproximación binomial por la normal (Teorema de De Moivre) El 35% de los habitantes en posibilidad de votar, votan por cierto partido político. Se encuestan a 200 personas del padrón. ¿Cuál es la probabilidad de que entre la gente encuestada haya entre 70 y 80 votantes de ese partido? La verdadera distribución es B(n=200, p=0.35) y su probabilidad: Resolvemos con la aproximación E(x) = 200*0.35 = 70 V(x) = 200*0.35*0.65 = 45.5 ( ) ( ) ( ) xx x x − = 200 80 70 200 65.035.0 Ejemplo 2: Distribuciones continuas de probabilidad Aproximación binomial por la normal (Teorema de De Moivre) )5.805.69()8070( = ZPXP − − = 745.6 705.80 745.6 705.69 )8070( ZPXP 557.1074.0)8070( −= ZPXP 074.0557.1)8070( −−= ZPZPXP 470.0940.0)8070( −= XP 470.0)8070( = XP 940.0557.1 =ZP 53.01074.0 −=−ZP Distribuciones continuas de probabilidad Aproximación poisson por la normal )...( 21 nXXXY +++= ),( NX Sea X~P(λ) el número de sucesos raros en una unidad de tiempo. Definimos Y como el número de sucesos en n unidades de tiempo. Podemos escribir Donde Xi~P(λ) es el número de sucesos en la i-enésima unidad de tiempo. Así, aplicando el teorema del límite central, podemos aproximar la distribución Poisson con una distribución Normal. Teorema. Sea X~P(λ). Para λ grande (λ>20), entonces. Ejemplo 1: Distribuciones continuas de probabilidad Aproximación poisson por la normal )5245( XP 433.0 ! 49* )5245( 52 45 49 == = − X x x e XP Sea X~P(λ=49) , estimar La verdadera distribución es P(λ=49) y su probabilidad: )5.525.44()5245( = ZPXP − − = 49 495.52 49 495.44 )5245( ZPXP 5.0643.0)5245( −= ZPXP 0643.05.0)5245 −−= ZPZPXP 2602.06915.0)5245( −= XP 431.0)5245( = XP Resolvemos con la aproximación Distribuciones continuas de probabilidad Logarítmica normal Si X~N(μ,σ) y se define Y =eX, se dice que Y se distribuye como logaritmo normal con parámetros “μ” y “σ”. Es un modelo empleado típicamente para tiempos de funcionamiento de máquinas y para variables asimétricas como ingreso o gasto. Distribuciones continuas de probabilidad Distribuciones derivadas de la normal • Las distribuciones “t” de Student, Chi cuadrado (2) y F, se derivan de la distribución Normal y están relacionadas con la teoría del muestreo pequeño n 30. • Son muy importantes pues son la base de metodologías inferenciales, tales como Intervalos de Confianza y Pruebas de Hipótesis. • Las variables “t”, 2 y F surgen de transformaciones de variables aleatorias en las que están involucrados estadísticos muestrales, tales como la media y la varianza. Distribuciones continuas de probabilidad Chi cuadrada Para muestras extraídas de una población normal con variancia 2, con tamaño n < 30, siendo S2 la varianza de la muestra entonces el estadístico 2 será )1( )1( 2 2 2 2 − − = n nS Definición Una variable Chi cuadrado se define como la suma de n variables normales estandarizadas elevadas al cuadrado. )1( )1()( 2 2 2 1 2 2 2 − − − = = n nSxn i i Distribuciones continuas de probabilidad Chi cuadrada Características • Por definición, una variable 2 adopta valores positivos: 0 2 . • La distribución es asimétrica positiva. • A medida que aumenta el tamaño de la muestra la curva es menos asimétrica, aproximándose a una curva normal. • Para cada tamaño muestral, se tendrá una distribución 2 diferente. • El parámetro que caracteriza a una distribución 2 son sus grados de libertad (n- 1), originado una distribución para cada grado de libertad, ¿Cómo se deduce una distribución 2? • Extraer K muestras de tamaño n < 30 • Para cada muestra, por ejemplo n = 5, transformamos cada valor de x: x1, x2, x3, x4 y x5 en Z: z1, z2, z3, z4 y z5, utilizando: )1,0( 2 N x Z − = Distribuciones continuas de probabilidad Chi cuadrada ¿Cómo se deduce una distribución 2? == n i i Z 1 22 === −= − = n i i n i in i i x x Z 1 2 21 2 2 1 2 )( 1)( = −= n i i xx 1 2 2 2 )( 1 • Para cada muestra calculamos: • Entonces podríamos escribir: • Si cambiamos la media poblacional por X, resulta: • Dado que: ( ) 1n xxi S n 1i 2 2 − − = = : Distribuciones continuas de probabilidad Chi cuadrada ¿Cómo se deduce una distribución 2? ( ) = −=− n 1i 22 xxi1)(nS )1( )1( 2 2 2 2 − − = n nS • Tenemos • Finalmente si se calcula para cada una de las K muestras y se grafica en un eje de coordenadas el 2 se genera una distribución de 2 con (n-1) grados de libertad. D is tr ib u c ió n d e C h i- c u a d ra d a p a ra a lg u n o s v a lo re s d e g ra d o s d e l ib e rt a d . Distribuciones continuas de probabilidad “t” de student Definición n S x = )1("" − − = nt n S x t En muchos casos se seleccionan de una población normal, muestras de tamaño pequeño n < 30 y Sx desconocido El estadístico “t” será Una variable con distribución t de Student se define como el cociente entre una variable normal estandarizada y la raíz cuadrada positiva de una variable 2 dividida por sus grados de libertad. n x n nS x n Z t − = − − − = − = )1( )1( )1( 2 22 )1("" )1( 2 − − − = nt n x n Z t Distribuciones continuas de probabilidad “t” de student Características • La distribución se denomina distribución de Student o distribución “t”. • Es simétrica, con media de 0, y varianza mayor que 1. • Es más achatada que la normal y adopta diferentes formas, según el número de grados de libertad. • La variable t se extiende desde - a +. • A medida que aumenta los (n –1) grados de libertad la distribución “t” se aproxima en su forma a una distribución normal. • El parámetro de la distribución es (n-1) grados de libertad, originando una distribución diferente para cada tamaño de muestra. ¿Cómo se deduce una distribución “t”?• Se extraen k muestras de tamaño n < 30. • Se calcula, para cada muestra, el valor de “t”. • Se grafica la distribución para cada tamaño muestral Distribuciones continuas de probabilidad “t” de student ¿Cómo se deduce una distribución “t”? D is tr ib u c ió n “ t” p a ra d if e re n te s g ra d o s d e l ib e rt a d ( n -1 ) Distribuciones continuas de probabilidad “F” de Fisher Definición Considerando dos muestras aleatorias independientes, de tamaño n1 y n2, extraídas de una población normal, el estadístico F será 1)1;n2(n12 2 2 1 F S S −−=F Una variable F se define como el cociente entre dos variables ji-cuadrado divididas por sus correspondientes grados de libertad. 2 2 2 1 2 2 2 1 2 1 S S )1( )1( = − − = n n F Distribuciones continuas de probabilidad “F” de Fisher Características • Una variable con distribución F es siempre positiva por lo tanto su campo de variación es 0 F • La distribución de la variable es asimétrica, pero su asimetría disminuye cuando aumentan los grados de libertad del numerador y denominador. • Hay una distribución F por cada par de grados de libertad. • Parámetros: Grados de libertad asociados al numerador y denominador ¿Cómo se deduce una distribución “F”? • Se extrae k pares de muestras aleatorias independientes de tamaño n < 30. • Se calcula para cada par el cociente de varianzas que proporciona un valor de F. • Se grafica los valores de F de los k pares de muestras. Distribuciones continuas de probabilidad “F” de Fisher ¿Cómo se deduce una distribución “F”? D is tr ib u c ió n “ F ” p a ra d if e re n te s g ra d o s d e l ib e rt a d ( n -1 ) Diapositiva 1 Diapositiva 2 Diapositiva 3 Diapositiva 4 Diapositiva 5 Diapositiva 6 Diapositiva 7 Diapositiva 8 Diapositiva 9 Diapositiva 10 Diapositiva 11 Diapositiva 12 Diapositiva 13 Diapositiva 14 Diapositiva 15 Diapositiva 16 Diapositiva 17 Diapositiva 18 Diapositiva 19 Diapositiva 20 Diapositiva 21
Compartir