Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
1Distribuciones Básicas Elegir un modelo aleatorio equivale a definir una variable aleatoria y asignar a esa variable una determinada distribución de probabilidad. Esa distribución dependerá de ciertas condiciones bajo las cuales se efectúa la experiencia. 2Distribuciones Básicas Una vez elegido el modelo podremos hallar la probabilidad de ocurrencia de los distintos resultados en futuras repeticiones del experimento, que será la probabilidad de obtener distintos valores de la variable. 3 Distribuciones Básicas Suponiendo válido el modelo propuesto, podremos sacar conclusiones acerca de ciertas características de la distribución, basándonos en los resultados observados. 4 Variable Aleatoria de Bernoulli Consideremos un experimento aleatorio tal que los únicos resultados posibles son el suceso A y su complementario A'. De manera que el espacio de resultados estará formado por dos elementos mutuamente excluyentes: S={E=éxito; F=fracaso} Llamaremos éxito a la ocurrencia de A y fracaso a la ocurrencia de A'. Si p=P(A) llamamos q=P(A')=1-P(A)=1-p 5Experimento de Bernoulli Llamamos experimento o ensayo de Bernoulli a aquel cuyo espacio de resultados está formado por dos elementos mutuamente excluyentes: S={E=éxito; F=fracaso} con p= P(E) y q= P(F) = 1-p 6Experimento de Bernoulli Éxito Fracaso 0 1 7Experimento de Bernoulli Entonces X: S RX ={0;1} X(E) = 1 ; X(F) = 0 La función de probabilidad p: RX está dada por la siguiente tabla: Valores xi de X 0 1 p(xi) q = 1-p p 8 Definición de Variable Aleatoria de Bernoulli Llamamos v.a. de Bernoulli con parámetro p a la variable X que vale 1 si se obtiene éxito al efectuar un experimento de Bernoulli, y vale 0 si no se obtiene éxito. El parámetro p es la probabilidad de éxito. 9 Propiedad 3.1 Si X es una variable aleatoria de Bernoulli con parámetro p, E(X) = p Var(X) = p(1-p)=p.q Demostrar 10 Variable Aleatoria de Bernoulli 1) La experiencia consiste en extraer una carta. Se considera éxito el obtener “espada”, entonces, Ejemplos: S={espada; no espada} X(espada) = 1 X(no espada) = 0 P(1) = p = 12/50 p(0) = q = 38/50 11 Variable Aleatoria de Bernoulli 2) La experiencia consiste en observar la calidad de fumador en una persona adulta, entonces, Ejemplos: S={fumador; no fumador} X(fumador) = 1 X(no fumador) = 0 P(1) = p = 0,5 p(0) = q = 0,5 12Variable Aleatoria Binomial Supongamos que repetimos m veces un experimento de Bernoulli bajo las condiciones siguientes: La probabilidad p de éxito permanece constante en todas las repeticiones. Las repeticiones son independientes, esto es, el resultado obtenido en una repetición no influye en el resultado de la otra. 13Variable Aleatoria Binomial Si para cada elemento de S contamos el número de éxitos tendremos una variable aleatoria discreta X: S que toma valores entre 0 y m, es decir, RX ={0;1;2;...;m} 14Variable Aleatoria Binomial Definición: Llamamos v.a. Binomial al número de éxitos obtenidos en m repeticiones independientes de un experimento de Bernoulli. 15 Variable Aleatoria Binomial Se dice, entonces, X ~ B(m;p) es decir, X tiene distribución binomial con parámetros m y p, con p = P (éxito) 16 Variable Aleatoria Binomial Ejemplo: En una población la probabilidad de fumar es del 20%, ¿cuál es la probabilidad de que al entrevistar a 3 personas 2 sean fumadoras? 17 Variable Aleatoria Binomial Tenemos m=3 repeticiones independientes de un experimento de Bernoulli. Si X=número de personas fumadoras de un total de 3 personas, RX ={0; 1; 2; 3} X será una v.a. Binomial si la probabilidad p es la misma para las 3 repeticiones. 18Variable Aleatoria Binomial Nos interesa hallar P (X=2). Debemos hallar entonces la función de probabilidad de X, p: RX , p(xi)=P (X= xi) El espacio de resultados será: S={EEE; EEF; EFE; FEE; FFE; FEF; EFF; FFF} 19 Variable Aleatoria Binomial X({FFF}) = 0 X({FFE; FEF; EFF}) = 1 X({EEF; EFE; FEE} = 2 X({EEE}) = 3 20 Variable Aleatoria Binomial P(0)=P(X=0)=P({FFF}) es la probabilidad de que ninguna persona sea fumadora. Como estamos suponiendo que los resultados son independientes de una repetición a otra P({FFF}) = P({F}).P({F}).P({F}) Por lo tanto: P(0)=P({F})3=q3=(0,8)3 21 Variable Aleatoria Binomial P(1)=P(X=1)=P({FFE} {FEF} {EFF}) = =P({FFE})+P({FEF})+P({EFF}) por ser mutuamente excluyentes. Por ser los resultados independientes P({FFE}) = P({F}).P({F}).P({E}) = =P({F})2.P({E})=q2.p=(0,8)2(0,2) 22 Variable Aleatoria Binomial Entonces, P(1)=3.P({F})2.P({E})=3.q2.p=3.(0,8)2(0,2) 23 Variable Aleatoria Binomial P(2)=P(X=2)=P({EEF} {EFE} {FEE}) = =P({EEF})+P({EFE})+P({FEE}) por ser mutuamente excluyentes. Por ser los resultados independientes P({EEF}) = P({E}).P({E}).P({F}) = =P({F}).P({E})2=qp2=(0,8)(0,2)2 24 Variable Aleatoria Binomial Entonces, P(2)=3.P({F}).P({E})2=3.q.p2=3.(0,8)(0,2)2 25 Variable Aleatoria Binomial Finalmente, P(3)=P(X=3)=P({EEE}) es la probabilidad de que todos sean fumadores. Como estamos suponiendo que los resultados son independientes de una repetición a otra P({EEE}) = P({E}).P({E}).P({E}) Por lo tanto: P(3)=P({E})3=p3=(0,2)3 26 Variable Aleatoria Binomial La función de probabilidad de X está dada por la siguiente tabla: Valores xi de X 0 1 2 3 p(xi) (0,8) 3 3(0,8) 2 (0,2) 3(0,8)(0,2) 2 (0,2) 3 Nos interesaba calcular P(2)=P(X=2)=3.(0,8)(0,2)2=0,096 27 Variable Aleatoria Binomial La pregunta ahora es: ¿Cómo podemos obtener la función de probabilidad en el caso general? 28 Variable Aleatoria Binomial Si X ~ B(m;p) sabemos que : RX = {0; 1; 2;…; m}, entonces para cada número entero k, 0≤k≤m, debemos hallar P(k)=P(X=k), es decir la probabilidad de obtener exactamente k éxitos al repetir m veces un experimento de Bernoulli. 29 Variable Aleatoria Binomial Se da el suceso {X=k} si se obtienen k éxitos y m-k fracasos. Por ejemplo, si el resultado es: EE…EF…F P({X=k})=pkqm-k Como los k éxitos no necesariamente deben darse en las k primeras repeticiones , este resultado no es el único que corresponde al suceso {X=k}. 30Variable Aleatoria Binomial El número de resultados diferentes que corresponden al suceso {X=k} será igual al número de maneras distintas de elegir k elementos de un conjunto de m elementos. Ese número es el combinatorio 31 Variable Aleatoria Binomial Por lo tanto: k:0; 1;…; m Esta función p: RX → cumple las propiedades de función de probabilidad. 32 Función de Probabilidad La v.a. X tiene distribución binomial con parámetros m, p donde m N y 0<p<1 si, RX = {0; 1;…; m} y k/0≤k≤m donde q = 1-p 33 Función de Probabilidad La función de probabilidad de la v.a. binomial es simétrica para p = 0,5. Si p < 0,5 es asimétrica a la derecha, Si p > 0,5 es asimétrica a la izquierda. Para cualquier valor de p la asimetría disminuye a medida que aumenta m. 34 Función de Probabilidad Ejemplo: 35 Función de Probabilidad Ejemplo: Figura: Función de probabilidad de una variable binomial cuando m es grande. 36 Función de Distribución La función de distribución de una v.a. binomial, la obtenemos sumando los valores de la función de probabilidad. t 37 En un mercado se encuentran 200 bolsas con 15 manzanas cada una. Si la probabilidad de que una manzana cualquiera esté en buen estado es del 95%, ¿en cuántas bolsas se puede encontrar por lo menos 14 manzanas en buen estado? Ejemplo 38 Propiedad 3.2 Para todo k, 0≤k≤m, b(k;m;p) = b(m-k;m;1-p) 39 Propiedad 3.3 Si X es una v.a. binomial con parámetros m y p, entonces: E(X) = mp Var(X) = mp(1-p) = mpq 40Variable Aleatoria de Poisson Consideremos un experimento aleatorio que consiste en observar el número de veces que ocurre un suceso en un intervalo de tiempo. Por ejemplo, consideremos la experiencia que consiste en registrar el númerode llamadas telefónicas que llegan a un conmutador al cabo de 2 horas. 41Variable Aleatoria de Poisson Sea X: número de llamadas telefónicas que llegan a un conmutador en un intervalo de 2 horas. Si quisiéramos hallar la probabilidad de que en ese período ingresen más de 8 llamadas no podemos pensar en un modelo binomial. Esta v.a. no toma un número fijo de valores, y, por lo tanto, no podemos utilizar la distribución binomial. 42Variable Aleatoria de Poisson En general la experiencia consiste en contar el número de veces que ocurre un suceso en un intervalo de tiempo, ó, el número de elementos con cierta característica que se encuentran en una superficie o volumen. 43Variable Aleatoria de Poisson Definición: Decimos que X es una v.a. de Poisson con parámetro λ, donde λ es un número real positivo, si puede tomar cualquier valor entero no negativo, es decir, RX:{0; 1; 2;...}=NU{0} y su función de probabilidad está dada por: 44Variable Aleatoria de Poisson Como λ es el único parámetro de la distribución, usaremos la notación X ~ P(λ) 45 Variable Aleatoria de Poisson Veamos que, cumple con las propiedades de la función de probabilidad: 1)p(k) ≥ 0 ya que e, k y λ son números positivos. 2) 46Variable Aleatoria de Poisson 47Variable Aleatoria de Poisson Ejemplos: X: número de demandas (necesidades) de los pacientes que requieren servicio en una institución de salud en un día. Y: número de accidentes registrados en una cierta intersección de calles Z: número de microorganismos presentes en un volumen de una solución. 48Condiciones del Modelo de Poisson 1) Si se consideran dos intervalos disjuntos, el número de ocurrencias en uno de ellos es independiente del número de ocurrencias en el otro. 2) Las probabilidades de un determinado número de ocurrencias en dos intervalos que miden lo mismo son iguales. 49Condiciones del Modelo de Poisson 3) Si el intervalo es pequeño: a) La probabilidad de una sola ocurrencia es proporcional a lo que mide el intervalo. b) La probabilidad de más de una ocurrencia es despreciable comparada con la probabilidad de una sola. 50 Condiciones del Modelo de Poisson 4) Teóricamente debe ser posible que haya un número tan grande como se quiera de ocurrencias en el intervalo considerado. 51 Condiciones del Modelo de Poisson Si el intervalo es de tiempo, tendremos un modelo temporal, donde el suceso que se considera ocurre con intensidad c, siendo c el número promedio de ocurrencias por unidad de tiempo. 52 Condiciones del Modelo de Poisson Se define X: número de ocurrencias en un intervalo de tiempo de longitud t. Si se cumplen las 4 condiciones del modelo será X ~ P(λ) con λ = ct = número promedio de ocurrencias en un intervalo de longitud t. 53 Condiciones del Modelo de Poisson Consideremos la variable: La primer condición nos dice que el número de demandas que se reciben en un día debe ser independiente del que se recibe otro día. 54 Condiciones del Modelo de Poisson La segunda condición significa que la probabilidad de recibir un número k de demandas en un día debe ser la misma cualquiera sea el día. 55 Condiciones del Modelo de Poisson La tercer condición dice que el intervalo considerado debe poder dividirse en intervalos tan pequeños que la probabilidad de que se produzca una demanda en uno de esos intervalos sea muy chica y proporcional a la longitud del pequeño intervalo. 56 Propiedad 3.4 Si X es una variable de Poisson con parámetro λ, E(X) = λ Var(X) = λ 57 Función de Distribución El aspecto de la distribución depende muchísimo de la magnitud de la media. Como ejemplo, mostramos tres casos con λ=0,5 , λ=1,5 y λ=5. Obsérvese que la asimetría de la distribución disminuye al crecer λ y que, en paralelo, la gráfica empieza a tener un aspecto acampanado. 58 Función de Probabilidad 59 Función de Probabilidad 60Función de Distribución La función de distribución se obtiene sumando los valores de la función de probabilidad. 61 Propiedad 3.5 Si X1~P(λ1) y X2~P(λ2) son variables aleatorias independientes, la variable aleatoria X1+X2~P(λ1+λ2) 62 Ejemplo La probabilidad de que un isótopo radioactivo emita a lo sumo 7 partículas en un intervalo de tiempo de 2 seg. Es 0,9489. ¿Cuál es la probabilidad de que en 3,5seg no haya emisión de partículas? 63 Variable Aleatoria Normal Es una v.a. continua y es la más utilizada en las aplicaciones de la Estadística a las distintas ciencias. 64 Variable Aleatoria Normal La distribución Normal es la indicada para trabajar con datos que siguen una escala continua (peso, estatura, edad, tensión arterial, colesterol, bilirrubina, etc.). 65Variable Aleatoria Normal La distribución Normal posee la ventaja de que otras distribuciones, bajo ciertas condiciones, acaban aproximándose a ella, como en el caso de la distribución binomial cuando p se aproxima a 0,5 y aumenta m. Se conoce también como curva o Campana de Gauss. 66Variable Aleatoria Normal Muchas distribuciones continuas se derivan de la distribución normal, y ciertas variables que se utilizan para justificar pruebas estadísticas están distribuídas normalmente. 67Variable Aleatoria Normal Definición: Decimos que una v.a. continua X que toma todos los valores reales es una v.a. normal con parámetros y , donde , >0, si su función de densidad es: 68Variable Aleatoria Normal Entonces diremos que X N(;) La función f es una función de densidad porque f(x) 0 x , y además se puede probar que 69 Propiedad 3.6 Si X N(;) E(X) = y Var(X) = 2 70 Variable Aleatoria Normal Para cada par de valores de los parámetros y se tiene una curva normal. - + Gráfico de la función de densidad de una variable aleatoria Normal. 71 Características de la función de densidad de una Variable Aleatoria Normal 1) Tiene forma de campana. 2) Es simétrica respecto de la recta x = 3) El máximo se alcanza en x = ; ese valor máximo es: 72 73 Características de la función de densidad de una Variable Aleatoria Normal Por lo tanto cuanto mayor es el valor de , menor es el máximo de f. 4) Los puntos de abscisa + y - son los puntos de inflexión de la curva. Si es relativamente grande el gráfico es achatado; si es pequeño es más aguzado. 74 Características de la función de densidad de una Variable Aleatoria Normal 5) Es decir, cuanto mayor es el valor absoluto de x menor es su densidad de probabilidad. 75 Características de la función de densidad de una Variable Aleatoria Normal Es muy poco probable encontrar valores de la variable que se desvíen de la media más de 3 veces la desviación estándar. 76 Características de la función de densidad de una Variable Aleatoria Normal Como en toda función de densidad, el área total encerrada bajo la curva es 1. 77 Características de la función de densidad de una Variable Aleatoria Normal Cualesquiera sean los valores de y , entre las rectas x=- y x=+ se encuentra aproximadamente el 68% del área; entre x=- 2 y x=+2 se encuentra e el 95% y entre x=-3 y x=+3 el 99,7% . 78Normal 79 Características de la función de densidad de una Variable Aleatoria Normal Si se cambia el valor de dejando fijo se desplaza la curva hacia la derecha o hacia la izquierda sin cambiar su forma. Como puede verse en el siguiente gráfico. 80 81 Características de la función de densidad de una Variable Aleatoria Normal Si se fija y varía la curva no se desplaza, pero se alejan o acercan con respecto a los puntos de inflexión y esto altera la forma de la curva. 82 83 Características de la función de densidad de una Variable Aleatoria Normal Si disminuye habrá mayor probabilidad de obtener valores de X cercanos a , mientras que si aumenta la curva se achata y aumenta la probabilidad de obtener valoresextremos de X. 84Función de Distribución Si t 85 Variable Normal Estandarizada Si X N(;) a la variable estandarizada correspondiente a X la llamaremos variable normal estandarizada y la designaremos con Z. 86 Variable Normal Estandarizada Estandarizar la variable significa transformar la escala de medida. Para cada valor x, el z correspondiente indica el número de desviaciones estándar que separan a X de μ. Si x > μ, z > 0 Si x < μ, z < 0 87 Variable Normal Estandarizada El número que deja un área a su derecha se indica Z α 88 Propiedad 3.7 Si X N(;) , a y b son números reales, a ≠0 Y = aX+b Y N(a+b;|a|) 89 Propiedad 3.8 Si X N(;) N(0;1) 90Variable Aleatoria Normal Si Z~N(0;1) la función de densidad es: y la función distribución es: 91Variable Aleatoria Normal Si Z ~ N(0;1), podemos calcular P(a ≤ Z ≤ b) = F(b) - F(a) ; a y b números reales 92Ejemplo 1 Sea Z ~ N(0;1), queremos hallar P(Z ≤ 1,5) = F(1,5) = 0,9332 93Ejemplo 2 Sea Z ~ N(0;1), queremos hallar P(-1,1< Z ≤ 2,1) = F(2,1) – F(-1,1) = = F(2,1) – [1-F(1,1)] = F(2,1) + F(1,1) – 1 = = 0,9821 + 0,8643 – 1 = 0,8464 94 Propiedad 3.9 Si F: → es la función de distribución de la variable normal estandarizada F(-t) = 1 – F(t) t 95Variable Aleatoria Normal Sean a y b números reales , consideremos los siguientes casos: 1) P(a ≤ Z ≤ b) = F(b) - F(a) 2) P(-a ≤ Z ≤ b) = F(a) + F(b) - 1 3) P(-b ≤ Z ≤ -a) = F(-a) - F(-b) = F(b) – F(a) 96Ejemplo 3 Supongamos que queremos hallar el valor de a tal que P(Z < a) = 0,90 El valor 0,90 no figura en la tabla, en la tabla figuran 0,8997 = F(1,28) y 0,9015 = F(1,29) El número a que buscamos es tal que 1,28<a<1,29; para encontrarlo efectuamos una interpolación lineal: 97Ejemplo 3. Continuación a = 1,282 98Propiedad 3.10 Si X1, X2,…, Xn son variables aleatorias normales independientes, la variable aleatoria tiene distribución normal. 99Ejemplo Un frasco de 260 cm3 se llena con un jarabe medicinal. El volumen (en cm3) que se vierte, en forma automatizada, en cada frasco es una v.a. X~N(252; σ). Se sabe que la probabilidad de que el volumen vertido exceda el volumen del frasco es 0,0228. Calcular la probabilidad de que, al llenar el frasco, el volumen vertido sea por lo menos 250 cm3.
Compartir