Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Unidad Temática 1: Unidad 3 Distribución de Probabilidad Tema 9 Distribución de Probabilidad Recordamos conceptos: Variable aleatoria: es aquella que se asocia un número o un dato probabilístico, como el resultado de un experimento aleatorio. Tipos de Variables: Variable aleatoria cualitativa (nominal u ordinal) Variable aleatoria cuantitativa (discreta) Variable aleatoria cuantitativa (continua) MODELOS PROBABILISTICOS CONTINUOS (clase pasada) Variable aleatorias cuantitativas continuas (proporcional o interválica) Distribución Normal o Modelo de Gauss iX z Introducción: MODELOS PROBABILISTICOS DISCRETOS El objetivo de éste capitulo de la estadística, es el de encontrar el Modelo Probabilístico que mejor describa a las variables cualitativas estudiadas en un experimento. Por ejemplo: Caras de una moneda (C – S); Sexo (M – H); Caras del dado (1, 2, 3, 4, 5, y 6), etc. Encontrar el Modelo probabilístico, significa encontrar una FUNCIÓN que pueda explicar a la variable aleatoria en estudio. Los más utilizados son los siguientes Modelos: Distribución de Bernoulli Distribución binomial Distribución de Poisson Distribución de Probabilidad Distribución de Bernoulli Distribución de Probabilidad Distribución de probabilidad muy sencilla, con las siguientes características: Se ejecuta una sola prueba, o lo que vale a decir una sola experiencia. Dicha prueba tiene solo dos resultados posibles: éxito o fracaso, y son mutuamente excluyentes uno de otro. La probabilidad de éxito se la denota o describe con “p” y el fracaso con “q”. Ejemplo: Se revisa un conjunto de 8 caninos con el objeto de observar si los mismos presentan (éxito) o no (fracaso) parásitos externos (pulgas). Variable éxito = 1 Variable fracaso = 0 Se asigna con p a la probabilidad de éxito Y con q = 1 - p a la probabilidad de fracaso Distribución de Bernoulli Distribución de Probabilidad La Tabla de Bernoulli, con los siguientes resultados: yi P (yi) Yi .P (yi) 0 (fracaso) 0,25 0 1 (éxito) 0,75 0,75 Σ - 1 0,75 Del experimento propuesto surge que 6 de los perros observados (n=8) están parasitados (75%), en tanto que el resto no presentaban pulgas: Cálculos de estadígrafos para ~Bernoulli: E(Y) = p(yi) = 0,75 q = 1 – 0,75 = 0,25 μ(Y) = n.p = 8*0,75 = 6 σ2(Y) = n.p.q = 8*0,75*0,25 = 0,15 σ(Y) = n.p.q = 0,15 = 0,387 Distribución Binomial Distribución de Probabilidad Supongamos que tomamos una muestra de n observaciones (Y1, Y2,… Yn), con el modelo de Bernoulli; es decir “éxito” o “fracaso”, pero cada dato observado (Yi) pueden tomar los dos valores de “1” éxito o “0” fracaso, en este caso la distribución es de tipo BINOMIAL, con las siguientes características: Existe un número fijo o infinito de pruebas o experimentos. Cada observación tiene solo dos resultados posibles; éxito o fracaso, que son mutuamente excluyentes, que representan el espacio muestral. La probabilidad de éxito se describe por “p”, por lo tanto tendrá asociada una probabilidad de fracaso que será “q”. Cada ensayo es estadísticamente independiente, es decir la ocurrencia de uno no influye sobre el otro. Tiene asociados dos elementos a la distribución que son: el tamaño de la muestra “n” y el número de éxitos “x”. Distribución Binomial Ejemplo Lanzamiento de una moneda Se lanza una moneda 1 vez (2 eventos o sucesos posibles) éxito = cara fracaso = seca Evento (1c) p = 0,5 (1/2) Evento (1s) p = 0,5 (1/2) Distribución Binomial Lanzamiento de una moneda Se lanza una moneda dos veces (4 eventos o sucesos posibles) Evento (2c) p = 0,25 Evento (1c1s o 1s1c) p = 0,5 o Evento (2s) p = 0,25 (1/4) Distribución Binomial Se lanza una moneda tres veces (8 eventos o sucesos posibles) Evento (3c) p = 0,125 (1/8) Evento (2c1s) p = 0,375 (3/8) Evento (2s1c) p = 0,375 (3/8) Evento (3s) p = 0,125 (1/8) Distribución Binomial Se lanza una moneda 1 vez (2 eventos o sucesos) Evento (1c) p = 0,5 (1/2) Evento (1s) p = 0,5 (1/2) Se lanza una moneda 2 veces (4 eventos o sucesos) Se lanza una moneda 3 veces (8 eventos o sucesos) C C C S S S CC CS SC SS 1/4 1/4 1/4 1/4 C C C S S S CCC CCS CSC CSS 1/8 1/8 1/8 1/8 C S C S C S C S SCC SCS SSC SSS 1/8 1/8 1/8 1/8 EM = 2n 21 = 2 22 = 4 23 = 8 p = 0,5 X 0,5 = 0,25 p = 0,5 X 0,5 X 0,5 = 0,125 Distribución Binomial Se lanza una moneda 4 veces 24 = 16 eventos posibles C S CCCC CCCS CCSC CCSS 1/16 1/16 1/16 1/16 C S C S C S C S CSCC CSCS CSSC CSSS 1/16 1/16 1/16 1/16 SCCC SCCS SCSC SCSS 1/16 1/16 1/16 1/16 C S C S C S C S SSCC SSCS SSSC SSSS 1/16 1/16 1/16 1/16 C S C S C S C S C S C S 4C: 1/16 3C: 4/16 2C: 6/16 1C: 4/16 0C: 1/16 p = 0,5 X 0,5 X 0,5 X 0,5= 0,0625 Distribución Binomial Para calcular las probabilidades para cualquier ejemplo aplicaremos la fórmula de la función de probabilidad para una variable aleatoria discreta con distribución Binomial: xnxxnx qp xnx n qp p n xf !! ! )( Podemos preguntarnos ¿Qué probabilidad tengo que al lanzar 4 veces una moneda, 2 veces salgan caras? 4C: 1/16 = 0,0625 3C: 4/16 = 0,2500 2C: 6/16 = 0,3750 1C: 4/16 = 0,2500 0C: 1/16 = 0,0625 22 5,0.5,0. !2!2 !4 )( xf n= 4; x= 2; n-x= 2; p= 0,5; q = 0,5 = 6 x 0,0625 = 0,375 Distribución Binomial xnxxnx qp xnx n qp p n xf !! ! )( ¿Qué probabilidad tengo de obtener 3 caras si lanzo 10 veces una moneda? 210 = 1024 eventos posibles 10C: 1/1024 = 0,00098 73 5,0.5,0. !7!3 !10 )( xf n= 10; x= 3; n-x= 7; p= 0,5; q = 0,5 = 120 x 0,00098 = 0,1172 9C: 10/1024 = 0,00977 ……………………….… …………………………. …………………….…… 0C: 1/1024 = 0,00098 TIRAR 1 VEZ LA MONEDA 0 0 ,1 0 ,2 0 ,3 0 ,4 0 ,5 0 ,6 1C 0 C R ESU LT A D OS POSIB LES TIRAR 2 VECES LA MONEDA 0,00 0,10 0,20 0,30 0,40 0,50 0,60 2C 1C 0C RESULTADOS POSIBLES TIRAR 3 VECES LA MONEDA 0 0 ,0 5 0 ,1 0 ,15 0 ,2 0 ,2 5 0 ,3 0 ,3 5 0 ,4 3 C 2 C 1C 0 C R ESU LT A D OS POSIB LES TIRAR 4 VECES LA MONEDA 0 0 ,0 5 0 ,1 0 ,15 0 ,2 0 ,2 5 0 ,3 0 ,3 5 0 ,4 4 C 3 C 2 C 1C 0 C R ESU LTA D OS POSIB LES TIRAR 5 VECES LA MONEDA 0 0 ,0 5 0 ,1 0 ,15 0 ,2 0 ,2 5 0 ,3 0 ,3 5 5C 4 C 3 C 2 C 1C 0 C R ESU LTA D OS POSIB LES TIRAR 10 VECES LA MONEDA 0 0,05 0,1 0,15 0,2 0,25 0,3 10C 9C 8C 7C 6C 5C 4C 3C 2C 1C 0C RESULTADOS POSIBLES TIRAR 20 VECES LA MONEDA 0 0,02 0,04 0,06 0,08 0,1 0,12 0,14 0,16 0,18 0,2 2 0 C 1 9 C 1 8 C 1 7 C 1 6 C 1 5 C 1 4 C 1 3 C 1 2 C 1 1 C 1 0 C 9 C 8 C 7 C 6 C 5 C 4 C 3 C 2 C 1 C 0 C RESULTADOS POSIBLES μ = n.p = 1 . 0,5 = 0,5 μ = n.p = 2 . 0,5 = 1 μ = n.p = 3 . 0,5 = 1,5 μ = n.p = 4 . 0,5 = 2 μ = n.p = 5 . 0,5 = 2,5 μ = n.p = 10 . 0,5 = 5 μ = n.p = 20 . 0,5 = 10 n= 10 0 0,05 0,1 0,15 0,2 0,25 0,3 0,35 1 0 M 9 M 8 M 7 M 6 M 5 M 4 M 3 M 2 M 1 M 0 M RESULTADOS POSIBLES n= 5 0 0 ,0 5 0 ,1 0 ,15 0 ,2 0 ,2 5 0 ,3 0 ,3 5 0 ,4 0 ,4 5 5M 4 M 3 M 2 M 1M 0 M R ESU LTA D OS POSIB LES n=4 0 0 ,0 5 0 ,1 0 ,15 0 ,2 0 ,2 5 0 ,3 0 ,3 5 0 ,4 0 ,4 5 4 M 3 M 2 M 1M 0 M R ESU LTA D OS POSIB LES Distribución Binomial n = …. x = …. p = 0,2 q= 1-p = 0,8 xnxxnx qp xnx n qp p n xf !! ! )( Estimar la probabilidad de ocurrencia de obtener múltiplos de 5 en una serie cualquiera de números con un p=0,2 (solo los números terminados en 0 ó 5 sobre 10 eventosposibles), para un n=10, será: n= 1 0 0 ,1 0 ,2 0 ,3 0 ,4 0 ,5 0 ,6 0 ,7 0 ,8 0 ,9 1M 0 M R ESU LT A D OS POSIB LES n= 2 0,00 0,10 0,20 0,30 0,40 0,50 0,60 0,70 2M 1M 0M RESULTADOS POSIBLES n= 3 0 0 ,1 0 ,2 0 ,3 0 ,4 0 ,5 0 ,6 3 M 2 M 1M 0 M R ESU LT A D OS POSIB LES n= 20 0 0,05 0,1 0,15 0,2 0,25 20 M 19 M 18 M 17 M 16 M 15 M 14 M 13 M 12 M 11 M 10 M 9M 8M 7M 6M 5M 4M 3M 2M 1M 0M RESULTADOS POSIBLES Particularidad de la Función Binomial Distribución Binomial Configuración de la distribución binomial: I. Si p = q = 0,50 la distribución binomial siempre será simétrica, independientemente del tamaño de n . II. Si p ≠ q, la distribución será asimétrica, cuando p > q; la asimetría será a la derecha y cuando p < q; la asimetría será a la izquierda. III. Cuando el tamaño de la muestra n tiende al infinito, la distribución binomial toma forma simétrica o normal. Esta particularidad nos permite estimar la probabilidad de una variable binomial mediante la distribución Z iX z Distribución Binomial ¿Qué probabilidad tengo de obtener 3 caras si lanzo 10 veces una moneda? 210 = 1024 eventos posibles 73 5,0.5,0. !7!3 !10 )( xf n= 10; x= 3; n-x= 7; p= 0,5; q = 0,5 = 120 x 0,00098 = 0,1172 iX z μ = n.p = 10*0,5 = 5 σ2 = n.p.q = 10*0,5*0,5 = 2,5 σ = n.p.q = 2, 5 = 1,58 Se calcula el intervalo para el Xi = 3 58,1 55,2 5,2 z = -1,58 58,1 55,3 5,3 z = - 0,95 P (Z -1,58) = …. P (Z -0,95) = …. P (Xi = 3 ) = …. Distribución de Poisson Distribución de Probabilidad Esta distribución resulta aplicable a procesos donde hay una observación por unidad de tiempo o espacio, por ejemplo: N° de llamadas recibidas por minuto, N° de microorganismos por cm3, N° de bovinos tuberculosos por cada 10 que van a faena. Cuando a la unidad de tiempo o espacio la subdividimos en muchas parte (n muy grande), y la probabilidad de que ocurra un evento (éxito) es muy pequeña, entonces estamos ante una distribución de Poisson. Condiciones que debe reunir: Existe un número fijo e infinito de pruebas. Cada una de ellas tiene solo dos resultados posibles; éxito o fracaso. El tamaño de la muestra es muy grande. La probabilidad de éxito es muy pequeña.
Compartir