Escolar Documentos
Profissional Documentos
Cultura Documentos
2.1 DISCRETAS
2.1.2 BINOMIAL
2.1.3 HIPERGEOMETRICA
2.2 CONTINUAS
2.2.1 NORMAL
2.2.2 T STUDENT
2.2.3 CHI CUADRADA
2.2.4 F FISHER
2.2.5 GAMA
2.2.6 WEIBULL
2.3DISTRIBUCION NORMAL COMO APROXIMACION DE LA BINOMIAL
ALUMNO:
DOCENTE:
FECHA DE ENTREGA: 13/04/16
Donde:
m = media de la distribucin
E(x) = valor esperado de x
xi = valores que toma la variable
p(xi) = probabilidad asociada a cada uno de los valores de la variable x
2. Desviacin estndar. Para determinar la desviacin estndar de la distribucin discreta se
utiliza la siguiente frmula:
Donde:
s = desviacin estndar
m = media o valor esperado de x
xi = valores que toma la variable x
p(xi) = probabilidad asociada a cada uno de los valores que toma x
Denotaremos como
entonces:
Observa que
Para identificar un proceso Bernoulli en una serie de pruebas repetidas, se deben verificar tres
condiciones:
px(1p)nx
,x = 0, 1, ..., n
Ejemplo:
Sea el caso de una droga X, con una dosis mortal de 1g/100 ml para cobayos experimentales, en el
25% de los casos. Aplicando esta dosis a cien cobayos se desea saber cunto vale la probabilidad
de que mueran veinte de ellos.
Primero analizaremos si este caso cumple los supuestos bsicos de una distribucin binomial:
Que un cobayo muera con la dosis, no significa que lo har el siguiente ( independencia) pues
no se trata de una epidemia.
La probabilidad de que mueran se mantiene constante a lo largo de la serie de pruebas (p =
0,25).
0.4
La distribucion binomial (existen tablas para consultar las probabili- dades), de todos
modos, cuando el valor de n es suficientemente grande, se puede aproxi- mar una B(n,
p) por una distribucion de Poisson de parametro = np. Esta aproximacion se
considera buena cuando n > 30 y p < 0,1. Ademas, si n > 30 y 0,1 < p < 0,9,
consideraremos buena la aproximacion por una distribucion normal N(np,
,
np(1 p)).
0.04
estabilidad, en el sentido de que el numero de sucesos por unidad de tiempo () permanece constante. Como ejemplos tendramos numero de fallos superficiales en un cable de
red por unidad de tiempo (o por unidad de superficie), espectadores que llegan a la cola de
un cine,... De modo que, considerado un proceso de Poisson, la distribucion de Poisson mide
el numero de sucesos ocurridos en un intervalo.
La formula de la funcion de distribucion de la distribucion de Poisson es:
P (X = ex x! , x = 0, 1, ...
Caractersticas: E(X) = Var(x) = .
Dadas dos variables X Pois(1) e Y Pois(2) la variable X + Y tiene una distribucion
Pois(1 + 2 ).
La distribucion de Poisson se obtiene como lmite de la binomial cuando n y p 0.
Es decir, si repetimos una gran cantidad de veces un proceso con probabilidad muy pequena
de exito, se podra utilizar la distribucion de Poisson para obtener una buena
aproximacion del resultado (notese que la distribucion de Poisson es, en general, mas facil
de calcular que la binomial debido al problema computacional de los numeros combinatorios).
Para identificar un proceso Poisson en una serie de pruebas repetidas, se deben verificar tres
condiciones:
Sucesos puntuales: Los sucesos ocurren dentro de un continuo (espacio o tiempo) y ocupan una parte
infinitesimal del mismo. Es decir, en el espacio un suceso es puntual y en el tiempo es instantneo. En
trminos prcticos, los sucesos no ocupan una parte apreciable del continuo.
Sucesos independientes: La ocurrencia de un suceso en un lugar del continuo no condiciona la
ocurrencia del anterior (o del siguiente) en otra parte del mismo.
Probabilidad constante: La probabilidad de ocurrencia de un suceso en un lugar del continuo es la
misma en todo punto del mismo.
Cuando en un proceso del tipo Bernoulli se desea saber la probabilidad de obtener exactamente x
xitos en un intervalo de tiempo, con un promedio de eventos esperados l , se puede aplicar la frmula
de la probabilidad de Poisson:
X = 0, 1, 2, ., n
e = 2.71828 (es una constante, la base de los logaritmos naturales)
Veamos el siguiente ejemplo:
Supongamos que estamos investigando la seguridad de una peligrosa inteleccin de calles,
los registros policacos indican una media de 5 accidentes mensuales en esta interseccin.
El departamento de seguridad vial desea que calculemos la probabilidad de que en cualquier mes
ocurran exactamente 3 accidentes
Analizando el problema, este situacin se ajusta a un proceso de Poisson, hay una secuencia de
llegada (por ms que exista un choque mltiple, siempre hay uno que choca primero). Tenemos la
siguiente informacin:
l = 5 accidentes por mes
x = 3 accidentes por mes
Aplicando la frmula de la probabilidad de Poisson:
Este modelo presenta similitudes con el Binomial, pero sin la suposicin de independencia de ste
ltimo. Vemoslo:
N = N1 + N2
Si del conjunto anterior extraemos n individuos sin reemplazamiento (n N), la variable X que
representa el nmero k de individuos que pertenecen a la categora A (de los n extrados) tiene
por funcin de densidad:
Propiedades:
1) Esperanza: E(X) = n N1 / N 2.
[,2]
3.544463e
-02
1.687840e
-01
3.107159e
-01
2.882003e
-01
1.471022e
-01
4.236544e
-02
6.789333e
-03
5.747584e
-04
2.309297e
-05
3.539153e
-07
1.179718e
-09
2.2
Distribucin continua
1.- Media o valor esperado de x.- Para calcular la media de una distribucin de probabilidad
continua se utiliza la siguiente frmula:
Donde:
= E(x) = media o valor esperado de la distribucin
x = variable aleatoria continua
f(x) = funcin de densidad de la distribucin de probabilidad
luego:
Ejemplos:
1. Para la siguiente funcin,
cuando 0 x 3 ,
a)
Diga si esta funcin nos define una distribucin de probabilidad.
b)
Si la funcin define una distribucin de probabilidad, entonces, determine su media y
desviacin estndar.
c)
Determine la probabilidad de que 1 x 2.
Solucin:
a)
Para verificar que la funcin nos define una distribucin de probabilidad, es necesario
que cumpla con las caractersticas que se haban mencionado.
1.
x s es una variable continua porque puede tomar cualquier valor entre 0 y 3
2.
f(x) 0, lo que se comprueba si damos diferentes valores a x para ver que valores toma
f(x), dndonos cuenta de que efectivamente f(x) solo toma valores mayores o iguales a cero.
x
0
f(x)
0.0
0.
5
1.
0
1.
4
2.
1
2.
7
3.
0
0.0277
8
0.1111
1
0.2177
8
0.49
0.81
1.0
3.
Para comprobar que la sumatoria de las probabilidades que toma cada
de 1, se integra la funcin de 0 a 3 como se muestra a continuacin:
valor de x es
0.0 0.2
0.3
n de densidad:
(x) =
f
2
Una variable aleatoria continua, X, sigue una distribucin normal de media ydesviacin tpica ,
y se designa por N(, ), si se cumplen las siguientes condiciones:
1. La variable puede tomar cualquier valor: (-, +)
2. La funcin de densidad, es la expresin en trminos de ecuacin matemtica de la curva de
Gauss:
unidad.
Al ser simtrica respecto al eje que pasa por x = , deja un rea igual a 0.5 a la izquierda y otra
igual a 0.5 a la derecha.
La probabilidad equivale al rea encerrada bajo la curva.
p( - < X + ) = 0.6826 = 68.26 %
p( - 2 < X + 2) = 0.954 = 95.4 %
p( - 3 < X + 3) = 0.997 = 99.7 %
Cuando n es mayor que 30, la diferencia entre la normal y la distribucin t de Student no suele ser
muy importante. En la imagen podemos ver varios ejemplos de funciones de distribucin acumulada.
En Probabilidades en Distribuciones t-Student puedes ver una comparacin ms precisa entre las
distribuciones t-Student y la normal estndar.
En el applet podemos ver varios ejemplos de distribucin t de Student junto con la normal estndar.
Se aprecia cmo cuando el parmetro es 25 la distribucin es muy parecida a la normal estndar.
, el estadstico:
tiene una distribucin muestral que es una distribucin ji-cuadrada con gl=n-1 grados de libertad y
se denota X2 (X es la minscula de la letra griega ji). El estadstico ji-cuadrada esta dado por:
la varianza de la poblacin de
donde se extrajo la muestra. El estadstico ji-cuadrada tambin se puede dar con la siguiente
expresin:
para x>0
La tabla que se utilizar para estos apuntes es la del libro de probabilidad y estadstica de Walpole, la
cual da valores crticos
misma tabla.
Clculo de Probabilidad
El clculo de probabilidad en una distribucin muestral de varianzas nos sirve para saber como se va
a comportar la varianza o desviacin estndar en una muestra que proviene de una distribucin
normal.
Ejemplos.
Ji- cuadrado como prueba de asociacin
Supongamos que un investigador est interesado en evaluar la asociacin entre uso de cinturn de
seguridad en vehculos particulares y el nivel socioeconmico del conductor del vehculo. Con este
objeto se toma una muestra de conductores a quienes se clasifica en una tabla de asociacin,
encontrando los siguientes resultados:
Uso de Nivel
Nivel
Nivel
TOTA
cintur socioeconmi
socioeconmi
socioeconmi
n
SI
NO
TOTAL
co medio
15
16
31
co alto
28
14
42
51
43
94
co bajo
8
13
21
El
uso
de
cinturn
de
seguridad
es
independiente
del
nivel
socioeconmico.
Las frecuencias esperadas se obtendrn de la distribucin de frecuencias del total de los casos, 51
personas de un total de 94 usan el cinturn y 43 de 94 no lo usan. Esa misma proporcin se debera
dar al interior de los tres grupos de nivel socioeconmico, de manera que el clculo responde al
siguiente razonamiento: si de 94 personas 51 usan cinturn; de 21 personas, cuntas debieran
usarlo?
La respuesta a esta pregunta se obtiene aplicando la regla de tres y es 11,4. Este procedimiento
debe repetirse con todas las frecuencias del interior de la tabla.
El detalle de los clculos es el siguiente:
Nivel
bajo:
(21x51/94)=11,4-(21x43/94)=9,6
Nivel
medio:
(31x51/94)=16,8-(31x43/94)=14,2
Nivel bajo
11,4
9,6
21
Nivel medio
16,8
14,2
31
Nivel alto
22,8
19,2
42
TOTAL
51
43
94
Entonces
procedimiento de problemas anteriores (paso 4), debemos comparar con un valor de la tabla de
probabilidades para ji-cuadrado (x2).
Esta tabla es muy parecida a la tabla t de student, pero tiene slo valores positivos porque ji-cuadrado
slo da resultados positivos. Vase grfico 1, que muestra la forma de la curva, con valores desde 0
hasta infinito.
Grfico 1.
Dado que el estadstico ji cuadrado slo toma valores positivos, la zona de rechazo de la hiptesis
nula siempre estar del lado derecho de la curva.
su vez, por sus correspondientes grados de libertad tendremos que la funcin F corresponde a una
distribucin F de Snedecor con m y n grados de libertad ; es decir una
Queda claro por tanto que la distribucin F de Snedecor tiene dos parmetros , que son m y n ; grados
de libertad del numerador , grados de libertad del denominador.
Dado que se trata de un cociente entre dos chi2 su forma (grfica de la funcin de densidad)ser
parecida a la de sta distribucin , por lo que estar slo definida para el campo positivo de la variable
la media de la distribucin es
Lgicamente si
su inversa
lo que ayuda al clculo de probabilidades para
distintos valores de la variable mediante la utilizacin de tablas , caso que no es el nuestro pues estos
losrealizamos mediante un programa que incluimos , no obstante ,a modo de ejemplo , plantemos:
Si X
Luego
luego
dado que :
una
luego una :
siendo
una
una
2.2.5Distribucion gamma
Es una generalizacion de la distribucion exponencial.
Llamaremos funcion gamma a: (p) =
p1 x
0 x
e dx, y tiene las siguientes propiedades:
3. (1/2) = .
Este modelo es una generalizacin del modelo Exponencial ya que, en ocasiones, se utiliza para
modelar variables que describen el tiempo hasta que se produce p veces un determinado suceso.
Su funcin de densidad es de la forma:
Como vemos, este modelo depende de dos parmetros positivos: y p. La funcin (p) es la
denominada funcin Gamma de Euler que representa la siguiente integral:
esperanza
2. Su
es
p.
es p2
varianza
Exponencial
es
un
caso
particular
de
la
Gamma
con p =1
X + Y ~ G(, p1 + p2).
Una consecuencia inmediata de esta propiedad es que, si tenemos k variables aleatorias con
distribucin Exponencial de parmetro (comn) e independientes, la suma de todas ellas seguir
una distribucin G(, k).
Se trata de un modelo continuo asociado a variables del tipo tiempo de vida, tiempo hasta que un
mecanismo falla, etc. La funcin de densidad de este modelo viene dada por:
que, como vemos, depende de dos parmetros: > 0 y > 0, donde es un parmetro de escala y
es un parmetro de forma (lo que proporciona una gran flexibilidad a este modelo).
La funcin de distribucin se obtiene por la integracin de la funcin de densidad y vale:
1 Su varianza vale:
1 Su varianza vale:
la
distribucin
binomial,
con
resultados
altamente
satisfactorios.
Sea X una variable aleatoria con distribucin binomial, si n es grande, 0 < p < 1, la distribucin
binomial se puede aproximar a la distribucin normal con media = np y varianza =npq
.La distribucin normal tiene como fdp,
El teorema de Moivre (1.756) permite realizar esta aproximacin considerando p=q=1/2 que las
variables aleatorias sigan una distribucin binomial con: Este teorema fue generalizado
posteriormente por Laplace en 1.810 para distribuciones no simtricas pq .
Vimos que la variable aleatoria binomial era el nmero de xitos que tienen lugar cuando se
realizan nrepeticiones independientes de un experimento o prueba de Bernoulli.
La variable aleatoria x puede escribirse como la suma de n variables aleatorias de Bernoulli:
Es decir: xN(np,npq)
En la prctica, decir que n es lo suficientemente grande, se traduce en:
Lo que se hace es aproximar una distribucin discreta, como es la binomial, a una distribucin normal
que es continua, y ya que en el caso continuo la probabilidad o masa asociada a un valor concreto de
la variable aleatoria es nulo, tendremos que utilizar la correccin de continuidad de Fisher para
calcular la probabilidad deseada:
Probabilidad
en
(n,p) Correccin
de
continuidad..
P(X=x)
P(x-1/2<X<x+1/2)
P(X<X<b)
P(a-1/2<x<b+1/2)
P(X<x)
P(X<x+1/2)
PX>x)
P(X>x-1/2)