Beruflich Dokumente
Kultur Dokumente
v'
VARIABLE ALEATORIA
lt
de
La definicin formal de variable aleatoria requiere de ciertos conocimientos profundos
produce un
experimento aleatorio
que
Matemticamente, cualquier funcin (frmula, relacin de correspondencia)
permite encontrar las probabilidades para cada uno de los valores que produce un
aleatoias continuas-
d. Toda funcin F(X), que tiene la propiedad de transformar una variable nominal o
o cuantitativa, como producto de asignar valores
numricos a los eventos que tales variables generan'
parto"' El
Supngase el experimento "atender dos parturientas primerizas para un proceso de
espacio muestral, esto es, el conjunto de resultados'compuestos posibles asociados al
'1 = parto va
vaginal, sera:
*Si
la parturenta y
en
----+
que toma la VA, tal que asocia, a un espacio muestral S, un valor numrico que se encuentra
puede,
observar que:
:':"
ll
or,:"s
muestrales
tt
CC
luego, como el rango de esta funcin est dentro del conjunto de los nmeros reales R, esto es
R(,) = {0,
Obseruacin:
Si se pueden conocer todos los valores que puede tomar una variable aleatoria, y adems
tenemos (conocemos o se puede determinar) la probabilidad de cada uno de esos valores, y
estos valores los podemos representar mediante una tabla, grfico o frmula, se dice entonces
de
la
tabla, grfioo o frmula gue presenta de manera ordenada el compoftamiento de todas las
probabilidades para cada uno de los eventos que produce la variable aleatoria
Tomando esto como punto de partida analicemos como ejemplo el siguiente experimento ya
conocido: el lanzamiento de una moneda.
Como se recordar encontrar la probabilidad de obtener una cara sera fcil como producto de
aplicar una definicin clsica de probabilidades, esto es P(A) = Y, = 0.5 = 50o/o, pero Qu
pasara si ahora en vez de lanzar una moned a lanzramos 4 de ellas, y en vez de observar una
cara estuvisemos interesados en observar 2?
Por quienes estara conformado el espacio muestral?. A fin de visualizar mejor los resultados
elaboremos un diagrama de rbol, y pongamos atencin a las siguientes observaciones:
nt
^----::
a"
^\
/
--------*
------^ I ;
>
--
a\
--------+
t::
B --------
)fa
---+'
::
4C2=
ABE
->
_____-__>
.A83
asq
->
4C1=4
=:ii:.A
--------t>
BAAB
B ____+ BBBB
Luego, P(2A) = 6/16 = 3/8 = 0.375 = 37
4C0 =
-5o/o
Pues, todaa se ve fcil, pero, Qu pasara si en.lugar de 4,rfueran 10, 20, 100'monedas
ms?, Cmo podramos n"ontr las probabilidades i se deseara observar 4,7 ms caras?
Una solucin podra facilitarse si pudisemos conocer corno se distribuyen sus probabilidag": .
definir lo
porqu?;vemoslo a continuain, no sin antes clasificar,,las variables aleatoriasy
por
distribucin
funcinde
que se ha de entender en probabilidades
.
.
.
de
de
sea
VA(x) la variable que asigna el peso a un neonato; supngase que la normalidad de Ia vaide
oscla entre 5.75
.
.
.
FUNCIN DE DISTRIBUCIN
Cuando para cluna de las anteriores variables es posible encontrar todos los valores ge
asumen las mismas, o bien es posible definr una funcin que permitiese conocer o determkr
dichos valores, y se ordenan estos en una tabla de frecueneias o en una grfica, a tal funrtb,
que muestra el comportamiento ordenado de las probabilidades que tienen cada uno de b
eventos mutuamente excluyentes que produce la variable aleatoria, se le conoce dffi
distribucin de probabilidad, la cual recibe alavez diferente nombre en funcin de si la varide
a)
funcin de masa o cuanta es aquella funcin que recoge todos los valores que aslm
una VAD, o
una furt
de densidad es aquella funcin que recoge todos los valores que se asocian a una Vl
rRMtulR
or tR otsrRteuctN oe pnoeegrlloRors
F{i:}- ]t.,,'(ll
f -:q
.!
I
r'1
\'-l
Ir
./,--'*
t'i
''
'''
No es ms que una tabla que presenta el ordenamiento de las probabilidades de todos los
eventos mutuamente excluyentes que puede asumir una variable aleatoria, asociada a un
experimento aleatorio, y que permite determinar cul es el comportamiento de la variable
(espacio muestral o poblacin) en funcin de las probabilidades. Esto es impodante, ya que
iignifica que"si pudiramos conocer el compodamiento de una poblacin en trminos. de las
protraUitiOades, entonces podramos calcular las probabilidades para un subconjunto de valores
(muestra) que se derivaran de ella. Para comprenderlo mejor volvamos a nuestro caso
Qu pasara si quisiramos encontrar las probabilidades para cada uno de los eventos?
hacindolo y ordenndolas tendramos los siguientes resultados
Pm
P(E)
t/16
P(c)
6
NO
Caras
1
4t16
6t16
4116
1116
totai
16
1.00
observaciones
@o
* t",
esmsque
1a
smatoriade lafucin
de
r(,)- I
3
2
f "-:<
(i)
(
uniform. I'r')
1
il
Significa que todos los puntos muestrales iienen igual probabilidad de ocurrir, ejem. En el lanzamiento de
un dado, o el lanzamiento de una moneda, o l contestar una pregunta de seleccin mltiple, o la
orobabilidad de un sujeto de pertenecer a determinado grupo sanguneo.
r'i. r', !'
it)'',,
f:"-'
S la rrobabilidad para un evento puede ser determinada a partir de sio dos posibles resultados, uno de
:s cuales denominaremos probabilidad de xito, y al otro probabilidad de frecaso' Ejem' Determinar
t.: ;i muestra la probabilidad de encontrar determinado grupo sanguneo sabiendo que en la
:
-. =:'..
O=50%
i:"':
j"{i *
l''
-'lrj":!-*''-
Importante, en elaso de la probabilidad binomial, para determinar ei orden en que pueden ocqrrir las
I
probabildad". parh un punto muestral o evento especiico
i
Distribucin de probabilidad de Poisson
(I::
))
-_.\r:
- -n
'
podramos decir, cundo n tiende a infinito) y un pequeo valor de variable aleatoria con una
probabitidad muy pequea (matemticamente, se podra decir, cuando P tiende a cero)
Distribucin de probabilidad
Geomtricali"i
- l'i - i1-pJ"-tF
i:jl"-l)
c.r'1'1 - ' ,: iI-)
ts'ii :;'-r:
Distribucin de probabilidad
Zeta
\r.-r
'
LA DISTRIBUCIN BINOMIAL
La distribucin binomial es una distribucin de probabilidad discreta del nmero de xitos en
una secuencia de "n" experimentos independientes, cada uno de los'cuales tiene probabilidad
"P" de ocurrir. La funcin de masa para la distribucin de probabilidad binomial viene dada por:
P(Y=y)=nCy.PY.Qn-Y
PERO, En qu consiste el Experimento Binomial?
La variable aleatoria binomial y su distribucin estn basadas en un experimento que satisface
las siguientes condicionesl
Los intentos son idnticos, y cada uno de ellos puede resultar en dos posibles resultados,
que se denotan por xito (P) o fracaso lq ) fuego (P(P)+e1q=1
Por lo tanto, si un problema que requiere del clculo de probabilidades puede plantearse en
estos trminos, su solucin podra obtenerse por medio de la frmula de Bernoulli, POR
EMPLO, para el caso del experimento de la moneda, si por alguna razn se deseara encontrar
la probabilidad de sacar 5 caras y 7 coronas en 12 lanzamientos, ipodra hacerse por un anlisis
Binomial? iPorqu? Pues porque revisando las caractersticas se puede observar que:
-.
2.- los ensayos (e>lperimentos) seran idnticos: "lanzar una moneda a lo Yez",lo.u|f ,-sb podra dar{-Z resultados: o cae cara o NO cae cara, siendo P='tae cara" , el exlto
y e = "cae corona, o NO cara" elfracaso... en este punto es imPortante,aclarar qY:-"[
quien
xito o fracaso viene definido por el evento de inters, y/o por el investigador,
qu,
y
fracaso
a
previamente ha de.deterrninai a qu suceso le llamar xito
!
I
que el
3.- los ensayos son idnticos (lanzar una monedatras otra) pero el hecho de
ser'cara,
tambin
nz
resultado de un "t''t1" sea ciru,no implica que et.resultado de un
que
no indica
o ser afectado, esto es: tenga ms o menos probabilidad de ocurrir lo
que los ensayos son independientes, y por ltirno
4.- la probabilidad de xito es constaate, ya que dado.'que slo puede caer cara o corona,
la
entonces p{=1v, = 0.5 ( a este respecto s important hacer notar que no siempre
la
pulqe
dada'por
ser
que
esta
sino
ilb;bil''drd.. *to viene d.ada por.la.piobabilidad,csca,
'incluso,
por la probabilidad emprica o
probabilidad frecuencial observada. ,dei fenmeno o
personal; en este sentido, ta probabilidad de.xito puede ser.obtenida por:
a)
b)
c)
d)
e)
Referencia estadistica
Sondeo o estudio Piloto.
Planteamiento de hiPotesis .
Probabilidad clsica usando Mtodos de conteo
Asuncin o presuncin de P=Q
Otras formas (determinacin a partir de indicadores, etc')
la
Solucin: extrayendo los datos tenemos que n -- 12;y = 5 y P = 0.5, entonces aplicando
frmula de Bernoulli:
{i: ll{,tJ.I:i
: (::irlriiqr -
La media
H
1 ,t,;
-?- -
0.193359375
y Ia varian za
= nP; o
. H=12(0.5)=6 Y
o=12(0.5X0'S)=S
a)
se
ieu probabilidad hay que al tomar una muestra de 15 seoritas que desertaron del estudio
observe que:
c)
Ahora bien, iQu pasara si en vez de tomar un muestra de 15, tornsemos como obsenmin
las 600 que ingresan en "Y" facultad, y que se sabe que slo el 3.5olo de las estudiantes &F de
estudiar como consecL.lencia de un embarazo? Que Ia binomial ya,no nos es tan til ni v# su
clculo, por lo que la probabilidad es mejor calcularla a partir de Ia distribucin de Poissoqpero
Qu es !a distribucin de Poisson?, vemoslo a continuacin
LA DISTRIBUCIN DE POISSON
En teora de probabilidad
ocurriendo & un
tiempo fijo si estos eventos ocuren con una tasa media conocida, y' son independier& del
t3
'f(h'h)
la
_..
-Ir[:
.
: t*-'
: A;
-\a
"o
v:
-'
: I
I
o
es elfactorial de k,
intervalo dado. Por ejemplo, si los eventos ocurren de media iada 4 minutos, y *est
interesado en el nmero de eventos ocurriendo en un intervalo de 10 minutos, seumra
como modelo una distribucin de Poisson con
Por eiemplo, si 2% de los nios en cierta unidad de salud adquieren X problema de *d,
obtngase la probabilidad de que 5 de 400 nios atendidos en esa u.nidad de salud terqm el
problema de salud X.
Solucin: dado que el nmero de ocurrencias del evento es k = 5, mientras que el rxitero
esperado de veces que ocurra como promedio el evento es l. = nP = 400(0.02) = 8; entormm, la
probabilidad segn Poisson sera:
r,r j
1 I
'flJ"
t!
'r i /L
ir -
r.
_ \ , I'
/t
A'l '
-
v sustltuvendo valores
ji:r,r-.-'ir''!' L-- :
,--'_1
r.*
0.g1G3661
Ejemplo de aplicacin: solucionemos ahora nuestro anterior problema de par:tida para el tema,
esto es: eQu probabilidad habra, en el caso de las univeriitarias que abandonan sus estudios
como consecuencia de embarazo, que 10 de las 600 que ingresan::en "y" facultad, se observe
que deien de estudiar por tal motivo, dado que un nuevo eptudio poblacional,indique que solo el
3.5olo de la poblacin lo hace por causa del embarazo de la$estudiante?
Ahora K = 10, y como puede calcular I = np = 600(0.035\ = 21; luego:
p(l0;21) :2110 e'' ll}t: 0.003485345168
P(I0;21) :0.3s%
La distribucin de Poisson puede ser vista como un caso limitante de la distribucin binomial, es
-+ oc y P -+ 0 se puede aproximar
por. una
,2,3,...
una rea determinada). Eiennplos de eventos que pueden ser modelados por estatdistribucirin
seran:
'
.
.
.
.
.
.
El nmero de autos que pasan a travs de un cierto punto en una ruta (suf,cientemente distantes de
los semforos) durante un periodo definido de tiempo.
El nmero de errores de ortografia que uno comete al escribir una nica pgna.
El nmero de llamadas telefnicas efl una central telefonica por minuto.
El nmero de animales muertos enconkados por unidad de longitud de ruta.
Elnmero de mutaciones de determinada cadena de ADN despus de cierta cantidad de radiacin.
El nmero de eskellas en un deteminado volumen de espacio.
La distribucin de receptores visuales en la retina del ojo humano.
ntrRtoRlas coNrlt{uRs
Como distribucin de probabildad, estamos siempre ante una tabla, frmula o una grfica que
nos proporciona probabilidades o frecuencas relativas; la dferencia reside en que ahora no
hablamos de la probabilidad de un punto o valor, sino de la probabilidad de un valor o punto
entre dos puntos o valores cualesquiera.
Se denomina DlsrRlBUCtN DE vARIABLE coNTtNUA a aquella que puede tomar cualquiera
de los infinitos valores existentes dentro de un intervalo. En el caso de variable continua la
distribucin de probabilidad es Ia integral de la funcin de densidad, por to que tenemos
entonces que:
r:
- I lr, ,,,
I
--
+..E
i!
siguientes:'
Las distribuciones de variable continua nrs lnrportantes son las
.
'.
.
.
.
"
'
'
"
.
Distqibucir uiforme
Distilhbucin normal (o de gauss)
Distribucin gamma
DistribucinexPonencial
Distribucin Pareto
Distribucinji-cuadrada
Distribucin t de Srudent I
Distribucin LaPlace I
Dist'il;ucin beta
Distril-rucin de CauchY
Distribucin F de Snedecor-Fisher
por:
i,._,.i1
-;- =r
irt*
:r\"';r
.
.
.
n
.
ESTANDARIZACIN DE LA DISTRIBUC
(origen de la distribucin normal)
poco de historia' Realrnente' fue un
Para una meior comprensin de este tema, partamos de un
ecuacin: la ley normal
trabajo de ms de 200 aos para descubrirla y establecer su
de Gauss' famoso
La distribucin normat se Conoce como la curva de Gauss o campana
de un estadstico francs del
rnatemtico aremn der sigro 1g. su origen viene de ra observacin
,i; I
i: L/
il istriburid"n Einsmial
'i.:
i:tri
bu cid
,..
n E inc m il
.r.:
:.:
d-
:ii
f
istribucidn Einumil
'r.li.:.i
!.
;: .-
que ocurra e[En los grficos presentados, la altura de cada barra representa la probabilidad de
(hemos cogido,
evento (sale "cara" al lanzar una moneda) de N veces que lanzamos la moneda
"carall' allanzarla
N=2; N=4; N=12). Si la moneda no est trucad, la probabilidad de que'salga
es del 50% (p=S,5). Este fenmeno sigue una distribucin conocida como la Binomial-
que se define,
De Moivre explic que si pudiramos encontrar una ecuacin para la'curva
"x", (o
entonces se solucionara ms fcilmenie el clculo:de. probabilidades de que"aparezca
que esta
,.caras")
al lanzar N veces una moneda. y eso fue una de sus metas sin imaginar
ms
anlisis
peculiar forma de campana tambn se haba detectado; en el siglo 17, por Galileo en el
la instrumentacin
de enores de medicin de observaciones astronmica$ errores atribuibles a
normal.
1808 y Gauss
Dos maiemticos establecieron de manera independiente su frmula: Adrian en
en 1g0g quien fue el que al final dio su nombre a la ms famosa de las distribuciones
y que presenta unas
estadsticas ya que numerosos fenmenos naturales se ajustan a ella
estos
propiedades Sumamente interesantes. Pero, Qu fue Io que en realidad determinaron
'\
"!
cori'esponden a hs
frecuencias de la ocui-rencia,ie los valores de la variable entre las fronteras en ia escala hor-izonta!So
fS
Al
hacer-
\
Donde:
fl
+ f2 + ..... + 16
Cr, Cz,
frecuetrcias absolutas
fA
Al, A2"........A6 :
il
D
reas corresponilientes a
cada clase
fl
OCrCC:GCsC
La frecuencia relativa de la ocurrencia de los valores especificados vendr dada por la proporcifrr&l
rea total def histograma que cae entre esos puntos. En otras palabras las frecuencias relativasrya
cada clase representan una proporcin del histograma, o sea: A = fx C y como:
A = A1 + A2 + .... + A6, pero del grfico se puede ver gue A =fixC, por lo que sustituyendo, tenemos que:
Ar = flxC
f2xC+ .... + f6xC, que escrito abreviadamente usando la definicin de sumatoria, nos&:
Ar=CIfi,ycomoIfi=F,entoncesAr=CF,porloquefinalmente,paraunaproporcin(frecuxia
relativa de rea) de A, por ejemplo A1 se puede ver que:
A1
lAr
=hlF =fr.
esdecir
= ff. =fJF
fJF
d
Ahora bien, un anlisis final se puede hacer, y es el hecho de que a medida en que se aumorte
&
nmero de intervalos hacia el infinito, reducindose su ancho de clase, y aumentando el nmero
valores de la variable, el histograma tomar la forma de una curva suave, ver figuras siguientes:
i
lrrt'jtttr:r
t"- -.--"_."
:r
1t
\4
iLl
,'
j:
i-:
t.i.
--*--"_t
i
i
:t
r..'
:
I
',i
-^--
;il i
,.i
y que son el tipo de grfica que reflejan generalmente las distribuciones de variables aleatorias continuas
con tendencia'normal por ejemplo, la estatura de una poblacin
:':
nii
Sobre estos tipos de distribucin que tienen tendencia normal, podemos sacar algunas conclusiones
importantes:
a)
Son simtricas respecto de su media, por lo tanto la media, la mediana y la nnoda son
iguales,
b)
y
horizontaL es iguat a 1, por cuanto se trata de una distribucin de probabilidades
porque fr = /N
fr
y
(ab)= A , probabilidad de que ocurran los valores comprendidos entrea b
i'rr:
-L-#
si
Dado lo anterior se puede afirmar que la "curya noi'mal" queda deflnida entonces por los
parmetros p y o, y de acuerdo a esta ltima caracterstica tendremos una familia de
(ver figura) , en donde .r despiaza la curva hacia la derecha cuando
distribucion"5,'""gn
"as
rA
i.. ;
crece (asimeira); y o la hace ms achatada cuando crece (curtosis), luego cuando t=0 y o=1,
' tenemos el caso particular de distribucin llamada dlerhucn narnat untat
!
'"
i
i.
it
Frecuentemente, es con la CNU que se obtienen probabilidades para cualquier variable aleatoria
continua en estudio que tenga esta tendencia o comportamiento normal, y en lugar de utilizar la
frmula matemtica (funcin de densidad) se puede recunir a unas tablas en que se nffi
proporcionan las reas bajo la curva normal para un valor definido de "2". Antes de hacerlo y para
hacerlo (calcular probabilidades usando la CNU) es importante aclarar que para convertr una
variable aleatoria X en una variable aleatoria Z, es necesario estandarizar o tipificar los valores
de la Variable X, lo cualse puede hacer procediendo de la siguiente manera:
.-- x-*t
--,
-'\
s:x-o '
=
'i
l't
"J*es""eoi'
se dice entonces, que se ha tipificado o estandarizado la variable X, sisustituimos X en Z,
esto grficamente es:
eje 2" enantrando el rea limitada por las perpendtbulares levanladas en estos puntos, la curua
y el eje horizontaf
Como
"''i:
' -L
t7/)tr '-#
podemos hacer usa de tablas para valores estandarizados, (vase la pgina siguientq): en donde
los interceptos de
Z y a
perpendicular z=0, y la perpendicular levantada a una distancia Z* rea que a su vez representa
las probabihdades de ocurrencia del interualo de valores gue caen entre z=0 y z=zi;
Veamos algunos ejemplos para una mejor comprenstn:
it
"z'
de la distribucin normal unitaria, el rea bajo la curva, por encima del eje
r""
i
2.21
- 1.25 y Z = 2.75
Pasol: hacemos un esquema para visualizar
e1
tea
A2:Az2.75tenemos que:
Paso3:
+ 0.49'702
P:89.131 %
-1-25
aProximadamente
2.75
Solucin del literal c): puesto que los valores dados corresponden a una variable continua X, tendramos
que hacerlo por integrcin, pro dado que ya existe,un modelo estandarizado para una variable
Zien done las probabilidades ya'estn determinadas para cada valor que esta
leatoria
"onnu,
asuma, entonces meior transformamos la variable'aleatoria X a'Variable aleatoria Z, pto""-1f !f
A_
- 1.67y0.06 = -1.1666666.-.
- 1.67y0.06 = 0.50
manera:
, por lo
=-1-17
Luego trasladamos los datos a un esquema de DNU procedemos a realizar el clculo de probabilidades,
esto es:
(1,-l
Ar = 0.57046
Y por lo tanto P(1.6<X<1,7) = 57.05%
i5
:i;
ij
cj
d)
e)
s)
h)
i)
-ilener
r ,o pr*k
'a 'QfledL
bQ,.o"ra.r-\
[Iu"'"\
r\ ri.-,
\.;/
"^oorohnru^r
l*v"
1
"*l'
n o'*A
Lr'g'\d--'h-txt-"P"a (.-.Jo^,-l