Beruflich Dokumente
Kultur Dokumente
FUNCION Y GRAFICA
1. VARIABLES ALEATORIAS DISCRETAS:
, su funcin de
probabilidad es
Su media estadstica es
y su varianza
Ejemplos:
Para un dado perfecto, todos los resultados tienen la misma probabilidad 1/6. Luego, la
probabilidad de que al lanzarlo caiga 4 es 1/6.
Para una moneda perfecta, todos los resultados tienen la misma probabilidad 1/2. Luego, la
probabilidad de que al lanzarla caiga cara es 1/2.
Para representar que una variable aleatoria X sigue una distribucin binomial de parmetros n y p,
se escribe:
Caractersticas:
Su funcin de probabilidad es
Donde
Siendo
de en )
las combinaciones de
en
elementos tomados
Ejemplo:
Supongamos que se lanza un dado (con 6 caras) 50 veces y queremos conocer la probabilidad de
que el nmero 3 salga 20 veces. En este caso tenemos una X ~ B(50, 1/6) y la probabilidad sera
P(X=20):
Donde:
X1 = x1: indica que el suceso X1 aparezca x1 veces (en el ejemplo, que el partido POPO lo hayan
votado 3 personas)
n: indica el nmero de veces que se ha repetido el suceso (en el ejemplo, 5 veces)
n!: es factorial de n (en el ejemplo: 5 * 4 * 3 * 2 * 1)
p1: es la probabilidad del suceso X1 (en el ejemplo, el 40%)
Veamos el ejemplo:
Luego: P = 0,0256
Es decir, que la probabilidad de que las 5 personas elegidas hayan votado de esta manera es tan
slo del 2,56%
Nota: 0! es igual a 1, y cualquier nmero elevado a 0 es tambin igual a 1
En una urna hay bolas de dos colores (blancas y negras), cul es la probabilidad de que al sacar 2
bolas las dos sean blancas?
Son experimentos donde, al igual que en la distribucin binomial, en cada ensayo hay tan slo dos
posibles resultados: o sale blanca o no sale. Pero se diferencia de la distribucin binomial en que los
distintos ensayos son dependientes entre s:
Si en una urna con 5 bolas blancas y 3 negras en un primer ensayo saco una bola blanca, en el
segundo ensayo hay una bola blanca menos por lo que las probabilidades son diferentes (hay
dependencia entre los distintos ensayos).
La distribucin hipergeomtrica sigue el siguiente modelo:
Donde:
Ejemplo: en una urna hay 7 bolas blancas y 5 negras. Se sacan 4 bolas Cul es la probabilidad de
que 3 sean blancas?
Entonces:
N = 12; N1 = 7; N2 = 5; k = 3; n = 4
Si aplicamos el modelo:
Por lo tanto, P (x = 3) = 0,3535. Es decir, la probabilidad de sacar 3 bolas blancas es del 35,3%.
Ejemplo: en una urna hay 7 bolas blancas, 3 verdes y 4 amarillas: cul es la probabilidad de que al
extraer 3 bolas sea cada una de un color distinto?
La distribucin multihipergeomtrica sigue el siguiente modelo:
Donde:
X1 = x1: indica que el suceso X1 aparezca x1 veces (en el ejemplo, que una de las bolas sea
blanca)
N1: indica el nmero de bolas blancas que hay en la urna (en el ejemplo, 7 bolas)
N: es el nmero total de bolas en la urna (en el ejemplo, 14 bolas)
n: es el nmero total de bolas que se extraen (en el ejemplo, 3 bolas)
ejemplo:
Luego:
P = 0,2307
Es decir, que la probabilidad de sacar una bola de cada color es del 23,07%
Donde:
k es el nmero de ocurrencias del evento o fenmeno (la funcin nos da la probabilidad de que
el evento suceda precisamente k veces).
es un parmetro positivo que representa el nmero de veces que se espera que ocurra el
fenmeno durante un intervalo dado. Por ejemplo, si el suceso estudiado tiene lugar en
promedio 4 veces por minuto y estamos interesados en la probabilidad de que ocurra k veces
dentro de un intervalo de 10 minutos, usaremos un modelo de distribucin de Poisson con =
104 = 40.
Ejemplo:
La probabilidad de tener un accidente de trfico es de 0,02 cada vez que se viaja, si se realizan 300
viajes, cul es la probabilidad de tener 3 accidentes?
Como la probabilidad " p " es menor que 0,1, y el producto " n * p " es menor que 10, entonces
El eje horizontal es el ndice k. La funcin solamente est definida en valores enteros de k. Las
lneas que conectan los puntos son solo guas para el ojo y no indican continuidad.
Esta distribucin de caracteriza porque los valores se distribuyen formando una campana de
Gauss, en torno a un valor central que coincide con el valor medio de la distribucin:
Un 50% de los valores estn a la derecha de este valor central y otro 50% a la izquierda
Esta distribucin viene definida por dos parmetros:
X: N (m, s 2)
m:es el valor medio de la distribucin y es precisamente donde se sita el centro de la curva (de la
campana de Gauss).
s2 : es la varianza. Indica si los valores estn ms o menos alejados del valor central: si la varianza
es baja los valores estn prximos a la media; si es alta, entonces los valores estn muy dispersos.
Cuando la media de la distribucin es 0 y la varianza es 1se denomina "normal tipificada", y su
ventaja reside en que hay tablas donde se recoge la probabilidad acumulada para cada punto de la
curva de esta distribucin.
Adems, toda distribucin normal se puede transformar en una normal tipificada:
Ejemplo: una variable aleatoria sigue el modelo de una distribucin normal con media 10 y varianza
4. Transformarla en una normal tipificada.
X: N (10, 4)
Para transformarla en una normal tipificada se crea una nueva variable (Y) que ser igual a la
anterior (X) menos su media y dividida por su desviacin tpica (que es la raz cuadrada de la
varianza)
Esta nueva variable se distribuye como una normal tipificada, permitindonos, por tanto, conocer la
probabilidad acumulada en cada valor.
Y: N (0, 1)
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 est 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
determina
a su derecha un rea de
Ejemplos:
Suponga que los tiempos requeridos por un cierto autobs para alcanzar un de sus destinos en una
ciudad grande forman una distribucin normal con una desviacin estndar
=1 minuto. Si se elige
al azar una muestra de 17 tiempos, encuentre la probabilidad de que la varianza muestral sea mayor
que 2.
Solucin:
Primero se encontrar el valor de ji-cuadrada correspondiente a s2=2 como sigue:
10
La
11
Ejercicio
Un fabricante de focos afirma que su producto durar un promedio de 500 horas de trabajo. Para
conservar este promedio esta persona verifica 25 focos cada mes. Si el valor y calculado cae entre
t 0.05 y t 0.05, l se encuentra satisfecho con esta afirmacin. Qu conclusin deber l sacar de
una muestra de 25 focos cuya duracin fue?:
12
a 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
13
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 (grafica de la funcin de la densidad) ser
parecida a la de sta distribucin, por lo que estar slo definida para el campo positivo de la
variable y su apariencia variar segn los grados de libertad; estando ms prxima la densidad de
probabilidad a los valores prximos a cero de la variable, cuando los grados de libertad (sus
parmetros) sean bajos.
la funcin gamma de
Euler.
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
14
pues estos los realizamos mediante un programa que concluimos, no obstante ,a modo de ejemplo ,
plantemos:
Si X
Luego
luego
Siendo una:
una:
Que bajo la hiptesis nula sigue una distribucin F-Snedecor siendo gln los grados de libertad del
numerador y gld los grados de libertad del denominador. En el caso de no poder rechazar la
hiptesis nula (p-valor > 0.05) se considera que las dos varianzas son iguales (homogneas).
15
16
Donde,
17
De forma que,
18