Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
MODELOS DE PROBABILIDAD
3_Apuntes de Estadstica II Por tanto, se puede decir que: X=1 ---- P[xito] = p P[ X = 1] = p; X=0 ---- P[fracaso] = 1-p P[ X = 0] = 1 p.
34
En esta distribucin 1-p se suele denotar como q, y tanto la esperanza como la varianza vienen dadas por las siguientes expresiones: E[x] = 1p + 0q = p; V[x] = p p = p (1-p) = p q. Ejemplo: El 10% de los trabajadores del pas est desempleado, Cul es la probabilidad de seleccionar un individuo al azar y est desempleado? X = 1 Desempleado p = 0,1 X = 0 Empleado p(x=1)=0,1 q = 1-p = 1-0,1 = 0,9
xi p (1 p )n xi
x = 1,2,..., n .
Adems, es fcil de comprobar que se verifica que E[x] = np y que V [x] = np(1 p) = npq . Su funcin de distribucin es: 0 F(x)=
x0
n n xi xi
( )p
I =1
(1 p ) n xi
0 xn
x>n
A continuacin podemos ver varios ejemplos de variables que se distribuyen con una Binomial: nmero de caras al lanzar 20 veces una moneda, nmero de aprobados si
Modelos de Probabilidad
35
se presentan 80 alumnos a un examen, nmero de familias con un solo hijo en una poblacin de 120 familias, nmero de reacciones negativas ante un frmaco administrado a 40 pacientes, nmero de accidentes de trfico si han circulado 1200 automviles nmero de semillas que germinan de las 20 semillas que se han plantado en suelos de idntica composicin. Propiedades de la distribucin Binomial: 1. La distribucin Binomial se puede obtener como suma de n variables aleatorias independientes Bernouilli con el mismo parmetro p. 2. Si tenemos dos variables aleatorias que se distribuyen segn una Binomial con el mismo parmetro p, es decir, con la misma probabilidad de xito, X B (n, p ) e Y B ( m, p ) , entonces siempre se verifica
X + Y B ( n + m, p ) .
Si no tienen la misma probabilidad no se pueden sumar. 3. Sea X una variable aleatoria e Y otra variable aleatoria que verifican que X B (n, p ) e Y=X/n, entonces se verifica
Y B (1, p / n)
E[Y ] = p y V [Y ] =
pq . n
xi !
En esta distribucin representa el nmero promedio de ocurrencias en un intervalo de tiempo o en un espacio. Por lo tanto, para esta distribucin se verifica que su esperanza y su varianza son:
E[x ] = , V [x ] = .
y su funcin de distribucin:
36
e
i =1
xi
x>0
Seguidamente se pueden ver varios ejemplos de variables que se distribuyen con una Poisson: Nmero de clientes que llegan a un banco durante una hora o una maana, nmero de defectos en un trozo de material, etc. Sin embargo, de llegar muchos clientes en una determinada franja horaria y pocos en otra, o no estar los defectos igualmente distribuidos en el material, la distribucin de Poisson no sera apropiada. Ejemplo: Una central telefnica recibe una media de 480 llamadas por hora. Si el nmero de llamadas se distribuye segn una Poisson y la central tiene una capacidad para atender a lo sumo 12 llamadas por minuto, cul es la probabilidad de que en un minuto determinado no sea posible dar lnea a todos los clientes? Si definimos X = N de llamadas por minuto entonces X P (8). P (X > 12) = 1 P (X 12) = 1 0,9362 = 0,0638.
f(x)=
a xb
________
Lo ms significativo que vamos a destacar de esta distribucin es que su esperanza viene dada por la expresin: E(x)=
a+b 2
37
0 F(x)=
xa ba
x<a
a xb
x b
Ejemplo: Seleccionamos al azar un nmero real en el intervalo [2, 6] y definimos una variable aleatoria como X=nmero seleccionado. Calcula la probabilidad de que el nmero seleccionado sea menor de 5 y el nmero esperado. En este caso X U ( 2,6); Para calcular la probabilidad lo que hacemos es
P[ X 5] =
2 5 5
1 1 f ( x )dx = dx = dx = 62 4 2 2
5 2 3 x = 4 4 = 4 = 0.75. 42
Esto se poda haber hecho ms rpido con la funcin de distribucin de la siguiente forma:
P[ X 5] = F (5) = x2 52 3 = = 0.75. = ba 62 4
>0
3_Apuntes de Estadstica II
38
donde se verifica que < x < +, es el valor medio de la distribucin y es precisamente donde se sita el centro de la curva (de la campana de Gauss), y es cualquier valor entre y +, si su funcin de densidad viene dada por:
f (x ) =
1 2
(x )
2 2
Cuando la media de la distribucin es 0 y la varianza es 1, se denomina "normal tipificada", y su ventaja reside en que hay tablas, o rutinas de clculo que permiten obtener esos mismos valores, donde se recoge la probabilidad acumulada para cada punto de la curva de esta distribucin. Es se ver con ms detalle en el siguiente apartado. Propiedades: Tiene un parmetro que es la media
E[X ] = .
Tiene otro parmetro que nos da la dispersin.
V [X ] = 2 .
Modelos de Probabilidad
39
Sean dos variables aleatorias normales que se distribuyen X 1 N ( 1 , 1 ), y X 2 N ( 2 , 2 ), se define una nueva variable de la forma Y = X1 + X2, entonces esta nueva variable se distribuye como:
2 Y N ( 1 + 2 , 12 + 2 ).
La importancia de la distribucin normal tipificada es que tiene la ventaja, como ya hemos indicado, de que las probabilidades para cada valor de la curva se encuentran recogidas en una tabla. As, lo que se har es transformar cualquier variable que se distribuya como una normal en una normal tipificada. Para hacer este cambio, se crea una nueva variable Z 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, es decir, X N ( , ); al X siempre se verifica que Z N (0;1); definir la nueva variable Z =
X x P[X x]= < = x . P Z <
40
2 X 2 m , se define una nueva variable de la forma Y = X1 + X2, entonces esta nueva variable se distribuye como:
2 Y n+m
Cuando el nmero de variables aleatorias es muy grande, es decir, cuando n , la variable se puede aproximar por una normal.
se dice que esta se distribuye como una t-Student con n grados de libertad y su funcin de densidad viene dada por:
Modelos de Probabilidad
41
+ ( n2 1 ) n f ( x) = n ( 2 )
t2 1 + n 0
n +1 2
< x < +
Esta distribucin es muy utilizada, que se construye a partir de una normal y un chi-cuadrado. Veamos una grfica comparativa con una distribucin normal y algunas de las propiedades que verifica.
Propiedades:
Es simtrica, est centrada en el punto (0,0) Mo = Me =0 E [T] = 0 si n>1 V [T] = n/n-2 si n>2. Cuando el nmero de variables aleatorias es muy grande, es decir, cuando n , la variable se puede aproximar por una normal.
X1 X = X2
n m
que se dice que se distribuye como X Fn ,m . En este caso, su funcin de densidad viene dada por:
3_Apuntes de Estadstica II
42
x>0
x0
Veamos algunas de las propiedades que verifican las variables aleatorias que siguen esta distribucin y su representacin grfica.
Propiedades:
E[ F ] = V [F ] =
n , si m > 2. m2
m 2 (2n + 2m 4) , n(m 2) 2 (m 4)
si m > 4.
Si X Fn ,m entonces la distribucin
1 Fm ,n . X
Modelos de Probabilidad
43
aproximar una distribucin Binomial por medio de una distribucin de Poisson, es decir,
X P ( = np ).
Por convenio se realizar esto cuando se verifiquen una de estas condiciones: 1. 2. Cuando se verifique n > 30 y p < 01. np < 5.
44
x1-1
xi
x1+1
Los valores que adopta una Binomial o Poisson, son enteros positivos (0,1, 2, ..., k..). Cualquier rectngulo centrado en un valor k, ser de la forma: k-1/2, k+1/2; de manera que determinar la probabilidad de P(X=x) en una Binomial o Poisson, ser equivalente a determinar la probabilidad en el intervalo (x-0.5; x+0.5) utilizando la funcin de distribucin de la normal. Por tanto, para calcular la P(X=xi) se adopta el criterio de calcular: ( xi 0,5 < X < xi + 0,5) .