Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
A A P
do Sustituyen
A A P A P A P A A P
egunta
R P R P R R P
A P A P R P
R R P
egunta
Datos
Sabemos que la probabilidad de que en una ruleta salga 10 veces seguida
el color rojo es muy pequea. Habiendo salido 9 veces seguida el rojo, un
jugador apuesta al negro. Qu probabilidad tiene de ganar?
5 . 0
5 . 0
5 . 0
) ... (
) ... (
) ... / (
: Pr
5 . 0 ) ( 5 . 0 ) (
9
10
9 2 1
9 2 1 10
9 2 1 10
= =
=
=
= =
R R R P
R R R N P
R R R N P
egunta
N P y R P
I
En un asignatura se ha decidido aprobar a aquellos que aprueben uno de
los dos parciales. Con este criterio aprob el 80%, sabiendo que el primer
parcial lo aprob el 60% y el segundo el 50%. Cul hubiera sido el
porcentaje de aprobados, si se hubiera exigido aprobar ambos parciales?
Si A1 es el suceso aprobar el primer parcial y A2 aprobar el segundo
parcial, se tiene:
3 . 0 8 . 0 5 . 0 6 . 0
) ( ) ( ) ( ) (
: Pr
5 . 0 ) ( 6 . 0 ) ( ; 8 . 0 ) (
:
2 1 2 1 2 1
2 1 2 1
= + =
= + =
= = =
A A P A P A P A A P
egunta
A P y A P A A P
Datos
La probabilidad de resolver correctamente alguna de las dos tareas de
bioestadstica es de 0.45. La de resolver la primera es de 0.40 y la segunda
de 0.30. La resolucin de las dos tareas es independiente?
Si V1 es el suceso de resolver la tarea 1 y V2 la de resolver la tarea 2
ntes independie son no to lo Por
Como
V P V P V V P
V V P V P V P V V P
egunta
V P y V P V V P Datos
tan
12 . 0 25 . 0 :
12 . 0 3 . 0 4 . 0 ) ( ) ( ) (
25 . 0 45 . 0 3 . 0 4 . 0 ) ( ) ( ) ( ) (
: Pr
3 . 0 ) ( 4 . 0 ) ( ; 45 . 0 ) ( :
2 1 2 1
2 1 2 1 2 1
2 1 2 1
= = =
= + = + =
= = =
Teorema de Bayes
En el ao 1763, dos aos despus de la muerte de
Thomas Bayes (1702-1761), se public una
memoria en la que aparece, por vez primera, la
determinacin de la probabilidad de las causas a
partir de los efectos que han podido ser observados.
El clculo de dichas probabilidades recibe el
nombre de teorema de Bayes.
Sea A1, A2, ...,An una particin de sucesos, tales que
la probabilidad de cada uno de ellos es distinta de
cero, y sea B un suceso cualquier cuya probabilidad es
diferente de cero, del que se conocen las
probabilidades condicionales P(B/Ai). entonces la
probabilidad P(Ai/B) viene dada por la expresin:
( )
( )
n i para
A P
A
B
P
A P
A
B
P
B
A
P
n
i
i
i
i
i
i
,..., 2 , 1 ....
*
*
1
=
=
Particin
Se llama particin al conjunto de sucesos A
i
mutuamente excluyentes que conforman a un espacio
muestral (M). Es decir que A
1
U A
2
U ... U An = M
y A
i
A
j
= para toda i j.
Regla de la probabilidad total:
Si un conjunto de sucesos A
i
forman una particin del
espacio muestral y P(A
i
) 0 para toda A
i
, para
cualquier otro suceso B se cumple que:
Demostracin de la Regla de la
probabilidad total
B=B = B (A
1
A
2
... A
n
) = (B A
1
) (B A
2
) ... (B A
n
)
como los A
i
son mutuamente excluyentes, tambin lo son B A
i
, por lo tanto segn el
axioma 2
P(B) = p(B A
1
) + p(B A
2
) + ... + p(B A
n
)
y como P(B A
i
) = P(A
i
) P(B|A
i
) se obtiene la regla de la probabilidad total
Ejemplo
La prevalencia de infarto cardaco para hipertensos es del 0,3% y para no
hipertensos del 0,1%. Si la prevalencia de hipertensin en una cierta poblacin
es del 25% Cul es la prevalencia del infarto en esa poblacin?
Presin
A1 = {ser hipertenso} A2 = {no serlo} estos sucesos constituyen una particin
B = {padecer infarto}
datos: P(B|A1) = 0,003; P(B|A2) = 0,001; P(A1) = 0,25, evidentemente P(A2)
=0,75
P(B)= P(B|A1)* P(A1)+ P(B|A2)* P(A2)
P(B) = 0,003x0,25 + 0,001 x 0,75 = 0,0015
A1
A2
B +
B-
Infarto
Aplicacin
una prueba diagnstica para la diabetes
tiene un CFP de 4% y un CFN del 5%. Si la
prevalencia de la diabetes en la poblacin
donde se usa es del 7% cul es la
probabilidad de que sea diabtico un
individuo en el que la prueba d positiva? y
de que no lo sea uno en el que d
negativo?.
t+u+r+s u t
s d c +
r b a -
Prueba
E NE
Patrn de oro
P(+|NE) = 0,04 por lo tanto P(-|NE) = 0,96
P(-|E) = 0,05 por lo tanto P(+|E) = 0,95
P(E) = 0,07 por lo tanto P(NE) = 0,93
UNIVERSIDAD VERACRUZANA
FACULTAD DE MEDICINA VETERINARIA Y
ZOOTECNIA
MATERIA DE BIOESTADISTICA
DISTRIBUCIONES PROBABILISTICAS
CATEDRATICO:
ING.RUBEN GARCIA GONZALEZ
Distribuciones de probabilidad de
variables aleatorias
Una distribucin de probabilidad, es una
tabla, grfica, frmula o cualquier otro
medio que se utilice para especificar todos
los valores posibles de una variable
aleatoria junto con su probabilidad
respectiva.
Propiedades de una distribucin de
probabilidad
0 P(X = x
i
) 1
P(X = x
i
) = 1
Concepto:
P(X = x
i
) Probabilidad del evento x
i
P(X x
i
) Probabilidad acumulada hasta el
evento x
i
=
Distribucin de probabilidad de Poisson para =5
x P(X = x)
0 0.0067
1 0.0337
2 0.0842
3 0.1404
4 0.1755
5 0.1755
6 0.1462
7 0.1044
8 0.0653
9 0.0363
10 0.0181
11 0.0082
12 0.0034
13 0.0013
14 0.0005
15 0.0002
16 0.0000
Distribucin grfica de Poisson para =5
Distribucin de Probabilidad de Poisson
0.0000
0.0200
0.0400
0.0600
0.0800
0.1000
0.1200
0.1400
0.1600
0.1800
0.2000
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
# de xitos "x"
P( X = x)
P(X = x)
= 10
Distribucin de Probabilidad de Poisson
0.0000
0.0200
0.0400
0.0600
0.0800
0.1000
0.1200
0.1400
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
# de xitos "x"
P( X = x)
P(X = x)
= 15
Distribucin de Probabilidad de Poisson
0.0000
0.0200
0.0400
0.0600
0.0800
0.1000
0.1200
# de xitos "x"
P( X = x)
P(X = x)
Distribucin de probabilidad acumulada de Poisson
para =5
x P(X <=x)
0 0.0067
1 0.0404
2 0.1247
3 0.2650
4 0.4405
5 0.6160
6 0.7622
7 0.8666
8 0.9319
9 0.9682
10 0.9863
11 0.9945
12 0.9980
13 0.9993
14 0.9998
15 0.9999
16 1.0000
Distribucin para =5
Distribucin de probabilidad acumulada de Poisson
0.0000
0.2000
0.4000
0.6000
0.8000
1.0000
1.2000
0 2 4 6 8 10 12 14 16 18
# de xitos "x"
P ( X <= x)
P(X <=x)
Problema
En un estudio sobre roedores en una gran ciudad,
se encontr que el promedio de ellos por manzana
era de cinco(). Si se escoge al azar una manzana
de esa ciudad, que probabilidad se tiene de que se
encuentren:
Ms de cinco roedores
P(X>5) = 1 - P(X 5) = 1 - 0.1660 = 0.8340
Entre 3 y 6 roedores
P(3 x 6) = P(x 6) - P(x 2)
= 0.7622 - 0.1247 = 0.6375
Distribucin Hipergeomtrica
La distribucin Binomial se gener al
realizar n ensayos o repeticiones de un
experimento Bernoulli, es decir, en el cual
hay dos resultados posibles. Las
probabilidades asociadas a cada repeticin
se supusieron constantes, y se supuso
adems que las repeticiones eran
independientes.
La distribucin Hipergeomtrica esta basada en el mismo tipo de
experimento, pero con la diferencia de que las repeticiones o ensayos
no son independientes, es decir, que si E
i
y E
j
son los xitos en el
primero y segundo ensayo, la P(E
i
/ E
j
)P(E
i
).
Para ilustrar la situacin, consideremos lo siguiente:
Se tiene una poblacin de N elementos clasificados en una de dos
categoras mutuamente excluyentes (xito y fracaso).
Dentro de la poblacin se encuentran a xitos y (N-a) fracasos.
Se realizar un experimento de n(tamao de la muestra)
repeticiones o ensayos sin remplazo.
Se desea obtener x xitos en la muestra.
Para respondernos la pregunta anterior haremos el siguiente
razonamiento, basndonos en el concepto de probabilidad de un
evento visto anteriormente:
P(E) = m /n
m= Nmero de resultados favorables.
n = Nmero de resultados posibles.
El nmero de formas de seleccionar x xitos de a xitos en la
poblacin esta dada por el nmero de combinaciones
a
C
x
(N-a)
C
(n-x)
=
N = Tamo de la poblacin
a = N de exitos en la poblacin
n = Tamao de la muestra
x = N de exitos en la muestra
) 1 (
) )( (
1 1
2
2
=
N N
n N a N na
N
n N
N
a N
N
a
n
N
n N
npq
N
a
n np = =
Problema
Se tiene en un corral a 50 aves, de las cuales
20 son hembras.Si una persona escoge al
azar 5 de ellas que probabilidad se tiene de
que le salgan 2 hembras si el muestro es sin
remplazo.
Datos:
N=50 ; n = 5 ; a = 20 ; x = 2
(N-a) = (50-20) = 30
Clculo
20C2 * 30C3
h(2;50,5,20) = ----------------------- = 0.3640
50C5
La probabilidad de obtener 4 hembras es:
20C4 * 30C1
h(4;50,5,20) = ---------------------- = 0.0686
50C5
Clculo de la distribucin de probabilidad puntual
para N=50, n=5, a=20
x h(X=x)
0 0.0673
1 0.2587
2 0.3641
3 0.2341
4 0.0686
5 0.0073
Distribucin hipergeomtrica
N=50, n=5, a=20
Distribucin de probabilidad
0.0673
0.2587
0.3641
0.2341
0.0686
0.0073
0.0000
0.0500
0.1000
0.1500
0.2000
0.2500
0.3000
0.3500
0.4000
0 1 2 3 4 5
# de xitos "x"
h(X=x)
h(X=x)
Distribucin hipergeomtrica acumulada
para N = 50, n = 5, a = 20
x h(X<=x)
0 0.0673
1 0.3259
2 0.6900
3 0.9241
4 0.9927
5 1.0000
Distribucin hipergeomtrica para los parmetros N
= 50, n = 5 y a = 20
Distribucin de probabilidad acumulada
0
.
0
6
7
3
0
.
3
2
5
9
0
.
6
9
0
0
0
.
9
2
4
1
0
.
9
9
2
7
1
.
0
0
0
0
0.0000
0.2000
0.4000
0.6000
0.8000
1.0000
1.2000
0 1 2 3 4 5 6
# de xitos "x"
h(X<=x)
h(X<=x)
Distribucin de probabilidad
Multinomial
Esta distribucin es una generalizacin de la
distribucin binomial cuando cada ensayo
tiene ms de dos resultados posibles.
Funcin multinomial, muestreo con
reemplazo (poblacin infinita)
( )
k
x
K
x x
k
k k
p p p
x x x
n
n p p x x P ... .
! !.. !
!
; .. ; ..
2 1
2 1
2 1
1 1
=
Donde:
n = Nmero de ensayos o tamao de la muestra.
pk = Probabilidad de xito de cada una de las clases en la poblacin.
x = Nmero de xitos de cada clase deseados en la muestra.
Problema
En una poblacin rural, el 20% de los habitantes son blancos,
el 60% negros y 20% mestizos. Si se escoge al azar seis
personas para formar una mesa directiva, que probabilidad se
tiene de que dos sean blancas, una sea mestiza y tres sean
negras.
Datos:
n = 6
p1 = 0.2 ; p2 = 0.6 ; p3 = 0.2
x1 = 2 ; x2 = 3 ; x3 = 1
103 . 0 ) 2 . 0 ( ) 6 . 0 ( ) 2 . 0 (
! 1 ! 3 ! 2
! 6
) 6 ; 2 . 0 , 6 . 0 , 2 . 0 ; 1 , 3 , 2 (
3 2
=
= P
Distribucin multinomial para muestro
sin reemplazo (poblacin finita)
Esta distribucin es una generalizacin de la
distribucin Hipergeomtrica cuando cada
ensayo tiene ms de dos resultados posibles.
Funcin de probabilidad
Donde:
n N
x a x a x a
k k
C
C C C
n N a a a x x f
k k
...
) , , ,... , ; .. (
2 2 1 1
2 1 1
=
N = Tamo de la poblacin
a = N de exitos de las clases en la poblacin
n = Tamao de la muestra
x = N de exitos de las clases en la muestra
Problema
En una granja avcola hay para la venta 45 pollos, de los
cuales hay 10 chicos, 15 medianos y 20 grandes. Si una
persona escoge al azar 10 de ellos, que probabilidad tiene de
que salgan 3 chicos, 5 medianos y 2 grandes.
Datos:
n = 10
a1 = 10; a2 =15; a3 = 20
x1 = 3 ; x2 = 5 ; x3 = 2
0214 . 0 ) 10 ; 45 ; 20 , 15 , 10 ; 2 , 5 , 3 (
10 45
2 20 5 15 3 10
=
=
C
C C C
f
Aproximacin de la distribucin de
Poisson a la Binomial
Esto es factible cuando n nmero de
ensayos es relativamente grande y p la
probabilidad de xito es pequea.
Una regla prctica admisible es utilizada si
n 20 y si p 0.05; si n 100, la
aproximacin es generalmente excelente a
condicin de que np 10.
Problema
Se sabe que el 5% de una vacuna sale
defectuosa. Calcular la probabilidad de que
2 de 100 vacunas salgan defectuosas.
Este problema es binomial, pero como cumple
de que n 100 y np 10, se pude aproximar con
el modelo de Poisson, por lo tanto:
= np = 100*0.05 = 5
P(X=2) = P(X 2) - P(X 1) = 0.125-0.040 = 0.085
Funcin de densidad y funcin de
probabilidad de variables continuas
A diferencia de las variables aleatorias
discretas que slo pueden tomar valores
enteros, las variables aleatorias continuas
pueden tomar valores sobre una escala
continua.
Funcin de densidad f(x) de una variable
aleatoria continua
a b
f(x)
La funcin de densidad se utiliza en la ciencia estadstica con el propsito
de conocer cmo se distribuyen las probabilidades de un evento en relacin
al resultado del evento. En este caso se llama funcin de densidad de
probabilidad.
Propiedades de las funciones de densidad
de variables continuas
El rea bajo la curva es igual a uno, como lo fue
en el histograma.
La frecuencia relativa de ocurrencia de los valores
entre dos puntos a y b cualesquiera sobre el
eje de las x es igual al rea total limitada por la
curva, el eje de las x y las lneas perpendiculares
levantadas en los dos puntos a y b sobre el eje
de las x.
La probabilidad de cualquier valor especfico de la
variable aleatoria es cero.
Definicin
Una funcin no negativa f(x) recibe el nombre de
distribucin de densidad (llamada a veces funcin
de probabilidad) de la variable aleatoria continua
X si el rea total limitada por su curva y el eje
x es igual a uno y si la subrea bajo la curva
limitada por la curva, el eje x y las
perpendiculares trazadas en dos puntos
cualesquiera a y b, da la probabilidad de que la
variable aleatoria continua X este entre los puntos
a y b.
Funcin de distribucin de probabilidad
F(x)
( ) ( ) ( )dx x f x X P x F
i
x
i i i
= =
-
x
i
f(xi)
F(x)
Distribucin Normal
Entre las distribuciones de densidad de variables
aleatorias de tipo continuo destaca por su gran
importancia la llamada Distribucin Normal o
campana de Gauss, de acuerdo con Carl Gauss
(1777 - 1855).
Esta distribucin es de gran importancia debido a
que es un modelo adecuado para una gran
diversidad de situaciones en el mundo real y su
papel en la teora estadstica y muchas tcnicas de
inferencia.
Definicin
Una variable aleatoria X se distribuye
normalmente si su funcin de densidad es:
Para - < x <
= Media poblacional
= Desviacin estndar
e = 2.71828
= 3.1416
2
2
2
) (
2
1
) (
=
x
e x f
Distribucin Normal
1
=
2
y las
1
<
2
f1(x)
f2(x)
1 = 2
2
1
Propiedades de la distribucin normal
Es simtrica alrededor de la
La media, mediana y moda tienen el mismo
valor por ser simtrica.
El rea bajo la curva entre los intervalos:
68%
2 95%
3 99%
Distribucin normal
-4 -3 -2 -1 0 1 2 3 4
=Md=Mo
Distribucin Normal de Probabilidad
a b
1 -(x- ) / 2
f(X) = ------------ e
(2 )
Distribucin Normal Estndar o Unitaria
Como se menciono anteriormente, la
funcin de densidad normal representa a
toda una familia de distribuciones
caracterizadas por los parmetros y .
El miembro ms importante de esta familia
es la distribucin normal estndar o unitaria,
llamada as por tener una media igual a cero
y una desviacin estndar igual a uno.
Determinacin de la funcin de densidad
normal estndar.
Sustituyendo en la funcin de densidad normal los
valores de = 0, = 1 y (x - )/ = z se tiene:
Para - <z<
Donde z es la variable aleatoria resultante en
mltiplos de la desviacin estndar .
2
2
2
1
) (
z
e z f
=
=
Si x es la media de una muestra aleatoria de tamao
n tomada de una poblacin normal que tiene media
y varianza , entonces
es el valor de una variable aleatoria con distribucin
t y parmetro = n-1 grados de libertad.
n
s
x
t
=
Grados de libertad
Para definir grados de libertad se har referencia a la varianza
muestral:
Esta frmula est basada en n-1 grados de libertad (n). Esta
terminologa resulta del hecho de que si bien s est basada en
n cantidades, la suma de las diferencias x
1
-x , x
2
-x ,.., x
n
-x es
cero, as que, para determinar s slo es necesario determinar
n-1 diferencias ya que la ltima saldra por diferencia.
Por ejemplo, si n=4
x
1
-x = 8, x
2
-x =-6 y x
4
-x = -4, entonces
automticamente tenemos x3-x = 2, as que
slo tres de los cuatro valores de xi-x estn
libremente determinados, de aqu que se
tengan tres grados de libertad en el clculo.
Su simbologa =nu o (gl).
La media y la varianza de la distribucin t son =0 y
= (-2) para > 2, respectivamente.
La siguiente figura presenta la grfica de varias
distribuciones t.
La apariencia general de la distribucin t es
similar a la de la distribucin normal
estndar: ambas son simtricas y
unmodales, y el valor mximo de la
ordenada se alcanza en la media =0. Sin
embargo, la distribucin t tiene colas ms
amplias que la normal; esto es, la
probabilidad de las colas es mayor que en la
distribucin normal. A medida que el
nmero de grados de libertad tiende a
infinito, la forma lmite de la distribucin t
es la distribucin normal estndar.
Aplicacin
Se acostumbra representar con t
el valor t
por arriba del cual se encuentra un rea
igual a . Como la distribucin t es
simtrica alrededor de una media de cero,
tenemos t
1-
= -t
s n
=
A diferencia de la distribuciones normal y t de Student, la
distribucin ji-cuadrada no es simtrica y slo toma valores
positivos, por lo tanto es necesario tabular los valores
1-
Ejemplo: Determinar los valores para las reas = 0.05 y
1-= 0.95 con =19 grados de libertad.
=10.1
1
=30.14
=0.05
1- =0.95
Distribucin F
La distribucin F es de grn utilidad en la estadstica cuando se tiene
interes en conocer si dos muestras provienen de poblaciones que tienen
varianzas iguales. Si es as, las dos varianzas muestrales deben ser muy
semejantes; es decir, su razn debe ser muy cercano a 1. Para
determinar si su razn es muy grande o muy pequea, recurrimos a la
teora dada en el siguiente teorema:
Si s
1
y s
2
son las varianzas de muestras aleatorias independientes de
tamao n
1
y n
2
, respectivamente, tomadas de dos poblaciones normales
que tienen la misma varianza, entonces
es el valor de una variable aleatoria que tiene distribucin F con
parmetros
1
= n1-1 y
2
= n2-1 grados de libertad del numerador y
del denominador respectivamente
2
2
2
1
s
s
F =
A semejanza de la distribucin ji- cuadrada, la distribucin
F tambin es asimtrica y dado que es la razn de dos
valores positivos, F siempre ser positiva.
Ejemplo: Si dos muestras aleatorias independientes de
pollos de tamao n1=7 y n2=13 se toman de una poblacin
normal, Cul es la probabilidad de que la varianza de la
primera sea al menos tres veces ms grande que la de la
segunda?
De lo anterior se tiene que:
De la tabla se tiene que para 6 y 12 grados de libertad del
numerador y del denominar respectivamente, el valores
F
(0.95,6,12)
= 3, por lo tanto la probabilidad deseada es 0.05
rea = 0.05
F
(6,12)
=3
3
2
2
2
1
= =
s
s
F
Para determinar el valor de F cola izquierda se utiliza la misma tabla
para la cola derecha, slo que se calcula de la manera siguiente:
F
(/2,1,2) F
(1-/2,1,2)
( )
( ) 1 ; ; 2 / 1
; ; 2 /
2
2
2 1
1
=
F
F