Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
1
Variables
• En la Estadística Descriptiva las Variables son cualidades observables y
medibles de los individuos de una muestra.
• Analizábamos los valores de una muestra ya observada.
• Estudio a posteriori.
Variables Aleatorias
• En este tema tratamos las variables situándonos antes de la
realización del experimento aleatorio.
• Haremos uso de los conceptos de Probabilidad y algunos desarrollos
serán análogos a la Estadística Descriptiva.
2
Variables aleatorias
• En cualquier experimento aleatorio tenemos resultados cualitativos o
cuantitativos. A cada resultado le asignamos un número real.
• EJEMPLO:
• Tomar un niño de la consulta al azar y medir su estatura
• Tomar una familia al azar y apuntar el número de hijos.
• Aplicar un tratamiento y ver si cura o no (0,1)
3
Variable Aleatoria
• Al realizar un experimento aleatorio, podemos estar interesados en
una función del resultado más que en el resultado.
• Al arrojar un dado dos veces, puede que nos interese la suma de los
dos valores
• A esto lo llamamos Variable Aleatoria:
• Variable porque toma distintos valores.
• Aleatoria porque el valor observado no puede ser predicho,
aunque sabemos los posibles resultados que puede tener.
4
Variables aleatorias
Son variables numéricas asociadas a experimentos aleatorios, cuyo
resultado no podemos predecir
Ejemplos:
X = peso de una persona tomada al azar de un población
X = 1 si sale cara, 0 si sale cruz
X = 1 si la enfermedad esta presente, 0 si no
5
Variable Aleatoria
• A veces puede ocurrir que los valores de una variable aleatoria son los
mismos, pero la probabilidad de que ocurran no.
• Para tener identificada una variable aleatoria hay que tener los
valores que puede tomar y cada una de las probabilidades.
6
Variable Aleatoria
• Dado que el valor de una variable aleatoria (v.a) es determinado por el
resultado de un experimento (Suma de dos dados), podemos asignar
probabilidades a los posibles valores o conjuntos de valores de la
variable.
7
Variable Aleatoria
• Al igual que en estadística Descriptiva, podemos clasificar las Variables
Aleatorias en discretas y continuas en función de los valores que
pueden tomar:
• Será discreta si los valores están separados entre sí.
• Será contínua cuando el conjunto de valores que puede tomar
es un intervalo.
8
Variable Aleatoria Discreta
• Ejemplo:
9
Variable Aleatoria Discreta
• Ejemplo:
10
Variable Aleatoria Discreta
12
Variable aleatoria discreta
• En general diremos que una variable aleatoria discreta estará identificada si
conocemos sus valores X={x1,x2,….,xn} y sus probabilidades P(X=Xi)=pi.
• A toda regla que permite asociar a cada valor xi su probabilidad pi, la llamaremos
«función de probabilidad».
• La «función de probabilidad» puede venir dada por una tabla
•
X 0 1 2
P(X) 1/4 1/2 1/4
Muestra aleatoria simple de una v.a.
•
14
Diego Salmerón Martínez. Universidad de Murcia.
Principales características de las variable
aleatorias
•
15
Esperanza, varianza y D. T de una Variable
Aleatoria
• Se llama Esperanza de la variable aleatoria X, al número:
E[X]=x1p1+x2p2+…...+xnpn
• µ=Σpixi=E[X]
•
18
Diego Salmerón Martínez. Universidad de Murcia.
Media poblacional
•
19
Diego Salmerón Martínez. Universidad de Murcia.
Esperanza, varianza y D. T de una Variable
Aleatoria
• EJEMPLO:
• Calcular la media del número de hijos varones de una familia con dos hijos.
• Espacio Muestral={VV,VH,HV,HH}
={VV,VH,HV,HH}
• X={0,1,2}
• P1=P(X=0)=1/4
• P2=P(X=1)=2/4=1/2 0*1/2+1*1/2+2*1/4=1
• P3=P(X=2)=1/4
Es decir
V[X]=(x1-µ)2p1+]+(x2-µ)2p2+……(xxn-µ)2pn
Esperanza, varianza y D. T de una Variable
Aleatoria
• Puesto que la Varianza no se mide en las mismas unidades que la
variable, usamos la raíz cuadrada y lo llamaremos desviación típica:
Desv [X]=√V[X]
•
23
Diego Salmerón Martínez. Universidad de Murcia.
Esperanza, varianza y D. T de una Variable
Aleatoria
• EJEMPLO:
• Calcular la varianza del número de hijos varones de una familia con dos hijos.
• Espacio Muestral={VV,VH,HV,HH}
={VV,VH,HV,HH}
• X={0,1,2}
• P1=P(X=0)=1/4
• P2=P(X=1)=2/4=1/2 (0-1)2*1/4+(1-1)
*1/4+(1 2*1/2+(2-1)2*1/4=1/4+1/4=1/2
• P3=P(X=2)=1/4
25
Diego Salmerón Martínez. Universidad de Murcia.
¿Qué podemos decir de una v.a. con la
función de densidad de la figura?
¿Es simétrica?
26
Diego Salmerón Martínez. Universidad de Murcia.
Conforme aumentamos el tamaño muestral, la forma del histograma
de la muestra se acerca a la forma que tiene la función de densidad
27
Diego Salmerón Martínez. Universidad de Murcia.
Algunos modelos de variables aleatorias
Binomial
Poisson
Normal
28
Diego Salmerón Martínez. Universidad de Murcia.
La variable aleatoria binomial X es el
número de éxitos en n repeticiones con
probabilidad de éxito p, es decir,
29
La variable aleatoria binomial X es el número de éxitos en n repeticiones de una
con probabilidad
Debe cumplirse:
•Cada
Cada prueba individual puede ser un éxito o un fracaso.
•La
La probabilidad de éxito, p, es la misma en cada prueba.
•Las
Las pruebas son independientes. El resultado de una prueba no tiene influencia
sobre los resultados siguientes.
30
•
31
Variable aleatoria Binomial de parámetro
n y p.
PRUEBA
E F
E F E F
E F E F E F E F
Variable aleatoria Binomial de parámetro n y
p.
Variable aleatoria Binomial de parámetro n y
p.
Media y desviación típica de una variable
Binomial.
Media y desviación típica de una variable
Binomial.
EJEMPLO:
La probabilidad de que un estudiante obtenga el título es 0,3. Hallar la
probabilidad de que un grupo de 7 estudiantes:
a)Ninguno de los siete finalice la carrera:
E:acabar la carrera. P(E)=p=0,3
F:No acabar la carrera P(F)=q=0,7
n=7.
Las pruebas son independientes.
Media y desviación típica de una variable
Binomial.
Media y desviación típica de una variable
Binomial.
Media y desviación típica de una variable
Binomial.
EJEMPLO:
a)Al menos dos acaben la carrera:
P(X≥2)=P(X=2)+P(X=3)+..+P(X=7)=
=1-P(X≤1)=1-(P(r=0)+P(r=1))=1--0,0824-0,2471=0,6705
Media y desviación típica de una variable
Binomial.
EJEMPLO:
a)Parámetros:
E[X]=μ=n*p
σ2=n*p*(1-p)
E[X]=np=7*0,3=2,1
V[X]=npq=7*0,03*0,7=1,47
=7*0,03*0,7=1,47
En muchas circunstancias el número de individuos susceptible
de dar lugar a un éxito es muy grande (llamadas a la centralita
de un hospital, número de leucocitos en una gota de
sangre,…)
41
Distribución de Poisson.
Poisson
Ejemplos:
• Número de personas que llegan a la puerta de urgencias en una noche.
• Número de bacterias en un cultivo.
• Problemas de lista de espera.
Carácterísticas de la Distribución de Poisson.
Media E[X]=np=ʎ
45
• Utilizaremos la distribución de Poisson como aproximación de la
distribución binomial cuando n sea grande y p pequeño, en base al
límite que hemos visto.
• Como criterio podremos aproximar cuando n>50 y p<0,1
46
•EJEMPLO:
47
VARIABLES ALEATORIAS
• P(Z>-2.56)=P(Z<2.56)=0.9947
2.56)=P(Z<2.56)=0.9947
EJEMPLOS:
• Considerando que Z N(0,1).
• Calcula las siguientes probabilidades:
1. P(Z<1.56)
2. P(Z>3.00)
3. P(Z<-1,5)
4. P(Z>-2.61)
• Calcula el valor de V tal que:
1. P(Z<V)=0.648
2. P(Z>V)=0.9978
N(μ,σ). TIPIFICACIÓN.
t∞ se asemeja a la distribución
normal.
Teorema Central del Límite.
• El teorema central del límite es uno de los
resultados fundamentales de la estadística.
• Este teorema nos dice que si una muestra es lo
bastante grande
(n>30),sea cual sea la distribución de la media
muestral, seguirá aproximadamente una
distribución normal.