Distribucin hipergeometrica Si una variable aleatoria X definida en un espacio de probabilidad representa al nmero de xito en una muestra aleatoria de n elementos

que se extrae de una poblacin con N elementos, su funcin de densidad es tambin es:

N = Tamao de poblacin. n = Tamao de muestra. C = Todos o cantidad de elementos que cumple caracterstica deseada. X = Cantidad de xitos. EJEMPLO NUMERO 1. En una jaula hay 30 pericos rusos y 20 pericos chinos si extraemos 10 pericos al azar calcular posibilidad de que 3 de ellos hablen chino (caracterstica deseada). N = 50 n = 10 C = 20 X=3

De los 20 hombres y 18 mujeres del saln el 50% rprobo el examen de estadstica, si tomamos 10 alumnos al azar probabilidad. A) 4 alumnos reprobados B) 3 mujeres reprobadas

A) N = 38 n = 10 c = 19 x=4

B) N = 38 n = 10 C=9 x=3

En un vagon de ferrocarril que acarrea a 60 reses el 20% de ellas estn enfermas de vaca loca, si extraemos con propsito de inspeccion sanitaria una muestra del 10% de las reses calcula la probabilidad de que hayan 2 vacas con dicha enfermedad ? N = 60 n=6 c = 12 x=2

De 60 aspirantes a la UNIVERSIDAD 40 son de Baja California, si seleccionamos 20 aspirantes al azar calcular la probabilidad de que 10 sean de Baja California ? N = 60 n = 20 c = 12 x = 10

http://www.estadisticafacil.com/Main/DistribucionHipergeometrica

DISTRIBUCIN HIPERGEOMTRICA.

Los experimentos que tienen este tipo de distribucin tienen las siguientes caractersticas: a) Al realizar un experimento con este tipo de distribucin, se esperan dos tipos de resultados. b) c) d) Las probabilidades asociadas a cada uno de los resultados no son constantes. Cada ensayo o repeticin del experimento no es independiente de los dems. El nmero de repeticiones del experimento (n) es constante.

Ejemplo: En una urna o recipiente hay un total de N objetos, entre los cuales hay una cantidad a de objetos que son defectuosos, si se seleccionan de esta urna n objetos al azar, y sin reemplazo, cul es la probabilidad de obtener x objetos defectuosos? Solucin:

Luego;

p( x , n ) !

C x* N  a C n x N Cn

donde: p(x,n) = probabilidad de obtener x objetos defectuosos de entre n seleccionados

C x * N  a C n x ! muestras de n objetos en donde hay x que son defectuosos y n-x buenos

C n ! H ! todas las muestras posibles de seleccionar de n objetos tomadas de entre N objetos en total = espacio muestral
N

Considerando que en la urna hay un total de 10 objetos, 3 de los cuales son defectuosos, si de seleccionan 4 objetos al azar, cul es la probabilidad de que 2 sean defectuosos?

Solucin:

N = 10 objetos en total a = 3 objetos defectuosos n = 4 objetos seleccionados en muestra x = 2 objetos defectuosos deseados en la muestra
3! 7! * C* C ( 3 2 )! 2! ( 7 2 )!2! ! 3 2 7 2 ! ! 10! 10 C 4 ( 10 4 )!4!

p( x ! 2 , n ! 4 ) !

C2* 10 3 C4 10 C 4

3! 7! 3 x 2 x1! 7 x6 x5! * * 5! 2! ! 3 x 2 x 7 x6 * 4! ! ! 1! 2! 5! 2! ! 1! 2! 10! 10 x9 x8 x 7 x6! 10 x9 x8 x 7 2! 2! 6! 4! 6! 4!

donde:

3x 2 x 7 x6 ! 10 x9 x8 x 7 probabilidad asociada a cada muestra de 4 objetos que se seleccionaron, con lo que se demuestra que las probabilidades no son constantes

4! ! 2! 2! formas o maneras de obtener 2 objetos defectuosos entre los 4 seleccionados = muestras de 4 objetos entre los que 2 son defectuosos

Como se observa en el desarrollo de la solucin del problema, la pretensin es demostrar que las probabilidades asociadas a cada uno de los resultados no son constantes.

Luego la probabilidad de obtener 2 objetos defectuosos entre los 4 seleccionados al azar sera:

3x 2 x7 x 6 4! 252 24 6048 * ! * ! ! 0.30 10 x9 x8 x7 2! 2! 5040 4 20160

Ejemplos: Para evitar que lo descubran en la aduana, un viajero ha colocado 6 tabletas de narctico en una botella que contiene 9 pldoras de vitamina que son similares en apariencia. Si el oficial de la aduana selecciona 3 tabletas aleatoriamente para analizarlas, a) Cul es la probabilidad de que el viajero sea arrestado por posesin de narcticos?, b) Cul es la probabilidad de que no sea arrestado por posesin de narcticos?.

Solucin: a) N = 9+6 =15 total de tabletas a = 6 tabletas de narctico n = 3 tabletas seleccionadas x = 0, 1, 2, o 3 tabletas de narctico = variable que nos indica el nmero de tabletas de narctico que se puede encontrar al seleccionar las 3 tabletas

p(viajero sea arrestado por posesin de narcticos) = p(de que entre las 3 tabletas seleccionadas haya 1 o ms tabletas de narctico)

! p( x ! 1,23tabletas ; n ! 3 ) !

C1* 9 C2 6 C2* 9 C1 6 C3* 9 C0   ! 15 C3 15 C3 15 C3

( 6 )( 36 ) ( 15 )( 9 ) ( 20 )( 1 ) 216  135  20 371   ! ! ! 0.81538 455 455 455 455 455

otra forma de resolver;

p(el viajero sea arrestado por posesin de narcticos) = 1 p(de que entre las tabletas seleccionadas no haya una sola de narctico)

! 1  p( x ! 0; n ! 3 ) ! 1 

C0* 9 C3 ! 15 C3

! 1

( 1 )( 84 ) ! 0.184615 ! 0.815385 455

b)

p(no sea arrestado por posesin de narcticos)

! p( x ! 0; n ! 3 ) !

C0* 9 C3 ! C3 15

( 1 )( 84 ) ! 0.184615 455

De un lote de 10 proyectiles, 4 se seleccionan al azar y se disparan. Si el lote contiene 3 proyectiles defectuosos que no explotarn, cul es la probabilidad de que , a) los 4 exploten?, b) al menos 2 no exploten?

Solucin: a) N = 10 proyectiles en total a = 7 proyectiles que explotan n = 4 proyectiles seleccionados x = 0, 1, 2, 3 o 4 proyectiles que explotan = variable que nos define el nmero de proyectiles que explotan entre la muestra que se dispara

p( x ! 4; n ! 4 ) !

C4* 3 C0 ( 35 )( 1 ) 35 ! ! ! 0.16667 210 210 10 C 4

b) N = 10 proyectiles en total a = 3 proyectiles que no explotan n = 4 proyectiles seleccionados x = 0, 1, 2 o 3 proyectiles que no explotan p(al menos 2 no exploten) = p( 2 o ms proyectiles no exploten) = p(x = 2 o 3; n=4) =

70 C2* 7 C2  3 C3* 7 C1 ( 3 )( 21 )  ( 1 )( 7 ) 63  7 ! ! ! ! 0.333333 210 210 210 10 C 4

http://www.itch.edu.mx/academic/industrial/sabaticorita/_private/03Ddistr%20Hipergeome trica.htm

Est estrechamente relacionada con la distribucin de probabilidad binomial. La diferencia entre ambas est en la independencia de los intentos y en que la probabilidad de xito cambia de uno a otro Se usa para calcular la probabilidad de que una muestra aleatoria de n artculos seleccionados sin reemplazo, obtengamos x elementos identificados como xitos, y n-x como fracasos. Para que suceda esto debemos obtener x xitos de los r de la poblacin, y n-x fracasos de los N-r de la poblacin

DISTRIBUCIN HIPERGEOMTRICA Hasta ahora hemos analizado distribuciones que modelizaban situaciones en las que se realizaban pruebas que entraaban una dicotoma (proceso de Bernouilli) de manera que en cada experiencia la probabilidad de obtener cada uno de los dos posibles resultados se mantena constante. Si el proceso consista en una serie de extracciones o selecciones ello implicaba la reposicin de cada extraccin o seleccin , o bien la consideracin de una poblacin muy grande. Sin embargo si la poblacin es pequea y las extracciones no se remplazan las probabilidades no se mantendrn constantes . En ese caso las distribuciones anteriores no nos servirn para la modelizar la situacin. La distribucin hipergeomtrica viene a cubrir esta necesidad de modelizar procesos de Bernouilli con probabilidades no constantes (sin reemplazamiento) . La distribucin hipergeomtrica es especialmente til en todos aquellos casos en los que se extraigan muestras o se realizan experiencias repetidas sin devolucin del elemento extrado o sin retornar a la situacin experimental inicial. Modeliza , de hecho, situaciones en las que se repite un nmero determinado de veces una prueba dicotmica de manera que con cada sucesivo resultado se ve alterada la probabilidad de obtener en la siguiente prueba uno u otro resultado. Es una distribucin .fundamental en el estudio de muestras pequeas de poblaciones .pequeas y en el clculo de probabilidades de, juegos de azar y tiene grandes aplicaciones en el control de calidad en otros procesos experimentales en los que no es posible retornar a la situacin de partida.

La distribucin hipergeomtrica puede derivarse de un proceso experimental puro o de Bernouilli con las siguientes caractersticas: El proceso consta de n pruebas , separadas o separables de entre un conjunto de N pruebas posibles. Cada una de las pruebas puede dar nicamente dos resultados mutuamente excluyentes: A y no A. En la primera prueba las probabilidades son :P(A)= p y P(A)= q ;con p+q=l. Las probabilidades de obtener un resultado A y de obtener un resultado no A varan en las sucesivas pruebas, dependiendo de los resultados anteriores. (Derivacin de la distribucin) . Si estas circunstancias a leatorizamos de forma que la variable aleatoria X sea el nmero de resultados A obtenidos en n pruebas la distribucin de X ser una Hipergeomtrica de parmetros N,n,p as Un tpico caso de aplicacin de este modelo es el siguiente : Supongamos la extraccin aleatoria de n elementos de un conjunto formado por N elementos totales, de los cuales Np son del tipo A y Nq son del tipo (p+q=l) .Si realizamos las extracciones sin devolver los elementos extrados , y llamamos X. al nmero de elementos del tipo A que extraemos en n extracciones X seguir una distribucin hipergeomtrica de parmetros N , n , p Funcin de cuanta. La funcin de cuanta de una distribucin Hipergeomtrica har corresponder a cada valor de la variable X (x = 0,1,2, . . . n) la probabilidad del suceso "obtener x resultados del tipo A ", y (n-x) resultados del tipo no A en las n pruebas realizadas de entre las N posibles. Veamos : Hay un total de formas distintas de obtener

x resultados del tipo A y n-x del tipo , si partimos de una poblacin formada por Np elementos del tipo A y Nq elementos del tipo

Por otro lado si realizamos n pruebas o extracciones hay un total de posibles muestras ( grupos de n elementos) aplicando la regla de Laplace tendramos

que para valores de X comprendidos entre el conjunto de enteros 0,1,. .n ser la expresin de la funcin de cuanta de una distribucin , Hipergeomtrica de parmetros N,n,p . Media y varianza. Considerando que una variable hipergeomtrica de parmetros N, n, p puede considerarse generada por la reiteracin de un proceso dicotmico n veces en el que las n dicotomas NO son independientes ; podemos considerar que una variable hipergeomtrica es la suma de n variables dicotmicas NO independientes. Es bien sabido que la media de la suma de variables aleatorias (sean stas independientes o no) es la suma de las medias y por tanto la media de una distribucin hipergeomtrica ser, como en el caso de la binomial : En cambio si las variables sumando no son independientes la varianza de la variable suma no ser la suma de las varianzas. Si se evala el valor de la varianza para nuestro caso se obtiene que la varianza de una distribucin hipergeomtrica de parmetros N,n,p es : si

para demostracin de esta expresin vase Wilks S. ,Mathematical Statistics,1962 Esta forma resulta ser la expresin de la varianza de una binomial (n, p) afectada por un coeficiente corrector [N-n/N-1] , llamado coeficiente de exhaustividad o Factor Corrector de Poblaciones Finitas (F.C.P.F.) y que da cuenta del efecto que produce la no reposicin de los elementos extrados en el muestreo. Este coeficiente es tanto ms pequeo cuanto mayor es el tamao muestral (nmero de pruebas de n ) y puede comprobarse como tiende a aproximarse a 1 cuando el tamao de la poblacin N es muy grande . Este ltimo hecho nos confirma lo ya comentado sobre la irrelevancia de la reposicin o no cuando se realizan extracciones sucesivas sobre una poblacin muy grande. Con una poblacin muy grande se cual fuere el tamao de n , el factor corrector sera uno lo que convertira , en cierto modo a la hipergeomtrica en una binomial (ver D. Binomial) . As Lmite de la distribucin hipergeomtrica cuando N tiende a infinito. Hemos visto como la media de la distribucin hipergeomtrica [H{N,n,p)], tomaba siempre el mismo valor que la media de una distribucin binomial [B{n,p)] tambin hemos comentado que si el valor del parmetro N creca hasta aproximarse a infinito el coeficiente de exhaustividad tenda a ser 1, y, por lo tanto, la varianza de la hipergeomtrica se aproximaba a la de la binomial : puede probarse asimismo , cmo la funcin de cuanta de una distribucin hipergeomtrica tiende a aproximarse a la funcin de cuanta de una distribucin binomial cuando

Puede comprobarse en la representacin grfica de una hipergeomtrica con N =100000 como sta ,es idntica a la de una binomial con los mismos parmetros restantes n y p , que utilizamos al hablar de la binomial

Moda de la distribucin hipergeomtrica De manera anloga a como se obtena la moda en la distribucin binomial es fcil obtener la expresin de sta para la distribucin hipergeomtrica. De manera que su expresin X0 sera la del valor o valores enteros que verificasen.

ANALISIS DE TENDENCIAS: En ingls trendanalysis. Es aquel que se utiliza estadsticamente, observando datos histricos de varios aos, con el fin de determinar patrones significativos. Anlisis de tendencias: El anlisis de razones financieras representan dos tipos de anlisis. Primero, en analista puede comparar una razn actual con razones pasadas y otras que se esperan para el futuro de la misma empresa. La razn del circulante (activos circulantes contra los pasivos circulantes) para fines del ao actual se podra comparar con la razn de activos circulante a fines del ao anterior. Cuando la razones financieras se presentan en una hoja de trabajo para un perodo de aos, el analista puede estudiar la composicin del cambio y determinar si ha habido una mejora o un deterioro en la situacin financiera y el desempeo de la empresa con el transcurso del tiempo. Tambin se pueden calcular razones financieras para estados proyectados o pro forma y compararlos con razones actuales y pasadas. En las comparaciones en el tiempo, es mejor comparar no slo las razones financieras sino tambin las cantidades brutas. http://www.mitecnologico.com/Main/AnalisisDeTendencias

DISTRIBUCION EXPONENCIAL:

A pesar de la sencillez analtica de sus funciones de definicin, la distribucin exponencial tiene una gran utilidad prctica ya que podemos considerarla como un modelo adecuado para la distribucin de probabilidad del tiempo de espera entre dos hechos que sigan un proceso de Poisson. De hecho la distribucin exponencial puede derivarse de un proceso experimental de Poisson con las mismas caractersticas que las que enuncibamos al estudiar la distribucin de Poisson, pero tomando como variable aleatoria , en este caso, el tiempo que tarda en producirse un hecho Obviamente, entonces , la variable aleatoria ser continua. Por otro lado existe una relacin entre el parmetro E de la distribucin exponencial , que ms tarde aparecer , y el parmetro de intensidad del proceso P , esta relacin es E = P Al ser un modelo adecuado para estas situaciones tiene una gran utilidad en los siguientes casos: y Distribucin del tiempo de espera entre sucesos de un proceso de Poisson y Distribucin del tiempo que transcurre hasta que se produce un fallo, si se cumple la condicin que la probabilidad de producirse un fallo en un instante no depende del tiempo transcurrido .Aplicaciones en fiabilidad y teora de la supervivencia. Funcin de densidad.

A pesar de lo dicho sobre que la distribucin exponencial puede derivarse de un proceso de Poisson , vamos a definirla a partir de la especificacin de su funcin. de densidad: Dada una variable aleatoria X que tome valores reales no negativos {x u 0} diremos que tiene una distribucin exponencial de parmetro E con Eu 0, si y slo si su funcin de densidad tiene la expresin: Diremos entonces que

Grficamente como ejemplo planteamos el modelo con parmetro E =0,05

En consecuencia , la funcin de distribucin ser:

En la principal aplicacin de esta distribucin , que es la Teora de la Fiabilidad, resulta ms interesante que la funcin de distribucin la llamada Funcin de Supervivencia o Funcin de Fiabilidad. La funcin de Supervivencia se define cmo la probabilidad de que la variable aleatoria tome valores superiores al valor dado X:

Si el significado de la variable aleatoria es "el tiempo que transcurre hasta que se produce el fallo": la funcin de distribucin ser la probabilidad de que el fallo ocurra antes o en el instante X: y , en consecuencia la funcin de supervivencia ser la probabilidad de que el fallo ocurra despus de transcurrido el tiempo X ; por lo tanto, ser la probabilidad

de que el elemento, la pieza o el ser considerado "Sobreviva" al tiempo X ; de ah el nombre. Grficamente, la funcin de distribucin para un modelo exponencial de parmetroE =0,05 sera :

En la que se observa lo que sera la diferencia entre funcin de distribucin y la de supervivencia

La Funcin Generatriz de Momentos ser :

tendremos as que la F.G.M ser :

Una vez calculada la F.G.M podemos , partiendo de ella , calcular la media y la varianza As la media ser:

En cuando a la varianza su expresin ser :

ya que

La mediana del modelo exponencial ser aquel valor de la variable x =Me que verifica que F(Me) = De manera que por lo que

Tasa instantnea de fallo. Dentro del marco de la teora de la fiabilidad si un elemento tiene una distribucin del tiempo para un fallo con una funcin de densidad f(x) , siendo x la variable tiempo para que se produzca un fallo , y con una funcin de supervivencia S(X) La probabilidad de que un superviviente en el instante t falle en un instante posterior t + ( t ser una probabilidad condicionada que vendr dada por:

Al cociente entre esta probabilidad condicionada y la amplitud del intervalo considerado, t , se le llama tasa media de fallo en el intervalo [t , t+( t] :

Y a la tasa media de fallo en un intervalo infinitsimo es decir, al lmite de la tasa media de fallo cuando ( tp 0 se le llama Tasa Instantnea de Fallo (o, simplemente, tasa de fallo) en t:

La tasa de fallo es, en general, una funcin del tiempo, que define unvocamente la distribucin. Pues bien, puede probarse que el hecho de que la tasa de fallo sea constante es condicin necesaria y suficiente para que la distribucin sea exponencial y que el parmetro es, adems, el valor constante de la tasa de fallo. en efecto: si

de donde diferencial entre 0 y x :

integrando esta ecuacin

de modo que la funcin de distribucin ser Funcin de Distribucin de una Exponencial

Si X tiene una distribucin exponencial

de manera que As pues si un elemento tiene una distribucin de fallos exponencial su tasa de fallos se mantiene constante a lo largo de toda la vida del elemento. La probabilidad de fallar en un instante no depende del momento de la vida del elemento en el que nos encontremos; lo que constituye la propiedad fundamental de la distribucin que ahora enunciamos: Propiedad fundamental de la distribucin exponencial La distribucin exponencial no tiene memoria :

Poseer informacin de que el elemento que consideramos ha sobrevivido un tiempo S (hasta el momento) no modifica la probabilidad de que sobreviva t unidades de tiempo ms. La probabilidad de que el elemento falle en una hora (o en un da, o en segundo) no depende del tiempo que lleve funcionando. No existen envejecimiento ni mayor probabilidad de fallos al principio del funcionamiento

Expresin que no depende , como se observa , del tiempo sobrevivido s. http://www.uv.es/ceaces/base/modelos%20de%20probabilidad/exponencial.htm

DISTRIBUCION EXPONENCIAL: En estadstica la distribucin exponencial es una distribucin de probabilidad continua con un parmetro > 0 cuya funcin de densidad es:

Su funcin de distribucin es: Donde e representa el nmero e. El valor esperado y la varianza de una variable aleatoria X con distribucin exponencial son:

y y

Ejemplo
Ejemplos para la distribucin exponencial es la distribucin de la longitud de los intervalos de variable continua que transcuren entre la ocurrencia de dos sucesos "raros", que se distribuyen segn la distribucin de Poisson.

Calcular variables aleatorias

Se pueden calcular una variable aleatoria de distribucin exponencial x por medio de una variable aleatoria de distribucin uniformeu = U(0,1):

o, dado que (1 u) es tambin una variable aleatoria con distribucin U(0,1), puede utilizarse la versin ms eficiente:

http://es.wikipedia.org/wiki/Distribuci%C3%B3n_exponencial DISTRIBUCION DE PROBABILIDAD CONTINUA:

En teora de la probabilidad una distribucin de probabilidad se llama continua si su funcin de distribucin es continua. Puesto que la funcin de distribucin de una variable aleatoria X viene dada por , la definicin implica que en una distribucin de probabilidad continua X se cumple P[X = a] = 0 para todo nmero reala, esto es, la probabilidad de que X tome el valor a es cero para cualquier valor de a. Si la distribucin de X es continua, se llama a Xvariable aleatoria continua. En las distribuciones de probabilidad continuas, la distribucin de probabilidad es la integral de la funcin de densidad, por lo que tenemos entonces que:

Mientras que en una distribucin de probabilidad discreta un suceso con probabilidad cero es imposible, no se da el caso en una variable aleatoria continua. Por ejemplo, si se mide la anchura de una hoja de roble, el resultado 3,5 cm es posible, pero tiene probabilidad cero porque hay infinitos valores posibles entre 3 cm y 4 cm. Cada uno de esos valores individuales tiene probabilidad cero, aunque la probabilidad de ese intervalo no lo es. Esta aparente paradoja se resuelve por el hecho de que la probabilidad de que X tome algn valor en un conjunto infinito como un intervalo, no puede calcularse mediante la adicin simple de probabilidades de valores individuales. Formalmente, cada valor tiene una probabilidad infinitesimal que estadsticamente equivale a cero. Existe una definicin alternativa ms rigurosa en la que el trmino "distribucin de probabilidad continua" se reserva a distribuciones que tienen funcin de densidad de

probabilidad. Estas funciones se llaman, con ms precisin, variables aleatorias absolutamente continuas (vase el Teorema de Radon-Nikodym). Para una variable aleatoria X absolutamente continua es equivalente decir que la probabilidad P[X = a] = 0 para todo nmero real a, en virtud de que hay un incontables conjuntos de medida de Lebesgue cero (por ejemplo, el conjunto de Cantor). Una variable aleatoria con la distribucin de Cantor es continua de acuerdo con la primera definicin, pero segn la segunda, no es absolutamente continua. Tampoco es discreta, ni una media ponderada de variables discretas y absolutamente continuas. En aplicaciones prcticas, las variables aleatorias a menudo ofrece una distribucin discreta o absolutamente continua, aunque tambin aparezcan de forma natural mezclas de los dos tipos. Para una variable continua hay infinitos valores posibles de la variable y entre cada dos de ellos se pueden definir infinitos valores ms. En estas condiciones no es posible deducir la probabilidad de un valor puntual de la variable; como se puede hacer en el caso de va discretas, pero es posible calcular la probabilidad acumulada hasta un cierto valor (funcin de distribucin de probabilidad), y se puede analizar como cambia la probabilidad acumulada en cada punto (estos cambios no son probabilidades sino otro concepto: la funcin de densidad. En el caso de variable continua la distribucin de probabilidad es la integral de la funcin de densidad, por lo que tenemos entonces que:

Sea X una va continua, una distribucin de probabilidad o funcin de densidad de probabilidad (FDP) de X es una funcin f(x) tal que, para cualesquiera dos nmeros a y bsiendo .

La grfica de f(x) se conoce a veces como curva de densidad, la probabilidad de que X tome un valor en el intervalo [a,b] es el rea bajo la curva de la funcin de densidad; as, la funcin mide concentracin de probabilidad alrededor de los valores de una variable aleatoria continua.

rea bajo la curva de f(x) entre a y b

Para que f(x) sea una FDP (FDP = f(x)) sea legtima, debe satisfacer las siguientes dos condiciones:

1. f(x) 0 para toda x.

2.

Ya que la probabilidad es siempre un nmero positivo, la FDP es una funcin no decreciente que cumple:

1.

. Es decir, la probabilidad de todo el espacio muestral es 1.

2.

. Es decir, la probabilidad del suceso nulo es cero.

http://es.wikipedia.org/wiki/Distribuci%C3%B3n_de_probabilidad_continua DISTRIBUCION DE PROBABILIDAD CON VARIABLES CONTINUAS: En una distribucin de probabilidad continua, la variable que se est considerando puede tomar cualquier valor dentro de un intervalo dado. Las distribuciones continuas son una forma conveniente de presentar distribuciones discretas que tienen muchos resultados posibles, todos muy cercanos entre s. Variables aleatorias. Valor esperado de una variable aleatoria.

Se puede pensar en una variable aleatoria como un valor o una magnitud que cambia de una presentacin a otra, sin seguir una secuencia predecible. Los valores de una variable aleatoria son los valores numricos correspondientes a cada posible resultado de un experimento aleatorio. La distribucin de probabilidad de una variable aleatoria proporciona una probabilidad para cada valor posible, y estas probabilidades deben sumar 1. Valor esperado de una variable aleatoria. El valor esperado es una idea fundamental en el estudio de las distribuciones de probabilidad. http://www.mitecnologico.com/Main/DistribucionProbabilidadVariableAleatoriaContinua
Clculo del tamao de la muestra A la hora de determinar el tamao que debe alcanzar una muestra hay que tomar en cuenta varios factores: el tipo de muestreo, el parmetro a estimar, el error muestral admisible, la varianza poblacional y el nivel de confianza. Por ello antes de presentar algunos casos sencillos de clculo del tamao muestral delimitemos estos factores.

Parmetro. Son las medidas o datos que se obtienen sobre la poblacin. Estadstico. Los datos o medidas que se obtienen sobre una muestra y por lo tanto una estimacin de los parmetros. Error Muestral, de estimacin o standard. Es la diferencia entre un estadstico y su parmetro correspondiente. Es una medida de la variabilidad de las estimaciones de muestras repetidas en torno al valor de la poblacin, nos da una nocin clara de hasta dnde y con qu probabilidad una estimacin basada en una muestra se aleja del valor que se hubiera obtenido por medio de un censo completo. Siempre se comete un error, pero la naturaleza de la investigacin nos indicar hasta qu medida podemos cometerlo (los resultados se someten a error muestral e intervalos de confianza que varan muestra a muestra). Vara segn se calcule al principio o al final. Un estadstico ser ms preciso en cuanto y tanto su error es ms pequeo. Podramos decir que es la desviacin de la distribucin muestral(1) de un estadstico y su fiabilidad. Nivel de Confianza. Probabilidad de que la estimacin efectuada se ajuste a la realidad. Cualquier informacin que queremos recoger est distribuida segn una ley de probabilidad (Gauss o Student), as llamamos nivel de confianza a la probabilidad de que el intervalo construido en torno a un estadstico capte el verdadero valor del parmetro. Varianza Poblacional. Cuando una poblacin es ms homognea la varianza es menor y el nmero de entrevistas necesarias para construir un modelo reducido del universo, o de la

poblacin, ser ms pequeo. Generalmente es un valor desconocido y hay que estimarlo a partir de datos de estudios previos.
3.1.- Tamao de muestra para estimar la media de la poblacin Veamos los pasos necesarios para determinar el tamao de una muestra empleando el muestreo aleatorio simple. Para ello es necesario partir de dos supuestos: en primer lugar el nivel de confianza al que queremos trabajar; en segundo lugar, cual es el error mximo que estamos dispuestos a admitir en nuestra estimacin. As pues los pasos a seguir son: 1.- Obtener el tamao muestral imaginando que :

donde: : z correspondiente al nivel de confianza elegido : varianza poblacional e: error mximo 2.- Comprobar si se cumple si esta condicin se cumple el proceso termina aqu, y ese es el tamao adecuado que debemos muestrear. Si no se cumple, pasamos a una tercera fase: 3.- Obtener el tamao de la muestra segn la siguiente frmula:

Veamos un ejemplo: La Consejera de Trabajo planea un estudio con el inters de conocer el promedio de horas semanales trabajadas por las mujeres del servicio domstico. La muestra ser extrada de una poblacin de 10000 mujeres que figuran en los registros de la Seguridad Social y de las cuales se conoce a travs de un estudio piloto que su varianza es de 9.648. Trabajando con un nivel de confianza de 0.95 y estando dispuestos a admitir un error mximo de 0,1, cul debe ser el tamao muestral que empleemos?.

Buscamos en las tablas de la curva normal el valor de

que corresponde con el nivel

de confianza elegido: 1.-

= 1.96 y seguimos los pasos propuestos arriba.

2.- Comprobamos que no se cumple

, pues en este caso

10000 < 3706 (3706 - 1); 10000 < 13730730

3.-

Tamao de muestra para estimar la proporcin de la poblacin

Para calcular el tamao de muestra para la estimacin de proporciones poblacionales hemos de tener en cuenta los mismos factores que en el caso de la media. La frmula que nos permitir determinar el tamao muestral es la siguiente:

donde : z correspondiente al nivel de confianza elegido P: proporcin de una categora de la variable e: error mximo N: tamao de la poblacin
Siguiendo con el estudio planteado en el punto anterior, supongamos que tratamos de estimar la proporcin de mujeres que trabajan diariamente 10 horas o ms. De un estudio piloto se dedujo que P=0.30, fijamos el nivel de confianza en 0.95 y el error mximo 0.02.

http://www.psico.uniovi.es/Dpto_Psicologia/metodos/tutor.7/p3.html