Probabilidades y Distribuciones

PROBABILIDADES Y
DISTRIBUCIONES DE PROBABILIDADES
REALIDAD POBLACIN PROBLEMA
VARIABLES
Aleatorias No aleatorias
Probabilidades
ANOVA
Distribuciones
Parmetros
Pruebas de
Hiptesis
Muestreo
Intervalos de
Confianza
MUESTRA ALEATORIA
VARIABLES
Datos
Estimadores
Distribuciones
Estadstica Descriptiva
NOCIONES DE
PROBABILIDADES
NOCIONES DE PROBABILIDADES
Fuente: http://ciberconta.unizar.es/leccion/probabil/INICIO.HTML; 04/12/2008

De qu se hacen cargo?
Falta de informacin
Azar
Variabilidad
INCERTIDUMBRE
Y qu es (qu son) ?
Probabilidad = Medida de la incertidumbre

Clculo de probabilidades
Base emprica: Experimentos aleatorios
Espacio muestral:
Suceso o Evento: A
Clculo de probabilidades:
Existe probabilidad de un suceso:
m( A)
P( A)
m( )
Clculo de probabilidades:
Ejemplo:
Se selecciona aleatoriamente un asistente a la clase de hoy.
Cul es la probabilidad de que sea mujer?
Evento A: Ser mujer

Espacio muestral : {mujer, , hombre}
Nmero de elementos de A =
Nmero de elementos de =
P ( A)
Propiedades fundamentales:
A y B eventos de un espacio muestral

P() = 0
P() = 1
0 P(A) 1
P(A B) = P(A) + P(B) P(A B)
P(Ac) = 1 P(A), Ac evento complementario de A
Probabilidad Condicional:
P( A B)
P( A | B) ; P( B) 0
P( B)
Independencia de eventos:
A y B independientes si:
P( A | B) P( A)

P( A B) P( A) P( B)
Probabilidad Total:
Teorema. Sea E1, E2,...,En una particin de E (esto significa que

ij, Ei Ej , y Ei =E). Entonces:
P(E) = P(E | Ei) P(Ei), para i = 1,2,...,n

Teorema de Bayes:
Si E1, ... , En son n eventos mutuamente independientes, de los

cuales uno debe ocurrir, es decir, P(Ei) = 1, entonces, para un
evento dado A:
P( A | Ei ) P( Ei )
P( Ei | A)
P( A | Ei ) P( Ei )
Variables aleatorias
Y
Distribuciones de Probabilidades
Variables aleatorias: Definicin
X : (, P ) IR
X ( ) x
Discretas Continuas
Recorrido de X es Recorrido de X es
finito o infinito infinito
numerable
Distribuciones de probabilidades
p(x) = P[X=x] X discreta Funcin de probabilidad

X
f(x) X continua Funcin de densidad
x1
X discreta X continua
xk
0 p( x) 1 f ( x) 0
p(x) 1 f ( x)dx 1
Distribucin Acumulada
Caso discreto:
X P[X=x] = p(x)
x1 p1
x2 p2
x3 p3

xk pk
Caso discreto:
X P[X=x] = p(x) F(x)=P[X x]

x1 p1 p1
x2 p2 p1+p2
x3 p3 p1+p2+p3

xk pk pi = 1
Caso discreto: Caso continuo:
X P[X=x] = p(x) F(x)=P[X x] x

F ( x) P( X x) f ( y )dy
y
x1 p1 p1
x2 p2 p1+p2
x3 p3 p1+p2+p3

xk pk pi = 1
Medidas de resumen de una v.a.

Tendencia central
E ( X ) x p ( x) X discreta
Media x
Valor esperado
Esperanza matemtica E ( X )
xf ( x)dx
x
X continua
Propiedades:
E[ a ] a
E[aX b] aE[ X ] b
Tendencia central
Mediana x0.5 : P( X x0.5 ) 0.5 P( X x0.5 ) 0.5
xmod : p ( xmod ) X discreta

Moda
xmod : f ( xmod ) X continua
Posicin
Extremos Cuartiles Quintiles Deciles
Percentil x : P( X x )
Dispersin
Rango Max ( X ) min ( X )
Varianza Var ( X ) 2 E ( X 2 ) E 2 ( X )
Propiedades:
Var (k ) 0
Var ( X k ) Var ( X )
Var(aX b) a 2Var ( X )
Desviacin estndar d .e.( X ) Var( X )
Proceso de estandarizacin
X v.a.
E( X ) d .e.( X )
X
X Z

E (Z ) 0 d .e.( Z ) 1
Variables aleatorias: Parmetros
PARMETRO:
Rasgo, caracterstica, propiedad fija o constante de una poblacin.
Las medidas de resumen de una variable aleatoria son parmetros.
Los parmetros determinan la distribucin de probabilidades.

Variables aleatorias: Resumen
Definicin-Contexto-Problema
Discretas Valores
Parmetros
Continuas Funcin de probabilidad

Funcin de densidad
Medidas de resumen
MODELOS DE DISTRIBUCIONES
DISCRETAS
DISTRIBUCIONES DISCRETAS DE PROBABILIDADES
Distribucin Bernoulli
Experimento de base:
Todo experimento aleatorio que tenga slo dos resultados posibles,
mutuamente excluyentes, que pueden denominarse xito y Fracaso.
P[xito] = p P[Fracaso] = 1 p = q
Variable aleatoria Definicin:

Nmero de xitos observados en un ensayo.
Usos aplicaciones:
Muy poco. Electrnica, proceso binarios en general.
Variable aleatoria Valores:
0y1
Parmetros:
p: Probabilidad de xito
Notacin:
X Ber(p)
Funcin de distribucin de probabilidades:
X P(X = x) = p(x)
0 1p p(x) = px(1p)1-x ; x = 0,1
1 p
Funcin de distribucin acumulativa:
X P(X = x) = p(x) F(x) = P(X x)

0 1p 1p
1 p (1 p) + p = 1
Propiedades:
X Ber(p)
E( X ) p Var ( X ) p(1 p)
Distribucin binomial
Realizacin de n ensayos Bernoulli, todos independientes, y cada
uno con probabilidad de xito p.

Nmero de xitos observados en n ensayos Bernoulli, todos
independientes, y cada uno con probabilidad de xito p.
Usos aplicaciones:
Control de calidad, tratamientos de encuestas
Valores de la variable:
0, 1, 2, , n
Parmetros:
n: Nmero de ensayos
p: Probabilidad de xito
Notacin:
X bin(n , p)
n x
p( x) p (1 p) n x ; x 0,1,2, , n
x
k
F (k ) P( X k ) p ( x)
x 0
Clculo de probabilidades acumulativas:

k
F (k ) P( X k ) p ( x)
x 0
Propiedades:
X bin(n , p)
E ( X ) np Var ( X ) np(1 p)
Distribucin de Poisson
Observacin de la ocurrencia de eventos en un espacio (intervalo)
determinado (fijo).

Nmero de eventos que ocurren de manera aleatoria e independiente,
a una tasa constante , en un espacio o intervalo determinado.
Usos aplicaciones:
Fenmenos de espera, fenmenos de transporte
0, 1, 2,
Parmetros:
: Tasa promedio de ocurrencia de los eventos
Notacin:
X P()

e x
p ( x) ; x 0,1,2,
x!
k
F (k ) P( X k ) p ( x)
x 0
Clculo de probabilidades acumulativas:

k
F (k ) P( X k ) p ( x)
x 0
Propiedades:
X P ( )
E( X ) Var ( X )
Teorema. Sea X una variable con distribucin binomial de

parmetros n y p. Si existe una constante tal que p = / n,
entonces:
x
e
lim p ( x; n , p ) ; x 0,1,
n x!
p 0
MODELOS DE DISTRIBUCIONES
CONTINUAS
DISTRIBUCIONES CONTINUAS DE PROBABILIDADES
Distribucin Uniforme
Seleccionar aleatoriamente un nmero en un intervalo real (a,b), y
registrar su valor.

Nmero real seleccionado aleatoriamente en un intervalo (a,b).
Usos aplicaciones:
Generacin de nmeros aleatorios, informtica,
x ( a, b)
Parmetros:
a, b
Notacin:
X ~ U ( a, b)
Funcin de densidad:
1
f ( x) I ( a ,b ) ( x ) ; x ( a , b )
ba
k xa
F (k ) P( X k ) f ( x)dx
xa ba
Propiedades:
X U(a , b)
ab a ab b
2 2
E( X ) Var ( X )
2 3
Distribucin Normal
La variable:
Muchas variables continuas relativas a mediciones:
Fsicas: Longitud, altitud, temperaturas, velocidad de

Biolgicas: Talla, peso, ritmo cardiaco, presin arterial,
Psicolgicas: Inteligencia, habilidades, destrezas, etc.
CUIDADO! MUCHO no significa TODO

Distribucin Normal
Los valores de la variable:
Depende del problema en estudio.

Tericamente, cualquier valor real.
Distribucin Normal
Los parmetros:
Dos parmetros. Se simbolizan por:
y
Corresponden a la media y desviacin estndar
X ~ N ( , )
Distribucin Normal
Funcin de densidad y grfico:

1 1 2
f ( x | , ) exp (x )
2 2
x ; ; 0

Campana de Gauss
Distribucin Normal
Funcin de distribucin acumulada:

x 1 1
F ( x | , ) exp ( y ) 2 dy

2 2
P( X x)
Distribucin Normal
La normal estndar:
X
X ~ N ( , ) Z ~ N (0,1)

Distribucin Normal PROBABILIDADES ACUMULADAS DE LA NORMAL ESTNDAR
Probabilidades acumuladas para algunos valores de la variable aleatoria normal estndar Z

z .00 .01 .02 .03 .04 .05 .06 .07 .08 .09
__________________________________________________________
0.0 .5000 .5040 .5080 .5120 .5160 .5199 .5239 .5279 .5319 .5359
0.1 .5398 .5438 .5478 .5517 .5557 .5596 .5636 .5675 .5714 .5753
0.2 .5793 .5832 .5871 .5910 .5948 .5987 .6026 .6064 .6103 .6141
Probabilidades acumuladas: 0.3 .6179 .6217 .6255 .6293 .6331 .6368 .6406 .6443 .6480 .6517
0.4 .6554 .6591 .6628 .6664 .6700 .6736 .6772 .6808 .6844 .6879
0.5 .6915 .6950 .6985 .7019 .7054 .7088 .7123 .7157 .7190 .7224
0.6 .7257 .7291 .7324 .7357 .7389 .7422 .7454 .7486 .7517 .7549
0.7 .7580 .7611 .7642 .7673 .7703 .7734 .7764 .7794 .7823 .7852
0.8 .7881 .7910 .7939 .7967 .7995 .8023 .8051 .8078 .8106 .8133
0.9 .8159 .8186 .8212 .8238 .8264 .8189 .8315 .8340 .8365 .8389
1.0 .8413 .8438 .8461 .8485 .8508 .8531 .8554 .8577 .8599 .8621
1.1 .8643 .8665 .8686 .8708 .8729 .8749 .8770 .8790 .8810 .8830
1.2 .8849 .8869 .8888 .8907 .8925 .8944 .8962 .8980 .8997 .9015
1.3 .9032 .9049 .9066 .9082 .9099 .9115 .9131 .9147 .9162 .9177
1.4 .9192 .9207 .9222 .9236 .9251 .9265 .9279 .9292 .9306 .9319
1.5 .9332 .9345 .9357 .9370 .9382 .9394 .9406 .9418 .9429 .9441
1.6 .9452 .9463 .9474 .9484 .9495 .9505 .9515 .9525 .9535 .9545
1.7 .9554 .9564 .9573 .9582 .9591 .9599 .9608 .9616 .9625 .9633
1.8 .9641 .9649 .9656 .9664 .9671 .9678 .9686 .9693 .9699 .9706
1.9 .9713 .9719 .9726 .9732 .9738 .9744 .9750 .9756 .9761 .9767
2.0 .9772 .9778 .9783 .9788 .9793 .9798 .9803 .9808 .9812 .9817
2.1 .9821 .9826 .9830 .9834 .9838 .9842 .9846 .9850 .9854 .9857
2.2 .9861 .9864 .9868 .9871 .9875 .9878 .9881 .9884 .9887 .9890
2.3 .9893 .9896 .9898 .9901 .9904 .9906 .9906 .9911 .9913 .9916
2.4 .9918 .9920 .9922 .9925 .9927 .9929 .9931 .9932 .9934 .9936
2.5 .9938 .9940 .9941 .9943 .9945 .9946 .9948 .9949 .9951 .9952
2.6 .9953 .9955 .9956 .9957 .9959 .9960 .9961 .9962 .9963 .9964
2.7 .9965 .9966 .9967 .9968 .9969 .9970 .9971 .9972 .9973 .9974
2.8 .9974 .9975 .9976 .9977 .9977 .9978 .9979 .9979 .9980 .9981
2.9 .9981 .9982 .9982 .9983 .9984 .9984 .9985 .9985 .9986 .9986
3.0 .9987 .9987 .9987 .9988 .9988 .9989 .9989 .9989 .9990 .9990
3.1 .9990 .9991 .9991 .9991 .9992 .9992 .9992 .9992 .9993 .9993
3.2 .9993 .9993 .9994 .9994 .9994 .9994 .9994 .9995 .9995 .9995
3.3 .9995 .9995 .9995 .9996 .9996 .9996 .9996 .9996 .9996 .9997
3.4 .9997 .9997 .9997 .9997 .9997 .9997 .9997 .9997 .9997 .9998
3.5 .9998 .9998 .9998 .9998 .9998 .9998 .9998 .9998 .9998 .9998
Distribucin Normal
Un ejemplo:
En un estudio sobre longevidad se analizaron las edades de 489
jubilados obtenindose una media de edad de 72 aos con una
desviacin de 8.6 aos. Suponiendo que las edades se
distribuyen de acuerdo a una ley normal, se desea saber:
a) Cuntos sujetos hay por debajo de 80 aos.

b) Cuntos sujetos hay por encima de 65 aos.
c) A partir de qu edad se sita el 10% ms viejo.
Distribucin Normal
Un ejemplo:
En un estudio sobre longevidad se analizaron las edades de 489
jubilados obtenindose una media de edad de 72 aos con una
desviacin de 8.6 aos. Suponiendo que las edades se
distribuyen de acuerdo con la curva normal, se desea saber:
Solucin parte a):

Sea X: Edad de las personas estudiadas
Se tiene: X ~ N ( 72 aos; 8.6 aos )
Se pide: P ( X 80)
Distribucin Normal
Un ejemplo:
X ~ N ( 72 aos; 8.6 aos )
P ( X 80) ?
Opciones de la
Hoja de Clculo de
OpenOffice
Distribucin Normal
Un ejemplo:
X ~ N ( 72 aos; 8.6 aos )
X 72 80 72
Pero: P ( X 80) P
8 .6 8 .6
8
P(Z )
8 .6
P ( Z 0.93)
Distribucin Normal PROBABILIDADES ACUMULADAS DE LA NORMAL ESTNDAR
Probabilidades acumuladas para algunos valores de la variable aleatoria normal estndar Z

z .00 .01 .02 .03 .04 .05 .06 .07 .08 .09
__________________________________________________________
0.0 .5000 .5040 .5080 .5120 .5160 .5199 .5239 .5279 .5319 .5359
0.1 .5398 .5438 .5478 .5517 .5557 .5596 .5636 .5675 .5714 .5753
0.2 .5793 .5832 .5871 .5910 .5948 .5987 .6026 .6064 .6103 .6141
0.3 .6179 .6217 .6255 .6293 .6331 .6368 .6406 .6443 .6480 .6517
X 72 80 72
0.4 .6554 .6591 .6628 .6664 .6700 .6736 .6772 .6808 .6844 .6879
P ( X 80) P
0.5 .6915 .6950 .6985 .7019 .7054 .7088 .7123 .7157 .7190 .7224
0.6 .7257 .7291 .7324 .7357 .7389 .7422 .7454 .7486 .7517 .7549

0.7 .7580 .7611 .7642 .7673 .7703 .7734 .7764 .7794 .7823 .7852
8 . 6 8 . 6 0.8 .7881 .7910 .7939 .7967 .7995 .8023 .8051 .8078 .8106 .8133
0.9 .8159 .8186 .8212 .8238 .8264 .8189 .8315 .8340 .8365 .8389
1.0 .8413 .8438 .8461 .8485 .8508 .8531 .8554 .8577 .8599 .8621
8 1.1 .8643 .8665 .8686 .8708 .8729 .8749 .8770 .8790 .8810 .8830
P(Z ) 1.2 .8849 .8869 .8888 .8907 .8925 .8944 .8962 .8980 .8997 .9015
1.3 .9032 .9049 .9066 .9082 .9099 .9115 .9131 .9147 .9162 .9177
8 .6 1.4 .9192 .9207 .9222 .9236 .9251 .9265 .9279 .9292 .9306 .9319
1.5 .9332 .9345 .9357 .9370 .9382 .9394 .9406 .9418 .9429 .9441
1.6 .9452 .9463 .9474 .9484 .9495 .9505 .9515 .9525 .9535 .9545
1.7 .9554 .9564 .9573 .9582 .9591 .9599 .9608 .9616 .9625 .9633
P ( Z 0.93) 1.8 .9641 .9649 .9656 .9664 .9671 .9678 .9686 .9693 .9699 .9706
1.9 .9713 .9719 .9726 .9732 .9738 .9744 .9750 .9756 .9761 .9767
2.0 .9772 .9778 .9783 .9788 .9793 .9798 .9803 .9808 .9812 .9817
2.1 .9821 .9826 .9830 .9834 .9838 .9842 .9846 .9850 .9854 .9857
2.2 .9861 .9864 .9868 .9871 .9875 .9878 .9881 .9884 .9887 .9890
2.3 .9893 .9896 .9898 .9901 .9904 .9906 .9906 .9911 .9913 .9916
2.4 .9918 .9920 .9922 .9925 .9927 .9929 .9931 .9932 .9934 .9936
P ( X 80) 0.8238 82 .38% 2.5 .9938 .9940 .9941 .9943 .9945 .9946 .9948 .9949 .9951 .9952
2.6 .9953 .9955 .9956 .9957 .9959 .9960 .9961 .9962 .9963 .9964
2.7 .9965 .9966 .9967 .9968 .9969 .9970 .9971 .9972 .9973 .9974
2.8 .9974 .9975 .9976 .9977 .9977 .9978 .9979 .9979 .9980 .9981
2.9 .9981 .9982 .9982 .9983 .9984 .9984 .9985 .9985 .9986 .9986
3.0 .9987 .9987 .9987 .9988 .9988 .9989 .9989 .9989 .9990 .9990
82.38% de 489 son 403 personas 3.1 .9990 .9991 .9991 .9991 .9992 .9992 .9992 .9992 .9993 .9993
3.2 .9993 .9993 .9994 .9994 .9994 .9994 .9994 .9995 .9995 .9995
3.3 .9995 .9995 .9995 .9996 .9996 .9996 .9996 .9996 .9996 .9997
3.4 .9997 .9997 .9997 .9997 .9997 .9997 .9997 .9997 .9997 .9998
3.5 .9998 .9998 .9998 .9998 .9998 .9998 .9998 .9998 .9998 .9998
Distribucin Normal
Aproximacin de De Moivre Laplace

Teorema. Sea X una variable con distribucin binomial de parmetros
n y p. Entonces, si n tiende a infinito:
X np
Y ~ N (0,1)
np(1 p)
Nota: La aproximacin ya es buena para n>30, y mejor mientras p

sea cercano a 0.5.
Distribucin Normal
Aproximacin de De Moivre Laplace
n=30, p=0.4 n=80, p=0.7 n=200, p=0.5

DISTRIBUCIONES DE
PROBABILIDADES:
CUL EL PROBLEMA?
EL DESCONOCIMIENTO
DE LOS PARMETROS
DISTRIBUCIONES DE
PROBABILIDADES:
CUL LA SOLUCIN?
EST EN EL MUESTREO
Sugerencias Bibliogrficas
1. Daniel W.: Estadstica con aplicaciones a las ciencias sociales y a

la educacin. McGraw-Hill. Mexico, 1997.
2. Canavos G.: Probabilidad y Estadstica. Aplicaciones y mtodos. Mc
Graw Hill. Mxico, 1995.

Probabilidades y Distribuciones

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Probabilidades y Distribuciones

Uploaded by

Copyright:

Available Formats

PROBABILIDADES Y

Fuente: http://ciberconta.unizar.es/leccion/probabil/INICIO.HTML; 04/12/2008

Probabilidad = Medida de la incertidumbre

Base emprica: Experimentos aleatorios

Existe probabilidad de un suceso:

Evento A: Ser mujer

A y B eventos de un espacio muestral

A y B eventos de un espacio muestral

A y B eventos de un espacio muestral

Teorema. Sea E1, E2,...,En una particin de E (esto significa que

P(E) = P(E | Ei) P(Ei), para i = 1,2,...,n

Si E1, ... , En son n eventos mutuamente independientes, de los

Variables aleatorias: Definicin

p(x) = P[X=x] X discreta Funcin de probabilidad

X P[X=x] = p(x) F(x)=P[X x]

Caso discreto: Caso continuo:

X P[X=x] = p(x) F(x)=P[X x] x

Medidas de resumen de una v.a.

Medidas de resumen de una v.a.

Mediana x0.5 : P( X x0.5 ) 0.5 P( X x0.5 ) 0.5

xmod : p ( xmod ) X discreta

Medidas de resumen de una v.a.

Extremos Cuartiles Quintiles Deciles

Medidas de resumen de una v.a.

Variables aleatorias: Parmetros

Rasgo, caracterstica, propiedad fija o constante de una poblacin.

Las medidas de resumen de una variable aleatoria son parmetros.

Los parmetros determinan la distribucin de probabilidades.

Variables aleatorias: Resumen

Continuas Funcin de probabilidad

Variable aleatoria Definicin:

Variable aleatoria Valores:

Funcin de distribucin de probabilidades:

Funcin de distribucin acumulativa:

X P(X = x) = p(x) F(x) = P(X x)

Variable aleatoria Definicin:

Funcin de distribucin de probabilidades:

Clculo de probabilidades acumulativas:

Variable aleatoria Definicin:

Funcin de distribucin de probabilidades:

Clculo de probabilidades acumulativas:

Teorema. Sea X una variable con distribucin binomial de

Variable aleatoria Definicin:

Funcin de distribucin acumulativa:

Muchas variables continuas relativas a mediciones:

Fsicas: Longitud, altitud, temperaturas, velocidad de

CUIDADO! MUCHO no significa TODO

Los valores de la variable:

Depende del problema en estudio.

Dos parmetros. Se simbolizan por:

Funcin de densidad y grfico:

Funcin de distribucin acumulada:

Probabilidades acumuladas para algunos valores de la variable aleatoria normal estndar Z

a) Cuntos sujetos hay por debajo de 80 aos.

Solucin parte a):

Se tiene: X ~ N ( 72 aos; 8.6 aos )

Probabilidades acumuladas para algunos valores de la variable aleatoria normal estndar Z

Aproximacin de De Moivre Laplace

Nota: La aproximacin ya es buena para n>30, y mejor mientras p

Aproximacin de De Moivre Laplace

n=30, p=0.4 n=80, p=0.7 n=200, p=0.5

1. Daniel W.: Estadstica con aplicaciones a las ciencias sociales y a

You might also like