Distribuciones de Probabilidad

Descargar como pdf o txt
Descargar como pdf o txt
Está en la página 1de 46

Unidad 6: distribuciones

de probabilidad
Conceptos, propiedades, supuestos y ejemplos
Unidad 6 del programa
Distribuciones de probabilidad: Variable
aleatoria y distribución de probabilidad.
Definición. Ejemplos. Variable aleatoria
discreta y continua. Esperanza matemática y
varianza. Algunos ejemplos de distribuciones
discretas y continuas. Distribución normal:
características, parámetros. Aplicaciones.
Distribución normal estandarizada.
Espacio de probabilidad

Se llama espacio de probabilidad E  S , F , P


Al espacio que está formado por el conjunto S de
resultados a los que se denomina espacio muestral,
F álgebra de conjuntos y/o familia de eventos y una
probabilidad asociada a cada resultado de S y por
consiguiente del conjunto F. El conjunto S puede ser
finito, infinito numerable o infinito no numerable y
sus elementos, a los que denominamos eventos
simples, pueden ser números o no.
Variable aleatoria X

Definición: una variable aleatoria X es una función


que asigna a cada elemento de un espacio muestral
un número real, es decir:

X :S 
Función de distribución: F(x)

Una función de distribución F(x) de una variable


aleatoria X, se define como una función que asigna
a cada valor del conjunto de los números reales un
número real entre cero y uno inclusive. F(x) es igual
a la probabilidad de que X asuma un valor menor o
igual a un valor particular x.

F  X   P  X  x, x 
Se clasifican en:

 Variables aleatorias discretas: los


valores que asume surgen de un
proceso de conteo que puede ser finito
o infinito.
 Variables aleatorias continuas: toma
cualquier valor dentro de un intervalo.
Variables aleatorias Discretas (VAD)

La función de probabilidad, en este caso es


denominada función de cuantía, e indica una
probabilidad para cada valor posible de la variable
aleatoria.
P  X   P  X  x
Propiedades de la función de cuantía

P X   0
k

 px  1
i 1
i
Función de acumulación

La función de acumulación se define como:

F  x j   P  X  x j    p  xi 
j

i 1
Propiedades de la función acumulada

 𝐹 𝑥 ≥0
 El valor de la función de acumulación para el mayor valor
de la variable es uno. 𝐹 𝑥𝑘 = 1.
 El valor de la función de acumulación para el menor valor
de la variable es cero. 𝐹 𝑥1 =0
 La función de acumulación es creciente, a un valor mayor
de la variable mayor es la probabilidad acumulada.
𝐹 𝑥 + ℎ ≥ 𝐹 𝑥 , ∀ ℎ > 0 𝑦 𝑒𝑛𝑡𝑒𝑟𝑜.
Variable aleatoria continua (VAC)
Definición: Se dice que X es una variable aleatoria continua si existe una
función, llamada función de densidad de X, que satisface las condiciones:
1) 𝐹 𝑋 ≥ 0 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑋;

Esta condición exige que la función asuma sólo valores positivos o nulos.
+∞
1) −∞
𝑓 𝑥 𝑑𝑥 = 1
Los límites de integración −∞; +∞ denotan el menor y el mayor valor
que asume la variable, respectivamente, de manera que, integrando para
todo el recorrido de la variable, si se trata de una función de densidad,
el resultado debe ser siempre igual a 1.
Propiedades de la función acumulada

 𝐹 𝑥 ≥0
 El límite de la función de acumulación para el más alto
valor de la variable tiende a uno. lim 𝐹 𝑋 = 1.
𝑥→∞
 El límite de la función de acumulación para el menor valor
de la variable tiende a cero. lim 𝐹 𝑋 = 0.
𝑥→−∞
 La función de acumulación es monótona creciente, a un
valor mayor de la variable mayor es la probabilidad
acumulada. 𝐹 𝑥 + ℎ ≥ 𝐹 𝑥 , ∀ ℎ > 0.
Esperanza Matemática E(X)
Para una variable aleatoria discreta X con
una distribución de P(X), el valor medio
esperado, que se simboliza por E(X) o
también por u, se calcula como:
𝑘

𝐸 𝑋 =𝜇= 𝑥𝑖 ∗ 𝑝 𝑥
𝑖=1
Propiedades de la esperanza
 La esperanza de una constante es la constante.
 La esperanza de una constante por una variable es la constante por la Esperanza
de la variable.
 La esperanza de una constante más una variable es la constante más la esperanza
de la variable.
 La esperanza de la suma de dos variables aleatorias es igual a la suma de sus
esperanzas. Siempre que las variables se encuentren expresadas en las mismas
unidades de medida.
 La esperanza del producto de dos variables aleatorias independientes es igual al
producto de sus esperanzas.
 La esperanza de la variable desvío respecto a la esperanza es nula, en símbolos:
𝐸 𝑥−𝜇 = 𝑥−𝜇 𝑃 𝑥
+𝑖𝑛𝑓
𝐸 𝑥−𝜇 = 𝑥 − 𝜇 𝑓 𝑥 𝑑𝑥
−𝑖𝑛𝑓
Varianza y desviación estándar

Varianza:
2 2
𝑉 𝑋 = 𝜎𝑥
=𝐸 𝑋−𝜇
Varianza:
2
𝑉 𝑋 =𝐸 𝑋 −𝐸 𝑋 2
Distribuciones de
probabilidad
VARIABLES ALEATORIAS CONTINUAS Y DISCRETAS
Distribución Binomial
Supuestos de la distribución:

 Se realizan n pruebas idénticas, es decir que hablamos de la


realización de n pruebas repetidas.
 Las pruebas son independientes, es decir que la ocurrencia de un
evento en particular en una de ellas no modifica la probabilidad de
ocurrencia del evento en la prueba siguiente. Esto se denomina
muestreo con reemplazo.
 Cada prueba posee dos resultados posibles mutuamente excluyentes,
que denominamos éxito o fracaso.
 La probabilidad de éxito en una sola prueba es igual a p, y permanece
constante de prueba en prueba. La probabilidad de fracaso es igual a
(1-p) y, permanece constante.
Ejemplo

Suponemos que se conoce que el 10% de


las facturas de una importante firma
que vende libros por correo están
incorrectas. Si se seleccionaron 8
facturas con reposición en un mes
determinado, ¿cuál es la probabilidad de
que exactamente tres estén incorrectas?
Definición de la variable aleatoria

X = cantidad de éxitos en n pruebas


repetidas con reemplazo

𝑋 ∈ 0; 𝑛
Parámetros de forma de la distribución

𝐸
𝑋 = 𝑛. 𝑝
𝑉 𝑋 = 𝑛. 𝑝. (1 − 𝑝)
FUNCIÓN DE PROBABILIDAD
Distribución HIPERGEOMÉTRICA
Ejemplo:

En una urna hay 12


bolas azules y 3
negras, se sacan 4
bolas, ¿Cuál es la
probabilidad de
que 3 sean azules?
Diferencias con la binomial

Distribución
Distribución Binomial Hipergeométrica
El muestreo se realiza sin
 El muestreo se realiza 
reemplazo.
con reemplazo.  En caso de poblaciones finitas o
cuando n (elementos
 La probabilidad de seleccionados) es relativamente
grande con respecto a N (tamaño
éxito se mantiene de la población, la probabilidad de
seleccionar posteriormente un
constante elemento estará afectado
significativamente por los
elementos seleccionados
anteriormente
Variable Aleatoria

 X: número de éxitos en n pruebas repetidas sin


reemplazo.
 X es una variable discreta, cuyo campo de
variación es:
𝑋 = 0,1,2, … min(𝑛, 𝐾)
Función de probabilidad

 Se deduce mediante el uso del enfoque clásico de la siguiente manera:


𝐾 𝑁−𝐾
𝑃 𝑋=𝑥 = 𝑥 𝑛−𝑥
𝑁
𝑛
Donde:
 K: es la cantidad de éxitos en la población
 N: es el tamaño de la población
 N-K: es la cantidad de fracasos en la población
 n: es el tamaño de la muestra
 x: es la cantidad de éxitos en la muestra
 n-x: es la cantidad de fracasos
Parámetros de forma de la distribución

𝐾
 𝐸 𝑋 = 𝑛.
𝑁
𝐾 𝑁−𝐾 𝑁−𝑛
𝑉 𝑋 = 𝑛. . .
𝑁 𝑁 𝑁−1
 La varianza de la Hipergeométrica es
menor a la de la Binomial.
Distribución Poisson
Ejemplo de aplicación:
 La llegada de un cliente al negocio durante una hora,
 Las llamadas telefónicas que se reciben en un día.
 Los defectos en manufacturas de papel por cada metro
producido.
 Los envases llenados fuera de los límites por cada 100 galones de
producto terminado.
 Número de fallas en la superficie de una cerámica rectangular.
 Número de bacterias en un volumen de un m3 de agua.
 Número de accidentes de trabajo que ocurren en una fábrica
durante una semana.
Supuestos del modelo

 La probabilidad de observar más de un éxito en un


intervalo es cero.
 La ocurrencia de un éxito en cualquier intervalo
es estadísticamente independiente de la
ocurrencia de otro en un intervalo distinto.
 La probabilidad p de observar exactamente un
éxito en el intervalo es estable y pequeño.
Definición de la variable aleatoria

X = cantidad de éxitos en un intervalo


fijo (tiempo, longitud, área, etc.)
 Los valores que puede asumir X =
0,1,2,3, …
Parámetros de forma de la distribución

𝐸 𝑋 = 𝜆
𝑉 𝑋 = 𝜆
FUNCIÓN DE PROBABILIDAD
Para tener en cuenta

 Al menos … 
 Por lo menos … 
 A lo sumo … 
Distribución Normal
Distribución Gaussiana
Parámetros de Forma 𝑁(𝜇, 𝜎)
Distribuciones con igual media y
distintas varianzas
Propiedades de la distribución Normal
Propiedades de la distribución Normal
Función de probabilidad
La Función de densidad de una variable aleatoria X con
distribución normal:

Esta función cumple con las siguientes condiciones:


• 𝑓 𝑥 ≥0

• −∞ 𝑓 𝑥 𝑑𝑥 = 1
Distribución Normal Estandarizada
Función de densidad para la variable
normal estandarizada

Esta función cumple con las siguientes condiciones:


• 𝑓 𝑧 ≥0

• −∞ 𝑓 𝑧 𝑑𝑧 = 1
Características de la distribución normal
estandarizada

• Su media es cero y su varianza es uno.


• La curva f(z) es simétrica.
• Posee un máximo.
• Tiene dos puntos de inflexión, en z=-1 y
z=1.

También podría gustarte