Resumen Probabilidad1
Resumen Probabilidad1
Resumen Probabilidad1
Probabilidad
Resumen.
Modelos Probabilísticos de
fenómenos aleatorios continuos
Grupo: 18
Alumno:
Gilberto Fragoso Sorcia
Calificación: _____________________________
Primero debemos saber ¿qué es una probabilidad?
Experimento: proceso que induce a que ocurra una y solo una de varias posibles
observaciones.
Resultado: resultado particular de un experimento.
Evento: conjunto de uno o más resultados de un evento.
Distribución continua.
Describe las probabilidades de los posibles valores de una variable aleatoria continua.
Una variable aleatoria continua es una variable aleatoria con un conjunto de valores
posibles (conocido como el rango) que es infinito y no se puede contar.
Solo los rangos de valores pueden tener una probabilidad diferente de cero. La
probabilidad de que una variable aleatoria continua equivalga a algún valor siempre es
cero.
Sin embargo, la probabilidad de que X sea exactamente igual a algún valor siempre es
cero, porque el área por debajo de la curva en un punto individual, que no tiene
anchura, es cero. Por ejemplo, la probabilidad de que un hombre pese exactamente 190
libras es cero. Podría calcular una probabilidad diferente de cero de que un hombre
pese más de 190 libras, menos de 190 libras o entre 189.9 y 190.1 libras, pero la
probabilidad de que pese exactamente 190 libras es cero.
O rectangular a aquella distribución que surge al considerar una variable aleatoria que
toma valores equiparables en un intervalo finito. Su nombre se debe al hecho de que la
densidad de probabilidad de esta variable es uniforme sobre todo su intervalo de
definición.
Es aquella que puede tomar cualquier valor dentro de un intervalo, todos ellos con la
misma probabilidad.
Cálculo de la media
En una variable se define como el punto para el cual la función de distribución alcance
el valor 0.5; en una muestra la mediana es el valor central. Para calcularla se ordenan
las observaciones de menor a mayor. Si n es impar, la mediana es la observación
central
En resumen, podríamos decir que la mediana es el valor que es mayor o igual que el
50% de las observaciones de la muestra y menor o igual que el otro 50%. No tiene por
qué ser igual a una de las observaciones de la muestra. Es más fácil de calcular que la
media aritmética y apenas se afecta por observaciones extremas; sin embargo tiene
mayor varianza que X y sólo toma en cuenta la información de los valores centrales de
la muestra.
La varianza
Distribución gamma
Utilice la distribución gamma para modelar valores de datos positivos que sean
asimétricos a la derecha y mayores que 0. La distribución gamma se utiliza
comúnmente en estudios de supervivencia de fiabilidad. Por ejemplo, la distribución
gamma puede describir el tiempo que transcurre para que falle un componente
eléctrico. La mayoría de los componentes eléctricos de un tipo particular fallará
aproximadamente en el mismo momento, pero unos pocos tardarán más en fallar.
La distribución gamma es una distribución continua que se define por sus parámetros
de forma y escala. La distribución gamma de 3 parámetros se define por sus
parámetros de forma, escala y valor umbral. Por ejemplo, en la siguiente gráfica, la
distribución gamma se define según valores de forma y escala diferentes cuando el
valor umbral se establece en 0.0. La mayoría de los valores en una distribución gamma
ocurren cercanos entre sí, pero algunos valores quedan al final de la cola superior.
Hay dos diferentes parametrizaciones que suelen usarse
Notación
Distribución Exponencial
Nos interesa saber el tiempo hasta que ocurre determinado evento, sabiendo que,
El tiempo que pueda ocurrir desde cualquier instante dado t, hasta que ello ocurra en
un instante tf, no depende del tiempo transcurrido anteriormente en el que no ha
pasado nada.
Concretando, si una v.a. continua X distribuida a lo largo de, es tal que su función de
densidad es
Distribución Chi-Cuadrada
Distribución t de Student
Esta distribución fue propuesta y tabulada por William Sealy Gosset (1876-1937), más
conocido por el seudónimo de Student, como resultado de un estudio sobre la
estimación de la media cuando el tamaño de muestra es pequeño. La distribución t de
Student queda completamente definida por medio de sus grados de libertad, n, y se
denota por tn. Surge cuando se plantea estudiar el cociente entre una variable
aleatoria con distribución normal estándar y la raíz cuadrada del cociente entre una
variable aleatoria con distribución ji-cuadrado y sus grados de libertad (n), siendo las
dos variables independientes. Esta distribución desempeña un papel muy importante en
la inferencia estadística asociada a la teoría de muestras pequeñas y es usada
habitualmente en el contraste de hipótesis para la media de una población o para
comparar medias de dos poblaciones.
Cabe destacar que el programa sólo permite realizar el cálculo para una distribución t
de Student con 150 grados de libertad o menos. Esto no supone una limitación ya que,
a medida que aumentan los grados de libertad, esta distribución se va aproximando a
la normal estándar, de forma que a partir de ese valor de n pueden considerarse
prácticamente idénticas.
Ejemplo
1. Calcular, para una distribución N(0,1), el punto que deja a la derecha una cola de
probabilidad 0,05.
En el segundo apartado se ejecutará dos veces Epidat 4: la primera vez para una
distribución t de Student con 10 grados de libertad y la segunda vez con 150 grados
de libertad.
Distribución de F de Fisher
Recibió este nombre en honor a Sir Ronald Fisher, uno de los fundadores de la
estadística moderna. Se emplea para probar si dos muestras provienen de poblaciones
que poseen varianzas iguales. La cual es útil para determinar si una población normal
tiene una mayor variación que la otra.
Características de la distribución F.
Distribución Weibull
Esta distribución debe su nombre al físico sueco Waloddi Weibull (1887-1979) quien la
usó en un artículo publicado en 1939 sobre resistencia de los materiales (A Statistical
Theory of the Strength of Materials), aunque ya era conocida de años antes.
Esta distribución se utiliza para modelar situaciones del tipo tiempo-fallo, modelar
tiempos de vida o en el análisis de supervivencia, a parte de otros usos como, por
ejemplo, caracterizar el comportamiento climático de la lluvia en un año determinado.
Ejemplo
La vida útil, en años, de cierto tipo de instrumental médico quirúrgico sigue una
distribución de Weibull con parámetros a= 2 y b= 1,75.
La probabilidad de que el instrumental dure menos de 3 años, es decir que dure 2 años
o menos, es 0,73.
Las funciones de densidad y distribución de la vida útil del instrumental médico son:
Bibliografía
Referencias