Академический Документы
Профессиональный Документы
Культура Документы
PROBABILIDAD
Varianza
Se define la varianza como la esperanza del cuadrado de la diferencia entre la
variable y su esperanza:
V (x) = [X E (x) ]2 * pi desarrollando el cuadrado queda V (x) = E(x2) (E(x))2
Ejemplo: Supngase que la variable aleatoria X es el nmero que queda hacia arriba
al lanzar un dado legal. La funcin de probabilidad correspondiente es:
f(x) = 1/6 para X = 1, 2, 3, 4, 5, 6; por consiguiente
1
6
1
6
1
6
1
6
1
6
1
6
Ejemplo:
1
f ( x ) e 2 , para 0 x
2
Varianza
Se define la varianza como la esperanza del cuadrado de la diferencia entre la variable
y su esperanza:
, desarrollado el cuadrado:
x
r1
2 0 x 2f ( x)d( x) 2 lim o x 2e 2 dx 2
r
2
x r
x
x
r
r 2
1
1
2
2
2
2
2
lim o x e dx lim 2x e 4 e 2 xdx
2 r
2 r
0
0
x
r
x
1
r
lim 2r 2e 2 8re 2 8 o e 2 dx 2
2 r
x
r
r
1
lim 2r 2e 2 8re 2 16e 2 16 4
2 r
2 8 4 4
2
Distribuciones de
Probabilidades:
Discretas
Distribucin Binomial
( nk )
pk qnk
donde
( nk )
n!
k! (n-k)!
Parmetros de la distribucin:
Media: = np
n=10
k=4
p=0.3
Varianza: 2 = npq
Desviacin tipica: npq
Ejemplo: Supongamos que se sabe que el 30% de cierta poblacin es inmune a alguna
enfermedad. Si se escoge una muestra aleatoria de 10 elementos de entre esa poblacin, cul
es la probabilidad de que dicha muestra contenga exactamente 4 individuos inmunes?
p=0.3
n=10
k=4
10!
10
p ( 4) (0.3) 4 (0.7)10 4
(0.3) 4 (0.7) 6
4!6!
4
p(4)
10 * 9 * 8 * 7 * 6!
5040
(0.3) 4 (0.7) 6
(0.3) 4 (0.7) 6
(4 * 3 * 2 *1) * 6!
24
La tabla de la distribucin
Binomial proporciona las
probabilidades acumulativas
desde x=0 hasta algn
nmero positivo especifico de
xitos. As la probabilidad de
x=4, cuando n=10 y p=0.30
ser igual a:
P(x=4) = P(x4) P(x3)
= 0.8497 - 0.6493
= 0.2001
Distribucin de Poisson
p( x)
e
x!
Parmetros de distribucin:
Media: =
Varianza: 2 =
Desviacin tipica:
Ejemplo: Durante el estudio de cierto organismo acutico, se tom un gran nmero de muestras de una
laguna, y se cont el nmero de organismos en cada muestra. El nmero promedio de organismos encontrados
por muestra fue de 2. Suponga que el nmero de organismos sigue una distribucin de Poisson, y calcule la
probabilidad de que la prxima muestra que se tome tenga un organismo o menos.
e 2 21 e 2 2 0
p( x 1) p( x 1) p( x 0)
1!
0!
x p
2.0
2.2
2.4
2.6
2.8
3.0
3.2
3.4
La tabla de la Distribucin
de Posisson proporciona
las probabilidades
acumulativas desde x=0
hasta algn nmero
positivo especifico de
xitos. As la probabilidad
de x = 1, cuando =2.0
es igual a:
0.1353
0.1108
0.0907
0.0743
0.0608
0.0498
0.0408
0.0334
0.4060
0.3546
0.3084
0.2674
0.2311
0.1991
0.1712
0.1468
0.6767
0.6227
0.5697
0.5184
0.4695
0.4232
0.3799
0.3397
0.8571
0.8194
0.7787
0.7360
0.6919
0.6472
0.6025
0.5584
0.9473
0.9275
0.9041
0.8774
0.8477
0.8153
0.7806
0.7442
0.9834
0.9751
0.9643
0.9510
0.9349
0.9161
0.8946
0.8705
0.9955
0.9925
0.9884
0.9828
0.9756
0.9665
0.9554
0.9421
0.9989
0.9980
0.9967
0.9947
0.9919
0.9881
0.9832
0.9769
0.9998
0.9995
0.9991
0.9985
0.9976
0.9962
0.9943
0.9917
P(x1) = P(x1)
1.0000
0.9999
0.9998
0.9996
0.9993
0.9989
0.9982
0.9973
= 0.4060
10
1.0000
1.0000
1.0000
0.9999
0.9998
0.9997
0.9995
0.9992
11
1.0000
1.0000
1.0000
1.0000
1.0000
0.9999
0.9999
0.9998
Distribucin Hipergeomtrica
Definicin: es aquella poblacin finita de elementos de modo que N1 de ellos
ponen una caracterstica de inters y N2 (el complemento) no poseen dicha
caracterstica.
Parmetros de distribucin:
Media:
nA
N
Varianza:
A N - A
x n - x
N
n
N= Tamao de la poblacin
A= # xitos en la poblacin
n=Tamao de la muestra
X= # de xitos en la muestra
Nn
A
A
* n * (1 )
N 1
N
N
Ejemplo: Supongamos que en un curso de 50 estudiantes hay 30 que tienen promedio de notas 4.0 o mayor
que es la nota de aprobacin, se elige al azar 5 estudiantes del curso cul es la probabilidad de que:
a. Ninguno tenga un promedio superior a 4.0
30 20
0 5 - 0
P(X 0)
50
0.007317
Distribuciones de
probabilidades:
Continuas
Distribucin Uniforme
Definicin: En estadstica la distribucin uniforme es una distribucin de probabilidad
cuyos valores tienen la misma probabilidad.
Distribucin: Se dice que una variable aleatoria X continua tiene una distribucin
uniforme en el intervalo [a,b] si la funcin de densidad de probabilidad (FDP) es
Parmetros de distribucin:
Media:(a + b) / 2
Varianza:(b a) / 12
Ejemplo: Supngase que se gire el dial mostrado en la figura que para en una posicin aleatoria.
Modele esto como una apropiada funcin de densidad de probabilidad, y sela para calcular la
probabilidad de que la aguja pare a cualquier posicin entre 5 y 300.
Definimos X como el ngulo al que la aguja para, de modo que usamos el intervalo [0 360] para
su rango. Pues todos ngulos son equiprobables, la funcin de densidad debe ser independiente
de x, y por lo tanto debe ser constante. Es decir, tomamos f como uniforme.
f (x)
1
1
b a 360 0
300
1
300 5 295
dx
0.8194
360
360
360
Distribucin Normal
La distribucin normal fue reconocida por primera vez por el francs
Abraham de Moivre (1667-1754). Posteriormente, Carl Friedrich Gauss
(1777-1855) elabor desarrollos ms profundos y formul la ecuacin
de la curva; de ah que tambin se la conozca, ms comnmente, como
la "campana de Gauss". La distribucin de una variable normal est
completamente determinada por dos parmetros, su media y su
desviacin estndar, denotadas generalmente por y . Con esta
notacin, la densidad de la normal viene dada por la ecuacin:
1
f ( x)
e
2
x 2
2 2
2.
3.
La curva normal es asinttica al eje de abscisas (X). Por ello, cualquier valor
entre - y + es tericamente posible. El rea total bajo la curva es, por tanto,
igual a 1.
P( - < x < + ) 0.68 P( - 2 < x < + 2 ) 0.955 P( - 3 < x < + 3 ) 0.997
4.
5.
N (,)
Regla Empirica
1
f ( z)
e
2
z2
0.09
0.08
0.07
0.06
0.05
0.04
0.03
0.02
0.01
0.00
0.00017 0.00017 0.00018 0.00019 0.00019 0.00020 0.00021 0.00022 0.00022 0.00023
-1.0
0.1379
0.1401
0.1423
0.1446
0.1469
0.1492
0.1515
0.1539
0.1562
0.1587
-0.9
0.1611
0.1635
0.1660
0.1685
0.1711
0.1736
0.1762
0.1788
0.1814
0.1841
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.0
0.5000
0.5040
0.5080
0.5120
0.5160
0.5199
0.5239
0.5279
0.5319
0.5359
2.5
0.9938
0.9940
0.9941
0.9943
0.9945
0.9946
0.9948
0.9949
0.9951
0.9952
2.6
0.9953
0.9955
0.9956
0.9957
0.9959
0.9960
0.9961
0.9962
0.9963
0.9964
c. P (50 < X < 80) = F (z (80-70)/10) F (z (50-70)/10) = F (z 1) F (z --2) = 0.8413 0.0228 = 0.8185
Z
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.0
0.5000
0.5040
0.5080
0.5120
0.5160
0.5199
0.5239
0.5279
0.5319
0.5359
1.0
0.8413
0.8438
0.8461
0.8485
0.8508
0.8531
0.8554
0.8577
0.8599
0.8621
1.1
0.8643
0.8665
0.8686
0.8708
0.8729
0.8749
0.8770
0.8790
0.8810
0.8830
0 .0 9
0 .0 8
0 .0 7
0 .0 6
0 .0 5
0 .0 4
0 .0 3
0 .0 2
0 .0 1
0 .0 0
-3.5
0.00017
0.00017
0.00018
0.00019
0.00019
0.00020
0.00021
0.00022
0.00022
0.00023
-2.0
0.0183
0.0188
0.0192
0.0197
0.0202
0.0207
0.0212
0.0217
0.0222
0.0228
-1.9
0.0233
0.0239
0.0244
0.0250
0.0256
0.0262
0.0268
0.0274
0.0281
0.0287
Determinar el valor o valores de z en cada uno de los siguientes casos, donde el rea se
refiere a una curva normal.
a. El rea entre 0 y z es 0.3770 = P (Z z) = 0.5 + 0.3770 = 0.8770 = P (Z 1.16) = 0.88770
Z
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.0
0.5000
0.5040
0.5080
0.5120
0.5160
0.5199
0.5239
0.5279
0.5319
0.5359
1.1
0.8643
0.8665
0.8686
0.8708
0.8729
0.8749
0.8770
0.8790
0.8810
0.8830
1.2
0.8849
0.8869
0.8888
0.8907
0.8925
0.8944
0.8962
0.8980
0.8997
0.9015
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.0
0.5000
0.5040
0.5080
0.5120
0.5160
0.5199
0.5239
0.5279
0.5319
0.5359
1.0
0.8413
0.8438
0.8461
0.8485
0.8508
0.8531
0.8554
0.8577
0.8599
0.8621
1.1
0.8643
0.8665
0.8686
0.8708
0.8729
0.8749
0.8770
0.8790
0.8810
0.8830
0 .0 9
0 .0 8
0 .0 7
0 .0 6
0 .0 5
0 .0 4
0 .0 3
0 .0 2
0 .0 1
0 .0 0
-1.7
0.0367
0.0375
0.0384
0.0392
0.0401
0.0409
0.0418
0.0427
0.0436
0.0446
-1.6
0.0455
0.0465
0.0475
0.0485
0.0495
0.0505
0.0516
0.0526
0.0537
0.0548
-1.5
0.0559
0.0571
0.0582
0.0594
0.0606
0.0618
0.0630
0.0643
0.0655
0.0668
-1.4
0.0681
0.0694
0.0708
0.0721
0.0735
0.0749
0.0764
0.0778
0.0793
0.0808
-1.3
0.0823
0.0838
0.0853
0.0869
0.0885
0.0901
0.0918
0.0934
0.0951
0.0968
Aproximaciones de otras
Distribuciones a la Normal
APROXIMACIONES DE LA BINOMIAL
n grande
p pequeo
np constante
np(1 - p) > 5
APROXIMACIONES DE LA POISSON
Cuando >5
P ( )
N (0,1)