Documentos de Académico
Documentos de Profesional
Documentos de Cultura
4-Ayuda Distribuciones de Probabilidad
4-Ayuda Distribuciones de Probabilidad
NDICE DISTRIBUCIONES DE PROBABILIDAD........................................................ 3 CLCULO DE PROBABILIDADES.................................................................................... 3 Conceptos generales............................................................................................................3 DISTRIBUCIONES DISCRETAS......................................................................................... 4 Distri !ci"n Uni#or$e %iscreta &a' (.................................................................................. 4 Distri !ci"n Bino$ial &n'p(................................................................................................ ) Distri !ci"n *ipergeo$+trica &N'R'n(................................................................................, Distri !ci"n -eo$+trica &p(............................................................................................... . Distri !ci"n Bino$ial negati/a &r'p(.................................................................................. 0 Distri !ci"n Poisson &la$ %a(..........................................................................................12 DISTRIBUCIONES CONTINUAS......................................................................................13 Distri !ci"n Uni#or$e &a' (..............................................................................................13 Distri !ci"n Nor$al &4!' Sig$a(.................................................................................... 14 Distri !ci"n Lognor$al &4!' Sig$a(.............................................................................. 1, Distri !ci"n Log5stica &a' (............................................................................................. 1. Distri !ci"n Beta &p'6(......................................................................................................10 Distri !ci"n -a$$a &a'p(.................................................................................................17 Distri !ci"n E8ponencial &la$ %a(.................................................................................. 31 Distri !ci"n 9i:c!a%ra%o &n(............................................................................................. 33 Distri !ci"n t %e St!%ent &n(.............................................................................................33 Distri !ci"n ; %e Sne%ecor &n'$(..................................................................................... 34 -ENERACI<N DE DISTRIBUCIONES............................................................................ 3, Conceptos generales..........................................................................................................3, DISTRIBUCIONES DISCRETAS....................................................................................... 3, Distri !ci"n 4!ltino$ial..................................................................................................3. DISTRIBUCIONES CONTINUAS......................................................................................3. Distri !ci"n Nor$al i/ariante........................................................................................ 30 BIBLIO-RA;=A.................................................................................................................. 37
DISTRIBUCIONES DE PROBABILIDAD
CLCULO DE PROBABILIDADES Conceptos generales
Uno de los objetivos de la estadstica es el conocimiento cuantitativo de una determinada parcela de la realidad. Para ello, es necesario construir un modelo de esta realidad particular objeto de estudio, partiendo de la premisa de que lo real es siempre ms complejo y multiforme que cualquier modelo que se pueda construir. De todas formas, la formulacin de modelos aceptados por las instituciones responsables y por los usuarios, permite obviar la existencia del error o distancia entre la realidad y el modelo. Los modelos tericos a los que se ace referencia se reducen en muc os casos a !o incluyen en su formulacin" funciones de probabilidad. La teora de la probabilidad tiene su ori#en en el estudio de los jue#os de a$ar, que impulsaron los primeros estudios sobre clculo de probabilidades en el si#lo %&', aunque no es asta el si#lo %&''' cuando se aborda la probabilidad desde una perspectiva matemtica con la demostracin de la (ley d)bil de los #randes n*meros+ se#*n la cual, al aumentar el n*mero de pruebas, la frecuencia de un suceso tiende a aproximarse a un n*mero fijo denominado probabilidad. ,ste enfoque, denominado enfoque frecuentista, se modela matemticamente en el si#lo %% cuando -olmo#orov formula la teora axiomtica de la probabilidad.. Dic a teora define la probabilidad como una funcin que asi#na a cada posible resultado de un experimento aleatorio un valor no ne#ativo, de forma que se cumpla la propiedad aditiva. La definicin axiomtica establece las re#las que deben cumplir las probabilidades, aunque no asi#na valores concretos. Uno de los conceptos ms importantes de la teora de probabilidades es el de variable aleatoria que, intuitivamente, puede definirse como cualquier caracterstica medible que toma diferentes valores con probabilidades determinadas. /oda variable aleatoria posee una distribucin de probabilidad que describe su comportamiento !vale decir, que desa#re#a el . a lo lar#o de los valores posibles de la variable". 0i la variable es discreta, es decir, si toma valores aislados dentro de un intervalo, su distribucin de probabilidad especifica todos los valores posibles de la variable junto con la probabilidad de que cada uno ocurra. ,n el caso continuo, es decir, cuando la variable puede tomar cualquier valor de un intervalo, la distribucin de probabilidad permite determinar las probabilidades correspondientes a con subintervalos de valores. Una forma usual de describir la distribucin de probabilidad de una variable aleatoria es mediante la denominada funcin de densidad, en tanto que lo que se conoce como funcin de distribucin representa las probabilidades acumuladas123. Una de las preocupaciones de los cientficos a sido construir modelos de distribuciones de probabilidad que pudieran representar el comportamiento terico de diferentes fenmenos aleatorios que aparecan en el mundo real. La pretensin de modelar lo observable a constituido siempre una necesidad bsica para el cientfico emprico, dado que a trav)s de esas construcciones tericas, los modelos, poda experimentar sobre aquello que la realidad no le permita. Por otra parte, un modelo resulta extremadamente *til, siempre que se corresponda con la realidad que pretende representar o predecir, de manera que pon#a de relieve las propiedades ms importantes del mundo que nos rodea, aunque sea a costa de la simplificacin que implica todo modelo.
,n la prctica ay unas cuantas leyes de probabilidad tericas, como son, por ejemplo, la ley binomial o la de Poisson para variables discretas o la ley normal para variables continuas, que sirven de modelo para representar las distribuciones empricas ms frecuentes. 5s, por ejemplo, la variable (talla de un reci)n nacido+ puede tener valores entre 63 cm y 74 cm, pero no todos los valores tienen la misma probabilidad, porque las ms frecuentes son las tallas prximas a los 78 cm. ,n este caso la ley normal se adapta satisfactoriamente a la distribucin de probabilidad emprica, que se obtendra con una muestra #rande de casos. ,pidat 4.. ofrece, en este mdulo, procedimientos usuales para calcular probabilidades y sus inversas, para un conjunto bastante amplio de funciones de distribucin, discretas y continuas, que son abituales en el proceso de modelacin. Por ejemplo, el conjunto de distribuciones pertenecientes a la familia exponencial es de uso frecuente en metodolo#as como el anlisis de supervivencia o el 9odelo Lineal :enerali$ado. ;tras distribuciones son comunes y abituales en el campo de actuacin de disciplinas tales como la economa, la biolo#a, etc. <uando la opcin ele#ida es el clculo de una probabilidad dado un punto x de la distribucin, se presentan en todos los casos dos resultados= la probabilidad acumulada asta ese punto, o la probabilidad de que la variable tome valores inferiores o i#uales a x !cola i$quierda" y la probabilidad de valores superiores a x !cola derec a". ,n el caso continuo, la probabilidad de que la variable sea i#ual a cualquier punto es i#ual a cero> por tanto, no influye en las colas el ec o de incluir o excluir el punto x. ?ay un tercer resultado que el pro#rama presenta slo para las distribuciones continuas sim)tricas !normal, lo#stica y t de 0tudent"= la probabilidad de dos colas, es decir, la probabilidad que queda a ambos lados del intervalo !2x, x" !x, 2x", se#*n el punto sea positivo o ne#ativo, respectivamente. 5simismo, los resultados de ,pidat 4.. incluyen la media y la varian$a de la correspondiente distribucin, as como la mediana y@o la moda en el caso de las distribuciones continuas. ,pidat 4.. tambi)n ofrece la posibilidad de representar, #rficamente, las funciones de distribucin y densidad.
DISTRIBUCIONES DISCRETAS
Las distribuciones discretas incluidas en el mdulo de (<lculo de probabilidades+ son= Uniforme discreta Ainomial ?iper#eom)trica :eom)trica Ainomial Be#ativa Poisson
si#uen una distribucin uniforme discreta en D., 1, 4, 6, 7, EF, y la probabilidad de cada cara es .@E. Valores= x= a, aC., aC1, ..., b, n*meros enteros Parmetros= a= mnimo, a entero b: mximo, b entero con a < b Ejercicio ,l temario de un examen para un proceso selectivo contiene 78 temas, de los cuales se ele#ir uno por sorteo. 0i una persona no a estudiado los .7 *ltimos temas G<ul es la probabilidad de que apruebe el examenH La variable que representa el n*mero del tema seleccionado para el examen si#ue una distribucin uniforme con parmetros aI. y bI78. La persona aprueba el examen si le toca un tema del . al 47> por tanto, la probabilidad que se pide es la cola a la i$quierda de 47. Para obtener los resultados en ,pidat 4.. basta con proporcionarle los parmetros de la distribucin, y seleccionar calcular probabilidades para el punto 47. Jesultados con ,pidat 4..
Clculo de probabilidades. Distribuciones discretas Uniforme discreta (a,b) a : Mnimo b : Mximo !unto " !robabilidad !r$%&'( Cola *+,uierda !r$%-&'( Cola Derec.a !r$%/'( Media 0arian+a 1 5 #5 , ) 0,7000 ,# )5,5 ) 1,)5
Un ejemplo de variable binomial puede ser el n*mero de pacientes in#resados en una unidad ospitalaria que desarrollan una infeccin nosocomial. Un caso particular se tiene cuando nI., que da lu#ar a la distribucin de Aernoulli. Valores= x= 8, ., 1, ..., n Parmetros= n= n*mero de pruebas, n K 8 entero p: probabilidad de )xito, 8 L p < . Ejercicio ,n un examen formado por 18 pre#untas, cada una de las cuales se responde declarando (verdadero+ o (falso+, el alumno sabe que, istricamente, en el 37M de los casos la respuesta correcta es (verdadero+ y decide responder al examen tirando dos monedas, pone (falso+ si ambas monedas muestran una cara y (verdadero+ si al menos ay una cru$. 0e desea saber qu) probabilidad ay de que ten#a al menos .6 aciertos. ?ay que proporcionarle a ,pidat 4.. los parmetros de la distribucin y el punto k a partir del cual se calcular la probabilidad. ,n este caso nI18, pI8,37 y el punto kI.6. Jesultados con ,pidat 4.. Clculo de probabilidades. Distribuciones discretas
2inomial (n,p) n: 34mero de pruebas p: !robabilidad de 5xito !unto " !robabilidad !r$%&'( Cola *+,uierda !r$%-&'( Cola Derec.a !r$%/'( Media 0arian+a ) ,65 17
!diabetes, obesidad, bito de fumar, etc.". ,l n*mero de ()xitos+ en una muestra aleatoria de tamaNo n, extrada sin reempla$o de la poblacin, es una variable aleatoria con distribucin iper#eom)trica de parmetros B, J y n. <uando el tamaNo de la poblacin es #rande, los muestreos con y sin reempla$o son equivalentes, por lo que la distribucin iper#eom)trica se aproxima en tal caso a la binomial. Valores= x= max{0,n-(N- !", ###, min{ ,n", donde max{0,n-(N- "F indica el valor mximo entre 0 y n(N- ! $ min{ ,n" indica el valor mnimo entre y n. Parmetros= N= tamaNo de la poblacin, NK8 entero = n*mero de )xitos en la poblacin, 8 entero n= n*mero de pruebas, nK8 entero Ejercicio 0e sabe que el 3M de los *tiles quir*r#icos en un lote de .88 no cumplen ciertas especificaciones de calidad. /omada una muestra al a$ar de .8 unidades sin reempla$o, interesa conocer la probabilidad de que no ms de dos sean defectuosos. ,l n*mero de *tiles defectuosos en el lote es JI8,83.88I3. Para un tamaNo muestral de nI.8, la probabilidad buscada es PDn*mero de defectuosos 1F. Jesultados con ,pidat 4..
Clculo de probabilidades. Distribuciones discretas 9iper:eom5trica (3,;,n) 3 : <ama=o de la poblaci>n ; : 34mero 5xitos en la pob. n : 34mero de pruebas !unto " !robabilidad !r$%&'( Cola *+,uierda !r$%-&'( Cola Derec.a !r$%/'( Media 0arian+a 1 1 6 ) ,1)#5 0,9792 , ) 1 ,6 ,5?11
La probabilidad de que a lo sumo aya dos *tiles defectuosos en el lote es aproximadamente 8,OP.
Para ilustrar el empleo de esta distribucin, se supone que cierto medicamento opera exitosamente ante la enfermedad para la cual fue concebido en el P8M de los casos a los que se aplica> la variable aleatoria (intentos fallidos en la aplicacin del medicamento antes del primer )xito+ si#ue una distribucin #eom)trica de parmetro pI8,P. ;tro ejemplo de variable #eom)trica es el n*mero de ijos asta el nacimiento de la primera niNa. La distribucin #eom)trica se utili$a en la distribucin de tiempos de espera, de manera que si los ensayos se reali$an a intervalos re#ulares de tiempo, esta variable aleatoria proporciona el tiempo transcurrido asta el primer )xito. ,sta distribucin presenta la denominada (propiedad de ?arQov+ o de falta de memoria, que implica que la probabilidad de tener que esperar un tiempo t no depende del tiempo que ya aya transcurrido. Valores: x= 8, ., 1, ... Parmetros= p= probabilidad de )xito, 8Lp<. Ejercicio La probabilidad de que cierto examen m)dico d) lu#ar a una reaccin (positiva+ es i#ual a 8,P, Gcul es la probabilidad de que ocurran menos de 7 reacciones (ne#ativas+ antes de la primera positivaH La variable aleatoria (n*mero de reacciones ne#ativas antes de la primera positiva+ si#ue una distribucin :eom)trica con parmetro pI8,P. Jesultados con ,pidat 4..
Clculo de probabilidades. Distribuciones discretas @eom5trica (p) p : !robabilidad de 5xito !unto " !robabilidad !r$%&'( Cola *+,uierda !r$%-&'( Cola Derec.a !r$%/'( Media 0arian+a ,1 7 , 1# 0,9997 , # ,)5 ,#1)5
La probabilidad de que ocurran menos de 7 reacciones (ne#ativas+ antes de la primera positiva es casi . !8,OOO3".
,n el caso de que los sucesos ocurran a intervalos re#ulares de tiempo, esta variable proporciona el tiempo total para que ocurran r )xitos, por lo que tambi)n se denomina (distribucin binomial de tiempo de espera+. La distribucin binomial ne#ativa fue propuesta, ori#inalmente, como una alternativa a la distribucin de Poisson para modelar el n*mero de ocurrencias de un suceso cuando los datos presentan lo que se conoce como variacin extra2Poisson o sobredispersin. ,n estas situaciones, la varian$a es mayor que la media, por lo que se incumple la propiedad que caracteri$a a una distribucin de Poisson, se#*n la cual la media es i#ual a la varian$a. La primera aplicacin en bioestadstica la reali$ 0tudent !Rilliam 0. :osset" a principios de si#lo cuando propuso esta distribucin para modelar el n*mero de #lbulos rojos en una #ota de san#re. ,n este caso, la variabilidad extra se debe al ec o de que esas c)lulas no estn uniformemente distribuida en la #ota, es decir, la tasa de intensidad no es omo#)nea. Por ejemplo, la distribucin binomial ne#ativa es ms adecuada que la de Poisson para modelar el n*mero de accidentes laborales ocurridos en un determinado lapso. La distribucin de Poisson asume que todos los individuos tienen la misma probabilidad de sufrir un accidente y que )sta permanece constante durante el perodo de estudio> sin embar#o, es ms plausible la iptesis de que los individuos tienen probabilidades constantes en el tiempo, pero que varan de unos sujetos a otros> esto es lo que se conoce en la literatura como la propensin a los accidentes !(acci%ent proneness+"P,O. ,sta iptesis se traduce en una distribucin de Poisson mixta, o de efectos aleatorios, en la que se supone que las probabilidades varan entre individuos de acuerdo a una distribucin #amma y esto resulta en una distribucin binomial ne#ativa para el n*mero de accidentes. Valores: x= 8, ., 1, ... Parmetros: p= probabilidad de )xito, 8LpL. r> n*mero de )xitos, r8 Ejercicio 0e sabe que, en promedio, de cada .88 placas de rayos % que se reali$an, una es defectuosa. G<ul es el n*mero medio de placas *tiles que se producen entre .8 defectuosasH 0i se considera el primer fallo como punto de inicio, ay que considerar la variable (n*mero de placas *tiles antes de O defectuosas+, que si#ue una distribucin binomial ne#ativa de parmetros rIO y pI8,8.. Jesultados con ,pidat 4..
Clculo de probabilidades. Distribuciones discretas 2inomial ne:atiAa (r,p) r : 34mero de 5xitos p : !robabilidad de 5xito !unto " Media 0arian+a ? 1 891,0000 1?1 ,
, 1
Para que una variable recuento si#a una distribucin de Poisson deben cumplirse varias condiciones= .. ,n un intervalo muy pequeNo !p. e. de un milise#undo" la probabilidad de que ocurra un evento es proporcional al tamaNo del intervalo.
.8
1. La probabilidad de que ocurran dos o ms eventos en un intervalo muy pequeNo es tan reducida que, a efectos prcticos, se puede considerar nula. 4. ,l n*mero de ocurrencias en un intervalo pequeNo no depende de lo que ocurra en cualquier otro intervalo pequeNo que no se solape con aqu)l. ,stas propiedades pueden resumirse en que el proceso que #enera una distribucin de Poisson es estable !produce, a lar#o pla$o, un n*mero medio de sucesos constante por unidad de observacin" y no tiene memoria !conocer el n*mero de sucesos en un intervalo no ayuda a predecir el n*mero de sucesos en el si#uiente". ,l parmetro de la distribucin, lamb%a, representa el n*mero promedio de eventos esperados por unidad de tiempo o de espacio, por lo que tambi)n se suele ablar de lamb%a como (la tasa de ocurrencia+ del fenmeno que se observa. 5 veces se usan variables de Poisson con SintervalosS que no son espaciales ni temporales, sino de otro tipo. Por ejemplo, para medir la frecuencia de una enfermedad se puede contar, en un perodo dado, el n*mero de enfermos en cierta poblacin, dividida en SintervalosS de, por ejemplo, .8.888 abitantes. 5l n*mero de personas enfermas en una poblacin de tamaNo prefijado, en un instante dado, se le denomina prevalencia de la enfermedad en ese instante y es una variable que si#ue una distribucin de Poisson. ;tra medida para la frecuencia de una enfermedad es la incidencia, que es el n*mero de personas que enferman en una poblacin en un periodo determinado. ,n este caso, el intervalo es de personas2 tiempo, abitualmente personas2aNo, y es tambi)n una variable con distribucin de Poisson. ?abitualmente, ambas medidas se expresan para intervalos de tamaNo unidad o, dic o de otro modo, en lu#ar de la variable n*mero de enfermos, se usa el parmetro lamb%a !el ries#o, en el caso de la prevalencia, y la densidad de incidencia, en el de incidencia". La distribucin de Poisson tiene i#uales la media y la varian$a. 0i la variacin de los casos observados en una poblacin excede a la variacin esperada por la Poisson, se est ante la presencia de un problema conocido como sobredispersin y, en tal caso, la distribucin binomial ne#ativa es ms adecuada. Valores: x= 8, ., 1, ... Parmetros= lamb%a= media de la distribucin, lamb%a K 8
Ejercicio ,l n*mero de enfermos que solicitan atencin de ur#encia en un ospital durante un periodo de 16 oras tiene una media de 64,1 pacientes. 0e sabe que el servicio se colapsar si el n*mero de enfermos excede de 78. G<ul es la probabilidad de que se colapse el servicio de ur#encias del ospitalH Jepresentar la funcin de densidad de probabilidad. Para calcular la probabilidad pedida y, adems, representar la funcin de densidad de probabilidad ay que marcar el cuadro situado en la parte inferior derec a de la pantalla= &btener las funciones %e %istribuci'n $ %ensi%a%#
..
DISTRIBUCIONES CONTINUAS
Las distribuciones continuas incluidas en el mdulo de (<lculo de probabilidades+ son= Uniforme Bormal Lo#normal Lo#stica Aeta :amma ,xponencial Ti2cuadrado t de 0tudent U de 0nedecor
.1
<ualquiera sea la distribucin U de cierta variable %, la variable transformada XIU!%" si#ue una distribucin uniforme en el intervalo V8,.W. ,sta propiedad es fundamental por ser la base para la #eneracin de n*meros aleatorios de cualquier distribucin en las t)cnicas de simulacin. (ampo %e )ariaci'n= axb Parmetros= a= mnimo del recorrido b= mximo del recorrido Ejercicio 0upn#ase una variable que se distribuye uniformemente entre 4P8 y ..188. Determnese= .. La probabilidad de que el valor de la variable sea superior a mil. 1. La media y la desviacin estndar de dic a variable. 5 ,pidat se le proporcionar el lmite superior e inferior del campo de variacin de la variable V4P8, ..188W y, adems, el punto a partir del cual se quiere calcular la probabilidad. Jesultados con ,pidat 4..
Clculo de probabilidades. Distribuciones continuas Uniforme (a,b) a : Mnimo b : Mximo !unto % Cola *+,uierda !r$%-&'( Cola Derec.a !r$%/&'( Media 0arian+a Mediana #1 , 1) 1
, , ,6581 0,2439
790,0000 56033,3333 6? ,
La probabilidad de que la variable sea superior a mil se sit*a en un entorno de 8,16, la media es 3O8 y la desviacin estndar, ra$ cuadrada de la varian$a, es aproximadamente 143. Ejercicio
Un contratista A est? preparan%o !na o#erta so re !n n!e/o pro@ecto %e constr!cci"n. La o#erta sig!e !na %istri !ci"n !ni#or$e entre )) @ .) $iles %e e!ros. Deter$5nese>
.. La probabilidad de que la oferta sea superior a E8 mil euros. 1. La media y la desviacin estndar de la oferta. 5 ,pidat se le proporcionar el lmite superior e inferior del campo de variacin de la variable V77, 37W y, adems, el punto a partir del cual se quiere calcular la probabilidad.
.4
La probabilidad de que la oferta sea superior a E8 mil euros se sit*a en un entorno de 8,37, y la media es E7.
Parmetros= *u= media de la distribucin, 2 L *u L +i,ma= desviacin estndar de la distribucin, +i,ma K 8 Ejercicio 0e supone que el nivel de colesterol de los enfermos de un ospital si#ue una distribucin normal con una media de .3O,. m#@dL y una desviacin estndar de 1P,1 m#@dL. .. <alcule el porcentaje de enfermos con un nivel de colesterol inferior a .EO m#@dL.
.6
1. G<ul ser el valor del nivel de colesterol a partir del cual se encuentra el .8M de los enfermos del ospital con los niveles ms altosH 4. Jepresente la funcin de densidad. ,n este caso, se tendr que ejecutar ,pidat 4.. dos veces= en el primer caso para calcular una probabilidad, en el se#undo caso el dato de entrada es una probabilidad, concretamente la cola de la derec a, lo que permitir obtener el punto. ,n ambas ejecuciones se ofrece, de manera opcional, la funcin de densidad del nivel de colesterol. .. Jesultados con ,pidat 4..
Clculo de probabilidades. Distribuciones continuas 3ormal (Mu,Bi:ma) Mu : Media Bi:ma : DesAiaci>n estndar !unto % Cola *+,uierda !r$%-&'( Cola Derec.a !r$%/&'( Dos Colas 1C!r$D%D-&'( 16?,1 )1,) 18?, 0,3601 ,8#?? ,6) )
,l porcentaje de enfermos con un nivel de colesterol inferior a .EO m#@dL es 4EM. 1. Jesultados con ,pidat 4..
Clculo de probabilidades. Distribuciones continuas 3ormal (Mu,Bi:ma) Mu : Media 16?,1 Bi:ma : DesAiaci>n estndar )1,) Cola *+,uierda !r$%-&'( ,? Cola Derec.a !r$%/&'( ,1 Dos Colas 1C!r$D%D-&'( ,) !unto % 215,2398
5 partir de 1.7,16 m#@dL se encuentran los valores de colesterol del .8M de los enfermos que tienen los valores ms altos.
.7
La probabilidad de supervivencia a los .1 aNos se sit*a prximo a 8,18. La funcin de distribucin de la supervivencia a la intervencin quir*r#ica se presenta a continuacin=
.E
Ejercicio ,l crecimiento relativo anual !M" de la poblacin de un determinado pas si#ue una distribucin lo#stica de parmetro de posicin . y de escala 1. <alcular la probabilidad de que el crecimiento en un aNo determinado sea superior al 7M y representar la funcin de densidad.
.3
Ejercicio ,n el presupuesto familiar, la porcin que se dedica a salud si#ue una distribucin Aeta!1,1". .. G<ul es la probabilidad de que se #aste ms del 17M del presupuesto familiar en saludH 1. G<ul ser el porcentaje medio que las familias dedican a la compra de productos y servicios de saludH Jesultados con ,pidat 4..
Clculo de probabilidades. Distribuciones continuas 2eta (p,,) p : Gorma , : Gorma !unto % Cola *+,uierda !r$%-&'( Cola Derec.a !r$%/&'( Media 0arian+a Moda ), ), ,)5 ,158# 0,8438 0,5000 , 5 ,5
/eniendo en cuenta la distribucin beta, la probabilidad de que se #aste ms de la cuarta parte del presupuesto en salud ser 8,P6 y el porcentaje medio que las familias dedican a la compra de productos y servicios de salud ser el 78M.
.O
Ejercicio 1 ,l n*mero de pacientes que lle#an a la consulta de un m)dico si#ue una distribucin de Poisson de media 4 pacientes por ora. <alcular la probabilidad de que transcurra menos de una ora asta la lle#ada del se#undo paciente. Debe tenerse en cuenta que la variable aleatoria (tiempo que transcurre asta la lle#ada del se#undo paciente+ si#ue una distribucin :amma !E, 1".
La probabilidad de que transcurra menos de una ora asta que lle#ue el se#undo paciente es 8,OP. Ejercicio 2 0uponiendo que el tiempo de supervivencia, en aNos, de pacientes que son sometidos a una cierta intervencin quir*r#ica en un ospital si#ue una distribucin :amma con parmetros aI8,P. y pI3,P., calc*lese= .. ,l tiempo medio de supervivencia. 1. Los aNos a partir de los cuales la probabilidad de supervivencia es menor que 8,..
18
1.
La probabilidad de que se le ten#a que implantar otro marcapasos antes de los 18 aNos se sit*a en un entorno a 8,3.. /eniendo en cuenta la propiedad de (falta de memoria+ de la exponencial, la probabilidad de tener que cambiar antes de 17 aNos un marcapasos que lleva funcionando 7 es i#ual a la probabilidad de cambio a los 18 aNos, es decir, P!%L17@%K7" I P!%L18" I 8,3..
,l .M del rea bajo la curva se ubica a la derec a de O,1.. 1. Jesultados con ,pidat 4..
Clculo de probabilidades. Distribuciones continuas HiCcuadrado (n) n : @rados de libertad Cola *+,uierda !r$%-&'( Cola Derec.a !r$%/&'( !unto % ) ,? ,1 7,8 5)
11
,l valor 6,E871 divide a la distribucin en dos partes= el O8M de )sta queda a la i$quierda de dic o punto y el .8M a la derec a.
,n el se#undo apartado se ejecutar dos veces ,pidat 4..= la primera ve$ con una distribucin t de 0tudent con .8 #rados de libertad y la se#unda ve$ con 788 #rados de libertad.
14
Clculo de probabilidades. Distribuciones continuas t de Btudent (n) n : @rados de libertad !unto % Cola *+,uierda !r$%-&'( Cola Derec.a !r$%/&'( Dos Colas 1C!r$D%D-&'( 5 1,877? ,?7?6 0,0503 ,1 8
0e aprecia claramente que, al aumentar los #rados de libertad de la t de 0tudent, la probabilidad se acerca a la calculada con la distribucin Bormal.
Ejercicio ,n un laboratorio se efectuaron ciertas mediciones y se comprob que se#uan una distribucin U con .8 #rados de libertad en el numerador y .1 #rados de libertad en el denominador. .. <alcule el valor que deja a la derec a el 7M del rea bajo la curva de densidad. 1. G<ul es la probabilidad de que la medicin sea superior a 6,48H 4. Jepresente la funcin de distribucin y de densidad de las medidas.
16
,l valor que deja a la derec a una probabilidad de 8,87 es 1,37. 1. Jesultados con ,pidat 4..
Clculo de probabilidades. Distribuciones continuas G de Bnedecor (n,m) n : @rados libertad del num. 1 , m : @rados libertad del denom. 1), !unto % 7,# Cola *+,uierda !r$%-&'( Cola Derec.a !r$%/&'( Media 0arian+a Moda ,?? 0,0100 1,) ,6) ,8156
La probabilidad que deja a la derec a 6,48 es 8,8.. 4. Las funciones de densidad y distribucin de las medidas efectuadas se presentan a continuacin=
17
DISTRIBUCIONES DISCRETAS
Las distribuciones discretas incluidas en el submdulo de (:eneracin de distribuciones+ son= Uniforme discreta Ainomial 9ultinomial ?iper#eom)trica :eom)trica Ainomial Be#ativa Poisson
1E
<on excepcin de la multinomial, todas fueron descritas en el submdulo precedente !(<lculo de probabilidades+", de modo que a ora slo se explicar dic a distribucin.
Distribucin "ultinomial
:enerali$a la distribucin binomial al caso en que la poblacin se divida en mK1 #rupos mutuamente exclusivos y ex austivos. 0e supone un proceso estable y sin memoria que #enera elementos que pueden clasificarse en m clases distintas. 0upn#ase que se toma una muestra de n elementos y se definen m variables aleatorias 0iIn*mero de elementos de la clase i !iI., ..., m", entonces el vector de m2 variables es una variable aleatoria m2dimensional que si#ue una distribucin multinomial de parmetros n, p1, ..., pm, donde pi !iI., ..., m" es la probabilidad de la clase i. &)ase un ejemplo= de acuerdo con la teora de la #en)tica, un cierto cruce de conejillo de indias resultar en una descendencia roja, ne#ra y blanca en la relacin P=6=6. 0i se tienen P descendientes, el vector de variables !%., %1, %4" donde= %.I BZ de descendientes rojos %1I BZ de descendientes ne#ros %4I BZ de descendientes blancos si#ue una distribucin multinomial con parmetros nIP> p. I P@.E I 8,7> p1 I 6@.E I 8,17 y p4I 6@.E I 8,17. Una situacin muy com*n en la prctica se da cuando se conoce el tamaNo de muestra n y se quieren estimar las probabilidades pi a partir de los valores observados. Pero tambi)n ay situaciones en las que se debe estimar el tamaNo de muestra n, adems de las probabilidades pi. ,sto ocurre, por ejemplo, en el m)todo de captura2recaptura, que fue desarrollado por $olo#os para estimar poblaciones animales y que a sido aplicado a poblaciones umanas en estudios epidemiol#icos. Valores= xi I 8, ., 1, ... !i I ., ..., m" Parmetros= n= n*mero de pruebas, nK8 entero m= n*mero de clases, mK8 entero pi= probabilidad de la clase i, 8Lpi<1 !i-., ..., m", donde
i= 1
pi = 1 .
DISTRIBUCIONES CONTINUAS
Las distribuciones continuas incluidas en el mdulo de (:eneracin de distribuciones+ son= Uniforme Bormal Bormal bivariante Lo#normal Lo#stica Aeta
13
<on excepcin de la normal bivariante, todas fueron descritas en el submdulo precedente !(<lculo de probabilidades+", de modo que a ora slo se explicar dic a distribucin.
3. Llevar los valores de la variable simulada a una oja de clculo !por ejemplo" y
efectuar el cociente 3*(Ipeso@talla1.
1P
<on los ..888 valores simulados se obtiene un porcentaje de sujetos con un 3*( superior a 48 Q#@m1 del OM. Notas: <ada ve$ que se reali$a una nueva simulacin se obtienen valores diferentes, aunque se manten#a la misma distribucin, el valor de sus parmetros y el tamaNo de la muestra.
3. 9artn Plie#o UT, Jui$29aya L. 9sta%stica 3: Probabili%a%. 9adrid= ,ditorial 5<> .OO3. 3. 9eyer
PL. Probabili%a% 'beroamericana> .OPE. $ :plicaciones 9sta%sticas. 9)xico= 5ddison2Resley
6. PeNa D. *o%elos $ m;to%os# 1# 7un%amentos. 9adrid= 5lian$a Universidad /extos> .OO4. 7. -at$ DL. 9pi%emiolo,$, <iostatistics an% Pre)enti)e *e%icine <ompany> .OO3. e)ie=. U05= R.A. 0aunders
1O
P. Ai##eri 5. Ne,ati)e <inomial >istribution. ,n= 5rmita#e P, <olton / editores. 9nc$clope%ia of <iostatistics# &ol. 6. < ic ester= To n Riley ] 0ons> .OOP. p. 1OE123. O. -emp 5R, -emp <D. :cci%ent Proneness. ,n= 5rmita#e P, <olton / editores. 9nc$clope%ia of <iostatistics# &ol. .. < ic ester= To n Riley ] 0ons> .OOP. p. 4723. .8. Palm#ren T. Poisson >istribution. ,n= 5rmita#e P, <olton / editores. 9nc$clope%ia of <iostatistics# &ol. 6. < ic ester= To n Riley ] 0ons> .OOP. p. 44OP24681. ... Le mer D?. *at6ematical met6o%s in lar,e-scale computin, units. ,n: Procee%in,s of t6e +econ% +$mposium on ?ar,e +cale >i,ital (omputin, @nits *ac6iner$. <ambrid#e, 9ass.= ?arvard University Press> .O7.. p. .6.2E.
48