Elementos de Estadistlca 2010 Fac. Cs. Veterinarias (U. 8. A.) PROBABILIDAD OBJETIVO ESPECIFICO ¥ Comprender, analizar y aplicar a la resolucion de problemas los conceptos de probabilidad, experimento y variable aleatoria, CONTENIDOS TEMATICOS. Probabllidad: Nociones de probablidad basadas en Ie teoria clésica, del limite de frecuencia relativa, y la Gefinicion axiomatica. Caracteristicas de cada una de las teorias. Experimento y sucaso aleatorio. Reglas de {a suma y del producto, y sus aplicaciones. Probabilidad condicional. Aplicaciones, GLOSARIO Experimento aleatorio. Espacio muestral. Punto muestral. Sucesos. Casos especiales: sucesos imposibles, Giertos 0 seguros, mutuamente excluyentes © incompatibles, complementarios. Definiciin cidsica de probabilidad, la probabiidad como limite de la frecuencia relativa, teoria axiomética de probablidad. Propiedades derivadas de la definicién axiomatica. Teoremas de la sume y del producto de probabilidades. Probabilided condicional, Probabilidad conjunta, Independencia dle sucesos. Conceptos basicos Experimento: es toda accibn 0 procedimiento repetible indefinidas veces en condiciones similares mediante el cual se generan resultados. Fenémeno: su ocurrencia no requiere de la intervencién humana y puede ser observado séio si ocurre. Experimenio aleatorio: no se puede predecir el resuitado de una repelicién pero se conoce el conjunto de todos fos resultados posibles y si se observa un gran nimero de veces, cad uno de las resultados aparece €en una proporcién definide, es decir, hay cierta reqularidad en los resultados. Espacio muestrat: es el conjunto de todos los resultados posibles de un experiment o fenémeno aleatorio. Bunto snuestral: es un elemento del espacio muestral Suceso: es un subconjunto cualquiera del espacio muestra Evento simple 0 elemental: resultado de un experimento que no puede descomponerse en una combinacién de otros. Evento compuesto: consta o esta formade por 2.0 més eventos simples. Suceso cierto 0 sequro: ocure en cualquier realizacién del experimento 0 fenémeno aleatorio, ‘Suceso imposible: no oourre en ninguna realizacién de! experimento © fenémeno aleatorio. ‘Sucesos incompatibles o mutvamente excluyentes: no Comparten resultados comunes, es decir no existe inguin punto muestral que pertenezca & ambos. ‘Sucesos complementarios: dado un evento A se llama complemento de A al evento que acurre si y sélo si A ‘no ocurre. Ejemplo: En un ctiadero hay diez perros, cuatro de raza caniche y seis de raza pequinés. De los caniche, dos son blancos y los restantes grises, y de los pequineses, tres son negros y los restantes blancos. Se extrae al azar, de este conjunto de animales, uno, y se mira raza y colot de pelaje. El conjunto de resultados posibles de este experimento aleatorio, es decir ef espacio muestral es: S={PB, PN, CB, CG} Slendo los puntos muestrales para esto experimento:Elements de Estadistica 2010 Fac. Cs. Veterinarias (U. B, A.) PB: pequinés bianco PN: poquings negro CB: caniche blanco CG: caniche ors ‘Los siguientes son ejemplos de eventos asociados con el experimento definido, es decir, subconjuntos del espacio musstral S. A={el animal elegido es perro } B =e animal elagido es perro males} = {el animal elagido os porto pequineses } D=(clanimal elegidoes negro} E={elanimal es pero caniche} Ola forma de definir los mismos eventos es enumerando sus puntos muesirales, es decir por extensién: A=(PB, PN, CB, CG} B=) c=(PB,PN) D=(PN} £={CB,CG} Qbservaciones: ‘) A contiene @ todos los puntos del espacio muestra, siempre que hagamos el experimento, ocurre. Entonces A es un evento cierto 0 seguro, b) B no contiene @ ningun punto del espacio muestral, nunca ocutre. Entonces B es un evento imposible. ©) Dcontiene un tnieo punto dal espacio muestra, se dice que D es un evento elemental. -d) C-contiene dos puntos del espacio muestral, se dice que C es un evento compuesto. D y E no pueden ccurrr simulténeamente, se dice que E y D son mutuamente exctuyentes incompatibles. ) Cy E son también mutuamente excluyentes pero ademas son exhaustivos, es decir que entre ‘ambos eventos cubren todo el espacio muestral. Por lo tanto cuando uno de ellos no ocure, necesariamente ocurre el otro. Decimos que C y E son eventos complementarios. Notacién + Los sucesos, por ser conjuntos, se simbolizan con letras mayisculas. EA, B,C. ‘Suele ocurrir que, como se intenta que el simbolo nos ayude a recordar el suceso, E}.: en fos ejercicios Tesueltos hemos uttzado Z para incicar el suceso “el animal seloccionado es Zainc”. En particule, seria deseable que no se ullice para indicar sucesos la letra X por los posteriores usos que le daremos. + Dado que traducimos del lenguaje coloquial (que es muy ampio) al lenguale simbolico (mas estrcto que et anterior), una expresién simbéiica puede provenir de dferentes expresiones cologuiales. Por ejemplo: “CN” puede provenir de decir ‘caniche negro", que es equivalents a decir que sea “caniche y negro" 0 “caniche poro negro" Por lo tanto, no debemos “alamos" a palabras ylo conjunciones de castellano para expresarmos simbdlicamente, A partir de eventos conocidos sueten definirse nuevos eventos, por ejemplo: = que ocurra e! evento A y al mismo tiempo ocurra el evento B ‘esta combinacién de eventos se la denomina intersecci6n y se la denota A BElementos de Estadistica 2010 Fac. Cs. Veterinarias (U. 8. A.) = que ocurran el evento A 0 el evento B A esta combinacién de eventos s¢ la denomina unién y se la denola AUB, A e |? que no ocurra el evento A, ‘este nuevo evento se lo denorrina complemento y se fa denota A°o bien ‘Dado un experimento y un espacio muestral S asociado al experimento, el objativo de la teorta de fa probabl- lidad es asociar a cada evento A un namero P(A), lamado probabiided de A, que dé una medida precisa de la chance o posibiided de que ocurra el evenio A I Dado un experimento o fendmeno alleatorio, con espacio muesiral asociado S, y un evento A, de este espe- cio musstral; se lama probebilidad de que ocurra el suceso A al cociente entre el nimero de puntos muestra- les de A (resultados favorables) el total de puntos muestrales de § (resultados posibies), siempre que todos sean equiprobables. Ejemplo: En una pecera hay dos peces amarilios y tres po- ces negros: ‘Sea el experimento aleatorio de “sacar un pez al azar y mirar el color’; el espacio muestral asociado. a este experimento, distinguiendo entre los peces de igual color, puede expresarse de la siguiente manera: S= (As, Aas Nyy Noy Nab Sea A el evento “el pez elegido es amatilo’. LaElementos de Estadistica 2010 Fac. Cs. Veterinarias (U. 8 A.) probabjidad de que ocurra A, segun la defricion clasica, es entoncos: Paya HA. Hpeces amatillos 2 _ 9 4 #5 #peces 5 Sin embargo, si expresébamos el espacio muesiral asociado al experimento indicando los colores posibles del pez selectionado: S={AN} Hubieramos podido pensar que P(A) es 1%, sin embargo esto no es correcto ya que el nimero de peces ama- tiles no es igual al nimero de peces negros. El primero de fos espacios muestrales considerados es un os- acio de equiposibilidad, vale decir donde cada punto muestral tiene la misma chance de ocurir, mientras ue el segundo espacio muestral no lo es. En sintesis, la definicién clésica de probabilidad es apropiada en espacio de equiposibilidad. Este inconveniente condujo a los estadisticos a buscar nuevas formas de enten- dr y definir probabilidad. Enfoaue a postetiori: Una forma intuva de encontrar la probabitéad de un cierto evento A seria ropatir ol axporimento n veces, de forma tal que cada repeticién no afecte la chance de ocurrencia del evento en otra y bajo condiciones: cexperimentales similares, registrande ol nimero de veoes que acurre A en tas n repeticiones. ‘Si denotamos /7) el nimero de veces que ocure A en las n repeticiones, lamamos la frecuencia relaiva do Aen tas nrepeticines a: (4) = £4 n Cuando n crece, /,(A)liende a estabilizarse alrededor de un nimero que Hamamos P(A), como puede observarse en el grafico siguiente, donde en el eje de abscisas (X) se representa el nimero de ensayos def experimento y, en e! efe de ordenadas (Y), la frecuencia relativa observada para ol evento A en ese numero. de ensayos: Tendencia de fa frecuencia relative de un evento: Simb6licamente. £,(A)> P(A). {La definicion axiomatica supone la existencia de una funcién de probabilidad p(.) que asigna un numero real a cada suceso A, definido dentro del espacio muestral S, de modo tal que el numero asignado satisface los sk uientes tres axiomas (afirmaciones que no se demuestran): = P(A)20 para todo evento A det espacio muestral S 2- PS)=1 3 Si Ay, Az son eventos mutuamente excluyentes entonces P(A; W Az) = P(As) #P(Aa) Este tercer axioma puede generalzarse para més de dos eventos.Elerrveentas de Estadistica 2010 Fac. Cs. Veterinarias (U. 8. A.) Propzicdades derivadas de la detinicién axiomética de Probabilidad: 1. La probabildad de que no ocurra el evento A, es decir la probabilided de que ocurra el evento complemento de A y la probabilidad de que ocurra A suman 1. Simbdlicamente puede expresarse: PIAS PLAY vale. ced que P(AT) = 1-P(A) Por exjenplo: P(macho) + P(hembra)1, siendo A: macho y A“: hembra 2. Lia probablidad de que courra el evento imposible es cero, puesto que os ol evento complementario det espzaciomuesiral. Simbélicamente puede exprosarse: PIQ= 0 3. Si clevento A ocurre algunas de las veces que ocurre et evento 8, to que simbolicamente se indica AcB, entomces le probabilidad asociada al evento A es menor 0 igual a la probabilidad de que ccurra et evento B. Sim>dlcamente puede expresarse AcB=>PIA) sPB) Por ejemplo: algunos de los diabéticos son insulinodependientes, aunque hay diebéticas que no lo son, luego: {insulinodependientes} c {diabéticos} — P(insulinadependiente) < P(diabético) 4~ SI Ay B son dos eventos cualesquiera de un espacio muestral S, y ocure que P(A) + P(B) supere a 1, a esto. sedebe a que la probabilidad de la interseccién se est sumando dos veces, Cémno debernos caloular entonces la probabilidad de la union de estos sucesos? Debemes sumar las probabildades de ambos eventos y restar la probabilidad de la interseccién para que quecte sumada una sola vez. Simbdlicamente podemos expresar la propiedad: (AUB) = P(A) + PB) P(A NB) Muchos autores denominan a esta ttima propiedad Teorema de la Suma. Protaabilidad condicionat ‘Cuarrido nos interesa la probabilidad de que ocurra un evento A, poro disponiondo de la informacién de que ha @rcutido ef evento B, se dice que queremas calcular la probabilidad de A condicional a B. Si reetomamos ol ejemplo de los perros donde teniamos diez perros, cuatro caniches y seis pequineses, de los 0 para nuestro ejemplo Teorema del producto De la definicién de probabilidad condicional, se desprende la llamada regia o teorema del producto. AA FAB = ASCE. PAM B)= PUDRAIB) ue da origen a la construccién de diagramas de arbol. ‘Veamos el ejemplo de los perros: pio Bp psn SEE ECE a 22 En las primeras ramas del arbol aparecen las probabiidades P(B), P(N) y P(G), mientras que en el si guiente nivel aparecen probabilidades condicionales P(C/8), P(PIB), P(PIN) y P(CIG). De esta manera, para calcular P(C/B) debernos mutiplicar las ramas que pasan por C y por B, es decir P(B) y P(CIB), en este caso P(CB) = 5/10* 2/5 = 210 = 02 Andependencia de sucesos aleatorios Cuando la ocurrencia de un evento no afecta la probabilidad de ocurrencia de otro, en des intervenciones de! azar, 3e dice que ambos son eventos independientes. ‘Simbéticamente: PUB) = P(A) Rab) PUB) lo que es equivalento a decir: = PIA)Elementos de Estadistica 2010 Fac. Cs. Veterinarias (U. 8. A.) bien PLAN B)= P(A). PB) Por ejemplo si queremos hacer dos extracciones sucesivas de un mismo conjunto, podemos reponer el primer elemento antes de la segunda extraccién, 0 no reponerio. Si se lo epone, la probabilidad de un evento dado es la misma en la primera y en la segunda extraccién, mientras que si no se lo repone, la probabilidad en la segunda extraccion esta determinada por el resultado de ta primera Decimos entonces que cuando se repone, las extracciones son independientes y cuando no se repone las extracciones son dependientes. Aplicacién de probabilidades condicionales: Relacién entre el resultado de una prueba diagnéstica y la presencia o ausencia de una enfermedad. Las cuatro situaciones posibles en la aplicacién de una prueba dlagnéstica se representan en al siguiente tabla: Tabla 1 | Resultadodela ————_Verdadero diagnéstico : | prueba Enfermo Sano Positive Verdaderos Positivos Falsos Positivos J (VP) (FP) i i Falsos Negativos _ Verdaderos Negativos Negative ont a Para poder apreciar ta calidad de una prueba diagnéstica, interesa saber con qué fuerza de- tecta la presencia de la enfermedad y cudnto se equivoca cuando afirma que el individuo tiene la enfermedad. Para ello tiene sentido definir dos cualidades inherentes a una prueba diagnéstica. Es la probabilidad de ciasificar correctamente a un individuo enfermo, es decir, la probabili- dad de que, para un sujeto enfermo, se obtenga en la prueba un resultado positivo, La sensibilidad es, por lo tanto, fa capacidad del test para detectar la en- fermedad. Es decir que la sensibilidad es la probabilidad de que el resultado del test sea positivo, sa- biendo que el individuo tiene la enfermedad: Sensibilidad = P(+/E)= VP/(VP+FN) De ahi que también la sensibilidad se denomine muchas veces como a “fraccién de verdade~ ros positivos (FVP)". Es la probabilidad de dlasificar correctamente a un individuo sano, es decir, la probabilidad de que para un sujeto sano se obtenga un resultado negativo. En otras palabras, se puede definir la especificidad como ta capacidad para detectar a los sanos. Es decir que la sensibilidad es la probabllidad de que el test dé negativo siendo el individuo sano: Especificidad = P(-/E)=VN/(FP+VN) De ahi que también sea denominada "fraccién de verdaderos negativos (FVN)".Elementos de Estadistica 2010 Fac. Cs, Veterinarias (U. B.A) Valor predictive positivo: Es la probabilidad de que el individuo padezca realmente la enfermedad sabiendo que ha obtenide un resuttado positivo en el test. Et valor predictivo positivo puede estimarse, por tanto, a partir de la proporcién de pacientes con un resultado positive en la prueba que fi- nalmente resultaron estar enfermos: VPP = P(E/+)=VP/(VP+FP) Valor predictivo negativo: Es la probabilldad de que un sujeto esté realmente sano siendo que el resultado del test re- sult6 negativo. Se estima dividiendo ef nimera de verdaderos negativos entre el total de Paclentes con un resultado negativo en la prueba: VPP = P(E /-)=VN/(VN+EN) EJEMPLO 4: Queremos evaluar ta calidad del andlisis clinico en la deteccién de cancer de mama. Para ello se consideran los 2641 casos de consulta en un servicio de ginecologia y patologia mamaria de Capital Federal. Los resultados registrados se han tabulado a continuacién: Resultado det " Resultado de la biopsia_ andlisis clinico Cancer _—Patologiabenigna —‘Total _ Anormal 635 268 Normal __ 486 ___ 1252 Total 1121 1520 _ Sensibilidad= 635/1121 = 0,5664 Especificidad= 1252/1520 = 0,8237 Vator predictive positive= 635/903 = 0,7032 Valor predictive negativo= 1252/1738 = 0,7204 EJEMPLO 2: Un test de diagndstico tiene una probabilidad 0,9 de detectar la presencia de Escherichia coli, en caso de haberla (sensibilidad del test). Si no estd presente, detecta su ausencia con una probabilidad de 0,8 (especificidad del test). La probabilidad de que una muestra de agua contenga Escherichia coli es 0,20 (prevalencia). 1- éCudl es fa probabilidad de que el test dé un resultado positive? Consideremos una tabla similar a la del ejemplo anterior: Bacteria Escherichia Coll presente ‘ausente, Resultado del Positivo vp FP PP test diagnéstico_[ Negative EN VN, PN 0,20 0,80 1,00 ‘Sabemos que la sensibilidad de la prueba es 0.9, lo que indica que: P(+/presente)= 0,9 Es decir que: VP/0,2 = 0,9 luego VP= 0,2*0,9 = (9,48) 8Elementos de Estadistica 2010 Fac. Cs. Veterinartas (U. 8. A) Ademas sabemos que la especificidad es 0,8, lo que nos indica que: P(-/ausente)=0,8 Es decir que: VN/0,8 = 0,8 luego VN= 0,8*0,8 = 0,64) Volquemos estos resultados en nuestra tabla: Bacteria Escherichia Coli Bresente ausente Resultado del Positivo 0,18 0,16 | 0,34 test diagnéstico [Negative 0,02 0,64 [0.66 0,20 0,80. 1,00 2- Suponiendo que el test dio un resultado positivo, 2cudl es la probabilidad de que realmen- te la muestra de agua contenga E. coli? (Valor predictivo positivo del test) VPP = P(presente/+) = 0,18/0,34 =0,5294 3- Por otro lado, si el test da un resultado negativo, 2cudl es la probabilidad de que realmen- te el agua estd libre de bacterias? (Valor predictivo negativo del test) VPN = P(ausente/-) = 0,64/ 0,66 0,97 4- Calcular el coeficiente Falso positivo = P(test positivo cuando la bacteria esté ausente) P(-+/ausente) = 0,16/0,8 =0,2 5- Calcular el coeficiente Falso negativo = P(test negative cuando la bacteria sf esta presen- te) P(-/presente) = 0,02/0,20= 0,10 CUESTIONARIO 4) En un diario comentan que los accidentes aulomovilsicos en las rutas son més probables actualmente que hace diez afios. El diario de la competencia informa que este afio la probablidad de que suoeda un ‘accidente eutomovilistco para las vacaciones de invierno es de 1.5; por lo que aconseja prudencia, Opine sobre fo publicado en este sitimo, Justifique su opinion. 2) Dados dos sucesos distintos de vacio Ay B, puede ser que: 8) P(A) sea mayor que p (A/B) b) (A) sea igual que p (AB) ¢) p (A) sea menor que p (A/B) \Jusiiique en forma gréfica, anaiitica 0 con ejemplos cada una de las respuestas. 3) Defina probabilidad condicional. Ejempifique. 4) Haga un circulo en verdadero (V) 0 falso (F) segin correspond: Si Ay B son dos sucesos no vacios, incluidos en un espacio muestral 8, cuyas probabilidades son 0,40 y 0,30 respectivamente, entonces: =(V) (F) Ay pueden ser o no mutuamente excluyentes “(V) (F) Ay son mutuamento excluyentes “™) Ay B no son mutuamente excluyentes '5) Haga un circulo en verdadero (V) 0 falso (F) segin corresponda:Elements de Estadistica 2010 Fac. Cs. Veterinarias (U. 8. A.) Si A y B son dos sucesos no vacios, incluidos en un espacio mustral S, con p{A)= 0,40; p(B)= 0,30; P(AIB)=0,7 entonces: =(V) (F) Ay B pueden ser on indepenciontes +(¥) (FD Ay B son independientes =() (F) Ay Bnoson independientes 8) Seguin fa teoria axiomatica de probabilidades la probebilidad es una funcién que: + tiene como dominio .. i : ‘+ Bene como imagen... + cumple con la cantidad de... xiomas. .. cuando. 7) Dados dos sucesos A y B no vactos incluidos en un espacio muestral 8, son repeticionines del la ocurrencia de uno no impide la... del otro en ‘experimento. 10Elementos de Estadistica 2010 Fac, Cs. Veterinarias (U. 8. A) VARIABLE ALEATORIA DISTRIBUCIONES EN PROBABILIDAD * OBJETIVOS ESPECIFICOS ¥ Comprender los conceptos de variable aleatoria, funciones de probabilidad y de distribucién acumulada. ¥ Aplicar estos conceptos a la interpretacién det comportamiento de fenémenos biolégicos y conocer algunas distribuciones de probablidad que los describen. Analizar distintos casos y calcular valores medios y de dispersion, Calcular las probabilidades de ocurrencia de resultados experimentales, * CONTENIDOS TEMATICOS Variable aleatoria: discreta y continua. Distribucion de probabitidad. funcién de cuantia, densidad y distribucién acumulada. Distribuciones de probabiidad, Esperanza y varianza. Propiedades de la esperanza y la varianza. Percent, Distribuciones especiales: Bemouti, Binomial, Normal, Normal estandarizada, t de Student y Ji-Cuadrado, * GLOSARIO Variable aleatoria. Funciones de probabiidad: funcién de cuantia, funcion de densidad, funcién de istribucion acumulada. Percentles. Esperanza matemética. Varianza. Distribuciones de probabilidad discreias y continuas. Distibuciones particulares: Binomial, Normal, ¢ de Student y J-Cuadrado, Definiciones y esquema de ta unidad Variable aleatoria: Se llama variable aleatoria a una funcién cuyo dominio os ol espacio muestral S y {euyo eaddominio 28 ef conjunto de nimeros reales; es decir que asigna valores numéricas a cada uno de tos puntos muestrales. Ejemplo: si consideramos el experimento aleatorio de seleccionar dos animales sin reposicion del siguiente conjunto de 25 perros que fue clasificado como indica el cuadro: Cachorro [Adulto ‘Negro 6 9 ‘Blanco 2 8 El espacio muestral asociado podria expresarse: = { (CN; CN), (CB; CB), (CN; CB), (CB: CN), (AN; AN), (AB: AB), (AN: AB), ( (AB; AN), (AN; CN), (AB; CB), (AN; CB), (AB: CN), (CN AN), (CB; AB), (CN; AB), (CB: AN) } sobre este espacio mvestral podriamos definir las siguientes variabies aloatorias: X: ndimero de cachorros extraidos ‘Y: nimero de colores distintos do la extraccién ‘Veamos en algunos puntos muestrales qué valores toman las variables aleatorias definidas: XI(CN; CN)] X{(CN; AN)] = 1 X{(AB; AN}] = 0 La variable aleatoria X toma jos valores 0, 1 y 2. Esto se indica Rx ={0, 1,2} YU(CB; CB) = 1 ‘YU(CB; AN)] = 2 Ry= {1,2} 1"Elements de Estadistica 2010 Fac. Cs. Veterinarias (U. 8. A.) Sobre el mismo conjunto de animales consideremos un nuevo experimento aleatorio, extraer con reposicién animales al azar hasta encontrar un CN, el espacio muestral asociado serfa: 'S={CN, (AB,CN), (AN,CN), (CB,CN), (AB.AB,CN),...} Podemos definir sobre este espacio muestral la variable ateatoria 2: ndmero de animales extraidos hasta obtener el CN” Elrecorrido de Z es Re= (1.2.3, ..} + Variable aleatoria discreta: Una variable aleatoria discreta es aquella cuyo recorride tiene un numero finito 0 infinito numerable de valores. Las variables aleatorias X e Y tlenen recorridos finitos, mientras que {a Variable aleatoria Z tiene un recorrido infinito numerable. Las tres son ejemplos de variables aleatorias discretas, © Distibucidn de _probabilidad: La distribucién de probabilidad de una variable aleatoria discreta es of Conjunto de pares (x,, p()). Puede estar dada por una tabla, una gréfica, una férmula u otro sistema utlizado para especificar todos los valores posibles de una variable aleatoria discreta junto con sus probabilidades respectivas. © Eun aleatoria que toma valores x, las siguientes dos condiciones: 8) p(x) 2 O para todos fos valores de x, del recorrido de la variable aleatoria DY ax, « Euncién de distribuck FO]: La funcién de distibucién acumulada F(x) de la variable aleatoria X se define como la probabilidad de que X sea menor o igual que algtin valor x, siendo x un valor cualquiera del conjunto de nimeros reales. O sea F(x}=PQXSx). na o funcién 4 ic ion de masa {p(x}: Si X os una variable iy 86 diré que p(x) 08 su fundién de probabillded si y s6la si verifica ‘Nota: En la bibliografia se encuentran dos maneras de acumular la probabilidad, a derecha y a izquierda, La funcion de distribucién de probabilidades definida es una funcién de probabilidades acumuladas a izquierda. En lo sucesivo cuando digamos funcién de distribucion, estamos refiiéndonos a esta. Para la variable aleatoria X definida en el primer ejemplo, la funcién de cuantia es: 2] oO 1 [pig 34175 34175 2 iis Observemos que esta funcion de cuantia asi dofinida satisface las dos condiciones de la definicién, es decir que asume valores positives y la suma de todos sus valores es 1 La funcion de distribucion acumulada de esta variable aleatoria queda definida de la siguiente manera: L (0 six<0 68° _f $4 siosxct Bl ry FOD= 1 oe Be S siisxe Bi it 78 fa ee ere 1 six22 o42 x 12Elementos de Estadistica 2010 Fac. Cs, Veterinarias (U. 8. A.) Puede observarse que se trata de una funcién definida sobre el conjunto de todos los ntimeros reales, que es escalonada y creciente (0 no decreciente). Para valores muy pequefios de fa variable x tiende a cero y para valores muy grandes de la variable X tiende a 1 * Beroanti_a. es of valor de la variable (x,) que acumula una probabldad “a’, simbéicaments PUKSx 2 © Esperanza: E(X)= 57 p(x,)x; « La esperanza do una variable aleatoria es un promedio ponderado {e los valores de ta variable con su respectva probabiidad. Interpretacion del concepto de esperanza La esperanza de una variable aleatoria es el centro de gravedad de la funcién de probabilided. Es decir que si imaginamos que en cada valor x, colocamos una masa equivalents a px(x), el punto de equilibrio del sistema es E(X). De esta forma E00) es una medida del “centro” de la distribucién Si imaginamos que se esté desarrollando un proceso aleatorio, este resullara en un nlimero, luego en otro, luego en otro. Uno puede preguntarse se existe algun orden en esta aleatoriedad. ‘Se ha demostrado que en promedio los resultados de una variable aleatoria varian alrededor de la espe- anza. Por ejemplo si tiramos 600 veces un dado equilibrado y registramos el nimero de ases, el valor ‘esperado es 100. Sin embargo cuando tiramos 600 veces el dado puede resultar que encontremos 98 0 103 ases, aunque siempre sucederd que ol nmero de ases sera cercano a 100. Propiededes de a esperanza 41) La esperanza de una variable aleatoria toma un valor dentro del recorrido de la variable, es decir que si a. 15Elementos de Estadistica 2010 Fac. Cs. Veterinarias (U. B.A.) ° Bs le distribucion [FQ]: La funcion de cistribucion acumulada F(x) de la variable aleatoria Xee define como la probabilidad de que X sea menor o igual que algin valor dado x ‘Simbélicamente: F(x,)-P(X $ x,) = Jex)ae ap 05> Fish 1905 oe \ an| / = | abe ae bee [ea L x x También se puede celcular la probabilidad de un intervalo utlizando el concepto de funcién de distribucién que muchas veces la encontramos tabulada. Es decir que: ix PlasX<6) Fy(b)- Fa) i PKs a)= [enarar,(a- Fla =o ‘Observacién: en un punto la probabilidad de una variable aleatoria continua es siempre coro, . Esperanza: £(X)= f xe f(x) de * Marienza: V(X) = E((X~ E)*) = BX*)-[ EN] Las definiciones de percentil, asi como las propiedades de la esperanza y la varianza son las mismas que para el caso discreto. Distribucfones: ‘Normal - Normal Estandar La variable aleatoria X tiene distribucion normal de pardmetros \1 y a” (con € % y G > 0) cuando su funcion de densidad es: ~shteal Loe fy (% 4,0) Tint Notacién: X ~ N(u; o*) se lee X tiene distribucion normal con parémetros jy o* con =» A= Via La fuancién de distribucién de la normal esténdar esta tabulada, Uso detablas: t= PLS1,25)=9(1,25)= 0.99435 2+ PAZ>1,25)=1~9(1,25)= 1 — 0,89435 = 0,10565 3- 210,38 SZ 51,25) = (1,25) 9(-0,38) = 0,89425 ~ 0,95197 = 0.54298 Percentiles de la distribucién normal esténdar: Uannaremos percent! 1-a, y lo designaremos 21, al valor de fa variable N(O, 1) que deja a su izquierda un &reade 1-0. Progpiedades de la distribucién normal: + 9xX-Nu 9 > Z= =H. NOW + SIZ~NO.1)=> EZ)=0 y VZ)=4 * 8 X~No?) = BX)any ViX)ed 7Elementos de Estadistica 2010 Fac. Cs. Veterinarias (U. 8. A) Distribueién Ji-cusdrado: Dofinicion. Una variable aleatoria X tiene una distribucién Chi Cuadrado 6 Ji Cuadrado si su funcién de densidad de probabilidad esta dada por: 1 r(x) v%r(%) 0 para x<0 donde T (gamma) es una funcién matematica que se parece al factorial y 1 es el ndmero de grados de libertad, 0 simplemente “grads de libertad” xe pare x20 Propiedades @) SiZes una variable aleatoria normal esténdar, entonces 2° tiene una distribucién Chi Guadrado con tun grade de libertad. b) SIZ), Za, Zn 8 Un Conjunto de n variables independientes e idénticamente distribuidas con distri- bucion normal estandar entonces: y _ ys 7», tiene una distribucién Chi Cuadrado con n grados de libertad ©) S14, Up, % 68 UN Conjunto de k variables independientes con distribucionos Chi Cuadrado con ny, Ta =» Th 9Fados de libertad, respectivamente, entonces la variable aleatoria V = vy + vz +..+ 1 tiene una distribucién Chi Cuadrado con n = 1; + m2 +..+ ny grados de libertad, Esta distribuci6n toma solamente vatores positivos y la forma se aprecia en el sigulente grafico: Disuibuctin Chi euodradd ws 000 ~6G bene aaon x ‘Tabulacién. La funcion de distribucién no puede calcularse en forma analitica; sin embargo, ha sido tabulada para diferentes valores de la probabilidad acumulada, y para varios grados de libertad. Ejemplo: a) Sea Z; una variable aleatoria normal estandar, queremos calcular la probabilidad P(Z,? < 3,841): Para ello podemos utilizar la distribucién normal: P(Z# < 3,841) = P ( {Z| <1,96) = 0(1,98) ~ 0(-1,96) 978 — 0,025 = 0,95 © bien podemos utilizar la distrbuciOn Chi cuadrado: Ply’ <3,841) = 0,95 b) Sean Z,, Zp y Zs variables aleatorias normales esténdar, queremos calcular la probabilidad P(Z,#4Z;"#Z,? < 2,368) 18Elementos de Estadistica 2010 Fac. Cs, Veterinarias (U. 8. A.) Eneste caso disponemos solamente de la alternativa de la tabla de Chi cuadrado: PU? + Ze + Zs < 2,366) = Ply2s <2,366) = 0,5 Observacién: la tabla de Chi cuadrado que utiizamos tiene en tos encabezados de las columnes las probabilidades acumulades 2 izquierda; en los encabezados de tas filas los grados de libertad de la 2 y, cuando los grados de liber= tad son suficientemente grandes, la varianza tiende a 1 y la distribucion se acerca a la normal estan- dar. ‘Ora manera de defini Ia distribucion t de Student o, simplemente distribucién t, es a partir de una funcién enla ue partpan dos variables aleatorias independiontes, una variable aleatoria normal esténdar y una variable 7° (Chi cuadrado) con n grados de libertad, mediante la siguiente expresién: z t ot, ve " Eiemplo: 2) Sea una variable aleatoria con distribucion t de Student con 6 grados de libertad, queremos hallar el percentil 95. Es decir buscamos tyes tal que P(t < teas) = 0,95 ‘Dela lectura do ta tabla surge que tas = 1,943 ') Si queremos en cambio buscar ol percenti 10, no encontraremes este valor tabulado en la tabla que ‘manejamos, entonces debernos considerar la simetria de la distribuci6n; es decir te: =~ toca = 1,44, CUESTIONARIO 1) Indicar el tipo de variable aleatoria (D: discreta C: continua) y la unidad experimental, para cada una de las siguientes variables: a) X="Namero de alumnos en una comisién de Elementos de estadistica” b) X="Peso del crineo de un animal” ©) X="Cantidad de dinero, en monedas, en un monedero” d) X~"Produccién de leche en un tambo” 19Elementas de Estadistica 2010 Fac. Cs. Veterinarias (U. 8. A.) 2) Defina funcién de cuantia, ejemplifique y calcule la funcién de distribucién acumulada 3) Dado un grupo de sicte perros con ciertas afecciones, se sabe que la probabilidad de que un tratamiento L sea efectivo es 0,85. Utilizando esta informacion: a) defina una variable con distribuciin Binomial. Especifique dicha distribucién, b) verifique los supuestos teGricos en ESTE CASO. 4) Determinar el intervalo de definicién para tee que Ja siguiente funcién sea una funcién de densidad de probabilidad. 5) _Diga si los siguientes grificos corresponden a una funcién de distribucién acumulada para una variable aleatoria discreta.Justifique cada caso: Foo ie ° 6) Si una funcién de densidad es distinta de cero en el interval (2 ; 7), ypuede set que la PCX=3)=0? Justificar. 7) Sean las variables aleatorias X; = N(jt; , 01°) y X2~ Nita , 62"). Establezca la relacién de igualdad o desigualdad (<0 > ), segin corresponds, entre las siguientes probabilidades: a) P (ty - 6) 4a + 02) a) PO > ph) P(X p2 42.02) 8) _Realizar grificos aproximados en un mismo esquema de: ) Una distribucién normal con media 4 y varianza 2 y una distribucién normal con media 8 y vatianza 2 b) Una distribucién con media -1y varianza 3 y una distribucién con media—1 y varianza 1. ©) Una distribucién normal estindar y una distribucién t-Student. 4) Una distribucién Ji-cuadrado con 17 grados de libertad y una distribuci6n Ji-cuadrado con 25 grados de libertad, €) Una distribucién t-Student con 20 grados de libertad y una distribucién tStudent con 30 grados de libertad. 9) _Indicar verdadero o falso segin corresponda: V F a) La distribucién normal es simetrica con respecto de cero, V F b) Una variable aleatoria discreta puede tener distribucién normal VW Fc) Cuando los grados de libertad de una distribucién Ji-cuadrado tienden a infinito la distribucién se asemeja a la distribucién normal. V F 4) Una variable con distribucién binomial tiene dos resultados posible. W F e) La distribucién t-Student tiene los mismos parimetros que la distribucién normal estindar, V F f) La varianza de una variable mas una constante es la varianza de la variable més fa constante, V F g)La esperanza de una variable aleatoria de cualquier tipo no puede tomar valores negativos VF h) Una variable aleatoria discreta no puede tomar valores negativos. V F 8) La distribucién normal estandar tiene desvio esténdar igual a 1. 'W F §) Lacsperanza de una constante es siempre 1 VF k) Una variable con distribucién t-Student sélo toma valores positivos. V F 1) Una variable con distribucién Ji-cuadrado sélo toma valores mayores 0 iguales a cero, 10) Completar las siguientes expresiones: a) La suma de las probabilidades de todos los puntos muestrales que Pertenece al mismo espacio muestral es et b) La distribucién normal es . .con respecto a su. ©) La funcién de. 1~-snwa fas probabilidades puntuales de una v. a. discreta, 4) La distribucidn t-Student tiene colas mis. @) Los pardmetros de ta distribucién Binomial son, f) Una variable con distribucién Binomial toma solamente valores. 9) La varianza de una constante es siempre h) La funcién de distribucién acumulada se mantiene constante en. variable tiende a infinito, ) La distribucidn f-cuadrado es asimétrica & weno 4) Una variable con distribucién normal esténdar tiene media... y varianza.. k) La probabilidad puntual de una variable aleatoria continua es siempre 1) La varianza de una variable por una constante es la varianza de la variable por la constante ebevada al nacamenennne . que la distribucién normal. 2