DISTRIBUCIONES DE PROBABILIDAD

PROBABILIDADES PARA VARIABLE DISCRETA

La distribucin de probabilidades para una variable discreta es una tabla, grfica, formula o cualquier otro medio que se utilice para especificar todos los valores posibles de una variable aleatoria discreta junto con sus probabilidades respectivas.

Tabla No 1 : Distribucin de Probabilidades del No. de nios por familia en una poblacin de 50 familias, en Villa Alemana, 1993.
N de nios 0 1 2 3 4 5 6 7 8 9 10 Total Frecuencia 1 4 6 4 9 10 7 4 2 2 1 50 P(X=x) 1/50 4/50 6/50 4/50 9/50 10/50 7/50 4/50 2/50 2/50 1/50 P(Xx) 1/50 5/50 11/50 15/50 24/50 34/50 41/50 45/50 47/50 49/50 50/50

Al graficar probabilidad versus x :

Viendo el grfico y la tabla se manifiestan tres caractersticas : Todos los valores de P(X=x) son positivos Todos los valores de P(X=x) son menores que 1 Todos los valores de P(X=x) suman en total 1 que se resumen en dos propiedades : a.b.0 <= P(X=x) <= 1 P(X=x) = 1

De esta forma : La probabilidad de que una familia elegida al azar tenga 3 nios es : P(X=3) = 4 / 50 = 0.08 La probabilidad de que una familia tenga 3 o 4 nios es : P( 3 <= X <= 4) = P(X=3) + P(X=4) = 0.08 + 0.18 = 0.26

Distribucin Binomial
En el rea de la salud (biolgica-mdica), nos vemos casi siempre enfrentados a estudios en los cuales la respuesta se expresa en forma de dos alternativas : positivo vs. negativo; muerte vs. sobrevivencia; xito vs. fracaso; etc. La distribucin binomial es una de las distribuciones de probabilidad que se encuentra con ms frecuencia en la estadstica aplicada. Esta distribucin se obtiene a partir del llamado ensayo de Bernoulli, cuando un slo ensayo o prueba de algn experimento conduce a dos resultados mutuamente excluyentes.

Requisitos Para poder aplicar la distribucin binomial debemos asegurarnos que se cumplan los siguientes requisitos : a.- Debe existir un nmero fijo de ensayos. b.- En cada ensayo prueba, debe tener slo dos posibilidades de respuesta que frecuentemente se engloban como "xito" o "fracaso". c.- La probabilidad de xito debe ser igual en todos los ensayos, es decir permanece constante de ensayo en ensayo. d.- Los ensayos pruebas, deben ser independientes entre s, es decir, el resultado de cualquier ensayo particular no es afectado por el resultado de cualquier otro ensayo.

Para los ensayos se cumple que : p = probabilidad de xito 0 <= p <= 1 q = 1 - p = probabilidad de fracaso n = nmero de ensayos pero n > 1 x = nmero de xitos en n ensayos = 0, 1, 2, 3, ..., n

n x P( x,n, p ) = P( X = x) = p (1 p ) nx x
x=0,1,2,.....n

Ejemplo : En la peste neumnica la letalidad es habitualmente del 70%, si se eligen 10 pacientes. a.- Cul es la probabilidad que el 60% sobreviva?
Datos p = 0.3 q = 0.7 n = No. de ensayos = 10 x = No. de xitos = la sobrevivencia del 60 % del total de10 pacientes = 6

10 6 P(6,10,0.3) = P( X = 6) = 0.3 (0.7)106 6

= 210 * 0.000729 * 0.2401 = 0.0367

b.- Cul es la probabilidad que el 50% sobreviva?

10 5 P (5,10,0.3) = P( X = 5) = 0.3 (0.7) 5 5

= 252 * 0.00243 * 0.16807 = 0.1029
c.- Cul es la probabilidad que el 10% sobreviva?

10 1 P(1,10,0.3) = P( X = 1) = 0.3 (0.7) 9 1

= 10 * 0.3 * 0.040353 = 0.1211

PROBABILIDADES PARA VARIABLE CONTINUA La variable continua es aquella que puede tomar cualquier valor dentro de un intervalo especificado de valores de asumidos por la variable, existiendo un nmero infinito de valores. Para entender mejor la naturaleza de la distribucin de una variable aleatoria continua, consideremos que construimos un histograma, en que los intervalos de clase estn representando el ancho de la barra y la altura da el nmero de valores de la variable que caen entre los dos puntos especificados

.2

.15

Fraction

.1

.05

0 30 40 50 score mat 60 70 80

HISTOGRAMA

Si el nmero de valores de la variable aleatoria es muy grande y el ancho de los intervalos de clase se hace muy pequeo, y se unen los puntos medios de las celdas del histograma, no es difcil imaginar que ocurren los siguientes fenmenos :

A medida que el nmero de observaciones, n, crece hacia infinito y el ancho de intervalos de clase tiende a cero, el polgono de frecuencias se aproxima a una curva uniforme como se muestra abajo: f(x)

Grfica de una distribucin continua

Distribucin Normal
Esta es una de las distribuciones ms importantes de la estadstica. Fue publicada por primera vez por el matemtico Abraham De Moivre (1667-1754), de ah en adelante fue investigada por muchos matemticos entre los que destacan Carl Friedrich Gauss (1777-1855), por cuyo nombre tambin se le conoce a esta distribucin. Es la piedra angular en la aplicacin de la inferencia estadstica en el anlisis de datos, puesto que las distribuciones de muchas estadsticas muestrales tienden hacia la distribucin normal conforme crece el tamao de la muestra.

Diremos que una v.a. tiene una distribucin Normal de parmetros y 2 (X~N(,2)) si la f.d.p. es:
1 f ( x) = e 2

( x )2
2 2

, x R, R, > 0

El grfico de esta curva es tal que: Es simtrica respecto a la vertical x= Tiene puntos de inflexin en x= - y x= + Tiene un mximo en x= Se aproxima asintticamente al eje X, lo que se refleja en la relacin:

1 f ( 3 ) = f ( + 3 ) = f ( ) 100

Si X~N(,2) entonces:

E( X ) = V (X ) =
2

Dado que los valores de y varan de una distribucin normal a otra, es que se usa una sola curva normal llamada distribucin normal estndar, la cual se caracteriza por tener =0 y = 1. Es decir, para cada punto x de una distribucin normal se puede usar la transformacin

z=

para obtener un valor z cuya distribucin es normal estndar o simblicamente N(0,1).

0.5

Funcin de densidad de de una distribucin normal con 0 y varianza 1

0.4

0.3

0.2

0.1

0.0 -3.0 -2.5 -2.0 -1.5 -1.0 -0.5 0.0

0.5

1.0

1.5

2.0

2.5

3.0

Clculo de reas Se sabe que los niveles de glucosa sangunea en mg por 100 ml de sangre tiene una distribucin normal con media de 83 y desviacin estndar de 4, si encontramos a un paciente con un valor de 90 Cul es la probabilidad de encontrar valores superiores o iguales a 90? Debemos transformar la variable :

90 83 7 z= = =1.75 4 4

esto es que 90 se encuentra a 1.75 desviaciones estndar de la media

Si z = +1.75, y vemos la tabla en la interseccin entre +1.70 y 0.05 es 0.0401 o 0.9599 dependiendo de la forma de la tabla, luego hay una probabilidad del 4.01% de encontar valores iguales o superiores a 90 mg/100 ml de sangre

Cuando se transforman los valores de x en valores de z, la distancia del valor de z de inters a partir de su media, 0, es igual a la distancia del valor correspondiente de x a partir de su media, , en unidades de desviacin estndar.

El rea comprendida entre: - y + es 0.684 - 2 y + 2 es 0.954 - 3 y + 3 es 0.997 Es muy difcil evaluar en una distribucin normal, valores que se alejen ms de tres desviaciones estndar desde la media (en ambas direcciones). Como se trata de una funcin continua P(X=1)=0. Y para calcular la probabilidad en un intervalo se debera integrar. Si se quiere calcular P(X<a) se debera integrar entre - y a.

P(X < a) = f(X)dX

Sin embargo, integrar no es necesario puesto que se encuentra tabulada la probabilidad de la funcin de distribucin (F(X)) de una Distribucin Normal, con media =0 y varianza 2=1, llamada distribucin normal estndar. Toda distribucin normal puede ser llevada a sta mediante la estandarizacin:

X Z=

Ejemplo 1:
En una determinada comuna el canon de arriendo por un departamento se distribuye normal, con media de $260.000. - y una desviacin estndar de $15.000. -.

1 2 3 4

Si una persona dispone de un presupuesto de $230.000. - o menos para arrendar el departamento. Cul es la probabilidad que consiga arrendar en esta comuna?. Si una persona paga mensual $290.000. - A qu porcentaje de los departamentos tiene acceso?. Si se considera adecuado un canon que oscile entre 1,5 y +1,5 desviaciones estndar de qu valores monetarios se habla?.

Si se fija 1 persona cuyo canon adecuado para l es un valor que est en el 90% central alrededor de la media. Cules son sus lmites?.

P(X<230)

215

230

245

260

275

290

305

X Z

-3

-2

-1

a) Si se considera adecuado un canon que oscile entre 1,5 y +1,5 desviaciones estndar de qu valores monetarios se habla?.
c) P(-1.5<Z<1.5) = P(X1<X<X2)

X1 X 1 260 Z1 = => 1.5 = => X 1 = 237,5M$ 15 X 2 X 2 260 Z2 = => 1.5 = => X 2 = 282,5M$ 15

0,9 0,05 0,05

Z1

Z2

P(Z<Z1)=0,05 P(Z<Z2)=0,95 Z1= -1,645 Z2= 1.645

X1 X 1 260 = Z1 => = 1.645 => X 1 = 235,325M$ 15 X2 X 2 260 = Z 2 => = 1.645 => X 2 = 284,67M$ 15

Teorema del Lmite Central

Sea X una variable aleatoria con una distribucin de probabilidades asociada. Sea una muestra aleatoria de tamao n: X1, X2, X3, .., Xn (sucesin de variables aleatorias independientes) con: E(Xi)=i V(Xi)=i2. Sea X= X1+ X2+X3+..+ Xn. Luego se cumple que:
Zn = X i
i =1 n

i =1

~ N(0,1)

2 i

Condiciones: n suficientemente grande (n>30) No importa que distribucin de probabilidad tengan las variables aleatorias, lo importante es que tengan E(X) y V(X) finitas

Teorema Adicional al anterior:

Sea X una variable aleatoria con una determinada distribucin de probabilidades y sea X1, X2, , Xn una muestra aleatoria de tamao n con E(Xi)= y V(Xi)=2. (Esperanza y Varianza comunes para las n variables). Sea X= X1+ X2+X3+. + Xn. Entonces si se cumple que: i) ii) E(X) y V(X) son finitos N es suficientemente grande
n

Se cumple que:

Zn =

X
i =1

i =1

~ N(0,1) Zn =

X n n 2

dividiendo por n en el numerador y denominador se tiene:

X n 2 / / n2

X ~ N(0,1) n

Supongamos que el gasto promedio diario de un estudiante universitario se distribuye normal con una media de $1.800. y una desviacin estndar de $400. -. a) Se elige un estudiante al azar Cul es la probabilidad de que su gasto diario sea inferior a $1.400.-?. b) Se escoge una muestra al azar de 25 estudiantes Cul es la probabilidad de que en promedio su gasto sea inferior a $1.400.-?, y cul es la probabilidad de que su gasto promedio sea inferior a $1.700.-?.

1400 1800 X P (X < 1 4 0 0 ) = P < = P (Z < 1 ) = 0 ,1 5 8 7 400 a) p ara n = 2 5

2 X 2

n 400 = = 80 5

(4 0 0 ) 2 = 6400 25

X 1560 -3 1640 -2 1720 -1 1800 0 1880 1 1960 2 2040 Z 3

(n = 2 5 )

X 1700 1800 P (X < 170 0) = P < 80 n

= P ( Z < 1 ,2 5 ) = 0 ,1 0 5 6