MARCO TERICO
VARIABLE ALEATORIA DISCRETA:
Una variable aleatoria, X, decimos que es de tipo discreto cuando puede
tomar los valores x1,..., xk con probabilidades P(x1),..., P (xk). Estas
probabilidades reciben el nombre de funcin de masa o funcin de
probabilidad
LA MEDIA O ESPERANZA
La media o esperanza de una variable discreta de X se define como:
LA VARIANZA
La varianza de una variable discreta de X se define como :
VARIABLE ALEATORIA CONTINUA:
Una variable aleatoria, X, decimos que es de tipo continuo cuando
puede tomar cualquier valor en un intervalo de la recta real con una
funcin de densidad f(x) que representa la idealizacin en la poblacin
del perfil obtenido a partir de los datos en el diagrama de tallos y hojas
o en el histograma.
LA MEDIA O ESPERANZA DE UNA VARIABLE CONTINUA
En una variable continua de X se define como:
LA VARIANZA DE UNA VARIBLE CONTINUA
En una variable continua X se define como:
ENSAYO DE BERNOULLI:
Una prueba de Bernoulli es un experimento aleatorio cuyos posibles
resultados son agrupados en dos conjuntos excluyentes que
llamaremos xito (E) y fracaso (F), con P (E) = p y P (F) = 1 p.
DISTRIBUCIN BINOMIAL:
La distribucin binomial es tpica de las variables que proceden de un experimento
que cumple las siguientes condiciones:
1) El experimento est compuesto de n pruebas iguales, siendo n un nmero
natural fijo.
2) Cada prueba resulta en un suceso que cumple las propiedades de la variable
binmica o de Bernouilli, es decir, slo existen dos posibles resultados,
mutuamente excluyentes, que se denominan generalmente como xito y
fracaso.
3) La probabilidad del xito (o del fracaso) es constante en todas las pruebas.
P(xito) = p ; P(fracaso) = 1 - p = q
4) Las pruebas son estadsticamente independientes,
En estas condiciones, la variable aleatoria X que cuenta el nmero de
xitos en las n pruebas se llama variable binomial. Evidentemente, el espacio
muestral estar compuesto por los nmeros enteros del 0 al n. Se suele decir que
una variable binmica cuenta objetos de un tipo determinado en un muestreo de n
elementos con reemplazamiento.
La funcin de probabilidad de la variable binomial se representa como
b(x,n,p) siendo n el nmero de pruebas y p la probabilidad del xito. n y p son los
parmetros de la distribucin.
La media y la varianza de la variable binomial se calculan como:
Media = = n p
Varianza = 2 = n p q
Realizamos n pruebas de Bernoulli independientes, con P(E) = p en
cada prueba. El modelo binomial con parmetros n y p, que
representaremos abreviadamente por B(n; p), es el modelo de
probabilidad de la variable aleatoria X = Nmero de xitos obtenidos en
las n pruebas. Sus probabilidades son:
DISTRIBUCIN DE PROBABILIDAD DE POISSON:
Describe la cantidad de veces que ocurre un evento en un intervalo
determinado (tiempo, volumen, temperatura, etc...).La distribucin se
basa en dos supuestos:
1) La probabilidad es proporcional a la extensin del intervalo.
2) Los intervalos son independientes.
Esta distribucin es una forma lmite de la distribucin binomial, cuando
la probabilidad de xito es bien pequea y n es grande ,a esta
distribucin se llama "Ley de eventos improbables", lo cual significa que
la probabilidad de p es bien pequea .La probabilidad de Poisson es una
probabilidad discreta; puesto que se forma por conteo
Donde:
Media del nmero de ocurrencias.
: Constante de Euler.
x : Nmero de ocurrencias
Media:-Esta dado por:
DISTRIBUCIN NORMAL:
La distribucin normal fue definida por De Moivre en 1733 y es la
distribucin de mayor importancia en el campo de la estadstica.
Una variable es normal cuando se ajusta a la ley de los grandes
nmeros, es decir, cuando sus valores son el resultado de medir
reiteradamente una magnitud sobre la que influyen infinitas causas de
efecto infinitesimal.
Las variables normales tienen una funcin de densidad con forma de
campana a la que se llama campana de Gauss.
Su funcin de densidad es la siguiente:
Los parmetros de la distribucin son la media y la desviacin tpica, y
, respectivamente. Como consecuencia, en una variable normal, media
y desviacin tpica no deben estar correlacionadas en ningn caso (como
desgraciadamente ocurre en la inmensa mayora de las variables
aleatorias reales que se asemejan a la normal.
La curva normal cumple las siguientes propiedades:
1)
El mximo de la curva coincide con la media.
2)
Es perfectamente simtrica respecto a la media (g1 = 0).
3)
4)
La curva tiene dos puntos de inflexin situados a una desviacin
tpica de la media. Es convexa entre ambos puntos de inflexin y
cncava en ambas colas.
Sus colas son asintticas al eje X.
Para calcular probabilidades en intervalos de valores de la variable,
habra que integrar la funcin de densidad entre los extremos del
intervalo. por desgracia (o por suerte), la funcin de densidad normal no
tiene primitiva, es decir, no se puede integrar. Por ello la nica solucin
es referirse a tablas de la funcin de distribucin de la variable
(calculadas por integracin numrica) Estas tablas tendran que ser de
triple entrada (, , valor) y el asunto tendra una complejidad enorme.
Afortunadamente, cualquier que sea la variable normal, X, se puede
establecer una correspondencia de sus valores con los de otra variable
con distribucin normal, media 0 y varianza 1, a la que se llama variable
normal tipificada o Z. La equivalencia entre ambas variables se obtiene
mediante la ecuacin:
La funcin de distribucin de la variable normal tipificada est tabulada
y, simplemente, consultando en las tablas se pueden calcular
probabilidades en cualquier intervalo que nos interese.
De forma anloga a lo pasaba con las variables Poisson, la suma
de variables normales independientes es otra normal.
DISTRIBUCIN NORMAL ESTNDAR:
La distribucin normal estndar, o tipificada o reducida, es aquella que
tiene por media el valor cero, =0, y por desviacin tpica la unidad,
=1.
La probabilidad de la variable X depender del rea del recinto
sombreado en la figura. Y para calcularla utilizaremos una tabla.
TIPIFICACIN DE VARIABLE:
Para poder utilizar la tabla tenemos que transformar la variable X que
sigue una distribucin N(, ) en otra variables que siga una
distribucin N(0, 1).
