Tema 9. Variables Aleatorias Discretas y Modelos de Distribución
-
Upload
alberto-hacheyuve -
Category
Documents
-
view
227 -
download
0
Transcript of Tema 9. Variables Aleatorias Discretas y Modelos de Distribución
-
8/17/2019 Tema 9. Variables Aleatorias Discretas y Modelos de Distribución
1/25
TEMA 9. VARIABLES ALEATORIASDISCRETAS Y MODELOS DE
DISTRIBUCIÓN.
UNIDAD 2. PROBABILIDAD.
CONTENIDOS DEL TEMA:
1.1. Introducción a la probabilidad.
1.2. Variables aleatorias: Definición y tipos.
1.3. Variables aleatorias discretas (v.a.d.)
1.4. Función de probabilidad y función de distribución.
1.5. Valor esperado y varianza teórica.
1.6. Modelos de distribución de probabilidad de v.a.d..
-
8/17/2019 Tema 9. Variables Aleatorias Discretas y Modelos de Distribución
2/25
1.1. Introducción.
1.1. Introducción. Concepto básicosExperimento aleatorio: toda acción cuyo resultado no puedepredecirse con certeza. Tiene dos o más resultados posibles.
Suceso elemental: cada uno de los resultados posibles de unexperimento aleatorio.
Espacio muestral (E ): conjunto de todos los resultados posibles osucesos elementales de un experimento aleatorio.
Suceso: cualquier subconjunto de los elemento de E . Se representan
con letras latinas mayúsculas. Tipos:
• Imposible: suceso que tal y como está definido E es imposibleque ocurra.
• Seguro: suceso que está incluido en E .
• Incompatibles o excluyentes: no pueden darse a la vez.
O/
-
8/17/2019 Tema 9. Variables Aleatorias Discretas y Modelos de Distribución
3/25
1.1. Introducción.
1.1. Introducción.
-
8/17/2019 Tema 9. Variables Aleatorias Discretas y Modelos de Distribución
4/25
1.1. Introducción. Operaciones con sucesos
B A∪
B A− A B −
• Unión: subconjunto de elementos de E que están incluidos almenos en A o B.
• Intersección: subconjunto de elementos de E que estánincluidos simultáneamente en A y B.
• Diferencia: subconjunto de elementos de E que están incluidos
en A pero no en B.
• Complementario de un suceso: subconjunto de elementos de
E que no incluidos en él.
B∩
' A
1.1. Introducción. Operaciones con sucesos
B A∪
B A− A B−
-
8/17/2019 Tema 9. Variables Aleatorias Discretas y Modelos de Distribución
5/25
1.1. Introducción. Operaciones con sucesosCuando se tiran dos dados uno blanco y otro negro, hay 36 sucesoselementales (E).
Se define: - Suceso C: dado blanco igual a 1
- Suceso D: dado negro igual a 1
1.1. Introducción.
Probabilidad: frecuencia con la que ocurrirá un suceso en el casohipotético de que los eventos se repitan un número infinito deveces y en las mismas condiciones.
Enfoque clásico o a priori
Probabilidad de un suceso: número que cuantifica en términosrelativos las opciones de verificación de ese suceso.
Enfoque frecuencialista o
a posteriori.
Definir laprobabilidad
-
8/17/2019 Tema 9. Variables Aleatorias Discretas y Modelos de Distribución
6/25
1.1. Introducción.
Principio de Indiferencia: todos los elementos del espaciomuestral tienen las mismas opciones de ser verificados alrealizar un experimento aleatorio.
1.1. Introducción.Enfoque clásico o a priori.
posiblescasosdenúmero
favorablescasosdenúmero)( ==
N
n A P A
-
8/17/2019 Tema 9. Variables Aleatorias Discretas y Modelos de Distribución
7/25
Ejemplo. Equipo de psicólogos de una empresa
1.1. Introducción.Enfoque clásico o a priori.
Nombre Sexo Edad Experiencia
Luís Aparicio Hombre 43 14
José Bernárdez Hombre 36 6
María Carandel Mujer 56 28
Eduvigis Díaz Mujer 47 12
Roberta García Mujer 28 1
Enriqueta López Mujer 37 6
Baldomero Martín Hombre 46 5
Dorotea Nenuco Mujer 30 2
Norbeto Pérez Hombre 28 2
Cándida Zorita Mujer 26 1
Ejemplo. Equipo Psicólogos de una empresa
A= ser hombre
B= ser mujer
1.1. Introducción.
Enfoque clásico o a priori.
-
8/17/2019 Tema 9. Variables Aleatorias Discretas y Modelos de Distribución
8/25
Disponemos de los resultados obtenidos en n experimentosaleatorios
1.1. Introducción.Enfoque frecuencialista, frecuentista o a posteriori.
posiblescasosdenúmero
favorablescasosdenúmero)(
limlim ∞→∞→==
N
A
N N
n A P
1.1. Introducción.Enfoque frecuencialista, frecuentista o a posteriori.
-
8/17/2019 Tema 9. Variables Aleatorias Discretas y Modelos de Distribución
9/25
1.1. Introducción.Propiedades
a)
b) La probabilidad de un suceso seguro (E) es 1:
c) La probabilidad de un suceso imposible ( ) es 0:
d) La suma de las probabilidades de un suceso y sucomplementario es 1:
1)(0 ≤≤ A P
1)( = E P
O/
0)( =/O P
1)'()( =+ A P A P
Característica quedeseamos medir.
1.2. Variables Aleatorias.
Experimento Aleatorio:Experimento Aleatorio: Resultados dependen del azar.
Variable Aleatoria: Variable Aleatoria: Función o regla que asigna un númeroreal, y sólo uno, a cada suceso del espacio muestral.
Característica que puedeadoptar cualquier valor de los
posibles.
Estadística
Descriptiva:Probabilidad:
-
8/17/2019 Tema 9. Variables Aleatorias Discretas y Modelos de Distribución
10/25
1.2. Variables Aleatorias.Ejemplo:Ejemplo:
El director de un gabinete de Psicología cuenta con tres mujeres ydos hombres y desea escoger a dos personas para realizar unaselección. Para no introducir sesgos decide escogerlos al azar.
Llamando X a la variable “número de mujeres seleccionadas”,cuales serían los valores que toma la variable:
M= MujerM= Mujer H= HombreH= Hombre
MMMM
HMHM
MHMH
HHHH
22
11
11
00
Espacio MuestralEspacio Muestral Variable Aleatoria Variable Aleatoria
Introducimos tres ratas en un laberinto en formade T y estudiamos por que lado salen:
1.2. Variables Aleatorias.
Pueden salir:Pueden salir:
-- Las tres por laLas tres por la II?? III.III.
--La primera por la I y las otras dos porLa primera por la I y las otras dos porla Dla D ?? IDDIDD
-- etc.etc.……
ESPACIO MUESTRALESPACIO MUESTRAL
EE=[III, IID, IDI, DII, DDI, DID, IDD,=[III, IID, IDI, DII, DDI, DID, IDD,DDD]DDD]
-
8/17/2019 Tema 9. Variables Aleatorias Discretas y Modelos de Distribución
11/25
Experimento aleatorio: Introducir 3 ratas en un laberinto en formade T.
Espacio Muestral: E=[III, IID, IDI, DII, DDI, DID, IDD, DDD]Suceso: Número de ratas que salen por la izquierda..
1.2. Variables Aleatorias.
IIIIII
IIDIID
IDIIDI
DIIDIIDDIDDI
DIDDID
IDDIDD
DDDDDD
33
22
22
2211
11
11
00
Espacio MuestralEspacio Muestral Variable Aleatoria Variable Aleatoria
1.2. Variables Aleatorias.
TIPOSTIPOS
Se define sobre espaciosSe define sobre espacios muestralesmuestrales finitos o infinitos, perofinitos o infinitos, peronumerables.numerables.
Variable Aleatoria Variable Aleatoria Discreta:Discreta: v.a.d v.a.d ..
Se define sobre espaciosSe define sobre espacios muestralesmuestrales infinitos, no numerables.infinitos, no numerables.
Variable Aleatoria Variable Aleatoria Cont inua:Cont inua: v.a.c v.a.c ..
-
8/17/2019 Tema 9. Variables Aleatorias Discretas y Modelos de Distribución
12/25
1.3. Variables Aleatorias Discretas.
Conceptos fundamentalesConceptos fundamentales
Aquella función que asocia a cada valor de la variable laprobabilidad de que ésta adopte ese valor:
f(x i) = P(X=xi)
FunciFuncióón de probabilidad de unan de probabilidad de una v.a.dv.a.d..
FunciFuncióón de distribucin de distribucióón de unan de una v.a.dv.a.d..
Aquella función que asocia a cada valor de la variable laprobabilidad de que ésta adopte al menos ese valor:
f(x i)= P(X
-
8/17/2019 Tema 9. Variables Aleatorias Discretas y Modelos de Distribución
13/25
1.4. Función de probabilidad y funciónde distribución de v.a.d.GrGrááfico de la funcifico de la funcióón de distribucin de distribucióón de unan de una v.a.dv.a.d..
0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0,4
0 1 2 3
1.4. Función de probabilidad y funciónde distribución de v.a.d.GrGrááfico de la funcifico de la funcióón de probabilidad de unan de probabilidad de una v.a.dv.a.d..
0
0,2
0,4
0,6
0,8
1
1,2
0 1 2 3
-
8/17/2019 Tema 9. Variables Aleatorias Discretas y Modelos de Distribución
14/25
Media Aritmética.
1.5. Esperanza matemática y varianza
teórica de las v.a.d.
Esperanza Matemática: Valor igual a la media que seobtendría en caso de observarse un número infinito de valoresde la variable aleatoria.
E o µ
Esperanza matemática o valoresperado.
Descriptiva: Probabilidad:
Sumatorio de los productos de cada valor por su probabilidad.
E(x)= µ= Sxi * f(xi)
Varianza.
1.5. Esperanza matemática y varianzateórica de las v.a.d.
Varianza teórica: Varianza que se obtendría sobre los valoresobservados en el caso de que el número de observacionescreciese infinitamente.
s 2
Varianza Teórica.
Descriptiva: Probabilidad:
-
8/17/2019 Tema 9. Variables Aleatorias Discretas y Modelos de Distribución
15/25
1.5. Esperanza matemática y varianza
teórica de las v.a.d.
0,375
1,5
0,375
0
xi2*f(xi)
0,375
0,75
0,375
0
xi*f(xi)
9
4
1
0
X2
1/8=0,125
3/8=0,375
3/8=0,375
1/8=0,125
f(xi)
1
3
3
1
na
3
2
1
0
X
CCC
CXC
CCX
XCC
XCX
XXC
CXX
XXX
E
5,1)125,0*3()375,0*2()375,0*1()125,0*0()( =+++= X E
75,05,1)125,0*3()375,0*2()375,0*1()125,0*0( 222222 =−+++=σ
1.4. Esperanza matemática y varianzateórica de las v.a.d.
Propiedades
1. El valor esperado y la varianza de una constante son iguales,respectivamente a esa constante y a cero.
E(a)= a s 2(a)= 0
2. Si a los valores de una v.a.d. se les suma una constante, laesperanza se ve incrementada en esa constante y la varianza nose altera.
Si Y =X + a
Entonces E(Y)= E(X) + a s 2(Y)= s 2(X)
-
8/17/2019 Tema 9. Variables Aleatorias Discretas y Modelos de Distribución
16/25
1.4. Esperanza matemática y varianza
teórica de las v.a.d.
3. Si a los valores de una3. Si a los valores de una v.a.dv.a.d. se les multiplica una constante, la. se les multiplica una constante, laesperanza se ve multiplicada por esa constante y su varianza poresperanza se ve multiplicada por esa constante y su varianza porel cuadradoel cuadrado
Si Y =a* X
Entonces E(Y)= E(X) * a s 2(Y)= a2*s 2(X)
TABLA RESÚMEN
DISTRIBUCIÓN DE FRECUENCIAS FUNCIÓN DE PROBABILIDAD
X: valores obtenidos de la muestra X: todos los valores posibles
pi: proporción o frecuencia relativa f(xi): función de probabilidadP (X=xi)
pa: proporción o frecuencia relativaacumulada F(xi): función de distribuciónP (X = xi)
Media: Esperanza matemática:
Varianza: Varianza Teórica:
-
8/17/2019 Tema 9. Variables Aleatorias Discretas y Modelos de Distribución
17/25
En la práctica la función de probabilidad de la mayoría delas v.a.d. se ajusta a un modelo teórico expresadomediante una fórmula concreta.
1.5. Modelos de distribución de
probabilidad para v.a.d.
La función de probabilidad se ajusta almodelo teórico expresado en la
fórmula
Consecuencia: las propiedades del modelo concretopueden aplicarse a la variable estudiada.
1.5. Modelos para variables discretas.
La distribuciLa distribucióón Uniformen UniformeTodos los valores asumibles por una variable sonTodos los valores asumibles por una variable sonequiprobablesequiprobables. Entonces, la funci. Entonces, la funcióón de probabilidad es lan de probabilidad es lamisma para todos los valores:misma para todos los valores:
Ej em plo : Para un dado de 6 caras equiprobables
0
0,05
0,1
0,15
0,2
0,25
1 2 3 4 5 6
J x f i
1)( =
-
8/17/2019 Tema 9. Variables Aleatorias Discretas y Modelos de Distribución
18/25
1.5. Modelos para variables discretas.La distribuciLa distribucióón Uniformen Uniforme
Espe ra n za m at emát ica:
Com probac i ón:
1.5. Modelos para variables discretas.
La distribuciLa distribucióón Uniformen Uniforme
Var ian za t eór ica:
Com probac i ón:
( )12
11 2
2 −+−= mínmáx X X
σ
( )92,2
12
35
12
16
12
1116 22
2 ==−=−+−=σ
-
8/17/2019 Tema 9. Variables Aleatorias Discretas y Modelos de Distribución
19/25
1.2. Modelos para variables discretas.La distribución Binomial
Todo experimento aleatorio con dos posibles resultados,mutuamente excluyentes (experimento de Bernoulli) yrepetidos N veces.
1.2. Modelos para variables discretas.La distribución Binomial
Si: 1. v.a.d. es dicotómica: se cumple (1) o no se cumple (0)una condición,
2. Se realiza una secuencia de N ensayos en los que laprobabilidad de verificación de la condición es constante ees independiente del resto de ensayos :
p
3. Se define la v.a. X como el número de veces en los Nensayos en los que se cumple la condición,
Entonces: la v.a. X se ajusta a un modelo binomial conparámetros N y p , se representa por:
),( π N B X ≈
-
8/17/2019 Tema 9. Variables Aleatorias Discretas y Modelos de Distribución
20/25
1.5. Modelos para variables discretas.La distribución BinomialFunciFuncióón de probabilidad: (X= 0,1)n de probabilidad: (X= 0,1)
Esperanza matemEsperanza matemáática:tica:
Varianza te Varianza teóórica:rica:
ii
i
x N x N
xi
x f −−
= )1()( ππ
π*)( N X E =
)1(**2 ππσ −= N
Experimento aleatorio: Introducir 3 ratas en 1 laberinto en formade T.
Suceso: Número de ratas que salen por la izquierda..
1.25. Modelos para variables discretas.
IIIIII
IIDIIDIDIIDI
DIIDII
DDIDDI
DIDDID
IDDIDD
DDDDDD
33
2222
22
11
11
11
00
Espacio MuestralEspacio Muestral Variable Aleatoria Variable Aleatoria
-
8/17/2019 Tema 9. Variables Aleatorias Discretas y Modelos de Distribución
21/25
Xi ni f(xi) F(xi)0 1 1/8=0,125 0,125
1 3 3/8=0,375 0,5
2 3 3/8=0,375 0,875
3 1 1/8=0,125 1
S 8 1
1.5. Modelos para variables discretas.
La distribución Binomial
1.5. Modelos para variables discretas.
¿Cómo podemos aplicar el modelo binomial alejemplo de las tres ratas y el laberinto en T?
La distribución Binomial
-Variable aleatoria X :“Salir por lado izquierdo”
-Modelo binomial con parámetros B(3, 0,5)
-Valores 0, 1, 2 y 3
-
8/17/2019 Tema 9. Variables Aleatorias Discretas y Modelos de Distribución
22/25
Xi ni f(xi)
03
* 0,50 * 0,50 = 0,1250
13
* 0,50 * 0,50 = 0,3751
23
* 0,50 * 0,50 = 0,3752
3 3 * 0,50 * 0,50 = 0,1253
1.5. Modelos para variables discretas.
0 3
3 0
2 1
1 2
La distribución Binomial
Sea la variable X (nº de aciertos al azar en un test de 4preguntas con 2 respuestas cada una)
1.5. Modelos para variables discretas.
X~ B(X; 4, 0,5)
-
8/17/2019 Tema 9. Variables Aleatorias Discretas y Modelos de Distribución
23/25
Sea la variable X (nº de aciertos al azar en un test de 4preguntas con 2 respuestas cada una)
1.2. Modelos para variables discretas.
X~ B(X; 4, 0,5)
X f(x)
0 0,0625
1 0,25
2 0,375
3 0,250
4 0,0625
Pro ba bi l ida d éx it o
Nº Éx it os
Nº Repet i c iones
Sea la variable X (nº de aciertos al azar en un test de 4
preguntas con 2 respuestas cada una); X~ B(X; 4, 0,5)
¿Cuál es la probabilidad de acertar 2 preguntas?
P(X=2)= 0,375
-
8/17/2019 Tema 9. Variables Aleatorias Discretas y Modelos de Distribución
24/25
Pro ba bi l ida d éx it o
Nº Éx it os
Nº Repet i c iones
Sea la variable X (nº de aciertos al azar en un test
de 4 preguntas con 2 respuestas cada una);
¿Cuál es la probabilidad de acertar 3 preguntas?
P(X=3)= 0,250
De acuerdo con un estudio publicado por un grupo de sociólogos de laUniversidad de Massachussets, aproximadamente el 60% de losconsumidores de Valium en dicho estado, lo tomaron por primera vez debidoa problemas psicológicos.
Encuentre la probabilidad de que entre los siguientes ocho consumidoresentrevistados en este estado:
a) 3 comiencen a tomar Valium por problemas psicológicos.
1.5. Modelos para variables discretas.La distribución Binomial
X ~ B(x, n, p)X: (tomar Valium por razones psicológicas)B (8, 0,6)
-
8/17/2019 Tema 9. Variables Aleatorias Discretas y Modelos de Distribución
25/25
Tomar Valium por problemas psicológicos:
¿Cuál es la probabilidad de 3 sujetos lo consuman
por problemas psicológicos?
P(X=3)= 0,124
B (8, 0,6)