INFERENCIA PARAMETRICA

DISTRIBUCIONES DE PROBABILIDAD

LIC. NEL QUEZADA LUCIO

Una distribucin de probabilidad es un modelo matemtico que asocia valores de una variable aleatoria con sus respectivas probabilidades, es decir: Probabilidad de x = Funcin de x . Las distribuciones se caracterizan por una frmula que determina el tipo de distribucin y por un conjunto de parmetros, que son propios de cada espacio muestral. Existen dos tipos de distribuciones discretas y continuas

DISTRIBUCIONES DISCRETAS: Son aquellas en las que la variable puede pude tomar un nmero determinado de valores. La distribucin puede describirse mediante una. Funcin de probabilidad, que para cada valor de x de la variable X determina la probabilidad de ser asumido: P( X= x) = p (x) bien por medio de una funcin de distribucin de probabilidad acumulada o simplemente. Funcin de distribucin, la que, para cada valor provee la probabilidad de no ser superado

P ( X x) = F ( x ) =
Adems se cumple: 1).-

p ( x)

Rango

p( x) = 1

2).- E ( x) =

xp( x, )
2

2 2 3).- Var ( x) = = E ( x ) (E ( x) )

Ejemplo: si se lanza una moneda al aire puede salir cara o cruz; si se tira un dado puede salir un nmero de 1 al 6; en una ruleta el nmero puede tomar un valor del 1 al 32.

LAS PRINCIPALES DISTRIBUCIONES DISCRETAS SON: 1.- Distribucin de Bernouilli: Es aquel modelo que sigue un experimento que se realiza una sola vez y que puede tener dos soluciones: xito o fracaso:

1 x = , Si ocurre xito con probabilidad p 0 , Si ocurre fracaso con probabilidad 1- p = q

p x q 1 x , si x = 0,1 P( x) = P( X = x) = , en otro caso 0

INFERENCIA PARAMETRICA

LIC. NEL QUEZADA LUCIO

E ( x) = p Var ( x) = pq
Ejemplo 1: Probabilidad de salir cara al lanzar una moneda al aire: Solucin: Probabilidad de que salga cara: p = 0,5. Probabilidad de que no salga cara: q = 0,5. Entonces p + q = 0,5 + 0,5 = 1 Ejemplo 2: Probabilidad de ser admitido en la universidad. Solucin: Probabilidad de ser admitido: p = 0,25. Probabilidad de no ser admitido: q = 0,75. Entonces p + q = 0,25 + 0,75 = 1

2.- Distribuciones Binomial: La distribucin binomial parte de la distribucin de Bernouilli. Se aplica cuando se realiza "n" veces el experimento de Bernouiili, siendo cada ensayo independiente del anterior. Donde: x: nmero de xitos en n ensayos n-x: fracasos p : Probabilidad de xito q = 1- p: Probabilidad de fracaso. La v.a. X tiene distribucin binomial con parmetros n y p [x~ b (n , p)]. Si: Su Funcin de Probabilidad es dado por:

( n ) p x q n x , si x = 0,1..n x P( x) = P( X = x) = , en otro caso 0

E ( x) = np Var ( x) = npq
Ejemplo 1: se tira una moneda 10 veces: cuantas caras salen?. Solucin: Si no ha salido ninguna la variable toma el valor 0; si han salido dos caras la variable toma el valor 2; si todas han sido cara la variable toma el valor 10. Ejemplo 2: Cul es la probabilidad de obtener 6 caras al lanzar una moneda 10 veces? X: es el nmero de aciertos. Entonces x = 6 "n" es el nmero de ensayos.n=10. "p" es la probabilidad de xito, es decir, que salga "cara" al lanzar la moneda. Por lo tanto p = 0,5

INFERENCIA PARAMETRICA

LIC. NEL QUEZADA LUCIO

Luego, P (x = 6) = 0,205, Es decir, se tiene una probabilidad del 20,5% de obtener 6 caras al lanzar 10 veces una moneda.

Ejemplo 3: Cul es la probabilidad de obtener cuatro veces el nmero 3 al lanzar un dado ocho veces? X: (nmero de aciertos) toma el valor 4, "n" toma el valor 8 y "p" (probabilidad de que salga un 3 al tirar el dado) es 1 / 6 (= 0,1666). La frmula queda:

Luego, P (x = 4) = 0,026 Es decir, se tiene una probabilidad del 2,6% de obtener cuatro veces el nmeros 3 al tirar un dado 8 veces. En el siguiente grfico se muestra la funcin de probabilidad puntual correspondiente a la distribucin Binomial para distintos valores de p y n=10. Puede observarse cmo la distribucin se simetriza a medida que p tiende a 0.5. Cmo seran los grficos para valores de p>0.5?

En el siguiente grfico se muestra la funcin de probabilidad puntual correspondiente a la distribucin Binomial para distintos valores de p y n.

INFERENCIA PARAMETRICA

LIC. NEL QUEZADA LUCIO

3.- Distribucin de Poisson: La distribucin de Poisson parte de la distribucin binomial: Cuando en una distribucin binomial se realiza el experimento un nmero "n" muy elevado de veces y la probabilidad de xito "p" en cada ensayo es reducida, entonces se aplica el modelo de distribucin de Poisson. Se tiene que cumplir que: " p " < 0,10 y " p * n " < 10 Su Funcin de Probabilidad es dado por:

e x , si x = 0,1,2..... P( x) = P( X = x) = x! 0 , en otro caso

E ( x) = Var ( x) =
""=n *p (el nmero de veces "n" que se realiza el experimento multiplicado por la probabilidad "p" de xito en cada ensayo) "x" es el nmero de xito cuya probabilidad se est calculando

Ejemplo 1: La probabilidad de tener un accidente de trfico es de 0,02 cada vez que se viaja, si se realizan 300 viajes, cual es la probabilidad de tener 3 accidentes?.

INFERENCIA PARAMETRICA

LIC. NEL QUEZADA LUCIO

Solucin: Como "p" es menor que 0,1, y el producto np <10, entonces aplicamos el modelo de distribucin de Poisson.

Luego, P (x = 3) = 0,0892. Por lo tanto, la probabilidad de tener 3 accidentes de trfico en 300 viajes es del 8,9% Ejemplo: La probabilidad de que un nio nazca pelirrojo es de 0,012. Cul es la probabilidad de que entre 800 recin nacidos haya 5 pelirrojos? Solucin:

Luego, P (x = 5) = 4,602 Por lo tanto, la probabilidad de que haya 5 pelirrojos entre 800 recin nacidos es del 4,6% En el siguiente grfico se muestra la funcin de probabilidad puntual correspondiente a la distribucin de Poisson para distintos valores de . En l puede observarse cmo ladistribucin se simetriza alrededor de a medida que este parmetro crece.

4.- Distribucin Hipergeomtrica: La distribucin hipergeomtrica es el modelo que se aplica en experimentos del siguiente tipo: La poblacin a ser muestreada consiste de N elementos o individuos (poblacin finita) Cada elemento o individuo puede ser clasificado como xito o Fracaso y hay r xitos en la poblacin

Se extrae de la poblacin una muestra de n elementos o individuos, de forma tal que cualquier subconjunto de tamao n tiene la misma probabilidad de ser elegido. x es el la cantidad de xitos en la muestra y (n-x) Fracasos

INFERENCIA PARAMETRICA

LIC. NEL QUEZADA LUCIO

Sea X: nmero de xitos en la muestra de tamao n. Se dice que X tiene distribucin Hipergeomtrica de parmetros n, N y N1 y se denotaX ~ H (n,N,r) La distribucin hipergeomtrica tiene la siguiente. Funcin de Probabilidad:

( r )( N r ) P( x) = P( X = x) = x Nn x (n )
Si x v. a. ~ H (N, n ,N1)

E ( x) = n

r N r N r N n N N N 1

Var ( x) = n

Ejemplo: En una urna hay bolas de dos colores (blancas y negras), cul es la probabilidad de que al sacar 2 bolas las dos sean blancas?. Son experimentos donde, al igual que en la distribucin binomial, en cada ensayo hay tan slo dos posibles resultados: o sale blanca o no sale. Pero se diferencia de la distribucin binomial en que los distintos ensayos son dependientes entre s: Si en una urna con 5 bolas blancas y 3 negras en un primer ensayo saco una bola blanca, en el segundo ensayo hay una bola blanca menos por lo que las probabilidades son diferentes (hay dependencia entre los distintos ensayos). Donde: N: es el nmero total de bolas en la urna r: es el nmero total de bolas blancas N- r: es el nmero total de bolas negras x: es el nmero de bolas blancas cuya probabilidad se est calculando n: es el nmero de ensayos que se realiza

Ejemplo 1: en una urna hay 7 bolas blancas y 5 negras. Se sacan 4 bolas Cul es la probabilidad de que 3 sean blancas? Solucin: Entonces: N = 12; N1 = 7; N2 = 5; k = 3; n = 4 Si aplicamos el modelo:
7 5 (3 )(1 ) P( x = 3) = 12 (4 )

Por lo tanto, P (x= 3) = 0,3535. Es decir, la probabilidad de sacar 3 bolas blancas es del 35,3%. Pero este modelo no slo se utiliza con experimentos con bolas, sino que tambin se aplica con experimentos similares: Ejemplo 2: en una fiesta hay 20 personas: 14 casadas y 6 solteras. Se eligen 3 personas al azar Cul es la probabilidad de que las 3 sean solteras? Solucin:

( 6 )(14 ) P( x = 3) = 3 200 (3 )

INFERENCIA PARAMETRICA

LIC. NEL QUEZADA LUCIO

Por lo tanto, P (x = 3) = 0,0175. Es decir, la probabilidad de que las 3 personas sean solteras es tan slo del 1,75%

5.- Distribucin Binomial Negativa: Una v.a. x que denota el nmero de fracasos que ocurren en una sucesin infinitas de ensayos de bernouilli con parmetros p antes que exactamente r xitos sean obtenidos tiene distribucin binomial negativa con parmetros r y p si: Su Funcin de Probabilidad es dado por:

( r +xx 1 ) p r q x , si x = 0,1,2.... y r = 1,2.. P( x) = P( X = x) = , en otro caso 0

p Var ( x) = rq

E ( x) = rq

p2

6.- Distribucin Geomtrica: Una distribucin binomial negativa con parmetros r =1 y p se denomina distribucin geomtrica, esto es, se dice que una v.a. x tiene distribucin geomtrica con parmetros p si: Su Funcin de Probabilidad es dado por:

pq x , si x = 0,1,2... P( x) = P( X = x) = , en otro caso 0

p Var ( x) = q

E ( x) = q

p2

En el siguiente grfico se muestra la funcin de probabilidad puntual correspondiente a ladistribucin Geomtrica para distintos valores de p.

INFERENCIA PARAMETRICA

LIC. NEL QUEZADA LUCIO

7.- Distribucin Multinomial: La distribucin multinomial es similar a la distribucin binomial, con la diferencia de que en lugar de dos posibles resultados en cada ensayo, puede haber mltiples resultados: Ejemplo de distribucin binomial: A unas elecciones se presentaron 2 partidos polticos: el POPO obtuvo un 70% de los votos y el JEJE el 30% restante. Cul es la probabilidad de que al elegir 5 ciudadanos al azar, 4 de ellos hayan votado al JEJE? Ejemplo de distribucin multinomial: A esas elecciones se presentaron 4 partidos polticos: el POPO obtuvo un 40% de los votos, el JEJE el 30%, el MUMU el 20% y el LALA el 10% restante. Cul es la probabilidad de que al elegir 5 ciudadanos al azar, 3 hayan votado al POPO, 1 al MUMU y 1 al LALA? La distribucin multinomial sigue el siguiente modelo:

Donde: X1 = x1: indica que el suceso X1 aparezca x1 veces (en el ejemplo, que el partido POPO lo hayan votado 3 personas) n: indica el nmero de veces que se ha repetido el suceso (en el ejemplo, 5 veces) n!: es factorial de n (en el ejemplo: 5 * 4 * 3 * 2 * 1) p1: es la probabilidad del suceso X1 (en el ejemplo, el 40%) Ejemplo 1:

Luego: P = 0,0256 Es decir, que la probabilidad de que las 5 personas elegidas hayan votado de esta manera es tan slo del 2,56% (0! = 1, y cualquier nmero elevado a 0 es igual a 1)

INFERENCIA PARAMETRICA

LIC. NEL QUEZADA LUCIO

Ejemplo 2: En una fiesta, el 20% de los asistentes son espaoles, el 30% franceses, el 40% italiano y el 10% portugueses. En un pequeo grupo se han reunido 4 invitados: cual es la probabilidad de que 2 sean espaoles y 2 italianos? Aplicamos el modelo:

Luego P = 0,0384 Por lo tanto, la probabilidad de que el grupo est formado por personas de estos pases es tan slo del 3,84%.

8.- Distribucin Multihipergeomtrica: La distribucin multihipergeomtrica es similar a la distribucin hipergeomtrica, con la diferencia de que en la urna, en lugar de haber nicamente bolas de dos colores, hay bolas de diferentes colores. Ejemplo 1: en una urna hay 7 bolas blancas, 3 verdes y 4 amarillas: cul es la probabilidad de que al extraer 3 bolas sea cada una de un color distinto?. La distribucin multihipergeomtrica sigue el siguiente modelo:

P( X 1 = x1 , X 2 = x 2 , X 3 = x3 .....) =
Donde:

N2 N3 1 (N x1 )( x2 )( x3 )...... N (n )

X1 = x1: indica que el suceso X1 aparezca x1 veces (en el ejemplo, que una de las bolas sea blanca) N1: indica el nmero de bolas blancas que hay en la urna (en el ejemplo, 7 bolas) N: es el nmero total de bolas en la urna (en el ejemplo, 14 bolas) n: es el nmero total de bolas que se extraen (en el ejemplo, 3 bolas)

Ejemplo 2: En una caja de lpices hay 10 de color amarillo, 3 de color azul y 4 de color rojo. Se extraen 7 lpices, cual es la probabilidad de que 5 sean amarillos y 2 rojos? Aplicamos el modelo:

P( X 1 = 5, X 2 = 0, X 3 = 2) =

3 4 (10 5 )( 0 )( 2 ) (17 7 )

Luego P = 0,0777. Por lo tanto, la probabilidad de que los 5 lpices sean de los colores indicados es del 7,77%.

B.- DISTRIBUCIONES CONTINUAS: Son aquellas que presentan un nmero infinito de posibles soluciones: Ejemplo: El peso medio de los alumnos de una clase puede tomar infinitos valores dentro de cierto intervalo (42,37 kg, 42,3764 kg, 42, 376541kg, etc); la esperanza media de vida de una poblacin (72,5 aos, 7,513 aos, 72, 51234 aos). Funcin de distribucin: P ( X x) =

f ( x)dx
Rango

Adems se cumple: 1).-

INFERENCIA PARAMETRICA

LIC. NEL QUEZADA LUCIO

f ( x)dx = 1

2).- E ( x) = xf ( x) dx 3).- Var ( x) = 2 = E ( x 2 ) (E ( x) )2

LAS PRINCIPALES DISTRIBUCIONES CONTINUAS SON: 1.- Distribucin Uniforme: Una v,a, continua tiene distribucin uniforme con parmetros y (<) que pueden tomar cualquier valor dentro de un intervalo, todos ellos con la misma probabilidad. Su funcin de densidad es aquella que nos permite conocer la probabilidad que tiene cada punto del intervalo, viene definida por: Su Funcin de densidad es dado por:

1 , Si x f ( x) = 0 , en otro caso
F ( X ) = P( X X ) = f ( x)dx
Si x~ BN (r, p)

2 ( ) 2 Var ( x) = 12
Ejemplo 1: El precio medio del litro de gasolina durante el prximo ao se estima que puede oscilar entre 140 y 160 ptas. Podra ser, por tanto, de 143 ptas., o de 143,4 ptas., o de 143,45 ptas., o de 143,455 ptas, etc. Hay infinitas posibilidades, todas ellas con la misma probabilidad. Por lo tanto, la funcin de distribucin del ejemplo sera:

E ( x) =

Es decir, que el valor final est entre 140 ptas. y 141 ptas. tiene un 5% de probabilidad, que est entre 141 y 142, otro 5%, etc. Por lo tanto, el precio medio esperado de la gasolina para el prximo ao es de 150 ptas. E(X) = (140+160) / 2 =150 Ejemplo 2: El volumen de precipitaciones estimado para el prximo ao en la ciudad de Lima va a oscilar entre 400 y 500 litros por metro cuadrado. Calcular la funcin de distribucin y la precipitacin media esperada:

Es decir, que el volumen de precipitaciones est entre 400 y 401 litros tiene un 1% de probabilidades; que est entre 401 y 402 litros, otro 1%, etc. El valor medio esperado es: E(X) = (400 + 500) / 2 = 450 Es decir, la precipitacin media estimada en Sevilla para el prximo ao es de 450 litros.

INFERENCIA PARAMETRICA

LIC. NEL QUEZADA LUCIO

2.- Distribucin Normal: Es el modelo de distribucin ms utilizado en la prctica, ya que multitud de fenmenos se comportan segn una distribucin normal. Esta distribucin se caracteriza porque los valores se distribuyen formando una campana de Gauss, en torno a un valor central que coincide con el valor medio de la distribucin. Un 50% de los valores estn a la derecha de este valor central y otro 50% a la izquierda. Esta distribucin viene definida por dos parmetros: X: N ( , 2) su funcin de densidad es.
( x u ) 2 1 f ( x) = e 2 2
2

x IR

El grfico de la funcin de densidad normal tiene forma de campana con eje de simetraen x = y puntos de inflexin en x = + y x = - .

E(x) = (-<u<): Es el valor medio de la distribucin y es precisamente donde se sita el centro de la curva (de la campana de Gauss). Var(x) = 2 (0< 2<): s la varianza. Indica si los valores estn ms o menos alejados del valor central: si la varianza es baja los valores estn prximos a la media; si es alta, entonces los valores estn muy dispersos. En esta distribucin, indica la posicin de la curva y es el parmetro de dispersin. En el siguiente grfico se muestran densidades N(0, 2) para distintos valores de .

INFERENCIA PARAMETRICA

LIC. NEL QUEZADA LUCIO

3.- Distribucin Normal Estndar o Tipificada N (0, 1): Cuando la media de la distribucin es 0 y la varianza es 1. Con funcin de densidad.
Z2 1 1 f ( z) = e 2 2

z IR

Su ventaja reside en que hay tablas donde se recoge la probabilidad acumulada para cada punto de la curva de esta distribucin. Ejemplo: Z ~ N (0,1), el percentil 99 de la distribucin es 2.33 ya que (2.33) = 0.99 .

Toda distribucin normal se puede transformar en una normal Estndar: Para transformarla en una normal estndar se crea una nueva variable (Z) que ser igual a la anterior (X) menos su media y dividida por su desviacin tpica (que es la raz cuadrada de la varianza).

Z=

Ejemplo 1: una variable aleatoria sigue el modelo de una distribucin normal con media 10 y varianza 4. Transformarla en una normal tipificada. X: N (10, 4)

Z=

x 10 2

Esta nueva variable se distribuye como una normal tipificada, permitindonos, por tanto, conocer la probabilidad acumulada en cada valor. Z: N (0, 1) Tabla de una Distribuciones Normal Estanadr N (0, 1):
z 0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2,0 2,1 2,2 2,3 2,4 2,5 2,6 2,7 2,8 2,9 0,00 0,5000 0,5398 0,5793 0,6179 0,6554 0,6915 0,7257 0,7580 0,7881 0,8159 0,8416 0,8643 0,8849 0,9032 0,9192 0,9332 0,9452 0,9554 0,9641 0,9713 0,97725 0,98214 0,98610 0,98928 0,99180 0,99379 0,99534 0,99653 0,99744 0,99813 0,01 0,5040 0,5438 0,5832 0,6217 0,6591 0,6950 0,7291 0,7611 0,7910 0,8186 0,8438 0,8665 0,8869 0,9049 0,9207 0,9345 0,9463 0,9564 0,9649 0,9719 0,97778 0,98257 0,98645 0,98956 0,99202 0,99396 0,99547 0,99664 0,99752 0,99819 0,02 0,5080 0,5478 0,5871 0,6255 0,6628 0,6985 0,7324 0,7642 0,7939 0,8212 0,8461 0,8686 0,8888 0,9066 0,9222 0,9357 0,9474 0,9573 0,9656 0,9726 0,97831 0,98300 0,98679 0,98983 0,99224 0,99413 0,99560 0,99674 0,99760 0,99825 0,03 0,5120 0,5517 0,5910 0,6293 0,6664 0,7019 0,7357 0,7673 0,7967 0,8238 0,8485 0,8708 0,8907 0,9082 0,9236 0,9370 0,9484 0,9582 0,9664 0,9732 0,97882 0,98341 0,98713 0,99010 0,99245 0,99430 0,99573 0,99683 0,99767 0,99831 0,04 0,5160 0,5557 0,5948 0,6331 0,6700 0,7054 0,7389 0,7704 0,7995 0,8264 0,8508 0,8729 0,8925 0,9099 0,9251 0,9382 0,9495 0,9591 0,9671 0,9738 0,97932 0,98382 0,98745 0,99036 0,99266 0,99446 0,99585 0,99693 0,99774 0,99836 0,05 0,5199 0,5596 0,5987 0,6368 0,6736 0,7088 0,7422 0,7734 0,8023 0,8289 0,8531 0,8749 0,8944 0,9115 0,9265 0,9394 0,9505 0,9599 0,9678 0,9744 0,97982 0,98422 0,98778 0,99061 0,99286 0,99461 0,99598 0,99702 0,99781 0,99841 0,06 0,5239 0,5636 0,6026 0,6406 0,6772 0,7123 0,7454 0,7764 0,8051 0,8315 0,8554 0,8770 0,8962 0,9131 0,9279 0,9406 0,9515 0,9608 0,9686 0,9750 0,98030 0,98461 0,98809 0,99086 0,99305 0,99477 0,99609 0,99711 0,99788 0,99846 0,07 0,5279 0,5675 0,6064 0,6443 0,6808 0,7157 0,7486 0,7794 0,8078 0,8340 0,8577 0,8790 0,8980 0,9147 0,9292 0,9418 0,9525 0,9616 0,9693 0,9756 0,98077 0,98500 0,98840 0,99111 0,99324 0,99492 0,99621 0,99720 0,99795 0,99851 0,08 0,5319 0,5714 0,6103 0,6480 0,6844 0,7090 0,7517 0,7813 0,8106 0,8365 0,8599 0,8810 0,8997 0,9162 0,9306 0,9429 0,9535 0,9625 0,9699 0,9761 0,98124 0,98537 0,98870 0,99134 0,99343 0,99506 0,99632 0,99728 0,99801 0,99856 0,09 0,5359 0,5723 0,6141 0,6517 0,6879 0,7224 0,7549 0,7852 0,8133 0,8389 0,8621 0,8830 0,9015 0,9177 0,9319 0,9441 0,9545 0,9633 0,9706 0,9767 0,98169 0,98574 0,98899 0,99158 0,99361 0,99520 0,99643 0,99736 0,99807 0,99861

INFERENCIA PARAMETRICA

LIC. NEL QUEZADA LUCIO

Cmo se lee esta tabla? La columna de la izquierda indica el valor cuya probabilidad acumulada queremos conocer. La primera fila nos indica el segundo decimal del valor que estamos consultando. Ejemplo 1: Queremos conocer la probabilidad acumulada en el valor 2,75. Entonces buscamos en la columna de la izquierda el valor 2,7 y en la primera fila el valor 0,05. La casilla en la que se intersectan es su probabilidad acumulada (0,99702, es decir 99.7%). Atencin: la tabla nos da la probabilidad acumulada, es decir, la que va desde el inicio de la curva por la izquierda hasta dicho valor. No nos da la probabilidad concreta en ese punto. En una distribucin continua en el que la variable puede tomar infinitos valores, la probabilidad en un punto concreto es prcticamente despreciable. Ejemplo 2: Imaginemos que una variable continua puede tomar valores entre 0 y 5. La probabilidad de que tome exactamente el valor 2 es despreciable, ya que podra tomar infinitos valores: por ejemplo: 1,99, 1,994, 1,9967, 1,9998, 1999791, etc. Ejemplo 3: Probabilidad acumulada en el valor 0,67: la respuesta es 0,7486. Probabilidad acumulada en el valor 1,35: la respuesta es 0,9115.

Ejercicio 1: El salario medio de los empleados de una empresa se distribuye segn una distribucin normal, con media 5 mil nuevos soles. y desviacin tpica S/. 1 mil nuevos soles Calcular el porcentaje de empleados con un sueldo inferior a 7 mil nuevos soles .

INFERENCIA PARAMETRICA

LIC. NEL QUEZADA LUCIO

Primero: Transformar esa distribucin en una normal estndar, para ello se crea una nueva variable Z que ser igual a la anterior X menos su media y dividida por la desviacin tpica. La variable Z que corresponde a una variable X=7 es: (Z se distribuye como una normal estndar):

Z=

75 =2 1

El valor de Z equivalente a 7 mil nuevos soles es 2. P (X<7) = P (Z < 2)

Segundo: Consultar la tabla la probabilidad acumulada para el valor Z =2 (equivalente a la probabilidad de sueldos inferiores a 7 mil nuevos soles). Esta probabilidad es 0,97725. Por lo tanto, el porcentaje de empleados con salarios inferiores a 7 mil nuevos soles. es del 97,725%.

Ejercicio 2: La renta media de los habitantes de un pas es de 4 mil nuevos soles/ao, con una varianza de 1,5. Se supone que se distribuye segn una distribucin normal. Calcular: a) Porcentaje de la poblacin con una renta inferior a 3 mil nuevos soles. b) Renta a partir de la cual se sita el 10% de la poblacin con mayores ingresos. c) Ingresos mnimo y mximo que engloba al 60% de la poblacin con renta media. a) Calcular la normal estndar:

Z=

3 4 = 0.816 1.22

El valor de Z equivalente a 3 mil nuevos soles es -0,816. P (X<3)=P (Z< -0,816) Ahora tenemos que ver cul es la probabilidad acumulada hasta ese valor. Tenemos un problema: la tabla de probabilidades slo abarca valores positivos, no obstante, este problema tiene fcil solucin, ya que la distribucin normal es simtrica respecto al valor medio. Por lo tanto: P(Y<-0,816) = P (Y>0,816). Por otra parte, la probabilidad que hay a partir de un valor es igual a 1 (100%) menos la probabilidad acumulada hasta dicho valor: P(Y>0,816) = 1 - P(Y < 0,816) = 1 0,7925 = 0,2075. Luego, el 20,75% de la poblacin tiene una renta inferior a 3 mil nuevos soles. b) Vemos en la tabla el valor de la variable estndar cuya probabilidad acumulada es el 0,9 (90%), lo que quiere decir que por encima se sita el 10% superior. Ese valor corresponde a Z =1,282. Ahora calculamos la variable normal X equivalente a ese valor de la normal estndar:

1.282 =

x4 1.22

Despejando X, su valor es 5,57. Por lo tanto, aquellas personas con ingresos superiores a 5,57 mil nuevos soles. constituyen el 10% de la poblacin con renta ms elevada. c) Vemos en la tabla el valor de la variable normalizada Z cuya probabilidad acumulada es el 0,8 (80%). Como sabemos que hasta la media la probabilidad acumulada es del 50%, quiere decir que entre la media y este valor de Z hay un 30% de probabilidad. Por otra parte, al ser la distribucin normal simtrica, entre -Z y la media hay otro 30% de probabilidad. En definitiva, el segmento (-Z, Z) engloba al 60% de poblacin con renta media. El valor de Z que acumula el 80% de la probabilidad es 0,842, por lo que el segmento viene definido por (-0,842, +0,842). Ahora calculamos los valores de la variable X correspondientes a estos valores de Z. Los valores de X son 2,97 y 5,03. Por lo tanto, las personas con ingresos superiores a 2,97 mil nuevos soles. e inferiores a 5,03 mil nuevos soles. constituyen el 60% de la poblacin con un nivel medio de renta.

Ejercicio 3: La vida media de los habitantes de un pas es de 68 aos, con una varianza de 25. Se hace un estudio en una pequea ciudad de 10.000 habitantes: a) Cuntas personas superarn previsiblemente los 75 aos? b) Cuntos vivirn menos de 60 aos?

a) Hallamos el valor de la normal estndar equivalente a 75 aos

INFERENCIA PARAMETRICA

LIC. NEL QUEZADA LUCIO

Z=

75 68 = 1.4 5

Por lo tanto P (X > 75) = (Z >1,4) =1 - P (Z< 1,4) =1 - 0,9192 = 0,0808. Luego, el 8,08% de la poblacin (808 habitantes) vivirn ms de 75 aos. b) Hallamos el valor de la normal estndar equivalente a 60 aos Por lo tanto P (X < 60) = (Z < -1,6) = P (Z > 1,6) = 1 - P (Z < 1,6) = 0,0548. Luego, el 5,48% de la poblacin (548 habitantes) no llegarn probablemente a esta edad.

Z=

60 68 = 1.6 5

Ejercicio 4: El consumo medio anual de cerveza de los habitantes de una pas es de 59 litros, con una varianza de 36. Se supone que se distribuye segn una distribucin normal. a) Si usted presume de buen bebedor, cuntos litros de cerveza tendra que beber al ao para pertenecer al 5% de la poblacin que ms bebe?. b) Si usted bebe 45 litros de cerveza al ao y su mujer le califica de borracho qu podra argumentar en su defensa? a) En la tabla el valor de la variable estndar cuya probabilidad acumulada es el 0,95 (95%), por lo que por arriba estara el 5% restante. Ese valor corresponde a Z=1,645. Ahora calculamos la variable normal X equivalente a ese valor de la normal estndar:

1.645 =

x 58 6

Despejando X, su valor es 67,87. Por lo tanto, tendra usted que beber ms de 67,87 litros al ao para pertenecer a ese "selecto" club de grandes bebedores de cerveza.

b) Calculamos el valor de la normal tipificada correspondiente a 45 litros:

Z=

45 58 = 2.2 6

P (X < 45) = (Z < -2,2) = P (Z > 2,2) = 1 - P (Y < 2,2) = 0,0139 Luego, el 1,39% de la poblacin bebe menos que usted.

Ejercicio 5: A un examen se han presentado 2.000 aspirantes. La nota media ha sido un 5,5, con una varianza de 1,5. a) Tan slo hay 100 plazas. Usted ha obtenido un 7,7. Sera oportuno ir organizando una fiesta para celebrar su xito? b) Va a haber una 2 oportunidad para el 20% de notas ms altas que no se hayan clasificados. A partir de que nota se podr participar en esta?

a) Vamos a ver con ese 7,7 en que nivel porcentual se ha situado usted, para ello vamos a comenzar por calcular el valor de la normal estndar equivalente.

Z=

7.7 5.5 = 2.1 1.049

A este valor de Z le corresponde una probabilidad acumulada (ver tablas) de 0,98214 (98,214%), lo que quiere decir que por encima de usted tan slo se encuentra un 1,786%. Si se han presentado 2.000 aspirante, ese 1,786% equivale a unos 36 aspirantes. Por lo que si hay 100 plazas disponibles, tiene usted suficientes probabilidades como para ir organizando la "mejor de las fiestas". b) En la tabla el valor de la normal estndar que acumula el 80% de la probabilidad, ya que por arriba slo quedara el 20% restante. Este valor de Z corresponde a 0,842. Ahora calculamos el valor de la normal X equivalente:

INFERENCIA PARAMETRICA

LIC. NEL QUEZADA LUCIO

0.842 =

x 5.5 Despejamos la X y su valor es 6,38. Por lo tanto, esta es la nota a partir de la cual se podr 1.049 acudir.

TEOREMA CENTRAL DEL LMITE

Teorema 1 Si las v.a. X1, X2, X3,...... Xk son independientes y si cada Xi tiene distribucin normal con media i y varianza 2i (i=1,2,3,.......k), entonces la suma X1+ X2+ X3+...... Xk tiene distribucin normal con media 1 + 2+ 2 2 2 2 3 + .....+k y varianza 1 + 2+ 3 + .....+ k

El Teorema Central del Lmite dice que si tenemos un grupo numeroso de variables independientes y todas ellas siguen el mismo modelo de distribucin (cualquiera que ste sea), la suma de ellas se distribuye segn una distribucin normal. Este teorema se aplica tanto a suma de variables discretas como de variables continuas Teorema: Si X1,X2,X3,....Xn es una sucesin de v.a. distribuidas, cada una con media y varianza 2, Estandarizando se tiene:

X ~ N ( , 2 n) entonces .

independientes

idnticamente

Z=

Ejemplo: Se lanza una moneda al aire 100 veces, si sale cara le damos el valor 1 y si sale cruz el valor 0. Cada lanzamiento es una variable independiente que se distribuye segn el modelo de Bernouilli, con media 0,5 (p) y varianza 0,25 (pq). Calcular la probabilidad de que en estos 100 lanzamientos salgan ms de 60 caras. La variable suma de estas 100 variables independientes se distribuye, por tanto, segn una distribucin normal. Con Media: n*Me (media de la variable individual multiplicada por el nmero de variables independientes) y Varianza: n*s2 (varianza de la variable individual multiplicada por el nmero de variables individuales) En el Ejemplo: la Media = 100*0,5= 50 y la Varianza = 100*0,25 = 25. Para ver la probabilidad de que salgan ms de 60 caras calculamos la variable normal estndar equivalente:

Z=

60 50 =2 5

Por lo tanto: P (X > 60) = P (Z > 2,0) = 1- P (Z < 2,0) = 1 - 0,9772 = 0,0228 Es decir, la probabilidad de que al tirar 100 veces la moneda salgan ms de 60 caras es tan slo del 2,28% Ejercicio 1. La renta media de los habitantes de un pas se distribuye uniformemente entre 4,0 mil nuevos soles. y 10,0 mil nuevos soles. Calcular la probabilidad de que al seleccionar al azar a 100 personas la suma de sus rentas supere los 725 mil nuevos soles. Cada renta personal es una variable independiente que se distribuye segn una funcin uniforme. con media = (4+10)/2 = 7 y varianza = (10 - 4)2/12 = 3.:

Por tanto, la suma de las 100 variables se distribuye segn una normal de media =n*Me=100*7 =700 y varianza n*s2 = 100*3 = 300: Para calcular la probabilidad de que la suma de las rentas sea superior a 725 mil nuevos soles, calculamos el valor equivalente de la variable normal estndar:

INFERENCIA PARAMETRICA

LIC. NEL QUEZADA LUCIO

Z=

725 700 = 1.44 17.3

Luego: P(X>725) = P (Z >1,44) = 1 - P (Z < 1,44) = 1 - 0,9251 = 0,0749 Es decir, la probabilidad de que la suma de las rentas de 100 personas seleccionadas al azar supere los 725 mil nuevos soles es de 7,49% Ejercicio 2. En una asignatura del colegio la probabilidad de que te saquen a la pizarra en cada clase es del 10%. A lo largo del ao tienes 100 clases de esa asignatura. Cul es la probabilidad de tener que salir a la pizarra ms de 15 veces? Salir a la pizarra es una variable independiente que sigue el modelo de distribucin de Bernouilli: "Salir a la pizarra", le damos el valor 1 y tiene una probabilidad del 0,10 "No salir a la pizarra", le damos el valor 0 y tiene una probabilidad del 0,9. La media es 0,10y la varianza es 0,10 * 0,90 = 0,09 de cada variable independientes . Por tanto, la suma de las 100 variables se distribuye segn una normal cuya media es n*Me =100 *0,10 = 10 y varianza n*s2 = 100*0,09 = 9. Para calcular la probabilidad de salir a la pizarra ms de 15 veces, calculamos el valor equivalente de la variable normal estandar:

Z=

15 10 = 1.67 3

Luego: P (X > 15) = P (Z > 1,67) = 1 - P (Z < 1,67) = 1 - 0,9525 = 0,0475 Es decir, la probabilidad de tener que salir ms de 15 veces a la pizarra a lo largo del curso es tan slo del 4,75%. Ejercicio 3. Un da visitamos el Casino y decidimos jugar en la ruleta. Nuestra apuesta va a ser siempre al negro y cada apuesta de 500 ptas. Llevamos 10.000 ptas. y queremos calcular que probabilidad tenemos de que tras jugar 80 veces consigamos doblar nuestro dinero. Cada jugada es una variable independiente que sigue el modelo de distribucin de Bernouilli. "Salir negro", le damos el valor 1 y tiene una probabilidad del 0,485 "No salir negro", le damos el valor 0 y tiene una probabilidad del 0,515. La media = 0,485 y varianza = 0,485 * 0,515 = 0,25 de cada variable individual. A la suma de las 80 apuestas se le aplica el Teorema Central del Lmite, por lo que se distribuye segn una normal cuya media es n*Me =80* 0,485 = 38,8 y varianza n*s2 = 80 * 0,25 = 20 . Para doblar nuestro dinero el negro tiene que salir al menos 20 veces ms que el rojo (20*500 =10.000), por lo que tendr que salir como mnimo 50 veces (implica que el rojo cero salgan como mximo 30 veces). Calculando el valor equivalente de la variable normal estndar.

Z=

50 38.8 = 2.50 4 .5

Luego: P (X > 50) = P (Z> 2,50) = 1 - P (Z < 2,50) = 1 - 0,9938 = 0,0062 Es decir, la probabilidad de doblar el dinero es 0,62%. Ejercicio 4. El precio de una accin en bolsa se mueve aleatoriamente entre.10. y 20 nuevos soles., con la misma probabilidad en todo el tramo. Hemos dado la orden a nuestro broker de que nos compre paquetes de 1.000 acciones cada da durante las prximas 40 sesiones. Una vez ejecutada la orden, tenemos un total de 40.000 acciones. A final de ao vendemos todas las acciones al precio de 13 soles./accin, recibiendo 520.000 soles. Calcular la probabilidad de que ganemos dinero en esta operacin.

El precio de cada paquete comprado es una variable aleatoria independiente que se distribuye uniformemente entre 10.000 y 20.000 nuevos soles. Su media es(10.000+20.000)/2 =15.000 y varianza es (20.000-10.000)2/12 =833,3. El precio total de los 40 paquetes comprados se distribuye segn una distribucin normal cuya media =n*Me =40*15.000=600.000 y varianza n*s2 = 40 * 833,3 = 33.333,3. Para estimar la probabilidad de que ganemos dinero, calculamos el valor equivalente de la variable normal estndar:

INFERENCIA PARAMETRICA

LIC. NEL QUEZADA LUCIO

Z=

520,000 600,000 = 2.40 33,333.3

Luego: P (X > 520.000) = P (Y > 2,40) = 1 - P (Y < 2,40) = 1 - 0,9918 = 0,0082 Por tanto, la probabilidad de que ganemos dinero con la operacin es del 0,82%. 4.- Distribucin Exponencial: Una variable aleatoria X tiene distribucin exponencial de parmetro > 0 si su funcin de densidad es

e x f ( x) = 0 E ( x) = 1

, Si , Si

x0 x<0

Var ( x) = 1

Integrando, su funcin de distribucin, o de probabilidad acumulada, es:

F ( X ) = P ( X x) = f ( x)dx = 1 e x
Notacin: X ~ ().

Anlisis de Supervivencia: Cuando X se interpreta como el tiempo necesario para que se produzca el fallo de un componente de una mquina, o el tiempo que transcurre hasta la muerte de un organismo biolgico, la funcin.

S ( x ) = P ( X > x ) = 1 F ( x ) = e x , x 0
Es la probabilidad de que el individuo no fallezca antes del instante x.

INFERENCIA PARAMETRICA

LIC. NEL QUEZADA LUCIO

Ejemplo: El tiempo medio de supervivencia de un paciente tras haber recibido un cierto tratamiento es de E[X]=5 aos; sabiendo que la variable X tiene distribucin exponencial, interesa saber cual es la probabilidad de que el paciente supere los 10 aos de vida tras haberle suministrado el tratamiento. Puesto que la variable tiene distribucin exponencial de media 5, el parmetro es igual a 1/5=0.2, por lo que la probabilidad de superar los 10 aos de vida es S(10)=0.1353.

5.- Distribucin Gamma: Una variable aleatoria X tiene distribucin gamma de parmetros y (>0 y > 0), si su funcin de densidad es

X 1 X e , Si x 0 f ( x) = ( ) 0 , Si x < 0

( ) =

X 1e x dx

Var ( x) =

E ( x) =

Su funcin de distribucin, o de probabilidad acumulada, es:

F ( X ) = P ( X x) = f ( x)dx
Notacin: X ~ (, ) o bien X ~ G (, ). En el siguiente grfico se muestra la densidad correspondiente a X ~ G ( , ) para distintos valores de los parmetros.

Esta funcin de densidad es estrctamente decreciente si 1, y si > 1 alcanza un mximo y despus decrece.

INFERENCIA PARAMETRICA

LIC. NEL QUEZADA LUCIO

6.- Distribucin Beta: Una variable aleatoria X tiene distribucin Beta de parmetro y > 0 si su funcin de densidad es

( + + 1)! ! ! x (1 x) f ( x) = 0 , Otro caso

, Si

0 < x <1

Funcin de distribucin, o de probabilidad acumulada, es:

F ( X ) = P ( X x) = f ( x)dx

7.- Distribucin Ji2 de Pearson: Si (X1, X2,..., Xn) son n variables aleatorias normales independientes de media 0 y varianza 1, la variable definida como:

Se dice que tiene una distribucin X 2 con n grados de libertad. Su funcin de densidad es con x > 0,

INFERENCIA PARAMETRICA

LIC. NEL QUEZADA LUCIO

Siendo la funcin gamma de Euler, con p > 0.

La funcin de distribucin viene dada por

8.- Distribucin t de Student: Si (X, X1, X2,..., Xn) son n+1 variables aleatorias normales independientes de media 0 y varianza 2, la variable

Tiene una distribucin tn de Student con n grados de libertad. Su funcin de densidad es con x > 0,

Siendo la funcin gamma de Euler, con p > 0.

Finalmente, la funcin de distribucin viene dada por

9.- Distribucin F de Snedecor: La distribucin F de Snedecor aparece en los contrastes asociados a comparaciones entre las varianzas de dos poblaciones normales. Si (X1, X2,..., Xm) y (Z1, Z2,..., Zn) son m+n variables aleatorias normales independientes de media = 0 y varianza 2, la variable

Tiene una distribucin Fm,n de Snedecor de m y n grados de libertad.

Su funcin de densidad es con x > 0,

Siendo la funcin gamma de Euler, con p > 0.

INFERENCIA PARAMETRICA

LIC. NEL QUEZADA LUCIO

La funcin de distribucin viene dada por