jueves, 1 de diciembre de 2016

Variables aleatorias y función de distribución de probabilidad 1.0

VARIABLE ALEATORIA 

Una variable aleatoria o variable estocástica es una función que asigna un valor, usualmente numérico, al resultado de un experimento aleatorio. Por ejemplo, los posibles resultados de tirar un dado dos veces: (1, 1), (1, 2), etc. o un número real (p.e., la temperatura máxima medida a lo largo del día en una ciudad concreta).
Los valores posibles de una variable aleatoria pueden representar los posibles resultados de un experimento aún no realizado, o los posibles valores de una cantidad cuyo valor actualmente existente es incierto (p.e., como resultado de medición incompleta o imprecisa). Intuitivamente, una variable aleatoria puede tomarse como una cantidad cuyo valor no es fijo pero puede tomar diferentes valores; una distribución de probabilidad se usa para describir la probabilidad de que se den los diferentes valores. En términos formales una variable aleatoria es una función definida sobre un espacio de probabilidad.
Se utilizan letras mayúsculas X, Y,... para designar variables aleatorias, y las respectivas minúsculas (x, y,...) para designar valores concretos de las mismas.
Variable aleatoria discreta
Una variable discreta es aquella que solo puede tomar un número finito de valores entre dos valores cualesquiera de una característica.
Ejemplos:
El número de hijos de una familia, la puntuación obtenida al lanzar un dado.
Variable aleatoria continúa
Una variable continua es aquella que puede tomar un número infinito de valores entre dos valores cualesquiera de una característica.
Ejemplos:

La altura de los alumnos de una clase, las horas de duración de una pila.


FUNCIÓN DE DISTRIBUCIÓN DE PROBABILIDAD
En la teoría de la probabilidad y en estadística, la Función de Distribución Acumulada (FDA, designada también a veces simplemente como FD) asociada a una variable aleatoria real: X (mayúscula) sujeta a cierta ley de distribución de probabilidad, es una función matemática de la variable real: x (minúscula); que describe la probabilidad de que X tenga un valor menor o igual que x.
Sea X una variable aleatoria discreta cuyos valores suponemos ordenados de menor a mayor. Llamaremos función de distribución de la variable X, y escribiremos F(x) a la función:
F(x) = p(X ≤ x)
La función de distribución asocia a cada valor de la variable aleatoria la probabilidad acumulada hasta ese valor.
Ejemplo:
Calcular la función de distribución de probabilidad de las puntuaciones obtenidas al lanzar un dado.
x          p i
x <1               0
1≤ x < 2          1/6
2≤ x < 3          2/6
3≤ x < 4          3/6
4≤ x < 5          4/6
5≤ x < 6          5/6
6≤ x                    1



Distribución normal en contexto 1.0

La distribución normal se conoce como la curva de Gauss o campana de Gauss, famoso matemático alemán del siglo 19.
Su origen viene de la observación de un estadístico francés del siglo 18, Abraham de Moivre, que, entre otras cosas, actuaba como consultor para temas de juegos. Observó, que al lanzar una moneda, la probabilidad de obtener “cara” (o “cruz”) en N tirada tenía una representación gráfica con una curva suave a medida que N se hacía grande. En el gráfico presentado a continuación, la altura de cada barra representa la probabilidad de que ocurra el evento (sale “cara” al lanzar una moneda) de N veces que lanzamos la moneda (hemos cogido, N=2; N=4; N=12). Si la moneda no está trucada, la probabilidad de que salga “cara” al lanzarla es del 50% (p=0,5). Este fenómeno sigue una distribución conocida como la Binomial.

La distribución normal fue presentada por primera vez por Abraham de Moivre en un artículo del año 1733,2 que fue reimpreso en la segunda edición de su The Doctrine of Chances, de 1738, en el contexto de cierta aproximación de la distribución binomial para grandes valores de n. Su resultado fue ampliado por Laplace en su libro Teoría analítica de las probabilidades (1812), y en la actualidad se llama Teorema de Moivre-Laplace.

ACTIVIDAD PÁGINA 247 - LIBRO DE ESTADÍSTICA.




DISTRIBUCIÓN NORMAL

La distribución normal es la más extendida en estadística y muchos tests estadísticos están basados en una "normalidad" más o menos justificada de la variable aleatoria bajo estudio. En probabilidad, la distribución normal aparece como el límite de varias distribuciones de probabilidad continua y discreta.

La distribución de probabilidad conocida como distribución normal es, por la cantidad de fenómenos que explica, la más importante de las distribuciones estadísticas.
A la distribución normal también se la denomina con el nombre de campana de Gauss, pues al representar su función de probabilidad, ésta tiene forma de campana.
En el math-block sobre la distribución binomial se introduce el concepto de variable aleatoria, distinguiendo además dos tipos de variables, las discretas y las continuas. En este apartado seguimos con el estudio de distribuciones de probabilidad analizando la distribución de probabilidad continua más importante, la distribución normal.

A continuación veremos las características principales de una distribución de probabilidad normal, definiendo posteriormente la distribución normal estándar así como sus usos. Posteriormente, veremos cómo utilizar la distribución normal para estimar probabilidades binomiales.


USO DE TABLAS DE FUNCIÓN BINOMIAL.

Para usar las tablas de función binomial es necesario conocer:
• El número de veces que se realiza el experimento (n)
• La probabilidad del éxito (p
• El valor esperado (x)

La probabilidad se busca en la primera fila:(valores desde 0.01 hasta 0.5) el número de veces que se realiza el experimento en la primera columna (valores desde 2 al 10) y el número de éxitos a su lado (valores de 0 a n)
Las tablas no muestran valores para P>0.5 debido a que cuando P > 0.5, q <0.5 por lo que basta intercambiar los valores de éxito y fracaso.




Jennifer López Tovar

FUNCIÓN DE DISTRIBUCIÓN BINOMIAL

Función de probabilidad de la distribución binomial.

La probabilidad de la distribución binomial, también denominada función de la probabilidad de Bernoulli, es una distribución de probabilidad discreta, que toma valor (1) para la probabilidad de éxito y (0) para la probabilidad de fracaso.


Un experimento de Bernoulli se caracteriza por ser dicotómico, es decir, sólo son posibles dos resultados.

La función de probabilidad de la distribución binomial está dada por la expresión:


° P (Obtener "x" éxitos) = P (X = x) = (n/x) Px (1-p)ⁿ-x
° (n/x) = n!/x!(n-x)!
° P (X-x) = n!/x!(n-x)! Px (1-p)ⁿ-x

P= Es el éxito.
q= Es el fracaso.
ⁿ= El número de intentos o repeticiones.
x= Es el valor esperado.

Ej:

La probabilidad de que un alumno apruebe el curso es de 0.7. Al considerar un grupo de ocho alumnos ¿Cuál es la probabilidad de que cinco de ellos apremueben el curso?

Solución:

° Definir el éxito (P) y el fracaso (q)
        P= aprobar
        q= reprobar

°  Determinar las probabilidades de éxito y del fracaso. 
    p= 0.7
    q= 0.3

°  Determinar el resto de valores de función de probabilidad.
    Número de repeticiones.
    n= 8
    Valor esperado.
    x= 5

°  Sustituir en la función de distribución binomial.
       P (X-5) = 8!/5!(8-5)! (0.7) 5 (1-0.7) 8-5

°    Desarrollo de la operación:
      P (X-5)= 0.2541

Jennifer López Tovar

DISTRIBUCIÓN BINOMIAL

Es una distribución de probabilidad discreta que cuenta el número de éxitos en una secuencia de n ensayos de Bernoulli independientes entre sí, con una probabilidad fija p de ocurrencia del éxito entre los ensayos. Un experimento de Bernoulli se caracteriza por ser dicotómico, esto es, sólo son posibles dos resultados. A uno de estos se denomina éxito y tiene una probabilidad de ocurrencia p y al otro, fracaso, con una probabilidad q = 1 - p. En la distribución binomial el anterior experimento se repite n veces, de forma independiente, y se trata de calcular la probabilidad de un determinado número de éxitos. Para n = 1, la binomial se convierte, de hecho, en una distribución de Bernoulli.

Un experimento sigue el modelo de la distribución binomial o de Bernoulli si:

1. En cada prueba del experimento sólo son posibles dos resultados: el suceso A (éxito) y su contrario suceso contrario.

2. La probabilidad del suceso A es constante, es decir, que no varía de una prueba a otra. Se representa por p.

3. El resultado obtenido en cada prueba es independiente de los resultados obtenidos anteriormente.

La distribución binomial se suele representar por B(n, p).

n es el número de pruebas de que consta el experimento.

p es la probabilidad de éxito.

La probabilidad de suceso contrario es 1− p, y la representamos por q.
Resultado de imagen para Distribución binomial

miércoles, 30 de noviembre de 2016

Uso de tablas, media y desviación típica de una distribución binomial.


¿Cómo utilizar la tabla de la distribución Binomial?


Supongamos que lanzamos al aire una moneda trucada. Con esta moneda la probabilidad de obtener cara es del 30%. La probabilidad que salga cruz será, pues, del 70%. Lanzamos la moneda 10 veces de manera consecutiva. Si queremos calcular la probabilidad de que observemos 6 caras o menos nos fijamos en la tabla: localizamos n=10, x=6, p=0.3 y buscamos la intersección: 0.9894


Distribución Normal en Contexto

La distribución normal fue estudiada por Gauss. Se trata de una variable aleatoria continua (la variable puede tomar cualquier valor real). La función de densidad tiene forma de campana.
Dos parámetros determinan una distribución normal: la media y la desviación típica. Cuanto mayor sea la desviación típica mayor es la dispersión de la variable.

La distribución normal es simétrica respecto de la media.


Cálculo de probabilidades en distribuciones normales
Los puntos en el eje de abscisas determinan los diferentes intervalos de los que se calculan (aproximadamente) las probabilidades.
Las diferentes opciones A1, A2, ..., A6 se corresponden con diferentes intervalos que se pueden definir con esos dos puntos. Tomados por parejas son complementarios en el sentido de que la suma de las probabilidades es 1, es decir, el total.
Podemos modificar los parámetros de la distribución normal y comprobar cómo varían las probabilidades.