Probabilidad y Estadstica
Fecha de entrega:
19 de octubre de 2014
Contenido
1.
INTRODUCCION ........................................................................................................................... 3
Variables Aleatorias......................................................................................................................... 3
2.
DESARROLLO ............................................................................................................................... 6
Variable Aleatoria Discreta.............................................................................................................. 6
Distribucin uniforme ................................................................................................................. 6
Distribucin binomial .................................................................................................................. 7
Distribucin multinomial ........................................................................................................... 10
Distribucin hipergeomtrica ................................................................................................... 10
Distribucin multihipergeomtrica ........................................................................................... 12
Distribucin de poisson ............................................................................................................. 12
Variables Aleatorias Continuas ..................................................................................................... 15
Distribucin normal o de Gauss ................................................................................................ 16
Distribucin Gamma ()............................................................................................................. 18
Distribucin exponencial ........................................................................................................... 20
Distribucin Chi-cuadrado (c2).................................................................................................. 20
Distribucin T de Student .......................................................................................................... 21
Distribucin F de Snedecor ....................................................................................................... 23
3.
CONCLUSION ............................................................................................................................. 25
1. INTRODUCCION
Variables Aleatorias
Se denomina variable aleatoria, a una variable X que puede tomar un conjunto de valores:
Con probabilidades:
Por ejemplo, en la experiencia de lanzar monedas, los posibles resultados son {cara, cruz}, y sus
probabilidades son {1/2, 1/2}. En la experiencia de lanzar dados, los resultados posibles son {1, 2,
3, 4, 5, 6} y sus probabilidades respectivas son {1/6, 1/6, 1/6, 1/6, 1/6, 1/6}.
Realicemos ahora la experiencia de hacer girar una ruleta y apuntar el nmero del sector que
coincide con la flecha. En la ruleta de la izquierda de la figura los resultados posibles son {0, 1, 2, 3,
4, 5, 6, 7}, y la probabilidad de cada resultado es 1/8. En la ruleta de la derecha de la figura los
posibles resultados son {0, 1, 2, 3}, y las probabilidades respectivas {1/4, 1/2, 1/8, 1/8},
proporcionales al ngulo del sector.
En los tres primeros ejemplos, la variable aleatoria X se dice que est uniformemente distribuida,
ya que todos los resultados tienen la misma probabilidad. Sin embargo, en el ltimo ejemplo, la
variable aleatoria X, no est uniformemente distribuida.
El problema crucial de la aplicacin de los mtodos de Montecarlo es hallar los valores de una
variable aleatoria (discreta o continua) con una distribucin de probabilidad dada por la funcin
p(x) a partir de los valores de una variable aleatoria uniformemente distribuida en el intervalo [0,
1), proporcionada por el ordenador o por una rutina incorporada al programa.
Para simular un proceso fsico, o hallar la solucin de un problema matemtico es necesario usar
gran cantidad de nmeros aleatorios. El mtodo mecnico de la ruleta sera muy lento, adems
cualquier aparato fsico real genera variables aleatorias cuyas distribuciones difieren, al menos
ligeramente de la distribucin uniforme ideal. Tambin, se puede hacer uso de tablas de cifras
aleatorias uniformemente distribuidas, comprobadas minuciosamente en base a pruebas
estadsticas especiales. Se emplean solamente cuando los clculos correspondientes a la aplicacin
del mtodo de Montecarlo se realizan a mano, lo que en estos tiempos resulta inimaginable. En la
prctica, resulta ms conveniente emplear los denominados nmeros pseudoaleatorios, se trata
de nmeros que se obtienen a partir de un nmero denominado semilla, y la aplicacin reiterada
de una frmula, obtenindose una secuencia {x0, x1, x2, ... xn} de nmeros que imitan los valores
de una variable uniformemente distribuida en el intervalo [0, 1).
Se dice que una funcin es una variable aleatoria si la "suerte" de realizacin de sus posibles
valores puede establecerse con ayuda de los resultados de la experiencia aleatoria en estudio,
cuyo espacio muestral es . Se trata, en definitiva, de una funcin que asigna un valor numrico a
cada uno de los resultados de una experiencia aleatoria.
En estadstica y teora de probabilidad una variable aleatoria se define como el resultado numrico
de un experimento aleatorio. Matemtico es una mapa que da un valor numrico a cada suceso en
el espacio de los resultados posibles del experimento.
Se distinguen entre:
Variables aleatorias discretas
Variables aleatorias continuas.
Dado una variable aleatoria X se pueden calcular estimadores estadsticos diferentes como la
media (Media aritmtica, Media geomtrica, Media ponderada) y valor esperado y varianza de la
distribucin de probabilidad de X.
Se puede pensar en una variable aleatoria como un valor o una magnitud que cambia de una
presentacin a otra, sin seguir una secuencia predecible. Los valores de una variable aleatoria son
los valores numricos correspondientes a cada posible resultado de un experimento aleatorio.
La distribucin de probabilidad de una variable aleatoria proporciona una probabilidad para cada
valor posible, y estas probabilidades deben sumar 1.
2. DESARROLLO
Variable Aleatoria Discreta
Variable que toma un nmero finito o infinito de valores numerables. Variable aleatoria que puede
tomar slo un nmero limitado de valores sean (x1, x2, x3, ... xn) los distintos valores que puede
tomar la variable aleatoria. Y p ((x1), p(x2),... p (xn)) su probabilidad.
Los pares de valores (xj, p (xj)) constituyen la distribucin de probabilidades de la variable
aleatoria.
p(x) se denomina funcin de probabilidad, y debe cumplir con las siguientes propiedades:
o
0 < p (xj) < 1 (p(x) es una probabilidad, y por lo tanto debe tomar valores entre 0 y
1).
F(x) = p(xj)
Esta funcin representa la probabilidad de que la variable aleatoria sea menor o igual que un
determinado valor:
Grficamente, la funcin aumenta de "a saltos", ya que entre dos valores consecutivos de una
variable discreta, no puede tomar valores intermedios.
Distribucin uniforme
La distribucin uniforme es la que corresponde a una variable que toma todos sus valores (x1,
x2..., xk) con igual probabilidad; el espacio muestral debe ser finito.
Si la variable tiene k posibles valores, su funcin de probabilidad sera:
Donde k es el parmetro de la distribucin (un parmetro es un valor que sirve para determinar
la funcin de probabilidad o densidad de una variable aleatoria)
La media y la
varianza de la
variable
uniforme
calculan por
las expresiones:
se
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 Bernoulli, 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.
Distribucin multinomial
La distribucin multinomial es esencialmente igual a la binomial con la nica diferencia de que
cada prueba tiene ms de dos posibles resultados mutuamente excluyentes.
Si tenemos K resultados posibles (Ei, i = 1,..., K) con probabilidades fijas (pi, i = 1,..., K), la variable
que expresa el nmero de resultados de cada tipo obtenidos en n pruebas independientes tiene
distribucin multinomial.
La probabilidad de obtener x1 resultados E1, x2 resultados E2, etc. se representa como:
Distribucin hipergeomtrica
Una variable tiene distribucin hipergeomtrica si procede de un experimento que cumple las
siguientes condiciones:
1) Se toma una muestra de tamao n, sin reemplazamiento, de un conjunto finito de N
objetos.
2) K de los N objetos se pueden clasificar como xitos y (N K) como fracasos.
X cuenta el nmero de xitos obtenidos en la muestra. El espacio muestral es el conjunto de los
nmeros enteros de 0 a n, de 0 a K si (K < n).
En este caso, la probabilidad del xito en pruebas sucesivas no es constante pues depende del
resultado de las pruebas anteriores. Por tanto, las pruebas no son independientes entre s.
La funcin de probabilidad de la variable hipergeomtrica es:
Si n es pequeo, con relacin a N (n << N), la probabilidad de un xito variar muy poco de una
prueba a otra, as pues, la variable, en este caso, es esencialmente binomial; en esta situacin, N
suele ser muy grande y los nmeros combinatorios se vuelven prcticamente inmanejables, as
pues, la probabilidades se calculan ms cmodamente aproximando por las ecuaciones de una
binomial con p = (K / N).
La media de la variable aproximada ( = n p = n (K / N)) es la misma que la de la variable antes de
la aproximacin; sin embargo, la varianza de la variable binomial es ligeramente superior a la de la
hipergeomtrica.
El factor por el que difieren ser siempre menor que 1 y tan prximo a 1 como cierto sea que (n <<
N).
El aspecto de la distribucin es bastante similar al de la binomial. Como ejemplo, mostramos los
casos anlogos a los de las binomiales del apartado anterior (p inicial = 0,25 y n = 4)
Distribucin multihipergeomtrica
Este variable se define igual que la hipergeomtrica con la nica diferencia de que se supone que
el conjunto de objetos sobre el que se muestrea se divide en R grupos de (A1, A2,..., AR) objetos
y la variable describe el nmero de objetos de cada tipo que se han obtenido (x1, x2,..., xR)
Distribucin de poisson
Una variable de tipo poisson cuenta xitos (es decir, objetos de un tipo determinado) que ocurren
en una regin del espacio o del tiempo.
El experimento que la genera debe cumplir las siguientes condiciones:
1. El nmero de xitos que ocurren en cada regin del tiempo o del espacio es independiente
de lo que ocurra en cualquier otro tiempo o espacio disjunto del anterior.
2. La probabilidad de un xito en un tiempo o espacio pequeo es proporcional al tamao
de este y no depende de lo que ocurra fuera de l.
3. La probabilidad de encontrar uno o ms xitos en una regin del tiempo o del espacio
tiende a cero a medida que se reducen las dimensiones de la regin en estudio.
Como consecuencia de estas condiciones, las variables Poisson tpicas son variables en las que se
cuentan sucesos raros.
La funcin de probabilidad de una variable Poisson es:
Esta caracterstica puede servirnos para identificar a una variable Poisson en casos en que se
presenten serias dificultades para verificar los postulados de definicin.
La distribucin de Poisson se puede considerar como el lmite al que tiende la distribucin
binomial cuando n tiende a y p tiende a 0, siendo np constante (y menor que 7); en esta
situacin sera difcil calcular probabilidades en una variable binomial y, por tanto, se utiliza una
aproximacin a travs de una variable Poisson con media (l = n p).
La varianza de la variable aproximada es ligeramente superior a la de la variable binomial.
Las variables Poisson cumplen la propiedad de que la suma de variables Poisson independientes es
otra Poisson con media igual a la suma las medias.
El aspecto de la distribucin depende muchsimo de la magnitud de la media. Como ejemplo,
mostramos tres casos con = 0,5 (arriba a la izquierda), = 1,5 (arriba a la derecha) y = 5 (abajo)
Obsrvese que la asimetra de la distribucin disminuye al crecer y que, en paralelo, la grfica
empieza a tener un aspecto acampanado.
F(x) > 0 (la funcin es no negativa para cualquier valor de x, f(x) no es una probabilidad, y
puede valer ms de 1).
f(x) dx = 1 (la acumulada para todos los valores de la variable suma 1, el rea bajo la
curva de la funcin vale 1).
F(c) - F(c) = 0
Esto explica la idea de que para el caso de una variable aleatoria continua no tiene sentido trabajar
con la probabilidad de un valor particular.
Comprendido el concepto de transformacin de una variable discreta, y el procedimiento para
obtener un resultado cuando se efecta el sorteo de una variable aleatoria uniformemente
distribuida, no reviste dificultad el estudio de la variable continua. Si X es una variable aleatoria
continua, y p(x) es la probabilidad de cada resultado x, construimos la funcin
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:
Distribucin Gamma ()
La distribucin gamma se define a partir de la funcin gamma, cuya ecuacin es:
Distribucin exponencial
Es un caso particular de la distribucin gamma cuando = 1. Su funcin de densidad es:
Su parmetro es .
definida como:
Distribucin T de Student
Supongamos dos variables aleatorias independientes, una normal tipificada, Z, y otra con
distribucin c2 con n grados de libertad, la variable definida segn la ecuacin:
Variables T con valores de n progresivamente mayores son cada vez menos platicrtica
Distribucin F de Snedecor
Sean U y V dos variables aleatorias independientes con distribucin c2 con n1 y n2 grados de
libertad, respectivamente. La variable definida segn la ecuacin:
1,
3. CONCLUSION
En conclusin, lo que una variable aleatoria puede llegar a servir es para mostrar los posibles
resultados de distintos eventos que se tienen de mediciones de experimentos pero aun no
realizados, sea, nos da la oportunidad de visualizar resultados que an son inciertos pero nos
pueden llegar a servir para futuras mediciones y probabilidades con los distintos datos que nos
llegue a arrojar.
Y esto nos permite saber las probabilidades de nuestros eventos antes de llevarlas a cabo y nos
brinda una facilidad al momento de estudiarlas.