1.

Distribuciones de probabilidad continuas

1. Distribuciones de probabilidad continuas

Antecedentes

Antecedentes

Definicin de Estadstica

Antecedentes

La estadstica es una ciencia con base matemtica referente a la recoleccin, anlisis e interpretacin de datos, que busca explicar condiciones regulares en fenmenos de tipo aleatorio.
Es transversal a una amplia variedad de disciplinas, desde la fsica hasta las ciencias sociales, desde las ciencias de la salud hasta el control de calidad, y es usada para la toma de decisiones en reas de negocios e instituciones gubernamentales

Conceptos Bsicos Poblacin (N) Es el conjunto de todos los elementos de inters para determinado estudio Parmetro Es una caracterstica numrica de la poblacin, se identifica con letras griegas (Media = , Desviacin estndar = , Proporcin = , Coeficiente de correlacin = ) Muestra (n) Es una parte de la poblacin, debe ser representativa de la misma. Estadstico Es una caracterstica numrica de una muestra, se identifica con letras latinas (Media = X, Desviacin estndar = s, Proporcin = p, Coeficiente de correlacin = r)

Antecedentes

1.1 Introduccin

1.1 Introduccin

1.1 Introduccin
Un fenmeno aleatorio es algo que ocurre que no podemos predecir con entera exactitud. Ejemplos: Si llueve o no llueve maana. Si un beb ser varn o mujer. El tiempo que tardar un rbol en alcanzar 3m de altura. Un fenmeno determinstico es algo que podemos predecir con exactitud. Ejemplos: Cunto me costarn 35 litros de gasolina si un litro cuesta $8,10 Cundo ocurrir en Mxico el siguiente eclipse total de sol El tiempo que tardar en vaciarse un tanque de gas, suponiendo un consumo constante de 0,08 lt/min 1.1 Introduccin

1.1 Introduccin
1.1 Introduccin

Para fenmenos aleatorios, no podemos pretender predecir lo impredecible. Lo nico que podemos hacer es hablar de probabilidades de que ocurran las cosas

En teora de probabilidad, algo aleatorio que da lugar a la observacin de un nmero se llama variable aleatoria, y se denota con una mayscula, digamos X. Ejemplos: X es la estatura de un individuo elegido al azar. X es el nmero total de hijos que tendr una familia arbitraria. X es el nmero de vehculos que pasan por una caseta de cobro entre las 11:00 y las 12:00.

1.1 Introduccin
Toda distribucin de probabilidad es generada por una variable aleatoria x, la que puede ser de dos tipos: 1. Variable aleatoria discreta (x). Se le denomina variable porque puede tomar diferentes valores, aleatoria, porque el valor tomado es totalmente al azar y discreta porque solo puede tomar valores enteros y un nmero finito de ellos.
Ejemplos: x Variable que nos define el nmero de burbujas por envase de vidrio que son generadas en un proceso dado. x 0, 1, 2, 3, 4, 5, etc, etc. burbujas por envase x Variable que nos define el nmero de alumnos aprobados en la materia de probabilidad en un grupo de 40 alumnos. x 0, 1, 2, 3, 4, 5,....,40 alumnos aprobados en probabilidad

1.1 Introduccin

x Variable que nos define el nmero de productos defectuosos en un lote de 25 productos. x 0, 1, 2, 3,....,25 productos defectuosos en el lote

1.1 Introduccin
2. Variable aleatoria continua (x). Se le denomina variable porque puede tomar diferentes valores, aleatoria, porque los valores que toma son totalmente al azar y continua porque puede tomar tanto valores enteros como fraccionarios y un nmero infinito de ellos. 1.1 Introduccin

Ejemplos: x Variable que nos define el dimetro de un engrane en centmetros x5,0 4,99 4,98 5,0 5,01 5,0 4,96cm x Variable que nos define la longitud de un cable o circuito utilizado en un arns de auto x20,5cm 20,1 20,0 19,8 20,6 20,0 20,0

x Variable que nos define la concentracin en gramos de plata de algunas muestras de mineral x14,8gramos 12,0 10,0 42,3 15,0 18,4 19,0 21,0 20,8

1.1 Introduccin
Las variables descritas anteriormente nos distribucin de probabilidad, las que pueden ser. 1) 2) Distribucin de probabilidad discreta. Distribucin de probabilidad continua. generan una 1.1 Introduccin

DISTRIBUCIN DE PROBABILIDAD DISCRETA. Caractersticas: 1.Es generada por una variable discreta (x). x Variable que solo toma valores enteros x 0, 1, 2, 3, 4, 5, 6, 7, 8, ... etc., etc. 2. p (xi)0 Las probabilidades asociadas a cada uno de los valores que toma x deben ser mayores o iguales a cero. 3.p (xi) = 1 La sumatoria de las probabilidades asociadas a cada uno de los valores que toma x debe ser igual a 1.

1.2 Distribucin de probabilidad de una variable aleatoria continua

1.2 Distribucin de probabilidad de una variable aleatoria continua

1.2 Distribucin de probabilidad de una variable aleatoria continua

1.2 Distribucin de probabilidad de una variable aleatoria continua

Caractersticas: 1. Es generada por una variable continua (x). x Es una variable que puede tomar tanto valores enteros como fraccionarios. x 1,0 3,7 4,0 4,6 7,9 8,0 8,3 11,5 , ....., 2. f(x)0 Las probabilidades asociadas a cada uno de los valores que toma x deben ser mayores o iguales a cero. Dicho de otra forma, la funcin de densidad de probabilidad deber tomar solo valores mayores o iguales a cero. La funcin de densidad de probabilidad slo puede estar definida en los cuadrantes I y II. 3. La sumatoria de las probabilidades asociadas a cada uno de los valores que toma x debe ser igual a 1. El rea definida bajo la funcin de densidad de probabilidad deber ser de 1.

1.3 Media y varianza de una variable aleatoria continua

1.3 Media y varianza de una variable aleatoria continua

1.3 Media y varianza de una variable aleatoria continua

1.3 Media y varianza de una variable aleatoria continua

Calculo: 1. Media o valor esperado de x. Para calcular la media de una distribucin de probabilidad continua se utiliza la siguiente frmula:

Donde:

= E(x) = media o valor esperado de la distribucin x = variable aleatoria continua f (x) = funcin de densidad de la distribucin de probabilidad

1.3 Media y varianza de una variable aleatoria continua

1.3 Media y varianza de una variable aleatoria continua

Calculo: 2. Desviacin estndar. La frmula para determinar la desviacin estndar de una distribucin continua es;

Luego:

Donde:

= Desviacin Estndar de la Distribucin = E(x) = media o valor esperado de la distribucin x = variable aleatoria continua f (x) = funcin de densidad de la distribucin de probabilidad

Ejemplo 1
Ejemplo 1: Para la siguiente funcin, cuando 0 x 3 , Ejemplo 1 f(x) = 0 para cualquier otro valor

a) Diga si esta funcin nos define una distribucin de probabilidad. b) Si la funcin define una distribucin de probabilidad, entonces, determine su media y desviacin estndar. c) Determine la probabilidad de que 1 x < 2.

Solucin
Para verificar que la funcin nos define una distribucin de probabilidad, es necesario que cumpla con las caractersticas que se haban mencionado. 1. x s es una variable continua porque puede tomar cualquier valor entre 0 y 3 Ejemplo 2. f(x) 0, lo que se comprueba si damos diferentes valores a x para ver que valores toma f(x), dndonos cuenta de que efectivamente f(x) solo toma valores mayores o iguales a cero.
x 0 0,5 1,0 1,4 2,1 2,7 3,0 f(x) 0,0 0,02778 0,11111 0,21778 0,49 0,81 1,0

Solucin
3. Para comprobar que la sumatoria de las probabilidades que toma cada valor de x es de 1, se integra la funcin de 0 a 3 como se muestra a continuacin:

Ejemplo

A= rea bajo la funcin Con las operaciones anteriores comprobamos que la funcin s nos define una distribucin de probabilidad continua.

Ejemplo 2
Ejemplo 2: Suponga que el error en la temperatura de reaccin, en oC, para un experimento controlado de laboratorio es una variable aleatoria continua x, que tiene la funcin de densidad de probabilidad:

Ejemplo 2

, para -1< x < 2

y f(x) = 0 en cualquier otro caso

a) Verifique la tercera condicin de la definicin de una distribucin de probabilidad continua. b) Determine la media y desviacin estndar de la distribucin de probabilidad. c) Encuentre la probabilidad de que 0< x 1.

1.4 Distribucin de Probabilidad Normal

1.4 Distribucin de Probabilidad Normal

1.4 Distribucin de Probabilidad Normal

1.4 Distribucin de Probabilidad Normal

La distribucin normal es tambin un caso particular de probabilidad de variable aleatoria continua, fue reconocida por primera vez por el francs Abraham de Moivre (1667-1754). Posteriormente, Carl Friedrich Gauss (1777-1855) elabor desarrollos ms profundos y formul la ecuacin de la curva; de ah que tambin se le conozca, comnmente, como la "campana de Gauss". La distribucin de una variable normal est completamente determinada por dos parmetros, su media () y su desviacin estndar (). Con esta notacin, la densidad de la normal viene dada por la ecuacin matemtica de la funcin de Gauss:

1.4 Distribucin de Probabilidad Normal

1.4 Distribucin de Probabilidad Normal

Esta ecuacin matemtica determina la curva en forma de campana que tan bien conocemos:

1.4 Distribucin de Probabilidad Normal

1.4 Distribucin de Probabilidad Normal

La distribucin normal es una curva con forma de campana, con eje de simetra en el punto correspondiente al promedio del universo . La distancia entre el eje de simetra de la campana y el punto de inflexin de la curva es igual a , la desviacin estndar de la poblacin:
Grfico de la Distribucin Normal
Densidad de Probabilidad
0,25 0,20 0,15 0,10 0,05 0,00 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

Variable Aleatoria X

1.4 Distribucin de Probabilidad Normal

1.4 Distribucin de Probabilidad Normal

Propiedad: No importa cules sean los valores de y para un distribucin de probabilidad normal, el rea total bajo la curva siempre es 1, de manera que podemos pensar en reas bajo la curva como si fueran probabilidades. Matemticamente que: es verdad

1.4 Distribucin de Probabilidad Normal

1.4 Distribucin de Probabilidad Normal

El valor de z est derivado de la frmula: Z= x-

Donde: x = valor de la variable aleatoria. = media de la distribucin de la variable aleatoria. = desviacin estndar de la distribucin. z = nmero de desviaciones estndar

Distribucin normal que ilustra la comparacin de los valores de z y las desviaciones estndar.

Ejemplo 1
Ejemplo 1: Los coeficientes intelectuales de 600 aspirantes de cierta universidad se distribuyen aproximadamente de forma normal con una media de 115 y una desviacin estndar de 12. Si se selecciona un aspirante al azar, encuentre la probabilidad de que: a) Tenga un coeficiente mayor de 120. b) Tenga un coeficiente menor de 100. c) Tenga un coeficiente menor de 122. d) Tenga un coeficiente entre 115 y 125. e) Tenga un coeficiente entre 90 y 105.

Ejemplo 1

Solucin
a) Hay una distribucin normal con media 115 y desviacin estndar de 12 y queremos saber cual es la probabilidad de que x sea mayor de 120, es decir, cuanto mide el rea a la derecha del 120. P(x 120) = ? Lo primero es transformar esta distribucin normal en una distribucin normal estndar (con media cero y desviacin estndar 1), para lo cual hay que cambiar el valor de x por un valor z con la frmula. z= X- = 120 115 = 0,41 12

Ejemplo 1

La distribucin ya transformada queda as:

Solucin
Se busca el valor del rea del valor Z en la tabla de reas bajo la curva normal, la unidad y el primer decimal se buscan en la primera columna, y la segunda decimal en el primer rengln, donde se cruzan rengln y columna es el valor del rea a la derecha del valor z. En este ejemplo:

Ejemplo 1

Z 0.0 0.1 0.2 0.3 0.4

0 0.5000 0.5398 0.5793 0.6179 0.6554

0.01 0.5040 0.5438 0.5832 0.6217 0.6591

0.02 0.5080 0.5478 0.5871 0.6255 0.6628

0.03 0.5120 0.5517 0.5910 0.6293 0.6664

0.04 0.5160 0.5557 0.5948 0.6331 0.6700

0.05 0.5199 0.5596 0.5987 0.6368 0.6736

0.06 0.5239 0.5636 0.6026 0.6406 0.6772

0.07 0.5279 0.5675 0.6064 0.6443 0.6808

0.08 0.5319 0.5714 0.6103 0.6480 0.6844

0.09 0.5359 0.5753 0.6141 0.6517 0.6879

El rea de 0,6591 corresponde a la que se encuentra a la izquierda del valor z, el rea que queremos encontrar es la que se encuentra a la derecha del valor z, que podemos calcular restando el rea de 0,6591 al rea total bajo la curva que es 1. P(x 120) = 1 0,6591 = 0,3409

Solucin
Para encontrar la probabilidad de que un aspirante tenga un coeficiente intelectual menor de 100, primero se traza la curva de la distribucin normal original, para luego transformarse en la distribucin normal estndar. P(x 100) = ? El valor z se calcula con la frmula:

Ejemplo 1

Z=

X-

100 - 115 = -1,25 = 12

La distribucin ya transformada queda as:

P(x 100) = 0,1056

Solucin
c) Para encontrar la probabilidad de que la variable aleatoria sea menor de 122, hay que estandarizar la distribucin obteniendo el valor z correspondiente al valor de x = 122. P(x 122) = ? El valor z se calcula con la frmula:

Ejemplo 1

Z=

X-

122 - 115 0,58 = 12

La distribucin ya transformada queda as:

P(x 122) = 0,7190

Solucin
d) Para encontrar el rea que se encuentra entre x = 115 y x = 125 hay que encontrar el rea a la izquierda de cada uno de esos valores. A la izquierda de 115 (la media) el rea es 0,5 para encontrar el rea a la izquierda de 125 hay que encontrar en la tabla el valor z correspondiente. P (115 < x < 125) =? El valor z se calcula con la frmula:

Ejemplo 1

Z=

X-

115 - 115 =0 = 12

Z=

X-

125 - 115 = 0,83 = 12

La distribucin ya transformada queda as:

Solucin
El rea a la izquierda de x = 125 es parte del rea a la izquierda de x = 115, si la restamos obtendremos el rea que se encuentra entre los dos valores.

P (115 < x < 125) = 0,7967 0,5 = 0,2967

Ejemplo 1

Solucin
e) Para encontrar el rea que se encuentra entre x = 90 y x = 105, hay que encontrar en la tabla el rea a la izquierda de cada uno de esos valores. P (90 < x < 105) =? El valor z se calcula con la frmula:

Ejemplo 1

Z=

X-

90 - 115 12

= - 2,08 Z =

X-

105 - 115 = -0,83 12

La distribucin ya transformada queda as:

Restamos P (90 < x < 105) = 0,2033 0,0188 = 0,1845

Ejemplo 2
La distribucin de la demanda (en nmero de unidades por unidad de tiempo) de un producto a menudo puede aproximarse con una distribucin de probabilidad Normal. Por ejemplo, una compaa de comunicacin por cable ha determinado que el nmero de interruptores terminales de botn solicitados diariamente tiene una distribucin Normal, con una media de 200 y una desviacin estndar de 50 a) En qu porcentaje de los das la demanda ser de menos de 90 interruptores? b) En qu porcentaje de los das la demanda estar entre 225 y 275 interruptores? c) Con base en consideraciones de costos, la compaa ha determinado que su mejor estrategia consiste en producir una cantidad de interruptores suficiente para atender plenamente la demanda en 94% de todos los das. Cuantos interruptores terminales deber producir la compaa cada da?

Ejemplo 2

Ejemplo 3
Hay un programa de entrenamiento diseado para mejorar la calidad de las habilidades de supervisin de los supervisores de la lnea de produccin. Debido a que el programa es autoadministrado, los supervisores requieren un nmero diferente de horas para terminarlo. Ejemplo 2 Un estudio de los participantes anteriores indica que el tiempo medio que se lleva completar el programa es de 500 horas, y que esta variable aleatoria normalmente distribuida tiene una desviacin estndar de 100 horas. Cul es la probabilidad de que un candidato elegido al azar requiera ms de 500 horas para completar el programa de entrenamiento?

1.5 Distribucin de Probabilidad t-Student

1.5 Distribucin de Probabilidad t-Student

1.5 Distribucin de Probabilidad t-Student

1.5 Distribucin de Probabilidad t-Student

La distribucin de probabilidad de t se public por primera vez en 1908 en un artculo de W. S. Gosset. En esa poca, Gosset era empleado de una cervecera irlandesa que desaprobaba la publicacin de investigaciones de sus empleados. Para evadir esta prohibicin, public su trabajo en secreto bajo el nombre de "Student". En consecuencia, la distribucin t normalmente se llama distribucin t de Student, o simplemente distribucin t. Para derivar la ecuacin de esta distribucin, Gosset supone que las muestras se seleccionan de una poblacin normal. Aunque esto parecera una suposicin muy restrictiva, se puede mostrar que las poblaciones no normales que poseen distribuciones en forma casi de campana an proporcionan valores de t que se aproximan muy de cerca a la distribucin t. La distribucin t difiere de la de z en que la varianza de t depende del tamao de la muestra y siempre es mayor a uno. nicamente cuando el tamao de la muestra tiende a infinito las dos distribuciones sern las mismas.

1.5 Distribucin de Probabilidad t-Student

1.5 Distribucin de Probabilidad t-Student

La siguiente figura presenta la grfica de varias distribuciones t. La apariencia general de la distribucin t es similar a la de la distribucin normal estndar: ambas son simtricas y unimodales, y el valor mximo de la ordenada se alcanza en la media = 0. Sin embargo, la distribucin t tiene colas ms amplias que la normal; esto es, la probabilidad de las colas es mayor que en la distribucin normal. A medida que el nmero de grados de libertad tiende a infinito, la forma lmite de la distribucin t es la distribucin normal estndar.

1.5 Distribucin de Probabilidad t-Student

Cuando es la media de una muestra aleatoria de tamao n de una distribucin normal , la variable aleatoria es la siguiente:

1.5 Distribucin de Probabilidad t-Student

Tiene una distribucin de probabilidad llamada Distribucin t con n-1 grados de libertad, denotamos este parmetro con la letra griega
Consideremos, en principio la libertad de movimiento que poseen algunos objetos de la cotidianidad, los cuales sern tratados como si fueran solo puntos sin tamao. Consideremos por ejemplo, una partcula de aceite que se desliza por una tubera, tienen un solo grado de libertad pues su movimiento solo es posible en una sola dimensin que est definida por la ruta del tubo. Un mosquito volando libremente en un espacio tridimensional, tiene tres grados de libertad.

1.5 Distribucin de Probabilidad t-Student

1.5 Distribucin de Probabilidad t-Student

Propiedades de las distribuciones t 1. Cada curva t tiene forma de campana con centro en 0. 2. Cada curva t, est ms dispersa que la curva normal estndar z. 3. A medida que aumenta, la dispersin de la curva t correspondiente disminuye. 4. A medida que , la secuencia de curvas t se aproxima a la curva normal estndar, por lo que la curva z recibe a veces el nombre de curva t con gl = La distribucin de la variable aleatoria t est dada por:

Esta se conoce como la distribucin t con grados de libertad.

1.5 Distribucin de Probabilidad t-Student

1.5 Distribucin de Probabilidad t-Student

Propiedades de las distribuciones t

Sean X1, X2, . . . , Xn variables aleatorias independientes que son todas normales con media y desviacin estndar . Entonces la variable aleatoria :

tiene una distribucin t con = n-1 grados de libertad

1.5 Distribucin de Probabilidad t-Student

1.5 Distribucin de Probabilidad t-Student

Se acostumbra representar con t el valor t por arriba del cual se encuentra un rea igual a . Como la distribucin t es simtrica alrededor de una media de cero, tenemos t1- = -t; Es decir, el valor t que deja un rea de 1- a la derecha y por tanto un rea de a la izquierda, es igual al valor t negativo que deja un rea de en la cola derecha de la distribucin. Esto es, t0,95 = -t0.05, t0,99 = -t0,01 etc.

1.5 Distribucin de Probabilidad t-Student Ejemplos

Ejemplo 1
El valor t con = 14 grados de libertad que deja un rea de 0.025 a la izquierda, encontrar el valor de t en tablas:
= 0,975

-t0,025 - 2,145

t 0 t

Tambin: 1- 1 0,025 = 0,975 -t0,025 = t0,975 = 2,145

-t0,025 - 2,145 2,145

t t 0

Buscamos el valor de t en tablas:

Grados de
libertad v 1 2 3 4 5 . . 14 15 0.4 0.325 0.289 0.277 0.271 0.267 . . 0.258 0.258 0.30 0.727 0.617 0.584 0.569 0.559 . . 0.537 0.536 0.20 1.376 1.061 0.978 0.941 0.920 . . 0.868 0.866 0.15 1.963 1.386 1.250 1.190 1.156 . . 1.076 1.074 0.10 3.078 1.886 1.638 1.533 1.476 . . 1.345 1.341

0.075 4.165 2.282 1.924 1.778 1.699 . . 1.523 1.517 0.050 6.314 2.920 2.353 2.132 2.015 . . 1.761 1.753 0.025 12.706 4.303 3.182 2.776 2.571 . . 2.145 2.131 0.010 31.821 6.965 4.541 3.747 3.365 . . 2.624 2.602 0.005 63.656 9.925 5.841 4.604 4.032 . . 2.977 2.947

1.5 Distribucin de Probabilidad t-Student Ejemplos

Ejemplo 2 Encuentre la probabilidad de t0,025 < t < t0,05 Ejemplo 3: Encuentre k tal que P (k < t < -1,761) = 0,045 para una muestra aleatoria de tamao 15 que se selecciona de una distribucin normal. Ejemplo 4: Un ingeniero qumico afirma que el rendimiento medio de la poblacin de cierto proceso en lotes es 500 gramos por milmetro de materia prima. Para verificar esta afirmacin toma una muestra de 25 lotes cada mes. Si el valor de t calculado cae entre t0,05 y t0,05 queda satisfecho con su afirmacin. Qu conclusin extraera de una muestra que tiene una media de 518 gramos por milmetro y una desviacin estndar de 40 gramos? Suponga que la distribucin de rendimientos es aproximadamente normal.