2. En la estadística se emplean distintos tipos de métodos para el
calculo de las probabilidades dependiendo de lo que se desee
encontrar, y la manera en que están distribuidos los datos con los
que se cuenta, a continuación les presento cuatro métodos distintos
para el calculo de la probabilidad.
3. Los datos pueden ser "distribuido" (hacia fuera) de
diferentes maneras.
Se puede transmitir más a la izquierda o más a la
derecha
O puede ser todo revuelto
4. Sin embargo, hay muchos casos en que los datos
tiende a ser alrededor de un valor central sin sesgo
hacia la izquierda o hacia la derecha, y se acerca a
una "distribución Normal" de esta manera:
5. La distribución normal tiene:
media = mediana = modo
simetría con respecto al centro
50% de los valores menor que la media y el
50% mayor que la media
6. 1.-DISTRIBUCION NORMAL
Una de las distribuciones
teóricas mejor estudiadas en
los textos de bioestadística y
más utilizada en la práctica es
la distribución
normal, también
llamada distribución
gaussiana. Su importancia se
debe fundamentalmente a la
frecuencia con la que distintas
variables asociadas a
fenómenos naturales y
cotidianos
siguen, aproximadamente, esta
distribución.
7. La gráfica de su función de densidad tiene una forma
acampanada y es simétrica respecto de un determinado
parámetro. Esta curva se conoce como campana de
Gauss y e es el gráfico de una función gaussiana.
8. Distribución normal estándar.
La distribución normal estándar o tipificada reducida es
aquella que tiene por media el valor 0, N=0, y por
desviación típica la unidad S= 1.
9. Esta curva "de campana" es la distribución
normal estándar.
Puedes usar la tabla de abajo para saber el
área bajo la curva desde la línea central
hasta cualquier línea vertical "a valor Z"
hasta 3, en incrementos de 0.1
Esto te dice qué parte de la población está
dentro de "Z" desviaciones estándar de la
media.
En lugar de una tabla LARGA, hemos puesto
los incrementos de 0.1 hacia abajo, y los de
0.01 de lado.
Por ejemplo, para saber el área debajo de la
curva entre 0 y 0.45, ve a la fila de 0.4, y
sigue de lado hasta 0.45, allí pone 0.1736
Como la curva es simétrica, la tabla vale
para ir en las dos direcciones, así que 0.45
negativo también tiene un área de 0.1736
10. Ejemplo: 95% de los estudiantes en la escuela son
entre 1,1 m y 1,7 m de altura.
Suponiendo que estos datos se distribuyen
normalmente puede calcular la media y la desviación
estándar?
La media es de 1,1 m y a medio camino entre 1.7m:
Media = (1,1 m + 1,7 m) / 2 = 1,4 m
95% es 2 desviaciones estándar a cada lado de la
media (un total de 4 desviaciones estándar) para:
1 desviación estándar = (1.7m-1.1m) / 4
= 0,6 m / 4 = 0,15 m Y este es el resultado
11. Es bueno saber que la desviación estándar, ya que podemos decir que
cualquier valor es:
probable para estar dentro de 1 desviación estándar (68 de 100
será)
muy probable que dentro de 2 desviaciones estándar (95 de 100
será)
es casi seguro que dentro de 3 desviaciones estándar (997 de 1000
será)
“Resultados oficiales”
El número de desviaciones estándar de la media también se le llama la
"Técnica Estándar", "sigma" o "z-score". Acostúmbrate a esas palabras!
Ejemplo: En esa misma escuela uno de sus amigos es 1,85 m de altura
12. También es posible calcular el número de
desviaciones estándar es 1,85 de la media
¿Hasta qué punto es de 1.85 de la media? Es 1,85 a 1,4
= 0,45 m de la media
¿Cuántas desviaciones estándar es que la desviación
estándar es de 0,15 m, así que:
0,45 m / 0,15 m = 3 desviaciones estándar
Así que para convertir un valor a una puntuación
estándar ("z-score"):
•primero restar la media, y se divide por la desviación
estándar
Y hacer eso se llama "normalización"
13. En teoría de
probabilidad y estadística, la distribución de
Bernoulli (o distribución dicotómica), nombrada
así por el matemático y científico suizo Jakob
Bernoulli, es una distribución de
probabilidad discreta, que toma valor 1 para la
probabilidad de éxito ( ) y valor 0 para la
probabilidad de fracaso ( ).
Si es una variable aleatoria que mide "número
de éxitos", y se realiza un único
experimento con dos posibles resultados (éxito
o fracaso), se dice que la variable aleatoria se
distribuye como una Bernoulli de parámetro .
Un experimento de Bernoulli es el lanzamiento
de una moneda con probabilidad p para cara y
(1-p) para cruz.
14. Un experimento que tenga dos resultados. Al primero se
le llama éxito y al otro fracaso. La probabilidad por éxito
se denota por p. por consecuencia la probabilidad de
fracaso es 1-p. lo anterior representa un ensayo de
Bernoulli con probabilidad de éxito p. el mas el mas
sencillo de este es el lanzamiento de una moneda. Los
posibles resultados son dos “cara o cruz” si cara se
define como éxito, entonces p constituye esa
probabilidad. En una moneda p= ½
N=número de elementos.
P=éxito.
q=fracaso.
X=variable aleatoria
15. Experimento de Bernoulli: solo son posibles dos resultados: éxito o
fracaso. Podemos definir una variable aleatoria discreta X tal que:
éxito 1
fracaso 0
Si la probabilidad de éxito es p y la de
fracaso 1 - p, podemos construir una
función de probabilidad:
16. Distribución binomial
En estadística, la distribución binomial es
una distribución de probabilidad discreta que
mide 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.
Para representar que una variable
aleatoria X sigue una distribución binomial de
parámetros n y p, se escribe:
17. Distribución de Poisson
La distribución de Poisson se llama así en honor a su
creador, el francés Simeón Dennis Poisson (1781-1840). Esta
distribución de probabilidades fue uno de los múltiples
trabajos matemáticos que Dennis completó en su productiva
trayectoria.
La distribución de Poisson se utiliza en situaciones donde
los sucesos son impredecibles o de ocurrencia aleatoria. En
otras palabras no se sabe el total de posibles resultados.
Permite determinar la probabilidad de ocurrencia de un
suceso con resultado discreto.
Es muy útil cuando la muestra o segmento n es grande y la
probabilidad de éxitos p es pequeña.
Se utiliza cuando la probabilidad del evento que nos
interesa se distribuye dentro de un segmento n dado como
por ejemplo distancia, área, volumen o tiempo definido.