SlideShare una empresa de Scribd logo
Variables Aleatorias Una función  f  de  R  en  R  es una colección de pares ordenados de números reales que  no  contiene dos pares distintos con el primer elemento igual. El  resultado de un experimento  aleatorio puede ser descrito como una  cantidad numérica . Hemos visto que los posibles resultados de un experimento aleatorio (espacio muestral E) no son siempre numéricos. El suceso "cara" al tirar una moneda al aire o el suceso "bastos" al sacar una carta de la baraja. Hablábamos, por ejemplo, de que saliese el dos o el cinco al tirar un dado, pero estos números sólo servían para distinguir una cara del dado de la otra. A partir de ahora nos vamos a referir a fenómenos cuantitativos, tales como cuántas veces sale cara al tirar repetidamente una moneda al aire, la media de edad de los consumidores de cierta marca de chicle, etc. Desde un punto de vista formal diremos que una  variable aleatoria  es toda función que permite atribuir un número real y sólo uno a cada suceso del espacio muestral. En otras palabras es una aplicación X: E  -> R
Variables Aleatorias Experimento aleatorio: Sacar dos cartas de una baraja española y observar el palo al que pertenecen. Representamos con "O", "C", "E" y "B" los palos de oros, copas, espadas y bastos respectivamente, los resultados posibles son: OO, OC, OE, OB, CC, CE, CB, EE, EB, BB Definamos, la variable aleatoria " número de copas ", los valores que se atribuyen a cada uno de los sucesos que constituyen el espacio muestral son: 0, 1, 0, 0, 2, 1, 1, 0, 0, 0 respectivamente.  Pero podemos definir también sobre este mismo espacio muestral otra variable aleatoria que da 1 punto a cada carta de oros, 2 a las de copas, 3 a las de espadas y 4 a las de bastos, sumando los valores de las cartas de cada mano, ahora los valores de la nueva variable serían 2, 3, 4, 5, 4, 5, 6, 6, 7, 8 respectivamente. Dado un único espacio muestral cabe definir distintas variables aleatorias pero, sea cual sea el procedimiento de atribución de valores seleccionado, a cada suceso le corresponderá un valor y sólo uno de la variable  (recordar el concepto de función) .
Variables Aleatorias Dos tipos de variables aleatorias: Puesto que los espacios muestrales pueden ser clasificados como discretos o continuos, también las variables aleatorias definidas sobre dichos espacios muestrales serán discretas o continuas, radicando la diferencia en si sus elementos son numerables o no. La naturaleza, discreta o continua, de las variables aleatorias, tiene una importancia decisiva sobre el proceso matemático del cálculo de las probabilidades de sus valores.  Variables Aleatorias Discretas : Son aquellas variables que se definen sobre espacios muestrales finitos (p.e “tirar un dado al aire”) o infinitos pero numerables. (p.e. “el número de accidentes de trafico en un fin de semana”) Variables Aleatorias Continuas : Son aquellas variables que se definen sobre espacios muestrales infinitos pero numerables. (p.e. la estatura de los alumnos de esta clase)
Variables Aleatorias Discretas Dos conceptos de vital importancia relacionados con las  variables aleatorias discretas  son los que se refieren a las funciones que asocian a cada uno de sus valores las probabilidades de que éstas adopten esos valores y a las de que adopten como mucho esos valores.  La Función de Probabilidad. La Función de Distribución de Probabilidad.
Función de Distribución de Probabilidad F(x) Es aquella que asigna a todo número real, x i , la probabilidad de que la variable aleatoria X asuma ese valor x i  o cualquier valor inferior a x i . Simbólicamente se define:  Función de Probabilidad f(x) Es aquella que asigna a todo número real, x i , la probabilidad de que la variable aleatoria X asuma ese valor, valga x i . Simbólicamente se define:  Variables Aleatorias Discretas
Eligiendo al azar una familia, definamos la variable “Nº de coches de la unidad familiar”. Se trata de una Variable Aleatoria y dado que los valores encontrados oscilan entre 0 y 5 coches la variable es aleatoria y discreta.   Frecuencia Relativa (Función de Probabilidad) Frecuencia Relativa Acumulada (Función de Distribución de Probabilidad) Variables Aleatorias Discretas 1.000 6487 ∑ 0.008 53 5 0.050 324 4 0.277 1796 3 0.441 2865 2 0.219 1422 1 0.004 27 0 p i n i   Nº coches en la unidad familiar 1.000 ∑ 1.000 0.008 5 0.992 0.050 4 0.942 0.277 3 0.665 0.441 2 0.223 0.219 1 0.004 0.004 0 Fx  p a fx   p x Probabilidad de que una familia seleccionada al azar tenga 3 coches o menos Probabilidad de que una familia seleccionada al azar tenga 3 coches
Funciones de Distribución y Probabilidad discretas Las distribuciones de probabilidad discretas de mayor importancia para Psicología son la de  Bernoulli , la  binomial  y la de  Poisson .  La distribución de  Bernoulli  ofrece las probabilidades de éxito y fracaso en experimentos con dos resultados. Se trata de una función de probabilidad que se define para variables aleatorias con sólo dos valores, 0 y 1 (fracaso y éxito) Experimento de Bernoulli Un gran número de problemas de estadística y probabilidad aplicada, se refieren a situaciones donde un experimento se repite muchas veces, y éste sólo tiene dos resultados posibles. Así en la posible efectividad de un nuevo tratamiento de la fobia social, cada paciente recibe un tratamiento individual (ensayo) y para cada uno de ellos, el tratamiento puede ser efectivo (éxito) o no efectivo (fracaso).
Funciones de Distribución y Probabilidad discretas Un experimento se denomina de Bernoulli si: a) El resultado de cada ensayo puede clasificarse como éxito (ocurrencia del  evento) o fracaso (no ocurrencia). b) Los ensayos son independientes entre si. c) La probabilidad de éxito  p  se mantiene constante entre ensayo y ensayo.
Experimento de Bernouilli En una ruleta hay 38 números de los cuales 18 son rojos, 18 negros y 2 verdes. Si hacemos girar la ruleta, cada uno de los 38 números, son evidentemente equiprobables. Si ganamos solamente cuando la bola cae en rojo, sólo existirán dos resultados no igualmente equiprobables: éxito o fracaso.  Si definimos p como la probabilidad de éxito. En nuestro ejemplo: p = 18/38 = 0.474 y la probabilidad de fracaso como 1-p = 1 – 0.474 = 0.526 Determina la probabilidad de los posibles resultados a partir de tres jugadas consecutivas en dicha ruleta ( 2 3  = 8 ) (E Éxito, F Fracaso) FFF FEF EFF EEF FFE FEE EFE EEE
Experimento de Bernouilli Combinaciones de n elementos tomados de x en x FFF FFE EFF FEF EFE EEF FEE EEE 0 Éxito 1 Éxito 2 Éxitos 3 Éxitos
Experimento de Bernouilli 3 jugadas 2 éxitos (rojo) =  3 jugadas 3 éxitos (rojo) =  3 jugadas 0 éxitos (rojo) =  3 jugadas 1 éxito (rojo) =
Funciones de Distribución y Probabilidad discretas Distribución Binomial La distribución de probabilidad binomial es la más interesante de las distribuciones discretas.  Es la función de probabilidad que corresponde a una variable aleatoria definida como el número de éxitos que se pueden alcanzar en n experimentos de Bernoulli . El menor valor asumible para esta variable es el 0, en el caso que no se obtenga ningún éxito en los n experimentos de Bernoulli, siendo el valor más alto el 1 cuando se hubiesen obtenido todo éxitos en los n experimentos. Su función de probabilidad tiene la siguiente forma: n  ->  es el número de experimentos de Bernoulli x -> son los valores de la variable aleatoria (número de éxitos) p -> es la probabilidad de éxito en un experimento de Bernoulli q -> es la probabilidad de fracaso en un experimento de Bernoulli.
Funciones de Distribución y Probabilidad Discretas: Binomial De otra manera: Supongamos un experimento aleatorio consistente en realizar  n  pruebas independientes o ensayos. En cada ensayo la probabilidad  p  de aparición del suceso  S  (denominado "acierto") es constante y conocida. Sea la variable X el número de aciertos (apariciones del suceso S) tras los n ensayos.  Evidentemente, los valores permisibles de X serán 0, 1, 2, 3,...,n.  En estas condiciones, la función de probabilidad de X viene da­da por: n   ->  Número de ensayos.  x  -> Número de aciertos.  C n,x  -> Las combinaciones de n elementos tomados de x en x. p -> La probabilidad de acierto.  q=1‑p  -> La probabilidad de error.
Probabilidad Binomial Siguiendo con el ejemplo de la ruleta Función de Probabilidad FFF FFE EFF FEF EFE EEF FEE EEE
Probabilidad Binomial Función de Distribución del número de éxitos en una secuencia de ensayos de Bernoulli para el ejemplo de la ruleta. De donde se deduce que: Función de Distribución
Funciones de Distribución y Probabilidad discretas Supongamos, como ejemplo, que un estudiante contesta al azar los 20 ítems de un examen. Cada ítem tiene 5 alternativas. ¿Cuál es la probabilidad de que dicho estudiante acierte 10 preguntas al azar? El valor de n, número de ensayos, es 20; puesto que nos interesa la probabilidad de que acierte 10 preguntas, éste será el valor de x, número de aciertos; p es 0,20, porque de las 5 alternativas sólo una es correcta; finalmente, q=1‑p= 0,80.
Funciones de Distribución y Probabilidad discretas Supongamos ahora que realizamos un experimento de telepatía, para lo cual extraemos en cada ensayo una carta de un mazo de 50 pedimos al supuesto telépata que la adivine, anotamos el resultado y devolvemos la carta al mazo barajándolo a continuación. Si cada carta del mazo tiene uno de 5 dibujos posibles, ¿Cuál es la probabilidad de que tras 25 ensayos el sujeto acierte 5  cartas por mero azar? Evidentemente, n=25, x=5, p=(1/5)=0,2 y q=1‑0,2 = 0,8,
Funciones de Distribución y Probabilidad discretas Como hemos visto, en cuanto a la  Función de Distribución  sabemos que podemos calcularla sumando las probabilidades de cada uno de los valores de la variable iguales o menores que el dado. Así, si lo que nos interesa es saber cuál es la probabilidad de que el estudiante que respondía al azar obtenga 9 o menos respuestas correctas (es decir, suspenda) lo calcularemos como: F(9)= f(0)+f(1)+f(2)+f(3)+f(4)+f(5)+f(6)+f(7)+f(8)+f(9)   Afortunadamente para nosotros, existen tablas de la función de distribución binomial que nos permiten localizar rápidamente el valor de dicha función para unos n, x y p dados
Tabla de Función de Distribución binomial:  Cómo calcular la función de distribución a partir de las tablas Supongamos, como ejemplo, que un estudiante contesta al azar los 20 ítems de un examen. Cada ítem tiene 5 alternativas. ¿Cuál es la probabilidad de que dicho estudiante acierte 10 preguntas al azar? ¿Cuál es la probabilidad de que acierte 9 o menos preguntas correctas (es decir suspenda)?  Localizamos el valor de la función de distribución binomial en las tablas: n=20, x=10, x=9; p=0,20. ,000 ,000 ,003 ,048 ,245 ,588 ,872 ,983 ,999 1,00 1,00 10 ,000 ,000 ,001 ,017 ,128 ,412 ,755 ,952 ,997 1,00 1,00 9 ,000 ,000 ,000 ,005 ,057 ,252 ,596 ,887 ,990 1,00 1,00 8 ,000 ,000 ,000 ,001 ,021 ,132 ,416 ,772 ,968 1,00 1,00 7 ,000 ,000 ,000 ,000 ,007 ,058 ,250 ,608 ,913 ,998 1,00 6 ,000 ,000 ,000 ,000 ,002 ,021 ,126 ,416 ,804 ,989 1,00 5 ,000 ,000 ,000 ,000 ,000 ,006 ,051 ,237 ,630 ,957 ,997 4 ,000 ,000 ,000 ,000 ,000 ,001 ,016 ,107 ,411 ,867 ,984 3 ,000 ,000 ,000 ,000 ,000 ,000 ,004 ,035 ,206 ,677 ,925 2 ,000 ,000 ,000 ,000 ,000 ,000 ,001 ,008 ,069 ,392 ,736 1 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,001 ,012 ,122 ,358 0 20 ,95 ,90 ,80 ,70 ,60 ,50 ,40 ,30 ,20 ,10 ,05 x n p
Distribución Binomial Si en el experimento de telepatía estuviésemos interesados en la probabilidad de obtener 5 o menos aciertos, localizaríamos en la tabla los valores de n, x y p, para obtener que F(x  ≤  5) = 0,617. Las tablas de la  función de distribución  nos permiten también hallar el valor de la  función de probabilidad  muy fácilmente. En el caso del examen, por ejemplo, es evidente que f(x =10)= F(x ≤ 10)‑F(x ≤ 9), con lo que, buscando ambos valores en las tablas, tendremos: En el ejemplo de las respuestas al examen f(10)=F(x ≤ 10)‑F(x ≤ 9)=0,999‑0,997=0,002 En el ejemplo del telépata, f(5)=F(x ≤ 5)‑F(x ≤ 4)=0,617‑0,421=0,196
Distribución Binomial Siguiendo con el ejemplo del telépata, supongamos que deseamos saber la probabilidad de que acierte, por mero azar, 11 o más cartas. Puesto que la probabilidad total es 1, se cumplirá que: P(X≥   11)= 1‑P(X< 11)= 1‑ P(X  ≤  10)= 1‑F(10)= 1‑0,994=0,006 ¿Cuál es la probabilidad de que acierte, más de cinco y menos de doce cartas? P(5< X <12)= P(6 ≤  X  ≤  11) = f(6)+f(7)+f(8)+f(9)+f(10)+f(11)= F(X ≤11)-F(X ≤5)= 0,381
Tabla de distribución binomial ,000 ,000 ,006 ,098 ,414 ,788 ,966 ,998 1,00 1,00 1,00 14 ,000 ,000 ,002 ,044 ,268 ,655 ,922 ,994 1,00 1,00 1,00 13 ,000 ,000 ,000 ,018 ,154 ,500 ,846 ,983 1,00 1,00 1,00 12 ,000 ,000 ,000 ,006 ,078 ,345 ,732 ,956 ,998 1,00 1,00 11 ,000 ,000 ,000 ,002 ,034 ,212 ,586 ,902 ,994 1,00 1,00 10 ,000 ,000 ,000 ,001 ,013 ,115 ,425 ,811 ,983 1,00 1,00 9 ,000 ,000 ,000 ,000 ,004 ,054 ,274 ,677 ,953 1,00 1,00 8 ,000 ,000 ,000 ,000 ,001 ,022 ,154 ,512 ,891 ,998 1,00 7 ,000 ,000 ,000 ,000 ,000 ,007 ,074 ,341 ,780 ,991 1,00 6 ,000 ,000 ,000 ,000 ,000 ,002 ,029 ,193 ,617 ,967 ,999 5 ,000 ,000 ,000 ,000 ,000 ,001 ,009 ,090 ,421 ,902 ,993 4 ,000 ,000 ,000 ,000 ,000 ,000 ,002 ,033 ,234 ,764 ,966 3 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,009 ,098 ,537 ,873 2 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,002 ,027 ,271 ,642 1 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,004 ,072 ,277 0 25 ,950 ,900 ,800 ,700 ,600 ,500 ,400 ,300 ,200 ,100 ,050 x n p
Distribución de Poisson Las condiciones que debe cumplir una variable aleatoria para que su función de probabilidad se ajuste a la distribución de Poisson son: 1) La probabilidad de que se dé más de un suceso en una unidad de tiempo lo suficientemente pequeña es despreciable. 2) La probabilidad de aparición de un suceso en un intervalo de longitud muy pequeña es proporcional a dicha longitud. Es decir, la probabilidad de que se produzca un suceso en un intervalo de longitud dt es  λ dt, donde  λ  es una constante positiva. 3) El número de sucesos que se dan en un intervalo de longitud T es independiente del número de sucesos que se den en otro intervalo de idéntica longitud.
Distribución de Poisson Algunos ejemplos de variables cuya función de probabilidad se ajusta a la de Poisson podrían ser el número de erratas por página en un libro grande, el número de llamadas recibidas por minuto en una centralita, el número de partículas a emitidas por unidad de tiempo por un elemento radiactivo, el número de personas que cada minuto a las horas punta hacen cola en la ventanilla de un banco, etc.
Distribución de Poisson Bajo las mismas condiciones impuestas a la binomial: 1.- El resultado de cada ensayo puede clasificarse como éxito (ocurrencia del  evento) o fracaso (no ocurrencia) 2.- Los ensayos son independientes entre si 3.- La probabilidad de éxito  p  se mantiene constante entre ensayo y ensayo. Si el número de ensayos tiende a infinito y la probabilidad de éxito o verificación del evento tiende a 0. La distribución binomial tiende hacia otra denominada de  Poisson . donde e = 2.7182 o base de los logaritmos neperianos y
Distribución de Poisson Supongamos como ejemplo que en un cierto libro hay un promedio de 10 erratas cada 50 páginas. ¿Cuál es la probabilidad de encontrar 5 erratas en 5 páginas? Puesto que la unidad de trabajo son las 5 páginas, debemos pasar a dicha unidad el promedio, con lo que:
Distribución de Poisson Si nos interesase la probabilidad de que entrasen entre cinco y diez clientes ambos incluidos… Veamos otro ejemplo. En un determinado comercio entran por término medio 2 clientes cada hora. Calcular la probabilidad de que en una mañana concreta (en 4 horas) entren 5 clientes.
Distribución de Poisson Ejemplo: En una gran superficie se ha constatado que un 2% de los usuarios realizan hurtos en sus compras. ¿Cuál el la probabilidad de encontrar 3 clientes que hayan robado, si hiciésemos un seguimiento de 100 clientes elegidos al azar?  Poisson Binomial
Distribución de Poisson: tabla Distribución de Poisson, P(X ≤ x) 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 9 ,857 ,875 ,891 ,907 ,921 ,934 ,946 ,957 ,966 ,974 3 ,677 ,704 ,731 ,757 ,783 ,809 ,833 ,857 ,879 ,900 2 ,406 ,434 ,463 ,493 ,525 ,558 ,592 ,627 ,663 ,699 1 ,135 ,150 ,165 ,183 ,202 ,223 ,247 ,273 ,301 ,333 0 2,00 1,90 1,80 1,70 1,60 1,50 1,40 1,30 1,20 1,10 x λ
Distribución de Poisson Clarke (1946) intentó comprobar si las bombas volantes lanzadas por los alemanes caían sobre Londres aleatoriamente o de modo sistemático. Para ello dividió la superficie de la ciudad en 576 rectángulos de igual tamaño y observó donde cayeron 537 bombas. La siguiente tabla presenta el número de impactos registrados por área y sus probabilidades a posteriori o empíricas.  (Amon, J. 1982) ¿Las bombas caían aleatoriamente o seguían un patrón sistemático? Observamos que  p(x) , probabilidad de que cualquier área sea alcanzada,   es muy pequeño 1/576 y  n  (537 lanzamientos) grande, por lo que podemos asumir que si estos fuesen aleatorios, el número de impactos por áreas seguirían la distribución de Poisson con λ = 537 x 0.0017 = 0.91 ~ 0.9
Distribución de Poisson Los resultados empíricos fueron los siguientes: Áreas con 5 o más impactos Áreas con 4 impactos Áreas con 3 impactos Áreas con 2 impactos Áreas con 1 impacto Áreas sin ningún impacto
Distribución de Poisson 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 7 1,000 1,000 1,000 1,000 1,0n0 1,000 1,000 1,000 1,000 1,000 6 ,999 1,00 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 5 ,996 ,998 ,999 ,999 1,000 1,000 1,000 1,000 1,000 1,000 4 ,981 ,987 ,991 ,994 ,997 ,998 ,999 1,000 1,000 1,000 3 ,920 ,937 ,953 ,966 ,977 ,986 ,992 ,996 ,999 1,000 2 ,736 ,772 ,809 ,844 ,878 ,910 ,938 ,963 ,982 ,995 1 ,368 ,407 ,449 ,497 ,549 ,607 ,670 ,741 ,819 ,905 0 1,00 ,90 ,80 ,70 ,60 ,50 ,40 ,30 ,20 ,10 x λ Distribución de Poisson, P(X <= x)
Distribución de Poisson Tal y como podemos observar hay una coincidencia casi total entre las proporciones de impactos esperados por puro azar y las proporciones empíricas registradas. Por ello concluimos que los lanzamientos fueron realizados sin un patrón de objetivos concreto. 0.002 1- 0.998  = 0.002 Poisson 5 impactos o más 0.012 0.998 - 0.987 = 0.011 Poisson 4 impactos 0.061 0.987 - 0.937 = 0.050 Poi sson 3 impactos 0.161 0.937 - 0.772 = 0.165 Poisson 2 impactos 0.366 0.772 - 0.407 = 0.365 Poisson 1 impacto 0.398 0.407 Poisson 0  impactos Prop. de impactos Poisson P(x)
Distribución de Poisson ,[object Object],[object Object],[object Object]
Ejemplos de variables de Poisson ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]

Más contenido relacionado

La actualidad más candente

Aplicaciones funciones vectoriales
Aplicaciones funciones vectorialesAplicaciones funciones vectoriales
Aplicaciones funciones vectoriales
YOLVI ADRIANA CORDOBA BUITRAGO
 
Problemas resueltos 1oct_max
Problemas resueltos 1oct_maxProblemas resueltos 1oct_max
Problemas resueltos 1oct_max
Juan Timoteo Cori
 
S14 valor esperado y varianza de variables aleatorias continuas
S14 valor esperado y varianza de variables aleatorias continuasS14 valor esperado y varianza de variables aleatorias continuas
S14 valor esperado y varianza de variables aleatorias continuas
Yorladys Martínez Aroca
 
Funcion de heaviside
Funcion de heavisideFuncion de heaviside
Funcion de heaviside
Enrique Javier Montoya Corrales
 
Clase 13 PC
Clase 13 PCClase 13 PC
Clase 13 PC
Tensor
 
Solución Numérica de Ecuaciones no Lineales:Métodos cerrados
Solución Numérica de Ecuaciones no Lineales:Métodos cerradosSolución Numérica de Ecuaciones no Lineales:Métodos cerrados
Solución Numérica de Ecuaciones no Lineales:Métodos cerrados
Pervys Rengifo
 
Ecuaciones Diferenciales - La Transformada de Laplace
Ecuaciones Diferenciales - La Transformada de LaplaceEcuaciones Diferenciales - La Transformada de Laplace
Ecuaciones Diferenciales - La Transformada de Laplace
Kike Prieto
 
Prueba de hipotesis estadistica aplicada a la ingenieria
Prueba de hipotesis estadistica aplicada a la ingenieriaPrueba de hipotesis estadistica aplicada a la ingenieria
Prueba de hipotesis estadistica aplicada a la ingenieria
Hector García Cárdenas
 
Ejercicios Resueltos de Calculo Vectorial e Integrales de linea
Ejercicios Resueltos de Calculo Vectorial e Integrales de lineaEjercicios Resueltos de Calculo Vectorial e Integrales de linea
Ejercicios Resueltos de Calculo Vectorial e Integrales de linea
Ruddy Sanchez Campos
 
Distribucion binomial y de poisson
Distribucion binomial y de poissonDistribucion binomial y de poisson
Distribucion binomial y de poisson
Silvia Aristizabal
 
Derivada direccional
Derivada direccionalDerivada direccional
Derivada direccional
Samara Aura Aguilar Morales
 
10 transformada fourier
10 transformada fourier10 transformada fourier
10 transformada fourier
Alex Jjavier
 
Limite y continuidad de funciones de varias variables
Limite y continuidad de funciones de varias variablesLimite y continuidad de funciones de varias variables
Limite y continuidad de funciones de varias variables
kactherinevg
 
Campo electrico distribuciones continuas de carga clase 4 TE
Campo electrico distribuciones continuas de carga clase 4 TECampo electrico distribuciones continuas de carga clase 4 TE
Campo electrico distribuciones continuas de carga clase 4 TE
Tensor
 
Ejercicios resueltos(f.vectoriales)(1)
Ejercicios resueltos(f.vectoriales)(1)Ejercicios resueltos(f.vectoriales)(1)
Ejercicios resueltos(f.vectoriales)(1)
ratix
 
Series de taylor
Series de taylorSeries de taylor
Series de taylor
Jag Är Omxr
 
Transformada de una Derivada
Transformada de una DerivadaTransformada de una Derivada
Transformada de una Derivada
Saul Olaf Loaiza Meléndez
 
Coordenadas polares
Coordenadas polaresCoordenadas polares
Coordenadas polares
Ricardo Ramos
 
Cinematica de una particula
Cinematica de una particulaCinematica de una particula
Cinematica de una particula
Nombre Apellidos
 
Maximos y minimos funcion de varias variables
Maximos y minimos funcion de varias variablesMaximos y minimos funcion de varias variables
Maximos y minimos funcion de varias variables
RAQUEL CARDENAS GONZALEZ
 

La actualidad más candente (20)

Aplicaciones funciones vectoriales
Aplicaciones funciones vectorialesAplicaciones funciones vectoriales
Aplicaciones funciones vectoriales
 
Problemas resueltos 1oct_max
Problemas resueltos 1oct_maxProblemas resueltos 1oct_max
Problemas resueltos 1oct_max
 
S14 valor esperado y varianza de variables aleatorias continuas
S14 valor esperado y varianza de variables aleatorias continuasS14 valor esperado y varianza de variables aleatorias continuas
S14 valor esperado y varianza de variables aleatorias continuas
 
Funcion de heaviside
Funcion de heavisideFuncion de heaviside
Funcion de heaviside
 
Clase 13 PC
Clase 13 PCClase 13 PC
Clase 13 PC
 
Solución Numérica de Ecuaciones no Lineales:Métodos cerrados
Solución Numérica de Ecuaciones no Lineales:Métodos cerradosSolución Numérica de Ecuaciones no Lineales:Métodos cerrados
Solución Numérica de Ecuaciones no Lineales:Métodos cerrados
 
Ecuaciones Diferenciales - La Transformada de Laplace
Ecuaciones Diferenciales - La Transformada de LaplaceEcuaciones Diferenciales - La Transformada de Laplace
Ecuaciones Diferenciales - La Transformada de Laplace
 
Prueba de hipotesis estadistica aplicada a la ingenieria
Prueba de hipotesis estadistica aplicada a la ingenieriaPrueba de hipotesis estadistica aplicada a la ingenieria
Prueba de hipotesis estadistica aplicada a la ingenieria
 
Ejercicios Resueltos de Calculo Vectorial e Integrales de linea
Ejercicios Resueltos de Calculo Vectorial e Integrales de lineaEjercicios Resueltos de Calculo Vectorial e Integrales de linea
Ejercicios Resueltos de Calculo Vectorial e Integrales de linea
 
Distribucion binomial y de poisson
Distribucion binomial y de poissonDistribucion binomial y de poisson
Distribucion binomial y de poisson
 
Derivada direccional
Derivada direccionalDerivada direccional
Derivada direccional
 
10 transformada fourier
10 transformada fourier10 transformada fourier
10 transformada fourier
 
Limite y continuidad de funciones de varias variables
Limite y continuidad de funciones de varias variablesLimite y continuidad de funciones de varias variables
Limite y continuidad de funciones de varias variables
 
Campo electrico distribuciones continuas de carga clase 4 TE
Campo electrico distribuciones continuas de carga clase 4 TECampo electrico distribuciones continuas de carga clase 4 TE
Campo electrico distribuciones continuas de carga clase 4 TE
 
Ejercicios resueltos(f.vectoriales)(1)
Ejercicios resueltos(f.vectoriales)(1)Ejercicios resueltos(f.vectoriales)(1)
Ejercicios resueltos(f.vectoriales)(1)
 
Series de taylor
Series de taylorSeries de taylor
Series de taylor
 
Transformada de una Derivada
Transformada de una DerivadaTransformada de una Derivada
Transformada de una Derivada
 
Coordenadas polares
Coordenadas polaresCoordenadas polares
Coordenadas polares
 
Cinematica de una particula
Cinematica de una particulaCinematica de una particula
Cinematica de una particula
 
Maximos y minimos funcion de varias variables
Maximos y minimos funcion de varias variablesMaximos y minimos funcion de varias variables
Maximos y minimos funcion de varias variables
 

Destacado

Distribuciones discretas
Distribuciones discretasDistribuciones discretas
Tabla normal y binomial
Tabla normal y binomialTabla normal y binomial
Tabla normal y binomialivan_antrax
 
Aula virtual medidas de dispersión basadas en competencias
Aula virtual medidas de dispersión basadas en competenciasAula virtual medidas de dispersión basadas en competencias
Aula virtual medidas de dispersión basadas en competencias
M. en C. Arturo Vázquez Córdova
 
Carta a los padres y madres
Carta a los padres y madresCarta a los padres y madres
Carta a los padres y madres
Moises Betancort
 
Probabilidad 3
Probabilidad 3 Probabilidad 3
Probabilidad 3
Moises Betancort
 
Diseños de investigacion en logopedia mb
Diseños de investigacion en logopedia mbDiseños de investigacion en logopedia mb
Diseños de investigacion en logopedia mb
Moises Betancort
 
Probabilidad 1
Probabilidad 1Probabilidad 1
Probabilidad 1
Moises Betancort
 
Tablas de las Distribuciones Estadisticas Mas Usadas
Tablas de las Distribuciones Estadisticas Mas UsadasTablas de las Distribuciones Estadisticas Mas Usadas
Tablas de las Distribuciones Estadisticas Mas Usadas
Clases Online Matematicas Fisica Quimica
 
Temas 6 y 7 de bioestadística. Semestre b 2012. Medidas de dispersión, varia...
Temas 6 y 7 de  bioestadística. Semestre b 2012. Medidas de dispersión, varia...Temas 6 y 7 de  bioestadística. Semestre b 2012. Medidas de dispersión, varia...
Temas 6 y 7 de bioestadística. Semestre b 2012. Medidas de dispersión, varia...
Universidad Particular de Loja
 
1.4. medidas de dispersion
1.4. medidas de dispersion1.4. medidas de dispersion
1.4. medidas de dispersion
ITCM
 
distribucion-de-probabilidades
distribucion-de-probabilidadesdistribucion-de-probabilidades
distribucion-de-probabilidades
ROSAURA GARCIA
 
Distribucion de probabilidad binomal
Distribucion de probabilidad binomalDistribucion de probabilidad binomal
Distribucion de probabilidad binomal
eraperez
 
Medidas de dispersión, variación o variabilidad
Medidas de dispersión, variación o variabilidadMedidas de dispersión, variación o variabilidad
Medidas de dispersión, variación o variabilidad
Enedina Rodriguez
 
Medidas de dispersión
Medidas de dispersiónMedidas de dispersión
Medidas de dispersión
Dr. Ramón de J. Villar Prieto
 
Medidas de dispersion
Medidas de dispersionMedidas de dispersion
Medidas de dispersion
elimiguelito
 
Medidas de dispersión de rango, desviación, media cuarticular, estandar y coe...
Medidas de dispersión de rango, desviación, media cuarticular, estandar y coe...Medidas de dispersión de rango, desviación, media cuarticular, estandar y coe...
Medidas de dispersión de rango, desviación, media cuarticular, estandar y coe...
liliatorresfernandez
 
MEDIDAS DE DISPERSION ABSOLUTAS Y RELATIVAS
MEDIDAS DE DISPERSION ABSOLUTAS Y RELATIVASMEDIDAS DE DISPERSION ABSOLUTAS Y RELATIVAS
MEDIDAS DE DISPERSION ABSOLUTAS Y RELATIVAS
MEREDY PANCCA APAZA
 
Paginas de matematicas
Paginas de matematicasPaginas de matematicas
Paginas de matematicas
espanol
 

Destacado (18)

Distribuciones discretas
Distribuciones discretasDistribuciones discretas
Distribuciones discretas
 
Tabla normal y binomial
Tabla normal y binomialTabla normal y binomial
Tabla normal y binomial
 
Aula virtual medidas de dispersión basadas en competencias
Aula virtual medidas de dispersión basadas en competenciasAula virtual medidas de dispersión basadas en competencias
Aula virtual medidas de dispersión basadas en competencias
 
Carta a los padres y madres
Carta a los padres y madresCarta a los padres y madres
Carta a los padres y madres
 
Probabilidad 3
Probabilidad 3 Probabilidad 3
Probabilidad 3
 
Diseños de investigacion en logopedia mb
Diseños de investigacion en logopedia mbDiseños de investigacion en logopedia mb
Diseños de investigacion en logopedia mb
 
Probabilidad 1
Probabilidad 1Probabilidad 1
Probabilidad 1
 
Tablas de las Distribuciones Estadisticas Mas Usadas
Tablas de las Distribuciones Estadisticas Mas UsadasTablas de las Distribuciones Estadisticas Mas Usadas
Tablas de las Distribuciones Estadisticas Mas Usadas
 
Temas 6 y 7 de bioestadística. Semestre b 2012. Medidas de dispersión, varia...
Temas 6 y 7 de  bioestadística. Semestre b 2012. Medidas de dispersión, varia...Temas 6 y 7 de  bioestadística. Semestre b 2012. Medidas de dispersión, varia...
Temas 6 y 7 de bioestadística. Semestre b 2012. Medidas de dispersión, varia...
 
1.4. medidas de dispersion
1.4. medidas de dispersion1.4. medidas de dispersion
1.4. medidas de dispersion
 
distribucion-de-probabilidades
distribucion-de-probabilidadesdistribucion-de-probabilidades
distribucion-de-probabilidades
 
Distribucion de probabilidad binomal
Distribucion de probabilidad binomalDistribucion de probabilidad binomal
Distribucion de probabilidad binomal
 
Medidas de dispersión, variación o variabilidad
Medidas de dispersión, variación o variabilidadMedidas de dispersión, variación o variabilidad
Medidas de dispersión, variación o variabilidad
 
Medidas de dispersión
Medidas de dispersiónMedidas de dispersión
Medidas de dispersión
 
Medidas de dispersion
Medidas de dispersionMedidas de dispersion
Medidas de dispersion
 
Medidas de dispersión de rango, desviación, media cuarticular, estandar y coe...
Medidas de dispersión de rango, desviación, media cuarticular, estandar y coe...Medidas de dispersión de rango, desviación, media cuarticular, estandar y coe...
Medidas de dispersión de rango, desviación, media cuarticular, estandar y coe...
 
MEDIDAS DE DISPERSION ABSOLUTAS Y RELATIVAS
MEDIDAS DE DISPERSION ABSOLUTAS Y RELATIVASMEDIDAS DE DISPERSION ABSOLUTAS Y RELATIVAS
MEDIDAS DE DISPERSION ABSOLUTAS Y RELATIVAS
 
Paginas de matematicas
Paginas de matematicasPaginas de matematicas
Paginas de matematicas
 

Similar a Probabilidad 2

Probability distributions intro bernoulli 2020
Probability distributions intro bernoulli 2020Probability distributions intro bernoulli 2020
Probability distributions intro bernoulli 2020
Edgar Mata
 
CAPITULO 7.pdf
CAPITULO 7.pdfCAPITULO 7.pdf
CAPITULO 7.pdf
RosmeryCristinaValer
 
Estadisticadocx
EstadisticadocxEstadisticadocx
Distribuciones probabilidad
Distribuciones probabilidadDistribuciones probabilidad
Distribuciones probabilidad
Cesar Augusto Lopez Utrera
 
Estadistica Aplicada
Estadistica AplicadaEstadistica Aplicada
Estadistica Aplicada
Mariely Sanz Cerezo
 
Distribuciones de probabilidad
Distribuciones de probabilidadDistribuciones de probabilidad
Distribuciones de probabilidad
Cinthya Medina Morán
 
2 distribución de probabilidad discreta
2 distribución de probabilidad discreta2 distribución de probabilidad discreta
2 distribución de probabilidad discreta
Ing.Joel Lopezgarcia LOPEZ GARCIA
 
Variables aleatorias. estadistica 1
Variables aleatorias. estadistica 1Variables aleatorias. estadistica 1
Variables aleatorias. estadistica 1
Leyvis Farias Medina
 
La distribucion binomial power point
La distribucion binomial power pointLa distribucion binomial power point
La distribucion binomial power point
Eileen Rodriguez
 
Clase 2. unidad_2
Clase 2. unidad_2Clase 2. unidad_2
Clase 2. unidad_2
nubialaguna7306
 
Clase 2. unidad_2
Clase 2. unidad_2Clase 2. unidad_2
Clase 2. unidad_2
Francisco Perez
 
Distribuciones
DistribucionesDistribuciones
Distribuciones
OlgaChapa4
 
Unidad 1. Probabilidad
Unidad 1. ProbabilidadUnidad 1. Probabilidad
Unidad 1. Probabilidad
Marielba Lazo
 
probabilidad y diferencia entre Poisson y Bernoulli.
probabilidad y diferencia entre Poisson y Bernoulli.probabilidad y diferencia entre Poisson y Bernoulli.
probabilidad y diferencia entre Poisson y Bernoulli.
Belen Dominguez
 
probabilidad de Poisson y Bernoulli, y su comparación.
probabilidad de Poisson y Bernoulli, y su comparación.probabilidad de Poisson y Bernoulli, y su comparación.
probabilidad de Poisson y Bernoulli, y su comparación.
Belen Dominguez
 
Distribuciones probabilidad
Distribuciones probabilidadDistribuciones probabilidad
Distribuciones probabilidad
Arlin11
 
Variables aleatorias y distribución de probabilidad
Variables aleatorias y distribución de probabilidadVariables aleatorias y distribución de probabilidad
Variables aleatorias y distribución de probabilidad
Blanca Parra Campos
 
DefinicióN Variable Aleatoria Discreta
DefinicióN Variable Aleatoria DiscretaDefinicióN Variable Aleatoria Discreta
DefinicióN Variable Aleatoria Discreta
joeliv
 
Distribuciones discretas-2017.ppt
Distribuciones discretas-2017.pptDistribuciones discretas-2017.ppt
Distribuciones discretas-2017.ppt
JUAN M. MUÑOZ H.
 
DISTRIBUCIÓN BERNOULLI Y DISTRIBUCIÓN BINOMIAL
DISTRIBUCIÓN BERNOULLI Y DISTRIBUCIÓN BINOMIALDISTRIBUCIÓN BERNOULLI Y DISTRIBUCIÓN BINOMIAL
DISTRIBUCIÓN BERNOULLI Y DISTRIBUCIÓN BINOMIAL
Sonyé Lockheart
 

Similar a Probabilidad 2 (20)

Probability distributions intro bernoulli 2020
Probability distributions intro bernoulli 2020Probability distributions intro bernoulli 2020
Probability distributions intro bernoulli 2020
 
CAPITULO 7.pdf
CAPITULO 7.pdfCAPITULO 7.pdf
CAPITULO 7.pdf
 
Estadisticadocx
EstadisticadocxEstadisticadocx
Estadisticadocx
 
Distribuciones probabilidad
Distribuciones probabilidadDistribuciones probabilidad
Distribuciones probabilidad
 
Estadistica Aplicada
Estadistica AplicadaEstadistica Aplicada
Estadistica Aplicada
 
Distribuciones de probabilidad
Distribuciones de probabilidadDistribuciones de probabilidad
Distribuciones de probabilidad
 
2 distribución de probabilidad discreta
2 distribución de probabilidad discreta2 distribución de probabilidad discreta
2 distribución de probabilidad discreta
 
Variables aleatorias. estadistica 1
Variables aleatorias. estadistica 1Variables aleatorias. estadistica 1
Variables aleatorias. estadistica 1
 
La distribucion binomial power point
La distribucion binomial power pointLa distribucion binomial power point
La distribucion binomial power point
 
Clase 2. unidad_2
Clase 2. unidad_2Clase 2. unidad_2
Clase 2. unidad_2
 
Clase 2. unidad_2
Clase 2. unidad_2Clase 2. unidad_2
Clase 2. unidad_2
 
Distribuciones
DistribucionesDistribuciones
Distribuciones
 
Unidad 1. Probabilidad
Unidad 1. ProbabilidadUnidad 1. Probabilidad
Unidad 1. Probabilidad
 
probabilidad y diferencia entre Poisson y Bernoulli.
probabilidad y diferencia entre Poisson y Bernoulli.probabilidad y diferencia entre Poisson y Bernoulli.
probabilidad y diferencia entre Poisson y Bernoulli.
 
probabilidad de Poisson y Bernoulli, y su comparación.
probabilidad de Poisson y Bernoulli, y su comparación.probabilidad de Poisson y Bernoulli, y su comparación.
probabilidad de Poisson y Bernoulli, y su comparación.
 
Distribuciones probabilidad
Distribuciones probabilidadDistribuciones probabilidad
Distribuciones probabilidad
 
Variables aleatorias y distribución de probabilidad
Variables aleatorias y distribución de probabilidadVariables aleatorias y distribución de probabilidad
Variables aleatorias y distribución de probabilidad
 
DefinicióN Variable Aleatoria Discreta
DefinicióN Variable Aleatoria DiscretaDefinicióN Variable Aleatoria Discreta
DefinicióN Variable Aleatoria Discreta
 
Distribuciones discretas-2017.ppt
Distribuciones discretas-2017.pptDistribuciones discretas-2017.ppt
Distribuciones discretas-2017.ppt
 
DISTRIBUCIÓN BERNOULLI Y DISTRIBUCIÓN BINOMIAL
DISTRIBUCIÓN BERNOULLI Y DISTRIBUCIÓN BINOMIALDISTRIBUCIÓN BERNOULLI Y DISTRIBUCIÓN BINOMIAL
DISTRIBUCIÓN BERNOULLI Y DISTRIBUCIÓN BINOMIAL
 

Más de Moises Betancort

Manova mb
Manova mbManova mb
Manova mb
Moises Betancort
 
Discriminante mb
Discriminante mbDiscriminante mb
Discriminante mb
Moises Betancort
 
Modelos mixed
Modelos mixedModelos mixed
Modelos mixed
Moises Betancort
 
AF Master Educacion
AF Master EducacionAF Master Educacion
AF Master Educacion
Moises Betancort
 
Anova3
Anova3Anova3
Anova2
Anova2Anova2
Anova1
Anova1Anova1
EDA
EDAEDA
Introduccion al SPSS
Introduccion al SPSSIntroduccion al SPSS
Introduccion al SPSS
Moises Betancort
 
Tema 2 Organización de los datos
Tema 2 Organización de los datosTema 2 Organización de los datos
Tema 2 Organización de los datos
Moises Betancort
 
Tema 3 Medidas De Tendencia Central
Tema 3 Medidas De Tendencia CentralTema 3 Medidas De Tendencia Central
Tema 3 Medidas De Tendencia Central
Moises Betancort
 
Tema 3 Medidas De Dispersión
Tema 3 Medidas De DispersiónTema 3 Medidas De Dispersión
Tema 3 Medidas De Dispersión
Moises Betancort
 
Tema 3 Medidas De Posición
Tema 3 Medidas De PosiciónTema 3 Medidas De Posición
Tema 3 Medidas De Posición
Moises Betancort
 
Tema 1 Conceptos Basicos
Tema 1 Conceptos BasicosTema 1 Conceptos Basicos
Tema 1 Conceptos Basicos
Moises Betancort
 

Más de Moises Betancort (14)

Manova mb
Manova mbManova mb
Manova mb
 
Discriminante mb
Discriminante mbDiscriminante mb
Discriminante mb
 
Modelos mixed
Modelos mixedModelos mixed
Modelos mixed
 
AF Master Educacion
AF Master EducacionAF Master Educacion
AF Master Educacion
 
Anova3
Anova3Anova3
Anova3
 
Anova2
Anova2Anova2
Anova2
 
Anova1
Anova1Anova1
Anova1
 
EDA
EDAEDA
EDA
 
Introduccion al SPSS
Introduccion al SPSSIntroduccion al SPSS
Introduccion al SPSS
 
Tema 2 Organización de los datos
Tema 2 Organización de los datosTema 2 Organización de los datos
Tema 2 Organización de los datos
 
Tema 3 Medidas De Tendencia Central
Tema 3 Medidas De Tendencia CentralTema 3 Medidas De Tendencia Central
Tema 3 Medidas De Tendencia Central
 
Tema 3 Medidas De Dispersión
Tema 3 Medidas De DispersiónTema 3 Medidas De Dispersión
Tema 3 Medidas De Dispersión
 
Tema 3 Medidas De Posición
Tema 3 Medidas De PosiciónTema 3 Medidas De Posición
Tema 3 Medidas De Posición
 
Tema 1 Conceptos Basicos
Tema 1 Conceptos BasicosTema 1 Conceptos Basicos
Tema 1 Conceptos Basicos
 

Probabilidad 2

  • 1. Variables Aleatorias Una función f de R en R es una colección de pares ordenados de números reales que no contiene dos pares distintos con el primer elemento igual. El resultado de un experimento aleatorio puede ser descrito como una cantidad numérica . Hemos visto que los posibles resultados de un experimento aleatorio (espacio muestral E) no son siempre numéricos. El suceso &quot;cara&quot; al tirar una moneda al aire o el suceso &quot;bastos&quot; al sacar una carta de la baraja. Hablábamos, por ejemplo, de que saliese el dos o el cinco al tirar un dado, pero estos números sólo servían para distinguir una cara del dado de la otra. A partir de ahora nos vamos a referir a fenómenos cuantitativos, tales como cuántas veces sale cara al tirar repetidamente una moneda al aire, la media de edad de los consumidores de cierta marca de chicle, etc. Desde un punto de vista formal diremos que una variable aleatoria es toda función que permite atribuir un número real y sólo uno a cada suceso del espacio muestral. En otras palabras es una aplicación X: E -> R
  • 2. Variables Aleatorias Experimento aleatorio: Sacar dos cartas de una baraja española y observar el palo al que pertenecen. Representamos con &quot;O&quot;, &quot;C&quot;, &quot;E&quot; y &quot;B&quot; los palos de oros, copas, espadas y bastos respectivamente, los resultados posibles son: OO, OC, OE, OB, CC, CE, CB, EE, EB, BB Definamos, la variable aleatoria &quot; número de copas &quot;, los valores que se atribuyen a cada uno de los sucesos que constituyen el espacio muestral son: 0, 1, 0, 0, 2, 1, 1, 0, 0, 0 respectivamente. Pero podemos definir también sobre este mismo espacio muestral otra variable aleatoria que da 1 punto a cada carta de oros, 2 a las de copas, 3 a las de espadas y 4 a las de bastos, sumando los valores de las cartas de cada mano, ahora los valores de la nueva variable serían 2, 3, 4, 5, 4, 5, 6, 6, 7, 8 respectivamente. Dado un único espacio muestral cabe definir distintas variables aleatorias pero, sea cual sea el procedimiento de atribución de valores seleccionado, a cada suceso le corresponderá un valor y sólo uno de la variable (recordar el concepto de función) .
  • 3. Variables Aleatorias Dos tipos de variables aleatorias: Puesto que los espacios muestrales pueden ser clasificados como discretos o continuos, también las variables aleatorias definidas sobre dichos espacios muestrales serán discretas o continuas, radicando la diferencia en si sus elementos son numerables o no. La naturaleza, discreta o continua, de las variables aleatorias, tiene una importancia decisiva sobre el proceso matemático del cálculo de las probabilidades de sus valores. Variables Aleatorias Discretas : Son aquellas variables que se definen sobre espacios muestrales finitos (p.e “tirar un dado al aire”) o infinitos pero numerables. (p.e. “el número de accidentes de trafico en un fin de semana”) Variables Aleatorias Continuas : Son aquellas variables que se definen sobre espacios muestrales infinitos pero numerables. (p.e. la estatura de los alumnos de esta clase)
  • 4. Variables Aleatorias Discretas Dos conceptos de vital importancia relacionados con las variables aleatorias discretas son los que se refieren a las funciones que asocian a cada uno de sus valores las probabilidades de que éstas adopten esos valores y a las de que adopten como mucho esos valores. La Función de Probabilidad. La Función de Distribución de Probabilidad.
  • 5. Función de Distribución de Probabilidad F(x) Es aquella que asigna a todo número real, x i , la probabilidad de que la variable aleatoria X asuma ese valor x i o cualquier valor inferior a x i . Simbólicamente se define: Función de Probabilidad f(x) Es aquella que asigna a todo número real, x i , la probabilidad de que la variable aleatoria X asuma ese valor, valga x i . Simbólicamente se define: Variables Aleatorias Discretas
  • 6. Eligiendo al azar una familia, definamos la variable “Nº de coches de la unidad familiar”. Se trata de una Variable Aleatoria y dado que los valores encontrados oscilan entre 0 y 5 coches la variable es aleatoria y discreta. Frecuencia Relativa (Función de Probabilidad) Frecuencia Relativa Acumulada (Función de Distribución de Probabilidad) Variables Aleatorias Discretas 1.000 6487 ∑ 0.008 53 5 0.050 324 4 0.277 1796 3 0.441 2865 2 0.219 1422 1 0.004 27 0 p i n i Nº coches en la unidad familiar 1.000 ∑ 1.000 0.008 5 0.992 0.050 4 0.942 0.277 3 0.665 0.441 2 0.223 0.219 1 0.004 0.004 0 Fx p a fx p x Probabilidad de que una familia seleccionada al azar tenga 3 coches o menos Probabilidad de que una familia seleccionada al azar tenga 3 coches
  • 7. Funciones de Distribución y Probabilidad discretas Las distribuciones de probabilidad discretas de mayor importancia para Psicología son la de Bernoulli , la binomial y la de Poisson . La distribución de Bernoulli ofrece las probabilidades de éxito y fracaso en experimentos con dos resultados. Se trata de una función de probabilidad que se define para variables aleatorias con sólo dos valores, 0 y 1 (fracaso y éxito) Experimento de Bernoulli Un gran número de problemas de estadística y probabilidad aplicada, se refieren a situaciones donde un experimento se repite muchas veces, y éste sólo tiene dos resultados posibles. Así en la posible efectividad de un nuevo tratamiento de la fobia social, cada paciente recibe un tratamiento individual (ensayo) y para cada uno de ellos, el tratamiento puede ser efectivo (éxito) o no efectivo (fracaso).
  • 8. Funciones de Distribución y Probabilidad discretas Un experimento se denomina de Bernoulli si: a) El resultado de cada ensayo puede clasificarse como éxito (ocurrencia del evento) o fracaso (no ocurrencia). b) Los ensayos son independientes entre si. c) La probabilidad de éxito p se mantiene constante entre ensayo y ensayo.
  • 9. Experimento de Bernouilli En una ruleta hay 38 números de los cuales 18 son rojos, 18 negros y 2 verdes. Si hacemos girar la ruleta, cada uno de los 38 números, son evidentemente equiprobables. Si ganamos solamente cuando la bola cae en rojo, sólo existirán dos resultados no igualmente equiprobables: éxito o fracaso. Si definimos p como la probabilidad de éxito. En nuestro ejemplo: p = 18/38 = 0.474 y la probabilidad de fracaso como 1-p = 1 – 0.474 = 0.526 Determina la probabilidad de los posibles resultados a partir de tres jugadas consecutivas en dicha ruleta ( 2 3 = 8 ) (E Éxito, F Fracaso) FFF FEF EFF EEF FFE FEE EFE EEE
  • 10. Experimento de Bernouilli Combinaciones de n elementos tomados de x en x FFF FFE EFF FEF EFE EEF FEE EEE 0 Éxito 1 Éxito 2 Éxitos 3 Éxitos
  • 11. Experimento de Bernouilli 3 jugadas 2 éxitos (rojo) = 3 jugadas 3 éxitos (rojo) = 3 jugadas 0 éxitos (rojo) = 3 jugadas 1 éxito (rojo) =
  • 12. Funciones de Distribución y Probabilidad discretas Distribución Binomial La distribución de probabilidad binomial es la más interesante de las distribuciones discretas. Es la función de probabilidad que corresponde a una variable aleatoria definida como el número de éxitos que se pueden alcanzar en n experimentos de Bernoulli . El menor valor asumible para esta variable es el 0, en el caso que no se obtenga ningún éxito en los n experimentos de Bernoulli, siendo el valor más alto el 1 cuando se hubiesen obtenido todo éxitos en los n experimentos. Su función de probabilidad tiene la siguiente forma: n -> es el número de experimentos de Bernoulli x -> son los valores de la variable aleatoria (número de éxitos) p -> es la probabilidad de éxito en un experimento de Bernoulli q -> es la probabilidad de fracaso en un experimento de Bernoulli.
  • 13. Funciones de Distribución y Probabilidad Discretas: Binomial De otra manera: Supongamos un experimento aleatorio consistente en realizar n pruebas independientes o ensayos. En cada ensayo la probabilidad p de aparición del suceso S (denominado &quot;acierto&quot;) es constante y conocida. Sea la variable X el número de aciertos (apariciones del suceso S) tras los n ensayos. Evidentemente, los valores permisibles de X serán 0, 1, 2, 3,...,n. En estas condiciones, la función de probabilidad de X viene da­da por: n -> Número de ensayos. x -> Número de aciertos. C n,x -> Las combinaciones de n elementos tomados de x en x. p -> La probabilidad de acierto. q=1‑p -> La probabilidad de error.
  • 14. Probabilidad Binomial Siguiendo con el ejemplo de la ruleta Función de Probabilidad FFF FFE EFF FEF EFE EEF FEE EEE
  • 15. Probabilidad Binomial Función de Distribución del número de éxitos en una secuencia de ensayos de Bernoulli para el ejemplo de la ruleta. De donde se deduce que: Función de Distribución
  • 16. Funciones de Distribución y Probabilidad discretas Supongamos, como ejemplo, que un estudiante contesta al azar los 20 ítems de un examen. Cada ítem tiene 5 alternativas. ¿Cuál es la probabilidad de que dicho estudiante acierte 10 preguntas al azar? El valor de n, número de ensayos, es 20; puesto que nos interesa la probabilidad de que acierte 10 preguntas, éste será el valor de x, número de aciertos; p es 0,20, porque de las 5 alternativas sólo una es correcta; finalmente, q=1‑p= 0,80.
  • 17. Funciones de Distribución y Probabilidad discretas Supongamos ahora que realizamos un experimento de telepatía, para lo cual extraemos en cada ensayo una carta de un mazo de 50 pedimos al supuesto telépata que la adivine, anotamos el resultado y devolvemos la carta al mazo barajándolo a continuación. Si cada carta del mazo tiene uno de 5 dibujos posibles, ¿Cuál es la probabilidad de que tras 25 ensayos el sujeto acierte 5 cartas por mero azar? Evidentemente, n=25, x=5, p=(1/5)=0,2 y q=1‑0,2 = 0,8,
  • 18. Funciones de Distribución y Probabilidad discretas Como hemos visto, en cuanto a la Función de Distribución sabemos que podemos calcularla sumando las probabilidades de cada uno de los valores de la variable iguales o menores que el dado. Así, si lo que nos interesa es saber cuál es la probabilidad de que el estudiante que respondía al azar obtenga 9 o menos respuestas correctas (es decir, suspenda) lo calcularemos como: F(9)= f(0)+f(1)+f(2)+f(3)+f(4)+f(5)+f(6)+f(7)+f(8)+f(9) Afortunadamente para nosotros, existen tablas de la función de distribución binomial que nos permiten localizar rápidamente el valor de dicha función para unos n, x y p dados
  • 19. Tabla de Función de Distribución binomial: Cómo calcular la función de distribución a partir de las tablas Supongamos, como ejemplo, que un estudiante contesta al azar los 20 ítems de un examen. Cada ítem tiene 5 alternativas. ¿Cuál es la probabilidad de que dicho estudiante acierte 10 preguntas al azar? ¿Cuál es la probabilidad de que acierte 9 o menos preguntas correctas (es decir suspenda)? Localizamos el valor de la función de distribución binomial en las tablas: n=20, x=10, x=9; p=0,20. ,000 ,000 ,003 ,048 ,245 ,588 ,872 ,983 ,999 1,00 1,00 10 ,000 ,000 ,001 ,017 ,128 ,412 ,755 ,952 ,997 1,00 1,00 9 ,000 ,000 ,000 ,005 ,057 ,252 ,596 ,887 ,990 1,00 1,00 8 ,000 ,000 ,000 ,001 ,021 ,132 ,416 ,772 ,968 1,00 1,00 7 ,000 ,000 ,000 ,000 ,007 ,058 ,250 ,608 ,913 ,998 1,00 6 ,000 ,000 ,000 ,000 ,002 ,021 ,126 ,416 ,804 ,989 1,00 5 ,000 ,000 ,000 ,000 ,000 ,006 ,051 ,237 ,630 ,957 ,997 4 ,000 ,000 ,000 ,000 ,000 ,001 ,016 ,107 ,411 ,867 ,984 3 ,000 ,000 ,000 ,000 ,000 ,000 ,004 ,035 ,206 ,677 ,925 2 ,000 ,000 ,000 ,000 ,000 ,000 ,001 ,008 ,069 ,392 ,736 1 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,001 ,012 ,122 ,358 0 20 ,95 ,90 ,80 ,70 ,60 ,50 ,40 ,30 ,20 ,10 ,05 x n p
  • 20. Distribución Binomial Si en el experimento de telepatía estuviésemos interesados en la probabilidad de obtener 5 o menos aciertos, localizaríamos en la tabla los valores de n, x y p, para obtener que F(x ≤ 5) = 0,617. Las tablas de la función de distribución nos permiten también hallar el valor de la función de probabilidad muy fácilmente. En el caso del examen, por ejemplo, es evidente que f(x =10)= F(x ≤ 10)‑F(x ≤ 9), con lo que, buscando ambos valores en las tablas, tendremos: En el ejemplo de las respuestas al examen f(10)=F(x ≤ 10)‑F(x ≤ 9)=0,999‑0,997=0,002 En el ejemplo del telépata, f(5)=F(x ≤ 5)‑F(x ≤ 4)=0,617‑0,421=0,196
  • 21. Distribución Binomial Siguiendo con el ejemplo del telépata, supongamos que deseamos saber la probabilidad de que acierte, por mero azar, 11 o más cartas. Puesto que la probabilidad total es 1, se cumplirá que: P(X≥ 11)= 1‑P(X< 11)= 1‑ P(X ≤ 10)= 1‑F(10)= 1‑0,994=0,006 ¿Cuál es la probabilidad de que acierte, más de cinco y menos de doce cartas? P(5< X <12)= P(6 ≤ X ≤ 11) = f(6)+f(7)+f(8)+f(9)+f(10)+f(11)= F(X ≤11)-F(X ≤5)= 0,381
  • 22. Tabla de distribución binomial ,000 ,000 ,006 ,098 ,414 ,788 ,966 ,998 1,00 1,00 1,00 14 ,000 ,000 ,002 ,044 ,268 ,655 ,922 ,994 1,00 1,00 1,00 13 ,000 ,000 ,000 ,018 ,154 ,500 ,846 ,983 1,00 1,00 1,00 12 ,000 ,000 ,000 ,006 ,078 ,345 ,732 ,956 ,998 1,00 1,00 11 ,000 ,000 ,000 ,002 ,034 ,212 ,586 ,902 ,994 1,00 1,00 10 ,000 ,000 ,000 ,001 ,013 ,115 ,425 ,811 ,983 1,00 1,00 9 ,000 ,000 ,000 ,000 ,004 ,054 ,274 ,677 ,953 1,00 1,00 8 ,000 ,000 ,000 ,000 ,001 ,022 ,154 ,512 ,891 ,998 1,00 7 ,000 ,000 ,000 ,000 ,000 ,007 ,074 ,341 ,780 ,991 1,00 6 ,000 ,000 ,000 ,000 ,000 ,002 ,029 ,193 ,617 ,967 ,999 5 ,000 ,000 ,000 ,000 ,000 ,001 ,009 ,090 ,421 ,902 ,993 4 ,000 ,000 ,000 ,000 ,000 ,000 ,002 ,033 ,234 ,764 ,966 3 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,009 ,098 ,537 ,873 2 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,002 ,027 ,271 ,642 1 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,004 ,072 ,277 0 25 ,950 ,900 ,800 ,700 ,600 ,500 ,400 ,300 ,200 ,100 ,050 x n p
  • 23. Distribución de Poisson Las condiciones que debe cumplir una variable aleatoria para que su función de probabilidad se ajuste a la distribución de Poisson son: 1) La probabilidad de que se dé más de un suceso en una unidad de tiempo lo suficientemente pequeña es despreciable. 2) La probabilidad de aparición de un suceso en un intervalo de longitud muy pequeña es proporcional a dicha longitud. Es decir, la probabilidad de que se produzca un suceso en un intervalo de longitud dt es λ dt, donde λ es una constante positiva. 3) El número de sucesos que se dan en un intervalo de longitud T es independiente del número de sucesos que se den en otro intervalo de idéntica longitud.
  • 24. Distribución de Poisson Algunos ejemplos de variables cuya función de probabilidad se ajusta a la de Poisson podrían ser el número de erratas por página en un libro grande, el número de llamadas recibidas por minuto en una centralita, el número de partículas a emitidas por unidad de tiempo por un elemento radiactivo, el número de personas que cada minuto a las horas punta hacen cola en la ventanilla de un banco, etc.
  • 25. Distribución de Poisson Bajo las mismas condiciones impuestas a la binomial: 1.- El resultado de cada ensayo puede clasificarse como éxito (ocurrencia del evento) o fracaso (no ocurrencia) 2.- Los ensayos son independientes entre si 3.- La probabilidad de éxito p se mantiene constante entre ensayo y ensayo. Si el número de ensayos tiende a infinito y la probabilidad de éxito o verificación del evento tiende a 0. La distribución binomial tiende hacia otra denominada de Poisson . donde e = 2.7182 o base de los logaritmos neperianos y
  • 26. Distribución de Poisson Supongamos como ejemplo que en un cierto libro hay un promedio de 10 erratas cada 50 páginas. ¿Cuál es la probabilidad de encontrar 5 erratas en 5 páginas? Puesto que la unidad de trabajo son las 5 páginas, debemos pasar a dicha unidad el promedio, con lo que:
  • 27. Distribución de Poisson Si nos interesase la probabilidad de que entrasen entre cinco y diez clientes ambos incluidos… Veamos otro ejemplo. En un determinado comercio entran por término medio 2 clientes cada hora. Calcular la probabilidad de que en una mañana concreta (en 4 horas) entren 5 clientes.
  • 28. Distribución de Poisson Ejemplo: En una gran superficie se ha constatado que un 2% de los usuarios realizan hurtos en sus compras. ¿Cuál el la probabilidad de encontrar 3 clientes que hayan robado, si hiciésemos un seguimiento de 100 clientes elegidos al azar? Poisson Binomial
  • 29. Distribución de Poisson: tabla Distribución de Poisson, P(X ≤ x) 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 9 ,857 ,875 ,891 ,907 ,921 ,934 ,946 ,957 ,966 ,974 3 ,677 ,704 ,731 ,757 ,783 ,809 ,833 ,857 ,879 ,900 2 ,406 ,434 ,463 ,493 ,525 ,558 ,592 ,627 ,663 ,699 1 ,135 ,150 ,165 ,183 ,202 ,223 ,247 ,273 ,301 ,333 0 2,00 1,90 1,80 1,70 1,60 1,50 1,40 1,30 1,20 1,10 x λ
  • 30. Distribución de Poisson Clarke (1946) intentó comprobar si las bombas volantes lanzadas por los alemanes caían sobre Londres aleatoriamente o de modo sistemático. Para ello dividió la superficie de la ciudad en 576 rectángulos de igual tamaño y observó donde cayeron 537 bombas. La siguiente tabla presenta el número de impactos registrados por área y sus probabilidades a posteriori o empíricas. (Amon, J. 1982) ¿Las bombas caían aleatoriamente o seguían un patrón sistemático? Observamos que p(x) , probabilidad de que cualquier área sea alcanzada, es muy pequeño 1/576 y n (537 lanzamientos) grande, por lo que podemos asumir que si estos fuesen aleatorios, el número de impactos por áreas seguirían la distribución de Poisson con λ = 537 x 0.0017 = 0.91 ~ 0.9
  • 31. Distribución de Poisson Los resultados empíricos fueron los siguientes: Áreas con 5 o más impactos Áreas con 4 impactos Áreas con 3 impactos Áreas con 2 impactos Áreas con 1 impacto Áreas sin ningún impacto
  • 32. Distribución de Poisson 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 7 1,000 1,000 1,000 1,000 1,0n0 1,000 1,000 1,000 1,000 1,000 6 ,999 1,00 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 5 ,996 ,998 ,999 ,999 1,000 1,000 1,000 1,000 1,000 1,000 4 ,981 ,987 ,991 ,994 ,997 ,998 ,999 1,000 1,000 1,000 3 ,920 ,937 ,953 ,966 ,977 ,986 ,992 ,996 ,999 1,000 2 ,736 ,772 ,809 ,844 ,878 ,910 ,938 ,963 ,982 ,995 1 ,368 ,407 ,449 ,497 ,549 ,607 ,670 ,741 ,819 ,905 0 1,00 ,90 ,80 ,70 ,60 ,50 ,40 ,30 ,20 ,10 x λ Distribución de Poisson, P(X <= x)
  • 33. Distribución de Poisson Tal y como podemos observar hay una coincidencia casi total entre las proporciones de impactos esperados por puro azar y las proporciones empíricas registradas. Por ello concluimos que los lanzamientos fueron realizados sin un patrón de objetivos concreto. 0.002 1- 0.998 = 0.002 Poisson 5 impactos o más 0.012 0.998 - 0.987 = 0.011 Poisson 4 impactos 0.061 0.987 - 0.937 = 0.050 Poi sson 3 impactos 0.161 0.937 - 0.772 = 0.165 Poisson 2 impactos 0.366 0.772 - 0.407 = 0.365 Poisson 1 impacto 0.398 0.407 Poisson 0 impactos Prop. de impactos Poisson P(x)
  • 34.
  • 35.