You are on page 1of 65

Facultad de Estomatologa Roberto Beltrn

Prof. John Oyardo


johnp067@yahoo.es


Investigacin Cientfica I
FUNCIONES de PROBABILIDAD
Funciones de Probabilidad

Distribucin de Bernoulli
Distribucin Binomial
Distribucin Poisson
Distribucin Gaussiana
Otras
Variable Aleatoria
Variable Estadstica: Es una caracterstica
(Cualitativa o Cuantitativa) que se mide u observa en una
poblacin.
Variable Aleatoria: Variable estadstica
cuantitativa definida en un espacio muestral O

Una variable aleatoria asigna un valor
numrico a cada punto en el espacio muestral
resultado de un experimento aleatorio.


O
x
R
X


p
x = X(p)
Reales
Variable Aleatoria
O={ccc, ccs, css, csc, sss, ssc, scc, scs}
O : Espacio muestral obtenido al lanzar
una moneda tres veces consecutivas
Variables aleatorias
pueden ser discretas o Continuas

Una variable aleatoria discreta puede tomar
valores finitos o contables.

Una variable aleatoria continua puede tomar
cualquier valor en un intervalo.
6
Valor esperado
Se representa mediante E*X+
Es el equivalente a la media

Varianza
Se representa mediante VAR*X+ o
2

Se llama desviacin tpica a
Valor esperado y Varianza
Francisco Garca Leoro. Metrologa como
elemento base del sistema de gestin
decalidad.

7
Distribuciones muestrales
Muestras
Media de
la muestra
10, 10 10 225
10, 20 15 100
10, 30 20 25
10, 40 25 0
20, 10 15 100
20, 20 20 25
20, 30 25 0
20, 40 30 25
30, 10 20 25
30, 20 25 0
30, 30 30 25
30, 40 35 100
40, 10 25 0
40, 20 30 25
40, 30 35 100
40, 40 40 225
Suma 400 1000
Media de la
distribucin
muestral
400/16=25
Desviacin
estndar
de la
distribucin
muestral
6.324555
10 20 30 40
0
2
4
6
_
F
r
e
c
u
e
n
c
i
a
Medias muestrales x
i
Distribucin de las muestrales
18 . 11
4
500
N
) x (
25
4
40 30 20 10
x
N
1
2
i
N
1 i
i
= =

= o
=
+ + +
= =

=
Distribucin de las muestras
32 . 6
25
1000
n
) x (
25 x
n
1
25
1 i
2
x
i
x
25
1 i
i
x
= =

= o
= =

=
=
x
o
x

2
x
i ) x (
i x
n
x
o
= o
o s o
x
Variables Aleatorias Discreta
Sea X una variable aleatoria discreta donde puede tener una serie de
valores discretos x
1
, x
2
, x
3
, ,. Si P es la probabilidad de que un valor
discreto x se d, es decir P(X = x
i
),

Una distribucin de probabilidad f(x
k
) se define como


P(X = x
k
) = f(x
k
) donde k = 1, 2, 3,

Donde la funcin f(x
k
) debe cumplir las siguientes condiciones:


1. f(x) 0 2.

1 ) x ( f
N
1 k
k
=

=
Variables aleatorias Discretas
La grfica de frecuencia se puede representar de dos formas:


Espectro de Frecuencias Histograma










ESPECTRO HISTOGRAMA
Esperanza matemtica
La esperanza matemtica, valor esperado de una
variable aleatoria discreta X puede tener los valores x
1
,
x
2
, x
3
, , x
n


E(X) =


( ) ( )

=
=
x xf x f x
n
1 i
i i
Varianza
La Varianza s
2
.


Desviacin tpica:




Si X es una variable discreta con funcin de probabilidad f(x), entonces la
varianza es


( ) ( ) | |
2
x x E X Var =
( ) ( ) | |
2
x x E X Var s = =
( ) ( ) ( ) ( )

= =
=
x f x x x f x x s
2
n
1 i
i
2
i
2
Ejemplo
Se tiene el experimento: Lanzar una moneda 3 veces
Espacio muestral
O={ccc, ccs, css, csc, sss, ssc, scc, scs}
Sea X = nmero de caras, qu valores puede tomar X?
Espacio Muestral Variable
aleatoria
Probabilidad
XXX 0 1/8
XXC, XCX,CXX 1 3/8
CCX, XCC, CXC 2 3/8
CCC 3 1/8
13
Funcin de probabilidad Discreta
Asigna a cada posible valor de
una variable discreta su
probabilidad.
(frecuencia relativa y diagrama de barras)

Ejemplo
Nmero de caras al lanzar 3
monedas.
0%
5%
10%
15%
20%
25%
30%
35%
40%
0 1 2 3
14
Funcin de densidad de Probabilidad
Es una funcin Continua no negativa de integral 1.
Generalizacin del histograma con frecuencias
relativas para variables continuas.
15
Para qu sirve la funcin densidad?
Muchos procesos aleatorios vienen descritos por variables de forma
que son conocidas las probabilidades en intervalos.

La integral definida de la funcin de densidad en dichos intervalos
coincide con la probabilidad de los mismos.

Es decir, identificamos la probabilidad de un intervalo con el rea bajo
la funcin de densidad.
Distribucin de Bernoulli
17
Distribucin de Bernoulli
Tenemos un experimento de Bernoulli si al realizar un
experimentos slo son posibles dos resultados:
X=1 (xito, con probabilidad p)
X=0 (fracaso, con probabilidad q=1-p)

Lanzar una moneda y que salga cara.
p=1/2
Elegir una persona de la poblacin y que est enfermo.
p=1/1000 = prevalencia de la enfermedad
Aplicar un tratamiento a un enfermo y que ste se cure.
p=95%, probabilidad de que el individuo se cure

Como se aprecia, en experimentos donde el resultado es
dicotmico, la variable queda perfectamente
determinada conociendo el parmetro p.

18
Ejemplo de distribucin de Bernoulli.
Se ha observado estudiando 2000 accidentes de trfico
con impacto frontal y cuyos conductores no tenan
cinturn de seguridad, que 300 individuos quedaron con
secuelas. Analice el experimento

Solucin.
Aproximamos la probabilidad de tener secuelas mediante
300/2000=0,15=15%

X=tener secuelas tras accidente sin cinturn es variable de Bernoulli

X=1 tiene probabilidad p 0,15
X=0 tiene probabilidad q 0,85
19
Ejemplo de distribucin de Bernoulli.
Se ha observado estudiando 2000 accidentes de trfico
con impacto frontal y cuyos conductores s tenan
cinturn de seguridad, que 10 individuos quedaron con
secuelas. Analice el experimento

Solucin.
La frecuencia de probabilidad. nos permite aproximar la probabilidad
de quedar con secuelas por 10/2000=0,005=0,5%

X=tener secuelas tras accidente usando cinturn es variable de
Bernoulli
X=1 tiene probabilidad p 0,005
X=0 tiene probabilidad q 0,995
20
Observacin
En los dos ejemplos anteriores hemos visto cmo enunciar los
resultados de un experimento en forma de estimacin de
parmetros en distribuciones de Bernoulli.
Sin cinturn: p 15%
Con cinturn: p 0,5%

En realidad no sabemos en este punto si ambas cantidades son muy
diferentes o aproximadamente iguales, pues en otros estudios
sobre accidentes, las cantidades de individuos con secuelas
hubieran sido con seguridad diferentes.

Para decidir si entre ambas cantidades existen diferencias
estadsticamente significativas necesitamos introducir conceptos de
estadstica inferencial (extrapolar resultados de una muestra a toda
la poblacin).

Es muy pronto para resolver esta cuestin ahora. Esperemos a las
pruebas de X
2
.

Distribucin Binomial
22
Distribucin Binomial
Si se repite un nmero fijo de veces, n, un experimento de Bernoulli
con parmetro p, el nmero de xitos sigue una distribucin
binomial de parmetros (n,p).

Lanzar una moneda 10 veces y contar las caras.
Bin(n=10,p=1/2)

Lanzar una moneda 100 veces y contar las caras.
Bin(n=100,p=1/2)
Difcil hacer clculos con esas cantidades. El modelo normal ser ms adecuado.

El nmero de personas que enfermar (en una poblacin de 500.000
personas) de una enfermedad que desarrolla una de cada 2000
personas.
Bin(n=500.000, p=1/2000)
Difcil hacer clculos con esas cantidades. El modelo de Poisson ser ms
adecuado.
23
Distribucin Binomial
Funcin de probabilidad


Problemas de clculo si n es grande y/o p cercano a 0 o 1.

Media: =np


Varianza:
2
= np(1- q)
n k q p
k
n
k X P
k n k
s s
|
|
.
|

\
|
= =

0 , ] [
n pruebas estadisticamente independientes
Funcin de probabilidad Acumulada

Ejemplo
La probabilidad de que cierto tipo de objeto pase con xito una
determinada prueba es 5/6. se prueban 10 de tales objetos. Si X
es la variable aleatoria como el numero de objetos que no pasan
la prueba :
a) Determine la funcin de3 probabilidades de X.
b) Calcule la media y la distribucin estndar de X
c) Determine la funcin de distribucin acumulada F(x) de X
d) Usando F(x), calcular P[7< X s 9]
Solucin
a) uno de los objetos puede no pasar la
prueba(E), o puede pasar la prueba (F). La
probabilidad de que el objeto no pase la
prueba es 1/6 y de que pase la prueba es
5/6. la distribucin de probabilidad X es
entonces,


, k =0,1,2,3,..,10
Solucin
b) La media de esta distribucin es
= np = 10(1/6) = 1.667
Su desviacin estndar es:


c) Su funcin de distribucin f(x) acumulada es



Solucin

d) P[7< X s 9]
29
Parecidos razonables
Comparacin entre valores de
p no muy extremos y una
normal de misma media y
desviacin tpica, para
tamaos de n grandes (n>30).

Cuando p es muy pequeo es
mejor usar la aproximacin
del modelo de Poisson.
Distribucin de Poisson
31
Distribucin de Poisson
Tambin se denomina de sucesos raros.
Se obtiene como aproximacin de una
distribucin binomial con la misma media, para
n grande (n>30) y p pequeo (p<0,1).
Queda caracterizada por un nico parmetro
(que es a su vez su media y varianza.)
Funcin de probabilidad:
,... 2 , 1 , 0 ,
!
] [ ) ( = = = =

k
k
e k X P k f
k

32
Ejemplos de variables de Poisson
El nmero de individuos que ser atendido un da cualquiera en el
servicio de urgencias del hospital clnico universitario.
En Mlaga hay 500.000 habitantes (n grande)
La probabilidad de que cualquier persona tenga un accidente es pequea,
pero no nula. Supongamos que es 1/10.000
Bin(n=500.000,p=1/10.000) Poisson(=np=50)

Sospechamos que diferentes hospitales pueden tener servicios de
traumatologa de diferente calidad (algunos presentan pocos, pero
creemos que an demasiados, enfermos con secuelas tras la
intervencin). Es dificil compararlos pues cada hospital atiende
poblaciones de tamaos diferentes (ciudades, pueblos,)
Tenemos en cada hospital n, n de pacientes atendidos o n individuos de la
poblacin que cubre el hospital.
Tenemos p pequeo calculado como frecuencia relativa de secuelas con
respecto al total de pacientes que trata el hospital, o el tamao de la
poblacin,
Se puede modelar mediante Poisson(=np)
Ejemplo
Suponga que llegan en forma aleatoria una serie
de llamadas a una central telefnica con un
promedio de tres llamadas por minuto.
a) Calcular la probabilidad de que en el periodo de 1 minuto
a1) no ocurra llamada alguna
a2) Ocurran al menos 4 llamadas
b) Si la llamada cuesta 0.50; Cuanto es el costo esperado por
llamada
Solucin
Sea X el numero de llamadas que ocurren en el
periodo de un minuto X ~ P(), donde = 3 es el
promedio del numero de llamadas por minuto,
a) La probabilidad que ocurran k llamadas en el
periodo de 1 minuto es:


, k =0,1,2,3,..
Solucin
a1) La probabilidad de que no ocurra llamada
alguna en el periodo de 1 minuto es:


a1) La probabilidad de que no ocurra llamada
alguna en el periodo de 1 minuto es:





Solucin
c) El costo por llamada es 0,5 X, luego el costo
esperado por llamada :

E(C) = 0.5 E(x) = 0.5 x 3 = 1.5
Distribucin Gaussiana
Sin duda la distribucin continua de
probabilidad ms importante, por la
frecuencia con que se encuentra y
por sus aplicaciones tericas, es la
distribucin normal, gaussiana o de
Laplace- Gauss. Fue descubierta y
publicada por primera vez en 1733
por De Moivre. A la misma llegaron,
de forma independiente, Laplace
(1812) y Gauss (1809), en relacin
con la teora de los errores de
observacin astronmica y fsica .


Pierre Simon de Laplace
(1749-1827)
Karl F. Gauss
(1777-1855)
7. Distribucin normal



Caracteres fisiolgicos, por ejemplo: efecto de una misma dosis de un frmaco.
Caracteres morfolgicos de individuos (personas, animales, plantas,...) de una especie
(tallas, pesos, dimetros, permetros,...).
Caracteres sociolgicos, por ejemplo: consumo de cierto producto por un
mismo grupo de individuos, puntuaciones de examen, ...
Errores cometidos al medir ciertas magnitudes.
Valores estadsticos muestrales, por ejemplo : la media.
Y en general cualquier caracterstica que se obtenga como suma de muchos factores.
Otras distribuciones como la binomial o la de Poisson se aproximan
a la normal. Distribuciones binomiales con n grande (n>30) y p ni pequeo (np > 5)
ni grande (n(1-p) > 5).
Distribucin normal o gaussiana
Est caracterizada por dos parmetros: la media, y la
desviacin tpica, .

Su funcin de densidad es:
0) (
2
1
) ( ) , (
2
2
2
) (
> = =

x
e x P N
La curva normal adopta un nmero infinito de formas,
determinadas por sus parmetros y .
+
Caractersticas de la distribucin Normal
, Mo, Mn
o o
- o + o
forma de campana, es asinttica al eje de las abscisas (para x = )
Los puntos de inflexin tienen como abscisas los valores o
Simtrica respecto a la media () coinciden la mediana (Mn) y la moda (Mo )
Puntos
de
inflexin
42
Caractersticas de la Distribucin normal o de Gauss
Aparece de manera natural:
Errores de medida.
Distancia de frenado.
Altura, peso, propensin al crimen
Distribuciones binomiales con n grande (n>30) y p ni
pequeo (np>5) ni grande (nq>5).

Est caracterizada por dos parmetros: La media, , y
la desviacin tpica, .

Su funcin de densidad es:
2
2
1
2
1
) (
|
.
|

\
|

=
o

t o
x
e x f
43
N(, ): Interpretacin
geomtrica
se puede interpretar
la media como un
factor de traslacin.

Y la desviacin tpica
como un factor de
escala, grado de
dispersin,
44
N(, ): Interpretacin probabilista
Entre la media y una
desviacin tpica
tenemos siempre la
misma probabilidad:
aprox. 68%

Entre la media y dos
desviaciones tpicas
aprox. 95%

45
Algunas caractersticas
La funcin de densidad es simtrica, mesocrtica y unimodal.
Media, mediana y moda coinciden.

Los puntos de inflexin de la fun. de densidad estn a distancia de .

Si tomamos intervalos centrados en , y cuyos extremos estn
a distancia , tenemos probabilidad 68%
a distancia 2 , tenemos probabilidad 95%
a distancia 25 tenemos probabilidad 99%

No es posible calcular la probabilidad de un intervalo simplemente usando
la primitiva de la funcin de densidad, ya que no tiene primitiva
expresable en trminos de funciones comunes.

Todas las distribuciones normales N(, ), pueden ponerse mediante una
traslacin , y un cambio de escala , como N(0,1). Esta distribucin
especial se llama normal tipificada.
Justifica la tcnica de tipificacin, cuando intentamos comparar individuos
diferentes obtenidos de sendas poblaciones normales.
46
Tipificacin
Dada una variable de media y desviacin tpica , se denomina valor
tipificado,z, de una observacin x, a la distancia (con signo) con
respecto a la media, medido en desviaciones tpicas, es decir






En el caso de variable X normal, la interpretacin es clara: Asigna a
todo valor de N(, ), un valor de N(0,1) que deja exctamente la
misma probabilidad por debajo.

Nos permite as comparar entre dos valores de dos distribuciones
normales diferentes, para saber cul de los dos es ms extremo.
o

=
x
z
Tema 5: Modelos
probabilsticos
47
Tabla N(0,1)
Z es normal tipificada.

Calcular P[Z<1,85]
Solucin: 0,968 = 96,8%
48 Bioestadstica. U. Mlaga.
Tabla N(0,1)
Z es normal tipificada.

Calcular P[Z<-0,54]
Solucin: 1-0,705 = 0,295
49
Tabla N(0,1)
Z es normal tipificada.

Calcular P[-0,54<Z<1,85]
Solucin: 0,968-0,295= 0,673
50
Ejemplo: Clculo con probabilidades normales

El colesterol en la poblacin tiene distribucin
normal, con media 200 y desviacin 10.

Qu porcentaje de indivduos tiene
colesterol inferior a 210?

Qu valor del colesterol slo es superado por
el 10% de los individuos.
Tema 5: Modelos
probabilsticos
51
Todas las distribuciones normales son similares salvo traslacin y cambio de
escala: Tipifiquemos.

1
10
200 210
=

=
o
x
z
841 , 0 ) ver tabla ( ] 00 , 1 [ = = < Z P
Tema 5: Modelos
probabilsticos
52 Bioestadstica. U. Mlaga.
8 , 212 28 , 1 10 200
10
200
28 , 1
= + =

=
x
x
El valor del colesterol que slo supera el 10% de los individuos es el percentil 90.
Calculemos el percentil 90 de la N(0,1) y deshacemos la tipificacin.

o

=
x
z
53
Ejemplo: Tipificacin
Se quiere dar una beca a uno de dos estudiantes de
sistemas educativos diferentes. Se asignar al que
tenga mejor expediente acadmico.
El estudiante A tiene una calificacin de 8 en un sistema
donde la calificacin de los alumnos se comporta como
N(6,1).
El estudiante B tiene una calificacin de 80 en un sistema
donde la calificacin de los alumnos se comporta como
N(70,10).
Solucin
No podemos comparar directamente 8 puntos de A frente a
los 80 de B, pero como ambas poblaciones se comportan de
modo normal, podemos tipificar y observar las
puntuaciones sobre una distribucin de referencia N(0,1)
Tema 5: Modelos
probabilsticos
54
1
10
70 80
2
1
6 8
=

=
=

=
B
B B
B
A
A A
A
x
z
x
z
o

o

Como Z
A
>Z
B
, podemos decir que el
porcentaje de compaeros del mismo
sistema de estudios que ha superado en
calificacin el estudiante A es mayor que el
que ha superado B.
Podramos pensar en principio que A es
mejor candidato para la beca.

55
Por qu es importante la distribucin normal?
Las propiedades que tiene la distribucin normal son
interesantes, pero todava no hemos hablado de por qu
es una distribucin especialmente importante.

La razn es que aunque una v.a. no posea distribucin
normal, ciertos estadsticos/estimadores calculados
sobre muestras elegidas al azar s que poseen una
distribucin normal.

Es decir, tengan las distribucin que tengan nuestros
datos, los objetos que resumen la informacin de una
muestra, posiblemente tengan distribucin normal (o
asociada).
56
Aplic. de la normal: Estimacin en muestras
Como ilustracin
mostramos una variable
que presenta valores
distribuidos de forma
muy asimtrica.
Claramente no normal.

Saquemos muestras de
diferentes tamaos, y
usemos la media de cada
muestra para estimar la
media de la poblacin.
57
Aplic. de la normal: Estimacin en muestras
Cada muestra ofrece un
resultado diferente: La media
muestral es variable aleatoria.

Su distribucin es ms parecida
a la normal que la original.

Tambin est menos dispersa. A
su dispersin (desv. tpica del
estimador media muestral
os gusta el nombre largo?) se
le suele denominar error tpico.
58
Aplic. de la normal: Estimacin en muestras
Al aumentar el
tamao, n, de la
muestra:

La normalidad de las
estimaciones mejora

El error tpico
disminuye.
59
Aplic. de la normal: Estimacin en muestras
Puedo garantizar medias
muestrales tan cercanas
como quiera a la
verdadera media, sin ms
que tomar n bastante
grande

Se utiliza esta propiedad
para dimensionar el
tamao de una muestra
antes de empezar una
investigacin.

60
Resumen: Teorema del lmite central
Dada una v.a. cualquiera, si extraemos muestras de
tamao n, y calculamos los promedios muestrales, entonces:

dichos promedios tienen distribucin
aproximadamente normal;

La media de los promedios muestrales
es la misma que la de la variable original.

La desviacin tpica de los promedios disminuye en un factor raz de n (error
estndar).

Las aproximaciones anteriores se hacen exactas cuando n tiende a infinito.

Este teorema justifica la importancia de la distribucin normal.

Sea lo que sea lo que midamos, cuando se promedie sobre una muestra
grande (n>30) nos va a aparecer de manera natural la distribucin normal.
61
Distribuciones asociadas a la normal
Cuando queramos hacer inferencia estadstica hemos visto que la
distribucin normal aparece de forma casi inevitable.

Dependiendo del problema, podemos encontrar otras (asociadas):
X
2
(chi cuadrado)
t- student
F-Snedecor

Estas distribuciones resultan directamente de operar con distribuciones
normales. Tpicamente aparecen como distribuciones de ciertos
estadsticos.

Veamos algunas propiedades que tienen (superficialmente). Para ms
detalles consultad el manual.

Sobre todo nos interesa saber qu valores de dichas distribuciones son
atpicos.
Significacin, p-valores,
62
Chi cuadrado
Tiene un slo parmetro
denominado grados de libertad.

La funcin de densidad es
asimtrica positiva. Slo tienen
densidad los valores positivos.

La funcin de densidad se hace
ms simtrica incluso casi
gausiana cuando aumenta el
nmero de grados de libertad.

Normalmente consideraremos
anmalos aquellos valores de la
variable de la cola de la
derecha.
63
T de student
Tiene un parmetro denominado
grados de libertad.

Cuando aumentan los grados de
libertad, ms se acerca a N(0,1).

Es simtrica con respecto al cero.

Se consideran valores anmalos los
que se alejan de cero (positivos o
negativos).
64
F de Snedecor
Tiene dos parmetros
denominados grados de
libertad.

Slo toma valores positivos.
Es asimtrica.

Normalmente se consideran
valores anmalos los de la
cola de la derecha.
65
Qu hemos visto?
En v.a. hay conceptos equivalentes a los de temas anteriores
Funcin de probabilidad Frec. Relativa.
Funcin de densidad histograma
Funcin de distribucin diagr. Integral.
Valor esperado media,
Hay modelos de v.a. de especial importancia:
Bernoulli
Binomial
Poisson
Normal
Propiedades geomtricas
Tipificacin
Aparece tanto en problemas con variables cualitativas (dicotmicas,
Bernoulli) como numricas
Distribuciones asociadas
T-student
X2
F de Snedecor

You might also like