Concepto bsico dela unidad: Uno de los objetivos de la estadstica es conocer acerca del comportamiento de parmetros poblacionales tales

como: la media ( ), la varianza ( 2 ) o la proporcin ( p ). Para ello se extrae una muestra aleatoria de la poblacin y se calcula el valor de un estadstico correspondiente, por ejemplo, la media muestral ( X ), la varianza muestral ( s2 ) o la proporcin muestral ( p ). El valor del estadstico es aleatorio porque depende de los elementos elegidos en la muestra seleccionada y, por lo tanto, el estadstico tiene una distribucin de probabilidad la cual es llamada la Distribucin Muestral del estadstico. El estudio de estas distribuciones es necesario para entender el proceso de inferencia estadstica que ser discutido en el prximo capitulo. En este capitulo se considerar la distribucin muestral de dos estadsticos muy usados, la media muestral y proporcin muestral.
Funcin de Probabilidad f(x) : Consideremos una variable aleatoria discreta X, que toma los valores x1, x2, , xn. Supongamos que conocemos la probabilidad de que la variable X tome dichos valores, es decir, se conoce que p(X=x1) = p1 , p(X=x2) = p2, p(X=x3) = p3, , p(X=x1) = pn , en general p(X=xi) = pi La funcin de probabilidad f(x) de la v.a. X es la funcin que asigna a cada valor xi de la variable su correspondiente probabilidad pi. La representacin grfica ms usual de la funcin de probabilidad es un diagrama de barras no acumulativo.

Funcin o distribucin de probabilidad

Una funcin de probabilidad es una funcin que asigna un nmero P(x) a cada valor posible de x.

Propiedades:

P(xi) = 1

P(xi) 0;

Una definicin de Esperanza Matemtica Una definicin fcil de entender de lo que aqu llamaremos Esperanza Matemtica es la relacin entre el premio obtenido y probabilidad de acertar. La definicin matemtica de Esperanza Matemtica o Valor Esperado es bastante ms compleja, pero en el desarrollo de este Sistema se limita a Premio x Probabilidad. Aqu, un valor para la esperanza matemtica de 1 indica juego justo, un menor que uno indica desfavorable para el jugador y un mayor que uno es favorable para el jugador ( en las definiciones formales el cero suele ser el juego justo, y los valores negativos o positivos indican positivo o negativo para el jugador).

Si la esperanza matemtica es 1, el juego es justo. Por ejemplo, apostar 1 euro a que una moneda sale cara o cruz, si el premio por acertar son 2 euros, y si se pierde, 0 euros. La esperanza del juego es 2 (1/2) = 1. Entonces, consecuentemente con la teora de juegos, podra pagar el euro para jugar o para rechazar jugar, porque de cualquier manera su expectativa total sera 0. Si la esperanza matemtica es menor que 1, el juego es desfavorable para el jugador. Un sorteo que pague 500 a 1 pero en el que la probabilidad de acertar sea de 1 entre 1.000, la esperanza matemtica es 500 (1/1.000) = 0,5. Si la esperanza matemtica es mayor que 1, el juego es favorable para el jugador, todo un chollo para el jugador. Un ejemplo sera un juego en el que se paga 10 a 1 por acertar el nmero que va a salir en un dado, en donde hay una probabilidad de acertar es de 1 entre 6. En este ejemplo el valor de la esperanza matemtica es 10 (1/6)=1,67 y por tanto en esas condiciones es juego beneficioso para el jugador.

Ejemplo, el valor esperado cuando tiramos un dado equilibrado de 6 caras es 3,5. Podemos hacer el clculo

y cabe destacar que 3,5 no es un valor posible al rodar el dado. En este caso, en el que todos los sucesos son de igual probabilidad, la esperanza es igual a la media aritmtica. La esperanza matemtica de una funcin g(X) est dada por

Ejemplo 15: La probabilidad de que una casa de cierto tipo quede destruida por un incendio en cualquier perodo de doce meses es de 0.005. Una compaa de seguros ofrece al propietario una pliza de seguros contra incendio por $20,000.00 (dlares) a un ao con una prima de $150.00 dlares. Cul es la ganancia esperada de la compaa? Solucin: Sea S = {se incendie, no se incendie}, el espacio muestral, La variable aleatoria asociada es X = {0,1}, donde 0 significa que se incendie y 1 que no se incendie (estos valores son arbitrarios). g(X) representa la ganancia de la compaa por cada casa asegurada (sin tomar en cuenta gastos). La situacin se explica mejor en una tabla. Evento Se incendie No se incendie X 0 1 g(X) -$19,850.00 +$150.00 f(X) 0.005 0.995

En caso de que la compaa asegure 20,000 casas, su ganancia esperada sera de $1,000,000.00 (sin tomar en cuenta gastos). LA DISTRIBUCIN BINOMIAL: Llamamos experiencia aleatoria dicotmica a aquella que slo puede tener dos posibles resultados A y A'. Usualmente A recibe el nombre de xito, adems representaremos como p = p(A) y q = 1p=p(A'). A la funcin de probabilidad de una variable aleatoria X resultado de contar el nmero de xitos al repetir n veces una experiencia aleatoria dicotmica con probabilidad de xito p la llamamos distribucin binomial y la representamos por B (n, p) Para esta distribucin se verifica que, la variable X puede tomar los valores: 0, 1, 2, ... , n y que la variable toma cada uno de estos valores con probabilidad:

la distribucin binomial es una distribucin de probabilidad discreta que mide el nmero de xitos en una secuencia de n ensayos de Bernoulli independientes entre s, con una probabilidad fija p de ocurrencia del xito entre los ensayos. Un experimento de Bernoulli se caracteriza por ser dicotmico, esto es, slo son posibles dos resultados. A uno de estos se denomina xito y tiene una probabilidad de ocurrencia p y al otro, fracaso, con una probabilidad q = 1 - p. En la distribucin binomial el anterior experimento se repite n veces, de forma independiente, y se trata de calcular la probabilidad de un determinado nmero de xitos. Para n = 1, la binomial se convierte, de hecho, en una distribucin de Bernoulli. Para representar que una variable aleatoria X sigue una distribucin binomial de parmetros n y p, se escribe:

DISTRIBUCIN HIPERGEOMTRICA. La distribucin hipergeomtrica puede derivarse de un proceso experimental puro o de Bernouilli con las siguientes caractersticas: El proceso consta de n pruebas , separadas o separables de entre un conjunto de N pruebas posibles. Cada una de las pruebas puede dar nicamente dos resultados mutuamente excluyentes: A y no A. En la primera prueba las probabilidades son :P(A)= p y P(A)= q ;con p+q=l. Las probabilidades de obtener un resultado A y de obtener un resultado no A varan en las sucesivas pruebas, dependiendo de los resultados anteriores.

 (Derivacin de la distribucin) . Si estas circunstancias a leatorizamos de forma que la variable aleatoria X sea el nmero de resultados A obtenidos en n pruebas la distribucin de X ser una Hipergeomtrica de parmetros N,n,p as X=H(N,n,p)

Ejercicio: En una florera hay 20 variedades de flores, de las cuales 8 son diferentes clases de rosas. Que probabilidad hay de que al extraer una muestra al azar de 12 flores , se incluyan 3 clases de rosas? Es una distribucin hipergeomtrica , con los siguientes parmetros: N=tamao de poblacin =20 n=tamao de muestra=12 A=xitos en la poblacin=rosas=8 k=xitos en la muestra=rosas=3

Sustituimos los valores en la frmula general:

Realizando clculos , obtenemos:

La distribucin de Poisson Se trata de un modelo discreto, pero en el que el conjunto de valores con probabilidad no nula no es finito, sino numerable. Se dice que una variable aleatoria X sigue la distribucin de Poisson si su funcin de densidad viene dada por:

Como vemos, este modelo se caracteriza por un slo parmetro , que debe ser positivo. Esta distribucin suele utilizarse para contajes del tipo nmero de individuos por unidad de tiempo, de espacio, etc. Propiedades del modelo de Poisson 1) Esperanza: E(X) = . 2) Varianza: V(X) = . En esta distribucin la esperanza y la varianza coinciden. 3) La suma de dos variables aleatorias independientes con distribucin de Poisson resulta en una nueva variable aleatoria, tambin con distribucin de Poisson, de parmetro igual a la suma de parmetros: X1 ~ P( = 1) y X2 ~ P( = 2) y definimos Z = X1 + X2, entonces, Z ~ P( = 1 + 2) Este resultado se extiende inmediatamente al caso de n variables aleatorias independientes con distribucin de Poisson. En este caso, la variable suma de todas ellas sigue una distribucin de Poisson de parmetro igual a la suma de los parmetros.

DISTRIBUCION DE POISSON ejercicos

En una clnica el promedio de atencin es 16 pacientes por 4 horas, encuentre la probabilidad que en 30 minutos se atiendan menos de 3 personas y que en 180 minutos se atiendan 12 pacientes. Usamos la distribucin de Poisson P(X=x) = exp(-) * ^x / x! **la probabilidad que en 30 minutos se atiendan menos de 3 personas =16 pacientes en 4 horas --> =4 pacientes/hora --> =2 pacientes/media hora debemos calcular P(X<3) = P(X=0) + P(X=1) + P(X=2) P(X=0) = exp(-2) * 2^0 / 0! = 0.1353 P(X=1) = exp(-2) * 2^1 / 1! = 0.2707 P(X=2) = exp(-2) * 2^2 / 2! = 0.2707 P(X<3) = 0.6767 **en 180 minutos se atiendan 12 pacientes =16 pacientes en 4 horas --> =4 pacientes/hora --> 180 minutos = 3 horas --> =3*4=12 pacientes/cada 180 minutos P(X=12) = exp(-12) * 12^12 / 12! = 0.1144