las distribuciones binomial y normal. de moivre bernouilli
TRANSCRIPT
Las distribuciones binomial y normal.
De Moivre
Bernouilli
Variables aleatorias :
• Se llama variable aleatoria a toda ley (función) que asocia a cada elemento del espacio muestral E un numero real.
Ej: a) La variable aleatoria X que representa el número de caras en el lanzamiento de tres monedas toma los valores 0,1,2,3.
b) La variable X que representa la suma de las caras superiores de dos dados toma los valores 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12.
c) La variable X que representa la longitud de las judías verdes toma valores, por ejemplo, en el intervalo (0-20) cm.
d) La variable X que representa la medida del perímetro craneal de una serie de individuos toma valores, por ejemplo, en el intervalo (60-90) cm.
Variables aleatorias discretas:
• Serán las de los ejemplos a) y b) ya que sólo pueden tomar ciertos valores enteros
Variables aleatorias continuas:• Serán las de los ejemplos c) y d) ya que
pueden tomar, al menos teóricamente, todos los valores posibles dentro de un cierto intervalo real.
• Función de probabilidad. Se llama Función de probabilidad de una
variable aleatoria X a la aplicación que asocia a cada valor xi de la variable su probabilidad pi.
Se debe verificar:
€
pi =i=1
n
∑ p1 + p2 + p3 + ...+ pn =1
€
0 ≤ pi ≤1
€
P(a ≤ X ≤ b) = P(X = a) + P(X = a +1) + ...+ P(X = b)
€
P(X ≤ b) =1− P(X > b)
Media y varianza:Se llama media o esperanza de una variable aleatoria X, que toma los valores x1, x2, …, xn, con probabilidades p1, p2, …,pn, respectivamente, al valor de la siguiente expresión:
Se llama varianza de una variable aleatoria X, que toma los valores x1, x2, …, xn, con probabilidades p1, p2, …,pn, respectivamente, al valor de la siguiente expresión:
Se llama desviación típica de una variable aleatoria X, a la raíz cuadrada positiva de la varianza, se representa por
€
μ =x1⋅ p1 + x2⋅ p2 + x3⋅ p3 + ...+ xn ⋅ pn = x i⋅ pii=1
n
∑
€
σ 2 = x12⋅ p1 + x2
2⋅ p2 + x32⋅ p3 + ...+ xn
2⋅ pn − μ 2 = x i2⋅ pi
i=1
n
∑ − μ 2
€
σ
Función densidad:Si representamos el histograma de frecuencias de una variable aleatoria continua, a medida que los intervalos de la clase van siendo más pequeños y el tamaño de las muestras mayor, el polígono de frecuencias se aproxima a una curva continua, la función cuya gráfica es esta curva límite se llama función de densidad, f(x)
Distribución binomial o de Bernouilli.Si un experimento aleatorio tiene las siguientes características:
1ª En cada prueba del experimento sólo son posibles dos resultados, el suceso A (éxito) y su contrario Ā (fracaso).
2ª El resultado obtenido en cada prueba es independiente de los resultados anteriores.
3ª La probabilidad del suceso A es constante y, por lo tanto, no varía de una prueba a otra: p probabilidad de A;
q =1-p será la de Ā.
€
P(obtener r éxitos) = P(X = r) =n
r
⎛
⎝ ⎜
⎞
⎠ ⎟⋅ pr ⋅ qn −r
Para un experimento aleatorio que sigue un modelo binomial con n pruebas, la representaremos por B(n,p):
En este caso:
€
μ =np
€
σ 2 = npq
€
σ = npq
Media o esperanza:
Varianza:
Desviación típica:
Ejemplos:• El Ayuntamiento de una ciudad ha comprobado que el 23% de los
ciudadanos acude a las piscinas municipales. Si se escoge al azar una muestra de 15 personas de esa ciudad, ¿cuál es la probabilidad de que ninguna de ellas haya acudido a las piscinas municipales?La variable X, que cuenta el número de personas que han utilizado en alguna ocasión los polideportivos municipales, sigue una distribución binomial B(15, 0.23). Por tanto:
€
P(X = 0) =15
0
⎛
⎝ ⎜
⎞
⎠ ⎟⋅ 0,230⋅ 0,7715−0 = 0,0198
• En un concurso de tiro, la probabilidad de que un hombre acierte en el blanco es de 1/3 . Si dispara 12 veces, ¿cuál es la probabilidad de que acierte exactamente en cinco ocasiones? ¿Y de que acierte al menos una vez?
La variable X cuenta el número de aciertos en el blanco, y sigue una distribución binomial B(12,1/3). Por tanto:
€
P(X = 5) =12
5
⎛
⎝ ⎜
⎞
⎠ ⎟⋅
1
3
⎛
⎝ ⎜
⎞
⎠ ⎟5
⋅2
3
⎛
⎝ ⎜
⎞
⎠ ⎟7
= 0,1908
€
P(X ≥1) =1 − P(x = 0) =1 −12
0
⎛
⎝ ⎜
⎞
⎠ ⎟⋅
1
3
⎛
⎝ ⎜
⎞
⎠ ⎟0
⋅2
3
⎛
⎝ ⎜
⎞
⎠ ⎟
12
= 0,9923
La distribución Normal• Se trata de una distribución continua.• Recibe ese nombre porque es la más aparece en diferentes
situaciones.• Una variable aleatoria continua X sigue una distribución
normal de media μ y desviación típica σ, y se designa por N(μ, σ) si se cumple:– 1.- La variable puede tomar cualquier valor real, es decir,– 2.- La función de densidad será:
€
x ∈(−∞,∞)
€
f (x) =1
σ 2πe
−1
2
x − μ
σ
⎛
⎝ ⎜
⎞
⎠ ⎟2
-El campo de existencia es cualquier valor real, es decir, (-∞, +∞).
-Es simétrica respecto a la media µ.
-Tiene un máximo en la media µ.
-Crece hasta la media µ y decrece a partir de ella.
-El eje de abscisas es una asíntota de la curva.
-En los puntos µ − σ y µ + σ presenta puntos de inflexión.
- El área del recinto determinado por la función y el eje de abscisas es igual a la unidad.
-Al ser simétrica respecto al eje que pasa por x = µ, deja un área igual a 0.5 a la izquierda y otra igual a 0.5 a la derecha.
- La probabilidad equivale al área encerrada bajo la curva.
p(μ - σ < X ≤ μ + σ) = 0.6826 = 68.26 %p(μ - 2σ < X ≤ μ + 2σ) = 0.954 = 95.4 %p(μ - 3σ < X ≤ μ + 3σ) = 0.997 = 99.7 %
La curva recibe el nombre de campana de Gauss
En todas el área bajo la curva es =1
Distribución normal estándar
• De las N(μ, σ) es de especial interés N(0, 1), para la cual
Será útil ya que según nos dice una propiedad:Si X sigue una distribución normal N(μ, σ) , la variable Y=aX+b seguirá también una distribución normal N(μy, σy),con
μy= μX+b σy=|a|σ
€
f (x) =1
2πe
−x 2
2
• Esto nos permitirá tipificar la variable X, y así convertir N(μ, σ) en N(0, 1), la cual está tabulada, transformando X en otra variable
€
Z =X − μ
σ
• Teorema Central del Límite:La distribución binomial B(n, p) se aproxima a una curva normal de media μ = n · p y desviación típica
σ = , cuando n tiende a ∞, es decir, cuando n se hace muy grande.
€
npq
• Teorema de De Moivre:• Una distribución binomial B(n, p) se puede
aproximar mediante una distribución normal , de este modo, si tipificamos la
variable como , tendrá una distribución cercana a N(0,1).
Esto será admisible cuando:
€
N np, npq( )
€
Z =x − np
npq
€
n ≥ 30
np ≥ 5
n(1 − p) ≥ 5
• El “precio” que hay que pagar por pasar de una a otra se denomina “corrección por continuidad” y consiste en hacer determinados ajustes para que la aproximación realizada sea lo más precisa posible.
€
P(x = a) = P(a − 5 ≤ X′ ≤ a + 0,5)
€
P(a < x < b) = P(a + 5 ≤ X′ ≤ b − 0,5)
€
P(x < a) = P(X′ ≤ a − 0,5)
€
P(x > a) = P(X′ ≥ a + 0,5)
€
P(a ≤ x ≤ b) = P(a − 5 ≤ X′ ≤ b + 0,5)
€
P(x ≤ a) = P(X′ ≤ a + 0,5)
€
P(x ≥ a) = P(X′ ≥ a − 0,5)
Ejemplos: