Download UNIDAD 3: DISTRIBUCIONES BINOMIAL Y NORMAL
Document related concepts
Transcript
MATEMATICAS APLICADAS A LAS CIENCIAS SOCIALES I TEMA 3. DISTRIBUCIONES BINOMIAL Y NORMAL IES NERVIÓN UNIDAD 3: DISTRIBUCIONES BINOMIAL Y NORMAL 1. VARIABLES ALEATORIAS Dado un experimento aleatorio, se define la variable aleatoria, X, como una función que asocia a cada elemento del espacio muestral, Ω, un número real. X: Ω →R La variable aleatoria puede ser: discreta, cuando, entre dos valores dados, sólo toma un número finito de valores. Ejemplo: X= Suma de los puntos obtenidos al lanzar dos dados continua cuando puede tomar todos los valores de un intervalo real. Ejemplo: X= Peso en kg de una persona elegida al azar 2. VARIABLE ALEATORIA DISCRETA. 2.1. Función de probabilidad Se llama función de probabilidad de una variable aleatoria discreta X, a la función, f, que asocia a cada valor xi de la variable su probabilidad, pi: f(xi) = P(X = xi) = pi Propiedades de la función de probabilidad: - 0 ≤ f(xi) ≤ 1 - ∑ f(xi) = 1 2.2. Función de distribución A partir de la función de probabilidad se define la función de distribución, F(x) = p(X ≤ x) = ∑ f(xi) para xi ≤ x Propiedades de la función de distribución: - 0 ≤ F(x) ≤ 1 - F(x) = constante entre dos valores consecutivos de la variable. - F(x) = 0 para x inferior al menor valor de la variable. - F(x) = 1 para x superior al mayor valor de la variable. - F(x) es una función creciente. 2.3. Parámetros de una variable aleatoria discreta Se define los parámetros media, varianza y desviación típica de la variable aleatoria, de igual forma que para la variable estadística sustituyendo frecuencia relativa por función de probabilidad. Media o esperanza matemática: µ = ∑ xi·pi Varianza: σ2 = ∑(xi - µ)2·pi = ∑ xi2·pi - µ2 Desviación típica: σ = MATEMATICAS APLICADAS A LAS CIENCIAS SOCIALES I TEMA 3. DISTRIBUCIONES BINOMIAL Y NORMAL IES NERVIÓN 3. DISTRIBUCIÓN BINOMIAL Una variable aleatoria, X, diremos que sigue una distribución de probabilidad binomial cuando: La variable cuenta el número de veces que ocurre un suceso, A, al realizar un experimento aleatoria n veces. Las n veces que se realiza el experimento son independientes, lo que ocurra en una de ellas no influye en el resto. La probabilidad de que ocurra el suceso A es p. Se dice entonces que X es binomial de parámetros n y p y lo escribimos como X=B(n,p), Ejemplo: X= Número de caras al lanzar tres veces una moneda B(3, ½) Su función de probabilidad: P(X = k) = ·pk·qn – k donde q=1-p Sus parámetros: Media: µ = n·p Varianza: σ2 = n·p·q Desviación típica: σ = 4. VARIABLE ALEATORIA CONTINUA. Una variable aleatoria continua viene definida por su función de densidad o función de probabilidad, y = f(x), que es una función continua que verifica: no negativa (f(x) ≥ 0) encierra junto con el eje de abscisas un área igual a 1 Las probabilidades vienen dadas por el área bajo la curva, es decir, para hallar la probabilidad de que la variable tome un valor en el intervalo [a, b] hay que calcular el área que hay bajo la curva en dicho intervalo. La probabilidad de obtener un valor concreto es 0: P(X = a) = Se llama función de distribución de una variable aleatoria continua a la función F(x) que asigna a cada valor la probabilidad de que la variable tome valores menores o iguales que él: F(x) = P(X ≤ x) MATEMATICAS APLICADAS A LAS CIENCIAS SOCIALES I TEMA 3. DISTRIBUCIONES BINOMIAL Y NORMAL IES NERVIÓN 5. DISTRIBUCIÓN NORMAL Una variable aleatoria continua X sigue una distribución normal de media µ y desviación típica σ, XN(µ, σ), si se cumplen las siguientes condiciones: - La variable es una variable aleatoria continua - La función de densidad es , cuya gráfica se denomina campana de Gauss. Características de la función de densidad f: Simétrica respecto de la recta x = µ. Máximo en x = µ. Puntos de inflexión en x = µ - σ y en x = µ + σ. Asíntota horizontal en el eje X. La forma de la campana de Gauss depende de los parámetros µ y σ. Para cada valor de µ y cada valor de σ hay una curva normal, que se denomina N(µ, σ). Se llama distribución normal estándar a la distribución N(0, 1), es decir, media 0 y desviación típica 1, su variable suele representarse por Z. Esta distribución se encuentra tabulada, lo cual permite calcular de forma rápida y fácil las probabilidades asociadas a ella. 5.1. Tipificación Para poder calcular probabilidades de una variable X=N(µ, σ) hay que transformar dicha variable en Z, N(0, 1), mediante el cambio: . Esta transformación se conoce con el nombre de tipificación de la variable. 6. APROXIMACIÓN DE LA BINOMIAL Las probabilidades obtenidas mediante una Binomial de parámetros n y p, pueden ser aproximadas por las probabilidades obtenidas con una Normal de media np y desviación típica , es decir B(n, p) → N(np, ) La aproximación de la binomial a la normal se considera buena si np > 5 y n(1-p) >5. Al aproximar una variable aleatoria discreta por una variable aleatoria continua hay que tener en cuenta que en las distribuciones discretas tiene sentido hablar de P(X=k), pero en las distribuciones continuas no. Si X, B(n, p) se aproxima por X’, N(np, P(X= k) = P(k - 0.5 < X’ < k + 0.5) (Corrección por continuidad) ) , entonces MATEMATICAS APLICADAS A LAS CIENCIAS SOCIALES I TEMA 3. DISTRIBUCIONES BINOMIAL Y NORMAL IES NERVIÓN MATEMATICAS APLICADAS A LAS CIENCIAS SOCIALES I TEMA 3. DISTRIBUCIONES BINOMIAL Y NORMAL IES NERVIÓN