Distribución de Probabilidad - Modelos de Probabilidad

Estadstica aplicada a la
Educacin (LCE-PCE)
Unidad 5: Distribucin de Probabilidad
Definiciones y conceptos
Variable aleatoria: Es aquella cuyos valores surgen

asignando nmeros a los resultados de un experimento
aleatorio. Como los valores que asumen las variables
aleatorias surgen de cuantificar eventos, podemos asignar
una probabilidad a cada valor de la variable aleatoria. Es
decir, si se tiene una variable X, cuyos posibles valores X1 ,
X2 , ........... , Xn , a los cuales podemos asociarles una
probabilidad p1 , p2 , .............. pn , decimos que ha quedado
definida una variable aleatoria.
Las variables aleatorias pueden ser discretas o continuas

2
Variable aleatoria
El resultado de un experimento aleatorio puede ser

descrito en ocasiones como una cantidad numrica.
En estos casos aparece la nocin de variable aleatoria
Funcin que asigna a cada suceso un nmero.
Las variables aleatorias pueden ser discretas o

continuas (como en el primer tema del curso).
En las siguientes transparencias vamos a recordar

conceptos de temas anteriores, junto con su nueva
designacin. Los nombres son nuevos. Los conceptos
no.
3
Distribuciones
discretas
Las distribuciones discretas
son aquellas en las que la variable puede
tomar un nmero determinado de valores, provienen de espacios

muestrales discretos cuya caracterstica principal es que surgen del
hecho de contar.
Se representan por el conjunto de nmeros enteros, los naturales y el
cero, no admiten en la observacin valores de la variable con decimales.
Por ejemplo: si se tira un dado puede salir un nmero de 1 al 6; en una
ruleta el nmero puede tomar un valor del 1 al 32; una familia puede no
tener hijos (0 hijos) o puede tener 1, 2, 3, ..10 hijos, nunca podran
tener 1,5 hijos.
Como los valores de probabilidad surgen de cuantificar todos los
resultados posibles de un experimento aleatorio, la suma de las
probabilidades debe se igual a uno:
Funcin de probabilidad (V. Discretas)
Asigna a cada posible valor

de una variable discreta su
probabilidad.
Recuerda los conceptos de

frecuencia relativa y diagrama de
barras.
Ejemplo
Nmero
de caras al lanzar 3
monedas.
Las distribuciones continuas

son aquellas que provienen de espacios
Distribuciones
continuas
muestrales continuos cuya caracterstica principal es que surgen del

hecho de medir.
Se representan por el conjunto de nmeros reales, admiten infinitos
valores intermedios como puntos en un segmento de lnea. Por ejemplo:
el peso medio de los alumnos de una clase puede tomar infinitos valores
dentro de cierto intervalo (de 42 a menos de 45 kg, de 45 a menos de 48,
etc.); la esperanza media de vida de una poblacin (72,5 aos, 75,13
aos, 72, 51234 aos).
Al tener la variable infinitos valores, se puede calcular la probabilidad que
valores particulares de la variable aleatoria ocurran dentro de ciertos
rangos o intervalos considerando la funcin matemtica que se conoce
con el nombre de funcin de densidad de probabilidad: f (x).
Funcin de densidad (V. Continuas)
Definicin
Es una funcin no negativa de integral 1.
Pinsalo como la generalizacin del

histograma con frecuencias relativas para
variables continuas.
Para qu lo voy a usar?

Nunca lo vas a usar directamente.
Sus valores no representan probabilidades.
Para qu sirve la f. 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.
Funcin de distribucin
Es la funcin que asocia a cada valor de una

variable, la probabilidad acumulada
de los valores inferiores o iguales.
Pinsalo como la generalizacin de las

frecuencias acumuladas. Diagrama integral.
A los valores extremadamente bajos les corresponden

valores de la funcin de distribucin cercanos a cero.
A los valores extremadamente altos les corresponden

valores de la funcin de distribucin cercanos a uno.
Lo encontraremos en los artculos y aplicaciones en forma

de p-valor, significacin,
No le deis ms importancia a este comentario ahora. Ya

os ir sonando conforme avancemos.
9
Para qu sirve la f. distribucin?
Contrastar lo anmalo de una observacin concreta.
S que una persona de altura 210cm es anmala porque la funcin de

distribucin en 210 es muy alta.
S que una persona adulta que mida menos de 140cm es anmala porque
la funcin de distribucin es muy baja para 140cm.
S que una persona que mida 170cm no posee una altura nada extraa pues
su funcin de distribucin es aproximadamente 0,5.
En otro contexto (contrastes de hiptesis) podremos observar unos

resultados experimentales y contrastar lo anmalos que son en
conjunto con respecto a una hiptesis de terminada.
Las distribuciones quedan definidas a travs de sus parmetros:

esperanza matemtica, varianza y desvo estndar.
10
Valor esperado y varianza de una v.a. X
Valor esperado o Esperanza Matemtica

Se
representa mediante E[X]

Es el equivalente a la media
Para variables aleatorias
discretas:
Para variables aleatorias

continuas:
Varianza
Se
representa mediante VAR[X] o 2

Es el equivalente a la varianza
Se llama desviacin tpica a
11
Algunos modelos de v.a.
Hay v.a. que aparecen con frecuencia en las Ciencias de

la Educacin.
Experimentos dicotmicos.
Bernoulli
Contar xitos en experimentos dicotmicos repetidos:

Binomial
Poisson (sucesos raros)
Y en otras muchas ocasiones

Distribucin normal (gaussiana, campana,)
El resto del tema est dedicado a estudiar estas

distribuciones especiales.
12
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)
Verificndose que: p + q = 1
Lanzar una moneda y que salga cara.
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=1/2
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.
13
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. Describa el experimento usando conceptos de
v.a.
Solucin.
La noc. frecuentista de prob. nos permite aproximar 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
14
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. Describa el experimento usando conceptos de
v.a.
Solucin.
La noc. frecuentista de prob. 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
15
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 X2.
16
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).
Condiciones que debe cumplir son:
El experimento consiste en n intentos repetidos.

Los resultados de cada uno de los intentos pueden clasificarse como un xito o
como un fracaso.
La probabilidad de xito, representada por p, permanece constante para todos los
intentos.
Los intentos repetidos son independientes.
La distribucin de probabilidad para este tipo de distribucin

basada en experimentos de Bernoulli, donde estudiamos el
comportamiento de la variable aleatoria binomial X, el nmero de
xitos en n experimentos independientes, sigue el siguiente
modelo:
17
Distribucin binomial
Funcin de probabilidad
n k nk
P[ X k ] p q , 0 k n
k
Problemas de clculo si n es grande y/o p cercano a 0 o 1.
Media: =n p
Varianza: 2 = n p q
18
Distribucin Binomial (ver
ejemplo 2 en pdf pg 16)
Ejemplo 1
En cierto sector de una empresa el 75% de los accidentes se deben a la falta de
sealizacin adecuada Cul es la probabilidad de que dentro de los prximos 8
accidentes, exactamente 4 se deban a la falta de sealizacin?
"k" es el nmero de xitos. En este ejemplo " k " igual a 4 (en cada xito decimos que la
variable toma el valor 1: como son 4 xitos, entonces k = 4)
"n" es el nmero de intentos. En el caso planteado n = 8
"p" es la probabilidad de xito, es decir, que los accidentes de deban a la falta de

sealizacin adecuada. Por lo tanto p = 0,75
La probabilidad de que 4 de los prximos 8 accidentes se deban a la falta de

sealizacin es del 8,652%.
19
En una distribucin binomial, tenemos que:
Aplicando la frmula de la esperanza matemtica para la distribucin

binomial en el ejercicio que se est estudiando:
Este resultado debe interpretarse como: Se espera que en los prximos

8 accidentes, 6 se deban a la falta de sealizacin
Bioestadstica. U. Mlaga.
Tema 5: Modelos probabilsticos
20
Continuando con el ejemplo anterior si queremos conocer Cul es la

probabilidad de que menos de 4 accidentes se deban a la razn antes indicada?
En este caso nos pide P(x<4). Al ser una variable discreta sera:
Los valores de probabilidad los podemos obtener directamente de la tabla de la

distribucin binomial acumulada en la interseccin de p(x) = 0,75 y n=3
La probabilidad de que menos de 4 accidentes se deban a la razn antes
indicada es de 2,73%
21
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.)
Recuerde que:
Funcin de probabilidad:
e = 2,71828
t = es el nmero promedio de resultados

por unidad de tiempo o regin.
k " es el nmero de xito cuya probabilidad
se est calculando
22
Cuando la variable aleatoria X representa el nmero de resultados durante

un intervalo de tiempo dado o una regin especfica nos encontramos frente
a experimentos de Poisson.
Generalmente cuando en una distribucin binomial se realiza el experimento

un nmero "n" muy elevado de veces y la probabilidad de xito "p" en cada
ensayo es reducida, entonces se aplica el modelo de distribucin de
Poisson.
El proceso de Poisson tiene las siguientes caractersticas:

El nmero de ocurrencias en dos intervalos de tiempo disjuntos son
independientes.
La probabilidad de exactamente una ocurrencia en un intervalo de
tiempo muy pequeo es proporcional a la longitud del intervalo y no
depende del intervalo en particular.
La probabilidad de tener ms de una ocurrencia en un intervalo de
tiempo particular muy pequeo es despreciable.
23
Ejemplos de variables de Poisson.
El nmero de individuos que ser atendido un da cualquiera en el

servicio de urgencias del hospital clnico universitario.
Ver ej. en pdf pg. 22
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)
24
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, .
2
1 x

Su funcin de densidad es:

1
2
f ( x)
A no asustarse la aplicacin en la prctica es de clculo sencillo, utilizando la

tabla de la distribucin normal.
25
Distribucin normal o de Gauss
La teora de probabilidades se basa en el estudio de este tipo de

distribuciones, es el modelo de distribucin ms utilizado en la
prctica, ya que una multitud de fenmenos se comportan segn
una distribucin normal.
Esta distribucin de caracteriza porque los valores se distribuyen
formando una campana de Gauss, en torno a un valor central que
coincide con el valor medio de la distribucin
26
La distribucin normal viene definida por dos parmetros: X ~ N (,

2)
: como ya lo expusimos es el valor medio de la distribucin y
precisamente all es donde se sita el centro de la curva (de la
campana de Gauss).
2 : es la varianza, indica si los valores estn ms o menos alejados
del valor central: si la varianza es baja los valores estn prximos a la
media; si es alta, entonces los valores estn muy dispersos.
Cuando la = 0 y = 1 la distribucin se denomina normal estndar, y su
ventaja reside en tablas donde se recogemos la probabilidad acumulada
para cada punto de la curva. Adems, toda distribucin normal se puede
transformar en una normal estndar empleando una frmula de
transformacin
27
N(, ): Interpretacin
geomtrica
Podis interpretar la
media como un factor
de traslacin.
Y la desviacin tpica
como un factor de
escala, grado de
dispersin,
28
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%
29
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 ,
a distancia 2 ,
a distancia 25
tenemos probabilidad 68%

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.
30
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
x
z
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.
31
Tabla N(0,1)
Z es normal tipificada.
Calcular P[Z<1,85]
Solucin: 0,968 = 96,8%
32
Tabla N(0,1)
Calcular P[Z<-0,54]
Solucin: 1-0,705 = 0,295

33
Tabla N(0,1)
Calcular P[-0,54<Z<1,85]
Solucin: 0,968-0,295= 0,673
34
Ejemplo: Clculo con probabilidades normales.

Ver otros ej en pdf pag.35
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.
35
Todas las distribuciones normales son similares salvo traslacin y cambio de

escala: Tipifiquemos.
210 200
1
10
P[ Z 1,00] ( ver tabla) 0,841

36
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.
x 200
1,28
10
x 200 10 1,28 212,8
37
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)
38
xA A 8 6
zA
2
A
1
xB B 80 70
zB
1
B
10
Como ZA>ZB, 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.
39
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).
40
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.
41
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.
42
Al aumentar el
tamao, n, de la
muestra:
La
normalidad de las
estimaciones mejora
El
error tpico
disminuye.
43
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.
44
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.
45
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):
X2 (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,
46
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.
47
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).
48
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.
49
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
50

Distribución de Probabilidad - Modelos de Probabilidad

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Distribución de Probabilidad - Modelos de Probabilidad

Uploaded by

Copyright:

Available Formats

Estadstica aplicada a la

Variable aleatoria: Es aquella cuyos valores surgen

Las variables aleatorias pueden ser discretas o continuas

El resultado de un experimento aleatorio puede ser

En estos casos aparece la nocin de variable aleatoria

Funcin que asigna a cada suceso un nmero.

Las variables aleatorias pueden ser discretas o

En las siguientes transparencias vamos a recordar

tomar un nmero determinado de valores, provienen de espacios

Funcin de probabilidad (V. Discretas)

Asigna a cada posible valor

Recuerda los conceptos de

Las distribuciones continuas

muestrales continuos cuya caracterstica principal es que surgen del

Funcin de densidad (V. Continuas)

Es una funcin no negativa de integral 1.

Pinsalo como la generalizacin del

Para qu lo voy a usar?

Para qu sirve la f. densidad?

Muchos procesos aleatorios vienen descritos por variables de forma

La integral definida de la funcin de densidad en dichos intervalos

Es decir, identificamos la probabilidad de un intervalo con el rea bajo

Es la funcin que asocia a cada valor de una

Pinsalo como la generalizacin de las

A los valores extremadamente bajos les corresponden

A los valores extremadamente altos les corresponden

Lo encontraremos en los artculos y aplicaciones en forma

No le deis ms importancia a este comentario ahora. Ya

Para qu sirve la f. distribucin?

Contrastar lo anmalo de una observacin concreta.

S que una persona de altura 210cm es anmala porque la funcin de

En otro contexto (contrastes de hiptesis) podremos observar unos

Las distribuciones quedan definidas a travs de sus parmetros:

Valor esperado y varianza de una v.a. X

Valor esperado o Esperanza Matemtica

representa mediante E[X]

Para variables aleatorias

representa mediante VAR[X] o 2

Algunos modelos de v.a.

Hay v.a. que aparecen con frecuencia en las Ciencias de

Contar xitos en experimentos dicotmicos repetidos:

Y en otras muchas ocasiones

El resto del tema est dedicado a estudiar estas

Tenemos un experimento de Bernoulli si al realizar un

X=1 (xito, con probabilidad p)

Lanzar una moneda y que salga cara.

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

Ejemplo de distribucin de Bernoulli.

Se ha observado estudiando 2000 accidentes de trfico

La noc. frecuentista de prob. nos permite aproximar la probabilidad de

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

Ejemplo de distribucin de Bernoulli.

Se ha observado estudiando 2000 accidentes de trfico

La noc. frecuentista de prob. nos permite aproximar la probabilidad de

X=tener secuelas tras accidente usando cinturn es variable de

En los dos ejemplos anteriores hemos visto cmo enunciar los

Sin cinturn: p 15%

En realidad no sabemos en este punto si ambas cantidades son

Para decidir si entre ambas cantidades existen diferencias