Repblica Bolivariana de Venezuela Ministerio del Poder Popular para la Educacin Universitaria.

Universidad Nacional Experimental Rafael Mara Baralt Sede: Puertos de Altagracia Programa: Ingeniera y Tecnologa Proyecto: Ingeniera de Gas Profesora: Indira Rincn

INTEGRANTES: Araujo Gabriela C.I: 24.785.902 Bez Adrin C.I:21.356.939 Figueredo Karly C.I:22.325.070. Gmez Rubn C.I:20.920.753.

Los Puertos de Altagracia, Septiembre 2012

Introduccin
La estadstica es de gran utilidad en la prctica y el trabajo diario, ya que imprime rapidez y eficacia. Adems de ello nos ayuda a la recoleccin de datos y observaciones de los mismos.

Dentro de este mismo orden de ideas la estadstica tambin nos ayuda a realizar clculos matemticos, es por ello que hoy en da la estadstica se ha convertido en una herramienta indispensable en todos los quehaceres de la vida.

En la actualidad vemos que la teora de la probabilidad ocupa un puesto destacado en muchos asuntos de negocios. Los seguros y las prcticas actuariales tienen una base firme en los principios de la teora de la probabilidad.

Atendiendo a la clasificacin de las variables aleatorias en discretas y continuas describiremos las principales leyes de probabilidad de cada una de ellas, las cuales constituirn el soporte subyacente de la inferencia estadstica.

...EN UNA EPOCA DE CAMBIOS PERMANENTES, EL FUTURO PERTENECE A LOS QUE SIGUEN APRENDIENDO....... ....LOS QUE YA APRENDIERON, SE ENCUENTRAN EQUIPADOS PARA VIVIR EN UN MUNDO QUE YA NO EXISTE. ERIC HOFFER

Regresin y Correlacin:
La regresin y la correlacin son dos tcnicas estrechamente relacionadas y comprenden una forma de estimacin. En forma ms especifica el anlisis de correlacin y regresin comprende el anlisis de los datos muestrales para saber que es y como se relacionan entre si dos o mas variables en una poblacin. El anlisis de correlacin produce un nmero que resume el grado de la correlacin entre dos variables; y el anlisis de regresin da lugar a una ecuacin matemtica que describe dicha relacin. El anlisis de correlacin generalmente resulta til para un trabajo de exploracin cuando un investigador o analista trata de determinar que variables son potenciales importantes, el inters radica bsicamente en la fuerza de la relacin. La correlacin mide la fuerza de una entre variables; la regresin da lugar a una ecuacin que describe dicha relacin en trminos matemticos. Los datos necesarios para anlisis de regresin y correlacin provienen de observaciones de variables relacionadas.

Ejemplo De Regresin:
Las notas de 12 alumnos de una clase en Matemticas y Fsica son las siguientes: Matemticas Fsica 2 1 3 3 4 2 4 4 5 4 6 4 6 6 7 4 7 6 8 7 10 9 10 10

Hallar las rectas de regresin y representarlas. xi 2 3 4 4 yi 1 3 2 4 xiyi xi2 2 9 8 16 4 9 16 16 yi 2 1 9 4 16

5 6 6 7 7 8

4 4 6 4 6 7

20 24 36 28 42 56 90

25 36 36 49 49 64

16 16 36 16 36 49

10 9

100 81 100 100 504 380

10 10 100 72 60 431

1 Hallamos las medias aritmticas.

2 Calculamos la covarianza.

3 Calculamos las varianzas.

4Recta de regresin de Y sobre X.

5Recta de regresin de X sobre Y.

Ejemplo de Correlacin:
Hallar el coeficiente de correlacin de la distribucin e interpretarlo. xi 2 3 4 4 5 6 6 7 7 8 yi 1 3 2 4 4 4 6 4 6 7 xiyi xi2 2 9 8 16 20 24 36 28 42 56 90 4 9 16 16 25 36 36 49 49 64 yi 2 1 9 4 16 16 16 36 16 36 49

10 9

100 81 100 100 504 380

10 10 100 72 60 431

1 Hallamos las medias aritmticas.

2 Calculamos la covarianza.

3 Calculamos las desviaciones tpicas.

4 Aplicamos la frmula del coeficiente de correlacin lineal.

Al ser el coeficiente de correlacin positivo, la correlacin es directa. Como coeficiente de correlacin est muy prximo a 1 la correlacin es muy fuerte.

Tipos de Regresin:

Si las dos variables X e Y se relacionan segn un modelo de lnea recta, Hablaremos de Regresin Lineal Simple: Y=a+bx. Cuando las variables X e Y se relacionan segn una lnea curva, hablaremos de Regresin no lineal o curvilnea. Aqu podemos distinguir entre Regresin parablica, Exponencial, Potencial, etc. Cuando tenemos ms de una variable independiente (X1, X2,..., Xp), y una sola Variable dependiente Y, hablaremos de Regresin mltiple, que se estudiar.

Mnimos Cuadrados:
El mtodo de los mnimos cuadrados es un mtodo estadstico que permite encontrar la recta que mejor ajusta a una serie de datos experimentales. El mtodo se basa en minimizar las diferencias entre los datos experimentales y los que proporcionara la recta que sustituye a los datos. Como es lgico, el mtodo solo tiene utilidad si se aplica a series de datos que presentan una tendencia lineal, aunque se puede generalizar para ajustar datos a funciones arbitrarias.

Ejemplo:
Se mide con un multmetro la diferencia de potencial entre los extremos de una resistencia elctrica para distintos valores de la intensidad de corriente y se obtienen los siguientes datos:

Intensidad (A) Diferencia de potencial (V) 0.1 0.3 0.6 0.7 0.9 1 0.9 3.1 5.9 7.1 8.9 10.1

La intensidad se supone sin incertidumbre y para la diferencia de potencial u = 0,1 V. Determinar el valor de la resistencia mediante un ajuste por mnimos cuadrados.

En este caso, la pendiente es m =10,014. El valor del coeficiente de correlacin, R2 =0,994, indica que el ajuste es muy bueno. Si calculamos la incertidumbre en la pendiente como se ha indicado ms arriba, oV = 0,0995, que prcticamente coincide con la incertidumbre en los datos de V, u =0,1. Con ese dato se calcula: El valor de ov lo proporciona la funcin

Finalmente, el valor de la resistencia, expresado correctamente, es:

Debe tenerse en cuenta que la incertidumbre as calculada es engaosamente pequea. Si en vez de realizar el ajuste, calculamos la resistencia a partir de cada dato experimental de V e I y hacemos el tratamiento estadstico habitual (clculo de la media y desviacin tpica) el resultado es:

En este ltimo resultado, se cumple que la medida indirecta tendra dos cifras significativas, como tienen las medidas directas. Debe recordarse una vez ms que la determinacin de la incertidumbre tiene unas reglas precisas y un cierto arte o sentido comn que nos hace escoger finalmente aquella que mejor nos va a indicar la calidad de nuestra medida.

Regresin Lineal:
En estadstica la regresin lineal o ajuste lineal es un mtodo matemtico que modela la relacin entre una variable dependiente Y, las variables independientes Xi y un trmino aleatorio.

Ejemplo:
Vamos a calcular la recta de regresin de la siguiente serie de datos de altura y peso de los alumnos de una clase. Vamos a considerar que la altura es la variable independiente "x" y que el peso es la variable dependiente "y".
Alumno Alumno 1 Alumno 2 Alumno 3 Alumno 4 Alumno 5 Alumno 6 Alumno 7 Alumno 8 Alumno 9 Estatura Peso Alumno 1,25 1,28 1,27 1,21 1,22 1,29 1,30 1,24 1,27 32 33 34 30 32 35 34 32 32 35 Estatura Peso Alumno 33 35 34 30 33 34 35 32 33 33 Estatura Peso 33 34 34 31 32 34 34 31 35 34

Alumno 11 1,25 Alumno 12 1,28 Alumno 13 1,27 Alumno 14 1,21 Alumno 15 1,22 Alumno 16 1,29 Alumno 17 1,30 Alumno 18 1,24 Alumno 19 1,27 Alumno 20 1,29

Alumno 21 1,25 Alumno 22 1,28 Alumno 23 1,27 Alumno 24 1,21 Alumno 25 1,22 Alumno 26 1,29 Alumno 27 1,30 Alumno 28 1,24 Alumno 29 1,27 Alumno 30 1,29

Alumno 10 1,29

El parmetro "b" viene determinado por: ( ) ( ) Y el parmetro "a" por:

Por lo tanto, la recta que mejor se ajusta a esta serie de datos es:

Esta recta define un valor de la variable dependiente (peso), para cada valor de la variable independiente (estatura):

Estatura x 1,20 1,21 1,22 1,23 1,24 1,25 1,26 1,27 1,28 1,29 1,30

Peso x 30,6 31,0 31,4 31,8 32,2 32,6 33,0 33,4 33,8 34,2 34,6

Grfica

Correlacin:
La correlacin trata de establecer la relacin o dependencia que existe entre las dos variables que intervienen en una distribucin bidimensional. Es decir, determinar si los cambios en una de las variables influyen en los cambios de la otra. En caso de que suceda, diremos que las variables estn correlacionadas o que hay correlacin entre ellas.

Tipos de correlacin
1 Correlacin directa:

La correlacin directa se da cuando al aumentar una de las variables la otra aumenta. La recta correspondiente a la nube de puntos de la distribucin es una recta creciente.

2 Correlacin inversa:

La correlacin inversa se da cuando al aumentar una de las variables la otra disminuye.

La recta correspondiente a la nube de puntos de la distribucin es una recta decreciente.

3 Correlacin nula: La correlacin nula se da cuando no hay dependencia de ningn tipo entre las variables. En este caso se dice que las variables son incorreladas y la nube de puntos tiene una forma redondeada.

Grado de correlacin El grado de correlacin indica la proximidad que hay entre los puntos de la nube de puntos. Se pueden dar tres tipos:

1. Correlacin fuerte La correlacin ser fuerte cuanto ms cerca est los puntos de la recta.

2. Correlacin dbil: La correlacin ser dbil cuanto ms separados estn los puntos de la recta.

Regresin Lineal Mltiple:

La regresin lineal nos permite trabajar con una variable a nivel de intervalo o razn, as tambin se puede comprender la relacin de dos o ms variables y nos permitir relacionar mediante ecuaciones, una variable en relacin a otras variables llamndose Regresin mltiple. Constantemente en la prctica de la investigacin estadstica, se encuentran variables que de alguna manera estn relacionados entre si, por lo que es posible que una de las variables puedan relacionarse matemticamente en funcin de otra u otras variables.

Regresin No Lineal:
Regresin no lineal un problema de inferencia para un modelo tipo: Y= F (X, 0)+E Basado en datos multidimensionales x,y, donde f es alguna funcin no lineal respecto a algunos parmetros desconocidos ? Como mnimo, se pretende obtener los valores de los parmetros asociados con la mejor curva de ajuste (habitualmente, con el mtodo de los mnimos cuadrados).

Teora de Probabilidades:
Los fenmenos determinsticos, estn caracterizados por obtener los mismos resultados cuando se realiza el experimento en idnticas condiciones. Estos no van a ser objeto de inters puesto que se conoce el resultado final antes de realizarlo (se corresponden por ejemplo con el estudio de las leyes fsicas clsicas: velocidad, rozamiento, etc.). Por otra

parte estn los fenmenos aleatorios caracterizados por no obtener los mismos resultados aunque se realice el experimento en idnticas condiciones (lotera primitiva). Concretamente, la definicin de fenmeno o experimento aleatorio es la siguiente: Definicin.- Un experimento aleatorio es aqul que verifica las siguientes condiciones: a) Todos los resultados posibles son conocidos de antemano. b) Cualquier realizacin del experimento da lugar a un resultado que no es conocido de antemano. c) El experimento puede repetirse bajo idnticas condiciones.

Ejemplo:
Ejemplos clsicos de fenmenos aleatorios son los juegos de azar: lanzamiento de un dado, lanzamiento de una moneda, obtener un pker en una baraja, obtener un pleno en una quiniela, etc.

Probabilidad de un evento
La probabilidad de un evento D est definida como la suma de los pesos de todos los puntos mustrales D.

Ejemplo:
Se carga un dado de tal manera que un nmero par tiene el doble de posibilidades de presentarse que un non. Si E es el evento en el que se da un nmero menor de 4 en un solo lanzamiento, ocurre P (E). Solucin el espacio muestral es S = {1, 2, 3, 4, 5,6}. Se le asigna una probabilidad de W a cada nmero non y de 2w a cada par. Dado que la suma de las probabilidades debe ser 1, se tiene 9w=1 o W.

EVENTOS EXCLUYENTES:
Dos eventos A y B son mutuamente excluyentes, si no pueden ocurrir ambos eventos simultneamente, la interseccin es el conjunto vaco.

Ejemplo:

En un puesto de peridicos se observa el tiempo entre un cliente y otro en la compra de un diario. Se define los siguientes eventos: A = {menos de 10 minutos} B = {ms de 5 y menos de 20 minutos} C = {ms de 15 minutos} Llega un cliente a los 16 minutos de su antecesor, segn este resultado se dice que ocurri el evento B y tambin el evento C pero no el evento A, sin embargo no se puede decir entre quienes son mutuamente excluyente. Segn la definicin: A B = {ms de 5 y menos de 10 minutos} A C = conjunto vaci B C = {ms de 15 y menos de 20 minutos} Con estos resultados se afirma que A y C son eventos mutuamente excluyentes, por que nunca ocurrir simultneamente ambos sucesos, caso contrario se observa en B y C que ocurre segn el caso del cliente que lleg a los 16 minutos, esto indica que ocurri el evento B y tambin el evento C.

Probabilidad Condicional:

A la probabilidad condicionada de que un evento B se d cuando se sabe que algn otro evento A se ha presentado se le denomina probabilidad condicional. Esto quiere decir que la probabilidad de que B ocurra dado que ocurri A.

Ejemplo:
Tenemos dos urnas, la primera con una bola blanca y dos negras y la segunda con dos blancas y una negra. Se lanza una moneda y si sale cara se extrae una bola de la primera urna y si sale sello de la segunda. Consideramos el suceso A = "obtener bola negra". El espacio muestral sera = {1b, 1n1 ,1n2 ,2b1 ,2b2 ,2n} y por tanto P(A) = 3/6. Ahora bien, supongamos que conocemos el resultado del lanzamiento de la moneda, y ha sido cara, entonces el nuevo espacio muestral sera: 1 = {1b, 1n1 ,1n2} y la probabilidad del suceso A con esa informacin adicional sera 2/6

Eventos Independientes:
Un evento es independiente en estadstica cuando la ocurrencia o no del mismo no tiene efecto sobre y no es afectado por la ocurrencia de otro evento.

Ejemplo: Un ejemplo es cuando nosotros lanzamos una moneda al aire. El resultado de este evento puede ser cara o cruz. Sea cual sea el resultado de este evento, el siguiente lanzamiento de la moneda es un evento independiente, o sea que no est afectado por el resultado del primer lanzamiento.

Teorema de Bayes:
A partir de que ha ocurrido el suceso B (ha ocurrido un accidente) deducimos las probabilidades del suceso A (estaba lloviendo o haca buen tiempo?) La frmula del Teorema de Bayes es: ( Ejemplo: La probabilidad de que haya un accidente en una fbrica que dispone de alarma es 0.1. La probabilidad de que suene esta s se ha producido algn incidente es de 0.97 y la probabilidad de que suene si no ha sucedido ningn incidente es 0.02. En el supuesto de que haya funcionado la alarma, cul es la probabilidad de que no haya habido ningn incidente? Sean los sucesos: I = Producirse incidente. A = Sonar la alarma. )

 ( )

Combinatoria:
En todo problema combinatorio hay varios conceptos claves que debemos distinguir: 1. Poblacin Es el conjunto de elementos que estamos estudiando. Denominaremos con m al nmero de elementos de este conjunto. 2. Muestra Es un subconjunto de la poblacin. Denominaremos con n al nmero de elementos que componen la muestra. Los diferentes tipos de muestra vienen determinados por dos aspectos: Orden Es decir, si es importante que los elementos de la muestra aparezcan ordenados o no. Repeticin La posibilidad de repeticin o no de los elementos. Factorial de un nmero natural Es el producto de los n factores consecutivos desde n hasta 1. El factorial de un nmero se denota por n!

Ejemplo: Calcular factorial de 5.

Variable aleatoria:
Se define como aquella en la cual los resultados de la observacin no se pueden predecir con exactitud, antes de que se realice el experimento.

Ejemplo:

Observar el tiempo de vida de una computadora; con solo observar no podramos predecir cunto tiempo durara la computadora. Ahora bien si realizamos una revisin detallada de cada uno de los componentes de la misma. Se puede determinar en qu condiciones se encuentra la computadora.

A su vez las variables aleatorias se clasifican en variables continuas y variables y discretas: Variable aleatoria contina.

Es aquella que puede tomar un nmero infinito no numerable de valores. Ejemplo:

Variable aleatoria discreta.

Est definida como la variable que slo puede tomar un nmero finito o infinito numerable de valores. Ejemplo:

Funcin de probabilidad
La probabilidad cumple con la funcin principal de calificar eventos, es decir predecir el nivel de posibilidad que puede tener dicho evento (alto, medio o bajo). Adems de ello la probabilidad constituye uno de los pilares matemticos fundamentales de la ingeniera de confiabilidad y del anlisis de riesgo.

Ejemplo: Calcular la distribucin de probabilidad de las puntuaciones obtenidas al lanzar un dado.

pi

Representacin La representacin de una distribucin discreta de probabilidad es un diagrama de barras.

Esperanza Matemtica

La esperanza matemtica o valor esperado de una variable aleatoria discreta es la suma del producto de la probabilidad de cada suceso por el valor de dicho suceso.

Ejemplo: Si una persona compra una papeleta en una rifa, en la que puede ganar de 5.000 Bs un segundo premio de 2000 Bs con probabilidades de: 0.001 y 0.003. Cul sera el precio justo a pagar por la papeleta?

E(x) = 5000 0.001 + 2000 0.003 = 11 Bs

Distribucin de Bernouilli:
Es aquel modelo que sigue un experimento que se realiza una sola vez y que puede tener dos soluciones: acierto o fracaso: Cuando es acierto la variable toma el valor 1 Cuando es fracaso la variable toma el valor 0

Ejemplo: Probabilidad de salir cara al lanzar una moneda al aire (sale cara o no sale); probabilidad de ser admitido en una universidad (o te admiten o no te admiten); probabilidad de acertar una quiniela (o aciertas o no aciertas) Al haber nicamente dos soluciones se trata de sucesos complementarios:

A la probabilidad de xito se le denomina "p" A la probabilidad de fracaso se le denomina "q" Verificndose que: p+q=1

Ejemplo: Probabilidad de salir cara al lanzar una moneda al aire: Probabilidad de que salga cara: p = 0,5 Probabilidad de que no salga cara: q = 0,5 p + q = 0,5 + 0,5 = 1

La Distribucin Binomial

Permite estimar el nmero de xitos que se alcanzaran en un nmero especifico de intentos, dada una probabilidad de xito determinada. Los parmetros de la

distribucin son: Probabilidad (p) y nmero de ensayos o pruebas (n). Las variables que pueden representarse con la distribucin Binomial, tienen tres caractersticas bsicas: a.- Por cada intento, hay solo dos posibles resultados: xito o falla. b.- Los ensayos son independientes. Los resultados de un primer ensayo no afectan los de ensayos posteriores. c.- La probabilidad de ocurrencia permanece constante en cualquier ensayo.

Frmula de Distribucin Binomial:

Ejemplo: Cul es la probabilidad de obtener 6 caras al lanzar una moneda 10 veces? k " es el nmero de aciertos. En este ejemplo " k " igual a 6 (en cada acierto decamos que la variable toma el valor 1: como son 6 aciertos, entonces k = 6) n" es el nmero de ensayos. En nuestro ejemplo son 10 p " es la probabilidad de xito, es decir, que salga "cara" al lanzar la moneda. Por lo tanto p = 0,5 Quedara la frmula as:

Luego:

Tenemos una probabilidad del 20,5% de obtener 6 caras al lanzar 10 veces una moneda

Distribucin Geomtrica:
La distribucin geomtrica es un modelo adecuado para aquellos procesos en los que se repiten pruebas hasta la consecucin del xito a resultado deseado y tiene interesantes aplicaciones en los muestreos realizados de esta manera. Tambin implica la existencia de una dicotoma de posibles resultados y la independencia de las pruebas entre s.

Distribucin hipergeomtrica
La distribucin hipergeomtrica es el modelo que se aplica en experimentos del siguiente tipo: En una urna hay bolas de dos colores (blancas y negras), cul es la probabilidad de que al sacar 2 bolas las dos sean blancas?

Son experimentos donde, al igual que en la distribucin binomial, en cada ensayo hay tan slo dos posibles resultados: o sale blanca o no sale. Pero se diferencia de la distribucin binomial en que los distintos ensayos son dependientes entre s. | | | | | Ejemplo: En una fiesta hay 20 personas: 14 casadas y 6 solteras. Se eligen 3 personas al azar Cul es la probabilidad de que las 3 sean solteras? |

| | | | | |

Por lo tanto, P (x = 3) = 0,0175. Es decir, la probabilidad de que las 3 personas sean solteras es tan slo del 1,75%.

Distribucin de Poisson:
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:

Se tiene que cumplir que: p " < 0,10 p * n " < 10 La distribucin de Poisson sigue el siguiente modelo: Hay tres condiciones que resaltan esta distribucin: a.- El nmero de posibles ocurrencias en alguna unidad de medida no est limitado por un nmero fijo. b.- Las ocurrencias son independientes. El nmero de ocurrencia en una unidad de medida no afecta el nmero de ocurrencias en otras unidades. c.- El promedio de ocurrencias debe ser la misma de unidad a unidad. Ejemplo: La probabilidad de tener un accidente de trfico es de 0,02 cada vez que se viaja, si se realizan 300 viajes, cual es la probabilidad de tener 3 accidentes? Como la probabilidad " p " es menor que 0,1, y el producto " n * p " es menor que 10, entonces aplicamos el modelo de distribucin de Poisson.

Luego,

Por lo tanto, la probabilidad de tener 3 accidentes de trfico en 300 viajes es del 8,9%

Distribucin uniforme o rectangular:

La distribucin uniforme es aquella que puede tomar cualquier valor dentro de un intervalo, todos ellos con la misma probabilidad. Es una distribucin continua porque puede tomar cualquier valor y no nicamente un nmero determinado (como ocurre en las distribuciones discretas). Ejemplo: El volumen de precipitaciones estimado para el prximo ao en la ciudad de Maracaibo va a oscilar entre 400 y 500 litros por metro cuadrado. Calcular la funcin de distribucin y la precipitacin media esperada:

Es decir, que el volumen de precipitaciones est entre 400 y 401 litros tiene un 1% de probabilidades; que est entre 401 y 402 litros, otro 1%, etc. El valor medio esperado es:

Es decir, la precipitacin media estimada en Maracaibo para el prximo ao es de 450 litros.

Distribucin Normal:
Una variable es normal cuando se ajusta a la ley de los grandes nmeros, es decir, cuando sus valores son el resultado de medir reiteradamente una magnitud sobre la que influyen infinitas causas de efecto infinitesimal. Las variables normales tienen una funcin de densidad con forma de campana a la que se llama campana de Gauss.

Ejemplo: Una variable aleatoria sigue el modelo de una distribucin normal con media 10 y varianza 4. Transformarla en una normal tipificada. X: N (10, 4) Para transformarla en una normal tipificada se crea una nueva variable (Y) que ser igual a la anterior (X) menos su media y dividida por su desviacin tpica (que es la raz cuadrada de la varianza)

En el ejemplo, la nueva variable sera:

Esta nueva variable se distribuye como una normal tipificada, permitindonos, por tanto, conocer la probabilidad acumulada en cada valor. Y: N (0, 1)

Distribucin Gamma:
Este modelo es una generalizacin del modelo Exponencial ya que, en ocasiones, se utiliza para modelar variables que describen el tiempo hasta que se produce p veces un determinado suceso. Su funcin de densidad es: {

Distribucin Exponencial:
La distribucin exponencial es el equivalente continuo de la distribucin geomtrica discreta. Esta ley de distribucin describe procesos en los que: Nos interesa saber el tiempo hasta que ocurre determinado evento, sabiendo que, el tiempo que pueda ocurrir desde cualquier instante dado t, hasta que ello ocurra en un instante tf, no depende del tiempo transcurrido anteriormente en el que no ha pasado nada.

Ejemplo:

El tiempo que tarda una partcula radiactiva en desintegrarse. El conocimiento de la ley que sigue este evento se utiliza en Ciencia para, por ejemplo, la datacin de fsiles o cualquier materia orgnica mediante la tcnica del carbono 14, C14; El tiempo que puede transcurrir en un servicio de urgencias, para la llegada de un paciente

Distribucin Ji Cuadrado:
En realidad la distribucin ji-cuadrada es la distribucin muestral de s2. O sea que si se extraen todas las muestras posibles de una poblacin normal y a cada muestra se le calcula su varianza, se obtendr la distribucin muestral de varianzas.

Distribucin t de Student:
En probabilidad y estadstica, la distribucin t (de Student) es una distribucin de probabilidad que surge del problema de estimar la media de una poblacin normalmente distribuida cuando el tamao de la muestra es pequeo. La distribucin t de Student es la distribucin de probabilidad del cociente:

Donde: Z tiene una distribucin normal de media nula y varianza 1 V tiene una distribucin ji-cuadrado con Z y V son independientes grados de libertad

Variables T con valores de n progresivamente mayores son cada vez menos platicrticas

Comparacin entre la variable T y la normal tipificado

Conclusin:
La probabilidad mide la frecuencia con la que se obtiene un resultado (o conjunto de resultados) al llevar a cabo un experimento aleatorio, del que se conocen todos los resultados posibles, bajo condiciones suficientemente estables. La teora de la probabilidad se usa extensamente en reas como la estadstica, la fsica, la matemtica, la ciencia y la filosofa para sacar conclusiones sobre la probabilidad de sucesos potenciales y la mecnica subyacente de sistemas complejos.

La Variable aleatoria se clasifica en Discreta (las que se pueden contar) y Continua (las que no se pueden contar)

Pudimos conocer las diferentes Distribuciones de Probabilidades las cuales son:

Discretas {

Continuas {

Los conceptos antes mencionados han sido analizados e investigados de tal manera de hacer ms fcil su comprensin y entendimientos ya que la estadstica es la ciencia que trata de entender, organizar y tomar decisiones que estn de acuerdo con los anlisis efectuados