Distribucin Binomial

En Estadstica, la Distribucin Binomial es una distribucin de probabilidad discreta que mide el nmero de xitos en una secuencia de n ensayos independientes de Bernoulli, 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:

La distribucin Binomial es la base del test binomial de significacin estadstica. Ejemplos La siguiente situacin es un ejemplo de experimento que puede modelizarse por esta distribucin:

Se lanza un dado diez veces y se cuenta el nmero de tres obtenidos: X ~ B(10, 1/6)

Experimento Binomial Existen muchas situaciones en las que se presenta una experiencia binomial. Este tipo de experiencias se caracteriza por estar formada por un nmero predeterminado n de experimentos iguales. Cada uno de los experimentos es independiente de los restantes (la probabilidad del resultado de un experimento no depende del resultado del resto). El resultado de cada experimento ha de admitir slo dos categoras (a las que se denomina xito y fracaso). Las probabilidades de ambas posibilidades han de ser constantes en todos los experimentos (se denotan como p y q o p y 1-p). Se designa por X a la variable que mide el nmero de xitos que se han producido en los n experimentos. Cuando se dan estas circunstancias, se dice que la variable X sigue una distribucin de probabilidad binomial, y se nota B(n,p). Caractersticas analticas Su funcin de probabilidad est dada por:

donde

, siendo elementos tomados de en )

las combinaciones de

en

Propiedades caractersticas

Relaciones con otras variables aleatorias Se verifica que si Bernouilli de parmetro son tales que cada una sigue una distribucin , y todas ellas son independientes entre s,

entonces de parmetros

resulta ser una variable aleatoria con distribucin binomial . Adems, si n es grande y es pequeo, de modo que el

producto entre ambos parmetros tiende a , entonces la distribucin de la variable aleatoria binomial tiende a una Distribucin de Poisson de parmetro Por ltimo, se cumple que cuando n es muy grande (n 30) la distribucin binomial se aproxima a la distribucin normal. Propiedades reproductivas Dadas n variables aleatorias

, tales que:

Todas tienen una distribucin binomial; Todas tienen el mismo parmetro ; Cada una tiene su propio parmetro necesariamente tienen que ser iguales); (es decir, los n no

NO son TOTALMENTE independientes entre s; Se toma la variable aleatoria ;

Se toma

Entonces: La variable aleatoria Y tiene una distribucin Binomial, con parmetros y . Por lo tanto, dadas n variables binomiales independientes, de parmetros ni , i = 1, ..., n y , su suma es tambin una variable binomial, de parmetros n1 + ... + nn y .

Distribucin binomial

Funcin de probabilidad

Funcin de distribucin de probabilidad

Parmetros Dominio

nmero de ensayos (entero) probabilidad de xito (real)

Funcin de probabilidad (fp)

Funcin de distribucin (cdf)

Media Uno de

Mediana

Moda Varianza Coeficiente de simetra Curtosis Entropa Funcin generadora de momentos (mgf) Funcin caracterstica

Distribucin de Poisson
En teora de probabilidad y estadstica, la distribucin de Poisson es una distribucin de probabilidad discreta. Expresa la probabilidad de un nmero k de eventos ocurriendo en un tiempo fijo si estos eventos ocurren con una tasa media conocida, y son independientes del tiempo desde el ltimo evento. La distribucin fue descubierta por Simon-Denis Poisson (17811840) que public, junto con su teora de probabilidad, en 1838 en su trabajo Recherches sur la probabilit des jugements en matires criminelles et matire civile ("Investigacin sobre la probabilidad de los juicios en materias criminales y civiles"). El trabajo estaba enfocado en ciertas variables aleatorias N que cuentan, entre otras cosas, un nmero de ocurrencias discretas (muchas veces llamadas "arribos") que tienen lugar durante un intervalo de tiempo de duracin determinada. Si el nmero esperado de ocurrencias en este intervalo es , entonces la probabilidad de que haya exactamente k ocurrencias (siendo k un entero no negativo, k = 0, 1, 2, ...) es igual a:

dnde

e es el base del logaritmo natural (e = 2.71828...), k! es el factorial de k, k es el nmero de ocurrencias de un evento, es un nmero real positivo, equivalente al nmero esperado de ocurrencias durante un intervalo dado. Por ejemplo, si los eventos

ocurren de media cada 4 minutos, y se est interesado en el nmero de eventos ocurriendo en un intervalo de 10 minutos, se usara como modelo una distribucin de Poisson con = 2.5. Por ejemplo, si 2% de los libros encuadernados en cierto taller tiene encuadernacin defectuosa, obtener la probabilidad de que 5 de 400 libros encuadernados en este taller tengan encuadernaciones defectuosas.

Su media y su varianza son:

Como una funcin de k, sta es la funcin probabilidad de masa. La distribucin de Poisson puede ser vista como un caso limitante de la distribucin binomial, es decir, que una distribucin binomial en la que y valor La distribucin de Poisson es tambin llamada Poissoniana, anlogamente al trmino Gaussiana para una distribucin de Gauss o distribucin normal. Procesos de Poisson La distribucin de Poisson, se aplica a varios fenmenos discretos de la naturaleza (esto es, aquellos fenmenos que ocurren 0, 1, 2, 3, ... veces durante un periodo definido de tiempo o en una rea determinada) cuando se puede aproximar por una distribucin de Poisson de

la probabilidad de ocurrencia del fenmeno es constante en el tiempo o el espacio. Ejemplos de estos eventos que pueden ser modelados por la distribucin de Poisson incluyen:

El nmero de autos que pasan a travs de un cierto punto en una ruta (suficientemente distantes de los semforos) durante un periodo definido de tiempo. El nmero de errores de ortografa que uno comete al escribir una nica pgina. El nmero de llamadas telefnicas en una central telefnica por minuto. El nmero de servidores Web accedidos por minuto. El nmero de animales muertos encontrados por unidad de longitud de ruta. El nmero de mutaciones de determinada cadena de ADN despus de cierta cantidad de radiacin. El nmero de ncleos atmicos inestables que decayeron en un determinado periodo de tiempo en una porcin de sustancia radiactiva. La radiactividad de la sustancia se debilitar con el tiempo, por lo tanto el tiempo total del intervalo usado en el modelo debe ser significativamente menor que la vida media de la sustancia. El nmero de estrellas en un determinado volumen de espacio. La distribucin de receptores visuales en la retina del ojo humano. La inventiva de un inventor a travs de su carrera. Propiedades

El valor esperado de una variable aleatoria con distribucin de Poisson es igual a y tambin lo es su varianza. Los momentos ms altos de la distribucin de Poisson son polinomios de Touchard en

cuyos coeficientes tienen un sentido combinatorio. De hecho, cuando el valor esperado de la distribucin de Poisson es 1, entonces la frmula de Dobinski dice que el ensimo momento iguala al nmero de particiones de tamao n.

La moda de una variable aleatoria de distribucin de Poisson con un no entero es igual a (o suelo de ), el cual es el nmero entero ms grande menor o igual a . Esto tambin es expresado como la funcin parte entera de . Cuando es un entero positivo, las modas son y ( 1).

Sumas de las variables aleatorias de distribucin de Poisson: Si sigue una distribucin de Poisson con parmetro

y Xi son independientes entonces tambin sigue una distribucin de Poisson cuyo parmetro es la suma de los parmetros del componente.

La funcin generadora de momentos de la distribucin de Poisson con valor esperado es:

Todas las acumulaciones de la distribucin de Poisson son iguales al valor esperado . El ensimo momento factorial de la distribucin de Poisson es n.

La distribuciones de Poisson son funciones probabilsticas infinitamente divisibles.

La divergencia Kullback-Leibler dirigida entre Poi(0) y Poi() est dada por:

Cuando tiende a infinito, podemos aproximar a una distribucin normal. Por ello, podemos tipificar ya que conocemos cual es la media y varianza de una Poisson. XPo() ~ N(,)

Tipificando:

Y N(0,1) Distribucin de Poisson Funcin de probabilidad

El eje horizontal es el ndice k. La funcin solamente est definida en valores enteros de k. Las lneas que conectan los puntos son solo

guas para el ojo y no indican continuidad.

Funcin de distribucin de probabilidad

El eje horizontal es el ndice k. Parmetros Dominio Funcin de probabilidad (fp) Funcin de distribucin (cdf) Media Mediana Moda Varianza Coeficiente de simetra

(dnde (x, y) es la Funcin gamma incompleta)

Curtosis Entropa Funcin generadora de momentos (mgf) Funcin caracterstica

Distribucin Normal o de Gauss

En Estadstica y Probabilidad se llama distribucin normal, distribucin de Gauss o distribucin gaussiana, a una de las distribuciones de probabilidad de variable continua que con ms frecuencia aparece en fenmenos reales. La grfica de su funcin de densidad tiene una forma acampanada y es simtrica respecto de un determinado parmetro. Esta curva se conoce como campana de Gauss. La importancia de esta distribucin radica en que permite modelizar numerosos fenmenos naturales, sociales y psicolgicos. Mientras que los mecanismos que subyacen a gran parte de este tipo de fenmenos son desconocidos, por la ingente cantidad de variables incontrolables que en ellos intervienen, el uso del modelo normal puede justificarse asumiendo que cada observacin se obtiene como la suma de unas pocas causas independientes. La distribucin normal tambin es importante por su relacin con la estimacin por mnimos cuadrados, uno de los mtodos de estimacin ms simples y antiguos.

Algunos ejemplos de variables asociadas a fenmenos naturales que siguen el modelo de la normal son:

caracteres morfolgicos de individuos como la estatura; caracteres fisiolgicos como el efecto de un frmaco; caracteres sociolgicos como el consumo de cierto producto por un mismo grupo de individuos; caracteres psicolgicos como el cociente intelectual; nivel de ruido en telecomunicaciones; errores cometidos al medir ciertas magnitudes; etc.

La distribucin normal tambin aparece en muchas reas de la propia estadstica. Por ejemplo, la distribucin muestral de las medias muestrales es aproximadamente normal, incluso si la distribucin de la poblacin de la cual se extrae la muestra no es normal. Adems, la distribucin normal maximiza la entropa entre todas las distribuciones con media y varianza conocidas, lo cual la convierte en la eleccin natural de la distribucin subyacente a una lista de datos resumidos en trminos de media muestral y varianza. La distribucin normal es la ms extendida en estadstica y muchos tests estadsticos estn basados en una supuesta "normalidad". En probabilidad la distribucin normal aparece como el lmite de varias distribuciones de probabilidad continuas y discretas.

Distribucin normal Funcin de densidad de probabilidad

La lnea verde corresponde a la distribucin normal estndar

Funcin de distribucin de probabilidad

Parmetros Dominio Funcin de densidad (pdf) Funcin de distribucin (cdf)

>0

Definicin formal Hay varios modos de definir formalmente una distribucin de probabilidad. La forma ms visual es mediante su funcin de densidad. De forma equivalente, tambin pueden darse para su definicin la funcin de distribucin, los momentos, la funcin caracterstica y la funcin generatriz de momentos, entre otros.

Funcin de densidad

Se dice que una variable aleatoria continua X sigue una distribucin normal de parmetros y y se denota X ~ N (, ) si su funcin de densidad est dada por:

donde (mu) es la media y (sigma) es la desviacin tpica (2 es la varianza)

Se llama distribucin normal "estndar" a aquella en la que sus parmetros toman los valores = 0 y = 1. En este caso la funcin de densidad tiene la siguiente expresin:

Su grfica se muestra a continuacin y con frecuencia se usan TABLAS para el clculo de los valores de su distribucin. Propiedades Algunas propiedades de la distribucin normal son: 1. Es simtrica respecto de su media, ;

2. La moda y la mediana son ambas iguales a la media, ; 3. Los puntos de inflexin de la curva se dan para x = y x = + .

4. Distribucin de probabilidad en un entorno de la media: en el intervalo [ - , + ] se encuentra comprendida, aproximadamente, el 68,26% de la distribucin; en el intervalo [ - 2, + 2] se encuentra, aproximadamente, el 95,44% de la distribucin;

por su parte, en el intervalo [ -3, + 3] se encuentra comprendida, aproximadamente, el 99,74% de la distribucin. Estas propiedades son de gran utilidad para el establecimiento de intervalos de confianza. Por otra parte, el hecho de que prcticamente la totalidad de la distribucin se encuentre a tres desviaciones tpicas de la media justifica los lmites de las tablas empleadas habitualmente en la normal estndar.

5. Si X ~ N(, ) y a y b son nmeros reales, entonces (aX + b) ~

N(a+b, a).
6. Si X ~ N(x, x) e Y ~ N(y, y) son variables aleatorias normales

independientes, entonces:

Su suma est normalmente distribuida con U = X + Y ~ N(x + y, x2 + y2). Recprocamente, si dos variables aleatorias independientes tienen una suma normalmente distribuida, deben ser normales (Teorema de Crmer).

Su

diferencia

est

normalmente .

distribuida

con

Si las varianzas de X e Y son iguales, entonces U y V son independientes entre s. La [[divergencia de Kullback-Leibler,

1.

Si

son

variables

aleatorias

independientes normalmente distribuidas, entonces:

 Su producto XY sigue una distribucin con densidad p dada por

donde K0 es una funcin de Bessel modificada de segundo tipo.

Su cociente sigue una distribucin de Cauchy con X / Y Cauchy (0,X / Y). De este modo la distribucin de Cauchy es un tipo especial de distribucin cociente.

2.

Si entonces libertad. Si

son variables normales estndar independientes, sigue una distribucin con n grados de son variables normales estndar independientes, y la varianza son

3.

entonces la media muestral muestral

independientes. Esta propiedad caracteriza a las distribuciones normales y contribuye a explicar por qu el test-F no es robusto respecto a la no-normalidad). Estandarizacin de variables aleatorias normales Como consecuencia de la Propiedad 1, es posible relacionar todas las variables aleatorias normales con la distribucin normal estndar. Si X ~ N (,2), entonces

es una variable aleatoria normal estndar: Z ~ N (0,1).

La transformacin de una distribucin X ~ N (, ) en una N (0, 1) se llama normalizacin, estandarizacin o tipificacin de la variable X. Una consecuencia importante de esto es que la funcin de distribucin de una distribucin normal es, por consiguiente,

A la inversa, si Z es una distribucin normal estndar, Z ~ N (0,1), entonces X = Z + es una variable aleatoria normal de media y varianza 2. La distribucin normal estndar est tabulada (habitualmente en la forma del valor de la funcin de distribucin ) y las otras distribuciones normales pueden obtenerse como transformaciones simples, como se describe ms arriba, de la distribucin estndar. De este modo se pueden usar los valores tabulados de la funcin de distribucin normal estndar para encontrar valores de la funcin de distribucin de cualquier otra distribucin normal. Uso de tablas La probabilidad de que una variable aleatoria (que sigue una distribucin normal) se encuentre entre dos valores determinados ser en general difcil de calcular (hay que usar la integral de la funcin de probabilidad). Para ello, existen TABLAS CON LOS VALORES CORRESPONDIENTES, si bien stos se calculan para la distribucin Normal Tipificada. Bsicamente, se busca un valor de x (por ejemplo, nos da la probabilidad de que : ), y la tabla

En el caso de que la distribucin no sea estndar, por ejemplo, con manera: y , tendremos que tipificar la variable de la siguiente

Y se obtiene una variable Z normal, que adems est tipificada, ahora se consulta en la tabla,

La tabla Esta tabla de doble entrada, presenta la probabilidad para Z < x, de la distribucin normal tipificada, para valores de x iguales o mayores que cero, en la fila superior esta la parte entera de x, y en la columna de la izquierda los dos primeros decimales, en la casilla donde se cruzan la fila y la columna correspondientes, figura el valor de la probabilidad de que Z < x, con seis cifras decimales, separadas de tres en tres por un espacio en blanco para facilitar la lectura.

Tabla Distribucin Normal Tipificada.

Zp

0,00

1,00

2,00

3,00

4,00

0,00

0, 500 000

0, 841 344

0, 977 249

0, 998 650

0, 999 968

0,01

0, 503 989

0, 843 752

0, 977 784

0, 998 693

0, 999 969

0,02

0, 507 978

0, 846 135

0, 978 308

0, 998 736

0, 999 970

0,03

0, 511 966

0, 848 494

0, 978 821

0, 998 777

0, 999 972

0,04

0, 515 953

0, 850 830

0, 979 324

0, 998 817

0, 999 973

0,05

0, 519 938

0, 853 140

0, 979 817

0, 998 855

0, 999 974

0,06

0, 523 922

0, 855 427

0, 980 300

0, 998 893

0, 999 975

0,07

0, 527 903

0, 857 690

0, 980 773

0, 998 929

0, 999 976

0,08

0, 531 881

0, 859 928

0, 981 237

0, 998 964

0, 999 977

0,09

0, 535 856

0, 862 143

0, 981 691

0, 998 999

0, 999 978

0,10

0, 539 827

0, 864 333

0, 982 135

0, 999 032

0, 999 979

0,11

0, 543 795

0, 866 500

0, 982 570

0, 999 064

0, 999 980

0,12

0, 547 758

0, 868 643

0, 982 997

0, 999 095

0, 999 981

0,13

0, 551 716

0, 870 761

0, 983 414

0, 999 125

0, 999 981

0,14

0, 555 670

0, 872 856

0, 983 822

0, 999 155

0, 999 982

0,15

0, 559 617

0, 874 928

0, 984 222

0, 999 183

0, 999 983

0,16

0, 563 559

0, 876 975

0, 984 613

0, 999 211

0, 999 984

0,17

0, 567 494

0, 878 999

0, 984 996

0, 999 237

0, 999 984

0,18

0, 571 423

0, 880 999

0, 985 371

0, 999 263

0, 999 985

0,19

0, 575 345

0, 882 976

0, 985 737

0, 999 288

0, 999 986

0,20

0, 579 259

0, 884 930

0, 986 096

0, 999 312

0, 999 986

0,21

0, 583 166

0, 886 860

0, 986 447

0, 999 336

0, 999 987

0,22

0, 587 064

0, 888 767

0, 986 790

0, 999 358

0, 999 987

0,23

0, 590 954

0, 890 651

0, 987 126

0, 999 380

0, 999 988

0,24

0, 594 834

0, 892 512

0, 987 454

0, 999 402

0, 999 988

0,25

0, 598 706

0, 894 350

0, 987 775

0, 999 422

0, 999 989

0,26

0, 602 568

0, 896 165

0, 988 089

0, 999 442

0, 999 989

0,27

0, 606 419

0, 897 957

0, 988 396

0, 999 462

0, 999 990

0,28

0, 610 261

0, 899 727

0, 988 696

0, 999 480

0, 999 990

0,29

0, 614 091

0, 901 474

0, 988 989

0, 999 499

0, 999 991

0,30

0, 617 911

0, 903 199

0, 989 275

0, 999 516

0, 999 991

0,31

0, 621 719

0, 904 902

0, 989 555

0, 999 533

0, 999 991

0,32

0, 625 515

0, 906 582

0, 989 829

0, 999 549

0, 999 992

0,33

0, 629 299

0, 908 240

0, 990 096

0, 999 565

0, 999 992

0,34

0, 633 071

0, 909 877

0, 990 358

0, 999 581

0, 999 992

0,35

0, 636 830

0, 911 491

0, 990 613

0, 999 595

0, 999 993

0,36

0, 640 576

0, 913 084

0, 990 862

0, 999 610

0, 999 993

0,37

0, 644 308

0, 914 656

0, 991 105

0, 999 624

0, 999 993

0,38

0, 648 027

0, 916 206

0, 991 343

0, 999 637

0, 999 994

0,39

0, 651 731

0, 917 735

0, 991 575

0, 999 650

0, 999 994

0,40

0, 655 421

0, 919 243

0, 991 802

0, 999 663

0, 999 994

0,41

0, 659 096

0, 920 730

0, 992 023

0, 999 675

0, 999 994

0,42

0, 662 757

0, 922 196

0, 992 239

0, 999 686

0, 999 995

0,43

0, 666 402

0, 923 641

0, 992 450

0, 999 698

0, 999 995

0,44

0, 670 031

0, 925 066

0, 992 656

0, 999 709

0, 999 995

0,45

0, 673 644

0, 926 470

0, 992 857

0, 999 719

0, 999 995

0,46

0, 677 241

0, 927 854

0, 993 053

0, 999 729

0, 999 995

0,47

0, 680 822

0, 929 219

0, 993 244

0, 999 739

0, 999 996

0,48

0, 684 386

0, 930 563

0, 993 430

0, 999 749

0, 999 996

0,49

0, 687 933

0, 931 887

0, 993 612

0, 999 758

0, 999 996

0,50

0, 691 462

0, 933 192

0, 993 790

0, 999 767

0, 999 996

0,51

0, 694 974

0, 934 478

0, 993 963

0, 999 775

0, 999 996

0,52

0, 698 468

0, 935 744

0, 994 132

0, 999 784

0, 999 996

0,53

0, 701 944

0, 936 991

0, 994 296

0, 999 792

0, 999 997

0,54

0, 705 401

0, 938 219

0, 994 457

0, 999 799

0, 999 997

0,55

0, 708 840

0, 939 429

0, 994 613

0, 999 807

0, 999 997

0,56

0, 712 260

0, 940 620

0, 994 766

0, 999 814

0, 999 997

0,57

0, 715 661

0, 941 792

0, 994 915

0, 999 821

0, 999 997

0,58

0, 719 042

0, 942 946

0, 995 059

0, 999 828

0, 999 997

0,59

0, 722 404

0, 944 082

0, 995 201

0, 999 834

0, 999 997

0,60

0, 725 746

0, 945 200

0, 995 338

0, 999 840

0, 999 997

0,61

0, 729 069

0, 946 301

0, 995 472

0, 999 846

0, 999 997

0,62

0, 732 371

0, 947 383

0, 995 603

0, 999 852

0, 999 998

0,63

0, 735 652

0, 948 449

0, 995 730

0, 999 858

0, 999 998

0,64

0, 738 913

0, 949 497

0, 995 854

0, 999 863

0, 999 998

0,65

0, 742 153

0, 950 528

0, 995 975

0, 999 868

0, 999 998

0,66

0, 745 373

0, 951 542

0, 996 092

0, 999 873

0, 999 998

0,67

0, 748 571

0, 952 540

0, 996 207

0, 999 878

0, 999 998

0,68

0, 751 747

0, 953 521

0, 996 318

0, 999 883

0, 999 998

0,69

0, 754 902

0, 954 486

0, 996 427

0, 999 887

0, 999 998

0,70

0, 758 036

0, 955 434

0, 996 532

0, 999 892

0, 999 998

0,71

0, 761 148

0, 956 367

0, 996 635

0, 999 896

0, 999 998

0,72

0, 764 237

0, 957 283

0, 996 735

0, 999 900

0, 999 998

0,73

0, 767 304

0, 958 184

0, 996 833

0, 999 904

0, 999 998

0,74

0, 770 350

0, 959 070

0, 996 927

0, 999 907

0, 999 998

0,75

0, 773 372

0, 959 940

0, 997 020

0, 999 911

0, 999 998

0,76

0, 776 372

0, 960 796

0, 997 109

0, 999 915

0, 999 999

0,77

0, 779 350

0, 961 636

0, 997 197

0, 999 918

0, 999 999

0,78

0, 782 304

0, 962 462

0, 997 281

0, 999 921

0, 999 999

0,79

0, 785 236

0, 963 273

0, 997 364

0, 999 924

0, 999 999

0,80

0, 788 144

0, 964 069

0, 997 444

0, 999 927

0, 999 999

0,81

0, 791 029

0, 964 852

0, 997 522

0, 999 930

0, 999 999

0,82

0, 793 892

0, 965 620

0, 997 598

0, 999 933

0, 999 999

0,83

0, 796 730

0, 966 375

0, 997 672

0, 999 935

0, 999 999

0,84

0, 799 545

0, 967 115

0, 997 744

0, 999 938

0, 999 999

0,85

0, 802 337

0, 967 843

0, 997 813

0, 999 940

0, 999 999

0,86

0, 805 105

0, 968 557

0, 997 881

0, 999 943

0, 999 999

0,87

0, 807 849

0, 969 258

0, 997 947

0, 999 945

0, 999 999

0,88

0, 810 570

0, 969 946

0, 998 011

0, 999 947

0, 999 999

0,89

0, 813 267

0, 970 621

0, 998 073

0, 999 949

0, 999 999

0,90

0, 815 939

0, 971 283

0, 998 134

0, 999 951

0, 999 999

0,91

0, 818 588

0, 971 933

0, 998 192

0, 999 953

0, 999 999

0,92

0, 821 213

0, 972 571

0, 998 249

0, 999 955

0, 999 999

0,93

0, 823 814

0, 973 196

0, 998 305

0, 999 957

0, 999 999

0,94

0, 826 391

0, 973 810

0, 998 358

0, 999 959

0, 999 999

0,95

0, 828 943

0, 974 412

0, 998 411

0, 999 960

0, 999 999

0,96

0, 831 472

0, 975 002

0, 998 461

0, 999 962

0, 999 999

0,97

0, 833 976

0, 975 580

0, 998 510

0, 999 964

0, 999 999

0,98

0, 836 456

0, 976 148

0, 998 558

0, 999 965

0, 999 999

0,99

0, 838 912

0, 976 704

0, 998 605

0, 999 966

0, 999 999

Ejemplo: Buscar la probabilidad normal tipificada de que Z < 2,04. En la columna del 2 y la fila del 0,04, esta el valor 0,979 324, esto es:

Para otros valores

En la tabla anterior se pueden buscar los valores de la probabilidad normal tipificada:

para valores de x mayores o iguales a cero, como el ejemplo anterior, hay ms casos, que con los datos de la tabla se pueden resolver. Para x < 0

Para hacer este clculo hay que tener en cuenta lo siguiente: sabiendo que la suma de la probabilidad de que Z sea menor que un valor, ms la probabilidad de que sea mayor que ese valor es uno:

despejando:

Y sabiendo que la funcin normal tipificada es simtrica respecto al eje x = 0:

y sustituyendo, tenemos que:

Donde el valor:

se busca en la tabla. Ejemplo Cual es la probabilidad: P(Z(0,1) < 1,32) los valores negativos no vienen en la tabla, pero segn lo anterior:

segn la tabla:

por tanto:

que resulta:

Probabilidad de Z > x y x > 0

Como en el caso anterior partimos de:

despejando:

y el valor:

se busca en la tabla. Ejemplo Cual es la probabilidad: P(Z(0,1) > 2,11) segn el calculo anterior:

de la tabla tenemos:

lo que resulta:

que resulta:

Probabilidad de Z > x y x < 0

Para calcular:

Partimos de la simetra de la funcin normal tipificada:

y sustituyendo:

resulta:

ordenando

Ejemplo Cual es la probabilidad: P(Z(0,1) > 2,02) Segn lo anterior:

buscando el valor en la tabla, tenemos que:

Probabilidad de x1 < Z < x2 Para calcular la probabilidad de que la variable se encuentre entre dos valores x1 y x2, siendo x1 < x2 se tiene en cuenta que:

los valores de cada una de estas probabilidades se buscan en la tabla por separado, o se calculan segn el caso, por los mtodos anteriores. Ejemplo Cual es la probabilidad: P(1,50 < Z(0,1) < 2,00) se buscan en la tabla las probabilidades:

Luego, segn lo anterior:

esto es:

Realizando la operacin:

AUTOEVALUACION

Distribucin Binomial 1. Un agente de seguros contrata 5 plizas con personas de la misma edad y de buena salud. Segn las tablas en uso, la probabilidad de que una persona de esa edad est viva dentro de 30 aos es 2/3. Hallar la probabilidad de que dentro de 30 aos vivan: Las 5 personas Al menos 4 A lo sumo una No menos de una 2. Calcular, para una distribucin binomial en la que p= 0,7 y N = 60: La media La desviacin tpica El coeficiente momento de sesgo El coeficiente momento de curtosis 3. Si el 20% de las MEMORY CARD SCPH-1020 para ensambladas por SONY son defectuosas,

PlayStation

determinar la probabilidad de que, entre cuatro memorias escogidas al azar: tres sean defectuosas Ninguna sea defectuosa

 Al menos dos sean defectuosas Una sea sin defectos A lo sumo tres funcionen correctamente Distribucin de Poisson 1. Si el 3% de las vlvulas manufacturadas por una compaa son defectuosas, hallar la probabilidad de que en una muestra de 100 vlvulas 5 sean defectuosas. 2. Entre las 2 PM y las 4 PM el nmero promedio de llamadas telefnicas por minuto que recibe una centralista es 2,5. hallar la probabilidad de que en un minuto cualquiera se produzcan menos de 2 llamadas. 3. Si la probabilidad de que un equipo de computacin sufra un nuevo ataque por el virus informtico alphamiubeta (una variante Z del gusano Blaster), luego de instalarle determinado programa antivirus es 0,001. Hallar la probabilidad de que entre 2000 equipos con dicho programa instalado por lo menos dos de ellos sufran tal infeccin. Distribucin Normal 1. Hallar el area ubicada bajo la curva normal y entre los valores de Z sealados: Z = 0 y Z = 1,23 Z = -1,45 y Z = 0 Z = -0,89 y Z = 1,39 Z = 1,06 y Z = 1,94

 Z = -2,96 y Z = -2,54 A la izquierda de Z = - 0,67 A la derecha de Z = - 1,28 2. Si los dimetros de las bolas de cojinetes estn normalmente distribuidas con media de 0,6140 pulgadas y desviacin tpica de 0,0025. determine el porcentaje de ellas con dimetros: Entre 0,610 y 0,618; ambos inclusive Mayores que 0,617 Menores que 0,608

Distribucin hper geomtrica

En Estadstica la Distribucin hper geomtrica es una distribucin de probabilidad discreta con tres parmetros discretos N, d y n cuya funcin de probabilidad es:

N = Tamao de poblacin. n = Tamao de muestra.

d = Cantidad de elementos que cumple caracterstica deseada. x = Cantidad de xitos.

Aqu,

se refiere al coeficiente binomial, o al nmero de combinaciones

posibles al seleccionar b elementos de un total a. Esta distribucin se refiere a un espacio muestral donde hay elementos de 2 tipos posibles. Indica la probabilidad de obtener un nmero de objetos x de uno de los tipos, al extraer (sin reemplazo) una muestra de tamao n, de un total de N objetos, de los cuales d son del tipo requerido. El valor esperado de una variable aleatoria X de distribucin hper geomtrica es

Y su varianza

Llamando

entonces:

La distribucin hper geomtrica se puede aproximar por una distribucin binomial Bi (n,p) si

y
Una variable tiene distribucin hipergeomtrica si procede de un experimento que cumple las siguientes condiciones: 1) Se toma una muestra de tamao n, sin reemplazamiento, de un conjunto finito de N objetos. 2) K de los N objetos se pueden clasificar como xitos y N - K como fracasos. X cuenta el nmero de xitos obtenidos en la muestra. El espacio muestral es el conjunto de los nmeros enteros de 0 a n, de 0 a K si K < n.

En este caso, la probabilidad del xito en pruebas sucesivas no es constante pues depende del resultado de las pruebas anteriores. Por tanto, las pruebas no son independientes entre s.

Parmetros

Dominio Funcin de probabilidad (fp) Media Moda

Varianza

Coeficiente de simetra

Curtosis

Funcin generadora de momentos (mgf) Funcin caracterstica

Distribucin multinomial
La distribucin multinomial es esencialmente igual a la binomial con la nica diferencia de que cada prueba tiene ms de dos posibles resultados mutuamente excluyentes. Si tenemos K resultados posibles (E i , i = 1, ... , K) con probabilidades fijas (pi , i = 1, ... , K), la variable que expresa el nmero de resultados de cada tipo obtenidos en n pruebas independientes tiene distribucin multinomial.

La probabilidad de obtener x 1 resultados E1, x2 resultados E2, etc. se representa como:

Los parmetros de la distribucin son p 1,..., pK y n.

Distribucin exponencial
La distribucin exponencial es una distribucin de probabilidad continua con un parmetro > 0 cuya funcin de densidad es

-Su funcin de distribucin es

Aqu e significa el nmero e.

El valor esperado y la varianza de una variable aleatoria X con distribucin exponencial son

Funcin

de

densidad

de

probabilidad

Funcin

de

distribucin

de

probabilidad

Parmetros Dominio Funcin de densidad (pdf) Funcin de distribucin (cdf) Media Mediana Moda Varianza Coeficiente de simetra Curtosis Entropa Funcin generadora de momentos (mgf) Funcin caracterstica e x 1 e x

AUTOEVALUACION
Distribucin multinomial

1. Se lanza un dado 6 veces. Hallar la probabilidad de que: a) salga uno una vez, dos veces el dos y tres veces tres; b) que salga cada numero una vez. 2. una caja contiene 5 bolas de color rojo, 4 de color blanco y tres de color azul. Se saca al azar una bola de la caja, se anota su color y se vuelve a colocar en la caja. Hallar la probabilidad de que entre seis bolas asi seleccionadas, 3 sea de color rojo, 2 de color blanco y 1 azul.
6.8.4.1 Ejemplo

En un experimento de laboratorio se utilizan 10 gramos de . Sabiendo que la duracin media de un tomo de esta materia es de 140 das, cuantos idas transcurrirn hasta que haya desaparecido el de este material? es una v.a.

Solucin: El tiempo T de desintegracin de un tomo de de distribucin exponencial:

Como el nmero de tomos de

existentes en una muestra de 10

gramos es enorme, el histograma de frecuencias relativas formado por los tiempos de desintegracin de cada uno de estos tomos debe ser extremadamente aproximado a la curva de densidad, f. Del mismo modo, el polgono de frecuencias relativas acumuladas debe ser muy aproximado a la curva de su funcin de distribucin F. Entonces el tiempo que transcurre

hasta que el

del material radiactivo se desintegra es el percentil 90, t90,

de la distribucin exponencial, es decir

Figura: Como el nmero de tomos (observaciones) es extremadamente alto en 10 gramos de materia, el histograma puede ser aproximado de modo excelente por la funcin de densidad exponencial, y el polgono de frecuencias acumuladas por la funcin de distribucin.

6.8.4.2 Ejemplo Se ha comprobado que el tiempo de vida de cierto tipo de marcapasos sigue una distribucin exponencial con media de 16 aos. Cul es la probabilidad de que a una persona a la que se le ha implantado este marcapasos se le deba reimplantar otro antes de 20 aos? Si el marcapasos lleva funcionando correctamente 5 aos en un paciente, cul es la probabilidad de que haya que cambiarlo antes de aos?

Solucin: Sea T la variable aleatoria que mide la duracin de un marcapasos en una persona. Tenemos que

Entonces

En segundo lugar

Luego como era de esperar, por ser propio a un mecanismo exponencial,

o sea, en la duracin que se espera que tenga el objeto, no influye en nada el tiempo que en la actualidad lleva funcionando. Es por ello que se dice que ``la distribucin exponencial no tiene memoria". 4) DISTRIBUCIN HIPERGEOMETRICA GENERALIZADA. Caractersticas: a) Al realizar un experimento con este tipo de distribucin, se esperan ms de dos tipos de resultados. b) Las probabilidades asociadas a cada uno de estos resultados no son constantes. c) Los ensayos o repeticiones del experimento no son independientes entre s. d) El nmero de repeticiones del experimento n, es constante. Entonces en este caso se tienen ms de dos tipos de objetos, por lo que la frmula a utilizar sera: donde: N = x + y + z = total de objetos a = total de objetos del primer tipo b = total de objetos del segundo tipo c = N-a-b = total de objetos del tercer tipo n = objetos seleccionados en la muestra x = objetos del primer tipo en la muestra

y = objetos del segundo tipo en la muestra z = n-x-y = objetos del tercer tipo en la muestra Ejemplos: 1.En un lote de productos se tienen 20 productos sin defectos, 3 con defectos menores y 2 con defectos mayores, se seleccionan al azar 5 productos de este lote, determine la probabilidad de que a) 3 de los productos seleccionados no tengan defectos y 1 tenga defectos menores, b) 4 de los productos seleccionados no tengan defectos y 1 tenga defectos menores. Solucin: a)N= 20+3+2 =25 total de artculos a=20 productos sin defectos b= 3 productos con defectos menores N-a-b= 2 productos con defectos mayores n= 5 productos seleccionados en la muestra x = 3 productos sin defectos en la muestra = variable que nos define el # de productos sin defectos en la muestra y = 1 producto con defectos menores en la muestra = variable que nos define el # de productos con defectos menores en la muestra z = n-x-y = 531 = 1 producto con defectos mayores en la muestra = variable que nos define el # de productos con defectos mayores en la muestra

b)N= 25 a=20 productos sin defectos b= 3 productos con defectos menores N-a-b= 2 productos con defectos mayores n= 5 productos seleccionados en la muestra x = 4 productos sin defectos en la muestra = variable que nos define el # de productos sin defectos en la muestra y = 1 producto con defectos menores en la muestra = variable que nos define el # de productos con defectos menores en la muestra z = n-x-y = 541 = 0 productos con defectos mayores en la muestra = variable que nos define el # de productos con defectos mayores en la muestra 3.Un club de estudiantes extranjeros tiene en sus listas a 2 canadienses, 3 japoneses, 5 italianos y 2 alemanes. Si se selecciona aleatoriamente un comit de 4 estudiantes, encuentre la probabilidad de que: a)estn representadas todas las nacionalidades, b)estn representadas todas las nacionalidades, excepto la italiana. Solucin: a) N = 12 estudiantes a = 2 Canadienses b = 3 Japoneses

c = 5 Italianos N-a-b-c = 2 Alemanes n = 4 estudiantes seleccionados para formar comit x = 1 estudiante Canadiense en el comit seleccionado y = 1 estudiante Japons en el comit seleccionado z = 1 estudiante Italiano en el comit seleccionado n-x-y-z = 1 estudiante Alemn en el comit seleccionado b) N = 7 estudiantes quitando a los Italianos a = 2 Canadienses b = 3 Japoneses N-a-b = 2 Alemanes n = 4 estudiantes seleccionados para formar comit x = 1 o 2 estudiantes Canadienses en el comit seleccionado y = 1 o 2 estudiantes Japoneses en el comit seleccionado n-x-y= 1 o 2 estudiantes Alemanes en el comit seleccionado p(estn representadas todas las nacionalidades, excepto la italiana) Distribucin hipergeomtrica Por claridad, consideremos el siguiente ejemplo: Tenemos una baraja de cartas espaolas (N=40 naipes), de las cuales nos vamos a interesar en el

palo de oros (D=10 naipes de un mismo tipo). Supongamos que de esa baraja extraemos n=8 cartas de una vez (sin reemplazamiento) y se nos plantea el problema de calcular la probabilidad de que hayan k=2 oros (exactamente) en esa extraccin. La respuesta a este problema es En lugar de usar como dato D es posible que tengamos la proporcin existente, p, entre el nmero total de oros y el nmero de cartas de la baraja de modo que podemos decir que: Este ejemplo sirve para representar el tipo de fenmenos que siguen una ley de distribucin hipergeomtrica. Diremos en general que una v.a. X sigue una distribucin hipergeomtrica de parmetros, N, n y p, lo que representamos del modo, si su funcin de probabilidad es 6.4.10.1 Observacin Cuando el tamao de la poblacin (N) es muy grande, la ley hipergeomtrica tiende a aproximarse a la binomial: El valor esperado de la hipergeomtrica es el mismo que el de la binomial, sin embargo su varianza no es exactamente la de la binomial, pues est corregida por un factor, , que tiende a 1 cuando . A este factor se le denomina factor de correccin para poblacin finita.