Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Distribuc
in de
probabili
dad
Facilitadora:
Yelitza Lara
Bachilleres:
Mireles, Milagro C.I 18849588
Bello, Betany C.I 24058582
Vsquez, Mileidys C.I 24709171
Palencia, Jos Enrique C.I 24741969
Medina, Mara Jos C.I 24741982
Caldern, Skarly C.I 25752853
Carrera: Administracin
Seccin: 1 Aula: 6
Semestre: IV
ndice
Introduccinpg.3
Distribucin de probabilidad...pg.4
Distribucin de variable discreta.pg.6
Distribucin binomial..pg.6
Distribucin de Poisson...pg.10
Distribucin hipergeomtrica..pg.14
Distribuciones de variable contina.pg.16
Distribucin normal..pg.17
Distribucin t de student......pg.33
Distribucin chi cuadradopg.37
Teorema central del lmite...pg.38
Teorema central del lmite (Linderberg-levy)pg.39
Teorema central del lmite
(De Moivre-Laplace)pg.40
Aplicaciones prcticas del teorema central del lmite.pg.41
Conclusin...pg.43
Introduccin
pues,
la distribucin
de
probabilidad
se
puede
definir
como
una funcin que asigna a cada suceso definido sobre la variable aleatoria, la
probabilidad de que dicho suceso ocurra. La distribucin de probabilidad est
definida sobre el conjunto de todos los sucesos, cada uno de los sucesos es el rango
de valores de la variable aleatoria
.
Tambin se refiere a La importancia de la distribucin normal que se debe, en
primer lugar y como se mostrara a continuacin, a que muchas variables siguen,
aproximadamente, un modelo de probabilidad normal y esto ha ocasionado que en las
diferentes reas del saber, su aplicacin sea generalizada en relacin a este hecho hay
que estar alerta y evitar incurrir en el error de creer que todos los conjuntos de datos
siguen una distribucin normal, cuestin a la que se tendan en el pasado.
Seguidamente se presentara de manera detallada la informacin en el contenido
de este trabajo de investigacin.
Distribucin de probabilidad
, su funcin de distribucin,
, es
y se
4
es la variable aleatoria en cuestin, es decir, una funcin
definida sobre el espacio muestral a los nmeros reales.
Propiedades
Como consecuencia casi inmediata de la definicin, la funcin de distribucin:
Adems, cumple
tal que
, los sucesos
, por
Y finalmente
5
Para realizar clculos es ms cmodo conocer la distribucin de probabilidad, y
sin embargo para ver una representacin grfica de la probabilidad es ms prctico el
uso de la funcin de densidad.
hasta el valor .
Distribucin binomial
Ejemplos
7
Experimento binomial
Existen muchas situaciones en las que se presenta una experiencia binomial. 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 denota B(n,p).
Siempre np<=5.
Caractersticas analticas
Su funcin de probabilidad es
Donde
Siendo
las combinaciones de
tomados de
en
elementos
en )
8
Ejemplo
Supongamos que se lanza un dado (con 6 caras) 51 veces y queremos conocer la
probabilidad de que el nmero 3 salga 20 veces. En este caso tenemos una X ~ B(51,
1/6) y la probabilidad sera P(X=20):
Propiedades
tiende a infinito y
la distribucin
normal.
9
Propiedades reproductivas
Dadas n variables binomiales independientes de parmetros ni (i = 1,..., n) y ,
su suma es tambin una variable binomial, de parmetros n1+... + nn, y , es decir,
Distribucin de Poisson
decir, solo puede tomar valores 0, 1, 2, 3, 4k. cada una de estas variables aleatorias
representa el nmero total de la ocurrencia del de un fenmeno durante un periodo de
tiempo fijo o una regin fija de espacio.
Propiedades
La funcin de masa o probabilidad de la distribucin de Poisson es
Donde
de
Touchard en
cuyos
coeficientes
tienen
una
interpretacin combinatoria.
11
De hecho, cuando el valor esperado de la distribucin de Poisson es 1, entonces
segn
la frmula
de
Dobinski,
el n-simo
momento
iguala
al
nmero
de particiones de tamao.
La moda de una variable aleatoria de distribucin de Poisson con un no entero
es igual a
representan
Intervalo
de
confianza
12
Entonces
los
lmites
del
parmetro
estn
dadas
por:
Ejemplo
Si el 2% de los libros encuadernados en cierto taller tiene encuadernacin
defectuosa, para obtener la probabilidad de que 5 de 400 libros encuadernados en este
taller tengan encuadernaciones defectuosas usamos la distribucin de Poisson. En este
caso concreto, k es 5 y, , el valor esperado de libros defectuosos es el 2% de 400, es
decir, 8. Por lo tanto, la probabilidad buscada es
Procesos de Poisson
13
Distribucin hipergeomtrica
En teora de la probabilidad la distribucin hipergeomtrica es
una distribucin discreta relacionada con muestreos aleatorios y sin reemplazo.
Suponga que se tiene una poblacin de N elementos de los cuales, d pertenecen a la
categora A y N-d a la B. La distribucin hipergeomtrica mide la probabilidad de
obtener x (
14
Propiedades
Donde
es el tamao de poblacin,
categora. La notacin
elementos de un total .
Y su varianza,
15
En la frmula anterior, definiendo
Se obtiene
16
Distribucin normal
En estadstica y probabilidad se llama distribucin normal, distribucin de
Gauss o distribucin
gaussiana,
una
de
las distribuciones
de
etc.
La distribucin normal tambin aparece en muchas reas de la propia estadstica.
Historia
La distribucin normal fue presentada por primera vez por Abraham de
Moivre en un artculo del ao 1733,2 que fue reimpreso en la segunda edicin de
su The Doctrine of Chances, de 1738, en el contexto de cierta aproximacin de
la distribucin binomial para grandes valores de n. Su resultado fue ampliado
18
Laplace us la distribucin normal en el anlisis de errores de experimentos. El
importante mtodo
de
mnimos
cuadrados fue
introducido
por Legendre en
1805. Gauss, que afirmaba haber usado el mtodo desde 1794, lo justific
rigurosamente en 1809 asumiendo una distribucin normal de los errores. El nombre
de Gauss se ha asociado a esta distribucin porque la us con profusin cuando
analizaba datos astronmicos3 y algunos autores le atribuyen un descubrimiento
independiente del de De Moivre.4 Esta atribucin del nombre de la distribucin a una
persona distinta de su primer descubridor es un claro ejemplo de la ley de Stigler.
El nombre de "campana" viene de Esprit Jouffret que us el trmino "bell
surface" (superficie campana) por primera vez en 1872 para una distribucin normal
bivariante de componentes independientes. El nombre de "distribucin normal" fue
otorgado independientemente por Charles S. Peirce, Francis Galton y Wilhelm
Lexis hacia 1875.[cita requerida] A pesar de esta terminologa, otras distribuciones de
probabilidad podran ser ms apropiadas en determinados contextos; vase la
discusin sobre ocurrencia, ms abajo.
Definicin formal
La funcin de distribucin de la distribucin normal est definida como sigue:
19
Esta funcin de distribucin puede expresarse en trminos de una funcin
especial llamada funcin error de la siguiente forma:
20
Esta funcin cuantil se llama a veces la funcin probit. No hay
una primitiva elemental para la funcin probit. Esto no quiere decir meramente que
no se conoce, sino que se ha probado la inexistencia de tal funcin. Existen varios
mtodos exactos para aproximar la funcin cuantil mediante la distribucin normal
(vase funcin cuantil).
Los valores (x) pueden aproximarse con mucha precisin por distintos
mtodos,
tales
como integracin
numrica, series
de
Taylor, series
En trminos de la densidad
son tiles.
21
Resolviendo para
Funciones generadoras
Funcin caracterstica
La funcin caracterstica se define como la esperanza de eitX, donde i es la unidad
imaginaria.
De
este
modo,
la
funcin
caracterstica
se
obtiene
22
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:
1. en
el
intervalo
[ - , + ]
se
encuentra
comprendida,
23
6. Si X ~
eY~
N(y, y2)
son
variables
aleatorias
Su
suma
est
normalmente
distribuida
con U = X + Y ~
Su
diferencia
est
normalmente
distribuida
con
.
3.
Si
las
varianzas
de X e Y son
iguales,
entonces U y V son
independientes entre s.
4.
La divergencia
Leibler,
de
Kullback-
Si
son
variables
aleatorias
Su producto
Donde
dada por
Su
cociente
sigue
una distribucin
de
Cauchy con
Si
entonces
una distribucin
con n grados
de
libertad.
Si
y la varianza
son
25
Si
, entonces
A la inversa, si
y varianza
, entonces
26
Momentos
Los primeros momentos de la distribucin normal son:
Nmero
Momento
Momento central
Cumulante
27
Todos los cumulantes de la distribucin normal, ms all del segundo, son cero.
Los momentos centrales de orden superior (2k con = 0) vienen dados por la frmula
28
Divisibilidad infinita
Las normales tienen una distribucin de probabilidad infinitamente divisible: Para
una
distribucin
normal
de
media y
varianza 2 0,
es
posible
de
media /n y
varianza 2/n
dado
que
la
suma X1 +
. . . + Xn de
Alrededor del 68% de los valores de una distribucin normal estn a una distancia
< 1 (desviacin tpica) de la media, ; alrededor del 95% de los valores estn a dos
desviaciones tpicas de la media y alrededor del 99,7% estn a tres desviaciones
tpicas de la media. Esto se conoce como la "regla 68-95-99,7" o la "regla emprica".
Para ser ms precisos, el rea bajo la curva campana entre n y + n en
trminos de la funcin de distribucin normal viene dada por
29
Donde erf es la funcin error. Los valores para n=1, n=2, ... , n= 6, son... (con 12
decimales)...:
0,682689492137
0,954499736104
0,997300203937
0,999936657516
0,999999426697
0,999999998027
distribuida
(o estimadores asintticamente
normales):
30
0,80
1,28155
0,90
1,64485
0,95
1,95996
0,98
2,32635
0,99
2,57583
31
0,995
2,80703
0,998
3,09023
0,999
3,29052
0,9999
3,8906
0,99999
4,4172
y estadsticos suficientes
32
Distribucin t de student
surge
del
problema
de estimar la media de
Caracterizacin
33
Donde
Z es una variable aleatoria distribuida segn una normal tpica (de media nula
y varianza 1).
grados de
libertad.
Z y V son independientes
Supongamos
34
Donde
es igual a n 1.
estndar de la media:
media:
35
para
para
para
para
Historia
La distribucin de Student fue descrita en 1908 por William Sealy Gosset.
Gosset trabajaba en una fbrica de cerveza, Guinness, que prohiba a sus empleados
la publicacin de artculos cientficos debido a una difusin previa de secretos
industriales.
De
ah
que
Gosset
publicase
sus
resultados
bajo
el seudnimo de Student.
36
(correspondiente a
que
Donde
37
Propiedades
Funcin de densidad
Donde
es la funcin gamma.
siguen
las
mismas
distribuciones.
Este teorema nos viene a decir que la distribucin de la suma de un nmero grande de
variables aleatorias las cuales son independientes e idnticamente distribuidas (como
ya hemos mencionado al comienzo), tienden a distribuirse o se pueden aproximar a
una
distribucin
normal.
38
Teorema central del lmite (Linderberg-levy)
Sea {Xn} una sucesin de variables aleatorias independientes e idnticamente
distribuidas (que denotaremos como v.v.a.a.i.i.d) con media y varianza finitas; y sea
Sn la suma de n variables aleatorias de la sucesin: Sn=X1+..+Xn. Entonces
diremos que Sn converge a una normal, cuya media corresponde a la E[Xn] y cuya
desviacin
tpica
((Sn))
corresponde
la
raz
de
la
Var[Xn]:
tienen
la
misma
varianza
por
estar
idnticamente
distribuidas.
tpica
1:
N(0;1):
39
Teorema central del lmite (De Moivre-Laplace)
Esta versin del teorema central del lmite se puede considerar como un caso
particular cuando las variables aleatorias siguen una distribucin de Bernouilli.
Teorema: Sea {Xn} una sucesin de v.v.a.a.i.i.d con distribucin de Bernouilli de
parmetro p: Xib (p), entonces, Sn=X1+X2+.XN sigue una distribucin
Binomial de parmetros n y p: SnB(n; p). Como la esperanza de la binomial es np
y su varianza es npq, entonces podemos decir que Sn converge a normal tal que:
{Yn},
converge
una
N(0;1).
40
Aplicaciones prcticas del teorema central del lmite
1.
Aproximacin
2.
asinttica
Aproximacin
de
asinttica
la
de
Poisson
la
Binomial
una
Normal:
la
Normal:
4.
La
5.
La
distribucin
distribucin
t-Student
Chi-cuadrado
converge
converge
una
N(0;1):
una
normal:
41
6.
Aproximacin
siempre
asinttica
cuando
se
de
la
cumpla
Binomial
que
mediante
n30,
np10
una
Poisson:
p<0,1.
42
Conclusin
43
Bibliografa