Está en la página 1de 9

Repblica Bolivariana de Venezuela.

Ministerio del Poder Popular para la Defensa.


Universidad Nacional Experimental Politcnica de la Fuerza Armada
UNEFA Ext- Bruzual- Yaracuy

CARA
CTER
STICA
S DE
DISTRI
BUCI
N

Emprendedores:
Cortez Johan
CI: 21.049.849
Simn Mayora CI: 22.307.306
Damian Osuna CI: 22.309.783
Jess Niazoa CI: 22.314.484
Ing. Civil.

Chivacoa, Mayo de 2014


Distribucin binomial
Media

Varianza

Desviacin tpica

Ejemplo
La probabilidad de que un artculo producido por una fbrica sea defectuoso es 0.02.
Se envi un cargamento de 10.000 artculos a unos almacenes. Hallar el nmero esperado
de artculos defectuosos, la varianza y la desviacin tpica.
200
196
14

Distribucin binomial
Una distribucin binomial o de Bernoulli tiene las siguientes caractersticas:
1. En cada prueba del experimento slo son posibles dos resultados: xito y fracaso.
2. La probabilidad de xito es constante, es decir, que no vara de una prueba a otra. Se
representa por p.
3. La probabilidad de fracaso tambin es constante, Se representa por q,
q=1p
3. El resultado obtenido en cada prueba es independiente de los resultados obtenidos
anteriormente.
4. La variable aleatoria binomial, X, expresa el nmero de xitos obtenidos en las n pruebas.
Por tanto, los valores que puede tomar X son: 0, 1, 2, 3, 4,..., n.
La distribucin binomial se expresa por B(n, p)

Clculo de probabilidades en una distribucin binomial

n es el nmero de pruebas.
k es el nmero de xitos.
p es la probabilidad de xito.
q es la probabilidad de fracaso.

El nmero combinatorio

Ejemplo
La ltima novela de un autor ha tenido un gran xito, hasta el punto de que el 80% de
los lectores ya la han ledo. Un grupo de 4 amigos son aficionados a la lectura:
1. Cul es la probabilidad de que el grupo hayan ledo la novela 2 personas?
n=4
p = 0.8
q = 0.2
B(4, 0.8)
0.1536

2. Y al menos 2?

0.1808

Parmetros de la distribucin binomial


Media

Varianza

Desviacin tpica

Caractersticas de la Distribucin de Poisson

Un modelo de probabilidad de Poisson tiene las siguientes caractersticas:

1.

El espacio muestral se genera por un nmero muy grande (puede considerarse infinito)
de repeticiones de un experimento cuyo modelo de probabilidad es el de Bernoulli, con
probabilidad de xito muy pequea. Por esta razn, a la distribucin de Poisson suele
llamrsele de eventos raros. Las repeticiones del experimento de Bernoulli se realizan en
cada uno de los puntos de un intervalo de tiempo o espacio.

2.

El nmero de xitos en el intervalo li es ajeno al nmero de xitos en el intervalo lk, por


lo que li lk =

3.

La probabilidad de que se tengan dos o ms xitos en el mismo punto del intervalo es


cero.

4.

El nmero promedio de xitos en un intervalo es una constante , que no cambia de


intervalo a intervalo.

Ejemplo. Anteriormente se mencion el nmero de accidentes diarios en un cruce de calles


como un caso de fenmeno en el que los eventos ocurren en intervalos continuos de tiempo,
donde slo importa la ocurrencia del fenmeno, y de acuerdo a sus caractersticas puede
decirse que la variable aleatoria del nmero de accidentes diarios puede representarse por
un modelo de Poisson. En seguida analizamos lo razonable de los 4 postulados anteriores en
esta situacin:

1.

Si consideramos un lapso, tan pequeo como se quiera, pero que para propsitos
prcticos puede ser un segundo y tomamos como xito que ocurra un accidente en ese
lapso, tenemos que en el intervalo de tiempo de un da hay 86,400 segundos, o sean
86,400 repeticiones de un experimento de Bernoulli. Es obvio que la probabilidad de xito
en cada repeticin es muy pequea.

2.

Aqu, cada intervalo li puede ser un da, por lo que es lgico suponer que el nmero de
accidentes en un da es independiente del nmero de accidentes en otro da cualquiera,
lo cual no ocurre, por ejemplo, con el nmero de personas que adoptan una moda en un
da determinado, ya que una moda tiene una etapa creciente, un apogeo y una etapa
decreciente. En estas ltimas condiciones, se dice que existe contagio y el modelo de
probabilidad no puede suponer independencia entre los intervalos.

En el caso del modelo de Poisson se dice que no existe contagio.

3.

Puesto que una repeticin del experimento de Bernoulli ocurre cada segundo, es
razonable suponer que no pueden ocurrir dos accidentes en el mismo segundo.

4.

Mientras las condiciones de vialidad no cambien en el crucero de calles, es aceptable el


supuesto de que el nmero promedio de accidentes por da, al que representaremos por
, permanece constante.

Distribucin de t de student
La Caracterizacin
La distribucin t de Student es la distribucin de probabilidad del cociente

Donde
Z tiene una lateral de media nula y mediana 1
x tiene una [[distribucin bilateral] con grados de confianza
o y z son independientes
Si es una constante no nula, el cociente
es una variable aleatoria que sigue la
distribucin t de Student no central con parmetro de no-centralidad.
distribucin t de student

CARACTERISTICAS
La distribucin se denomina distribucin de Student o distribucin t.
Es simtrica, con media de 0, y variancia mayor que 1.
Es ms achatada que la normal y adopta diferentes formas, segn el nmero de
grados de libertad.

La variable t se extiende desde - a +.


A medida que aumenta los (n -1) grados de libertad la distribucin t se aproxima en
su forma a una distribucin normal.
El parmetro de la distribucin es (n-1) grados de libertad, originando una distribucin
diferente para cada tamao de muestra.
DISTRIBUCION JI-CUADRADA (X2)
En realidad la distribucin ji-cuadrada es la distribucin muestral de s 2. 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.
Para estimar la varianza poblacional o la desviacin estndar, se necesita conocer el
estadstico X2. Si se elige una muestra de tamao n de una poblacin normal con varianza
, el estadstico:

Tiene una distribucin muestral que es una distribucin ji-cuadrada con gl=n-1 grados
de libertad y se denota X 2 (X es la minscula de la letra griega ji). El estadstico ji-cuadrada
est dado por:

Donde n es el tamao de la muestra, s2 la varianza muestral y


la varianza de la
poblacin de donde se extrajo la muestra. El estadstico ji-cuadrada tambin se puede dar
con la siguiente expresin:

Propiedades de las distribuciones ji-cuadrada


1. Los valores de X2 son mayores o iguales que 0.
2. La forma de una distribucin X 2 depende del gl=n-1. En consecuencia, hay un nmero
infinito de distribuciones X2.

3. El rea bajo una curva ji-cuadrada y sobre el eje horizontal es 1.


4. Las distribuciones X2 no son simtricas. Tienen colas estrechas que se extienden a la
derecha; esto es, estn sesgadas a la derecha.
5. Cuando n>2, la media de una distribucin X 2 es n-1 y la varianza es 2(n-1).
6. El valor modal de una distribucin X2 se da en el valor (n-3)
Distribucin f
Una variable aleatoria de distribucin F se construye como el siguiente cociente:

Donde
U1 y U2 siguen una distribucin chi-cuadrado con d1 y d2 grados de libertad
respectivamente, y
U1 y U2 son estadsticamente independientes.
La distribucin F aparece frecuentemente como la distribucin nula de una prueba
estadstica, especialmente en el anlisis de varianza. Vase el test F.
La funcin de densidad de una F(d1, d2) viene dada por

para todo nmero real x 0, donde d1 y d2 son enteros positivos, y B es la funcin beta.
La funcin de distribucin es

donde I es la funcin beta incompleta regularizada

Coeficiente de correlacin de Spearman


En estadstica, el coeficiente de correlacin de Spearman, (rho) es una medida de la
correlacin (la asociacin o interdependencia) entre dos variables aleatorias continuas. Para
calcular , los datos son ordenados y reemplazados por su respectivo orden.

El estadstico viene dado por la expresin:

Donde D es la diferencia entre los correspondientes estadsticos de orden de x - y. N es


el nmero de parejas.
Se tiene que considerar la existencia de datos idnticos a la hora de ordenarlos, aunque
si stos son pocos, se puede ignorar tal circunstancia
Para muestras mayores de 20 observaciones, podemos utilizar la siguiente
aproximacin a la distribucin t de Student

La interpretacin de coeficiente de Spearman es igual que la del coeficiente de


correlacin de Pearson. Oscila entre -1 y +1, indicndonos asociaciones negativas o
positivas respectivamente, 0 cero, significa no correlacin pero no independencia

Distribucin del estadstico U de Mann-Whitney


Para calcular el estadstico U se asigna a cada uno de los valores de las dos muestras
su rango para construir
U1 = n1n2 + [n1(n1+1)] /2 R1

U2 = n1n2 + [n2(n2+1)]/2 R2
Donde n1 y n2 son los tamaos respectivos de cada muestra; R1 y R2 es la suma de
los rangos de las observaciones de las muestras 1 y 2 respectivamente.
El estadstico U se define como el mnimo de U1 y U2.
Los clculos tienen que tener en cuenta la presencia de observaciones idnticas a la hora de
ordenarlas. No obstante, si su nmero es pequeo, se puede ignorar esa circunstancia.

Distribucin del estadstico


La prueba calcula el llamado estadstico U, cuya distribucin para muestras con ms
de 20 observaciones se aproxima bastante bien a la distribucin normal.
La aproximacin a la normal, z, cuando tenemos muestras lo suficientemente grandes viene
dada por la expresin:
z = (U-mu)/

Donde mU y U son la media y la desviacin estndar de U si la hiptesis nula es


cierta, y vienen dadas por las siguientes frmulas:
mv = n1n2
2

= n1 n 2(n 1+n 2+1) 12


Distribucin normal

Una variable aleatoria continua, X, sigue una distribucin normal de media y


desviacin tpica , y se designa por N(, ), si se cumplen las siguientes condiciones:
1. La variable puede tomar cualquier valor: (-, +)
2. La funcin de densidad, es la expresin en trminos de ecuacin matemtica de la curva
de Gauss: