Professional Documents
Culture Documents
Profesor:
Andrs Bellorin
Integrantes:
Ibrahin Torrealba CI 25.132.860
Oscar Maita CI 24.494.077
Seccin: D01
INTRODUCCIN
Las distribuciones de probabilidad estn relacionadas con la distribucin de
frecuencia. Algunos libros dicen que se puede pensar en la distribucin de la
probabilidad como una distribucin de frecuencia terica; podemos decir que la
distribucin de la probabilidad describe la forma en que se espera que varen los
resultados y como estas distribuciones tratara sobre expectativas de que algo suceda,
sirven para hacer inferencias y formar decisiones en condiciones de incertidumbre.
En el siguiente trabajo se clasifican los tipos de distribuciones de probabilidad
como discreta y continua. Muestra el concepto de variables aleatorias y los tipos que
existen de acuerdo a su comportamiento. En el trabajo tambin se puede observar las
formas de distribucin de las variables y describe cada uno de ellas, as tambin
describe los mtodos estadsticos que se realizan a los tipos de distribuciones que
existen.
El nombre de Estadstica alude al enorme inters de esta rama matemtica
para los asuntos del Estado y su introduccin en el mundo cientfico se debe a la
importancia indiscutible para el desarrollo de las ciencias sociales y humanas
Distribuciones de Probabilidades
La distribucin de probabilidad de una variable aleatoria es 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.
La distribucin de probabilidad est completamente especificada por la funcin
de distribucin, cuyo valor en cada real x es la probabilidad de que la variable aleatoria
sea menor o igual que x.
Distribucin de variables aleatorias directas
Es un nmero real asociado al resultado de un experimento aleatorio, es decir, una
funcin real en el espacio muestral, se dice que una variable aleatoria es discreta si el
conjunto de todos los valores que pueden tomar es un conjunto numerable.
Ejemplos:
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.
Distribucin Poisson
1) Esperanza: E(X) = .
2) Varianza: V(X) = .
En esta distribucin la esperanza y la varianza coinciden.
3) La suma de dos variables aleatorias independientes con distribucin de Poisson
resulta en una nueva variable aleatoria, tambin con distribucin de Poisson, de
parmetro igual a la suma de parmetros:
X1 ~ P( = 1) y X2 ~ P( = 2)
y definimos Z = X1 + X2, entonces,
Z ~ P( = 1 + 2)
Este resultado se extiende inmediatamente al caso de n variables aleatorias
independientes con distribucin de Poisson. En este caso, la variable suma de todas
ellas sigue una distribucin de Poisson de parmetro igual a la suma de los parmetros.
Distribucin Geomtrica
Proceso experimental del que se puede hacer derivar. Esta distribucin se puede hacer
derivar de un proceso experimental puro o de Bernouilli en el que tengamos las
siguientes.caractersticas.
deseado.(xito).
Ejemplo:
Un matrimonio quiere tener una hija, y por ello deciden tener hijos hasta el
nacimiento de una hija. Calcular el nmero esperado de hijos (entre varones y
hembras) que tendr el matrimonio. Calcular la probabilidad de que la pareja acabe
teniendo tres hijos o ms.
Solucin: Este es un ejemplo de variable geomtrica. Vamos a suponer que la
probabilidad de tener un hijo varn es la misma que la de tener una hija hembra.
Sea X la v.a.
Es claro que
, por tanto el
Distribucin Hipergeometrica
Se emplea para calcular la probabilidad de obtener determinado nmero de
xitos en un espacio muestral de n ensayos; pero a diferencia de la distribucin
binomial es que los datos de la muestra se extraen sin reemplazo en una poblacin
finita. Por esto es que el resultado de una observacin depende o es afectado por el
resultado
de
cualquier
otra
u
otra
observacin
anterior.
1) Esperanza: E(X) = n N1 / N 2.
2) Varianza: V(X) = (n N1 N2 (N-n)) / (N2 (N-1) )
Propiedades del modelo Hipergeomtrico
1) Esperanza: E(X) = n N1/N
2) Varianza: V(X) = (n N1 N2 (N n))/(N2 (N 1))
k = 1, 2, 3, 4, 5, 6
2) Varianza:
Distribucin Exponencial
Mientras que la distribucin de Poisson describe las llegadas por unidad de
tiempo, la distribucin exponencial estudia el tiempo entre cada una de estas llegadas.
Si las llegadas son de Poisson el tiempo entre estas llegadas es exponencial. Mientras
que la distribucin de Poisson es discreta la distribucin exponencial es continua
porque el tiempo entre llegadas no tiene que ser un nmero entero. Esta distribucin
se utiliza mucho para describir el tiempo entre eventos. Ms especficamente la
variable aleatoria que representa al tiempo necesario para servir a la llegada.
Ejemplos tpicos de esta situacin son el tiempo que un mdico dedica a una
exploracin, el tiempo de servir una medicina en una farmacia, o el tiempo de atender
a una urgencia.
El uso de la distribucin exponencial supone que los tiempos de servicio son
aleatorios, es decir, que un tiempo de servicio determinado no depende de otro
servicio realizado anteriormente ni de la posible cola que pueda estar formndose.
Otra caracterstica de este tipo de distribucin es que no tienen "edad" o en otras
palabras, "memoria". Por ejemplo. Supongamos que el tiempo de atencin de un
1. ESPERANZA: E*X+ = k / = k
2. VARIANZA: V*X+ = k / 2 = k2
Distribucin Normal
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 modelar numerosos fenmenos naturales, sociales y psicolgicos. Mientras
que los mecanismos que subyacen a gran parte de este tipo de fenmenos son
desconocidos, por la enorme 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. De hecho,
la estadstica es un modelo matemtico que slo permite describir un fenmeno, sin
explicacin alguna. Para la explicacin causal es preciso el diseo experimental, de ah
respectivamente.
Un 50% de los valores estn a la derecha de este valor central y otro 50% a la
el valor medio de la distribucin y es precisamente donde se sita el centro de la curva
si la varianza es baja los valores estn prximos a la media; si es alta, entonces los
valores estn muy dispersos.
Cuando la media de la distribucin es 0 y la varianza es 1se denomina normal
tipificada, y su ventaja reside en que hay tablas donde se recoge la probabilidad
acumulada para cada punto de la curva de esta distribucin. Adems, toda distribucin
normal se puede transformar en una normal tipificada aplicando
z
Distribucin X2 De Pearson
En estadstica, la distribucin (de Pearson), llamada Ji cuadrado, es
una distribucin de probabilidad continua con un parmetro que representa
los grados de libertad de la variable aleatoria.
Donde
son variables aleatorias normales independientes de media cero
y varianza uno. El que la variable aleatoria
tenga esta distribucin se representa
habitualmente as:
CONCLUSIN
La distribucin de probabilidad de una variable aleatoria es 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.
La prueba de K-S es aplicable solamente a variables aleatorias continuas
comparar la grfica de la distribucin emprica acumulada con la correspondiente
grfica de la funcin de densidad acumulada de la distribucin terica propuesta. Si
hay un acercamiento entre las grficas existe una probabilidad de que la distribucin
terica se ajusta a los datos.
Con los grandes avances tecnolgicos hemos ahorrado tiempo para
el anlisis estadstico, sin embargo la comprensin de la lgica que se utiliza para llegar
a la resolucin del mismo es algo que nos ha llevado a este estudio. Estas variables
pueden ser discretas o continuas. Si se permite que una variable aleatoria adopte slo
un nmero limitado de valores, se le llama variable aleatoria discreta. Por el contrario,
si se le permite asumir cualquier valor dentro de determinados lmites, recibe el
nombre de variable aleatoria continua.
BIBLIOGRAFA
http://www.slideshare.net/agtzglez22/probabilidad-1644385
http://www.fisterra.com/mbe/investiga/distr_normal/distr_normal.asp
http://es.wikipedia.org/wiki/Distribuci%C3%B3n_%CF%87%C2%B2
http://72.29.82.210/~casioa/wpcontent/uploads/downloads/2011/11/Modelo_Normal.pdf
http://es.wikipedia.org/wiki/Distribuci%C3%B3n_normal