Universidad Nacional Evanglica

( unev)

Presentacin
Nombres Leurin Castro Constanza Ana luisa Correa Miranda Alberto Valdez Florentino Matrcula 09-31791 05-31175 09-331042

Estadstica II Teora a la Distribucin de la Probabilidades

Lic. Milagros Antonio de la Cruz

2.0

Introduccin

En este modulo se describe el uso de la distribucin de probabilidad y su diferentes representaciones, como la teora de la probabilidad, tipos de distribucin, uso da la tabla entre otras informaciones la cual usted conocer en la siguiente presentacin Esperamos que despus de leer los contenidos usted pueda identificar las diferentes distribuciones.

3.0

DISTRIBUCION DE PROBABILIDAD
de los tipos hacer probabilidad. que de modelos de resultados de un que y Es una cmo distribucin se espera Existen describir que en de frecuencias describe

Distribucin terica que el varen

experimento. permiten tomar

diferentes permiten

comportamiento

fenmenos

estadsticos decisiones

inferencias

condiciones de incertidumbre.
4.0

TIPOS DE DISTRIBUCIN
las variables

Distribuciones discretas. Son aquellas donde de aos de estudio.

asumen un nmero limitado de valores, por ejemplo el nmero

Discretas: binomial, hipergeomtrica, multinomial y poisson. Distribuciones variables en continuas. estudio Son aquellas asumir donde las

pueden

cualquier valor

dentro de determinados lmites; por ejemplo, la estatura de un estudiante. Continuas: uniforme, exponencial y normal.
5.0

PROCESOS DE BERNOULLI
serie

Un proceso de Bernoulli es una de n experimentos aleatorios que verifican: Cada experimento tiene dos resultados que se llaman xito y fracaso.

posibles,

La probabilidad p de xito es la misma en cada experimento, y esta probabilidad no se ve afectada por el conocimiento de los resultados anteriores. La probabilidad q de fracaso viene dada por q = 1 - p.

Ejemplos: Una moneda lanzada al aire 15 veces. Los resultados posibles son cara y cruz. probabilidad de cara en un lanzamiento es 1/2 dos La

Se pregunta a 200 alumnos de de un Instituto de Enseanza Secundaria si estudian Francs. Los dos resultados posibles son s y no. Si se considera xito la respuesta s, la probabilidad p de xito indica la proporcin de estudiantes del Instituto que responden s (estudian francs, pues suponemos que no mienten). Tirar un dado de seis caras 10 veces y considerar que el resultado de una tirada, es que salga un nmero par o un nmero impar. Los resultados posibles en este caso son par e impar. El espacio muestral, cada uno de los sucesos y la probabilidad de que ocurran, en un proceso de Bernoulli, aparecen muy ntidamente cuando se construye un rbol de probabilidades del proceso. Por ejemplo vamos a construir el rbol de probabilidades de un proceso de Bernoulli de tres experimentos:

El espacio muestral del proceso est formado por cada uno de los caminos del rbol de probabilidades. La probabilidad de un camino, por ejemplo, del camino: EFE es:

Si en un proceso de Bernouilli asignamos valor 1 al xito y 0 al fracaso y consideramos valor Sj , suma de todos los valores de resultado concreto (un camino) con j xitos ; probabilidad que corresponde a cada valor de variable Sj es :

el el un la la

6.0

DISTRIBUCIN BINOMIAL

Historia El clculo de probabilidades tuvo un notable desarrollo con el trabajo del matemtico suizo jacob bernoulli (1654 1705). Bernoulli defini el proceso conocido por su nombre el cual establece las bases para el distribucin binomial. La distribucin binomial se utiliza en situaciones cuya solucin tiene dos posibles resultados. Por ejemplo: Al nacer un(a) beb puede ser varn o hembra. En el deporte un equipo puede ganar o perder . desarrollo y utilizacin de la

En pruebas de cierto o falso slo hay dos alternativas

Tambin se utiliza cuando el resultado se puede reducir a dos opciones. Por ejemplo: Un tratamiento mdico puede ser efectivo o inefectivo . La meta de produccin o ventas del mes se puede n o no lograr. En pruebas de seleccin mltiple, aunque hay cuatro o cinco alternativas, se pueden clasificar como correcta o incorrecta.
7.1

propiedades esenciales
n ensayos idnticos.

1.- el espacio muestral contiene

2.- las observaciones posibles se pueden obtener mediante dos diferentes mtodos de muestreo. Se puede considerar que cada observacin se ha seleccionado de una poblacin infinita sin reposicin o de una poblacin finita con reposicin. 3.- cada observacin se puede clasificar en una de son mutuamente excluyentes es decir e e' = 0. dos

categoras conocidas como xito e o fracaso e', las cuales

Las probabilidades de xito p y de fracaso q = 1 - p en un ensayo se mantienen constantes, durante los n ensayos. 5.el resultado de cualquier observacin es independiente

del resultado de cualquier otra observacin. A continuacin vemos la funcin de probabilidad de la distribucin binomial, tambin d enominada funcin de la distribucin de bernoulli:

k n p -

- es el nmero de aciertos. - es el nmero de experimentos. es la probabilidad de xito, como por ejemplo, que

salga "cara" al lanzar la moneda . 1-p - tambin se le denomina como q

Ejemplo 1

Cul es la probabilidad de obtener 6 caras al lanzar una moneda 10 veces? El nmero de aciertos k es 6. Esto es x=6 El nmero de experimentos n son 10 La probabilidad de xito p, es decir, que salga "cara" al lanzar la moneda es 50% 0.50 La frmula quedara:

P (k = 6) = 0.205 Es decir, que la probabilidad de obtener 6 caras al lanzar 10 veces una moneda es de 20.5 %. Ejemplo 2 Cul es la probabilidad de obtener cua tro veces el nmero 3 al lanzar un dado ocho veces? El nmero de aciertos k es 4. Esto es x=4

El nmero de experimentos n son 8 La probabilidad de xito p (probabilidad de que salga un 3 al tirar el dado) es 1 / 6 (= 0.1666) La frmula queda:

P (k = 4) = 0.026 Es decir, que la probabilidad de obtener cuatro veces el nmeros 3 al tirar un dado 8 veces es de 2.6%.

Desviacin estndar
P(X)

W ! W ! W !

Es el modelo que se aplica en experimentos del siguiente tipo:

.2

Caractersticas de la distribucin binomial

P(X) .6 .4 .2 0

Media
Q= E(X) = n p
Q= 5 0.1 = 0.5 Q= 5 0.5 = 0.25

n = 5 p = 0.1
X

np (1  p ) 5 0.1 (1  0.1) ! 0.67 5 0.5 (1  0.5) ! 1.1

.6 .4 .2 0 0

n = 5 p = 0.5
X 1 2 3 4 5
17

8.0

DISTRIBUCIN HIPERGEOMTRICA

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: Si en una urna con 5 bolas blancas y 3 negras en un primer ensayo saco una bola blanca, en el segundo ensayo hay una bola blanca menos por lo que las probabilidades son diferentes (hay dependencia entre los distintos ensayos). La distribucin hipergeomtrica sigue el siguiente modelo:

Donde:

Vamos a tratar de explicarlo: N: es el nmero total de bolas en la urna N1: es el nmero total de bolas blancas N2: es el nmero total de bolas negras K: es el nmero de bolas blancas cuya probabilidad se est calculando N: es el nmero de ensayos que se realiza Veamos un ejemplo: en una urna hay 7 bolas blancas y 5 negras. Se sacan 4 bolas cul es la probabilidad de que 3 sean blancas? Entonces: N = 12; n1 = 7; n2 = 5; k = 3; n = 4 Si aplicamos el modelo:

Por lo tanto, p (x = 3) = 0,3535. Es decir, la probabilidad de sacar 3 bolas blancas es del 35,3%. Pero este modelo no slo se utiliza con experimentos con bolas, sino que tambin se aplica con experimentos similares:

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%

9.0

Distribucin de poisson

En teora de probabilidad y estadstica, la distribucin de poisson es una distribucin de probabilidad discreta que expresa, a partir de una frecuencia de ocurrencia media, la probabilidad que ocurra un determinado nmero de eventos durante cierto periodo de tiempo. Fue descubierta por simon-denis poisson, que la dio a conocer 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 ) La distribucin de poisson se llama as en honor a su

creador, el francs simen dennis poisson (1781 -1840), esta

distribucin de probabilidades fue trayectoria.

uno de los mltiples

trabajos matemticos que dennis complet en su productiva

Caracterstica

Las caractersticas de los procesos que producen una distribucin de probabilidad de poisson. El promedio (la media) del nmero de eventos que se producen por hora, puede estimarse a partir de datos que se tengan disponibles. Si dividimos la hora pico en periodos (intervalos) de un segundo cada uno, encontraremos que las siguientes afirmaciones son verdaderas: La probabilidad de que exactamente un evento ocurra por segundo es muy pequea y es constante para cada intervalo de un segundo. La probabilidad de que dos o ms eventos ocurran en un intervalo de un segundo es tan pequea que le podemos asignar un valor cero. El nmero de eventos que ocurren en un intervalo de un segundo es independiente del tiempo en que dicho intervalo se presente en la hora pico. El nmero de eventos en un intervalo de un segundo no depende del nmero de ocurrencias en cualquier otro intervalo de un segundo.

10.0

Distribucin normal
distribucin de

En estadstica y probabilidad se llama

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 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.

10.1

La importancia
modelar

De esta distribucin radica en que permite

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 que al uso de la estadstica en psicologa y sociologa sea conocido como mtodo correlacional. 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, cuando la distribucin de la poblacin de la cual se extrae la muestra no es normal. 1 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".
10.2

Caracterstica

La distribucin normal posee ciertas propiedades importantes que conviene destacar: i. ii. Tiene una nica moda, que coincide con su media y su mediana. La curva normal es asinttica al eje de abscisas. Por ello, cualquier valor entre y es tericamente posible. El rea total bajo la curva es, por tanto, igual a 1. Es simtrica con respecto a su media . Segn esto, para este tipo de variables existe una probabilidad de un 50% de observar un dato mayor que la media, y un 50% de observar un dato menor. La distancia entre la lnea trazada en la media y el punto de inflexin de la curva es igual a una desviacin tpica ( ). Cuanto mayor sea , ms aplanada ser la curva de la densidad. El rea bajo la curva comprendido entre los valores situados aproximadamente a dos desviaciones estndar de la media es igual a 0.95. En concreto, existe un 95% de posibilidades de observar un valor comprendido en el intervalo . La forma de la campana de gauss depende de los parmetros y (figura 3). La media indica la posicin de la campana, de modo que para diferentes valores de la grfica es desplazada a lo largo del

iii.

iv.

v.

vi.

eje horizontal. Por otra parte, la desviacin estndar determina el grado de apuntamiento de la curva. Cuanto mayor sea el valor de , ms se dispersarn los datos en torno a la media y la curva ser ms plana. Un valor pequeo de este parmetro indica, por tanto, una gran probabilidad de obtener datos cercanos al valor medio de la distribucin.

10.3

Ejemplo de una distribucin normal

10.4

USO DE LA TABLA DE LA DISTRIBUCIN NORMAL TPICA

Sea Z una variable aleatoria con distribucin normal tpica

1) Busca de la funcin de distribucin de un nmero positivo.

Supongamos que queremos calcular P{ Z e 0,92}. Dicha probabilidad est representada por el rea sombreada en la figura 1.

figura 1

Obtendremos la respuesta buscando en la tabla normal (para ello buscamos la fila correspondiente al nmero truncado en su primera cifra decimal (es decir 0,9) y la columna correspondiente a la segunda cifra decimal (es decir 0,02). La interseccin de esa fila y esa columna nos indicar el nmero buscado).

Por lo tanto P{ Z e 0,92}= 0,8212.

2) Clculo de la funcin de distribucin de un nmero negativo. Supongamos que queremos calcular P{ Z e -1,53}. Dicha probabilidad est representada por el rea sombreada en la figura 3.

figura 3

El nmero -1,53 no figura en la tabla, pero eso no nos impide calcular la probabilidad en cuestin. Simplemante hay que tener en cuenta que, por la simetra de la campana de Gauss se tiene:

P{ Z e -1,53}= P{ Z >1,53}

La probabilidad que figura en el segundo miembro de la ecuacin est respresentada en el rea sombreada en la figura 4:

figura 4 Dicha probabilidad es la complementaria de la probabilidad P{ Z e 1,53}, representada en la figura 5.

figura 5

Es decir: P{ Z e 1,53}+ P{ Z > 1,53}= 1. Para hallar P{ Z e 1,53} simplemente vamos a la tabla y procedemos como en el caso 1:

De aqu obtenemos P{ Z e 1,53} = 0,9370 y, por lo tanto:

P{ Z e -1,53}= P{ Z > 1,53} = 1 - P{ Z e 1,53}= 1- 0,9370 = 0,0630

11.0

Bibliografa
https://docs.google.com http://www.monografias.com http://es.wikipedia.org http://www.itch.edu.mx http://www.youtube.com http://html.rincondelvago.com http://www.jorgegalbiati.cl http://www.uv.es http://www.virtual.unal.edu.co www.aulafacil.com

ndice
1.0 2.0 3.0 4.0 5.0 6.0 7.0 7.1 7.2 8.0 9.0 9.1 10.0 10.1 10.2 10.3 10.4 11.0 Presentacin Introduccin Distribucin de probabilidad Tipos de distribucin Procesos de Bernoulli Distribucin binomial La distribucin binomial Propiedades esenciales Caracterstica La distribucin Hipergeomtrica Distribucin de poisson Caracterstica Distribucin normal La importancia Caracterstica Ejemplo de una distribucin normal Uso de la tabla de la distribucin normal Bibliografa