2.

DISTRIBUCIN DE PROBABILIDADUna distribucin de probabilidad indica toda la gama devalores que pueden representarse como resultado de unexperimento si ste se llevase a cabo. Es decir, describe la probabilidad de que un evento serealice en el futuro, constituye una herramientafundamental para la prospectiva, puesto que se puededisear un escenario de acontecimientos futurosconsiderndolas tendencias actuales de diversos fenmenosnaturales. 3. DISTRIBUCIN DE BERNOULLI Consiste en realizar un experimento aleatorio una sola vez y observar si cierto suceso ocurre o no, siendo p la probabilidad de que esto sea as (xito) y q=1-p el que no lo sea (fracaso). En realidad no se trata ms que de una que nicamente puede tomar dos modalidades, es por ello que el hecho de llamar xito o fracaso a los posibles resultados de las pruebas del resultado. Podramos por tanto definir este experimento mediante una v.a. discreta X que toma los valores X=0 si el suceso no ocurre, y X=1 en caso contrario. 4. DISTRIBUCIN BINOMIAL La distribucin binomial es una distribucin de probabilidad discreta que mide el nmero de xitos en una secuencia de n ensayos de BERNOULLI independientes entre s, con una probabilidad fija p de ocurrencia del xito entre los ensayos. 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) 5. DISTRIBUCION POISSON Se trata de un modelo discreto, pero en el que el conjunto de valores con probabilidad no nula no es finito, sino numerable. Esta distribucin suele utilizarse para contajes del tipo nmero de individuos por unidad de tiempo, de espacio, etc. Propiedades del modelo de Poisson 1) Esperanza: E(X) = . 2) Varianza: V(X) = . En esta distribucin la esperanza y la varianza coinciden. 6. DISTRIBUCIN NORMAL 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 aproximada en fenmenos reales. La grfica de su funcin de densidad tiene una forma acampanada y es simtrica respecto de un determinad o parmetro . Esta curva se conoce como campana de Gauss y e es el grfico de una funcin gaussiana.

7. DISTRIBUCIN GAMMA En estadstica la distribucin gamma es una distribucin de probabilidad continua con dos parmetros k y cuya funcin de densidad para valores x > 0 es Aqu e es el nmero e y es la funcin gamma. Para valores la aquella es (k) = (k 1)! (el factorial de k 1). En este caso - por ejemplo para describir un proceso de Poisson - se llaman la distribucin distribucin Erlang con un parmetro = 1 / . El valor esperado y la varianza de una variable aleatoria X de distribucin gamma son E*X+ = k / = k V*X+ = k / 2 = k2 . 8. DISTRIBUCIN T STUDENT En probabilidad y estadstica, la distribucin t (de Student) es una distribucin de probabilidad que surge del problema de estimar la media de una poblacin normalmente distribuida cuando el tamao de la muestra es pequeo. Surge, en la mayora de los estudios estadsticos prcticos, cuando la desviacin tpica de una poblacin se desconoce y debe ser estimada a partir de los datos de una muestra. La prueba t-Student fue desarrollada en 1899 por el qumico ingls William Sealey Gosset (1876-1937), mientras trabajaba en tcnicas de control de calidad para las destileras Guiness en Dubln . Debido a que en la destilera, su puesto de trabajo no era inicialmente de estadstico y su dedicacin deba estar exclusivamente encaminada a mejorar los costes de produccin, public sus hallazgos annimamente firmando sus artculos con el nombre de "Student".

DISTRIBUCIONES CONTINUAS Las distribuciones continuas incluidas en el mdulo de Clculo de probabilidades son:

-cuadrado Distribucin Uniforme (a,b) La distribucin uniforme es til para describir una variable aleatoria con probabilidad constante sobre el intervalo [a,b] en el que est definida. Esta distribucin presenta una peculiaridad importante: la probabilidad de un suceso depender exclusivamente de la

amplitud del intervalo considerado y no de su posicin en el campo de variacin de la variable. Cualquiera sea la distribucin F de cierta variable X, la variable transformada Y=F(X) sigue una distribucin uniforme en el intervalo [0,1]. Esta propiedad es fundamental por ser la base para la generacin de nmeros aleatorios de cualquier distribucin en las tcnicas de simulacin. Campo de variacin: axb Parmetros: a: mnimo del recorrido b: mximo del recorrido Ejercicio Supngase una variable que se distribuye uniformemente entre 380 y 1.200. Determnese: 1. La probabilidad de que el valor de la variable sea superior a mil. 2. La media y la desviacin estndar de dicha variable. A Epidat se le proporcionar el lmite superior e inferior del campo de variacin de la variable [380, 1.200] y, adems, el punto a partir del cual se quiere calcular la probabilidad. Resultados con Epidat 3.1 Clculo de probabilidades. Distribuciones continuas Uniforme (a,b) a : Mnimo b : Mximo Punto X 380,0000 1200,0000 1000,0000

Cola Izquierda Pr[X<=k] Cola Derecha Pr[X>=k] Media Varianza Mediana

0,7561 0,2439

790,0000 56033,3333 790,0000

La probabilidad de que la variable sea superior a mil se sita en un entorno de 0,24, la media es 790 y la desviacin estndar, raz cuadrada de la varianza, es aproximadamente 237. Ejercicio Un contratista A est preparando una oferta sobre un nuevo proyecto de construccin. La oferta sigue una distribucin uniforme entre 55 y 75 miles de euros. Determnese: 1. La probabilidad de que la oferta sea superior a 60 mil euros. 2. La media y la desviacin estndar de la oferta. A Epidat se le proporcionar el lmite superior e inferior del campo de variacin de la variable [55, 75] y, adems, el punto a partir del cual se quiere calcular la probabilidad. Clculo de probabilidades. Distribuciones continuas Uniforme (a,b) a : Mnimo 55,0000

b : Mximo 75,0000 Punto X 60,0000 0,2500

Cola Izquierda Pr[X<=k] Cola Derecha Media Varianza

Pr[X>=k] 0,7500 65,0000 33,3333

Mediana

65,0000

La probabilidad de que la oferta sea superior a 60 mil euros se sita en un entorno de 0,75, y la media es 65. Distribucin Normal (Mu, Sigma) La distribucin normal es, sin duda, la distribucin de probabilidad ms importante del Clculo de probabilidades y de la Estadstica. Fue descubierta por De Moivre (1773), como aproximacin de la distribucin binomial. De todas formas, la importancia de la distribucin normal queda totalmente consolidada por ser la distribucin lmite de numerosas variables aleatorias, discretas y continuas, como se demuestra a travs de los teoremas centrales del lmite. Las consecuencias de estos teoremas implican la casi universal presencia de la distribucin normal en todos los campos de las ciencias empricas: biologa, medicina, psicologa, fsica, economa, etc. En particular, muchas medidas de datos continuos en medicina y en biologa (talla, presin arterial, etc.) se aproximan a la distribucin normal. Junto a lo anterior, no es menos importante el inters que supone la simplicidad de sus caractersticas y de que de ella derivan, entre otras, tres distribuciones (Jicuadrado, t y F) que se mencionarn ms adelante, de importancia clave en el campo de la contrastacin de hiptesis estadsticas. La distribucin normal queda totalmente definida mediante dos parmetros: la media (Mu) y

la desviacin estndar (Sigma). Campo de variacin: - < x < Parmetros: Mu: media de la distribucin, - < Mu < Sigma: desviacin estndar de la distribucin, Sigma > 0 Ejercicio Se supone que el nivel de colesterol de los enfermos de un hospital sigue una distribucin normal con una media de 179,1 mg/dL y una desviacin estndar de 28,2 mg/dL. 1. Calcule el porcentaje de enfermos con un nivel de colesterol inferior a 169 mg/dL. 142. Cul ser el valor del nivel de colesterol a partir del cual se encuentra el 10% de los enfermos del hospital con los niveles ms altos? 3. Represente la funcin de densidad. En este caso, se tendr que ejecutar Epidat 3.1 dos veces: en el primer caso para calcular una probabilidad, en el segundo caso el dato de entrada es una probabilidad, concretamente la cola de la derecha, lo que permitir obtener el punto. En ambas ejecuciones se ofrece, de manera opcional, la funcin de densidad del nivel de colesterol. 1. Resultados con Epidat 3.1 Clculo de probabilidades. Distribuciones continuas Normal (Mu,Sigma) Mu : Media 179,1000

Sigma : Desviacin estndar 28,2000 Punto X 169,0000

Cola Izquierda Pr[X<=k] Cola Derecha Pr[X>=k] Dos Colas

0,3601 0,6399

1-Pr[|X|<=k] 0,7202