Introduccin

Estudiaremos en este tema tres de las distribuciones de probabilidad mas importantes y que son imprescindibles a la hora de adentrarnos en el estudio de la inferencia estadstica, la distribucin de probabilidad conocida como distribucin normal es una de las ms significativa de las distribuciones estadsticas, tambin se la denomina con el nombre de campana de Gauss, pues al representar su funcin de probabilidad, sta tiene forma de campana. Esta distribucin nos da la probabilidad de que al elegir un valor, ste tenga una medida contenida en unos intervalos definidos, esto permitir predecir de forma aproximada, el

comportamiento futuro de un proceso, conociendo los datos del presente.

En la distribucin se puede encontrar tambin la distribucin binomial la cual se introduce en el concepto de variable aleatoria, distinguiendo adems dos tipos de variables, las discretas y las continuas, en este apartado seguimos con el estudio de distribuciones de probabilidad analizando la distribucin de probabilidad continua, la distribucin normal, adems veremos sus caractersticas principales, definiendo posteriormente la distribucin poisson, esta distribucion, junto con la distribucin binomial son unas de la ms importante distribucin de probabilidad para variables discretas.

Distribucin normal Para de Esta distribucin es frecuentemente utilizada en las aplicaciones estadsticas. Su propio nombre indica su extendida utilizacin, justificada por la frecuencia o normalidad con la que ciertos fenmenos tienden a parecerse en su comportamiento a esta distribucin, muchas variables aleatorias continuas presentan una funcin de densidad cuya grfica tiene forma de campana, para definir la distribucin normal de probabilidad en una frmula es necesario conocer dos parmetros:

La media (m): es la suma de datos dividido la cantidad de datos. La desviacin estndar (s): informa sobre la variacin de los datos respecto de la media. Luego, la definicin de la distribucin normal es: Se dice que la variable X se distribuye de forma normal con parmetros m y s si":

La distribucin normal fue reconocida por primera vez por el francs Abraham de Moivre (1667-1754). Posteriormente, Carl Friedrich Gauss (1777-1855) elabor desarrollos ms profundos y formul la ecuacin de la curva; de ah que tambin se la conozca, ms comnmente, como la "Campana de Gauss".Si graficamos la ecuacin anterior, obtendremos la curva conocida como campana de Gauss.

Si nos fijamos en las caractersticas de la curva, veremos que es simtrica, con un vrtice, y que en los dos extremos se extienden indefinidamente, acercndose a 0 (la mayor parte de las poblaciones reales no se extienden indefinidamente a ambos lados, por eso la distribucin gaussiana es una aproximacin).

Propiedades de la distribucin normal: La distribucin normal posee ciertas propiedades importantes que conviene destacar: 1. 2. 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. 3. 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. 4. 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. 5. El rea bajo la curva comprendida 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.

6.

La forma de la campana de Gauss depende de los parmetros y la media la

indica la posicin de la campana, de modo que para diferentes valores de

grfica es desplazada a lo largo del eje horizontal. Por otra parte, la desviacin estndar determina el grado de apuntamiento de la curva. Cuanto mayor sea el valor de plana. , ms se dispersarn los datos en torno a la media y la curva ser ms Un valor pequeo de este parmetro indica, por tanto, una gran

probabilidad de obtener datos cercanos al valor medio de la distribucin. Como se deduce de este ltimo apartado, no existe una nica distribucin normal, sino una familia de distribuciones con una forma comn, diferenciadas por los valores de su media y su varianza. De entre todas ellas, la ms utilizada es la distribucin normal estndar, que corresponde a una distribucin de media 0 y varianza 1. As, la expresin que define su densidad se puede obtener de la Ecuacin 1, resultando: Ejemplos

1. En una ciudad se estima que la temperatura mxima en el mes de junio sigue una distribucin normal, con media 23 y desviacin tpica 5. Calcular el nmero de das del mes en los que se espera alcanzar mximas entre 21 y 27.

2. La media de los pesos de 500 estudiantes de un colegio es 70 kg y la desviacin tpica 3 kg. Suponiendo que los pesos se distribuyen normalmente, hallar cuntos estudiantes pesan:

1. Entre 60 kg y 75 kg.

2. Ms de 90 kg.

3. Menos de 64 kg.

4. 64 kg.

5. 64 kg o menos.

Distribucin de poisson.

Esta distribucin es una de las ms importantes distribuciones de sus principales aplicaciones hacen referencia a la modelizacin de situaciones en las que nos interesa determinar el nmero de hechos de cierto tipo que se pueden producir en un intervalo de tiempo o de espacio, bajo presupuestos de aleatoriedad y ciertas circunstancias restrictivas. Otro de sus usos frecuentes es la consideracin lmite de procesos dicotmicos reiterados un gran nmero de veces si la probabilidad de obtener un xito es muy pequea.

Sea X una variable aleatoria discreta que puede tomar los valores 0,1,2,.. tal que la funcin de probabilidad de X est dada por:

Donde es una constante positiva dada. Esta distribucin se llama Distribucin de Poisson (en memoria de S.D. Poisson, quien la descubri a principios del siglo XIX) y una variable aleatoria con esta distribucin se dice que est distribuida con la distribucin de Poisson, los valores de f(x) en la ecuacin pueden obtenerse usando la siguiente tabla, que da los valores de para diferentes valores de , o utilizando logaritmos.

Propiedades de la distribucin de poisson.

1. El nmero de resultados que ocurren en un intervalo o regin especifica es independiente del nmero que ocurre en cualquier otro intervalo o regin del especio disjunto. De esta forma vemos que el proceso de Poisson no tiene memoria.

2. La probabilidad de que ocurra un solo resultado durante un intervalo muy corto o en una regin pequea es proporcional a la longitud del intervalo o al tamao de la regin y no depende del nmero de resultados que ocurren fuera de este intervalo o regin.

3. La probabilidad de que ocurre ms de un resultado en tal intervalo corto o que caiga en tal regin pequea es insignificante.

La media y la varianza de la distribucin de Poisson p(x;t) tiene el valor t. Para verificar que en realidad la media tenga ese valor, podemos escribir:

Ejemplos: 1. Si un banco recibe en promedio 6 cheques sin fondo por da, cules son las probabilidades de que reciba, a) cuatro cheques sin fondo en un da dado, b) 10 cheques sin fondos en cualquiera de dos das consecutivos? Solucin: a) x = variable que nos define el nmero de cheques sin fondo que llegan al banco en un da cualquiera = 0, 1, 2, 3, ....., etc, etc. l = 6 cheques sin fondo por da e = 2.718

b) x= variable que nos define el nmero de cheques sin fondo que llegan al banco en dos das consecutivos = 0, 1, 2, 3, ......, etc., etc.

l = 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en dos das consecutivos Nota: l siempre debe de estar en funcin de x siempre o dicho de otra forma, debe hablar de lo mismo que x.

2. En la inspeccin de hojalata producida por un proceso electroltico continuo, se identifican 0.2 imperfecciones en promedio por minuto. Determine las probabilidades de identificar a) una imperfeccin en 3 minutos, b) al menos dos imperfecciones en 5 minutos, c) cuando ms una imperfeccin en 15 minutos. Solucin: a) x = variable que nos define el nmero de imperfecciones en la hojalata por cada 3 minutos = 0, 1, 2, 3, ...., etc., etc. l = 0.2 x 3 =0.6 imperfecciones en promedio por cada 3 minutos en la hojalata

b) x = variable que nos define el nmero de imperfecciones en la hojalata por cada 5 minutos = 0, 1, 2, 3, ...., etc., etc. l = 0.2 x 5 =1 imperfeccin en promedio por cada 5 minutos en la hojalata

=1-(0.367918+0.367918) = 0.26416 c) x = variable que nos define el nmero de imperfecciones en la hojalata por cada 15 minutos = 0, 1, 2, 3, ....., etc., etc. l = 0.2 x 15 = 3 imperfecciones en promedio por cada 15 minutos en la hojalata

= 0.0498026 + 0.149408 = 0.1992106

Distribucin binomial La distribucin binomial fue desarrollada por Jakob Bernoulli (Suiza,1654 1705) y es la principal distribucin de probabilidad discreta para variables dicotmicas, (es decir, que slo pueden tomar dos), la distribucin binomial 3 posibles resultados. Bernoulli defini el proceso conocido por su nombre. Dicho proceso, consiste en realizar un experimento aleatorio una sla vez y observar si cierto suceso ocurre o no, siendo p la probabilidad de que ocurra (xito) y q=1 p de que no ocurra (fracaso), por lo que la variable slo puede tomar dos posibles valores, el 1 si ocurre y el 0 sino sucede. Las distribucin binomial es una generalizacin de la distribucin de Bernouilli, cuando en lugar de realizar el experimento aleatorio una sola vez , se realiza n, siendo cada ensayo independiente del anterior.

La distribucin binomial viene definida como sigue: Sea una poblacin de tamao . Sea una muestra de tamao n (nmero de repeticiones del experimento). Los n experimentos realizados son independientes. Cada ensayo produce uno de los dos nicos posibles resultados, a los que por comodidad denomenclatura, les llamaremos acierto (A) y su complementario Fallo (F o A ). Sea A un suceso que tiene una probabilidad p de suceder y en consecuencia, su complementario tendr una probabilidad 1 p de suceder. X: nmero de individuos de la muestra que cumplen A. El conjunto de posibles valores de A es, E = {0,1,2,3,4....}

Caractersticas de la distribucin binomial

Se dice que X sigue una distribucin Binomial de parmetros n y p, que se representa con la siguiente notacin: X ~ B (n, p) Su funcin de probabilidad viene definida por:

Ecuacin 1. Funcin de Probabilidad de la distribucin Binomial. Donde, n, debe ser un entero positivo y p debe pertenecer al intervalo 0 p 1, por ser una proporcin. Su media y su varianza, vendrn dadas por las siguientes expresiones: p*n)X(E Ecuacin 2.Esperanza de la distribucin Binomial

Una distribucin de probabilidad binomial es una distribucin terica, que se puede calcular mediante el uso de la frmula de la funcin de probabilidad. Sin embargo, los clculos pueden ser muy tediosos, especialmente cuando nos piden probabilidades acumuladas, ya que ser necesario aplicar la frmula

repetidamente. Por tal motivo existen tablas en las que se pueden consultar las probabilidades de un determinado nmero de xitos para varios valores de n y de p, pero nicamente para valores mximos de n = 25. Para cualquier n superior hemos de utilizar inevitablemente la frmula de la funcin de probabilidad. Se

puede obtener ms informacin al respecto en el recurso poli media, referido en bibliografa. Sin embargo, el clculo puede ser todava tedioso. Para solventar el problema del clculo de probabilidades de la distribucin binomial para n elevados, y siempre que el producto n*p*(1 p) es elevado, del orden de 9 o superior, las probabilidades correspondientes a una variable con distribucin binomial, pueden tambin aproximarse, usando las tablas de la distribucin normal, por el Teorema Central del Lmite, la suma de variables aleatorias independientes, tiende a distribuirse normalmente a medida que aumenta el nmero de sumandos.

En caso de que podamos aproximar, debemos tener en cuenta que estamos pasando de una variable discreta (binomial) a una continua (normal), y por tanto son distribuciones diferentes. El precio que hay que pagar por pasar de una a otra se denomina correccin por continuidad y consiste en hacer determinados ajustes para que la aproximacin realizada sea lo ms precisa posible. En la distribuciones continuas, la probabilidad de obtener un valor exacto es cero, como se vio en temas Consiste en tomar un pequeo intervalo de longitud 1 alrededor del determinado punto k (aumentar y disminuir un poco el valor solicitado creando en lugar de una valor nico un intervalo).

La distribucin binomial se puede expresar de forma grfica, y que en realidad consiste en un diagrama de barras, similar a los obtenidos en la funcin de probabilidad pero que van a ir variando su forma en funcin de los valores de n y de p al modificarse las probabilidades de los distintos posibles valores de P(X=x). Por ejemplo, para p=0,2 (azul), y p=0,3 (rojo) y distintos valores de n:

Imagen 1. Grfica de una distribucin binomial(n, 0,3) en rojo y (n, 0,2) en azul, para n = 40, 50,60, 70 ,80, 90 y 100.

En la siguiente figura, puede apreciarse como al incrementar n, se ve que las curvas de frecuencias se aproximan a una forma en forma de campana, con la tpica forma de campana de Gauss, pudiendo a deducirse, que conforme aumenta n, las variables discretas que siguen una distribucin binomial tiende a aproximarse a la distribucin normal.

Ejemplos:

En unas pruebas de alcoholemia se ha observado que el 5% de los conductores controlados dan positivo en la prueba y que el 10% de los conductores controlados no llevan aprovechado el

cinturn de seguridad. Tambin se ha observado que las dos infracciones son independientes. Un guardia de trfico para cinco conductores al azar. Si tenemos en cuenta que el nmero de conductores es

suficientemente importante como para estimar que la proporcin de infractores no vara al hacer la seleccin. 1. Determinar la probabilidad a de que exactamente tres conductores hayan cometido alguna de las dos infracciones.

2. Determine la probabilidad de que al menos uno de los conductores infracciones. controlados haya cometido alguna de las dos

En una urna hay 30 bolas, 10 rojas y el resto blancas. Se elige una bola al azar y se anota si es roja; el proceso se repite, devolviendo la bola, 10 veces. Calcular la media y la desviacin tpica. B(10, 1/3) p = 1/3q = 2/3