Unidad III Distribuciones de Vaddocx

Ing. Orlando F. Ochoa Ch.
C.I.V. N 12.326
DISTRIBUCIONES DE VARIABLES DISCRETAS
UNIDAD III Distribuciones discretas y continuas. Distribucin Binomial. Aplicacin de la Teora Combinatoria. Parmetros de una Distribucin Binomial. Ajuste de una Distribucin Binomial. Distribucin Multinomial. Parmetros Distribucin de Poisson. Parmetros. Distribucin hipergeomtrica. Diferencias. Resolucin de Problemas. 3.1. Definiciones previas: Distribucin de probabilidad: 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. Distribucin de variable discreta: Es aquella distribucin cuya funcin de probabilidad slo toma valores positivos en un conjunto de valores de X finito o infinito numerable. A dicha funcin se le llama funcin de masa de probabilidad. En este caso la distribucin de probabilidad es la suma de la funcin de masa, por lo que tenemos entonces que:
Y, tal como corresponde a la definicin de distribucin de probabilidad, esta expresin representa la suma de todas las probabilidades desde hasta el valor X. Distribucin de variable continua: Es aquella distribucin que puede tomar cualquiera de los infinitos valores existentes dentro de un intervalo. En el caso de variable continua la distribucin de probabilidad es la integral de la funcin de densidad, por lo que tenemos entonces que:
ING. ORLANDO F. OCHOA CH. UBA - ESTADISTICA II - 2012
Pgina 1

C.I.V. N 12.326
Teorema del binomio: El teorema del binomio es una frmula que proporciona el desarrollo de la potencia n-sima de (siendo n, entero positivo) de un binomio. De acuerdo con el teorema, es posible expandir la potencia (x + y)n en una suma que implica trminos de la forma axbyc, donde los exponentes b y c son nmeros naturales con b + c = n, y el coeficiente a de cada trmino es un nmero entero positivo que depende de n y b (Ver Anexo: COEFICIENTES DEL BINOMIO DE NEWTON). Cuando un exponente es cero, la correspondiente potencia es usualmente omitida del trmino. 3.2. Distribucin binomial: 3.2.1. Definicin: Esta distribucin se basa en el proceso de Bernoulli. Se denominan procesos de tipo Bernoulli, a todo experimento consistente en una serie de pruebas repetidas, caracterizadas por tener resultados que se pueden clasificar en si verifican o no cierta propiedad o atributo, siendo aleatorios e independientes. Para identificar un proceso Bernoulli en una serie de pruebas repetidas, se deben verificar tres condiciones:
Resultados dicotmicos: Los resultados de cada prueba se pueden
clasificar en "xito" si verifican cierta condicin, o "fracaso" en el caso contrario.

Independencia de las pruebas : El resultado de una prueba cualquiera
es independiente del resultado obtenido en la prueba anterior, y no incide en el resultado de la prueba siguiente.
Estabilidad de las pruebas : La probabilidad p de obtener un resultado
considerado como un xito se mantiene constante a lo largo de toda la serie de pruebas. 3.2.2. Caractersticas: a. Sigue el desarrollo del binomio (p + q)n b. Nmero de trminos del binomio = n + 1 c. Probabilidad de xito: () = , = ! = !
!
d. Parmetros de la distribucin binomial:

ING. ORLANDO F. OCHOA CH. UBA - ESTADISTICA II - 2012 Pgina 2

C.I.V. N 12.326
Expectativa matemtica o Valor esperado (Esperanza matemtica o
Media aritmtica):

() = =
= .
=
=
.
=
Varianza ( ) y Desviacin tpica ():

2
= .
=
=
= .
=
=
De acuerdo a las frmulas, los clculos seran muy laboriosos por lo cual se asumen con alto grado de exactitud las expresiones siguientes: () = . = 3.2.3. Ejemplos: Un a g e n t e d e se g ur o s ve n de p li za s a ci n co p er so n a s de la mi s ma e d a d y q u e d i sfr u t a n d e b ue n a sal u d . Se g n l a s t a b la s a ctu al e s, l a p ro b a bili d a d d e q u e u n a p e r son a en e st a s co n di ci o ne s vi va 3 0 a o s o m s e s 2 / 3 . H ll e se l a p r o b a bili d ad d e qu e , tr a n scu rri d o s 30 a o s, vi va n : a. L a s cin co p er so n a s. b. Al me n o s t r e s p e r son a s c. Exa ct a me n t e d o s p e r so n a s.
. .

C.I.V. N 12.326
P = estar vivo = xito = 2/3 Q = estar muerto = fracaso = 1/3 n=5 Funcin de probabilidades: +
= . + . . + . . + . . + . . + .
Interpretacin: P 5 . Q0 = probabilidad de que estn cinco vivos y ninguno muerto 5. P 4 . Q1 = probabilidad de que estn cuatro vivos y uno muerto 10. P 3 . Q2 = probabilidad de que estn tres vivos y dos muertos 10. P 2 . Q3 = probabilidad de que estn dos vivos y tres muertos 5. P1 . Q4 = probabilidad de que est uno vivo y cuatro muertos P 0 . Q5 = probabilidad de que ninguno est vivo y cinco muertos a. Probabilidad que vivan las cinco personas: = = . =

= ,
b. Probabilidad de que al menos tres estn vivos: = 10. P 3 . Q2 + 5. P 4 . Q1 + P 5 . Q0 = 10.

2 5 3 2 3 3
1 2 3
+ 5.
2 4 3
1 1 3
1 0 3
= .
c. Probabilidad de que exactamente dos estn vivos: 2 = = 10. P . Q = 10. 3

2 3 2
1 . 3
= 0,164
Pgina 4

C.I.V. N 12.326
Grfica de la distribucin:
DISTRIBUCION BINOMIAL
0,400
P R O B A B I L I D A D
0,300 0,200
0,100
0,000 0 1 2 3 4 5 6
N DE PERSONAS VIVAS
Pi = f(Xi)
3.3. Distribucin de Poisson: 3.3.1. Definicin: En teora de probabilidad y estadstica, la distribucin de Poisson es una distribucin de discreta que expresa, a partir de una frecuencia de ocurrencia media, la probabilidad de que ocurra un determinado nmero de eventos durante cierto periodo de tiempo o por unidad de espacio. Algunos de los experimentos o problemas que se presentan como un fenmeno con distribucin de Poisson son: Los embotellamientos de trfico que se producen por da. Nmero de llamadas por hora Defectos m2 de tela Nmero de defectos por lote de un proceso de produccin Nmero de negocios cerrados por semana Nmero de aviones que aterrizan en un aeropuerto por da, hora, minuto, etc. Nmero de llamadas telefnicas a un consumidor por hora, minuto, etc. Se dice que se da un proceso de Poisson, si se pueden observar eventos discretos, en un intervalo continuo tal que si se acorta el intervalo lo suficiente:

C.I.V. N 12.326
La probabilidad de observar exactamente un xito en el intervalo es estable. La probabilidad de observar dos o ms xitos en el intervalo es cero. La ocurrencia de un xito en cualquier intervalo es estadsticamente independiente de que suceda en cualquier otro intervalo. 3.3.2. Caractersticas: d. Frmula: Para determinar la probabilidad de que ocurran X xitos, por unidad de tiempo, rea o producto, la frmula a utilizar ser: , =
.
Donde: n = nmero de ensayos X = nmero de xitos esperados en n ensayos e = 2,71828 = n.p = constante igual al nmero de xitos promedio por unidad de medida. P = probabilidad constante durante el proceso igual al nmero de xitos por unidad de medida. e. Parmetros: Expectativa matemtica o Valor esperado (Esperanza matemtica o Media aritmtica): () = = . Varianza (2 ) y Desviacin tpica (): . = = =
Pgina 6

C.I.V. N 12.326
f. Grfico:
El eje horizontal es el ndice k. La funcin solamente est definida en valores enteros de k. Las lneas que conectan los puntos son solo guas para el ojo y no indican continuidad. Hay que hacer notar que en esta distribucin el nmero de xitos que ocurren por unidad de tiempo, rea o producto es totalmente al azar y que cada intervalo de tiempo y rea, as como tambin cada producto es independiente uno de otro. 3.3.3. Ejemplos: 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. Diez cheques sin fondo en cualquiera de dos das consecutivos? Solucin: a. Probabilidad de cuatro cheques X = N de cheques sin fondo que llegan al banco en un da cualquiera, X = 0,1,2,3,4, = 6 cheques sin fondo por da e = 2,718 , =
.
= P X = 4, = 6 =
6 4 .(2,718 )6 4.3.2.1
1296 (0,00248 ) 24
= ,
b. Probabilidad de diez cheques dos das consecutivos:


C.I.V. N 12.326
X = N de cheques sin fondo que llegan al banco en un da cualquiera, X = 0,1,2,3,4, = 6 x 2 =12 cheques sin fondo en promedio que llegan en dos das , =
.
= P X = 10, = 12 =
12 10 . 2,718 10 10 !
6,1917 (0,000006 ) 3528800
= , = = , 3.4. Distribucin hipergeomtrica: 3.4.1. Definicin: La distribucin hipergeomtrica es una distribucin discreta relacionada con muestreos aleatorios sin reemplazo. Supngase que se tiene una poblacin de N elementos de los cuales, d pertenecen a la categora A y N-d a la B. La distribucin hipergeomtrica mide la probabilidad de obtener elementos de la categora A en una muestra de n elementos de la poblacin original. Algunos de los experimentos o problemas que se presentan como un fenmeno con distribucin Hipergeomtrica son: Al realizar un experimento con este tipo de distribucin, se esperan dos tipos de resultados. Las probabilidades asociadas a cada uno de los resultados no son constantes. Cada ensayo o repeticin del experimento no es independiente de los dems. El nmero de repeticiones del experimento ( n) es constante.
Pgina 8

C.I.V. N 12.326
3.4.2. Caractersticas: a. Frmula:
= =
Donde: a = coeficiente binomial, el nmero de combinaciones posibles al x seleccionar x elementos de un total a. N = tamao de la poblacin n = tamao de la muestra extrada d = nmero de elementos en la poblacin original que pertenecen a la categora deseada x = nmero de elementos en la muestra que pertenecen a dicha categora. b. Parmetros: Expectativa matemtica o Valor esperado (Esperanza matemtica o Media aritmtica): () = . = .
Varianza (2 ) y Desviacin tpica (): = = Pero: P=N

d
Q = 1 P, por lo tanto:
Pgina 9
= = . . .

C.I.V. N 12.326
3.4.3. Ejemplo: Se realiza un experimento para seleccionar un catalizador apropiado para la produccin comercial de etilendiamina (EDA), un producto que se utiliza para los jabones, Suponga que un ingeniero qumico selecciona al azar tres catalizadores para probarlos de entre un grupo de 10 catalizadores, seis de los cuales tienen baja acidez y cuatro de los cuales son muy cidos. a) Calcular la probabilidad de que no se escoger un catalizador muy acido b) Calcular la probabilidad de que se escoja exactamente un catalizador muy acido c) Calcular la media y la varianza para la variable aleatoria x Solucin: a) Calcular la probabilidad de que no se escoger un catalizador muy acido: a x Na n x . x = 0,1,2,3, . . n N n 10 4 3 0 = 1.20 = 20 = 1 10 120 120 6 3
4 = 0
b) Calcular la probabilidad de que se escoja exactamente un catalizador muy acido: a x Na 4 nx = 1 N n 10 4 3 1 = 4.15 = 1 10 120 2 3
c) Calcular la media y la varianza para la variable aleatoria x : E(x) = n. P = 3.0,4 = , 2 X = Var X = n. P. Q.

N n N 1
= 3.0,4.0,6.
10 3 10 1
= 3.0,4.0,6.0,8 = ,
Pgina 10

C.I.V. N 12.326
4. Ajuste de una distribucin de probabilidades: Una de las tareas fundamentales en Estadstica consiste en determinar, a partir de los resultados observados en una muestra, el modelo que sigue la distribucin de una cierta variable en la poblacin estudiada. Una vez determinado, para responder a las cuestiones que interesen bastar con aplicar las propiedades y caractersticas del modelo al que se ajusta. En algunas situaciones, se dispone de un conjunto de datos de los que se sospecha que puedan estar distribuidos normalmente o binomialmente, y se quiere confirmar esta intuicin. Para validar esta apreciacin se procede a ajustar estos datos a una distribucin de caractersticas conocidas. Es por ello, que ajustar una distribucin a una distribucin probabilstica, es comprobar o verificar si dicha distribucin sigue la tendencia de alguna distribucin probabilstica terica conocida, tales como la binomial o la normal, para as poderle aplicar los conocimientos de stas distribuciones. Podemos sospechar que un conjunto de datos obtenidos experimentalmente se ajusta a una distribucin binomial cuando se trata de N observaciones, relativas a n individuos de una poblacin estadstica, en cada una de las cuales se ha contado el nmero k de individuos que cumplen una determinada condicin. De ese modo, para el anlisis partimos de una tabla de frecuencias cuya variable toma los valores 0, 1, 2, ..., n. Una distribucin binomial queda caracterizada por los valores de n y p. En nuestro caso n ya es conocido, ya que viene determinado por los datos de partida. Sin embargo es necesario encontrar el valor de p. Si la serie de datos experimentales se ajusta a una distribucin binomial, la media, , de los datos ha de ser igual a la media de la distribucin binomial B(n,p), , de modo que igualando ambas podemos obtener el valor de la probabilidad p:
El ajuste y las ventajas que este supone, carece de valor si no es suficientemente bueno. En todos los casos habr diferencias entre los datos experimentales y los correspondientes segn la ley ajustada, pero habr que

C.I.V. N 12.326
determinar en qu medida esas diferencias estn justificadas por el azar, en cuyo caso la ley terica ajustada es aceptable, o bien son demasiado grandes y debemos suponer que la ley terica ajustada no es la que realmente siguen los datos experimentales y, por ello, se debe rechazar el ajuste. 4.1. Procedimiento: 4.1.1. Clculo de la media de la serie de datos experimentales: Se utiliza la frmula: =
= .
4.1.2. Clculo del exponente del binomio, valor n: n+1 = nmero de eventos 4.1.3. Clculo de las probabilidades de la ocurrencia de los eventos, xito (P) y fracaso (Q). A partir de la frmula de la media aritmtica que expresa a la misma como funcin de la probabilidad (p) y el nmero de eventos (n), se tiene: = . + = =
4.1.4. Desarrollo del binomio de Newton: Conocidos los componentes del binomio P, Q y n, se desarrolla el mismo (mtodo del Tringulo de Pascal o el mtodo abreviado) en donde sus trminos representan las probabilidades de ocurrencia de los diferentes eventos. +
= + + + () +
4.1.5. Clculo de las frecuencias tericas, (FT): En base a las probabilidades P(x) determinadas mediante el desarrollo del binomio de Newton y el nmero de observaciones se calculan las frecuencias tericas en base a la frmula FT = P(x) x N.
Pgina 12

C.I.V. N 12.326
DISTRIBUCIONES DE VARIABLES DISCRETAS Probabilidad (Px) P1 P2 P3 Frecuencias Tericas (FT) F1 F2 F3
Eventos (Xi) 0 1 2 . n
Pn Pi = 1,00
Fn Fi = N
4.1.6. Bondad del ajuste: Estas pruebas permiten verificar que la poblacin de la cual proviene una muestra tiene una distribucin especificada o supuesta. Sea X: variable aleatoria poblacional f0(x) la distribucin (o densidad) de probabilidad especificada o supuesta para X Se desea probar la hiptesis: Ho: f(x) = f0(x) En contraste con la hiptesis alterna: Ha: f(x) f0(x) (negacin de Ho) Prueba JI-cuadrado o Chi-cuadrado, ( ): Esta prueba es aplicable para variables aleatorias discretas o continuas. Sea una muestra aleatoria de tamao n tomada de una poblacin con una distribucin especificada f0(x) que es de inters verificar.

C.I.V. N 12.326
Suponer que las observaciones de la muestra estn agrupadas en k clases, siendo oi la cantidad de observaciones en cada clase i = 1, 2, ..., k Con el modelo especificado f0(x) se puede calcular la probabilidad pi que un dato cualquiera pertenezca a una clase i. Con este valor de probabilidad se puede encontrar la frecuencia esperada ei para la clase i, es decir, la cantidad de datos que segn el modelo especificado deberan estar incluidos en la clase i: FT = ei = pi n, i = 1, 2, ..., k Tenemos entonces dos valores de frecuencia para cada clase i Fi = foi: frecuencia observada (corresponde a los datos de la muestra) FT = ei: frecuencia esperada (corresponde al modelo propuesto) Definicin de la distribucin JI-cuadrado o Chi-cuadrado, ( ): - Funcin de densidad: =
.
Donde: = nmero de grados de libertad k = constante que depende de de tal forma que el rea bajo la curva sea igual a 1 Los valores de esta funcin, se encuentran tabulados y se determinan en base a los grados de libertad y a los niveles de significacin. - Frmula: La frmulas para determinar el X2c se fundamentan en las frecuencias observadas (Fi) y las frecuencias tericas o calculadas (Ft).
2 Xc = F i F T 2 FT
Mtodo Directo
Mtodo Abreviado
Pgina 14

C.I.V. N 12.326
Grados de Libertad (): Es un concepto fundamental de la Teora de Muestreo, relacionado con la Prueba de Chi Cuadrado, se puede definir, como el nmero de observaciones independientes en la muestra, estando su nmero dependiendo de los parmetros de la poblacin que deben estimarse a partir de las observaciones de las muestras. As por ejemplo cuando se aplica la prueba de Chi Cuadrado para el ajuste de las Distribuciones Probabilsticas correspondientes, el nmero de grados de libertad para entrar en la correspondiente Tabla ser: Distribucin Binomial: G de L () = k 2 de la variable Distribucin Normal: G de L () = k 3
donde k = N de valores
donde k = N de clases
Nivel de significacin (): Es una especie de margen de error que se est dispuesto a aceptar al realizar un contraste de hiptesis. La aceptacin o rechazo de una Hiptesis Nula (Ho) se basa en la fijacin de un determinado nivel de probabilidad, (p). Ambos son complementarios, es decir, su suma es igual a uno o a cien por ciento, (p + = 1) En este curso usaremos como nivel de probabilidad, p = 0,95 y por lo tanto el nivel de significacin ser: = 0,05. En el caso de la prueba Chi Cuadrado (X2) existen tablas que pueden considerar uno u otro trmino.
Pgina 15

C.I.V. N 12.326
4.1.7. Ejemplo: Se lanzan cuatro monedas 80 veces y el nmero de caras que se obtuvo en cada lanzamiento es el siguiente:
N de caras (Xi) Frec. Observ. (Fi)
0 5
1 15
2 30
3 20
4 10
Ajustar dicha distribucin a una Distribucin Binomial: Solucin: a. Clculo de la media de la serie de observaciones:
Nmero de Caras (Xi) 0 1 2 3 4 Frecuencias (fi) 5 15 30 20 10 fi = 80 Xi . fi 0 15 60 60 40 Xi.fi = 175
. = = .
Pgina 16

C.I.V. N 12.326
b. Clculo del exponente del binomio, (n): n + 1 = N de eventos n+1 =5 =
c. Clculo de las probabilidades de la ocurrencia de los eventos, xito (P) y fracaso (Q): X 2.20 = n 4
X = n. P
P=
= .
P+Q =1
Q = 1 P = 1.00 0.55
= .
d. Desarrollo del binomio de Newton: (P + Q)n = (0,55 + 0,45)4 = 0,554 + 4x0,553x0,45 + 6x0,552x0,452 + 4x0,55x0,453 + 0,454 =
0,09 + 0,31 + 0,36 + 0,20 + 0,04 = 1,00
Probabilidades de los eventos: Obtener 0 caras: 0,04 Obtener 1 cara: 0,20 P(0) = C4,0 p0xq4-0 = P(1) = C4,1 p1xq4-1 = P(2) = C4,2 p2xq4-2 = P(3) = C4,3 p3xq4-3 = P(4) = C4,4 p4xq4-4 = 1x1x0,454 = 0,04
4x0,551x0,453 = 0,20 4x0,552x0,452 = 0,36 4x0,553x0,451 = 0,31 4x0,554x0,450 = 0,09
Obtener 2 caras: 0,36 Obtener 3 caras: 0,31 Obtener 4 caras: 0,09
Pgina 17

C.I.V. N 12.326
e. Clculo de las frecuencias tericas, (F T):

Nmero de Caras (Xi) 0 1 2 3 4 Probabilidad (Px) 0,04 0,20 0,36 0,31 0,09 Pi = 1,00 Frecuencias Tericas (Ft = Px.N) 3 16 29 25 7 Fi = 80
f. Grfico:
Xi Fi FT
0 5 3
1 15 16
2 30 29
3 20 25
4 10 7
Distribucion del lanzamiento de monedas

35 30 25 20 15 10 5 0 0 1 2 3 4 5 N de caras
Frecuencias
Fi FT
Pgina 18

C.I.V. N 12.326
g. Bondad del ajuste:

Frecuencias Observadas (Fi) 5 15 30 20 10 Fi = 80 Frecuencias Tericas Fi (Ft) 3 16 29 25 7 Ft = 80 25 225 900 400 100 8,33 14,06 31,03 16,00 14,29 Fi2/Ft = 83,71
2
Fi /Ft
Xc2 = 83,71 80 = 3,71 Segn la Tabla de la distribucin JI-cuadrado o Chi-cuadrado, ( 2 ), correspondiente (Anexo N 1) para: = 5 2 = 3 grados de libertad, un nivel de probabilidad p = 0,95 y un nivel de significacin = 0,05 se tiene que Xt2 = 7,81 y como Xc2 acepta el ajuste como bueno para ese nivel de significacin. 5. Ejercicios: 5.1. Desarrollar los siguientes binomios: a) (p + q)5 b) (p + q)10 c) (m n)7 d) (p q)6 5.2. Cul es la probabilidad de que un futuro matrimonio que quiere tener cuatro hijos, se prenten los siguientes casos: a) No nazcan varones b) Nazca un solo varn c) Nazcan tres varones
< Xt2 se

C.I.V. N 12.326
d) Nazcan dos varones y dos hembras e) Nazcan por lo menos tres varones f) Nazcan a lo ms dos varones 5.3. Si un dado es lanzado cuatro veces, determinar: a) Cul es la probabilidad de que se presente un cinco dos veces? b) Cul es la probabilidad de obtener a lo sumo dos cinco? c) Cul es la probabilidad de obtener al menos tres cinco? 5.4. En un examen falso verdadero de diez preguntas: a) Cul es la probabilidad de que un estudiante no preparado obtenga las respuestas correctas por casualidad? b) Si el contestar ocho preguntas correctamente constituye el grado de aprobacin, cul es la probabilidad de que apruebe? c) Qu probabilidad tiene de no aprobar? 5.5. Si se sabe que el 10% de los tornillos producidos por una industria son defectuosos, tomando una muestra de cinco tornillos, se pide determinar la probabilidad de encontrar: a) Dos de los tornillos sean defectuosos b) Cuando ms, cuatro de ellos sean defectuosos c) Al menos uno sea defectuoso 5.6. Se tiene una caja que contiene 3 bolas blancas y 2 negras. Si hacemos 4 extracciones con reemplazamiento, es decir cada vez que hacemos una extraccin vemos el color de la bola y la volvemos a introducir en la caja, para que no vare la composicin. Si consideramos el suceso A, extraer bola blanca, como xito, hallar las probabilidades siguientes: a) Obtener 1 bola blanca b) Obtener 3 bolas blancas c) Obtener a lo sumo 2 bolas blancas d) Obtener al menos 2 bolas blancas 5.7. Una Empresa tiene un promedio de ventas normales de Bs. 100.000,00 diarios, con una probabilidad de tales ventas del 75%. Determinar que probabilidad hay de que ese promedio de ventas diarias se logre en cada uno de los seis das hbiles de la prxima semana.
Pgina 20

C.I.V. N 12.326
5.8. Es conocido que el 10% de ciertos artculos son defectuosos. Cul es la probabilidad de que en una muestra aleatoria de doce de dichos artculos, al menos nueve sean defectuosos? 5.9. Los siguientes datos se refieren a los accidentes laborales ocurridos en una Empresa en un lapso de 30 das. Se desea ajustar la serie anterior a la Distribucin Binomial y su comprobacin por la Distribucin Chi Cuadrado.
Accidentes Laborales (Xi) 0 1 2 3 Nmero de das (Fi) 5 8 10 7
5.10. Se han tomado al azar 300 mujeres con no ms de seis hijos y se han agrupado en la siguiente distribucin de frecuencias:
Nmero de hijos (Xi) 0 1 2 3 4 5 6 Nmero de mujeres (Fi) 20 40 70 80 50 30 10
Se pide ajustar dicha distribucin a la Distribucin Binomial y establecer la calidad del ajuste.

C.I.V. N 12.326
6. Anexos:
COEFICIENTES DEL BINOMIO DE NEWTON 1. Mtodo de los nmeros combinatorios: ! = , = ! ! + +

. + . + . + + .
. + . + . + . + . +
= . + . + . + . + . + .
Trmino de lugar k = () .
Hallar el 4 trmino del binomio anterior: T4 = 5 5 2 3 P5 41 . Q4 1 = P Q = 3! 41 3

5! 53 !
P2 Q3 = 10P2 Q3
2. Tringulo de Pascal o de Tartaglia:
Pgina 22

C.I.V. N 12.326
3. Mtodo abreviado: 3.1. El primero y ltimo trminos tienen como coeficiente 1 3.2. El coeficiente del segundo trmino y del penltimo trmino es el exponente al cual est elevado el binomio 3.3. A partir del segundo trmino el coeficiente del trmino siguiente se determina multiplicando el coeficiente de trmino anterior por el exponente del primer trmino del binomio (P) y ese producto se divide entre el exponente del segundo trmino del binomio (Q) y as, sucesivamente. 3.4. Ejemplo:
+ .
= . + . +
= . +
= . +
= . +
= . + . + . + . + . + .
Pgina 23

C.I.V. N 12.326
Tabla de la distribucin JI-cuadrado o Chi-cuadrado, ( ):

Probabilidad de un valor superior - Alfa () Grados libertad 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 40 50 60 70 80 90 100 0,1 2,71 4,61 6,25 7,78 9,24 10,64 12,02 13,36 14,68 15,99 17,28 18,55 19,81 21,06 22,31 23,54 24,77 25,99 27,20 28,41 29,62 30,81 32,01 33,20 34,38 35,56 36,74 37,92 39,09 40,26 51,81 63,17 74,40 85,53 96,58 107,57 118,50 0,05 3,84 5,99 7,81 9,49 11,07 12,59 14,07 15,51 16,92 18,31 19,68 21,03 22,36 23,68 25,00 26,30 27,59 28,87 30,14 31,41 32,67 33,92 35,17 36,42 37,65 38,89 40,11 41,34 42,56 43,77 55,76 67,50 79,08 90,53 101,88 113,15 124,34 0,025 5,02 7,38 9,35 11,14 12,83 14,45 16,01 17,53 19,02 20,48 21,92 23,34 24,74 26,12 27,49 28,85 30,19 31,53 32,85 34,17 35,48 36,78 38,08 39,36 40,65 41,92 43,19 44,46 45,72 46,98 59,34 71,42 83,30 95,02 106,63 118,14 129,56 0,01 6,63 9,21 11,34 13,28 15,09 16,81 18,48 20,09 21,67 23,21 24,73 26,22 27,69 29,14 30,58 32,00 33,41 34,81 36,19 37,57 38,93 40,29 41,64 42,98 44,31 45,64 46,96 48,28 49,59 50,89 63,69 76,15 88,38 100,43 112,33 124,12 135,81 0,005 7,88 10,60 12,84 14,86 16,75 18,55 20,28 21,95 23,59 25,19 26,76 28,30 29,82 31,32 32,80 34,27 35,72 37,16 38,58 40,00 41,40 42,80 44,18 45,56 46,93 48,29 49,65 50,99 52,34 53,67 66,77 79,49 91,95 104,21 116,32 128,30 140,17
Pgina 24

C.I.V. N 12.326
7. Bibliografa: Anderson, D., Sweeney D., Williams T. Estadstica para Administracin y Economa. Ed. CENGAGE - Learning. Dcima Edicin., Mxico. 2000. Probabilidad y Estadstica. Aplicaciones y Mtodos. Ed. Mc Graw Hill/Interamericana. 1 Ed., Mxico. 1988. Introduccin a la Probabilidad y Estadstica. Ed. Mc Graw Hill Inc., Serie Schaum, 1 Ed., Madrid,1999. Clculo de Probabilidades e Inferencia Estadstica. Universidad Catlica Andrs Bello, Cuarta Edicin, Caracas, 2006 Estadstica para administracin y economa. Ed. Wadsworth Internacional/Iberoamerica, 3 Ed., USA. 1978. Probabilidad y Aplicaciones Estadsticas. Ed. Fondo Educativo Interamericano, S.A., 2 Ed., Mxico. 1973. Estadstica para administracin y economa. Ed. HARLA, 1 Ed., Mxico. 1982.
Canavos C., George
Lipschutz S., Schiller J.
Lpez Casuso, Rafael
Mendenhall W., Reinmuth J.
Meyer, Paul L.
Stevenson, W. J.
Pgina 25

Unidad III Distribuciones de Vaddocx

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Unidad III Distribuciones de Vaddocx

Transféré par

Droits d'auteur :

Formats disponibles

Ing. Orlando F. Ochoa Ch.

DISTRIBUCIONES DE VARIABLES DISCRETAS

ING. ORLANDO F. OCHOA CH. UBA - ESTADISTICA II - 2012

Ing. Orlando F. Ochoa Ch.

DISTRIBUCIONES DE VARIABLES DISCRETAS

clasificar en "xito" si verifican cierta condicin, o "fracaso" en el caso contrario.

d. Parmetros de la distribucin binomial:

Ing. Orlando F. Ochoa Ch.

DISTRIBUCIONES DE VARIABLES DISCRETAS

Expectativa matemtica o Valor esperado (Esperanza matemtica o

Varianza ( ) y Desviacin tpica ():

Ing. Orlando F. Ochoa Ch.

DISTRIBUCIONES DE VARIABLES DISCRETAS

b. Probabilidad de que al menos tres estn vivos: = 10. P 3 . Q2 + 5. P 4 . Q1 + P 5 . Q0 = 10.

c. Probabilidad de que exactamente dos estn vivos: 2 = = 10. P . Q = 10. 3

ING. ORLANDO F. OCHOA CH. UBA - ESTADISTICA II - 2012

Ing. Orlando F. Ochoa Ch.

DISTRIBUCIONES DE VARIABLES DISCRETAS

Ing. Orlando F. Ochoa Ch.

DISTRIBUCIONES DE VARIABLES DISCRETAS

ING. ORLANDO F. OCHOA CH. UBA - ESTADISTICA II - 2012

Ing. Orlando F. Ochoa Ch.

DISTRIBUCIONES DE VARIABLES DISCRETAS

b. Probabilidad de diez cheques dos das consecutivos:

Ing. Orlando F. Ochoa Ch.

DISTRIBUCIONES DE VARIABLES DISCRETAS

6,1917 (0,000006 ) 3528800

ING. ORLANDO F. OCHOA CH. UBA - ESTADISTICA II - 2012

Ing. Orlando F. Ochoa Ch.

DISTRIBUCIONES DE VARIABLES DISCRETAS

3.4.2. Caractersticas: a. Frmula:

Varianza (2 ) y Desviacin tpica (): = = Pero: P=N

Ing. Orlando F. Ochoa Ch.

DISTRIBUCIONES DE VARIABLES DISCRETAS

c) Calcular la media y la varianza para la variable aleatoria x : E(x) = n. P = 3.0,4 = , 2 X = Var X = n. P. Q.

ING. ORLANDO F. OCHOA CH. UBA - ESTADISTICA II - 2012

Ing. Orlando F. Ochoa Ch.

DISTRIBUCIONES DE VARIABLES DISCRETAS

Ing. Orlando F. Ochoa Ch.

DISTRIBUCIONES DE VARIABLES DISCRETAS

ING. ORLANDO F. OCHOA CH. UBA - ESTADISTICA II - 2012

Ing. Orlando F. Ochoa Ch.

DISTRIBUCIONES DE VARIABLES DISCRETAS Probabilidad (Px) P1 P2 P3 Frecuencias Tericas (FT) F1 F2 F3

Ing. Orlando F. Ochoa Ch.

DISTRIBUCIONES DE VARIABLES DISCRETAS

ING. ORLANDO F. OCHOA CH. UBA - ESTADISTICA II - 2012

Ing. Orlando F. Ochoa Ch.

DISTRIBUCIONES DE VARIABLES DISCRETAS

ING. ORLANDO F. OCHOA CH. UBA - ESTADISTICA II - 2012

Ing. Orlando F. Ochoa Ch.

DISTRIBUCIONES DE VARIABLES DISCRETAS

N de caras (Xi) Frec. Observ. (Fi)

ING. ORLANDO F. OCHOA CH. UBA - ESTADISTICA II - 2012

Ing. Orlando F. Ochoa Ch.

DISTRIBUCIONES DE VARIABLES DISCRETAS

b. Clculo del exponente del binomio, (n): n + 1 = N de eventos n+1 =5 =

4x0,551x0,453 = 0,20 4x0,552x0,452 = 0,36 4x0,553x0,451 = 0,31 4x0,554x0,450 = 0,09

Obtener 2 caras: 0,36 Obtener 3 caras: 0,31 Obtener 4 caras: 0,09

ING. ORLANDO F. OCHOA CH. UBA - ESTADISTICA II - 2012

Ing. Orlando F. Ochoa Ch.

DISTRIBUCIONES DE VARIABLES DISCRETAS

e. Clculo de las frecuencias tericas, (F T):

Distribucion del lanzamiento de monedas

ING. ORLANDO F. OCHOA CH. UBA - ESTADISTICA II - 2012