Distribuciones de Probabilidades y Modelo Normal Practica 4

1
ANLISIS ESTADSTICOS DE DATOS MINEROS

FAIN - ESCUELA PROFESIONAL DE INGENIERIA DE MINAS
INTRODUCCION

Al iniciar el anlisis estadstico de una serie de datos, y despus de la etapa de
deteccin y correccin de errores, un primer paso consiste en describir la
distribucin de las variables estudiadas y, en particular, de los datos numricos.
Adems de las medidas descriptivas correspondientes, el comportamiento de estas
variables puede explorarse grficamente de un modo muy simple.
Una de las distribuciones tericas mejor estudiadas en los textos de bioestadstica y
ms utilizada en la prctica es la distribucin normal, tambin llamada distribucin
normal. Su importancia se debe fundamentalmente a la frecuencia con la que
distintas variables asociadas a fenmenos naturales y cotidianos siguen,
aproximadamente, esta distribucin. Caracteres morfolgicos (como la talla o el
peso), o psicolgicos (como el cociente intelectual) son ejemplos de variables de las
que frecuentemente se asume que siguen una distribucin normal. No obstante, y
aunque algunos autores han sealado que el comportamiento de muchos
parmetros en el campo de la salud puede ser descrito mediante una distribucin
normal, puede resultar incluso poco frecuente encontrar variables que se ajusten a
este tipo de comportamiento.
A continuacin se describir la distribucin normal y Log normal, su ecuaciones
matemticas y sus propiedades ms relevantes, proporcionando algn ejemplo
sobre sus aplicaciones a la inferencia estadstica

2

PRCTICA N 04:
DISTRIBUCIN DE PROBABILIDAD Y MODELO NORMAL
OBJETIVO:
- Utilizar el programa Microsoft Excel para poder realizar clculos de
probabilidad, utilizando las funciones de probabilidad para V.A. Discretas y
para V.A. Continuas, las cuales estn incluidas en el programa.
- Poder hallar las distribuciones de probabilidades (Modelo Binomial y Modelo
normal), los momentos de V.A. Discretas y V.A. Continuas de los datos dados.

FUNDAMENTO TERICO:
DISTRIBUCIN DE PROBABILIDAD DE VARIABLES ALEATORIAS
Una distribucin de probabilidad indica toda la gama de valores que pueden representarse
como resultado de un experimento. Una distribucin de probabilidad es similar al
distribucin de frecuencias relativas .Si embargo, en vez de describir el pasado, describe
la probabilidad que un evento se realice en el futuro, constituye una herramienta
fundamental para la prospectiva, puesto que se puede disear un escenario de
acontecimientos futuros considerando las tendencias actuales de diversos fenmenos
naturales. Las decisiones estadsticas basadas en la estadstica inferencial son
fundamentales en la investigacin que son evaluadas en trminos de distribucin de
probabilidades. En el presente trabajo, se estudia de manera gil los diverso tipos de
distribucin probabilstica, caracterizaremos cada distribucin, la
fundamentacinmatemtica de los diversos resultados no se enfocaran en el presente
trabajo; slo me limitar al estudio descriptivo de la distribucin de probabilidades discreta
ESPACIO MUESTRAL: El conjunto de todos los resultados posibles de un experimento
estadstico denotado por S o
VARIABLE. Se denomina variable a la entidad que puede tomar un valor cualesquiera
durante la duracin de un proceso dado. Si la variable toma un solo valor durante el
proceso se llama constante.
VARIABLE ALEATORIA: Es una funcin que asocia un nmero real a cada elemento del
espacio muestral. Es decir son aquellas que pueden diferir de una respuesta a otra.
Una variable aleatoria se puede clasificar en:
Variable aleatoria discreta.
Variable aleatoria continua.

3
TIPOS DE VARIABLES ALEATORIAS
Para comprender de una manera ms amplia y rigurosa los tipos de variables, es
necesario conocer la definicin de conjunto discreto. Un conjunto es discreto si est
formado por un nmero finito de elementos, o si sus elementos se pueden enumerar en
secuencia de modo que haya un primer elemento, un segundo elemento, un tercer
elemento, y as sucesivamente.
5

Variable aleatoria discreta: una v.a. es discreta si su recorrido es un conjunto
discreto. La variable del ejemplo anterior es discreta. Sus probabilidades se recogen
en la funcin de cuanta (vanse las distribuciones de variable discreta).
Variable aleatoria continua: una v.a. es continua si su recorrido no es un conjunto
numerable. Intuitivamente esto significa que el conjunto de posibles valores de la
variable abarca todo un intervalo de nmeros reales. Por ejemplo, la variable que
asigna la estatura a una persona extrada de una determinada poblacin es una
variable continua ya que, tericamente, todo valor entre, pongamos por caso, 0 y 2,50
m, es posible.
6
(vanse las distribuciones de variable continua)
Variable aleatoria independiente: Supongamos que "X" e "Y" son variables
aleatorias discretas. Si los eventos X = x / Y = y son variables aleatorias
independientes. En tal caso: P(X = x, Y = y) = P( X = x) P ( Y = y).
De manera equivalente: f(x,y) = f1(x).f2(y).
Inversamente, si para todo "x" e "y" la funcin de probabilidad conjunta
f(x,y) no puede expresarse slo como el producto de una funcin de "x" por una
funcin de "y" (denominadas funciones de probabilidad marginal de "X" e "Y" ),
entonces "X" e "Y" son dependientes.
Si "X" e "Y" son variables aleatorias continuas, decimos que son variables
aleatorias independientes si los eventos "X x", e "Y y" y son eventos
independientes para todo "x" e "y" .
De manera equivalente: F(x,y) = F1(x).F2(y), donde F1(x) y F2(y) son las funciones
de distribucin (marginal) de "X" e "Y" respectivamente.
Inversamente, "X" e "Y" son variables aleatorias dependientes si para todo "x" e "y"
su funcin de distribucin conjunta F(x,y) no puede expresarse como el producto
de las funciones de distribucin marginales de "X" e "Y".
Para variables aleatorias independientes continuas, tambin es cierto que la
funcin de densidad conjunta f(x,y)es el producto de las funciones densidad de
probabilidad marginales de "X", f1(x), y de "Y", f2(y).

4
DISTRIBUCIONES
Distribucin de probabilidad. Es una distribucin terica de frecuencias que describe cmo
se espera que varen los resultados de un experimento. Existen diferentes tipos de
modelos que permiten describir el comportamiento de fenmenos estadsticos que
permiten hacer inferencias y tomar decisiones en condiciones de incertidumbre.
Se pueden clasificar en:

Distribuciones discretas. Son aquellas donde las variables asumen un nmero limitado de
valores, por ejemplo el nmero de aos de estudio.

Distribuciones continuas. Son aquellas donde las variables en estudio pueden asumir
cualquier valor dentro de determinados lmites; por ejemplo, la estatura de un estudiante.

5

DISTRIBUCION DE PROBABILIDAD DE VARIABLES DISCRETAS
DISTRIBUCION BINOMIAL
Es una distribucin de probabilidad discreta, mide el nmero de xitos en una secuencia
de n ensayos independientes, con una probabilidad fija de ocurrencia del xito entre los
ensayos.
La variable binomial es una variable aleatoria discreta que solo puede tomar los
valores,n suponiendo que se han realizado n pruebas. Como hay que considerar todas
las maneras posibles de tener X-xitos y (n-X)-fracasos, debemos calcular estas por
combinaciones (nmero combinatorio n sobre X).
Cada experimento tiene dos resultados posibles: XITO O FRACASO
La probabilidad de XITO es p
La probabilidad de fracaso es q=1-p
El resultado obtenido en cada prueba es independiente; la probabilidad de xito se
mantiene constante entre un experimento y otro.
Todo experimento que tenga esas caractersticas se le puede aplicar el modelo binomial.

DISTRIBUCION DE PROBABILIDADES DE VARIABLES CONTINUAS

MODELO NORMAL
Las distribuciones de probabilidad normal tambin son conocidas como la distribucin de
gauss o distribucin gaussiana. Esta distribucin de caracteriza porque los valores se
distribuyen formando una campana de Gauss, en torno a un valor central que coincide
con el valor medio de la distribucin: Un 50% de los valores estn a la derecha de este
valor central y otro 50% a la izquierda.

6
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.
La importancia de la distribucin normal se debe principalmente a que hay muchas
variables asociadas a fenmenos naturales que siguen el modelo de la normal:
- Caracteres morfolgicos de individuos (personas, animales,
plantas,...) de una especie, p.ejm. tallas, pesos, envergaduras,
dimetros, permetros,...
- Caracteres fisiolgicos, por ejemplo: efecto de una misma dosis de
un frmaco, o de una misma cantidad de abono.
- Caracteres sociolgicos, por ejemplo: consumo de cierto producto
por un mismo grupo de individuos, puntuaciones de examen.
- Caracteres psicolgicos, por ejemplo: cociente intelectual, grado de
adaptacin a un medio,...
- Errores cometidos al medir ciertas magnitudes.

Variable Normal N ( , )

La funcin DISTR.NORM, permite buscar la probabilidad que en una distribucin
normal de parmetros N (,) deja por debajo el valor a, (P(X a) ). Para ello, en
insertar funcin, selecciona dentro del tipo de funciones estadsticas, el comando
DISTR.NORM.

FUNCION: DISTR. NORM. N

7
Esta funcin, devuelve la distribucin normal para la media y desviacin estndar
especificadas. Tiene un gran nmero de aplicaciones en estadstica, incluidas las
pruebas de hiptesis. Los parmetros a definir son:
- X es el valor cuya distribucin desea obtener (xi = a).
- Media es la media aritmtica de la distribucin (parmetro ).
- Desv_estndar es la desviacin estndar de la distribucin
(parmetro ).
- Acum. es un valor lgico que determina la forma de la funcin. Si el
argumento Acum. es VERDADERO, la funcin DISTR.NORM devuelve la funcin
de distribucin acumulada, es decir, la frmula es el entero desde el infinito
negativo a x de la frmula dada.; si es FALSO, devuelve la funcin de masa de
probabilidad.

Variable Normal Tipificada, N( 0, 1)

La funcin DISTR.NORMAL.ESTANDAR nos permite calcular la probabilidad que,
en una distribucin normal de media cero y desviacin tpica uno, se encuentra por
debajo del valor a, (P(Z a) =?). Para ello, en insertar funcin, selecciona dentro
del tipo de funciones estadsticas, el comando DISTR.NORM.ESTAND(z).
Esta opcin devuelve la funcin de distribucin normal estndar
acumulativa. La distribucin tiene una media de 0 (cero) y una desviacin
estndar de uno. Esta funcin nos proporciona las mismas probabilidades que
la tabla estndar de reas de curvas normales.

8

Proceso de Normalizacin

Finalmente, si elegimos la opcin NORMALIZACION obtendremos el valor
normalizado de una distribucin caracterizada por los argumentos media y
desv_estndar.

FUNCION: DISTR.NORM. ESTAND. N.
FUNCION: NORMALIZACION

9
Los parmetros a definir son:
- X: es el valor que se desea normalizar.
- Media: es la media aritmtica de la distribucin (parmetro ).
- Desv_estndar: es la desviacin estndar de la distribucin (parmetro ).

DISTRIBUCIN NORMAL
Un proceso opera en condiciones normales, si tiene los materiales dentro de de
especificaciones y del mismo lote, un mtodo consistente, un medio ambiente adecuado,
el operador capacitado, y el equipo ajustado correctamente, si se toman mediciones en
alguna caracterstica del producto, mostrar el siguiente comportamiento:

Construccin de la distribucin normal

LAS PIEZAS VARAN DE UNA A OTRA:
Pero ellas forman un patrn, tal que si es estable, se denomina distr. Normal
LAS DISTRIBUCIONES PUEDEN DIFERIR EN:
SIZE TAMAO TAMAO
TAMAO TAMAO TAMAO TAMAO
TAMAO
TAMAO TAMAO
UBICACIN DISPERSIN FORMA
. . . O TODA COMBINACIN DE STAS
Distribucin grfica de la variacin
La Curva normal

10
La distribucin normal es una de las distribuciones ms usadas e importantes. Se ha
desenvuelto como una herramienta indispensable en cualquier rama de la ciencia, la
industria y el comercio.

Muchos eventos reales y naturales tienen una distribucin de frecuencias cuya forma es
muy parecida a la distribucin normal. La distribucin normal es llamada tambin
campana de Gauss por su forma acampanada.
Cuando se incluyen todos los datos de un proceso o poblacin, sus parmetros se indican
con letras griegas, tales como: promedio o media = (mu), y desviacin estndar
(indicador de la dispersin de los datos) = o (sigma).
Para el caso de estadsticos de una muestra se tiene media = X y desv. est.= s.
Propiedades de la distribucin normal estndar
La distribucin normal estndar tiene media = 0 y desviacin estndar o =1. La media,
Mediana y Moda coinciden, son iguales y se localizan en el pico.

Propiedades de la distribucin normal

- El rea bajo la curva o probabilidad de menos infinito a ms infinito vale 1.
- La distribucin normal es simtrica, la mitad de curva tiene un rea de 0.5.
- La escala horizontal de la curva se mide en desviaciones estndar.
- La forma y la posicin de una distribucin normal dependen de los parmetros o , ,
por lo que hay un nmero infinito de distribuciones normales.

z
0 1 2 3 -1 -2 -3
z
0 1 2 3 -1 -2 -3 0 1 2 3 -1 -2 -3
x x+o x+2o x+o3 x-o x-2o x-3o x x+o x+2o x+o3 x-o x-2o x-3o
XX
La desviacin estndar
sigma representa la
distancia de la media al
punto de inflexin de la
curva normal

11

Lmite inferior de especs. Lmite superior de especificaciones
Distribuciones normales con varias desv. Estndar

LIE LSE
Distribuciones normales con varias medias y desviaciones estndar

Curvas Normales con Medias iguales pero
Desviaciones estndar diferentes
Curvas Normales con Medias iguales pero
= 20
o = 3.1
o = 3.9
o = 5.0
o = 3.1
o = 3.9
o = 5.0
Normales con Medias y
Normales con Medias y
= 5, o = 3
= 9, o = 6
= 14, o = 10
= 5, o = 3
= 9, o = 6
= 14, o = 10

12

Existe una relacin del porcentaje de probabilidad o rea bajo la curva normal a la
desviacin estndar. En la figura observamos por ejemplo que el rea bajo la curva para
o 1 tiene un porcentaje de 68.26%, o 2 = 95.46% y
% 73 . 99 3 = o
.

rea bajo la curva de Distribucin normal
Lo anterior se puede calcular con la Tabla de distribucin normal o con Excel (Fx
=distr.norm.estand(Z) proporciona el rea desde menos infinito hasta Z).
En la tabla normal, se busca el valor de Z y se encuentra el rea bajo la curva.
La primera tabla sirve para determinar el rea o probabilidad que se encuentra fuera de
los lmites de especificaciones. La segunda tabla proporciona valores de rea bajo la
curva para Zs mayores a cero. En cada una se muestran ejemplos de su uso.

+1s +2s +3s -1s -2s
-3s
68.26%
95.46%
99.73%

13
Estandarizacin de valores reales

En la prctica, se tienen valores reales de promedio diferentes de cero y con desviacin
estndar diferentes de uno, para determinar la probabilidad o rea bajo la curva, se
determina el nmero de desviaciones estndar Zo entre algn valor X y la media de la
poblacin o de la muestra X como sigue:

o

=
X
Z s se consideran los datos completos del proceso.

s
X X
Z

= s se consideran slo los datos de una muestra.

Ejemplo 3 El departamento de personal de una empresa requiere que los solicitantes a
un puesto en cierta prueba alcancen una calificacin de 500. Si las calificaciones de la
prueba se distribuyen normalmente con media = 485 y desviacin estndar = o 30
Qu porcentaje de los solicitantes pasar la prueba?

Calculando el valor de Z obtenemos:
o

=
X
Z =
5 . 0
30
485 500
=

Buscamos el valor correspondiente Z en las tablas de distribucin normal estndar o por
medio de Excel =distr.norm.estand(0.5). Z
0.5
= 0.69146 = 69.146%. donde la
probabilidad de que la calificacin sea menor a 500 es P (X <= 500). Dado que el
porcentaje pedido es ) 500 ( > X P la solucin es 1-0.69146 =0.3085, por tanto slo
30.85% de los participantes pasarn la prueba.
Otra forma es tomando la Z como negativa con P(Z <= -0.5) = 0.3085.

14

rea bajo la curva de Distribucin normal

Suponga que un proceso tiene una distribucin normal dada tiene una media de 20 y una
desviacin estndar de 4. Calcule la probabilidad
P (X >=24) = 1 P(X <= 24) =

En la barra de herramientas seleccione el icono de funciones
fx>Estadsticas>Distr.Norm.Estand. OK. El sistema muestra la siguiente ventana, en la
cual llenamos los siguientes datos:

Clculo del rea bajo la curva normal sin requerir Z

El resultado de la frmula = 0.8413. , dado que esta es la probabilidad P(Xs24),
la probabilidad buscada es: P(X > 24) = 1 - 0.8413= 0.1587

485
Z.05
30.85%

15
0
0.1
0.2
0.3
0.4
0.5
1 2 3 4 5 6
P(X)
X
GRFICO DE LA FUNCIN DE
PROBABILIDAD P(X)
Series1
Series2

PARTE PRCTICA:
1.- DISTRIBUCIONES DE PROBABILIDADES
a) FUNCIN DE PROBABILIDAD PARA VARIABLES ALEATORIAS DISCRETAS:
EJEMPLO 1:

DATOS:
n = 5

p = 20% 0.2

TABLA

X P(X)
P(X) *
100% F(X)

0 0.32768 32.768 0.32768

1 0.4096 40.96 0.73728

2 0.2048 20.48 0.94208

3 0.0512 5.12 0.99328

4 0.0064 0.64 0.99968

5 0.00032 0.032 1

16

EJEMPLO 2:

DATOS:

n = 10

p = 30% 0.3

TABLA:

X P(X)
P(X)% *
100 F(X)

0 0.0282 2.82 0.02824752

1 0.1211 12.11 0.14930835

2 0.2335 23.35 0.38278279

3 0.2668 26.68 0.64961072

4 0.2001 20.01 0.84973167

5 0.1029 10.29 0.95265101

6 0.0368 3.68 0.98940792

7 0.009 0.9 0.99840961

8 0.0014 0.14 0.99985631

9 0.0001 0.01 0.9999941

10 0 0 1

0
0.2
0.4
0.6
0.8
1
1.2
1 2 3 4 5 6
F(X)
X
GRFICO DE LA FUNCIN
ACUMULATIVA F(X)
Series1

17

b) FUNCIN DE PROBABILIDAD PARA VARIABLES ALEATORIAS
CONTINUAS:
EJEMPLO 01:
DATOS:
P(X) = *exp(-X/2) parar todo x>0
0 para otro valor
F(X) = 1-exp(-x/2)
0
0.05
0.1
0.15
0.2
0.25
0.3
1 2 3 4 5 6 7 8 9 10 11
P(X)
X
PROBABILIDAD P(X)

Series1
Series2
0
0.2
0.4
0.6
0.8
1
1.2
1 2 3 4 5 6 7 8 9 10 11
F(X)
X
GRFICO DE LA FUNCIN
ACUMULATIVA F(X)
Series1

18
TABLA

X P(X) F(X)
0 0.5 0
1 0.30326533 0.39346934
2 0.183939721 0.63212056
3 0.11156508 0.77686984
4 0.067667642 0.86466472
5 0.041042499 0.917915
6 0.024893534 0.95021293

0
0.1
0.2
0.3
0.4
0.5
0.6
1 2 3 4 5 6 7
P(X)
X
PROBABILIDAD P(X)
Series1
Series2
0
0.2
0.4
0.6
0.8
1
1 2 3 4 5 6 7
F(X)
X
GRFICO DE A FUNCIN
ACUMULATIVA F(X)
Series1

19

Si: P (2X6)

0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
0.18
0.2
1 2 3 4 5
P(X)
X
PROBABILIDAD
Series1
Series2
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
1 2 3 4 5
F(X)
X
GRFICO DE A FUNCIN
ACUMULATIVA
Series1

20
2.- MOMENTOS CON RESPECTO A CERO
EJEMPLO 1:
Dos vendedores de seguro de vida A y B, visitan de 8 a 12 clientes potenciales.
Sean X y Y, dos variables aleatorias que representan el nmero de pseudo-
seguros vendidos por A y B, como resultado de las visitas. En base a la
informacin histrica, las probabilidades para X y Y son las siguientes:
a) Comparar y contrastar las dos distribuciones de probabilidad empleando
sus medias, varianza y factores de :
VENDEDOR A
X P(X) P(X) acum. M'1 M'2 M'3 M'4
0 0.02 0.02 0 0 0 0
1 0.09 0.11 0.09 0.09 0.09 0.09
2 0.21 0.32 0.42 0.84 1.68 3.36
3 0.28 0.6 0.84 2.52 7.56 22.68
4 0.23 0.83 0.92 3.68 14.72 58.88
5 0.12 0.95 0.6 3 15 75
6 0.04 0.99 0.24 1.44 8.64 51.84
7 0.01 1 0.07 0.49 3.43 24.01
8 0 1 0 0 0 0
= 1 5.82 3.18 12.06 51.12 235.86

MOMENTOS: RESUMEN DE DATOS
M'1 = 3.18
M'2 = 12.06
M'3 = 51.12
M'4 = 235.86

VARIANZA :
M'2 -
(M'1)
VARIANZA : 1.9476

M1 = 3.18
M2 = 1.9476
M3 = 0.382464
M4 = 10.5649627
COEF. ASIM.
= 0.14071517
CURTOSIS = 2.78527728

21
VENDEDOR B
Y P(Y) P(Y) acum. M'1 M'2 M'3 M'4
0 0.03
0.03 0 0 0 0
1 0.21
0.24 0.21 0.21 0.21 0.21
2 0.28
0.52 0.56 1.12 2.24 4.48
3 0.24
0.76 0.72 2.16 6.48 19.44
4 0.13
0.89 0.52 2.08 8.32 33.28
5 0.05
0.94 0.25 1.25 6.25 31.25
6 0.02
0.96 0.12 0.72 4.32 25.92
7 0.01
0.97 0.07 0.49 3.43 24.01
8 0
0.97 0 0 0 0
9 0
0.97 0 0 0 0
10 0
0.97 0 0 0 0
11 0
0.97 0 0 0 0
12 0
0.97 0 0 0 0
= 0.97 10.16 2.45 8.03 31.25 138.59

MOMENTOS: RESUMEN DE DATOS
M'1 = 2.45
M'2 = 8.03
M'3 = 31.25
M'4 = 138.59

VARIANZA :
M'2 -
(M'1)
VARIANZA : 2.0275

M1 = 2.45
M2 = 2.0275
M3 = 1.64175
M4 = 13.4504313
COEF. ASIM.
= 0.56867709
CURTOSIS = 3.27200895

22
0
0.2
0.4
0.6
0.8
1
1.2
1 2 3 4 5 6 7 8 9 10 11 12 13
GRFICO DE DISERSION ACUMULADA
P(X)acum. Y P(Y)acum.
Series1
Series2
0
0.05
0.1
0.15
0.2
0.25
0.3
1 2 3 4 5 6 7 8 9 10 11 12 13
GRFICO DE DISPERSIN
P(X) y P(Y)

Series1
Series2

23
3.- MODELO NORMAL O CURVA DE GAUSS
EJEMPLO 1:
PARAMETROS:

M = 5

= 2

X f(X) F(X)
1 0.026995483 0.02275013
2 0.064758798 0.0668072
3 0.120985362 0.15865525
4 0.176032663 0.30853754
5 0.19947114 0.5
6 0.176032663 0.69146246
7 0.120985362 0.84134475
8 0.064758798 0.9331928
9 0.026995483 0.97724987
10 0.00876415 0.99379033
11 0.002215924 0.9986501

0
0.05
0.1
0.15
0.2
0.25
1 2 3 4 5 6 7 8 9 10 11
f(X)
X
GRFICO DE DISPERSIN
Series1

24

4.- MODELO NORMALIZADO

Z =
X - M

EJEMPLO ANTERIOR:

PARAMETROS:

M = 5

= 2

X Z f(Z) F(Z)
1 -2 0.05399097 0.02275013
2 -1.5 0.1295176 0.0668072
3 -1 0.24197072 0.15865525
4 -0.5 0.35206533 0.30853754
5 0 0.39894228 0.5
6 0.5 0.35206533 0.69146246
7 1 0.24197072 0.84134475
8 1.5 0.1295176 0.9331928
9 2 0.05399097 0.97724987
10 2.5 0.0175283 0.99379033
11 3 0.00443185 0.9986501
0
0.2
0.4
0.6
0.8
1
1.2
0 2 4 6 8 10 12
F(X)
X
GRFICO DE DISPERSIN ACUMULADA
Series1

25

0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0 2 4 6 8 10 12
f(Z)
X
GRFICO DE DISPERSIN
ESTANDARIZADO
Series1
0
0.2
0.4
0.6
0.8
1
1.2
0 2 4 6 8 10 12
F(Z)
X
ESTANDARIZADA
Series1

26
EJEMPLO 2:

EJEMPLO 3:

PARAMETROS:

PARAMETROS:

M = 2

M = 4

= 0.5

= 1

X1 f(X1) F(X1)

X2 f(X2) F(X2)
1 0.107982 0.02275013

1 0.00443185 0.0013499
2 0.79788456 0.5

2 0.05399097 0.02275013
3 0.10798193 0.97724987

3 0.24197072 0.15865525
4 0.00026766 0.99996833

4 0.39894228 0.5
5 1.2152E-08 1

5 0.24197072 0.84134475
6 1.0105E-14 1

6 0.05399097 0.97724987
7 1.5389E-22 1

7 0.00443185 0.9986501
8 4.2928E-32 1

8 0.00013383 0.99996833
9 2.1932E-43 1

9 1.4867E-06 0.99999971
10 2.0523E-56 1

10 6.0759E-09 1
11 3.5175E-71 1

11 9.1347E-12 1

0
0.05
0.1
0.15
0.2
0.25
1 2 3 4 5 6 7 8 9 10 11
f(X)
X
GRFICO DE DISPERSIN
Series1

27

0
0.2
0.4
0.6
0.8
1
1.2
0 5 10 15
F(X)
X
GRFICO DE DISPERSIN
ACUMULADA
Series1
0
0.2
0.4
0.6
0.8
1
0 2 4 6 8 10 12
GRFICO DE DISPERSIN
f(X1) Y f(X2)
Series1
Series2
0
0.5
1
1.5
0 2 4 6 8 10 12
F(X1) Y F(X2)

Series1
Series2

28
4.- MODELO ESTANDARIZADO

Z =
X - M

EJEMPLO ANTERIOR:

PARAMETROS:

M = 5

= 2

X Z f(Z) F(Z)

1 -2 0.05399097 0.02275013

2 -1.5 0.1295176 0.0668072

3 -1 0.24197072 0.15865525

4 -0.5 0.35206533 0.30853754

5 0 0.39894228 0.5

6 0.5 0.35206533 0.69146246

7 1 0.24197072 0.84134475

8 1.5 0.1295176 0.9331928

9 2 0.05399097 0.97724987

10 2.5 0.0175283 0.99379033

11 3 0.00443185 0.9986501

0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0 2 4 6 8 10 12
f(Z)
X
GRFICO DE DISPERSIN
ESTANDARIZADO
Series1

29

0
0.05
0.1
0.15
0.2
0.25
1 2 3 4 5 6 7 8 9 10 11
f(X)
X
GRFICO DE DISPERSIN NORMAL
Series1
0
0.2
0.4
0.6
0.8
1
1.2
0 2 4 6 8 10 12
F(Z)
X
GRFICO DE DISPERSIN
ACUMULADA ESTANDARIZADA
Series1

30

CONCLUSIONES:
- En esta prctica hemos utilizado el Microsoft Excel para los clculos de
probabilidades, siendo este como muchos otros programas ms accesibles, y con
funciones completas.
- Se pudo realizar con ejemplos el clculo de la funcin de probabilidad y
distribucin para variables aleatorias discretas que siguen una distribucin
Binomial y, para variables aleatorias continuas que siguen una distribucin normal,
llegando a ver las diferencias entre ambos casos con respecto a la distribucin de
los datos.
- Hemos visto los efectos que se produce en las grficas, al momento de cambiar
los parmetros de desviacin y momento.

BIBLIOGRAFA:
- http://www.estadistica.ucr.ac.cr/pdf/xs-0113/dprob.pdf
- http://enciclopedia.us.es/index.php/Momento_de_una_variable_aleatoria
- http://www.monografias.com/trabajos91/distribuciones-continuas-excel-
y-winstats/distribuciones-continuas-excel-y-winstats.shtml

0
0.2
0.4
0.6
0.8
1
1.2
0 2 4 6 8 10 12
F(X)
X
GRFICO DE DISPERSIN
ACUMULADA NORMAL
Series1

Distribuciones de Probabilidades y Modelo Normal Practica 4

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

Distribuciones de Probabilidades y Modelo Normal Practica 4

Transféré par

Droits d'auteur :

Formats disponibles

1

ANLISIS ESTADSTICOS DE DATOS MINEROS

Vous aimerez peut-être aussi