Académique Documents
Professionnel Documents
Culture Documents
Su frmula es la siguiente:
Valor esperado:
Funcin de distribucin acumulativa:
FX ( x ) P ( X x)
Con propiedades:
1
0 F ( x) 1
Lim x F ( x ) 1
Lim x F ( x ) 0
DISTRIBUCIONES DISCRETAS
1-DISTRIBUCIN UNIFORME
La variable aleatoria toma un nmero finito de n valores, cada uno con igual
probabilidad.
f ( x) P ( X x )
1
n
Con n = 10 se tiene:
Su media y varianza son las siguientes:
X
X2
( n 1)
2
2
n 1
12
2-DISTRIBUCIN HIPERGEOMTRICA
Se aplica cuando la muestra (n) es una proporcin relativamente grande en relacin con
la poblacin (n > 0.1N). El muestreo se hace sin reemplazo
P(x, N, n, D) es la probabilidad de exactamente x xitos en una muestra de n elementos
tomados de una poblacin de tamao N que contiene D xitos. La funcin de densidad
de distribucin hipergeomtrica:
C xD CnNxD
P ( x )
CnN
C xn
Con
n!
x!( n x)!
3-DISTRIBUCIN BINOMIAL
Ensayo Bernoulli. Es un experimento aleatorio que solo tiene dos resultados. xito o
fracaso.
Donde la probabilidad de xito se denota por p
x r 1 r x
nb rx ;;( p) p (1 p)
r 1
Con X = 0, 1, 2,..
14 5 10
nb(10;5;0.2) 0.2 0.8 0.034
4
La probabilidad de que a lo sumo ocurran 10 fracasos (F) se les pregunte a lo sumo a 10
personas es:
x 4 x
P(X 10) nb(x,5,0.02) 0.2 0.8 0.164
x 0
4
10
5 10
X 0
Otra forma:
Sea y el nmero de intentos hasta que el r-simo xito es observado.
y 1 r y r
p( y) p q
y r
r
p
rq
p2
P= 0.1 q= 0.9
P (y) = p*(q^y-1) = (.1)*(0.9^y-1)
Para y = 1 hasta 5:
P (y<=5) = p (1) + p (2) ++ p (5) = 0.41.
b) Encontrar la media, varianza y desviacin estndar para y el nmero de fusibles
probados hasta que el primer fusible con falla es observado.
Media = 1/p = 1/0.1 = 10
Varianza = q/p^2 = 0.9/(0.1^2) = 90
Sigma = 9.49
5-DISTRIBUCIN DE POISSON
La distribucin de Poisson se utiliza para modelar datos discretos como aproximacin a
la Binomial dada la dificultad que exista de encontrar tablas Binomiales adecuadas,
cuando n es grande y p pequea. La distribucin de probabilidad de Poisson
proporciona buenas aproximaciones cuando np <= 5.
Se aproxima a la binomial cuando p es igual o menor a 0.1, y el tamao de muestra es
grande (n > 16) por tanto np > 1.6.
Una Variable aleatoria X tiene distribucin Poisson si toma probabilidades con.
Ejemplo 1. Suponga que una compaa de seguros asegura las vidas de 5000 hombres
de 42 aos de edad. Si los estudios actuariales muestran que la probabilidad de que un
hombre muera en cierto ao es 0.001, entonces la probabilidad de que la empresa pague
exactamente 4 indemnizaciones y= 4 en un cierto ao es:
P ( y 4) p (4)
5000!
(0.001) 4 (0.999) 4996
4!*4996!
7
El valor de esta expresin no aparece en tablas y su clculo era difcil, no as con Excel.
Aproximando con la distribucin de Poisson, se toma la tasa media de sucesos = np =
(5000)*(0.001)= 5, teniendo:
P ( y 4)
4 e 5 4 e 5
0.1745
4!
4!
Ejemplo 2. Una planta tiene 20 mquinas, si la probabilidad de que falla una en cierto
da es 0.05. Encuentre la probabilidad de que durante un da determinado fallen dos
mquinas.
np = 20 *0.05 = 1.0
P ( y 2)
12 e 1
0.184
2!
20!
(0.05) 2 (0.95)18 0.188
2!*18!
a)
f ( x) dx 1
b) P ( x1 X x2 )
x2
f ( x)dx
x1
c) f(x) 0
d) P(X = x) = 0
P ( x1 X x2 ) P ( x1 X x2 )
Esta ltima propiedad podra describirse as: La probabilidad que un modelo de variable
continua asigna a la observacin de un valor exacto (es decir, medido con infinita
precisin) es cero.
La funcin de densidad podra mirarse como un modelo de la curva lmite que
obtendramos en el histograma de una poblacin disminuyendo indefinidamente las
anchuras de cada clase. f(x) es ms general que un histograma. Trata de reflejar no el
comportamiento de una muestra concreta, sino la estructura de los valores de la variable
a largo plazo; adems, es ms operativa.
EJEMPLO 1
El error en la temperatura de reaccin, en grados centgrados, para un experimento de
laboratorio controlado es una variable aleatoria continua X que tiene la siguiente
funcin de densidad de probabilidad:
x 2 / 3, 1 x 2
f ( x)
0, en otro caso
a)
Verifique la propiedad a.
a)
/ 3 dx x 3 / 9
b) P (0 < x < 1) =
/ 3 dx 1 / 9
F ( x) P ( X x)
f ( x)dx
f ( x)
EJEMPLO 2
El tiempo necesario, en milisegundos, para completar una reaccin qumica est
aproximado por la siguiente funcin de distribucin acumulada:
0, x 0
0.01 x
,x0
1 e
F ( x)
10
Solucin:
0, x 0
0.01 x
,x0
0.01e
f ( x)
Al derivar:
Su media es:
b a dx
a
1
, a xb
ba
ab
2
ab
Y su varianza es: x
2
a
1
(b a ) 2
*
dx
ba
12
EJEMPLO
X es una variable aleatoria que representa la corriente, medida en miliamperios, en un
alambre delgado de cobre. El rango de X es [0,20 mA] y su funcin de densidad de
probabilidad es f(x) = 0.05.
a) Cul es la probabilidad de que una medicin de corriente est entre 5 y 10 mA?
b) Cules son su media y desviacin estndar?
Solucin:
10
a ) P (5 X 10)
0 20
b) E ( x )
10 mA
2
Desv. est.( x )
11
20 2
5.77 mA
12
2.
Distribucin normal:
1
2
( x )2
2 2
, x
2.
4.
5.
6.
e
2
( x )2
2 2
dx
12
Esta integral no es de fcil solucin, pero dicho problema puede obviarse mediante la
estandarizacin de la variable, que consiste en transformar todas las observaciones de
cualquier variable aleatoria normal X a un nuevo conjunto de observaciones de una
variable aleatoria normal Z con media 0 y varianza 1; todas las distribuciones normales
pueden convertirse a distribuciones normales estndar restando la media de cada
observacin y dividiendo por la desviacin estndar.
Aproximadamente el 68% de las veces, una variable aleatoria normal asume un valor
entre ms o menos una desviacin estndar respecto a su media, aproximadamente 95%
en el intervalo 2 y ms del 99% en 3
EJEMPLO
Cierta mquina fabrica resistores elctricos que tienen una resistencia promedio de 25
ohmios y una desviacin estndar de 3.2 ohmios. La resistencia tiene una distribucin
normal.
13
a ) P ( X 16) P Z
P ( Z 2.81) 0.0025
3.2
Lo que implica que el 0.25% de los resistores tienen una resistencia inferior a 16
ohmios.
35 25
b) P ( X 35) P Z
P ( Z 3.13) 1 P ( Z 3.13) 1 0.9991 0.0009
3.2
Por lo tanto, el 0.09% de los resistores tienen una resistencia superior a 35 ohmios.
32 25
20 25
Z
P (1.56 Z 2.19)
3.2
3.2
x
x z 25 1.28(3.2) 29.10 ohmios
EJEMPLO
El dimetro del eje de una unidad de almacenamiento ptico tiene distribucin normal
con media 0.2508 pulgadas y desviacin estndar 0.0006 pulgadas. Las especificaciones
del dimetro del eje son 0.2500 0.0013 pulgadas. Qu proporcin de los ejes cumple
con el requisito?
Solucin:
14
0.2513 0.2508
0.2487 0.2508
Z
0.0006
0.006
P (0.2487 X 0.2513) P
P (3.5 Z 0.83)
P ( Z 0.83) P ( Z 3.5)
0.7967 0.0000 0.7967
Lo que implica que el 79.7% de los ejes cumple con el requisito.
EJEMPLO
Durante los ltimos aos ha crecido el volumen de acciones negociadas en la Bolsa.
Durante las dos primeras semanas de abril, el volumen diario promedio fue de 586000
acciones. La distribucin de probabilidad del volumen es aproximadamente normal con
desviacin estndar de 115000 acciones.
a) Cul es la probabilidad de que el volumen negociado en un da sea menor a 395000
acciones?
b) Cul es la probabilidad de que se negocien ms de 800000 acciones en un da?
c) Cul es la probabilidad de que en un da se negocien entre 500000 y 600000
acciones?
d) Si la Bolsa quiere emitir un boletn de prensa sobre el 5% de los das ms activos,
qu volumen activar la publicacin?
Solucin:
Sea: X = miles de acciones negociadas.
395 586
a ) P ( X 395) P Z
P ( Z 1.66) 0.0485
115
800 586
b) P ( X 800) P Z
P ( Z 1.86) 1 P ( Z 1.86) 1 0.9686 0.0314
115
15
c)
600 586
500 586
Z
P (0.75 Z 0.12)
115
115
P (500 x 600) P
x
x z 586 1.645(115) 775
Eso implica que la publicacin se sacar los das que se negocien ms de 775000
acciones
3.
DISTRIBUCIN EXPONENCIAL
Se usa para modelar artculos con una tasa de falla constante y est relacionada con la
distribucin de Poisson. Si una variable aleatoria x se distribuye exponencialmente,
entonces el recproco de x,
f ( x)
1
e e x
16
t
Aqu se desea saber de que no transcurra ms de cierto tiempo entre dos llegadas,
sabiendo que se tiene una tasa de llegadas .
Ejemplo: El tiempo de respuesta de un departamento es de 5 minutos promedio y se
distribuye exponencialmente. La probabilidad de que el tiempo de respuesta a lo sumo
de 10 minutos se determina como sigue:
P(X<=10) = F (10; 1/5) = 1- exp (-0.2*10) = 0.865
La probabilidad entre el tiempo de respuesta de 5 y 10 minutos es:
P (5<=X<=10) = F (10;1/5) F(5; 1/5) = 0.233
4. DISTRIBUCION DE PROBABILIDAD T
El resultado ofrecido en el teorema anterior nos proporciona la base del desarrollo de
procedimientos para hacer inferencias con respecto a la media de una poblacin
normal con una varianza 2. En este caso el teorema 7.1 nos dice que
n Y /
17
Y
n
S
2 una variable
Z y
2 son
independientes,
T
2 /
tiene una distribucin normal estndar. El teorema 7.3 nos dice que 2 n 1 S 2 / 2
2
2
tiene una distribucin con v n 1 grados de libertad y que Z y son
independientes (ya que Yy 2 los son). Por lo tanto, por la definicin 7.2
2 /v
n Y /
Y
n
S
n 1 S 2 / 2 n 1
18
variable normal estndar. Sin embargo, una variable aleatoria normal estndar siempre
tiene una varianza de 1, mientras que la varianza de una variable aleatoria con una
distribucin t siempre es mayor que 1.
En la figura se muestran las grficas de una funcin de densidad normal estndar y de
una funcin de densidad t. Ntese que ambas funciones de densidad son simtricas con
respecto al origen, pero que la densidad t tiene ms masa probabilstica en las colas.
Normal
t Estndar
Una comparacin entre las funciones
de densidad normal estndar y t
0
19
Supngase que deseamos comparar las varianzas de dos poblaciones normales basados
en la informacin contenida en muestras aleatorias independiente de las dos
poblaciones. Supngase que una muestra aleatoria contiene n1 variables aleatorias
distribuidas normalmente con una varianza comn 12 y que la otra muestra aleatoria
contiene n2 variables aleatorias distribuidas normalmente con una varianza comn 12
y que la otra muestra aleatoria contiene n2
razn siguiente
S12 / 12 22
S 22 / 22 12
S12
2
S2
12 / v1
22 / v 2
Se dice que tiene una distribucin F con v1 grados de libertad del numerador y v 2
grados de libertad del denominador.
20
nuevamente
las
muestras
aleatorias
independientes
de
12 n1 1 S12 / 12 y 22 n2 1 S 22 / 22
Tienen distribuciones 2 independientes con
v1 n1 1 yv 2 n 2 1
Grados de libertad, respectivamente.
As la definicin implica que
F
12 / v1 n1 1 S12 / 12 n1 1 S12 / 12
22 / v 2 n2 1 S 22 / 22 n2 1 S 22 / 22
n1 1
21
grados de libertad del denominador, F 0.100= 2.88, F 0.050= 3.97, F 0.025 = 5.29, F 0.010 =
7.46 y F 0.005 =9.52. Luego la probabilidad de que una variable aleatoria con una
distribucin F con 5 grados de libertad del numerador y 7 grados de libertad del
denominador exceda de 7.46 es 0.01. Lo correspondiente se afirma para los dems
casos.
f u
Una tpica funcin de densidad
De probabilidad F
u
F
7. DISTRIBUCION PROBABILIDAD GAMA.
Los tiempos que tardan en revisar un motor de un automvil avin tienen una
distribucin de frecuencias sesgadas. Las poblaciones asociadas a estas variables
aleatorias frecuentemente tienen distribuciones que se pueden modelar adecuadamente
por la funcin de densidad tipo gamma.
Funcin de densidad de probabilidad para una variable aleatoria tipo gamma:
, 0;0 y
f ( y)
y 1 e y /
( )
0
En donde:
22
( ) y 1 e
0
dy
Donde
y 1 e y /
dy
( )
Y por lo tanto es importante obtener las reas bajo la funcin de densidad tipo
gamma mediante integracin directa.
Hay dos casos especiales de las variables aleatorias tipo gamma que merece
consideracin particular:
Una variable aleatoria tipo gamma que tiene una funcin de densidad con
parmetros alfa igual a v entre dos y beta igual a dos se denomina variable aleatoria ji cuadrada.
Ji - cuadrada se presenta con frecuencia en la teora de la estadstica. El parmetro v se
denomina nmero de grados de libertad asociado a la variable aleatoria ji - cuadrada.
23
0;0 y
f ( y)
1 y /
e
0
En cualquier punto.
La funcin de densidad exponencial muchas veces es til en los modelos de
duracin de componentes elctricos.
Un fusible es un ejemplo de un componente para el cual este supuesto suele
cumplirse.
8. LA DISTRIBUCION DE PROBABILIDAD BETA.
, 0;0 y 1
f ( y) {
y 1 (1 y ) 1
B ( , )
B ( , ) y 1 (1 y ) 1 dy
24
( ) ( )
( )
Ntese que la definicin de (y) sobre el intervalo 0<= y <= 1 restringe su aplicacin. Si
c<= y <= d, y = (y- c) / (d- c) definir una nueva variable en el intervalo 0<= y <= 1. As
la funcin de densidad beta se puede aplicar a una variable aleatoria definida en el
intervalo c<= y <= d mediante una traslacin y una medicin en la escala.
La funcin de distribucin acumulativa para la variable aleatoria beta se llama
comnmente funcin beta y est dada por
F ( y)
t 1 (1 t ) 1
dt I y ( , )
B ( , )
Para valores enteros de alfa y beta, Iy (alfa, beta) est relacionada con la funcin
de probabilidad binomial. Cuando y = p, se puede demostrar que
F ( p)
n
y 1 (1 y ) 1
dy p y (1 p ) n y
B( , )
y
1 x
x e
.
CUADRO
COMPARATIVO
1
.
ENTRE
LAS
VARIABLES:
DISCRETAS
CONTINUAS
VARIABLES DISCRETAS
VARIABLES CONTINUAS
independientes son:
1. Ambas poblaciones son normales.
2. Las varianzas poblacionales son iguales, esto es, 12 22 .
Como el ANOVA de un criterio es una generalizacin de la prueba de t para dos
muestras, los supuestos para el ANOVA de un criterio son:
1. Todas las poblaciones k son normales.
2
2
2
2
2
2. 1 2 3 ..... k
sb2
s w2
asociados.
7. Hallar el valor del estadstico de la prueba F.
8. Calcular el valor crtico para F basado en glb y glw.
9. Decidir si se rechaza H0.
Calculo Manual
Se utilizan las frmulas siguientes:
Suma de cuadrados total (SST o SCT)
SCT
i 1
j 1
( Xij X )
***
*
**
***
Xi valores individuales
**
X
*
*
**
**
28
Media de medias
SCTR rj ( X j X ) 2
j 1
Media
X3
*
5
5
4
*
Media
*
Media X1
X2
SCE
i 1
(X
j 1
ij
X j )2
**
Xi
Xi
**
**
*
Xmedia
***
*
X media 1
Xmedia 2
3
**
Xi
*
*
Gl. Tratamientos = c -1
Gl. Error = n c
Cuadrados medios (MS o CM):
CMT = SCT / Gl. SCT
CMTr = SCTr / Gl. SCTr
CME = SCE / Gl. SCE
Estadstico calculado Fc:
Fc = CMTr / CME
P value = distr.f (Fc, Gl. CMtr, Gl. CME)
F crtica de tables o Excel = distr.f.inv (alfa, Gl. CMT, Gl. CME)
Si P es menor a alfa o Fc es mayor a Ft se rechaza Ho indicando que los efectos de los
diferentes niveles del factor tienen efecto significativo en la respuesta.
Distribucin.
F
ZONA
NO RECHAZAR
La tabla de ANOVA final queda como sigue:
30
RECHAZO
Alfa
DE
TABLA DE ANOVA
FUENTE DE
VARIACIN
SUMA DE
CUADRADOS
GRADOS DE
LIBERTAD
CUADRADO
MEDIO
Entre muestras
(tratam.)
SCTR
c-1
CMTR
Dentro de muestras
(err.)
SCE
n-c
CME
Variacin total
SCT
n-1
CMT
Regla: No rechazar si la F de la muestra es menor que la F de Excel para una cierta alfa
https://mx.answers.yahoo.com/question/index?qid=20140115111751AA9ZZzv
1. CANAVOS, G. (1988) Probabilidad y Estadstica. Aplicaciones y Mtodos.
Mxico: McGraw-Hill.
2. ESCUDER, R. y SANTIAGO, J. (1995) Estadstica aplicada. Economa y
Ciencias Sociales. Valencia: Tirant lo Blanch.
3. Fernndez CUESTA, C., y FUENTES Garca, F. (1995) Curso de Estadstica
Descriptiva. Teora y Prctica. Madrid: Ariel.
4. FREEDMAN, D., et al. (1991) Estadstica. Barcelona: A.Bosch Ed.
5. MENDENHALL, W., et al. (1994) Estadstica Matemtica con Aplicaciones.
Mxico: Grupo Editorial Iberoamrica.
31
32
33