Alumno: Cesar Jess Estrada Escobedo

2DO Cuatrimestre Seccin A

Maestro: Gerardo Edgar Mata Ortiz

Materia: Estadstica

Fecha: 18/03/12

Distribucin de Bernoulli
En teora de probabilidad y estadstica, la distribucin de Bernoulli (o distribucin dicotmica), nombrada as por el matemtico y cientfico suizo Jakob Bernoulli, es una distribucin de probabilidad discreta, que toma valor 1 para la probabilidad de xito ( ) y valor 0 para la probabilidad de fracaso ( ). Si es una variable aleatoria que mide "nmero de xitos", y se realiza un nico experimento con dos posibles resultados (xito o fracaso), se dice que la variable aleatoria se distribuye como una Bernoulli de parmetro .

La frmula ser:

Su funcin de probabilidad viene definida por:

Un experimento al cual se aplica la distribucin de Bernoulli se conoce como Ensayo de Bernoulli o simplemente ensayo, y la serie de esos experimentos como ensayos repetidos. Esperanza matemtica:

Varianza:

Funcin generatriz de momentos:

Funcin caracterstica:

Moda: 0 si q > p (hay ms fracasos que xitos) 1 si q < p (hay ms xitos que fracasos) 0 y 1 si q = p (los dos valores, pues hay igual nmero de fracasos que de xitos)

1.- Se ha observado estudiando 2000 accidentes de trfico con impacto frontal y cuyos conductores no tenan cinturn de seguridad, que 300 individuos quedaron con secuelas. Describa el experimento usando conceptos de v.a. Solucin. La nocin frecuentista de problema nos permite aproximar la probabilidad de tener secuelas mediante 300/2000=0,15=15% X=tener secuelas tras accidente sin cinturn es variable de Bernoulli X=1 tiene probabilidad p 0,15 X=0 tiene probabilidad q 0,85

2.- Se ha observado estudiando 2000 accidentes de trfico con impacto frontal y cuyos conductores s tenan cinturn de seguridad, que 10 individuos quedaron con secuelas. Describa el experimento usando conceptos de v.a. Solucin. La nocin frecuentista de problema nos permite aproximar la probabilidad de quedar con secuelas por 10/2000=0,005=0,5% X=tener secuelas tras accidente usando cinturn es variable de Bernoulli X=1 tiene probabilidad p 0,005 X=0 tiene probabilidad q 0,995 3.- Un agente de seguros vende plizas a 5 individuos, todos de la misma edad. De acuerdo con las tablas actuariales, la probabilidad de que un individuo con esa edad viva 30 aos ms es de 3/5. Determinar la probabilidad de que dentro de 30 aos vivan: 1. Los cinco individuos. 2. Al menos tres. 3. Slo dos. 4. Al menos uno. Estamos frente a una variable Bernoulli ya que dentro de 30 aos se pueden presentar dos situaciones que la persona este viva (p = 3/5) o que haya muerto (q = 2/5). Al considerar los 5 individuos, estamos frente a una varia aleatoria X binomial con n = 5, p = 0, 6 X ~ B (5, 0,6).

4.- Consideremos el conjunto de experimentos de Bernoulli en el que se seleccionan tres artculos al azar de un proceso de ensamblaje, se inspeccionan y se clasifican como defectuosos o no defectuosos. Un artculo defectuoso se designa como xito. El nmero de xitos es una v.a. X que toma valores integrales de 0 a 3. Como los artculos se seleccionan de forma independiente de un proceso que supondremos produce 25% de artculos defectuosos, P(NDN)=P(N)P(D)P(N)=(3/4)(1/4)(3/4)=9/64.

5.- La v.a. que dene el experimento lanzamiento de una moneda sigue una distribucin de Bernoulli de parmetro p. Donde p es la probabilidad del suceso de inters, cara o cruz.

PROPIEDADES

Distribucin Binomial
En estadstica, 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. Un experimento de Bernoulli se caracteriza por ser dicotmico, esto es, slo son posibles dos resultados. A uno de estos se denomina xito y tiene una probabilidad de ocurrencia p y al otro, fracaso, con una probabilidad q = 1 - p. En la distribucin binomial el anterior experimento se repite nveces, de forma independiente, y se trata de calcular la probabilidad de un determinado nmero de xitos. Para n = 1, la binomial se convierte, de hecho, en una distribucin de Bernoulli. Para representar que una variable aleatoria X sigue una distribucin binomial de parmetros n y p, se escribe:

La distribucin binomial es la base del test binomial de significacin estadstica. 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). Su funcin de probabilidad es

donde

siendo de en

las combinaciones de ).

en

elementos tomados

1.- Un agente de seguros vende plizas a 5 individuos, todos de la misma edad. De acuerdo con las tablas actuariales, la probabilidad de que un individuo con esa edad viva 30 aos ms es de 3/5. Determinar la probabilidad de que dentro de 30 aos vivan: 1. Los cinco individuos. 2. Al menos tres. 3. Slo dos. 4. Al menos uno. Estamos frente a una variable Bernoulli ya que dentro de 30 aos se pueden presentar dos situaciones que la persona este viva (p = 3/5) o que haya muerto (q = 2/5). Al considerar los 5 individuos, estamos frente a una varia aleatoria X binomial con n = 5, p = 0, 6 X ~ B(5, 0,6).

2.-Suponiendo que la probabilidad de tener un hijo varn es 0,51. Hallar la probabilidad de que una familia con seis hijos tenga: 1. Por lo menos un nio. 2. Por lo menos una nia.

3.- La probabilidad de que un paciente se recupere de una cierta enfermedad es 0.4. Si 15 personas contraen la enfermedad cual es la probabilidad de que a) al menos 10 sobrevivan ? Sea X el numero de supervivientes.

4.- Cul es la probabilidad de obtener 6 caras al lanzar una moneda 10 veces? El nmero de aciertos k es 6. Esto es x=6 El nmero de experimentos n son 10 La probabilidad de xito p, es decir, que salga "cara" al lanzar la moneda es 50% 0.50 La frmula quedara:

P (k = 6) = 0.205 Es decir, que la probabilidad de obtener 6 caras al lanzar 10 veces una moneda es de 20.5% 5.- En una fbrica de cmaras el 5% sale con defectos. Determine la probabilidad de que en una muestra de 12 se encuentren 2 cmaras defectuosas. Solucin : Se trata de una distribucin binomial de parmetros B(12, 0.05). Debemos calcular la probabilidad de que x sea igual a k que en este caso es 2. Esto es P (k=2). Busque en la parte izquierda de la tabla n=12, luego en la parte superiror p=0.05 . La probabilidad estar en x=2 El resultado es 0.0988 .

Distribucin de Poisson
En teora de probabilidad y estadstica, la distribucin de Poisson es una distribucin de probabilidad discreta que expresa, a partir de una frecuencia de ocurrencia media, la probabilidad que ocurra un determinado nmero de eventos durante cierto periodo de tiempo. Fue descubierta por Simon-Denis Poisson, que la dio a conocer en 1838 en su trabajo Recherches sur la probabilit des jugements en matires criminelles et matire civile (Investigacin sobre la probabilidad de los juicios en materias criminales y civiles). La funcin de masa de la distribucin de Poisson es

Donde: k es el nmero de ocurrencias del evento o fenmeno (la funcin nos da la probabilidad de que el evento suceda precisamente k veces). es un parmetro positivo que representa el nmero de veces que se espera que ocurra el fenmeno durante un intervalo dado. Por ejemplo, si el suceso estudiado tiene lugar en promedio 4 veces por minuto y estamos interesados en la probabilidad de que ocurra k veces dentro de un intervalo de 10 minutos, usaremos un modelo de distribucin de Poisson con = 104 = 40. e es la base de los logaritmos naturales (e = 2,71828 ...) Tanto el valor esperado como la varianza de una variable aleatoria con distribucin de Poisson son iguales a . Los momentos de orden superior son polinomios de Touchard en cuyos coeficientes tienen una interpretacin combinatoria. De hecho, cuando el valor esperado de la distribucin de Poisson es 1, entonces segn la frmula de Dobinski, el n-simo momento iguala al nmero de particiones de tamao. La moda de una variable aleatoria de distribucin de Poisson con un no entero es igual a , el mayor de los enteros menores que (los smbolos representan la funcin). Cuando es un entero positivo, las modas son y 1. La funcin generadora de momentos de la distribucin de Poisson con valor esperado es

1.- El nmero de accidente por semana en una fbrica sigue una distribucin Poisson de Parmetro l = 2. Calcular: 1. La probabilidad de que en una semana haya algn accidente. 2. La probabilidad de que haya 4 accidentes en dos semanas. 3. La probabilidad de que haya 2 accidentes en una semana y otros dos en la semana Siguiente. 4. Si sabemos que ha habido un accidente hallar la probabilidad de que en esa semana No haya ms de tres accidentes.

2.-La proporcin de alumnos de un distrito universitario con calificacin de sobresaliente es de 0,005%. Determinar la probabilidad de que entre 5000 alumnos seleccionados al azar haya dos con calificacin media sobresaliente.

3.-En promedio, cada una de las 18 gallinas de un gallinero pone un huevo al da. Si se recogen los huevos cada hora Cul es el nmero medio de huevos que se recogen en cada visita? Con qu probabilidad encontraremos x huevos para 0,1, 2, 3x =? y la probabilidad de que4x = ?

Distribucin de Poisson para un valor medio de = 0.75

4.-Durante un experimento de laboratorio el nmero promedio de partculas radioactivas que pasan a travs de un contador de un milisegundo es cuatro. Cul es la probabilidad de que seis partculas entren al contador en un milisegundo dado? Solucin:

5.- El nmero promedio de camiones tanque que llega cada da a cierta ciudad portuaria es 10. Las instalaciones en el puerto pueden manejar a lo ms 15 camiones tanque por da. Cul es la probabilidad de que en un da dado los camiones se tengan que regresar?. Solucin: Sea X el nmero de camiones tanque que llegan Al usar la distribucin de Poisson desde x=0 a x=15 y encontrando el complementario tenemos el resultado:

p=0.95 representa la probabilidad de recibir de 0 a 15 camiones, es decir, no rebasa la capacidad de las instalaciones. El complementario p=0.05 es la probabilidad de rebasar la capacidad, es decir, de devolver camiones.

DISTRIBUCIN GAMMA
1.-En un estudio de la guardia urbana de Barcelona se toma una distribucin gamma para modelizar el nmero de vctimas en accidentes de trfico. Como es ms habitual la proporcin de 1 ocupante por vehculo siniestrado, y es ms rara la probabilidad de 4 5 ocupantes por vehculo siniestrado, se crea una distribucin gamma para modelizar el nmero de vctimas por accidente de trfico. El 38% de la distribucin lo acumula la proporcin 1 accidentado por accidente, el 36% 2:1, 16% la 3:1, 6% el 4:1 y finalmente un 3% para 5:1. La media del modelo es 1,5 vctimas por accidente, pero no indican el valor de los parmetros y tomados en cuenta. 2.-Tambin en el mbito de la siniestralidad viaria, en un estudio de la ciudad de Medelln, Colombia, se usa la distribucin Gamma para obtener la distribucin de probabilidad de la variable aleatoria edad de fallecimiento en accidentes de trfico. En este caso explican que se asignaron los parmetros y a ojo. El mejor resultado es el que parece minimizar los errores cuadrticos medios despus de varias asignaciones. Finalmente obtienen =2,94 y =13,94.

3.- A una centralita de telfonos llegan 12 llamadas por minuto, siguiendo una distribucin de Poisson. Cul es la probabilidad de que en menos de 1 minuto lleguen 8 llamadas?

Existe un 91,05% de probabilidades de recibir 8 llamadas en un plazo de tiempo de menos de 1 minuto. 4.- Si un componente elctrico falla una vez cada 5 horas, cul es el tiempo medio que transcurre hasta que fallan dos componentes? Cul es la probabilidad de que transcurran 12 horas antes de que fallen los dos componentes?

En un 30,84% de las situaciones pasarn 12 horas hasta que fallen dos componentes. 5.- En una ciudad se observa que el consumo diario de energa (en millones de kilowatt-hora) es una variable aleatoria que sigue una distribucin gamma con parmetros = 3 y =2. Si la planta de energa que suministra a la ciudad tiene una capacidad diaria de generar un mximo de 12, cul es la probabilidad de que haya un da donde no se pueda satisfacer la demanda?

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 determinado parmetro. Esta curva se conoce como campana de Gauss y e es el grfico de de una funcin gaussiana. La importancia de esta distribucin radica en que permite modelar numerosos fenmenos naturales, sociales y psicolgicos. Mientras que los mecanismos que subyacen a gran parte de este tipo de fenmenos son desconocidos, por la enorme cantidad de variables incontrolables que en ellos intervienen, el uso del modelo normal puede justificarse asumiendo que cada observacin se obtiene como la suma de unas pocas causas independientes. De hecho, la estadstica es un modelo matemtico que slo permite describir un fenmeno, sin explicacin alguna. Para la explicacin causal es preciso el diseo experimental, de ah que al uso de la estadstica en psicologa y sociologa sea conocido como mtodo correlacional.

Funcin de densidad

Se dice que una variable aleatoria continua X sigue una distribucin normal de parmetros y y se denota X~N (, ) si su funcin de densidad est dada por:

donde (mu) es la media y (sigma) es la desviacin estndar (2 es la varianza).5 Se llama distribucin normal "estndar" a aqulla en la que sus parmetros toman los valores = 0 y = 1. En este caso la funcin de densidad tiene la siguiente expresin:

Su grfica se muestra a la derecha y con frecuencia se usan ...tablas para el clculo de los valores de su distribucin. Es una distribucin adecuada para modelizar el comportamiento de variables aleatorias continuas con asimetra positiva. Es decir, variables que presentan una mayor densidad de sucesos a la izquierda de la media que a la derecha. En su expresin se encuentran dos parmetros, siempre positivos, () y () de los que depende su forma y alcance por la derecha, y tambin la funcin Gamma (), responsable de la convergencia de la distribucin. Los parmetros de la distribucin El primer parmetro () sita la mxima intensidad de probabilidad y por este motivo en algunas fuentes se denomina la forma de la distribucin: cuando se toman valores prximos a cero aparece entonces un dibujo muy similar al de la distribucin exponencial. Cuando se toman valores ms grandes de () el centro de la distribucin se desplaza a la derecha y va apareciendo la forma de una campana de Gauss con asimetra positiva. Es el segundo parmetro () el que determina la forma o alcance de esta asimetra positiva desplazando la densidad de probabilidad en la cola de la derecha. Para valores elevados de () la distribucin acumula ms densidad de probabilidad en el extremo derecho de la cola, alargando mucho su dibujo y dispersando la probabilidad a lo largo del plano. Al dispersar la probabilidad la altura mxima de densidad de probabilidad se va reduciendo; de aqu que se le denomine escala. Valores ms pequeos de () conducen a una figura ms simtrica y concentrada, con un pico de densidad de probabilidad ms elevado. Una forma de interpretar () es tiempo promedio entre ocurrencia de un suceso. Relacionndose con el parmetro de la Poisson como =1/. Alternativamente ser el ratio de ocurrencia: =1/. La expresin tambin ser necesaria ms adelante para poder llevar a cabo el desarrollo matemtico. Supongamos que se sabe que el peso de los sujetos de una determinada poblacin sigue una distribucin aproximadamente normal, con una media de 80 Kg y una desviacin estndar de 10 Kg. Podremos saber cul es la probabilidad de que una persona, elegida al azar, tenga un peso superior a 100 Kg?

Por lo tanto, la probabilidad buscada de que una persona elegida aleatoriamente de esa poblacin tenga un peso mayor de 100 Kg , es de 1 0.9772=0.0228, es decir, aproximadamente de un 2.3%. 2.- cul es la probabilidad que una variable normal estandarizada se encuentre en los rangos: 1. P(-1X1) = normcdf(1)-normcdf(-1)= 0.6827 2. P(0 X 1.72) = normcdf(1.72)-normcdf(0)= 0.4573 3. P(4.5X) = 1 3.-Suponga que la altura de las mujeres mexicanas est normalmente distribuida, con promedio = 160cm y desviacin estndar = 7.5cm. Encuentre el porcentaje de mexicanas que estn: a) Entre 153 y 168 centmetros b) Aproximadamente 170 centmetros Suponga que la altura de las mujeres mexicanas est normalmente distribuida, con promedio = 160cm y desviacin estndar = 7.5cm. entonces z1 = (153-160)/7.5=-0.93 y z2 = (168-160)/7.5=1.07 De aqu que: P(153X168) = normcdf(-0.93)-normcdf(1.07)= 0.6815 Asuma que las alturas son redondeadas al centmetro ms cercano, entonces z1 = (169.5-160)/7.5=1.27 y z2 = (170.5-160)/7.5=1.4 De aqu que: P(169.5X170.5) = normcdf(1.4)-normcdf(1.27)= 0.0213 4.- Se lanzan 100 volados con una moneda correcta. Encuentre la probabilidad que ocurran exactamente 60 guilas. Cul es la prediccin de la aproximacin normal? Se lanzan 100 volados con una moneda correcta. Encuentre la probabilidad que ocurran exactamente 60 guilas. Note que: = np = 100(0.5) =50, 2 = npq = 100(0.5)(0.5) = 25, por lo que = 5. Se usa entonces la distribucin normal para aproximar la probabilidad binomial como sigue: b(100, 60, 0.5) N(59.5 X 60.5). Tras transformar, a = 59.5, b = 60.5 en unidades estndar se obtiene: z1 = (59.5-50)/5=1.9 y z2 = (60.5-50)/5=2.1. De aqu que:

P(59.5X60.5) = normcdf(2.1)-normcdf(1.9)= 0.0109 5.- Suponga que el 4% de la poblacin de la tercera edad tiene Alzheimer. Suponga que se toma una muestra aleatoria de 3500 ancianos. Encuentre la probabilidad que al menos 150 de ellos tengan la enfermedad. Suponga que el 4% de la poblacin de la tercera edad tiene Alzheimer. Suponga que se toma una muestra aleatoria de 3500 ancianos. Encuentre la probabilidad que al menos 150 de ellos tengan la enfermedad. = np = 3500(0.04) =140, 2 = npq = 3500(0.04)(0.96) = 134.4, por lo que = 11.6. Se usa entonces la distribucin normal para aproximar la probabilidad binomial como sigue: b(k 150) N(X 149.5). Tras transformar, a = 149.5, en unidades estndar se obtiene: z1 = (149.5-140)/5= 0.82 De aqu que: P(X149.5) = normcdf(0.82) = 0.7939

Distribucin T de 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. Aparece de manera natural al realizar la prueba t de Student para la determinacin de las diferencias entre dos medias mustrales y para la construccin del intervalo de confianza para la diferencia entre las medias de dos poblaciones cuando se desconoce la desviacin tpica de una poblacin y sta debe ser estimada a partir de los datos de una muestra. La distribucin t de Student es la distribucin de probabilidad del cociente

Donde Z tiene una distribucin normal de media nula y varianza 1 V tiene una distribucin ji-cuadrado con Z y V son independientes grados de libertad

Si es una constante no nula, el cociente es una variable aleatoria que sigue la distribucin t de Student no central con parmetro de no-centralidad . Supongamos que X1,..., Xn son variables aleatorias independientes distribuidas normalmente, con media y varianza 2. Sea

la media muestral. Entonces

sigue una distribucin normal de media 0 y varianza 1. Sin embargo, dado que la desviacin estndar no siempre es conocida de antemano, Gosset estudi un cociente relacionado,

Donde:

Se tienen los siguientes datos experimentales correspondientes a 17 individuos de los que se ha recogido el valor que presentan en dos variables, una de ellas cuantitativa con distribucin normal considerada como variable respuesta (Rta), y la otra variable dicotmica considerada como variable explicativa (Exp). Los datos se presentan de forma que en las filas hay varios individuos para facilitar la lectura:

Calcular un intervalo de confianza al 90% para la diferencia de medias asumiendo igualdad de varianzas y no asumiendo la igualdad de stas y realizar el siguiente contraste: H0: m1 - m2 = 0 H1: m1 - m2 0 mediante la prueba t-Student para dos medias en los dos supuestos de igualdad y no igualdad de varianzas.