Mathematics">
Investigación
Investigación
Investigación
ESTADISTICA DESCRPTIVA
MAESTRO: JUAN FERNANDO CAHUICH
EQUIPO:
-SAGUILAN ARELLANES ANDREA
-SANCHEZ OLAN VANESSA
UNIDAD 3
TEMA: TIPOS DE DISTRIBUCIONES
ALEATORIAS DISCRETAS Y
CONTINUAS.
Introducción
Una variable aleatoria es una función que asigna un valor numérico, al resultado de un
experimento aleatorio. Una variable aleatoria puede ser discreta o continua. Las variables
aleatorias discretas son aquellas que presentan un número contable de valores; por ejemplo,
el número de personas que viven en una casa (pueden ser 3, 5 o 9). Las variables aleatorias
continuas son aquellas que presentan un número incontable de valores; por ejemplo, el peso
de las vacas en una granja (una vaca puede pesar 632,12 kg, otra puede pesar 583,12312 kg,
otros 253,12012 kg, otra 198,0876 kg y nunca terminaríamos de enumerar todos los posibles
valores).
Una variable aleatoria es una función que asigna un valor numérico a cada suceso elemental
del espacio muestral. también podemos decir, aunque de forma menos rigurosa, que una
variable aleatoria es una variable cuyo valor numérico está determinado por el resultado de
un experimento aleatorio. notaremos con las letras mayúsculas X, Y,… la variable aleatoria
y con las letras minúsculas, x, y,… sus valores. la variable aleatoria puede tomar un número
numerable o no numerable de valores posibles; dando lugar a dos tipos principales de
variables aleatorias: discretas y continuas.
Para que una variable aleatoria se considere que sigue una distribución binomial, tiene que
cumplir las siguientes propiedades:
• En cada ensayo, experimento o prueba solo son posibles dos resultados (éxito o
fracaso).
• La probabilidad del éxito ha de ser constante. Esta se representa mediante la letra p.
La probabilidad de que salga cara al lanzar una moneda es 0,5 y esta es constante
dado que la moneda no cambia en cada experimento y las probabilidades de sacar
cara son constantes.
• La probabilidad de fracaso ha de ser también constate. Esta se representa mediante la
letra q = 1-p. Es importante fijarse que, mediante esa ecuación, sabiendo p o sabiendo
q, podemos obtener la que nos falte.
• El resultado obtenido en cada experimento es independiente del anterior. Por lo tanto,
lo que ocurra en cada experimento no afecta a los siguientes.
• Los sucesos son mutuamente excluyentes, es decir, no pueden ocurrir los 2 al mismo
tiempo. No se puede ser hombre y mujer al mismo tiempo o que al lanzar una moneda
salga cara y cruz al mismo tiempo.
• Los sucesos son colectivamente exhaustivos, es decir, al menos uno de los 2 ha de
ocurrir. Si no se es hombre, se es mujer y, si se lanza una moneda, si no sale cara ha
de salir cruz.
• La variable aleatoria que sigue una distribución binomial se suele representar como
X~(n,p), donde n representa el número de ensayos o experimentos y p la probabilidad
de éxito.
El término de la distribución binomial se utiliza para designar situaciones en las que los
resultados de una variable discreta se pueden agrupar en dos categorías. Las categorías deben
ser mutuamente excluyentes, por lo que no es posible obtener ningún otro resultado, es decir
las respuestas sólo deben contener dos respuestas el éxito y el fracaso.
La media la representamos mediante μ y es igual al valor esperado E(X). No hay que olvidar
que la media es una medida de tendencia central. La fórmula es la siguiente:
μ=E(X)=npμ=E(X)=np
La varianza es una medida de dispersión que nos indica qué tan lejos se encuentran los
cuadrados de la desviación de la media. Se calcula con la fórmula:
Donde:
n es el número de ensayos
p es la probabilidad de éxito
q es la probabilidad de fracaso
La distribución binomial fue planteada por el matemático suizo Jakob I. Bernoulli (1654-
1705), es la más sencilla de todas las distribuciones, pues sólo estudia procesos en las cuales
los resultados posibles son sólo dos: tienen probabilidades constantes, y son independientes
entre sí.
La media y la desviación de una distribución binomial son dos medidas de gran utilidad,
sobre todo si se considera que una aplicación típica de la distribución binomial puede
resolverse por medio de otra distribución más general; “La distribución normal”. Las
fórmulas que se utilizan, cuando la muestra proviene de una población infinita o cuando la
muestra no excede del 5% de la población total, son:
Media y Desviación Estándar de la Distribución Binomial, para una Población Finita.
3.1.2 Grafica
La distribución binomial constituye un modelo de probabilidad teórico al que se adaptan
multitud de situaciones y problemas de la vida real. Conviene por tanto profundizar en este
modelo teórico para así poder transferir los resultados a las distintas situaciones concretas.
En este sentido se pueden deducir la función de probabilidad asociada a una distribución
binomial. Si consideramos una distribución B(n,p). En la que denominamos:
Esta distribución es una de las más importantes distribuciones de variable discreta. Sus
principales aplicaciones hacen referencia a la modelización de situaciones en las que nos
interesa determinar el número 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.
3.5 hipergeométrica
Hasta ahora hemos analizado distribuciones que modelizaban situaciones en las que se
realizaban pruebas que entrañaban una dicotomía (proceso de Bernouilli) de manera que en
cada experiencia la probabilidad de obtener cada uno de los dos posibles resultados se
mantenía constante. Si el proceso consistía en una serie de extracciones o selecciones ello
implicaba la reposición de cada extracción o selección, o bien la consideración de una
población muy grande. Sin embargo, si la población es pequeña y las extracciones no se
remplazan las probabilidades no se mantendrán constantes. En ese caso las distribuciones
anteriores no nos servirán para la modelizar la situación. La distribución hipergeométrica
viene a cubrir esta necesidad de modelizar procesos de Bernouilli con probabilidades no
constantes (sin reemplazamiento) .
La distribución hipergeométrica es especialmente útil en todos aquellos casos en los que se
extraigan muestras o se realizan experiencias repetidas sin devolución del elemento extraído
o sin retornar a la situación experimental inicial.
Modeliza, de hecho, situaciones en las que se repite un número determinado de veces una
prueba dicotómica de manera que con cada sucesivo resultado se ve alterada la probabilidad
de obtener en la siguiente prueba uno u otro resultado. Es una distribución. fundamental en
el estudio de muestras pequeñas de poblaciones. pequeñas y en el cálculo de probabilidades
de, juegos de azar y tiene grandes aplicaciones en el control de calidad en otros procesos
experimentales en los que no es posible retornar a la situación de partida.
Uno de los más importantes ejemplos de una probabilidad continua es la distribución o curva
normales. En estadística es la más importante de las distribuciones de frecuencias, ya que la
mayoría de los procedimientos estadísticos se basan en ella.
El área total limitada por la curva y el eje de las x es uno, de ahi que el área bajo la curva
entre dos ordenadas x= a y x= b, donde a
La media es µ
La varianza es σ²
La desviación típica es σ
μ=E(X)=np
No hay que olvidar que la media es una medida de tendencia central. Su interpretación es
interesante y algo enredada, te sugiero ver el video que viene líneas abajo.
σ2=V(X)=np(1−p)
σ=σ2−−√=np(1−p) −−−−−−−−√
3.10 GRAFICA
=√(npq)
En este caso se estarán calculando probabilidades de experimentos Binomiales de una forma
muy aproximada con la distribución Normal, esto puede llevarse a cabo si n y p = p(éxito)
no es muy cercana a 0 y 1, o cuando n es pequeño y p tiene un valor muy cercano a ½ ; esto
es,
Donde: x = variable de tipo discreto; solo toma valores enteros np = media de la distribución
Binomial= desviación estándar de la distribución Binomial
Si X es una variable aleatoria binomial con media μ=np y desviación estándar σ= √(npq),
entonces la forma limitante de la distribución de 𝑧=
𝑋− σ
Conforme n--> ∞, es la distribución normal estándar. Permitirá utilizar áreas bajo la curva
normal para aproximar propiedades binomiales cuando n es suficientemente grande.
Estadístico Z Mide la distancia entre un valor especificado de X y la media aritmética, en
las unidades de la desviación estándar. Al determinar el valor Z, se puede encontrar el área
de probabilidad bajo cualquier curva normal Antes de empezar a resolver problemas con la
aproximación Normal, es bueno aclarar que se están evaluando probabilidades asociadas a
una variable discreta x, con una distribución que evalúa variables de tipo continuo como es
la Normal
Referencias: