La Distribucin Normal N (, o)

La distribucin normal N (, o)es un modelo matemtico que rige muchos fenmenos. La

experiencia demuestra que las distribuciones de la mayora de las muestras tomadas en el
campo de la industria se aproximan a la distribucin normal si el tamao de la muestra es
grande. Esta distribucin queda definida por dos parmetros: la media y la desviacin
tpicao.Se presenta mediante una curva simtrica conocida como campana de Gauss. Esta
distribucin nos da la probabilidad de que al elegir un valor, ste tenga una medida contenida
en unos intervalos definidos. esto permitir predecir de forma aproximada, el comportamiento
futuro de un proceso, conociendo los datos del presente.



La desviacin tpica es grande, el intervalo de
incertidumbre de la medida es grande, la
precisin es dbil

La desviacin tpica es pequea, el intervalo
de incertidumbre de la medida es pequea, la
precisin es grande

Tienen especial inters los siguientes intervalos:

La Distribucin Normal Tipificada
La distribucin normal tipificada N (0, 1). Cuando la media de la distribucin es 0 y la varianza es
1 se 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.
La tabla nos da la probabilidad acumulada, es decir, la que va desde - hasta un valor. No nos da la
probabilidad concreta en ese punto. En una distribucin continua en el que la variable puede tomar
infinitos valores, la probabilidad en un punto concreto es cero.





Distribucin normal
Importancia de la distribucin normal
La distribucin normal es de suma importancia en estadstica por tres razones
principales:
1. Numerosas variables continuas de fenmenos aleatorios tienden a
comportarse probabilisticamente mediante sta.
2. Es el lmite al que convergen tanto variables aleatorias continuas como
discretas.
3. Proporciona la base de la inferencia estadstica clsica debido a su
relacin con el teorema del lmite central.
Propiedades de la distribucin normal
1. Su grafica tiene forma acampanada.
2. El valor esperado, la mediana y la moda tienen el mismo valor cuando la
variable aleatoria se distribuye normalmente.
3. Su dispersin media es igual a 1.33 desviacines estndar. Es decir, el
alcance intercuartil est contenido dentro de un intervalo de dos tercios
de una desviacin estndar por debajo de la media a dos tercios de una
desviacin estndar por encima de la media.
En la prctica, algunas de las variables que observamos slo pueden aproximar
estas propiedades. As que si el fenmeno puede mediarse aproximadamente
mediante la distribucin normal se tendr:
1. Que el polgono puede verse en forma de campana y simtrico.
2. Sus mediciones de tendencia central tienen bastante parecido.
3. El valor intercuartil puede diferir ligeramente de 1.33 desviaciones
estndar.
4. El dominio de la variable aleatoria normalmente distribuida
generalmente caer dentro de 3 desviaciones estndar por encima y por
debajo de la media.
El modelo matemtico

El modelo o expresin matemtica que representa una funcin de densidad de
probabilidad se denota mediante el smbolo . Para la distribucin normal,
se tiene la siguiente funcin de probabilidad.

donde
es la constante matemtica aproximada por 2.71828
es la constante matemtica aproximada por 3.14159
Parmetros
es cualquier valor de la variable aleatoria continua, donde
As,


A continuacin se presentan las grficas de las funciones de densidad Normal
con el objetivo de observar cambios en la distribucin de probabilidad:
caso 1:
Cuando se mantiene la misma media, pero cambia la varianza.
Ejemplo:

caso 2:
Cuando se mantiene la misma varianza, pero cambia la media.
Ejemplo: ( y )

Ahora, al examinar la primera y segunda derivada de , se pueden listar
otras propiedades de la curva normal:
1. La moda, que es el punto sobre el eje horizontal donde la curva es un
mximo ocurre cuando .
2. La curva es simtrica alrededor de un eje vertical a travs del valor
esperado .
3. La curva tiene sus puntos de inflexin en , es cncava
hacia abajo si , y es cncava hacia arriba en
cualquier otro punto.
4. La curva normal se aproxima al eje horizontal de manera asinttica
conforme nos alejamos de la media en cualquier direccin.
Haciendo una transformacin a la variable aleatoria normal , sta se puede
llevar a un nuevo conjunto de observaciones de una variable aleatoria
normal con media cero y varianza 1. A dicha transformacin se le conoce
como estadarizacin de la variable aleatoria normal :

Definicin
La distribucin de probabilidad de una variable aleatoria normal con media cero
y varianza 1 se llamadistribucin normal estndar.
Funcin de Densidad
Normal (0,1)

Grfico 6.
En la distribucin normal estndar se sabe que las reas se distribuyen de la
siguiente manera:
Funcin de Densidad
Normal (0,1)



Manejo de tablas
La tabla anexa representa las probabilidades o reas bajo la curva normal
calculadas hasta los valores partculares de inters (Transformados). Al
observar la tabla se observa que todos los valores deben registrarse primero
con hasta dos lugares decimales. Por ejemplo, para leer el rea de probabilidad
bajo la curva hasta , podemos recorrer hacia abajo la columna Z de
la tabla hasta que ubiquemos el valor de inters (en dcimas). As pues, nos
detenemos en la fila . A continuacin, leemos esta fila hasta que
intersecamos la columna que contiene el lugar de centsimas del valor (
). Por tanto, en el cuerpo de la tabla, la probabilidad tabulada para
z=1.57 corresponde a la interseccin de la fila z=1.5 con la columna z=0.07 y
es 0.9418.
Distribucin normal
Distribucin normal

La lnea verde corresponde a la distribucin normal estndar
Funcin de densidad de probabilidad

Funcin de distribucin de probabilidad
Parmetros


Dominio

Funcin de densidad(pdf)

Funcin de distribucin(cdf)

Media

Mediana

Moda

Varianza

Coeficiente de simetra 0
Curtosis 0
Entropa

Funcin generadora de
momentos (mgf)

Funcin caracterstica

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 estadstico. Esta curva se conoce como campana de Gauss y es el grfico
de una funcin gaussiana.
La importancia de esta distribucin radica en que permite modelarnumerosos 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.
La distribucin normal tambin es importante por su relacin con la estimacin por mnimos
cuadrados, uno de los mtodos de estimacin ms simples y antiguos.
Algunos ejemplos de variables asociadas a fenmenos naturales que siguen el modelo de la normal
son:
- caracteres morfolgicos de individuos como la estatura;
- caracteres fisiolgicos como el efecto de un frmaco;
- caracteres sociolgicos como el consumo de cierto producto por un mismo grupo de individuos;
- caracteres psicolgicos como el cociente intelectual;
- nivel de ruido en telecomunicaciones;
- errores cometidos al medir ciertas magnitudes;
- etc.
La distribucin normal tambin aparece en muchas reas de la propia estadstica. Por ejemplo,
la distribucin muestral de las mediasmuestrales es aproximadamente normal, cuando la distribucin
de la poblacin de la cual se extrae la muestra no es normal.
1
Adems, la distribucin normal
maximiza la entropa entre todas las distribuciones con media y varianza conocidas, lo cual la
convierte en la eleccin natural de la distribucin subyacente a una lista de datos resumidos en
trminos de media muestral y varianza. La distribucin normal es la ms extendida en estadstica y
muchos tests estadsticos estn basados en una supuesta "normalidad".
En probabilidad, la distribucin normal aparece como el lmite de varias distribuciones de
probabilidad continuas y discretas.
La distribucin normal fue presentada por primera vez por Abraham de Moivre en un artculo
del ao 1733,
2
que fue reimpreso en la segunda edicin de su The Doctrine of Chances, de
1738, en el contexto de cierta aproximacin de la distribucin binomial para grandes valores
de n. Su resultado fue ampliado por Laplace en su libro Teora analtica de las
probabilidades (1812), y en la actualidad se llama Teorema de De Moivre-Laplace.
Laplace us la distribucin normal en el anlisis de errores de experimentos. El
importantemtodo de mnimos cuadrados fue introducido por Legendre en 1805. Gauss, que
afirmaba haber usado el mtodo desde 1794, lo justific rigurosamente en 1809 asumiendo
una distribucin normal de los errores. El nombre de Gauss se ha asociado a esta distribucin
porque la us con profusin cuando analizaba datos astronmicos
3
y algunos autores le
atribuyen un descubrimiento independiente del de De Moivre.
4
Esta atribucin del nombre de la
distribucin a una persona distinta de su primer descubridor es un claro ejemplo de la Ley de
Stigler.
El nombre de "campana" viene de Esprit Jouffret que us el trmino "bell surface" (superficie
campana) por primera vez en 1872 para una distribucin normal bivariante de componentes
independientes. El nombre de "distribucin normal" fue otorgado independientemente
porCharles S. Peirce, Francis Galton y Wilhelm Lexis hacia 1875.
[cita requerida]
A pesar de esta
terminologa, otras distribuciones de probabilidad podran ser ms apropiadas en determinados
contextos; vase la discusin sobre ocurrencia, ms abajo.
Definicin formal[editar editar cdigo]
La funcin de distribucin de la distribucin normal est definida como sigue:

Por tanto, la funcin de distribucin de la normal estndar es:

Esta funcin de distribucin puede expresarse en trminos de una funcin
especial llamada funcin error de la siguiente forma:

y la propia funcin de distribucin puede, por consiguiente, expresarse as:

El complemento de la funcin de distribucin de la normal
estndar, , se denota con frecuencia , y es referida, a
veces, como simplemente funcin Q, especialmente en textos de
ingeniera.
5

6
Esto representa la cola de probabilidad de la distribucin
gaussiana. Tambin se usan ocasionalmente otras definiciones de la funcin
Q, las cuales son todas ellas transformaciones simples de .
7

La inversa de la funcin de distribucin de la normal estndar (funcin cuantil)
puede expresarse en trminos de la inversa de la funcin de error:

y la inversa de la funcin de distribucin puede, por consiguiente,
expresarse como:

Esta funcin cuantil se llama a veces la funcin probit. No hay
una primitiva elemental para la funcin probit. Esto no quiere decir
meramente que no se conoce, sino que se ha probado la inexistencia
de tal funcin. Existen varios mtodos exactos para aproximar la
funcin cuantil mediante la distribucin normal (vase funcin
cuantil).
Los valores (x) pueden aproximarse con mucha precisin por
distintos mtodos, tales como integracin numrica, series de
Taylor,series asintticas y fracciones continuas.

Una distribucin normal de media y desviacin tpica se
designa por N(, ). Su grfica es la campana de Gauss:

El rea del recinto determinado por la funcin y el eje de absci sas es
igual a la unidad.
Al ser simtrica respecto al eje que pasa por x = , deja un rea
igual a 0.5 a la izquierda y otra igual a 0.5 a la derecha.
La probabilidad equivale al rea encerrada bajo la curva.
Distribucin normal estndar
N(0, 1)
La distribucin normal estndar, o tipificada o reducida, es aquel l a
que ti ene pormedia el valor cero, =0, y por desviacin tpica la unidad,
=1.

La probabilidad de la variable X depender del rea del recinto
sombreado en la figura. Y para calcularla util i zaremos una tabla.
Tipificacin de la variable
Para poder uti li zar la tabla tenemos que transformar la variable X que
sigue una distribuci n N(, ) en otra variable Z que siga una
distribucin N(0, 1).

Clculo de probabiladades en distribuciones
normales
La tabla nos da las probabilidades de P(z k), siendo z la variabl e
tipificada.
Estas probabi li dades nos dan la funcin de distribucin (k).
(k) = P(z k)
Bsqueda en la tabla de valor de k
Unidades y dcimas en la columna de la izqui erda.
Cntesimas en la fi la de arriba.
P(Z a)

P(Z > a) = 1 - P(Z a)

P(Z a) = 1 P(Z a)

P(Z > a) = P(Z a)

P(a < Z b ) = P(Z b) P(Z a)

P(b < Z a ) = P(a < Z b )
Nos encontramos con el caso inverso a los anteriores, conocemos el
valor de la probabi li dad y se trata de hallar el val or de la abscisa. Ahora
tenemos que buscar en l a tabla el valor que ms se aproxime a K.

P(a < Z b ) = P(Z b) [ 1 P(Z a)]

p = K
Para calcular la variable X nos vamos a la frmula de la tipificacin.
Aproximacin de la binomial por la normal
Teorema de Moivre
Si:
np 0 y nq 0.
La distribucin binomial B(n, p) se puede aproximar mediante
una distribucin normal :




Ejercicios
En una ciudad se estima que la temperatura mxima en el mes de juni o
si una distribucin normal, con media 23 y desviacin tpica 5. Cal cular el
nmero de das del mes en los que se espera alcanzar mxi mas entre 21 y
27.





La media y los que de l os pesos de 500 estudiantes de un colegi o es 70
kg y la desviacin t pi ca 3 kg. Suponi endo que los pesos se distribuyen
normal mente, hal lar cuntos estudiantes pesan:
1. Entre 60 kg y 75 kg.



2.Ms de 90 kg.


3.Menos de 64 kg.


4.64 kg.

5.64 kg o menos.

La distribucin Normal

Se trata, sin duda, del modelo continuo ms importante en estadstica, tanto
por su aplicacin directa, veremos que muchas variables de inters general
pueden describirse por dicho modelo, como por sus propiedades, que han
permitido el desarrollo de numerosas tcnicas de inferencia estadstica. En
realidad, el nombre de Normal proviene del hecho de que durante un tiempo
se crey, por parte de mdicos y bilogos, que todas las variables naturales de
inters seguan este modelo.
Su funcin de densidad viene dada por la frmula:

que, como vemos, depende de dos parmetros (que puede ser cualquier
valor real) y (que ha de ser positiva). Por esta razn, a partir de ahora
indicaremos de forma abreviada que una variable X sigue el modelo
Normal as: X ~ N(, ). Por ejemplo, si nos referimos a una distribucin
Normal con = 0 y = 1 lo abreviaremos N(0, 1).
A continuacin presentamos la grfica de esta funcin de densidad (donde se
pueden cambiar los parmetros):


Como se puede ver, la funcin de densidad del modelo Normal tiene forma de
campana, la que habitualmente se denomina campana de Gauss. De hecho, a
este modelo, tambin se le conoce con el nombre de distribucin gaussiana.

Propiedades del modelo Normal
1. Su esperanza es .
2. Su varianza es
2
y, por tanto, su desviacin tpica es .
3. Es simtrica respecto a su media , como puede apreciarse en la
representacin anterior.
4. Media, moda y mediana coinciden ().
5. Cualquier transformacin lineal de una variable con distribucin
Normal seguir tambin el modelo Normal. Si X ~ N(, ) y
definimos Y = aX + b (con a 0), entonces Y ~ N(a + b, |a|). Es
decir, la esperanza de Y ser a + b y su desviacin tpica, |a|.
6. Cualquier combinacin lineal de variables normales
independientes sigue tambin una distribucin Normal. Es decir,
dadas nvariables aleatorias independientes con distribucin X
i
~ N(
i
,

i
) para i = 1, 2, ..., n la combinacin lineal: Y = a
n
X
n
+ a
n1
X
n1
+ ...
+ a
1
X
1
+ a
0
sigue tambin el modelo Normal:


Definicin:

En estadstica, la distribucin de Poisson es una de las distribuciones de
probabilidad discreta. Esta distribucin se utiliza para calcular las
posibilidades de un evento con la tasa media dada de valor (). Una variable
aleatoria de Poisson (x) se refiere al nmero de xitos en un experimento de
Poisson.

Formula:

f (x) =
e- x
/ x!
Cuando,
es una tasa promedio del valor.
x es una variable aleatoria de Poisson.
e es la base del logaritmo (e = 2,718).

Ejemplo:

Consideremos, en una oficina dos clientes llegaron hoy. Calcular las
posibilidades de exactamente tres clientes que se lleg en la maana.

Paso 1: Buscar
e-.

donde, = 2 y e = 2.718

e-
= (2.718)
2
= 0.135.

Paso 2: Buscar
x.

donde, = 2 y x = 3.

x
= 2
3
= 8.

Paso 3: Encontrar f (x).
f (x) =
e- x
/ x!
f (3) = (0.135) (8) / 3! = 0,18.

Por lo tanto hay posibilidades de un 18% para tres clientes que se lleg en la
maana.
Distribucin de Poisson
Distribucin de Poisson

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.
Funcin de probabilidad

El eje horizontal es el ndice k.
Funcin de distribucin de probabilidad
Parmetros

Dominio

Funcin de
probabilidad(fp)

Funcin de
distribucin(cdf)
(dnde es
laFuncin gamma incompleta)
Media

Mediana

Moda

Varianza

Coeficiente de
simetra

Curtosis

Entropa

Funcin
generadora de
momentos(mgf)

Funcin
caracterstica

En teora de probabilidad y estadstica, la distribucin de Poisson es una distribucin de
probabilidad discretaque 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).
Propiedades[editar editar cdigo]
La funcin de masa o densidad 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 . Losmomentos de orden superior son polinomios de Toucharden cuyos
coeficientes tienen una interpretacincombinatorio. 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 departiciones de tamao n.
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 lafuncin parte entera).
Cuando es un entero positivo, las modas son y 1.
La funcin generadora de momentos de la distribucin de Poisson con valor esperado es

Las variables aleatorias de Poisson tienen la propiedad de ser infinitamente divisibles.
La divergencia Kullback-Leibler desde una variable aleatoria de Poisson de parmetro
0
a otra
de parmetro es

Procesos de Poisson[editar editar cdigo]
Artculo principal: Proceso de Poisson.
La distribucin de Poisson se aplica a varios fenmenos discretos de la naturaleza (esto es,
aquellos fenmenos que ocurren 0, 1, 2, 3,... veces durante un periodo definido de tiempo o en
un rea determinada) cuando la probabilidad de ocurrencia del fenmeno es constante en el
tiempo o el espacio. Ejemplos de estos eventos que pueden ser modelados por la distribucin
de Poisson incluyen:
- El nmero de autos que pasan a travs de un cierto punto en una ruta (suficientemente
distantes de los semforos) durante un periodo definido de tiempo.
- El nmero de errores de ortografa que uno comete al escribir una nica pgina.
- El nmero de llamadas telefnicas en una central telefnica por minuto.
- El nmero de servidores web accedidos por minuto.
- El nmero de animales muertos encontrados por unidad de longitud de ruta.
- El nmero de mutaciones de determinada cadena de ADN despus de cierta cantidad de
radiacin.
- El nmero de ncleos atmicos inestables que decayeron en un determinado perodo
- El nmero de estrellas en un determinado volumen de espacio.
- La distribucin de receptores visuales en la retina del ojo humano.
- La inventiva de un inventor a lo largo de su carrera

El trmino correlacin se utiliza generalmente para indicar la correspondencia o la relacin recproca que
se da entre dos o ms cosas, ideas, personas, entre otras.
En tanto, en probabilidad y estadstica, la correlacin es aquello que indicar la fuerza y la direccin lineal
que se establece entre dos variables aleatorias.

Se considera que dos variables de tipo cuantitativo presentan correlacin la una respecto de la otra
cuando los valores de una ellas varen sistemticamente con respecto a los valores homnimos de la otra.
Por ejemplo, si tenemos dos variables que se llaman A y B, existir el mencionado fenmeno de
correlacin si al aumentar los valores de A lo hacen tambin los valores correspondientes a B y viceversa.
De todas maneras, vale aclarar que la correlacin que pueda darse entre dos variables no implicar por si
misma ningn tipo de relacin de causalidad. Los principales elementos componentes de una correlacin
de este tipo sern: la fuerza, el sentido y la forma.
Anlisis de correlacin
El anlisis de correlacin emplea mtodos para medir la significacin del grado o intensidad de asociacin
entre dos o ms variables. Normalmente, el primer paso es mostrar los datos en un diagrama de
dispersin. El concepto de correlacin est estrechamente vinculado al concepto de regresin, pues, para
que una ecuacin de regresin sea razonable los puntos mustrales deben estar ceidos a la ecuacin de
regresin; adems el coeficiente de correlacin debe ser:
- Grande cuando el grado de asociacin es alto (cerca de +1 o -1, y pequeo cuando
- Es bajo, cerca de cero.
- Independiente de las unidades en que se miden las variables.


Leer ms: http://www.monografias.com/trabajos84/correlacion/correlacion.shtml#ixzz2iCrhuaUP

En probabilidad y estadstica, la correlacin indica la fuerza y la direccin de una relacin
lineal y proporcionalidad entre dos variables estadsticas. Se considera que dos variables
cuantitativas estn correlacionadas cuando los valores de una de ellas varan sistemticamente
con respecto a los valores homnimos de la otra: si tenemos dos variables (A y B) existe
correlacin si al aumentar los valores de A lo hacen tambin los de B y viceversa. La
correlacin entre dos variables no implica, por s misma, ninguna relacin de causalidad
(Vase cum hoc ergo propter hoc).
ndice
[ocultar]
- 1 Fuerza, sentido y forma de la correlacin
- 2 Coeficientes de correlacin
o 2.1 Interpretacin geomtrica
o 2.2 Distribucin del coeficiente de correlacin
- 3 Referencias
- 4 Enlaces externos
Fuerza, sentido y forma de la correlacin[editar editar cdigo]
La relacin entre dos variables cuantitativas queda representada mediante la lnea de mejor
ajuste, trazada a partir de la nube de puntos. Los principales componentes elementales de una
lnea de ajuste y, por lo tanto, de una correlacin, son la fuerza, el sentido y la forma:
- La fuerza extrema segn el caso, mide el grado en que la lnea representa a la nube de
puntos: si la nube es estrecha y alargada, se representa por una lnea recta, lo que indica
que la relacin es fuerte; si la nube de puntos tiene una tendencia elptica o circular, la
relacin es dbil.
- El sentido mide la variacin de los valores de B con respecto a A: si al crecer los valores
de A lo hacen los de B, la relacin espositiva; si al crecer los valores de A disminuyen los
de B, la relacin es negativa.
- La forma establece el tipo de lnea que define el mejor ajuste: la lnea recta, la curva
monotnica o la curva no monotnica
Coeficientes de correlacin[editar editar cdigo]
Existen diversos coeficientes que miden el grado de correlacin, adaptados a la naturaleza de
los datos. El ms conocido es elcoeficiente de correlacin de Pearson (introducido en realidad
por Francis Galton), que se obtiene dividiendo la covarianza de dos variables entre el producto
de sus desviaciones estndar. Otros coeficientes son:
- Coeficiente de correlacin de Spearman
- Correlacin cannica
- Coeficiente de Correlacin Intraclase
Interpretacin geomtrica[editar editar cdigo]
Dados los valores muestrales de dos variables aleatorias
e , que pueden ser consideradas como vectores en un espacio
a n dimensiones, puden construirse los "vectores centrados" como:
e .
El coseno del ngulo alfa entre estos vectores es dada por la frmula siguiente:

Pues es el coeficiente de correlacin muestral de Pearson. El coeficiente de
correlacin es el coseno entre ambos vectores centrados:
- Si r = 1, el ngulo , ambos vectores son colineales (paralelos).
- Si r = 0, el ngulo , ambos vectores son ortogonales.
- Si r =-1, el ngulo , ambos vectores son colineales de direccin opuesto.
Ms generalmente: .
Por supuesto, del punto vista geomtrica, no hablamos de correlacin lineal: el coeficiente de
correlacin tiene siempre un sentido, cualquiera si que sea su valor entre -1 y 1. Nos informa
de modo preciso, no tanto sobre el grado de dependencia entre las variables, que sobre su
distancia angular en la hiperesfera a n dimensiones.
La Iconografa de las correlaciones es un mtodo de anlisis multidimensional que reposa en
esta idea. La correlacin lineal se da cuando en una nube de puntos estos se encuentran o se
distribuyen alrededor de una recta.

La frmula de correlacin para dos series distintas con cierto desfase "k", est dada por la
frmula:

Distribucin del coeficiente de correlacin[editar editar cdigo]
El coeficiente de correlacin muestral de una muestra es de hecho una varible aleatoria, eso
significa que si repetimos un experimento o consideramos diferentes muestras se obtendrn
valores diferentes y por tanto el coeficiente de correlacin muestral calculado a partir de ellas
tendr valores ligeramente diferentes. Para muestras grandes la variacin en dicho coeficiente
ser menor que para muestras pequeas. R. A. Fisher fue el primero en determinar la
distribucin de probabilidad para el coeficiente de correlacin.
Si las dos variables aleatorias que trata de relacionarse proceden de una distribucin
gaussiana bivariante entonces el coeficiente de correlacin r sigue una distribucin de
probabilidad dada por:
1

2


donde:
es la distribucin gamma
es la funcin gaussiana hipergeomtrica.
Ntese que , por tanto r es estimador sesgado
de .
Puede obtenerse un estimador aproximado no sesgado resolviendo la ecuacin:
for
Aunque, la solucn:

es subptima. Se puede obtener un estimador sesgado con mnima varianza para
grandes valores de n, con sesgo de orden buscando el mximo de la
expresin:
, i.e.
En el caso especial de que , la distribucin original puede ser reescrita como:

donde es la funcin beta.
Referencias
Correlacin
La correlacin trata de establecer la relacin o dependencia que existe entre las
dos variables que intervienen en una distribucin bidimensional.
Es decir, determinar si los cambios en una de las variables influyen en los
cambios de la otra. En caso de que suceda, diremos que las variables estn
correlacionadas o que hay correlacin entre ellas.
Tipos de correlacin
1 Correlacin directa
La correlacin directa se da cuando al aumentar una de las variables la otra
aumenta.
La recta correspondiente a la nube de puntos de la distribucin es una recta
creciente.

2 Correlacin inversa
La correlacin inversa se da cuando al aumentar una de las variables la otra
disminuye.
La recta correspondiente a la nube de puntos de la distribucin es una recta
decreciente.

3 Correlacin nula
La correlacin nula se da cuando no hay dependencia de ningn tipo entre las
variables.
En este caso se dice que las variables son incorreladas y la nube de puntos tiene
una forma redondeada.

Grado de correlacin
El grado de correlacin indica la proximidad que hay entre los puntos de la
nube de puntos. Se pueden dar tres tipos:
1. Correlacin fuerte
La correlacin ser fuerte cuanto ms cerca estn los puntos de la recta.

2. Correlacin dbil
La correlacin ser dbil cuanto ms separados estn los puntos de la recta.

3. Correlacin nula
La correlacin estad stica determi na l a rel aci n o dependenci a que
exi ste entre l as dos vari abl es que i ntervi enen en una distri bucin
bidimensional .
Es deci r, determi nar si l os cambi os en una de l as vari abl es i nfl uyen en
l os cambi os de l a otra. En caso de que suceda, di remos que l as vari abl es
estn correl aci onadas o que hay correlacinentre el l as.


Coeficiente de correlacin
El coeficiente de correlacin lineal se expresa medi ante l a l etra r.



Propiedades
1. El coeficiente de correlacin no var a al hacerl o l a escal a de
medi ci n.
Es deci r, si expresamos l a al tura en metros o en cent metros el
coefi ci ente de correl aci n no var a.
2. El si gno del coefici ente de correlacin es el mi smo que el de
l a covarianza.
Si l a covari anza es posi ti va, l a correl aci n es di recta.
Si l a covari anza es negati va, l a correl aci n es i nversa.
Si l a covari anza es nul a, no exi ste correl aci n.
3. El coeficiente de correlacin lineal es un nmero real
comprendi do entre menos 1 y 1.
1 r 1
4. Si el coeficiente de correlacin l ineal toma val ores cercanos a
1 l a correl aci n esfuerte e inversa, y ser tanto ms fuerte cuanto ms
se aproxi me r a 1.
5. Si el coeficiente de correlacin lineal toma val ores cercanos a 1
l a correl aci n esfuerte y directa, y ser tanto ms fuerte cuanto ms se
aproxi me r a 1.
6. Si el coeficiente de correlacin lineal toma val ores cercanos a 0,
l a correl aci n esdbil.
7. Si r = 1 1, l os puntos de l a nube estn sobre l a recta creci ente
o decreci ente. Entre ambas vari abl es hay dependencia funcional .


Ejercicios
Las estaturas y pesos de 10 jugadores de bal oncesto de un equi po
son:
Estatura (X) 186 189 190 192 193 193 198 201 203 205
Pesos (Y) 85 85 86 90 87 91 93 103 100 101
Cal cul ar el coeficiente de correlacin.

xi yi xi
2
yi
2
xi yi
186 85
34
596
7
225
15
810
189 85
35
721
7
225
16
065
190 86
36
100
7
396
16
340
192 90
36
864
8
100
17
280
193 87
37
249
7
569
16
791
193 91
37
249
8
281
17563
198 93
39
204
8
649
18
414
201 103
40
401
10
609
20
703
203 100
41
209
10
000
20
300
205 101
42
025
10
201
20
705
1
950
921
380
618
85
255
179
971





Correlacin positiva muy fuerte.


Los val ores de dos vari abl es X e Y se di stri buyen segn l a tabl a
si gui ente:
Y/X 100 50 25
14 1 1 0
18 2 3 0
22 0 1 2
Obtener e i nterpretar el coeficiente de correl acin lineal .


Converti mos l a tabl a de dobl e entrada en una tabl a si mpl e.
xi yi fi
xi
fi
xi
2

fi
yi
fi
yi
2

fi
xi
yi fi
100 14 1 100
10
000
14 196
1
400
100 18 2 200
20
000
36 648
3
600
50 14 1 50
2
500
14 196 700
50 18 3 150
7
500
54 972
2
700
50 22 1 50
2
500
22 484
1
100
25 22 2 50
1
250
44 968
1
100
10 600
43
750
184
3
464
10
600





Es una correlacin negativa dbil .
2. ASPECTOS TERICOS
REGRESIN SIMPLE Y CORRELACIN
La Regresin y la correlacin son dos tcnicas estadsticas que se pueden utilizar para
solucionar problemas comunes en los negocios.
Muchos estudios se basan en la creencia de que es posible identificar y cuantificar alguna Relacin
Funcional entre dos o ms variables, donde una variable depende de la otra variable.
Se puede decir que Y depende de X, en donde Y y X son dos variables cualquiera en un modelo de
Regresin Simple.
"Y es una funcin de X"
Y = f(X)
Como Y depende de X,
Y es la variable dependiente, y
X es la variable independiente.
En el Modelo de Regresin es muy importante identificar cul es la variable dependiente y cul es la
variable independiente.
En el Modelo de Regresin Simple se establece que Y es una funcin de slo una variable independiente,
razn por la cual se le denomina tambin Regresin Divariada porque slo hay dos variables, una
dependiente y otra independiente y se representa as:
Y = f (X)
"Y est regresando por X"
La variable dependiente es la variable que se desea explicar, predecir. Tambin se le llama
REGRESANDO VARIABLE DE RESPUESTA.
La variable Independiente X se le denomina VARIABLE EXPLICATIVA REGRESOR y se le utiliza para
EXPLICAR Y.
ANLISIS ESTADSTICO: REGRESIN LINEAL SIMPLE
En el estudio de la relacin funcional entre dos variables poblacionales, una variable X, llamada
independiente, explicativa o de prediccin y una variable Y, llamada dependiente o variable respuesta,
presenta la siguiente notacin:
Y = a + b X + e
Donde:
a es el valor de la ordenada donde la lnea de regresin se intercepta con el eje Y.
b es el coeficiente de regresin poblacional (pendiente de la lnea recta)
e es el error
SUPOSICIONES DE LA REGRESIN LINEAL
1. Los valores de la variable independiente X son fijos, medidos sin error.
2. La variable Y es aleatoria
3. Para cada valor de X, existe una distribucin normal de valores de Y (subpoblaciones Y)
4. Las variancias de las subpoblaciones Y son todas iguales.
5. Todas las medias de las subpoblaciones de Y estn sobre la recta.
6. Los valores de Y estn normalmente distribuidos y son estadsticamente independientes.
ESTIMACIN DE LA ECUACIN DE REGRESIN MUESTRAL
Consiste en determinar los valores de "a" y "b " a partir de la muestra, es decir, encontrar los valores de a
y b con los datos observados de la muestra. El mtodo de estimacin es el de Mnimos Cuadrados,
mediante el cual se obtiene:


Luego, la ecuacin de regresin muestral estimada es

Que se interpreta como:
a es el estimador de a
Es el valor estimado de la variable Y cuando la variable X = 0
b es el estimador de b , es el coeficiente de regresin
Est expresado en las mismas unidades de Y por cada unidad de X. Indica el nmero de unidades en que
vara Y cuando se produce un cambio, en una unidad, en X (pendiente de la recta de regresin).
Un valor negativo de b sera interpretado como la magnitud del decremento en Y por cada unidad de
aumento en X.
3. ANTECEDENTES DEL PROBLEMA
Los datos de la siguiente tabla representan las estaturas (X, cm) y los pesos (Y, kg) de una muestra de 12
hombres adultos. Para cada estatura fijada previamente se observ el peso de una persona seleccionada
de entre el grupo con dicha estatura, resultando:
X 152 155 152 155 157 152 157 165 162 178 183 178
Y 50 61.5 54.5 57.5 63.5 59 61 72 66 72 84 82
Con estos datos vamos a plantear una ecuacin de regresin simple que nos permita pronosticar los
pesos conociendo las tallas. Utilizaremos a = 0.05, y contrastaremos nuestra hiptesis con la prueba F.
4. DESARROLLO
- Representacin matemtica y grfica de los datos:
Representacin Matemtica

estatura pesos

Regresin Lineal

I.C. para la
media
I. C. individual
datos x y x ^2 y ^2 xy y est. Residual L. I. L. S. L. I. L. S.
1 152 50 23104 2500 7600 56.43 -6.43 53.07 59.79 47.30 65.56
2 155 61.5 24025 3782.3 9532.5 59.03 2.47 56.09 61.97 50.05 68.02
3 152 54.5 23104 2970.3 8284 56.43 -1.93 53.07 59.79 47.30 65.56
4 155 57.5 24025 3306.3 8912.5 59.03 -1.53 56.09 61.97 50.05 68.02
5 157 63.5 24649 4032.3 9969.5 60.77 2.73 58.05 63.48 51.85 69.68
6 152 59 23104 3481 8968 56.43 2.57 53.07 59.79 47.30 65.56
7 157 61 24649 3721 9577 60.77 0.23 58.05 63.48 51.85 69.68
8 165 72 27225 5184 11880 67.71 4.29 65.17 70.24 58.85 76.57
9 162 66 26244 4356 10692 65.11 0.89 62.65 67.56 56.27 73.94
10 178 72 31684 5184 12816 78.99 -6.99 74.65 83.33 69.45 88.52
11 183 84 33489 7056 15372 83.32 0.68 78.01 88.64 73.31 93.34
12 178 82 31684 6724 14596 78.99 3.01 74.65 83.33 69.45 88.52
Representacin Grfica


5. HIPTESIS
HO: No hay relacin entre la variable peso y la variable estatura.
HA: Hay relacin entre la variable peso y la variable estatura.
Tabla de anlisis de varianza

Fuente de Grados de

Suma de

Cuadrados

Variacin libertad

cuadrados

medios

estadstico F
Debido a

la regresin 1

1061.1

1061.1

73.08
error

10

145.2

14.5

total

11

1206.3

Se obtiene un valor F = 73.08 > 4.96, con lo cual se rechaza la hiptesis nula y aceptamos que la variable
estatura est relacionada con la variable peso con un 95% de confianza.
- De acuerdo al desarrollo matemtico hemos obtenido los siguientes clculos:



Lo que nos permite obtener los coeficientes a y b.
Luego,
b = 1223 / 1409.667 = 0.8676
a = 65.25 (0.8676) (162.167) = -75.446
6. INTERPRETACIN
- La ecuacin de regresin estimada es:
Coeficiente de correlacin: R= 0.9379
Coeficiente de determinacin: R=0.8796
El valor de b = 0.8676 indica el incremento del peso en kilogramos, en promedio, por cada centmetro de
aumento en la estatura de los hombres adultos.
El valor de a, no tiene interpretacin prctica en el ejemplo, se interpretara como el valor obtenido, en
promedio, para el peso Y, cuando la estatura es 0.
Utilizando la ecuacin de regresin para estimar o predecir valores de la variable Y: Para una talla de 180
se obtiene un peso de 80.7 kg.
Cunto se espera que pese (en promedio) una persona que mide 1.60 m?
Sustituyendo el valor de inters en la ecuacin:

Se obtiene:

7. CONCLUSIN
La ecuacin de Regresin Lineal estimada para las variables estatura y peso muestran, de acuerdo a la
prueba F, relacin.
Esta relacin se ha estimado en un R = 93.7, que indica una fuerte relacin positiva.
Adems si consideramos el coeficiente de determinacin R = 87.9 podemos indicar que el 87.9% de las
variaciones que ocurren en el peso se explicaran por las variaciones en la variable estatura.


Leer ms: http://www.monografias.com/trabajos27/regresion-simple/regresion-simple.shtml#ixzz2iCsjLkpQ
bucin binomial o de Bernoulli si:
1 En cada prueba del experimento slo son posibles dos resultados: el suceso A
(xito) y su contrario .
2La probabilidad del suceso A es constante, es decir, que no vara de una
prueba a otra. Se representa por p.
3El resultado obtenido en cada prueba es independiente de los resultados
obtenidos anteriormente.
La distribucin binomial se suele representar por B(n, p).
n es el nmero de pruebas de que consta el experimento.
p es la probabilidad de xito.
La probabilidad de es 1 p, y la representamos por q.
Variable aleatoria binomial
La variable aleatoria binomial, X, expresa el nmero de xitos obtenidos en
cada prueba del experimento.
La variable binomial es una variable aleatoria discreta, slo puede tomar los
valores 0, 1, 2, 3, 4, ..., n suponiendo que se han realizado n pruebas.
Ejemplo:
k = 6, al lanzar una moneda 10 veces y obtener 6 caras.
Definicin
Cuando se dispone de una expresin matemtica, es factible calcular la probabilidad de ocurrencia exacta
correspondiente a cualquier resultado especfico para la variable aleatoria.
La distribucin de probabilidad binomial es uno de los modelos matemticos (expresin matemtica para
representar una variable) que se utiliza cuando la variable aleatoria discreta es el nmero de xitos en
una muestra compuesta por n observaciones.
Propiedades
- La muestra se compone de un nmero fijo de observaciones n
- Cada observacin se clasifica en una de dos categoras, mutuamente excluyentes (los eventos no
pueden ocurrir de manera simultnea. Ejemplo: Una persona no puede ser de ambos sexos)
y colectivamente exhaustivos (uno de los eventos debe ocurrir. Ejemplo: Al lanzar una moneda, si no
ocurre cruz, entonces ocurre cara). A estas categoras se las denomina xito y fracaso.
- La probabilidad de que una observacin se clasifique como xito, p, es constante de una observacin o
otra. De la misma forma, la probabilidad de que una observacin se clasifique como fracaso, 1-p, es
constante en todas las observaciones.
- La variable aleatoria binomial tiene un rango de 0 a n
Ecuacin:
PX=n!X!n-X!pX1-pn-X
Donde
PX=Probabilidad de X xitos, dadas y
n = Nmero de observaciones
p = Probabilidad de xitos
1-p = Probabilidad de fracasos
X = Nmero de xitos en la muestra (= 0, 1, 2, 3, 4,)
Ejemplo ilustrativo N 1
Determine P(X=5) para n = 6 y p = 0,83
Solucin:
Aplicando la ecuacin se obtiene:
PX=n!X!n-X!pX1-pn-X
PX=5=6!5!6-5!0,8351-0,836-5=0,4018
En Excel se calcula de la siguiente manera:
a) Se escribe los datos y se inserta la funcin DISTR.BINOM. Clic en Aceptar. Los argumentos de la
funcin escribir como se muestra en la figura:
b) Clic en Aceptar
Ejemplo ilustrativo N 2
Determinar P(X=4) para n =5 y p = 0,45
Solucin:

Se puede aplicar la ecuacin para cada probabilidad, pero para ahorrar tiempo se recomienda encontrar
las probabilidades con lectura en la tabla de probabilidades binomiales. Realizando la lectura en la tabla
de la distribucin binomial para P(X=0) con n=5 y p=0,5 se obtiene 0,0503. Continuando con la
respectivas lecturas en la tabla se obtiene: 0,2059 para P(X=1), 0,3369 para P(X=2), 0,2757 para P(X=3)
y 0,1128 para P(X=4),
Por lo tanto PX=4=0,0503+0,2059+0,3369+0,2757+0,1128=0,9816
Los clculos realizados en Excel se muestran en la siguiente figura:
Media de la distribucin binomial
La media de la distribucin binomial es igual a la multiplicacin del tamao de la muestra por la
probabilidad de xito
Desviacin estndar de la distribucin binomial
TAREA
1) Realice un organizador grfico sobre la distribucin binomial
2) Determine de manera manual y empleando Excel
2.1) Para n = 4 y p = 0,12, cunto es P(X=0)?
R: 0,5997
2.2) Para n = 10 y p = 0,40, cunto es P(X=9)?
R: 0,0016
2.3) Para n =10 y p = 0,50, cunto es P(X=8)?
R: 0,0439
2) En una muestra de 4 pedidos, se observa el siguiente resultado:
1er pedido 2do pedido 3er pedido 4to pedido
Marcado Marcado Sin marcar Marcado
2.1) Llenar la tabla de manera manual y empleando Excel

Resolver los siguientes ejercicios de manera manual y empleando Excel
2.2) Si la probabilidad de que un formato de pedido sea marcado es de 0,1, qu probabilidad existe de
que haya tres formatos marcados?
P(X=3) = 0,0036
2.3) Si la probabilidad de que un formato de pedido sea marcado es de 0,1, qu probabilidad existe de
que haya menos de tres formatos marcados?

2.4) Si la probabilidad de que un formato de pedido sea marcado es de 0,1, qu probabilidad existe de
que haya mayor de tres formatos marcados?

2.5) Si la probabilidad de que un formato de pedido sea marcado es de 0,1, qu probabilidad existe de
que haya tres o ms formatos marcados (es decir, por lo menos tres)?
0,0037
2.6) Si la probabilidad de que un formato de pedido sea marcado es de 0,1, qu probabilidad existe de
que haya tres o menos formatos marcados?
0,9999
2.7) Calcular la desviacin estndar
3) El 60% de profesionales leen su contrato de trabajo, incluyendo las letras pequeas. Suponga que el
nmero de empleados que leen cada una de las palabras de su contrato se puede modelar utilizando la
distribucin binomial. Considerando un grupo de cinco empleados:
3.1) Llenar la tabla manera manual y empleando Excel

3.2) Resolver los siguientes ejercicios de manera manual y empleando Excel. Cul es la probabilidad de
que:
a) Los cinco lean cada una de las palabras de su contrato
0,0778
b) Al menos tres lean cada una de las palabras de su contrato
0,6826
c) Menos de dos lean cada una de las palabras de su contrato
0,0870
3.3) Cules seran los resultados para los incisos de la pegunta 3.2) si la probabilidad de que un
empleado lea cada una de las palabras de su contrato es de 0,80?. Resolver los siguientes ejercicios de
manera manual y empleando Excel
0,3277; 0,9421; 0,0067
4) Un examen de estadstica de eleccin mltiple contena 20 preguntas y cada una de ellas 5 respuestas.
Si un estudiante desconoca todas las respuestas y contest al azar
4.1) Cul es la probabilidad de que conteste correctamente a 5 preguntas?
0,1746
4.2) Cul es la probabilidad de que conteste correctamente a lo ms 5 preguntas?
0,8042


Leer ms: http://www.monografias.com/trabajos85/distribucion-binomial/distribucion-
binomial.shtml#ixzz2iCvpzbpG

LECCION 28
Distribuciones discretas: Binomial

Las distribucin binomial parte de la distribucin de Bernouilli:
La distribucin de Bernouiili se aplica cuando se realiza una sola vez un experimento que
tiene nicamente dos posibles resultados (xito o fracaso), por lo que la variable slo puede
tomar dos valores: el 1 y el 0
La distribucin binomial se aplica cuando se realizan un nmero"n" de veces el experimento
de Bernouiili, siendo cada ensayo independiente del anterior. La variable puede tomar valores
entre:
0: si todos los experimentos han sido fracaso
n: si todos los experimentos han sido xitos
Ejemplo: se tira una moneda 10 veces: cuantas caras salen? Si no ha salido ninguna la
variable toma el valor 0; si han salido dos caras la variable toma el valor 2; si todas han sido
cara la variable toma el valor 10
La distribucin de probabilidad de este tipo de distribucin sigue el siguiente modelo:

Alguien entiende esta frmula? Vamos a tratar de explicarla con un ejemplo:
Ejemplo 1: Cul es la probabilidad de obtener 6 caras al lanzar una moneda 10 veces?
" k " es el nmero de aciertos. En este ejemplo " k " igual a 6 (en cada acierto decamos que la
variable toma el valor 1: como son 6 aciertos, entonces k = 6)
" n" es el nmero de ensayos. En nuestro ejemplo son 10
" p " es la probabilidad de xito, es decir, que salga "cara" al lanzar la moneda. Por lo tanto p
= 0,5
La frmula quedara:

Luego,
P (x = 6) = 0,205
Es decir, se tiene una probabilidad del 20,5% de obtener 6 caras al lanzar 10 veces una
moneda.
Ejemplo 2: Cul es la probabilidad de obtener cuatro veces el nmero 3 al lanzar un dado
ocho veces?
" k " (nmero de aciertos) toma el valor 4
" n" toma el valor 8
" p " (probabilidad de que salga un 3 al tirar el dado) es 1 / 6 (= 0,1666)
La frmula queda:

Luego,
P (x = 4) = 0,026
Es decir, se tiene una probabilidad del 2,6% de obtener cuatro veces el nmeros 3 al tirar un
dado 8 veces.
Distribucin binomial
Una forma corriente de descripcin de los experimentos
aleatorios equiprobables con variable discreta es la distribucin
binomial. En este tipo de distribucin se estudia la probabilidad de
que se produzca un cierto resultado, que se describe por medio
de dos parmetros: el nmero de repeticiones realizadas del
experimento y la probabilidad individual del suceso aleatorio que
se persigue como resultado.
Condiciones para una distribucin binomial
Una distribucin se denomina binomial cuando se cumplen las
condiciones siguientes:
- El experimento aleatorio de base se repite n veces, y
todos los resultados obtenidos son mutuamente
independientes.
- En cada prueba se tiene una
misma probabilidad de xito (suceso A), expresada por p.
Asimismo, existe en cada prueba una misma probabilidad
de fracaso (suceso ), que es igual a q = 1 - p.
- El objetivo de la distribucin binomial es conocer la
probabilidad de que se produzca un cierto nmero de
xitos. Lavariable aleatoria X, que indica el nmero de
veces que aparece el suceso A (xito), es discreta, y
su recorrido es el conjunto {0, 1, 2, 3, ..., n}.
La distribucin binomial se expresa como B (n, p), siendo n el
nmero de veces que se repite el experimento y p la probabilidad
de que se produzca un xito.

Ejemplo de experimento aleatorio descrito por una distribucin
binomial: al tirar un dado cuatro veces, cuntas veces saldr el
nmero 6? Este suceso es el xito del experimento.
Funcin de probabilidad
La distribucin binomial se caracteriza porque su funcin de
probabilidad viene dada por la expresin siguiente:

donde r es el nmero de xitos asociado al experimento aleatorio.
En una distribucin binomial B (n, p) se verifica que:
- La probabilidad de que aparezca al menos un xito en las n
repeticiones es igual a:

- La probabilidad de que se produzca un xito como mximo
en las n repeticiones se determina como:

Esperanza, varianza y desviacin tpica
En una distribucin binomial denotada por B (n, p), donde n es el
nmero de repeticiones del experimento y p la probabilidad de
que se produzca un cierto suceso (xito), la esperanza
matemtica de la variable aleatoria X viene dada por la
expresin siguiente:

Anlogamente, la varianza de la variable aleatoria X, al ser sta
de tipo discreto, se calcula como:

siendo q la probabilidad de no xito (fracaso). La desviacin
tpica es, como de costumbre, la raz cuadrada de la varianza:

Ajuste de una distribucin binomial
En ocasiones, el clculo de la probabilidad de una distribucin
binomial del tipo B (n, p) resulta muy complicado. Segn
demostr el matemtico francs Abraham de Moivre (1667-1754),
la probabilidad de una distribucin binomial B (n, p) puede
aproximarse por medio de una distribucin normal (ver t56) de
tipo N (np, ), que resulta particularmente adecuada cuando:
- El valor de n es muy elevado.
- Tanto np y nq son > que 5. (Obsrvese que cuanto mayor
es n y ms se aproxima p a 0,5 tanto mejor es la
aproximacin realizada).
Para transformar una distribucin binomial (de variable discreta)
en una normal (de variable continua), es preciso proceder a la
siguiente transformacin:

Experimento binomial[editar editar cdigo]
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).
Caractersticas analticas[editar editar cdigo]
Su funcin de probabilidad es

donde
siendo las combinaciones de en ( elementos tomados
de en )
Ejemplo[editar editar cdigo]
Supongamos que se lanza un dado (con 6 caras) 50 veces y queremos conocer la
probabilidad de que el nmero 3 salga 20 veces. En este caso tenemos una X ~ B(50, 1/6)
y la probabilidad sera P(X=20):

Distribucin binomial
Binomial redirige aqu. Para otras acepciones, vase binomial (desambiguacin).
Distribucin binomial

Funcin de probabilidad

Funcin de distribucin de probabilidad
Parmetros nmero de ensayos (entero)
probabilidad de xito (real)
Dominio

Funcin de
probabilidad(fp)

Funcin de
distribucin(cdf)

Media

Mediana Uno de
1

Moda

Varianza

Coeficiente de
simetra

Curtosis

Entropa

Funcin
generadora de
momentos(mgf)

Funcin
caracterstica

En estadstica, la distribucin binomial es una distribucin de probabilidad discreta que mide el
nmero de xitos en una secuencia de nensayos de Bernoulli independientes entre s, con una
probabilidad fija pde 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 py al otro, fracaso, con una probabilidad q = 1
- p. En la distribucin binomial el anterior experimento se repite n veces, 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.