Вы находитесь на странице: 1из 11

Instituto Nacional de Mxico

Instituto Tecnolgico de Tuxtepec

Ingeniera Bioqumica

Estadstica

Cinthya Magdalena Antonio Xala

Ing. Marco Antonio Godinez Ruiz

2*A

Tuxtepec Oaxaca a 3 de mayo del 2017


Distribucin binomial o de Bernoulli

Un experimento sigue el modelo de la distribucin binomial o de


Bernoulli si:

1. En cada prueba del experimento slo son posibles dos


resultados: el suceso A (xito) y su contrario suceso contrario.

2. La probabilidad del suceso A es constante, es decir, que no


vara de una prueba a otra. Se representa por p.

3. El 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 suceso contrario es 1 p, y la representamos


por q.

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.


La distribucin Hipergeomtrica

Este modelo presenta similitudes con el Binomial, pero sin la


suposicin de independencia de ste ltimo. Vemoslo:

Partimos de un conjunto formado por N individuos divididos en


dos categoras mutuamente excluyentes: A y Ac; de manera que
N1 individuos pertenecen a la categora A y N2 individuos, a la
categora Ac. Por tanto, se cumple que

N = N1 + N2

Si del conjunto anterior extraemos n individuos sin


reemplazamiento (n N), la variable X que representa el nmero
k de individuos que pertenecen a la categora A (de los n
extrados) tiene por funcin de densidad:

La dependencia se debe al hecho de que N es finito y las


extracciones se efectan sin reemplazamiento. El caso de
extracciones con reemplazamiento sera equivalente al de N
infinito y se resolvera mediante el modelo Binomial.
Distribucin Poisson

Esta distribucin es una de las ms importantes distribuciones de


variable discreta. Sus principales aplicaciones hacen referencia a
la modelizacin de situaciones en las que nos interesa determinar
el nmero 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. Otro de sus usos
frecuentes es la consideracin lmite de procesos dicotmicos
reiterados un gran nmero de veces si la probabilidad de obtener
un xito es muy pequea .

Proceso experimental del que se puede hacer derivar

Se observa la realizacin de hechos de cierto tipo durante un


cierto periodo de tiempo o a lo largo de un espacio de
observacin

Los hechos a observar tienen naturaleza aleatoria ; pueden


producirse o no de una manera no determinstica.

La probabilidad de que se produzcan un nmero x de xitos en


un intervalo de amplitud t no depende del origen del intervalo
(Aunque, s de su amplitud)

La probabilidad de que ocurra un hecho en un intervalo


infinitsimo es prcticamente proporcional a la amplitud del
intervalo.

La probabilidad de que se produzcan 2 o ms hechos en un


intervalo infinitsimo es un infinitsimo de orden superior a dos.

En consecuencia, en un intervalo infinitsimo podrn producirse O


1 hecho pero nunca ms de uno

Si en estas circunstancias aleatorizamos de forma que la


variable aleatoria X signifique o designe el "nmero de hechos
que se producen en un intervalo de tiempo o de espacio", la
variable X se distribuye con una distribucin de parmetro l . A

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.

La Distribucin T de Student

En la generalidad de los
casos, no disponemos de la
desviacin standard de
la poblacin, sino de una
estimacin calculada a
partir de una muestra
extrada de la misma y
por lo tanto no podemos
calcular Z.

En estos casos
calculamos el
estadstico T:
donde S es la desviacin standard muestral, calculada con n-1 grados de libertad.

Ntese que utilizamos S, la Desviacin Standard de una Muestra, en lugar de , la


Desviacin Standard de la Poblacin.

El estadstico T tiene una distribucin que se denomina distribucin T de Student,


que est tabulada para 1, 2, 3, ... etc. grados de libertad de la muestra con la cual
se calcul la desviacin standard. La distribucin T tiene en cuenta la incertidumbre
en la estimacin de la desviacin standard de la poblacin, porque en realidad la
tabla de T contiene las distribuciones de probabilidades para distintos grados de
libertad.

La distribucin T es mas ancha que la distribucin normal tipificada Para un nmero


de grados de libertad pequeo. Cuando los grados de libertad tienden a infinito, la
distribucin T tiende a coincidir con la distribucin normal standard. Es decir, en la
medida que aumentemos el nmero de observaciones de la muestra, la desviacin
standard calculada estar mas prxima a la desviacin standard de la poblacin y
entonces la distribucin T correspondiente se acerca a la distribucin normal
standard. El uso de la distribucin T presupone que la poblacin con que estamos
trabajando tiene una distribucin normal.
DISTRIBUCION JI-CUADRADA (X2)

En realidad la distribucin ji-cuadrada es la distribucin muestral de s2. O sea que si


se extraen todas las muestras posibles de una poblacin normal y a cada muestra
se le calcula su varianza, se obtendr la distribucin
muestral de varianzas.

Para estimar la varianza poblacional o la desviacin


estndar, se necesita conocer el estadstico X2. Si se elige
una muestra de tamao n de una poblacin normal con
varianza , el estadstico:

tiene una distribucin muestral que es una distribucin ji-cuadrada con gl=n-1
grados de libertad y se denota X2 (X es la minscula de la letra griega ji). El
estadstico ji-cuadrada esta dado por:
donde n es el tamao de la muestra, s2 la varianza muestral y la varianza de la
poblacin de donde se extrajo la muestra. El estadstico ji-cuadrada tambin se
puede dar con la siguiente expresin:

Usada en teora de probabilidad y estadstica, la distribucin F es una distribucin


de probabilidad continua. Tambin se le conoce como distribucin F de Snedecor
(por George Snedecor) o como distribucin F de Fisher-Snedecor (por Ronald Fisher).

Una variable aleatoria de distribucin F se construye como el siguiente cociente:

donde

U1 y U2 siguen una distribucin chi- cuadrado con


d1 y d2 grados de libertad
respectivamente, y
U1 y U2 son estadsticamente independientes.

La distribucin F aparece frecuentemente como la distribucin nula de una prueba


estadstica, especialmente en el anlisis de varianza.

CONCLUSIN: Una distribucin de frecuencia es una tabla de


resumen en la que los datos se disponen en agrupamientos o
categoras convenientemente establecidas de clases ordenadas
numricamente.

En esta forma las caractersticas ms importantes de los datos se


aproximan muy fcilmente, compensando as el hecho de que
cuando los datos se agrupan de ese modo, la informacin inicial
referente a las observaciones individuales de que antes se
dispona se pierde a travs del proceso de agrupamiento o
condensacin.

La principal ventaja de usar una de estas tablas de resumen es


que las principales caractersticas de los datos se hacen evidentes
inmediatamente para el lector.