Вы находитесь на странице: 1из 11

Distribución Hipergeométrica.

Definición
La distribución Hipergeométrica de parámetros k, n y N (HG (k, n, N)) surge en
situaciones en donde el modelo aproximado de probabilidad se corresponde con
muestreo sin reemplazamiento de una población dicotómica (Éxito y Fracaso)
finita.

En la distribución Hipergeométrica cantidad de resultados éxitos en una


muestra aleatoria

(sin reposición) de tamaño , una población de tamaño y de la cual satisface


una característica ó propiedad (éxito) antes del muestreo y no la satisface
(fracaso).

Una variable tiene distribución hipergeométrica si procede de un experimento que


cumple las siguientes condiciones:

1) Se toma una muestra de tamaño n, sin reemplazamiento, de un conjunto


finito de N objetos.

2) K de los N objetos se pueden clasificar como ‚éxitos y N - K como


fracasos.

X cuenta el número de ‚éxitos obtenidos en la muestra. El espacio muestral es el


conjunto de los números enteros de 0 a n, ó de 0 a K si K < n.

En este caso, la probabilidad del ‚éxito en pruebas sucesivas no es constante pues


depende del resultado de las pruebas anteriores. Por tanto, las pruebas no son
independientes entre sí.
Función

Ejemplo

En un vagón de ferrocarril que acarrea a 60 reses el 20% de ellas están enfermas


de vaca loca, si extraemos con propósito de inspección sanitaria una muestra del
10% de las reses ¿calcula la probabilidad de que hayan 2 vacas con dicha
enfermedad?

N = 60

n=6

c = 12

x=2

Grafica
Distribución Geométrica.
Definición

Esta distribución es un caso especial de la Binomial, ya que se desea que ocurra


un éxito por primera y única vez en el último ensayo que se realiza del
experimento, para obtener la fórmula de esta distribución
La distribución geométrica representa la probabilidad de que, en una serie de
pruebas de Bernoulli, el primer éxito (1) se obtenga en la n-ésima tirada. La
función de distribución es:

Su valor esperado es y su desviación típica

Definamos una experiencia aleatoria cuyo resultado sólo puede ser el suceso A o
su complementario Ac, y que se repite secuencialmente hasta que aparece el
suceso A por primera vez.

Definamos la variable aleatoria X como el número de veces que repetimos la


experiencia en condiciones independientes hasta que se dé A por primera vez.
Bajo estas condiciones, decimos que la variable X sigue una distribución
geométrica o de Pascal de parámetro p = P(A).

Función

f(k) = P[X = k] = (1 − p)k p k = 0, 1, 2, ...

Propiedades del modelo Geométrico o de Pascal

1) Esperanza: E(X) = (1 − p)/p

2) Varianza: V(X) = (1 − p)/p2

Ejemplo
En el salón hay 8 alumnos de ojos cafés, 9 de ojos azules, 7 de ojos negros, y 10
de ojos verdes; si extraemos 6 alumnos, calcular la probabilidad de que este
ultimo tenga los ojos claros.

Definir éxito: tenga ojos claros.

X=6

p = 0.5588

q = 1- 0.5588 = 0.4412

P(X=6) = (0.4412)5(0.5588) = 0.0093 = 9.3418 x 10

Grafica:

Distribuciones Continuas.

Definición

Se dice que una v.a. X sigue una distribución normal de parámetros y , lo que
6.4
representamos del modo si su función de densidad es:

Observación
Estos dos parámetros y coinciden además con la media (esperanza) y la
varianza respectivamente de la distribución como se demostrará más adelante6.5:

La forma de la función de densidad es la llamada campana de Gauss.

Grafica

Un 50% de los valores están a la derecha de este valor central y otro 50% a la
izquierda

Esta distribución viene definida por dos parámetros:

  )
X: N ( 

  es el valor medio de la distribución y es precisamente donde se sitúa el centro


de la curva (de la campana de Gauss).

  : es la varianza. Indica si los valores están más o menos alejados del valor
central: si la varianza es baja los valores están próximos a la media; si es alta,
entonces los valores están muy alejados de ella. Se representa por   porque su
raiz cuadrada, , es la denominada desviación estandar.

Ejemplo
DISTRIBUCIÓN UNIFORME

Definición

Es una familia de distribuciones de probabilidad para variables aleatorias


continuas, tales que cada miembro de la familia, todos los intervalos de igual
longitud en la distribución en su rango son igualmente probables. El dominio está
definido por dos parámetros, a y b, que son sus valores mínimo y máximo.

Es una distribución de probabilidad cuyos valores tienen la misma probabilidad

Función de Densidad de Probabilidad.

Función de Distribución de Probabilidad

Grafica
El volumen de precipitaciones estimado para el próximo año en la ciudad de
Sevilla va a oscilar entre 400 y 500 litros por metro cuadrado. Calcular la función
de distribución y la precipitación media esperada:

Es decir, que el volumen de precipitaciones esté entre 400 y 401 litros tiene un 1%
de probabilidades; que esté entre 401 y 402 litros, otro 1%, etc.

El valor medio esperado es:

Es decir, la precipitación media estimada en Sevilla para el próximo año es de 450


litros.
DISTRIBUCION J1-CUADRADO

Definición

Función

Grafica

Ejemplo
Distribución t-Student:

Definición

La prueba t de student es muy utilizada en la practica para la comprobacion de


medias, sin embargo a menudo su aplicación se hace sin excesivo cuidado, no
comprobando las hipotesis que requiere, la falta de normalidad o falta de
homogenidad en las varianzas invalida la prueba t student.

El estadístico T tiene una distribución que se denomina distribución T de Student,


que está tabulada para 1, 2, 3, ... etc. grados de libertad de la muestra con la cual
se calculó la desviación standard. La distribución T tiene en cuenta la
incertidumbre en la estimación de la desviación standard de la población, porque
en realidad la tabla de T contiene las distribuciones de probabilidades para
distintos grados de libertad.

La distribución T es mas ancha que la distribución normal tipificada Para un


número de grados de libertad pequeño. Cuando los grados de libertad tienden a
infinito, la distribución T tiende a coincidir con la distribución normal standard. Es
decir, en la medida que aumentemos el número de observaciones de la muestra,
la desviación standard calculada estará mas próxima a la desviación standard de
la población y entonces la distribución T correspondiente se acerca a la
distribución normal standard. El uso de la distribución T presupone que la
población con que estamos trabajando tiene una distribución normal.

Función

La distribución t de Student es la distribución de probabilidad del cociente

donde

• Z tiene una distribución normal de media nula y varianza 1


• V tiene una distribución chi-cuadrado con ν grados de libertad
• Z y V son independientes

Grafica

Ejemplo
Se supone que se quiere comparar dos tratamientos con relación a una variable
cuantitativa. Los datos experimentales son:

Trat A: 25, 24, 25, 26

Trat B: 23, 18, 22, 28, 17, 25, 19, 16

Si se aplica la t de Student directamente se obtiene una p=0,096>0,05 con lo que


se concluye que no se puede demostrar diferencias entre los dos tratamientos. Sin
embargo la prueba de Levene pone de manifiesto que p=0,014<0,05 con lo que se
concluye que en estos datos no se verifica la igualdad de varianzas, con lo que la
conclusión anterior queda en suspenso. Tras aplicar Satterthwaite, que es válido
en este caso de heterocedasticidad, se obtiene que p=0,032<0,05 con lo que la
conclusión correcta es que sí hay diferencia entre los dos tratamientos.

Conclusiones

La prueba t de Student es muy utilizada en la práctica, sin embargo a menudo su


aplicación se hace sin excesivo cuidado, no comprobando las asunciones que
requiere. En este artículo se ha puesto de manifiesto que la falta de normalidad o
la falta de homogeneidad en las varianzas invalida la prueba t de Student