TALLER # 2

DISTRIBUCION NORMAL

Distribución normal o gaussiana. Función de densidad de probabilidad para

la variable aleatoria continua. Fue descubierta por Carl Gauss al estudiar el
comportamiento de los procesos aleatorios. Es ampliamente utilizada en
estadística y teoría de las probabilidades.

La función asociada a la distribución normal está dada por:

Donde: μ: media de la distribución.

σ: desviación estándar de la distribución.
π = 3.1415926535…
x: variable aleatoria.
A una distribución normal de media μ y desviación estándar σ se le
denota N(μ,σ).
La distribución normal cuando μ = 0 y σ = 1 recibe el nombre de curva
normal unitaria (N(0,1))
La representación gráfica de esta distribución es una curva simétrica y su forma se
asemeja a una campana por lo que se conoce como campana de Gauss.
EJEMPLO:
La media de los pesos de 500 estudiantes de un colegio es 70 kg y la
desviación típica 3 kg. Suponiendo que los pesos se distribuyen
normalmente, hallar cuántos estudiantes pesan:
1Entre 60 kg y 75 kg 2Más de 90 kg 3Menos de 64 kg 464 kg 564 kg o menos.

Solución:
 Entre 60 kg y 75 kg

 Más de 90 kg

 Menos de 64 kg

 464 kg

 564 kg o menos
 DISTRIBUCION DE STUDENT

Es una distribución de probabilidad que surge del problema de estimar la

medida, la media de una población cuando el tamaño de la muestra es
pequeño.
Se hace efectiva para la determinación de las diferencias entre dos medias
muéstrales y para la construcción del intervalo de confianza para diferenciar
entre las medias de dos poblaciones cuando se desconoce la desviación
típica.
Esta distribución se la debemos a (W.S GOSSET) se denota con la letra (T)
La tabla T da diferentes valores para una determinada probabilidad nos da un
valor t de esa variable en donde ese valor es igual a P(Tv > Ta) = P

EJEMPLO:
El contenido de siete contenedores similares de ácido sulfúrico son 9.8, 10.2,
10.4, 9.8, 10.0, 10.2, y 9.6 litros. Encuentre un intervalo de confianza del 95%
para la media de todos los contenedores si se supone una distribución
aproximadamente normal.
Solución:
La media muestral y la desviación estándar para los datos dados son:
10 y s= 0.283
En la tabla se encuentra que t0.025=2.447 con 6 grados de libertad, de aquí, el
intervalo de confianza de 95% para es:

Con un nivel de confianza del 95% se sabe que el promedio del contenido de
los contenedores está entre 9.47 y 10.26 litros.
 DISTRIBUCION DE FISHER
La distribución F es una distribución continua de muestreo de la relación de
dos variables aleatorias independientes con distribuciones de chi-cuadrada,
cada una dividida entre sus grados de libertad. La distribución F es asimétrica
hacia la derecha y es descrita por los grados de libertad de su numerador (ν1)
y denominador (ν2).
EJEMPLO:
Los pesos en kg por 1,7 m de estatura se ilustran en la siguiente tabla. La
finalidad es determinar si existen diferencias reales entre las cuatro
muestras. Emplear un nivel de significación de 0,05

Solución:
Las hipótesis Nula y Alternativa son:

Calculando las medias aritméticas se obtiene:

Se llena la siguiente tabla para calcular las varianzas muestrales:

Remplazando los datos en la fórmula de la varianza se obtienen las

varianzas de las 4 muestras.
Calculando la estimación interna de varianza se obtiene:

Para calcular la estimación intermediante de varianza primero se calcular la

varianza de las medias aritméticas

Se llena la siguiente tabla:

Se remplaza los datos de la tabla para calcular varianza de las medias
aritméticas

Calculando la estimación intermediante de varianza se obtiene:

 DISTRIBUCION CHI CUADRADO
En realidad, la distribución ji-cuadrada es la distribución muestral de s2. O
sea que, si se extraen todas las muestras posibles de una población normal
y a cada muestra se le calcula su varianza, se obtendrá la distribución
muestral de varianzas.
Para estimar la varianza poblacional o la desviación estándar, se necesita
conocer el estadístico X2. Si se elige una muestra de tamaño n de una

población normal con varianza , el estadístico:

tiene una distribución muestral que es una distribución ji-cuadrada con

gl=n-1 grados de libertad y se denota X2 (X es la minúscula de la letra
griega ji). El estadístico ji-cuadrada esta dado por:

donde n es el tamaño de la muestra, s2 la varianza muestral y la

varianza de la población de donde se extrajo la muestra. El estadístico ji-
cuadrada también se puede dar con la siguiente expresión:

EJEMPLO:
Los siguientes son los pesos, en decagramos, de 10 paquetes de semillas
de pasto distribuidas por cierta compañía: 46.4, 46.1, 45.8, 47.0, 46.1, 45.9,
45.8, 46.9, 45.2 y 46. Encuentre un intervalo de confianza de 95% para la
varianza de todos los paquetes de semillas de pasto que distribuye esta
compañía, suponga una población normal.
Solución:
Primero se calcula la desviación estándar de la muestra:
al elevar este resultado al cuadrado se obtiene la varianza de la muestra s2=
0.286.

Para obtener un intervalo de confianza de 95% se elige un = 0.05.

Después con el uso de la tabla con 9 grados de libertad se obtienen los
valores de X2.

Se puede observar en la gráfica

anterior que el valor de X2 corre en
forma normal, esto es de izquierda
a derecha.

Por lo tanto, el intervalo de confianza de 95% para la varianza es:

Graficamente: Se observa que la varianza corre

en sentido contrario, pero esto es
sólo en la gráfica. La interpretación
quedaría similar a nuestros temas
anteriores referentes a estimación.
Con un nivel de confianza del 95%
se sabe que la varianza de la
población de los pesos de los
paquetes de semillas de pasto
esta entre 0.135 y 0.935
decagramos al cuadrado.
 DISTRIBUCION BINOMIAL

Una distribución binomial es una distribución de probabilidad discreta que

describe el número de éxitos al realizar n experimentos independientes entre
sí, acerca de una variable aleatoria.
Existen una gran diversidad de experimentos o sucesos que pueden ser
caracterizados bajo esta distribución de probabilidad. Imaginemos el
lanzamiento de una moneda en el que definimos el suceso “sacar cara” como
el éxito. Si lanzamos 5 veces la moneda y contamos los éxitos (sacar cara)
que obtenemos, nuestra distribución de probabilidades se ajustaría a una
distribución binomial.

Por lo tanto, la distribución binomial se entiende como una serie de pruebas

o ensayos en la que solo podemos tener 2 resultados (éxito o fracaso), siendo
el éxito nuestra variable aleatoria.

La fórmula para calcular la distribución normal es:

Donde:

n = número de ensayos/experimentos

x = número de éxitos

p = probabilidad de éxito

q = probabilidad de fracaso (1-p)

EJEMPLO:
Imaginemos que un 80% de personas en el mundo han visto el partido de la
final del último mundial de futbol. Tras el evento, 4 amigos se reúnen a
conversar, ¿Cuál es la probabilidad de que 3 de ellos hayan visto?

Definamos las variables del experimento:

n = 4 (es el total de la muestra que tenemos)

x = número de éxitos, que en este caso es igual a 3, dado que buscamos

la probabilidad de que 3 de los 4 amigos lo hayan visto.

p = probabilidad de éxito (0,8)

q = probabilidad de fracaso (0,2). Este resultado se obtiene al restar 1-p.

Tras definir todas nuestras variables, simplemente sustituimos en la formula.

El numerador de la factorial se obtendría de multiplicar 4*3*2*1 = 24 y en el

denominador tendríamos 3*2*1*1 = 6. Por lo tanto, el resultado de la
factorial sería 24/6=4.
Fuera del corchete tenemos dos números. El primero sería 0,8^3=0,512 y el
segundo 0,2 (dado que 4-3 = 1 y cualquier número elevado a 1 es el
mismo).

Por tanto, nuestro resultado final sería: 4*0,512*0,2 = 0,4096. Si

multiplicamos por 100 tenemos que hay una probabilidad del 40,96% de que
3 de los 4 amigos hayan visto el partido de la final del mundial.
 DISTRIBUCION POISSON

Fue descubierta por Siméon-Denis Poisson, 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. Otro de sus usos frecuentes
es la consideración límite de procesos dicotómicos reiterados un gran número
de veces si la probabilidad de obtener un éxito es muy pequeña.
La distribución de Poisson es particularmente importante ya que tiene muchos
casos de uso. Podemos poner como ejemplos de uso: la disminución de una
muestra radioactiva, la llegada de pasajeros de un aeropuerto o estación de
trenes o autobuses, los usuarios que se conectan a una web determinada por
hora (es un caso particularmente interesante que usa Googlee en sus
métricas predictivas de visitantes únicos a una web).
La función de densidad de probabilidad de la distribución de Poisson es

donde

 k es el número de ocurrencias del evento o fenómeno (la función nos da

la probabilidad de que el evento suceda precisamente k veces).
 λ es un parámetro positivo que representa el número de veces que se
espera que ocurra el fenómeno 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 distribución de Poisson
con λ = 10×4 = 40.
 e es la base de los logaritmos naturales (e = 2,71828...)
EJEMPLO:

Si un banco recibe en promedio 6 cheques sin fondo por día, ¿cuáles son las
probabilidades de que reciba, a) cuatro cheques sin fondo en un día dado, b)
10 cheques sin fondos en cualquiera de dos días consecutivos?

Solución:
a) x = variable que nos define el número de cheques sin fondo
que llegan al banco en un día cualquiera = 0, 1, 2, 3, ....., etc, etc.
l = 6 cheques sin fondo por día
e = 2.718

b)
x= variable que nos define el número de cheques sin fondo que
llegan al banco en dos días consecutivos = 0, 1, 2, 3, ......, etc., etc.
l = 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco
en dos días consecutivos
Nota: l siempre debe de estar en función de x siempre o dicho de
otra forma, debe “hablar” de lo mismo que x.