1. DISTRICUCIONES:
NORMAL
ESTANDAR
BERNOULLI
BINOMIAL
POISSON
T DE STUDENT
LORDES MICHELLE TRUJILLO TEJADA
2° “B”
ING. EDGAR MATA
2. DISTRUBICON NORMAL
En estadística y probabilidad se llama distribución
normal, distribución de Gauss o distribución gaussiana, a una
de las distribuciones de probabilidad de variable continua que
con más frecuencia aparece aproximada en fenómenos
reales.
La gráfica de su función de densidad tiene una forma
acampanada y es simétrica respecto de un
determinado parámetro estadístico. Esta curva se conoce
como campana de Gauss y es el gráfico de una función
gaussiana.
3. LA LÍNEA VERDE CORRESPONDE A LA
DISTRIBUCIÓN NORMAL ESTÁNDAR
FUNCIÓN DE DENSIDAD DE PROBABILIDAD
4. REGLA EMPÍRICA :
68% están dentro de +- 1
desviación estándar.
95% están dentro de +- 2
desviaciones estándar.
99.71% están dentro de +- 3
desviaciones estándar .
5. EJEMPLO: DATOS NO AGRUPADOS
MEDIA: 125.4066
M-3 DE 117.5457 , M-2 DE 120.186, M-1 DE 122.7963
M+3 DE 133.2376, M+2 DE 130.6272, M+1 DE 128.0169
1 .- 120-130= 292= 97.33%
2.- 122-128= 83%
3.- 117-133= 99.66%
NO ES UNA DISTRIBUCION NORMAL
7. ¿CÓMO SE CONVIERTE?
Para convertir un valor a una puntuación estándar (“Z -score”).
Primero restar la media
Se divide por la desviación estándar y eso se llama
normalización
8. La distribución de una variable normal está completamente
determinada por dos parámetros, su media y su desviación
estándar denotados por µ y σ. Con esta notación, la
densidad de la normal viene dada por la ecuación:
Formula para la desviación
estándar de una muestra.
Estimación
9. El resultado obtenido por la estimación se localiza en la
tabla “Función de distribución de la variable Normal”:
Después el
resultado
obtenido se
multiplica por
100 y lo que
obtengamos es
el porcentaje de
datos que hay
en ese valor que
áyanos
asignado a “x”.
10. RESULTADO
=-0.5559381
P(Ƶ>50)
Se busca en la tabla. = 0.7088
Así que: o.7088 x 100 = 70.88%
70.88% de los alumnos tienen una probabilidad de obtener
una calificación mayor a 50.
11. EJEMPLO
En este ejemplo queremos saber ¿Cuál es la probabilidad de
que un estudiante obtenga una calificación mayor a 50? Si,
= 55.28 y σ= 9.439.
En esta ocasión el valor de x= es de 50 por que queremos
saber la probabilidad de que un estudiante obtenga una
calificación mayor a 50.
12. DISTRIBUCION BINOMIAL
Es una probabilidad discreta que mide el numero de éxitos en
una secuencia de ensayos de BERNOULLI independientes
entres sí. Un experimento de Bernoulli se caracteriza por ser
dicotómico. Esto es , solo son dos posibles resultados: ÉXITO
Y FRACASO.
FORMULAS:
P(x=K)= n C K *P k *q n-k
E(X)=n*p
13. EJEMPLO:
La probabilidad de reprobar una unidad en la materia de
estadística .7 (según Diego). Determina la probabilidad de
que en el grupo se 2 °B (27 alumnos), ninguno repruebe
estadística 1y 2.
Éxito= reprobar
P=.7
Q=1-.7=.3
N=27
K=0
K=1
K=2
K=3
16. ¿QUÉ ES?
Es una distribución discreta de probabilidad aplicable como
modelo a diversas situaciones de toma de decisiones,
siempre y cuando pueda suponerse que el proceso de
muestreo se ajusta a un proceso en el que:
Sólo son posibles dos resultados mutuamente excluyentes
en cada éxito y fracaso.
Los resultados del éxito y fracaso, constituyen eventos
independientes.
La probabilidad de éxito, que se denota mediante p,
permanece constante de un ensayo a otro. Es decir, el
proceso es estacionario.
17. FORMULA
Puede utilizarse la distribución Binomial para determinar la
probabilidad de obtener un número determinado de éxitos en
un proceso Bernoulli. Se requieren tres valores: el número
específico de éxitos (X), el número de ensayos u
observaciones (n) y la probabilidad de éxito en cada uno de
los ensayos (p).
18. EJEMPLO
La ultima novela de un autor ha tenido un gran éxito, hasta el
punto de que el 80% de los lectores ya la han leído. Un grupo
de 4 amigos son aficionados a la lectura; ¿Cuál es la
probabilidad de que en el grupo hayan leído la novela 2
personas?
19. RESULTADO
n= 4 = p(x=2)=4C2 (0.8)2 (0.2)4-2
k= 2
p= 0.8
q= 0.2 (1-p = 1-0.8= 0.2)
P (x=2) = 0.1536 x 100 = 15.36%
Hay 15.36% de probabilidad de que 2 personas de el grupo
hayan leído el libro.
21. ¿QUÉ ES?
Es una distribución de probabilidad discreta que expresa a
partir de una frecuencia de ocurrencia media.
La probabilidad de que ocurre un determinado numero de
eventos durante cierto periodo de tiempo.
Esta distribución suele utilizarse para contajes de tiempo,
numero de individuos por unidad de tiempo, de espacio etc.
Formula:
22. EJEMPLO
Si un banco recibe en promedio 6 cheques sin fondo por día.
¿Cuáles son la probabilidades de que reciba:
a) 4 cheques sin fondo en un día dado?
λ= 6
X= 4
= 0.133852 x 100 =
b) ¿Cuál es la probabilidades de que 13.38% cheques sin
reciba 10
fondo en 2 días?
λ= 12
X= 10
= 0.1048372559 x 100 =
10.48%
23. DISTRIBUCION EXPONENCIAL
ES UNA DISTRIBUCION CONTINUA (EL TIEMPO QUE OCURRE
HASTA QUE LLEGUE EL ÉXITO)
Λ ES LA MISMA QUE SE USA EN EL TIEMPO DE ESPERA DE
POISSON.
24. FORMULAS
P(X≤K)=1℮ -Λk : menor o igual
P(X≤K)=℮ -λK mayor o igual
Ejemplo : se debe que el tiempo de una persona llame a un
centro de atención al publico. Para hacer atendido por un
asesor, es una variable aleatoria exponencial con μ=5 min.
Encuentre la probabilidad de que una persona que llame al
azar en un momento dado tenga que esperar.
A)a la sumo 5 min
B) a lo menos 10 min
C) entre 3 y 10 min.
25. A) μ=5
Λ=0.2
P(X≤K)=1℮ -Λk
P(x≤5)=-1= 0.368
P(x≤5)=.6321
B)
P(X≤K)=℮ -λK
K=10
P(x<=10)= .135335
C)
P(x<=3)= 1-℮ -0.6
=1-.548881=.451119
P(entre 3 y 10)=.864645 -.451119=.413546