TALLER PRCTICO DE PROBABILIDADES Y ESTADSTICA INFERENCIAL ACTIVIDAD NMERO 2 VARIABLES ALEATORIAS, DISTRIBUCIONES DE PROBABILIDAD Y MEDIDAS ESTADSTICAS BIVARIANTES

EULER USAMA MAFLA

ING. OSCAR JAVIER HERNANDEZ SIERRA

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA ESCUELA DE CIENCIAS BSICAS, TECNOLOGA E INGENIERA PROBABILIDAD BOGOT 2012

1. Distribuciones de Probabilidad. 1.1. Distribucin Probabilstica. 1.1.1. Esperanza matemtica. Definicin. Se entiende por esperanza matemtica, al valor esperado de una variable aleatoria discreta o continua. [1] La media o esperanza de X da un valor tpico o promedio de los valores de X y por esta razn se le llama medida de centralizacin; es decir, el valor esperado o media, indica la tendencia central de los datos. Es el valor alrededor del cual tienden a agruparse los datos de una distribucin. [2] En el caso de una variable aleatoria discreta, se calcula multiplicando cada valor posible por su probabilidad y sumando sus resultados. En el caso de una variable aleatoria continua, se debe recurrir al concepto de integral que se estudia en el clculo integral. Generalmente se expresa por medio de la letra griega (parmetro) para el universo y con la notacin E(X) (estadstica) para una muestra. Para una variable aleatoria discreta X que puede tener los valores x1, x2,, xn la esperanza de X se define como:

( )

(
)

(
( ), entonces:

o igualmente, si (

( )

( )

( )

( )

Donde la ltima suma se toma sobre todos los valores apropiados de x. En la ltima expresin, para el caso especial en que las probabilidades son iguales, se tiene que:

( )
Que se le llama media aritmtica o simplemente la rnedia de x1, x2, , xn. Para una variable aleatoria continua X que tiene una funcin de densidad f(x) la esperanza de X se define como:

( )

( )

A la esperanza de X frecuentemente se le llama la media de X y se denota por x o simplemente cuando se sobreentiende la variable aleatoria determinada.

Ejemplos: (Ejercicios desarrollados bajo frmulas y calculadora) 1. Supngase un juego con un dado. En este juego el jugador gana $20 si obtiene 2, $40 si obtiene 4, pierde $30 si obtiene 6; en tanto que ni pierde ni gana si obtiene otro resultado. Hallar la suma esperada de dinero ganado. Solucin: Sea X la variable aleatoria que representa la cantidad de dinero ganada en cualquier lanzamiento. Las posibles cantidades de dinero ganado cuando el dado resulta 1, 2, , 6 son x1, x2, , x6 respectivamente con probabilidades f(x1), f(x2), , f(x6). La funcin de probabilidad para X se indica en la tabla. As, el valor esperado o esperanza es: ( ) ( ). / ( ). / ( ). / +20 1/6 ( 0 1/6 ). / ( ). / +40 1/6 ( ). / 0 1/6 -30 1/6

( )

0 1/6

Se deduce que el jugador puede esperar una ganancia de $5. Por tanto en un juego honrado es de esperarse pagar $5 por jugar. 2. La funcin de densidad de una variable aleatoria X estar dada por: ( ) { }

El valor esperado de X es:

( )

( )

3. La empresa Merril Lynch Global Fund se especializa en obligaciones a largo plazo de pases extranjeros. Interesa saber la tasa de inters de estas obligaciones. Una muestra aleatoria de seis bonos revel lo siguiente: Artculo Bonos del gobierno de Australia Bonos del gobierno de Blgica Bonos del gobierno de Canad Bonos del gobierno de Francia Bonos del gobierno de Italia Tasa de inters % 9.50 7.25 6.50 4.75 12.00

Bonos del gobierno de Espaa

8.30

Cul es la media de las tasas de inters en esta muestra de obligaciones a largo lazo? Solucin: Como la media muestral est dada por:

Ejemplo: (Ejercicio desarrollado en un libro de EXCEL) Ver Ejemplos 1 y 2 en la Hoja 1 de Excel 1.1.2. Varianza de variables aleatorias. Definicin. [3] y[4] La varianza es una medida de dispersin de la informacin, da una idea de la dispersin de la variable aleatoria respecto del valor esperado. Se obtiene como el promedio de los cuadrados de las desviaciones de los valores de la variable respecto de su media aritmtica o esperanza. Para datos simples (datos no agrupados) suele utilizarse la siguiente expresin para calcular la varianza poblacional de dichos datos no agrupados:

( )

NOTA: Los datos no estn agrupados cuando no estn tabulados en una distribucin de frecuencias. A la raz cuadrada positiva de la varianza poblacional, desviacin estndar poblacional. , se la llama

La varianza muestral se calcula mediante la siguiente expresin:

Donde n es el nmero total de observaciones muestrales. Observacin: La sumatoria (

) (

tambin puede expresarse como:

Donde X es el valor de cada observacin en la muestra. De ah que la varianza muestral pueda evaluarse ms fcilmente mediante calculadora, con:

Luego la desviacin estndar sera:

Ahora, si los datos de un estudio estn en forma agrupada (en una distribucin de frecuencias), la desviacin estndar muestral puede aproximarse al sustituir por y por . La expresin para calcular la desviacin estndar muestral en ste caso sera:

Dnde:

es la desviacin estndar muestral. es el punto medio de una clase. es la frecuencia de clase. es el nmero total de observaciones de la muestra. Asimismo, para datos agrupados, de acuerdo a la expresin inicialmente dada, la varianza suele calcularse como:

Dnde:

La varianza mide la distancia existente entre los valores de la serie y la media. La varianza siempre ser mayor que cero. Mientras ms se aproxima a cero, ms concentrados estn los valores de la serie alrededor de la media. Por el contrario, mientras mayor sea la varianza, significa que ms dispersos estn los datos. A pesar de ello, la varianza tiene el inconveniente de ser poco significativa, ya que se mide en el cuadrado de la unidad de la variable. 2 Por ejemplo, si la variable viene dada en cm, la varianza vendr en cm .

Ejemplo 1: (Ejercicio desarrollado bajo formulas y calculadora) Las edades de los miembros de una junta directiva son: 38, 26, 13 , 41 y 22 aos. Cul es la varianza de esa poblacin? Solucin: Registraremos en una tabla los datos, para un mayor orden: Edad (x) ( ) 38 26 13 41 __22 140 +10 -2 -15 +13 -6 100 4 225 169 __36 534 = Ejemplo 2: (Ejercicio desarrollado en un libro de EXCEL) Ver hoja 2 en Excel donde se calculan: desviacin estndar de stos datos, y la varianza muestral. Una muestra de las cantidades que los empleados de Dupree Company invierten quincenalmente en el plan de participacin de utilidades, se organiz en una distribucin de frecuencias para su estudio (ver tabla). Cul es la desviacin estndar de estos datos?. Cul es la varianza muestral?. Cantidad invertida (en dlares) 30 hasta 35 35 hasta 40 40 hasta 45 Nmero de empleados 3 7 11 ( )

45 hasta 50 22 50 hasta 55 40 55 hasta 60 24 60 hasta 65 9 65 hasta 70 4 Tabla 1. Muestra de las inversiones quincenales (en dlares) realizadas por los empleados de acuerdo con el plan de participacin de utilidades. Solucin: Ver hoja 2 en Excel donde se calculan: desviacin estndar de stos datos, y la varianza muestral.

1.1.3. Teorema de Chbyshev. Definicin. Para un conjunto cualquiera de observaciones (muestra o poblacin) la proporcin mnima de los valores que se encuentran dentro de k desviaciones estndar desde la media es por lo menos una constante mayor que 1. [3] Ejemplo: En el ejemplo anterior hecho en Excel, la media aritmtica de la cantidad quincenal que depositan los empleados de la empresa XXXX en el plan de participacin de utilidades fue $51.54 dlares y se obtuvo una desviacin estndar de $7.51 dlares. Al menos, qu porcentaje de las contribuciones se encuentra entre ms 3.5 desviaciones estndar, y menos 3.5 desviaciones estndar, respecto de la media? Solucin: En ste caso, k=3.5; por lo tanto el porcentaje pedido es de:
( )

, donde k es

1.2. Distribuciones de Probabilidad Discreta. 1.2.1. Concepto [5]. Una distribucin de probabilidad indica en una lista todos los resultados posibles de un experimento junto con la probabilidad correspondiente a cada uno de ellos. Toda distribucin de probabilidad discreta es generada por una variable aleatoria discreta x, la cual puede tomar diferentes valores de manera aleatoria, siendo stos valores enteros y contando con un nmero finito de ellos.

1.2.2. Distribucin Uniforme discreta. Definicin. [6] Se tiene una distribucin uniforme discreta cuando el resultado de una experiencia aleatoria puede ser un conjunto finito de n posibles resultados, todos ellos igualmente probables. Ejemplo: Un ejemplo puede ser la variable X, puntuacin en el lanzamiento de un dado regular. Esta variable toma seis valores posibles que siguen una distribucin uniforme discreta en {1, 2, 3, 4, 5, 6 }, todos con la misma probabilidad p = 1/6. La funcin de densidad de esta variable estar representada por: ( ) , -

La funcin de densidad grficamente se representara as:

Y la funcin de distribucin se representara mediante:

En general, si la variable X puede tomar ( con igual probabilidad, su funcin de densidad ser: ( ) , -

)valores, todos

1.2.3.Distribucin Binomial. Definicin. [7] La distribucin binomial o de Bernoulli est asociada a experimentos del siguiente tipo: Realizamos n veces cierto experimento en el que consideramos slo la posibilidad de xito o fracaso. La obtencin de xito o fracaso en cada ocasin es independiente de la obtencin de xito o fracaso en las dems ocasiones. La probabilidad de obtener xito o fracaso siempre es la misma en cada ocasin.

Definicin formal: Si realizamos n veces un experimento en el que podemos obtener xito, E, con probabilidad p y fracaso, F, con probabilidad q (q = 1 p ), diremos que estamos ante una distribucin binomial de parmetros n y p, y lo representaremos por Bin (n; p). En este caso la probabilidad de obtener k xitos viene dada por: ( Donde . / Indica la combinatoria entre n y k Nota: Obsrvese que las probabilidades de xito y fracaso son complementarias, es decir, q = 1 p y p = 1 q . Basta con saber una de ellas para calcular la otra. Ejemplo 1: (Ejercicio desarrollado bajo formulas y calculadora) Supongamos que la probabilidad de que una pareja tenga un hijo o una hija es igual, es decir . /. Calcular la probabilidad de que una familia con 6 descendientes tenga 2 hijos. Solucin: Llamemos: xito = E = tener hijo ; entonces: p ( E ) = 0.5 Y llamemos Fracaso = F = tener hija ; luego, p( F ) = 0.5 ) . / . / ( )

Estamos por tanto ante una distribucin binomial, Bin (6 ; 0.5) y nos piden p(X=2). Aplicando la frmula se tiene que: ( Observacin: La eleccin de xito o fracaso es subjetiva y depende de la eleccin de la persona que resuelve el problema, pero teniendo cuidado de plantear correctamente lo que se pide. En el caso concreto del ejemplo anterior, si: xito = tener hija, como nos piden la probabilidad de que una familia con 6 hijos tenga 2 hijos, si el xito es tener hija hemos de plantearnos cul es la probabilidad de tener 4 xitos (4 hijas). Por lo tanto, en ste caso tendramos: ( ) ( ) ( ) ( ) ) ( ) ( ) ( )

Como se puede apreciar, el resultado es el mismo, aunque hay que ser consecuente a la hora de elegir el xito y el fracaso y la pregunta que nos hagan.

Ejemplo 2: (Ejercicio desarrollado en un libro de EXCEL) Ver hoja 3 en Excel Distribucin Binomial Negativa Definicin.

Puede definirse como una generalizacin del modelo Geomtrico o de c Pascal. As, dado un suceso A y su complementario A , cuando X c representa el nmero de veces que se da A (ausencias, fallos, etc.) hasta que se produce r veces el suceso A, en una serie de repeticiones de la experiencia aleatoria en condiciones independientes, decimos que X sigue la distribucin Binomial negativa. Ntese que, cuando r = 1, tenemos exactamente el modelo geomtrico. Este modelo queda definido por dos parmetros p (la probabilidad de A: p = P(A)) y r (el nmero de veces que debe producirse A para que detengamos la experiencia). La funcin de densidad viene dada por: ( ) , ( )

Donde q representa el complementario de p: q = 1 - p

Ejemplo: Para investigar a una empresa y salvarla de la crisis, ha de ser es necesario hacer ciertas interventoras en 5 departamentos independientes. Las medidas a aplicar son tal que si todo va bien, lo que ocurre con probabilidad de 7/11, el departamento se salva, pero si no es as deber esperarse un tiempo suficiente para intervenirlo de nuevo. Se evaluarn mediante intervencin de nuevo sus departamentos hasta que 4 de los 5 departamentos funcionen correctamente. Cul es el valor esperado de intervenciones que se espera se lleven a cabo en la empresa? Cul es la probabilidad de que se necesiten 10 intervenciones? Solucin Este es un ejemplo claro de experimento aleatorio regido por una ley binomial negativa, ya que se realizan intervenciones hasta que se obtengan 4 departamentos libres de investigacin, y ste es el criterio que se utiliza para detener la investigacin. Identificando los parmetros se tiene: X = nmero de intervenciones hasta obtener r = 4 con resultado positivo ( ) , ( )

Lo que nos interesa es medir el nmero de intervenciones, Y, ms que el nmero de xitos hasta el r-simo fracaso. La relacin entre ambas variables aleatorias es muy simple:

Luego:

, -

, -

Luego el nmero esperado de intervenciones que se le aplicar a la empresa es de 11. La probabilidad de que el nmero de intervenciones sea Y = 10, es la de que X= 10 4 = 6 Por lo tanto: , , ( ) ( ) ( )

Distribucin Binomial Geomtrica. Definicin [8]

Si una variable aleatoria discreta X definida en un espacio de probabilidad representa el nmero de repeticiones necesarias de un experimento de Bernoulli para obtener el primer xito, entonces tiene por funcin de densidad: (
Dnde: ( ) Funcin de densidad de la variable aleatoria con distribucin geomtrica. Nmero de experimentos hasta que aparece el primer xito. Probabilidad de xito. Probabilidad de fracaso: q = 1 p Ejemplo:

De la carrera de economa, se encontr que el 60% de los alumnos son hombres, calcular probabilidad de extraer el primer hombre a la cuarta ocasin que extraemos un alumno de la carrera. Solucin:
Sea: xito= el alumno seleccionado sea hombre x=4 p = 0.60 q = 0.40 , -

) (

1.2.4. Distribucin Hipergeomtrica. Definicin. [4] Recordando que, la distribucin binomial es que la probabilidad de xito permanezca igual de un ensayo a otro. Cuando el muestreo se realiza sin reposicin y la muestra se obtiene de una poblacin relativamente pequea, la probabilidad de xito no permanece igual de un ensayo a otro, y no se debe utilizar la distribucin binomial. En vez de sta, debe aplicarse la distribucin hipergeomtrica.

Por tanto: 1) si se selecciona una muestra de una poblacin finita, sin reposicin, y, 2) si el tamao de la muestra n es mayor que 5% del tamao N de la poblacin, entonces se utiliza la distribucin hipergeomtrica para determinar la probabilidad de un nmero especfico de xitos o fracasos. Esta distribucin resulta muy adecuada cuando el tamao de la poblacin es pequeo. Observacin: Cuando el tamao de la poblacin (N) es muy grande, la ley hipergeomtrica tiende a aproximarse a la binomial La distribucin hipergeomtrica est dada por:

( )

( )( ( )

Dnde: N: es el tamao de la poblacin. S: es la cantidad de xitos en la poblacin. x: es el nmero de xitos en la muestra. Puede ser 0, 1, 2, 3, n: es el tamao de la muestra, o el nmero de ensayos. Ejemplo 1: (Ejercicio desarrollado bajo formulas y calculadora) Se tiene una baraja de cartas espaolas (N = 40 naipes), de las cuales nos vamos a interesar en el palo de oros (S = 10 naipes de un mismo tipo). Supongamos que de esa baraja extraemos n = 8 cartas de una vez (sin reemplazamiento; es decir, sin reposicin) y se nos plantea el problema de calcular la probabilidad de que hayan x = 2 cartas de oro (exactamente) en esa extraccin. La respuesta a este problema es: , ( ( ) ( ) )

( )( ( )

( )( ) ( )

Ejemplo 2: (Ejercicio desarrollado en un libro de EXCEL) Ver hoja 4 en Excel

1.2.5. Distribucin de Poisson. Definicin.[5] La distribucin de Poisson se utiliza en situaciones donde los sucesos son impredecibles o de ocurrencia aleatoria. En otras palabras no se sabe el total de posibles resultados. Permite determinar la probabilidad de ocurrencia de un suceso con resultado discreto. Es muy til cuando la muestra o segmento n es grande y la probabilidad de xitos p es pequea. Se utiliza cuando la probabilidad del evento que nos interesa se distribuye dentro de un segmento n dado como por ejemplo distancia, rea, volumen o tiempo definido; es decir, en este tipo de experimentos los xitos buscados son expresados por unidad de rea, tiempo, pieza, etc: - # de defectos de una tela por m - # de aviones que aterrizan en un aeropuerto por da, hora, minuto, etc. 2 - # de bacterias por cm de cultivo - # de llamadas telefnicas a un conmutador por hora, minuto, etc. - # de llegadas de embarcaciones a un puerto por da, mes, etc. Para determinar la probabilidad de que ocurran x xitos por unidad de tiempo, rea, o producto, la frmula a utilizar sera:
2

(
Dnde:

p(x, ) = probabilidad de que ocurran x xitos, cuando el nmero promedio de ocurrencia de ellos es . = media o promedio de xitos por unidad de tiempo, rea o producto. x = variable que nos denota el nmero de xitos que se desea que ocurra. Observacin: En esta distribucin el nmero de xitos que ocurren por unidad de tiempo, rea o producto es totalmente al azar y que cada intervalo de tiempo es independiente de otro intervalo dado, as como cada rea es independiente de otra rea dada y cada producto es independiente de otro producto dado. Ejemplo 1: (Ejercicio desarrollado bajo formulas y calculadora) Si un banco recibe en promedio 6 cheques sin fondo por da, cules son las probabilidades de que reciba: a) cuatro cheques sin fondo en un da dado?. b) 10 cheques sin fondos en cualquiera de dos das consecutivos?

Solucin: a) x = # de cheques sin fondo que llegan al banco en un da cualquiera = 0, 1, 2, 3, = 6 cheques sin fondo por da Remplazando, tenemos: ( )

Ejemplo 2: (Ejercicio desarrollado en un libro de EXCEL) Ver hoja 5 en Excel

1.3. Distribuciones de Probabilidad Continua. 1.3.1.Concepto [9]. El comportamiento de una variable aleatoria queda descrito por su distribucin de probabilidad. A menudo, las observaciones de diferentes experimentos estadsticos tienen el mismo tipo general de comportamiento. En consecuencia, las variables aleatorias continuas asociadas se pueden describir con la misma distribucin de probabilidad y se pueden representar mediante una sola frmula.

1.3.2.Distribucin Uniforme Continua. Definicin [9]. La distribucin uniforme continua es la ms simple de todas las distribuciones continuas de probabilidad, ya que: Se caracteriza por una funcin de densidad que es plana, y por ello la probabilidad es uniforme en un intervalo cerrado. La funcin de densidad de la variable aleatoria uniforme continua X en el intervalo [A,B] es: ( ) { }

La media y la varianza de a distribucin uniforme continua ( respectivamente: y

( )

)son

Ejemplo: El precio medio del galn de gasolina durante el prximo ao en Colombia se estima que puede oscilar entre 8500 y 9000 pesos. Podra ser, por tanto, de 8600 pesos, o de 8650 pesos, o de 8740.5 pesos, o de 8810.53 pesos, etc. Hay infinitas posibilidades, todas ellas con la misma probabilidad. Su funcin de densidad, aquella que nos permite conocer la probabilidad que tiene cada punto del intervalo, viene definida por: ( ) Entonces la funcin de distribucin del ejemplo, sera: ( ) El valor medio esperado, de sta distribucin es: ( ) Por lo tanto, el precio medio esperado del galn de gasolina para el prximo ao es de 8750 pesos

1.3.3. Distribucin Normal. Definicin [9]. La distribucin continua de probabilidad ms importante en todo el campo de la estadstica es la distribucin normal. Su grfica se denomina curva normal, es una curva con forma de campana, la cual describe aproximadamente muchos fenmenos que ocurren en la naturaleza, la industria y la investigacin.

La distribucin normal a menudo se denomina distribucin gaussiana, en honor de Karl Friedrich Gauss. Una variable aleatoria continua X que tiene la distribucin en forma de campana se llama variable aleatoria normal. La ecuacin matemtica para la distribucin de probabilidad de la variable normal depende de los dos parmetros y , su media y desviacin estndar, respectivamente. De aqu se denota los valores de la densidad de X con n(x; , ). La funcin de densidad de la variable aleatoria normal X, con media y varianza , es:

Una vez que se especifican y , la curva normal queda determinada por completo. rea bajo la curva normal: La curva de cualquier distribucin continua de probabilidad o funcin de densidad se construye de modo que el rea bajo la curva limitada por las dos ordenadas x = a y x = b es igual a la probabilidad de que la variable aleatoria X tome un valor entre x = a y x = b.

Como se puede apreciar, el rea bajo la curva entre cualesquiera dos valores tambin depende de los valores y . La dificultad que se encuentra al resolver las integrales de funciones de densidad normal necesita de la tabulacin de las reas de la curva normal para una referencia rpida. Sera una tarea sin fin intentar establecer tablas separadas para cada valor concebible de y . Para lo anterior, se puede transformar un conjunto de observaciones de cualquier variable aleatoria normal X a un nuevo conjunto de observaciones 2 de una variable aleatoria normal llamada Z con = 0 y = 1. Esto se puede realizar mediante la transformacin:

Siempre que X tome un valor x, el valor correspondiente de Z estar dado por: z = (x )/. Por lo tanto, si X cae entre los valores a y b, la variable aleatoria Z caer entre los valores correspondientes z1 = (a )/ y z2 = (b )/. En consecuencia:

) (

)
2

Donde Z se ve como una variable aleatoria normal con = 0 y = 1 La distribucin de una variable aleatoria normal con = 0 y = 1 se llama distribucin normal estndar.
2

La siguiente tabla, muestra algunos de los valores calculados del rea bajo la curva normal P( Z< z ):

Aplicaciones: Las mediciones fsicas en reas como los experimentos meteorolgicos, estudios de lluvia y mediciones de partes fabricadas a menudo se explican mejor con una distribucin normal. Los errores en las mediciones cientficas se aproximan extremadamente bien mediante una distribucin normal.

Ejemplo 1: [10] (Ejercicio desarrollado bajo formulas y calculadora) Una empresa instala en una ciudad 20.000 bombillas para su iluminacin. La duracin de una bombilla sigue una distribucin normal con media 302 das y desviacin tpica 40 das. Calcular. a) Cuntas bombillas es de esperar que se fundan antes de 365 das? Cuntas durarn ms de 400 das? Solucin:

a) Tipificamos el valor 365 z = (365 - 302) / 40 = 1,575 P (X 365) = P (z 1,575) Al observar la tabla de distribucin normal: P (z 1,575 )= 0,9418 Luego el 94,18% de las lmparas, es decir 20.000 0.9418 = 18.836 bombillas se fundirn antes de 365 das. b) Tipificamos el valor 400 z = (400 - 302) / 40 = 2,45 P (X > 400) = P (z > 2,45) = 1 - P (z 2,45 ) = 1 - 0,9929 = 0,0071 (segn la tabla). Entonces el 0,71% de las lmparas, es decir 20.000 0.0071 = 142 bombillas durarn ms de 400 das. Ejemplo 2: (Ejercicio desarrollado bajo formulas y calculadora) La vida media de una lmpara, segn el fabricante, es de 68 meses, con una desviacin tpica de 5. Se supone que se distribuye segn una distribucin normal En un lote de 10.000 lmparas. a) Cuntas lmparas superarn previsiblemente los 75 meses?. b) Cuntos lmparas se estropearn antes de 60 meses? a) z = (75 - 68) / 5 = 1,4 P (X > 75) = (z > 1,4) = 1 - P (z 1,4) = 1 - 0,9192 = 0,0808 Luego, el 8,08% de las lmparas (808 lmparas) superarn los 75 meses b) t = (60 - 68) / 5 = -1,6 P (X 60) = (z -1,6) = P (z > 1,6) = 1 - P (z 1,6) = 0,0548 Luego, el 5,48% del lote (548 lmparas) no llegarn probablemente a durar 60 meses Ejemplo 3: (Ejercicio desarrollado en un libro de EXCEL)

Ver hoja 6 de Excel

1.3.4. Distribucin Exponencial. Definicin [11]. La distribucin exponencial es el equivalente continuo de la distribucin geomtrica discreta. Esta ley de distribucin describe procesos en los que:

Nos interesa saber el tiempo hasta que ocurre determinado evento, sabiendo que, el tiempo que pueda ocurrir desde cualquier instante dado t, hasta que ello ocurra en un instante tf (tiempo final), no depende del tiempo transcurrido anteriormente en el que no ha pasado nada.

A pesar de que la distribucin Normal puede utilizarse para resolver muchos problemas en ingeniera y ciencias, existen an numerosas situaciones que requieren diferentes tipos de funciones de densidad, tales como la exponencial y la gamma y algunas otras como la Weibull, etc. [12] La distribucin exponencial es un caso especial de la distribucin gamma, ambas tienen un gran nmero de aplicaciones. Las distribuciones exponencial y gamma juegan un papel importante tanto en teora de colas como en problemas de confiabilidad. El tiempo entre las llegadas en las instalaciones de servicio y el tiempo de falla de los componentes y sistemas elctricos, frecuentemente involucran la distribucin exponencial. La relacin entre la gamma y la exponencial permite que la distribucin gamma se utilice en tipos similares de problemas. La curva de distribucin exponencial se caracteriza por tener la siguiente forma: [13]

La distribucin exponencial se usa como modelo para la distribucin de tiempos entre la presentacin de eventos sucesivos. Existe un tipo de variable aleatoria que obedece a una distribucin exponencial la cul se define como el tiempo que ocurre desde un instante dado hasta que ocurre el primer suceso. Se dice que una variable aleatoria continua tiene una distribucin exponencial con parmetro > 0 si: - su funcin de densidad es: ( ) { }

Y su grfica respectiva es de la siguiente forma:

La esperanza o valor esperado en la distribucin exponencial es: , Su varianza es: ( ) Su respectiva funcin de distribucin acumulada es:

( )

Cuya grfica sera:

Sea X una distribucin exponencial, entonces: P(X > a + t | X > a) = P( X >t )

Ejemplo 1: (Ejercicio desarrollado bajo formulas y calculadora) Suponga que el tiempo de respuesta X en cierta terminal de computadora en lnea (el tiempo transcurrido entre el fin de la consulta del usuario y el principio de la respuesta del sistema a esa consulta) tiene una distribucin exponencial con tiempo esperado de respuesta igual a 5 s. Cul es la probabilidad de que el tiempo de respuesta sea a lo sumo 10 s?

Solucin: Datos: ( )

Por lo tanto: = 0.2

Obteniendo la distribucin acumulada: ( ) (

( ( ))

La probabilidad de que el tiempo de respuesta est entre 5 y 10 segundos es: ( ) ( ) ( ) ( ) ( )

Ejemplo 2: (Ejercicio desarrollado en un libro de EXCEL) (PENDIENTE ) Ver 1.3.5. Distribucin Chi-Cuadrado. Definicin. [14] y [15] La distribucin Chi Cuadrado (lase: Ji cuadrado), es una distribucin cuadrtica de la probabilidad que utiliza bsicamente variables aleatorias continuas. La Distribucin Chi Cuadrado de la probabilidad se denota mediante la letra griega minscula ji elevada al cuadrado ( ), y consiste en establecer un espacio continuo delimitado por la suma de los cuadrados de n variables aleatorias que son independientes entre s, espacio dentro del cual la variable X puede asumir cualquiera de los infinitos valores que lo conforman, y por tanto para establecer el valor aproximado de una variable X dentro de ese espacio se procede a incluir una estimacin de sus posibles lmites que estn dados por los distintos grados de libertad que pueden existir entre las variables aleatorias analizadas que dan origen al referido espacio. As, la Distribucin Chi Cuadrado en un delimitado espacio conjuga un determinado nmero de variables aleatorias independientes entre s, con unos valores de probabilidad ubicados entre 1 y 0 que son atribuibles a esas variables, y con unos lmites de la probabilidad para el verdadero valor de X delimitados por los grados de libertad atribuibles a las variables aleatorias analizadas. La Distribucin Chi Cuadrado permite calcular la probabilidad existente para que una variable X, que tiene un determinado grado de libertad frente a otras variables del mismo conjunto, permanezca dentro de unos lmites ideales previstos para X cuando tiene ese especfico grado de libertad o independencia. En otras palabras, la Distribucin Chi Cuadrado suministra un modelo ideal sobre los lmites probables que deberan regir las

fluctuaciones en la aparicin de un determinado valor aleatorio X dependiendo del grado de libertad que tiene ese valor frente a otras variables similares dentro de un conjunto de datos analizados. La frmula matemtica para calcular la probabilidad de que una variable X permanezca dentro del lmite ideal correspondiente al respectivo grado de libertad es la siguiente: Funcin de densidad de probabilidad:

( )

( )

( )
* +

Espacio paramtrico: Grados de libertad: Valor esperado: Varianza: Funcin generadora de momentos: .

En esta ecuacin la letra k que aparece como un subndice de la expresin indica el grado de libertad que se toma como lmite para calcular la probabilidad de la variable aleatoria X. Esta ecuacin para ser despejada requiere el uso de la compleja Funcin Gamma ( ), y por tanto generalmente para solucionar esta ecuacin se emplean mtodos basados en la consulta de tablas o en el uso de algoritmos para ordenador que permiten obtener los valores de probabilidad respectivos. Tabla de distribucin Chi Cuadrado (fragmento)

x/k

10

0,2

0,345279 0,095163 0,022411 0,004679 0,000886 0,000155 0,00025

0,000004 0,000001 0,000000

0,4

0,472911 0,181269 0,059758 0,017523 0,004670 0,001148 0,000263 0,000057 0,000012 0,000002

0,6

0,561422 0,259182 0,103568 0,036936 0,011997 0,003599 0,001008 0,000266 0,000066 0,000016

0,8

0,628907 0,329680 0,150 33

0,061552 0,022967 0,007926 0,002556 0,000776 0,000223 0,000061

1,0

0,682689 0,393469 0,198748 0,090204 0,037434 0,014388 0,005171 0,001752 0,000562 0,000172

1,2

0,726678 0,451188 0,246996 0,121901 0,055123 0,023115 0,009073 0,003358 0,001179 0,000394

1,4

0,763276 0,503415 0,294465 0,155805 0,075687 0,034142 0,014429 0,005753 0,002177 0,000786

1,6

0,794097 0,550671 0,340610 0,191208 0,098751 0,047423 0,021356 0,009080 0,003665 0,001411

1,8

0,820287 0,593430 0,385065 0,227518 0,123932 0,062857 0,029924 0,013459 0,005750 0,002344

2,0

0,842701 0,632121 0,427593 0,264241 0,150855 0,080301 0,040160 0,018988 0,008532 0,003660

2,2

0,861989 0,667129 0,468052 0,300971 0,179164 0,099584 0,052053 0,025742 0,012104 0,005435

2,4

0,878665 0,698806 0,506365 0,337373 0,208526 0,120513 0,065563 0,033769 0,016547 0,007746

2,6

0,893136 0,727468 0,542510 0,373177 0,238635 0,142888 0,080619 0,043095 0,021928 0,010663

2,8

0,905736 0,753403 0,576500 0,408167 0,269214 0,166502 0,097133 0,053725 0,028301 0,014253

3,0

0,916735 0,776870 0,608375 0,442175 0,300014 0,191153 0,114998 0,065642 0,035705 0,018576

3,2

0,926362 0,798103 0,638195 0,475069 0,330817 0,216642 0,134095 0,078813 0,044165 0,023682

3,4

0,934804 0,817316 0,666035 0,506754 0,361430 0,242777 0,154299 0,093189 0,053692 0,029615

3,6

0,942220 0,834701 0,691978 0,537163 0,391687 0,269379 0,175477 0,108708 0,064284 0,036407

3,8

0,948747 0,850431 0,716114 0,566251 0,421445 0,296280 0,197496 0,125298 0,075924 0,044081

4,0

0,954500 0,864665 0,738536 0,593994 0,450584 0,323324 0,220223 0,142877 0,088587 0,052653

4,2

0,959576 0,877544 0,759338 0,620385 0,479005 0,350369 0,243525 0,161357 0,102237 0,062126

4,4

0,964061 0,889197 0,778615 0,645430 0,506626 0,377286 0,267277 0,180648 0,116829 0,072496

4,6

0,968028 0,899741 0,796458 0,669146 0,533384 0,403961 0,291355 0,200653 0,132308 0,083751

4,8

0,971540 0,909282 0,812958 0,691559 0,559227 0,430291 0,315645 0,221277 0,148617 0,095869

5,0

0,974653 0,917915 0,828203 0,712703 0,584120 0,456187 0,340037 0,242424 0,165692 0,108822

Fuente: http://es.wikibooks.org/wiki/Tablas_estad%C3%ADsticas/Distribuci%C3%B3n_chicuadrado Ejemplo 1: (Ejercicio desarrollado bajo formulas y calculadora) Calcular la distribucin de probabilidad de una variable estadstica chicuadrado, de 6 grados de libertad y sea mayor de 3,4. Solucin: ( ) ( )

Al buscar en la tabla, se tiene que: ( Con lo cual: ( Por lo tanto: ( ) ) )

Ejemplo 2: (Ejercicio desarrollado en un libro de EXCEL) Ver hoja 8 en Excel 1.3.6. Distribucin T-Student. Definicin.[16] En la generalidad de los casos, no disponemos de la desviacin estndar 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: ( )

Donde s es la desviacin estndar muestral, calculada con n 1 grados de libertad.

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 estndar. La distribucin T tiene en cuenta la incertidumbre en la estimacin de la desviacin estndar de la poblacin, porque en realidad la tabla de T contiene las distribuciones de probabilidades para distintos grados de libertad. La distribucin T es ms 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 estndar. Es decir, en la medida que aumentemos el nmero de observaciones de la muestra, la desviacin estndar calculada estar ms prxima a la desviacin estndar de la poblacin y entonces la distribucin T correspondiente se acerca a la distribucin normal estndar. El uso de la distribucin T presupone que la poblacin con que estamos trabajando tiene una distribucin normal. Por otra parte [17], la distribucin t de Student, tiene por funcin de densidad: . . / /

( )

Donde el parmetro n de tn , se denomina grados de libertad de la distribucin. La distribucin t de Student existe para todos los valores de x reales, y es simtrica respecto al eje y. La distribucin de probabilidad de esta funcin para valores menores de ) un x dado, que representamos por (

( Donde

( )

( )

. . /

Para el clculo de sta integral existen distintos tipos de Tabla de Distribucin t de Student, en la que para distintos valores de n y de x se puede buscar su probabilidad acumulada p. Una de esas tablas es la siguiente: Tabla de distribucin t de Student
x\n 1 2 4 5 6 7 8 9 10 15 20 25 30 40 50

0,00 0,500 0,500 0,500 0,500 0,500 0,500 0,500 0,500 0,500 0,500 0,500 0,500 0,500 0,500 0,500

0,05 0,516 0,518 0,519 0,519 0,519 0,519 0,519 0,519 0,519 0,520 0,520 0,520 0,520 0,520 0,520

0,10 0,532 0,535 0,537 0,538 0,538 0,538 0,539 0,539 0,539 0,539 0,539 0,539 0,539 0,540 0,540

0,15 0,547 0,553 0,556 0,557 0,557 0,558 0,558 0,558 0,558 0,559 0,559 0,559 0,559 0,559 0,559

0,20 0,563 0,570 0,574 0,575 0,576 0,576 0,577 0,577 0,577 0,578 0,578 0,578 0,579 0,579 0,579

0,25 0,578 0,587 0,593 0,594 0,595 0,595 0,596 0,596 0,596 0,597 0,597 0,598 0,598 0,598 0,598

0,30 0,593 0,604 0,610 0,612 0,613 0,614 0,614 0,615 0,615 0,616 0,616 0,617 0,617 0,617 0,617

0,35 0,607 0,620 0,628 0,630 0,631 0,632 0,632 0,633 0,633 0,634 0,635 0,635 0,636 0,636 0,636

0,40 0,621 0,636 0,645 0,647 0,648 0,649 0,650 0,651 0,651 0,653 0,653 0,654 0,654 0,654 0,655

0,45 0,635 0,652 0,662 0,664 0,666 0,667 0,668 0,668 0,669 0,670 0,671 0,672 0,672 0,672 0,673

0,50 0,648 0,667 0,678 0,681 0,683 0,684 0,685 0,685 0,686 0,688 0,689 0,689 0,690 0,690 0,690

0,55 0,660 0,681 0,694 0,697 0,699 0,700 0,701 0,702 0,703 0,705 0,706 0,706 0,707 0,707 0,708

0,60 0,672 0,695 0,710 0,713 0,715 0,716 0,717 0,718 0,719 0,721 0,722 0,723 0,723 0,724 0,724

0,65 0,683 0,709 0,724 0,728 0,730 0,732 0,733 0,734 0,735 0,737 0,738 0,739 0,740 0,740 0,741

0,70 0,694 0,722 0,739 0,742 0,745 0,747 0,748 0,749 0,750 0,753 0,754 0,755 0,755 0,756 0,756

0,75 0,705 0,734 0,753 0,756 0,759 0,761 0,763 0,764 0,765 0,768 0,769 0,770 0,770 0,771 0,772

0,80 0,715 0,746 0,766 0,770 0,773 0,775 0,777 0,778 0,779 0,782 0,783 0,784 0,785 0,786 0,786

0,85 0,724 0,758 0,778 0,783 0,786 0,788 0,790 0,791 0,792 0,796 0,797 0,798 0,799 0,800 0,800

0,90 0,733 0,768 0,790 0,795 0,799 0,801 0,803 0,804 0,805 0,809 0,811 0,812 0,812 0,813 0,814

0,95 0,742 0,779 0,802 0,807 0,811 0,813 0,815 0,817 0,818 0,821 0,823 0,824 0,825 0,826 0,827

En esta tabla hay dos entradas, en la fila superior estn los valores de n para los que se ha calculado la probabilidad, en la columna de la izquierda los de x, para x igual o mayor que cero, en incrementos de 0,05, para cada valor de n y de la x correspondiente tenemos la probabilidad acumulada, expresada con tres cifras decimales. Ejemplo 1: (Ejercicio desarrollado bajo formulas y calculadora) Cul es la probabilidad de que una variable t de Student de 6 grados de libertad deja a la izquierda de -0,75?

Solucin: Se pide:

Como no hay valores negativos en la tabla, se toma: ( En la tabla, se encuentra que: ( Por lo tanto: ( ) ) ) ( )

Ejemplo 2: (Ejercicio desarrollado en un libro de EXCEL) Ver hoja 9 de Excel

1.3.7. Otras distribuciones continuas utilizadas. Mencione una distribucin no mencionada anteriormente en el documento. (DISTRIBUCION GAMMA pendiente ejemplo) Definicin. Es una funcin asimtrica, que tiende a la simetra a ciertos valores de sus dos parmetros. Ejemplo: Mencione una distribucin no mencionada anteriormente en el documento. (DISTRIBUCION BETA pendiente ejemplo) Definicin. Es una familia de distribuciones sesgadas, se usa para modelar variacin de la proporcin o porcentajes de una cantidad. Ejemplo: Mencione una distribucin no mencionada anteriormente en el documento. (DISTRIIBUCION WEIBULL pendiente ejemplo) Definicin. Fue creada para el anlisis de fallas, como tambin para la tasa de riesgo creciente o decreciente; muy til para describir patrones de falla.

Ejemplo:

2. Medidas Estadsticas Bivariantes Definicin.[18] Con bastante frecuencia en estadstica se desea determinar la relacin, si existe, entre dos variables como entre edad y peso, peso y estatura, aos de educacin y salario, cantidad de ejercicio diario y nivel de colesterol, entre otros. Sean x y y, las dos variables, los datos consistirn en una lista de pares de valores numricos: ( )( )( ) ( )

Donde los primeros valores corresponden a la variables x y los segundos valors corresponden a la variable y. Al igual que sucede con una sola variable, se pueden describir esos datos bivariados en forma grfica y numrica. El inters principal es determinar si hay una relacin matemtica, como por ejemplo una relacin lineal, entre los datos. Debe tenerse en cuenta que una relacin estadstica entre dos variables no necesariamente implica que hay una relacin causal entre ellos. Por ejemplo, una fuerte relacin entre peso y estatura no implica que una variable cause la otra. Por otra parte, comer ms, generalmente aumenta el peso de una persona, pero esto, generalmente, no significa que habr un aumento en la estatura de la persona. 2.1. Diagrama de dispersin. 2.1.1. Definicin [18]. Considrese una lista de pares de valores numricos que represente las variables x y y. La dispersin de puntos o el diagrama de dispersin de los datos es, simplemente, una representacin de los pares de valores como 2 puntos en un plano de coordenadas R . La representacin indica algunas veces una relacin entre los puntos. Ejemplo 1: (Ejercicio desarrollado bajo formulas y calculadora) Se tienen los siguientes datos, donde x representa la temperatura diaria promedio en una planta de produccin, en grados Fahrenheit, y representa el consumo diario correspondiente de gas natural en dicha planta, en pies cbicos. x y 50 2.5 45 5.0 40 6.2 38 7.4 32 8.3 40 4.7 55 1.8

Los pares de puntos a representar en el plano cartesiano son: (50, 2.5), (45, 5.0), (40, 6.2), (38, 7.4), (32, 8.3), (40, 4.7) y (55, 1.8) El diagrama de dispersin obtenido es:

Diagrama consumo - temperatura

9 8 7 6 5 4 3 2 1 0 0 20 40 60 Temperatura (Farenheit) Ejemplo 2: (Ejercicio desarrollado en un libro de EXCEL) Ver hoja 10 de Excel Consumo (pies cbicos) 2.2. Regresin. 2.2.1. Definicin [19]. La regresin es una tcnica estadstica utilizada para simular la relacin existente entre dos o ms variables. Por lo tanto se puede emplear para construir un modelo que permita predecir el comportamiento de una variable dada. La regresin es muy utilizada para interpretar situaciones reales, pero comnmente se hace de mala forma, por lo cual es necesario realizar una seleccin adecuada de las variables que van a construir las ecuaciones de la regresin, ya que tomar variables que no tengan relacin en la prctica, nos arrojar un modelo carente de sentido, es decir ilgico. Segn sea la dispersin de los datos (nube de puntos) en el plano cartesiano, pueden darse alguna de las siguientes relaciones, Lineal, Logartmica, Exponencial, Cuadrtica, entre otras. 2.2.2. Regresin Lineal Simple. Definicin [20]. La Regresin lineal simple. Tiene como objeto estudiar cmo los cambios en una variable, no aleatoria, afectan a una variable aleatoria, en el caso de existir una relacin funcional entre ambas variables que puede ser establecida por una expresin lineal, es decir, su representacin grfica es una lnea recta. Cuando la relacin lineal concierne al valor medio o esperado de la variable aleatoria, estamos ante un modelo de regresin lineal simple. La respuesta aleatoria al valor x de la variable controlada se designa por Yx y, segn lo establecido, se tendr

( ) Donde y son los coeficientes de regresin De manera equivalente, otra formulacin del modelo de regresin lineal simple sera: si xi es un valor de la variable predictora y Yi la variable respuesta que le corresponde, entonces

Donde Ei es el error o desviacin aleatoria de Yi.

Ejemplo 1: (Ejercicio desarrollado bajo formulas y calculadora) En el diagrama de dispersin obtenido en el ejemplo 1, donde se relacionan consumo de gas natural contra temperatura, es posible hallar mediante Excel, una lnea recta que caracterice dicha relacin entre las variables. Al colocar una lnea de tendencia lineal en Excel, se obtiene la siguiente grfica, con su correspondiente ecuacin de la recta, con un error o desviacin aleatoria: Ver Hoja 10 en Excel La ecuacin de la recta que muestra Excel es: y= -0,2959x + 17,809 con un error o desviacin aleatoria dada por: R = 0,9143

Ejemplo 2: (Ejercicio desarrollado en un libro de EXCEL) Ver Hoja 10 en Excel 2.2.3. Regresin Mltiple. Definicin.[21] Este tipo de regresin, se presenta cuando dos o ms variables independientes influyen sobre una variable dependiente. Ejemplo: Y = f(x, w, z). Dicha relacin entre la variable dependiente y las m variables independientes, tendr la siguiente forma:

Ejemplo 1:

Una empresa de desarrollo de software establece relacionar sus ventas en funcin del nmero de pedidos de los tipos de software que desarrolla (Bancario, Educativo y Automatizacin), para atender 10 proyectos en el presente ao. En la siguiente tabla se representan: Y (Ventas en miles de pesos) , X (# de pedidos de software bancario), W (# de pedidos de software educativo) y Z (# de pedidos de software de automatizacin).

Y 440 455 470 510 506 480 460 500 490 450

X 50 40 35 45 51 55 53 48 38 44

W 105 140 110 130 125 115 100 103 118 98

Z 75 68 70 64 67 72 70 73 69 74

Al ingresar los datos en Excel, (ver Hoja 11 en Excel) en las columnas Y, X, W y Z y realizar la regresin con esos datos, a travs de la opcin anlisis de datos, (activando la opcin de complementos en la hoja de Excel) en una hoja nueva (ver Hoja 12 en Excel) saldrn los coeficientes b1, b2 y b3, de la expresin dada anteriormente. Resultados obtenidos: b1= 0,82305187 b2= -0,26272198 b3= -4,75565393

2.3. Correlacin. Definicin [22].

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. Ejemplo 1: (Ejercicio desarrollado bajo formulas y calculadora)

Bibliografa e infografa [1] SPIEGEL, Murray R. Teora y problemas de probabilidad y estadstica. Serie de compendios Schaum. Mc. Graw Hill. Mxico. 1976. Pgs. 76 y ss. [2] http://sigma.poligran.edu.co/politecnico/apoyo/Decisiones/curso/apendice.pdf [3] Asurza O. Herminia. Glosario bsico de trminos estadsticos. Instituto Nacional de Estadstica e Informtica. Lima. 2006. Pg. 66. Disponible en: www.inei.gob.pe/biblioineipub/bancopub/Est/Lib0900/Libro.pdf [4] LIND, Douglas A., MARCHAL, William G. y MASON, Robert D. Estadstica para Administracin y Economa. Ed. 11. Editorial Alfaomega. Mxico. 2004. p. 99-113. [5] LUNA GNDARA, Rita. Distribuciones de probabilidad. Curso de probabilidad y estadstica. Departamento Ingeniera Industrial. Instituto Tecnolgico de Chihuahua (ITCH) .http://www.itch.edu.mx/academic/industrial/sabaticorita/_private/04Distribuciones%20de%20 Probabilidad.htm [6] Departamento de Estadstica. La distribucin uniforme discreta. Universitat de Barcelona. 2007.http://www.ub.edu/stat/GrupsInnovacio/Statmedia/demo/Temas/Capitulo3/B0C3m1t8.ht m [7] PEREZ OLANO, Javier. Distribucin binomial y distribucin normal. Matemticas. Espaa. 2004. http://sauce.pntic.mec.es/~jpeo0002/Archivos/PDF/T03.pdf [8] DIAZ, Francisca, BARON, Francisco, SANCHEZ, Elisa y PARRAS, Luis. Distribucin binomial negativa. Bioestadstica y aplicaciones. Universidad de Mlaga. http://www.bioestadistica.uma.es/libro/node72.htm [9] RAMIREZ B., Kryscia Daviana. Algunas distribuciones continuas de Probabilidad. Probabilidad y estadstica. UCR-ECCI (Escuela de ciencias de la computacin e informtica). http://www.kramirez.net/ProbaEstad/Material/Presentaciones/DistribucionesProbabilidadCont inuas.pdf [10] HERNANDEZ, Juan Luis. Distribucin normal: Ejemplos. Web de Tecnologa Elctrica. Estadstica.http://www.tuveras.com/estadistica/normal/ejemplos.htm

[11] DIAZ, Francisca, BARON, Francisco, SANCHEZ, Elisa y PARRAS, Luis. Distribucin exponencial. Bioestadstica y aplicaciones. Universidad de Mlaga. http://www.bioestadistica.uma.es/libro/node78.htm [12] LUNA GNDARA, Rita. Distribucin exponencial. Curso de probabilidad y estadstica. Departamento Ingeniera Industrial. Instituto Tecnolgico de Chihuahua (ITCH) http://www.itch.edu.mx/academic/industrial/sabaticorita/_private/03Distribucion%20Exponenc ial.htm [13] TAFOYA, Hctor; CRUZ, Ariel y PEA, Jennifer. Distribucin exponencial y de Poisson. Curso de Mtodos cuantitativos y simulacin (Ral Monroy). Departamento de Ciencias de la computacin. Tecnolgico de Monterrey. http://homepage.cem.itesm.mx/raulm/ [14] GARCIA, Nelson. Qu es y cmo se calcula la distribucin Chi Cuadrado?. Web page: Eye in the Sky. la verdad cientfica sobre los juegos de azar. http://www.eyeintheskygroup.com/Azar-Ciencia/Analisis-Estadistico-Juegos-de-Azar/CalculoDistribucion-Chi-Ji-Cuadrado.htm [15] GALBIATI, Jorge. Distribucin Ji Cuadrado.. y T de Student. Revista Digital Letra Media. http://www.jorgegalbiati.cl/nuevo_06/jicuad.pdf, y http://www.jorgegalbiati.cl/nuevo_06/tstud.pdf [16] HERVS, Jos Antonio. Manual para el control estadstico de procesos. Funciones de distribucin de probabilidades. http://www.matematicasypoesia.com.es/Estadist/ManualCPE04p2.htm [17] Ruiz C. M; Morcillo A. M. C; Garca G. J; CASTILLO V. C; Curso de Probabilidad y Estadstica Ed. Universidad de Mlaga. 2000. p: 143. Disponible en: http://es.wikibooks.org/wiki/Tablas_estad%C3%ADsticas/Distribuci%C3%B3n_t_de_Student [18] LIPSCHUTZ, Seymour y LIPSON, Marc L. Teora y problemas de probabilidad. Segunda edicin. Mc. Graw Hill. Colombia. 2001. P. 263-265. [19] BOLIVAR. Mnica. Monografa en lnea: Regresin http://www.monografias.com/trabajos14/estadistica/estadistica.shtml y Correlacin.

[20] LOPEZ S., Jess, PEREZ, Alberto, ZAMORA, Javier y otros. Regresin lineal simple. Departamento de Matemtica Aplicada. Facultad de Biologa. Universidad Complutense de Madrid. http://e-stadistica.bio.ucm.es/mod_regresion/regresion_2.html [21]ROBLES, Daniel A. Monografa en lnea: Regresin Mltiple. http://www.monografias.com/trabajos30/regresion-multiple/regresion-multiple.shtml [22]VITUTOR. Correlacin. http://www.vitutor.com/estadistica/bi/correlacion.html