UNIVERSIDAD DE LA COSTA CUC

ESTADISTICA 1

TRABAJO DE CONSULTA

PRESENTADO POR:

DANIELA ANDREA SUAREZ SUAREZ

PRESENTADO A:

PROF.HENRY HERRERA SANDOVAL

GRUPO:

GN2

BARRANQUILLA SEPTIEMBRE 2015

Teorema de Chebyshev.
Si una variable aleatoria tiene una varianza o desviacin estndar pequea,
esperaramos que la mayora de los valores se agrupan alrededor de la media.
Por lo tanto, la probabilidad de que una variable aleatoria tome un valor dentro
de cierto intervalo alrededor de la media es mayor que para una variable
aleatoria similar con una desviacin estndar mayor si pensamos en la
probabilidad en trminos de una rea, esperaramos una distribucin continua
con un valor grande de que indique una variabilidad mayor y, por lo tanto,
esperaramos que el rea este extendida. Sin embargo, una desviacin
estndar pequea debera tener la mayor parte de su rea cercana a
.Podemos argumentar lo mismo para una distribucin discreta. En el
histograma de probabilidad. El rea se extiende mucho ms que. Lo cual indica
una distribucin ms variable de mediciones o resultados el matemtico ruso P.
L. Chebyschev(18211894) descubri que la fraccin de rea entre
cualesquiera dos valores simtricos alrededor de la media est relacionada con
la desviacin estndar. Como el rea bajo una curva de distribucin de
probabilidad, o de un histograma de probabilidad, suma 1, el rea entre
cualesquiera dos nmeros es la probabilidad de que la variable aleatoria tome
un valor entre estos nmeros. El siguiente teorema, debido a Chebyshev da
una estimacin conservadora de la probabilidad de que una variable aleatoria
tome un valor dentro de k desviaciones estndar de su media para cualquier
nmero real k proporcionaremos la demostracin solo para el caso continuo y
se deja el caso discreto como ejercicio.

Ejercicios

Medidas de formas
Una vez iniciado el anlisis estadstico de sintonizacin de la informacin, para
lo cual hemos estudiado las medidas de tendencia central, de posicin relativa
y de dispersin de un conjunto de datos, necesitamos conocer ms sobre el
comportamiento de tales datos. Para ello estudiaremos las medidas de forma,
las cuales nos proporcionan informacin sobre cmo se distribuyen los datos.
Las medidas de forma se clasifican en medidas de asimetra (o coeficiente de
sesgo) y medidas de curtosis (o de apuntamiento). A continuacin,
explicaremos cada una de ellas. Antes, estudiaremos los conceptos de simetra
y asimetra.
Simetra y asimetra
Decimos que una distribucin de frecuencias es simtrica cuando lo es su
representacin grfica, es decir, los datos equidistantes a una medida central
de la misma tienen frecuencias iguales. Esta medida central coincide con la
mediana y la media.
Una distribucin de frecuencias que no es simtrica, se denomina asimtrica.
La asimetra se puede presentar a la derecha (asimetra positiva) o a la
izquierda (asimetra negativa) si la representacin grfica est ms estirada
hacia la derecha o hacia la izquierda, respectivamente.
(a) Distribucin simtrica uni-

(b) Distribucin simtrica bi- modal

modal

(c) Distribucin asimtrica a

la derecha

(d) Distribucin asimtrica a

la izquierda

Fig. 1: Comparacin de cuatro distribuciones cuya forma difiere.

En este tipo de distribuciones, los datos se encuentran repartidos a lo largo del

recorrido de forma que todas las medidas de tendencia central estn justo en el
centro del conjunto de datos.
Si la distribucin es asimtrica a la derecha el orden en que aparecen las
medidas de tendencia central es moda-mediana-media (comprese con la
figura 1.2). Es decir, se cumple la relacin:
Moda < mediana < media.
Esto es as porque es en el lado derecho dnde se concentra la mayor
frecuencia de los datos, por lo tanto, observamos una cola larga a la derecha
de la distribucin.
Si la distribucin es asimtrica a la izquierda, el orden en que aparecen es
media-mediana-moda (comprese con la figura 1.13c). Es decir, se cumple la
relacin:
Media < mediana < moda.
En este caso, la mayor frecuencia de los datos se concentra en el lado
izquierdo. Por lo tanto, observamos una cola larga hacia la izquierda de la
distribucin.
Consideremos el caso en que la distribucin no es unimodal:
Para distribuciones que no tengan moda, si la media es igual a la mediana,
entonces, la representacin grfica de la distribucin es simtrica.
Para distribuciones que tengan ms de una moda, la media es igual a la
mediana si y slo si la representacin grfica de la distribucin es simtrica.
(a) Distribucin simtrica

(b) Distribucin asimtrica a la derecha

(c) Distribucin asimtrica a la izquierda

Fig. 2: Comparacin de tres distribuciones unimodales cuya forma difiere.

Medidas de asimetra
Las medidas de asimetra o coeficientes de sesgo tienen como finalidad la de
elaborar un indicador que permita establecer el grado de simetra (o asimetra)
que presenta una distribucin, sin necesidad de llevar a cabo su representacin
grfica. La medida de asimetra ms utilizada en la prctica es el llamado
coeficiente de asimetra de Pearson.
El coeficiente de asimetra de Pearson, simbolizado por Ap, se define como la
diferencia entre la media aritmtica y la mediana dividida por la desviacin
estndar. Es decir,

Ap=

mediaaritmeticamoda
desviacion estandar

Cuando As = 0, se dice que la distribucin es simtrica; cuando As > 0, se

dice que la distribucin es sesgada positivamente o a la izquierda y cuando As
> 0, se dice que la distribucin es sesgada negativamente o a la derecha.
Consideremos la figura 2, en donde mostramos la forma de tres conjuntos de
datos.
Los datos en la figura 2(a) son simtricos. Por esta razn, el coeficiente de
sesgo es cero.
Los datos de la figura 2(b) estn sesgados a la derecha. Por lo tanto, el
coeficiente de sesgo es positivo.
Los datos de la figura 2(c) estn sesgados a la izquierda. Por consiguiente, el
el coeficiente de sesgo es negativo.
Ahora bien, por diversas razones, el coeficiente de asimetra de Pearson tan
slo es aplicable en las distribuciones de forma acampanada y unimodales. En
distribuciones de otro tipo se puede utilizar, entre otros, los llamados coeficiente
de asimetra de Fisher y coeficiente de asimetra de Fisher estandarizado.
Los coeficientes de asimetra de Fisher (simbolizado por g1) y de Fisher
estandarizado (simbolizado por gs) de un conjunto de datos x1,...,xn con
frecuencias f1,...,fn se definen:
Si g1 = 0 la distribucin es simtrica; si g1 > 0, la distribucin es sesgada
positivamente, y si
g1 > 0, la distribucin es sesgada negativamente. Interpretaciones anlogas se
tienen con el valor de gs .
Relacin emprica entre media, mediana y moda

El siguiente teorema fue encontrado empricamente por Pearson. All se puede

observar claramente una relacin emprica entre la media, la mediana y la
moda.
Para distribuciones campanoides, unimodales y moderadamente asimtricas se
cumple aproximadamente la relacin emprica
Media Moda 3(Media aritmtica Mediana),
Con lo anterior, el coeficiente de asimetra de Pearson se puede calcular
tambin a travs de la frmula:

Ap=

3(mediaaritmeticamediana)
desviacion estandar

Medidas de curtosis o apuntamiento

Las medidas de curtosis estudian la distribucin de frecuencias en la zona
central de la misma. La mayor o menor concentracin de frecuencias alrededor
de la media y en la zona central de la distribucin dar lugar a una distribucin
ms o menos apuntada. Por esta razn, a las medidas de curtosis se aplican a
distribuciones campaniformes, es decir, unimodales simtricas o con ligera
asimetra. Para estudiar la curtosis de una distribucin es necesario definir
previamente una distribucin tipo, que vamos a tomar como modelo de
referencia. Esta distribucin es la normal, que slo introduciremos en la
seccin? Por esta razn, aplazaremos nuestro estudio de la curtosis de una
distribucin para ms adelante, una vez que hallamos introducido la
distribucin normal.

Bibliografia

http://estadisticarsanchez.com/CC_08_EjPrTchebycheff.pdf
http://www.virtual.unal.edu.co/cursos/ciencias/2001065/html/un1/cont_13
5_35.html
http://eduvirtual.cuc.edu.co/moodle/pluginfile.php/23379/mod_resource/c
ontent/1/Capitulo%201%20.pdf