publicidad

INTRODUCCIN A LAS VARIABLES ALEATORIAS

En el lenguaje de la probabilidad y la estadstica, el total que lanzamos con un par
de dados es una variable aleatoria, el tamao de la familia de una pareja escogida
aleatoriamente y su ingreso de un foco incandescente escogido aleatoriamente
para inspeccin.
Puesto que asociar un numero con cada punto(elemento) de un espacio muestral
es simplemente otra forma de decir que estamos definiendo una funcin sobre los
puntos de un espacio muestral.
DEFINICIONES
Si s es un espacio muestral con una medida de probabilidad y x es una funcin de
valor real definida sobre los elementos de s, entonces x se llama una variable
aleatoria.
Una variable x es una variable aleatoria si los valores que toma corresponden a
los distintos resultados posibles de un experimento, y por ello el hecho de que
tome un valor particular es un evento aleatorio.
Por ejemplo:
Considere el muestreo de 20 consumidores a los que se les preguntaba su
preferencia por el envase A o B. El numero de consumidores que prefiera el envase
A puede considerarse como una variable aleatoria y que puede tomar cualquiera
de los valores 0,1, 2....20. cada uno de estos valores corresponden a un resultado
posible del experimento consiste en la extraccin de la muestra de 20
consumidores y el consiguiente registro del numero de ellos prefiere el envase A.
El variable X es una variable aleatoria ya que el valor que tomara al llevar a cabo
el experimento no puede predecirse con certeza; esto es, el hecho de que tome un
valor determinado.
En los ejemplos que se han dado nos hemos limitado nuestro anlisis a espacios
muestrales discretos, y por tanto variables aleatorias discretas, a saber,
variables aleatorias cuyo intervalo es finito o infinito numerable.
CLASIFICACION DE LAS VARIABLES ALEATORIAS
Las variables aleatorias se clasifican en dos tipos: discretas o continuas.
DEFINICIN
Una variable aleatoria discreta es aquella que toma. a lo mas una cantidad
numerable de valores distintos.
El hecho de que la cantidad de valores que pueden tomar una variable aleatoria
sea numerable quiere decir que estos valores se pueden asociar a los enteros

1.2.3.4 en otras palabras. que se pueden enumerar. El numero de valores distintos

que la variable aleatoria discreta y que puede tomar. puede ser entonces finito o
infinito (ya que el proceso de numeracin puede no terminar nunca).
El numero de errores y que un mecnico comete en una lnea de ensamblado es
una variable aleatoria discreta ya que solo puede cometer un error finito de ellos.
0,1,2,3.......N, en donde N es el numero de operaciones hechas en lnea. El numero
de aos (y) que deben transcurrir para que determinada compaa logre sus
acciones valgan 1 billn de dlares podran ser infinito. Aun as y es una variable
aleatoria discreta. En este ultimo ejemplo. la cantidad la cantidad de valores que
puede tomar y es conceptual mente infinita. Otros ejemplos de variables aleatorias
discretas son los sig:
1.- El numero de automviles vendidos en un mes.
2.- El numero de accidentes ocurridos en una determinada semana en una planta
de manufactura, tambin determinada
3.- El numero de clientes esperando servicio en la caja de un supermercado.
4.- El numero de tubos electrnicos de televisin producidos en una hora
determinada.
Una variable aleatoria continua se define como:
DEFINICIN
Una variable aleatoria continua es aquella que puede tomar cualquier valor de
entre todos los contenidos en un intervalo de la recta.
Como ejemplo. suponga que se mide la distancia entre un abastecimiento y un
posible consumidor y se representa esta por una variable aleatoria y. Si se usa un
instrumento de medicin exacto. cada posible valor de y podra. al menos desde el
punto de vista terico. considerarse como un punto en un intervalo de la recta.
Otros ejemplos de la variable aleatoria continua son los sig:

El tiempo necesario para completar el ensamblaje de un articulo en una planta.

La cantidad de petrleo bombeado cada hora en un pozo.

La cantidad en miligramos de monxido de carbono contenido en un metro cbico

de aire.

La cantidad de energa elctrica producida en una planta hidroelctrica en un da.

Es importante la diferencia que se hace entre las variables aleatorias discretas y
continuas ya que se requieren modelos pro balsticos distintos para cada uno de
ellas. Las probabilidades asociadas a cada valor posible de una variable discreta
suman 1. yeso no es posible para las continuas. En las dos secciones que siguen.
se consideran por separado las distribuciones de probabilidad para las variables
aleatorias discretas y continuas.
CLASIFICACION DE LAS VARIABLES ALEATORIAS
1.- Cul es la definicin de variables aleatorias y continuas?

R: Aquella que puede tomar cualquier valor de entre todos los contenidos en un
intervalo de la recta.
2.-Qu es la variable aleatoria discreta?
R: Aquella que toma, a lo mas una cantidad numerable de valores distintos.
3.-Qu se entiende por el hecho de que la cantidad de valores que puede la
variable aleatoria sea numerable?
R: Que estos valores se pueden asociar a los enteros 1,2,3,4,..., en otras palabras,
que se pueden enumerar.
4.- Qu nmeros de valores distintos pueden tomar la variable aleatoria discreta
y?
R: Pueden ser finito o infinito C y a que el proceso de numeracin puede no
terminar nunca.
5. Cul es la diferencia entre variables aleatorias continuas y aleatorias discretas?
R: En que las continuas toma cualquier valor de entre todos los contenidos en un
intervalo y la discreta es la que toma una cantidad numerable de valores distintos.
DISTRIBUCIN DE PROBABILIDAD PARA UNA VARIABLE ALEATORIA
DISCRETA
Una distribucin de probabilidad para una variable aleatoria discreta es un
listado mutuamente excluyente de todos los resultados numricos posibles para
esa variable aleatoria tal que una probabilidad especifica de ocurrencia se asocia
con cada resultado.
Valor esperado de una variable aleatoria discreta: es un promedio
ponderado de todos los resultados posibles, donde las ponderaciones son las
probabilidades asociadas con cada uno de los resultados.
PONDERACION: Atencin, cuidado con que se hace o dice una cosa. Exageracin.
Accin de pasar una cosa. compensacin o equilibrio entre dos pesos.
La media de una distribucin de probabilidad es el valor esperado de su variable
aleatoria.

La varianza de una variable aleatoria discreta se define como el promedio

ponderado de los cuadros de las diferencias entre cada resultado posible y su
media.
Esta medida se puede obtener multiplicando el cuadrado de cada diferencia
posible. por su probabilidad correspondiente y luego sumando los productos
obtenidos.

DESVIACIN ESTANDAR DE UNA VARIABLE ALEATORIA DISCRETA

Se dice que un modelo es la representacin en miniatura de algunos fenmenos

relevantes. En particular, un modelo matemtico es una expresin matemtica que
representa algn fenmeno relevante. Para variables aleatorias discretas, esta
expresin matemtica se conoce como funcin de distribucin de probabilidad.
NOTA:
Xi: i-esimo resultado de X, la variable aleatoria discreta de inters.
P(Xi): probabilidad de ocurrencia del i-esimo resultado de X.
Hipotecas de
Casa Aprobadas
por semana

0.10

0.10

0.20

0.30

0.15

0.10

2.05

Distribucin de probabilidad de hipotecas

De casas aprobadas por semana
(0)(.10)+(1)(.10)+(2)(20)+(3)(.30)+(4)(.15)+(5)(.10)+(6)(0.5)
M=2.8
Varianza
(0-2.8)2 (0.10) + (1-2.8)2 (.10) + (2-2.8)2(.20) + (3-2.8)2(.30) + (4-2.8)2(.15) + (52.8)2(.10) + (6-2.8)2(.05)
=

CUESTIONARIO

1.- Qu es la distribucin de probabilidad para una variable aleatoria discreta?

R: es un listado mutuamente excluyente de todos los resultados numricos
posibles para esa variable aleatoria tal que una probabilidad especifica de
ocurrencia se asocia con cada resultado.
2.- Es el promedio ponderado de todos los resultados posibles, donde las
ponderaciones son las probabilidades asociadas de los resultados: Valor esperado
de una variable aleatoria discreta.
3.- Cmo se define la varianza de una variable aleatoria discreta?
R: como el promedio ponderado de los cuadros de las diferencias entre cada
resultado posible y su media
4.- Cmo se obtiene la varianza de una variable aleatoria discreta?
R: multiplicando el cuadrado de cada diferencia posible, por su probabilidad
correspondiente y luego sumando los productos obtenidos.
5.- Qu es el modelo matemtico?
R: Es una expresin matemticas que representa algn fenmeno relevante
6.- Con que otro nombre se le conoce al modelo matemtico?
R: Como funcin de distribucin de probabilidad
ESPERANZA MATEMTICA
Originalmente el concepto de esperanza matemtica surgi en relacin con los
juegos de azar y en su forma mas simple es el producto de la cantidad que un
jugador puede ganar y la probabilidad de que ganara. Por ejemplo: si tenemos uno
de 10,000 boletos de una rifa cuyo premio principal es un viaje que vale 4,800
nuestra esperanza matemtica es 4,800. 1/ 10,000= $0.48 por boleto. Si tambin
hay un segundo premio de $1.200 y u tercer premio con valor de $400, podemos
argumentar que en conjunto los 10,000 boletos pagan $4,800+ $1,200, + $400=
$6,400 o en promedio $6,400/ 10,000= $0.64 por boleto. Veamos esto e forma
diferente podemos argumentar que si la rifa se repite muchas veces perderamos
99.97 porciento de las veces (o una probabilidad de 0.9997) y ganaramos cada
uno de los premios 0.01 porciento de las veces (o con probabilidad de 0.0001) en
promedio ganaramos as 0(0.9997) + 4,800(0.0001) + 1,200(0.0001) +
400(0.0001)= $0.64, que es la suma de os productos obtenidos al multiplicar cada
cantidad por la probabilidad correspondiente.
EL VALOR ESPERADO DE VARIABLE ALEATORIA
En la ilustracin de la seccin anterior la cantidad que ganamos fue una variable
aleatoria fue la suma de los productos obtenidos al multiplicar cada valor de la
variable aleatoria de la probabilidad correspondiente. Nos referimos a la esperanza
matemtica de una variable aleatoria simplemente como su valor esperado, y
entendemos la definicin al caso continuo al reemplazar la operacin e la suma por
la integracin, as tenemos.

DEFINICIN
si x e una variable aleatoria discreta y f(x) es el valor de su distribucin de
probabilidad en x, el valor esperado de x es :

De manera correspondiente si x es una variable aleatoria continua y f(x) es el valor

de su densidad de probabilidad en x, el valor esperado e x es:

En esta definicin se supone, por supuesto, que la suma o la integral existe; de

otra manera la esperanza matemtica esta indefinida.
CUESTIONARIO
1.- En relacin a que surgi el concepto esperanza matemtica?
R: Surgi en relacin con los juegos de azar
2.- Qu es esperanza matemtica?
R: Es el producto de cantidad que un jugador puede ganar y la probabilidad de que
gane.
3.- Con que otro nombre se le conoce a la esperanza matemtica?
R: Valor esperado
4.- Cmo nos referimos a la esperanza matemtica aleatoria?
R: Como su valor esperado y entendemos la de definicin al caso continuo al
remplazar la operacin en la suma por la integracin, asi tenemos.
5.- De acuerdo a la definicin que se encuentra en el rectngulo la esperanza
matemtica esta definida o indefinida?
R: Si x es una variable aleatoria discreta y f(x) es el valor de su distribucin de
probabilidad en x, el valor esperado de x es:
E(x)= x.F(x)
DISTRIBUCION DE PROBABILIDAD PARA VARIABLES ALEATORIAS
CONTINUAS
Una variable aleatoria continua es aquella que puede asumir el numero
infinitamente grande de valores correspondientes a los puntos sobre un intervalo
en una lnea recta. (Son el resultado de un proceso de medir).
Las probabilidades asociadas con una variable aleatoria continua se dan como
reas bajo la distribucin de probabilidad f(y).No es posible asignar probabilidades
a los puntos mustrales asociados con una variable aleatoria continua, requiere un
modelo poblacional completamente distinto. Cuando el numero de observaciones
se vuelve muy grande y los intervalos muy pequeos, las frecuencias relativas se
presentaran para todos los propsitos como una curva sin saltos.

Las frecuencias relativas asociadas con una clase particular de la poblacin, es la

de fraccin de observaciones de la poblacin que caen en este intervalo Y, tambin
es la probabilidad de seleccionar una observacin de clase. Por ejemplo si el rea
total debajo de un histograma de frecuencia relativa se ajustase de modo que sea
igual a uno, entonces las reas bajo la curva de frecuencias correspondera a
probabilidades.
Supongamos que la variable aleatoria Y pueda tomar valores sobre una lnea recta,
distribuiremos una unidad de probabilidad a lo largo de la lnea, de la misma forma
en que una persona podra distribuir un puado de arena, donde cada observacin
de la poblacin correspondera a un grano de arena.
La probabilidad, granos de arena u observaciones se amontonaran en ciertos
lugares y el resultado ser una distribucin de probabilidad, el espesor o densidad
de probabilidad, que varan y se puede representar por una ecuacin
matemticamente llamada de probabilidad (o la de la funcin de densidad de
probabilidad) de la variable aleatoria y la funcin de densidad f(y).
La funcin de densidad f(y) se define de modo que el rea total bajo la curva sea
igual a uno, por lo tanto, que el rea sobre un intervalo dado sea igual a la
probabilidad de que Y caiga en aquel intervalo.
As, la probabilidad de que A < Y < B (A sea menor que Y, sea menor que B) es
igual que el rea sombreada bajo la funcin de densidad entre los puntos A y B.

Cmo escogemos el modelo, esto es, la distribucin de probabilidad f(y)

apropiada para una situacin fsica dada? Y despus como podemos calcular el
rea bajo la curva que corresponde a un intervalo dado? La primera pregunta es la
mas difcil por que su respuesta depende del tipo de observacin implicada, lo que
es importante observar, es que se requiri sentido coman al asignar las
probabilidades a los puntos mustrales que aunque inexacta, las probabilidades
eran suficientemente precisas para procesos prcticos. Una vez que el modelo f(y)
ha sido escogido, podemos calcular las reas bajo la curva usando el calculo
integral, podramos conseguir una aproximacin del rea por promedio de una
inspeccin visual.
CUESTIONARIO
1.- Qu es una variable aleatoria continua?
R: es aquella que puede asumir el numero infinitamente grande de valores
correspondiente a los puntos sobre un intervalo en una lnea recta.
2.- cmo se dan las probabilidades asociadas con una variable aleatoria continua?
R: Se dan como reas bajo la distribucin de probabilidad f(y)
3.- Es posible asignar probabilidades a los puntos mustrales asociados con una
variable aleatoria continua?
R: No es posible ya que requiere un modelo poblacional completamente distinto
4.- Cmo se puede representar el espesor o densidad de probabilidad que varia
con Y?
R: Por una ecuacin matemticamente llamada de probabilidad (o la de la funcin
de densidad de probabilidad) de la variable aleatoria y la funcin de densidad f(y).
5.- Menciona un ejemplo de variable aleatoria continua
R:
DISTRIBUCIN POISSON
DATOS HISTRICOS:
La distribucin de Poisson se llama as en honor a Simen Dennis Poisson (1781 1840), francs que desarrollo esta distribucin basndose en estudios efectuados
en la ultima parte de su vida.
DEFINICIN:
La distribucin de poisson desempea un papel muy importante por derecho
propio como modelo probabilistico apropiado para un gran numero de fenmenos
aleatorios.
Distribucin De Poisson.
Caractersticas:

En este tipo de experimento los xitos buscados son expresados por unidad de
rea, tiempo, pieza, etc, etc,:
- de defectos de una tela por m2
- de aviones que aterrizan en un aeropuerto por da, hora, minuto, etc, etc.
- de bacterias por cm2 de cultivo
- de llamadas telefnicas a un conmutador por hora, minuto, etc, etc.
- de llegadas de embarcaciones a un puerto por dia, mes, etc, etc.
Para determinar la probabilidad de que ocurran x xitos por unidad de tiempo,
rea, o producto, la formula a utilizar seria:

donde:
=probabilidad de que ocurra x xitos, cuando el numero promedio de ocurrencia de
ellos es
= media o promedio de xitos por unidad de tiempo, rea o producto
= 2.718
= variable que nos denota el numero de xitos que se desea que ocurra
hay que hacer notar que en esta distribucin el numero 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:
Si un banco recibe en promedio 6 cheques sin fondos por da, cuales son las
posibilidades de que reciban 4 cheques sin fondo en un da dada.
a) x= variable que nos define el numero de cheques sin fondo que llegan al banco
en un da cualquiera.
(landa) = 6 cheques sin fondo x da
= 2.718

Solucin:

CUESTIONARIO
1.- Qu es la distribucin Poisson?
R: es el modelo probabilistico apropiado para un gran numero de fenmenos
aleatorios
2.- En honor a quien se debe la distribucin Poisson?
R: A Simeon Dennis Poisson(1781 - 1840)
3.- en este tipo de experimentos los xitos buscados son expresados por.
R: Unidad de rea, tiempo, pieza, etc.
4.- Menciona un experimento en el que pueda ser usado la distribucin poisson
R: num. de llegadas de embarcaciones a un puerto por da, mes, etc.
5. Cual es la funcin para determinar la probabilidad de que ocurra x xitos por
unidad e tempo, rea o producto?

R:
DISTRIBUCIN NORMAL
O CAMPANA DE GAUSS
La distribucin normal fue reconocida por primera vez por el francs Abraham de
Moivre (1667 - 1754). Posteriormente, Carl Friedrich Gauss (1777 - 1855) elaboro
desarrollos mas profundos y formulo la ecuacin de la curva; de ah que tambin
se le conozca, mas comnmente, como la Campana de Gauss.
La distribucin normal es la distribucin de probabilidad que con mas frecuencia
aparece en estadstica y teora de probabilidades.
Lo Importancia de lo distribucin normal se debe principalmente o que hoy muchos
variables asociados o fenmenos naturales que siguen el modelo de lo normal:

Caracteres morfolgicos de individuos (personas, animales, plantas,...) de uno

especie, ejemplo. tallos, pesos, envergaduras, dimetros, permetros.

Caracteres fisiolgicos, por ejemplo: efecto de uno mismo dosis de un

medicamento, o de uno mismo cantidad de abono.

Caracteres sociolgicos, por ejemplo: consumo de cierto producto por un mismo

grupo de individuos, puntuaciones de examen.

Caracteres psicolgicos, por ejemplo: cociente intelectual, grado de adaptacin

a un medio.

Valores estadsticos mustrales, por ejemplo: lo media.

Lo distribucin normal quedo definido por dos parmetros, su medio y su

desviacin estndar y lo representamos as:

Ejemplo: supongamos que se sabe que el peso de los sujetos de una determinada
poblacin sigue una distribucin aproximadamente normal, con una media de 80
kg y una desviacin estndar de 10 kg. Podremos saber cual es la probabilidad de
que una persona, elegida al azar, tenga un peso superior a 100 kg?

como el rea total bajo la curva es igual a 1, se puede deducir que:

Por lo tanto, la probabilidad buscada de que una persona elegida aleatoriamente

de eso poblacin tenga un peso mayor de 100 Kg , es de 1-0.9772=0.0228, es
decir, aproximadamente de un 2.3%
Ejemplo: La vida media de una lmpara, segn el fabricante, es de 68 meses, con
una desviacin tpica de 5 , distribuye segn una distribucin normal en un lote de
10.000 lmparas. Cuntas lmparas supern75 meses?
t =75-68/5=1.4 P(X>75)=(t>1.4)=1-p (t<1.4)=1-0.9192=0.0808

10.000 0.808= 808 lamparas superan los 75 meses

Ejemplo: Una empresa instala en una ciudad 20.000 bombillas para su
iluminacin. La duracin de una distribucin normal con media de 302 das y
desviacin tpica de 40 das. Calcular.
A) Cuntas bombillas Se fundirn antes de 365 das?
B) cuantas duraran mas de 400 das?
A) t = 365 - 302 /40 = 1.575 P (X < 365) = P (t <1.575) = 0.9418
20.000 0.9418 = 18.836 bombillas se fundirn antes de 365 das.
B) t = 400 - 302 / 40 = 2.45 P ( X > 400 ) = P ( t > 2.45 ) = 1 - P ,( t < 2.45 ) =1 0.9929 = 0.0071
20.000 0.0071 = 142 bombillas duraran mas de 400 das

DISTRIBUCIN NORMAL
1.- Que es la distribucin normal?

R= Es la distribucin de probabilidad que con mas frecuencia aparece en

estadstica y
teora de probabilidades, esto se debe a su forma de campana.
2.-Con que otro nombre se le conoce a la distribucin normal?
R= Campana de Gauss.
3.-Cual es la importancia de la distribucin normal? R= Se debe principalmente a
que hay muchas variables naturales que asociadas a fenmenos siguen el modelo
de la normal:
Caracteres morfolgicos
Caracteres fisiolgicos,
Caracteres sociolgicos,
Caracteres psicolgicos,
Valores estadsticos.
4.-Cuales son sus parmetros?
R= Su media () y su desviacin estndar ()
5.-Cuales son las caractersticas de la distribucin normal?
R=
* Tiene forma de campana.
* La curva tiene un solo pico.
* La media se encuentra en el centro de la curva normal, la mediana y la moda
tambin se encuentran en el centro por lo tanto poseen el mismo valor.
* Se extiende de manera indefinida hacia los extremos (izquierdo y derecho) y
nunca toca el eje horizontal.
DISTRIBUCIN F
Llamada as en honor s Sir Fonald A. Fisher, uno de los fundadores de la estadstica
moderna. Esta distribucin de probabilidad se usa como estadstica prueba en
varias situaciones.
Originalmente, se estudi como la distribucin de muestreo de la razn de dos
variables aleatorias independientes como distribuciones ji cuadrada, cada una
dividida por sus grados de libertad respectivos.
Se emplea para probar si dos muestras provienen de poblaciones que poseen
varianzas iguales. Es til para determinar si una poblacin normal tiene una mayor
variacin que la otra y tambin se aplica cuando se trata de comparar
simultneamente varias medidas poblacionales.

La comparacin simultnea de varias medidas poblacionales se conoce como

Anlisis de Varianza (ANOVA). En ambas situaciones, las poblaciones deben ser
normales y los datos tener al menos la escala de intervalos.
CARACTERSTICAS

Es una distribucin continua

No puede ser negativa

A medida que aumentan los valores, la curva se aproxima al eje X, pero nunca la
toca.
La distribucin F esta relacionada con el cociente de varianzas pues la distribucin
F tambin se le conoce como la distribucin de la razn de varianzas.
PRUEBA DE LA HIPTESIS F: Clculo e interpretacin de la estadstica F.
Si sustituimos con la abreviatura estadstica, el numerador y denominador de
este cociente, la ecuacin se convierte.
VARIANZA DENTRO
X

X-M

(X - M)2

15

-2

18

19

22

25

11

36

85

70

X-M

(X - M)2

22

27

36

18

-3

21

17

-4

16

105

62

X-M

(X - M)2

18

-1

24

25

19

16

-3

22

15

-4

16

114

60

Varianza de muestra

VARIANZA ENTRE
h
5

17 19

-2

20

21 19

20

19 19

t=57 T=40

Num. De grados de libertad en el numerador de cociente f. =(Num. Muestral-1)

(3-1) = 2
Num. De grados de libertad en el denominador del cociente f =
Num. De cifras de cada una de las tablas

El denominador y el numerador deben ser aproximadamente iguales si la hiptesis

nula es verdadera.
DISTRIBUCIN F
GRADOS DE LIBERTAD
Se determina un grado de libertad cuando calculamos la varianza entre columna, y
el numero de grado de libertad para el numerador del coeficiente F siempre es una
unidad menor que el numero de muestras. La regla es:
Numero de grado de libertad =(numero de muestras -1)
En el numerador de coeficiente F
Y podemos calcular el numero degrado de libertad en el denominador del
coeficiente F, utilizando la ecuacin:
Numero de grado de libertad en =
El denominador de coeficiente F

Anlisis de varianza (ANOV A) tcnica estadstica utilizada para probar la

equidad de 3 o mas medidas de muestra y, de este modo, hacer inferencias sobre
si las muestras provienen de poblaciones que tienen la misma medida.
Distribucin F familia de distribuciones diferenciadas por dos parmetros (grados
de libertad del denominador, grados de libertad del denominador), utilizada
principalmente para probar hiptesis con respecto a varianza.

CUESTIONARIO
1.- Por qu se llama distribucin F?
R: en honor a Sir Fonald A. Fisher
2.- Como se estudio originalmente la distribucin F?
R. como la distribucin de muestreo de la razn de dos variables aleatorias
independientes

3.- Para que se emplea la distribucin F?

R: para probar si dos muestras provienen de poblaciones que poseen varianzas
iguales
4.- Cmo se le conoce a la distribucin F?
R: La distribucin de la razon de varianza
5.- a que se le conoce como anlisis de varianzas?
R: A la comparacin simultanea de varias medidas poblacionales

LA DISTRIBUCIN T DE STUDENT
La distribucin T de student es una distribucin continua que se define por la
siguiente expresin:
X: media
T: cantidad
S: desviacin estndar muestral
La distribucin T de student puede tomar valores negativos, pero, en general,
solo interesa su magnitud y no si signo.
Es una distribucin simtrica y con mayor dispersin que la distribucin normal. No
obstante, cuando "n" es igual o mayor que 100, la distribucin "1" es igual a la
normal.
Fue descubierta por w.s. gosset y publicada en 1908 seudnimo de student se
refera ala cantidad estudiada como t y cantidad a sido conocida desde ese
entonces como t de student
Sirve para conocer la desviacin estn dar de la poblacin y el tamao de muestra
es relativamente pequeo.
La prueba t de student es muy utilizada en la prctica, sin embargo a menudo su
aplicacin se hace sin excesivo cuidado, no comprobando las asunciones que
requiere. En este artculo se ha puesto de manifiesto que la falta de normalidad o
la falta de homogeneidad en las varianzas invalida la prueba t de student
Caractersticas

Al igual que la distribucin z, es una distribucin continuas.

La distribucin t tienes una medida de cero, es simtrica respecto ala medida y se

extiende de menos y mas.

Tiene forma campanada y simtrica.

No hay una distribucin t, si no una familia de distribuciones

La distribucin t es mas ancha y mas plana en el centro que la

Distribucin normal estndar como resultado de ellos tienes

Formula:
Ejemplo: Se generan 6 diamantes mediante el nuevo proceso y resultan estos de
0.46, 0.61, 0.52, 0.48, 0.57 y 0.54 kilates el costo de proceo indica que el peso
promedio es mayor de 0.5 kilates.

CUESTIONARIO
1.- Qu es distribucin T de student?
R: Es una distribucin continua que se define por la siguiente expresin:
X=media
T=cantidad
S=desviacin estandar muestral
2.- Quin fundo la distribucin T de student?
R:W. S. Gosset en 1908
3.- Para que sirve la distribucin T de student?

R: Para conocer la desviacin estndar de la poblacin y el tamao de muestra es

relativamente pequeo.
4.- Cules son las caractersticas de la distribucin T de student?
R:

Al igual que la distribucin Z, es una distribucin continua

La distribucin t tiene una medida de cero, es simtrica respecto a la medida y se

extiende de menos y mas.

Tiene forma campanada y simtrica

No hay una distribucin T, si no una familia de distribucin

La distribucin T es mas ancha y mas plana en el centro que la distribucin normal

estndar como resultado de ellos.
5.- Cul es la formula de la distribucin de student?
R:
DISTRIBUCIN JI_CUADRADA
La distribucin ji_cuadrada nos permite probar, si dos o mas proporciones de
poblacin pueden ser consideradas iguales.
Si clasificamos a una poblacin en diferentes categoras con respecto a dos
atributos (edad, y desempeo en el trabajo), podemos utilizar una prueba
ji_cuadrada, para comprobar si los dos atributos son rndependientes entre si. la
distribucin Ji cuadrada, se denota por la letra griega X(Ji), elevada al cuadrado:
X2.
A medida que aumentan los grados de libertad la curva se va haciendo ms
simtrica y su cola derecha se va extendiendo.
Caractersticas de la distribucin

Todos los valores de x2 son positivos.

Es una curva sesgada hacia la derecha.

La media de la distribucin son sus grados de libertad

PRECAUC1NES QUE SE DEBEN TOMAR CUANDO SE USE UNA PRUEBA
JI_CUADRADA
Para utilizar una prueba de hiptesis ji_cuadrada, debemos tener un tamao de
muestra lo suficientemente grande para garantizar la similitud entre la distribucin
terica correcta y nuestra distribucin de muestreo de x2, estadstica ji_cuadrada.
Cuando las frecuencias esperadas son muy pequeas el valor de x2 estar
sobrestimado y se tendr como resultado demasiados rechazos de la hiptesis
nula, para evitar incurrir en inferencias incorrectas de la prueba de hiptesis
ji_cuadrada. Siga la regla general que dice que una frecuencia esperada de menos

de cinco en una celda de una tabla de contingencia es demasiado pequea para

utilizarse.
Si el valor de ji_cuadrada hubiera sido cero, hubisemos tenido que ser cuidadosos
al preguntar si absolutamente no existen diferencias entre las frecuencias
observadas y las esperadas. Si tenemos fuertes creencias de que debera existir
alguna diferencia tendramos que examinar tanto la forma en que recabamos datos
o la manera como iniciamos las mediciones o ambas cosas para tener la certeza de
que las diferencias existentes no fueron minimizadas o pasadas por alto al
recolectar los datos de muestra.
PROPIEDADES DE LAS DISTRIBUCIONES JI_CUADRADAS
l.-Los valores de x2 son mayores o iguales que O
2.-La forma de una distribucin x2 depende del g I =n-l. En consecuencia hay un
numero infinito de distribuciones x2.
3.-EI rea bajo una curva ji_cuadrada y sobre el eje horizontal es 1.
4.-Las distribuciones x2 no son simtricas, tienen colas estrechas que se extienden
a la derecha; estn sesgadas a la derecha.
5.-cuando n>2 la media de una distribucin x2 es n-l y la varianza es 2(n-l). 6.-EI
valor modal de una distribucin x2 se da en el valor (n-3).
(TABLA DE CONTINGENCIA: Compara la cuenta de respuestas categricas entre dos
grupos independientes para desplegar la frecuencia de xitos y fracasos en cada
grupo).
GRAFICA DISTRIBUCION JI CUADRADA PARA V= 2, 5, Y 10 GRADOS DE
LIBERTAD

Distribucin Ji cuadrada para v=2,5 y 10.

La estadstica de Ji cuadrada se calcula de la manera siguiente:

Esta formula establece que ji_cuadrada, o x2, es la suma que obtendremos si:
1.- Restamos Fe de Fo para cada una de las celdas de la tabla
2.-Elevamos al cuadrado cada una de las diferencias
3.- Dividimos cada diferencia al cuadrado entre Fe, y
4.-Sumamos los resultados
CUESTIONARIO DE DISTRIBUCIN JI_CUADRADA
1.- Qu nos permite probar la distribucin ji_cuadrada?
R: Si dos o mas proporciones de poblacin pueden ser consideradas iguales
2.- Menciona las caractersticas de la distribucin ji_cuadrada:

R: 1.- Todos los valores de

son positivos
2.- Es una curva sesgada hacia la derecha
3.- La media de la distribucin son sus grados de libertad.
3.- Menciona dos propiedades de la distribucin ji_cuadrada:
R: Los valores de
son mayores o iguales que 0
El area bajo una curva Ji_ cuadrada y cobre el eje horizontal es 1.
4.- Para que nos sirve la tabla de contingencia en la distribucin ji_cuadrada?
R: Para comparar la cuenta de respuestas categricas entre dos grupos
independientes para desplegar la frecuencia de xitos y fracasos en cada grupo.
5.- Escribe la formula de la distribucin ji_cuadrada y el significado de sus
elementos:
R:

Ejemplo: Suponga que en 4 regiones de la Republica Mexicana, la compaa

mundial de cuidado de la salud, muestra actitudes de los empleados de sus
hospitales con respecto al examen de desempeo en el trabajo. Alos trabajadores
se les da a escoger entre el mtodo actual( 2 exmenes al ao) y un nuevo mtodo
propuesto (exmenes cada trimestre).
Se trabajara con la siguiente tabla de contingencia:
PN Proporcin de empleados en el noreste que prefieren el presente plan.
PS Proporcin de empleados en el sudeste que prefiere el actual mtodo.
PC Proporcin de empleados en la regin centro que prefiere el actual mtodo.
PW Proporcin de empleados que en la regin de la costa del occidente prefieren el
mtodo actual
Ho:PN=PS=PC=PW Hiptesis nula
Hi:PN,PS,PC,PW Hiptesis alternativa
TABLA 1

Si la hiptesis nula es verdadera podemos combinar los datos de los trabajadores

que prefieren el mtodo actual.

.6643 estima la proporcin de poblacin esperada que prefiere el mtodo presente

de evaluacin entonces 0.3357 (=1_0.6643) es la estimacin de la proporcin
esperada de la poblacin que prefiere el mtodo propuesto.
TABLA 2 Proporcin de empleados muestreados en cada una de las regiones que se
espera prefieran los dos mtodos.
Noreste

Sureste

Central

Costa
Occidental

100

120

90

110

Proporcin
estimada que
prefirale
mtodo actual x.6643

x.6643

x.6643

x.6643

Numero que
se espera
prefiera el
mtodo actual 66.43

79.72

59.79

73.03

Numero total
muestrado

TABLA 3 Comparacin de frecuencias observadas y esperadas de trabajadores

muestrados.
Frecuencia
observada(rea
l)
Frecuencia
esperada(teri
ca)
Frecuencia
observada(rea
l)
Frecuencia
esperada(teri
ca)
So los conjuntos de frecuencias observadas y esperadas son casi iguales, podemos
razonar de manera intuitiva que aceptaremos de manera intuitiva que

aceptaremos la hiptesis nula. Si existe una diferencia grande entre estas

frecuencias podemos intuitivamente rechazar la hiptesis nula y llegar a la
conclusin de que existen diferencias significativas en las proporciones de
empleados de las cuatro regiones que prefieren el nuevo metodo. Las frecuencias
observadas y esperadas se les da uso en la estadstica ji_cuadrada, se calcula:

TABLA 4 Calculo de la estadstica

(ji_cuadrada)

Fo

Fe

PASO 1

PASO 2

Fe-Fe

(Fo-Fe)

PASO 3

La respuesta obtenida de 2.764 es el valor de ji_cuadrada n nuestro problema de

comparacin. Si el valor fuera muy grande indicara una diferencia sustantiva entre
nuestros valores.
Para utilizar la prueba ji_cuadrada debemos calcular el numero de grados de
libertad en la tabla de contingencia mediante la aplicacin de la ecuacin.
Numero de grados de libertad=(numero de renglones-1)(numero de columnas -1)
=(3-1) (4-1)
=(1)(3)
=3 grados de libertad
si la compaa desea probar la hiptesis nula a un nivel de significanca de 0.10, se
localiza el valor de la estadstica ji_cuadrada con 3 grados de libertad.
Grados de libertad

0.20

0.10

0.05

0.25

0.01

1.04
2

2.705

3.841

5.024

6.635

3.21
9

4.605

5.991

7.378

9.210

4.64
2

6.251

7.815

9.348

11.345

5.98
9

7.779

9.488

11.143

13.277

7.28
9

9.236

11.070

12.833

15.086

El valor es de ______________ podemos interpretar que con tres grados de libertad la

regin que se all a la derecha del valor ji_cuadrada, 6.251 contiene 0.10 del rea
bajo la curva. En consecuencia la regin de aceptacin de la hiptesis nula, va del
extremo izquierdo de la curva al valor jia_cuadrada de 6.251. el valor de la muestra
2.764 que calculamos cae dentro de la regin de aceptacin. Aceptamos la
hiptesis nula de que no existe diferencia entre las actitudes con respecto a la
evaluacin del trabajo en las 4 regiones geogrficas.
0
6
1
2
3
4
5
0.1
0.2
0.3
P(x)
x

F=
Varianza dentro de columnas
Varianza entre columnas
F=
Primera estimacin de la varianza de la poblacin basada en la varianza entre las
medias de las muestras
Segunda estimacin de la varianza de la poblacin basada en las varianzas dentro
de las muestras
2.7
Desviacion