Documentos de Académico
Documentos de Profesional
Documentos de Cultura
I. DISTRIBUCION NORMAL O Z
La distribucin normal, tambin llamada distribucin de Gauss o distribucin gaussiana,
es la distribucin de probabilidad que con ms frecuencia aparece en estadstica y teora de
probabilidades. Esto se debe a dos razones fundamentalmente:
Su funcin de densidad es simtrica y con forma de campana, lo que favorece su
aplicacin como modelo a gran nmero de variables estadsticas.
Es, adems, lmite de otras distribuciones y aparece relacionada con multitud de
resultados ligados a la teora de las probabilidades gracias a sus propiedades
matemticas.
La importancia de la distribucin normal se debe principalmente a que hay muchas variables
asociadas a fenmenos naturales que siguen el modelo de la normal
La distribucin normal posee ciertas propiedades importantes que conviene destacar:
i.
Tiene una nica moda, que coincide con su media y su mediana.
ii.
La curva terica de una distribucin normal va desde
y
es tericamente
posible. El rea total bajo la curva es, por tanto, igual a 1.
iii.
Es simtrica con respecto a su media
. Segn esto, para este tipo de variables
existe una probabilidad de un 50% de observar un dato mayor que la media, y un 50%
de observar un dato menor.
iv.
La distancia entre la lnea trazada en la media y el punto de inflexin de la curva es
igual a una desviacin tpica ( ). Cuanto mayor sea
, ms aplanada ser la curva
de la densidad.
v.
El rea bajo la curva comprendido entre los valores situados aproximadamente a dos
desviaciones estndar de la media es igual a 0.95. En concreto, existe un 95% de
posibilidades
de
observar
un
valor
comprendido
en
el
intervalo
.
La forma de la campana de Gauss depende de los parmetros
y
. La media
indica la posicin de la campana, de modo que para diferentes valores de
la grfica
es desplazada a lo largo del eje horizontal. Por otra parte, la desviacin estndar
determina el grado de apuntamiento de la curva.
vi.
1.96
=
<
<
+ 1.96
/ n
Donde:
P= probabilidad
=media
= error estandar
=media poblacional
95%
P(
1.96
<
<
+ 1.96
90%
P(
1.96
<
<
+ 1.96
1.96
<
<
+ 1.96
99%
P(
Ejercicio 2: Empleando los datos del ejercicio 1 determine que sucede al incrementar la
desviacin estndar.
Ejercicio 3: Estimar los intervalos para alturas de rboles en la siguiente muestra al azar.
22, 25, 13, 12, 33, 15, 17, 32, 18, 23, 25, 18, 29, 15, 21, 18, 33, 35, 26, 28, 15, 17, 19, 28,
33, 15, 17, 32, 18, 15, 21, 18, 33, 35. (mts)
Ejercicio 4: Estimar los intervalos de la media poblacional para una muestra tomada al azar
para la variable nmero de nematodos por cm 2. 18, 7, 9, 29, 32, 23, 13, 15, 18, 18, 22, 15,
11, 5, 23, 18, 7, 9, 29, 32, 23, 13, 23, 13, 15, 18, 18, 22, 15, 11.
)/S
Ejercicio 1: Con los datos del ejercicio 1 del anterior tema determine la probabilidad de que un
hongo colonice en 6 das, en 12 das y en 15 das. Si se sabe que la S= 5. Graficar
Ejercicio 2: Con los datos del ejercicio 3 del anterior tema. Que probabilidad hay de que un
rbol mida menos o igual a 20 mts. Graficar
Ejercicio 3: Que probabilidad existe de que se halle 12 nematodos en una muestra de suelo de
1 cm2 tomada al a azar. Graficar.
II.
DISTRIBUCION T STUDENT
t 0.975
- t 0.975 (n-1) S
<
<
+ t 0.975 (n-1) S
<
+ t 0.995 (n-1) S
= 1 0.99
= 0.01 nivel de significancia
= 0.01 / 2 = 0.005
= 1 0.005
= 0.995
Por lo tanto al 99% =
P(
t 0.995
- t 0.995 (n-1) S
<
Donde:
t 0.995 (n-1)
(n-1)
=error estandar
=promedio de la poblacin
Ejercicio 3: Si X tiene distribucin t con 18 grados de libertad halle el valor c tal que:
P [X 2.101] =
P [X - 2.878] =
P [X > 1.734] =
P [-1.330 X 2.552] =
P [X 2] =
III.
DISTRIBUCION CHI CUADRADO
La prueba de ji-cuadrado es considerada como una prueba no paramtrica que mide la
discrepancia entre una distribucin observada y otra terica (bondad de ajuste), indicando en
qu medida las diferencias existentes entre ambas, de haberlas, se deben al azar en el
contraste de hiptesis. Tambin se utiliza para probar la independencia de dos variables entre
s, mediante la presentacin de los datos en tablas de contingencia.
La frmula que da el estadstico es la siguiente:
X2 = (O E )2 / E
Donde:
X2= Chi cuadrado
O= Frecuencia observada
E= Frecuencia esperada
Ejercicio 1: Se ha estudiado la reaccin de las platas de pinus producidas en contenedores, con
distintos sustratos, con el fin de obtener el mayor desarrollo, de tal estudio se esperaba la
siguiente proporcin siendo esta 5:3:1.El nmero de plantas con alturas y dimetros ptimos
fueron:
o Arena, musgo, tierra negra
2175
o Arena, cascarilla de arroz, musgo
1231
o Arena, musgo, tierra agrcola
420
Calcular los lmites de confianza de este experimento al 99% y 95% limites de confianza.
Clase
Observados
Esperados
Desviacin
<
<
Sn/x0.025
IV.
ANALISIS DE VARIANZA ANOVA
En estadstica, anlisis de varianza (ANOVA, segn terminologa inglesa) es una coleccin de
modelos estadsticos y sus procedimientos asociados. El anlisis de varianza sirve para
comparar si los valores de un conjunto de datos numricos son significativamente distintos a
los valores de otro o ms conjuntos de datos. El procedimiento para comparar estos valores
est basado en la varianza global observada en los grupos de datos numricos a comparar.
Tpicamente, el anlisis de varianza se utiliza para asociar una probabilidad a la conclusin de
que la media de un grupo de puntuaciones es distinta de la media de otro grupo de
puntuaciones.
El ANOVA parte de algunos supuestos que han de cumplirse:
La variable dependiente debe medirse al menos a nivel de intervalo.
Independencia de las observaciones.
La distribucin de los residuales debe ser normal.
Homocedasticidad: homogeneidad de las varianzas.
Procedimiento para determinar ANOVA
o Se plantea una hiptesis
Se evala el desarrollo de plntulas en 4 tipos de sustratos A, B, C, D.
o Planteamiento de la hiptesis
Ho: A = B = C = D
Ha: A B C D
o Toma de datos
Variable: altura de plntulas en diferentes sustratos (cm)
Repeticin
1
2
3
4
5
6
7
8
9
10
TOTAL
PROMEDIO
A
13
15
20
15
18
13
12
15
16
14
o Desarrollo de formulas:
1.- Factor de correccin:
Fc =
(xi)2
txr
B
18
17
20
22
19
16
17
18
15
14
C
23
19
18
23
22
20
24
17
15
17
D
16
15
18
19
15
14
20
18
17
15
Sctot = x2i Fc
Sctrat = (xi)2 - Fc
r
Cmtrat =
Sctrat
gltrat
Cmerror=
Scerror
glerror
7.- F calculado
FC
Fuente de variacin
Tratamiento
Error
Total
Cmtrat
Cmerror
Sc
Gl
t-1
t(r-1)
Cm
FC
0.05
A
13
15
20
15
18
B
18
17
20
22
19
16
17
18
23
19
18
23
22
20
24
17
15
17
16
15
18
19
15
14
20
Hipotesis
Ho: A = B = C = D
Ha: A B C D
1.- Factor de correccin:
Fc =
(xi)2
n1+n2 + n3 + n4
Sctot = x2i Fc
Cmentre trat =
Scentre trat
Glentre trat
Fc
Cmdentro trat=
Scdentro trat
gldentro trat
FC
Cmentre trat
Cmdentro trat
Fuente de variacin
Entre tratamiento
Dentro de tratamientos
Total
Sc
Gl
t-1
Cm
FC
r - 1
0.05
xy x y
n
x2 (x)2
n
a = y b x
n
y = a + bx
Graficar:
b) CORRELACIN:
R=
xy x y
XY
Y2
X2
n
( x2 (x)2 ) ( y2 (y)2
n
n
R = Es el % de datos que se explican o ajustan al modelo empleado
R=+
R= R= 0
CORRELACION, VALOR O RANGO
1) Perfecta
R=1
2) Excelente
3) Buena
4) Regular
5) Mala
R < 0.5
c) REGRESION LOGARITMICA:
y = a + b Ln x
Variable
1
2
3
4
5
Total
Ln X
Ln XY
Ln X2