Repblica Bolivariana de Venezuela

Ministerio del Poder Popular para la Defensa

Universidad Nacional Experimental Politcnica de la Fuerza
Armada Nacional
UNEFA Aragua
Ncleo Maracay

Probabilidad y Estadistica

Autora:
Caldern Gina
C.I:25.527.551
Maracay noviembre 2017

1
 ndice
Contenido Pag
Distribucin de pearson..3
Caractersticas..3
Formulas....3
Ejemplo-..3
Distribucin de chebyshev.4
Caractersticas...............................4
Formulas.....4
Ejemplo.5
Distribucin Fisher5
Caractersticas...5
Formulas......5
Ejemplo..6
Teorema de limite central 7
Distribucin muestral de medidas..8
Intervalos de confianza...10
Bibliografa.11

2
 Distribucin de pearson
Caractersticas
La distribucin chi cuadrada tiene las siguientes propiedades:
Los valores de X2 son mayores o iguales que 0.
La media es igual al nmero de grados de libertad (que es igual al
tamao de las muestras menos 1)
La varianza es igual a dos veces el nmero de grados de libertad (por
lo tanto la desviacin estndar es la raz cuadrada 2v).
Conform los grados de libertad (tamao de la muestra) aumenta, la
distribucin chi-cuadrada cuadrada se aproxima a la distribucin
normal.
Las puntaciones ji cuadrado no pueden tomar valores negativos.
El rea bajo una curva ji-cuadrada y sobre el eje horizontal es 1.
Las distribuciones X2 no son simtricas. Tienen colas estrechas que se
extienden a la derecha; esto es, estn sesgadas a la derecha.

Formulas
1. Podemos calcular una estadstica, que llamamos Chi-
Cuadrada Cuadrada, por medio de la siguiente ecuacin:

2. Esperanza matemtica:
==n1

3. Desviacin estndar:
2 = 2 * ;
v= nmero de grados de libertad

4. La varianza:
= 2 *

5. mximo valor de valor de Y:

2=2

Ejemplo:
Encuentre la probabilidad de que una muestra aleatoria de 25
observaciones, de una poblacin normal con varianza , tenga una
varianza muestral:
a. Mayor que 9.1

3
 b. Entre 3.462 y 10.745

Solucin.

a. Primero se proceder a calcular el valor de la ji-cuadrada:

Al buscar este nmero en el rengln de 24 grados de libertad nos da un

rea a la derecha de 0.05. Por lo que la P (s 2 >9.1) = 0.05

1. Se calcularn dos valores de ji-cuadrada:

Aqu se tienen que buscar los dos valores en el rengln de 24 grados de

libertad. Al buscar el valor de 13.846 se encuentra un rea a la derecha de
0.95. El valor de 42.98 da un rea a la derecha de 0.01. Como se est
pidiendo la probabilidad entre dos valores se resta el rea de 0.95 menos
0.01 quedando 0.94.

Por lo tanto la P (3.462 s2 10.745) = 0.94

Distribucin de chebyshev
Caractersticas

Nos da la probabilidad mnima de que la variable aleatoria tome valores a

k desviaciones estndar del valor esperado, para toda k>1.
La fraccin de cualquier conjunto de nmeros que se encuentran dentro
de k desviaciones estndar de los nmeros de la media de estos nmeros es
al menos
Formula
$ {1- \ frac {1} {k ^ 2}} $
Donde -
$ {K = \ frac {la \ dentro de \ nmero} {la \ Standard \ desviacin}} $
Y $ {k} $ debe ser mayor que 1

4
 Ejemplo
Utilice el teorema de Chebyshev para encontrar qu porcentaje de los
valores se sitan entre 123 y 179 para un conjunto de datos con una media
de 151 y una desviacin estndar de 14.
Solucin:
Restamos 151-123 y obtenemos 28, que nos dice que 123 es de 28
unidades por debajo de la media.
Restamos 179-151 y tambin obtener 28, que nos dice que 151 es de
28 unidades por encima de la media.
Esos dos juntos nos dicen que los valores entre 123 y 179 se
encuentran a 28 unidades de la media. Por tanto, el "nmero dentro"
es 28.
As nos encontramos con el nmero de desviaciones estndar, k, que
el "plazo de nmero", de 28 aos, asciende a dividindolo por la
desviacin estndar:
$ {K = \ frac {la \ dentro de \ nmero} {la \ Standard \ desviacin} = \ frac {28}
{14} = 2} $
As que ahora sabemos que los valores entre 123 y 179 se
encuentran a 28 unidades de la media, lo que es lo mismo que dentro de k =
2 desviaciones estndar de la media. Ahora, puesto que k> 1 podemos
utilizar la frmula de Chebyshev para encontrar la fraccin de los datos que
estn dentro de k = 2 desviaciones estndar de la media. Sustituyendo k = 2
tenemos:
$ {1- \ frac {1} {k ^ 2} = 1- \ frac {1} {2 ^ 2} = 1- \ frac {1} {4} = \ frac {3} {4}} $
As $ {\ frac {3} {4}} $ de la mentira de datos entre 123 y 179. Y desde $ {\ frac {3}
{4} = 75} $% que implica que el 75% de los valores de los datos son entre 123 y 179.

Distribucin de Fisher

5
 Caractersticas
Hay una distribucin F por cada par de grados de libertad.
La distribucin de la variable es asimtrica, pero su asimetra disminuye
cuando aumentan los grados de libertad del numerador y denominador.
Una variable con distribucin F es siempre positiva por lo tanto su campo de
variacin es 0 " F .

Formula

La variable aleatoria F se define como el cociente de dos variables

aleatorias ji-cuadrada independiente, cada una dividida entre sus respectivos
grados de libertad. Esto es,

Ejemplo

La variabilidad en la cantidad de grasa presente en un lote de un

complemento diettico, utilizada para un proceso de fabricacin de un
alimento, depende del origen del complemento. Un fabricante que recibe el
complemento de dos proveedores 1 y 2, hizo una comparacin analizando
muestras de ambos proveedores. Muestras de n 1=10 y n2=16 mediciones de
dos lotes produjeron las varianzas:
S21=1.25 y S22=0.5
Presentan los datos evidencia suficiente para indicar que la variabilidad
en el contenido de grasa es menor para el producto que se recibe del
proveedor 2? Realice una prueba con un = 0.05.
Solucin.
Tenemos nuestras hiptesis:

6
La Fcalc = 1.25/0.5 = 2.5
Como 2.5 < 2.5876 no se rechaza H o, y se concluye con un = 0.05 que
no existe suficiente evidencia para decir que la variabilidad del contenido de
grasa del complemento del proveedor 2 es menor que la del complemento
suministrado por el proveedor 1.

Teorema limite central

Teorema del Lmite Central Sean X1, X2, X3,......, Xn variables

independientes con una misma funcin de probabilidad y por lo tanto con una
misma distribucin e igual media 1 = 2 = 3 =.... = n e igual varianza 1
= 2 = 3 =....... = n...
La variable que resulta de la suma de las n variables independientes X =
X1 + X2 +.....+ Xn tambin se distribuye normalmente con una media: x =
1 + 2 + 4 +......+ n = n y una varianza: x = 1 + 2 + 3 +......+ n
= n cuando n es grande

En trminos menos formales, el teorema anterior establece que las

medias provenientes de muestras grandes tomadas de poblaciones con una
distribucin desconocida, se distribuyen normalmente con media y varianza
igual a: x = x y n 22 x = Por lo tanto, si se desconoce la distribucin de
una variable se puede suponer que aumentando el tamao de la muestra, la

7
distribucin de la media muestral se aproximar progresivamente a una
normal. En general y para efectos prcticos se considera que una muestra de
tamao n 30 es lo suficientemente grande para que se cumpla el teorema

Distribucin Muestral de Medias

Caractersticas

Si recordamos a la distribucin normal, esta es una distribucin continua,

en forma de campana en donde la media, la mediana y la moda tienen un m

Con esta distribucin podamos calcular la probabilidad de algn evento

relacionado con la variable aleatoria, mediante la siguiente frmula:

En donde z es una variable estandarizada con media igual a cero y

varianza igual a uno. Con esta frmula se pueden a hacer los clculos de
probabilidad para cualquier ejercicio, utilizando la tabla de la distribucin z.

Sabemos que cuando se extraen muestras de tamao mayor a 30 o bien

de cualquier tamao de una poblacin normal, la distribucin muestral de
medias tiene un comportamiento aproximadamente normal, por lo que se
puede utilizar la formula de la distribucin normal con y ,
entonces la frmula para calcular la probabilidad del comportamiento del
estadstico, en este caso la media de la muestra , quedara de la siguiente
manera:

Y para poblaciones finitas y muestro con reemplazo:

Formula

8
 Ejemplo:

Las estaturas de 1000 estudiantes estn distribuidas aproximadamente en

forma normal con una media de 174.5 centmetros y una desviacin estndar
de 6.9 centmetros. Si se extraen 200 muestras aleatorias de tamao 25 sin
reemplazo de esta poblacin, determine:

a. El nmero de las medias mustrales que caen entre 172.5 y 175.8

centmetros.
b. El nmero de medias mustrales que caen por debajo de 172
centmetros.

Solucin:

Como se puede observar en este ejercicio se cuenta con una poblacin

finita y un muestreo sin reemplazo, por lo que se tendr que agregar el factor
de correccin. Se proceder a calcular el denominador de Z para slo
sustituirlo en cada inciso.

a.

9
(0.7607)(200)=152 medias mustrales

b.

(0.0336)(200)= 7 medias muestral

Intervalos de confianza
Caractersticas
Nos proporciona mtodos para sacar conclusiones sobre una poblacin
a partir de los datos que surjan de una muestra de dicha poblacin, utilizando
la probabilidad para expresar la fuerza de nuestras conclusiones.
Los dos procedimientos ms ampliamente utilizados de inferencia estadstica
son: la construccin de un intervalo de confianza cuando el objetivo sea
estimar un parmetro poblacional y la prueba de hiptesis, cuando el objetivo
sea tomar una decisin respecto de una hiptesis que se formula sobre el
valor de un parmetro poblacional.
Slo cuando se utiliza el azar para escoger los elementos que
conforman una muestra, podemos describir cmo vara el estadstico.
Pudimos contestar preguntas como qu tan cercana queda la media de la
muestra X, de la media de la poblacin ?
Si no se conoce el valor de un parmetro poblacional, el mismo se puede
estimar a partir de un intervalo de confianza para dicho parmetro. A todo
intervalo de confianza, calculado a partir de los datos de una muestra
aleatoria, se le fija un nivel de confianza que mide la probabilidad de que el
intervalo contenga el verdadero valor del parmetro.

Ejemplo
Un intervalo para un parmetro poblacional, calculado con un 95% de
confianza, es un intervalo que tiene una probabilidad de 95% de contener el
verdadero valor del parmetro. El objetivo de este tema es describir los
razonamientos utilizados en la construccin de un intervalo de confianza.
Podremos estar interesados en estimar , 2 o p, obteniendo una medida de
la precisin de la estimacin y otra sobre cul es nuestra confianza de que el

10
resultado sea correcto, como veremos a continuacin. Nos apoyaremos en
un ejemplo de estimacin del parmetro desconocido , cuando los datos
son una muestra aleatoria simple de tamao n. El intervalo se basa en el
hecho de que la distribucin de la media muestral es normal o
aproximadamente normal.

Bibliografa
https://www.sergas.es/Saude-
publica/Documents/1899/Ayuda_Epidat_4_Distribuciones_de_probabilidad_O
ctubre2014.pdf
https://es.scribd.com/doc/28978398/Teorema-de-Chebyshev
http://www.monografias.com/trabajos94/distribucion-muestral/distribucion-
muestral.shtml#ixzz4yMvPrhH9

11