Sesgo (Asimetria)

Las curvas que se utilizan para representar las observaciones de una serie de datos pue- den ser
Cap. 2 Estadisticas
Medidas de Forma simétricas o asimétricas (sesgadas).
Descriptiva Parte 2:
Las medidas de forma son de gran Medida de Curtosis(Afilamiento)
Conjunto de datos
utilidad para el investigador y el Es la medida estadística de un conjunto de observaciones, la cual permite determinar su grado de
obtenidos por un pequeño
estudiante, ya que se puede pico en la curva de distribución; es decir, las curvas de distribuciones de frecuencias que se
número de valores
describir la forma que toma una construyen difieren, en muchos casos, sólo por el hecho de que una tiene un pico mayor que otra
descriptivos
distribución de datos.

Variable aleatoria
Una variable aleatoria es aquella variable que toma diferentes valores numéricos, mediante
un proceso de contar o medir, como producto de un experimento aleatorio.
Distribución de probabilidades de una variable aleatoria discreta
Una distribución de probabilidades de una variable aleatoria discreta es el conjunto de todos
los posibles resultados numéricos de un experimento a los que podemos asignar un valor de
ocurrencia o probabilidad.
Cap. 4 Variable aleatoria y Valor esperado en la toma de decisiones
distribuciones discretas de
Media ponderada de todos los resultados posibles que presenta esta variable aleatoria. En
probabilidad: Una
esta media ponderada, los ponderadores o pesos son las probabilidades que están
distribución de
relacionadas, como ya se dijo, con cada uno de los valores numéricos de la variable.
probabilidades para una
Distribución de probabilidad binomial Cálculo de probabilidades en una distribución binomial
variable aleatoria discreta es
E un listado mutuamente Es una distribución de probabilidad de una gran cantidad de variables aleatorias discretas
excluyente de todos los cuyos resultados experimentales son generados mediante un proceso conocido como de Media y Desviación Estándar de una Distribución Binomial
S resultados numéricos Bernoulli.
T posibles para esa variable
Distribución de probabilidad hipergeométrica Media y Varianza de la Dtribución de probabilidad hipergeométrica
aleatoria tal que una
A probabilidad específica de
D ocurrencia se asocia con surge al seleccionar una muestra sin reemplazo de una población finita conocida y que
cada resultado. representa una proporción relativamente grande de la población, de tal forma que la
I
probabilidad de éxito cambia de una selección a otra. Por lo que la distribución
S hipergeométrica determina la probabilidad de tener un determinado número de éxitos en
T una muestra que se obtuvo de una población con un determinado número de éxitos.
Distribución de probabilidad de Poisson
I
Es una distribución de probabilidad que se aplica para variables aleatorias discretas, ya que
C mide la frecuencia relativa de un evento en función a una unidad de tiempo, a una de
A espacio, o bien, a una de volumen.
Estadistica para
Administraciòn Distribución De probabilidad Uniforme
D
E Es la distribución continua de probabilidad en la cual todos los valores que toma la
variable en el intervalo o rango que la define tienen el mismo valor de probabilidad.
S Varianza y desviación estándar en una distribución de probabilidad uniforme
C La varianza en una distribución de probabilidad uniforme está definida como:
R
Y su desviación estándar como:
I
P Distribución De Probabilidad Exponencial
probabilidad exponencial mide el paso del tiempo entre un suceso y otro, de ahí que
T Cap. 5 Distribuciones esta última distribución sea una distribución de probabilidad continua.
I continuas de probabilidad: Distribuciones continuas de probabilidad
conjunto de todos los
V posibles resultados que
conjunto de todos los posibles resultados que presenta una variable aleatoria continua junto Media y varianza en una distribución de probabilidad exponencial
con la probabilidad de cada resultado, en el rango o intervalo de valores en el que se ha La media o valor esperado de esta distribución es igual a:
A presenta una variable
hecho la medición de la variable. Distribución De Probabilidad Normal
aleatoria continua junto con
la probabilidad de cada Esta distribución puede utilizarse para aproximar el comportamiento de las
resultado, en el rango o distribuciones de probabilidad discretas; y, finalmente, a que esta distribución de
intervalo de valores en el probabilidad es la base para la inferencia estadística clásica
que se ha hecho la medición
Características de una distribución de probabilidad normal
de la variable
Características: 1. La curva normal tiene un perfil parecido al de una campana y tiene
un solo pico en el centro exacto de la distribución. 2. Si trazamos una línea vertical
del pico a la base de la distribución, observaremos que ésta se divide en dos partes
iguales (mitad 1 y mitad 2). Ésta es una distribución simétrica. 3. La media aritmética,
la mediana y la moda son iguales en esta distribución de probabilidad y están
ubicadas en el punto que la divide en dos partes iguales. 4. La curva normal decrece
uniformemente en ambas direcciones a partir de su valor central.
Distribución normal

La expresión matemática que representa una función de densidad de probabilidad de

una normal se denota por el símbolo f(X) en la forma siguiente:

Distribución de probabilidad normal estándar Z

Ésta tiene como objetivo convertir cualquier variable aleatoria normal X a una
variable aleatoria normal estándar Z mediante una fórmula de transformación.
 Variable Aleatoria Real
Se dice que una función X : Ω→ R es una variable aleatoria real si [ X ≤ x ] ∈ para cualquier x
∈R.
Funciones de distribución
Si X es una variable aleatoria real, la función F X : R→ R , definida por F X ( x ) = P [ X ≤ x ] , es
llamada la función de distribución de X .
Clasificación de variables aleatorias:
Variable aleatoria Continua es continua si su función de distribución es continua.
Variable aleatoria absolutamente continua si existe una función boreliana no negativa f X :
R→ R , integrable, tal que: F X ( x ) = x −∞ f X ( y ) dy para cualquier x ∈ R .
(Función de densidad) Se dice que una función boreliana f : R→ R es una función de
densidad si satisface las propiedades i y ii de la última proposición.
VI. Variables Aleatorias: es Variable aleatoria discreta Se dice que una variable aleatoria real X es discreta si existe una
una función que asigna un colección finita o infinita numerable de números reales, x 1 , x 2 , . . . , tales que P [ X = x k ] >
valor, usualmente 0 para cualquier x k y k P [ X = x k ] = 1 . En este caso, diremos que el conjunto V X = { x 1 , x 2
numérico, al resultado de , . . . } es el conjunto de posibles valores de X .
un experimento aleatorio. Independencia de variables aleatorias
Se dice que n variables aleatorias, X 1 , . . . , X n , son independientes si para cualquier
colección de subconjuntos borelianos de números reales, A 1 , . . . , A n , se tiene: P [ X 1 ∈ A
1,...,Xn∈An]=P[X1∈A1]···P[Xn∈An]
Función Gama
E
S Mediante la función gama podemos expresar de otra forma de definición de los coeficientes
binomiales definida por Γ( α ) = ∞ 0 t α − 1 e − t dt es llamada la función gama.
T Fórmula de Wallis
A
D
Distribución binomial
I Si n ∈ N y p ∈ [0 , 1] , se dice que una variable aleatoria X tiene distribución binomial con
S parámetros n y p si su función de densidad está dada por la fórmula:

T
I La distribución binomial es una de las distribuciones más importantes de la teoría de la
probabilidad pues su estudio ha conducido a resultados funda- mentales.
C Teorema de Bernoulli
A Sea E un experimento aleatorio y A un evento relativo a ese experimento, de probabilidad
INTRODUCCION A LA igual a p . Consideremos un nuevo experimento aleatorio consistente en la repetición
TEORIA DE LA indefinida del experimento E , de tal manera que cada repetición es independiente de las
D PROBABILIDAD otras.

E Distribución geométrica
Dado p ∈ (0 , 1] , se dice que una variable aleatoria X tiene distribución geométrica con
S parámetro p si su función de densidad está dada por la fórmula:
C
R Distribución binomial negativa
I Si r ∈ (0 , ∞ ) y p ∈ (0 , 1] , se dice que una variable aleatoria X tiene distribución binomial
VII.1 Distribución Binomial: negativa con parámetros r y p si su función de densidad está dada por la fórmula:
P distribución de probabilidad
T discreta que describe el
número de éxitos al realizar Distribución Poisson
I n experimentos Si λ es un número real positivo, se dice que una variable aleatoria X tiene distribución
V independientes entre sí, Poisson con parámetro λ si su función de densidad está dada por la fórmula:
acerca de una variable
A aleatoria.
Teorema de Poisson
upongamos que, para cada n ∈ N , X n es una variable aleatoria con distribución binomial de
parámetros n y p ∈ (0 , 1) de tal manera que λ = np es constante, entonces, para cualquier k
∈ { 0 , 1 , . . . } , se tiene:

La distribución Poisson se aplica de manera importante para el estudio de eventos que

ocurren aleatoriamente en el tiempo.
Proceso de Poisson
Se dice que una familia { P t : t ≥ 0 } de variables aleatorias discretas forma un proceso de
Poisson de parámetro λ si se satisfacen las siguientes propiedades: 1. P 0 = 0 . 2. Si 0 < t 1 < t
2 < · · · < t n , entonces las variables aleatorias P t 1 , P t 2 − P t 1 , P t 3 − P t 2 , . . . , P t n − P t
n − 1 son independientes. 3. Si s < t , entonces la variable aleatoria P t − P s tiene distribución
Poisson con parámetro λ ( t − s ) .
Distribución hipergeométrica
Si r , s y n son números enteros positivos tales que n ≤ r + s , se dice que una variable
aleatoria X tiene distribución hipergeométrica con parámetros r , s y n si su función de
densidad está dada por la fórmula:
 Distribución uniforme en ( a , b )
Se dice que una variable aleatoria X tiene distribución uniforme en el intervalo ( a, b ) si la
función:

Distribución normal
Sean µ, σ ∈ R , con σ > 0 . Se dice que una variable aleatoria X tiene distribución normal con
parámetros µ y σ 2 si la función:

E D
Distribución normal estándar
S E Se dice que una variable aleatoria X tiene distribución normal estándar si su distribución es
VIII. Distribución uniforme
T S normal con parámetros µ = 0 y σ 2 = 1 .
continua: es una familia de Teorema de de Moivre-Laplace
A C distribuciones de Para cada n ∈ N , sea X n una variable aleatoria con distribución binomial de parámetros n y
D R probabilidad para variables p ∈ (0 , 1) . Dados a y b dos números reales tales que a < b , definamos, para cada entero no
INTRODUCCION A LA aleatorias continuas, tales negativo k tal que np + a √ npq ≤ k ≤ np + b √ x k,n = k − np √ npq , entonces:
I I TEORIA DE LA que para cada miembro de
S P PROBABILIDAD la familia, todos los
intervalos de igual longitud
T T en la distribución en su
Teorema integral de de Moivre-Laplace
Sean a y b dos números reales tales que a < b y, para cada n ∈ N , sea X n una variable
I I rango son igualmente
aleatoria con distribución binomial de parámetros n y p ∈ (0 , 1) . Entonces:
probables.
C V
A A
Distribución exponencial
Si λ es un número real positivo, se dice que una variable aleatoria X tiene distribución
exponencial con parámetro λ si la función:

Distribución gama
Si λ es un número real positivo y n un número entero positivo, se dice que una variable
aleatoria X tiene distribución gama con parámetros n y λ si la función: