Documentos de Académico
Documentos de Profesional
Documentos de Cultura
𝒇(𝒙) = 𝒑𝒙 𝒒𝟏−𝒙 ; 𝒙 = 𝟎, 𝟏
Donde:
1 0
a) Espacio muestral: = {𝑬𝒙𝒊𝒕𝒐, 𝒇𝒓𝒂𝒄𝒂𝒔𝒐}
b) X : Variable aleatoria número de éxitos.
X=0,1
c) p = P(éxito)
d) q =1 – p = P(fracaso)
X 0 1
f (x) q p
e) E (x) = p
f) V (x) = p q.
Ejemplo 1: Lanzar la moneda.
1 0
2. Distribución Geométrica
Se tiene un experimento de Bernoulli, donde “X” la variable
aleatoria representa al número de pruebas o ensayos hasta
conseguir el primer ÉXITO.
Donde:
a) p = P(éxito)
b) q =1 – p = P(fracaso)
𝟏
c) 𝑬(𝒙) = 𝑷
𝟏−𝒑
d) 𝑽(𝒙) = 𝒑𝟐
Ejemplo 2
i) Lanzar una vez (X=1) la moneda
1 0
a) Espacio muestral: = { 𝒄 , 𝒔 }
b) P(X=1) = La probabilidad de obtener la primera cara
en el primer lanzamiento.
P(X=1) = P( c ) = p =1/2
ii) Lanzar dos veces (X=2) la moneda
a) Espacio muestral: = {𝒄𝒄 , 𝒄𝒔, 𝒔𝒄, 𝒔𝒔 }
b) P(X=2) = La probabilidad de obtener la primera cara
en el segundo lanzamiento.
P(X=2) = P( sc ) = P(s ∩c) = P (s) P(c) = (1-p) (p)
Utilizando el modelo:
𝒇(𝟐) = 𝑷(𝑿 = 𝟐) = (𝟏 − 𝒑)𝟐−𝟏 𝒑 = (𝟏 − 𝒑)𝒑
𝟏 𝟏 𝟏
= ( )( ) =
𝟐 𝟐 𝟒
iii) Lanzar tres veces (X=3) la moneda
a) = {𝒄𝒄𝒄, 𝒄𝒄𝒔, 𝒄𝒔𝒄, 𝒄𝒔𝒔, 𝒔𝒄𝒄, 𝒔𝒄𝒔, 𝒔𝒔𝒄, 𝒔𝒔𝒔}
b) P(X=3) = La probabilidad de obtener la primera cara
en el tercer lanzamiento.
P(X=3) = P( ssc ) = P(s∩s∩c) = P (s) P(s)P(c)
= (1-p)2 (p)
Utilizando el modelo:
𝒇(𝒙) = 𝑷(𝑿 = 𝒙) = (𝟏 − 𝒑)𝒙−𝟏 𝒑; 𝑿 = 𝟏, 𝟐, ….
𝒇(𝟑) = 𝑷(𝑿 = 𝟑) = (𝟏 − 𝒑)𝟑−𝟏 𝒑 = (𝟏 − 𝒑)𝟐 𝒑
𝟏 𝟐 𝟏 𝟏
= (𝟏 − ) ( ) =
𝟐 𝟐 𝟖
iv) P(X=5) = La probabilidad de obtener la primera cara en
el quinto lanzamiento.
Utilizando el modelo:
𝒇(𝒙) = 𝑷(𝑿 = 𝒙) = (𝟏 − 𝒑)𝒙−𝟏 𝒑; 𝑿 = 𝟏, 𝟐, ….
𝒇(𝟓) = 𝑷(𝑿 = 𝟓) = (𝟏 − 𝒑)𝟓−𝟏 𝒑 = (𝟏 − 𝒑)𝟒 𝒑
𝟏 𝟒 𝟏 𝟏
= (𝟏 − ) ( ) =
𝟐 𝟐 𝟑𝟐
3. Distribución Binomial.
Sea X una variable aleatoria definida como el número de
éxitos, entonces la función de probabilidad de la variable
aleatoria X es:
Buenos Fallas
3 2
Se seleccionan n=2 artículos (con reposición).
0 1 2
Además:
𝟐 𝟒
𝑬(𝒙) = 𝒏𝒑 = 𝟐 ( ) =
𝟓 𝟓
𝟐 𝟑 𝟏𝟐
𝑽(𝒙) = 𝒏𝒑𝒒 = 𝟐(𝟓)(𝟓) = 𝟐𝟓.
4. Distribución Hipergeométrica.
Sea X una variable aleatoria definida como el número de
éxitos. Entonces la distribución de probabilidad de la variable
aleatoria X es:
∁𝑴 𝑵−𝑴
𝒙 ∁𝒏−𝒙
𝒇(𝒙) = ; 𝒙 = 𝟎, 𝟏, 𝟐, … . , 𝒏
∁𝑵
𝒏
Donde:
Éxito Fracaso N: Elementos
M N -M n: Muestra
∁𝑴 𝑵−𝑴
𝒙 ∁𝒏−𝒙
𝒇(𝒙) = ; 𝒙 = 𝟎, 𝟏, 𝟐, … . , 𝒏
∁𝑵
𝒏
∁𝟐𝒙 ∁𝟑𝟐−𝒙
𝒇(𝒙) = ; 𝒙 = 𝟎, 𝟏, 𝟐
∁𝟓𝟐
X 0 1 2
Además:
𝑴 𝟐 𝟒
a) 𝑬(𝒙) = 𝒏 ( 𝑵 ) = 𝒏𝒑 = 𝟐 (𝟓) = 𝟓
𝒏𝑴(𝑵−𝑴)(𝑵−𝒏) 𝑵−𝒏
b) 𝑽(𝒙) = = 𝒏𝒑𝒒 (𝑵−𝟏)
𝑵𝟐 (𝑵−𝟏)
𝟐 𝟑 𝟓−𝟐 𝟗
= 𝒏( )( )( )=
𝟓 𝟓 𝟓 − 𝟏) 𝟐𝟓
5.- Distribución de Poisson.
Sea X una variable aleatoria que representa al número de
resultados que ocurren, generalmente, en un intervalo de
tiempo dado. Entonces la distribución de probabilidad de la
variable aleatoria X es:
𝒆−𝝀 𝝀𝒙
𝒇(𝒙) = ; 𝒙 = 𝟎, 𝟏, 𝟐, … , ∞
𝒙!
Donde:
λ: Es el número promedio de resultados del suceso aleatorio
por unidad de tiempo (λ cambia proporcionalmente con
el tiempo).
e = 2.718281828.
Además:
𝑬(𝒙) = 𝝀
𝑽(𝒙) = 𝝀
Entre los fenómenos que siguen aproximadamente una
distribución de Poisson, tenemos:
i) El número de accidentes por día.
ii) El número de clientes que visitan un centro comercial en
un momento determinado (minuto, hora, día, mes, etc.)
iii) El número de reclamos en una entidad bancaria en un
momento determinado.
iv) El número de aviones que aterrizan en un aeropuerto por
semana.
v) El número de cheques falsos que recibe una entidad
bancaria por semana.
Ejemplo 4: Escribir el modelo matemático para el número de
llamadas telefónicas que reciben por día los alumnos del curso
de Estadística.
Solución:
X: variable aleatoria = número de llamadas telefónicas por día
̅ .Es el número promedio de llamadas telefónicas por día.
𝝀 =𝒙
De una encuesta rápida a los alumnos del curso se encontró que
el promedio de llamadas telefónicas que reciben por día es de 4.
𝝀 = 𝒙
̅=𝟒
𝒆−𝝀 𝝀𝒙
𝒇(𝒙) = ; 𝒙 = 𝟎, 𝟏, 𝟐, … , ∞
𝒙!
𝒆−𝟒 𝟒𝒙
𝒇(𝒙) = ; 𝒙 = 𝟎, 𝟏, 𝟐, … , ∞
𝒙!
Evaluando probabilidades en el modelo anterior se tiene:
a) Que no reciba ninguna llamada en un día.
𝒆−𝟒 𝟒𝟎 𝟏
𝒙 = 𝟎 𝐏(𝐱 = 𝟎) = 𝒇(𝟎) = = 𝒆𝟒
𝟎!
0 1 2 …
𝟏 𝟒 𝟓
𝐏(𝐱 ≤ 𝟏) = 𝐟(𝟎) + 𝒇(𝟏) = + =
𝒆𝟒 𝒆𝟒 𝒆𝟒
0 1 2 …
𝟒
𝐏(𝐱 ≥ 𝟏) = 𝟏 − 𝐟(𝟎) = 𝟏 −
𝒆𝟒
e) Que no reciba llamadas durante una semana.
̅ = 𝟒)
Entonces, si en 1 día recibe 4 llamadas ( 𝝀 = 𝒙
̅ = 𝟐𝟖)
En 7 días recibirá 28 llamadas (𝝀 = 𝒙
El nuevo modelo es:
𝒆−𝟐𝟖 𝟐𝟖𝒙
𝒇(𝒙) = ; 𝒙 = 𝟎, 𝟏, 𝟐, … , ∞
𝒙!
𝒆−𝟐𝟖 𝟐𝟖𝟎 𝟏
𝒙 = 𝟎 𝐏(𝐱 = 𝟎) = 𝒇(𝟎) = = 𝟐𝟖
𝟎! 𝒆
II.- MODELOS DE PROBABILIDAD DE UNA VARIABLE
ALEATORIA CONTINUA.
1. DISTRIBUCION NORMAL
La Distribución Normal es de vital importancia en estadística por
tres razones principales:
i. Numerosas variables continuas siguen aproximadamente
una ley normal
ii. Se utiliza para aproximar varias distribuciones discretas.
iii. Proporciona la base para la Inferencia Estadística.
Definición.- Una variable aleatoria continua X se distribuye
aproximadamente según una ley normal si su función de densidad
está dada por:
1 x
1 ( )2
f ( x) e 2
; x
2
Donde:
X: Variable aleatoria
N
x i
i 1
: Pr omedio Poblacional
N
(x i )2
2 i 1
; Varianza Poblacinal
N
e = 2.7183, = 3.1416
𝑿~𝑵(µ, 𝝈𝟐 )
µ
Propiedades:
1. Es simétrica respecto a µ.
2. Los valores del promedio, mediana y moda coinciden.
3. Es asintótica respecto al eje de las X.
4. Tiene como parámetros a “µ” y “σ” ⟹ 𝑿 ∼ 𝑵(µ, 𝝈𝟐 )
5. Tiene como puntos de inflexión en 𝝁 ± 𝝈
µ-𝝈 µ+ 𝝈
z2
1
f ( z) e 2
; z
2
𝒁~𝑵(𝟎, 𝟏)
… -3 -2 -1 0 1 2 3 …
z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0
0.1
0.2
.
.
.
1.0 0.3413
1.1 0.3643 0.3749
1.2 0.3849
.
.
.
2.9
3.0 0.4987
𝒁~𝑵(𝟎, 𝟏)
= 𝑷(𝟎 ≤ 𝒁 ≤ 𝒁𝟎 )
0 Z0
Ejemplo:
1.
𝒁~𝑵(𝟎, 𝟏)
= 𝑷(𝒁 ≥ 𝟎) = 𝟎. 𝟓
-3 -2 -1 0 1 2 3
2.
𝒁~𝑵(𝟎, 𝟏)
= 𝑷(𝒁 ≤ 𝟎) = 𝟎. 𝟓
-3 -2 -1 0 1 2 3
3. 𝒁~𝑵(𝟎, 𝟏)
= 𝑷(𝟎 ≤ 𝒁 ≤ 𝟏) = 𝟎. 𝟑𝟒𝟏𝟑
-3 -2 -1 0 1 2 3
4. 𝒁~𝑵(𝟎, 𝟏)
= 𝑷(𝟎 ≤ 𝒁 ≤ 𝟏. 𝟐) = 𝟎. 𝟑𝟖𝟒𝟗
-3 -2 -1 0 1 2 3
5.
𝒁~𝑵(𝟎, 𝟏)
-3 -2 -1 0 1 2 3
𝒁~𝑵(𝟎, 𝟏)
6.
= 𝑷(𝒁 ≤ 𝟏) = 𝟎. 𝟖𝟒𝟏𝟑
-3 -2 -1 0 1 2 3
0.5 + 0.3413
𝒁~𝑵(𝟎, 𝟏)
7.
= 𝑷(−𝟏 ≤ 𝒁 ≤ 𝟏) = 𝟎. 𝟔𝟖𝟐𝟔
-3 -2 -1 0 1 2 3
0.3413+0.3413
𝒁~𝑵(𝟎, 𝟏)
8.
= 𝑷(𝒛 ≤ −𝟏)
-3 -2 -1 0 1 2 3
0.5
= 𝑷(𝒛 ≤ −𝟏) = 𝑷(𝒛 ≥ 𝟏) = 𝟎. 𝟓 − 𝑷(𝟎 ≤ 𝒛 ≤ 𝟏) = 𝟎. 𝟏𝟓𝟖𝟕
9. Si 𝑿 ∼ 𝑵(µ, 𝝈𝟐 ) con 𝑬(𝒙) = µ y 𝑽(𝒙) = 𝝈𝟐 )
9.1.
𝑿~𝑵(µ, 𝝈𝟐 )
=P (µ-σ ≤ X ≤ µ+σ)=?
µ−𝝈 µ µ+𝝈
𝒁~𝑵(𝟎, 𝟏)
=P (-1 ≤ Z ≤ 1)=?
−𝟏 𝟎 𝟏
9.2.
𝑿~𝑵(µ, 𝝈𝟐 )
=P (µ-1.96σ ≤ X ≤ µ+1.96σ)=?
µ − 𝟏. 𝟗𝟔𝝈 µ µ + 𝟏. 𝟗𝟔𝝈
𝝈
Realizando el cambio de variable:
𝒙−µ
𝒁=
𝝈
(µ − 𝝈) − µ 𝒙 − µ (µ + 𝝈) − µ
𝑷(µ − 𝝈 ≤ 𝒙 ≤ µ + 𝝈) = 𝑷( ≤ ≤ )
𝝈 𝝈 𝝈
= 𝑷(−𝟏. 𝟗𝟔 ≤ 𝐳 ≤ 𝟏. 𝟗𝟔)
𝒁~𝑵(𝟎, 𝟏)
=P (-1.96 ≤ Z ≤ 1.96)=?
−𝟏. 𝟗𝟔 𝟎 𝟏. 𝟗𝟔
9.3.
𝑿~𝑵(µ, 𝝈𝟐 )
=P (µ-2.58σ ≤ X ≤ µ+2.58σ)=?
µ − 𝟐. 𝟓𝟖𝝈 µ µ + 𝟐. 𝟓𝟖𝝈
𝒙−µ
Realizando el cambio de variable: 𝒁=
𝝈
(µ − 𝟐. 𝟓𝟖𝝈) − µ 𝒙 − µ (µ + 𝟐. 𝟓𝟖𝝈) − µ
= 𝑷( ≤ ≤ )
𝝈 𝝈 𝝈
= 𝑷(−𝟐. 𝟓𝟖 ≤ 𝐳 ≤ 𝟐. 𝟓𝟖)
𝒁~𝑵(𝟎, 𝟏)
=P (-2.58≤ Z ≤ 2.58)=?
−𝟐. 𝟓𝟖 𝟎 𝟐. 𝟓𝟖
10.1
𝒁~𝑵(𝟎, 𝟏)
−𝒛𝜶 𝟎 𝒛𝜶
𝟐 𝟐
=P (-1.96 ≤ Z ≤ 1.96)=0.95
𝒁~𝑵(𝟎, 𝟏)
−𝒛𝜶 =? 0 𝒛𝜶 =?
𝟐 𝟐
0.5
𝑷 (𝒛 ≥ 𝒛𝜶 ) = 𝟎. 𝟎𝟐𝟓 ⇒ 𝑷 (𝟎 ≤ 𝒛 ≤ 𝒛𝜶 ) = 𝟎. 𝟒𝟕𝟓
𝟐 𝟐
Para esta probabilidad de 0.475 (Tabla) el valor de 𝒛𝜶 = 𝟏. 𝟗𝟔
𝟐
10.2
𝒁~𝑵(𝟎, 𝟏)
−𝒛𝜶 𝟎 𝒛𝜶
𝟐 𝟐
=P (-2.58 ≤ Z ≤ 2.58)=0.99
𝒁~𝑵(𝟎, 𝟏)
−𝒛𝜶 =? 0 𝒛𝜶 =?
𝟐 𝟐
0.5
𝑷 (𝒛 ≥ 𝒛𝜶 ) = 𝟎. 𝟎𝟎𝟓 ⇒ 𝑷 (𝟎 ≤ 𝒛 ≤ 𝒛𝜶 ) = 𝟎. 𝟒𝟗𝟓
𝟐 𝟐
10.3 𝒁~𝑵(𝟎, 𝟏)
𝜶 =0.05
𝟎 𝒛𝜶 =?
0.5
i) Encontrando la probabilidad
𝑷(𝒛 ≥ 𝒛𝜶 ) = 𝟎. 𝟎𝟓 ⇒ 𝑷(𝟎 ≤ 𝒛 ≤ 𝒛𝜶 ) = 𝟎. 𝟒𝟓
Para esta probabilidad de 0.45 (Tabla) el valor de 𝒛𝜶 =
𝟏. 𝟔𝟓
10.4 𝒁~𝑵(𝟎, 𝟏)
𝜶 =0.01
𝟎 𝒛𝜶 =?
0.5
𝑷(𝒛 ≥ 𝒛𝜶 ) = 𝟎. 𝟎𝟏 ⇒ 𝑷(𝟎 ≤ 𝒛 ≤ 𝒛𝜶 ) = 𝟎. 𝟒𝟗
Para esta probabilidad de 0.49 (Tabla) el valor de 𝒛𝜶 =
𝟐. 𝟑𝟑
𝑿~𝑵(µ, 𝝈𝟐 )
µ
i. Estimando el promedio y la varianza poblacional.
∑𝒏𝒊=𝟏 𝒙𝒊 𝟏𝟐𝟐
𝝁 ̅=
̂=𝒙 = = 𝟏𝟐. 𝟐
𝒏 𝟏𝟎
∑𝒏𝒊=𝟏(𝒙𝒊 − 𝒙
̅)𝟐 ∑𝒏𝒊=𝟏 𝒙𝟐𝒊 − 𝒏(𝒙
̅𝟐 )
̂𝟐
𝝈 =𝒔 = 𝟐
=
𝒏−𝟏 𝒏−𝟏
𝒙−𝝁 𝟖−𝟏𝟐.𝟐
a) 𝑷(𝒙 ≤ 𝟖) = 𝑷 ( ≤ ) = 𝑷(𝒛 ≤ −𝟏. 𝟕𝟓)
𝝈 𝟐.𝟑𝟗𝟒𝟒
𝒁~𝑵(𝟎, 𝟏)
−1.75 𝟎 𝟏. 𝟕𝟓
0.5
𝒁~𝑵(𝟎, 𝟏)
−𝟏. 𝟕𝟓 𝟎 𝟎. 𝟕𝟓
⇒ 𝐏(−𝟏. 𝟕𝟓 ≤ 𝐳 ≤ 𝟎. 𝟕𝟓)
= 𝐏(𝟎 ≤ 𝐳 ≤ 𝟎. 𝟕𝟓) + 𝐏(𝟎 ≤ 𝐳 ≤ 𝟏. 𝟕𝟓)
= 𝟎. 𝟐𝟕𝟑𝟒 + 𝟎. 𝟒𝟓𝟗𝟗 = 𝟎. 𝟕𝟑𝟑𝟑
= 𝑷(𝟎. 𝟕𝟓 ≤ 𝒛 ≤ 𝟏. 𝟓𝟗)
𝒁~𝑵(𝟎, 𝟏)
𝟎 𝟎. 𝟕𝟓 𝟏. 𝟓𝟗
⇒ 𝐏(𝟎. 𝟕𝟓 ≤ 𝐳 ≤ 𝟏. 𝟓𝟗)
= 𝐏(𝟎 ≤ 𝐳 ≤ 𝟏. 𝟓𝟗) − 𝐏(𝟎 ≤ 𝐳 ≤ 𝟎. 𝟕𝟓)
= 𝟎. 𝟒𝟒𝟒𝟏 − 𝟎. 𝟐𝟕𝟑𝟒 = 𝟎. 𝟏𝟕𝟎𝟕
2. DISTRIBUCION STUDENT = "𝒕𝒏 "
n 1 n 1
( )
2 x 2 2
f ( x) 1 ; x
n 1 n
( ) n
2
𝑿~𝒕𝒏
… -3 -2 -1 0 1 2 3 …
Propiedades:
1. Tiene como único parámetro a “n”
2. Existe una distribución para cada “n”
𝒏
3. 𝑬(𝒕𝒏 ) = 𝟎 y 𝑽(𝒕𝒏 ) = 𝒏−𝟐 ; 𝒏 > 𝟐
𝑿~𝒕𝒏
= 𝑷(𝒕𝒏 ≥ 𝒕𝟎) = 𝑷
0 𝒕
Ejemplo:
1.
𝑿~𝒕(𝟏𝟎)
= 𝑷(𝒕𝟏𝟎 ≥ 𝟏. 𝟑𝟕𝟐) = 𝟎. 𝟏𝟎
= 𝟎. 𝟏𝟎
-3 -2 -1 0 1.372
2.
𝑿~𝒕(𝟏𝟎)
= 𝟎. 𝟎𝟐𝟓
-3 -2 -1 0 2.228
3.
𝑿~𝒕(𝟏𝟎)
𝜶 = 𝟎. 𝟎𝟐𝟓
-3 -2 -1 0 𝒕𝜶 =?
𝑿~𝒕𝟏𝟎
𝜶
𝜶
𝟐 = 𝟎. 𝟎𝟐𝟓
𝟐
= 𝟎. 𝟎𝟐𝟓
−𝒕𝜶/𝟐 =?0 𝒕𝜶/𝟐 =?
= P(t (10) t / 2 ) 0.025; t / 2 2.228
𝑿~𝒕𝟏𝟎
𝜶
𝜶
𝟐 = 𝟎. 𝟎𝟎𝟓
𝟐
= 𝟎. 𝟎𝟎𝟓
−𝒕𝜶/𝟐 =? 0 𝒕𝜶/𝟐 =?
𝑿~𝒕𝟑𝟓
𝜶
𝜶
𝟐 = 𝟎. 𝟎𝟐𝟓
𝟐
= 𝟎. 𝟎𝟐𝟓
−𝒕𝜶/𝟐 =? 0 𝒕𝜶/𝟐 =?
⟹ 𝒙 = 𝟐. 𝟎𝟑𝟎𝟓
Finalmente el valor de 𝒕𝜶/𝟐 = 𝟐. 𝟎𝟑𝟎𝟓
Propiedades:
1. Tiene como único parámetro a “n”
2. Existe una distribución para cada “n”
3. Es una distribución asimétrica positiva.
4. 𝑬(𝛘𝟐𝐧 ) = 𝒏 y 𝑽(𝛘𝟐𝐧 ) = 𝟐𝒏
𝛘𝟐𝐧
𝟎 ∞
𝛘𝟐𝐧
𝟎 𝛘𝟐𝟎
Ejemplo:
1.
𝛘𝟐𝟏𝟎
𝟎 𝛘𝟐𝟎 =18.30..
𝛘𝟐𝟏𝟎
α = 0.05
𝟎 𝛘𝟐𝛂 =?
De la Tabla de 𝝌𝟐𝒏 con “n = 10” y α = 0.05=P; se tiene que 𝝌𝟐𝛂 = 𝟏𝟖. 𝟑𝟎𝟕𝟎
𝛘𝟐𝟏𝟎
α = 0.025
𝟎 𝛘𝟐𝛂 =?
De la Tabla de 𝝌𝟐𝒏 con “n = 10” y α = 0.025=P; se tiene que 𝝌𝟐𝛂 =
𝟐𝟎. 𝟒𝟖𝟑𝟏
𝛘𝟐𝟏𝟎
𝜶 𝜶 𝜶
= 𝟎. 𝟎𝟐𝟓 𝟏−
𝟐
= 𝟎. 𝟗𝟕𝟓
= 𝟎. 𝟎𝟐𝟓
𝟐 𝟐
𝝌𝟐𝟏−𝛂 =? 𝛘𝟐𝛂/𝟐 =?
𝟐
𝛘𝟐𝟏𝟎
𝜶 𝜶 𝜶
= 𝟎. 𝟎𝟎𝟓 𝟏−
𝟐
= 𝟎. 𝟗𝟗𝟓
= 𝟎. 𝟎𝟎𝟓
𝟐 𝟐
𝝌𝟐𝟏−𝛂 =? 𝛘𝟐𝛂 =?
𝟐
𝑭𝒎,𝒏
𝟎 ∞
m
n P 1 2 3 4… 10
1
2
3
0.25 2.00
0.10 4.32
0.05 6.94
4 0.025 10.65
0.01 18.00
0.005 26.28
0.001 61.25
…
6
𝑭𝒎,𝒏
= 𝑷(𝑭𝒎,𝒏 ) ≥ 𝑭𝟎 = 𝑷
𝟎 𝑭𝟎
Ejemplo:
𝑭𝟐,𝟒
1.
= 𝑷(𝑭𝟐,𝟒 ) ≥ 𝟐. 𝟎𝟎 = 𝟎. 𝟐𝟓
𝟎 𝑭𝟎 = 𝟐. 𝟎𝟎
𝑭𝟐,𝟒
2.
= 𝑷(𝑭𝟐,𝟒 ) ≥ 𝟒. 𝟑𝟐 = 𝟎. 𝟏𝟎
𝟎 𝑭𝟎 = 𝟒. 𝟑𝟐
3. 𝑭𝟐,𝟒
𝟎 𝑭𝟎 = 𝟏𝟎. 𝟔𝟓
4. Para m=2, n=4 y α=0.025. Determinar 𝑭𝜶
𝑭𝟐,𝟒
𝜶 = 𝟎. 𝟎𝟐𝟓
𝟎 𝑭𝜶 =?
𝑭𝟐,𝟒
𝜶 𝜶 𝜶
= 𝟎. 𝟎𝟐𝟓 𝟏−
𝟐
= 𝟎. 𝟗𝟕𝟓
= 𝟎. 𝟎𝟐𝟓
𝟐 𝟐
𝑭𝟏−𝜶(𝟐,𝟒) =? 𝑭𝜶(𝟐,𝟒) =?
𝟐
𝟐
𝟏
𝑭𝟏−𝜶(𝒎,𝒏) =
𝟐 𝑭𝜶(𝒏,𝒎)
𝟐
Por lo tanto:
𝟏 𝟏
𝐅𝟏−𝛂(𝟐,𝟒) = = = 𝟎. 𝟎𝟐𝟓𝟒𝟖
𝟐 𝐅𝛂(𝟒,𝟐) 𝟑𝟗. 𝟐𝟓
𝟐
5. RELACIONES ENTRE DISTRIBUCIONES
CONTINUAS:
5.1 𝑿~ 𝑵( 𝝁, 𝝈𝟐 )
𝒙−𝝁
5.2 𝒁 = ~ 𝑵 (𝟎, 𝟏)
𝝈
𝒙−𝝁 𝟐
5.3 𝒁𝟐 = ( ) ~ 𝝌𝟐(𝟏)
𝝈
𝒙𝒊 −𝝁𝒊 𝟐
5.4 𝒁𝟐𝒏 = ∑𝒏𝒊=𝟏( ) ~ 𝝌𝟐(𝒏)
𝝈𝒊
5.5 Se tiene:
𝒙−𝝁
𝒂) 𝒁= ~ 𝑵 (𝟎, 𝟏)
𝝈
𝒃) 𝝌𝟐(𝒏)
Entonces el cociente de a), b) genera:
𝒁
⇒ = 𝒕𝒏
𝝌𝟐(𝒏)
√
𝒏
5.6 Se tiene:
𝒂) 𝝌𝟐(𝒎)
𝒃) 𝝌𝟐(𝒏)
𝝌𝟐(𝒎)
⇒ 𝒎 = 𝑭𝒎,𝒏
𝝌𝟐(𝒏)
𝒏
𝝌𝟐
(𝟏)
𝒁 𝒁 𝒁𝟐
5.7 𝑺𝒊 𝒕𝒏 = ⇒ (𝒕𝒏 )𝟐 = ( )𝟐 = 𝝌𝟐
= 𝟏
𝝌𝟐
= 𝑭𝟏,𝒏
𝝌𝟐
(𝒏) 𝝌𝟐
(𝒏)
(𝒏) (𝒏)
√ √ 𝒏 𝒏
𝒏 𝒏
TABLAS ESTADISTICAS
1. Distribución Normal Estándar
2. Distribución “t” de Student
3. Distribución Chi-Cuadrado =𝜒 2
4. Distribución F(m,n) de Fisher-Snedecor.