INSTITUTO TECNOLOGICO SUPERIOR DE LAS CHOAPAS

CARRERA
ELECTROMECANICA

NOMBRE
ALEXIS HMBERTO CONTRERAS RAMIREZ

SEMESTRE Y GRUPO
3 “A”

FECHA

04/11/21
DISTRIBUCION CHI-CUADRADA.

DEFINICION
En teoría de la probabilidad y en estadística, la distribución ji al cuadrado con
grados de libertad es la distribución de la suma del cuadrado de variables
aleatorias independientes con distribución normal estándar.

Sean x1, x2, ..., xn variables independientes que siguen una distribución N(0,1).

en este caso, se dice que X se distribuye como una CHICUADRADO, con n

grados de libertad, que representamos como:

FUNCION DE DENSIDAD, REPRESENTACION GRAFICA.

La obtenemos a partir de la función de densidad de la distribución GAMMA:
Sustituyendo los valores de en la función de densidad y
generatriz de momentos de la GAMMA, obtenemos las funciones
correspondientes de la distribución CHI - CUADRADO.

La representación gráfica de la función de densidad, depende de los grados de

libertad. Para valores pequeños de n la función de densidad de tiene una
larga cola a la derecha. Al crecer n, el centro de la distribución se desplaza hacia
la derecha y la forma de la función de densidad se hace más simétrica; para n
grande (n>30) la función se puede aproximar por una N(n, 2n).

MEDIA Y VARIANZA
Se puede demostrar fácilmente con el uso de la función generatriz e momentos y
de la relación de la chi-cuadrado con la distribución Gamma que la media de una
distribución chi-cuadrado de n grados de libertad vale n y su varianza 2n.

FUNCION DE DISTRIBUCION, USO DE LAS TABLAS.

La función de distribución de una distribución chi-cuadrado se obtiene mediante la
integral de la función de densidad.

Llegando al siguiente resultado

que como se puede observar no es nada manejable.

Es por ello que en vez de trabajar con esta expresión, y tal y como se hizo con la
distribución normal, trabajaremos con tablas. Estas tablas pueden informarnos
bien del propio valor de la función de distribución, o bien, el complementario de la
función de distribución.
EJEMPLO: La variable aleatoria U sigue una distribución Chi-cuadrado. Calcular
"a" tal que:
P(U>a) = 0,05
a) Para 18 grados de libertad.
b) Para 55 grados de libertad.
SOLCION
a) P(U>28,9) = 0,05 b)
P(U>73,3) = 0,05 En este caso hemos interpolado entre
50 y 60 grados de libertad.
INSTITUTO TECNOLOGICO SUPERIOR DE LAS CHOAPAS

NOMBRE

ALEXIS HUMBRETO CONTRERAS RAMIREZ

CARRERA

ING.ELECTROMECANICA

FECHA

27/10/2021

GRADO Y GRUPO

“3” A
Distribución ejemplo

1.- Cuando se lanza un dado hay una probabilidad de 1/6 de que salga 6 x= 1 si el
dado cae seis y x= 0 en cualquier otro caso ( cual es ña distribucion de x )

solucion
La probabilidad de éxito es P(X =1 ) o 1/6 por lo que X bernoulli

2.- La probabilidad de que un hombre acierte en el blanco es de ¼ . si dispara 10

Veces ¿ cual es la probabilidad de que acierte exactamente en tres ocaciones?
¿Cuál es la probabilidad de que acierte por lo menos en una ocasión?
INSTITUTO TECNOLOGICO SUPERIOR DE LAS CHOAPAS

NOMBRE

ALEXIS HUMBERTO CONTRERAS RAMIREZ

CARRERA

ING.ELECTROMECANICA

FECHA

28/10/2021

GRUPO Y GRADO

3 “A”
 CARACTERISTICAS USO
NORMAL La distribución En la
normal es un modelo distribución
teórico capaz de normal
aproximar adapta una
satisfactoriamente el variable
valor de una variable aleatoria a
aleatoria a una una función
situación ideal. que depende
de la media y
la desviación
típica.
POISSON En teoría de El
probabilidad y estadí parámetro X
stica, la distribución >0
de Poisson es representa el
una distribución de número de
probabilidad discreta veces que se
que expresa, a partir espera que
de una frecuencia de ocurra el
ocurrencia media, la fenómeno
probabilidad de que durante un
ocurra un intervalo
determinado número dado.
de eventos durante
cierto período de
tiempo
BINOMIAL En teoría de la Un
probabilidad y estadí experimento
stica, la distribución de Bernoulli
binomial o distribució se caracteriza
n binómica es por
una distribución de ser dicotómic
probabilidad discreta o, esto es,
que cuenta el solo dos
número de éxitos en resultados
una secuencia son posibles,
a uno de
de ensayos estos se le
de Bernoulli indepen denomina
dientes entre sí con “éxito” y tiene
una probabilidad una
fija de probabilidad
ocurrencia de éxito de
entre los ensayos. ocurrencia
y al otro
se le
denomina
“fracaso” y
tiene una
probabilidad
INSTITUTO TECNOLOGICO SUPERIOR DE LAS CHOAPAS

NOMBRE

ALEXIS HUMBRETO CONTRERAS RAMIREZ

CARRERA

ING.ELECTROMECANICA

FECHA

27/10/2021

GRADO Y GRUPO

“3” A
 Funciones de distribución de probabilidad, continua y
discreta
CONTINUA

Una distribución continua describe las probabilidades de los posibles valores de una
variable aleatoria continua. Una variable aleatoria continua es una variable aleatoria con
un conjunto de valores posibles (conocido como el rango) que es infinito y no se puede
contar.

Las probabilidades de las variables aleatorias continuas (X) se definen como el área por
debajo de la curva de su PDF. Por lo tanto, solo los rangos de valores pueden tener una
probabilidad diferente de cero. La probabilidad de que una variable aleatoria continua
equivalga a algún valor siempre es cero.

Ejemplo de la distribución de pesos

La distribución normal continua puede describir la distribución del peso de hombres
adultos. Por ejemplo, usted puede calcular la probabilidad de que un hombre pese entre
160 y 170 libras.
DISCRETA

Una distribución discreta describe la probabilidad de ocurrencia de cada valor de una

variable aleatoria discreta. Una variable aleatoria discreta es una variable aleatoria que
tiene valores contables, tales como una lista de enteros no negativos.

Con una distribución de probabilidad discreta, cada valor posible de la variable aleatoria
discreta puede estar asociado con una probabilidad distinta de cero. Por lo tanto, una
distribución de probabilidad discreta suele representarse en forma tabular.

Ejemplo del número de quejas de clientes

Con una distribución discreta, a diferencia de una distribución continua, usted puede
calcular la probabilidad de que X sea exactamente igual a algún valor. Por ejemplo,
puede utilizar la distribución discreta de Poisson para describir el número de quejas de
clientes en un día. Supongamos que el número promedio de quejas por día es 10 y
usted desea saber la probabilidad de recibir 5, 10 y 15 quejas de clientes en un día.
INSTITUTO TECNOLOGICO SUPERIOR DE LAS CHOAPAS

NOMBRE
ALEXIS HUMBERTO CONTRERAS RAMIREZ

CARRERA
ING.ELECTROMECANICA

SEMESTRE Y GRUPO
3 “A”

FECHA

15/11/2021
ESTIMADORES

1.- Sesgo.

Se dice que un estimador es insesgado si la Media de la distribución del estimador

es igual al parámetro. Estimadores insesgados son la Media muestral (estimador de
la Media de la población) y la Varianza (estimador de la Varianza de la población):

Ejemplo

En una población de 500 puntuaciones cuya Media (m) es igual a 5.09 han hecho
un muestreo aleatorio (número de muestras= 10000, tamaño de las muestras= 100)
y hallan que la Media de las Medias muestrales es igual a 5.09, (la media poblacional
y la media de las medias muestrales coinciden). En cambio, la Mediana de la
población es igual a 5 y la Media de las Medianas es igual a 5.1 esto es, hay
diferencia ya que la Mediana es un estimador sesgado.
La Varianza es un estimador sesgado. Ejemplo: La Media de las Varianzas
obtenidas con la Varianza

en un muestreo de 1000 muestras (n=25) en que la Varianza de la población es

igual a 9.56 ha resultado igual a 9.12, esto es, no coinciden. En cambio, al utilizar la
Cuasivarianza

la Media de las Varianzas muestrales es igual a 9.5, esto es, coincide con la
Varianza de la población ya que la Cuasivarianza es un estimador insesgado.
2.- Consistencia.

Un estimador es consistente si aproxima el valor del parámetro cuanto mayor es n

(tamaño de la muestra).

Algunos estimadores consistentes son:

Ejemplo En una población de 500 puntuaciones cuya Media (m) es igual a 4.9 han
hecho tres muestreos aleatorios (número de muestras= 100) con los siguientes
resultados:

vemos que el muestreo en que n=100 la Media de las Medias muestrales toma el
mismo valor que la Media de la población.

3.- Eficiencia.

Diremos que un estimador es más eficiente que otro si la Varianza de la distribución

muestral del estimador es menor a la del otro estimador. Cuanto menor es la
eficiencia, menor es la confianza de que el estadístico obtenido en la muestra
aproxime al parámetro poblacional.

Ejemplo

La Varianza de la distribución muestral de la Media en un muestreo aleatorio

(número de muestras: 1000, n=25) ha resultado igual a 0.4. La Varianza de la
distribución de Medianas ha resultado, en el mismo muestreo, igual a 1.12, (este
resultado muestra que la Media es un estimador más eficiente que la Mediana).
PARAMETROS

1.- Parámetros de Posición

Permiten identificar el valor en torno al cual se agrupan mayoritariamente los
datos, es decir, cuyo valor es representativo de todos ellos. Pueden ser de dos
tipos:
 Medidas de tendencia central: media, mediana y moda.
 Medidas de posición no central: cuartiles, deciles y perceptiles.

Este tipo de parámetros no tiene por qué coincidir con un valor exacto de la variable,
y no deben usarse con carácter general para hacer pronósticos. La elección de un
parámetro u otro, dependerá de cada caso particular y de la distribución que siga la
variable, pero podemos concluir que en el caso de que los datos sigan una
distribución normal, la media aritmética es el parámetro más representativo,
mientras que si presenta cierta asimetría conviene más utilizar la mediana. La moda
sólo es adecuada en el caso de variables cualitativas.

2.- Parámetros de Dispersión

Las medidas de posición resumen la distribución de datos, pero resultan
insuficientes y simplifican excesivamente la información. Estas medidas adquieren
verdadero significado cuando van acompañadas de otras que informen sobre la
heterogeneidad de los datos. Estas medidas se conocen como parámetros de
dispersión y miden en qué medida los datos se agrupan entorno a un valor central.

Hay medidas de dispersión absolutas, entre las cuales se encuentran la varianza,

la desviación típica o el recorrido y medidas de dispersión relativas, como el
coeficiente de variación. Las medidas absolutas tienen que ir acompañadas de un
parámetro de posición, normalmente la media, y no permiten comparaciones entre
distintas muestras. Las medidas relativas suelen ser adimensionales por lo que
permiten la comparación entre distintas muestras.
3.- Parámetros de Forma
Las variables aleatorias continuas presentan frecuentemente una pauta de
variabilidad que se caracteriza por el hecho de que los datos tienden a acumularse
en torno a un valor central, que coincide con la media, decreciendo su frecuencia
de forma aproximadamente simétrica a medida que se alejan por ambos lados de
dicho valor.
Los histogramas de estas variables continuas tienen forma de campana de Gauss,
que es el modelo matemático de la distribución normal, siendo la distribución que
con más frecuencia aparece en multitud fenómenos reales.
INSTITUTO TECNOLOGICO SUPERIOR DE LAS CHOAPAS

NOMBRE
ALEXIS HUMBERTO CONTRERAS RAMIREZ

CARRERA
ING.ELECTROMECANICA

SEMESTRE Y GRUPO
3 “A”

FECHA

15/11/2021
METODOLOGIA PARA HACER PRUEBAS DE HIPOTESIS

Una prueba de hipótesis es una regla que especifica si se puede aceptar o rechazar
una afirmación acerca de una población dependiendo de la evidencia proporcionada
por una muestra de datos. Una prueba de hipótesis examina dos hipótesis opuestas
sobre una población: la hipótesis nula y la hipótesis alternativa. La hipótesis nula es
el enunciado que se probará. Por lo general, la hipótesis nula es un enunciado de
que "no hay efecto" o "no hay diferencia".

La hipótesis alternativa es el enunciado que se desea poder concluir que es

verdadero de acuerdo con la evidencia proporcionada por los datos de la muestra.
Con base en los datos de muestra, la prueba determina si se puede rechazar la
hipótesis nula. Usted utiliza el valor p para tomar esa decisión. Si el valor p es menor
que el nivel de significancia (denotado como α o alfa), entonces puede rechazar la
hipótesis nula.

EJEMPLO:

NOTA
Debe determinar los criterios para la prueba y el tamaño de muestra necesario antes
de recolectar los datos.

1.- Especificar las hipótesis.

En primer lugar, el gerente formula las hipótesis. La hipótesis nula es: la media de
la población de todos los tubos es igual a 5 cm.
Formalmente, esto se escribe como: H0: μ = 5 Luego, el gerente elige entre las
siguientes hipótesis alternativas:
Como tiene que asegurarse de que los tubos no sean más grandes ni más pequeños
de 5 cm, el gerente elige la hipótesis alternativa bilateral, que indica que la media
de la población de todos los tubos no es igual a 5 cm. Formalmente, esto se escribe
como H1: μ ≠ 5

2.- Elegir un nivel de significancia (también denominado alfa o α).

El gerente selecciona un nivel de significancia de 0.05, que es el nivel de

significancia más utilizado.

3.- Determinar la potencia y el tamaño de la muestra para la prueba.

El gerente utiliza un cálculo de potencia y tamaño de la muestra para determinar

cuántos tubos tiene que medir para tener una buena probabilidad de detectar una
diferencia de 0.1 cm o más con respecto al diámetro objetivo.

4.- Recolectar los datos.

Recoge una muestra de tubos y mide los diámetros.

5.- Comparar el valor p de la prueba con el nivel de significancia.

Después de realizar la prueba de hipótesis, el gerente obtiene un valor p de 0.004.

El valor p es menor que el nivel de significancia de 0.05.
6.- Decidir si rechazar o no rechazar la hipótesis nula.

El gerente rechaza la hipótesis nula y concluye que el diámetro medio de todos los
tubos no es igual a 5 cm.
INSTITUTO TECNOLOGICO SUPERIOR DE LAS CHOAPAS

NOMBRE
ALEXIS HUMBERTO CONTRERAS RAMIREZ

CARRERA
ING.ELECTROMECANICA

SEMESTRE Y GRUPO
3 “A”

FECHA

15/11/2021
DIFERENTES TIPOS DE MUESTREO

Muestreo aleatorio simple

En este tipo de muestreo las variables relevantes de la muestra tienen la misma

función de probabilidad y son independientes entre ellas. La población tiene que ser
infinita o bien finita con reposición de elementos. El muestreo aleatorio simple es el
que más se utiliza en la estadística inferencial, pero es menos eficaz en muestras
muy grandes.

Estratificado

El muestreo aleatorio estratificado consiste en dividir la población en estratos; un

ejemplo de esto sería estudiar la relación entre el grado de satisfacción vital y el
nivel socioeconómico. A continuación se extrae un número determinado de sujetos
de cada uno de los estratos por tal de mantener la proporción de la población de
referencia.

De conglomerados

En estadística inferencial los conglomerados son conjuntos de elementos

poblacionales, como pueden ser las escuelas o los centros hospitalarios públicos
de un municipio. Al llevar a cabo este tipo de muestreo se divide la población (en
los ejemplos, una localidad concreta) en varios conglomerados y se elige de forma
aleatoria algunos de ellos para estudiarlos.

Sistemático

En este caso se empieza dividiendo el número total de sujetos u observaciones que

conforman la población entre el que se quiere utilizar para la muestra.
Posteriormente se escoge un número al azar de entre los primeros y se va sumando
de forma constante este mismo valor; los elementos seleccionados pasarán a
formar parte de la muestra.
Muestreo por etapas múltiples

Esta técnica es la única opción cuando no se dispone de lista completa de la

población de referencia o bien cuando por medio de la técnica de muestreo simple
o estratificado se obtiene una muestra con unidades distribuidas de tal forma que
resultan de difícil acceso.

En el muestreo a estudios múltiples, se subdivide la población en varios niveles

ordenados que se extraen sucesivamente por medio de un procedimiento de
embudo. El muestreo se desarrolla en varias fases o extracciones sucesivas para
cada nivel.

Por ejemplo, si es necesario construir una muestra de profesores de primaria en un

país determinado, estos pueden subdividirse en unidades primarias representadas
por circunscripciones didácticas y unidades secundarias que serían los propios
profesores.
En primer lugar extraemos una muestra de las unidades primarias (para lo cual
debemos tener la lista completa de estas unidades) y en segundo lugar extraemos
aleatoriamente una muestra de unidades secundarias de cada una de las primarias
seleccionadas en la primera extracción.
MUESTREOS NO ALETORIOS, NO PROBABILISTICOS

Muestreo de bola de nieve o en cadena

En este tipo de muestreo los investigadores establecen contacto con sujetos

determinados; a continuación estos consiguen a nuevos participantes para la
muestra hasta completarla. El muestreo de bola de nieve se usa generalmente
cuando se trabaja con poblaciones de difícil acceso, como en el caso de adictos a
sustancias o de miembros de culturas minoritarias.

Intencional, opinático o de conveniencia

En el muestreo intencional el investigador escoge de forma voluntaria los elementos

que conformarán la muestra, dando por supuesto que esta será representativa de
la población de referencia. Un ejemplo que resultará familiar a los estudiantes de
psicología es la utilización de alumnos como muestra opinática por parte de
profesores universitarios.

Muestreo por cuotas o accidental

Hablamos de muestreo por cuotas cuando los investigadores escogen un número

concreto de sujetos que cumplan unas características determinadas (p. e. mujeres
españolas de más de 65 años con deterioro cognitivo severo) a partir de su
conocimiento sobre los estratos de la población. El muestreo accidental se usa con
frecuencia en las encuestas.