1

UNIVERSIDAD CENTRAL DEL ECUADOR FACULTAD DE CIENCIAS ECONOMICAS CARRERA DE ECONOMIA

INFERENCIA ESTADISTICA PROF. ING CESAR ESCOBAR TEMA: INVESTIGACION SOBRE ESTADISTICA PROBABILISTICA

ALUMNA: CHULDE ROMAN MONICA ELIZABETH

NUM.LISTA: 9

FECHA DE ESNTREGA: 06 DE SEPTIEMBRE DEL 2012

UNIVERSIDAD CENTRAL DEL ECUADOR FACULTAD DE ECONOMIA

INDICE

MEDIA ARITMTICA.1-4 MEDIANA 4-5 MEDIA GEOMTRICA5 POSIBILIDADES; PROBABILIDADES Y ESPERANZAS .6 MULTIPLICACIN DE OPCIONES ..6-7 PERMUTACIONES Y COMBINACIONES ...7 CONCEPTO CLASICO DE PROBABILIDAD ..8 DISTRIBUCIN BINOMIAL 8-10 LEY DE LOS GRANDES NUMEROS .10 ESPERANZA MATEMATICA...11 DIAGRAMA DE VENN .11 DISTRIBUCION GEOMTRICA 12 DISTRIBUCION HIPERGEOMETRICA 12-14 DISTRIBUCION DE POISSON ..15-17 DISTRIBUCION MULTINOMIAL 18 TEOREMA DE CHEBYSHEV .19 CURVA NORMAL .20 DISTRIBUCIN EXPONENCIAL 20-21 DENCIDAD TRIANGULAR .......21

UNIVERSIDAD CENTRAL DEL ECUADOR FACULTAD DE ECONOMIA

Universidad Central del Ecuador Facultad de Ciencias Econmicas Inferencia Estadstica Investigacin sobre la Estadstica Probabilstica Medidas de Tendencia Central

MEDIA ARITMTICA Definicin: La media aritmtica (tambin llamada promedio o simplemente media) de un conjunto finito de nmeros es el valor caracterstico de una serie de datos cuantitativos objeto de estudio que parte del principio de la esperanza matemtica o valor esperado, se obtiene a partir de la suma de todos sus valores dividida entre el nmero de sumandos. Importancia: Es el valor que tendran los datos, si todos ellos fueran iguales. O, tambin, el valor que correspondera a cada uno de los datos de la distribucin si su suma total se repartiera por igual. Media aritmtica ( o ): Es el valor resultante que se obtiene al dividir la sumatoria de un conjunto de datos sobre el nmero total de datos. Solo es aplicable para el tratamiento de datos cuantitativos.

Media aritmtica para datos no agrupados Podemos diferenciar la frmula del promedio simple para datos poblaciones y muestrales: Observe que la variacin de ambas frmulas radica en el tamao de los datos (N identifica el tamao de la poblacin, mientras que n el de la muestra). Ejemplo: la media aritmtica para datos no agrupados El profesor de la materia de estadstica desea conocer el promedio de las notas finales de los 10 alumnos de la clase. Las notas de los alumnos son: 3,2 3,0 3,1 3,5 2,4 3,8 4,0 4,2 3,5 4,0

Cul es el promedio de notas de los alumnos de la clase?

UNIVERSIDAD CENTRAL DEL ECUADOR FACULTAD DE ECONOMIA

SOLUCIN Aplicando la frmula para datos no agrupados tenemos: Cabe anotar que en el ejemplo estamos hablando de una poblacin correspondiente a todos los alumnos de la clase (10 alumnos en total). El promedio de las notas es de 3,47. Modifiquemos la primera nota por 0,0 y calculemos nuevamente la media aritmtica. En este caso la media pasa de 3,47 a 3,15. Esta variacin notoria se debi a que la media aritmtica es sensible a los valores extremos cuando tratamos con pocos datos. El 0,0 es una nota atpica comparada con las dems, que estn ubicadas entre 3,0 y 4,2. Media aritmtica para datos agrupados En el capitulo 2 explicbamos dos tipos de tablas de frecuencias (A y B). Cuando los datos se agrupan en tablas tipo A, la media aritmtica es igual a la divisin de la sumatoria del producto de las clases por la frecuencia sobre el nmero de datos. La sumatoria parte desde el primer intervalo de clase (i = 1) hasta el ltimo (Nc), siendo Xi la clase del intervalo i. Cuando los datos se agrupan en tablas de frecuencias tipo B, el clculo de la media vara un poco, ya que existe una prdida de informacin en el momento en que se trabaja con intervalos de frecuencia y no con los datos directamente (los datos se agrupan por intervalo, desconociendo el valor exacto de cada uno de ellos). Las marcas de clases (Mc) cumple la funcin de representar los intervalos de clase. MEDIANA Concepto: representa el valor de la variable de posicin central en un conjunto de datos ordenados. De acuerdo con esta definicin el conjunto de datos menores o iguales que la mediana representarn el 50% de los datos, y los que sean mayores que la mediana representarn el otro 50% del total de datos de la muestra. La mediana coincide con el percentil 50, con el segundo cuartil y con el quinto decil. Su clculo no se ve afectado por valores extremos.

UNIVERSIDAD CENTRAL DEL ECUADOR FACULTAD DE ECONOMIA

Decil: las medidas de posicin no central permiten conocer otros puntos caractersticos de la distribucin que no son los valores centrales. Entre las medidas de posicin no central ms importantes estn importantes estn los cantiles. Los Deciles, que dividen a la distribucin en diez partes. Cuartil: Los cuartiles son los tres valores que dividen al conjunto de datos ordenados en cuatro partes porcentualmente iguales Dada una serie de valores X1,X2,X3 ...Xn ordenados en forma creciente, podemos pensar que su clculo podra efectuarse:

Primer cuartil (Q1) como la mediana de la primera mitad de valores; Segundo cuartil (Q2) como la propia mediana de la serie; Tercer cuartil (Q3) como la mediana de la segunda mitad de valores.

Pero esto conduce a distintos mtodos de clculo de los cuartiles primero (resp. tercero) segn la propia mediana se incluya o excluya en la serie de la primera (resp. segunda) mitad de valores. Clculo con datos no Agrupados No hay uniformidad sobre su clculo. en la bibliografa se encuentran hasta cinco mtodos que dan resultados diferentes.2 Uno de los mtodos es el siguiente: dados n datos ordenados,

El primer cuartil:

(n+3)/4

Para el tercer cuartil

(3n+1)/4 Percentiles Se representan con la letra P. Para el percentil i-simo, donde la i toma valores del 1 al 99. El i % de la muestra son valores menores que l y el 100-i % restante son mayores. Aparecen citados en la literatura cientfica por primera vez por Francis Galton en 18853

P25 = Q1. P50 = Q2 = mediana.

UNIVERSIDAD CENTRAL DEL ECUADOR FACULTAD DE ECONOMIA

P75 = Q3.

Clculo con datos no Agrupados

Un mtodo para calcular un percentil sera el siguiente: Calculamos donde n es el nmero de elementos de la muestra e i el percentil. El resultado de realizar esta operacin da como resultado un nmero real con parte entera E y parte decimal D. Teniendo en cuenta estos 2 valores, aplicamos la siguiente funcin:

MEDIA GEOMERTRICA

Concepto: la media geomtrica de una cantidad arbitraria de nmeros (por decir n nmeros) es la raz n-sima del producto de todos los nmeros, es recomendada para datos de progresin geomtrica, para promediar razones, inters compuesto y nmeros ndices.

puede utilizarse para mostrar los cambios porcentuales en una serie de nmeros positivos. Como tal, tiene una amplia aplicacin en los negocios y en la economa, debido a que con frecuencia se est interesado en establecer el cambio porcentual en las ventas en el producto interno bruto o en cualquier serie econmica. Se define como la raz ndice n del producto de n trminos. Importancia: La media geomtrica se utiliza con ms frecuencia para calcular la tasa de crecimiento porcentual promedio de algunas series dadas, a travs del tiempo. Media armnica La media armnica se define como el recproco de la media aritmtica de los recprocos: Esta medida se emplea para promediar variaciones con respecto al tiempo tales como productividades, tiempos, rendimientos, cambios, etc.,
UNIVERSIDAD CENTRAL DEL ECUADOR FACULTAD DE ECONOMIA

POSIBILIDADES; PROBABILIDADES Y ESPERANZAS Multiplicacin de opciones: si una eleccin consta de 2 pasos donde la primera puede realizarse de m formas en n maneras entonces es posible resolver toda la situacin en nm formas. Ej: m=4; n= 12 12*4=48 Entonces 48 formas. Multiplicacion de opciones Generalizadas Consta de K pasos , donde promero primero puede realizarse en n 1 de estas en cada uno de estas el segundo puede efectuarse en n 2 maneras asi n1 n2 nK formas.

PERMUTACIONES Y COMBINACIONES PERMUTACIONES Una permutacin de objetos es un arreglo de stos en el que orden s importa. Para encontrar el nmero de permutaciones de n objetos diferentes en grupos de r, se usan las siguientes frmulas: Cuando no se permite repeticin

Cuando se permita repeticin

COMBINACIONES: Una combinacin de objetos es un arreglo de stos en el que el orden no importa. Para encontrar el nmero de combinaciones de n objetos en grupos de r, se usa la siguiente frmula:

EJERCICIOS
UNIVERSIDAD CENTRAL DEL ECUADOR FACULTAD DE ECONOMIA

Cuntas cantidades de tres cifras se pueden formar con los dgitos 0, 1, 2, 3 y 4 si no se permite la repeticin? Solucin:

Cuntas cantidades de cuatro cifras se pueden formar con los dgitos 0, 1, 2, 3 y 4 si se permite la repeticin? Solucin: . De entre 8 personas debemos formar un comit de cinco miembros. Cuntas diferentes posibilidades existen para formar el comit? Solucin: Esta es una combinacin porque el orden no importa.

Concepto clsico de probabilidad La probabilidad mide la frecuencia con la que se obtiene un resultado (o conjunto de resultados) y luego al llevar a cabo un experimento aleatorio, del que se conocen todos los resultados posibles, bajo condiciones suficientemente estables. La teora de la probabilidad se usa extensamente en reas como la estadstica, la fsica, la matemtica, las ciencias y la filosofa para sacar conclusiones sobre la probabilidad discreta de sucesos potenciales y la mecnica subyacente discreta de sistemas complejos. P= s/n De donde s= numero de casos favorables n= numero de casos posibles Ejemplo: S=4 N=52 4/52= 0.076

Regla de la multiplicacin
UNIVERSIDAD CENTRAL DEL ECUADOR FACULTAD DE ECONOMIA

La regla de la multiplicacin establece que la probabilidad de ocurrencia de dos o ms eventos estadsticamente independientes es igual al producto de sus probabilidades individuales. P(A y B) = P(A B) = P(A)P(B) si A y B son independientes. P(A y B) = P(A B) = P(A)P(B|A) si A y B son dependientes Regla de Laplace La regla de Laplace establece que:

La probabilidad de ocurrencia de un suceso imposible es 0. La probabilidad de ocurrencia de un suceso seguro es 1, es decir, P(A) = 1.

Para aplicar la regla de Laplace es necesario que los experimentos den lugar a sucesos equiprobables, es decir, que todos tengan o posean la misma probabilidad.

La probabilidad de que ocurra un suceso se calcula as:

P(A) = N de casos favorables / N de resultados posibles Esto significa que, probabilidad es igual al numero de casos favorables sobre o dividido el nmero de resultados total de resultados posibles. Distribucin binomial La probabilidad de ocurrencia de una combinacin especfica de eventos independientes y mutuamente excluyentes se determina con la distribucin binomial, que es aquella donde hay solo dos posibilidades, tales como masculino/femenino o si/no. 1. Hay dos resultados posibles mutuamente excluyentes en cada ensayo u observacin. 2. La serie de ensayos u observaciones constituyen eventos independientes. 3. La probabilidad de xito permanece constante de ensayo a ensayo, es decir el proceso es estacionario. Para aplicar esta distribucin al calculo de la probabilidad de obtener un nmero dado de xitos en una serie de experimentos en un proceso de Bermnoulli, se requieren tres valores: el nmero designado de xitos (m), el nmero de ensayos y observaciones (n); y la probabilidad de xito en cada ensayo (p). Entonces la probabilidad de que ocurran m xitos en un experimento de n ensayos es: P (x = m) = (nCm)(Pm)(1P)nm Siendo: nCm el nmero total de combinaciones posibles de m elementos en un
UNIVERSIDAD CENTRAL DEL ECUADOR FACULTAD DE ECONOMIA

10

conjunto de n En otras palabras P(x = m) = [n!/(m!(nm)!)](pm)(1p)nm

elementos.

Ejemplo. La probabilidad de que un alumno apruebe la asignatura Clculo de Probabilidades es de 0,15. Si en un semestre intensivo se inscriben 15 alumnos Cul es la probabilidad de que aprueben 10 de ellos? 10 5 10 5 P(x = 10) = 15C10(0,15) (0,85) = 10!/(10!(1510)!)(0,15) (0,85) = 7,68 * 106 Generalmente existe un inters en la probabilidad acumulada de "m o ms " xitos o "m o menos" xitos en n ensayos. En tal caso debemos tomar en cuenta que: P(x < m) = P(x = 0) + P(x = 1) + P(x = 2) + P(x = 3) +....+ P(x = m 1) P(x > m) = P(x = m+ 1) + P(x = m+ 2) + P(x = m+3) +....+ P(x = n) P(x m) = P(x = 0) + P(x = 1) + P(x = 2) + P(x = 3) +....+ P(x = m) P(x m) = P(x = m) + P(x = m+1) + P(x = m+2) +....+ P(x = n) Supongamos que del ejemplo anterior se desea saber la probabilidad de que aprueben: a. al menos 5 b. mas de 12 a. la probabilidad de que aprueben al menos 5 es: P(x 5) es decir, que: 1 - P(x < 5) = 1 - [P(x = 0)+P(x = 1)+P(x = 2)+P(x = 3)+P(x = 4)] = 1 - [0,0874 + 0,2312 + 0,2856 + 0,2184 + 0,1156] = 0,0618 Nota: Al menos, a lo menos y por lo menos son locuciones adverbiales sinnimas. Ejemplo: La entrada al cine por lo menos tendr un costo de 10 soles (como mnimo podra costar 10 soles o ms). b. la probabilidad de que aprueben mas de 12 es P(x > 12) es decir, que: P(x > 12) = P(x = 13)+P(x = 14)+P(x = 15) P(x > 12) = 1,47 *109 +3,722 *1011 +4,38 *1013 = 1,507 *109 La esperanza matemtica en una distribucin binomial puede expresarse como: E(x) = np = 15(0,15)=2,25 Y la varianza del nmero esperado de xitos se puede calcular directamente: Var(x) = np(1p)= 15(0,15)(1-0,15)=1,9125 Ejemplos Las siguientes situaciones son ejemplos de experimentos que pueden modelizarse por esta distribucin:

Se lanza un dado diez veces y se cuenta el nmero X de treses obtenidos: entonces X ~ B(10, 1/6) Se lanza una moneda dos veces y se cuenta el nmero X de caras obtenidas: entonces X ~ B(2, 1/2) Una partcula se mueve unidimensionalmente con probabilidad q de moverse de aqui para all y 1-q de moverse de all para ac

UNIVERSIDAD CENTRAL DEL ECUADOR FACULTAD DE ECONOMIA

11

Su funcin de probabilidad es

Ejemplo Supongamos que se lanza un dado 50 veces y queremos la probabilidad de que el nmero 3 salga 20 veces. En este caso tenemos una X ~ B(50, 1/6) y la probabilidad sera P(X=20):

LEY DE LOS GRANDES NUMEROS En la teora de la probabilidad, bajo el trmino genrico de La ley de los grandes nmeros se engloban varios teoremas que describen el comportamiento del promedio de una sucesin de variables aleatorias conforme aumenta su nmero de ensayos. Estos teoremas prescriben condiciones suficientes para garantizar que dicho promedio converge (en los sentidos explicados abajo) al promedio de las esperanzas de las variables aleatorias involucradas. Las distintas formulaciones de la ley de los grandes nmeros (y sus condiciones asociadas) especifican la convergencia de formas distintas. Las leyes de los grandes nmeros explican por qu el promedio de una muestra al azar de una poblacin de gran tamao tender a estar cerca de la media de la poblacin completa. Cuando las variables aleatorias tienen una varianza finita, el teorema central del lmite extiende nuestro entendimiento de la convergencia de su promedio describiendo la distribucin de diferencias estandarizadas entre la suma de variables aleatorias y el valor esperado de esta suma: sin importar la distribucin subyacente de las variables aleatorias, esta diferencia estandarizada converge a una variable aleatoria normal estndar. La frase "ley de los grandes nmeros" es tambin usada ocasionalmente para referirse al principio de que la probabilidad de que cualquier evento posible (incluso uno improbable) ocurra al menos una vez en una serie, incrementa con el nmero de eventos en la serie. Por ejemplo, la probabilidad de que un individuo gane la lotera es bastante baja; sin embargo, la probabilidad de que alguien gane la lotera es bastante alta, suponiendo que suficientes personas comprasen boletos
UNIVERSIDAD CENTRAL DEL ECUADOR FACULTAD DE ECONOMIA

12

converge en probabilidad a . En otras palabras, para cualquier nmero positivo se tiene

ESPERANZA MATEMATICA

En estadstica la esperanza matemtica (tambin llamada esperanza, valor esperado, media poblacional o media) de una variable aleatoria , es el nmero que formaliza la idea de valor medio de un fenmeno aleatorio. Cuando la variable aleatoria es discreta, la esperanza es igual a la suma de la probabilidad de cada posible suceso aleatorio multiplicado por el valor de dicho suceso. Por lo tanto, representa la cantidad media que se "espera" como resultado de un experimento aleatorio cuando la probabilidad de cada suceso se mantiene constante y el experimento se repite un elevado nmero de veces. Cabe decir que el valor que toma la esperanza matemtica en algunos casos puede no ser "esperado" en el sentido ms general de la palabra - el valor de la esperanza puede ser improbable o incluso imposible.

DIAGRAMAS DE VENN Los diagramas de Venn son ilustraciones usadas en la rama de la Matemtica y Lgica de clases conocida como teora de conjuntos. Estos diagramas se usan para mostrar grficamente la agrupacin de cosas elementos en conjuntos, representando cada conjunto mediante un crculo o un valo. La posicin relativa en el plano de tales crculos muestra la relacin entre los conjuntos. Por ejemplo, si los crculos de los conjuntos A y B se solapan, se muestra un rea comn a ambos conjuntos que contiene todos los elementos contenidos a la vez en A y en B. Si el crculo del conjunto A aparece dentro del crculo de otro B, es que todos los elementos de A tambin estn contenidos en B.

UNIVERSIDAD CENTRAL DEL ECUADOR FACULTAD DE ECONOMIA

13

FORMULA QUE RELACIONA PROBABILIDADES

LAS

POSOBILIDADES

CON

LAS

Si la P de un evento en P las posibilidades de su incidencia son a a b donde a y b son valores positivos tal que a/b= P/1-p FORMULA QUE RELACIONA POSOBILIDADES P= a/a+b DISTRIBUCION GEOMETRICA LAS PROBABILIDADES CON LAS

En teora de probabilidad y estadstica, la distribucin geomtrica es cualquiera de las dos distribuciones de probabilidad discretas siguientes:

UNIVERSIDAD CENTRAL DEL ECUADOR FACULTAD DE ECONOMIA

14

la distribucin de probabilidad del nmero X del ensayo de Bernoulli necesaria para obtener un xito, contenido en el conjunto { 1, 2, 3,...} o la distribucin de probabilidad del nmero Y = X 1 de fallos antes del primer xito, contenido en el conjunto { 0, 1, 2, 3,... }.

Cual de stas es la que uno llama "la" distribucin geomtrica, es una cuestin de convencin y conveniencia. Si la probabilidad de xito en cada ensayo es p, entonces la probabilidad de que x ensayos sean necesarios para obtener un xito es

para x = 1, 2, 3,.... Equivalentemente, la probabilidad de que haya x fallos antes del primer xito es

para x = 0, 1, 2, 3,.... En ambos casos, la secuencia de probabilidades es una progresin geomtrica. El valor esperado de una variable aleatoria X distribuida geomtricamente es

y dado que Y = X-1,

En ambos casos, la varianza es

Distribucin hipergeomtrica Saltar a: navegacin, bsqueda Distribucin hipergeomtrica

UNIVERSIDAD CENTRAL DEL ECUADOR FACULTAD DE ECONOMIA

15

Parmetros

Dominio Funcin de probabilidad (fp) Media

Moda

Varianza

Coeficiente de simetra

Curtosis

Funcin generadora de momentos (mgf)

UNIVERSIDAD CENTRAL DEL ECUADOR FACULTAD DE ECONOMIA

16

Funcin caracterstica

En teora de la probabilidad la distribucin hipergeomtrica es una distribucin discreta relacionada con muestreos aleatorios y sin reemplazo. Supngase que se tiene una poblacin de N elementos de los cuales, d pertenecen a la categora A y N-d a la B. La distribucin hipergeomtrica mide la probabilidad de obtener x ( ) elementos de la categora A en una muestra de n elementos de la poblacin original. Propiedades La funcin de probabilidad de una variable aleatoria con distribucin hipergeomtrica puede deducirse a travs de razonamientos combinatorios y es igual a

donde es el tamao de poblacin, es el tamao de la muestra extrada, es el nmero de elementos en la poblacin original que pertenecen a la categora deseada y es el nmero de elementos en la muestra que pertenecen a dicha categora. La notacin hace referencia al coeficiente binomial, es decir, el nmero de combinaciones posibles al seleccionar elementos de un total . Distribucin de Poisson Saltar a: navegacin, bsqueda Distribucin de Poisson

UNIVERSIDAD CENTRAL DEL ECUADOR FACULTAD DE ECONOMIA

17

El eje horizontal es el ndice k. La funcin solamente est definida en valores enteros de k. Las lneas que conectan los puntos son solo guas para el ojo y no indican continuidad. Funcin de probabilidad

El eje horizontal es Funcin de distribucin de probabilidad Parmetros Dominio Funcin de probabilidad (fp)

el

ndice

k.

UNIVERSIDAD CENTRAL DEL ECUADOR FACULTAD DE ECONOMIA

18

Funcin de distribucin (dnde (cdf) la Funcin gamma incompleta) Media Mediana Moda Varianza Coeficiente de simetra Curtosis

es

Entropa

Funcin generadora de momentos (mgf) Funcin caracterstica

En teora de probabilidad y estadstica, la distribucin de Poisson es una distribucin de probabilidad discreta que expresa, a partir de una frecuencia de ocurrencia media, la probabilidad que ocurra un determinado nmero de eventos durante cierto periodo de tiempo. Fue descubierta por Simon-Denis Poisson, que la dio a conocer en 1838 en su trabajo Recherches sur la probabilit des jugements en matires criminelles et matire civile (Investigacin sobre la probabilidad de los juicios en materias criminales y civiles).
UNIVERSIDAD CENTRAL DEL ECUADOR FACULTAD DE ECONOMIA

19

Distribucin multinomial Saltar a: navegacin, bsqueda Multinomial nmero de pruebas (entero) Parmetros probabilidad de un suceso concreto ( )

Dominio

Funcin de densidad (pdf) Media

Varianza

Funcin generadora de momentos (mgf)

En teora de probabilidad, la distribucin multinomial es una generalizacin de la distribucin binomial. La distribucin binomial es la probabilidad de un nmero de xitos en N sucesos de Bernoulli independientes, con la misma probabilidad de xito en cada suceso. En una distribucin multinomial, el anlogo a la distribucin de Bernoulli es la distribucin categrica, donde cada suceso concluye en nicamente un resultado
UNIVERSIDAD CENTRAL DEL ECUADOR FACULTAD DE ECONOMIA

20

de un nmero finito K de los posibles, con probabilidades

(tal que

para i entre 1 y K y Entonces sea la variable aleatoria

); y con n sucesos independientes. , que indica el nmero de veces que el se ha sigue una .

dado el resultado i sobre los n sucesos. El vector distribucin multinomial con parmetros n y p, donde

Ntese que en algunos campos las distribuciones categrica y multinomial se encuentran unidas, y es comn hablar de una distribucin multinomial cuando el trmino ms preciso sera una distribucin categrica. La funcin de probabilidad de la distribucin multinomial es como sigue:

Teorema De Chebyshev

seala la probabilidad de que variable aleatoria difiera de su media en t veces la desviacion estandar es por lo menos iguala 1/t) o Teorema de Chebyshev: Para un conjunto cualquiera de observaciones (muestra o poblacin), la proporcin mnima de los valores que se encuentran dentro de k desviaciones estndares desde la media es al menos 1 1/k2, donde k es una constante mayor que 1. En probabilidad, la desigualdad de Chebyshev es un resultado estadstico que ofrece una cota inferior a la probabilidad de que el valor de una variable aleatoria con varianza finita est a una cierta distancia de su esperanza matemtica o de su media; equivalentemente, el teorema proporciona una cota superior a la probabilidad de que los valores caigan fuera de esa distancia respecto de la media. El teorema es aplicable incluso en distribuciones que no tienen forma de "curva de campana" y acota la cantidad de datos que estn o no "en medio".

CURVA NORMAL

UNIVERSIDAD CENTRAL DEL ECUADOR FACULTAD DE ECONOMIA

21

En estadstica y probabilidad se llama distribucin normal, distribucin de Gauss o distribucin gaussiana, a una de las distribuciones de probabilidad de variable continua que con ms frecuencia aparece aproximada en fenmenos reales. La grfica de su funcin de densidad tiene una forma acampanada y es simtrica respecto de un determinado parmetro estadstico. Esta curva se conoce como campana de Gauss y es el grfico de una funcin gaussiana.

Importancia: La importancia de esta distribucin radica en que permite modelar numerosos fenmenos naturales, sociales y psicolgicos. Mientras que los mecanismos que subyacen a gran parte de este tipo de fenmenos son desconocidos, por la enorme cantidad de variables incontrolables que en ellos intervienen, el uso del modelo normal puede justificarse asumiendo que cada observacin se obtiene como la suma de unas pocas causas independientes.

DISTRIBUCION EXPONENCIAL

En estadstica la distribucin exponencial es una distribucin de probabilidad continua con un parmetro cuya funcin de densidad es:

Su funcin de distribucin es:

UNIVERSIDAD CENTRAL DEL ECUADOR FACULTAD DE ECONOMIA

22

DENCIDAD TRIANGULAR Distribucin Triangular Esta distribucin tiene 3 parmetros, a (lmite inferior de la variable); b (el modo) y c (lmite superior de la variable). Triangular Funcin densidad de f(x)= 2(x-a)/(c-a)*(b-a) TR(a,b,c) si a =< x <=b si b =< x <=c si a =< x <=b si b =< x <=c

f(x)= Distribucin acumulada

2(c-x)/(c-a)(c-b)

F(x)=

(x-a)^2/(c-a)(c-b)

F(x)=

1-[(c-x)^2/(c-a)*(c-b) parmetro localizacin: de u p

Parmetros

parmetro de escala: Rango Media Varianza a,b (a+b+c)/3 (a^2+b^2+c^2+ac-ab-bc)/18

UNIVERSIDAD CENTRAL DEL ECUADOR FACULTAD DE ECONOMIA

23

F(x)= 8 7 6 5 4 3 2 1 0 F(x)=

10 .5

Se denomina as por el hecho de que la funcin de densidad tiene una forma triangular, que viene definida en la tabla de anterior Se denomina triangular cuando viene definida por dos parmetros, que representan el valor mnimo y el valor mximo de la variable. En este caso el tringulo es equiltero. Se denomina triangular (triangular general), cuando viene dada por tres parmetros, que representan el valor mnimo y el valor mximo de la variable, y el valor del punto en el que el tringulo toma su altura mxima. En este caso el tringulo no es necesariamente equiltero.

UNIVERSIDAD CENTRAL DEL ECUADOR FACULTAD DE ECONOMIA

11 .5

3. 5

4. 5

5. 5

6. 5

7. 5

8. 5

9. 5