Universidad Tecnolgica de Tehuacn

Programa Educativo T.S.U. Mecatrnica

Unidad 2

Materia: Probabilidad y Estadstica

Alumnos:

De Jess Huerta Isa

Gonzlez Hernndez Eduardo Daniel
Perzabal Suriano Miguel Alejandro

Grupo: 3A
Profesor: Ing. Odn Cortez Vzquez

Tehuacn Puebla a 9 de Junio de 2016

 Probabilidad y Estadstica
Unidad: 2

2.1Notacin de conjuntos.
Llamaremos elemento a cada uno de los objetos que forman parte de un conjunto, estos elementos tienen carcter
individual, tienen cualidades que nos permiten diferenciarlos, y cada uno de ellos es nico, no habiendo elementos
duplicados o repetidos. Los representaremos con una letra minscula: a,b,c,

/ : Se usa para expresar si un elemento pertenece o no a un conjunto.

: Se usa para expresar que un conjunto, y por lo tanto, todos sus elementos, forman parte de otro conjunto
mayor.

U / : El primer smbolo indica el conjunto universal, es el conjunto de todas las cosas sobre las que estemos
tratando. As, si hablamos de nmeros enteros entonces U es el conjunto de los nmeros enteros, si hablamos de
ciudades, U es el conjunto de todas las ciudades, este conjunto universal puede mencionarse explcitamente, o en la
mayora de los casos se da por supuesto dado el contexto que estemos tratando, pero siempre es necesario
demostrar la existencia de dicho conjunto previamente.

El otro conjunto, se le llama conjunto vaco y cumple que todos los elementos posibles no estn contenidos en l, es
decir x, x.

2.2Universo:
Se denomina Universo estadstico a un conjunto, finito o infinito de seres vivos, elementos o cosas, sobre los cuales
estn definidas caractersticas que interesa analizar. Se habla de universo de personas, fabricas, ros, familias,
automviles, etc.

2.3VACIO
Es un conjunto que carece de elementos. Se suele llamarle conjunto nulo, y se le denota por el smbolo o { }.
B = { x / x es un mes que tiene 53 das} B = { } B =

C = { x / x3 = 8 y x es impar } C = { } C =

D = { x / x es un da de 90 horas } D = { } D =
EJEMPLO GRAFICADO

2.4Subconjunto
En las matemticas, un conjunto B es subconjunto de un conjunto A si B est contenido dentro de A.
Recprocamente, se dice que el conjunto A es un superconjunto de B cuando B es un subconjunto de A.

La diferencia entre los conjuntos es enformando por los elementos que pertenecen a uno y a
los otros no.
Otras maneras de decirlo son B est incluido en A, A incluye a B, etc.
Ejemplos.
El conjunto de todos los hombres es un subconjunto del conjunto de todas las personas.
{1, 3} {1, 2, 3, 4}
{2, 4, 6, ...} {1, 2, 3, ..} = N ( {Nmeros pares} {Nmeros naturales} )

2.5Diagrama de Venn
Los diagramas de Venn son esquemas usados en la teora de conjuntos, tema de inters
en matemticas, lgica de clases y razonamiento diagramtico. Estos diagramas muestran colecciones
(conjuntos) de cosas (elementos) por medio de lneas cerradas. La lnea cerrada exterior abarca a todos los
elementos bajo consideracin, el conjunto universal U.

Interseccin
Dado que los conjuntos pueden tener elementos comunes, las regiones encerradas por sus lneas lmite se
superponen. El conjunto de los elementos que pertenecen simultneamente a otros dos es la interseccin de
ambos.1

A = {1; 2; 3; 4; 6; 12}
B = {1; 3; 5; 15}
U = {1; 2; 3; 4; 5; 6; 7; 8; 9; 10; 11; 12; 13; 14; 15; 16}
 A = {x | x es divisor natural de 12}
B = {x | x es divisor natural de 15}
U = {x | x es natural menor o igual que 16}

Inclusin
Si todos los elementos de un conjunto son parte de los elementos de otro, se dice que el primero es
un subconjunto del segundo o que est incluido en el segundo.1 En los diagramas de Venn, todas las regiones
de superposicin posibles deben ser representadas. Y, cuando hay regiones que no contienen elementos
(regiones vacas), la situacin se indica anulndolas (con un color de fondo distinto). 2

A = {1; 2; 3; 4; 6; 12}
B = {1; 2; 3; 6}
U = {1; 2; 3; 4; 5; 6; 7; 8; 9; 10; 11; 12}

A = {x | x es divisor natural de 12}

B = {x | x es divisor natural de 6}
U = {x | x es natural menor o igual que 12}

Disyuncin
Cuando los conjuntos no tienen elementos comunes, la regin de superposicin queda vaca.

A = {2; 4; 6; 8}
B = {1; 3; 5; 7; 9}
U = {1; 2; 3; 4; 5; 6; 7; 8; 9; 10}

A = {x | x es par y de una cifra}

B = {x | x es impar y de una cifra}
U = {x | x es natural menor o igual que 10}

2.6Operaciones con conjuntos.

Las operaciones con conjuntos tambin conocidas como lgebra de conjuntos, nos permiten realizar operaciones
sobre los conjuntos para obtener otro conjunto. De las operaciones con conjuntos veremos las siguientes unin,
interseccin, diferencia, diferencia simtrica y complemento.
2.7Unin o reunin de conjuntos.

Es la operacin que nos permite unir dos o ms conjuntos para formar otro conjunto que contendr a todos los
elementos que queremos unir pero sin que se repitan. Es decir dado un conjunto A y un conjunto B, la unin de los
conjuntos A y B estar formado por todos los elementos de A y con todos los elementos de B sin repetir ningn
elemento. El smbolo que se usa para indicar la operacin de unin es el siguiente: .

Ejemplo 1.

Dados dos conjuntos A={1,2,3,4,5,6,7,} y B={8,9,10,11} la unin de estos conjuntos ser

AB={1,2,3,4,5,6,7,8,9,10,11}. Usando diagramas de Venn se tendra lo siguiente:

Ejemplo 2.

Dados dos conjuntos A={1,2,3,4,5} y B={4,5,6,7,8,9} la unin de estos conjuntos ser AB={1,2,3,4,5,6,7,8,9}.
Usando diagramas de Venn se tendra lo siguiente:

Ejemplo 3.
Dados dos conjuntos F={x/x estudiantes que juegan ftbol} y B={x/x estudiantes que juegan bsquet}, la unin ser
AB={x/x estudiantes que juegan ftbol o bsquet}. Usando diagramas de Venn se tendra lo siguiente:

2.8Interseccin de conjuntos.

Es la operacin que nos permite formar un conjunto, slo con los elementos comunes involucrados en la operacin.
Es decir dados dos conjuntos A y B, la de interseccin de los conjuntos A y B, estar formado por los elementos de A
y los elementos de B que sean comunes, los elementos no comunes A y B, ser excluidos. El smbolo que se usa
para indicar la operacin de interseccin es el siguiente:

Ejemplo 1.

Dados dos conjuntos A={1,2,3,4,5} y B={4,5,6,7,8,9} la interseccin de estos conjuntos ser AB={4,5}. Usando
diagramas de Venn se tendra lo siguiente:

Ejemplo 2.

Dados dos conjuntos A={x/x estudiantes que juegan ftbol} y B={x/x estudiantes que juegan bsquet}, la interseccin
ser AB={x/x estudiantes que juegan ftbol y bsquet}. Usando diagramas de Venn se tendra lo siguiente:
2.9Diferencia de conjuntos.

Es la operacin que nos permite formar un conjunto, en donde de dos conjuntos el conjunto resultante es el que
tendr todos los elementos que pertenecen al primero pero no al segundo. Es decir dados dos conjuntos A y B, la
diferencia de los conjuntos entra A y B, estar formado por todos los elementos de A que no pertenezcan a B. El
smbolo que se usa para esta operacin es el mismo que se usa para la resta o sustraccin, que es el siguiente: -

Ejemplo

Dados dos conjuntos A={1,2,3,4,5} y B={4,5,6,7,8,9} la diferencia de estos conjuntos ser A-B={1,2,3,4,5}. Usando
diagramas de Venn se tendra lo siguiente:

2.10Diferencia simtrica.

Es la operacin que nos permite formar un conjunto, en donde de dos conjuntos el conjunto resultante es el que
tendr todos los elementos que no sean comunes a ambos conjuntos. Es decir dados dos conjuntos A y B, la
diferencia simtrica estar formado por todos los elementos no comunes a los conjuntos A y B. El smbolo que se usa
para indicar la operacin de diferencia simtrica es el siguiente:

Ejemplo
Dados dos conjuntos A={1,2,3,4,5} y B={4,5,6,7,8,9} la diferencia simtrica de estos conjuntos ser
AB={1,2,3,6,7,8,9}. Usando diagramas de Venn se tendra lo siguiente:

2.11Conceptos de probabilidad bsica

Probabilidad
La probabilidad es un mtodo por el cual se obtiene la frecuencia de un acontecimiento
determinado mediante la realizacin de experimentos aleatorios, de los que se conocen todos
los resultados posibles, bajo condiciones suficientemente estables. La probabilidad es un
evento o suceso que puede ser improbable, probable o seguro.

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, por lo
tanto, es la rama de las matemticas que estudia, mide o determina a los experimentos o
fenmenos aleatorios.

2.12EXPERIMENTO

Un experimento, en estadstica, es cualquier proceso que proporciona datos, numricos o no

numricos.
Un conjunto cuyos elementos representan todos los posibles resultados de un experimento se
llama espacio muestral y se representa como S. El espacio muestral de un experimento
siempre existe y no es necesariamente nico pues, dependiendo de nuestra valoracin de los
resultados, podemos construir diferentes espacios muestrales.
Los elementos del espacio muestral se llaman puntos muestrales y son los distintos
resultados del experimento.
Si consideramos el conjunto de las partes de (P(S)) sus elementos son los sucesos. Un suceso,
por tanto, es un subconjunto del espacio muestral.
Existen dos tipos de sucesos:

Sucesos simples, que son aquellos que comprenden un slo punto muestral.

Sucesos compuestos, que son los que engloban ms de un punto del espacio muestral. Todo
suceso compuesto se puede considerar como unin de puntos del espacio muestral o unin
de sucesos simples.
 2.13EVENTO
Un evento o suceso es un subconjunto de un espacio muestral, es decir, un conjunto de
posibles resultados que se pueden dar en un experimento aleatorio.
Tipos de eventos
Evento o suceso elemental: Un suceso o evento elemental es un subconjunto del espacio
muestral que contiene un nico elemento.
Ejemplos de espacios muestrales y sucesos elementales:
Si se trata de contar objetos y el espacio muestral S = {0, 1, 2, 3, ...} (los nmeros naturales),
entonces los sucesos elementales son cada uno de los conjuntos {k}, donde k N.
Si se lanza una moneda dos veces, S = {cc, cs, sc, ss}, donde (c representa "sale cara" y s,
"sale cruz"), los sucesos elementales son {cc}, {cs}, {sc} y {ss}.
Si X es una variable aleatoria normalmente distribuida, S = (-, +), los nmeros reales, los
sucesos elementales son todos los conjuntos {x}, donde x .
Los sucesos elementales pueden tener probabilidades que son estrictamente mayores que
cero, cero, no definidas o cualquier combinacin de estas. Por ejemplo, la probabilidad de
cualquier variable aleatoria discreta est determinada por las probabilidades asignadas a los
sucesos elementales del experimento que determina la variable. Por otra parte, cualquier
suceso elemental tiene probabilidad cero en cualquier variable aleatoria continua. Existen
distribuciones mixtas que no son completamente continuas, ni completamente discretas,
entre las que pueden darse ambas situaciones.

2.14Eventos mutuamente excluyentes

Los eventos mutuamente excluyentes son aquellos en los que si un evento sucede significa que el otro no
puede ocurrir. Si bien suelen usarse en teoras cientficas, tambin son parte de las leyes y los negocios.
Como resultado, entender los eventos mutuamente excluyentes puede ser importante para una variedad
de disciplinas.
Frmula
La frmula matemtica para determinar la probabilidad de los eventos mutuamente excluyentes es P(A U
B) = P(A) + P(B). Dicho en voz alta, la frmula es "Si A y B son evento mutuamente excluyente, entonces
la probabilidad de que A o B suceda es equivalente a la probabilidad del evento A ms la probabilidad del
evento B".

Sacar una carta de corazones y una carta de espadas. Son eventos mutuamente excluyentes, las
cartas o son de corazones o son de espadas.
Sacar una carta numerada y una carta de letras. Son eventos mutuamente excluyentes, las cartas
o son numeradas o son cartas con letra.
Sacar una carta de trboles roja. Son eventos mutuamente excluyentes pues las cartas de trboles
son exclusivamente negras.
2.15Mtodos para el clculo de probabilidad

La probabilidad mide la mayor o menor posibilidad de que se d un determinado resultado

(suceso o evento) cuando se realiza un experimento aleatorio.

Para calcular la probabilidad de un evento se toma en cuenta todos los casos posibles de
ocurrencia del mismo; es decir, de cuntas formas puede ocurrir determinada situacin.

Los casos favorables de ocurrencia de un evento sern los que cumplan con la condicin que
estamos buscando.

La probabilidad toma valores entre 0 y 1 (o expresados en tanto por ciento, entre 0% y

100%):

El valor cero corresponde al suceso imposible; ejemplo: lanzamos un dado al aire y la

probabilidad de que salga el nmero 7 es cero.

El valor uno corresponde al suceso seguro, ejemplo: lanzamos un dado al aire y la

probabilidad de que salga cualquier nmero del 1 al 6 es igual a uno (100%).

El resto de sucesos tendr probabilidades entre cero y uno: que ser tanto mayor cuanto ms
probable sea que dicho suceso tenga lugar.

2.16Mtodos de medicin de Probabilidad

Uno de los mtodos ms utilizados es aplicando la Regla de Laplace: define la probabilidad de un suceso como el cociente entre
casos favorables y casos posibles.

Ejemplos:

a) Probabilidad de que al lanzar un dado salga el nmero 2: el caso favorable (f) es tan slo uno (que salga el dos), mientras que
los casos posibles (n) son seis (puede salir cualquier nmero del uno al seis).

Por lo tanto:

(o lo que es lo mismo, 16,6%)

METODO CLSICO
Es cuando se usa la suposicin de resultados igualmente probables como una base para asignar probabilidades . Si
un experimento tiene n resultados posibles el mtodo clsico asigna una probabilidad de 1/n a cada resultado
experimental.
El mtodo clsico fue elaborado para analizar probabilidades en los juegos de azar donde la suposicin de
resultados igualmente probables frecuente es razonables.

Probabilidad
1/6 = 0.1666

la probabilidad de obtener un nmero particular en el lanzamiento de un dado es 0.1666

2.17METODO SUBJETIVO

Es utilizado para asignar probabilidades apropiando cuando no supone de manera realista que todo resultado
experimental son iguales probables y cuando se dispone de pocos datos relevantes.

Ejemplo:

Al comprar una casa se hace una oferta:

Dos posibilidades:

La oferta es aceptada o la oferta es rechazada.

2.18TECNICAS DE CONTEO
El principio fundamental en el proceso de contar ofrece un mtodo general para contar el nmero de
posibles arreglos de objetos dentro de un solo conjunto o entre carios conjuntos. Las tcnicas de conteo
son aquellas que son usadas para enumerar eventos difciles de cuantificar.

2.19Diagrama de arbol
Un diagrama de rbol es una herramienta que se utiliza para determinar todos los posibles resultados de
un experimento aleatorio. En el clculo de la probabilidad se requiere conocer el nmero de elementos
que forman parte del espacio muestral, estos se pueden determinar con la construccin del diagrama de
rbol.

El diagrama de rbol es una representacin grfica de los posibles resultados del experimento, el cual
consta una serie de pasos, donde cada uno de los pasos tiene un nmero finito de maneras de ser
llevado a cabo. Se utiliza en los problemas de conteo y probabilidad.

Para la construccin de un diagrama en rbol se partir poniendo una rama para cada una de las
posibilidades, acompaada de su probabilidad. Cada una de esta ramas se conoce como rama de
primera generacin.

En el final de cada rama de primera generacin se constituye a su vez, un nudo del cual
parten nuevas ramas conocidas como ramas de segunda generacin, segn las posibilidades
del siguiente paso, salvo si el nudo representa un posible final del experimento (nudo final)
Ejemplo

Encontrar todas las formas diferentes de combinar tres nmeros:

2.20PRINCIPIO DE LA MULTIPLICACIN

Si se desea realizar una actividad que consta de r pasos, en donde el primer paso de la actividad a
realizar puede ser llevado a cabo de N1 maneras o formas, el segundo paso de N2 maneras o formas y
el r-simo paso de Nr maneras o formas, entonces esta actividad puede ser llevada a efecto de. El
principio multiplicativo implica que cada uno de los pasos de la actividad deben ser llevados a efecto, uno
tras otro. Si un evento E1 puede suceder de n1 maneras diferentes, el evento E2 puede ocurrir de n2
maneras diferentes, y as sucesivamente hasta el evento Ep el cual puede ocurrir de np maneras
diferentes, entonces el total de maneras distintas en que puede suceder el evento ocurren E1 y E2..y
Ep es igual a producto.

N1 x N2 x ..........x Nr maneras o formas

2.21COMBINACIN:
En una permutacin, el orden de los objetos de cada posible resultado es diferente. Si el orden
de los objetos no es importante, cada uno de estos resultados se denomina combinacin. Por
ejemplo, si se quiere formar un equipo de trabajo formado por 2 personas seleccionadas de un
grupo de tres (A, B y C). Si en el equipo hay dos funciones diferentes, entonces si importa el
orden, los resultados sern permutaciones. Por el contrario si en el equipo no hay funciones
definidas, entonces no importa el orden y los resultados sern combinaciones. Los resultados en
ambos casos son los siguientes:
Permutaciones: AB, AC, BA, CA, BC, CB
Combinaciones: AB, AC, BC

Combinaciones: Es el nmero de formas de seleccionar r objetos de un grupo de n objetos sin

importar el orden.
La frmula de combinaciones es:

n C r = n! r! (n r)!

Ejemplos

1. Un estudiante que realiza un examen debe responder 7 de las 10 preguntas. El orden no

importa. De cuntas formas puede responder el examen?
Existen

10 10! 10.9.8
 C7 = --- = ------ = 120
7!3! 3.2.1

combinaciones posibles de preguntas que puede contestar.

2.22PERMUTACION:

A diferencia de la formula de la multiplicacin, se la utiliza para determinar el numero de posibles arreglos

cuando solo hay un solo grupo de objetos. Permutacin: un arreglos o posicin de r objetos seleccionados
de un solo grupo de n objetos posibles. Si nos damos cuenta los arreglos a, b, c y b, a, c son
permutaciones diferentes, la formula que se utiliza para contar el numero total de permutaciones distintas
es:

FRMULA: n P r = n! (n - r)

Ejemplo
1.
a. Cuntas permutaciones existen para las ocho letras a,b,c,d,e,f,g,h?
P8 = 8! = 40.320.

b. Cuntas de las permutaciones de (a) comienzan con la letra a?

P7 = 7! = 5.040.

c. Cuntas de las permutaciones de (a) comienzan con la letra a y terminan con la letra c?
P6 = 6! = 720.

2.23DEFINIR CONCEPTOS:
Probabilidad condicional es la probabilidad de que ocurra un evento A, sabiendo que tambin sucede otro
evento B. La probabilidad condicional se escribe P(A|B), y se lee la probabilidad de A dado B.

No tiene por qu haber una relacin causal o temporal entre A y B. A puede preceder en el tiempo a B,
sucederlo o pueden ocurrir simultneamente. A puede causar B, viceversa o pueden no tener relacin causal.
Las relaciones causales o temporales son nociones que no pertenecen al mbito de la probabilidad. Pueden
desempear un papel o no dependiendo de la interpretacin que se le d a los eventos.

Un ejemplo clsico es el lanzamiento de una moneda para luego lanzar un dado. Cul es la probabilidad de
obtener una cara (moneda) y luego un 6 (dado)? Pues eso se escribira como P (6 | Cara).

2.24Probabilidad conjunta
La probabilidad de que los eventos A y B sucedan al mismo tiempo se expresa como P(A & B). Para
eventos A y B independientes, P(A & B)=P(A)P(B). P(A & B) tambin se conoce como la probabilidad de la
interseccin de los eventos A y B, segn la descripcin del diagrama de Venn.
Probabilidad Conjunta
Si quisiramos conocer cul es la probabilidad de sacar 5 al tirar dos veces un dado, estamos hablando
de sucesos independientes; pues los tiros son distintos.

Para estos casos la probabilidad de ocurrencia de ambos sucesos simultneamente ser igual al producto
de las probabilidades individuales.

P(M y N)=P(M)*P(N)

2.25Eventos dependientes
Dos o ms eventos sern dependientes cuando la ocurrencia o no-ocurrencia de uno de ellos afecta la
probabilidad de ocurrencia del otro (o otros). Cuando tenemos este caso, empleamos entonces, el
concepto de probabilidad condicional para denominar la probabilidad del evento relacionado. La expresin
P(A|B) indica la probabilidad de ocurrencia del evento A s el evento B ya ocurri.

2.26Eventos Independientes
Dos o ms eventos son independientes cuando la ocurrencia o no-ocurrencia de un evento no tiene
efecto sobre la probabilidad de ocurrencia del otro evento (o eventos). Un caso tpico de eventos
independiente es el muestreo con reposicin, es decir, una vez tomada la muestra se regresa de nuevo a
la poblacin donde se obtuvo.

2.27Identificar conceptos:
Variable aleatoria discreta
Una var iable dis cre ta e s aque lla que so lo pue de to mar un nme r o finito de valo re s
e ntr e do s valo r e s cuale squie ra de una carate r stic a.
Ejem plo s:

El nme r o de hijo s de una fam ilia, la p untu aci n o bte ni da al lanz ar un da do.

2.28Distribucin binomial
Una distribucin binomial o de Bernoulli tiene las siguientes caractersticas:
1. En cada prueba del experimento slo son posibles dos resultados: xito y fracaso.
2.La probabilidad de xito es constante, es decir, que no vara de una prueba a otra. Se representa por p.
3.La probabilidad de fracaso tambin es constante, Se representa por q,
q=1p
3.El resultado obtenido en cada prueba es independiente de los resultados obtenidos anteriormente.
5.La variable aleatoria binomial, X, expresa el nmero de xitos obtenidos en las n pruebas. Por tanto, los
valores que puede tomar X son: 0, 1, 2, 3, 4, ..., n.
La distribucin bimomial se expresa por B(n, p)

2.29Distribucin hipergeomtrica
En teora de la probabilidad la distribucin hipergeomtrica es una distribucin discreta relacionada
con muestreos aleatorios y sin reemplazo. Suponga 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 elementos de la categora Aen una muestra sin reemplazo de n elementos de la poblacin
original.
2.30Distribucin de Poisson

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 de que
ocurra un determinado nmero de eventos durante cierto perodo de tiempo. Concretamente, se
especializa en la probabilidad de ocurrencia de sucesos con probabilidades muy pequeas, o sucesos
"raros".
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).

2.31Identificar el concepto de
variable aleatoria continua
La distribucin Normal

Se trata, sin duda, del modelo continuo ms importante en estadstica, tanto por su aplicacin directa,
veremos que muchas variables de inters general pueden describirse por dicho modelo, como por sus
propiedades, que han permitido el desarrollo de numerosas tcnicas de inferencia estadstica. En
realidad, el nombre de Normal proviene del hecho de que durante un tiempo se crey, por parte de
mdicos y bilogos, que todas las variables naturales de inters seguan este modelo.
Su funcin de densidad viene dada por la frmula:

que, como vemos, depende de dos parmetros (que puede ser cualquier valor real) y (que ha de ser
positiva). Por esta razn, a partir de ahora indicaremos de forma abreviada que una variable X sigue el
modelo Normal as: X ~ N(, ). Por ejemplo, si nos referimos a una distribucin Normal con = 0 y =
1 lo abreviaremos N(0, 1).
A continuacin presentamos la grfica de esta funcin de densidad (donde se pueden cambiar los
parmetros):
Como se puede ver, la funcin de densidad del modelo Normal tiene forma de campana, la que
habitualmente se denomina campana de Gauss. De hecho, a este modelo, tambin se le conoce con el
nombre de distribucin gaussiana.
2.32DISTRIBUCIN CHI_ CUADRADO

Para muestras extradas de una poblacin normal con variancia 2, con tamao n < 30, siendo S2 la
variancia de la muestra entonces el estadstico 2 ser
DEFINICIN
Una variable Chi cuadrado se define como la suma de n variables normales estandarizadas elevadas al
cuadrado.
CARACTERISTICAS
Por definicin, una variable 2 adopta valores positivos: 0 " 2 " ".
La distribucin es asimtrica positiva.
A medida que aumenta el tamao de la muestra la curva es menos asimtrica, aproximndose a una
curva normal.
Para cada tamao muestral, se tendr una distribucin 2 diferente.
El parmetro que caracteriza a una distribucin 2 son sus grados de libertad (n-1), originado una
distribucin para cada grado de libertad,
2.33DISTRIBUCIN F DE FISHER
Considerando dos muestras aleatorias independientes, de tamao n1 y n2, extradas de una poblacin
normal, el estadstico F ser
DEFINICIN
Una variable F se define como el cociente entre dos variables ji-cuadrado divididas por sus
correspondientes grados de libertad.
CARACTERISTICAS
Una variable con distribucin F es siempre positiva por lo tanto su campo de variacin es 0 " F " "
La distribucin de la variable es asimtrica, pero su asimetra disminuye cuando aumentan los grados de
libertad del numerador y denominador.
Hay una distribucin F por cada par de grados de libertad.
Parmetros: Grados de libertad asociados al numerador y denominador

2.34Identificar conceptos de:

DISTRIBUCIN MUESTRAL
Una distribucin muestral es una distribucin de Probabilidad de una estadstica muestral calculada a
partir de todas las muestras posibles de tamao "n" elegidas al azar de una poblacin determinada.
Generalmente nos interesa conocer una o ms de los siguientes caractersticas de la distribucin
muestral. 1.- Su forma funcional 2.- Su media. 3.- Su desviacin estndar (error estndar)

2.35El error estndar

Es la desviacin estndar de la distribucin muestral de un estadstico. El trmino se refiere tambin a
una estimacin de la desviacin estndar, derivada de una muestra particular usada para computar la
estimacin.

2.36El teorema del lmite central

Es un teorema fundamental de probabilidad y estadstica. El teorema establece que la distribucin de ,
que es la media de una muestra aleatoria de una poblacin con varianza finita, tiene una distribucin
aproximadamente normal cuando el tamao de la muestra es grande, independientemente de la forma de
la distribucin de la poblacin. Muchos procedimientos estadsticos comunes requieren que los datos
sean aproximadamente normales, pero el teorema del lmite central le permite aplicar estos
procedimientos tiles a poblaciones que son marcadamente no normales. El tamao que debe tener la
muestra depende de la forma de la distribucin original. Si la distribucin de la poblacin es simtrica, un
tamao de muestra de 5 podra generar una aproximacin adecuada; si la distribucin de la poblacin es
marcadamente asimtrica, se requiere un tamao de muestra de 50 o ms. Las siguientes grficas
muestran ejemplos de cmo la distribucin afecta el tamao de la muestra que usted necesita.
Distribucin uniforme

Medias de las muestras

Una poblacin que sigue una distribucin uniforme es simtrica, pero marcadamente no normal, como lo
indica el primer histograma. Sin embargo, la distribucin de 1000 medias de la muestra (n=5) de esta
poblacin es aproximadamente normal debido al teorema del lmite central, como lo demuestra el
segundo histograma. Este histograma de medias de la muestra incluye una curva normal superpuesta
para ilustrar esta normalidad.

Distribucin exponencial

Medias de las muestras

Una poblacin que sigue una distribucin exponencial es asimtrica y no normal, como lo demuestra el
primer histograma. Sin embargo, la distribucin de medias de la muestra de 1000 muestras de tamao 50
de esta poblacin es aproximadamente normal, debido al teorema del lmite central, como lo demuestra el
segundo histograma. Este histograma de medias de la muestra incluye una curva normal superpuesta
para ilustrar esta normalidad.
2.37Distribucin t de Student

En probabilidad y estadstica, la distribucin t (de Student) es una distribucin de probabilidad que

surge del problema de estimar la media de una poblacin normalmente distribuida cuando el
tamao de la muestra es pequeo.

Aparece de manera natural al realizar la prueba t de Student para la determinacin de las

diferencias entre dos medias mustrales y para la construccin del intervalo de confianza para la
diferencia entre las medias de dos poblaciones cuando se desconoce la desviacin tpica de una
poblacin y sta debe ser estimada a partir de los datos de una muestra.

La distribucin t de Student es la distribucin de probabilidad del cociente

Dnde: T=Z/ T =Z / V / v

Z es una variable aleatoria distribuida segn una normal tpica (de media nula y varianza 1).

V es una variable aleatoria que sigue una distribucin con grados de libertad.

Z y V son independientes

Si es una constante no nula, el cociente es una variable aleatoria que sigue la distribucin t de Student
no central con parmetro de no-centralidad .
Referencias:

Snchez Snchez, Ernesto Alonso. (2014). Probabilidad y estadstica II. Larousse - Grupo Editorial Patria