Вы находитесь на странице: 1из 25

INTRODUCCIN A LAS VARIABLES ALEATORIAS

En el lenguaje de la probabilidad y la estadstica, el total que lanzamos con un par de dados


es una variable aleatoria, el tamao de la familia de una pareja escogida aleatoriamente y su
ingreso de un foco incandescente escogido aleatoriamente para inspeccin.
Puesto que asociar un numero con cada punto(elemento de un espacio muestral es
simplemente otra forma de decir que estamos definiendo una funcin sobre los puntos de
un espacio muestral.
DEFINICIONES
!i s es un espacio muestral con una medida de probabilidad y x es una funcin de valor real
definida sobre los elementos de s, entonces x se llama una variable aleatoria.
"na variable x es una variable aleatoria si los valores que toma corresponden a los
distintos resultados posibles de un e#perimento, y por ello el $ec$o de que tome un valor
particular es un evento aleatorio.
Por ejemplo%
&onsidere el muestreo de '( consumidores a los que se les preguntaba su preferencia por el
envase ) o *. El numero de consumidores que prefiera el envase ) puede considerarse
como una variable aleatoria y que puede tomar cualquiera de los valores (,+, '....'(. cada
uno de estos valores corresponden a un resultado posible del e#perimento consiste en la
e#traccin de la muestra de '( consumidores y el consiguiente registro del numero de ellos
prefiere el envase ).
El variable , es una variable aleatoria ya que el valor que tomara al llevar a cabo el
e#perimento no puede predecirse con certeza- esto es, el $ec$o de que tome un valor
determinado.
En los ejemplos que se $an dado nos $emos limitado nuestro an.lisis a espacios muestrales
discretos, y por tanto variables aleatorias is!retas, a saber, variables aleatorias cuyo
intervalo es finito o infinito numerable.
CLASIFICACION DE LAS VARIABLES ALEATORIAS
/as variables aleatorias se clasifican en dos tipos% discretas o continuas.
DEFINICIN
"na variable aleatoria discreta es aquella que toma. a lo mas una cantidad numerable de
valores distintos.
El $ec$o de que la cantidad de valores que pueden tomar una variable aleatoria sea
numerable quiere decir que estos valores se pueden asociar a los enteros +.'.0.1 en otras
palabras. que se pueden enumerar. El numero de valores distintos que la variable aleatoria
discreta y que puede tomar. puede ser entonces finito o infinito (ya que el proceso de
numeracin puede no terminar nunca.
El numero de errores y que un mec.nico comete en una lnea de ensamblado es una
variable aleatoria discreta ya que solo puede cometer un error finito de ellos. (,+,',0.......2,
en donde 2 es el numero de operaciones $ec$as en lnea. El numero de aos (y que deben
transcurrir para que determinada compaa logre sus acciones valgan + billn de dlares
podran ser infinito. )un as y es una variable aleatoria discreta. En este ultimo ejemplo. la
cantidad la cantidad de valores que puede tomar y es conceptual mente infinita. 3tros
ejemplos de variables aleatorias discretas son los sig%
+.4 El numero de automviles vendidos en un mes.
'.4 El numero de accidentes ocurridos en una determinada semana en una planta de
manufactura, tambi5n determinada
0.4 El numero de clientes esperando servicio en la caja de un supermercado.
1.4 El numero de tubos electrnicos de televisin producidos en una $ora determinada.
Una variable aleatoria !ontinua se e"ine !o#o$
DEFINICIN
"na variable aleatoria continua es aquella que puede tomar cualquier valor de entre todos
los contenidos en un intervalo de la recta.
&omo ejemplo. suponga que se mide la distancia entre un abastecimiento y un posible
consumidor y se representa esta por una variable aleatoria y. !i se usa un instrumento de
medicin e#acto. cada posible valor de y podra. al menos desde el punto de vista terico.
considerarse como un punto en un intervalo de la recta. 3tros ejemplos de la variable
aleatoria continua son los sig%
El tiempo necesario para completar el ensamblaje de un articulo en una planta.
/a cantidad de petrleo bombeado cada $ora en un pozo.
/a cantidad en miligramos de mon#ido de carbono contenido en un metro c6bico
de aire.
/a cantidad de energa el5ctrica producida en una planta $idroel5ctrica en un da.
Es importante la diferencia que se $ace entre las variables aleatorias discretas y continuas
ya que se requieren modelos pro balsticos distintos para cada uno de ellas. /as
probabilidades asociadas a cada valor posible de una variable discreta suman +. yeso no es
posible para las continuas. En las dos secciones que siguen. se consideran por separado las
distribuciones de probabilidad para las variables aleatorias discretas y continuas.
CLASIFICACION DE LAS VARIABLES ALEATORIAS
+.4 7&u.l es la definicin de variables aleatorias y continuas8
9% )quella que puede tomar cualquier valor de entre todos los contenidos en un intervalo
de la recta.
'.47:u5 es la variable aleatoria discreta8
9% )quella que toma, a lo mas una cantidad numerable de valores distintos.
0.47:u5 se entiende por el $ec$o de que la cantidad de valores que puede la variable
aleatoria sea numerable8
9% :ue estos valores se pueden asociar a los enteros +,',0,1,..., en otras palabras, que se
pueden enumerar.
1.4 7:u5 n6meros de valores distintos pueden tomar la variable aleatoria discreta ;y<8
9% Pueden ser finito o infinito & y a que el proceso de numeracin puede no terminar
nunca.
=. 7&u.l es la diferencia entre variables aleatorias continuas y aleatorias discretas8
9% En que las continuas toma cualquier valor de entre todos los contenidos en un intervalo y
la discreta es la que toma una cantidad numerable de valores distintos.
DISTRIBUCIN DE %ROBABILIDAD %ARA UNA VARIABLE ALEATORIA
DISCRETA
"na istribu!i&n e 'robabilia 'ara una variable aleatoria is!reta es un listado
mutuamente e#cluyente de todos los resultados num5ricos posibles para esa variable
aleatoria tal que una probabilidad especifica de ocurrencia se asocia con cada resultado.
Valor es'erao e una variable aleatoria is!reta$ es un promedio ponderado de todos
los resultados posibles, donde las ponderaciones son las probabilidades asociadas con cada
uno de los resultados.
%ONDERACION$ )tencin, cuidado con que se $ace o dice una cosa. E#ageracin.
)ccin de pasar una cosa. compensacin o equilibrio entre dos pesos.
/a media de una distribucin de probabilidad es el valor esperado de su variable aleatoria.
( %
+
(
i
X E M
x P x
i
= =
=
La varian(a e una variable aleatoria is!reta se define como el promedio ponderado
de los cuadros de las diferencias entre cada resultado posible y su media.
Esta medida se puede obtener multiplicando el cuadrado de cada diferencia posible. por su
probabilidad correspondiente y luego sumando los productos obtenidos.
( ) [ ] ( )
i i
i
N
X P x E X
'
+
'
=
=

DESVIACIN ESTANDAR DE UNA VARIABLE ALEATORIA DISCRETA


( ) [ ] ( )
i i
i
N
X P x E X
'
(
'
=
=

!e dice que un modelo es la representacin en miniatura de algunos fenmenos relevantes.


En particular, un modelo matem.tico es una e#presin matem.tica que representa alg6n
fenmeno relevante. Para variables aleatorias discretas, esta e#presin matem.tica se
conoce como funcin de distribucin de probabilidad.
23>)%
,i% i4esimo resultado de ,, la variable aleatoria discreta de inter5s.
P(,i% probabilidad de ocurrencia del i4esimo resultado de ,.
?ipotecas de &asa
)probadas por
semana
P
(
+
'
0
1
=
@
(.+(
(.+(
(.'(
(.0(
(.+=
(.+(
'.(=
Aistribucin de probabilidad de $ipotecas
Ae casas aprobadas por semana
(((.+(B(+(.+(B('('(B(0(.0(B(1(.+=B(=(.+(B(@((.=
CD'.E
Farianza
( @ + ' 0 1 =
(.+
(.'
(.0
P(#
#
((4'.E
'
((.+( B (+4'.E
'
(.+( B ('4'.E
'
(.'( B (04'.E
'
(.0( B (14'.E
'
(.+= B (=4'.E
'
(.+(
B (@4'.E
'
(.(=
D (@E . G
&"E!>H32)9H3
+.4 7:u5 es la distribucin de probabilidad para una variable aleatoria discreta8
9% es un listado mutuamente e#cluyente de todos los resultados num5ricos posibles para esa
variable aleatoria tal que una probabilidad especifica de ocurrencia se asocia con cada
resultado.
'.4 Es el promedio ponderado de todos los resultados posibles, donde las ponderaciones son
las probabilidades asociadas de los resultados% Falor esperado de una variable aleatoria
discreta.
0.4 7&mo se define la varianza de una variable aleatoria discreta8
9% como el promedio ponderado de los cuadros de las diferencias entre cada resultado
posible y su media
1.4 7&mo se obtiene la varianza de una variable aleatoria discreta8
9% multiplicando el cuadrado de cada diferencia posible, por su probabilidad
correspondiente y luego sumando los productos obtenidos.
=.4 7:u5 es el modelo matem.tico8
9% Es una e#presin matem.ticas que representa alg6n fenmeno relevante
@.4 7&on que otro nombre se le conoce al modelo matem.tico8
9% &omo funcin de distribucin de probabilidad
ES%ERAN)A *ATE*+TICA
3riginalmente el concepto de esperanza matem.tica surgi en relacin con los juegos de
azar y en su forma mas simple es el producto de la cantidad que un jugador puede ganar y
la probabilidad de que ganara. Por ejemplo% si tenemos uno de +(,((( boletos de una rifa
cuyo premio principal es un viaje que vale 1,E(( nuestra esperanza matem.tica es 1,E((. +I
+(,(((D J(.1E por boleto. !i tambi5n $ay un segundo premio de J+.'(( y u tercer premio
con valor de J1((, podemos argumentar que en conjunto los 10,000 boletos pagan J1,E((B
J+,'((, B J1((D J@,1(( o en promedio J@,1((I +(,(((D J(.@1 por boleto. Feamos esto e
forma diferente podemos argumentar que si la rifa se repite muc$as veces perderamos KK.KG
porciento de las veces (o una probabilidad de (.KKKG y ganaramos cada uno de los premios (.(+
porciento de las veces (o con probabilidad de (.(((+ en promedio ganaramos as (((.KKKG B
1,E((((.(((+ B +,'((((.(((+ B 1((((.(((+D J(.@1, que es la suma de os productos obtenidos al
multiplicar cada cantidad por la probabilidad correspondiente.
Aesviacion
'.G
EL VALOR ES%ERADO DE VARIABLE ALEATORIA
En la ilustracin de la seccin anterior la cantidad que ganamos fue una variable aleatoria
fue la suma de los productos obtenidos al multiplicar cada valor de la variable aleatoria de
la probabilidad correspondiente. 2os referimos a la esperanza matem.tica de una variable
aleatoria simplemente como su valor esperado, y entendemos la definicin al caso continuo
al reemplazar la operacin e la suma por la integracin, as tenemos.
DEFINICIN
si # e una variable aleatoria discreta y f(# es el valor de su distribucin de probabilidad en
#, el valor esperado de # es %
( ) ( ) x F X E . =
Ae manera correspondiente si # es una variable aleatoria continua y f(# es el valor de su
densidad de probabilidad en #, el valor esperado e # es%
( ) ( ) dx x F x E . =
En esta definicin se supone, por supuesto, que la suma o la integral e#iste- de otra manera
la esperanza matem.tica esta indefinida.
CUESTIONARIO
+.4 7En relacin a que surgi el concepto esperanza matem.tica8
9% !urgi en relacin con los juegos de azar
'.4 7:u5 es esperanza matem.tica8
9% Es el producto de cantidad que un jugador puede ganar y la probabilidad de que gane.
0.4 7&on que otro nombre se le conoce a la esperanza matem.tica8
9% Falor esperado
1.4 7&mo nos referimos a la esperanza matem.tica aleatoria8
9% &omo su valor esperado y entendemos la de definicin al caso continuo al remplazar la
operacin en la suma por la integracin, asi tenemos.
=.4 7Ae acuerdo a la definicin que se encuentra en el rect.ngulo la esperanza matem.tica
esta definida o indefinida8
9% !i # es una variable aleatoria discreta y f(# es el valor de su distribucin de probabilidad
en #, el valor esperado de # es%
E(#D #.L(#
DISTRIBUCION DE %ROBABILIDAD %ARA VARIABLES ALEATORIAS
CONTINUAS
"na variable aleatoria continua es aquella que puede asumir el numero infinitamente
grande de valores correspondientes a los puntos sobre un intervalo en una lnea recta. (!on
el resultado de un proceso de medir.
/as probabilidades asociadas con una variable aleatoria continua se dan como .reas bajo la
distribucin de probabilidad f(y.2o es posible asignar probabilidades a los puntos
mu5strales asociados con una variable aleatoria continua, requiere un modelo poblacional
completamente distinto. &uando el numero de observaciones se vuelve muy grande y los
intervalos muy pequeos, las frecuencias relativas se presentaran para todos los propsitos
como una curva sin saltos.
/as frecuencias relativas asociadas con una clase particular de la poblacin, es la de
fraccin de observaciones de la poblacin que caen en este intervalo M, tambi5n es la
probabilidad de seleccionar una observacin de clase. Por ejemplo si el .rea total debajo de
un $istograma de frecuencia relativa se ajustase de modo que sea igual a uno, entonces las
.reas bajo la curva de frecuencias correspondera a probabilidades.
!upongamos que la variable aleatoria M pueda tomar valores sobre una lnea recta,
distribuiremos una unidad de probabilidad a lo largo de la lnea, de la misma forma en que
una persona podra distribuir un puado de arena, donde cada observacin de la poblacin
correspondera a un grano de arena.
/a probabilidad, granos de arena u observaciones se amontonaran en ciertos lugares y el
resultado ser. una distribucin de probabilidad, el espesor o densidad de probabilidad, que
varan y se puede representar por una ecuacin matem.ticamente llamada de probabilidad
(o la de la funcin de densidad de probabilidad de la variable aleatoria y la funcin de
densidad f(y.
/a funcin de densidad f(y se define de modo que el .rea total bajo la curva sea igual a
uno, por lo tanto, que el .rea sobre un intervalo dado sea igual a la probabilidad de que M
caiga en aquel intervalo.
)s, la probabilidad de que ) N M N * () sea menor que M, sea menor que * es igual que
el .rea sombreada bajo la funcin de densidad entre los puntos ) y *.
7&mo escogemos el modelo, esto es, la distribucin de probabilidad f(y apropiada para
una situacin fsica dada8 M despu5s 7 como podemos calcular el .rea bajo la curva que
corresponde a un intervalo dado8 /a primera pregunta es la mas difcil por que su respuesta
depende del tipo de observacin implicada, lo que es importante observar, es que se
requiri sentido coman al asignar las probabilidades a los puntos mu5strales que aunque
ine#acta, las probabilidades eran suficientemente precisas para procesos pr.cticos. "na vez
que el modelo f(y $a sido escogido, podemos calcular las .reas bajo la curva usando el
calculo integral, podramos conseguir una apro#imacin del .rea por promedio de una
inspeccin visual.
CUESTIONARIO
+.4 7:u5 es una variable aleatoria continua8
9% es aquella que puede asumir el numero infinitamente grande de valores correspondiente
a los puntos sobre un intervalo en una lnea recta.
'.4 7cmo se dan las probabilidades asociadas con una variable aleatoria continua8
9% !e dan como .reas bajo la distribucin de probabilidad f(y
0.4 7Es posible asignar probabilidades a los puntos mu5strales asociados con una variable
aleatoria continua8
9% 2o es posible ya que requiere un modelo poblacional completamente distinto
1.4 7&mo se puede representar el espesor o densidad de probabilidad que varia con M8
9% Por una ecuacin matem.ticamente llamada de probabilidad (o la de la funcin de
densidad de probabilidad de la variable aleatoria y la funcin de densidad f(y.
=.4 Cenciona un ejemplo de variable aleatoria continua
9%
DISTRIBUCIN %OISSON
DATOS ,ISTRICOS$
/a distribucin de Poisson se llama as en $onor a !imen Aennis Poisson (+GE+ O +E1(,
franc5s que desarrollo esta distribucin bas.ndose en estudios efectuados en la ultima parte
de su vida.
DEFINICIN$
/a distribucin de Poisson desempea un papel muy importante por derec$o propio como
modelo probabilstico apropiado para un gran n6mero de fenmenos aleatorios.
Aistribucin Ae Poisson.
&aractersticas%
En este tipo de e#perimento los 5#itos buscados son e#presados por unidad de .rea, tiempo,
pieza, etc, etc,%
4 de defectos de una tela por m'
4 de aviones que aterrizan en un aeropuerto por da, $ora, minuto, etc, etc.
4 de bacterias por cm' de cultivo
4 de llamadas telefnicas a un conmutador por $ora, minuto, etc, etc.
4 de llegadas de embarcaciones a un puerto por dia, mes, etc, etc.
Para determinar la probabilidad de que ocurran # 5#itos por unidad de tiempo, .rea, o
producto, la formula a utilizar seria%
P
, (
x
x p
x

=
donde%
, ( x p
Dprobabilidad de que ocurra # 5#itos, cuando el numero promedio de ocurrencia
de ellos es

D media o promedio de 5#itos por unidad de tiempo, .rea o producto

D '.G+E
x
D variable que nos denota el numero de 5#itos que se desea que ocurra
$ay que $acer notar que en esta distribucin el numero de 5#itos que ocurren por unidad de
tiempo, .rea o producto es totalmente al azar y que cada intervalo de tiempo es
independiente de otro intervalo dado, as como cada .rea es independiente de otra .rea dada
y cada producto es independiente de otro producto dado.
Ejemplo%
!i un banco recibe en promedio @ c$eques sin fondos por da, cuales son las posibilidades
de que reciban 1 c$eques sin fondo en un da dada.
a #D variable que nos define el numero de c$eques sin fondo que llegan al banco en un da
cualquiera.
(landa D @ c$eques sin fondo # da

D '.G+E
!olucin%
( ) ( ) ( ) ( )
+00K' . (
'1
(('1E . ( +'K@
1+
G+E . ' @
@ , 1 (
@ 1
= = = = =

x P
(('1E . (
1E( . ' @ ( y G+E . '
0
=
CUESTIONARIO
+.4 7:u5 es la distribucin Poisson8
9% es el modelo probabilstico apropiado para un gran numero de fenmenos aleatorios
'.4 7En $onor a quien se debe la distribucin Poisson8
9% ) !imeon Aennis Poisson (+GE+ O +E1(
0.4 En este tipo de e#perimentos los 5#itos buscados son e#presados por.
9% "nidad de .rea, tiempo, pieza, etc.
1.4 Cenciona un e#perimento en el que pueda ser usado la distribucin Poisson
9% num. de llegadas de embarcaciones a un puerto por da, mes, etc.
=. &ual es la funcin para determinar la probabilidad de que ocurra # 5#itos por unidad e
tempo, .rea o producto8
9% ( )
P
,
X
x P
x

=
DISTRIBUCIN NOR*AL
O CA*%ANA DE -AUSS
/a distribucin normal fue reconocida por primera vez por el franc5s )bra$am de Coivre
(+@@G O +G=1. Posteriormente, &arl Lriedric$ Qauss (+GGG O +E== elaboro desarrollos m.s
profundos y formulo la ecuacin de la curva- de a$ que tambi5n se le conozca, mas
com6nmente, como la ;&ampana de Qauss<.
/a distribucin normal es la distribucin de probabilidad que con m.s frecuencia aparece
en estadstica y teora de probabilidades.
/o Hmportancia de la distribucin normal se debe principalmente o que $oy muc$as
variables asociados o fenmenos naturales siguen el modelo de la normal%
Caracteres morfolgicos de individuos (personas, animales, plantas,... de una
especie, ejemplo. tallas, pesos, envergaduras, di.metros, permetros.
Caracteres fisiolgicos, por ejemplo% efecto de uno mismo dosis de un
medicamento, o de uno mismo cantidad de abono.
Caracteres sociolgicos, por ejemplo% consumo de cierto producto por un mismo
grupo de individuos, puntuaciones de e#amen.
Caracteres psicolgicos, por ejemplo% cociente intelectual, grado de adaptacin a un
medio.
Valores estadsticos mu5strales, por ejemplo% la media.
/o distribucin normal quedo definido por dos par.metros, su media y su desviacin
est.ndar y la representamos as%
Ejemplo% supongamos que se sabe que el peso de los sujetos de una determinada poblacin
sigue una distribucin apro#imadamente normal, con una media de E( Rg y una desviacin
est.ndar de +( Rg. 7Podremos saber cual es la probabilidad de que una persona, elegida al
azar, tenga un peso superior a +(( Rg8
+(
E(
=
X
' (
+(
E( +((
+(( ( > =


> = > P P X P
como el .rea total bajo la curva es igual a +, se puede deducir que%
' ( + ' ( = > P P

KGG' . ( ' ( = > P
Por lo tanto, la probabilidad buscada de que una persona elegida aleatoriamente de esa
poblacin tenga un peso mayor de +(( Sg , es de +4(.KGG'D(.(''E, es decir,
apro#imadamente de un !"#$
E.e#'lo$ /a vida media de una l.mpara, seg6n el fabricante, es de @E meses, con una
desviacin tpica de =, se distribuye seg6n una distribucin normal en un lote de +(.(((
l.mparas. 7&u.ntas l.mparas super.nG= meses8
t DG=4@EI=D+.1 P(,TG=D(tT+.1D+4p (tN+.1D+4(.K+K'D(.(E(E
+(.((( (.E(ED E(E l.mparas superan los G= meses
E.e#'lo$ "na empresa instala en una ciudad '(.((( bombillas para su iluminacin. /a
duracin de una distribucin normal con media de 0(' das y desviacin tpica de 1( das.
&alcular.
) 7&u.ntas bombillas !e fundir.n antes de 0@= das8
* 7&uantas duraran mas de 1(( das8
) t D 0@= 4 0(' I1( D +.=G= P (, N 0@= D P (t N+.=G= D (.K1+E
'(.((( (.K1+E D +E.E0@ bombillas se fundir.n antes de 0@= das.
* t D 1(( 4 0(' I 1( D '.1= P ( , T 1(( D P ( t T '.1= D + 4 P ,( t N '.1= D+ 4 (.KK'K D
(.((G+
'(.((( (.((G+ D +1' bombillas duraran mas de 1(( das
DISTRIBUCIN NOR*AL
+.47 :ue es la distribucin normal8
9D Es la distribucin de probabilidad que con mas frecuencia aparece en estadstica y
teora de probabilidades, esto se debe a su forma de campana.
'.47&on que otro nombre se le conoce a la distribucin normal8
9D &ampana de Qauss.
0.47&ual es la importancia de la distribucin normal8 9D !e debe principalmente a que $ay
muc$as variables naturales que asociadas a fenmenos siguen el modelo de la normal%
&aracteres morfolgicos
&aracteres fisiolgicos,
&aracteres sociolgicos,
&aracteres psicolgicos,
Falores estadsticos.
1.47&uales son sus par.metros8
9D !u media ( y su desviacin est.ndar (
=.47&uales son las caractersticas de la distribucin normal8
9D
U >iene forma de campana.
U /a curva tiene un solo pico.
U /a media se encuentra en el centro de la curva normal, la mediana y la moda tambi5n se
encuentran en el centro por lo tanto poseen el mismo valor.
U !e e#tiende de manera indefinida $acia los e#tremos (izquierdo y derec$o y nunca toca
el eje $orizontal.
DISTRIBUCIN F
/lamada as en $onor a !ir Lonald ). Lis$er, uno de los fundadores de la estadstica
moderna. Esta distribucin de probabilidad se usa como estadstica de prueba en varias
situaciones.
3riginalmente, se estudi como la distribucin de muestreo de la razn de dos variables
aleatorias independientes como distribuciones ji cuadrada, cada una dividida por sus grados
de libertad respectivos.
!e emplea para probar si dos muestras provienen de poblaciones que poseen varianzas
iguales. Es 6til para determinar si una poblacin normal tiene una mayor variacin que la
otra y tambi5n se aplica cuando se trata de comparar simult.neamente varias medidas
poblacionales.
/a comparacin simult.nea de varias medidas poblacionales se conoce como )n.lisis de
Farianza ()23F). En ambas situaciones, las poblaciones deben ser normales y los datos
tener al menos la escala de intervalos.
CARACTER/STICAS
Es una distribucin continua
2o puede ser negativa
) medida que aumentan los valores, la curva se apro#ima al eje ,, pero nunca la
toca.
/a distribucin L esta relacionada con el cociente de varianzas pues la distribucin L
tambi5n se le conoce como la distribucin de la razn de varianzas.
%RUEBA DE LA ,I%TESIS F$ C0l!ulo e inter'reta!i&n e la esta1sti!a F.
!i sustituimos con la abreviatura estadstica, el numerador y denominador de este cociente,
la ecuacin se convierte.
VARIAN)A DENTRO
Farianza de muestra
( )
+
'


%
M X
.
, , O C (, O C
'
+= 4' 1
+E + +
+K ' 1
'' = '=
++ @ 0@
E= G(
, , O C (, O C
'
'' + +
'G @ 0@
+E 40 K
'+ ( (
+G 41 +@
+(= @'
, , O C (, O C
'
+E 4+ +
'1 = '=
+K ( (
+@ 40 K
'' 0 K
+= 41 +@
++1 @(
!egunda estimacin de la varianza de la poblacin basada
en las varianzas dentro de las muestras
Primera estimacin de la varianza de la poblacin basada
en la varianza entre las medias de las muestras
F2
Farianza entre columnas
Farianza dentro de columnas
F2
( . +'
'
= . +=
'
= . +G
'
0 ' +
= = =
& & &
F)9H)2V) E2>9E
$ X X X X
( )
'
X X ( )
'
X X %
= +G +K 4' 1 '(
= '+ +K ' 1 '(
@ +K +K ( ( (
tD=G >D1(
( )
( ) ( ) ( )
estimacion segunda G@K . +1
+0
+K'
( . +'
+0
=
= . +=
+0
1
= . +G
+0
1
+
+.(
entre varianza '( (
+
'
+
'
'
'
=
=

=
=


&
' %r
%i
(
X X %i

a estadistic fW W &ociente 0= . +
G@K . +1
'(
*usqueda
= = F
2um. Ae grados de libertad en el numerador de cociente ;f<. D(2um. Cuestral4+
(04+ D '
2um. Ae grados de libertad en el denominador del cociente ;f< D ' % %
r
= + (
2um. Ae cifras de cada una de las tablas ( ) ( ) ( ) + @ + = + = + +
+0 = 1 1 = + +
El denominador y el numerador deben ser apro#imadamente iguales si la $iptesis nula es
verdadera.
DISTRIBUCIN F
-RADOS DE LIBERTAD
!e determina un grado de libertad cuando calculamos la varianza entre columna, y el
numero de grado de libertad para el numerador del coeficiente L siempre es una unidad
menor que el numero de muestras. /a regla es%
2umero de grado de libertad D(numero de muestras O+
En el numerador de coeficiente L
M podemos calcular el numero degrado de libertad en el denominador del coeficiente L,
utilizando la ecuacin%
2umero de grado de libertad en D ' % %)
r
= + 8(
El denominador de coeficiente L
An0lisis e varian(a 3ANOV A4 t5cnica estadstica utilizada para probar la equidad de 0 o
mas medidas de muestra y, de este modo, $acer inferencias sobre si las muestras provienen
de poblaciones que tienen la misma medida.
Distribu!i&n L familia de distribuciones diferenciadas por dos par.metros (grados de
libertad del denominador, grados de libertad del denominador, utilizada principalmente
para probar $iptesis con respecto a varianza.
CUESTIONARIO
+.4 7Por qu5 se llama distribucin L8
9% en $onor a !ir Lonald ). Lis$er
'.4 7&omo se estudio originalmente la distribucin L8
9. como la distribucin de muestreo de la razn de dos variables aleatorias independientes
0.4 7Para que se emplea la distribucin L8
9% para probar si dos muestras provienen de poblaciones que poseen varianzas iguales
Microsof t Editor de
ecuaciones 3.0
1.4 7&mo se le conoce a la distribucin L8
9% /a distribucin de la razon de varianza
=.4 7a que se le conoce como an.lisis de varianzas8
9% ) la comparacin simultanea de varias medidas poblacionales
LA DISTRIBUCIN T DE STUDENT
/a distribucin ;>< de student es una distribucin continua que se define por la siguiente
e#presin%
,% media
>% cantidad
!% desviacin est.ndar muestral
/a distribucin ;>< de student puede tomar valores negativos, pero, en general, solo
interesa su magnitud y no su signo.
Es una distribucin sim5trica y con mayor dispersin que la distribucin normal. 2o
obstante, cuando WnW es igual o mayor que +((, la distribucin WtW es igual a la normal.
Lue descubierta por X.!. Qosset y publicada en +K(E, el seudnimo de student se refera a
la cantidad estudiada como t y a sido conocida desde ese entonces como t de student
!irve para conocer la desviacin est.ndar de la poblacin cuando el tamao de muestra es
relativamente pequeo.
/a prueba t de student es muy utilizada en la pr.ctica, sin embargo a menudo su aplicacin
se $ace sin e#cesivo cuidado, no comprobando las asunciones que requiere. En este artculo
se $a puesto de manifiesto que la falta de normalidad o la falta de $omogeneidad en las
varianzas invalidan la prueba t de student
&aractersticas
)l igual que la distribucin z, es una distribucin continua.
/a distribucin t tiene una medida de cero, es sim5trica respecto ala medida y se
e#tiende de menos y mas.
>iene forma campanada y sim5trica.
2o $ay una distribucin t, si no una familia de distribuciones
/a distribucin t es mas anc$a y mas plana en el centro que la
Aistribucin normal est.ndar como resultado de ellos tienes
Lormula%
% s
X
t
I
(
=
Ejemplo% !e generan @ diamantes mediante un nuevo proceso y resultan estos de (.1@, (.@+,
(.=', (.1E, (.=G y (.=1 Rilates el costo de proceso indica que el peso promedio es mayor de
(.= Rilates.
% s
X
t
I
(
=
esta%dar *es+iacio%
eleme%to de %um N
co%fia%,a de -%ter+alo
Media X

.

=
=
=
=

'ilates X =0 .
@
=K . =G . 1E . =' . @+ . 1@ .
=
+ + + + +
=
( )
( )
( )
( )
( )
( )
(+=@ .
((+ . ( (+ . ( =0 . =1 .
((+@ . (1 . =0 . =G .
(('= . (= . =0 . 1E .
(((+ . (+ . =0 . =' .
((@1 . E . =0 . @+ .
((1K . (G . ( =0 . 1@ .

'
'
'
'
'
'
= =
= =
= =
= =
= =
= =
esta%dar *es+iacio%
CUESTIONARIO
+.4 7:u5 es distribucin > de student8
9% Es una distribucin continua que se define por la siguiente e#presin%
,Dmedia
>Dcantidad
!Ddesviacin estandar muestral
'.4 7:ui5n fundo la distribucin > de student8
9%X. !. Qosset en +K(E
0.4 7Para que sirve la distribucin > de student8
( )
G0 . G+
('(G .
1E= . +
@
(=(K .
(+= . ' =0 .
(=(K . (
(('@ .
@
(+=@ .
'
=

=
=
=
=

=
t
%
X X
&
9% Para conocer la desviacin est.ndar de la poblacin y el tamao de muestra es
relativamente pequeo.
1.4 7&u.les son las caractersticas de la distribucin > de student8
9%
)l igual que la distribucin V, es una distribucin continua
/a distribucin t tiene una medida de cero, es sim5trica respecto a la medida y se
e#tiende de menos y mas.
>iene forma campanada y sim5trica
2o $ay una distribucin >, si no una familia de distribucin
/a distribucin > es mas anc$a y mas plana en el centro que la distribucin normal
est.ndar como resultado de ellos.
=.4 7&u.l es la formula de la distribucin de student8
9%
% s
M X
t
I
(
=
DISTRIBUCIN 5I6CUADRADA
/a distribucin jiYcuadrada nos permite probar, si dos o mas proporciones de poblacin
pueden ser consideradas iguales.
!i clasificamos a una poblacin en diferentes categoras con respecto a dos atributos (edad,
y desempeo en el trabajo, podemos utilizar una prueba jiYcuadrada, para comprobar si los
dos atributos son rndependientes entre si. la distribucin Zi cuadrada, se denota por la letra
griega ,(Zi, elevada al cuadrado% ,'.
) medida que aumentan los grados de libertad la curva se va $aciendo m.s sim5trica y su
cola derec$a se va e#tendiendo.
Caractersticas de la distribucin
>odos los valores de #' son positivos.
Es una curva sesgada $acia la derec$a.
/a media de la distribucin son sus grados de libertad
%RECAUC7NES 8UE SE DEBEN TO*AR CUANDO SE USE UNA %RUEBA
5I6CUADRADA
Para utilizar una prueba de $iptesis jiYcuadrada, debemos tener un tamao de muestra lo
suficientemente grande para garantizar la similitud entre la distribucin terica correcta y
nuestra distribucin de muestreo de #', estadstica jiYcuadrada. &uando las frecuencias
esperadas son muy pequeas el valor de #' estar. sobrestimado y se tendr. como resultado
demasiados rec$azos de la $iptesis nula, para evitar incurrir en inferencias incorrectas de
la prueba de $iptesis jiYcuadrada. !iga la regla general que dice que una frecuencia
esperada de menos de cinco en una celda de una tabla de contingencia es demasiado
pequea para utilizarse.
!i el valor de jiYcuadrada $ubiera sido cero, $ubi5semos tenido que ser cuidadosos al
preguntar si absolutamente no e#isten diferencias entre las frecuencias observadas y las
esperadas. !i tenemos fuertes creencias de que debera e#istir alguna diferencia tendramos
que e#aminar tanto la forma en que recabamos datos o la manera como iniciamos las
mediciones o ambas cosas para tener la certeza de que las diferencias e#istentes no fueron
minimizadas o pasadas por alto al recolectar los datos de muestra.
%RO%IEDADES DE LAS DISTRIBUCIONES 5I6CUADRADAS
l.4/os valores de #' son mayores o iguales que 3
'.4/a forma de una distribucin #' depende del g H Dn4l. En consecuencia $ay un numero
infinito de distribuciones #'.
0.4EH .rea bajo una curva jiYcuadrada y sobre el eje $orizontal es +.
1.4/as distribuciones #' no son sim5tricas, tienen colas estrec$as que se e#tienden a la
derec$a- est.n sesgadas a la derec$a.
=.4cuando nT' la media de una distribucin #' es n4l y la varianza es '(n4l. @.4EH valor
modal de una distribucin #' se da en el valor (n40.
(>)*/) AE &32>H2QE2&H)% &ompara la cuenta de respuestas categricas entre dos
grupos independientes para desplegar la frecuencia de 5#itos y fracasos en cada grupo.
-RAFICA DISTRIBUCION 5I CUADRADA %ARA V2 9: ;: < 7= -RADOS DE
LIBERTAD
Aistribucin Zi cuadrada para vD',= y +(.
/a estadstica de Zi cuadrada se calcula de la manera siguiente%
( )
Fe
Fe Fo
X
'
'

=
Esta formula establece que jiYcuadrada, o #', es la suma que obtendremos si%
+.4 9estamos Le de Lo para cada una de las celdas de la tabla
'.4Elevamos al cuadrado cada una de las diferencias
0.4 Aividimos cada diferencia al cuadrado entre Le, y
1.4!umamos los resultados
CUESTIONARIO DE DISTRIBUCIN 5I6CUADRADA
+.4 7:u5 nos permite probar la distribucin jiYcuadrada8
9% !i dos o mas proporciones de poblacin pueden ser consideradas iguales
'.4 7Cenciona las caractersticas de la distribucin jiYcuadrada%
9% +.4 >odos los valores de
'
X
son positivos
'.4 Es una curva sesgada $acia la derec$a
0.4 /a media de la distribucin son sus grados de libertad.
0.4 Cenciona dos propiedades de la distribucin jiYcuadrada%
9% /os valores de
'
X
son mayores o iguales que (
El area bajo una curva ZiY cuadrada y cobre el eje $orizontal es +.
1.4 Para que nos sirve la tabla de contingencia en la distribucin jiYcuadrada8
9% Para comparar la cuenta de respuestas categricas entre dos grupos independientes para
desplegar la frecuencia de 5#itos y fracasos en cada grupo.
=.4 Escribe la formula de la distribucin jiYcuadrada y el significado de sus elementos%
9%
( )
cuadrada )i X
Fe
Fot
Fe
Fe Fo
X
Y
esperada Lrecuencia
observada Lrecuencia
'
'
'
=
=

=
Ejemplo% !uponga que en 1 regiones de la 9epublica Ce#icana, la compaa mundial de
cuidado de la salud, muestra actitudes de los empleados de sus $ospitales con respecto al e#amen de
desempeo en el trabajo. )los trabajadores se les da a escoger entre el m5todo actual( '
e#.menes al ao y un nuevo m5todo propuesto (e#.menes cada trimestre.
!e trabajara con la siguiente tabla de contingencia%
P2 Proporcin de empleados en el noreste que prefieren el presente plan.
P! Proporcin de empleados en el sudeste que prefiere el actual m5todo.
P& Proporcin de empleados en la regin centro que prefiere el actual m5todo.
PX Proporcin de empleados que en la regin de la costa del occidente prefieren el m5todo
actual
Ho:PN=PS=PC=PW Hiptesis nula
Hi:PNPSPCPW Hiptesis alternati!a
"#$%# &
!i la $iptesis nula es verdadera podemos combinar los datos de los trabajadores que
prefieren el m5todo actual.
@@10 . (
1'(
'GK
++( K( +'( +((
GK =G G= @E
= =
+ + +
+ + +
=
.@@10 estima la proporcin de poblacin esperada que prefiere el m5todo presente de
evaluacin entonces (.00=G (D+Y(.@@10 es la estimacin de la proporcin esperada de la
poblacin que prefiere el m5todo propuesto.
>)*/) ' Proporcin de empleados muestreados en cada una de las regiones que se espera
prefieran los dos m5todos.
2oreste !ureste &entral &osta 3ccidental
2umero total
muestrado
+(( +'( K( ++(
Proporcin estimada
que prefi5rale
m5todo actual
#.@@10 #.@@10 #.@@10 #.@@10
2umero que se
espera prefiera el
m5todo actual
@@.10 GK.G' =K.GK G0.(0
>)*/) 0 &omparacin de frecuencias observadas y esperadas de trabajadores muestrados.
Lrecuencia
observada(real
Lrecuencia
esperada(terica
Lrecuencia
observada(real
Lrecuencia
esperada(terica
!o los conjuntos de frecuencias observadas y esperadas son casi iguales, podemos razonar
de manera intuitiva que aceptaremos de manera intuitiva que aceptaremos la $iptesis nula.
!i e#iste una diferencia grande entre estas frecuencias podemos intuitivamente rec$azar la
$iptesis nula y llegar a la conclusin de que e#isten diferencias significativas en las
proporciones de empleados de las cuatro regiones que prefieren el nuevo metodo. /as
frecuencias observadas y esperadas se les da uso en la estadstica jiYcuadrada, se calcula%
( )
Fe
Fe Fo
X
'
'

=
>)*/) 1 &alculo de la estadstica
'
X
(jiYcuadrada
P)!3 + P)!3 ' P)!3 0
Lo Le Le4Le (Lo4Le
( )
Fe
Fe Fo
'

/a respuesta obtenida de '.G@1 es el valor de jiYcuadrada n nuestro problema de


comparacin. !i el valor fuera muy grande indicara una diferencia sustantiva entre
nuestros valores.
Para utilizar la prueba jiYcuadrada debemos calcular el numero de grados de libertad en la
tabla de contingencia mediante la aplicacin de la ecuacin.
2umero de grados de libertadD(numero de renglones4+(numero de columnas O+
D(04+ (14+
D(+(0
D0 grados de libertad
si la compaa desea probar la $iptesis nula a un nivel de significanca de (.+(, se localiza
el valor de la estadstica jiYcuadrada con 0 grados de libertad.
Qrados de libertad (.'( (.+( (.(= (.'= (.(+
+ +.(1' '.G(= 0.E1+ =.('1 @.@0=
' 0.'+K 1.@(= =.KK+ G.0GE K.'+(
0 1.@1' @.'=+ G.E+= K.01E ++.01=
1 =.KEK G.GGK K.1EE ++.+10 +0.'GG
= G.'EK K.'0@ ++.(G( +'.E00 +=.(E@
El valor es de YYYYYYYYYYYYYY podemos interpretar que con tres grados de libertad la
regin que se all. a la derec$a del valor jiYcuadrada, @.'=+ contiene (.+( del .rea bajo la
curva. En consecuencia la regin de aceptacin de la $iptesis nula, va del e#tremo
izquierdo de la curva al valor jiaYcuadrada de @.'=+. el valor de la muestra '.G@1 que
calculamos cae dentro de la regin de aceptacin. )ceptamos la $iptesis nula de que no
e#iste diferencia entre las actitudes con respecto a la evaluacin del trabajo en las 1
regiones geogr.ficas.