Apuntes de Estadistica News

Docente: Ing.
Guillermo Linares Snchez

Ing. Administrativa
ndice.
CAPTULO I ELEMENTOS BSICOS
1.
Clases de experimentos
1.1 Determinsticos
1.2 Aleatorios
2. Objeto de la teora de probabilidades
2.1 Espacio muestral
2.2 Sigma algebra (-algebra)
2.3 Evento (suceso)
2.4 Algebra de eventos
3. Medida de probabilidad
4. Eventos independientes
5. Elementos de anlisis combinatorio
5.1 Principios de la multiplicacin
5.2 Principios de la adicin
5.3 Muestras ordenadas
5.4 Muestras no ordenadas
5.5 Particin de un conjunto
6. Probabilidad condicional
7. Regla de multiplicacin
8. Probabilidad total
9. Regla de Bayes
10. Ejercicios propuestos
CAPITULO II VARIABLES ALEATORIAS
1. Variable aleatoria discreta
1.1 funcin de probabilidad (de cuanta).
1.2 funcin de distribucin
2. Variable aleatoria continua
3. Variables aleatorias mixtas
4. Funcin de una variable aleatoria
5. Otras caractersticas de las variables aleatorias
5.1 Valor esperado de variables y funciones aleatorias
5.2Varianza y desviacin estndar de una variable aleatoria
5.3 Otras medidas de variables aleatorias
5.4 Desigualdad de Tchebyshev
5.5 Momentos de una variable aleatoria
5.6 Funcin generadora de momentos
5.7 Funcin generadora de momentos factoriales
5.8 Funcin caracterstica de una variable aleatoria
CAPITULO III MODELOS PROBABILISTICOS
1. Modelos probabilisticos
1.1 Modelo uniforme
1.2 Ensayo de bernoulli
1.3Mmodelo binomial
1.4 Distribucin hipergeomtrica
1.5 Distribucin geomtrica
1.6 Distribucin de pascal
1.7 Distribucin poisson
1.8 Aproximacin de la binomial a la poisson
2. Modelos de variable continua
Estadstica II Pgina 1
Carrera:
Docente: Ing. Guillermo Linares Snchez

Ing. Administrativa
2.1 Distribucin uniforme
2.2 Distribucin normal
2.3 Aproximacin binomial a la normal
2.4 Distribucin beta
2.5 Distribucin exponencial
2.6 Distribucin gama
2.7 Distribucin weibull
2.8 Distribucin logaritmo normal (lognormal)
2.9 Distribucin de rayleigh
2.10 Distribucin de cauchy
2.11 Distribuciones truncadas
1. Probabilidad.
1.1. Probabilidad Simple.
1.1.1. Teora de Conjuntos.
1.2. Distribuciones de Probabilidad.
1.2.1. Distribuciones Discretas y Continuas.
Distribucin de Bernoulli.
Distribucin Binomial.
Distribucin de Poisson.
Distribucin Geomtrica
Distribuciones Hipergeomtrica.
Distribucin Normal.
Distribucin T de Student.
Distribucin F de Fisher.
Distribucin Gama.
Distribucin Beta.
Distribucin Chi Cuadrado.
2.
Regresin y Correlacin.
2.1. Regresin Simple.
2.2. Regresin Mltiple.
Polinomial.
Potencial.
Exponencial.
Logartmica.
Multinomial.
3. Estadstica Inferencial.
3.1. Valores Esperados y Momentos.
3.2. Distribuciones Continuas Especiales.
3.3. Distribucin Normal Multivariante.
3.4. Inferencia Estadstica.
3.5. Prueba Estadstica de una Hiptesis.
3.6. Distribucin de la Varianza
3.7. Anlisis de la Varianza e Intervalos de Confianza.
3.8. Aplicaciones de Chi Cuadrado.
3.9. Regresin y Correlacin Multivariante.
3.10. Distribuciones No Paramtricas.
ESTADISTICA II
Carrera:

Ing. Administrativa
Carrera:
CAPITULO 1 ELEMENTOS BSICO

1. CLASES DE EXPERIMENTOS
En la vida cotidiana se pueden encontrar dos clases de fenmenos o
experimentos:
1.1 Determinsticos: Al realizarlos bajo las mismas condiciones generales,
presentan siempre el mismo resultado.
1.2 Aleatorios: An cuando se observen bajo las mismas condiciones y se
conozcan los posibles resultados ninguno se puede anticipar con certeza.
Los primeros se relacionan con la causalidad que implica conocimiento y
control de los factores que determinan el comportamiento del fenmeno.
Los segundos obedecen a factores de casualidad o del azar adems de los
causales, pero con la imposibilidad de controlarlos debido al desconocimiento
de las causas.
Algunos aseguran que todo fenmeno posee los dos tipos de factores, pero que
en ciertos casos la importancia de los casuales es tan poca que se considera
despreciable y se acepta entonces el determinismo absoluto.
Ejemplos:
Determinsticos:
1.1 Leyes gravitacionales (un cuerpo baja en ciertas condiciones).
1.2 Leyes de Kepler (comportamiento de los planetas).
1.3 Al quemar un hidrocarburo como el gas propano en presencia del oxgeno,
se produce gas carbnico ms agua.
1.4 Se hace actuar sobre un cuerpo de un kg. de masa una fuerza de un Newton,
se obtiene una aceleracin de un metros/segundo2
Aleatorios:
1.5 Seleccionar de un lote un artculo para conocer su calidad.
1.6 El querer determinar la cantidad de lluvia que caer debido a una tormenta
que pasa por una zona especfica, el origen de la tormenta, la direccin de la
tormenta, etc.
1.7 La velocidad de una partcula en un ambiente determinado.
1.8 La amplitud y la fase de la intensidad de la luz emitida por una fuente.
1.9 El resultado de un partido de ftbol.
1.10 El nmero de llamadas telefnicas por minuto, la duracin de cada
llamada.
1.11 La intensidad del ruido de un sistema de comunicacin.

Ing. Administrativa
Carrera:
1.12 La resistencia mnima de un conjunto de resistencias en una lnea de

produccin.
2. OBJETO DE LA TEORIA DE PROBABILIDADES
El objeto de la teora de probabilidades es proporcionar un modelo matemtico
adecuado, aplicable a la descripcin e interpretacin de los fenmenos
aleatorios. La construccin del modelo se basa en los siguientes conceptos:
http://www.virtual.unal.edu.co/cursos/sedes/manizales/4030011/lecciones
/cap1/cap_1_pag_2.html
2.2 Sigma algebra (-algebra)
2.3 Evento (suceso) 2.4 Algebra de eventos
3. Medida de probabilidad
4. Eventos independientes
5. Elementos de anlisis combinatorio
5.1. Principio de la
multiplicacin 5.2.Principio de la adicin 5.3. Muestras ordenadas
5.4 Muestras no ordenadas
5.5 Particin de un conjunto
6. Probabilidad condicional

Ing. Administrativa
Carrera:
7. Regla de multiplicacin
8. Probabilidad total 9. Regla de Bayes
10.Ejercicios propuestos
http://www.virtual.unal.edu.co/cursos/sedes/manizales/4030011/ejercicios
/ejercap1/ejercap1pag_1.html
CAPITULO II VARIABLES ALEATORIAS
1.
Variable aleatoria discreta 1.1. Funcin de probabilidad (de
cuantia
1.2 Funcin de distribucin
2.
Variable aleatoria continua
3.
Variables aleatorias mixtas
4.
Funcin de una variable aleatoria
5.
Otras caractersticas de las variables aleatorias 5.1 Valor esperado
de variables y funciones aleatorias 5.2Varianza y desviacin estndar
de una variable aleatoria

Ing. Administrativa
Carrera:
5.3 Otras medidas de variables aleatorias

5.4 Desigualdad de Tchebyshev
5.5 Momentos de una variable aleatoria
5.6 Funcin generadora de momentos
5.7 Funcin generadora de momentos factoriales
5.8 Funcin
caracterstica de una variable aleatoria
6.
Ejercicios propuestos
CAPITULO III MODELOS PROBABILISTICOS

1. Modelos probabilsticos 1.1. Modelo uniforme 1.2. Ensayo de
Bernoulli
1.3. Modelo binomial
1.4. Distribucin hipergeomtrica 1.5. Distribucin geomtrica
1.5.
Distribucin de pascal

Ing. Administrativa
Carrera:
1.7 Distribucin Poisson
1.8 Aproximacin de la binomial a la Poisson
2.
Modelos de variable continua 2.1. Distribucin uniforme 2.2.
Distribucin normal
http://www.virtual.unal.edu.co/cursos/sedes/manizales/4030011/leccione
s/cap3/cap_3_pag_8.html
2.3 Aproximacin binomial a la normal 2.4. Distribucin beta
2.5 Distribucin exponencial
2.6 Distribucin gama
2.7 Distribucin weibull
2.8 Distribucin logaritmo normal (lognormal)
2.9 Distribucin de Rayleigh 2.10 Distribucin deCauchy
2.11 Distribuciones truncadas

Ing. Administrativa
Carrera:
PROBABILIDAD.
Es el estudio de experimentos aleatorios o elementos libres de determinacin. Es
decir, si se tiene un suceso denotado por E y existe n casos posibles n
oportunidades, para todos estos con la misma posibilidad o factibilidad,
entonces puede presentarse solo en h de todos los casos.
PROBABILIDAD SIMPLE.
Teora de Conjuntos
La Teora de Conjuntos es una divisin de las matemticas que estudia las
propiedades y relaciones de los conjuntos.
El concepto de conjunto es intuitivo y se podra definir como una "agrupacin
bien definida de objetos no repetidos y no ordenados"; as, se puede hablar de
un conjunto de personas, ciudades, gafas, lapiceros o del conjunto de objetos
que hay en un momento dado encima de una mesa. Un conjunto est bien
definido si se sabe si un determinado elemento pertenece o no al conjunto. El
conjunto de los bolgrafos azules est bien definido, porque a la vista de un
bolgrafo se puede saber si es azul o no. El conjunto de las personas altas no
est bien definido, porque a la vista de una persona, no siempre se podr decir si
es alta o no, o puede haber distintas personas, que opinen si esa persona es alta
o no lo es.
Se entiende por conjunto a la agrupacin en un todo de objetos bien
diferenciados de nuestra intuicin o nuestro pensamiento.

Ing. Administrativa
Carrera:
Notacin
Usualmente los conjuntos se representan con una letra mayscula:
Se llama 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:
De esta manera, si
es un conjunto, y a,b,c,d,etodos sus elementos, es comn
escribir:
para definir a tal conjunto A. Esta notacin empleada para definir al conjunto A
se llama notacin por extensin.

Ing. Administrativa
Para representar que un elemento
" en ", "
pertenece a un conjunto , escribimos
pertenece a " o bien "
se escribe
Carrera:
es un elemento de ". La negacin de
y se lee de la siguiente forma "
no pertenece a
El conjunto universal, que representaremos como U(u mayscula), es el conjunto

de todas las cosas sobre las que estemos tratando. As, si hablamos de nmeros
enteros entonces Ues el conjunto de los nmeros enteros; si hablamos de
ciudades, U es el conjunto de todas las ciudades. Todos los elementos posibles
estn en este conjunto:
Este conjunto universal puede mencionarse explcitamente, o puede darse por

supuesto segn el contexto que estemos tratando.
Existe adems, un nico conjunto que no tiene elementos, al que se le llama
conjunto vaco y que se denota por
, esto es:
. La caracterstica
importante de este conjunto es que todos los elementos posibles no estn

contenidos en l:
Por otro lado, si todos los elementos
de un conjunto
satisfacen alguna
propiedad, misma que pueda ser expresada como una proposicin p(x), con la
indeterminada x, usamos la notacin por comprensin, y se puede definir:

Ing. Administrativa
Carrera:
Lo anterior se lee "A es el conjunto de elementos x, que cumplen la propiedad

p(x)". El smbolo ":" se lee "que cumplen la propiedad" o "tal que"; este smbolo
puede ser remplazado por una barra /.
Por ejemplo, el conjunto:
Puede definirse por:
Donde el smbolo N representa al conjunto de los nmeros naturales.
Igualdad de conjuntos
Dos conjuntos A y B se dicen iguales, lo que se escribe A = B si constan de los
mismos elementos. Es decir, si y solo si todo elemento de A est tambin
contenido en B y todo elemento de B est contenido en A. En smbolos:
Subconjuntos
Un subconjunto es un Conjunto que consta de elementos en el cual cada
elemento que posee esta tambin en otro conjunto como en elgrafico

Ing. Administrativa
Carrera:
Diagrama de Venn que muestra
Un conjunto A se dice que es subconjunto de otro B, si cada elemento de A es
tambin elemento de B, y se denota
.y se lee de la siguiente forma el
conjunto A es un subconjunto de B Es decir:
Cabe sealar que, por definicin, no se excluye la posibilidad de que si AB, se

cumpla A = B. Si, siendo A un subconjunto de B, B tiene por lo menos un
elemento que no pertenezca al conjunto A, entonces decimos que
subconjunto propio de B, lo que se representa por
es un
. Es decir
Operaciones con conjuntos

Unin
Es la unin de los elementos que tienen esos conjuntos por ejemplos en el
grafico esta pitado de celeste todos los elementos de A y B es la unin de esos
conjuntos

Ing. Administrativa
Esto significa que
si y slo si
Carrera:
Diagrama de Venn que ilustra
Para cada par de conjuntos A y B existe un conjunto unin de los dos, que se
denota como
el cual contiene todos los elementos de A y de B.
Interseccin
Son los elementos que se encuentran en un conjunto y a la vez en otro
Esto significa que
si y slo si

Ing. Administrativa
Carrera:
Diagrama de Venn que ilustra

Los elementos comunes a A y B forman un conjunto denominado interseccin de
A y B, representado por
. Es decir,
es el conjunto que contiene a
todos los elementos de A que al mismo tiempo estn en B:
Diferencia
Los elementos de un conjunto A que no se encuentran en otro conjunto B, forman
otro conjunto llamado diferencia de A y B, representado por
Lo que significa que
si y slo si
. Es decir:

Ing. Administrativa
Carrera:
Diagramas de Venn que muestran A B y B A respectivamente.
Complemento
El complemento de un conjunto A es el conjunto de todos los elementos que no
pertenecen a A.
El conjunto complemento siempre lo es respecto al conjunto universal que

estamos tratando, esto es, si hablamos de nmeros enteros, y definimos el
conjunto de los nmeros pares, el conjunto complemento de los nmeros pares es
el formado por los nmeros impares. Si estamos hablando de estudiantes y se
define al conjunto a los estudiantes que han pasado la materia de probabilidad
II, el conjunto complementario es el de los estudiantes que reprobaron la
materia.
Diagrama de Venn que ilustra el complemento de A, AC.
Diferencia simtrica
La diferencia simtrica de dos conjuntos A y B viene dada por los elementos que
pertenecen a uno y slo uno de los dos:

Ing. Administrativa
Carrera:
Diagrama de Venn que ilustra la diferencia simtrica de A y B, AB.
DISTRIBUCIONES DE PROBABILIDADES
En teora de la probabilidad y estadstica, la distribucin de probabilidad de
una variable aleatoria es una funcin que asigna a cada suceso definido sobre la
variable aleatoria la probabilidad de que dicho suceso ocurra. La distribucin
de probabilidad est definida sobre el conjunto de todos los eventos rango de
valores de la variable aleatoria.
Cuando la variable aleatoria toma valores en el conjunto de los nmeros reales,
la distribucin de probabilidad est completamente especificada por la funcin
de distribucin, cuyo valor en cada real x es la probabilidad de que la variable
aleatoria sea menor o igual que x.
DISTRIBUCIONES DISCRETAS Y CONTINUAS.
Distribucin de Bernoulli.

Ing. Administrativa
Carrera:
El experimento de Bernoulli es aquel en el que interesan solamente dos

resultados:
El evento A ocurre o no ocurre, algunos ejemplos de esta prueba incluye el
lanzamiento de una moneda, la prueba de un producto sano o defectuoso o
tambin el sexo de una persona que puede ser hombre o mujer, lo cual se trata
de una misin de xito o de fracaso. La funcin indicadora de un evento es una
variable aleatoria de Bernoulli
1 --- xito
(el evento A ocurre)
X(w)=
0 --- fracaso (el evento A no ocurre)
Por lo tanto el espacio muestral de la distribucin de Bernoulli (w) es discreto
mostrando solamente dos valores, queda definida conociendo la probabilidad de
A y la probabilidad de A complemento
P(A)=P
P(
)=1-p=q
X(w):1 0
P(w): p q
Donde la variable aleatoria de bernoulli tiene un rango o recorrido de 0 y 1 lo

cual resulta en una bicotomica del espacio muestral original
Por ejemplo
Una urna contiene 4 bolillos blancos y 6 negros. Cuando seleccionamos un
bolillo al azar este puede clasificarse como blanco o negro y la variable
aleatoria ser
1 --- si el bolillo es blanco
X(w)=
0 --- si el bolillo es negro

Ing. Administrativa
Carrera:
Distribucin binomial
si definimos una variable aleatoria X en el espacio muestral omega asociada a
un espacio de probabilidad, se dice que X es binomial si y solo si:
i) r(x)=(0,1,2,3.n)
ii) P(x=x) =
Condiciones para emplear la distribucin binomial

a) El experimento aleatorio tiene un carcter dicotmico y puede ser repetido
independientemente mil veces, por tanto si A es el experimento aleatorio
entonces la probabilidad de A es igual a p es decir:
P(A)=p
P(
)=1-p=q
b) Las probabilidades(A)=p y P(
)=q permanecen constantes para todas y
cada una de las repeticiones

c) La variable aleatoria X denota el nmero de veces que el evento A ocurre
Figura es la grfica de una distribucin binomial(n, 0.5) para n = 20, 40, 60, 80, 100.

Ing. Administrativa
Carrera:
Se puede ver la aproximacin a la distribucin normal.
Distribucin de Poisson
Se dice que X es una variable aleatoria tipo Poisson si :
En este caso muchos fenmenos aleatorias se explican mediante el manejo de

distribucin binomial y Poisson por ejemplo el nmero de llamadas telefnicas
que reciben cada da, nmero de accidentes ocurridos
Grfico de la
Distribucin de
Poisson.
k de eventos
ocurriendo en
un tiempo fijo
si estos
eventos
ocurren con

Ing. Administrativa
Carrera:
una frecuencia media conocida y son independientes del tiempo discurrido

desde el ltimo evento.
Distribucin geomtrica.
En este caso estamos interesados en la concurrencia o no de un evento A y como
en el caso de la distribucin binomial para cada repeticin permanecen
constantes
P(A)=p
P(
)= q=1-p
Se repite el experimento hasta la ocurrencia de A por primera vez por tanto el

numero de repeticiones constituye una variable aleatoria. Asi determinamos la
variable aleatoria como el numero de repeticiones requeridas hasta la
ocurrencia o primera vez. Entonces la funcin de distribucin de la probabilidad
es:
;
Que se denomina distribucin geomtrica con parmetros P
Grafica de la Distribucin Geomtrica con diferentes probabilidades

Ing. Administrativa
Carrera:
Distribucin hipergeomtrica
Esta distribucin se dice que X es una variable aleatoria hipergeometrica si:
i) r(x)={0,1,2,3....n}
Donde las variables M y N son enteros positivos y N es mayor o igual a n y N es

mayor o igual a M si se considera el problema de elegir una muestra de tamao
n de un lote que contiene N objetos de una clase y N-M de otra clase entonces la
definicin establece la probabilidad de obtener exactamente x objetos de la
primera clase en la muestra
Graficos de la Distribucion Hipergeometrica
Distribucin Normal
Una variable aleatoria continua X sigue una distribucin normal de media y
desviacin tpica si su funcin de densidad es:
De esta forma, una vez que se especifican y la distribucin queda

determinada completamente. La distribucin de probabilidad normal tienen
forma de campana (llamada campana de gauss, o curva normal), simtrica (por

Ing. Administrativa
depender de x a travs del termino
Carrera:
centrada en y con anchura
proporcional a .
Sabemos que la curva de cualquier distribucin continua de probabilidad o
funcin de densidad esta construya de forma que el rea bajo la curva limitada
por los puntos x = x1 y x = x2 es igual a la probabilidad de que la variable
aleatoria X asuma un valor entre x = x1 y x = x2. Como la resolucin de las
integrales para cada curva normal no es fcil, es aconsejable utilizar tablas.
Para no tener que presentar estas tablas para todos los posibles valores de y
se utiliza una variable normal tipificada Z definida como Z = (X .)/ con lo que
sustituyendo nos queda la funcin de densidad de X:
La distribucin normal es la distribucin de probabilidad ms importante del

Clculo de probabilidades.
la importancia de la distribucin normal queda totalmente consolidada por ser
la distribucin lmite de numerosas variables aleatorias, discretas y continuas,
como se demuestra a travs de los teoremas centrales del lmite. Las
consecuencias de estos teoremas implican la casi universal presencia de la
distribucin normal en todos los campos de las ciencias empricas.
La distribucin normal queda totalmente definida mediante dos parmetros:

la media (Mu)
la desviacin estndar (Sigma).
Grfico de la distribucin Normal

Ing. Administrativa
Carrera:
Grafico N2
Como se puede observar en el 2do grafico la Distribucin Normal y la Binomial tienen una
cierta similitud
Distribucin 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.

Ing. Administrativa
Carrera:
La distribucin t de Student es la distribucin de probabilidad del cociente
Donde:
Z tiene una distribucin normal de media nula y varianza 1
V tiene una distribucin chi-cuadrado con grados de libertad
Z y V son independientes
Si es una constante no nula, el cocientees una variable aleatoria que sigue

la distribucin t de Student no central con parmetro de no-centralidad .
Supongamos que X1,..., Xnson variables aleatorias independientes distribuidas
normalmente, con media y varianza2. Sea
la media muestral. Entonces:
sigue una distribucin normal de media 0 y varianza 1.

Sin embargo, dado que la desviacin estndar no siempre es conocida de
antemano, Gosset estudi un cociente relacionado,
Donde:

Ing. Administrativa
Carrera:
Es la varianza muestral y demostr que la funcin de densidad de T es
donde es igual a n 1.
La
distribucin
de T se
llama
ahora
la distribucin-t de
Student.
El
parmetro representa el nmero de grados de libertad. La distribucin

depende de , pero no de o , lo cual es muy importante en la prctica.
Funcin de distribucin de probabilidad

Ing. Administrativa
Carrera:
Distribucin F de Fisher.
Usada
en teora
una distribucin
de
de
probabilidad y estadstica,
probabilidad
continua.
la distribucin
Tambin
se
la
F es
conoce
comodistribucin F de Snedecor (por George Snedecor) o como distribucin F

de Fisher-Snedecor. Una variable aleatoria de distribucin F se construye como
el siguiente cociente:
Donde:
U1 y U2 siguen una distribucin chi-cuadrado con d1 y d2 grados de

libertad respectivamente, y
U1 y U2 son estadsticamente independientes.
La distribucin F aparece frecuentemente como la distribucin nula de una

prueba estadstica, especialmente en el anlisis de varianza. Vase el test F.
La funcin de densidad de una F(d1, d2) viene dada por
para todo nmero real x 0, donde d1 y d2 son enteros positivos, y B es

la funcin beta.
La funcin de distribucin es:

Ing. Administrativa
Carrera:
Donde I es la funcin beta incompleta regularizada.
Distribucin Gama.
Los tiempos que tardan en revisar un motor de un automvil avin tienen una
distribucin de frecuencias sesgadas. Las poblaciones asociadas a estas
variables aleatorias frecuentemente tienen distribuciones que se pueden modelar
adecuadamente por la funcin de densidad tipo gamma.
Funcin de densidad de probabilidad para una variable aleatoria tipo gamma:
, 0;0 y
y 1e y /
f ( y)
( )
0
En donde:
( ) y 1e
0
dy
La cantidad de la de la funcin alfa se conoce como la funcin gamma. La

integracin directa nos da que la funcin uno igual a uno. La integracin por
partes nos da que la funcin de alfa menos uno alfa menos uno por la funcin
alfa menos uno para cualquier intervalo de alfa mayor o igual a uno y que la
funcin de n sea igual a n menos uno factorial, para un nmero entero n.

Ing. Administrativa
Carrera:
En el caso especial cuando alfa es un nmero entero, se puede expresar la

funcin de distribucin de una variable aleatoria tipo gamma como una suma de
ciertas variables aleatorias de Poisson.
Si alfa no es un nmero entero, es imposible encontrar la antiderivada del

integrando de la expresin:
0 c d
donde
y 1 e y /
dy
( )
Y por lo tanto es importante obtener las reas bajo la funcin de densidad tipo
gamma mediante integracin directa.
Hay dos casos especiales de las variables aleatorias tipo gamma que merece
consideracin particular:
Una variable aleatoria tipo gamma que tiene una funcin de densidad con
parmetros alfa igual a v entre dos y beta igual a dos se denomina variable
aleatoria ji - cuadrada.
Ji - cuadrada se presenta con frecuencia en la teora de la estadstica. El

parmetro v se denomina nmero de grados de libertad asociado a la variable
aleatoria ji - cuadrada.
La funcin de densidad gamma para el caso especial v = 1 se denomina funcin
de densidad exponencial.
0;0 y

Ing. Administrativa
Carrera:
1 y /
f ( y) e
0
En cualquier punto.
La funcin de densidad exponencial muchas veces es til en los modelos de
duracin de componentes elctricos.
Un fusible es un ejemplo de un componente para el cual este supuesto suele
cumplirse.
Grafica 1
En funcin a los parmetros
Grafica N 2

Ing. Administrativa
Carrera:
Distribucin Beta.
La distribucin de probabilidad beta es una funcin de densidad con dos
parmetros definida en el intervalo cerrado 0 <= y <= 1. Se utiliza
frecuentemente como modelo para fracciones, tal como la proporcin de
impurezas en un producto qumico o la fraccin de tiempo que una maquina est
en reparacin.
Funcin de densidad probabilidad:

, 0;0 y 1
y 1 (1 y) 1
f ( y) {
B( , )
En cualquier otro punto donde
B ( , ) y 1 (1 y ) 1 dy
( ) ( )
( )

Ing. Administrativa
Carrera:
Ntese que la definicin de (y) sobre el intervalo 0<= y <= 1 restringe su

aplicacin. Si c<= y <= d, y = (y- c) / (d- c) definir una nueva variable en el
intervalo 0<= y <= 1. As la funcin de densidad beta se puede aplicar a una
variable aleatoria definida en el intervalo c<= y <= d mediante una traslacin y
una medicin en la escala.
La funcin de distribucin acumulativa para la variable aleatoria beta se llama

comnmente funcin beta y esta dada por
F ( y)
t 1 (1 t ) 1
dt I y ( , )
B ( , )
Para valores enteros de alfa y beta, Iy (alfa, beta) est relacionada con la
funcin de probabilidad binomial. Cuando y = p, se puede demostrar que
F ( p)
n
y 1 (1 y ) 1
dy p y (1 p ) n y
B ( , )
y
En donde 0< p < 1 y n igual a alfa ms beta menos uno.

Grafica de la Distribucion Beta en funfion a la probabilidad

Ing. Administrativa
Carrera:
Distribucin Chi Cuadrado.

En estadstica,
la distribucin
(de
Pearson)
es
una distribucin
de
probabilidad continua con un parmetro k que representa losgrados de

libertad de la variable aleatoria:
Donde Zson variables de distribucin normal, de media cero y varianza uno. El

que la variable aleatoria X tenga esta distribucin se representa habitualmente
as:
Es conveniente tener en cuenta que la letra griega se transcribe

al latn como chi1 y se pronuncia en castellano como ji.2 3
La distribucin tiene muchas aplicaciones en inferencia estadstica, por
ejemplo en la denominada prueba utilizada como prueba de independencia y
como prueba de bondad de ajuste y en la estimacin de varianzas. Tambin est
involucrada en el problema de estimar la media de una poblacin normalmente
distribuida y en el problema de estimar la pendiente de una recta de regresin
lineal, a travs de su papel en la distribucin t de Student, y participa en todos
los problemas de anlisis de varianza, por su papel en la distribucin F de
Snedecor, que es la distribucin del cociente de dos variables aleatorias
independientes con distribucin .
Otra forma de definir la distribucin es la siguiente: Supongamos que
tenemos n variables aleatorias normales independientes, X 1,..., Xn, con media i y
varianza
(i = 1 ... n), la variable definida como

Ing. Administrativa
Carrera:
Grafica de la Distribucion Chi Cuadrado
Cuando son mayores son menos asimtricas.
REGRESIN Y CORRELACIN.
La Regresin y la correlacin son dos tcnicas estadsticas que se pueden
utilizar para solucionar problemas comunes en los negocios. Muchos estudios se
basan en la creencia de que es posible identificar y cuantificar alguna Relacin
Funcional entre dos o ms variables, donde una variable depende de la otra
variable. Se puede decir que Y depende de X, en donde Y y X son dos variables
cualquiera en un modelo de Regresin Simple.
"Y es una funcin de X"
Y = f(X)
Como Y depende de X,
Y es la variable dependiente, y
X es la variable independiente.

Ing. Administrativa
Carrera:
En el Modelo de Regresin es muy importante identificar cul es la variable

dependiente y cul es la variable independiente.
REGRESIN SIMPLE.
Son cuando se dan dos variables numricas continuas X e Y, se dice que estn
correlacionadas si entre ambas variables hay cierta relacin, de modo que puede
predecirse (aproximadamente) el valor de una de ellas conocido el valor de la
otra en este sentido decimos que la correlacin es positiva al aumentar una de
las variables aumenta tambin otra y negativa en caso contrario
Si queremos predecir el valor de Y a partir de X, decimos que X es el regresor, e
Y la variable explicada. Si X e Y no estn relacionas en modo alguno se dice que
son incorreladas.

Ing. Administrativa
Carrera:
Si X e Y estn correlaciones tiene sentido buscar la formula que permita

aproximar una de ellas, digamos Y, conocida la otra. Segn el tipo de frmula
que mejor se adapte a los datos, hablamos de correlacin lineal(Y=a+bX),
REGRESIN MLTIPLE.
El principio de la regresin multiple, se buscar aislar en una familia de
funciones de varios parmetros, una funcin que ''explique'' por la relacin:
Como criterio de seleccin se minimiza sobre todas las funciones de la familia el

error cuadrtico definido por:

Ing. Administrativa
Carrera:
En ciertos casos clsicos, sabemos resolver explcitamente este problema de

minimizacin, y las soluciones estn implementadas en los sistemas de clculo
estadstico. Es el caso de los ejemplos que vamos a dar a continuacin. Cuando
una respuesta explcita es imposible, se recurre a algoritmos de minimizacin,
como el algoritmo del gradiente.
Regresin lineal mltiple.Es la generalizacin directa de la regresin lineal
simple del prrafo precedente. Las funciones
son afines:
El error cuadrtico a minimizar es una funcin de los

desconocidos
parmetros
Siempre se puede trazar un hiperplano por
puntos en un espacio de dimensin
. Si el tamao de la poblacin (n) es inferior o igual a k, el error

cuadrticominimal es en consecuencia 0. En la prctica la regresin slo podr
ser significativa si
es mucho mayor que k.
Polinomial.
Es cuando varios caracteres son explicativos se puede an realizar una
regresin sobre una familia de polinomios en los diferentes caracteres, con
grado fijo. Los trminos que hacen intervenir productos del tipo
sern
interpretados como trminos de interaccin entre los caracteres explicativos. En

Ing. Administrativa
Carrera:
la prctica, uno se limita a polinomios de grado 1o 2. Presentamos para dos

caracteres explicativos
, los modelos ms frecuentemente utilizados.
Modelo de orden
, sin interaccin:
Modelo de orden
, sin interaccin:
Modelo de orden
, con interaccin:
Modelo de orden
, con interaccin:
Potencial.
Es aquella en la que la funcin de ajuste sea una funcin potencial del tipo:
y = a. xb
Tambin en este caso se resuelve linealizando la funcin tomando logaritmos ya
que:
log y = log a + b log x
Considerando las nuevas variables v = log y u= log x resolveramos la regresin

lineal entre ellas de forma que si el resultado fuera: v*= A +B u
La solucin final quedara como a= antilog A y b= B
Exponencial.
Es aquella en la que la funcin de ajuste ser una funcin exponencial del tipo

Ing. Administrativa
Carrera:
y = a*bx
La regresin exponencial aunque no es lineal es linealizable tomando logaritmos
ya que haciendo el cambio de variable
v = log y tendremos que la funcin anterior nos generara:
la solucin de nuestro problema vendra de resolver la regresin lineal entre v

x, y una vez obtenida supuesta sta:
v* = A + B x ; obviamente la solucin final ser:
a = antilog A y b = antilog B.
Logartmica.
La curva logartmica
es tambin una recta, pero en lugar de
estar referida a las variables originales
, est referida a
ya
Multinomial.
La regresin multinomial analiza datos distribuidos binomial mente de la forma
donde los nmeros de ensayos Bernoulli ni son conocidos y las probabilidades de

xito pi son desconocidas. Un ejemplo de esta distribucin es el porcentaje de
semillas (pi) que germinan despus de que ni son plantadas.
El modelo es entonces obtenido a base de lo que cada ensayo (valor de i) y el
conjunto de variables explicativas/independientes puedan informar acerca de la
probabilidad final. Estas variables explicativas pueden pensarse como un
vector Xi k-dimensional y el modelo toma entonces la forma

Ing. Administrativa
Carrera:
Los logits de las probabilidades binomiales desconocidas (i.e., los logaritmos de

los odds) son modeladas como una funcin lineal de los Xi.
Note que un elemento particular de Xi puede ser ajustado a 1 para

todo i obtenindose
un intercepto en
el
modelo.
Los
parmetros
desconocidos j son usualmente estimados a travs de mxima verosimilitud.

La interpretacin de los estimados del parmetro j es como los efectos aditivos
en el log odds ratio para una unidad de cambio en la jsima variable
explicativa. En el caso de una variable explicativa dicotmica, por ejemplo
gnero, e es la estimacin del odds ratio de tener el resultado para, por decir
algo, hombres comparados con mujeres.
El modelo tiene una formulacin equivalente dada por
Esta forma funcional es comnmente identificada como un "perceptrn" de una

capa simple orred neuronal artificial de una sola capa. Una red neuronal de una
sola capa calcula una salida continua en lugar de una funcin por pedazos. La
derivada de pi con respecto a X = x1...xkes calculada de la forma general:
ESTADSTICA INFERENCIAL
Valores Esperados y Momentos.

Ing. Administrativa
Carrera:
Valores Esperados
El valor esperado es un concepto fundamental en el estudio de las distribuciones
de probabilidad. Desde hace muchos aos este concepto ha sido aplicado
ampliamente en el negocio de seguros y en los ltimos veinte aos ha sido
aplicado por otros profesionales que casi siempre toman decisiones en
condiciones de incertidumbre.
Para obtener el valor esperado de una variable aleatoria discreta, multiplicamos
cada valor que sta puede asumir por la probabilidad de ocurrencia de ese valor
y luego sumamos los productos. Es un promedio ponderado de los resultados que
se esperan en el futuro. Sea X una Variable Aleatoria que toma valores en un
conjunto discreto (en un conjunto finito de nmeros en uno infinito como: los
naturales, los enteros o los racionales), por ejemplo si la variable aleatoria X
toma los siguientes valores: X = 0, 1, 2, 3, decimos que es discreta
La probabilidad de que X tome cada uno de sus valores viene dada por la
funcin de probabilidad:
P(X = i ), para i = 0, 1, 2, 3, ;
Sea P(X = i ) = pi para i = 0, 1, 2, 3, Se tiene que p1 + p2 + p3 ++ pn +
=1
13. Valor Esperado, Varianza y Desviacin Estndar de Variables Aleatorias
Se define el Valor Esperado de una Variable Aleatoria con distribucin discreta
como: = E(X) = x xf (x)
Y para una variable aleatoria con distribucin continua como
= E(X) = ( ) xf x dx
Momento
En estadstica el momento de orden k de una variable aleatoriaX es la esperanza
matemticaE[(X E[X])k] donde E es el operador de la esperanza. Si una
variable aleatoria no tiene media el momento es indefinido.

Ing. Administrativa
Carrera:
Normalmente la letra griega para el momento central es . El primer momento

central es cero y el segundo se llama varianza () donde es la desviacin
estndar. El tercer y cuarto momentos centrales sirven para definir los
momentos estndar denominados de asimetra y de curtosis.
Distribuciones Continuas Especiales.

1. Funcin de distribucin acumulada (fda)
La funcin de distribucin acumulada (FDA) de una variable aleatoria continua
X, es el modelo terico de la curva de frecuencias acumuladas que se espera
obtener para X.
La probabilidad de que una variable aleatoria continua X, asuma un valor
menor o igual a xi, se llama FDA y se representa por:
F (x) = P (X " xi)
Para a < b : P (a " x " b) = F (b) - F (a)
F (-") = P (x " -") = 0
F (+") = P (x " +") =1
Distribucin acumulada (FDA)

2. Distribucin normal estndar

Ing. Administrativa
Carrera:
Una distribucin de una variable aleatoria normal con media, = 0 y varianza,

= 1, se llama distribucin normal estndar y es el miembro ms importante de la
familia de distribuciones normales.
Esta distribucin se obtiene creando una variable aleatoria Z
Cada valor z es el nmero de desviaciones estndar separado de la media.
Distribucin normal Multivariante

En probabilidad y estadstica, una distribucin normal Multivariante, tambin
llamada distribucin gaussiana Multivariante, es una generalizacin de la
distribucin normal unidimensional a dimensiones superiores.
Caso general
Un vector aleatorio
sigue una distribucin normal multivariante
si satisface las siguientes condiciones equivalentes:
Toda combinacin lineal

distribuida.
est normalmente

Ing. Administrativa
Hay un vector aleatorio
Carrera:
, cuyas componentes son
independientes son variables aleatorias distribuidas segn la normal

estndar, un vector
y una matriz
tal que
Hay un vector y una matriz semidefinida positiva simtrica tal que la

funcin caracterstica de X es
Si es una matriz no singular, entonces la distribucin puede describirse por la

siguiente funcin de densidad:
donde
es el determinante de . Ntese como la ecuacin de arriba se reduce a
la distribucin normal si es un escalar (es decir, una matriz 1x1).
El vector en estas circunstancias es la esperanza de X y la matriz

es la matriz de covarianza de las componentes Xi.

Ing. Administrativa
Carrera:
Es importante comprender que la matriz de covarianza debe ser singular
(aunque no est as descrita por la frmula de arriba, para la cual
est
definida).
Este caso aparece con frecuencia en estadstica; por ejemplo, en la distribucin
del vector de residuos en problemas ordinarios de regresin lineal. Ntese
tambin que los Xi son en general no independientes; pueden verse como el
resultado de aplicar la transformacin lineal Aa una coleccin de variables
normales Z.
Esta distribucin de un vector aleatorio X que sigue una distribucin normal
multivariante puede ser descrita con la siguiente notacin:
o hacer explcito que X es n-dimensional,
Inferencia Estadstica.
La inferencia estadstica o estadstica inferencial es una parte de la Estadstica
que comprende los mtodos y procedimientos para deducir propiedades
(hacerinferencias) de una poblacin, a partir de una pequea parte de la misma
(muestra).
La Teora de muestras.
La estimacin de parmetros.
El Contraste de hiptesis.
El Diseo experimental.

Ing. Administrativa
La Inferencia bayesiana.
Los mtodos no paramtricos
Carrera:
Planteamiento del problema

Suele iniciarse con una fijacin de objetivos o algunas preguntas como cul
ser la media de esta poblacin respecto a tal caracterstica?, se parecen estas
dos poblaciones?, hay alguna relacin entre..?
En el planteamiento se definen con precisin la poblacin, la caracterstica a
estudiar, las variables, etctera.
Se analizan tambin en este punto los medios de los que se dispone y el
procedimiento.la poblacin y caractersticas de estudio.
Prueba Estadstica de una Hiptesis.

El problema del contraste de hiptesis consiste bsicamente en comprobar
cotejar, decidir, en definitiva, sobre la veracidad de una hiptesis prefijada
previamente como supuestamente cierta. En trminos estadsticos, la o las
hiptesis que formulamos lo sern lgicamente sobre la poblacin. Bien
afectando a algn parmetro de sta, lo que da origen a los contrastes
paramtricos o bien a otras caractersticas de la mismas que no lo sean
estrictamente, lo que origina contrates "no" paramtricos.
La solucin estadstica del problema de contrastacin se basar en los datos
mustrales y la base estadstica (probabilstica) de la que arrancar el
contraste, de algn estadstico muestral.
Pasemos a definir los principales conceptos implicados en nuestro problema:
Regin crtica: Ser aquella regin del campo de variacin del estadstico tal
que si contiene al valor evaluado del mismo con los datos mustrales nos llevar
a rechazar la hiptesis. La designaremos por R1
Regin de aceptacin: Es la regin complementaria de la anterior. Si el valor
evaluado del estadstico pertenece a ella No rechazamos la hiptesis (las

Ing. Administrativa
hiptesis
nunca
se
aceptan
de
forma
Carrera:
definitiva,
slo
se
aceptan
provisionalmente, es decir, no se rechazan, a la espera de una nueva informacin

que eventualmente pueda llevarnos a rechazarla en el futuro). La designaremos
por R0. Evidentemente los conjuntos de puntos que forman ambas regiones son
disjuntos.
Una hiptesis estadstica (paramtrica): Es una conjetura sobre el valor

concreto que tiene en realidad. El establecer una hiptesis sobre un parmetro
H0, supone dividir los posibles valores del parmetro en dos grupos disjuntos
tales que unos son hipotticamente ciertos (H0) y los otros (H1) no lo son. A la
hiptesis que se desea contrastar se la denomina "hiptesis nula", siendo, por
tanto, el valor o valores H0 que hipotticamente consideramos reales, dicha
hiptesis viene expresada como H0. Alternativamente y consecuentemente se
establece la denominada "hiptesis alternativa" (H 1) compuesta sta por el valor
o valores 1 que en consecuencia de la eleccin y de la complementariedad de
los de la hiptesis nula, son los que, en principio, no consideramos cmo
hipotticamente reales.
El hecho de que las hiptesis, tanto la nula cmo la alternativa puedan recoger
en sus planteamientos uno o varios valores, da lugar a hiptesis de carcter
simple, si el nmero de valores plausibles e hipotticos es de uno en ambas, o
bien a hiptesis compuestas si dicho valor no es nico en alguna de ellas.
Teniendo en cuenta lo dicho anteriormente, el problema de rechazar o aceptar

una hiptesis puede plantearse como un problema de decisin, en el que
evidentemente existe la posibilidad de fracasar o acertar en la eleccin o
decisin a la hora de concluir que la hiptesis, bien nula o bien alternativa, son
rechazables o no.

Ing. Administrativa
Carrera:
El problema de decisin: rechazo/no rechazo, vendra expresado en las

siguientes opciones en forma de tabla:
Hiptesis/Accin
No Rechazamos
Rechazamos
Es cierta
Correcto
Error Tipo I
Es falsa
Error Tipo II
Correcto
Si la hiptesis nula (H0) es cierta y nuestra decisin es no rechazarla, la

decisin ha sido correcta.
Si la hiptesis nula (H0) es cierta y nuestra decisin es rechazarla, la
decisin provoca un error. Dicho error se denomina error tipo I.
Si la hiptesis nula (H0) es falsa y nuestra decisin es no rechazarla, la
decisin provoca un error. Dicho error se denomina error tipo II.
Si la hiptesis nula (H0) es falsa y nuestra decisin es rechazarla, la
decisin ha sido correcta.
Procedimiento para una prueba de hiptesis

Los pasos a seguir son:
1. Formular la hiptesis nula H0 y la alternativa H1, de acuerdo al
problema.
2. Escoger un nivel de significacin o riesgos .
3. Elegir la estadstica de prueba apropiada, cuya distribucin por muestreo
sea conocida en el supuesto de que Ho es cierta.
4. En base a H0 y H1, determinar el valor (o los valores) crticos y con ello
se establecen las regiones de aceptacin o rechazo.

Ing. Administrativa
Carrera:
5. Calcular los valores de la prueba estadstica a partir de una muestra

aleatoria de tamao n, Ho y reemplazarlos en la estadstica de prueba
elegida en el paso 3, para hallar el valor experimental.
6. Tomar la decisin de aceptar Ho si el valor experimental cae en la regin
de aceptacin y rechazarla si dicho valor cae en la regin crtica o de
rechazo.
7. Opcional: Si se rechaza H0, se puede hallar un intervalo de confianza
para el parmetro de inters.
As: conocemos que
de lo que deducimos que
de forma que la hiptesis nula es H0

De modo que la forma estadstica seria:
:.
Distribucin de la Varianza
La distribucin de la varianza de una distribucin se representa mediante
y se
define por
]
donde f(X) representa a la funcin de probabilidad y a la funcin densidad de
probabilidad, respectivamente, de la variable aleatoria.
Claramente
0 porque
, para todo X, y
, para todo X.

Ing. Administrativa
Carrera:
En palabras, la varianza es una medida de dispersin o variabilidad que no

tiene interpretacin fsica ya que est en unidades cuadradas.
Si en las frmulas anteriores desarrollamos el cuadrado del binomio y aplicamos
propiedades de las sumatorias (integrales) se llega a una expresin ms
conveniente para realizar los clculos
Anlisis de la Varianza e Intervalos de Confianza.

1. Analisis de la varianza
El anlisis de varianza es una prueba que nos permite medir la variacin de las
respuestas numricas como valores de evaluacin de diferentes variables
nominales.
La prueba a realizar es de s existe diferencia en los promedios para la los
diferentes valores de las variables nominales; esta prueba se realiza para
variables donde una tiene valores nominales y la otra tiene valores numricos.
En el siguiente ejemplo, se tiene la calificacin de una prueba a personas con
diferentes grados de escolaridad, lo que se intenta es probar si existe o no
diferencia entre el grado escolar (variable nominal ) y el promedio de la
calificacin ( variable numrica ).
Para analizar si existe diferencia en los promedios se procede a realizar una
prueba F que se explica posteriormente.
2. Intervalo de confianza
En estadstica, se llama intervalo de confianza a un par de nmeros entre los
cuales se estima que estar cierto valor desconocido con una determinada
probabilidad de acierto. Formalmente, estos nmeros determinan un intervalo,
que se calcula a partir de datos de una muestra, y el valor desconocido es un

Ing. Administrativa
Carrera:
parmetro poblacional. La probabilidad de xito en la estimacin se representa

con 1 - y se denomina nivel de confianza. En estas circunstancias, es el
llamado error aleatorio o nivel de significacin, esto es, una medida de las
posibilidades de fallar en la estimacin mediante tal intervalo
El nivel de confianza y la amplitud del intervalo varan conjuntamente, de forma
que un intervalo ms amplio tendr ms posibilidades de acierto (mayor nivel de
confianza), mientras que para un intervalo ms pequeo, que ofrece una
estimacin ms precisa, aumentan sus posibilidades de error.
Para la construccin de un determinado intervalo de confianza es necesario
conocer la distribucin terica que sigue el parmetro a estimar, . Es habitual
que el parmetro presente una distribucin normal. Tambin pueden construirse
intervalos de confianza con la desigualdad de Chebyshov.
En definitiva, un intervalo de confianza al 1 - por ciento para la estimacin de
un parmetro poblacional que sigue una determinada distribucin de
probabilidad, es una expresin del tipo [1, 2] tal que P[1 2] = 1 - ,
donde P es la funcin de distribucin de probabilidad de .
Intervalo de confianza para la media de una poblacin

De una poblacin de media y desviacin tpica se pueden tomar muestras de
n elementos. Cada una de estas muestras tiene a su vez una media ( ). Se puede
demostrar que la media de todas las medias muestrales coincide con la media
poblacional:2
Pero adems, si el tamao de las muestras es lo suficientemente grande, 3 la
distribucin de medias muestrales es, prcticamente, una distribucin normal (o
gaussiana) con media y una desviacin tpica dada por la siguiente expresin:
. Esto se representa como

Ing. Administrativa
Carrera:
Si estandarizamos:
En una distribucin Z ~ N(0, 1) puede calcularse fcilmente un intervalo dentro

del cual caigan un determinado porcentaje de las observaciones.
Aplicaciones de chi - cuadrado

La distribucin tiene muchas aplicaciones en inferencia estadstica. La ms
conocida es la de la denominada prueba utilizada como prueba de
independencia y como prueba de bondad de ajuste y en la estimacin de
varianzas. Pero tambin est involucrada en el problema de estimar la media de
una poblacin normalmente distribuida y en el problema de estimar la pendiente
de una recta de regresin lineal, a travs de su papel en la distribucin t de
Student.
Aparece tambin en todos los problemas de anlisis de varianza por su relacin
con la distribucin F de Snedecor, que es la distribucin del cociente de dos
variables aleatorias independientes con distribucin .
Regresin y Correlacin Multivariante.

Con la Regresin Lineal Simple analizamos si puede admitirse o no una relacin
de tipo lineal entre la variable independiente X y la dependiente Y . No
obstante, lo habitual es que la variable dependiente trate de expresarse en

Ing. Administrativa
Carrera:
funcin de varias variables independientes X1 , X2 , ... , Xk tambin de forma

lineal
Y = a + b1 X1+ b2 X2+ ... + bkXk
El propsito ahora de Regresin Lineal Mltiple sigue siendo, por un lado,
determinar cules de las covariables independientes X1 , X2 , ... , Xk son
significativas a la hora de explicar a la variable dependiente y, luego, estimar
los parmetros b1 , b2 , ...,bk
Con la Correlacin Multivariante estudiaremos el grado o fuerza de esa
relacin; primero, con la Correlacin Mltiple el grado de la relacin existente
entre la variable dependiente y las covariables independientes y, luego, con la
Correlacin Parcial, la fuerza de la relacin existente entre dos variables
determinadas, una vez eliminada la influencia de las dems.
Ambos anlisis estn basados, fundamentalmente, en tests de hiptesis en los
que la suposicin de normalidad de las variables en estudio, es fundamental, por
lo que, en caso de que no pueda admitirse dicha suposicin, la utilizacin de
Mtodos Robustos, se hace imprescindible.
Distribuciones No Paramtricas.
Se denominan pruebas no paramtricas aquellas que no presuponen una
distribucin de probabilidad para los datos, por ello se conocen tambin como
de distribucin libre.
En la mayor parte de ellas los resultados estadsticos se derivan nicamente a
partir de procedimientos de ordenacin y recuento, por lo que su base lgica es
de
fcil
comprensin.
Cuando trabajamos con muestras pequeas (n < 10) en las que se desconoce si

Ing. Administrativa
Carrera:
es vlido suponer la normalidad de los datos, conviene utilizar pruebas no para

mtricas.
El parmetro de centralizacin es la mediana, que es aquel punto para el que el
valor de X est el 50% de las veces por debajo y el 50% por encima.

Apuntes de Estadistica News

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Apuntes de Estadistica News

Загружено:

Авторское право:

Доступные форматы

Docente: Ing.

Guillermo Linares Snchez

Docente: Ing. Guillermo Linares Snchez

Docente: Ing. Guillermo Linares Snchez

CAPITULO 1 ELEMENTOS BSICO

Docente: Ing. Guillermo Linares Snchez

1.12 La resistencia mnima de un conjunto de resistencias en una lnea de

Docente: Ing. Guillermo Linares Snchez

Docente: Ing. Guillermo Linares Snchez

5.3 Otras medidas de variables aleatorias

CAPITULO III MODELOS PROBABILISTICOS

Docente: Ing. Guillermo Linares Snchez

Docente: Ing. Guillermo Linares Snchez

Docente: Ing. Guillermo Linares Snchez

es un conjunto, y a,b,c,d,etodos sus elementos, es comn

Docente: Ing. Guillermo Linares Snchez

Para representar que un elemento

" en ", "

pertenece a un conjunto , escribimos

pertenece a " o bien "

es un elemento de ". La negacin de

y se lee de la siguiente forma "

El conjunto universal, que representaremos como U(u mayscula), es el conjunto

Este conjunto universal puede mencionarse explcitamente, o puede darse por

conjunto vaco y que se denota por

importante de este conjunto es que todos los elementos posibles no estn

Por otro lado, si todos los elementos

Docente: Ing. Guillermo Linares Snchez

Lo anterior se lee "A es el conjunto de elementos x, que cumplen la propiedad

Por ejemplo, el conjunto:

Puede definirse por:

Donde el smbolo N representa al conjunto de los nmeros naturales.

Docente: Ing. Guillermo Linares Snchez

Diagrama de Venn que muestra

Un conjunto A se dice que es subconjunto de otro B, si cada elemento de A es

tambin elemento de B, y se denota

.y se lee de la siguiente forma el

conjunto A es un subconjunto de B Es decir:

Cabe sealar que, por definicin, no se excluye la posibilidad de que si AB, se

subconjunto propio de B, lo que se representa por

Operaciones con conjuntos

Docente: Ing. Guillermo Linares Snchez

Esto significa que

Diagrama de Venn que ilustra

el cual contiene todos los elementos de A y de B.

Docente: Ing. Guillermo Linares Snchez

Diagrama de Venn que ilustra

es el conjunto que contiene a

todos los elementos de A que al mismo tiempo estn en B:

otro conjunto llamado diferencia de A y B, representado por

Lo que significa que

Docente: Ing. Guillermo Linares Snchez

Diagramas de Venn que muestran A B y B A respectivamente.

El conjunto complemento siempre lo es respecto al conjunto universal que

Diagrama de Venn que ilustra el complemento de A, AC.

Docente: Ing. Guillermo Linares Snchez

Diagrama de Venn que ilustra la diferencia simtrica de A y B, AB.

Docente: Ing. Guillermo Linares Snchez

El experimento de Bernoulli es aquel en el que interesan solamente dos

(el evento A ocurre)

Donde la variable aleatoria de bernoulli tiene un rango o recorrido de 0 y 1 lo

Docente: Ing. Guillermo Linares Snchez

Condiciones para emplear la distribucin binomial

)=q permanecen constantes para todas y