RESUMEN ESTADSTICA DIFERENCIAL

Cesar Cifuentes

Edwin Albeiro Rodriguez

Estadstica II

Universidad Cooperativa de Colombia Ingeniera Industrial Bogot D.C 11 de agosto de 2013

Pagina 1 de 31

Estadstica En la vida diaria los diversos fenmenos de orden econmico, social, poltico, educacional e incluso biolgico, aparecen, se transforma, y finalmente desaparecen. Para tan abundante y complejo material, es preciso tener un registro ordenado y continuo y continuo a fin de conseguir en un momento dado, los catos necesarios para el estudio de los que ha sucedido, sucede o puede suceder. Para ello se requiere contar con un mtodo, o conjunto de reglas o principios, que nos permita la observacin y el ordenamiento, y cuantificacin y anlisis de dichos fenmenos. Ese mtodo se define ESTADSTICA. La palabra estadstica se refiere a un sistema o mtodo usado en una recoleccin, organizacin, anlisis y descripcin numrica de la informacin. Tambin se quiere decir que la estadstica estudia el comportamiento de los fenmenos de grupo. Estadstica y muestreo Ciro Martnez Distribucin de frecuencias Es un mtodo para organizar y resumir datos. Bajo este mtodo los datos que componen una serie se clasifican y ordenan, indicando el nmero de veces que se repite. Unas veces, se investigan todas las unidades o elementos de la poblacin; en otras ocasiones solo se toma una parte, con la cual se obtiene informacin, que quiere ser organizada y presentada en cuadros y grficas. Por la poblacin o universo se entiende un conjunto de medidas cuando estas previenen de una estadstica cuantitativa o como el recuento de todas las unidades que presentan una caracterstica comn, siendo esta cuantitativa. Tambin se puede definir a la poblacin con un conjunto de elementos o unidades. Lo cual se estudia en una unidad o elemento son sus caractersticas. Las variables se dividen en dos en discretas y continuas. Es de tener en cuenta que esta clasificacin tiene ms valor terico que practico. Las variables discretas son aquellas que admiten solamente valores enteros, es decir, no tienen valores intermedios. Las variables continuas son aquellas que admiten valores fraccionarios, pudindose establecer intervalos. se haba considerado en el primer captulo, que la estadstica tena como finalidad, entre otras, la de describir el comportamiento de un hecho o de un conjunto de

Pagina 2 de 31

observaciones, mediante la elaboracin de cuadros, grficas y la aplicacin de medidas de posicin y de dispersin, para determinar un valor considerado como normal o tpico. Las medidas de posicin o de tendencia central nos permiten determinar la posicin de un valor respecto a un conjunto de datos, el cual consideramos como representativo para el total de las observaciones. Estas medidas aplicadas a las caractersticas de las unidades de una muestra se denominan estimadores. En cambio aplicado a las caractersticas de los elementos de una poblacin se les conoce como parmetros o valores estadsticos de la poblacin. La media Es la medida de posicin ms utilizada, la ms conocida y sencilla de calcular, de gran estabilidad en el muestreo y sus frmulas admiten tratamientos algebraicos. Su desventaja principal es el ser muy sensible a los cambios que se haga en alguno de sus valores, o cuando los valores extremos son demasiado grandes o pequeos. Ejemplo: En un test realizado a un grupo de 42 personas se han obtenido las puntuaciones que muestra la tabla. Calcula la puntuacin media. xi [10, 20) [20, 30) [30,40) [40, 50) [50, 60 [60,70) [70, 80) 15 25 35 45 55 65 75 fi 1 8 10 9 8 4 2 42 xi fi 15 200 350 405 440 260 150 1 820

Pagina 3 de 31

La mediana En smbolo utilizado es M y se define como aquel valor de la variable que supera a no ms de la mitad de las observaciones y al mismo tiempo es superado por no ms de la mitad de las observaciones. La mediana es el valor central. La moda Se define como aquel valor de la variable que representa la mayor frecuencia. Cuando la distribucin contiene un nmero alto de intervalos o de marcas de clase y se quiere obtener un predio de una parte de ella, se puede dividir la distribucin en cuatro, en diez o cien partes. En el primer caso se habla de cuartiles, n el segundo se denomina deciles, y el en ultimo centiles y percentiles. Estadgrafos de dispersin Son aquellas de nos determinan como se agrupan o se dispersan los datos alrededor de un promedio. Las medidas que discutimos en el captulo anterior (media, mediana, etc), resumen una serie de cifras y ofrecen una idea general del conjunto. No permiten distinguir, sin embargo, la forma en que las distintas cifras individuales difieren de dicha medida de resumen. Varianza La varianza es la media aritmtica del cuadrado de las desviaciones respecto a la media de una distribucin estadstica. La varianza se representa por .

Propiedades de la varianza 1 La varianza ser siempre un valor positivo o cero, en el caso de que las puntuaciones sean iguales.

Pagina 4 de 31

2 Si a todos los valores de les suma un nmero la varianza no vara.

la

variable

se

3 Si todos los valores de la variable un nmero la varianza queda multiplicada por dicho nmero.

se multiplican por el cuadrado de

4 Si tenemos varias distribuciones con la misma media y conocemos sus respectivas varianzas se puede calcular la varianza total. Ejemplo Un pediatra obtuvo la siguiente tabla sobre los meses de edad de 50 nios de su consulta en el momento de andar por primera vez:

Meses Nios 9 10 11 12 13 14 15 1 4 9 16 11 8 1

1. Dibujar el polgono de frecuencias. 2. Calcular la moda, la mediana, la media y la varianza.

Pagina 5 de 31

Moda Mo = 12 Mediana 50/2 = 25 Me = 12 Media aritmtica

Varianza

La desviacin tpica Es decir, la raz cuadrada de la media de los cuadrados de las puntuaciones de desviacin. La desviacin tpica se representa por .

Propiedades de la desviacin tpica 1 La desviacin tpica ser siempre un valor positivo o cero, en el caso de que las puntuaciones sean iguales. 2 Si a todos los valores de la les suma un nmero la desviacin tpica no vara. variable se

3 Si todos los valores de la variable se multiplican por un nmero la desviacin tpica queda multiplicada por dicho nmero.

Pagina 6 de 31

4 Si tenemos varias distribuciones con la misma media y conocemos sus respectivas desviaciones tpicas se puede calcular la desviacin tpica total. Observaciones sobre la desviacin tpica 1 La desviacin tpica, al igual que la media y la varianza, es un ndice muy sensible a las puntuaciones extremas. 2 En los casos que no se pueda hallar la media tampoco ser posible hallar la desviacin tpica. 3 Cuanta ms pequea sea la desviacin la concentracin de datos alrededor de la media. tpica mayor ser

Calcular la desviacin tpica de la distribucin: 9, 3, 8, 8, 9, 8, 9, 18

Calcular la desviacin tpica de la distribucin de la tabla: xi [10, 20) [20, 30) [30,40) [40, 50) [50, 60) 15 25 35 45 55 fi 1 8 10 9 8 xi fi 15 200 350 405 440 xi2 fi 225 5000 12 250 18 225 24 200

Pagina 7 de 31

[60,70) [70, 80)

65 75

4 2 42

260 150 1 820

16 900 11 250 88 050

Los cuartiles son valores de la distribucin que la dividen en partes iguales, es decir, en intervalos, que comprenden el mismo nmero de valores. Los ms usados son los cuartiles, los deciles y los percentiles. u PERCENTILES: son 99 valores que dividen en cien partes iguales el conjunto de datos ordenados. Ejemplo, el percentil de orden 15 deja por debajo al 15% de las observaciones, y por encima queda el 85% u CUARTILES: son los tres valores que dividen al conjunto de datos ordenados en cuatro partes iguales, son un caso particular de los percentiles: - El primer cuartil Q 1 es el menor valor que es mayor que una cuarta parte de los datos - El segundo cuartil Q 2 (la mediana), es el menor valor que es mayor que la mitad de los datos - El tercer cuartil Q 3 es el menor valor que es mayor que tres cuartas partes de los datos u DECILES: son los nueve valores que dividen al conjunto de datos ordenados en diez partes iguales, son tambin un caso particular de los percentiles.

Pagina 8 de 31

Ejemplo: Dada la siguiente distribucin en el nmero de hijos (Xi) de cien familias, calcular sus cuartiles. xi ni 0 14 1 10 2 15 3 26 4 20 5 15 n=100 Solucin: 1. Primer cuartil: 2. Segundo cuartil: 3. Tercer cuartil: Ni 14 24 39 65 85 100

Asignacin de Probabilidad Por las propiedades demostradas en la seccin anterior, es suficiente conocer la probabilidad de los sucesos elementales, ya que, entonces, se podr determinar la de cualquier otro suceso.

Pagina 9 de 31

As, en el ejemplo del Lanzamiento de un Dado, si la probabilidad de obtener un 1 es, pl, la de un 3 , p2, y la de un 5, p 3, la del suceso obtener un nmero impar, el cual corresponde a 28 en el conjunto de los sucesos, ser, por la propiedad 2, p1 + p2 + p3 . Es decir, el problema radica en asignar una probabilidad a los sucesos elementales: Asignar un nmero entre 0 y 1 a cada uno de los sucesos elementales, de tal forma que su suma sea 1. En principio, cualquier asignacin que cumpla los tres axiomas mencionados en la definicin de probabilidad es vlida. No obstante, el propsito del clculo de probabilidades, como soporte de la Estadstica, es el de construir un esquema matemtico que refleje de la forma ms exacta posible el fenmeno aleatorio real que estemos estudiando, por lo que la asignacin de probabilidad que elijamos debe ser lo ms ajustada posible a la realidad que estamos observando. As, en el ejemplo del Lanzamiento de un Dado la asignacin razonable ser la de

P(1) = P(2) = P(3) = P(4) = P(5) = P(6) = Espacio Muestral Un espacio muestral, denotado por un conjunto de puntos tales que: 1. Cada elemento de

, asociado con un experimento aleatorio es

denota un resultado del experimento, y

2. Cualquier ejecucin de el experimento da lugar a un resultado que corresponde exactamente a un elemento de .

Los elementos del espacio muestral son llamados puntos muestrales.ral De acuerdo a la naturaleza de los elementos que conforman un espacios muestral, este se puede clasificar en: Discreto: Se dice que un espacio muestral es discreto si al enumerar sus elementos, estos nmeros pueden ponerse en una correspondencia uno a uno con el conjunto de los enteros positivos o cuando contiene un nmero contable de elementos. Contnuo: Se dice que un espacio muestral es continuo si sus resultados consisten de todos los puntos de un intervalo de nmeros reales, o todos los puntos de un plano, o en general algn rectngulo en el espacio dim Los espacios muestrales

Pagina 10 de 31

considerados en los ejemplo 9, 10 y 13 son todos discretos. el del ejemplo 11 es continuo

Ejemplo Lanzamiento de monedas. 1. Una moneda es lanzada una vez. Entonces el resultado cara y denota sello. 2. Si la misma moneda es lanzada .donde dos denota veces,

entonces . 3. Ahora si contamos el nmero de caras en el resultado del caso (a) y (b), entonces muestrales Reglas de Probabilidad Existen tres reglas fundamentales para resolver problemas en donde se desea determinar la probabilidad de un suceso si se conocen las probabilidades de otros sucesos que estn relacionados con l. Estas dos reglas son : Regla de la Adicin , Probabilidad Condicional y Regla de la Multiplicacin o Probabilidad Conjunta . Existe otra regla muy importante que es El Teorema de Bayes, pero en esta Unidad dedicaremos un aparte especial a ella. y como los respectivos espacios

Regla de la Adicin: Esta regla expresa la probabilidad de que ocurran dos o ms sucesos a la vez, P ( A U B). Puede presentarse de dos formas: para conjuntos para conjuntos mutuamente excluyentes. Veamos: con interseccin y

Para conjuntos con Interseccin:

Pagina 11 de 31

Esto se debe a que sumamos la probabilidad de A ms la probabilidad de B , pero como ya habamos sumado la interseccin, entonces la restamos.

Para conjuntos con Mutuamente excluyentes:

En este caso, no hay ningn problema en sumar ambas probabilidades.

Ejemplo 1: Se lanzan un dado. Usted gana $ 3000 pesos si el resultado es par divisible por tres Cul es la probabilidad de ganar ? Lo que primero hacemos es definir los sucesos : Sea A = resultado par : A = { 2, 4, 6 } Sea B = resultado interseccin ? divisible por 3 : B = { 3, 6 } . Ambos sucesos tienen

Luego,

Ejemplo 2 : Se tiene una baraja de cartas ( 52 cartas sin jockers), Cul es la probabilidad de sacar una Reina un As ? Sea A = sacar una reina y sea B = sacar un as, entonces :

Pagina 12 de 31

NOTA: Si observas esta regla, puedes notar que se fuertemente con la Unin entre conjuntos ( ) y es una suma.

relaciona

Probabilidad Condicionada: Es la probabilidad de obtener un suceso, dado que ya ocurri otro. Es decir, si tenemos los sucesos A y B que pertenecen a un mismo espacio muestral S , y si la P (A) es diferente de cero, entonces esta probabilidad que esta designada por :

Para calcular esta probabilidad es necesario conocer tanto la probabilidad marginal de uno de los sucesos (P(A) ) como la probabilidad de la interseccin de ambos ( o la probabilidad cuando ocurran los dos sucesos a la vez ).

Ejemplo 3 : La probabilidad de que una persona tenga una cuenta de ahorros es de 0,65 y la probabilidad de que invierta en un CDT y ahorre en una cuenta de ahorros es de 0,30. Se seleccion una persona al azar y result tener una cuenta de ahorros Cul es la probabilidad de que tenga tambin un CDT ? Sea A = tener una cuenta de ahorros , B = tener un CDT

Pagina 13 de 31

DIAGRAMA DE ARBOL. Un diagrama de rbol es una representacin grfica de un experimento que consta de r pasos, donde cada uno de los pasos tiene un nmero finito de maneras de ser llevado a cabo.

Ejemplo Una universidad est formada por tres facultades:

La 1 con el 50% de estudiantes. La 2 con el 25% de estudiantes. La 3 con el 25% de estudiantes.

Las mujeres estn repartidas uniformemente, siendo un 60% del total en cada facultad.

Probabilidad de encontrar una alumna de la primera facultad?

Pagina 14 de 31

Probabilidad de encontrar un alumno varn?

pero tambin podra ser lo contrario. Probabilidad de encontrar una alumna de la primera facultad?

Pagina 15 de 31

Probabilidad de encontrar un alumno varn?

pero tambin podra ser lo contrario.

Probabilidad Condicional La probabilidad de que un evento ocurra cuando se sabe que ya ocurrio un

evento se llama probabilidad condicional y se denota por que por lo general se lee como probabilidad de que "ocurra B dado que ocurri A". Esta probabilidad se define como:

La probabilidad condicional es una funcin de probabilidad,

definida como

Es

una funcin de probabilidad?

Pagina 16 de 31

es una funcin de probabilidad porque satisface los tres axiomas Axioma I para todo evento Como .

entonces dividiendo por

se tiene los trminos de la desigualdad se tiene

Axioma II

Como

Axioma III Si es una sucesin de eventos mutuamente excluyentes, entonces

Como

Pagina 17 de 31

como

los eventos

son

mutuamente

excluyentes, entonces los

eventos

son tambin mutuamente excluyentes y as

Ejemplo 1. La antena de una instalacin de radar recibe, con probabilidad , una seal til

con una interferencia superpuesta, y con probabilidad solo la interferencia pura. Al suceder una seal til interferida, la instalacin indica la existencia de cualquier seal con probabilidad , cuando aparece una interferencia pura con la probabilidad . S la instalacin ha indicado la existencia de cualquier seal, determinar la probabilidad de que esta indicacin haya sido ocasionada por una seal til con interferencia superpuesta. Solucin:

Pagina 18 de 31

Sean U: el evento la seal es til con interferencia superpuesta I : el evento la seal es til con interferencia pura S: el evento que indica ocurre una seal Con base en el diagrama , la probabilidad se puede calcular as:

Teorema de Bayes El Teorema de Bayes viene a seguir el proceso inverso al que hemos visto en el Teorema de la probabilidad total: Teorema de la probabilidad total: a partir de las probabilidades del suceso A (probabilidad de que llueva o de que haga buen tiempo) deducimos la probabilidad del suceso B (que ocurra un accidente). Teorema de Bayes: a partir de que ha ocurrido el suceso B (ha ocurrido un accidente) deducimos las probabilidades del suceso A (estaba lloviendo o haca buen tiempo?). La frmula del Teorema de Bayes es:

Pagina 19 de 31

Tratar de explicar estar frmula con palabras es un galimatas, as que vamos a intentar explicarla con un ejemplo. De todos modos, antes de entrar en el ejercicio, recordar que este teorema tambin exige que el suceso A forme un sistema completo.

Ejercicio 1: El parte meteorolgico ha anunciado tres posibilidades para el fin de semana: a) Que llueva: probabilidad del 50%. b) Que nieve: probabilidad del 30% c) Que haya niebla: probabilidad del 20%. Segn estos posibles estados meteorolgicos, la posibilidad de que ocurra un accidente es la siguiente:

a) Si llueve: probabilidad de accidente del 10%. b) Si nieva: probabilidad de accidente del 20% c) Si hay niebla: probabilidad de accidente del 5%. Resulta que efectivamente ocurre un accidente y como no estabamos en la ciudad no sabemos que tiempo hizo (nev, llovo o hubo niebla). El teorema de Bayes nos permite calcular estas probabilidades: Las probabilidades que manejamos antes de conocer que ha ocurrido un accidente se denominan "probabilidades a priori" (lluvia con el 60%, nieve con el 30% y niebla con el 10%). Una vez que incorporamos la informacin de que ha ocurrido un accidente, las probabilidades del suceso A cambian: son probabilidades condicionadas P (A/B), que se denominan "probabilidades a posteriori". Vamos a aplicar la frmula:

Pagina 20 de 31

a) Probabilidad de que estuviera lloviendo:

La probabilidad de que efectivamente estuviera lloviendo el da del accidente (probabilidad a posteriori) es del 71,4%. b) Probabilidad de que estuviera nevando:

La probabilidad de que estuviera nevando es del 21,4%. c) Probabilidad de que hubiera niebla:

La probabilidad de que hubiera niebla es del 7,1%.

Distribucin Binomial Notacin:

Definicin Es una de las distribuciones de probabilidad ms tiles ( control de calidad, produccin, investigacin). Tiene que ver con el experimento aleatorio que produce en cada ensayo o prueba uno de dos resultados posibles mutuamente excluyentes: ocurrencia de un criterio o caracterstica especfico (llamado xito) y no ocurrencia de ste (llamado fracaso). Los trminos o calificativos de "xito y fracaso" son solo etiqutas y su interpretacin puede no corresponder con el resultado positivo o negativo de un experimento en la realidad. Ejemplo

Pagina 21 de 31

xito podra ser hallar en un ensayo especfico que la unidad es defectuosa al examinarla. Cada experimento aleatorio consiste en una serie de ensayos o pruebas repetidas realizadas en idnticas condiciones ( uno de ellos es independiente de los dems. Sea veces), o sea que cada

la probabilidad de xito cada vez que el experimento se realiza y ensayos o pruebas. El inters se centra en conocer la xitos en esos ensayos.

la probabilidad de fracaso. Sea X la variable aleatoria que representa el nmero de xitos en los probabilidad de obtener exactamente

Ejercicios 1. Una empresa fabricante de neumticos para tractomulas realiza pruebas de ponchaduras en un terreno difcil. Se encuentra que el de los neumticos probados presentaron pinchazo en el recorrido total. Se prueban 15 neumticos ms tomados al azar: Halle la probabilidad de las siguientes cantidades de neumticos con pinchaduras : Entre 3 a 6 . Mas de 5 . Distribucin Hipergeomtrica Notacin:

Definicin Muchas veces en la prctica es difcil realizar pruebas con reposicin reemplazamiento. Por ejemplo, si en el control de calidad se pierde el elemento que se prueba, pues no se puede hacer reposicin directamente. Se planta entonces la prueba sin reposicin, donde los elementos de la muestra se toman

Pagina 22 de 31

todos a la vez y no individualmente donde el elemento seleccionado no se reintegra al experimento a la muestra nuevamente. La diferencia mas simple con la binomial es la forma de aplicar el muestreo. En efecto, en: : Muestreo con reemplazamiento e independencia de pruebas ensayos. : Muestreo sin reemplazamiento y sin independeencia entre pruebas ensayos. Sus aplicaciones estan en areas con uso considerable de muestreo de aceptacin, pruebas electronicas y de aseguramiento de la calidad, fabricacin de piezas, etc.

Definicin En la distribucin Hipergeomtrica tamao y de la cual cantidad de resultados xitos en una , tomada de una poblacin de

muestra aleatoria (sin reposicin) de tamao del muestreo y no la satisface (fracaso).

satisface una caracteristica propiedad (xito) antes

Criterios propiedades que la caracterizan. 1. La poblacin del conjunto de unidades elementos es de orden fnito,

de los cuales una parte: "son xitos", y otra parte: son "fracasos". 2. Cada elemento puede ser caracterizado como xito fracaso. 3. Se obtiene una muestra aleatoria de elementos todos a la vez (sin reemplazamiento) y no de forma independiente. No son pruebas repetidas. 4. El tamao de la muestra aleatoria es grande relativamente en

comparacin con el tamao de la poblacin. Generalmente: 5. Se busca la probabilidad de resultados elementos y nmero de xitos a partir de los fracasos a partir de los elementos

asi clasificados, al obtener una muestra aleatoria de tamao

Pagina 23 de 31

6. Ejemplo En una empresa industrial diariamente se producen 90 unidades de unidad metalmecnica, de las cuales generalmente 5 salen defectuosas. Se examina en un dia cualquiera una muestra de 5 unidades. Hallar la probabilidad de unidades defectuosas.

para

que resolviendo permite definir la tabla de distribucin de probabilidad:

Si representamos grficamente la tabla resultante, tenemos:

Calculamos el valor de sus principales medidas caractersticas: Media: =

Que simplificadamente:

Varianza:

Pagina 24 de 31

 tambin.

y que an de forma mas simplificada:

Sesgo: Hacia la derecha positivo como se v grficamente. Adems, aqui: pues y pues

Distribucin Poisson Notacin: X Llamada asi por su autor Simon Denis Poisson, probabilista del siglo XIX, pues fue el primero en describirla. Es una generalizacin de la distribucin binomial cuando sobre un . se define una variable aleatoria que representa el nmero de xitos independientes que ocurren para intervalos de medida especficos ( tiempos, lugares, espacios) , ademas con una probabilidad de ocurrencia pequea. Se le llama distribucin de los "eventos raros" pues se usa como aproximacin a la binomial cuando el tamao de muestra es grande y la proporcin de xitos es pequea. Esos intervalos de medida pueden referirse a: Tiempo: (Segundo , minuto, hora, dia, semana, etc.) Area: (Segmento de linea, pulgada cuadrada, Centimetro cuadrado, etc). Volumen:( Litro, galn, onza, etc.) Ejemplo El nmero promedio de partculas radioactivas que registra un contador en un milisegundo en la realizacin de un experimento aleatorio es de cinco (5) partculas. Hallar la probabilidad de que se registre distinto nmero de partculas en un mismo milisegundo.

Pagina 25 de 31

Acudiendo a las tablas existentes para tal fn a los medios electrnicos, se llega a construir la tabla de distribucin de probabilidades, dando:

y valores de

ms grandes pero con probabilidad mas pequea. Se nota el punto y y no es tan sesgada a la derecha por el valor

de inflexin entre

Caractersticas de la distribucin de Poisson Valor Esperado: Varianza: Forma sesgo: Hacia la derecha con sesgo positivo y que se va perdiendo a medida que crece. Veamos una grfica de funciones de probabilidad para diferentes valores de , el cual debe ser conocido.

Se puede calcular un coeficiente de asimetra mediante la expresin observar que mientras en una distribucin binomial: puede dar que Alternativa: Si se da la probabilidad de tener, de manera exacta,

Es de

en Poisson se

ocurrencias en

un intervalo veces mayor que el de refencia en la medicin entonces la distribucin de probabilidades de Y nmero de xitos en la nueva unidad de referencia viene dada por

Pagina 26 de 31

donde

Promedio de ocurrencias por intervalo unidad de medida Nmero de intervalos unidades de medida

considerada en X y especificados. Aqui Ejemplo y

El nmero de pulsos que llegan a un contador GEIGER se presentan en promedio de 6 pulsos por minuto. Hallar la probabilidad de que en 15 minutos se reciban exactamente 20 pulsos.

es decir, que una frecuencia de 6 pulsos por minuto es eqyivalente a una de 1 por minutos.

Distribucin normal Importancia de la distribucin normal La distribucin normal es de suma importancia en estadstica por tres razones principales: 1. Numerosas variables continuas de fenmenos aleatorios tienden a comportarse probabilisticamente mediante sta. 2. Es el lmite al que convergen tanto variables aleatorias continuas como discretas. 3. Proporciona la base de la inferencia estadstica clsica debido a su relacin con el teorema del lmite central. Propiedades de la distribucin normal 1. Su grafica tiene forma acampanada. 2. El valor esperado, la mediana y la moda tienen el mismo valor cuando la variable aleatoria se distribuye normalmente.

Pagina 27 de 31

3. Su dispersin media es igual a 1.33 desviacines estndar. Es decir, el alcance intercuartil est contenido dentro de un intervalo de dos tercios de una desviacin estndar por debajo de la media a dos tercios de una desviacin estndar por encima de la media. En la prctica, algunas de las variables que observamos slo pueden aproximar estas propiedades. As que si el fenmeno puede mediarse aproximadamente mediante la distribucin normal se tendr: 1. Que el polgono puede verse en forma de campana y simtrico. 2. Sus mediciones de tendencia central tienen bastante parecido. 3. El valor intercuartil puede diferir ligeramente de 1.33 desviaciones estndar. 4. El dominio de la variable aleatoria normalmente distribuida generalmente caer dentro de 3 desviaciones estndar por encima y por debajo de la media. El modelo matemtico

El modelo o expresin matemtica que representa una funcin de densidad de probabilidad se denota mediante el smbolo tiene la siguiente funcin de probabilidad. . Para la distribucin normal, se

donde es la constante matemtica aproximada por 2.71828 es la constante matemtica aproximada por 3.14159

Parmetros es cualquier valor de la variable aleatoria continua, donde

Pagina 28 de 31

As,

A continuacin se presentan las grficas de las funciones de densidad Normal con el objetivo de observar cambios en la distribucin de probabilidad: caso 1: Cuando se mantiene la misma media, pero cambia la varianza.

Pagina 29 de 31

Conclusin. La estadstica es herramienta que nos proporciona un conjunto de mtodos y procedimientos que nos permiten recopilar informacin, clasificar, encontrar las caractersticas de los datos y hacer una buena interpretacin de los mismos, para poder emitir una buena interpretacin respecto a un tema de inters. En pocas palabras la Estadstica descriptiva nos permite hacer una buena descripcin de las caractersticas de un conjunto de datos respecto a un tema en particular, ya que de forma cotidiana la utilizamos y muchas veces hasta inconscientemente utilizamos las estadsticas en su forma ms bsica.

Pagina 30 de 31

Bibliografa

Estadstica y muestreo " Ciro Martnez"

Web grafa http://www.monografias.com/trabajos91/acerca-estadistica/acercaestadistica.shtml http://www.virtual.unal.edu.co/cursos/ciencias/2001065/html/un3/cont_306_ 84.html.

Pagina 31 de 31