Distribucion de Probabilidades Completo Total11

Control de calidad Aplicado a la Ingeniera [ESTADISTICA INFERENCIAL]
< Ing. Edmundo Alarcn Cceres > 1

MDULO 5: CONCEPTOS PROBABILSTICOS
AZAR y DESCONOCIMIENTO.
El azar est relacionado con el desconocimiento. Un ejemplo nos puede ayudar; piense en un
proceso industrial que produce grandes cantidades de un artculo determinado. No todos los
artculos producidos son idnticos, cada artculo puede calificarse como "bueno'' o "defectuoso''.
Si de toda la produccin se escoge un artculo "a ciegas'', ese artculo puede resultar bueno o
defectuoso. Esta es una situacin azarosa (o aleatoria) y la parte esencial de este azar es que no
sabemos si el artculo seleccionado es defectuoso. Claro que con experiencia en el proceso es
posible cuantificar de una manera numrica qu tan probable es que el artculo sea defectuoso o
n.
AZAR e INCERTIDUMBRE.
Hay otro concepto asociado al azar y es el de incertidumbre. Veamos un ejemplo. Respecto a una
inversin, podemos estar contemplando invertir una cantidad de dinero. El retorno sobre la
inversin puede ser fijo, como en el caso de una cuenta en un banco con inters fijo; pero
pensemos en una empresa. El negocio puede resultar desde un gran xito hasta un fracaso, es
decir, la ganancia no es fija, sino que depende del xito a obtener. Si no podemos evaluar qu tan
factible es cada monto posible de la ganancia, tenemos una situacin de incertidumbre. Por el
contrario, si podemos tener una idea de qu tan probables son los diferentes resultados y
entonces tendremos una situacin de riesgo. Esta ltima es la que llamamos aleatoria o azarosa.
DEFINICIONES
Probabilidad: valor entre cero y uno, inclusive, que describe la posibilidad relativa de que ocurra
un evento.
Experimento: proceso que conduce a la ocurrencia de una de varias observaciones posibles.
Resultado: lo que resulta en particular de un experimento.
Evento: conjunto de uno o ms resultados de un experimento.
ENFOQUES DE LA PROBABILIDAD
Probabilidad clsica se basa en la consideracin de que los resultados de un experimento son
igualmente posibles. Utilizando el punto de vista clsico, tenemos lo siguiente:

ESPACIO MUESTRAL Y PROBABILIDAD.
El prrafo anterior se resume diciendo que en las situaciones o experimentos aleatorios tenemos
dos elementos esenciales:
Una lista de posibilidades a futuro: espacio muestral
Una cuantificacin de la incertidumbre sobre esa lista de posibilidades: asignacin de
probabilidades.
Cualquier problema o situacin en la probabilidad, parte de esos dos elementos: Espacio
Muestral y Probabilidades.
ESPACIO MUESTRAL (S).
El espacio muestral es el conjunto de todos los posibles resultados de un experimento o situacin
aleatoria.


S = : { a
1
, a
2
, a
3
, ..., a
n
}
Ejemplo: Si en una caja hay 10 manzanas y 2 estn echadas a perder, al extraer tres manzanas y
ver cuantas son buenas podemos obtener 1, 2 o 3 buenas (0 buenas es imposible!). De modo
que en este ejemplo el espacio muestral es: S = { 1, 2, 3 }.
Ejemplo: Considere el experimento de lanzar dos monedas al mismo tiempo.
El espacio muestral S = {CC, CS, SC, SS}
Considere el evento de una cara.
Probabilidad de una cara = 2/4 = 1/2
EVENTOS o SUCESOS.
Cuando se tiene un espacio muestral llamamos, formalmente evento o suceso a cualquier
subconjunto del espacio muestral.
Decimos que un suceso se realiza, cuando el resultado del experimento aleatorio es uno de los
sucesos posibles.
Eventos mutuamente excluyentes: la ocurrencia de cualquier evento implica que ningn otro
puede ocurrir al mismo tiempo.
En el anterior, los cuatro resultados posibles son mutuamente excluyentes.
Eventos colectivamente exhaustivos: por lo menos uno de los eventos debe ocurrir cuando se
realiza un experimento.
En el EJEMPLO, los cuatro resultados posibles son colectivamente exhaustivos.
En otras palabras, la suma de las probabilidades es = 1 = (0.25 + 0.25 + 0.25 + 0.25)
Concepto de frecuencias relativas.
La probabilidad de que un evento ocurra a largo plazo se determina observando en qu fraccin
de tiempo sucedieron eventos semejantes en el pasado:

Ejemplo: A lo largo de su carrera, el profesor de fsica ha otorgado 186 calificaciones de A entre
sus 1200 estudiantes.
Cul es la probabilidad de que un estudiante de su clase en este semestre reciba una A?
Aplicando el concepto de frecuencias relativas, la probabilidad de una A es:
186 /1200 = 0.155
Probabilidad subjetiva: la posibilidad (probabilidad) de que suceda un evento especfico que
asigna una persona con base en cualquier informacin disponible.
Ejemplos de la probabilidad subjetiva son estimar la probabilidad de que los Salgado de Salta
ganen la Lotera el prximo ao y estimar la probabilidad de que ocurra un terremoto en Los
ngeles este ao.
Reglas bsicas de probabilidad
Si los eventos son mutuamente excluyentes, la ocurrencia de cualquier evento impide que otro
evento ocurra.


Reglas de adicin: Si dos eventos A y B son mutuamente excluyentes, la regla especial de
adicin indica que la probabilidad de que ocurra A o B es igual a la suma de sus probabilidades
respectivas:
P(A o B) = P(A) + P(B)
Ejemplo: Aerolneas Argentinas acaba de proporcionar la siguiente informacin de sus vuelos de
Buenos Aires a Rosario:
Llegada Frecuencia
Antes de tiempo 100
A tiempo 800
Demorado 75
Cancelado 25
Total 1000
Si A es el evento de que un vuelo llegue antes de tiempo, entonces: P(A) = 100 /1000 = 0.1
Si B es el evento de que un vuelo llegue demorado, entonces: P(B) = 75 /1000 = 0.075
La probabilidad de que un vuelo llegue antes de tiempo o demorado es:
P(A o B) = P(A) + P(B) = 0.1 + 0.075 = 0.175
Regla del complemento: La regla del complemento se utiliza para determinar la probabilidad de
que ocurra un evento restando del nmero 1 la probabilidad de que un evento no ocurra.
Si P(A) es la probabilidad del evento A y P(~A) es el complemento de A,
P(A) + P(~A) = 1 o P(A) = 1 - P(~A).
Diagrama de Venn que ilustra la regla del complemento:

Ejemplo: Si C es el evento de que un vuelo llegue a tiempo, entonces: P(C) = 800 /1000 = 0.8
Si D es el evento de que un vuelo sea cancelado, entonces: P(D) = 25 /1000 = 0.025
Utilice la regla del complemento para mostrar que la probabilidad de que el vuelo llegue antes de
tiempo (A) o demorado (B) es: P(A o B) = 1 - P(C o D) = 1 - [0.8 + 0.025] = 0.175

Regla general de adicin
Si A y B son dos eventos que no son mutuamente excluyentes, entonces P(A o B) se calcula con
la siguiente frmula:
P(A o B) = P(A) + P(B) - P(A y B)
Diagrama de Venn que ilustra esta regla:


Ejemplo: En una muestra de 500 estudiantes, 320 dijeron tener un estreo, 175 dijeron tener una
TV y 100 dijeron tener ambos:

Si un estudiante es seleccionado aleatoriamente, cul es la probabilidad de que tenga slo un
estreo, slo una TV y uno de cada uno?
P(S) = 320 /500 = 0.64
P(T) = 175 /500 = 0.35
P(S y T) = 100 /500 = 0.20
Si un estudiante es seleccionado aleatoriamente, cul es la probabilidad de que tenga un estreo
o una TV en su habitacin?
P(S o T) = P(S) + P(T) - P(S y T) = 0.64 +0.35 - 0.20 = 0.79
Regla especial de multiplicacin.
La regla especial de multiplicacin requiere que dos eventos A y B sean independientes.
Dos eventos A y B son independientes si la ocurrencia de una no afecta la probabililidad de
ocurrencia del otro. La regla especial se escribe:
P(A y B) = P(A) * P(B)
Ejemplo: Chris posee dos inventarios independientes uno de otro. La probabilidad de que el
inventario A aumente su valor el prximo ao es 0.5; La probabilidad de que el B aumente el suyo
es 0.7 Cul es la probabilidad de que ambos aumenten su valor el prximo ao?
P(A y B) = (0.5)(0.7) = 0.35
Cul es la probabilidad de que al menos uno aumente su valor el prximo ao (esto implica que
cualquiera de los dos o ambos aumenten)?
As, P(A)(al menos uno) = (0.5)(0.35) + (0.5)(0.7) + (0.7)(0.5) = 0.875
As, P(B)(al menos uno) = (0.7)(0.35) + (0.5)(0.7) + (0.7)(0.5) = 0.945
Probabilidad conjunta: Probabilidad conjunta es una probabilidad que mide la posibilidad de que
dos o ms eventos ocurran juntos.
Un ejemplo sera el hecho de que un estudiante tenga tanto un estreo como una TV en su
habitacin.
Probabilidad condicional: Probabilidad condicional es la probabilidad de que ocurra un evento
en particular, dado que ocurri otro evento.
NOTA: la probabilidad de que ocurra el evento A dado que ya ocurri B se denota como P(A|B).
Regla general de multiplicacin

A
B
A y B

Estreo
320
TV
175
Ambos
100


La regla general de multiplicacin se utiliza para determina la probabilidad conjunta de que
ocurran dos eventos y establece: para dos eventos A y B, la probabilidad conjunta que ambos
ocurran se encuentra multiplicando la probabilidad de A por la probabilidad condicional de B dado
que A ocurri.
La probabilidad conjunta, P(A y B) est dada por la siguiente frmula:
P(A y B) = P(A) * P(B|A) o P(A y B) = P(B) * P(A|B)
Ejemplo: La directora de la escuela de administracin en Miami recolect la siguiente informacin
acerca de los estudiantes de licenciatura del colegio:
rea Hombre Mujer Total
Contabilidad 170 110 280
Finanzas 120 100 220
Mercadotecnia 160 70 230
Administracin 150 120 270
Total 600 400 1000
Si un estudiante se selecciona al azar, cul es la probabilidad de que el estudiante sea mujer del
rea de contabilidad?
P(A y F) = 110 / 1000.
Dado que la estudiante es mujer, cul es la probabilidad que est en el rea de contabilidad?
P(A|F) = [P(A y F)] / [P(F)] = [110 / 1000] /[400 / 1000] = 0.275
Diagrama de rbol.
El diagrama de rbol es muy til para visualizar las probabilidades condicional y conjunta y en
particular para el anlisis de decisiones administrativas que involucran varias etapas.
Ejemplo: una bolsa contiene 7 fichas rojas (R) y 5 azules (B), se escogen 2 fichas, una despus
de la otra sin reemplazo. Construya el diagrama de rbol con esta informacin.

Teorema de Bayes
R1
7/12
5/12
B1
6/11
5/11
7/11
4/11
R2
B2
R2
B2


Las formulas de Bayes nos permiten calcular la probabilidad condicional de un evento cualquiera
perteneciente a una familia de eventos exhaustivos y mutuamente excluyentes, si sabemos que
ha ocurrido un evento B del espacio, siempre que P(A
i
) y P(B/A
i
) sean conocidas.
El Teorema de Bayes se apoya en el proceso inverso del Teorema de la Probabilidad Total, el
cual indica que 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). Por lo
tanto, el 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?).
El teorema de Bayes se representa con la frmula:

Ejemplo: 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 20%.
b) Si nieva: probabilidad de accidente del 10%
c) Si hay niebla: probabilidad de accidente del 5%.
Resulta que efectivamente ocurre un accidente y como no estbamos en la ciudad no sabemos
que tiempo hizo (llovo, nev 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 50%, nieve con el 30% y niebla con el 20%).
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:

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%
Ejemplo: La compaa Duff Beer ha recibido varias quejas debido a que sus botellas no van bien
llenas. Una queja fue recibida hoy pero el gerente de produccin no puede identificar cul de las
dos plantas Springfield (A o B) llen esta botella. Cul es la probabilidad de que la botella mal
llenada haya salido de la planta A?
Plantas Springfield % de produccin total % de faltante en botellas
A1 (A) 55 3
A2 (B) 45 4

Algunos principios de conteo.
Frmula de la multiplicacin: si hay m modos de hacer una cosa y n formas de hacer otra,
existen m x n formas de hacer ambas.
Ejemplo: el Doctor Priss tiene 10 camisas y 8 corbatas. Cuntos conjuntos de camisas
/corbatas tiene?
(10)(8) = 80
Permutacin: un arreglo de r objetos seleccionados a partir de un grupo nico de n objetos
posibles.
NOTA: el orden del arreglo es importante en las permutaciones.

Combinacin: el nmero de modos para elegir r objetos de un grupo de n objetos sin considerar
el orden.

Ejemplo: El entrenador Alexis tiene que elegir 5 jugadores entre los doce del equipo para incluirlos
en alineacin.
Cuntos grupos diferentes se pueden formar?
12
C
5
= ( 12! ) / [ 5! ( 12 - 5 )! ] =792
Suponga que el entrenador Alexis debe clasificarlos en orden:
12
P
5
= ( 12! ) / ( 12 - 5 )! = 95,040
MDULO 6: DISTRIBUCIONES PROBABILSTICAS DISCRETAS
Variables aleatorias
Una variable aleatoria es un valor numrico determinado por el resultado de un experimento.
Ejemplo: considere un experimento aleatorio en el que se lanza tres veces una moneda. Sea X el
nmero de caras. Sea H el resultado de obtener una cara y T el de obtener una cruz.
El espacio muestral para este experimento ser: TTT, TTH, THT, THH, HTT, HTH, HHT, HHH.
Entonces, los valores posibles de X (nmero de caras) son x = 0, 1, 2, 3.
El resultado cero caras ocurri una vez.


El resultado una cara ocurri tres veces.
El resultado dos caras ocurri tres veces.
El resultado tres caras ocurri una vez.
De la definicin de variable aleatoria, la X definida en este experimento, es una variable aleatoria.
Distribuciones probabilsticas
Una distribucin probabilstica es la enumeracin de todos los resultados de un experimento junto
con las probabilidades asociadas.
Para el Ejemplo anterior,
Nmeros de caras Probabilidad de los resultados
0 1/8 = 0.125
1 3/8 = 0.375
2 3/8 = 0.375
3 1/8 = 0.125
total 8/8 = 1
Caractersticas de una distribucin probabilstica
La probabilidad de un resultado siempre debe estar entre 0 y 1.
La suma de todos los resultados mutuamente excluyentes siempre es 1.
Variable aleatoria discreta
Una variable aleatoria discreta es una variable que puede tomar slo ciertos valores diferentes
que son el resultado de la cuenta de alguna caracterstica de inters.
Ejemplo: sea X el nmero de caras obtenidas al lanzar 3 veces una moneda. Aqu los valores de X
son X = 0, 1, 2, 3
Variable aleatoria contnua.
La media: Indica la ubicacin central de los datos. Es el promedio, a la larga, del valor de la
variable aleatoria, tambin se conoce como el valor esperado, E(x), en una distribucin de
probabilidad. Es un promedio ponderado.
La media se calcula con la frmula:
Varianza de una distribucin probabilstica discreta: La varianza mide la cantidad de
dispersin (variacin) de una distribucin. La varianza de una distribucin discreta se denota por la
letra griega
2
(sigma cuadrada).
La desviacin estndar se obtiene tomando la raz cuadrada de
2

La variancia de una distribucin de probabilidad discreta se calcula a partir de la frmula:

Donde representa la media y P(x) es la probabilidad de los diferentes resultados X.
Ejemplo: Dan Desch, propieatario de College Painters, estudi sus registros de las ltimas 20
semanas y obtuvo los siguientes nmeros de casas pintadas por semana:
# de casas pintadas semanas
10 5
11 6
12 7
13 2
TOTAL 20


Distribucin probabilstica:
# de casas pintadas, X Probabilidad, P(X)
10 5/20 = 0.25
11 6/20 = 0.30
12 7/20 = 0.35
13 2/20 = 0.10
Total 20/20 = 1.00
Calcule el nmero medio de casas pintadas por semana:

= (10)(0.25)+(11)(0.30)+(12)(0.35)+(13)(0.10) = 11.3
Calcule la variancia del nmero de casas pintadas por semana:

2
= 0.4225 + 0.0270 + 0.1715 + 0.2890

2
= 0.91
Distribucin probabilstica binomial.
Las distribucin binomial es parte de la distribucin de Bernouilli debido a que la distribucin de
Bernouilli se aplica cuando se realiza una sola vez un experimento que tiene nicamente dos
posibles resultados (xito o fracaso), por lo que la variable slo puede tomar dos valores: el 1 y 0.
La distribucin binomial se aplica cuando se realizan un nmero"n" de veces el experimento de
Bernouilli, siendo cada ensayo independiente del anterior. La variable puede tomar valores entre:
0: si todos los experimentos han sido fracaso
n: si todos los experimentos han sido xitos
Su expresin matemtica es X B( n, p ) donde: n = poblacin y p = probabilidad
La distribucin binomial tiene las siguientes caractersticas:
- un resultado de un experimento se clasifica en una de dos categoras mutuamente
excluyentes: xito o fracaso.
- los datos recolectados son resultados de contar.
- la probabilidad de xito es la misma para cada ensayo.
- los ensayos son independientes.
Para elaborar una distribucin binomial, sea n el nmero de ensayos x el nmero de xitos
observados, t
probabilidad binomial es:

Ejemplo: La Secretara del Trabajo del estado de Alabama reporta que 20% de la fuerza de
trabajo en Mobile est desempleada. De una muestra de 14 trabajadores, calcule las siguientes
probabilidades con la frmula de la distribucin binomial (n=14, t=0.2):
Tres estn desempleados (20% de 14): P(x=3)=0.250


NOTA: stos tambin son ejemplos de distribuciones probabilsticas acumulativas:
Tres o ms estn desempleados:
P(x 3) = 0.250 + 0.172 + 0.086 + 0.032 + 0.009 + 0.002 = 0.551
Al menos un trabajador est desempleado:
P(x 1) = 1 - P(x=0) =1 - 0.044 = 0.956
A lo ms dos trabajadores estn desempleados:
P(x 2) = 0.044 + 0.154 + 0.250 = 0.448
Media y varianza de la distribucin binomial
La media est dada por:

La varianza est dada por:

Del ejemplo anterior, recuerde que t = 0.2 y n = 14
As, la media = n t = 14(0.2) = 2.8
La varianza = n t (1 - t ) = (14)(0.2)(1 - 0.2) = 2.24
Distribucin hipergeomtrica
La distribucin hipergeomtrica suele aparecer en procesos muestrales sin reemplazo, en los que
se investiga la presencia o ausencia de cierta caracterstica.
Por ejemplo, en un procedimiento de control de calidad en una empresa farmacutica, durante el
cual se extraen muestras de las cpsulas fabricadas y se someten a anlisis para determinar su
composicin. Durante las pruebas, las cpsulas son destruidas y no pueden ser devueltas al lote
del que provienen. En esta situacin, la variable que cuenta el nmero de cpsulas que no
cumplen los criterios de calidad establecidos sigue una distribucin hipergeomtrica. Por tanto,
esta distribucin es la equivalente a la binomial, pero cuando el muestreo se hace sin reemplazo.
Frmula:

Donde N es el tamao de la poblacin, S es el nmero de xitos en la poblacin, x es el nmero
de xitos de inters, n es el tamao de la muestra, y C es una combinacin.
Use la distribucin hipergeomtrica para encontrar la probabilidad de un nmero especfico de
xitos o fracasos si:
- La muestra se selecciona de una poblacin finita sin reemplazo (recuerde que un criterio para
la distribucin binomial es que la probabilidad de xito es la misma de un ensayo a otro).
- El tamao de la muestra n es mayor que 5% del tamao de la poblacin N.
Ejemplo: La National Air Safety Board tiene una lista de 10 violaciones a la seguridad reportadas
por ValueJet. Suponga que slo 4 de ellas son en realidad violaciones y que el Safety Board slo
podr investigar cinco de las violaciones. Cul es la probabilidad de que tres de las cinco
violaciones seleccionadas al azar para investigarlas sean en realidad violaciones?
N=10, S=4, X=3, n=5


MDULO 7: DISTRIBUCIN PROBABILSTICA NORMAL
Caractersticas de la distribucin probabilstica normal
La curva normal tiene forma de campana con un solo pico justo en el centro de la distribucin.
La media, mediana y moda de la distribucin aritmtica son iguales y se localizan en el pico.
La mitad del rea bajo la curva (50% ) est a la derecha del pico, y la otra mitad (50% ) est a la
izquierda.
La distribucin normal es simtrica respecto a su media.
La distribucin normal es asinttica - la curva se acerca cada vez ms al eje x pero en realidad
nunca llega a tocarlo.
Esta distribucin viene definida por dos parmetros:
X N ( , o
2
)
Donde: : es el valor medio de la distribucin y es precisamente donde se sita el centro de la
curva (campana de Gauss).
o
2
: es la varianza, indica si los valores estn ms o menos alejados del valor central: si la
varianza es baja los valores estn prximos a la media; si es alta, entonces los valores
estn muy alejados de ella. Se representa por o
2
porque su raz cuadrada, o, es la
denominada desviacin estndar.

Distribucin normal estndar
Cuando una distribucin normal tiene una media igual a 0 y una varianza igual a 1 se denomina
distribucin normal estndar, y su ventaja reside en que hay tablas, o rutinas de clculo que
permiten obtener esos mismos valores, donde se recoge la probabilidad acumulada para cada
punto de la curva de esta distribucin.
Z N ( 0 , 1 )
Adems, toda distribucin normal se puede transformar en una normal tipificada llamada
estandarizacin, donde X se distribuye en la distribucin normal estandarizada de valor Z, la cual
es la distancia entre un valor seleccionado, designado como X, y la poblacin media , dividida
entre la desviacin estndar de la poblacin .


La distribucin normal tipificada o estandarizada tiene la ventaja de que las probabilidades para
cada valor de la curva se encuentran recogidas en una tabla de Distribucin de Frecuencia
Acumulada Normal (anexo 1).
Cmo se lee esta tabla? La columna de la izquierda indica el valor cuya probabilidad acumulada
queremos conocer. La primera fila nos indica el segundo decimal del valor que estamos
consultando.
reas bajo la curva normal. Para poder determinar la probabilidad del valor obtenido de Z,
existen siete casos para calcular la probabilidad segn le corresponda la posicin en la curva de la
normal estandarizada (anexo 2).

Ejemplo: Una corporacin grande ofrece a los graduados en MBA un ingreso mensual que tiene
una distribucin normal con media de $2000 y desviacin estndar de $200.
Cul es el valor z para un ingreso de $2200? y cul para uno de $1700?
Para X = $2200, z = (2200 - 2000) /200 = 1.0 probabilidad = 0.3416 (ver tabla 1)
Para X = $1700, z = (1700 - 2000) /200 = - 1.5 probabilidad = 0.4332 (ver tabla 1)
Un valor z igual a 1 indica que el valor de $2200 es mayor que la media de $2000, as como el
valor z igual a -1.5 indica que el valor de $1700 es menor que la media de $2000.
Ejemplo: El consumo de agua diario por persona en New Providence, Nueva Jersey tiene una
distribucin normal con media de 20 galones y desviacin estndar de 5 galones.
a). Cul es la probabilidad de que una persona de New Providence seleccionada al azar use
menos de 20 galones por da?
El valor z asociado es:
P(X<20) z = (20 - 20) /5 = 0.0 P(z<0) = 0.0 (ver tabla 1) As es 0.0%
b). Qu porcentaje usan entre 20 y 24 galones?
P(20X24) El valor z asociado con X = 20 es: z = 0.0
y con P(0X24), z = (24 - 20) /5 = 0.8 P(0Z0.8)
As, P(0<z<0.8) = 0.2881
= 0.0 + 0.2881 = 0.2881 = 28.81%


c). Qu porcentaje de la poblacin utiliza entre 18 y 26 galones?
El valor z asociado con:
X = 18 es: z = (18 -20) /5 = -0.4
y para X = 26, z = (26 - 20) /5 = 1.2
P[ -0.4 Z 1.2 ]
P[ -0.4 Z 0 ] + P[ 0 Z 1.2 ]
Positivizando P[ (-1) -0.4 Z (-1) 0 ] + P[ 0 Z 1.2 ]
P[ 0 Z 0.4 ] + P[ 0 Z 1.2 ]
= 0.1554 + 0.3849 = 0.5403
As, P(18<X<26) = P(-0.4<z<1.2) = 0.1554 + 0.3849 = .5403
Ejercicios propuestos.
1.- El profesor Mann determin que el promedio final en su curso de estadstica tiene una
distribucin normal con media de 72 y desviacin estndar de 5. Decidi asignar las calificaciones
del curso de manera que 15% de los alumnos reciban una calificacin de A. Cul es el promedio
ms bajo que un alumno puede tener para obtener una A?
2.- La cantidad de propina que un mesero recibe por turno en un restaurante exclusivo tiene una
distribucin normal con media de $80 y desviacin estndar de $10. Shelli siente que ha dado un
mal servicio si el total de sus propinas del turno es menor que $65. Cul es la probabilidad de
que ella haya dado un mal servicio?
La distribucin lognormal.
La prevencin de fallos en instalaciones industriales de proceso est basada en gran parte en la
aplicacin de los probabilsticos de anlisis de riesgos. Todo ello se ha llevado a cabo a travs de
una disciplina denominada ingeniera de fiabilidad, para la cual se dispone de las adecuadas
tcnicas de prediccin y prevencin, que han sido fundamentales para el aseguramiento de la
calidad y la seguridad de productos y procesos.
Los elementos y dispositivos con funciones clave de seguridad, adems de ser idneos ante unas
exigencias del sistema, deben asegurar una correcta respuesta en el tiempo. Para ello es
imprescindible establecer un programa de mantenimiento que permita su operacin en buenas
condiciones de uso, renovndolos antes de que su tasa de fallos sea inaceptable.
Todo ello requiere conocer a priori la fiabilidad de los elementos de seguridad que se ubiquen en
las instalaciones, informacin que debera ser suministrada por los fabricantes, considerando
como datos primordiales los empricos existentes en bancos de datos de fiabilidad de
componentes, funcionando en condiciones y ambientes determinados. Esta fiabilidad debe ser
debidamente controlada y contrastada a travs del propio programa de mantenimiento, a fin de
-0.4 0 1.2


verificar que se est dentro de las condiciones de respuesta del sistema esperadas. Slo entonces
se podr afirmar que la probabilidad de fallo de un componente es conocida y est controlada.
El objetivo es dar a conocer un tipo de distribucin estadstica aplicable al estudio de la fiabilidad
de componentes tcnicos que, dentro de una misma clase, presentan distintos valores como
consecuencia de la conjuncin de una serie de factores tales como su procedencia, carga,
temperatura de su entorno, presin de trabajo, medio ambiente de trabajo (agua, aire, cidos.) etc.
La distribucin lognormal tiene, principalmente, las siguientes aplicaciones:
a. Representa la evolucin con el tiempo de la tasa de fallos, (t), en la primera fase de vida de
un componente, la correspondiente a los fallos infantiles en la "curva de la baera"
entendindose como tasa de fallos la probabilidad de que un componente que ha funcionado
hasta el instante t, falle entre t y t + dt. En este caso la variable independiente de la distribucin
es el tiempo (ver figura).
b. Permite fijar tiempos de reparacin de componentes, siendo tambin en este caso el tiempo la
variable independiente de la distribucin.
c. Describe la dispersin de las tasas de fallo de componentes, ocasionada por diferente origen
de los datos, distintas condiciones de operacin, entorno, bancos de datos diferentes, etc. En
este caso la variable independiente de la distribucin es la tasa de fallos.

Curva tpica de la evolucin de la tasa de fallos Curva de la baera
Caractersticas de la distribucin.
La distribucin lognormal se obtiene cuando los logaritmos de una Variable se describen mediante
una distribucin normal. Es el caso en el que las variaciones en la fiabilidad de una misma clase
de componentes tcnicos se representan considerando la tasa de fallos
una variable constante.
Es la distribucin cuando las desviaciones a partir del valor del modelo estn formadas por
factores, proporciones o porcentajes ms que por valores absolutos como es el caso de la
distribucin normal.
La distribucin lognormal tiene dos parmetros:
m* = media aritmtica del logaritmo de los datos o tasa de fallos.
= desviacin estndar del logaritmo de los datos o tasa de fallos.
Propiedades
La distribucin lognormal se caracteriza por las siguientes propiedades:


- Asigna a valores de la variable < 0 la probabilidad 0 y de este modo se ajusta a las tasas y
probabilidades de fallo que de esta forma slo pueden ser positivas.
- Como depende de dos parmetros, se ajusta bien a un gran nmero de distribuciones
empricas.
- Es idnea para parmetros que son a su vez producto de numerosas cantidades aleatorias
como son los mltiples efectos que influyen sobre la fiabilidad de un componente.
- La esperanza matemtica o media en la distribucin lognormal es mayor que su mediana. De
este modo da ms importancia a los valores grandes de las tasas de fallo que una distribucin
normal con los mismos percentiles del 5% y 50% tendiendo, por tanto, a ser pesimista (ver
figura).

Comparacin entre una distribucin normal y una lognormal con los mismos percentiles del 5% y 50%.
Variable independiente: el tiempo
La distribucin lognormal se ajusta a ciertos tipos de fallos (fatiga de componentes metlicos), vida
de los aislamientos elctricos, procesos continuos (procesos tcnicos) y datos de reparacin y
puede ser una buena representacin de la distribucin de los tiempos de reparacin. Es tambin
una distribucin importante en la valoracin de sistemas con reparacin.
La distribucin lognormal esta expresada por:
)
2
)/) (1/2((x -
2
1
) (

= e
x
x f
t |

Donde o - media de los logaritmos de x
| - desviacin estndar de los logaritmos de x
Siendo:
= desviacin estndar en la distribucin normal
t
m
= tiempo medio
t = tiempo
La dispersin es tambin un parmetro de forma segn se ve en la figura, donde aparece la
funcin densidad de probabilidad de la distribucin lognormal para distintos valores de (0,4; 0,6;
1,0 y 1,4).


Variable independiente: la tasa de fallos
La aplicacin ms importante de la distribucin lognormal es la descripcin de la dispersin
existente en los datos de tasas de fallos de componentes. La funcin densidad de , se puede
escribir de la siguiente forma:

con > 0; > 0; - < m* <
Donde: m* y
2
son la esperanza o media y la varianza, respectivamente, de los logaritmos de las
tasas de fallos. Sus valores se obtienen mediante las siguientes estimaciones:

Siendo N el nmero total de valores de la tasa de fallos de un componente.
La expresin de algunos de los parmetros de la distribucin lognormal de las tasas de fallo son:

Siendo m* y la media y la desviacin estndar del logaritmo neperiano de las tasas de fallos.
Para caracterizar la distribucin lognormal, normalmente se indica, adems de su mediana, su
factor de dispersin D, que tiene la siguiente expresin:


En la ecuacin los subndices indican los percentiles correspondientes de la tasa de fallo al 95%.
Distribucin exponencial.
La distribucin exponencial es el equivalente continuo de la distribucin geomtrica discreta. Esta
ley de distribucin describe procesos en los que nos interesa saber el tiempo hasta que ocurre
determinado evento, sabiendo que, el tiempo que pueda ocurrir desde cualquier instante dado t,
hasta que ello ocurra en un instante t
f
, no depende del tiempo transcurrido anteriormente en el que
no ha pasado nada.
Devuelve la probabilidad de una variable aleatoria continua siguiendo una distribucin
exponencial. Se usa para la planeacin del tiempo entre dos sucesos.
Las aplicaciones de este tipo de distribuciones son:
- El tiempo que tarda una partcula radiactiva en desintegrarse. El conocimiento de la ley que
sigue este evento se utiliza en Ciencia para, por ejemplo, la datacin de fsiles o cualquier
materia orgnica mediante la tcnica del carbono 14, C
14
;
- el tiempo que tardara un GPS en aviar la informacin a la central de procesos. Esta funcin
puede usarse para determinar la probabilidad de que el proceso tarde como mximo un
minuto.
- El tiempo que puede transcurrir en un servicio mantenimiento de equipos, para la llegada de
una unidad mvil.
En un proceso de Poisson donde se repite sucesivamente un experimento a intervalos de tiempo
iguales, el tiempo que transcurre entre la ocurrencia de dos sucesos consecutivos sigue un
modelo probabilstico exponencial. Por ejemplo, el tiempo que transcurre entre que sufrimos dos
veces un desperfecto de una unidad de transporte importante.
Concretando, si una variable aleatoria continua X esta distribuida a lo largo de , es tal que su
funcin de densidad es:

La ecuacin de la distribucin exponencial es: Distribucin acumulada:
( )
x
e x f

= ;

( )
x
e x F

=1 ;

Siendo el valor del parmetro y x el valor de la funcin.
Se dice que sigue una distribucin exponencial de parmetro X Exp ()

Figura: Funcin de densidad, f, de una Exp ().


Para calcular el valor esperado y la varianza de la distribucin exponencial, obtenemos en primer
lugar la funcin caracterstica:
E [X] = 1 /
E [X
2
] = 2 /
2

Entonces la varianza vale:

MDULO 8: EL TEOREMA DEL LMITE CENTRAL
Sea cual sea la distribucin de los datos originales, y para muestras de tamaos lo bastante
grandes, la distribucin de la media muestral es normal sea cual sea la distribucin original. Este
resultado fundamental de la estadstica tiene un nombre propio: el teorema del lmite central.
El teorema del lmite central dice que si una muestra es lo bastante grande (n > 30), sea cual sea
la distribucin de la variable de inters, la distribucin de la media muestral ser
aproximadamente una normal. Adems, la media ser igual a y la varianza ser igual a
2
/n.
Una consecuencia de este teorema es la siguiente: dada cualquier variable aleatoria con
esperanza y para n lo bastante grande, la distribucin de la variable es:

Ejemplo: El consume de combustible por las unidades de transporte de mineral se distribuyen
casi normalmente con una media de 11.8 galones y una desviacin estndar de 3.5 gl., se toma
una muestra de tamao 49.
a). Cul es la probabilidad que el promedio muestral sea mayor que 12 gl.? y
b). Cul es la probabilidad de que el promedio muestral vare entre 10.5 y 12.5 galones
respectivamente?
Consideremos la variable X = consumo de combustible. Sabemos que su media es 11.8 galones
y su desviacin estndar es 3.5 gl. la muestra evaluada es n = 49 unidades. Es decir, tenemos
una muestra x
1
, x
2
, ..., x
n
de nuestra variable.
Por el teorema del lmite central sabemos que la media muestral se comporta como una normal
de esperanza 11.8 y desviacin estndar de 3.5:

a. Debemos calcular:

= 0.5 - P[ 0 Z 0.4 ]
11.8 X>12


= 0.5 0.15542 = 0.3446
b. Debemos calcular:

) = 0.4953 + 0.4192 = 0.9145

La desviacin estndar de la distribucin muestral de un estadstico se conoce como error
estndar del estadstico. Para el ejercicio anterior el error estndar de la media denotado por ox,
es 1.58. Con esto se puede demostrar que si de una poblacin se eligen muestras de tamao n
con reemplazo, entonces el error estndar de la media es igual a la desviacin estndar de la
distribucin de los errores muestrales.

Donde o es la desviacin estndar de la poblacin de donde se toman las muestras, n es el
tamao de la muestra y N el de la poblacin. Como regla de clculo, si el muestreo se hace sin
reemplazo y el tamao de la poblacin es al menos 30 veces el tamao de la muestra (N30),
entonces se puede usar la frmula.

Este factor se denomina factor de correccin para una poblacin finita.
Frmula Obtiene
n
x
x
o
= o
Error estndar de la media para una poblacin infinita.
1 N
n N
n
x
x
o
= o
Error estndar de la media para una poblacin finita.

Comienzo
Es la poblacin
infinita?
Se muestrea
con reemplazo?
Es N30n?

No
Si
Si
No
Si


Estimaciones puntuales
Una estimacin puntual es un valor (punto) que se usa para estimar un parmetro de la poblacin.
Ejemplos de estimaciones puntuales son media muestral, desviacin estndar muestral, variancia
muestral, relacin proporcional de la muestra.
Ejemplo 2: se registra el nmero de defectos producidos durante 5 horas seleccionadas al azar en
una semana de 40 horas. Los defectos observados fueron 12, 4, 7, 14 y 10. La media muestral es
9.4. Entonces la estimacin puntual para el promedio de defectos por hora es 9.4.
Estimaciones de intervalo
Una estimacin de intervalo establece la amplitud en la que quiz se encuentre un parmetro
poblacional. El intervalo dentro del cual se espera que est un parmetro poblacional se llama
intervalo de confianza.
Para ello vamos a establecer la notacin a utilizar:

Hemos dicho que vamos a proponer un intervalo donde se encontrar el parmetro a estimar,
con una probabilidad de acierto alta. Al valor de esta probabilidad la representaremos por 1-, y
la llamaremos nivel de confianza. A mayor valor de 1- , ms probabilidad de acierto en nuestra
estimacin, por tanto eso implica que tendr que ser pequeo, prximo a 0.
Recordemos que 1- representa siempre una probabilidad por lo que ser un valor entre 0 y 1, si
bien en la mayora de los enunciados de los problemas suele ser enunciado en trminos de tanto
por ciento. As cuando, por ejemplo, se dice que el nivel de confianza es del 90%, significa que
1- vale 0,9 y por tanto vale 0,1.

(-Z) (-t) (Z) (t)
Intervalos de Confianza para la media () conocida la deviacin tpica de la poblacin.
En general, un intervalo de confianza para la media se calcula mediante:

Ejemplo: El director de la escuela de administracin desea estimar el nmero medio de horas por
semana que estudian los alumnos. Una muestra de 49 estudiantes dio una media de 24 h con
desviacin estndar de 4 h.
La estimacin puntual es 24 h (media muestral).


Cul es el intervalo de confianza de 95% para el nmero promedio de horas por semana que
estudian los alumnos?
Si se usa un IC de 95% para la media poblacional, se tiene

Los puntos terminales del intervalo de confianza son los lmites de confianza. El lmite inferior de
confianza es 22.88 y el lmite superior de confianza es 25.12

Intervalos de Confianza para la media () desconocida la deviacin tpica de la poblacin.
Sigue una distribucin llamada t-Student con (n-1) grados de libertad y para un alfa de (1-
confianza), que presenta una forma en la curva muy similar a la de la distribucin normal.
Estamos pues ante la siguiente situacin:

Ejemplo: La puntuacin media de una muestra de 20 bolsas de mineral, elegidos al azar, para
una misma prueba, present una media de 9,8525 kilos y una cuasi desviacin tpica muestral de
0,0965 kilos. Calcular un intervalo de confianza con un 95% para el peso medio. (Suponemos que
la variable que mide el peso sigue una distribucin normal.)
Estamos en el caso de un intervalo de confianza para la media desconociendo la desviacin
tpica de la poblacin.
Datos:
Media = 9,8525, cuasi desviacin = 0,0965, n = 20, confianza 0,95
Tenemos que buscar un valor t, de modo que en la distribucin t-Student con g.l. = (n-1) = 19
grados de libertad deje una rea de probabilidad es igual a = (1-0.95) = 0.05. Dicho valor le
corresponde un valor de t =2,0930.
As pues el intervalo buscado es:

= 9,8525 0,045
L.C.S. = 9,8525 + 0,045 = 9.807
L.C.I. = 9,8525 - 0,045 = 9.897
La media se estima en 9,8525 ms menos un margen de error de 4,5%
Intervalo de confianza para una relacin proporcional de poblacin
El intervalo de confianza para una relacin proporcional de una poblacin se estima como:

L.C.S.

L.C.I.

25.12

24.00

22.88


Donde es el error estndar de la proporcin:

Ejemplo: Matt Williams, planificador financiero, estudia los planes de retiro para jvenes
ejecutivos. Una muestra de 500 ejecutivos que son dueos de sus casas revel que 175 planean
venderlas y retirarse en Arizona. Desarrolle un intervalo de confianza de 98% para la proporcin
de ejecutivos que planean vender e irse a Arizona.
Aqu, n=500, p=175/500=0.35 y z=2.33
el IC de 98% es:

L.C.S. = 0.35 + 0,0497 = 0.3997
L.C.I. = 0.35 - 0,0497 = 0.3003
0.3003 0.3997
30.03% 39.97%
Control de calidad.
Uno de los casos ms habituales en los que podemos aplicar el teorema del lmite central es a la
hora de hacer un proceso de control de calidad. Entenderemos por control de calidad el
seguimiento de cierta variable aleatoria en un proceso de produccin a partir de la media de
muestras sucesivas.
Estableceremos un intervalo, de manera que las medias que caigan fuera de este intervalo nos
indicarn que existe alguna anomala en el proceso de produccin en aquel instante. Los lmites
de este intervalo se denominan lmites de control.
Si es la esperanza de la variable de inters, la desviacin tpica y consideramos una muestra
de esta variable de tamao n, los lmites de control vendrn dados por + 3 n y - 3 n. Es
decir, calculamos tres veces el error estndar a lado y lado de la media. Por tanto, la longitud
del intervalo es dos veces el triple del error estndar.
Por qu tomamos este intervalo? Si aplicamos el teorema del lmite central sobre la variable de
inters, sabemos que la media de n datos se distribuye como una normal con media y varianza
n. Se demuestra fcilmente que la probabilidad de que una media est fuera del intervalo +
3 n y - 3 n es de 0,001 (esto significa que un valor fuera de este intervalo, si el proceso
funcionase correctamente, se puede dar slo con una probabilidad de 0,001). Por tanto, cuando
se d un valor fuera del intervalo, pensaremos que no es casualidad y que en el problema la
variable no se comporta como suponamos.
Ejemplo de realizacin de un control de calidad
Consideremos una mquina que llena tarros de pegamento. Supongamos que, de media, cada
tarro contiene 125 gramos de pegamento con una desviacin tpica de 1,5 gramos. Todas las
semanas hacemos un control de la mquina: analizamos una muestra de 30 tarros y calculamos
la media de cada uno.
En este ejemplo el error estndar es:



Por tanto, los lmites de control sern:
125 + 3 0,274 = 125,82
125 - 3 0,274 = 124,18
As pues, si la media de las muestras semanales de tamao 30 est entre estos dos valores,
consideraremos que todo est correcto, mientras que si es inferior a 124,18 o superior a 125,82
supondremos que hay alguna anomala en el proceso de produccin, y habr que revisarlo.
Por tanto, en este control de calidad slo se desperdicia treinta tarros a la semana por que
contienen un error en el llenado.
Seleccin del tamao de muestra
Existen 3 factores que determinan el tamao de una muestra, ninguno de ellos tiene una relacin
directa con el tamao de la poblacin. Los factores son:
- El grado de confianza elegido.
- El error mximo permitido.
- La variacin en la poblacin.
Tamao de la muestra para la media.
El tamao de la muestra es la siguiente:
Cuando N > 100,000 Cuando N 1,500 Cuando N > 1,500

Donde: E es el error permitido, Z es el valor normal estndar asociado con el grado de confianza
seleccionado y es la desviacin estndar estimada del estudio piloto.
Ejemplo: Un grupo de consumidores desea estimar la media mensual en los recibos de luz para
una casa unifamiliar. Segn estudios similares la desviacin estndar se estima en $20.00. Se
desea un nivel de confianza de 99%, con una precisin de $5.00. Qu tamao de muestra se
requiere?

Tamao de la muestra para proporciones.
La frmula para determinar el tamao de la muestra en el caso de una proporcin es:
Cuando N > 100,000 Cuando N 1,500 Cuando N > 1,500

Donde p es la proporcin estimada, basada en la experiencia o en un estudio piloto; Z es el valor
asociado con el nivel de confianza deseado; E es el error mximo que tolerar el investigador.
Ejemplo: El American Kennel Club desea estimar la proporcin de nios que tienen un perro como
mascota. Si el club quiere la estimacin dentro de 3% de la relacin proporcional, cuntos nios
debern contactar? Suponga 95% de nivel de confianza y que el club estim que 30% de los nios
tienen un perro como mascota.
N = (0.30)(0.70)(1.96/0.03)
2
= 896.3733 896


MDULO 9: PRUEBAS DE HIPTESIS
Qu es una hiptesis?
En una investigacin no solo se requiere estimar un parmetro, sino que el investigador puede
proponer hipotticamente un valor o valores para el parmetro; valor basado en su propia
experiencia profesional o segn oriente el marco terico, de la investigacin. Por tanto, es
necesario decidir si se considera ese supuesto o se rechaza, obviamente se efecta en base a
datos obtenidos de una muestra aleatoria, y empleando la prueba de hiptesis estadsticas o
llamado tambin contraste de hiptesis estadstica, o simplemente prueba de hiptesis.
Qu es una prueba de hiptesis? Una prueba de hiptesis es el proceso mediante el cual, a
partir de los valores de una muestra aleatoria extrada de una poblacin bajo estudio, se decide
si mantiene el supuesto que plantea el investigador para el parmetro, o se rechaza; con cierta
probabilidad de error (riesgo) por tomar una decisin.
Procedimiento de la Prueba de hiptesis

1.- Plantear adecuadamente la hiptesis nula y la
alternativa.
7.- Compara el valor de la estadstica de prueba con
el valor crtico.
No rechazar la Hiptesis
Nula
6.- Calcular el estadstico seleccionado para realizar
la prueba de hiptesis.
5.- Definir la regin de rechazo, segn la hiptesis
alternativa propuesta.
3.- Elegir el estadstico para la prueba, de acuerdo a
los requisitos que exige la teora estadstica
inferencial.
2.- Elegir el nivel de significancia (o ).
Rechazar la Hiptesis
Nula y aceptar la Alterna


Definiciones
Ho es la hiptesis nula, y es la que se somete a contraste.
H
1
es la hiptesis alternativa a H
0
, y es la negacin de Ho. Mientras que Ho es exacta, H
1
suele
ser inexacta.
Nivel de significancia de la prueba: La probabilidad o es el nivel de significacin de la prueba,
es el riesgo o la probabilidad que el investigador asume de manera voluntaria para equivocarse
al rechazar la hiptesis nula, cuando en realidad es verdadera. Es tambin la confiabilidad de
decidir si se rechaza o no la hiptesis nula.
La decisin (H
0
s o H
0
no?).
La decisin requiere, en primer lugar, trazar un punto de corte (o dos, en el contraste bilateral),
que definir dos zonas, una de rechazo (o crtica) y otra de aceptacin.
Ese punto de corte vendr dada por el nivel de confianza y el nivel de riesgo, La decisin
consiste en rechazar la Ho si el estadstico de contraste cae en la regin de rechazo, y
mantenerla si cae en la regin de aceptacin.
Mantener la Ho significa que la hiptesis es compatible con los datos. Rechazarla implica que
ambos son incompatibles, luego consideramos la Ho falsa.
decisin
Estado real
H
0
es verdadera H
0
es falsa
Rechazar H
0
Error de tipo I OK.
No rechazar H
0
OK. Error de tipo II
Error Tipo I: rechazar la hiptesis nula cuando en realidad es verdadera.
Error Tipo II: aceptar la hiptesis nula cuando en realidad es falsa.
Estadstico de prueba: Para rechazar o no la hiptesis nula se toma una muestra aleatoria de la
poblacin bajo estudio y los resultados contenida en ella se usa en expresiones llamadas
estadsticos o estadsticas de prueba e indican el grado de discrepancia entre la hiptesis nula y
los datos muestrales que estn resumidos en las estadsticas.
Valor crtico: el punto que divide la regin de aceptacin y la regin de rechazo de la hiptesis
nula.

Pruebas unilaterales y bilaterales.
a). Contraste Unilateral
Derecho: H
0
:
0

H
1
: >
0

b). Contraste Unilateral
Izquierdo: H
0
:
0

H
1
: <
0

c). Contraste Bilateral:
H
0
: =
0

H
1
:
0

Rechazar H 0 si el valor de la Rechazar H 0 si el valor de la
estadstica Z < zo , en caso
Rechazar H 0 si el valor de la
Regin de Aceptacin
Regin de Rechazo


estadstica Z > z
o
, en caso
contrario no se rechaza H 0.
contrario no se rechaza H 0.
estadstica Z < z
o / 2
Z > z
o /
2
, en caso contrario no se
rechaza H 0 .

Pruebas de significancia
Prueba de significancia de una cola.
Una prueba es de una cola cuando la hiptesis
alterna, H
1
, establece una direccin, como:
H
0
: el ingreso medio de las mujeres es menor o
igual al ingreso medio de los hombres.
H
1
: el ingreso medio de las mujeres es mayor
que el de los hombres.
Distribucin de muestreo para el valor
estadstico z, prueba de una cola, nivel de
significancia de 0.05
Prueba de significancia de dos colas.
Una prueba es de dos colas cuando no se
establece una direccin especfica de la
hiptesis alterna H
1
, como:
H
0
: el ingreso medio de las mujeres es igual al
ingreso medio de los hombres.
H
1
: el ingreso medio de las mujeres no es igual
al ingreso medio de los hombres.
Distribucin de muestreo para el valor
estadstico z, prueba de dos colas, nivel de
significancia de 0.05

MDULO 9: PRUEBAS DE HIPTESIS PARA MUESTRAS GRANDES
PRUEBA PARA LA MEDIA POBLACIONAL:
Desviacin
estndar
poblacional
conocida -
El estadstico de prueba est dado por:

Desviacin
estndar
poblacional
desconocida -
Se estimar con la desviacin estndar
de la muestra S, z puede aproximarse
con:

Pruebas
respecto a
relaciones
proporcionales
Parte fraccional o porcentaje que indica
la parte de la poblacin o muestra que
tiene un atributo particular de inters.

P = Relacin proporcional poblacional



p = Relacin proporcional muestral
Prueba de dos
medias
poblacionales
Suponga que los parmetros para dos
poblaciones son:

Cuando 1 y 2 no se conocen pero el
tamao de muestra n1 y n2 30, el
estadstico de prueba es:

Prueba de la
diferencia entre
dos relaciones
proporcionales
de poblacin

P = La media ponderada de la Relacin
proporcional poblacional
p = Relacin proporcional muestral

Ejemplo: Los fabricantes de Fries Catsup indican en su etiqueta que el contenido de la botella es
de 16 onzas. Cada hora se toma una muestra de 36 botellas y se pesa el contenido, el cual tiene
una distribucin normal de probabilidad. La muestra de la ltima hora tiene un peso medio de
16.12 onzas con una desviacin estndar de 0.5 onzas. Est el proceso fuera de control para un
nivel de significancia de 0.05?
Caso general Ejemplo especifico
1. Hiptesis
Contr. Bilateral: H
0
: =
0

H
1
:
0

Contr. Unil. Der.: H
0
:
0

H
1
: >
0

Contr. Unil. Izq.: H
0
:
0

H
1
: <
0

Est el proceso fuera de control para un nivel de
significancia de 0.05?
Media de la poblacin = 16
Media de la muestra X = 16.12
Nivel de Confianza = 0.95; n = 36, = 0.5
H
0
: = 16
H
1
: 16
2. Supuestos
a). Poblacin con distribucin normal
b). Muestra aleatoria de tamao n.

Tenemos n suficientemente grande para
garantizar una Distribucin Media de la Muestra
normal.

3. Estadstico de contraste

4. Definir la regin
Primero, la zona de rechazo segn
Contraste Bilateral:

Contraste Unilateral Derecho:

Contraste Unilateral Izquierdo:

= 1 NC = 1 0.95 = 0.05;
/2 = 0.05/2 = 0.025
p = 0.95/2 = 0.475
Tabla de D.N. Z
0.475
= 1.96
Contraste bilateral, luego
Z < z
o / 2
Z > z
o / 2
= 1.96

-1.96 +1.96

H
0
se rechaza si z < - 1.96 z > 1.96
/2 = 0.025 /2 = 0.025


5. Calcular el estadstico
Del estadstico seleccionado para realizar

6. La regla de decisin
Se rechaza H
0
si Z
emp
cae en la zona de
rechazo determinada por Z
teor
.
El estadstico de contraste cae en la regin de
aceptacin:

Z
emp
< Z
teor
1.44 < 1.96
Luego mantenemos la H
0
: los resultados son
compatibles con una media igual a 16, es decir,
son compatibles con los aciertos esperados por
azar.
MDULO 10: PRUEBAS DE HIPTESIS, MUESTRAS PEQUEAS
Caractersticas de la distribucin t de Student
La distribucin t tiene las siguientes propiedades:
- es continua, tiene forma de campana y es simtrica respecto al cero como la distribucin z.
- existe una familia de distribuciones t que comparten una media de cero pero con
desviaciones estndar diferentes.
- la distribucin t est ms dispersa y es ms plana en el centro que la distribucin z, pero
se acerca a ella cuando el tamao de la muestra crece.

PRUEBA PARA LA MEDIA POBLACIONAL:
desviacin
estndar
poblacional
desconocida
El estadstico de prueba para el caso de una
muestra est dado por la t de student tiene
una distribucin t, con v = n-1 grados
de libertad.

Regin de rechazo
-1.96
Regin de
aceptacin
1.44
1.44 < 1.96
Regin de rechazo
+1.96


Comparacin
de dos medias
poblacionales
se requieren tres suposiciones:
- las poblaciones deben tener una
distribucin normal o normal aproximada
- las poblaciones deben ser
independientes
- las variancias de las poblaciones
desconocidas pero deben ser iguales
Variancia muestral combinada:

Comparacin
de dos medias
poblacionales
se requieren tres suposiciones:
- las poblaciones deben tener una
distribucin normal o normal aproximada
- las poblaciones deben ser
independientes
- las variancias de las poblaciones
desconocidas y diferentes

Prueba con
observaciones
por pares
- Las muestras independientes que no
estn relacionadas.
- Las muestras dependientes estn
pareadas o relacionadas de alguna
manera.
- Por ejemplo, cotizacin de precios.
Donde: d = promedio de las diferencias
S
d
= desviacin estndar de las diferencias
n = es el nmero de pares (diferencias)

Ejemplo: La tasa actual para producir fusibles de 5 amp en Neary Electric Co. es 250 por hora. Se
compr e instal una mquina nueva que, segn el proveedor, aumentar la tasa de produccin.
Una muestra de 10 horas seleccionadas al azar el mes pasado indica que la produccin media por
hora en la nueva mquina es 256, con desviacin estndar muestral de 6 por hora. Con 0.05 de
nivel de significancia, puede Neary concluir que la nueva mquina es ms rpida?
Caso general Ejemplo especifico
1. Hiptesis
Contr. Bilateral: H
0
: =
0

H
1
:
0

Contr. Unil. Der.: H
0
:
0

H
1
: >
0

Contr. Unil. Izq.: H
0
:
0

H
1
: <
0

puede Neary concluir que la nueva mquina es
ms rpida?
Media de la poblacin = 250
Media de la muestra X = 256
Nivel de Confianza = 0.95; n = 10, = 6
H
0
: 250
H
1
: > 250
2. Supuestos
a). Poblacin con distribucin normal
b). Muestra aleatoria de tamao n.

Tenemos n suficientemente pequea para
garantizar una Distribucin Media de la Muestra
normal.

3. Estadstico de contraste

4. Definir la regin
Primero, la zona de rechazo segn

= 1 NC = 1 0.95 = 0.05;
Para una cola es:
1/ = 1/0.05 = 20
/2 = 20/2 = 10
g.l. = n-1 = 10 1 = 9
Tabla de t de una cola t
(g.l.),NC
= t
9,0.05





t
9,0.05
= 1.8331
Contraste Unilateral Derecho, luego
Contraste unilateral derecho, luego
tteor = tn1,1 = t 9,0.95 =1.8331

+1.8331

H
0
se rechaza si t
emp
> 1.8331
5. Calcular el estadstico
Del estadstico seleccionado para realizar

6. La regla de decisin
Se rechaza H
0
si t
emp
cae en la zona de
rechazo determinada por t
teor
.
El estadstico de contraste cae en la regin de
rechazo:

t
emp
> t
teor
3.1623 > 1.8331
Luego rechazamos H
0
: La nueva mquina es ms
rpida.

MDULO 11: JI CUADRADO Y ANLISIS DE VARIANCIA - ANOVA
Hasta ahora hemos trabajado con una o dos muestras. De una muestra, para determinar si una
media o proporcin era significativamente diferente del valor hipotetizado y de dos muestras,
para determinar si la diferencia de medias o proporciones es significativa.
La prueba de Ji cuadrado nos permite trabajar con ms de dos proporciones y ANOVA (anlisis
de varianzas) nos permitir probar si ms de dos medias de poblaciones pueden considerarse
iguales.
PRUEBA JI CUADRADO
Gran parte de la informacin recolectada en investigaciones estadstica es nominal o
categrica. Cuando tenemos ms de dos poblaciones, utilizaremos la prueba Ji cuadrado, es la
distribucin de una variable aleatoria siempre positiva, con una posicin oblicua hacia la
derecha y unimodal.
En realidad la distribucin Ji-cuadrada es la distribucin muestral de S
2
. Es decir que si se
extraen todas las muestras posibles de una poblacin normal y a cada muestra se le calcula su
varianza, se obtendr la distribucin muestral de varianzas.
Regin de aceptacin
1.8331
Regin de rechazo
3.1623
3.1623 > 1.8331
/2 = 10


La siguiente figura ilustra tres distribuciones X
2

La tabla que se utilizar esta en el anexo de probabilidad para valores crticos Ji cuadrado X
2
a
grados de libertad para valores especiales de o. Para denotar el valor crtico de una distribucin
X
2
con g.l. grados de libertad se usa el smbolo X
2
o (gl); por ejemplo para encontrar X
2

0.05
(6)
en la tabla se localiza 6 g.l. en el lado izquierdo y o=0.05 a o largo del lado superior de la misma
tabla.

Se utiliza para demostrar:
- Prueba de bondad de ajunte.
- Prueba de independencia.
- Prueba de homogeneidad.
Deseamos saber si dos caracteres de una poblacin son dependientes o independientes, tambin
se trabaja con tablas de contingencias como por ejemplo:

El clculo de probabilidad en una distribucin muestral de varianzas nos sirve para saber como
se va a comportar la varianza o desviacin estndar en una muestra que proviene de una
distribucin normal. El clculo de la prueba Ji cuadrado, se realiza con la siguiente formula:


Donde X
2
se distribuye con (n-1) g.l.
S
2
= Varianza poblacional
2
= Varianza muestral
Las hiptesis a plantearse son:




Si aceptamos la H
0
, podemos considerar que no tenemos evidencia que nos hagan suponer una
dependencia entre las dos variables a un nivel de confianza = 1-
Ejemplo: Una compaa que produce una parte maquinada para un motor, afirma que tiene una
varianza de dimetro no mayor a 0.0002 pulgadas. Una muestra aleatoria de 10 de dichas partes
dio una varianza de muestra S
2
=0.0003. Si se supone que las medidas del dimetro se distribuyen
en forma normal, hay evidencia para refutar lo que afirma el proveedor? Use o= 0.05
Solucin:
Como en todos los ensayos de hiptesis que se han realizado anteriormente el procedimiento es
el mismo. Despus de que se identifican los datos, se plantea la hiptesis para determinar el
tipo de ensayo.
Datos:
2
= 0.0002
n = 10
S
2
= 0.0003
o = 0.05
Ensayo de hiptesis:

Regla de decisin:
Si X
2
16.919 no se rechaza Ho.
Si X
2
> 16.919 se rechaza Ho.


Clculos:

Justificacin y decisin:
Como 13.5 no es mayor que 16.919 por lo tanto no se rechaza Ho y se concluye con un nivel de
significancia de 0.05 que no se puede refutar la afirmacin del proveedor.
ANOVA (Analysis Of Variance)
Es un mtodo de clculo para probar la hiptesis de que las medias de dos o ms poblaciones son
iguales.
En un estudio ANOVA, se aplican tratamientos (programas de capacitacin, mtodos de
enseanza, ingreso per cpita, etc.) a entidades denominados unidades experimentales
(estudiantes, clientes, consumidores, trabajadores). El atributo de las entidades, que se desea
medir recibe el nombre de factor.
En un estudio ANOVA se pueden aplicar modelos de efectos fijos o aleatorios. En un modelo de
efectos fijos, se seleccionan tratamientos especficos o se fijan antes del estudio determinstico.
En un modelo de efectos aleatorios, los tratamientos utilizados en el estudio se seleccionan
aleatoriamente. Como por ejemplos:1). Comparacin de kilometraje logrado por cinco clases de
gasolina. 2). Cual de los cuatro mtodos de capacitacin produce el rpido aprendizaje. 3). La
dosificacin de drogas en un paciente.
La necesidad de disponer de mtodos estadsticos para comparar las varianzas de dos
poblaciones es evidente a partir del anlisis de una sola poblacin y para la solucin de este tipo
de estudios se aplica la distribucin F de FISHER. Frecuentemente se desea comparar la
precisin de un instrumento de medicin con la de otro, la estabilidad de un proceso de
manufactura con la de otro.
La variable aleatoria F es no negativa, y la distribucin tiene un sesgo hacia la derecha. La
distribucin F tiene una apariencia muy similar a la distribucin Ji cuadrada; sin embargo, se
encuentra centrada respecto a 1, y los dos parmetros v
1
y v
2
proporcionan una flexibilidad
adicional con respecto a la forma de la distribucin.
Si S
1
2
y s
2
2
son las varianzas muestrales independientes de tamao n
1
y n
2
tomadas de
poblaciones normales con varianzas
1
2
y
2
2
, respectivamente, entonces se tiene la prueba
estadstica de F con ((n
1
1), (n
2
1)) grados de libertad:

Las tablas tienen la siguiente estructura:
Para manejar las tablas de Fisher se tendr que buscar los grados de libertad n
1
y n
2
, para
calcular el valor de F.
n2 5% (normal) y 1% (negritas) puntos para la distribucin F
n1 grados de libertad (para el mayor cuadrado medio)
1 1 2 3 4 5 6 7 8 24 500
2

19 63.621 49.782 44.412 41.531 39.727 38.475 37.558 36.86 36.307
2.11
2.92
33.804 32.363 32.058 31.621
20 46.071 34.794 30.457 28.114 26.645 25.633 24.891 24.324 23.88

21.828 20.649 20.409 20.045
Ejemplos: Encontrar el valor de F, en cada uno de los siguientes casos:
a). El rea a la derecha de F, es de = 5% con b). El rea a la derecha de F, es de = 1% con


n
1
= 24 y n
2
= 19.

n
1
= 24 y n
2
= 19.

Las hiptesis se plantean de la siguiente manera:

Se debe cumplir las siguientes condiciones:
Las poblaciones estn distribuidas normalmente.
Las poblaciones tienen varianzas iguales
Las muestras se seleccionan de modo independiente.
Ejemplo: La variabilidad en la cantidad de impurezas presentes en un lote de productos
qumicos, utilizada para un proceso en particular, depende del tiempo que tarda el proceso. Un
fabricante que emplea dos lneas de produccin 1 y 2, hizo un pequeo ajuste al proceso 2, con
la esperanza de reducir la variabilidad, as como la cantidad media de impurezas en los
productos qumicos. Muestras de n
1
=25 y n
2
=20 mediciones de dos lotes produjeron las siguientes
medias y varianzas:

Presentan los datos evidencia suficiente para indicar que las variaciones del proceso son
menores para el 2? Realice una prueba con un a = 0.05.
Solucin:
Datos:

Ensayo de hiptesis:

Estadstico de prueba:



La sugerencia que se hace es que el numerador sea el de valor mayor. Entonces los grados de
libertad uno ser el tamao de la muestra de la poblacin uno menos uno. v
1
= 25 - 1 = 24 y v
2
=
20 1 = 19.

Regla de decisin:
Si F 2.11 No se rechaza Ho,
Si F > 2.11 se rechaza Ho.
Clculo:

Decisin y Justificacin:
Como 2.04 es menor que 2.11 no se rechaza Ho, y se concluye con un a = 0.05 que no existe
suficiente evidencia para decir que la varianza del proceso 2 es menor que la del proceso 1.
MDULO 12: REGRESIN LINEAL Y CORRELACIN
Anlisis de correlacin: se usa un grupo de tcnicas estadsticas para medir la fuerza de la
relacin (correlacin) entre dos variables. Al analizar un conjunto de datos bivariados es
conveniente obtener algn conocimiento acerca de la relacin que puede existir entre estas
variables cuantitativas, por ejemplo, analizar la relacin entre:
X Y UNIDAD ESTADSTICA
Ingresos Egresos
Municipio de Lima
Metropolitana
Peso Edad
Personal obrero de una
constructora
Ingresos generados

Gastos Centro hospitalario
Puntaje en prueba de
habilidad matemtica
Puntaje en prueba de
habilidad verbal
Alumno de nivel secundaria en
Ate
La naturaleza e intensidad de las relaciones entre variables pueden ser examinadas por medio
del anlisis de regresin y correlacin, dos tcnicas estadsticas relacionadas pero que sirven
para propsitos diferentes.
El anlisis se realiza conjuntamente dos variables cuantitativas, una de ellas llamada variable
dependiente o de respuesta (y) cuyo comportamiento se debe o se explica por otra variable
llamada independiente (x), a sta ltima se le denomina tambin variable explicativa o variable
regresora.
Diagrama de dispersin:


Grfica que describe la relacin entre las dos variables de inters. Es de gran utilidad porque los
puntos graficados nos mostrarn la naturaleza y la fuerza de la relacin entre dichas variables:
5.4. Modelo de regresin lineal simple poblacional
Para las variables bajo estudio, el modelo se escribe:
y =|0 +|1x +c
Es la ecuacin que describe como se relaciona y con x y el trmino error aleatorio.
Donde:
y : variable dependiente o de respuesta. Es la variable por modelar o predecir.
x : variable independiente o regresora. Es la variable que se utiliza para modelar o predecir.
o: parmetro del modelo; es la ordenada en el origen,
1
: parmetro del modelo, pendiente de la recta, indica la magnitud del incremento o
decremento de y por cada unidad de incremento en x.
e: error o perturbacin aleatoria, explica la variabilidad en y, que no puede ser explicada en el
modelo.
Supuestos:
1. Los valores de la variable independiente x son "fijos".
2. La variable x se mide sin error (se desprecia el error de medicin en x)
3. Los errores son aleatorios, se distribuyen normalmente con media cero y variancia uno.
Suposiciones fundamentales de regresin lineal
- Para cada valor de X, existe un grupo de valores de Y que tienen una distribucin normal.
- Las medias de estas distribuciones normales de valores de Y deben estar sobre la recta de
regresin.
Correlacin negativa perfecta Correlacin positiva perfecta

Correlacin cero Correlacin positiva fuerte



- Las desviaciones estndar de estas distribuciones normales son iguales.
- Los valores de Y son estadsticamente independientes. Es decir, que en la seleccin de una
muestra, los valores elegidos de Y para un valor particular de X no depende de los valores de
Y para otro valor de X.
Estimacin de los Parmetros del Modelo de regresin lineal simple.
El modelo de regresin lineal simple ajustado, se obtiene en base a los datos de una muestra:

Donde:
y: Es el valor estimado de y para un determinado valor de x.
|0: Es el estimador de la ordenada en el origen.
|1: Es el estimador de la pendiente de la recta.
Para estimar los parmetros del modelo se utiliza el Mtodo de los mnimos cuadrados, que es
un procedimiento que permite encontrar los estimadores de los parmetros del modelo, que
minimiza la suma de los cuadrados de las desviaciones entre los valores de la variable de
respuesta (valores de la muestra) y los valores estimados de la variable de respuesta (obtenidos
en la ecuacin estimada de regresin):
Anlisis de regresin
Propsito: determinar la ecuacin de regresin; se usa para predecir el valor de la variable
dependiente (Y) basado en la variable independiente (X).
Procedimiento: seleccionar una muestra de la poblacin y enumerar los datos por pares para
cada observacin; dibujar un diagrama de dispersin para visualizar la relacin; determinar la
ecuacin de regresin.
La ecuacin de regresin:

Donde:
= Valor promedio pronosticado de Y para cualquier valor de X.
a = Intercepcin en Y, o el valor estimado de Y cuando X = 0
b = Pendiente de la recta, o cambio promedio en Y por cada cambio de una unidad en X se usa el
principio de mnimos cuadrados para obtener a y b:

Coeficiente de covarianza.
Llamada tambin varianza simultanea o compartida, es el estadgrafa que mide la varianza
conjunta de las variables, se le representa por:

Varianza residual.
a = Y - bX


Es el estadgrafo que mide el grado de dispersin de los datos respecto a la recta de ajuste,

Por tanto la varianza residual de la regresin del Y en funcin de X es:

Y la varianza residual de la regresin del X en funcin de Y es:

Ejemplo: Ejemplo: Dan Ireland, presidente de la sociedad
editora de libros, est preocupado por el costo de los libros.
Para tener un panorama del problema elige una muestra de 8
libros de venta en la librera. Desarrollar una ecuacin de
regresin para la informacin dada para estimar el precio de
venta basado en el nmero de pginas.
Por el principio de mnimos cuadrados,
b = 0.01714 y a = 16.0
= 16.0 + 0.01714X
Error estndar de la estimacin
El error estndar de la estimacin mide la dispersin de los valores observados alrededor de la
recta de regresin. La frmula usada para calcular el error estndar es la raz cuadrada positiva
de la varianza Residual.
Ejemplo: del ejercicio anterior calcule el error estndar de la estimacin:

Coeficiente de correlacin, r
El coeficiente de correlacin (r) es una medida de la intensidad de la relacin entre dos
variables. Esta correlacin permite tomar decisiones o calificar a la relacin existente entre X i
Y, se le representa por r
Puede tomar valores entre -1.00 y 1.00. (-1 < r < 1) Valores que indican correlacin fuerte y
perfecta. Valores cercanos a 0.0 indican correlacin dbil.
Valores negativos indican una relacin inversa y valores positivos indican una relacin directa.
En la prctica se trabaja con el valor absoluto de r, entonces, a medida que r se aproxime a 1,
ms grande es el grado de correlacin entre los datos, de acuerdo con esto el coeficiente de
correlacin se puede clasificar de varias formas, como se observa en la Tabla.
Clasificacin del grado de correlacin.
CORRELACIN VALOR O RANGO
Perfecta |r| = 1
Excelente 0.9 <= |r| < 1
Buena 0.8 <= |r| < 0.9
Regular 0.5 <= |r| <0.8
Mala |r|< 0.5

Frmula para r.
Libro Pginas X Costo ($) Y
1 500 28
2 700 25
3 800 33
4 600 24
5 400 23
6 500 27
7 600 21
8 800 31


El ngulo entre el vector formado por las desviaciones del X con respecto a su valor medio y el
de la Y con respecto a su valor medio, , esta definido por:

El ngulo muestra el grado de paralelismo entre los vectores (a > > desviacin y a < <
desviacin).
La varianza que no es explicada por las rectas de regresin esta dada por: 100 - r
2

Coeficiente de determinacin.
El coeficiente de determinacin, r
2
es la proporcin de la variacin total en la variable
dependiente Y que est explicada por o se debe a la variacin en la variable independiente X.
El coeficiente de determinacin es el cuadrado del coeficiente de correlacin, y toma valores de
0 a 1.
Ejemplo: Calcule el coeficiente de correlacin del estudio de la relacin entre el nmero de
pginas del libro y el costo.
r = 0.614 (verificar)
Pruebe la hiptesis.
La prueba de hiptesis se desarrolla con la t de student.
Ejemplo: Del ejercicio anterior se formula la hiptesis de que no existe correlacin en la
poblacin. Use 0.02 de nivel de significancia.
Paso 1: Ho: la correlacin en la poblacin = cero.
H
1
: la correlacin en la poblacin cero.
Paso 2:
Determinar la t con = 0.02 y (n 2) gl (8 2) = 6 g.l.
t en tabla t = 3.143 para dos colas
Ho se rechaza si t > 3.143 o si t < -3.143,
Calcular es estadstico de prueba con:

El estadstico de prueba es t = 1.9055,
Paso 4:
Ho no se rechaza.



ANEXOS
DISTRIBUCIN DE FRECUENCIAS ACUMULATIVA NORMAL
(rea bajo la curva normal estndar de 0 a Z)
Z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319 0.0359
0,1 0.0398 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.0675 0.0714 0.0723
0,2 0.0793 0.0832 0.0871 0.0910 0.0948 0.0987 0.1026 0.1064 0.1103 0.1141
0,3 0.1179 0.1217 0.1255 0.1293 0.1331 0.1368 0.1406 0.1443 0.1480 0.1517
0,4 0.1554 0.1591 0.1628 0.1664 0.1700 0.1736 0.1772 0.1808 0.1844 0.1879
0,5 0.1915 0.1950 0.1985 0.2019 0.2054 0.2088 0.2123 0.2157 0.2090 0.2224
0,6 0.2257 0.2291 0.2324 0.2357 0.2389 0.2422 0.2454 0.2486 0.2517 0.2549
0,7 0.2580 0.2611 0.2642 0.2673 0.2704 0.2734 0.2764 0.2794 0.2813 0.2852
0,8 0.2881 0.2910 0.2939 0.2967 0.2995 0.3023 0.3051 0.3078 0.3106 0.3133
0,9 0.3159 0.3186 0.3212 0.3238 0.3264 0.3289 0.3315 0.3340 0.3365 0.3389
1,0 0.3416 0.3438 0.3461 0.3485 0.3508 0.3531 0.3554 0.3577 0.3599 0.3621
1,1 0.3643 0.3665 0.3686 0.3708 0.3729 0.3749 0.3770 0.3790 0.3810 0.3830
1,2 0.3849 0.3869 0.3888 0.3907 0.3925 0.3944 0.3962 0.3980 0.3997 0.4015
1,3 0.4032 0.4049 0.4066 0.4082 0.4099 0.4115 0.4131 0.4147 0.4162 0.4177
1,4 0.4192 0.4207 0.4222 0.4236 0.4251 0.4265 0.4279 0.4292 0.4306 0.4319
1,5 0.4332 0.4345 0.4357 0.4370 0.4382 0.4394 0.4406 0.4418 0.4429 0.4441
1,6 0.4452 0.4463 0.4474 0.4484 0.4495 0.4505 0.4515 0.4525 0.4535 0.4545
1,7 0.4554 0.4564 0.4573 0.4582 0.4591 0.4599 0.4608 0.4616 0.4625 0.4633
1,8 0.4641 0.4649 0.4656 0.4664 0.4671 0.4678 0.4686 0.4693 0.4699 0.4706
1,9 0.4713 0.4719 0.4726 0.4732 0.4738 0.4744 0.4750 0.4756 0.4761 0.4767
2,0 0.4773 0.4778 0.4783 0.4788 0.4793 0.4798 0.4803 0.4808 0.4812 0.4817
2,1 0.4821 0.4826 0.4830 0.4834 0.4838 0.4842 0.4846 0.4850 0.4854 0.4857
2,2 0.4861 0.4865 0.4868 0.4871 0.4875 0.4878 0.4881 0.4884 0.4887 0.4890
2,3 0.4893 0.4896 0.4898 0.4901 0.4904 0.4906 0.4909 0.4911 0.4913 0.4916
2,4 0.4918 0.4920 0.4922 0.4925 0.4927 0.4929 0.4931 0.4932 0.4934 0.4936
2,5 0.4938 0.4940 0.4941 0.4943 0.4945 0.4946 0.4948 0.4949 0.4951 0.4952
2,6 0.4953 0.4955 0.4956 0.4957 0.4959 0.4960 0.4961 0.4962 0.4963 0.4964
2,7 0.4965 0.4966 0.4967 0.4968 0.4969 0.4970 0.4971 0.4972 0.4973 0.4974
2,8 0.4974 0.4975 0.4976 0.4977 0.4977 0.4978 0.4979 0.4980 0.4980 0.4981
2,9 0.4981 0.4982 0.4983 0.4983 0.4984 0.4984 0.4985 0.4985 0.4986 0.4986
3.0 0.4987 0.4987 0.4987 0.4988 0.4988 0.4989 0.4989 0.4989 0.4990 0.4990
3.1 0.4990 0.4991 0.4991 0.4991 0.4992 0.4992 0.4992 0.4992 0.4993 0.4993
3.2 0.4993 0.4993 0.4994 0.4994 0.4994 0.4994 0.4994 0.4995 0.4995 0.4995
3.3 0.4995 0.4995 0.4995 0.4996 0.4996 0.4996 0.4996 0.4996 0.4996 0.4997
3.4 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997 0.4998
3.6 0.4998 0.4998 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999
3.9 0.5000



TABLAS DE DISTRIBUCIN t
Tablas de distribucin t de student, los grados de libertad se encuentran en la primera
fila, los valores de alfa es para un tratamiento de dos colas.

gl -->
1/o o 1 2 3 4 5 6 7 8 9 10
10 0.1 6.3137 2.9200 2.3534 2.1318 2.0150 1.9432 1.8946 1.8595 1.8331 1.8125
20 0.05 12.7062 4.3027 3.1824 2.7765 2.5706 2.4469 2.3646 2.3060 2.2622 2.2281
40 0.025 25.4519 6.2054 4.1765 3.4954 3.1634 2.9687 2.8412 2.7515 2.6850 2.6338
50 0.02 31.8210 6.9645 4.5407 3.7469 3.3649 3.1427 2.9979 2.8965 2.8214 2.7638
100 0.01 63.6559 9.9250 5.8408 4.6041 4.0321 3.7074 3.4995 3.3554 3.2498 3.1693
200 0.005 127.3211 14.0892 7.4532 5.5975 4.7733 4.3168 4.0294 3.8325 3.6896 3.5814
1000 0.001 636.5776 31.5998 12.9244 8.6101 6.8685 5.9587 5.4081 5.0414 4.7809 4.5868
2000 0.0005 1273.1552 44.7035 16.3261 10.3051 7.9756 6.7882 6.0815 5.6170 5.2911 5.0489
10000 0.0001 6370.5444 100.1358 28.0142 15.5345 11.1759 9.0804 7.8883 7.1200 6.5938 6.2119
20000 0.00005 12664.7949 141.2630 35.3158 18.5147 12.8895 10.2632 8.7824 7.8510 7.2177 6.7614
100000 0.00001 63476.5625 314.7125 60.7967 27.7162 17.8814 13.5601 11.1759 9.7603 8.8289 8.1584
200000 0.000005 126953.125 457.7637 76.2939 33.3786 20.5636 15.1992 12.5170 10.7288 9.6112 8.7917
1000000 0.000001 625000.0 915.5273 133.514 47.6837 28.6102 20.2656 15.4972 13.1130 11.9209 10.7288
2000000 0.0000005 2500000.0 1220.7031 152.588 57.2205 38.1470 23.8419 19.0735 14.3051 13.1130 11.9209

gl -->

1/o o 11 12 13 14 15 16 17 18 19 20
10 0.1 1.7959 1.7823 1.7709 1.7613 1.7531 1.7459 1.7396 1.7341 1.7291 1.7247
20 0.05 2.2010 2.1788 2.1604 2.1448 2.1315 2.1199 2.1098 2.1009 2.0930 2.0860
40 0.025 2.5931 2.5600 2.5326 2.5096 2.4899 2.4729 2.4581 2.4450 2.4334 2.4231
50 0.02 2.7181 2.6810 2.6503 2.6245 2.6025 2.5835 2.5669 2.5524 2.5395 2.5280
100 0.01 3.1058 3.0545 3.0123 2.9768 2.9467 2.9208 2.8982 2.8784 2.8609 2.8453
200 0.005 3.4966 3.4284 3.3725 3.3257 3.2860 3.2520 3.2224 3.1966 3.1737 3.1534
1000 0.001 4.4369 4.3178 4.2209 4.1403 4.0728 4.0149 3.9651 3.9217 3.8833 3.8496
2000 0.0005 4.8633 4.7166 4.5972 4.4995 4.4168 4.3464 4.2858 4.2332 4.1869 4.1461
10000 0.0001 5.9232 5.6950 5.5134 5.3644 5.2387 5.1339 5.0431 4.9663 4.8988 4.8382
20000 0.00005 6.4075 6.1467 5.9279 5.7556 5.6066 5.4855 5.3784 5.2899 5.2061 5.1409
100000 0.00001 7.6368 7.2643 6.9663 6.7055 6.5193 6.3330 6.1840 6.0722 5.9605 5.8487
200000 0.000005 8.1956 7.7486 7.4506 7.1526 6.9290 6.7055 6.5565 6.4075 6.2585 6.1840
1000000 0.000001 9.5367 8.9407 8.6427 8.3447 7.7486 7.7486 7.4506 7.1526 7.1526 6.8545
2000000 0.0000005 10.7288 9.5367 9.5367 8.9407 8.3447 8.3447 8.3447 7.7486 7.7486 7.1526

gl -->

1/o o 21 22 23 24 25 26 27 28 29 30
10 0.1 1.7207 1.7171 1.7139 1.7109 1.7081 1.7056 1.7033 1.7011 1.6991 1.6973
20 0.05 2.0796 2.0739 2.0687 2.0639 2.0595 2.0555 2.0518 2.0484 2.0452 2.0423
40 0.025 2.4138 2.4055 2.3979 2.3910 2.3846 2.3788 2.3734 2.3685 2.3638 2.3596
50 0.02 2.5176 2.5083 2.4999 2.4922 2.4851 2.4786 2.4727 2.4671 2.4620 2.4573
100 0.01 2.8314 2.8188 2.8073 2.7970 2.7874 2.7787 2.7707 2.7633 2.7564 2.7500
200 0.005 3.1352 3.1188 3.1040 3.0905 3.0782 3.0669 3.0565 3.0470 3.0380 3.0298
1000 0.001 3.8193 3.7922 3.7676 3.7454 3.7251 3.7067 3.6895 3.6739 3.6595 3.6460
2000 0.0005 4.1095 4.0769 4.0475 4.0207 3.9965 3.9744 3.9540 3.9348 3.9177 3.9017
10000 0.0001 4.7847 4.7358 4.6939 4.6543 4.6194 4.5868 4.5565 4.5309 4.5053 4.4820
20000 0.00005 5.0757 5.0198 4.9733 4.9267 4.8848 4.8475 4.8149 4.7823 4.7544 4.7311
100000 0.00001 5.7742 5.6997 5.6252 5.5693 5.5134 5.4576 5.4203 5.3644 5.3272 5.2899
200000 0.000005 6.0722 5.9977 5.9232 5.8487 5.7742 5.7369 5.6624 5.6252 5.5879 5.5507
1000000 0.000001 6.8545 6.7055 6.5565 6.5565 6.5565 6.2585 6.2585 6.2585 6.2585 6.1095


2000000 0.0000005 7.1526 7.1526 7.1526 7.1526 6.5565 6.5565 6.5565 6.5565 6.5565 6.5565

gl -->

1/o o 40 50 60 70 80 90 100 125 150 175
10 0.1 1.6839 1.6759 1.6706 1.6669 1.6641 1.6620 1.6602 1.6571 1.6551 1.6536
20 0.05 2.0211 2.0086 2.0003 1.9944 1.9901 1.9867 1.9840 1.9791 1.9759 1.9736
40 0.025 2.3289 2.3109 2.2990 2.2906 2.2844 2.2795 2.2757 2.2687 2.2641 2.2608
50 0.02 2.4233 2.4033 2.3901 2.3808 2.3739 2.3685 2.3642 2.3566 2.3515 2.3478
100 0.01 2.7045 2.6778 2.6603 2.6479 2.6387 2.6316 2.6259 2.6157 2.6090 2.6042
200 0.005 2.9712 2.9370 2.9146 2.8987 2.8870 2.8779 2.8707 2.8577 2.8492 2.8431
1000 0.001 3.5510 3.4960 3.4602 3.4350 3.4164 3.4019 3.3905 3.3701 3.3565 3.3469
2000 0.0005 3.7884 3.7230 3.6808 3.6508 3.6287 3.6118 3.5984 3.5742 3.5582 3.5472
10000 0.0001 4.3213 4.2282 4.1688 4.1269 4.0955 4.0722 4.0536 4.0198 3.9977 3.9814
20000 0.00005 4.5449 4.4378 4.3702 4.3213 4.2887 4.2608 4.2398 4.2003 4.1770 4.1584
100000 0.00001 5.0478 4.9174 4.8243 4.7684 4.7125 4.6752 4.6566 4.6007 4.5728 4.5449
200000 0.000005 5.2527 5.1036 5.0291 4.9546 4.8988 4.8429 4.8243 4.7684 4.7311 4.7125
1000000 0.000001 5.8115 5.6624 5.5134 5.3644 5.3644 5.2154 5.2154 5.2154 5.0664 5.0664
2000000 0.0000005 5.9605 5.9605 5.6624 5.6624 5.3644 5.3644 5.3644 5.3644 5.3644 5.3644

gl -->

1/o o 200 225 250 275 300 325 350 375 400 450
10 0.1 1.6525 1.6517 1.6510 1.6504 1.6499 1.6496 1.6492 1.6489 1.6487 1.6482
20 0.05 1.9719 1.9706 1.9695 1.9686 1.9679 1.9673 1.9668 1.9663 1.9659 1.9652
40 0.025 2.2584 2.2565 2.2550 2.2537 2.2527 2.2518 2.2511 2.2504 2.2499 2.2489
50 0.02 2.3451 2.3430 2.3414 2.3400 2.3388 2.3379 2.3370 2.3363 2.3357 2.3347
100 0.01 2.6006 2.5979 2.5956 2.5938 2.5923 2.5910 2.5899 2.5890 2.5882 2.5868
200 0.005 2.8385 2.8350 2.8322 2.8299 2.8279 2.8263 2.8249 2.8237 2.8227 2.8210
1000 0.001 3.3398 3.3343 3.3299 3.3263 3.3232 3.3207 3.3186 3.3167 3.3151 3.3123
2000 0.0005 3.5387 3.5320 3.5268 3.5227 3.5192 3.5163 3.5137 3.5114 3.5093 3.5064
10000 0.0001 3.9698 3.9616 3.9546 3.9488 3.9442 3.9395 3.9360 3.9325 3.9302 3.9255
20000 0.00005 4.1444 4.1351 4.1281 4.1211 4.1164 4.1118 4.1071 4.1025 4.1001 4.0955
100000 0.00001 4.5262 4.5262 4.5076 4.5076 4.4890 4.4890 4.4890 4.4797 4.4703 4.4703
200000 0.000005 4.6939 4.6752 4.6566 4.6566 4.6566 4.6380 4.6380 4.6194 4.6194 4.6194
1000000 0.000001 5.0664 5.0664 5.0664 5.0664 5.0664 4.9919 4.9919 4.9919 4.9174 4.9174
2000000 0.0000005 5.3644 5.3644 5.0664 5.0664 5.0664 5.0664 5.0664 5.0664 5.0664 5.0664

gl -->

1/o o 500 550 600 650 700 750 800 1000 2000 3000
10 0.1 1.6479 1.6476 1.6474 1.6472 1.6470 1.6469 1.6468 1.6464 1.6456 1.6454
20 0.05 1.9647 1.9643 1.9639 1.9636 1.9634 1.9631 1.9629 1.9623 1.9612 1.9608
40 0.025 2.2482 2.2476 2.2470 2.2466 2.2462 2.2459 2.2456 2.2448 2.2431 2.2425
50 0.02 2.3338 2.3331 2.3326 2.3321 2.3317 2.3313 2.3310 2.3301 2.3282 2.3276
100 0.01 2.5857 2.5848 2.5841 2.5834 2.5829 2.5824 2.5820 2.5807 2.5783 2.5775
200 0.005 2.8195 2.8184 2.8175 2.8167 2.8160 2.8154 2.8148 2.8133 2.8102 2.8091
1000 0.001 3.3101 3.3082 3.3068 3.3056 3.3044 3.3036 3.3027 3.3002 3.2954 3.2938
2000 0.0005 3.5038 3.5018 3.5000 3.4983 3.4971 3.4960 3.4951 3.4922 3.4863 3.4846
10000 0.0001 3.9220 3.9197 3.9162 3.9150 3.9127 3.9116 3.9104 3.9069 3.8987 3.8953
20000 0.00005 4.0908 4.0885 4.0862 4.0838 4.0815 4.0792 4.0792 4.0745 4.0652 4.0606
100000 0.00001 4.4610 4.4610 4.4517 4.4517 4.4517 4.4517 4.4517 4.4424 4.4331 4.4238
200000 0.000005 4.6194 4.6194 4.6194 4.6007 4.6007 4.6007 4.6007 4.5821 4.5821 4.5821
1000000 0.000001 4.9174 4.9174 4.9174 4.9174 4.9174 4.9174 4.9174 4.9174 4.9174 4.9174
2000000 0.0000005 5.0664 5.0664 5.0664 5.0664 5.0664 5.0664 5.0664 5.0664 5.0664 5.0664


TABLAS DE DISTRIBUCIN JI CUADRADA
Tablas de distribucin "Ji Cuadrada" o X
2
, los grados de libertad se encuentran en la primera fila.
g.l.
NIVEL DE SIGNIFICANCIA
0.1/0.90 0.05/0.95 0.025/0.975 0.01/0.99 0.005/0.995
1 2.7055 3.8415 5.0239 6.6349 7.8794
2 4.6052 5.9915 7.3778 9.2104 10.5965
3 6.2514 7.8147 9.3484 11.3449 12.8381
4 7.7794 9.4877 11.1433 13.2767 14.8602
5 9.2363 11.0705 12.8325 15.0863 16.7496
6 10.6446 12.5916 14.4494 16.8119 18.5475
7 12.017 14.0671 16.0128 18.4753 20.2777
8 13.3616 15.5073 17.5345 20.0902 21.9549
9 14.6837 16.919 19.0228 21.666 23.5893
10 15.9872 18.307 20.4832 23.2093 25.1881
11 17.275 19.6752 21.92 24.725 26.7569
12 18.5493 21.0261 23.3367 26.217 28.2997
13 19.8119 22.362 24.7356 27.6882 29.8193
14 21.0641 23.6848 26.1189 29.1412 31.3194
15 22.3071 24.9958 27.4884 30.578 32.8015
16 23.5418 26.2962 28.8453 31.9999 34.2671
17 24.769 27.5871 30.191 33.4087 35.7184
18 25.9894 28.8693 31.5264 34.8052 37.1564
19 27.2036 30.1435 32.8523 36.1908 38.5821
20 28.412 31.4104 34.1696 37.5663 39.9969
21 29.6151 32.6706 35.4789 38.9322 41.4009
22 30.8133 33.9245 36.7807 40.2894 42.7957
23 32.0069 35.1725 38.0756 41.6383 44.1814
24 33.1962 36.415 39.3641 42.9798 45.5584
25 34.3816 37.6525 40.6465 44.314 46.928
26 35.5632 38.8851 41.9231 45.6416 48.2898
27 36.7412 40.1133 43.1945 46.9628 49.645
28 37.9159 41.3372 44.4608 48.2782 50.9936
29 39.0875 42.5569 45.7223 49.5878 52.3355
30 40.256 43.773 46.9792 50.8922 53.6719
31 41.4217 44.9853 48.2319 52.1914 55.0025
32 42.5847 46.1942 49.4804 53.4857 56.328
33 43.7452 47.3999 50.7251 54.7754 57.6483
34 44.9032 48.6024 51.966 56.0609 58.9637
35 46.0588 49.8018 53.2033 57.342 60.2746
36 47.2122 50.9985 54.4373 58.6192 61.5811
37 48.3634 52.1923 55.668 59.8926 62.8832
38 49.5126 53.3835 56.8955 61.162 64.1812
39 50.6598 54.5722 58.1201 62.4281 65.4753
40 51.805 55.7585 59.3417 63.6908 66.766


41 52.9485 56.9424 60.5606 64.95 68.0526
42 54.0902 58.124 61.7767 66.2063 69.336
43 55.2302 59.3035 62.9903 67.4593 70.6157
44 56.3685 60.4809 64.2014 68.7096 71.8923
45 57.5053 61.6562 65.4101 69.9569 73.166
46 58.6405 62.8296 66.6165 71.2015 74.4367
47 59.7743 64.0011 67.8206 72.4432 75.7039
48 60.9066 65.1708 69.0226 73.6826 76.9689
49 62.0375 66.3387 70.2224 74.9194 78.2306
50 63.1671 67.5048 71.4202 76.1538 79.4898
51 64.2954 68.6693 72.616 77.386 80.7465
52 65.4224 69.8322 73.8099 78.6156 82.0006
53 66.5482 70.9934 75.0019 79.8434 83.2525
54 67.6728 72.1532 76.1921 81.0688 84.5018
55 68.7962 73.3115 77.3804 82.292 85.7491
56 69.9185 74.4683 78.5671 83.5136 86.994
57 71.0397 75.6237 79.7522 84.7327 88.2366
58 72.1598 76.7778 80.9356 85.9501 89.477
59 73.2789 77.9305 82.1174 87.1658 90.7153
60 74.397 79.082 83.2977 88.3794 91.9518
61 75.5141 80.2321 84.4764 89.5912 93.1862
62 76.6302 81.381 85.6537 90.8015 94.4185
63 77.7454 82.5287 86.8296 92.0099 95.6492
64 78.8597 83.6752 88.004 93.2167 96.8779
65 79.973 84.8206 89.1772 94.422 98.1049
66 81.0855 85.9649 90.3488 95.6256 99.3303
67 82.1971 87.108 91.5193 96.8277 100.5538
68 83.3079 88.2502 92.6885 98.0283 101.7757
69 84.4179 89.3912 93.8565 99.2274 102.9961
70 85.527 90.5313 95.0231 100.4251 104.2148
71 86.6354 91.6703 96.1887 101.6214 105.4323
72 87.7431 92.8083 97.353 102.8163 106.6473
73 88.8499 93.9453 98.5162 104.0098 107.8619
74 89.9561 95.0815 99.6784 105.2019 109.0742
75 91.0615 96.2167 100.8393 106.3929 110.2854
76 92.1662 97.351 101.9992 107.5824 111.4954
77 93.2702 98.4844 103.1581 108.7709 112.7037
78 94.3735 99.617 104.3159 109.9582 113.9107
79 95.4762 100.7486 105.4727 111.144 115.1163
80 96.5782 101.8795 106.6285 112.3288 116.3209
81 97.6796 103.0095 107.7834 113.5123 117.524
82 98.7803 104.1387 108.9373 114.6948 118.7261
83 99.8805 105.2672 110.0902 115.8762 119.927
84 100.98 106.3949 111.2422 117.0566 121.1262


85 102.0789 107.5217 112.3933 118.2356 122.3244
86 103.1773 108.6479 113.5436 119.4137 123.5218
87 104.275 109.7733 114.6929 120.5909 124.7176
88 105.3723 110.898 115.8415 121.7672 125.9123
89 106.4689 112.022 116.989 122.9422 127.106
90 107.565 113.1452 118.1359 124.1162 128.2987
91 108.6606 114.2679 119.282 125.2893 129.4902
92 109.7556 115.3898 120.427 126.4616 130.6812
93 110.8501 116.511 121.5714 127.633 131.8705
94 111.9442 117.6317 122.7152 128.8032 133.0589
95 113.0377 118.7516 123.858 129.9725 134.2466
96 114.1307 119.8709 125.0001 131.1411 135.4327
97 115.2232 120.9897 126.1414 132.3089 136.6188
98 116.3153 122.1077 127.2821 133.4756 137.803
99 117.4069 123.2252 128.4219 134.6415 138.9869
100 118.498 124.3421 129.5613 135.8069 140.1697








Distribucion de Probabilidades Completo Total11

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Distribucion de Probabilidades Completo Total11

Uploaded by

Copyright:

Available Formats

Control de calidad Aplicado a la Ingeniera [ESTADISTICA INFERENCIAL]

< Ing. Edmundo Alarcn Cceres > 1

) = 0.4953 + 0.4192 = 0.9145

You might also like