PROBABILIDAD Y ESTADISTICA

Cristian David Vallejo Chamorro

Evelin Julieth Lucero Yandun
Juan Sebastián Martínez Cerón
Diego Mauricio Solarte Gallardo
 TEMAS

• DISTRIBUCIÓN MUESTRAL
• DISTRIBUCIÓN DE DIFERENCIA DE PROPORCIONES
• DISTRIBUCIÓN DE DIFERENCIA DE MEDIAS
• DISTRIBUCIÓN CON T STUDENT
• DISTRIBUCIÓN CON CHI-CUADRADO
• DISTRIBUCION FISHER
DISTRIBUCIÓN MUESTRAL

• X= N.º de días que han faltado al trabajo 50 trabajadores

Obtener:
X n P(x)
1 25 25/50=0.5 -La media poblacional
2 20 20/50=0.4 -La varianza poblacional
3 5 5/50=0.1
-La distribución muestral de la media n=2
-La media de la distribución muestral de la media
-La varianza de la distribución muestral de la
madia
media poblaciona l
x   1 * 0.5  2 * 0.4  3 * 0.1  1.6 X P(X)
1 * 25  2 * 20  3 * 5 1 0.5
 x      1.6 2 0.4
50
3 0.1
varianza poblaciona l
 x2  1  1.62 * 0.5  2  1.62 * 0.4  3  1.62 * 0.1  0.44
ó tambien

 2

1  1.6  * 25  (2  1.6) 2 * 20  (3  1.6) 2 * 5
2
 0.44
x
50
Distribución muestral de la media n=2
MUESTRA Xi X P(X=Xi)
1.1 1 1 0.25
1.2 1.5
1.3 2 1.5 0.4
2.1 1.5
2.2 2 2 0.26
2.3 2.5
3.1 2 2.5 0.08
3.2 2.5
3.3 3 3 0.01
P( X  1)  P( X 1  1, X 2  1)  P( X 1  1) * P( X 2  1)  0.5* 0.5  0.25
p( X  1.5)  P( X 1  1, X 2  2)  P( X 1  2, X 2  1)  0.5* 0.4  0.4 * 0.5  0.4
P( X  2)  P( X 1  1, X 2  3)  P( X 1  2, X 2  2)  P( X 1  3, X 2  1)  0.5* 0.1  0.4 * 0.4  0.1* 0.4  0.26
P( X  2.5)  P( X 1  2, X 2  3)  P( X 1  3, X 2  2)  0.4 * 0.1  0.1* 0.4  0.08
P( X  3)  P( X 1  3, X 2  3)  0.1* 0.1  0.01
 P( X  x )
X  (x )
1 0.25
1.5 0.4
DISTRIBUCIÓN MUESTRAL
2 0.28
DE LA MEDIA
2.5 0.08
3 0.01
MEDIA DE LA DISTRIBUCIÓN MUESTRAL DE LA MEDIA

 X  ( X )  1* 0.25  1.5* 0.4  2 * 0.26  2.5* 0.08  3* 0.01  1.6


 X  ( X )  1.6   X  ( X )  1.6

"LA MEDIA DE LA DISTRIBUCIÓN MUESTRAL DE LA MEDIA

ES IGUAL A LA MEDIA POBLACIONAL"
 VARIANZA DE LA DISTRIBUCIÓN MUESTRAL DE LA MEDIA

X P(X-x)  x2  Var (x)  (1-1.6)2 * 0.25  (1.5  1.6)2 * 0.4  (2  1.6)2 * 0.26  (2.5  1.6)2 * 0.08  (3  1.6) 2 * 0.01  0.22

1 0.25  x2  Var ( x )  0.44   x2  Var ( X )  0.22

0.1 0.4
 x2
2 0.26 Var ( X ) 
Var ( x )
n
 x2 
n

0.44
2
2.5 0.08
3 0.01
LA VARIANZA DE LA DISTRIBUCIÓN MUESTRAL DE LA MEDIA ES IGUAL A
LA VARIANZA POBLACIONAL ENTRE EL TAMAÑO DE LA MUESTR

 x2
 x2 
n
 2
DISTRIBUCIÓN MUESTRAL DE LA CUASIVARIANZA  Sˆ
2
muestras X S
(1  1) 2  (1  1) 2
 0
(1,1) 1 2 1
(1  1.5)  ( 2  1.5) 2
2
 0.5
(1,2) 1.5 2 1
(1  2) 2  (3  2) 2
 2
(1,3) 2 2 1

(2,1) 1.5 0.5

(2,2) 2 0
(2,3) 2.5 0.5
(3,1) 2 2
(3,2) 2.5 0.5
(3,3) 3 0
DISTRIBUCIÓN MUESTRAL DE LA VARIANZA

S2 P(S 2  s 2 )
0 0.42 Distribuci ón muestral de la Varianza
0.5 0.48
con media (S 2 ) y varianza Var(S 2 )
2 0.10
P( S 2  s 2 ) 
P( S 2  0)  P(1,1)  P(2,2)  P(3,3)
 0.5 * 0.5  0.4 * 0.4  0.1 * 0.1  0.42
P( S 2  0.5)  P(1,2)  P(2,1)  P(2,3)  P(3,2)
 0.5 * 0.4  0.4 * 0.5  0.4 * 0.1  0.1 * 0.4  0.48
P(S 2  2)  P(1,3)  P(3,1)
 0.5 * 0.1  0.1 * 0.5  0.10
Obtener la MEDIA de la Distribución Muestral de la
Varianza
S2 P(S 2  s 2 ) ( S 2 )   s 2 
0 0.42 0 * 0.42  0.5 * 0.48  2 * 0.10  0.44
0.5 0.48
 x2  Var ( x)  0.44
2 0.10
E ( S 2 )   s 2  0.44
“La media de la distribución muestral de la varianza es
igual a la varianza poblacional”
OBTENER LA VARIANZA DE LA DISTRIBUCIÓN MUESTRAL DE
LA VARIANZA
 S2  Var ( S 2 )  (0  0.44)2 *0.42  (0.5  0.44)2 *0.48  (2  0.44)2 *0.10  0.32
2

4 3 n 4
Var ( S 2 )   
n n(n  1)
 POB DIST. MUESTRAL DIST. MUESTRAL
X X S2

Media x  ( x )  1.6 x  E ( x )  1.6 s  E ( s 2 )  0.44

s

Varianza  x2  Var ( x )  0.44  x2  Var( x )  0.22  s2  Var( s2 )  0.32

2
DISTRIBUCIÓN DE DIFERENCIA DE
PROPORCIONES

Salario medio hombres=129.000 ptas., σ2=2.500

Salario medio mujeres=128.621 ptas., σ2=3.000
Si tomamos una muestra aleatoria de 36 hombres y 49 mujeres ¿Cuál es
la probabilidad de que el salario medio de los hombres sea al menos 400
ptas mayor al de las mujeres?
A : HOMBRES  X  ?129000,2500 n x  36
B : MUJERES  Y  ?(128621,3000) n y  49
  2500 3000  
X - Y   N129000 - 128621, 
   
  36 49  
N 379,11.43 (X Y )
379 400
   X  Y   379 400  379 
 
P  X  Y   400  P 
 11.43

11.43 


P  Z  1.83  0.0336

(X Y ) 0 1.43 Z
379 400
DISTRIBUCIÓN DE DIFERENCIA DE MEDIAS

En un estudio para comparar los pesos promedio de niños y niñas de

sexto grado en una escuela primaria se usará una muestra aleatoria
de 20 niños y otra de 25 niñas. Se sabe que tanto para niños como
para niñas los pesos siguen una distribución normal. El promedio de
los pesos de todos los niños de sexto grado de esa escuela es de 100
libras y su desviación estándar es de 14.142, mientras que el
promedio de los pesos de todas las niñas del sexto grado de esa
escuela es de 85 libras y su desviación estándar es de 12.247 libras.
Si representa el promedio de los pesos de 20 niños y es el promedio
de los pesos de una muestra de 25 niñas, encuentre la probabilidad
de que el promedio de los pesos de los 20 niños sea al menos 20
libras más grande que el de las 25 niñas.
Solución:
Datos:
=?
μ1 = 100 libras
μ 2 = 85 libras
σ 1 = 14.142 libras
σ 2 = 12.247 libras
n1 = 20 niños
n2 = 25 niñas
Por lo tanto, la probabilidad de que el promedio de los pesos de la
muestra de niños sea al menos 20 libras más grande que el de la
muestra de las niñas es 0.1056.
DISTRIBUCIÓN CON T STUDENT
Ejercicio 1

Los alumnos de ingeniería en sistemas computacionales realizan

pruebas con leds. El representante del grupo dice que sus leds
duran 300 días.
Entonces los ing. en electromecánica van a varios supermercados y
compran 15 leds para probar esa afirmación. Los leds de la muestra
duran en promedio 290 días con una desviación estándar de 50 días.
Entonces, si quieren desmentir al representante de sistemas
necesitan saber cual es la probabilidad de que 15 leds seleccionados
al azar tengan una vida promedio no mayor de 290 días
Datos: Fórmula: Sustitución:
X = 290 X -m 290 - 300 -10
μ = 300 t= t= = = -0.7746
S 50 12.91
S = 50 n 15
n = 15
Ejercicio 2

Los ingenieros en sistemas del Instituto Tecnológico han desarrollado una

aplicación que desarrolla las habilidades de los niños para poder empezar a
hablar a temprana edad.
En su localidad, el promedio de edad, en la cual un niño emite su primera
palabra, es de 13 meses. No se conoce la desviación estándar poblacional.
Los ingenieros ponen en práctica dicha aplicación a una muestra aleatoria
de 15 niños. Los resultados arrojan que la edad media muestra en la que
se pronuncia la primera palabra es de 11 meses, con una desviación
estándar de 3.34.

¿Cuál es la hipótesis alternativa ?

¿Cuál es la hipótesis nula?
¿Funciona la técnica? Utilice  =0,052colas
Hipótesis alternativa H1: La aplicación afecta la edad en que los niños
comienzan a hablar.

Por lo tanto, la muestra con Xobtenido = 11, 0 es una muestra aleatoria, extraída
de una población donde  ≠ 13,0.

Hipótesis Nula H0: La aplicación no afecta la edad en que los niños

comienzan a hablar.

Por lo tanto, la muestra con Xobtenido =11, 0 es una muestra aleatoria , extraída
de una población con  = 13,0.
Datos: Fórmula: Sustitución:
X = 11 X -m 11  13  2
μ = 13 t= t   2.32
S = 3.34 S 3.34 0.862
n = 15 n 15
tCrítico = 2.14 Si tObtenido  tCrítico
Entonces, se rechaza la Hipótesis Nula; por lo que se acepta la Hipótesis
Alterna:
“La técnica afecta la edad en que los niños comienzan a hablar”
DISTRIBUCIÓN CON CHI-CUADRADO

Se desea estudiar hasta qué punto existe relación entre el tiempo de residencia de inmigrantes
en nuestro país y su percepción de integración. Se dispone de una muestra pequeña de 230
inmigrantes a los que se les evaluó en ambas variables obteniéndose la siguiente tabla de
frecuencias observadas. ¿Confirman estos datos la hipótesis planteada con un nivel de
confianza del 95%?

Tiempo de residencia Grado de integración Total

Bajo Alto
Más tiempo 40 90 130
Menos tiempo 90 10 100
Total 130 100 230
 Tiempo de residencia Grado de integración Total
Bajo Alto
Más tiempo 40 90 130
Menos tiempo 90 10 100
Total 130 100 230 f i. f. j
Calculemos las frecuencias esperadas: eij 
n
Tiempo de Grado de integración
residencia Bajo Alto
Más tiempo (130x130)/230=73,4783 (130x100)/230=56,5217
Menos tiempo (100x130)/230=56,5217 (100x100)/230=43,478
 ( f ij  eij ) 2
Calculemos Chi-cuadrado:  exp
2
 
i j eij
1) Hagamos otra tabla, donde restamos a las frecuencias absolutas las
frecuencias esperadas.
2) Este valor elevado al cuadrado.
3) Dividido por la frecuencia esperadas.

Sensación de bienestar Práctica deportiva

Sí No
Sí 15,2534 19,8294
No 19,8294 25,778

exp
2
 15,2534  19,8294  19,8294  25,778  80,69
Tenemos: exp
2
 80,69
Ahora calculemos el valor de la tabla Chi-cuadrado

1) grados de libertad, son:

K = (número de fila-1)x(número de columnas-1)

= (2-1)x(2-1) = 1

2) El valor alfa 0,05

3) El valor que buscamos

 g2.l .;  12;0,05  3,84

Tenemos: exp
2
 80,69
 2
g .l .; 2
1;0, 05  3,84
Por tanto:
exp
2
 12;0,01

SIGNIFICADO: Las variables no son independientes

SIGNIFICADO en el ejemplo: El tiempo de residencia y el grado de

integración estás asociadas.
DISTRIBUCION FISHER

La variabilidad en la cantidad de grasa presente en un lote de un complemento

dietético, utilizada para un proceso de fabricación de un alimento, depende del
origen del complemento. Un fabricante que recibe el complemento de dos
proveedores 1 y 2, hizo una comparación analizando muestras de ambos
proveedores. Muestras de n1=10 y n2=16 mediciones de dos lotes produjeron las
varianzas:
S21=1.25 y S22=0.5
• ¿Presentan los datos evidencia suficiente para indicar que la variabilidad en el
contenido de grasa es menor para el producto que se recibe del proveedor 2?
Realice una prueba con un a= 0.05.
Tenemos nuestras hipótesis:
La Fcalc = 1.25/0.5 = 2.5
Como 2.5 < 2.5876 no se rechaza Ho, y se concluye con un a= 0.05 que no existe
suficiente evidencia para decir que la variabilidad del contenido de grasa del
complemento del proveedor 2 es menor que la del complemento suministrado por
el proveedor 1.