PROBABILIDAD Y ESTADÍSTICA – MEC122.

Formulario 3 MEC122 Distribución Normal estandarizado:

Parametrización z : 3. Teorema del Limite Central
Probabilidad y Estadística 𝑧=
𝑥−𝜇 1. Concepto de T.L.C.
𝜎 Sean 𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑛 ; 𝑛 variables aleatorias
Contenido: Donde: independientes, distribuidos idénticamente
1. Distribuciones Continuas 𝐸(𝑥−𝜇) = 𝜇 = 0 ; 𝑉(𝑥−𝜇) = 1 con media 𝜇 y desviación estándar 𝜎 ambos
2. Aproximaciones. 𝜎 𝜎
𝑁(𝜇, 𝜎) = 𝑁(0,1) finitos. La suma de esas variables:
3. Teorema Limite Central. 𝑛
𝑥 = variable aleatoria.
4. Muestreo. 𝑆𝑛 = 𝑥1 + 𝑥2 + 𝑥3 + ⋯ + 𝑥𝑛 = ∑ 𝑥𝑖
𝜇 = media aritmética poblacional.
12 p. por: J. Jaime Apaza M. 𝑖=1
𝜎 = desviación estándar poblacional. 𝑧 es una variable aleatoria con media 𝑛𝜇 y
desviación estándar 𝜎√𝑛.
1. Distribuciones Continuas. Propiedades:
𝑛 = tamaño de la muestra (con reemplazo).
1. Unimodal = tiene una única Moda.
1. Distribución Uniforme. ∑𝑛𝑖=1 𝑥𝑖 − ∑𝑛𝑖=1 𝜇𝑖 ∑ 𝑥𝑖 − 𝑛𝜇
2. 𝜇 = 𝑀𝑒 = 𝑀𝑜 = 𝑄2 = 𝐷5 = 𝑃50 𝑧 = 𝑧=
1. Parámetros: Intervalo: [ 𝑎 ; 𝑏 ] 𝜎√𝑛
3. Es simétrica. √∑𝑛𝑖=1 𝜎𝑖2
2. Función de densidad de probabilidad:
4. Asíntota en la abscisa.
1 5. Punto de inflexión: 𝑥 = 𝜇 ± 𝜎 𝑥−𝜇 𝑥−𝜇
𝑝(𝑥) = 𝑠𝑖: 𝑎 ≤ 𝑥 ≤ 𝑏 𝑧= 𝜎 → 𝑧=
𝑏−𝑎 𝜎𝑥
Función de distribución (acumulada): 6. 𝑃(𝜇 − 𝜎 ≤ 𝑥 ≤ 𝜇 + 𝜎) → 68% √𝑛
𝑥
1 𝑃(𝜇 − 2𝜎 ≤ 𝑥 ≤ 𝜇 + 2𝜎) → 95% 𝜎 𝜎
𝑃(𝑥) = ∫ 𝑑𝑥 𝜎𝑥 = → 𝑁(𝜇, 𝜎𝑥 ) = 𝑁 (𝜇, )
𝑎 𝑏 − 𝑎 𝑃(𝜇 − 3𝜎 ≤ 𝑥 ≤ 𝜇 + 3𝜎) → 99% √𝑛 √𝑛
𝑥−𝑎 Error: 𝜀 = |𝑥 − 𝜇|
𝑃(𝑋≤𝑥) = 𝑎≤𝑥≤𝑏
𝑏−𝑎 Una muestra de
3. Media: 2. Aproximaciones. tamaño 𝑛 extraída sin 𝑥−𝜇
𝑎+𝑏 reemplazamiento, de 𝑧=
𝜇=𝐸= 𝜎 √𝑁 − 𝑛
2 1. Aproximación Binomial a la Normal. una población finita
√ 𝑛 𝑁−1
4. Varianza: Distribución Binomial: 𝐵(𝑛, 𝑝) de 𝑁 elementos.
(𝑏 − 𝑎)2 𝜇 = 𝑛𝑝 media.
𝑉(𝑥) = ∑ 𝑥𝑖 − 𝑛𝜇
12 𝜎 = √𝑛𝑝𝑞 desviación estándar. Equivalencias de z: 𝑧=
2. Distribución Exponencial. 𝜎√𝑛
1. Parámetros. Distribución Normal: 𝑁(𝜇, 𝜎 )
𝜆 ; 𝜇=𝛽=
1 𝐵(𝑛, 𝑝) → 𝑁(𝜇, 𝜎) 4. Muestreo.
𝜆 𝑁(𝑛𝑝 , √𝑛𝑝𝑞) → 𝑁(0,1)
2. Función de densidad de probabilidad: 1. Conceptos de Muestreo.
Requisitos:
𝑝(𝑥) = 𝜆𝑒 −𝜆𝑥 𝑛𝑝 ≥ 5 ; 𝑛𝑞 ≥ 5 Estadística Inferencial. - Es una parte de la
Analogía: 𝑦 = 𝑎𝑒 𝑏𝑥 Ampliar, para corregir la transformación de estadística que se encarga de inferir o sacar
Función de distribución (acumulada): Discreta a Continua, con el factor de conclusiones sobre algún estudio.
𝑥
corrección 0,5. ¿Qué es una Muestra? - Muestra es una
𝑃(𝑥) = ∫ 𝜆𝑒 −𝜆𝑥 𝑑𝑥 Es decir, aplicar las propiedades: cantidad finita tomada de una población.
0 Muestra Aleatoria. - Es una muestra que se
𝑃(𝑋≤𝑥) = 1 − 𝑒 −𝜆𝑥 𝑃(𝑋 = 𝑥) ≅ 𝑃(𝑥 − 0.5 ≤ 𝑋 ≤ 𝑥 + 0.5) obtiene de una forma aleatoria (al azar).
3. Media: 𝑃(𝑋 ≤ 𝑥) ≅ 𝑃(𝑋 ≤ 𝑥 + 0.5) Muestra Finita. - Es un conjunto de
1 𝑃(𝑋 < 𝑥) ≅ 𝑃(𝑋 ≤ 𝑥 − 1 + 0.5) elementos contables o mensurables.
𝜇=𝐸=
𝜆 𝑃(𝑋 ≥ 𝑥) ≅ 𝑃(𝑋 ≥ 𝑥 − 0.5)
4. Varianza: 𝑃(𝑋 > 𝑥) ≅ 𝑃(𝑋 ≥ 𝑥 + 1 − 0.5) 2. Tamaño de una Muestra de Medias.
1 Con variables cuantitativas:
𝑉(𝑥) = 2 1. Población Desconocida o Infinita:
𝜆 𝑃(𝑎 ≤ 𝑥 ≤ 𝑏) ≅ 𝑃(𝑎 − 0.5 ≤ 𝑋 ≤ 𝑏 + 0.5)
𝑧2 𝜎 2
3. Distribución Normal. 𝑛= 2
Y se siguen los mismos pasos para resolver 𝜀
1. Parámetros. una distribución Normal. 2. Población Conocida N:
𝑥 → 𝑁(𝜇, 𝜎)
𝑁𝑧 2 𝜎 2
Se lee: 𝑥 tiene una distribución normal con 2. Aproximación Poisson a la Normal. 𝑛=
media 𝜇 y desviación estándar 𝜎. (𝑁 − 1)𝜀 2 + 𝑧 2 𝜎 2
Distribución Poisson: 𝑃𝑜(𝜆)
2. Función de densidad de probabilidad: 𝜇 = 𝑛𝜆 media. 3. Tamaño de Muestra de Proporciones.
1 1 𝑥−𝜇 2 Con variables cualitativas:
𝑓(𝑥) =
− (
𝑒 2 𝜎
) 𝜎 = √𝑛𝜆 desviación estándar.
1. Población Desconocida o Infinita:
𝜎√2𝜋
Distribución Normal: 𝑁(𝜇, 𝜎 ) 𝑧 2 𝑝𝑞
Función de distribución (acumulada): 𝑛= 2
𝑥
1 1 𝑟−𝜇
− ( )
2 𝑃𝑜(𝜆) → 𝑁(𝜇, 𝜎) 𝜀
𝑃(𝑋≤𝑥) = ∫ 𝑒 2 𝜎 𝑑𝑟 𝑁(𝑛𝜆 , √𝑛𝜆) → 𝑁(0,1) 2. Población Conocida N:
−∞ 𝜎√2𝜋
3. Media: Requisitos: 𝑁𝑧 2 𝑝𝑞
𝑛=
𝜇 = 𝐸(𝑥) 𝑛𝜆 ≥ 5 (𝑁 − 1)𝜀 2 + 𝑧 2 𝑝𝑞
4. Varianza: Ampliar, para corregir la transformación de Conf. 90% 95% 96% 98% 99%
𝑉(𝑥) = 𝜎 2 Discreta a Continua, con el factor de z 1.64 1.96 2.05 2.33 2.58
corrección 0,5.
Z = factor de distribución z.
Es decir, aplicar las propiedades:
© 26.08.18, Jabier Jaime Apaza Mamani, 73203246, pág. 9.