Documente Academic
Documente Profesional
Documente Cultură
Conceptos fundamentales:
-Tecnicas de muestreo:
Probabilisticas:
Clase 2)
Muestras no probabilsticas:
Ejemplos de variables:
A partir de esto, vemos que las variables pueden ser de dos tipos.
Independiente y dependiente.
1;5;2;8;4;3;2;6;2;4.
Tabla de frecuencias:
Color Fi fi Fi%
Blanco 5 Xi/n Xi/n*100
Verde 8
Azul 6
Rojo 1
Totales 20
Fi: Frecuencia acumulada: Nmero de veces que se repite un valor de la
variable
Por ejemplo:
1_ Calcular el Rango.
RANGO=VALmax-VALmin
NI=1+3,322*log80=1+6,32=7,32= NI=7
A=R/NI=44/7=6,28=> a=7
a.Ni=NR=> 7.7=49
Esos 5 valores que sobran es necesario distribuirlos. Podriamos dar
iniciar 3 valores antes del Valinicial y 2 Valores posteriores al inicial.
Quedando los siguientes intervalos de la siguiente forma.
En datos brutos:
Si sobre una vara numerada sin peso, se colocan pesos idnticos sobre
el valor de cada dato, la vara queda en equilibrio cuando se la apoya en
el punto correspondiente a la media.
Por ejemplo.
En una empresa, los sueldos de sus empleados eran
0,0,4,3,1,4,2,1,2
1,88
LA MEDIANA
Pir ejemplo:
2,6,9,3,5,8,7.
Me=Li+((n/2-fa(i-1)/fi).a
Donde
N: tamao de la muestra.
LA MODA:
Mo=Li+(D1/D1+D2)*a
A=amplitud
MEDIA armnica h
2,5, 6, 7, 9
H<=G<=X
MEDIDAS DE POSICIN
Cuartiles:
Son 3 valores que dividen al conjunto de datos, una vez ordenado de manera
creciente o decreciente, en 4 partes iguales, donde cada una concentra el 25%
de los datos.
Qk=Li+(nk/4+fai-1)/fixa
Rango= Vmax-Vmin
o^2=Z(xi-X)^2/n
Por ejemplo.
CV=S.100/X
CV=o.100/u
OJIVAS
Grficos estadsticos
Grfico de linea
Meses Fi
Enero 50
Febrero 60
Marzo 50
Abril 55
mayo 70
Junio 75
julio 80
enero
100
julio febrero
50
junio marzo
mayo abril
Histograma
Polgonos de frecuencias:
Curva de densidad.
Tambin llamado
Medidas de asimetra:
Sesgo estndar:
Vara entre 3 y -3
3.( XMe)
As= S
a 3=
(xiX )3 . fi
3
n.S
X<Me<Mo
Medidas de apuntalamiento:
a 4=
( xiX )4 . fi
n.S
4 -3
Covariacin:
Tratamos ahora de dos variables obtenidas en una misma prueba. Por ejemplo:
En un equipo de futbol, interesan tomar las alturas y los pesos de cada
jugador. Se obtienen asi dos datos de un mismo sujeto.
Grfico de dispersin:
En el grafico podemos observar una clara relacin entre las dos variables.
Interesa conocer aqu, si dos variables estn relacionadas una con la otra, y en
el caso de estarlo, cuan fuerte es esa relacin.
Medida de Pearson:
x . yX . Y
r= S x . Sy
Anlisis de regresin.
Zy=n.a+b.Zx
Zxy=aZx+bZx2
^y=a+bx
b:coeficiente de regresin.
UNIDAD N 3 PROBABILIDAD
Tipos de experimentos:
Sucesos elementales:
Se simboliza con E
S= {C;X
A=Obtener un N par
A={2,4,6}
Tenga en cuenta que los sucesos son conjuntos, por lo tanto valen las
operaciones entre ellos.
A=numero par
B=mayor a 3
AinterB={4,6}
Diferencia:
A-B={2}
Complemento:
A =S-A
q=P(p)=n-k/n=1-k/n=1-p
Esta definicin de probabilidad es aplicable nicamente cando los sucesos
elementales son equiprobables.
i) 0fra1
Por ejemplo si tomamos dos eventos: casado y soltero. No se puede ser ambos.
0P(A)1
A=SP(A)=P(S)=1
P(A1oA2oA3ooAk)=P(A1UA2UUAk)=P(A1)+P(A2)+P(A3)++P(Ak)
Veamos en un ejemplo.
Sea E el espacio muestral formado por 15 bolitas de colores, de las cuales son:
6 negras, 5 rayadas y 4 blancas.
E: es el espacio muestral
A 4
P ( A )= =
E 15
B 0
P (B)= = =0
E 15
s 15
P ( S )= = =1
E 15
Por lo tanto.
0P(X)1
Probabilidad condicional
En el primer intento:
P(A)=10/100
P(B)=90/100
Que ocurre si en la primera extraccin saco una bolita negra y qiero volver a
sacar.
P(A)=9/99
P(B)=90/99
Tomemos un ejemplo
P(H/E)=460/600
n(HE)
n(HE) n(S) P( H E)
P ( H E )= = =
n ( E) n ( E) P( E)
n(S)
P(H E)
P ( H E )=
P(E)
Particiones:
iii) P(Bi)>0
Demostracin
A=
( B 1 A ) U ( b 2 A ) U ( B3 A ) U ( B 4 A )U ( B 5 A)
y si queremos calcular
P(A)= P( ( B1 A ) U ( b 2 A ) U ( B 3 A ) U ( B 4 A ) U ( B 5 A )) .
P ( A )=P ( B 1 A ) + P ( b 2 A )+ P ( B 3 A ) + P ( B 4 A ) P ( B 5 A ) .
P ( A )=P ( B 1 A ) . P ( B 1 )+ P ( b 2 A ) . P ( B 2 ) + P ( B 3 A ) . P ( B 3 ) + P ( B 4 A ) . P ( B 4 ) + P ( B 5 A ) . P ( B 5 )
Veamoslo en un ejemplo:
A: el producto es defectuoso.
P(A)=P(AB1).P(B1)+P(AB2).P(B2)+P(AB3).P(B3)=(0,02.0.3)+0,03.0,45+0.02
.0.25=0,006+0,0135+0,005=0,0245
Si los eventos B1, B2, ,Bk constituyen una particin del espacio
muestral S, donde P(Bk)0 para 2i=1,2,3,,k Entonces.
A Bi
k
P(). P(Bi)
i=1
P ( A|Bi ) . P(Bi)
P ( Bi| A )=
P( Br A)
P ( Br| A )= Por definicin de probabilidad condicional.
P( A)
Utilizando la ley multiplicativa en el numerador y el teorema de la probabilidad
total en el denominador
P ( A|Br ) . P(Br)
P ( Br| A )=
P ( Bi|A ) . P (B i)
Distribuciones de probabilidad
Introduccin.
Variable aleatoria:
i) f(x)0
ii) f ( x ) =1
ii) P(X=xi)=f(x)
tendramos.
1 2 3 4 5
Una VAC tiene una probabilidad 0 de tomar exactamente uno de sus valores,
en consecuencia, su distribucin no puede ser dada de forma tabular. No
podemos trabajar con un valor, sino con un intervalo de valores de nuestra
variable aleatoria.
ii) f ( x ) dx=1
Ejemplo:
En el ejemplo:
Ejercicio:
Esperanza matemtica o valor medio de la variable aleatoria.
En un juego de azar, una persona ganar $5 si, cuando lance tres monedas,
ocurren tres caras o tres cruces, o perder $3 si ocurren una o dos caras. Cul
es el promedio de ganancia que el jugador espera obtener por tirada?
Si es discreta =E ( X )= x i . f ( x i )
i=1
Si es continua =E ( X )= x . f ( x ) dx
n
2=E [ ( X ) ] = ( x ) . f ( xi )
2 2
si es disceta:
i=1
Teorema:
Distribucin binomial
Procesos de Bernoulli:
Def:
ver los ejemplos del libro de estadstica para ingenieros. pag 132 del pdf.
Teorema:
=n. p 2=n. p . q
Por ejemplo:
Tenemos. x=10k=3.p=0,4
b( 10 ; 3; 0,4 )=0,645
Teorema:
La media y la varianza de una distribucin binomial negativa estn dadas por:
k kq
= 2= 2
p p
b( x ; 1 ; p )= p q x1
.definicin:
g ( x ; p )= p q x1
Ejemplo:
p=0,01 x=5
Teorema:
1 q
= 2= 2
p p
Distribucin Hipergeomtrica
La diferencia entre una distribucin binomial y la hipergeomtrica es que la
probabilidad no permanece constante pues el muestreo se realiza sin
reposicin.
Definicin:
C kx C Nk
N x
h ( x ; N ;n ;k )= N Con x=1,2,.,n
Cn
Teorema:
nk 2 Nn k k
= = . n . .(1 )
N N1 N N
(c) Cul es la probabilidad de que al menos una pieza de la muestra sea del
proveedor local?
nk Nn k k
= =n . p 2=n . p . q . n . .(1 )
N N1 N N
No es necesario que N sea muy grande para cumplirse esta relacin, algunos
autores se refieren a que se puede aproximar la distribucin hipergeometrica
por la binomial cuando N>50 y n es menor al 5% del tamao de N
Ejemplo:
Definicin:
et ( t )x
p ( x ; t ) = x=1,2,3 . es elnmero promedio de resultados por unidad de tiempoo region
x!
Ejemplo:
x=6. lamdat: 4
igual a t
Demostracin: hacemos t =u
LA distribucin de Poisson como forma limitante de la binomial.
Distribuciones continuas de probabilidad.
1
f ( x ; A ; B )= A x B 0 en todo otro caso
B A
Distribucin Normal.
x
Z=
Es necesario el uso de tablas para calcular el rea bajo la curva. tabla pag 36.
Ejemplo:
Aproximacin normal de la binomial.
Decimos entonces:
Xnp
Z=
npq
Para la aproximacin tendremos que tener el cuenta el rea del rectngulo con
centro en x. es decir que tiene un rea que va de 3,5 a 4,5. y estos valores son
los que vamos a estandarizar. La suma y resta de 0,5 comunmente se le llama
factor de correccin de continuidad.
otro ejemplo
Distribuciones muestrales.
Supngase que de una poblacin finita de tamao N > n se extraen, todas las muestras posibles
de tamao n. Si se denota con
x y x respectivamente, a la media y a la desviacin estndar
( X 1 X 2) ( 1 2 )
Z=
21 21
+
n1 n2
Las medidas que se calculan con los datos extraidos de una muestra se llaman
Estimadores o estadisticosy los correspondientes a la poblacin se llaman
parmetros.
Estimacin puntual.
Realizar una estimacin puntual es dar un nico valor como posible parmetro
poblacional.
P z Z z =1
Partimos de ( 2 2
)
De aqu que si deseamos buscar cual es el tamao de una muestra para tener
z /2 2
un error menor que un valor e tenemos que n=( )
e
P t T t =1
( 2 2
)
de donde
S S
(
P X t X + t =1
n
2
n 2
)