Estadstica 1 1 Consideraciones Generales

Consideraciones Generales Al conjunto de mtodos de resumir datos y calcular

Concepto: Estadstica es la ciencia de recolectar, interpretar ciertos parmetros o estadgrafos, se le da el nombre
y analizar datos de la mejor manera posible. genrico de Estadstica Descriptiva.
Utilidad: til en la investigacin cientfica, particularmente Datos son valores de medidas hechas sobre un o ms
donde existe incertidumbre experimental. fenmenos. Cada fenmeno medido es una variable la cual
Objeto: Toma de decisiones en presencia de incertidumbre. puede ser cualitativa o cuantitativa y sta ultima puede ser
Estadstica 2 discreta o continua. Una variable cuantitativa es la que se
Consideraciones Generales expresa mediante un nmero, por tanto se pueden
El trmino estadstica se deriva del latn status, que significa realizar operaciones aritmticas con ella. Una variable
estado o situacin. Ciencia de las matemticas encargada de cualitativa es aquella que representa una caracterstica de
analizar el comportamiento de una poblacin mediante un calidad del fenmeno medido.
estudio cuyo propsito es hacer inferencias (predicciones Ejemplo: candidatos en una eleccin, color, sabor, etc.
sobre un comportamiento de dicha poblacin) a partir de un Estadstica 6
subconjunto de datos, llamado muestra, tomados de la 1 Consideraciones Generales
mencionada poblacin. La estadstica descriptiva se encarga Una variable cuantitativa discreta: Es aquella que slo puede
a su vez de reunir, organizar y analizar datos numricos, as tomar un nmero finito de valores entre dos valores
como ayudar a disear experimentos cualesquiera de una caracterstica. Ejemplo: nmero de
Estadstica 3 personas contadas, nmero de partculas csmicas por
1 Consideraciones Generales minuto, nmero de productos con fallas en una lnea de
Ejemplo: Se cuenta el nmero de partculas de oro de 3 produccin etc.
mm. de dimetro y totalmente liberadas que se encuentran Una variable cuantitativa continua: Es aquella que puede
en 24 muestras de un cierto mineral. Los resultados son: tomar un nmero infinito de valores entre dos valores
3 0 0 1 0 2 1 0 cualesquiera de una caracterstica. Ejemplo: los valores que
0 3 4 1 2 0 2 0 se miden de longitud, presin, temperatura, tiempo, etc.
1 0 1 2 0 2 1 0 Estadstica 7
Observaciones: 1 Consideraciones Generales
Observaciones estn entre 0 y 4 Clasificar las siguientes variables en cualitativas y
El valor ms frecuente es 0 cuantitativas discretas o continuas.
No se puede predecir el siguiente valor 1. La nacionalidad de una
Las variaciones no son sistemticas. Son al azar. persona..Cualitativa
Comentario 2. Nmero de litros de agua contenidos en un
Mtodos estadsticos no son un substituto de leyes fsicas depsito
que gobiernan un problema Cuantitativa continua
Estadstica 4 ejemplo en curso. 3. El rea de las distintas baldosas de un edificio
1 Consideraciones Generales Cuantitativa continua
Estadstica5
4. Suma de puntos tenidos en el lanzamiento de un par de 2 Formas Simples de Resumir datos: Las formas ms
dados comunes de resumir datos son tablas y grficos. En ambos
Cuantitativa discreta. casos, se muestra la frecuencia con la que un valor de una
variable ha ocurrido en un experimento dado. En otras
palabras, muestran la frecuencia de los resultados.
Mtodos Grficos
Estadstica 8 Grfica de Barras: Se emplean para variables cualitativas y
1 Consideraciones Generales para cuantitativas discretas.
Cuando emplear mtodos estadsticos? Ejemplo: los resultados del experimento anterior se
1.No se entienden por completo las leyes fsicas que pueden registrar en una tabla y en una grfico. La
gobiernan un problema variable es: nmero de partculas de oro; los valores de la
2. Experimento no ha sido hecho antes. variable son 0, 1, 2, 3 y 4:
3. No se conoce el Numero de frecuencia Estadstica 11
particulas
comportamiento de un 0 10 2 Formas Simples de Resumir datos
instrumental y tcnica. 1 6
4. Existe presin econmica y de 2 5 tiempo.
5. En presencia de resultados 3 2
4 1
inesperados en un experimento o en una
total 24
cierta produccin.
Estadstica 9
1 Consideraciones Generales
Cules son los pasos a seguir cuando se decide emplear
mtodos estadsticos ?
Estadstica 12
1.Estudiar la tecnologa actual para tener informacin sobre
2 Formas Simples de Resumir datos
posibles resultados experimentales
Histograma
2. Definir el objetivo del programa de experimentos
Se emplean usualmente con variables cuantitativa continuas.
3.Definir las variables que afectan los resultados
Ejemplo: Se mide con gran precisin el contenido de estao
4.Disear un programa de experimentos en base a valores
en 100 muestras de mineral. Los resultado tabulados son:
sucesivos de cada variable.
Contenido de Estao (% Nmero de muestras
5.Llevar a cabo los experimentos tal que se obtengan datos de Sn)
precisos y exactos 20 - 22 6
22 - 24 15
6.Registrar todos los resultados ordenadamente. 24 - 26 40
7.Analizar los resultados para tomar decisiones y/o hacer 26 - 28 30
28 - 30 9
predicciones (inferencia) total 100
Estadstica 10
Estadstica 13
2 Formas Simples de Resumir datos Jaime Ortega
Histograma 15
Se emplean usualmente con variables cuantitativa continuas.

Estadstica
Formas Simples de Resumir datos
Curva de Frecuencia Acumulada
Consiste en agrupar datos sumando las observaciones de
una clase con las de la anterior.
Ejemplo: de la tabla anterior se tiene:
Contenido de Nmero de
Estadstica Frecuencia
2 Formas Simples de Resumir datos Acumulada
Cmo dibujar un Histograma Estao
1. Agrupar las observaciones entre 5 y 20 intervalos de clase muestras
2. Obtener un representante de clase que es el punto medio (% de Sn)
de la clase. 20 - 22
3. Determinar el nmero de observaciones en cada clase o 22 - 24
intervalo. 24 - 26
4. Construir rectngulos con centros en el representante de 6
clase. 6
Ejercicio: construir el histograma de la distribucin de edades 15
de los alumnos de la clase 40
19/9/2016 21
Jaime Ortega 61
14 26 - 28
28 - 30
30
Estadstica 9
Formas Simples de Resumir datos 91
Curva de Frecuencias 9
Si hay muchas observaciones, el histograma se puede Total
reemplazar por una curva suave que pasa por 100
las intersecciones de los valores de frecuencia con los 19/9/2016
representantes de clase. Jaime Ortega
19/9/2016 16
 valor esperado de una distribucin; de hecho, es un
estimador de mxima verosimilitud. Se
Estadstica calcula mediante:
2 Formas Simples de Resumir datos n
Curva de Frecuencia Acumulada y
19/9/2016 i
Jaime Ortega n
17 _
y =

Estadstica i=1
II Formas Simples de Resumir datos Donde : yi son las observaciones y n es el nmero total de
Estadgrafos de Resumen de Datos observaciones.
Adems de los mtodos grficos, es til calcular algunos 19/9/2016
parmetros que resumen el conjunto de datos. Jaime Ortega
Cualquier cantidad que es calculada a partir de datos 19
estadsticos se llama estadgrafo.
Los ms simples son de dos tipos: medidas de locacin o
tendencia central y medidas de dispersin. Estadstica
Medidas de Posicin Central Formas Simples de Resumir Datos
Son la media, mediana y moda. La Media
Estas medidas asumen la representatividad del conjunto de Si los datos estn tabulados en frecuencias la formula de
datos. clculo es:
Cuando la distribucin es simtrica, todas ellas se centralizan N
cerca al mximo de la curva.
19/9/2016 f y
Jaime Ortega i i
18 _
y = i1
N
Estadstica
Formas Simples de Resumir datos f i
La Media i1
Es el estadgrafo ms importante de todos. Ms adelante se Donde N es el nmero de observaciones no repetidas, yi es
ver que la media muestral estima el el representante de clase y fi es la
frecuencia con la que se repite la i-sima observacin.
19/9/2016 tiene un cierto nivel de ventas, segn se muestra en la
Jaime Ortega tabla abajo. Cual es la media del margen de
20 utilidades?
Lnea de Margen de Utilidad en
Ventas (US$)
Estadstica (W)
Formas Simples de Resumir datos n
La Media Ponderada
Tambin conocida como promedio ponderado, es una media yiwi
aritmtica en donde cada uno de los Productos
valores se pondera de acuerdo con su importancia en el %
grupo en general. Esto es, que a cada valor i1
yi se multiplica por el factor de ponderacin (X)
correspondiente, w , tras de lo cual los productos se A
i B
suman para posteriormente dividirse entre la suma de las 4.2
ponderaciones. 5.5
La frmula de clculo es: 30,000
n 20,000 110,000
126,000
wi yi C
_ D
y = i1n Total
7.4
wi 10.1
i1 5,000
19/9/2016 3,000
Jaime Ortega 58,000
21 37,000
30,300
303,300
Estadstica 19/9/2016
Formas Simples de Resumir datos Jaime Ortega
La Media Ponderada 22
Ejemplo: Se tiene cuatro de lneas de productos: A B, C, D y
cada lnea deja un margen de utilidad y
Estadstica =
Formas Simples de Resumir datos con n par
_ +1
y (arit) = 2
4.2 5.5 7.4 10.1 6.8% +
2
La Media Aritmtica 2+1
4 =
y_ = 303,300 5,23% con n impar
58,000 2
La Media Ponderada 19/9/2016
Utilizar la media aritmtica de 6.8 % es asumir Jaime Ortega
errneamente- que todos los productos tienen el mismo 24
volumen de ventas y que se puede esperar un margen de
utilidad de 6.8% para todos.
Ejercicio: calcular la media ponderada de los habitantes de Estadstica
La Paz, Oruro y Cochabamba. Formas Simples de Resumir Datos Medidas de Dispersin
19/9/2016 Ejemplo: un estudio de gente afectada por una enfermedad
Jaime Ortega revel que la mayora de las personas
23 afectadas estaban por debajo de los dos aos y por encima
de los setenta; seria por tanto engaoso
concluir simplemente que el "promedio de edad de la gente
Estadstica afectada es 36 aos" sabiendo que los
Formas Simples de Resumir Datos datos estn dispersos sobre casi todo el rango de la vida
La Mediana humana.
Es el valor de clase que corresponde al 50% de las Es importante saber cuan dispersos estn los datos pues:
observaciones. Se la utiliza en ocasiones en lugar de - Permite juzgar la confiabilidad de la medida de tendencia
la media, especialmente en casos de distribucin asimtrica. central. Si los datos se encuentran
La mediana es una medida de la accin de ampliamente dispersos, la posicin central es menos
contar y por tanto no esta afectada por valores extremos. representativa.
Si y , y , y , .y son los datos de una muestra ordenada, - Una amplia dispersin de valores con respecto al centro de
entonces: distribucin presenta riesgos
1 generalmente inaceptables
2 19/9/2016
3 Jaime Ortega
n 25
 27

Estadstica
Formas Simples de Resumir Datos Medidas de Dispersin Estadstica
Toda medida de posicin central, para tener una adecuada Formas Simples de Resumir Datos
interpretacin, debe estar acompaada Medidas de Dispersin: La Varianza Muestral y la Desviacin
de una de dispersin. Las ms comunes son: el rango, la Estndar
desviacin media absoluta, la varianza, Ambas dan una medida de la dispersin de los datos
la desviacin estndar y el coeficiente de variacin. alrededor de la media. Cuando los valores
El Rango estn ms alejados los unos de los otros, mayor ser el
Diferencia entre el valor de la mayor y la menor observacin. valor de la Varianza y de la desviacin
til para comparar la variabilidad de estndar.
muestras de igual tamao. Es muy sensitivo al nmero de 2
observaciones y por tanto no es una La Varianza Muestral se calcula mediante:
caracterstica descriptiva de una poblacin. 2
19/9/2016 =
Jaime Ortega 1
26 =1
2
La desviacin estndar es la raz cuadrada de la Varianza:
Estadstica = =
Formas Simples de Resumir Datos Medidas de Dispersin 1
La Desviacin Media Absoluta (MAD) =1
Es el promedio de las desviaciones absolutas respecto de la La desviacin estndar tiene las mismas unidades que las
media. Es decir: medidas originales y por esta razn se la
prefiere como un estadgrafo de dispersin; sin embargo,
y y para propsitos de anlisis terico y de
clculo, se trabaja generalmente con varianzas.
n 19/9/2016
i Jaime Ortega
28
M.A.D =
n
i=1 Estadstica
19/9/2016 Formas Simples de Resumir Datos
Jaime Ortega Medidas de Dispersin
La Varianza Muestral y la Desviacin Estndar =1
2 =1
2 19/9/2016
1 Jaime Ortega
2 30
=
= =
1 Estadstica
=1 Formas Simples de Resumir Datos
=1 Medidas de Dispersin: La Varianza Muestral y la
El uso de (n-1) en lugar de n en el denominador confunde a Desviacin Estndar
muchas personas. Es el nmero de grados = = =0
de libertad de una suma de cuadrados, es igual al nmero de =1
elementos independientes en dicha suma. =1
19/9/2016 Ahora imaginemos que se tienen 3 valores de y que se
Jaime Ortega pueden modificar arbitrariamente, pero con la
29 condicin de que la suma de los residuos sea 0. Se puede
utilizar cualquier cantidad a dos de los tres
valores de y, porque el otro va a estar dado por la frmula, es
Estadstica decir que tienes dos grados de libertad
II Formas Simples de Resumir Datos En aquellas raras ocasiones cuando se conoce la media
Medidas de Dispersin: La Varianza Muestral y la Desviacin poblacional, la formula de la varianza tendr
Estndar n en el denominador.
2 19/9/2016
2 Jaime Ortega
1 31
2
=
= = Teora de Probabilidades
1 Concepto de Probabilidad
=1 Probabilidad es la posibilidad de ocurrencia de un cierto
=1 evento en un experimento dado. La teora de
En Estadstica, la suma de los residuos es probabilidades permite medir dicha posibilidad.
necesariamente 0 ya que existen variables con valores Estadstica y Probabilidad
superiores e inferiores a la media. La relacin entre probabilidad y estadstica puede verse
= = =0 mediante el siguiente ejemplo:
Un lote de 10,000 vlvulas de tubera se importan para 19/9/2016
la industria petroqumica. El fabricante Jaime Ortega
especifica que el lote contiene una proporcin p igual al 33
10 % o 0.1 de defectuosas. Si se toman
muestras de 100 vlvulas, se debe esperar que existan 10
defectuosas en cada muestra; sin embargo, al Teora de Probabilidades
tomar varias muestras, algunas tendrn 8 defectuosas, Concepto de Probabilidad
otras tendrn 9, 10, 11, etc. La Teora de Estadstica y Probabilidad
Probabilidades nos permite calcular la posibilidad o En resumen:
probabilidad de obtener un nmero determinado de La Estadstica acumula y analiza la masa de datos
vlvulas defectuosas en una muestra, obtenida bajo ciertas numricos provenientes de los resultados de
condiciones. En la realidad, la Estadstica ciertas actividades o de la observacin de fenmenos.
nos permite estimar el valor de p. La Probabilidad se encarga de evaluar la posibilidad de
19/9/2016 ocurrencia de los resultados de todas
Jaime Ortega aquellas actividades en donde se tiene incertidumbre
32 acerca de los resultados que se pueden
esperar.
19/9/2016
Teora de Probabilidades Jaime Ortega
Concepto de Probabilidad 34
Estadstica y Probabilidad
Una situacin real implica el conocer varios parmetros
o variables (en el ejemplo anterior el Teora de Probabilidades
parmetro es p). Definiciones y Conceptos
Si stos no se conocen y tienen que ser estimados a partir de Experimento Aleatorio
datos experimentales, se est en presencia Se llama experimento o fenmeno aleatorio a aqul cuyos
de un problema estadstico. resultados no se pueden predecir de
Una ves que dichos parmetros han sido estimados, ellos antemano en una experiencia concreta.
pueden ser utilizados para deducir el Se llama experimento determinista o determinstico al
comportamiento de un sistema o modelo a travs de la que, realizado en las mismas condiciones, es
solucin a un problema probabilstico; sin posible predecir los resultados (Fsica del problema).
embargo, Espacio Muestral: Es el conjunto de todos los posibles
.. para poder resolver el problema estadstico, se necesita resultados de un experimento aleatorio.
un conocimiento previo de la teora de Punto Muestral: Es un posible resultado de un experimento
probabilidades lo que determina una relacin biunvoca entre (un evento) aleatorio.
Probabilidades y Estadstica. 19/9/2016
Jaime Ortega el sentido de que los valores de probabilidad indican en el
35 largo plazo la tasa relativa de ocurrencia
del evento.
19/9/2016
Teora de Probabilidades Jaime Ortega
Definiciones y Conceptos 37
Probabilidad de La Place
Cuando se pueda asegurar que se cumple el postulado de
indiferencia, es decir que todos los sucesos Teora de Probabilidades
elementales o posibles resultados de un experimento son Definiciones y Conceptos
igualmente posibles y mutuamente excluyentes Probabilidad Puntual o Probabilidad del Punto Muestral
(no pueden ocurrir dos al mismo tiempo) entonces se define Es la frecuencia de ocurrencia del evento en muchas
que la probalidad de ocurrencia de un evento repeticiones del experimento.
cualquiera (a) se la puede estimar mediante: Si se designa un evento con y, la probabilidad de su
P(a) nmerode casosfavorables ocurrencia se expresa por P(y).
nmerode casosposibles Ejemplos:
19/9/2016 1.- Se lanza una moneda regular (experimento), el Espacio
Jaime Ortega Muestral es Cara y Cruz, es decir Ca y Cr. La
36 probabilidad de ocurrencia de Cara es igual a la de Cruz y se
denota por: P(Ca) = P(Cr) = 1/2.
19/9/2016
Teora de Probabilidades Jaime Ortega
Definiciones y Conceptos 38
Probabilidad de La Place
Se observ que en 9 de cada 50 vehculos que pasan por
una cierta esquina, los conductores no Teora de Probabilidades
tienen cinturn de seguridad. Si un vigilante de trnsito se Definiciones y Conceptos
para en esa misma esquina en un da Probabilidad del Punto Muestral
cualquiera Cul ser la probabilidad que detenga un 2.- Se lanzan dos dados. El Espacio Muestral consiste de 36
vehculo sin cinturn de seguridad? combinaciones que se muestran abajo.
P(a) frecuencia observada de casosfavorables 9 1,1
0.18 2,1
frecuenciaobservada de casosposibles 50 3,1
Tanto el enfoque clsico como el enfoque emprico conducen 4,1
a valores objetivos de probabilidad, en 5,1
6,1
1,2 19/9/2016
2,2 Jaime Ortega
3,2 39
4,2
5,2
6,2 Teora de Probabilidades
1,3 Definiciones y Conceptos: Tipos de Eventos
2,3 a) Eventos Mutuamente Excluyentes
3,3 Dos eventos E1 y E2 son mutuamente excluyentes si
4,3 ambos no pueden ocurrir al mismo tiempo. En
5,3 trminos de probabilidad esto se expresa por:
6,3 P(E E ) = P(E ) + P(E2)
1,4 1
2,4 2
3,4 1
4,4 b) Eventos que no son Mutuamente Excluyentes
5,4 Dos eventos E y E no son mutuamente excluyentes si
6,4 ambos pueden ocurrir al mismo tiempo. En
1,5 1
2,5, 2
3,5 trminos de probabilidad esto se expresa por:
4,5 P(E E ) = P(E ) + P(E ) - P(E y E2)
5,5 1
6,5 2
1,6 1
2,6 2
3,6 1
4,6 Donde P(E y E ) es la probabilidad que ambos eventos
5,6 ocurran.
6,6 1
Cada uno de los 36 puntos muestrales tiene la misma 2
probabilidad de ocurrencia. Por la simple 19/9/2016
inspeccin de la tabla anterior se tiene que: Jaime Ortega
P(suma de dos dados sea siete) = 6/36 = 1/6 40
Return
P(suma de dos dados sea siete u once) = 6/36 + 2/36 = 2/9
Teora de Probabilidades Ejemplo: Se tienen cinco libros de distintas materias:
Definiciones y Conceptos: Tipos de Eventos Matemtica, Biologa, Qumica, Fsica y Lenguaje.
Ejemplo: Se lanzan dos dados, cual es la probabilidad que Si se toma uno de ellos, cul es la probabilidad de que este
la suma sea 7 (E ) o al menos uno de los dados sea de matemtica o de fsica?
1 Solucin:
sea 3 (E )? Sean los eventos:
2 E =Tomar el libro de Matemticas.
Examinando la tabla anterior se tiene: 1
Posibles resultados de E (1,6), (2,5), (3,4), (4,3) (5,2), E =Tomar el libro de Fsica.
(6,1) 2
1 La probabilidad pedida es: P(E E ) = P(E ) + P(E ) -
P(E ) = 6/36 P(E y E2)
1 1
(1,3), (2,3), (3,3), (4,3), (5,3), (6,3), 2
(3,1), (3,2), (3,4), (3,5), (3,6) 1
Posibles resultados de E2 2
P(E ) =11/36 1
2 P(E E ) = P(E ) + P(E ) - P(E E2)
Posibles resultados de E y E (3,4), (4,3) 1
P(E y E ) = 2/36 2
1 1
2 2
1 1
2 Como E y E son eventos mutuamente excluyentes: P(E
Por lo tanto E )=0
P(E E ) = P(E ) + P(E ) - P(E y E ) = 6/36 + 11/36 - 2/36 1
= 15/36 2
1 2 1 2 1 2 1
41 2
19/9/2016 Por lo tanto nos queda:
Jaime Ortega P(E E ) = P(E ) + P(E ) = 1/5 + 1/5 = 2/5

1
Teora de Probabilidades 2
Definiciones y Conceptos: Tipos de Eventos 1
2
19/9/2016 19/9/2016
Jaime Ortega Jaime Ortega
42 43

Teora de Probabilidades Teora de Probabilidades

Definiciones y Conceptos : Probabilidad Condicional Definiciones y Conceptos : Eventos Dependientes e
La probabilidad condicional de un evento E , dado que un Independientes
evento E , sucedi se calcula mediante: Se dice que dos eventos E y E son independientes si: P(E /E
1 ) = P(E ).
2 1
P(E /E ) = P(E y E )/P(E ) o bien: 2
1 1
2 2
1 1
2 Se dice que dos eventos E y E son dependientes si: P(E /E
2 ) P(E ).
P(E /E ) = P(E E )/ P(E ) 1
1 2
2 1
1 2
2 1
2 Ejemplo: dos lanzamientos sucesivos de dos dados son
Ejemplo: Se lanzan dos dados, dado que al menos un dado sucesos independientes. La probabilidad que la
es 3, cual es la probabilidad que la suma sea 7? suma sea 7: 6/36, es la misma en ambos lanzamientos !
E = al menos un dado es 3 = 11/36 E = la suma es 7 = Nota .- Existe una creencia popular llamada "ley del
2/36 promedio". Segn esto, si en el primer lanzamiento la
por tanto: suma fue 7, la probabilidad que la suma sea 7 en el
2 segundo lanzamiento es menor. Esto implicara que
1 los dados tienen algn tipo de memoria !
P(E /E ) = P(E E )/P(E ) = (2/36) / (11/36) = 2/11 Si dos sucesos E1 y E2 son independientes, entonces: P(E
1 E ) = P(E ) P(E2)
2 1
1 2
2 1
2 19/9/2016
Jaime Ortega
44
Teora de Probabilidades
Variables Aleatorias
Teora de Probabilidades Definiciones y Conceptos :
Definiciones y Conceptos : Combinaciones La definicin formal menciona que una variable aleatoria o
El nmero de maneras en las cuales se puede seleccionar r variable estocstica es una funcin que
objetos de n distintos, sin tomar en cuenta el asigna un valor, usualmente numrico, al Espacio Muestral
orden de seleccin de un experimento aleatorio
En trminos matemticos, se llama nmero de En trminos simples, una variable aleatoria es la forma
combinaciones de n objetos tomados de r, y se denota por de asignar un nmero particular, a un
n Cr . resultado experimental dado.
n De manera similar a los "datos" o caractersticas en
observacin, mencionados en la Seccin de
r (n r)!r! Estadstica Descriptiva, la variables aleatorias tambin
pueden ser discretas o continuas.
n! 19/9/2016
n Jaime Ortega
C 46
La formula de clculo es:

r Teora de Probabilidades
Ejemplo: Un inspector toma muestras de 5 artculos de un Definiciones y Conceptos : Variables Aleatorias
lote de 100. Ejemplo 1:
100 Experimento: medir la temperatura en escala Kelvin.
100! valores medidos de temperatura
(100 5)!5! Variable aleatoria:
La variable aleatoria es continua pues tomar valores entre
100C5 cero e infinito
Cuantas muestras distintas puede obtener? Si se denota a la variable con Y, entonces: Y= ( 0 T )
donde T es la temperatura.
5 19/9/2016
Jaime Ortega
19/9/2016 47
Jaime Ortega
45
Teora de Probabilidades La probabilidad que Y tome un valor particular y, se
Definiciones y Conceptos : Variables Aleatorias denotar como P(Y = y) o simplemente como P(y).
Ejemplo 2: =
Experimento: se lanza una moneda dos veces ;
Variable aleatoria: nmero de caras 19/9/2016
La variable es discreta pues tomar valores de 0,1 y 2. Es Jaime Ortega
decir: Y=(0,1,2) 49
Otras variables son: la Media, la Varianza y la Desviacin
Estndar.
19/9/2016 Teora de Probabilidades
Jaime Ortega Distribucin de Probabilidades Discreta
48 Ejemplo: Se lanzan dos dados regulares
Variable Aleatoria: La suma de los nmeros de los dos dados
Valores de la variable:Y = (2,3,4,............11,12)
Teora de Probabilidades Por inspeccin a la tabla anterior la Distribucin de
Distribuciones de Probabilidad Probabilidades ser: (trabajo de alumnos)
La distribucin de probabilidad de una variable aleatoria, P(Y=2) = P(2) = 1/36
es una funcin que asigna a cada valor P(Y=5) = P(5) = 4/36
posible de dicha variable aleatoria, una probabilidad de P(Y=8) = P(8) = 5/36
ocurrencia del mencionado valor. P(Y=11) = P(11) = 2/36
Distribucin de Probabilidades Discreta P(Y=3) = P(3) = 2/36
Si una variable aleatoria discreta Y, puede tomar valores y , P(Y=6) = P(6) = 5/36
y , y , ... y con probabilidades de P(Y=9) = P(9) = 4/36
1 P(Y=12) = P(12) = 1/36
2 P(Y=4) = P(4) = 3/36
3 P(Y=7) = P(7) = 6/36
n P(Y=10) = P(10) = 3/36
ocurrencia p , p , p , ... p , donde p 0, para todo i, 19/9/2016
entonces tal situacin define una Jaime Ortega
1 50
2
3
n Teora de Probabilidades
i Distribucin de Probabilidades Discreta
Distribucin de Probabilidades Discreta. Ejemplo: Se desea realizar un estudio sobre el nmero de
En trminos matemticos: cras en una camada de algn mamfero. Se
sabe que el nmero mximo de cras es 3. 52
Variable Aleatoria:
Y = nmero de cras en una camada.
Y toma los valores: y = 0,1,2,3 Teora de Probabilidades
Se sabe tambin ( por estudios de frecuencia) que las Distribucin de Probabilidades Discreta
probabilidades son: Ejemplo: Se desea realizar un estudio sobre el nmero de
P(Y=0) = 0.2 cras en una camada de algn mamfero. Se
P(Y=1) = 0.3 sabe que el nmero mximo de cras es 3.
P(Y=2) = 0.3 0.0
P(Y=3) = 0.2 <0
19/9/2016 0.2 0 < 1
Jaime Ortega = 0.5 1 < 2
51 0.8 2 < 3
1.0
3
Teora de Probabilidades Cul es la probabilidad que una camada
Distribucin de Probabilidades Discreta tenga dos cras?
Ejemplo: Se desea realizar un estudio sobre el nmero de P(Y=2) = F(2) F(1) = 0.3
cras en una camada de algn mamfero. Se 19/9/2016
sabe que el nmero mximo de cras es 3. Jaime Ortega
La Funcin Acumulada de Distribucin de Probabilidades o 53
Funcin de Probabilidades se presenta
como sigue:
0.0 Teora de Probabilidades
<0 Distribucin Binomial
P(Y=0) = 0.2 Supngase que se repiten n veces un experimento el cual
P(Y=1) = 0.3 puede ser un xito, con probabilidad p,
P(Y=2) = 0.3 o un fracaso con probabilidad (1-p).
P(Y=3) = 0.2 El nmero de xitos ser un nmero entero entre 0 y n.
0.2 0 < 1 Se define la variable aleatoria binomial, Y, como el nmero
= 0.5 1 < 2 de xitos en las n repeticiones.
0.8 2 < 3 La variable binomial es una variable aleatoria discreta, slo
1.0 puede tomar los valores 0, 1, 2, 3, 4, ...,
3 n suponiendo que se han realizado n pruebas.
19/9/2016 Como hay que considerar todas las maneras posibles de
Jaime Ortega obtener r-xitos y (n-r) fracasos, el total de
posible combinaciones de xitos y fracasos es:
n
Cr Teora de Probabilidades
19/9/2016 Media y Varianza de la Distribucin Binomial
Jaime Ortega Media
54 Si Y es una variable aleatoria discreta que toma valores y
, y , y , ... y con probabilidades de
1
Teora de Probabilidades 2
Distribucin Binomial 3
Se repite n veces un experimento el cual puede ser un n
xito, con probabilidad p, o un fracaso con ocurrencia p , p , p , ... p , con p 0, para todo i,
probabilidad (1-p). El nmero de xitos ser un nmero entonces el valor esperado (medio) de Y esta dado
entero entre 0 y n. 1
Considerar todas las maneras posibles de obtener r-xitos y 2
(n-r) fracasos, el total de combinaciones de 3
xitos y fracasos es: n
n i
Cr por:
Por lo tanto, la probabilidad de tener r xitos (Funcin de N
probabilidad de la Distribucin Binomial )
est dada por: E(Y) y pi
( ) ( )n i
PY r Pr i1
r Para una distribucin Binomial se tiene:
(1 )nr N
p p
Cr n
n r
(1 )nr
P(r) 1
Es condicin indispensable que: p p r np
r0 ( )
19/9/2016 EY
Jaime Ortega Cr
55 r0
19/9/2016 varianza(Y) = E[ (Y - ) ]
Jaime Ortega Para una distribucin Binomial se tiene:
56 N

n
Teora de Probabilidades nr
Media y Varianza de la Distribucin Binomial
Media 2
Es importante notar que si una poblacin puede ser
descrita por una distribucin Binomial, entonces el (r np) p (1 p) np(1 p)
valor esperado de la distribucin es igual al valor terico de 2
la media poblacional, es decir: r
E(Y ) np
19/9/2016 C
Jaime Ortega r
57 r0
19/9/2016
Jaime Ortega
Teora de Probabilidades 58
Media y Varianza de la Distribucin Binomial
Varianza
Si Y es una variable aleatoria discreta que toma valores y Teora de Probabilidades
, y , y , ... y con probabilidades de Media y Varianza de la Distribucin Binomial
1 Varianza
2 Al igual que en el caso de la media, si una poblacin
3 puede ser descrita por una distribucin de
n probabilidades, entonces el entonces la Varianza de la
ocurrencia p , p , p , ... p , con p 0, para todo i, distribucin es igual a la Varianza poblacional. Es
entonces la varianza de Y est dada por: decir:
1 N
2
3
n 2
i 2
(yi ) pi
2
i1 23
19/9/2016 20
Jaime Ortega 17
59 15
11
10
Teora de Probabilidades 10
Distribuciones Continuas 0
Se consideraron distribuciones discretas donde la variable 6
aleatoria puede tomar solamente un conjunto 5
discreto de valores. Ahora se analizarn distribuciones 1
continuas donde la variable aleatoria puede tomar 11
cualquier valor en algn intervalo especifico. 13
En la seccin de Estadstica Descriptiva vio la manera 15
en la cual observaciones hechas sobre una 17
variable continua pueden ser representadas en un 19
histograma. En tanto se hagan ms y ms 21
observaciones y el intervalo de clase se haga mas 23
pequeo, el histograma puede aproximarse por una 25
curva continua llamada curva de frecuencia 27
19/9/2016 29
Jaime Ortega 31
60 33
35
37
Teora de Probabilidades 39
Distribuciones Continuas Contenido de Sn (%)
Distribucin de Muestras de Mineral de Estao 19/9/2016
50 Jaime Ortega
40 61
30
20
40 Teora de Probabilidades
36 Distribuciones Continuas
35 Distribucin de Muestras de Mineral de Estao
25 En el grfico, si el contenido de Estao de las
muestras analizadas se considera una variable 29
aleatoria (Y) y la curva puede describirse en trminos 31
estndares tal que el rea bajo la misma sea igual a la 33
unidad, entonces el grfico se llama curva de 35
probabilidad. La altura de la curva de probabilidad 37
en cualquier punto Y se denota por f(Y) y a esta 39
funcin se la llama funcin de densidad de Contenido de Sn (%)
probabilidades o f.d.p. 19/9/2016
50 Jaime Ortega
40 62
30
20
10 Teora de Probabilidades
0 Distribuciones Continuas
40 La funcin de densidad de probabilidades debe satisfacer las
36 siguientes condiciones:
35 (a) f (y) 0 para todo y
25
23
20 (b) f (y)dy 1
17
15 (c) Para cualquier a,b tal que a b
11 b
10
15 se tiene que : P(a Y b) f (y)dy
6 a
5 19/9/2016
1 Jaime Ortega
11 63
13
17
19 Teora de Probabilidades
21 Distribuciones Continuas
23 Observaciones
25 Con respecto a las tres propiedades anotadas debe decirse lo
27 siguiente:
1.- La funcin es siempre positiva. Teora de Probabilidades
2.- El rea bajo la curva (suma de las probabilidades) es igual Distribuciones Continuas
a uno Funcin de Distribucin Acumulada
3.- Cuando la variable aleatoria es continua, slo se Su grfico consiste en una curva sigmoidal similar a
puede encontrar la probabilidad de la observada en la seccin de Est. Descriptiva.
observar un valor en un cierto rango lo que implica que Otra forma de describir una distribucin
el valor de f(Y) NO ES LA de probabilidades es mediante la funcin
PROBABILIDAD de observar Y. Esto ltimo se debe al hecho de distribucin acumulada (f.d.a)
que los valores posibles de Y definida como:
no son contables, no se puede hablar del i-simo valor de Frecuencia Acumulada
Y y por lo tanto p(Yi) no tiene 300
significado alguno. 250
19/9/2016 200
Jaime Ortega 150
64 100
50
x
Teora de Probabilidades o
Distribuciones Continuas
Observaciones F(Y) f (y)dy
3.- Cuando la variable aleatoria es
continua, slo se puede encontrar la 0
probabilidad de observar un valor en 11
un cierto rango lo que implica que el 13
valor de f(Y) NO ES LA 15
PROBABILIDAD de observar Y. Esto 17
ltimo se debe al hecho que los 19
valores posibles de Y no son contables, 21
no se puede hablar del i-simo valor 23
de Y y por lo tanto p(Yi) no tiene 25
significado alguno. 27
19/9/2016 29
Jaime Ortega 31
65 33
35
37
39 distribucin de probabilidad que con ms frecuencia
Contenido de Estao aparece en estadstica y teora de probabilidades.
19/9/2016 Esto se debe a dos razones fundamentalmente:
Jaime Ortega
66 Su funcin de densidad es simtrica y con forma de
campana, lo que favorece su aplicacin como
modelo a gran nmero de variables estadsticas.
Teora de Probabilidades
Distribuciones Continuas: Media y Varianza Es el lmite de otras distribuciones y aparece relacionada
Valor Esperado (Media) El valor esperado de una variable con multitud de resultados ligados a la
aleatoria continua esta dado por: teora de las probabilidades gracias a sus propiedades
matemticas:
Caracteres morfolgicos de individuos, efectos
E(Y) yf (y)dy fisiolgicos como el efecto de un frmaco,
caracteres sociolgicos como el consumo de cierto
Varianza La Varianza de una variable aleatoria continua producto por un mismo grupo de individuos,
esta dada por: caracteres psicolgicos como el cociente intelectual, errores
cometidos al medir ciertas magnitudes,
valores estadsticos muestrales como la media
19/9/2016
Jaime Ortega
2 68

2
E(Y) Teora de Probabilidades
Varianza(Y) E[(Y ) ] (Y ) f (y)dy donde Distribucin Normal
La funcin de densidad de la distribucin normal es:
19/9/2016 1
Jaime Ortega (2 )
67 ( y )2
e
f (y)
Teora de Probabilidades con y
Distribucin Normal 2 2
La Distribucin Normal, tambin llamada Distribucin de donde y son parmetros tales que - < < + y > 0.
Gauss o Distribucin Gaussiana, es la 19/9/2016
Jaime Ortega
69

Teora de Probabilidades
Distribucin Normal
La grfica de la Distribucin Normal es:
19/9/2016
Jaime Ortega
70

Teora de Probabilidades
Distribucin Normal
La grfica de la Distribucin Acumulada de la Distribucin
Normal es:
19/9/2016
Jaime Ortega
71

Teora de Probabilidades
Distribucin Normal
Puede demostrarse que:
E(Y ) y Varianza (Y )
Lo anterior indica que los parmetros que caracterizan a la
distribucin normal, y , son
2
la esperanza y Varianza de Y, respectivamente.
19/9/2016
Jaime Ortega
72