Documente Academic
Documente Profesional
Documente Cultură
Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
Anlisis de Datos
2
Blackie Sherrod.
Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
Anlisis de Datos
3
Incertidumbres
Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
Anlisis de Datos
4
Probabilidades
Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
Anlisis de Datos
5
0 0.5 1
Probabilidad:
Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
Anlisis de Datos
6
Experimento Estadstico
En estadstica, la idea de un experimento es algo diferente
a la de un experimento en las ciencias fsicas.
En experimentos estadsticos, la probabilidad determina
los resultados.
A pesar de que se repite el experimento exactamente de
la misma manera, puede ocurrir un resultado
completamente diferente.
Por esta razn, los experimentos estadsticos son llamados
experimentos aleatorios
Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
Anlisis de Datos
7
Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
Anlisis de Datos
8
Asignacin de Probabilidades
Requisitos bsicos para la asignacin de probabilidades
1. La probabilidad asignada a cada resultado debe estar
entre 0 y 1.
0 < P(Ei) < 1 para todo i
donde:
Ei es el i-simo resultado y P(Ei) es su probabilidad.
2. La suma de las probabilidades para todos los resultados
experimentales debe ser igual a 1.
P(E1) + P(E2) + . . . + P(En) = 1
donde:
n es el nmero de resultados
Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
Anlisis de Datos
9
Asignacin de Probabilidades
Mtodo Clsico
Asigna probabilidades basado en el supuesto de que
Todos los resultados son igualmente probables.
Mtodo de Frecuencia Relativa
Asigna probabilidades basado en la experimentacin
o data histrica.
Mtodo Subjetivo
Asigna probabilidades basado en el criterio del
asignador.
Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
Anlisis de Datos
10
Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
Anlisis de Datos
12
Regla de Adicin
La Regla de adicin nos da la forma de calcular la
probabilidad de que ocurra el evento A, o el B, o
ambos.
La regla de adicin se escribe as:
P ( A B ) = P(A) + P(B) - P(A B)
Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
Anlisis de Datos
13
Espacio
Evento A Evento B Muestral S
Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
Anlisis de Datos
14
Regla de Adicin:
Eventos Mutuamente Excluyentes
Si A y B son eventos mutuamente excluyentes si,
P(A B) = 0.
La regla de adicin, para eventos mutuamente
excluyentes sera:
P ( A B ) = P(A) + P(B)
No es necesario
incluir - P(A B)
Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
Anlisis de Datos
15
Probabilidad Condicional
La probabilidad de que ocurra un evento dado que
otro evento ya ha ocurrido se llama probabilidad
condicional .
La probabilidad condicional de A dado B se denota
por P(A|B).
La probabilidad condicional se calcula como sigue :
P (A B)
P (A | B) =
P (B)
Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
Anlisis de Datos
16
Regla de Multiplicacin
La regla de multiplicacin provee una forma de
calcular la probabilidad de la interseccin de dos
eventos.
La regla se escribe as:
P(A B) = P(B) P(A|B)
Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
Anlisis de Datos
17
Eventos Independientes
Dos eventos A y B son estadsticamente
independientes, si la ocurrencia de uno de
ellos no afecta las probabilidades de
ocurrencia del otro.
Es decir, se debe cumplir que:
P (A | B) = P (A) o P (B | A) = P (B)
Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
Anlisis de Datos
18
Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
Anlisis de Datos
19
Teorema de Bayes
Frecuentemente iniciamos un anlisis de probabilidades con
una asignacin inicial, probabilidad a priori.
Entonces, por una muestra, un reporte especial, o un test de
producto obtenemos alguna informacin adicional.
Dada esta informacin, calculamos las probabilidades
revisadas o a posteriori.
El Teorema de Bayes provee los medios para revisar las
probabilidades a priori.
Aplicacin
Probabilidades Nueva Probabilidades
del Teorema
A Priori Information A Posteriori
de Bayes
Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
Anlisis de Datos
20
Ejemplo: W.M.Company
W.M.Company es una empresa que recibe
partes de dos proveedores.
En la actualidad, el 75% de las partes compradas
por la compaa son del proveedor 1, y el 25%
restante proviene del proveedor 2.
Sabemos adems que la calidad de las partes
compradas vara de acuerdo con el proveedor.
Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
Anlisis de Datos
21
Ejemplo: W.M.Company
Probabilidades a priori
Definimos:
A1 = la parte es comprada del proveedor 1
A2 = la parte es comprada del proveedor 2
Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
Anlisis de Datos
22
Ejemplo: W.M.Company
Nueva Informacin
Supongamos que sabemos por informacin histrica las
probabilidades de partes malas de cada proveedor.
Definimos el evento B como una parte es mala.
Dado que ha ocurrido B, podra revisar las probabilida-
des de que proveedor nos vendi la parte?
Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
Anlisis de Datos
23
Ejemplo: W.M.Company
Probabilidades Condicionales
La historia pasada de las experiencias
con los proveedores indican lo siguiente:
Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
Anlisis de Datos
24
Ejemplo: W.M.Company
Diagrama de rbol
Calidad del
Proveedor Resultados
Proveedor
P(B|A1) = .02
P(A1 B) = .0150
P(A1) = .75
P(A1 Bc) = .7350
P(Bc|A1) = .98
P(B|A2) = .05
P(A2 B) = .0125
P(A2) = .25
c P(A2 Bc) = .2375
P(B |A2) = .95
Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
Anlisis de Datos
25
Ejemplo: W.M.Company
Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
Anlisis de Datos
26
Variable Aleatoria
Una variable aleatoria es una descripcin numrica
de los resultados de un experimento.
Una variable aleatoria discreta puede asumir ambos
una secuencia finita o una infinita de valores.
Una variable aleatoria continua puede asumir
cualquier valor en un intervalo o en un conjunto de
intervalos.
Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
Anlisis de Datos
27
Valor Esperado
Valor Esperado o media de una variable aleatoria es la
medida de tendencia central
Valor esperado = = E(x) = xi f(xi)
El valor esperado es un promedio ponderado de los
valores que la variable aleatoria puede asumir. Las
ponderaciones son las probabilidades.
El valor esperado no tiene que ser un valor que la
variable aleatoria pueda asumir.
Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
Anlisis de Datos
28
Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
Anlisis de Datos
29
Distribucin de Probabilidades
Binomial: Funcin
n!
f(x) = p x (1 - p )n - x
x !( n - x )!
f(x) = probabilidad de X = x dados n & p
n = nmero de ensayos
p = probabilidad de xito
x = numero de xitos en las n repeticiones
(X = 0, 1, 2, ..., n)
Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
Anlisis de Datos
30
Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
Anlisis de Datos
31
Distribucin de Poisson
Una variable aleatoria que sigue la distribucin de
Poisson es til para estimar el nmero de ocurrencias
en un especfico intervalo de tiempo o espacio.
Es una variable discreta que puede asumir un nmero
infinito de valores. (X = 0, 1, 2, 3, . . . ).
Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
Anlisis de Datos
32
Distribucin de Poisson
Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
Anlisis de Datos
33
Distribucin de Poisson
Dos Propiedades del Experimento de Poisson:
1. La probabilidad de ocurrencia es la misma para
cualquier par de intervalos de igual tamao.
2. La ocurrencia o no ocurrencia en cualquier
intervalo es independiente de la ocurrencia o
no ocurrencia en cualquier otro intervalo.
Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
Anlisis de Datos
34
Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
Anlisis de Datos
35
Distribucin de Poisson
Funcin de probabilidad de Poisson
Puesto que no hay lmite superior indicado por el
nmero de casos, la funcin de probabilidad f (x) se
aplica a los valores de x = 0, 1, 2, ... sin lmites.
En las aplicaciones prcticas, x solo alcanza un valor lo
suficientemente grande como para que f(x) sea
aproximadamente igual a cero y la probabilidad de que
tome valores ms grandes es insignificante.
Una caracterstica de la distribucin de Poisson es que la
media y la varianza son iguales ( = 2)
Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
Anlisis de Datos
36
Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
Anlisis de Datos
37
Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
Distribucin Normal
Es la distribucin ms importante
para describir la distribucin de f (x)
variables aleatorias continuas
1. Forma de Campana & Simtrica
2. Media, Mediana, Moda son
iguales x
Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
Anlisis de Datos
39
Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
Anlisis de Datos
40
x
+ 3
3 1 + 1
2 + 2
Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
Distribucin Normal: caractersticas
Probabilidad es d
f ( x)dx ?
el rea bajo la
curva! P (c X d ) =
c
f(X)
c d X
Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
Anlisis de Datos
42
X Z = 0 Z
Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
Probando Normalidad
Comparar caractersticas de la Grfico de Probabilidad Normal
Data con Propiedades de la
X 90
Distribucin Normal.
Evaluar el Grfico de 60
Probabilidad Normal. 30 Z
Graficar los Datos X vs. -2 -1 0 1 2
valores Z estandarizados.
Buscar una lnea recta!
Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
Anlisis de Datos
44
Aproximaciones a la
Distribucin Binomial
Cuando el nmero de repeticiones en una variable BINOMIAL
es muy grande, se presentan dificultades para el clculo de las
probabilidades usando la funcin Binomial. En estos casos es
prctico utilizar aproximaciones para los clculos.
Se pueden utilizar tanto la variable POISSON como la NORMAL,
dependiendo de la probabilidad de xito de la distribucin
(Binomial) original.
Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
Anlisis de Datos
45
Aproximaciones a la
Distribucin Binomial
Para usar la aproximacin por Poisson, hacemos:
= nxp
y para usar la aproximacin por Normal, hacemos:
= nxp 2 = nxpx(1-p)
como parmetros con los que queda definida la correspondiente
distribucin.
Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.