Documente Academic
Documente Profesional
Documente Cultură
UNIDAD IV y V
Probabilidad y Estadstica
Ingeniera Electromecnica
Docente: Ing. Amalio Garca Salvador
Alumno: Israel Marn Sandoval
Correspondiente a la Unidad IV y V como trabajo final
ndice de temas
UNIDAD 4: ESTADSTICA INFERENCIAL 3
4.1 Inferencia Estadstica 3
4.2 Muestreo Estadstico 3
4.3 Estimadores 6
4.4 Estimacin Puntual 7
4.5 Estimacin por intervalo 9
4.6 Errores Tipo I y Tipo II 11
Conclusin de la Unidad 14
INTRODUCCIN
Inferir: Sacar una consecuencia de una cosa. Sacar consecuencia o deducir una
cosa de otra. La estadstica, ciencia o rama de las Matemticas que se ocupa de
recoger datos, analizarlos y organizarlos, y de realizar las predicciones que sobre
esos datos puedan deducirse, tiene dos vertientes bsicas:
poblacin, una muestra que represente bien a dicha poblacin. Hay muchas
maneras de elegir una muestra de una poblacin.
Una de las condiciones para que una muestra sea representativa es que el
muestreo (o sistema para elegir una muestra de una poblacin) que se haga sea
aleatorio, es decir, todas las personas de la poblacin tengan las mismas
posibilidades de ser elegidas, mientras que si la eleccin de la muestra es
subjetiva, es probable que resulte sesgada.
27,57,87,117,147,177,207,237,267,297,327,357,387,417,447,477,507,537,5
67,597.
4.3 ESTIMADORES
Consiste en la estimacin del valor del parmetro mediante un slo valor, obtenido
de una frmula determinada. Por ejemplo, si se pretende estimar la talla media de
un determinado grupo de individuos, puede extraerse una muestra y ofrecer como
estimacin puntual la talla media de los individuos. Lo ms importante de un
estimador, es que sea un estimador eficiente. Es decir, que sea insesgado
(ausencia de sesgos) y estable en el muestreo (varianza mnima).
Notas importantes:
X N (165; 3.2)
1 = N/100
Y unido a este, se encuentra el llamado nivel de significacin, que viene dado por
. Este nivel en general vendr explicitado en las condiciones del problema, si
bien los valores ms comunes suelen ser del 90%, 95% y 99%.
11 Probabilidad y Estadstica
Para explicar este tipo de errores, primero debo describirte qu situacin pueden
aparecer stos. Existir la siguiente hiptesis estadstica:
Por lo general, un error de tipo I conduce a la conclusin de que existe una cosa o
la relacin cuando en realidad no lo hace, por ejemplo, que un paciente tiene una
enfermedad que est siendo probado para cuando realmente el paciente no tiene
la enfermedad o que un mdico cura el tratamiento una enfermedad, cuando en
realidad no es as. Un error de tipo II es un falso negativo.
Por ejemplo, los anlisis de sangre para una enfermedad falsamente detectar la
enfermedad en una proporcin de personas que no lo tienen, y no se podr
detectar la enfermedad en una proporcin de las personas que lo tienen.
12 Probabilidad y Estadstica
Estos trminos tambin se utilizan de una manera ms general por los cientficos
sociales y otros, para referirse a los defectos en el razonamiento.
Error de tipo I
El tipo del error de tipo I se llama el tamao de la prueba y denotada por la letra
griega una. Por lo general, es igual al nivel de significacin de la prueba. En el
caso de una simple hiptesis nula a es la probabilidad de un error de tipo I.
Error de tipo II
trminos de los cuentos populares, un investigador puede dejar de ver el lobo. Una
vez ms, H0: ningn lobo.
El tipo del error de tipo II se denota con la letra griega y en relacin con la potencia
de una prueba.
El objetivo del ensayo es determinar si la hiptesis nula puede ser rechazada. Una
prueba estadstica puede rechazar o dejar de rechazar una hiptesis nula, pero
nunca probarlo verdad.
Date cuenta que cuanto mayor es alfa menor es beta. Su relacin es inversa.
14 Probabilidad y Estadstica
CONCLUSIN DE LA UNIDAD
Teniendo presente que en una prueba de hiptesis solo se puede tomar una de
dos decisiones: aceptar o rechazar la hiptesis nula. Debe subrayarse que
siempre existe la posibilidad de rechazar la hiptesis nula cuando no debera
haberse rechazado (error tipo I). Tambin existe la posibilidad de que la hiptesis
nula se acepte cuando debera haberse rechazado (error de tipo II).
Definicin
Causas de variacin
Existen variaciones en todas las partes producidas en el proceso de manufactura.
Hay dos fuentes de variacin:
o o
Diagramas de diagnstico
1. Cuantificar los factores del problema y sumar los efectos parciales hallando el
total.
2. Reordenar los elementos de mayor a menor.
3. Determinar el % acumulado del total para cada elemento de la lista ordenada.
17 Probabilidad y Estadstica
Qu importancia tiene ello? Pues bien, permite atacar unas pocas causas
generando un importanteimpacto total.
Definicin.
Los datos se muestran como un conjunto de puntos, cada uno con el valor de una
variable que determina la posicin en el eje horizontal y el valor de la otra variable
determinado por la posicin en el eje vertical.[1] Un diagrama de dispersin se
llama tambin grfico de dispersin.
Caractersticas principales:
Impacto visual
Un Diagrama de Dispersin muestra la posibilidad de la existencia de
correlacin entre dos variables de un vistazo.
Comunicacin
Simplifica el anlisis de situaciones numricas complejas
18 Probabilidad y Estadstica
Gua en la investigacin
El anlisis de datos mediante esta herramienta proporciona mayor
informacin que el simple anlisis matemtico de correlacin, sugiriendo
posibilidades y alternativas de estudio, basadas en la necesidad de conjugar datos
y procesos en su utilizacin.
Utilidad
Los diagramas de dispersin pueden utilizarse para examinar:
* Relaciones causa-efecto
* Relaciones entre dos efectos
* Posibilidad de utilizar un efecto como sustituto de otro
* Relaciones entre dos posibles causas
En las distribuciones bidimensionales a cada individuo le corresponden los valores
de dos variables, las representamos por el par (xi, yi). Si representamos cada par
de valores como las coordenadas de un punto, el conjuntode todos ellos se llama
nube de puntos o diagrama de dispersin.
Sobre la nube de puntos puede trazarse una recta que se ajuste a ellos lo mejor
posible, llamada recta de regresin.
1. Elaborar una teora admisible y relevante sobre la supuesta relacin entre dos
variables.
2. Obtener los pares de datos correspondientes a las dos variables.
3. Determinar los valores mximo y mnimo para cada una de las variables.
4. Decidir sobre qu eje se representar a cada una de las variables.
5. Trazar y rotular los ejes horizontal y vertical.
6. Marcar sobre el diagrama los pares de datos.
7. Rotular el grfico.
INTRODUCCIN
Si sabemos que existe una relacin entre una variable denominada dependiente y
otras denominadas independientes (como por ejemplo las existentes entre: la
experiencia profesional de los trabajadores y sus respectivos sueldos, las
estaturas y pesos de personas, la produccin agraria y la cantidad de fertilizantes
utilizados, etc.), puede darse el problema de que la dependiente asuma mltiples
valores para una combinacin de valores de las independientes.
ASPECTOS TERICOS
19 Probabilidad y Estadstica
Se puede decir que Y depende de X, en donde Y y X son dos variab les cualquiera
en un modelo de Regresin Simple.
Conclusin
5.4 CORRELACIN
La forma establece el tipo de lnea que define el mejor ajuste: la lnea recta, la
curva monotnica o la curva no monotnica.
Interpretacin geomtrica
Dados los valores muestrales de dos variables aleatorias e, que pueden ser
consideradas como vectores en un espacio a n dimensiones, puden construirse
los "vectores centrados"
Para ver, por tanto, si se puede utilizar el coeficiente de correlacin lineal, lo mejor
es representar los pares de valores en un grfico y ver que forma describen.
Los valores que puede tomar el coeficiente de correlacin r son: 1 < r < 1
Si r > 0, la correlacin lineal es positiva (si sube el valor de una variable sube el
de la otra). La correlacin es tanto ms fuerte cuanto ms se aproxime a 1.
Por ejemplo: altura y peso: los alumnos ms altos suelen pesar ms.
Por ejemplo: peso y velocidad: los alumnos ms gordos suelen correr menos.
Si r = 0, no existe correlacin lineal entre las variables. Aunque podra existir otro
Normal bidimensional:
23 Probabilidad y Estadstica
Si (X,Y) tiene una distribucin normal bidimen sional, tanto X como Y siguen
distribuciones normales, en concreto X tiene una distribucin N(mX,sX) e Y tiene
una distribucin N(mY,sY). Si X e Y son variables aleatorias independientes con
distribuciones normales unidimensionales N(mX,sX) y N(mY,sY). Entonces, la
variable aleatoria (X,Y) tiene distribucin normal bidimensional Sea (X,Y) una
variable aleatoria normal bidimensional. Entonces, X e Y son independientes si, y
slo si, estn incorrelacionadas.
CONCLUSIN DE LA UNIDAD
Bibliografa: