Clase Estadística y Proba Ing Petrolera-2

Universidad Mayor de San Andrés – Facultad de
Ingeniería
Estadística
Consideraciones Generales
El término estadística se deriva del latín status, que significa estado o situación.
Ciencia de las matemáticas encargada de analizar el comportamiento de unapoblación
………
……..mediante un estudio cuyo propósito es hacerinferencias ( predicciones sobre un
comportamiento de dicha población) a partir de un subconjunto de datos, llamadomuestra ,
tomados de la mencionada población.
La estadística descriptiva se encarga a su vez de reunir, organizar y analizar datos numéricos,
así como ayudar a diseñar experimentos
Utilidad: Útil en la investigación científica, particularmente donde existe incertidumbre

experimental.
Objeto: Toma de decisiones en presencia de incertidumbre.
4/2/2018 Jaime Ortega 1

Universidad Mayor de San Andrés – Facultad de
Ingeniería
Estadística
Consideraciones Generales
Población: conjunto finito o infinito de elementos que presentan características

comunes, sobre los cuales se quiere efectuar un estudio determinado. Se define
como la totalidad de los valores posibles (mediciones o conteos) de una
característica específica que se desean estudiar en un momento determinado. Así,
se puede hablar de la población de habitantes de un país, de la cantidad de pozos
productores de petróleo en cierto campo, etc.
Muestra: subconjunto de la población, seleccionado de forma tal, que sea
representativo de la población estudiada, obteniéndose con el objetivo de investigar
alguna o algunas de las propiedades de la población de la cual se desprende. Las
conclusiones que se obtengan de dicha muestra sólo podrán referirse a la población
en referencia, por ejemplo la cantidad de pozos productores activos de petróleo en
determinado campo.

Estadística
1 Consideraciones Generales
Ejemplo: Se cuenta el número de partículas sólidas en suspensión (asfaltenos) de 1 mm.

de diámetro que se encuentran en 24 muestras de un cierto petróleo. Los
resultados son:
3 0 0 1 0 2 1 0
0 3 4 1 2 0 2 0
1 0 1 2 0 2 1 0
Observaciones: Observaciones están entre 0 y 4

El valor más frecuente es 0
No se puede predecir el siguiente valor
Las variaciones no son sistemáticas. Son alazar .
Comentario Métodos estadísticos no son un substituto de leyes físicas que gobiernan un

problema
Estadística
Actividad: 2 voluntarios para recolectar información sobre las edades del

curso

Estadística
Al conjunto de métodos de resumir datos y calcular ciertos parámetros o estadígrafos, se

le da el nombre genérico de Estadística Descriptiva.
Datos son valores de medidas hechas sobre un o más fenómenos. Cada fenómeno medido es
una variable
la cual puede ser cualitativa o cuantitativa y ésta ultima puede ser discreta o continua.
Una variable cuantitativa es la que se expresa mediante un número, por tanto se pueden
realizar operaciones aritméticas con ella.
Una variable cualitativa es aquella que representa una característica de calidad del
fenómeno medido. Ejemplo: candidatos en una elección, color, sabor, etc.

Estadística
Una variable cuantitativa discreta

Es aquella que sólo puede tomar un número finito de valores entre dos valores cualesquiera
de una característica. Ejemplo: número de personas contadas, número de partículas
cósmicas por minuto, número de productos con fallas en una línea de producción etc.
Una variable cuantitativa continua

Es aquella que puede tomar un número infinito de valores entre dos valores cualesquiera de
una característica. Ejemplo: los valores que se miden de longitud, presión, temperatura,
tiempo, etc.

Estadística
Clasificar las siguientes variables en cualitativas y cuantitativas discretas o continuas.
1. La nacionalidad de una persona. Cualitativa
2. Número de litros de agua contenidos en un depósito. Cuantitativa continua
3. El área de las distintas baldosas de un edificio. Cuantitativa continua
4. Suma de puntos tenidos en el lanzamiento de un par de Cuantitativa discreta.

dados.

Estadística
Cuando emplear métodos estadísticos ?
1. No se entienden por completo las leyes físicas que gobiernan un problema
2. Experimento no ha sido hecho antes.
3. No se conoce el comportamiento de un instrumental y técnica.
4. Existe presión económica y de tiempo.
5. En presencia de resultados inesperados en un experimento o en una cierta

producción.

Estadística
Cuales son los pasos a seguir cuando se decide emplear métodos estadísticos ?
1. Estudiar la tecnología actual para tener información sobre posibles resultados

experimentales
2. Definir el objetivo del programa de experimentos
3. Definir las variables que afectan los resultados
4. Diseñar un programa de experimentos en base a valores sucesivos de cada

variable.
5. Llevar a cabo los experimentos tal que se obtengan datos precisos y
exactos
6. Registrar todos los resultados ordenadamente.
7. Analizar los resultados para tomar decisiones y/o hacer predicciones

(inferencia)
Estadística
2 Formas Simples de Resumir datos
Las formas más comunes de resumir datos son tablas y gráficos. En ambos 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.
Métodos Gráficos
Gráfica de Barras Se emplean para variables cualitativas y para cuantitativas discretas.
Ejemplo: los resultados del experimento anterior se pueden registrar en una tabla y en
una gráfico. La variable es : número de partículas de oro; los valores de la variable son 0,
1, 2, 3 y 4:

Estadística
Tabla Gráfica de Barras
Número de Frecuencia
partículas

0 10
1 6
2 5
3 2
4 1
total 24

Estadística
Histograma Se emplean usualmente con variables cuantitativa continuas.
Ejemplo: Se mide con gran precisión la permeabilidad de un yacimiento petrolero

en 100 muestras del mismo. Los resultado tabulados son:
Permeabilidad Número de
(mili darcy) muestras
20 - 22 6
22 - 24 15
24 - 26 40
26 - 28 30
28 - 30 9
total 100
Estadística
Histograma Se emplean usualmente con variables cuantitativa continuas.

Estadística
Cómo dibujar un Histograma
1. Agrupar las observaciones entre 5 y 20intervalos de clase
2. Obtener unrepresentante de clase que es el punto medio de la

.
clase
3. Determinar el número de observaciones en cada clase o
intervalo.
4. Construir rectángulos con centros en el representante de clase.
Ejercicio: construir el histograma de la distribución de edades de los alumnos de la

clase

Estadística
Formas Simples de Resumir datos
Curva de Frecuencias
Si hay muchas observaciones, el histograma se puede reemplazar por una curva suave
que pasa por las intersecciones de los valores de frecuencia con los representantes de
clase.

Estadística
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:
P er m eab i l i d ad N ú m er o d e F r ecu en ci a
( m i l i D ar cy ) m u estr as A cu m u l ad a
20 - 22 6 6
22 - 24 15 21
24 - 26 40 61
26 - 28 30 91
28 - 30 9 100

Estadística
2 Formas Simples de Resumir datos Curva de Frecuencia Acumulada

Estadística
II Formas Simples de Resumir datos
Estadígrafos de Resumen de Datos

Además de los métodos gráficos, es útil calcular algunos parámetros que resumen el conjunto
de datos.
Cualquier cantidad que es calculada a partir de datos estadísticos se llama estadígrafo.
Los más simples son de dos tipos: medidas de locación o tendencia central y medidas de
dispersión.
Medidas de Posición Central
Son lamedia ,mediana ymoda .
Estas medidas asumen la representatividad del conjunto de datos.
Cuando la distribución es simétrica, todas ellas se centralizan cerca al máximo de

la curva.

Estadística
La Media
Es el estadígrafo más importante de todos. Más adelante se verá que la media

muestral estima el valor esperado de una distribución; de hecho, es un estimador de
máxima verosimilitud. Se calcula mediante:
n
_
yi
y = n
i =1
Donde :yi son las observaciones yn es el número total de observaciones.

Estadística
Formas Simples de Resumir Datos
La Media
Si los datos están tabulados en frecuencias la formula de cálculo es:
N
_  f i yi
i 1
y = N
fi
i 1
Donde N es el número de observaciones no repetidas,yi es el representante de clase y

fi es la frecuencia con la que se repite lai-ésima observación.

Estadística
La Media Ponderada
También conocida como promedio ponderado, es una media aritmética en donde cada
uno de los valores se pondera de acuerdo con su importancia en el grupo en general.
yis
Esto es, que a cada valor e mu l
tipl
icap orel f
ac to
rde pon de r
a ci
ó n correspondient ew
,
i,
tras de locua llosp r
o du ct
osse sum an para poste r
io
rm ente dividir
s e entrela suma d e
l
a sp ond eraciones.
La fórmula de cálculo es:
n
_ wi yi
i 1
y = n
wii 1

Estadística
La Media Ponderada
Ejemplo: Se tiene cuatro de líneas de productos: A B, C, D y cada línea deja un margen de
utilidad y tiene un cierto nivel de ventas, según se muestra en la tabla abajo. Cual es la
media del margen de utilidades?
Línea de Margen de Utilidad Ventas (US$) n
Producto en % (w) y w
i 1
i i
s (y)
A 4.2 30,000 126,000
B 5.5 20,000 110,000
C 7.4 5,000 37,000
D 10.1 3,000 30,300
Total 58,000 303,300

Estadística
La Media Aritmética
_
4 .2  5 . 5  7 . 4  10 . 1
y (arit) =  6 .8 %
4
_
303 , 300
La Media Ponderada y =  5 , 23 %
58 , 000
Utilizar la media aritmética de 6.8 % es asumir –erróneamente- que todos los productos
tienen el mismo 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 La Paz, Oruro y Cochabamba.

Estadística
La Mediana
Es el valor de clase que corresponde al 50% de las observaciones. Se la utiliza en ocasiones

en lugar de la media, especialmente en casos de distribución asimétrica. La mediana es una
medida de la acción de contar y por tanto no esta afectada por valores extremos.
Siy1
,
y
2,
y,
…
3.
y
ns
o
nl
o
sd
at
o
sd
e
un
a
m
ue
s
t
r
a
or
d
en
a
d
a,
en
t
on
c
e
s
:

Estadística
Formas Simples de Resumir Datos Medidas de Dispersión
Ejemplo: un estudio de gente afectada por una enfermedad reveló que la mayoría de las
personas afectadas estaban por debajo de los dos años y por encima de los setenta;
seria por tanto engañoso concluir simplemente que el "promedio de edad de la gente
afectada es 36 años" sabiendo que los datos están dispersos sobre casi todo el rango de
la vida humana.
Es importante saber cuan dispersos están los datos pues:
- Permite juzgar la confiabilidad de la medida de tendencia central. Si los datos se

encuentran ampliamente dispersos, la posición central es menos representativa.
- Una amplia dispersión de valores con respecto al centro de distribución presenta

riesgos generalmente inaceptables

Estadística
Toda medida de posición central, para tener una adecuada interpretación, debe estar
acompañada de una de dispersión. Las más comunes son: elrango , ladesviación media
absoluta , la
varianza , la
desviación estándar y elcoeficiente de variación .
El Rango
Diferencia entre el valor de la mayor y la menor observación. Útil para comparar la

variabilidad de muestras de igual tamaño. Es muy sensitivo al número de observaciones
y por tanto no es una característica descriptiva de una población.

Estadística
La Desviación Media Absoluta (MAD)
Es el promedio de las desviaciones absolutas respecto de la media.

Es decir:

n
y y
i
M .A .D = 
i =1 n

Estadística
Medidas de Dispersión: La Varianza Muestral y la Desviación Estándar
Ambas dan una medida de la dispersión de los datos alrededor de la media. Cuando los
valores estén más alejados los unos de los otros, mayor será el valor de la Varianza y de
la desviación estándar.
La Varianza Muestral se calcula mediante:
La desviación estándar es la raíz cuadrada de la Varianza:
La desviación estándar tiene las mismas unidades que las medidas originales y por esta
razón se la prefiere como un estadígrafo de dispersión; sin embargo, para propósitos de
análisis teórico y de cálculo, se trabaja generalmente con varianzas.
Estadística
La Varianza Muestral y la Desviación Estándar
Aproximadamente 68% de los

valores de la población cae
dentro de ±1 desviación
estándar a partir de la media.
Aproximadamente 95% de
los valores estará dentro de
±2 desviaciones estándar a
partir de la media

Estadística
La Varianza Muestral y la Desviación Estándar
El uso de (n-1) en lugar de n en el denominador confunde a muchas personas. Es el número

degrados de libertad de una suma de cuadrados, es igual al número de elementos
independientes en dicha suma.

Estadística
II Formas Simples de Resumir Datos
En Estadística, la suma de los residuos es necesariamente 0 ya que existen variables con

valores superiores e inferiores a la media.

Estadística
Ahora imaginemos que se tienen 3 valores de y que se pueden modificar arbitrariamente,

pero con la condición de que la suma de los residuos sea 0. Se puede utilizar cualquier
y , porque el otro va a estar dado por la fórmula, es
cantidad a dos de los tres valores de
decir que tienes dos grados de libertad
En aquellas raras ocasiones cuando se conoce la media poblacional, la formula de la
varianza tendráN en el denominador, donde N es el número de elementos de la población.

Estadística
La Varianza Poblacional y la Desviación Estándar de la Población
Donde μ es la media poblacional y N el número de elementos de la población

Teoría de Probabilidades
Concepto de Probabilidad
Probabilidad es la posibilidad de ocurrencia de un cierto evento en un experimento dado. La

teoría de probabilidades permite medir dicha posibilidad.
Estadística y Probabilidad
La relación entre probabilidad y estadística puede verse mediante el siguiente ejemplo:
Un lote de 10,000 válvulas de tubería se importan para la industria petroquímica. El fabricante

especifica que el lote contiene una proporciónp igual al 10 % o 0.1 de defectuosas. Si se
toman muestras de 100 válvulas, se debe esperar que existan 10 defectuosas en cada
muestra; sin embargo, al tomar varias muestras, algunas tendrán 8 defectuosas, otras
tendrán 9, 10, 11, etc. Teoría
La de Probabilidades nos permite calcular la posibilidad o
probabilidad de obtener un número determinado de válvulas defectuosas en una muestra,
obtenida bajo ciertas condiciones. En la realidad, Estadística
la nos permite estimar el valor
p. de
Una situación real implica el conocer varios parámetros o variables (en el ejemplo anterior el
parámetro esp ).
Si éstos no se conocen y tienen que ser estimados a partir de datos experimentales, se está
en presencia de unproblema estadístico .
Una ves que dichos parámetros han sido estimados, ellos pueden ser utilizados para deducir
el comportamiento de una población mediante la solución a unproblema probabilístico

En resumen:
La Estadística Descriptiva acumula y analiza la masa de datos numéricos provenientes de los

resultados de ciertas actividades o de la observación de fenómenos.
La Probabilidad se encarga de evaluar la posibilidad de ocurrencia de los resultados de todas

aquellas actividades en donde se tiene incertidumbre acerca de los resultados que se pueden
esperar.


Definiciones y Conceptos

Experimento Aleatorio
Se llama experimento o fenómeno aleatorio a aquél cuyos resultados no se pueden predecir

de antemano en una experiencia concreta.
Se llama experimento determinista o determinístico al que, realizado en las mismas

condiciones, es posible predecir los resultados (Física del problema).
Espacio Muestral: Es el conjunto de todos los posibles resultados de un experimento aleatorio.
Punto Muestral: Es un posible resultado de un experimento (un evento) aleatorio.



Probabilidad de La Place
Cuando se pueda asegurar que se cumple elpostulado de indiferencia , es decir que todos los
sucesos elementales o posibles resultados de un experimento son igualmente posibles y
mutuamente excluyentes (no pueden ocurrir dos al mismo tiempo) entonces se define que la
probalidad de ocurrencia de un evento cualquiera (a) se la puede estimar mediante:
número de casos favorables

P (a) 
número de casos posibles


Probabilidad de La Place
Se observó que en 9 de cada 50 vehículos que pasan por una cierta esquina, los
conductores no tienen cinturón de seguridad. Si un vigilante de tránsito se para en esa
misma esquina en un día cualquiera ¿Cuál será la probabilidad que detenga un vehículo
sin cinturón de seguridad?
frecuencia observada de casos favorables 9
P (a)    0 . 18
frecuencia observada de casos posibles 50
Tanto el enfoque clásico (teórico) como el enfoque empírico conducen a valores objetivos
de probabilidad, en el sentido de que los valores de probabilidad indican en el largo plazo
la tasa relativa de ocurrencia del evento.


del Punto Muestral
Probabilidad Puntual o Probabilidad
Es la frecuencia de ocurrencia del evento en muchas repeticiones del experimento.
Si se designa un evento cony , la probabilidad de su ocurrencia se expresa porP(y) .
Ejemplos:
1.- Se lanza una moneda regular (experimento), el Espacio Muestral es Cara yCruz , es decir Ca
y Cr. La probabilidad de ocurrencia deCara es igual a la deCruz y se denota por:P(Ca) = P(Cr) =
1/2 .

Probabilidad del Punto Muestral
2.- Se lanzan dos dados. El Espacio Muestral consiste de 36 combinaciones que se muestran
abajo.
1,1 1,2 1,3 1,4 1,5 1,6
2,1 2,2 2,3 2,4 2,5, 2,6
3,1 3,2 3,3 3,4 3,5 3,6 Cada uno de los 36 puntos
4,1 4,2 4,3 4,4 4,5 4,6 muestrales tiene la misma
probabilidad de ocurrencia.
5,1 5,2 5,3 5,4 5,5 5,6
Por la simple inspección de la
6,1 6,2 6,3 6,4 6,5 6,6 tabla anterior se tiene que:
P(suma de dos dados sea siete) = = 1/6

6/36
6/36
P(suma de dos dados sea siete u once) = + 2/36 = 2/9 Retur
4/2/2018 Jaime Ortega n 41
Definiciones y Conceptos:Tipos de Eventos

a) Eventos Mutuamente Excluyentes
Dos eventosE1
E
ys
o
2n
mu
t
ua
m
e
nt
e
ex
c
l
uy
e
n
te
s
s
ia
mb
o
s
n
op
u
e
d
en
o
c
u
r
ri
r
al
mi
s
mot
i
e
mp
o.
Enté r
m i
n osde
p
ro
b
a
bi
l
i
da
de
s
t
o
se
e
xp
r
es
a
po
r
:
P(E1
óE
=
)
2P
(
E
1)
+
P(
E
2)
b) Eventos que no son Mutuamente Excluyentes
Dos eventosE1
E
yn
2o
s
o
nm
u
t
ua
m
en
t
e
ex
c
l
uy
e
n
te
s
s
i
am
bo
sp
u
e
d
e
no
c
u
r
ri
r
al
mi
s
mo
ti
em po.En tér
m
i
no
s
de
p
ro
b
a
b
i
l
id
a
de
s
t
o
se
ex
p
r
es
a
p
o
r:
P(E1
óE
)
=
2P
E
(
1+
P
)(
E
)
2-
PE
y
(
1E
)
2
Donde P(E1
y
E)
e
2s
l
ap
r
ob
a
b
i
l
i
da
dq
u
e
a
mb
o
s
ev
e
n
t
os
o
c
ur
r
a
n.
Definiciones y Conceptos: Tipos de Eventos

Ejemplo: Se lanzan dos dados, cual es la probabilidad que la suma sea 7 (E1
)
oa
l
me
no
s
u
n
od
e
l
o
sd
a
sea 3 (E2
)?
Examinando la tabla anterior se tiene:
Posibles resultados de E1
(1,6), (2,5), (3,4), (4,3) (5,2), (6,1) P (E1
=
)6
/
3
6
(1,3), (2,3), (3,3), (4,3), (5,3), (6,3),

Posibles resultados de E2 P (E2
=
1
)1
/
36
(3,1), (3,2), (3,4), (3,5), (3,6)
Posibles resultados de E1
E
y(3,4), (4,3)
2 P (E1
yE
)
2=
2
/
3
6
Por lo tanto P (E1

óE
=
)
2P
E
(
1+
P
)(
E
)
2-
P
(E
1y
E
)
2=
6
/
36
+
1
1
/3
6
-
2/
3
6=
1
5
/3
6
43
4/2/2018 Jaime Ortega
Definiciones y Conceptos:Tipos de Eventos

Ejemplo: Se tienen cinco libros de distintas materias: Matemática, Biología, Química, Física y
Lenguaje. Si se toma uno de ellos, ¿cuál es la probabilidad de que este sea de matemática o de
física?
Solución:
Sean los eventos: E1

=
To
m
ar
e
l
li
b
r
ode
M
a
t
em
á
t
i
ca
s
.E2
=
To
m
ar
e
l
li
b
r
ode
F
í
s
i
ca
.
La probabilidad pedida es: P (E1

óE
=
)
2P
E
(
1+
P
)(
E
)
2-
PE
(
1y
E
2)
∪
P (E1E
)
2P
E
=
(
1+
P
)(
E
)
2-
P∩
E
(
1E
2)
ComoE1
E
ys
o
2n
e
ve
n
t
o
sm
u
tu
a
m
e
nt
e
ex
c
l
uPe
y
e
n
ts ∩
(E:
1E=
)
20
Por lo tanto nos queda: ∪

P (E1E
)
2P
E
=
(
1+
P
)(
E
)
2=
1
/5
+
1
/
5=
2
/
5


Definiciones y Conceptos : Probabilidad Condicional

La probabilidad condicional de un evento E1
,
da
do
q
u
e
un
e
v
e
nE
t
o,
s
uce
d
i
ó
se
ca
l
c
ul
a
2
m ediante:
P(E1
/
E
2)
=
P(
E
1y
E
)
2/
P
(
E
2)o bien:
P(E1
/
E
2)
=
P(
E
1∩
E
2)
/
P
(E
)
2
Ejemplo: Se lanzan dos dados, dado que al menos un dado es 3, cual es la probabilidad que la suma
sea 7?
E2 =alm eno su ndado e s3=1 1/36E1 = l
a s umaes 7 =2/36 por tanto:
P(E1
/
E
2)
=
P(
E
1∩
E
)
2/
P
(
E
2)
=
(
2/
3
6)
/
(
11
/
36
)
=
2/
1
1


Definiciones y Conceptos : Probabilidad Condicional

Ejemplo: en una oficina existen 100 computadoras. Unas son marca Canon(C ) y otras Dell
(D). Además algunas son nuevas (N) y otras usadas (U); según la siguiente tabla:
C D Total Se escoge una computadora al azar y ésta es nueva. Cuál la

N 40 30 70 probabilidad que sea Canon?
U 20 10 30 Usando la definición de probabilidad condicional:
Total 60 40
E2
=
la
c
om
p
u
t
a
d
or
a
es
n
ue
v
a
=7
0
/
1
0
0E1
=l
a
co
mp
u
t
a
d
or
a
es
C
a6
n
o
n
=0
/
1
0
0
por tanto: P(E1

/
E
2)
=
P(
E
1∩
E
)
2/
P
(
E
2)
=
(
40
/
10
0
)
/
(
70
/
10
0
)
=
4/
7

Definiciones y Conceptos : Eventos Dependientes e Independientes
Se dice que dos eventosE1

E
ys
o
2n
i
n
de
pe
n
d
i
e
nt
e
sP
s
i
:(
E
/
1E
)
=
2P
(
E
1)
.
Se dice que dos eventosE1

E
ys
o
2n
d
ep
e
n
d
i
en
t
e
ss
i
:P
(
E/
E
)
1
2≠
P(
E
)
.
1
Ejemplo: dos lanzamientos sucesivos de dos dados son sucesos independientes. La

probabilidad que la suma sea 7: 6/36, es la misma en ambos lanzamientos !
Nota .- Existe una creencia popular llamada "ley del promedio". Según esto, si en el primer
lanzamiento la suma fue 7, la probabilidad que la suma sea 7 en el segundo lanzamiento es
menor. Esto implicaría que los dados tienen algún tipo de memoria !
Si dos sucesosE1 yE2 son independientes, ∩

P(E1
E)
=
2P
(
E
1)
P
(
E)
2
entonces:

Definiciones y Conceptos : Combinaciones
El número de maneras en las cuales se puede seleccionarr objetos de n distintos, sin tomar
en cuenta el orden de selección
En términos matemáticos, se llamanúmero de combinaciones de n objetos tomados de r, y se

denota por n Cr .
n  n!
C r   r  
n
La formula de cálculo es:
  (n  r )! r !
Ejemplo: Un inspector toma muestras de 5 artículos de un lote

de 100.
100  100 !
Cuantas muestras distintas puede obtener?C 5 
  
100
 5  (100  5 )! 5!

Definiciones y Conceptos : Variables Aleatorias
La definición formal menciona que una variable aleatoria o variable estocástica es una función
que asigna un valor, usualmente numérico, al Espacio Muestral de un experimento aleatorio
En términos simples, una variable aleatoria es la forma de asignar un número particular, a

un resultado experimental dado.
De manera similar a los "datos" o características en observación, mencionados en la

Sección de Estadística Descriptiva, la variables aleatorias también pueden ser discretas o
continuas.

Ejemplo 1:
Experimento: medir la temperatura en escala

Kelvin.
Variable aleatoria:valores
medidos de temperatura
La variable aleatoria es continua pues tomará valores entre cero e infinito
Si se denota a la variable conY , entonces: Y= ( 0 ≤ T ≤ ∞) donde T es la

temperatura.

Ejemplo 2:
Experimento: se lanza una moneda dos veces
Variable aleatoria: número de caras
La variable es discreta pues tomará valores de 0,1 y 2. Es decir: Y=(0,1,2)
Otras variables son: la Media, la Varianza y la Desviación Estándar.

Distribuciones de Probabilidad
La distribución de probabilidad de una variable aleatoria, es una función que asigna a cada
valor posible de dicha variable aleatoria, una probabilidad de ocurrencia del mencionado
valor.
Distribución de Probabilidades Discreta
Si una variable aleatoria discretaY , puede tomar valoresy1

,
y,
2y
,
3.
.
.
yc
no
n
pro babil
ida des de ocur r
e nc p
i
a1 , p
2 , p3,.
..pn ,do ndepi≥0 ,
pa
r
at
o
di
o
,e
nt
o
n
ce
st
a
l
situación defi ne unD
aistribuc i
ón de P robabili
d a
des D i
sc r
eta.
En términos matemáticos:
La probabilidad que Y tome un valor particulary , se denotará comoP(Y = y) o simplemente

comoP(y).
Ejemplo: Se lanzan dos dados

regulares
Variable Aleatoria: La suma de los números de los dos dados
Valores de la variable: Y = (2,3,4,............11,12)
Por inspección a la tabla anterior la Distribución de Probabilidades será: (trabajo de alumnos)
P(Y=2) = P(2) = 1/36 P(Y=3) = P(3) = 2/36 P(Y=4) = P(4) = 3/36
P(Y=5) = P(5) = 4/36 P(Y=6) = P(6) = 5/36 P(Y=7) = P(7) = 6/36
P(Y=8) = P(8) = 5/36 P(Y=9) = P(9) = 4/36 P(Y=10) = P(10) = 3/36
P(Y=11) = P(11) = 2/36 P(Y=12) = P(12) = 1/36

Ejemplo: Se desea realizar un estudio sobre el número de crías en una camada de algún
mamífero. Se sabe que el número máximo de crías es 3.
Variable Aleatoria: Y = número de crías en una camada.
Y toma los valores:y = 0,1,2,3
Se sabe también ( por estudios de frecuencia) que las probabilidades son:
P(Y=0) = 0.2
P(Y=1) = 0.3
P(Y=2) = 0.3
P(Y=3) = 0.2

La Función Acumulada de Distribución de Probabilidades o Función de Probabilidades se

presenta como sigue:
P(Y=0) = 0.2
P(Y=1) = 0.3
P(Y=2) = 0.3
P(Y=3) = 0.2


Cuál es la probabilidad que una

camada tenga dos crías?
P(Y=2) = F(2) – F(1) = 0.3

Distribución Binomial
Supóngase que se repiten n veces un experimento el cual puede ser un éxito, con
probabilidadp , o un fracaso con probabilidad(1-p) .
El número de éxitos será un número entero entre 0 yn .

Se define la variable aleatoria binomial,Y , como el número de éxitos en lasn
repeticiones.
La variable binomial es una variable aleatoriadiscreta , sólo puede tomar los valores 0, 1, 2, 3, 4, ...,
n suponiendo que se han realizado n pruebas.
Como hay que considerar todas las maneras posibles de obtener r -éxitos y (n-r ) fracasos, el
total de posible combinaciones de éxitos y fracasos es:
n
C r

Distribución Binomial
Se repite n veces un experimento el cual puede ser un éxito, con probabilidadp , o un fracaso con
probabilidad(1-p) .
El número de éxitos será un número entero entre
Considerar todas0lasynmaneras
. posibles de obtener r -éxitos y (n-r ) fracasos, el total de
combinaciones de éxitos y fracasos es:
n
C r
Por lo tanto, la probabilidad de tenerr éxitos (Función de probabilidad de la Distribución

Binomial ) está dada por: n r
P ( Y  r )  P ( r )  n C r p (1  p )
r
Es condición indispensable que:

 P (r )  1
r 0

Media y Varianza de la Distribución Binomial
Media
Si Y es una variable aleatoria discreta que toma valoresy1

,
y,
2y
,
3.
.
.
ync
o
n
pr
o
b
ab
i
l
i
da
de
s
de o currencip
a1 ,p2 ,p3 ,..
.p n ,co p
ni≥ 0 ,p ar
ato di
o ,en t
o
n
ce
se
l
va
l
or
e
sp
e
r
ad
o
(
me
di
o
)d
eY
es t
a da do por:
N

E (Y )   yi pi
i 1
Para una distribución Binomial se tiene:
 n r
n
p (1  p )  np
r
E (Y ) C r r
r 0

Media
Es importante notar que si una población puede ser descrita por una distribución Binomial,
entonces el valor esperado de la distribución es igual al valor teórico de la media poblacional,
es decir:
E (Y )    np

Varianza
Si Y es una variable aleatoria discreta que toma valoresy1

,
y,
2y
,
3.
.
.y
nc
on
p
r
o
ba
b
i
l
id
a
de
s
de o currencip
a1 ,p2 ,p3 ,..
.p n ,co p
ni≥ 0 ,p ar
ato di
o ,en t
o
n
ce
sl
a
va
ri
a
nz
ad
e
Y
e
st
á
da
d
ap
o
r
:

v ar i an z a( Y ) = E [ ( Y - ) 2
]
Para una distribución Binomial se tiene:

Varianza
Al igual que en el caso de la media, si una población puede ser descrita por una distribución de
probabilidades, entonces el entonces la Varianza de la distribución es igual a la Varianza
poblacional. Es decir:
  i
  
2 2
( y ) pi
i 1

Distribuciones Continuas
Se consideraron distribuciones discretas donde la variable aleatoria puede tomar solamente

un conjunto discreto de valores. Ahora se analizarán distribuciones continuas donde la
variable aleatoria puede tomar cualquier valor en algún intervalo especifico.
En la sección de Estadística Descriptiva vio la manera en la cual observaciones hechas sobre

una variable continua pueden ser representadas en un histograma. En tanto se hagan más y
más observaciones y el intervalo de clase se haga mas pequeño, el histograma puede
aproximarse por una curva continua llamada curva de frecuencia


En el gráfico, si el contenido de Estaño de las

muestras analizadas se considera una variable
aleatoriaY( ) y la curva puede describirse en
términos estándares tal que el área bajo la
misma sea igual a la unidad, entonces el gráfico
curva de probabilidad
se llama . La altura de la
Y
curva de probabilidad en cualquier punto se
denotaf por
Y ( ) y a esta función se la llama
función de densidad de probabilidades o f.d.p.


La función de densidad de probabilidades debe satisfacer las siguientes condiciones:

Observaciones
Con respecto a las tres propiedades anotadas debe decirse lo siguiente:
1.- La función es siempre positiva.
2.- El área bajo la curva (suma de las probabilidades) es igual a uno
3.- Cuando la variable aleatoria es continua, sólo se puede encontrar la probabilidad

de observar un valor en un cierto rango lo que implica que el valor def (Y) NO ES LA
PROBABILIDAD de observar Y. Esto último se debe al hecho que los valores posibles
Y no son contables, no se puede hablar del i-ésimo valor de
de Y y por lo tantop Yi( )
no tiene significado alguno.

Observaciones
3.- Cuando la variable aleatoria es
continua, sólo se puede encontrar
la probabilidad de observar un
valor en un cierto rango lo que
implica que el valor fde (Y) NO ES
LA PROBABILIDAD de observar Y.
Esto último se debe al hecho que
Y de no son
los valores posibles
contables, no se puede hablar del
Y de y por lo tanto
i-ésimo valor
p Yi ( ) no tiene significado alguno.

Función de Distribución Acumulada Su gráfico consiste en una curva sigmoidal

similar a la observada en la sección de Est.
Otra forma de describir una Descriptiva.
distribución de probabilidades es
mediante lafunción de distribución
acumulada (f.d.a) definida como:
xo
F (Y )   f ( y ) dy


Distribuciones Continuas: Media y Varianza
Valor Esperado (Media) El valor esperado de una variable aleatoria continua esta dado por:

E (Y ) 

 y f ( y ) dy
Varianza La Varianza de una variable aleatoria continua esta dada por:

 E [ (Y   )    ) 2   E (Y )
2
V ar i an z a ( Y ) ] (Y f ( y )dy d on d e


Distribución Normal
LaDistribución Normal , también llamadaDistribución de Gauss oDistribución Gaussiana , es

la distribución de probabilidad que con más frecuencia aparece en estadística y teoría de
probabilidades. Esto se debe a dos razones fundamentalmente:
 Su función de densidad es simétrica y con forma de campana, lo que favorece su

aplicación como modelo a gran número de variables estadísticas.
 Es el límite de otras distribuciones y aparece relacionada con multitud de resultados

ligados a la teoría de las probabilidades gracias a sus propiedades matemáticas:
Caracteres morfológicos de individuos, efectos fisiológicos como el efecto de un fármaco,
caracteres sociológicos como el consumo de cierto producto por un mismo grupo de
individuos, caracteres psicológicos como el cociente intelectual, errores cometidos al
medir ciertas magnitudes, valores estadísticos muestrales como la media

La función de densidad de la distribución normal es:
( y   )
2
1
f ( y)  e 2
2
co n  y  
( 2  )
dondeμ yσ son parámetros tales que - ∞< μ < +∞ yσ > 0.

La gráfica de la Distribución Normal es:

La gráfica de la Distribución Acumulada de la Distribución Normal es:

Puede demostrarse que:
E (Y )  y V ar i an za ( Y ) 
Lo anterior indica que los parámetros que caracterizan a la distribución normal,μ y
σ2 , son la esperanza y Varianza deY , respectivamente.

Distribución Normal Estándar
La integral de la función de densidad de probabilidades de la Distribución Normal, no puede

evaluarse por métodos ordinarios; sin embargo, métodos de integración numérica han sido
empleados para evaluar y tabular los resultado de dicha integral. Tal proceso se lleva a cabo
haciendo la transformación:
z = (Y-μ)/σ
De esta manera, la función de densidad estándar se denota por:

z2
g ( z)  e 2
dz


Distribución Normal Estándar
La gráfica de la Distribución Normal Estándar es:

Propiedades Distribución Normal Estándar
Es simétrica respecto de su media
La moda y la mediana son ambas iguales

a la media.
Los puntos de inflexión de la curva se dan

paraz = μ ±σ
En el intervalo[ μ − σ , μ + σ ] se encuentra
comprendida aproximadamente, el 68,26% de la
distribución

Tablas de la Distribución Normal Estándar
La Distribución Normal Estándar se encuentra integrada y sus valores presentan en una

tabla como:
Z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319 0.0359
0.1 0.0398 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.0675 0.0714 0.0753
0.2 0.0793 0.0832 0.0871 0.0910 0.0948 0.0987 0.1026 0.1064 0.1103 0.1141
0.3 0.1179 0.1217 0.1255 0.1293 0.1331 0.1368 0.1406 0.1443 0.1480 0.1517
0.4 0.1554 0.1591 0.1628 0.1664 0.1700 0.1736 0.1772 0.1808 0.1844 0.1879
0.5 0.1915 0.1950 0.1985 0.2019 0.2054 0.2088 0.2123 0.2157 0.2190 0.2224
0.6 0.2257 0.2291 0.2324 0.2357 0.2389 0.2422 0.2454 0.2486 0.2517 0.2549
0.7 0.2580 0.2611 0.2642 0.2673 0.2704 0.2734 0.2764 0.2794 0.2823 0.2852
3.0 0.4987 0.4987 0.4987 0.4988 0.4988 0.4989 0.4989 0.4989 0.4990 0.4990

Tablas de la Distribución Normal Estándar
Para saber el área debajo de la curva entre 0 y 0.45, se ubica la intersección de fila de 0.4 y la
columna 0.05, que corresponde al valor 0.1736. Como la curva es simétrica, la tabla también
es válida para -0.45y 0, que también tiene un área de 0.1736.
Z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319 0.0359
0.1 0.0398 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.0675 0.0714 0.0753
0.2 0.0793 0.0832 0.0871 0.0910 0.0948 0.0987 0.1026 0.1064 0.1103 0.1141
0.3 0.1179 0.1217 0.1255 0.1293 0.1331 0.1368 0.1406 0.1443 0.1480 0.1517
0.4 0.1554 0.1591 0.1628 0.1664 0.1700 0.1736 0.1772 0.1808 0.1844 0.1879

Tablas de la
Distribución
Normal
Estándar
Retorno

Tablas de la
Distribución
Normal
Estándar

Ejemplo de Empleo de la Distribución Normal Estándar
Se sabe que los pesos individuales de tornillos de un cierto lote se distribuyen normalmente
con media μ = 2.10 gramos y desviación estándarσ = 0.15 gramos. Qué proporción
(probabilidad) de tornillos pesará más de 2.55 gramos?
Lo que se pide es calcular : P(Y > 2.55) = 1 - P(Y ≤ 2.55)
Haciendo la transformación: Z = (Y - μ )/ σ se tiene:
P(Y > 2.55) = 1 - P ( Z < (2.55 - 2.10)/0.15) )

= 1 - P( Z < 3) ver tabla
= 1 - 0.9987 = 0.0013
Conclusión: El0.13 % de los tornillos pesan más de 2.55 gramos.
Ejemplo de Empleo de la Distribución Normal Estándar
Las resistencias individuales a la tracción de barras de un cierto material se distribuye
aproximadamente normal con media 24 Pa y desviación estándar 3. El consumidor requiere
que al menos 95 % de las barras tengan una resistencia mayor a 20 Pa. Cumplen dichas
barras con las especificaciones del cliente?
Si se define aY como la resistencia de las barras, entonces se pide verificar que :
P(Y > 20) ≥ 0.95
P(Y >20) = P[Z ≥ (20 - 24)/3 ] = P[Z ≥ -1.33]= 0.91.
Se concluye que solo 91 % de las barras tiene una resistencia mayor a 20 y por tanto el
lote no cumple con las especificaciones del cliente.

Clase Estadística y Proba Ing Petrolera-2

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Clase Estadística y Proba Ing Petrolera-2

Încărcat de

Drepturi de autor:

Formate disponibile

Universidad Mayor de San Andrés – Facultad de

Utilidad: Útil en la investigación cientíﬁca, particularmente donde existe incertidumbre

4/2/2018 Jaime Ortega 1

Población: conjunto ﬁnito o inﬁnito de elementos que presentan características

4/2/2018 Jaime Ortega 2

Ejemplo: Se cuenta el número de partículas sólidas en suspensión (asfaltenos) de 1 mm.

Observaciones: Observaciones están entre 0 y 4

Comentario Métodos estadísticos no son un substituto de leyes físicas que gobiernan un

Actividad: 2 voluntarios para recolectar información sobre las edades del

4/2/2018 Jaime Ortega 4

Al conjunto de métodos de resumir datos y calcular ciertos parámetros o estadígrafos, se

4/2/2018 Jaime Ortega 5

Una variable cuantitativa discreta

Una variable cuantitativa continua

4/2/2018 Jaime Ortega 6

Clasiﬁcar las siguientes variables en cualitativas y cuantitativas discretas o continuas.

1. La nacionalidad de una persona. Cualitativa

2. Número de litros de agua contenidos en un depósito. Cuantitativa continua

3. El área de las distintas baldosas de un ediﬁcio. Cuantitativa continua

4. Suma de puntos tenidos en el lanzamiento de un par de Cuantitativa discreta.

4/2/2018 Jaime Ortega 7

1. No se entienden por completo las leyes físicas que gobiernan un problema

2. Experimento no ha sido hecho antes.

3. No se conoce el comportamiento de un instrumental y técnica.

4. Existe presión económica y de tiempo.

5. En presencia de resultados inesperados en un experimento o en una cierta

4/2/2018 Jaime Ortega 8

1. Estudiar la tecnología actual para tener información sobre posibles resultados

3. Deﬁnir las variables que afectan los resultados

4. Diseñar un programa de experimentos en base a valores sucesivos de cada

7. Analizar los resultados para tomar decisiones y/o hacer predicciones

Gráﬁca de Barras Se emplean para variables cualitativas y para cuantitativas discretas.

4/2/2018 Jaime Ortega 10

Tabla Gráﬁca de Barras

4/2/2018 Jaime Ortega 11

Histograma Se emplean usualmente con variables cuantitativa continuas.

Ejemplo: Se mide con gran precisión la permeabilidad de un yacimiento petrolero

Histograma Se emplean usualmente con variables cuantitativa continuas.

4/2/2018 Jaime Ortega 13

Cómo dibujar un Histograma

1. Agrupar las observaciones entre 5 y 20intervalos de clase

2. Obtener unrepresentante de clase que es el punto medio de la

Ejercicio: construir el histograma de la distribución de edades de los alumnos de la

4/2/2018 Jaime Ortega 14

4/2/2018 Jaime Ortega 15

4/2/2018 Jaime Ortega 16

4/2/2018 Jaime Ortega 17

Estadígrafos de Resumen de Datos

Cuando la distribución es simétrica, todas ellas se centralizan cerca al máximo de

4/2/2018 Jaime Ortega 18

Es el estadígrafo más importante de todos. Más adelante se verá que la media

Donde :yi son las observaciones yn es el número total de observaciones.

4/2/2018 Jaime Ortega 19

Donde N es el número de observaciones no repetidas,yi es el representante de clase y

4/2/2018 Jaime Ortega 20

4/2/2018 Jaime Ortega 21

Línea de Margen de Utilidad Ventas (US$) n

4/2/2018 Jaime Ortega 22

4/2/2018 Jaime Ortega 23

Es el valor de clase que corresponde al 50% de las observaciones. Se la utiliza en ocasiones

4/2/2018 Jaime Ortega 24

- Permite juzgar la conﬁabilidad de la medida de tendencia central. Si los datos se

- Una amplia dispersión de valores con respecto al centro de distribución presenta

4/2/2018 Jaime Ortega 25