Documente Academic
Documente Profesional
Documente Cultură
ASIGNATURA: ESTADÍSTICA
Septiembre 2017
Huacho-Perú
2
INTRODUCCIÓN
PROBABILIDADES
1. EXPERIMENTO ALEATORIO
3. ESPACIO MUESTRAL
4. EVENTO
Evento complementario
Es el grupo de todos los resultados básicos no contenidos en el evento E.
𝑃(𝐴𝑐 ) = 1 − 𝑃(𝐴)
Evento intersección
Cuando se tiene dos eventos, es el grupo de resultados básicos que pertenece
a ambos eventos E1 y E2 de un espacio muestral.
E1 ∩ E2 o su equivalente E2 ∩ E1
Evento unión
Es el grupo de resultados básicos que pertenece como mínimo a uno de los
eventos E1 y E2 de un espacio muestral.
E1 U E2 o su equivalente E2 U E1
Si se tiene dos eventos la unión e intersección tienen esta relación:
𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵)
Eventos mutuamente excluyentes.
Si los eventos E1 y E2 de un espacio muestral no tienen resultados básicos en
común.
E1 ∩ E 2 = ∅
Eventos independientes
Si los eventos A y B son independientes, el evento condicional no tiene
influencia, luego:
𝑃(𝐵/𝐴) = 𝑃(𝐵) y 𝑃(𝐴/𝐵) = 𝑃(𝐴)
Eventos dependientes
𝑃(𝐴 ∩ 𝐵)
𝑃(𝐵/𝐴) =
𝑃(𝐴)
Y consecuentemente, la probabilidad que ambos eventos ocurran será:
5. PROBABILIDAD
La definición clásica de probabilidad menciona que si un experimento aleatorio
tiene resultados mutuamente excluyentes e igualmente posibles 𝑛(Ω), y si 𝑛(E)
de tales resultados están a favor de un evento E, entonces la probabilidad de
ocurrencia del evento E es dada por
𝑛(E)
𝑃(𝐸) =
𝑛(Ω)
Otra manera de entender la probabilidad es con la ley de los grandes números:
“La frecuencia relativa del número de veces que un evento ocurre cuando un
experimento es replicado una y otra vez (un gran número de veces) se aproxima
a la probabilidad del evento”.
Un ejemplo clásico es la frecuencia relativa del número de veces que una cara
ocurre cuando tiramos n veces una moneda. Cuando aumentamos el número de
tiradas vemos que esta se acerca a 0,5. Por lo tanto la probabilidad de cada
punto muestral en el experimeto de lanzar una moneda es 0,5.
0 ≤ 𝑃(𝐴𝑖 ) ≤ 1, i = 1, 2, 3,…k
∑ 𝑃(𝐴𝑖 ) = 1
𝑖=1
Ejemplo 2
a) Experimento 2
Nacimiento de dos crías
b) Espacio muestral
Macho, hembra
Macho, macho
Hembra, macho
Hembra, hembra
c) Probabilidades de cada punto muestral
Macho, hembra 1/4
Macho, macho 1/4
Hembra, macho 1/4
Hembra, hembra 1/4
d) Evento (E1)
Obtener un macho exactamente
e) Probabilidad del evento (E1)
𝑃(𝐸1) = 𝑃(𝑚𝑎𝑐ℎ𝑜, ℎ𝑒𝑚𝑏𝑟𝑎) + 𝑃(ℎ𝑒𝑚𝑏𝑟𝑎, 𝑚𝑎𝑐ℎ𝑜)
𝑃(𝐸1) = 1⁄4 + 1⁄4 = 1⁄2
d1) Evento (E2)
Obtener por lo menos una cría macho
e1) Probabilidad del evento (E2)
𝑃(𝐸2) = 𝑃(𝑚𝑎𝑐ℎ𝑜, 𝑚𝑎𝑐ℎ𝑜) + 𝑃(𝑚𝑎𝑐ℎ𝑜, ℎ𝑒𝑚𝑏𝑟𝑎) + 𝑃(ℎ𝑒𝑚𝑏𝑟𝑎, 𝑚𝑎𝑐ℎ𝑜)
𝑃(𝐸2) = 1⁄4 + 1⁄4 + 1⁄4 = 3⁄4
Ejemplo integrador 1:
En un corral hay 10 terneros: 2 negros, 3 rojos y 5 manchados. Ellos son sacados
uno por uno en un orden completamente al azar. Las probabilidades de que el
primer ternero sea de un color en particular están en la siguiente tabla:
1 1
𝑃(𝑛𝑒𝑔𝑟𝑜 ∪ 𝑟𝑜𝑗𝑜) = 1 − 𝑃(𝑚𝑎𝑛𝑐ℎ𝑎𝑑𝑜) = 1 − =
2 2
P (negro/manchado) = 2/9
1 negro (2/10)(1/9)
2 negros (2/10) 3 rojos (2/10)(3/9)
5 manchados (2/10)(5/9)
2 negros (3/10)(2/9)
3 rojos (3/10) 2 rojos (3/10)(2/9)
5 manchados (3/10)(2/9)
2 negros (5/10)(2/9)
5 manchados (5/10) 3 rojos (5/10)(3/9)
4 manchados (5/10)(4/9)
En una granja porcina se tiene registros de los partos de las cerdas cambourog
29 durante un período de 3 años. Un resumen por número de parto se muestra
a continuación
a. ¿Cuál es la probabilidad que la vaca escogida tenga metritis post parto y esté
vacía:
Sea M, el evento que la vaca este con metritis
Sea V, el evento que la vaca este vacía
P (M ∩ V) = 0,16
c. ¿Cuál es la probabilidad que este vacía dado que esta con metritis?
Sea Z, el evento que la vaca este vacía
Sea L, el evento que la vaca este con metritis
DISTRIBUCIONES DE PROBABILIDAD
1. VARIABLE ALEATORIA
2. DISTRIBUCIÓN DE PROBABILIDAD
Entonces, si y es discreta:
Ejemplo 1
Número
p(x)
hembras
0 1/4
1 1/2
2 1/4
𝑛
𝑝(𝑥) = ( ) 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥
𝑥
Donde,
x = suceso de interés (0, 1, …,n)
p = P (suceso) en un ensayo o experimento
n = número de ensayos.
Se obtendrá lo mismo:
Número
Modelo binomial p(x)
hembras
0 2 1/4
( ) (0,5)0 (0,5)2
0
1 2 1/2
( ) (0,5)1 (0,5)1
1
2 2 1/4
( ) (0,5)2 (0,5)0
0
Ejemplo 2
Solución
El modelo de distribución binomial tiene la siguiente expresión:
𝑛
𝑝(𝑥) = ( ) 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥
𝑥
Donde,
x = suceso de interés (0, 1, …,n)
p = P (suceso) en un ensayo o experimento
n = número de ensayos
En el ejemplo sería:
10 10!
𝑝(7) = ( ) 0,57 (1 − 0,5)10−7 = 7!(10−7)! 0,57 (1 − 0,5)10−7 = 0,12
7
Ejemplo 3
10 10!
𝑝(2) = ( ) 0,152 (1 − 0,15)10−2 = 0,152 (1 − 0,15)10−2 = 0,28
2 2! (10 − 2)!
1 2 /(2𝜎 2 )
𝑓(𝑥) = 𝑒 −(𝑥−𝜇)
𝜎√2𝜋
Gráfica de distribución
Normal; Media=6,6; Desv.Est.=0,9
0,5
0,4
0,3
Densidad
0,2148
0,2
0,1
0,0
5 6 6,6
X
Gráfica de distribución
Normal; Media=6,6; Desv.Est.=0,9
0,5
0,4
0,3
Densidad
0,2
0,1
0,1587
0,0
6,6 7,5
X
DISTRIBUCIONES DE MUESTREO
1. DEFINICIÓN
cuando queremos comparar dos poblaciones se entiende por lo tanto que dos
poblaciones son diferentes cuando la distribución de sus medias muestrales no
se entrecruzan (a) y son iguales cuando la distribución de medias se entrecruzan
(b).
(a) (b)
Analizando los datos del cuadro se comprueba que la media poblacional es la
misma que la media obtenida de las medias de las muestras, así se establece la
relación:
𝜇𝑥̅ = 𝜇 = 9,9
REFERENCIAS BIBLIOGRÁFICAS
Acuña, E. (2000). Análisis estadístico de datos. Usando Minitab para Windows.
Lima: Sanki
D`Agostino, R. B., Sullivan, L. M., Beiser, A. S. (2006). Introductory applied
biostatistics. Belmont, USA: Duxbury-Thomson.
Dawson, B. y Trapp, R. G. (2002). Bioestadística médica. Tercera edición.
México DF: El Manual Moderno.
Kaps, M. y Lamberson, L. (2009). Biostatistics for animal science. Segunda
Edición. Oxfordshire: CABI.
McClave J. T., Benson P. G. y Sincich T. (2008). Statistics for Business and
Economics. Décima edición. New Jersey: Pearson-Prentice Hall.