Vous êtes sur la page 1sur 27

1

PERIODO: 37

MATERIA: Probabilidad y Estadstica

CURSO: 3G2 Ingeniera Electrnica

TEMA

Introduccin a la Estadstica y Conjuntos, Probabilidad, Variables Aleatorias y Distribuciones de Probabilidad, Esperanza Matemtica, Algunas Distribuciones de Probabilidad Discreta, Algunas Distribuciones Continuas de Probabilidad, Funciones de Variables Aleatorias.

NOMBRE: EDUARDO JAMI FECHA 03 de febrero del 2011

Probabilidad y Estadstica
CONTENIDOS Introduccin a la Estadstica y Conjuntos, Probabilidad, Variables Aleatorias y Distribuciones de Probabilidad, Esperanza Matemtica, Algunas Distribuciones de Probabilidad Discreta, Algunas Distribuciones Continuas de Probabilidad, Funciones de Variables Aleatorias, Distribuciones Fundamentales de Muestreo y Descripciones de Datos. OBJETIVOS Generales: 1. Dar a conocer al estudiante los conceptos que se manejan en la estadstica descriptiva y probabilidades como herramientas claves para el manejo de la produccin, control de calidad, telecomunicaciones y la toma de decisiones. Especficos: 1. Dar a conocer los conceptos bsicos de la estadstica. 2. Aprender los conceptos y manejar las aplicaciones de las medidas de tendencia central y de dispersin. 3. Conocer y saber utilizar las probabilidades. 4. Aprender a utilizar las herramientas estadsticas dentro del control de calidad. 1.- INTRODUCCIN A LA ESTADSTICA Y CONJUNTOS 1.1 Introduccin 1.2 Leyes de Conjuntos 1.3 Diagrama de Venn 1.4 Induccin Matemtica 1.5 El papel de la probabilidad 1.6 Medidas de posicin: media de una muestra 1.7 Medidas de variabilidad 1.8 Datos discretos y continuos 1.9 Modelado estadstico 2. PROBABILIDAD 2.1 Espacio muestral

3
2.2 Eventos 2.3 Conteo de puntos de la muestra 2.4 Probabilidad de un evento 2.5 Reglas aditivas 2.6 Probabilidad condicional 2.7 Reglas multiplicativas 2.8 Regla de Bayes 3. VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 3.1 Conceptos de variable aleatoria 3.2 Distribuciones discretas de probabilidad 3.3 Distribuciones continuas de probabilidad 3.4 Distribuciones empricas 3.5 Distribuciones de probabilidad conjunta 4. ESPERANZA MATEMATICA 4.1 Media de una variable aleatoria 4.2 Varianza y Covarianza 4.3 Medias y varianzas de combinaciones lineales de variables aleatorias 4.4 Teorema de Chebyshev 5. ALGUNAS DISTRIBUCIONES DE PROBABILIDAD DISCRETA 5.1 Introduccin 5.2 Distribucin uniforme discreta 5.3 Distribucin binomial y multinomial 5.4 Distribucin hipergeomtrica 5.5 Distribucin binomial negativa y geomtrica 5.6 Distribucin de Poisson y proceso de Poisson 6. ALGUNAS DISTRIBUCIONES CONTINUAS DE PROBABILIDAD 6.1. Distribucin de probabilidad contina 6.2. Distribucin normal 6.3. reas bajo la curva normal

4
6.4. Aplicaciones de la distribucin normal 6.5. Aproximacin normal a la binomial 6.6. Distribucin gamma y exponencial 6.7. Aplicaciones a la distribucin gamma y exponencial 6.8. Distribucin ji cuadrada 6.9. Distribucin logartmica normal 6.10. Distribucin de Weibull 7. FUNCIONES DE VARIABLES ALEATORIAS 7.1. Introduccin 7.2. Transformaciones de variables 7.3. Momentos y Funciones generadoras de momentos 8. DISTRIBUCIONES FUNDAMENTALES DE MUESTREO Y DESCRIPCIONES DE DATOS 8.1. Muestreo aleatorio 8.2. Algunas estadsticas importantes 8.3. Presentacin de datos y mtodos grficos 8.4. Distribuciones Mustrales de medidas 8.5. Distribucin muestral de S2 8.6. Distribucin t 8.7. Distribucin F

1.1.-Introduccin
La estadstica es una ciencia que estudia la recoleccin, anlisis e interpretacin de datos, ya sea para ayudar en la resolucin de la toma de decisiones o para explicar condiciones regulares o irregulares de algn fenmeno o estudio aplicado, de ocurrencia en forma aleatoria o condicional. Sin embargo estadstica es ms que eso, en otras palabras es el vehculo que permite llevar a cabo el proceso relacionado con la investigacin cientfica.

CAPITULO 1 Anlisis Exploratorio de Datos

Variables cualitativas No se pueden medir numricamente. No permiten realizar operaciones algebraicas. Pueden ser nominales u ordinales. Variables cuantitativas Tienen valor numrico (edad, altura, ingresos mensuales). Se pueden clasificar en discretas y continuas.

Nominales: Sus valores no se pueden ordenar. Por ejemplo: sexo (F o M), grupo sanguneo (A, B, AB, 0, entre otros), religin, nacionalidad, etc. Ordinales: Sus valores se pueden ordenar. Por ejemplo: mejora de un paciente ante un tratamiento (muy mejorado, moderado, poco mejorado, sin mejoras), grado de satisfaccin (muy, medianamente, poco, nada satisfecho), intensidad del dolor, etc.

Discretas: slo pueden tomar valores enteros (1, 2, 25, -12, etc.). Por ejemplo: nmero de hijos (puede ser 1, 2, 3, etc., pero nunca podr ser 3,5). Continuas: pueden tomar cualquier valor real dentro de un intervalo. Por ejemplo, la altura de las personas puede ser 1,65 m; 1,70 m; 1,90 m; etc.

La estadstica se aplica sobre la variabilidad, y se puede utilizar de dos maneras: Estadstica descriptiva se dedica a la presentacin, organizacin y resumen de los datos observados. Estadstica inferencial permite generalizar los datos de las muestras a un nmero ms grande de individuos (poblacin). La distribucin de frecuencia es la representacin estructurada, en forma de tabla, de la informacin que se ha recogido sobre la variable en estudio, como se muestra en la siguiente tabla, en donde X son los distintos valores que puede tomar la variable, n es el nmero de veces que se repite cada valor, y f es el porcentaje (en relacin con el total) en el que se repite dicho valor.

Ejemplo: Al medir la altura de los alumnos de una clase, se obtienen los siguientes resultados (en metros) Alumno Alumno 1 Alumno 2 Alumno 3 Alumno 4 Alumno 5 Alumno 6 Alumno 7 Alumno 8 Alumno 9 Alumno 10 Estatura 1,25 1,28 1,27 1,21 1,22 1,29 1,30 1,24 1,27 1,29 Alumno Alumno 11 Alumno 12 Alumno 13 Alumno 14 Alumno 15 Alumno 16 Alumno 17 Alumno 18 Alumno 19 Alumno 20 Estatura 1,23 1,26 1,30 1,21 1,28 1,30 1,22 1,25 1,20 1,28 Alumno Alumno 21 Alumno 22 Alumno 23 Alumno 24 Alumno 25 Alumno 26 Alumno 27 Alumno 28 Alumno 29 Alumno 30 Estatura 1,21 1,29 1,26 1,22 1,28 1,27 1,26 1,23 1,22 1,21

Datos y escalas de medicin

9
A partir de estos datos, se puede obtener la siguiente tabla de frecuencias: Variable Frecuencias absolutas Frecuencias relativas (Valor) 1,20 1,21 1,22 1,23 1,24 1,25 1,26 1,27 1,28 1,29 1,30 Simple 1 4 4 2 1 2 3 3 4 3 3 Acumulada 1 5 9 11 12 14 17 20 24 27 30 (total) Simple 3,3% 13,3% 13,3% 6,6% 3,3% 6,6% 10,0% 10,0% 13,3% 10,0% 10,0% Acumulada 3,3% 16,6% 30,0% 36,6% 40,0% 46,6% 56,6% 66,6% 80,0% 90,0% 100,0%

Las frecuencias simples se obtienen contando cuntos nios tienen determinado valor (por ejemplo hay 1 nio que mide 1,20m y 4 que miden 1,22 m.). Las frecuencias relativas simples consideran cada valor en relacin con el total: por ejemplo para el valor 1,20, hay 1 solo nio (de un total de 30) que posee esa altura, entonces la frecuencia (en %) es: 1/30*100= 3,3%

Variable (Valor) X1 X2 ... Xn-1 Xn

Frecuencias absolutas Simple n1 n2 ... nn-1 nn Acumulada n1 n1 + n2 ...

Frecuencias relativas Simple f1 = n1 / n f2 = n2 / n ... Acumulada f1 f1 + f2 ... f1 + f2 +..+fn-1 f

n1 + n2 +..+ nn-1 fn-1 = nn-1 / n n fn = nn / n

10
Representacin grafica:

1.- MEDIA Es la medida de posicin central ms utilizada, la ms conocida y la ms sencilla de calcular, debido principalmente a que sus ecuaciones se prestan para el manejo algebraico, lo cual la hace de gran utilidad. Su principal desventaja radica en su sensibilidad al cambio de uno de sus valores o a los valores extremos demasiado grandes o pequeos. La media se define como la suma de todos los valores observados, dividido por el nmero total de observaciones.

Ecuacin 5-1 Cuando los valores representan una poblacin la ecuacin se define como:

Ecuacin 5- 2

Ecuacin 5-3

11

Figura 5-1 Si aplicamos la frmula para valores agrupados obtendramos que la media es igual a

Lo que nos indicara que el promedio de edad de los encuestados es de 35 aos. Si ha estos mismos resultados le aplicamos la ecuacin para datos desagrupados (Ecuacin 5-3), tomando como referencia cada uno de los valores individuales, obtendramos que la media es igual a

2. MEDIANA Con esta medida podemos identificar el valor que se encuentra en el centro de los datos, es decir, nos permite conocer el valor que se encuentra exactamente en la mitad del conjunto de datos despus que las observaciones se han ubicado en serie ordenada. Esta medida nos indica que la mitad de los datos se encuentran por debajo de este valor y la otra mitad por encima del mismo. Para determinar la posicin de la mediana se utiliza la frmula

Ecuacin 5-5 Para comprender este concepto vamos a suponer que tenemos la serie ordenada de valores (2, 5, 8, 10 y 13), la posicin de la mediana sera:

12

Ejemplo: Dada la siguiente distribucin en el nmero de hijos (Xi) de cien familias, calcular sus cuartiles. xi n i 0 14 1 10 2 15 3 26 4 20 5 15 n=100 Ni 14 24 39 65 85 100

Solucin: 1. Primer cuartil:

2.

13
Segundo cuartil:

3. Tercer cuartil:

Medidas de Dispersin

Las medidas de tendencia central tienen como objetivo el sintetizar los datos en un valor representativo, las medidas de dispersin nos dicen hasta que punto estas medidas de tendencia central son representativas como sntesis de la informacin. Las medidas de dispersin cuantifican la separacin, la dispersin, la variabilidad de los valores de la distribucin respecto al valor central. Distinguimos entre medidas de dispersin absolutas, que no son comparables entre diferentes muestras y las relativas que nos permitirn comparar varias muestras. MEDIDAS DE DISPERSIN ABSOLUTAS VARIANZA ( s ): es el promedio del cuadrado de las distancias entre cada observacin y la media aritmtica del conjunto de observaciones.
2

Haciendo operaciones en la frmula anterior obtenemos otra frmula para calcular la varianza:

14
Si los datos estn agrupados utilizamos las marcas de clase en lugar de Xi. u DESVIACIN TPICA (S): La varianza viene dada por las mismas unidades que la variable pero al cuadrado, para evitar este problema podemos usar como medida de dispersin la desviacin tpica que se define como la raz cuadrada positiva de la varianza

Para estimar la desviacin tpica de una poblacin a partir de los datos de una muestra se utiliza la frmula (cuasi desviacin tpica):

RECORRIDO O RANGO MUESTRAL (Re). Es la diferencia entre el valor de las observaciones mayor y el menor. Re = xmax - xmin MEDIDAS DE DISPERSIN RELATIVAS u COEFICIENTE DE VARIACIN DE PEARSON: Cuando se quiere comparar el grado de dispersin de dos distribuciones que no vienen dadas en las mismas unidades o que las medias no son iguales se utiliza el coeficiente de variacin de Pearson que se define como el cociente entre la desviacin tpica y el valor absoluto de la media aritmtica

CV representa el nmero de veces que la desviacin tpica contiene a la media aritmtica y por lo tanto cuanto mayor es CV mayor es la dispersin y menor la representatividad de la media. Medidas de Forma Comparan la forma que tiene la representacin grfica, bien sea el histograma o el diagrama de barras de la distribucin, con la distribucin normal. MEDIDA DE ASIMETRA Diremos que una distribucin es simtrica cuando su mediana, su moda y su media aritmtica coinciden. Diremos que una distribucin es asimtrica a la derecha si las frecuencias (absolutas o relativas) descienden ms lentamente por la derecha que por la izquierda. Si las frecuencias descienden ms lentamente por la izquierda que por la derecha diremos que la distribucin es asimtrica a la izquierda. Existen varias medidas de la asimetra de una distribucin de frecuencias. Una de ellas es el Coeficiente de Asimetra de Pearson:

15

CAPITULO 2
El Concepto de Probabilidad

Espacio Probabilstico Finito Su espacio muestral es discreto finito. Hay al menos 2 sucesos elementales que cumplen. Ejemplo Imaginemos que se lanzan una moneda y un dado La probabilidad de un camino es la multiplicacin de sus probabilidades.

La probabilidad de sacar una cara y un tres ser ----> La probabilidad de un suceso cualquiera es la suma de las probabilidades de los caminos La probabilidad de sacar impar ser ---->

Espacio Probabilistico Infinito Contable Aquel cuyo espacio muestral es discreto infinito contable. Por ejemplo

La probabilidad de que salga cara en la primera tirada ---->

La probabilidad de que salga cara en la segunda tirada ---->

La probabilidad de que salga cara en la tercera tirada ---->

16

Ejemplos: Por ejemplo, en el caso del experimento aleatorio "lanzar un dado", el espacio muestral del experimento sera: ={1,2,3,4,5,6}. Por otro lado, si cambiamos ligeramente la experien cia pensando en el nmero resultante de la suma de 2 dados, entonces tenemos 2 espacios muestrales: ={(1,1),(1,2),(1,3),(1,4),(1,5),(1,6),(2,1),(2,2),...(6,6)} = {1,2,3,4,5,6}x{1,2,3,4,5,6} '={2,3,4,...,12}

La eleccin del espacio muestral es un factor determinante para realizar el clculo de la probabilidad de un suceso. Muestreo aleatorio estratificado Definicion.-Se divide la poblacin en clases o estratos y se escoge, aleatoriamente, un nmero de individuos de cada estrato proporcional al nmero de componentes de cada estrato. Ejemplo En una fbrica que consta de 600 trabajadores queremos tomar una muestra de 20. Sabemos que hay 200 trabajadores en la seccin A, 150 en la B, 150 en la C y 100 en la D.

17

Espacio muestral
En la teora de probabilidades se llama espacio muestral o espacio de muestreo al conjunto de todos los posibles resultados individuales de un experimento aleatorio. Por ejemplo, si el experimento consiste en lanzar dos monedas, el espacio de muestreo es el conjunto {(cara, cara), (cara, cruz), (cruz, cara) y (cruz, cruz)}. Un evento o suceso es cualquier subconjunto del espacio muestral, llamndose a los sucesos que contengan un nico elemento sucesos elementales. En el ejemplo, el suceso "sacar cara en el primer lanzamiento", o {(cara, cara), (cara, cruz)}, estara formado por los sucesos elementales {(cara, cara)} y {(cara, cruz)}. Los espacios de muestreo aparecen de forma natural en una aproximacin elemental a la probabilidad, pero son tambin importantes en espacios de probabilidad. Un espacio de probabilidad (, F, P) incorpora un espacio de muestreo de resultados, , pero define un conjunto de sucesos de inters, la lgebra F, por la cul se define la medida de probabilidad P. Tipos de espacio muestral Podemos diferenciar entre dos tipos de espacios muestrales: discretos y continuos. Discretos Son aquellos espacios donde el nmero de sucesos elementales es finito o infinito numerable. Espacio Probabilstico discreto Es aquel cuyo espacio muestral es discreto.Podemos diferenciar varios tipos de espacio probabilstico discreto: Ejemplo: Espacio Probabilstico Discreto Equiprobable Su espacio muestral es finito de tamao n. La probabilidad de cualquier suceso elemental E es

, de aqu se deduce que para todo suceso A la probabilidad es

18

19

Clculo de probabilidades

Continuos Son aquellos espacios donde el nmero de sucesos elementales es infinito incontable. Espacio probabilstico contnuo Espacio muestral infinito no numerable. -No es posible observar puntos concretos del espacio. Tiene sentido hablar de intervalos observados. - No es posible asignar probabilidad a un punto concreto, se asignana intervalos. Por tanto la funcin P est definida sobre intervalos -----> P(Ki < Exp > Ke) Habitualmente cuando trabajamos con magnitudes fsicas. Particiones Es posible definir particiones sobre el espacio muestral. Formalmente hablando, una particin sobre se define como un conjunto numerable: tal que: 1. 2. 3.

20

21

CAPITULO 3

Variables aleatorias discretas

22
Funcin de distribucin

Variables aleatorias continuas

Funcin de densidad

23

DISTRIBUCIONES DE FUNCIONES DE VARIABLES ALEATORIAS:

La esperanza matemtica

24

25

CAPITULO 4

26

Distribucin de poisson

Distribucin uniforme:

27

BIBLIOGRAFA [1] WALPOLE, RONALD E.; MYERS, RAYMOND H.; MYERS, SHARON L. Probabilidad y estadstica para ingenieros/ Prentice-Hall Hispanoamericana. Mxico. 6a. edicin. 1999. 739 p. [2] MONTGOMERY, DOUGLAS C.; RUNGER, GEORGE C., Probabilidad y estadstica aplicadas a la ingeniera/ McGraw-Hill. Mxico. 1996. 895; I-6 p. [3] MENDENHALL, WILLIAM; SINCICH, TERRY., Probabilidad y estadstica para ingeniera y ciencias/ Prentice-Hall Hispanoamericana. Mxico. 4a. edicin. 1997. 1182 p. ilus. [4] ROBERT JOHNSON, Estadstica Elemental [5] HODSON, WILLIAM K., ED., Maynard: Manual del ingeniero industrial/

Vous aimerez peut-être aussi