Vous êtes sur la page 1sur 72

Universidad Mayor de San Andrs Facultad de Ingeniera

Estadstica

Consideraciones Generales

Concepto: Estadstica es la ciencia de recolectar, interpretar y analizar datos de la mejor manera posible.

Utilidad: til en la investigacin cientfica, particularmente donde existe incertidumbre experimental.

Objeto: Toma de decisiones en presencia de incertidumbre.

19/9/2016 Jaime Ortega 1


Universidad Mayor de San Andrs Facultad de Ingeniera

Estadstica

Consideraciones Generales

El trmino estadstica se deriva del latn status, que significa estado o situacin.

Ciencia de las matemticas encargada de analizar el comportamiento de una poblacin

..mediante un estudio cuyo propsito es hacer inferencias (predicciones sobre un comportamiento de

dicha poblacin) a partir de un subconjunto de datos, llamado muestra, tomados de la mencionada

poblacin.

La estadstica descriptiva se encarga a su vez de reunir, organizar y analizar datos numricos, as como

ayudar a disear experimentos

19/9/2016 Jaime Ortega 2


Estadstica

1 Consideraciones Generales

Ejemplo: Se cuenta el nmero de partculas de oro de 3 mm. de dimetro y totalmente liberadas

que se encuentran en 24 muestras de un cierto mineral. 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 estn entre 0 y 4

El valor ms frecuente es 0

No se puede predecir el siguiente valor

Las variaciones no son sistemticas. Son al azar.

Mtodos estadsticos
Comentario no son un substituto de leyes fsicas que gobiernan un problema

19/9/2016 Jaime Ortega 3


Estadstica

1 Consideraciones Generales

Actividad: 2 voluntarios para recolectar informacin sobre las edades del curso

19/9/2016 Jaime Ortega 4


Estadstica

1 Consideraciones Generales

Al conjunto de mtodos de resumir datos y calcular ciertos parmetros o estadgrafos, se le da el

nombre genrico de Estadstica Descriptiva.

Datos son valores de medidas hechas sobre un o ms fenmenos. Cada fenmeno medido es una variable

la cual puede ser cualitativa o cuantitativa y sta ultima puede ser discreta o continua.

Una variable cuantitativa es la que se expresa mediante un nmero, por tanto se pueden realizar

operaciones aritmticas con ella.

Una variable cualitativa es aquella que representa una caracterstica de calidad del fenmeno medido.

Ejemplo: candidatos en una eleccin, color, sabor, etc.

19/9/2016 Jaime Ortega 5


Estadstica

1 Consideraciones Generales

Una variable cuantitativa discreta

Es aquella que slo puede tomar un nmero finito de valores entre dos valores cualesquiera de una

caracterstica. Ejemplo: nmero de personas contadas, nmero de partculas csmicas por minuto,

nmero de productos con fallas en una lnea de produccin etc.

Una variable cuantitativa continua

Es aquella que puede tomar un nmero infinito de valores entre dos valores cualesquiera de una

caracterstica. Ejemplo: los valores que se miden de longitud, presin, temperatura, tiempo, etc.

19/9/2016 Jaime Ortega 6


Estadstica

1 Consideraciones Generales

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

1. La nacionalidad de una persona. cualitativa

2. Nmero de litros de agua contenidos en un depsito. Cuantitativa continua

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

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

19/9/2016 Jaime Ortega 7


Estadstica

1 Consideraciones Generales

Cuando emplear mtodos estadsticos ?

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

2. Experimento no ha sido hecho antes.

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

4. Existe presin econmica y de tiempo.

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

19/9/2016 Jaime Ortega 8


Estadstica
1 Consideraciones Generales

Cuales son los pasos a seguir cuando se decide emplear mtodos estadsticos ?

1.Estudiar la tecnologa actual para tener informacin sobre posibles resultados experimentales

2. Definir el objetivo del programa de experimentos

3.Definir las variables que afectan los resultados

4.Disear 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)

19/9/2016 Jaime Ortega 9


Estadstica

2 Formas Simples de Resumir datos

Las formas ms comunes de resumir datos son tablas y grficos. 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.

Mtodos Grficos

Grfica 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

grfico. La variable es : nmero de partculas de oro; los valores de la variable son 0, 1, 2, 3 y 4:

19/9/2016 Jaime Ortega 10


Estadstica

2 Formas Simples de Resumir datos

Tabla Grfica de Barras

Nmero de partculas Frecuencia

0 10

1
6

2 5

3 2

4 1

total 24

19/9/2016 Jaime Ortega 11


Estadstica

2 Formas Simples de Resumir datos

Histograma Se emplean usualmente con variables cuantitativa continuas.

Ejemplo: Se mide con gran precisin el contenido de estao en 100 muestras de mineral.

Los resultado tabulados son:

Contenido de Estao Nmero de muestras

(% de Sn)
20 - 22 6

22 - 24 15

24 - 26 40

26 - 28 30

28 - 30 1009

19/9/2016
total Jaime Ortega 12
Estadstica

2 Formas Simples de Resumir datos

Histograma Se emplean usualmente con variables cuantitativa continuas.

20 22 24

19/9/2016 Jaime Ortega 13


Estadstica

2 Formas Simples de Resumir datos

Cmo dibujar un Histograma

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

2. Obtener un representante de clase que es el punto medio de la clase.

3. Determinar el nmero de observaciones en cada clase o intervalo.

4. Construir rectngulos con centros en el representante de clase.

Ejercicio: construir el histograma de la distribucin de edades de los alumnos de la clase

19/9/2016 Jaime Ortega 14


Estadstica

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.

19/9/2016 Jaime Ortega 15


Estadstica

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:

Contenido de Nmero de Frecuencia


Estao muestras Acumulada
(% de Sn)

20 - 22 6 6

22 - 24 15 21

24 - 26 40 61
26 - 28 30 91

28 - 30 9 9
Total 100

19/9/2016 Jaime Ortega 16


Estadstica

2 Formas Simples de Resumir datos Curva de Frecuencia Acumulada

19/9/2016 Jaime Ortega 17


Estadstica

II Formas Simples de Resumir datos

Estadgrafos de Resumen de Datos

Adems de los mtodos grficos, es til calcular algunos parmetros que resumen el conjunto de datos.

Cualquier cantidad que es calculada a partir de datos estadsticos se llama estadgrafo.

Los ms simples son de dos tipos: medidas de locacin o tendencia central y medidas de dispersin.

Medidas de Posicin Central

Son la media, mediana y moda.

Estas medidas asumen la representatividad del conjunto de datos.

Cuando la distribucin es simtrica, todas ellas se centralizan cerca al mximo de la curva.

19/9/2016 Jaime Ortega 18


Estadstica

Formas Simples de Resumir datos

La Media

Es el estadgrafo ms importante de todos. Ms adelante se ver que la media muestral estima el

valor esperado de una distribucin; de hecho, es un estimador de mxima verosimilitud. Se

calcula mediante:

_ n
y
y = i

i=1
n
Donde : yi son las observaciones y n es el nmero total de observaciones.

19/9/2016 Jaime Ortega 19


Estadstica

Formas Simples de Resumir Datos

La Media

Si los datos estn tabulados en frecuencias la formula de clculo es:

_
f iyi
y= i1
N

f i
i1

Donde N es el nmero de observaciones no repetidas, yi es el representante de clase y fi es la

frecuencia con la que se repite la i-sima observacin.

19/9/2016 Jaime Ortega 20


Estadstica

Formas Simples de Resumir datos

La Media Ponderada

Tambin conocida como promedio ponderado, es una media aritmtica en donde cada uno de los

valores se pondera de acuerdo con su importancia en el grupo en general. Esto es, que a cada valor
yi se multiplica por el factor de ponderacin correspondiente, w , tras de lo cual los productos se i

suman para posteriormente dividirse entre la suma de las ponderaciones.

La frmula de clculo es:


n

_
wi yi
y= i1n

wi
i1

19/9/2016 Jaime Ortega 21


Estadstica

Formas Simples de Resumir datos

La Media Ponderada

Ejemplo: Se tiene cuatro de lneas de productos: A B, C, D y cada lnea deja un margen de utilidad y

tiene un cierto nivel de ventas, segn se muestra en la tabla abajo. Cual es la media del margen de

utilidades?

Lnea de Margen de Utilidad en Ventas (US$) n

Productos %
(W)
y w i i

i1

(X)

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

19/9/2016 Jaime Ortega 22


Estadstica

Formas Simples de Resumir datos

4.2 + 5.5 + 7.4 + 10.1 6.8%


_

La Media Aritmtica
y (arit) =
4

y=
_ 303,300 5,23%
La Media Ponderada
58,000

Utilizar la media aritmtica de 6.8 % es asumir errneamente- 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.

19/9/2016 Jaime Ortega 23


Estadstica

Formas Simples de Resumir Datos

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 distribucin asimtrica. La mediana es una medida de la accin de

contar y por tanto no esta afectada por valores extremos.

Si y , 1y , y2 , .y
3
son los
n
datos de una muestra ordenada, entonces:

Me
= y n +1
con n par
2
M e =
y(n/2) + y(n/2) / 2 con n impar

19/9/2016 Jaime Ortega 24


Estadstica

Formas Simples de Resumir Datos Medidas de Dispersin

Ejemplo: un estudio de gente afectada por una enfermedad revel que la mayora de las personas

afectadas estaban por debajo de los dos aos y por encima de los setenta; seria por tanto engaoso

concluir simplemente que el "promedio de edad de la gente afectada es 36 aos" sabiendo que los

datos estn dispersos sobre casi todo el rango de la vida humana.

Es importante saber cuan dispersos estn los datos pues:

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

ampliamente dispersos, la posicin central es menos representativa.

- Una amplia dispersin de valores con respecto al centro de distribucin presenta riesgos

generalmente inaceptables

19/9/2016 Jaime Ortega 25


Estadstica

Formas Simples de Resumir Datos Medidas de Dispersin

Toda medida de posicin central, para tener una adecuada interpretacin, debe estar acompaada

de una de dispersin. Las ms comunes son: el rango, la desviacin media absoluta, la varianza,

la desviacin estndar y el coeficiente de variacin.

El Rango

Diferencia entre el valor de la mayor y la menor observacin. til para comparar la variabilidad de

muestras de igual tamao. Es muy sensitivo al nmero de observaciones y por tanto no es una

caracterstica descriptiva de una poblacin.

19/9/2016 Jaime Ortega 26


Estadstica

Formas Simples de Resumir Datos Medidas de Dispersin

La Desviacin Media Absoluta (MAD)

Es el promedio de las desviaciones absolutas respecto de la media. Es decir:

n
y y i

M.A.D = n
i=1

19/9/2016 Jaime Ortega 27


Estadstica

Formas Simples de Resumir Datos

Medidas de Dispersin: La Varianza Muestral y la Desviacin Estndar

Ambas dan una medida de la dispersin de los datos alrededor de la media. Cuando los valores

estn ms alejados los unos de los otros, mayor ser el valor de la Varianza y de la desviacin

estndar.
s2 n
y 2

La Varianza Muestral se calcula mediante: =


.
i=1

n 1


La desviacin estndar es la raz cuadrada de la Varianza: n 1
= =

La desviacin estndar tiene las mismas unidades que las medidas originales y por esta razn se la

prefiere como un estadgrafo de dispersin; sin embargo, para propsitos de anlisis terico y de

clculo, se trabaja generalmente con varianzas.


19/9/2016 Jaime Ortega 28
Estadstica

Formas Simples de Resumir Datos Medidas de Dispersin

La Varianza Muestral y la Desviacin Estndar


= = =
1 1

El uso de (n-1) en lugar de n en el denominador confunde a muchas personas. Es el nmero de grados

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

19/9/2016 Jaime Ortega 29


Estadstica

II Formas Simples de Resumir Datos

Medidas de Dispersin: La Varianza Muestral y la Desviacin Estndar



=
1 = =
1

En Estadstica, la suma de los residuos es necesariamente 0 ya que existen variables con valores

superiores e inferiores a la media.

= = =0

19/9/2016 Jaime Ortega 30


Estadstica

Formas Simples de Resumir Datos

Medidas de Dispersin: La Varianza Muestral y la Desviacin Estndar

- = = =0

Ahora imaginemos que se tienen 3 valores de y que se pueden modificar arbitrariamente, pero con la

condicin de que la suma de los residuos sea 0. Se puede utilizar cualquier cantidad a dos de los tres

valores de y, porque el otro va a estar dado por la frmula, es decir que tienes dos grados de libertad

En aquellas raras ocasiones cuando se conoce la media poblacional, la formula de la varianza tendr

n en el denominador.

19/9/2016 Jaime Ortega 31


Teora de Probabilidades

Concepto de Probabilidad

Probabilidad es la posibilidad de ocurrencia de un cierto evento en un experimento dado. La teora de

probabilidades permite medir dicha posibilidad.

Estadstica y Probabilidad

La relacin entre probabilidad y estadstica puede verse mediante el siguiente ejemplo:

Un lote de 10,000 vlvulas de tubera se importan para la industria petroqumica. El fabricante

especifica que el lote contiene una proporcin p igual al 10 % o 0.1 de defectuosas. Si se toman

muestras de 100 vlvulas, se debe esperar que existan 10 defectuosas en cada muestra; sin embargo, al

tomar varias muestras, algunas tendrn 8 defectuosas, otras tendrn 9, 10, 11, etc. La Teora de

Probabilidades nos permite calcular la posibilidad o probabilidad de obtener un nmero determinado de

vlvulas defectuosas en una muestra, obtenida bajo ciertas condiciones. En la realidad, la Estadstica

nos permite estimar el valor de p.


19/9/2016 Jaime Ortega 32
Teora de Probabilidades

Concepto de Probabilidad

Estadstica y Probabilidad

Una situacin real implica el conocer varios parmetros o variables (en el ejemplo anterior el

parmetro es p).

Si stos no se conocen y tienen que ser estimados a partir de datos experimentales, se est en presencia

de un problema estadstico.

Una ves que dichos parmetros han sido estimados, ellos pueden ser utilizados para deducir el

comportamiento de un sistema o modelo a travs de la solucin a un problema probabilstico; sin

embargo,

.. para poder resolver el problema estadstico, se necesita un conocimiento previo de la teora de

probabilidades lo que determina una relacin biunvoca entre Probabilidades y Estadstica.

19/9/2016 Jaime Ortega 33


Teora de Probabilidades

Concepto de Probabilidad

Estadstica y Probabilidad

En resumen:

La Estadstica acumula y analiza la masa de datos numricos provenientes de los resultados de

ciertas actividades o de la observacin de fenmenos.

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.

19/9/2016 Jaime Ortega 34


Teora de Probabilidades

Definiciones y Conceptos

Experimento Aleatorio

Se llama experimento o fenmeno aleatorio a aqul cuyos resultados no se pueden predecir de

antemano en una experiencia concreta.

Se llama experimento determinista o determinstico al que, realizado en las mismas condiciones, es

posible predecir los resultados (Fsica 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.

19/9/2016 Jaime Ortega 35


Teora de Probabilidades

Definiciones y Conceptos

Probabilidad de La Place

Cuando se pueda asegurar que se cumple el postulado 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:

P(a) nmerode casos favorables


nmerode casos posibles

19/9/2016 Jaime Ortega 36


Teora de Probabilidades

Definiciones y Conceptos

Probabilidad de La Place

Se observ que en 9 de cada 50 vehculos que pasan por una cierta esquina, los conductores no

tienen cinturn de seguridad. Si un vigilante de trnsito se para en esa misma esquina en un da

cualquiera Cul ser la probabilidad que detenga un vehculo sin cinturn de seguridad?

P(a) frecuencia observada de casosfavorables 9


= 0.18
frecuenciaobservada de casosposibles 50

Tanto el enfoque clsico como el enfoque emprico 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.

19/9/2016 Jaime Ortega 37


Teora de Probabilidades

Definiciones y Conceptos

Probabilidad Puntual o Probabilidad del Punto Muestral

Es la frecuencia de ocurrencia del evento en muchas repeticiones del experimento.

Si se designa un evento con y, la probabilidad de su ocurrencia se expresa por P(y).

Ejemplos:

1.- Se lanza una moneda regular (experimento), el Espacio Muestral es Cara y Cruz, es decir Ca y Cr. La

probabilidad de ocurrencia de Cara es igual a la de Cruz y se denota por: P(Ca) = P(Cr) = 1/2.

19/9/2016 Jaime Ortega 38


Teora de Probabilidades

Definiciones y Conceptos

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

4,1 4,2 4,3 4,4 4,5 4,6

5,1 5,2 5,3 5,4 5,5 5,6

6,1
Cada uno de los 36 puntos muestrales tiene la misma6,2probabilidad
6,3 6,4
de ocurrencia. Por la6,5
simple 6,6

inspeccin de la tabla anterior se tiene que:

P(suma de dos dados sea siete) = 6/36 = 1/6

P(suma de dos dados sea siete u once) = 6/36 + 2/36 = 2/9 Return

19/9/2016 Jaime Ortega 39


Teora de Probabilidades

Definiciones y Conceptos: Tipos de Eventos

a) Eventos Mutuamente Excluyentes

Dos eventos E1 y E2 son mutuamente excluyentes si ambos no pueden ocurrir al mismo tiempo. En

trminos de probabilidad esto se expresa por:

P(E 1 E ) = 2P(E ) + P(E12)

b) Eventos que no son Mutuamente Excluyentes

Dos eventos E y E no son mutuamente


1 2
excluyentes si ambos pueden ocurrir al mismo tiempo. En
trminos de probabilidad esto se expresa por:

P(E 1 E ) = 2P(E ) + P(E1) - P(E y E22) 1

Donde P(E y E1 ) es la2 probabilidad que ambos eventos ocurran.

19/9/2016 Jaime Ortega 40


Teora de Probabilidades

Definiciones y Conceptos: Tipos de Eventos

Ejemplo: Se lanzan dos dados, cual es la probabilidad que la suma sea 7 (E ) o al menos uno de los dados
1

sea 3 (E )?

Examinando la tabla anterior se tiene:

P(E ) = 6/36
Posibles resultados de E (1,6), (2,5), (3,4), (4,3) (5,2), (6,1) 1

P(E ) =11/36
(1,3), (2,3), (3,3), (4,3), (5,3), (6,3),
Posibles resultados de E 2
2

(3,1), (3,2), (3,4), (3,5), (3,6)

P(E y E ) = 2/36
Posibles resultados de E y E (3,4), (4,3) 2
1
1 2

P(E E ) = P(E ) + P(E ) - P(E y E ) = 6/36 + 11/36 - 2/36 = 15/36


Por lo tanto
1 2 1 2 1 2
41
19/9/2016 Jaime Ortega
Teora de Probabilidades

Definiciones y Conceptos: Tipos de Eventos

Ejemplo: Se tienen cinco libros de distintas materias: Matemtica, Biologa, Qumica, Fsica y Lenguaje.

Si se toma uno de ellos, cul es la probabilidad de que este sea de matemtica o de fsica?

Solucin:

E =Tomar el libro de Fsica.


Sean los eventos: E =Tomar el libro de Matemticas.
1

La probabilidad pedida es: P(E E ) = P(E1 ) + P(E 2 ) - P(E 1 y E2)


1 2 1
1 2
P(E E ) = P(E ) + P(E ) - P(E E2)

1 2

Como E y E
1
son2eventos mutuamente excluyentes: P(E E ) = 0

Por lo tanto nos queda: P(E1 E2) = P(E1 ) + P(E ) = 1/5 + 1/5 = 2/5

19/9/2016 Jaime Ortega 42


Teora de Probabilidades

Definiciones y Conceptos : Probabilidad Condicional

La probabilidad condicional de un evento E , dado que un evento E , sucedi


1
se calcula mediante: 2

P(E /E
1
)=
2
P(E y E )/P(E
1
)2 o bien:
2

P(E /E
1
) 2= P(E E 1)/ P(E )2 2

Ejemplo: Se lanzan dos dados, dado que al menos un dado es 3, cual es la probabilidad que la suma sea 7?

E 2= al menos un dado es 3 = 11/36 E = la suma es 17 = 2/36 por tanto:

P(E /E
1
)=
2
P(E E )/P(E
1
) 2= (2/36)2 / (11/36) = 2/11

19/9/2016 Jaime Ortega 43


Teora de Probabilidades

Definiciones y Conceptos : Eventos Dependientes e Independientes

Se dice que dos eventos E y E son independientes si: P(E /E ) = P(E ).

Se dice que dos eventos E y E son dependientes si: P(E /E ) P(E ).

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". Segn esto, si en el primer lanzamiento la

suma fue 7, la probabilidad que la suma sea 7 en el segundo lanzamiento es menor. Esto implicara que

los dados tienen algn tipo de memoria !

Si dos sucesos E1 y E2 son independientes, entonces: P(E E ) = P(E ) P(E2)

19/9/2016 Jaime Ortega 44


Teora de Probabilidades

Definiciones y Conceptos : Combinaciones

El nmero de maneras en las cuales se puede seleccionar r objetos de n distintos, sin tomar en cuenta el

orden de seleccin

En trminos matemticos, se llama nmero de combinaciones de n objetos tomados de r, y se denota por

n Cr .

n n n!
La formula de clculo es: C r
(n - r)!r!

r
Ejemplo: Un inspector toma muestras de 5 artculos de un lote de 100.

100 100!
Cuantas muestras distintas puede obtener? 100 C
5 (5)
(100 - 5)!5!


19/9/2016 Jaime Ortega 45
Teora de Probabilidades

Definiciones y Conceptos : Variables Aleatorias

La definicin formal menciona que una variable aleatoria o variable estocstica es una funcin que

asigna un valor, usualmente numrico, al Espacio Muestral de un experimento aleatorio

En trminos simples, una variable aleatoria es la forma de asignar un nmero particular, a un

resultado experimental dado.

De manera similar a los "datos" o caractersticas en observacin, mencionados en la Seccin de

Estadstica Descriptiva, la variables aleatorias tambin pueden ser discretas o continuas.

19/9/2016 Jaime Ortega 46


Teora de Probabilidades

Definiciones y Conceptos : Variables Aleatorias

Ejemplo 1:

Experimento: medir la temperatura en escala Kelvin.

Variable aleatoria: valores medidos de temperatura

La variable aleatoria es continua pues tomar valores entre cero e infinito

Si se denota a la variable con Y, entonces: Y= ( 0 T ) donde T es la temperatura.

19/9/2016 Jaime Ortega 47


Teora de Probabilidades

Definiciones y Conceptos : Variables Aleatorias

Ejemplo 2:

Experimento: se lanza una moneda dos veces

Variable aleatoria: nmero de caras

La variable es discreta pues tomar valores de 0,1 y 2. Es decir: Y=(0,1,2)

Otras variables son: la Media, la Varianza y la Desviacin Estndar.

19/9/2016 Jaime Ortega 48


Teora de Probabilidades

Distribuciones de Probabilidad

La distribucin de probabilidad de una variable aleatoria, es una funcin que asigna a cada valor

posible de dicha variable aleatoria, una probabilidad de ocurrencia del mencionado valor.

Distribucin de Probabilidades Discreta

Si una variable aleatoria discreta Y, puede tomar valores y , y , y , ... y con probabilidades
1
de 2 3 n

ocurrencia p , p , p , ... p 1 , donde


2
p 30, para todo
n
i, entoncesi tal situacin define una
Distribucin de Probabilidades Discreta.

En trminos matemticos: = ; espacio


muestral
La probabilidad que Y tome un valor particular y, se denotar como P(Y = y) o simplemente como P(y).

19/9/2016 Jaime Ortega 49


Teora de Probabilidades

Distribucin de Probabilidades Discreta

Ejemplo: Se lanzan dos dados regulares

Variable Aleatoria: La suma de los nmeros de los dos dados

Valores de la variable:Y = (2,3,4,............11,12)

Por inspeccin a la tabla anterior la Distribucin de Probabilidades ser: (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

19/9/2016 Jaime Ortega 50


Teora de Probabilidades

Distribucin de Probabilidades Discreta

Ejemplo: Se desea realizar un estudio sobre el nmero de cras en una camada de algn mamfero. Se

sabe que el nmero mximo de cras es 3.

Variable Aleatoria: Y = nmero de cras en una camada.

Y toma los valores: y = 0,1,2,3

Se sabe tambin ( 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

19/9/2016 Jaime Ortega 51


Teora de Probabilidades

Distribucin de Probabilidades Discreta

Ejemplo: Se desea realizar un estudio sobre el nmero de cras en una camada de algn mamfero. Se

sabe que el nmero mximo de cras es 3.

La Funcin Acumulada de Distribucin de Probabilidades o Funcin de Probabilidades se presenta

como sigue:
Y<0
0.0
P(Y=0) = 0.2
0.2 0 y < 1

P(Y=1) = 0.3 = 0.5 1 y<2

P(Y=2) = 0.3 0.8 2 y< 3


1.0 y 3
P(Y=3) = 0.2

19/9/2016 Jaime Ortega 52


Teora de Probabilidades

Distribucin de Probabilidades Discreta

Ejemplo: Se desea realizar un estudio sobre el nmero de cras en una camada de algn mamfero. Se

sabe que el nmero mximo de cras es 3.

0.0 y< 0
0.2 0 y < 1

= 0.5 1 y < 2
y 3
0.8 2 y < 3
1.0

Cul es la probabilidad que una camada

tenga dos cras?

P(Y=2) = F(2) F(1) = 0.3

19/9/2016 Jaime Ortega 53


Teora de Probabilidades

Distribucin Binomial

Supngase que se repiten n veces un experimento el cual puede ser un xito, con probabilidad p,

o un fracaso con probabilidad (1-p).

El nmero de xitos ser un nmero entero entre 0 y n.

Se define la variable aleatoria binomial, Y, como el nmero de xitos en las n repeticiones.

La variable binomial es una variable aleatoria discreta, slo 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-xitos y (n-r) fracasos, el total de

posible combinaciones de xitos y fracasos es:


n
Cr

19/9/2016 Jaime Ortega 54


Teora de Probabilidades

Distribucin Binomial

Se repite n veces un experimento el cual puede ser un xito, con probabilidad p, o un fracaso con

probabilidad (1-p). El nmero de xitos ser un nmero entero entre 0 y n.

Considerar todas las maneras posibles de obtener r-xitos y (n-r) fracasos, el total de combinaciones de
xitos y fracasos es:
n
Cr
Por lo tanto, la probabilidad de tener r xitos (Funcin de probabilidad de la Distribucin Binomial )
est dada por:
r
( ) ( )n Cr )nr
p p
PY r n Pr
Es condicin indispensable que: P(r) 1
r0

19/9/2016 Jaime Ortega 55


Teora de Probabilidades

Media y Varianza de la Distribucin Binomial

Media

Si Y es una variable aleatoria discreta que toma valores y , y , y , ... y con probabilidades
1
de
2 3 n

ocurrencia p , p , p , ... p 1 , con 2 p 0,3 para todo


n
i, entonces
i
el valor esperado (medio) de Y esta dado
por:

E(Y) y pi i
i1

Para una distribucin Binomial se tiene:

( ) = Cr
r 0

19/9/2016 Jaime Ortega 56


Teora de Probabilidades

Media y Varianza de la Distribucin Binomial

Media

Es importante notar que si una poblacin puede ser descrita por una distribucin Binomial, entonces el

valor esperado de la distribucin es igual al valor terico de la media poblacional, es decir:

E(Y ) np

19/9/2016 Jaime Ortega 57


Teora de Probabilidades

Media y Varianza de la Distribucin Binomial

Varianza

Si Y es una variable aleatoria discreta que toma valores y , y , y , ... y con probabilidades
1 2
de 3 n

ocurrencia p , p , p , ... p1 , con


2
p 30, para todo
n
i, entonces
i
la varianza de Y est dada por:

2
varianza(Y) = E[ (Y -

Para una distribucin Binomial se tiene:


n
2

r0

19/9/2016 Jaime Ortega 58


Teora de Probabilidades

Media y Varianza de la Distribucin Binomial

Varianza

Al igual que en el caso de la media, si una poblacin puede ser descrita por una distribucin de

probabilidades, entonces el entonces la Varianza de la distribucin es igual a la Varianza poblacional. Es

decir:


2

2 i1 (yi ) pi

19/9/2016 Jaime Ortega 59


Teora de Probabilidades

Distribuciones Continuas

Se consideraron distribuciones discretas donde la variable aleatoria puede tomar solamente un conjunto

discreto de valores. Ahora se analizarn distribuciones continuas donde la variable aleatoria puede tomar

cualquier valor en algn intervalo especifico.

En la seccin de Estadstica Descriptiva vio la manera en la cual observaciones hechas sobre una

variable continua pueden ser representadas en un histograma. En tanto se hagan ms y ms

observaciones y el intervalo de clase se haga mas pequeo, el histograma puede aproximarse por una

curva continua llamada curva de frecuencia

19/9/2016 Jaime Ortega 60


Teora de Probabilidades

Distribuciones Continuas

Distribucin de Muestras de Mineral de Estao

50

40

40
36

35

30
25

23

20

17

20 15

11
10

10
6
5

11 13 15 17 19 21 23 25 27 29 31 33 35 37 39

Contenido de Sn (%)

19/9/2016 Jaime Ortega 61


Teora de Probabilidades

Distribuciones Continuas

50 Distribucin de Muestras de Mineral de Estao

En el grfico, si el contenido de Estao de las


40
muestras analizadas se considera una variable

aleatoria (Y) y la curva puede describirse en trminos 30

estndares tal que el rea bajo la misma sea igual a la


20
unidad, entonces el grfico se llama curva de

probabilidad. La altura de la curva de probabilidad 10

en cualquier punto Y se denota por f(Y) y a esta


0
39
37
35
33

funcin se la llama funcin de densidad de


Contenido de Sn (%)

probabilidades o f.d.p.

19/9/2016 Jaime Ortega 62


Teora de Probabilidades

Distribuciones Continuas

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

(a) f (y) 0 para todo y

(b)
f (y)dy 1

(c) Para cualquier a,b tal que a b


b

se tiene que : P(a Y b) f (y)dy



a

19/9/2016 Jaime Ortega 63


Teora de Probabilidades

Distribuciones Continuas

Observaciones

Con respecto a las tres propiedades anotadas debe decirse lo siguiente:

1.- La funcin es siempre positiva.

2.- El rea bajo la curva (suma de las probabilidades) es igual a uno

3.- Cuando la variable aleatoria es continua, slo se puede encontrar la probabilidad de

observar un valor en un cierto rango lo que implica que el valor de f(Y) NO ES LA

PROBABILIDAD de observar Y. Esto ltimo se debe al hecho que los valores posibles de Y

no son contables, no se puede hablar del i-simo valor de Y y por lo tanto p(Yi) no tiene

significado alguno.

19/9/2016 Jaime Ortega 64


Teora de Probabilidades

Distribuciones Continuas

Observaciones

3.- Cuando la variable aleatoria es

continua, slo se puede encontrar la

probabilidad de observar un valor en

un cierto rango lo que implica que el

valor de f(Y) NO ES LA

PROBABILIDAD de observar Y. Esto

ltimo se debe al hecho que los

valores posibles de Y no son contables,

no se puede hablar del i-simo valor

de Y y por lo tanto p(Yi) no tiene

significado alguno.
19/9/2016 Jaime Ortega 65
Teora de Probabilidades

Distribuciones Continuas
Su grfico consiste en una curva sigmoidal similar a

la observada en la seccin de Est. Descriptiva.


Funcin de Distribucin Acumulada

Otra forma de describir una distribucin


Frecuencia Acumulada
300
de probabilidades es mediante la funcin
250
de distribucin acumulada (f.d.a)

definida como: 200

xo 150


F(Y) f (y)dy 100


50

11 13 15 17 19 21 23 25 27 29 39
37
35
33
31

Contenido de Estao

19/9/2016 Jaime Ortega 66


Teora de Probabilidades

Distribuciones Continuas: Media y Varianza

Valor Esperado (Media) El valor esperado de una variable aleatoria continua esta dado por:

E(Y) yf (y)dy

Varianza La Varianza de una variable aleatoria continua esta dada por:

E(Y)
donde

19/9/2016 Jaime Ortega 67


Teora de Probabilidades

Distribucin Normal

La Distribucin Normal, tambin llamada Distribucin de Gauss o Distribucin Gaussiana, es la

distribucin de probabilidad que con ms frecuencia aparece en estadstica y teora de probabilidades.

Esto se debe a dos razones fundamentalmente:

Su funcin de densidad es simtrica y con forma de campana, lo que favorece su aplicacin como

modelo a gran nmero de variables estadsticas.

Es el lmite de otras distribuciones y aparece relacionada con multitud de resultados ligados a la


teora de las probabilidades gracias a sus propiedades matemticas:

Caracteres morfolgicos de individuos, efectos fisiolgicos como el efecto de un frmaco,

caracteres sociolgicos como el consumo de cierto producto por un mismo grupo de individuos,

caracteres psicolgicos como el cociente intelectual, errores cometidos al medir ciertas magnitudes,

valores estadsticos muestrales como la media


19/9/2016 Jaime Ortega 68
Teora de Probabilidades

Distribucin Normal

La funcin de densidad de la distribucin normal es:

( y )2

f (y) =
1 e
22

(2) con y

donde y son parmetros tales que - < < + y > 0.

19/9/2016 Jaime Ortega 69


Teora de Probabilidades

Distribucin Normal

La grfica de la Distribucin Normal es:

19/9/2016 Jaime Ortega 70


Teora de Probabilidades

Distribucin Normal

La grfica de la Distribucin Acumulada de la Distribucin Normal es:

19/9/2016 Jaime Ortega 71


Teora de Probabilidades

Distribucin Normal

Puede demostrarse que:

E(Y ) y Varianza (Y )

Lo anterior indica que los parmetros que caracterizan a la distribucin normal, y , son

la esperanza y Varianza de Y, respectivamente.

19/9/2016 2