Beruflich Dokumente
Kultur Dokumente
1ra Edicin
1ra Edicin
Yery Cristell
Prez Olmedo
Probabilidad y Estadstica
INDICE
TEMARIO ................................................................................................................ 4
BIBLIOGRAFA BSICA ......................................................................................... 7
CRITERIOS DE EVALUACIN ............................................................................... 8
Ensayos .................................................................................................................. 9
Formato para el Texto del Ensayo ....................................................................... 9
Tablas ................................................................................................................... 10
Proyectos .............................................................................................................. 13
Unidad I ................................................................................................................. 14
Distribuciones de frecuencias ............................................................................ 14
Frecuencias Absoluta ..................................................................................... 14
Frecuencias Relativas..................................................................................... 14
Frecuencia Acumulada ................................................................................... 15
Frecuencia Relativa Acumulada ..................................................................... 15
Distribucin de Frecuencias Agrupadas ......................................................... 15
Construccin de una tabla de datos agrupados: ................................................ 16
Representacin grfica de datos. ...................................................................... 17
Histogramas, Polgonos de Frecuencias............................................................ 17
Histograma ..................................................................................................... 17
Polgono de Frecuencias ................................................................................ 18
Tipo de Tendencia Modal ............................................................................... 18
Tipos de curvas de frecuencia ........................................................................ 18
Medidas de tendencia central: ........................................................................... 20
La media, la moda, la mediana. ......................................................................... 20
La Media Aritmtica: ....................................................................................... 20
Media para datos agrupados .......................................................................... 20
La Mediana: .................................................................................................... 20
Mediana para datos agrupados ...................................................................... 21
La Moda: ......................................................................................................... 21
Moda para datos agrupado ............................................................................. 21
Unidad IV............................................................................................................... 59
Variable Aleatoria Continua ............................................................................... 59
Caractersticas de la variable aleatoria contina ............................................ 60
Modelos probabilsticos para variables continuas .............................................. 62
Distribuciones tericas continuas ....................................................................... 63
Distribucin Normal estndar.......................................................................... 63
Funcin de densidad ...................................................................................... 63
Distribucin Exponencial................................................................................. 64
Distribucin T Student..................................................................................... 65
Distribucin chi cuadrada................................................................................ 65
Funcin de distribucin acumulada ................................................................ 66
Aplicaciones.................................................................................................... 66
Unidad V................................................................................................................ 67
Distribuciones mustrales .................................................................................. 67
Distribuciones mustrales de medias ............................................................. 68
Distribucin muestral de varianzas ................................................................. 70
Teora del muestreo ........................................................................................... 71
Teora del lmite central .................................................................................. 71
Calculo del tamao adecuado de una muestra .................................................. 73
Tipos de muestras .......................................................................................... 73
Nmero de sujetos necesario: ........................................................................ 74
Variables de las que depende el tamao de la muestra ................................. 74
CREDITOS ............................................................................................................ 76
PROBABILIDAD Y ESTADSTICA
NIVEL:
CLAVE:
SEMESTRE:
REQUISITOS:
MATERIA:
LICENCIATURA
ICAD24.500919
CUARTO
CLCULO INTEGRAL
OBLIGATORIA
CRDITOS:
HORAS TEORA:
HORAS PRCTICA:
HORAS POR SEMANA:
9
4.5
0
4.5
TEMARIO
OBJETIVO GENERAL:
Proporcionar al alumno elementos formativos en la teora
de la probabilidad y estadstica que le permitan analizar
y asignar valores reales a fenmenos aleatorios
relacionados con la ingeniera.
BIBLIOGRAFA BSICA
WALPOLE, R. Y MYERS, R. H.
Probabilidad y Estadstica para Ingenieros.
Editorial Interamericana,
Mxico, 1982.
CANAROS, G. C.
Probabilidad y Estadstica con Aplicaciones y Mtodos.
Editorial Mc.
Graw Hill, Mxico, 1988.
BIBLIOGRAFA COMPLEMENTARIA
FREUND, J. E. Y SIMN, G. A.
Estadstica Elemental.
8 ed. Editorial
Prentice Hall, Mxico, 1994.
FREUND, J. E.
Probabilidad y Estadstica para Ingenieros.
Editorial Prentice Hall,
Mxico, 1992.
JAY L. DEVORE .
Probabilidad y Estadstica
Ingeniera y Ciencias, Ed. Thomson Paraninfo
Mxico, 2006.
CRITERIOS DE EVALUACIN
PORCENTAJE
Unidad I
( Tarea_1* / Participacin )
0%
Ensayos
30 %
(3 x 10)
Evaluacin Mensual
Unidad II
0 Puntos.
Unidades III, IV y V
10 Pts.
Unidad V
10 pts.
20 %
20 %
Proyecto:
Reporte
Aplicacin
15%
15%
100%
Programa
Ensayos
Ensayo #1:
Todos los temas de la Unidad II
- Explicacin de la teora principalmente.
- Algunos ejercicios y ejemplos.
Ensayo #2:
Todos los temas de la Unidad IV.
Los ejercicios de los
ensayos se entregarn
en hojas blancas tamao
carta y escritos a mano.
Ensayo #3:
Presentar un punto de vista personal de los
Temas sealados con
de la Unidad V.
Estructura:
Explicar principalmente la teora de los ejercicios, dar solo el enunciado, excepto
que el ejercicio sea indispensable para la comprensin.
La solucin de los ejercicios dados con enunciado presentarlos por escrito en hojas
blancas.
Formato de Texto:
Arial 12 con espaciado 1.0 y agregar un espacio despus de cada prrafo, cada
prrafo de 5-6 lneas justificadas.
Ttulos en negrita Arial 14 y Subttulos en negrita Arial 12; Ttulos justificados a la
derecha y subttulos justificados a la izquierda.
Solo las numeraciones indicadas en el programa de curso. Otros subttulos solo en
negritas, no se aceptan vietas. Ttulos en Maysculas y Minsculas. Se pueden
utilizar tablas y grficas.
Nmeros de Pginas:
Ensayo 1.-
8 10
Pginas
Ensayo 2.-
12 14
Pginas
Ensayo 3.-
12 14
Pginas
Tablas
10
11
12
Proyectos
1) Estadstica y Test para identificar el nivel de la educacin en
Mxico y en el Mundo.
2) Test para las competencias; Saber hacer, Saber ser y Saber
saber.
3) Estadsticas del campo laboral.
4) Definir el nivel de satisfaccin en la facultad
a) De los catedrticos
b) De los alumnos (Referente a servicios)
c) Nivel de los estudios
5) Correlacin: actitud de compromiso de rendimiento escolar.
6) Correlacin: Numero de seres queridos (amigos, familiares,
profesores) vs felicidad.
7) Estudio sobre Diabetes
8) Estudios sobre Unos Kilitos de ms, ndice corporal.
9) Estudio sobre el Bulling.
10) La influencia del aprendizaje debido al lugar donde se siente.
13
Unidad I
Estadstica Descriptiva
Distribuciones de frecuencias
En estadstica, se le llama distribucin de frecuencias a la agrupacin de datos en
categoras mutuamente excluyentes que indican el nmero de observaciones en
cada categora. Esto proporciona un valor aadido a la agrupacin de datos. La
distribucin de frecuencias presenta las observaciones clasificadas de modo que se
pueda ver el nmero existente en cada clase.
Tipos de frecuencias:
Frecuencias Absoluta
La frecuencia absoluta es el nmero de veces que aparece un determinado valor en
un estudio estadstico. Se representa por f i. La suma de las frecuencias absolutas
es igual al nmero total de datos, que se representa por N.
Para indicar resumidamente estas sumas se utiliza la letra griega (sigma
mayscula) que se lee suma o sumatoria.
=
=1
Frecuencias Relativas
La frecuencia relativa es el cociente entre la frecuencia absoluta de un determinado
valor y el nmero total de datos. Se puede expresar en tantos por ciento y se
representa por ni.
=
=1
14
Frecuencia Acumulada
La frecuencia acumulada es la suma de las frecuencias absolutas de todos los
valores inferiores o iguales al valor considerado. La frecuencia acumulada es la
frecuencia estadstica F(XXr) con que el valor de un variable aleatoria (X) es menor
que o igual a un valor de referencia (Xr). La frecuencia acumulada relativa se deja
escribir como Fc(XXr), o en breve Fc(Xr), y se calcula de:
Fc (Xr) = MXr / N
donde MXr es el nmero de datos X con un valor menor que o igual a Xr, y N es
nmero total de los datos. En breve se escribe:
15
n = tamao de la muestra.
= 1 + 3.3 log()
4) Escogemos un nmero impar de intervalos y teniendo a r . Calculamos el
incremento de x.
5) Graficamos los datos de la tabla. (Llenar la tabla con los datos obtenidos)
Distribucin de Frecuencias
Intervalo de
clase
Marca
de clase
Histograma
(Tarea N1)
16
Histograma
Se utiliza para la representacin de variables cuantitativas continuas, cada
intervalo se representa sobre el eje OX, este ser la base del rectngulo que se
dibuja sobre l con altura igual o proporcional a su frecuencia absoluta. Como los
intervalos son consecutivos, los rectngulos quedan adosados. Si se utilizarn
rectngulos de amplitud diferente, el rea del rectngulo es la que tendra que ser
proporcional a la frecuencia absoluta correspondiente a ese intervalo. Histograma
acumulativo, si se utiliza la frecuencia absoluta acumulativa.
Ejemplo de la grfica:
17
Polgono de Frecuencias
Se utilizan para variables estadsticas cuantitativas, discretas o continuas. Para una
variable discreta, el polgono de frecuencias se obtiene uniendo por una
poligonal, los extremos superiores de las barras. Para una variable continua, el
polgono de frecuencias se obtiene uniendo por una poligonal los puntos medios de
la base superior de los polgonos del histograma. Las escalas utilizadas para
representar los polgonos de frecuencias influyen mucho por el impacto visual de
los mismos.
Ejemplo de la grfica:
18
19
media aritmtica
o media
de un
conjunto de
n datos
como:
O sea:
=
Donde:
1 +2 ++
= 1 + [ 2
]
La Mediana:
Se define a la Mediana de un conjunto de datos, como aquel valor que divide al
conjunto en dos partes iguales, de forma que el nmero de valores mayor o igual a
la mediana es igual al nmero de valores menores o igual a estos. Tambin puede
definirse, como el trmino de la serie supera y a la vez es superado a lo sumo por
la mitad de los datos.
Para datos No Agrupados en Clases, el clculo de la Mediana es la siguiente:
20
A) Si la Serie tiene un nmero par de datos, como por ejemplo la siguiente serie:
1, 3, 4, 5, 6 y 9
B) Si la Serie tiene un nmero impar de datos, como por ejemplo la siguiente serie:
1, 2, 3, 4, 5
fi = frecuencia absoluta.
xci = marca de clase (valor medio).
La Moda:
Se define a la Moda como el valor de mayor frecuencia en una serie de datos. El
clculo de la Moda es el siguiente:
21
Desviacin media
En estadstica la desviacin absoluta promedio o, sencillamente desviacin media o
promedio de un conjunto de datos es la media de las desviaciones absolutas y es un
resumen de la dispersin estadstica. Se expresa, de acuerdo a esta frmula:
la mediana,
, y la desviacin tpica, , de un mismo conjunto de valores cumplen
la desigualdad:
Siempre ocurre que
El valor:
Ocurre cuando los datos son exactamente iguales e iguales a la media aritmtica.
22
Varianza
La varianza (que suele representarse como
) de una variable aleatoria es una
medida de dispersin definida como la esperanza del cuadrado de la desviacin de
dicha variable respecto a su media. Si tenemos un conjunto de datos de una misma
variable, la varianza se calcula de la siguiente forma:
Siendo:
: cada dato
: El nmero de datos
: la media aritmtica de los datos
Aplicando este concepto a una variable aleatoria con media = E[X], se define
su varianza, Var(X) (tambin representada como
o, simplemente 2), como:
23
Desviacin Estndar
La desviacin estndar o desviacin tpica (denotada con el smbolo o s,
dependiendo de la procedencia del conjunto de datos) es una medida de dispersin
para variables de razn (variables cuantitativas o cantidades racionales) y de
intervalo. Se define como la raz cuadrada de la varianza de la variable.
La Desviacin Estndar es la raz cuadrada de la varianza de la distribucin de
probabilidad discreta:
Cuando los casos tomados son iguales al total de la poblacin se aplica la frmula
de desviacin estndar poblacional. As la varianza es la media de los cuadrados
de las diferencias entre cada valor de la variable y la media aritmtica de la distribucin.
Aunque esta frmula es correcta, en la prctica interesa el realizar inferencias
poblacionales, por lo que en el denominador en vez de , se usa
segn
la correccin de Bessel.
Esta ocurre cuando la media de muestra se utiliza para centrar los datos, en lugar
de la media de la poblacin. Puesto que la media de la muestra es una combinacin
lineal de los datos, el residual a la muestra media se extiende ms all del nmero
de grados de libertad por el nmero de ecuaciones de restriccin en este caso
una. Dado esto a la muestra as obtenida de una muestra sin el total de la
poblacin se le aplica esta correccin con la frmula desviacin estndar muestral.
24
Momentos de Orden k
Una formula general es:
1
= (1 )
=1
k = momento de orden 2
fi = frecuencia absoluta de la marca.
xi = marca de clase.
= media
2 =
1
(1 )2
=1
Frase Celebre:
PREZ OLMEDO
FIC / UNACH
PROB. Y ESTADIS.
menos.
Albert Einstein
Practica_1
No se acepta trabajos
con clip o carpetas. Solo
grapados. A menos que
el profesor lo solicite.
25
Tarea
Ejemplo
738
729
743
740
736
741
735
731
726
737
728
737
736
735
725
733
742
736
739
735
745
736
742
740
728
738
725
733
734
732
733
730
732
730
739
734
738
739
727
735
735
732
735
727
734
732
736
741
726
744
732
737
731
746
735
735
729
734
730
740
Con los datos de la anterior serie de nmeros, realizar los pasos necesarios para:
A. Construir un histograma para frecuencias absolutas, un polgono de
frecuencias acumuladas y una distribucin o grfica de frecuencias
acumuladas relativas. (Todo lo requerido para las 3 grficas solicitadas
sern tomados de los datos obtenidos de la tabla Distribucin de
Frecuencias antes mencionada.
B. Encontrar la media, la mediana, la moda, la varianza y la desviacin
estndar.
C. Calcular el primer cuartil, el tercer decil y el percentil 75. (Para su mayor
facilidad, apoyarse de la grfica de frecuencias acumuladas relativas
obtenida en el punto A.
Es necesario marcar lo
solicitado en el punto C, en
la grfica de frecuencias
acumuladas relativas.
Cuartiles:
Son tres valores que
dividen el conjunto de
datos ordenados en
cuatro partes iguales.
Deciles:
Son los nueve valores que dividen el conjunto de datos
ordenados en diez partes iguales, es decir, cada parte
representa un dcimo del total. Son tambin un caso
particular de los percentiles.
26
Tarea
Estadsticas de Calificaciones
1) Realizar cuatro tablas de cada uno de los semestres cursados:
1
2
O
O
O
NUMERO DE REPETICIONES
10
CALIFICACIONES
Mediana
Moda
4) Tipo de distribucin:
( ) Normal
( ) Unimodal +
27
( ) Unimodal -
Unidad II
Fundamentos de la Teora de la Probabilidad
Las probabilidades son muy tiles, ya que pueden servir para desarrollar
estrategias. Por ejemplo, algunos automovilistas parecen mostrar una mayor
tendencia a aumentar la velocidad si creen que existe un riesgo pequeo de ser
multados; los inversionistas estarn ms interesados en invertirse dinero si las
posibilidades de ganar son buenas.
El punto central en todos estos casos es la capacidad de cuantificar cuan probable
es determinado evento. En concreto decimos que las probabilidades se utilizan para
expresar cuan probable es un determinado evento.
Concepto clsico y como frecuencia relativa.
La probabilidad clsica: el enfoque clsico o a priori de la probabilidad se basa en
la consideracin de que los resultados de un experimento son igualmente posibles.
Empleando el punto de vista clsico, la probabilidad de que suceda un evento se
calcula dividiendo el nmero de resultados favorables, entre el nmero de
resultados posibles.
Experimentos Aleatorios
Todos estamos familiarizados con la importancia de los experimentos en la ciencia
y en la ingeniera. Un principio fundamental es que si efectuamos tales experimentos
repetidamente bajo condiciones aproximadamente idnticas obtenemos resultados
que son esencialmente los mismos.
Sin embargo, hay experimentos en los cuales los resultados no son esencialmente
los mismos a pesar de que las condiciones sean aproximadamente idnticas.
Tales experimentos se denominan experimentos aleatorios. Los siguientes son
algunos ejemplos.
Ejemplo 1: si tenemos una mquina que produce tornillos, el resultado del
experimento es que algunos pueden estar defectuosos. As cuando se produce un
tornillo ser un miembro del conjunto {defectuoso, no defectuoso}.
Ejemplo 2: si lanzamos un dado el resultado del experimento es uno de los nmeros
en el conjunto {1, 2, 3, 4, 5, 6}.
28
Modelo Subjetivo
Se utiliza cuando los datos no se encuentran disponibles por lo tanto no es posible
calcular la probabilidad a partir del desempeo anterior. Por tanto se calcula la
probabilidad a partir del mejor criterio. El modelo es utilizado cuando se desea
asignar probabilidad a un evento que nunca ha ocurrido.
Ejemplo.- La probabilidad de que una mujer sea elegida como presidenta de los
Estados Unidos. Se debe analizar las opiniones y creencias para obtener una
estimacin subjetiva de probabilidad.
Modelo Clsico (A Priori)
La probabilidad de xito basada en el conocimiento previo del proceso implicado.
Ejemplo:
Probabilidad de obtener una cara en el lanzamiento de una moneda.
29
Tarea
guila o Sol
Realizar una prueba que consista en lanzar una moneda 50 veces y tomar
datos de lo realizado.
t 1 2 3
A
S
50
Al finalizar, graficar los datos obtenidos. Calcular la probabilidad que existe al tirar
una moneda y obtener soles o guilas. Hacer conclusiones.
Tarea
Probabilidad de sacar frijoles
Hacer 4 equipos de 10 integrantes aproximadamente. Cada equipo colocar
en una cajita ocho frijoles negros y dos frijoles blancos. Dos de los equipos
calcularn la probabilidad de obtener frijoles negros, de igual forma los otros
dos calcularn la probabilidad de obtener frijoles blancos.
30
Bases de la probabilidad
Modelos de probabilidad
1) A priori
2) A posteriori
3) Subjetivo
Donde:
Espacio Muestral:
Son todos los resultados posibles
de un experimento.
|| tamao del espacio muestral n.
La probabilidad
nunca es negativa y
siempre es menor a 1
Evento:
Es el resultado de un experimento
aleatorio.
Ejemplo
Modelo A priori.- En un conjunto S.
2
S = {2,3,4,5,6,7,8,9}
||= 8
7
8
B = { 7}
|| = 2
B = {8,9}
Probabilidad de sacar un nmero par,
es decir, que suceda A.
P(A) =
P(B) =
31
Axiomas de probabilidad
Los axiomas de la formulacin moderna de la teora de la probabilidad constituyen
una base para deducir a partir de ellas un amplio nmero de resultados. La letra P
se utiliza para designar la probabilidad de un evento, siendo P(A) la probabilidad de
ocurrencia de un evento A en un experimento.
Axioma 1
Si A es un evento de S, entonces la probabilidad del evento A es:
0 P(A) 1
Como no podemos obtener menos de cero xitos ni ms de n xitos en n
experimentos, la probabilidad de cualquier evento A, se representa mediante un
valor que puede variar de 0 a 1.
Axioma 2
Si dos eventos son mutuamente excluyentes, la probabilidad de obtener A o B es
igual a la probabilidad de obtener A ms la probabilidad de obtener B.
Si dos eventos son mutuamente excluyentes, la probabilidad de obtener A o B es
igual a la probabilidad de obtener A ms la probabilidad de obtener B.
P (AB) = P(A) + P (B)
Excluirse mutuamente quiere decir que A y B no pueden ocurrir simultneamente
en el mismo experimento. As, la probabilidad de obtener guila o sol en la misma
tirada de una moneda ser:
P (AB) = P (A) + P (B) P (AB) = 1/2 + 1/2 = 1.
En general podemos decir que la suma de las probabilidades de todos los posibles
eventos mutuamente excluyentes es igual a 1:
P (A1) + P (A2) + P (A3) +... + P(An) = 1
Axioma 3
Si A es un evento cualquiera de un experimento aleatorio y A es el complemento
de A, entonces:
P (A) = 1 - P (A)
Es decir, la probabilidad de que el evento A no ocurra, es igual a 1 menos la
probabilidad de que ocurra.
32
Tarea
Un volado
Calcular la probabilidad de obtener por lo menos
dos soles al lanzar 10 veces una moneda.
Calcular la probabilidad A priori se relaciona con
contar el nmero de formas que favorecen n(A) de
todos los posibles resultados.
() =
()
tienen
33
puntos
Regla de la suma
Si una primera tarea se puede realizar de n1 tareas y una segunda de n2 tareas y
las tareas mutuamente se excluyen, entonces realizar solo una de las se puede de
n1 + n2 maneras.
Regla de la multiplicacin
En la regla del producto, si una primera tarea se puede realizar de n1 maneras
seguidas de una segunda que se puede realizar de n2 maneras entonces realizar la
tarea 1 seguida de la tarea 2 se puede realizar de n1 x n2 maneras.
Ejemplo:
de la suma
del producto
Comer cantar
Ejercicio Simple
Ejercicio Compuesto
34
Tarea
Esferas de Colores
Pasar del lenguaje hablado al clculo.
de probabilidad los siguientes eventos.
a) Con reposicin
b) Sin reposicin
Las combinaciones
son lo mismo que las
permutaciones con
repeticiones.
Ejemplo
Modelo A priori
A= {Sacar una blanca}
() =
5
10
a) () = () () + () () =
b) () = () () + () () =
35
10 10
5
10 9
10 10
10 9
Ejemplo
Calcular la probabilidad de sacar Blanca y Amarilla, y, Amarilla y Blanca.
Si es en ese orden (Establecer orden) Blanca, Amarilla, Amarilla, Blanca.
Con Reposicin:
a) () () (). () =
10 10 10 10
100
10000
1
100
Sin Reposicin:
b)
2 1 4
10 9 8 7
40
5040
1
126
Diagrama de rbol
Los diagramas de rbol son ordenaciones empleadas para enumerar todas las
posibilidades lgicas de una secuencia de eventos, donde cada evento puede
ocurrir en un nmero finito. Proporcionan un mtodo sistemtico de enumeracin
objetiva de los resultados.
36
Anlisis combinatorio
Los diagramas de rbol muestran objetivamente el nmero de resultados posibles
en que se puede disponer de la ordenacin de un conjunto de elementos, pero esta
enumeracin es limitada, pues a medida que aumenta el nmero de objetos dicha
ordenacin se complica, por lo que hay que utilizar otro procedimiento ms sencillo
para determinar el nmero total de resultados.
Con este fin, nos apoyaremos en los conceptos permutaciones y combinaciones,
los cuales tienen como base el principio fundamental del conteo.
Una permutacin de un conjunto de elementos, es un ordenamiento especfico de
todos o algunos elementos del conjunto, facilita el recuento de las ordenaciones
diferentes que pueden hacerse con los elementos del conjunto.
Permutaciones de n elementos
Por el principio fundamental del conteo podemos enunciar que el nmero de
permutaciones de n objetos distintos tomados de n en n, es: nPn = n!
Permutaciones de n elementos en diferentes grupos de r elementos.
Podemos calcular el nmero de permutaciones nPr, de n elementos, tomados en
grupos o subconjuntos de r elementos.
Combinaciones
Sabemos que en una permutacin el orden de los elementos es importante, pero
cuando el orden de colocacin carece de importancia, a la disposicin de dichos
elementos se le denomina combinacin. Por lo tanto, una combinacin es un
subconjunto o una disposicin de todos los elementos de un conjunto, sin tener en
cuenta el orden de ellos. El nmero de combinaciones o subconjuntos no
ordenados, cada uno formado por r elementos, que pueden obtenerse de un
conjunto de n elemento es:
37
Teora de Conteo
Permutaciones con o sin repeticiones.
Calcular la probabilidad de sacar tres letras de
la caja mostrada, teniendo en cuenta dos casos:
con reposicin y sin reposicin.
38
a) Sin repeticin
A , E, I de un conjunto de tamao n.
N de permutaciones de tamao r de un conjunto de tamao n.
!
(, ) =
()!
(3,3) =
3!
= 3! = 3 2 1 = 6
(3 3)!
b) Con repeticin
!
x=
1 ! 2 !
P (9,3) =
987654321
654321
(9,3) = 9 8 7 =
9!
6!
987654321
654321
9!
(93)!
(n , r)
Probabilidad condicional
S
( ) = () ()
B
() =
39
( )
()
Ejemplo:
() =
()
()
S
2
9
5
9
( ) = () () ( )
b) P(x=2) =
3!
2!
3!
2!
2
3
6
a) P(x=2) =
7
5
6
12
6
12
6
12
5
11
6
12
6
10
En las Permutaciones
el orden
En las combinaciones
el orden.
SI IMPORTA.
NO IMPORTA.
Teorema de Bayes
El procedimiento que se utiliza para encontrar probabilidades posteriores, a partir
de probabilidades previas, se llama regla Bayesiana. Las probabilidades apriori o
previas se conocen antes de obtener informacin alguna del experimento en
cuestin. Las probabilidades a-posteriori se determinan despus de conocer los
resultados del experimento.
El teorema de Bayes consiste en un mtodo para encontrar la probabilidad de una
causa especfica cuando se observa un efecto particular.
40
Ecuacin:
( ) =
() ()
() () + () ()
41
Tarea
1) En una caja que contiene 12 esferas del 1 12.
Calcular la probabilidad de atraer dos nmeros
pares y un nmero impar, al atraer 2 esferas.
a) Con reposicin
b) Sin reposicin
3) Tres cajas contienen 6 fichas numeradas del 1-6 cada una. Se extrae una
ficha de cada una. Calcular la probabilidad de que la suma de los nmeros
extrados sea mayor a 3.
42
PRACTICAS
1.- Experimentos simples
1.1 Seleccione dos sistemas aleatorios
1.2 Defina un experimento simple para cada uno de los sistemas aleatorios
1.3 Repita el experimento mnimo 200 veces
1.4 Hacer una grfica de la frecuencia relativa para cada proceso
1.5 Calcular la probabilidad del experimento en forma a priori (antes), comprtela
con los resultados del experimento y presente sus conclusiones.
Ejemplo:
Dados
Frijoles
43
Unidad III
Modelos Probabilsticos Para Variables Discretas
Variable Aleatoria Discreta
Se llama variable aleatoria a toda funcin que asocia a cada elemento del espacio
muestral E un nmero real. Se utilizan letras maysculas X, Y,... para designar
variables aleatorias, y las respectivas minsculas (x, y, ...) para designar valores
concretos de las mismas. Se representa con letras maysculas X = ().
X representa el nmero de blancas.
X => Variable independiente
Y => Variable dependiente
Evento:
Sacar 2 Esferas.
NN
NB
BN
2
BB
Dominio
Rango
44
relacin
con
Ejemplos:
Especificar en cada uno de los puntos, si pertenece a una variaba discreta
variable continua.
Nmero de soles
La humedad de la tierra
La duracin del da
La precipitacin pluvial
El Nmero de accidentes
La temperatura diaria
La longitud de un clavo
45
Variable Aleatoria
Discreta
Continua
Funcin de densidad de
probabilidad
= {0,1,2}
( = ) 14 , 12 , 14
1/y
012
() =
( = ) 0 ( = )
1
() > 0
( = ) = 1
() = 1
( ) =
()
( ) = ( = )
=
46
Valor esperado
Sea x una variable aleatoria discreta con valores posible x1, x2, xn, el valor esperado
de x se define:
[] = ( = )
=1
() = ( )
Lo anterior significa, que para calcular E(X) se multiplica cada valor que puede tomar
la variable aleatoria por la probabilidad que le corresponde y despus se suman
esos productos. El valor esperado representa el valor promedio que se espera
suceda, al repetir el experimento en forma independiente una gran cantidad de
veces.
El valor esperado se interpreta fsicamente como el centro de masa o centro de
gravedad de la distribucin de probabilidad, por lo que es igual a la media o
promedio aritmtico, los cuales se representan con la letra . De acuerdo a lo
anterior podemos escribir que:
() = = ( )
47
[ ] = ( ) = ( ) =
+
[ ] = ( ) = ( )
b) [ ] = [ ]
[ ] = ( ) = ( )
[ ] = []
c) [ + ] = [ ] + []
Varianza
Existen dos aspectos que caracterizan de forma simple el comportamiento de la
distribucin de probabilidad, porque proporcionan una descripcin completa de la
forma en que se comporta: la medida de tendencia central y la de dispersin.
La primera est representada por la media o valor esperado, ya vista en el punto
anterior, y la segunda por la variancia o por la desviacin estndar, que evalan la
dispersin de la distribucin de probabilidad o grado en que se separan del
promedio los valores de la variable aleatoria X.
Por ejemplo, en un espacio muestral equiprobable vemos que los valores 5, 10 y 15
tienen una media de 10 y que los valores 9.9, 10 y 10.1 la media tambin es 10. Sin
embargo, advertimos que los dos conjuntos de valores difieren notablemente en la
dispersin de los valores respecto a su media y que tal dispersin es de gran
importancia.
Por lo tanto, para tener un conocimiento claro y completo del comportamiento de los
valores que puede tomar la variable aleatoria, es indispensable conocer tanto la
media como la variancia o la desviacin estndar de la distribucin de probabilidad.
Las desviaciones (X - ) toman valores: (x1 - ), (x2 - ), (x3 - ), ,(xi - ), con
probabilidades respectivas: f(x1), f(x2), f(x3), . . . , f(xi). Sin embargo, al tomar el valor
esperado de estas desviaciones nos encontramos con que:
( ) = ( )( ) = ( ) ( ) = ( ) = = 0
48
Esto se debe a que las desviaciones positivas se compensan con las desviaciones
negativas. Para determinar una medida de dispersin, necesitamos considerar
nicamente la magnitud de las desviaciones sin sus signos.
Una manera de eliminar el signo de las desviaciones, es considerar el cuadrado de
las mismas, es decir, (xi - )2.
Si obtenemos el valor esperado de las desviaciones elevadas al cuadrado,
obtenemos una medida de la dispersin de la distribucin de probabilidad, la cual
es conocida como Variancia y se simboliza por 2 Var (X) V(X). La varianza de
una variable aleatoria X se define como:
2 = V(X) = Var (X) = E (X - )2 = E(xi - )2 f(xi)
A partir de sta ecuacin y mediante un pequeo desarrollo matemtico, se obtiene
la siguiente expresin:
= () =
2
2
2
2
2 =
1 ( ) = ( )
49
[ + ] = [ + [ + ]] = [ + [] []]
[ + ] = [ + [] ]2 = [ []] = []
b) [] = 2 []
2
[] = 2 [ []] = 2 []
c) [ + ] = [] + []
50
Distribucin de
probabilidad
Distribuciones Tericas
Discretas
Continuas
1. Poisson
2. Bernoulli
3. Geometra
4. Hipergeometric
a
A. Gauss
B. Student
C. Exponencial
51
= [ ] =
n = Nmero de pruebas
P = Probabilidad de xito
Probabilidad de
un solo caso
( = ) = () ()
xito
Fracaso
52
Tarea
Seis de dieciocho proyectos de viviendas violan el cdigo de construccin. Calcular
la probabilidad de que un constructor de vivienda que selecciona a cuatro de ellas
descubra que:
A. Ninguna lo viola.
B. Una lo viola.
C. Dos lo violan.
D. Al menos 3 lo violan.
Distribucin de Poisson
Formalmente: dada una variable aleatoria X con campo de variacin X {0, 1, 2,...,
} es decir X N siendo l un parmetro positivo diremos que X sigue una distribucin
de Poisson de parmetro l , X ~ P(l ). y cuya funcin de cuanta sea:
( ) =
!
Situaciones que modela:
53
Poison
En teora de probabilidad y estadstica, la distribucin de Poisson es una distribucin
de probabilidad discreta que expresa, a partir de una frecuencia de ocurrencia
media, la probabilidad de que ocurra un determinado nmero de eventos durante
cierto perodo de tiempo. Concretamente, se especializa en la probabilidad de
ocurrencia de sucesos con probabilidades muy pequeas, o sucesos "raros".
La funcin de probabilidad de la distribucin de Poisson es:
= ( = ) =
=
Donde:
54
Ejemplo 1
Valor Esperado
= =
( = 0) = 5
( = 1) = 5
( = 2) = 5
( = 3) = 5
( = 4) = 5
( = 5) =
1
10 = 5
2
50
56
( = 6) = 5
0!
51
( = 7) = 5
1!
52
6!
57
7!
( = 8) = 5
2!
53
( = 9) = 5
3!
54
58
8!
59
9!
( = 10) = 5
4!
55
0!
55
5 10
10!
Ejemplo 2:
Valor Esperado
==
( = 0) =
5
2
( = 1) =
5
2
5 0
2
0!
5 1
2
1!
5
3
5
3
5 0
3
0!
5 0
3
0!
5 5
2 3
5
3
( = 2) =
Terminar el
ejemplo #2
Tarea para la sig. clase
56
5 0
2
0!
5
3
5 1
3
1!
La Distribucin Binomial;
Una distribucin de probabilidad de verdad
Teorema del binomio
( + ) = ( ) 0 + ( ) 1 1 + ( ) 2 2 + + (
) 1 + ( ) 0
0
1
2
1
Demostrar:
(P+q)n =
(P+(1-P)n =
1n = 1
La Distribucin de Poisson;
Una distribucin de probabilidad de verdad
=0
! =
=0 !
= 0 = 1
P(x=r)
La Distribucin de Geomtrica;
Una distribucin de probabilidad de verdad
( = ) =
(n-1)
( = ) = ( + + + ) = (1 + + + + )
=1
1
1
= = 1
1
q<1
57
Hipergeometrica
( = ) =
(
)(
)
(
)
58
Nmero de formas
distintas
Nmero de
caso
(
)
Probabilidad de un
caso cualquiera
( = ) =
()(
)
Unidad IV
Modelos Probabilsticos Para Variables Continuas
En las variables continuas, hay que observar que la probabilidad de que la variable
tome un valor particular se considera igual a cero. Se supone que no es posible
conocer el valor exacto de una variable continua, ya que medir su valor consiste en
clasificarlo dentro de un intervalo.
Las variables aleatorias continuas se describen por medio de una funcin real de
variable real, a la que se denomina funcin de densidad, que surge como la
generalizacin de las curvas de frecuencias asociadas a los histogramas, cuando la
amplitud de los intervalos se considera innatamente pequea.
Ejemplo
Es una variable aleatoria continua, pues su rango (los valores que puede tomar) son
todos los puntos de un intervalo.
59
[ ] =
( )
()
-1
()
+1
Media = 0
E[z] = 0
Desviacin estndar = 1
60
[ ] = 2
[ ] = 1
F(z)
Funcin Terica.
Z = Variable aleatoria
F(x)
Funcin Real.
= +
Funcin de relacin para desplazarse
=+
68%
68%
Para E[z] = 0
-1
[] = [
+1
1
1
1
] = [ ] = {[] []} = { } = 0
61
Para V[z] = 1
[
1
1
1
] = [ ] = [[] []] = 2 [ 2 0] = 1
[ ] = [ [ ]]2
Caractersticas de un VAC
Sea x una VAC con valores con valores posibles en x, si existe una funcin f(x),
llamada funcin de densidad de probabilidad FDP; que define la probabilidad de x y
satisface las necesidades a-c.
a)
( ) 0
b)
( ) = 1
c)
( ) = ( )
[ ] =
Modelos probabilsticos para variables continuas
Las variables aleatorias constituyen el fundamento de la Estadstica Inferencial. Los
modelos matemticos que determinan el comportamiento poblacional de ciertos
fenmenos aleatorios, son construidos en base a las variables aleatorias.
En ocasiones, algunas variables aleatorias siguen distribuciones de probabilidad
muy concretas, como por ejemplo el estudio a un colectivo numeroso de individuos
que se modelizan por la distribucin Normal.
62
Funcin de densidad
Se dice que una variable aleatoria continua X sigue una distribucin normal de
parmetros y y se denota X~N(, ). Ai su funcin de densidad est dada por:
63
Distribucin Exponencial
Sea X una variable aleatoria continua. Se dice que X tiene una distribucin
exponencial con parmetro real , si su funcin de densidad est dado por la
ecuacin.
64
Distribucin T Student
Es una distribucin de probabilidad que surge del problema de estimar la media de
una poblacin normalmente distribuida cuando el tamao de la muestra es pequeo.
sta es la base de la popular prueba t de Student para la determinacin de las
diferencias entre dos medias mustrales y para la construccin del intervalo de
confianza para la diferencia entre las medias de dos poblaciones.
La distribucin t es ms ancha y ms plana en el centro que la distribucin normal
estndar como resultado de ello se tiene una mayor variabilidad en las medias de
muestra calculadas a partir de muestras ms pequeas. Sin embargo a medida que
aumenta el tamao de la muestra la distribucin t se aproxima a la distribucin
normal estndar.
Condiciones:
Diferencias:
65
Aplicaciones
La distribucin tiene muchas aplicaciones en inferencia estadstica. La ms
conocida es la de la denominada prueba utilizada como prueba de independencia
y como prueba de bondad de ajuste y en la estimacin de varianzas.
Pero tambin est involucrada en el problema de estimar la media de una poblacin
normalmente distribuida y en el problema de estimar la pendiente de una recta de
regresin lineal, a travs de su papel en la distribucin t de Student.
Aparece tambin en todos los problemas de anlisis de varianza por su relacin con
la distribucin F de Snedecor, que es la distribucin del cociente de dos variables
aleatorias independientes con distribucin .
66
Unidad V
Inferencia Estadstica
Distribuciones mustrales
Como bien se sabe uno de los propsitos de la estadstica inferenciales estimar las
caractersticas poblacionales desconocidas, examinando la informacin obtenida
de una muestra, de una poblacin. El punto de inters es la muestra, la cual debe
ser representativa de la poblacin objeto de estudio.
Para ello debemos tener en cuenta que se deben seguir ciertos procedimientos de
seleccin para asegurar de que las muestras reflejen observaciones a la poblacin
de la que proceden, y a que solo se pueden hacer observaciones probabilsticas
sobre una poblacin cuando se usan muestras representativas de la misma.
Para poder comprender esto debemos de tener dos conceptos muy en cuenta. Una
poblacin est formada por la totalidad de las observaciones en las cuales se tiene
cierto observa. Una muestra es un subconjunto de observaciones seleccionadas de
una poblacin. Tales distribuciones sern muy importantes en el estudio de la
estadstica inferencial, porque las inferencias sobre las poblaciones se harn
usando estadsticas mustrales.
Como sabemos, cuando una medida tal como la media, la desviacin estndar, la
proporcin, etc. Describe cierto aspecto de una poblacin, esta medida toma el
nombre de parmetro de la poblacin considerada. De igual manera, cuando una
medida describe cierto aspecto de una muestra, se le da el nombre estadstico de
la muestra.
Es decir la teora del muestreo es el estudio de las relaciones entre una poblacin y
las muestras que se extraen de ella. Cuando la poblacin es finita y de un tamao
manejable en tiempo y costo, los valores poblacionales se calculan directamente,
sin necesidad del muestreo. Tambin es necesario mencionar que esta depende de
la distribucin muestral que se requiera usar; por ejemplo esta se subdivide en dos
la cual es la muestral de medias y la de proporciones.
Con respecto a la muestral de medias es bien conocida como la distribucin de
probabilidad de todos los valores de la media muestral. Y el valor esperado viene
siendo cuando se tienen las medias de varias muestras sacadas de una poblacin
y la media de todos esos valores se conocer como el valor esperado de la media
muestral
67
Ahora bien podemos decir que una distribucin de muestreo o muestral es una
distribucin de probabilidad aleatoria y su valor depende de los elementos que
conforman la muestra.
En lo que respecta a la distribucin muestral puedo decir que es la probabilidad de
todas las muestras de un determinado tamao de muestra de una poblacin,
adems, esto es muy importante para el estudio de la estadstica inferencial
porque las inferencias sobre las poblaciones se harn usando estadsticos
muestrales.
Conocer esta distribucin muestral y sus propiedades permitir juzgar la
confiabilidad de un estadstico muestral como un instrumento para hacer inferencias
sobre un parmetro poblacional desconocido.
Cuando se utilizan valores
mustrales (parmetros), o estadsticos para estimar valores poblacionales, pueden
ocurrir dos tipos generales de errores:
El error muestral se refiere a la variacin natural existente entre muestras tomadas
de la misma poblacin. An si se ha tenido gran cuidado para asegurar que dos
muestras del mismo tamao sean representativas de una cierta poblacin, no
esperaramos que las dos sean idnticas en todos sus detalles. El error muestral es
un concepto importante que ayudar a entender mejor la naturaleza de la
estadstica inferencial.
Los errores que surgen al tomar las muestras y que no pueden clasificarse como
errores mustrales y se denominan errores no mustrales. El sesgo de las muestras
es un tipo de error no muestral. El sesgo muestral se refiere a una tendencia
sistemtica inherente a un mtodo de muestreo que da estimaciones de un
parmetro que son, en promedio, menores (sesgo negativo), o mayores (sesgo
positivo) que el parmetro real.
Ejemplo: la longitud del dedo ndice de personas dela misma edad y sexo. El sesgo
muestral puede suprimirse, o minimizarse, usando la aleatorizacin.
68
En lo que respecta con el Teorema del Lmite Central tambin nos indica que
cuando se extraen muestras de tamao mayor a 30 o bien de cualquier tamao pero
provenientes de una poblacin normal, la distribucin muestral de medias tiene un
comportamiento aproximadamente normal, por lo que se puede utilizar la frmula
de la distribucin normal con
Algunos estadsticos importantes Sea (X1, X2,, Xn) una muestra aleatoria de la
v.a. X. Definiremos algunos estadsticos importantes.
69
70
71
72
73
74
las opiniones pueden ser muy distintas nos harn falta ms sujetos. Por ejemplo,
si aterrizamos en un pas desconocido donde todos hablan el mismo idioma y no
sabemos cul esbasta con preguntrselo a una sola persona de ese pas.
Si en una agrupacin de sujetos que viven juntos, todos se levantan a la misma hora
(un cuartel, un convento), y queremos saber a qu hora se levantan por la maana,
basta con preguntrselo a una sola persona. A mayor diversidad esperada, o al
menos posible, en las opiniones o posibles respuestas en la poblacin har falta un
mayor nmero de sujetos en la muestra.
3 El margen de error que estamos dispuestos a aceptar.
Si por ejemplo el 20% de la muestra est de acuerdo con una proposicin (o dice
que va votar a un determinado candidato o que prefiere un determinado producto)
eso no significa que el 20% exacto de la poblacin vaya a responder lo mismo,
puede ser el 22% o el 18% necesitaremos muestras mayores si queremos que el
margen de error o de oscilacin de muestra a muestra de los resultados sea muy
pequeo (el resultado exacto lo tendramos si respondiera el 100% y la muestra
coincidiera con la poblacin).
Esto puede ser ms o menos importante segn la situacin; el margen de error en
sondeos pre-electorales es, por ejemplo, muy importante y este margen de error
suele ponerse en torno a un 3%.
75
CREDITOS