Beruflich Dokumente
Kultur Dokumente
NCLEO ANZOTEGUI
ESCUELA DE INGENIERA Y CIENCIAS APLICADAS
DEPARTAMENTO DE ELECTRICIDAD
ESTADSTICA
BACHILLER:
GIMMY CISNEROS .CI: 20360385
POBLACIN Y MUESTRA.
Las poblaciones suelen ser muy numerosas, por lo que es difcil estudiar
a todos sus miembros; adems de que esto no es posible, no es necesario. Es
como si se quisiera estudiar la composicin qumica del agua de un ro y para
ello se intentar analizar toda el agua que corre por su cauce, cuando
solamente se puede tomar unas muestras para realizar ese estudio y llegar a
conclusiones generalizables con respecto a la composicin qumica del agua a
todo el ro.
VARIANZA
o bien
VARIANZA MUESTRAL.
PROPIEDADES DE LA VARIANZA.
MEDIA
2.o Si los datos vienen en una tabla con sus frecuencias absolutas fi, se
multiplica cada dato xi por su frecuencia y se suman los resultados obtenidos.
Este resultado se divide por el nmero total de datos N.
x = x 1 f 1 + x 2 f 2 + x 3 f 3 + ... + x n f n N = i = 1 n ( x i f i ) N
MEDIANA
Datos agrupados:
HISTOGRAMA.
En estadstica, un histograma es una representacin grfica de una
variable en forma de barras, donde la superficie de cada barra es proporcional
a la frecuencia de los valores representados. En el eje vertical se representan
las frecuencias, y en el eje horizontal los valores de las variables, normalmente
sealando las marcas de clase, es decir, la mitad del intervalo en el que estn
agrupados los datos.
En los casos en los que los datos son cualitativos (no-numricos), como
sexto grado de acuerdo o nivel de estudios, es preferible un diagrama de
sectores.
TIPOS DE HISTOGRAMA.
Se
representan
los
intervalos de
clase en el
eje de
abscisas
(eje
horizontal) y
las
frecuencias,
absolutas o
relativas, en
el de
ordenadas
(eje vertical).
A veces es
ms til
representar
las
frecuencias
acumuladas
.
O representar
simultneamen
te los
histogramas de
una variable en
dos situaciones
distintas.
Otra forma
muy
frecuente,
de
representar
dos
histograma
s de la
misma
variable en
dos
situaciones
distintas.
Otra ms
En las
variables
cuantitativa
s o en las
cualitativas
ordinales se
pueden
representar
polgonos
de
frecuencia
en lugar de
histogramas
, cuando se
representa
la
frecuencia
acumulativa
, se
denomina
ojiva.
CONSTRUCCIN DE UN HISTOGRAMA
POLGONO DE FRECUENCIA
DISTRIBUCION DE PROBABILIDAD
PROBABILIDAD
1) 0P(A)1
2) P(s)=1
3) Si A y B son eventos que se excluyen mutuamente, P( AB)= P(A) +
P(B)
4) Si A1, A2,,An, son eventos que se excluyen mutuamente de par
en par entonces:
n n
P ( Ai)= P(Ai)
i=1 i=1
1. Es simtrica al eje y;
2. El eje x es una asntota, siendo la probabilidad del error igual a 0;
3. La superficie cerrada es 1, haciendo cierta la existencia de un error.
TEORA DE LA PROBABILIDAD
Clculo
Calcular la probabilidad es posible, utilizando un diagrama de rbol, o
tablas y grficas
Ejemplos:
Ejemplo N 1:
Ejemplo N2
Ejemplo N3
1) Dos caras.
2) Dos cruces.
Ejemplo N4:
Hallar la probabilidad de que al levantar unas fichas de domin se
obtenga un nmero de puntos mayor que 9 o que sea mltiplo de 4.
Ejemplo N5:
Ejemplo N6:
P(x)
x
Matemticamente podra ser ms fcil idealizar la anterior descripcin
probabilstica de X al suponer que X puede tomar todos los valores posibles,
0x1. Si hacemos esto, Qu le sucede a las probabilidades puntuales p(xi)?.
Puesto que los valores posibles de x no son contables, en realidad no podemos
hablar del i-simo valor de X y, por lo tanto, p(xi) pierde significado.
i=1
1
se sustituirn por f(x) 0 y f(x) dx =1. Se procede formalmente como sigue.
0
+
b) f(x) dx = 1.
-
b
c) Para cualquiera b, tal que -< a <b <+, tenemos P(a X b) =
f(x) dx
a
Observaciones:
F(x)
x
x=c z=d
c) Una consecuencia de la descripcin probabilstica de X para cualquier
valor especfico de X, por ejemplo xo, es que tenemos P(X=xo)= 0, puesto
que
xo
P(X=xo) = f(x)dx = 0.
xo
P(c < X < d), P(c < X < d), P(c < X < d), y P(c < X < d)
f*(x)
f(z)= para toda x
K
x+ x
P (x X x + x) = f(s)ds= x f( x x + x
x
Ejemplos:
Ejemplo N 1:
Obviamente X toma todos los valores en (0,1), Cul es su fdp? Esto es,
Podemos encontrar una funcin f tal que:
b
P (a < X < b) = f(x) dx
a
Ntese que si a < b < 0 o 1 < a < b, P(a < X < b) =0 y,por tanto, f(x)=0.Si 0 < a
< b < 1, P(a< X < b)=b a y, por tanto, f(x)= 1. As encontramos:
1, 0< x < 1,
F(x) =
0, para cualquier otro valor.
F(x) F(x)
(1,2)
X
X=1500 X=2500
Ejemplo N 2:
evaluar la integral
(2x) dx=1/4
0
P(1/3 X 2/3)
1/2
2x dx
1/3 5/36 5
= = =
2/3 1/3 12
2x dx
1/3
Distribucin Normal
En estadstica y probabilidad se llama distribucin normal, distribucin de
Gauss o distribucin gaussiana, a una de las distribuciones de probabilidad de
variable continua que con ms frecuencia aparece en fenmenos reales.
Distribucin normal
Funcin de densidad de probabilidad
Funcin de
densidad (pdf)
Funcin de
distribucin (cdf)
Media
Mediana
Moda
Varianza
Coeficiente de
0
simetra
Curtosis 0
Entropa
Funcin
generadora de
momentos (mgf)
Funcin
caracterstica
Ejemplos:
Ejemplo N1:
Supngase que X tiene distribucin N(3,4). Deseamos encontrar un nmero c
tal que:
Tambin,
Ejemplo N2:
Supngase que la resistencia a romperse de un gnero de algodn (en libras),
llammosle X, est distribuida normalmente con E(X)=165 y V(X)=9.
Suponiendo adems que una muestra de este gnero se considera defectuosa
si X< 162, Cu es la probabilidad de que un gnero elegido al azar sea
defectuoso?
Observacin:
Una objecin inmediata al uso de la distribucin normal puede encontrarse
aqu. Es obvio que X, la resistencia del genero de algodn , no puede tomar
valores negativos , mientras que una variable aleatoria distribuida normalmente
puede tomar todos los valores positivos y negativos. Sin embargo el modelo
anterior ( en apariencia invalidado debido a las objeciones encontradas) asigna
una probabilidad despreciable al evento {X<0}. Esto es,
Esta situacin ocurrir con frecuencia: se supone que cierta variable aleatoria
X, que sabemos no puede tomar valores negativos, tiene una distribucin
normal tomando as (tericamente, al menos) valores tanto positivos como
negativos. Mientras se escojan los parmetros y de modo que P(X<0)
sea esencialmente cero, tal representacin es perfectamente valida.
Ejemplo N3:
a)
b)
Ejemplo N4:
a)
b)
Distribucin Binomial
Definicin:
Consideremos un experimento sea A un evento asociado con
Supongamos que P(A)=p y, por lo tanto, P(A)= 1-p. Consideremos n
repeticiones independientes de Por lo tanto, el espacio muestral consiste
en todas las sucesiones posibles {a1,a2,,an}, donde cada ai es A o A, segn
A o A ocurra en la i-sima repeticin de (Hay 2 de tales sucesiones).
An ms, supongamos que P(A)=p es el mismo para todas las repeticiones.
Definamos la variable aleatoria X como sigue:
X=nmero de veces que ocurri el evento A. Llamamos a X una variable
binomial con los parmetros n y p. Sus valores posibles obviamente son 0, 1,
2,,n. ( Dcimos en forma equivalente que X tiene una distribucin binomial.)
Las repeticiones individuales de se llamarn ensayos de Bernoulli.
Caractersticas analticas
Su funcin de probabilidad est dada por:
donde
Todo experimento que tenga estas caractersticas diremos que sigue el modelo
de la distribucin Binomial. A la variable X que expresa el nmero de xitos
obtenidos en cada prueba del experimento, la llamaremos variable aleatoria
binomial.
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 k-xitos y (n-k)
fracasos debemos calcular stas por combinaciones (nmero combinatorio n
sobre k).
Ejemplos:
Ejemplo N 1:
P(X=3)= 2/3 4/5 +1/2 1/3 4/5 +1/2 2/3 4/5 + 2/3 1/5
= 5/12
Ejemplo N 2:
Las restricciones anteriores sobre r son equivalentes a 0< r < n1 y k-n2< r < k.
Combinndolas podemos escribir
a
Con la convencin frecuente de que b = 0 cada vez que b > a o b < 0,
podemos
escribir la probabilidad anterior como:
k n-k n1 n1 n2
P(X=k)= P1 (1-P1) r k-r
r=0
n
Para mostrar la suma anterior iguala k comprense simplemente los
coeficientes
k
de las potencias de las potencias d X en ambos lados de la identidad :
n1 n2 n1+n2
(1+X) (1+x) = ( 1+x)
Distribucin de Poisson
Definicin:
Sea X una variable aleatoria que toma los valores posibles: 0,1,n, Si
- k
P(X=k)= e , k= 0,1,,n,
k!
Observacin:
Ejemplo N 1:
10000 999
= 1- (0.9999) -1000 (0.0001) (0,9999)
La evaluacin de los valores anteriores da origen a una dificultad considerable.
Puesto que n es grande y p es pequea, aplicamos el teorema de la
Distribucin de Poisson como una aproximacin a la distribucin binomial y
obtenemos la aproximacin siguiente:
-0.1 k
P(X=k) e (0.1)
k!
Por tanto,
-0,1
P(X2)1- e (1+0.1)= 0.0045.
Ejemplo N 2:
n k n-k
P(X=k)= k P (1-P)
-np k
P(X=k) e (np)
k!
500
(0.999) = 0.609. si aplicamos la aproximacin de Poisson, esta probabilidad
puede escribirse como:
-0.5
e = 0.61.
La probabilidad de encontrar 2 o ms artculos defectuosos es, de acuerdo con
la aproximacin de Poisson:
-0.5
1e (1+0.5)= 0.085
Distribucin Chi-Cuadrada
Definicin:
Una variable aleatoria Z que tiene fdp dada por la ecuacin anterior se dice
que tiene una distribucin X- cuadrada con n grados de libertad ( se denota
con:
2
En la figura se muestra la fdp para n= 1,2 y n > 2. Una consecuencia inmediata
de la ecuacin:
2
E(X)= r/ , V(X9= r /
Tenemos:
E(Z)=n , V(Z)= 2n
f(z) f(z) f(z)
z z
z
(a) n=1 (b) n=2 (c)n>2
F(z)
1-
2 z
X
Donde:
La Tabla
Esta tabla presenta la distribucin de probabilidad de chi-cuadrado para
distintos valores de k(de 1 a 10) y de x(de 0 a 20 de 0,2 de incremento),
presentndolo con seis cifras decimales, separadas de tres en tres por un
espacio en blanco para facilitar la lectura, en la fila superior estn los valores
de k, y en la columna de la izquierda los de x, donde se cruzan la columna de
la k buscada y la fila de la x, se encuentra el valor de la probabilidad acumulada
desde 0 a la x buscada.
Ejemplo:
Ejemplo
Calcular la distribucin de probabilidad de una variable estadstica chi-
cuadrado, de 6 grados de libertad sea mayor de 3,4.
segn lo anterior:
Operando tenemos:
Tenemos que:
Ejemplo
Cual es la probabilidad de que una variable chi-cuadrado de 8 grados de
libertad este comprendida entre 3,4 y 5,6.
Esto es:
operando:
Interpolacin lineal.
La funcin chi-cuadrado es continua para x mayor que cero, pero en la tabla
solo se recogen algunos de sus valores, si bien la tabla podra hacerse ms
extensa el numero de valores recogidos siempre seria finito, para calcular los
valores no recogidos en la tabla podemos emplear la nterpolacin lineal.
Ejemplo
Cual es la probabilidad de una distribucin chi-cuadrado de 5 grados de
libertad, de que x sea menor que 1,75.
Esto es:
sustituyendo en la expresin:
tenemos que:
operando tenemos:
esto es:
que resulta:
Ejemplo:
Ejemplo:
operando:
esto es:
esto es:
como se puede ver hay una diferencia del orden de la tercera cifra decimal,
respecto a la bsqueda directa en la tabla, esta diferencia se produce por la
interpolacin lineal, al sustituir la funcin por la recta que une dos puntos
conocidos, y a la relativamente gran diferencia entre x1 y x2, que es el 60% al
valor de x1.
2
Supngase que la velocidad V de un objeto tiene distribucin N(0,1). Sea
K=mV 72 la energa cintica del objeto. Para encontrar la fdp de K, busquemos
primero la fdp de
2
S= V . Al aplicar directamente el teorema:
2
Sean X una variable aleatoria continua con fdp f y Y=X . Entonces, la variable
aleatoria Y tiene fdp dada por:
1
g(s)= [ s) + (- s)]
2s
-1/2 -s/2
=s 1 e
2
-1/2 -k/m
H(k)=2/m g(2/m k)= 2/m 1/2 (2/m k) e ,k>0
2 2
A fin de evaluar P(K5)=P ((m/2) V 5) = P(V 10/m)
E(Z)=n , V(Z)= 2n
Encontramos directamente:
2
E(K)=m/2 y V(K)= m /2
Distribucin de Weibull
Definicin:
Se dice que la variable aleatoria con fdp dada por la ecuacin anterior tiene una
distribucin de Weibull. La figura muestra la fdp para =1 y =1,2,3. La funcin
De confiabilidad R est dada por:
-t
R(t)= e que es una funcin decreciente.
f(t)
=1
=3
=2
Observacin:
-1
Z(t)= () t
=1 t >1 t 0<< 1 t
Z es constante Z es creciente Z es
decreciente
Ejemplos:
Ejemplo N 1:
Densidad predictiva de :
(3)