FACULTAD DE CIENCIAS Y TECNOLOGA

RED NACIONAL UNIVERSITARIA

SYLLABUS

Facultad de Ciencias y Tecnologa

Ingeniera de Sistemas, Telecomunicaciones

PROBABILIDAD Y ESTADSTICA CUARTO SEMESTRE

Gestin Acadmica I/2011

Lic. ADM. Edgar Martnez Caldern

U N

I V E R S

I D A

D E 1

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

UDABOL
UNIVERSIDAD DE AQUINO BOLIVIA Acreditada como PLENA mediante R. M. 288/01

VISION DE LA UNIVERSIDAD Ser la Universidad lder en calidad educativa.

MISION DE LA UNIVERSIDAD Desarrollar la Educacin Superior Universitaria con calidad y competitividad al servicio de la sociedad.

Estimado(a) estudiante: El syllabus que ponemos en tus manos es el fruto del trabajo intelectual de tus docentes, quienes han puesto sus mejores empeos en la planificacin de los procesos de enseanza para brindarte una educacin de la ms alta calidad. Este documento te servir de gua para que organices mejor tus procesos de aprendizaje y los hagas mucho ms productivos. Esperamos que sepas apreciarlo y cuidarlo.

U N

I V E R S

I D A

D E 2

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

I. Asignatura: Cdigo: Requisito: Carga Horaria: Horas tericas Horas prcticas Crditos: Probabilidad y Estadstica MAT 113A MAT 111A 80 60 20 4

II. OBJETIVOS GENERALES DE LA ASIGNATURA. Al final del curso el estudiante, podr efectuar desarrollo cientfico de investigaciones que permita incrementar el conocimiento sobre fenmenos relacionados con el campo de la Ingeniera, y estar debidamente capacitado para resolver problemas de estadstica descriptiva y estimacin de parmetros, pruebas de hiptesis y estudio de regresin, encaminados al anlisis e interpretacin de datos mustrales para hacer inferencias poblacionales y realizar pronsticos. III. PROGRAMA ANALTICO DE LA ASIGNATURA UNIDAD I. ESTADISTICA DESCRIPTIVA TEMA1. INTRODUCCIN A LA ESTADSTICA 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 Definicin Estadstica Descriptiva Estadstica Inferencial Poblacin Muestra Parmetro Estadgrafo Observacin de Seccin Transversal Observacin en Series de Tiempo

TEMA 2. DISTRIBUCIONES DE FRECUENCIA 2.1 Introduccin 2.2 Alcance 2.3 Rango 2.4 Intervalos de Clase 2.5 Lmites de de Clase 2.6 Amplitud de Clase 2.7 Frecuencia Absoluta 2.8 Marca de Clase 2.9 Frecuencia Relativa 2.10 Frecuencia Relativa Porcentual 2.11 Frecuencia Absoluta Acumulada

U N

I V E R S

I D A

D E 3

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

2.12 Frecuencia Relativa Acumulada 2.13 Frecuencia Relativa Acumulada Porcentual 2.14 Histogramas 2.15 Polgono de Frecuencias 2.16 Funcin Escalonada 2.17 Ojiva TEMA 3. MEDIDAS DE CENTRALIZACIN, POSICIN Y FORMA 3.1 Introduccin 3.2 Media Aritmtica 3.3 Mtodos abreviados de Clculo de la Media Aritmtica 3.4. Media Aritmtica Ponderada 3.5 Mediana 3.6 Moda 3.7 Relaciones entre la Media, Mediana y Moda 3.8 Media Geomtrica 3.9 Media Armnica 3.10 Comparacin entre la Media Aritmtica, Media Geomtrica y Media Armnica 3.11 Cuantiles 3.11.1 Cuartiles 3.11.2 Deciles 3.11.3 Percentiles 3.12 Coeficiente de Asimetra 3.13 Coeficiente de Curtosis TEMA 4. MEDIDAS DE DISPERSIN 4.1 Introduccin 4.2 Rango 4.3 Desviacin Intercuartil 4.4 Desviacin Media 4.5 Desviacin Mediana 4.6 Varianza 4.7 Propiedades de la Varianza 4.8 Mtodos abreviados de clculo de la Varianza 4.9 Desviacin Estndar 4.10 Aplicaciones en el ordenador UNIDAD II. ESTADSTICA INFERENCIAL TEMA 5. TEORA ELEMENTAL DE LA PROBABILIDAD 4.1 4.2 4.3 4.4 4.5 4.6 4.7 Introduccin Experimento Aleatorio Experimento Simple Experimento Compuesto Espacio Muestral Espacio Muestral Discreto Espacio Muestral Continuo

U N

I V E R S

I D A

D E 4

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

4.8 4.9 4.10 4.11 4.12 4.13 4.14 4.15 4.16 4.17 4.18 4.19 4.20 4.21

Evento Suceso Experimentos unidos por la o Excluyente Experimentos unidos por la y Definicin de Probabilidad Consideraciones Probabilidad Condicional Teoremas de la Probabilidad Condicional Permutaciones de n objetos diferentes Permutaciones de n objetos diferentes tomados de r a r Permutaciones Circulares Permutaciones con Repeticiones Combinaciones Consideraciones

TEMA: 6. LAS DISTRIBUCIONES BINOMIAL, NORMAL Y DE POISSON 5.1 5.2 5.3 5.4 5.5 5.6 Introduccin La distribucin Binomial y sus propiedades La distribucin Normal y sus propiedades Relacin entre las distribuciones Binomial y Normal La distribucin de Poisson y sus propiedades Relaciones entre las distribuciones Binomial y de Poisson

UNIDAD III. TEMA 7. MUESTREO 6.1 Introduccin 6.2 Muestreo 6.3 Definicin 6.4 Poblacin 6.5 Definicin 6.6 Muestra Aleatoria 6.7 Distribucin Chi-Cuadrado 6.7.1 Definicin 6.7.2 Tablas para la distribucin Chi-Cuadrado 6.8 Distribucin T Student 6.9 Distribucin F 6.10 Determinacin de tamaos de la muestra 6.9.1 Intervalos de confiabilidad para la media de una poblacin 6.9.2 Intervalo de confiabilidad para la varianza de una poblacin 6.10 Determinacin del tamao de la muestra TEMA 8. TEORIA ESTADSTICA DE LAS DECISIONES 7.1 7.2 7.3 7.4 7.5 Introduccin Decisiones estadsticas Hiptesis estadsticas Contrastes de hiptesis y significacin Tipos de errores

U N

I V E R S

I D A

D E 5

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

7.6 7.7 7.8 7.9

Niveles de significacin Contrastes mediante la distribucin normal Contrastes de una y de dos colas Contrastes mediante diferencias mustrales

TEMA 9. INTRODUCCION A LA TEORA DE CORRELACIN 8.1 8.2 8.3 8.4 Introduccin Regresin lineal simple Propiedades de los estimadores de mnimos cuadrados Inferencias en la regresin lineal

IV. TRABAJO DE BRIGADAS NOMBRE DEL PROYECTO: Aplicaciones de la Estadstica Descriptiva OBJETIVO: Poner en practica las herramientas que proporciona la Estadstica Descriptiva para poder abordar necesidades en cuanto a la recoleccin, organizacin, presentacin y descripcin de informacin; la misma que sirva como apoyo en la toma de decisiones . MATERIAS DIRECTAS: - Probabilidad y Estadstica MATERIAS INDIRECTAS:

TRABAJO A REALIZAR POR LOS ESTUDIANTES

LOCALIDAD, AULA O LABORATORIO

INCIDENCIA SOCIAL Estudiantes de 4to semestre, capacitados en la elaboracin de cuestionarios, como herramienta de en la recoleccin de informacin.

FECHA

Coordinar entre los estudiantes y docentes de las materias directas e indirectas, y estructurar el cuestionario para la recoleccin de la informacin.

Aulas de la Facultad de Ciencias y Tecnologa

U N

I V E R S

I D A

D E 6

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

Realizar el proceso de: Recoleccin Clasificacin

Ambientes de la Facultad de Ciencias y Tecnologa

Estudiantes mejor preparados para poner en prctica las herramientas que brinda la estadstica en la parte de recoleccin y clasificacin de datos. Estudiantes mejor preparados para poner en prctica las herramientas que brinda la estadstica en la parte de presentacin, descripcin e interpretacin de datos. Informacin disponible sobre la institucin donde se realizo el trabajo, la misma que sirva como apoyo en la toma de decisiones en niveles superiores de la institucin.

Realizar el proceso de: Presentacin Descripcin Interpretacin Aulas de la Facultad de Ciencias y Tecnologa

U N

I V E R S

I D A

D E 7

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

VI. SISTEMA DE EVALUACIN DE APRENDIZAJES. EVALUACIN PROCESUAL (50%) EVALUACIN DE RESULTADOS (50%)

Se tomara en cuenta el promedio de los Se tomara en cuenta los siguientes tems para cada evaluacin parcial y evaluacin final: siguientes tems para cada evaluacin parcial: Resolucin y entrega practicas Resolucin y entrega de Work Papers Trabajo con los Difs Participacin en clases Presentacin de archivador de la materia Examen de la materia Participacin en brigadas

Nota: El estudiante debe de tener el 80 % de asistencia durante el semestre para estar debidamente habilitado a rendir su evaluacin final VII. BIBLIOGRAFIA BASICA Y COMPLEMENTARIA. Bibliografa bsica: MURRAY SPIEGEL Estadstica, Editorial Mc Graw Hill RUFINO MOYA, Probabilidad e Inferencia Estadstica, Editorial San Marcos VICTOR CHUNGARA CASTRO, Estadstica y Probabilidades, Editorial Leonardo

Bibliografa complementaria: MILLER IRWIN R.; Freund John E.; Johnson Richard, Probabilidad y Estadstica para ingenieros, Editorial Prentice-Hall Hispanoamericana C. GARCIA ORE, Estadstica Descriptiva y Probabilidades, Editorial Gmez MEYER PAUL, Probabilidad y aplicaciones estadsticas, Addison Wesley WONNACOTT THOMAS H.; WONNACOTT RONALD J., Introduccin a la Estadstica, Limusa, Mxico MENDENHALL WILLIAM; WACKERLY DENNIS D.; SCHEAFFER RICHARD L. , Estadstica Matemtica con Aplicaciones, Editorial Ibero Amrica. SEBASTIAN LAZO Algebra Moderna, Editorial SOIPA Ltda.

VIII. CONTROL DE EVALUACIONES 1 evaluacin parcial Fecha: Nota: 2 evaluacin parcial Fecha: Nota: Examen final Fecha:

U N

I V E R S

I D A

D E 8

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

Nota: APUNTES

U N

I V E R S

I D A

D E 9

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

IX. PLAN CALENDARIO

UNIVERSIDAD DE AQUINO-BOLIVIA UNIDAD ACADMICA DE ORURO

CALENDARIO ACADMICO GESTIN I/2011 TURNOS REGULAR-TRABAJO ESTUDIANTES NUEVOS-ANTIGUOS

SEMANA

DEL

AL

ACTIVIDADES

OBSERVACIONES

1ra. 2da. 3ra. 4ta. 5ta. 6ta. 7ma. 8va. 9na. 10ma. 11ra. 12da. 13ra. 14ta. 15ta. 16ta. 17ma. 18va. 19na. 20va. 21ra.

09-Mar 14-Mar 21-Mar 28-Mar 04-Abr 11-Abr 18-Abr 25-Abr 02-May 09-May 16-May 23-May 30-May 06-Jun 13-Jun 20-Jun 27-Jun 04-Jul 11-Jul 18-Jul 25-Jul

12-Mar 19-Mar 26-Mar 02-Abr 09-Abr 16-Abr 23-Abr 30-Abr 07-May 14-May 21-May 28-May 04-Jun 11-Jun 18-Jun 25-Jun 02-Jul 09-Jul 16-Jul 23-Jul 26-Jul

Avance de materia Avance de materia Avance de materia Avance de materia Avance de materia Avance de materia Avance de materia Avance de materia Avance de materia Avance de materia Avance de materia Avance de materia Avance de materia Avance de materia Avance de materia Avance de materia
Inicio Evaluacin Final
Conclusin Evaluacin Final Evaluacin del segundo turno Cierre de Gestin

Inicio Primera Evaluacin Parcial Conclusin Primera Evaluacin Parcial

Presentacin de Notas Presentacin de Notas

Inicio Segunda Evaluacin Parcial

Presentacin de Notas

Avance de materia Conclusin Segunda Evaluacin Parcial Presentacin de Notas

Presentacin de Notas Transcripcin de Notas Transcripcin de Notas

22 de abril Viernes Santo 1 de mayo Da del Trabajo 23 de junio Corpus Christi

FERIADOS

U N

I V E R S

I D A

D E 10

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

X. PLANIFICACIN DE ACTIVIDADES

CONTENIDO MNIMO

CONTENIDO ANALTICO

ACTIVIDAD

PERIODOS ACADMICO S

RECURSOS DIDACTICOS Pizarra Material de apunte Proyector Computador

APLICACIONES DE LA ESTADISTICA DESCRIPTIVA LA ESTADISTICA EN EL DESARROLLO DE SW. INFOMATICO APLICACIONES DE LA ESTADISTICA DESCRIPTIVA E INFERENCIAL

Recoleccin de Informacin Clasificacin de informacin Presentacin de Informacin Descripcin de Informacin

BRIGADAS DE AULA ABIERTA

6 PERIODOS

Objetivos Importancia Rol Limitaciones Aplicaciones Descriptivas Aplicaciones Inferenciales

CLASE MAGISTRAL

8 PERIODOS

Material de apunte Computador Proyector Material de apunte Computador Proyector

TRABAJO DE INVESTIGA CIN

4 PERIODOS

U N

I V E R S

I D A

D E 11

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

WORK PAPER # 1

PROGRAMA DE CONTROL DE CALIDAD

No. DE PROCEDIMIENTO: APRO 07

No. DE HOJAS: 7

ELABOR: Lic. ADM. Edgar Martnez Caldern TTULO DEL WORK PAPER:

CDIGO: MAT 113A

ESTADISTICA DESCRIPTIVA

DPTO.: Facultad de Ciencias y Tecnologa DESTINADO A: DOCENTES ALUMNOS X ADMINIST. OTROS y Petrleo, Probabilidad y

OBSERVACIONES: Ingeniera de Sistemas, Telecomunicaciones, Gas Estadstica, Unidad I FECHA DE DIFUSIN:

FECHA DE ENTREGA:

U N

I V E R S

I D A

D E 12

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

ESTADSTICA DESCRIPTIVA DEFINICIN. Puede definirse como aquellos mtodos que incluyen la recoleccin, presentacin y caracterizacin de un conjunto de datos con el fin de describir apropiadamente las diversas caractersticas de ese conjunto de datos. TABLA DE DISTRIBUCIN DE FRECUENCIAS. Se conoce como distribucin de frecuencia tablas de frecuencia a toda ordenacin de datos obtenida en un fenmeno de un experimento estadstico en clases. Una tabla de distribucin de frecuencia puede expresarse: En cifras absolutas (frecuencias absolutas) En cifras relativas (frecuencias relativas)

La frecuencia relativa expresa la proporcin en que un determinado valor de la variable participa en el conjunto; la frecuencia relativa la podemos expresar en forma de proporcin f / n, o bien en forma de porcentaje (f / n ) x 100. f = frecuencia. n = nmero total de observaciones. A continuacin se sealaran las principales caractersticas que son parte de las tablas de frecuencia o de los datos agrupados: CLASE O CATEGORA: Es el par de valores ordenados separados por un guin y que tambin se conoce como intervalo de clase. LMITES DE CLASE: Los nmeros extremos de una clase o categora se les conocen como lmites de clase y son el lmite inferior y el lmite superior. TAMAO O AMPLITUD DE CLASE: Es la diferencia entre los lmites de las clases que lo conforman. MARCA DE CLASE: Es el punto medio de una clase o categora y se obtiene sumando los lmites superior e inferior de la clase y dividiendo entre 2.

U N

I V E R S

I D A

D E 13

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

REGLAS GENERALES PARA LA FORMACIN DE UNA TABLA DE DISTRIBUCIN DE FRECUENCIA Obtener el rango Determinar el nmero de clases deseado Determinar la anchura o amplitud de clase Determinar el nmero de observaciones que caen dentro de cada clase

GRAFICACIN DE DATOS ESTADSTICOS. HISTOGRAMA A menudo se dice que una imagen vale mas que mil palabras. De hecho los estadsticos han empleado las tcnicas grficas han empleado las tcnicas grficas para describir de manera ms vvida series de datos. En particular, los histogramas se usan para describir datos numricos que han sido agrupados en distribuciones de frecuencia. Un histograma, consiste en una serie de rectngulos cuyo ancho es proporcional al alcance de los datos, que se encuentran dentro de una clase y cuya altura es proporcional al nmero de elementos que caen dentro de la clase. MEDIDAS DESCRIPTIVAS PARA DATOS AGRUPADOS. En ocasiones se necesitan calcular las diversas medidas descriptivas a partir de datos que han sido agrupados en intervalos de clase y presentados como una distribucin de frecuencia. Si los datos consisten en una gran cantidad de valores, y si los clculos se tienen que hacer en forma manual o con una calculadora, se puede ahorrar una gran cantidad de trabajo agrupando los datos antes de calcular las medidas descriptivas. Cuando se calculan medidas descriptivas a partir de datos agrupados, se deben hacer ciertas suposiciones respecto a los datos. Como una consecuencia de hacer estas suposiciones, los valores de las medidas descriptivas calculados de esta manera se deben considerar como aproximaciones a los valores verdaderos. LA MEDIA. Cuando se calcula la media a partir de datos agrupados, se hace la suposicin de que cada observacin que cae dentro de un intervalo de clase determinado es igual al valor del punto medio de ese intervalo. El punto medio de un intervalo de clase es llamado marca de clase. Se obtiene la marca de clase sumando los lmites de clase respectivos y dividindolos entre 2. En vista de que cada observacin toma el valor de la marca de clase del intervalo en el que cae, se calcula la media multiplicando cada marca de clase por su frecuencia correspondiente. Luego se suman los productos resultantes y se divide el total entre el nmero de observaciones. Se puede expresar el procedimiento para datos de muestra por:

x=
Donde:

x f
i =1 i

k = El nmero de intervalos de clase. x i = La marca de clase del i-simo intervalo de clase. f i = la frecuencia del i-simo intervalo de clase.
U N I V E R S I D A D E 14 A Q U I N O B O L I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

LA MEDIANA. La mediana para una distribucin de frecuencia es el valor, o punto, sobre el eje horizontal del histograma de la distribucin en el que una lnea perpendicular divide el rea del histograma en dos partes iguales.

n Fm1 ~ 2 c x = Lm + fm
Donde: L m = Lmite inferior de la clase mediana. n = Nmero de datos. F m-1 = Frecuencia acumulada de la clase que antecede a la clase mediana. f m = Frecuencia de la clase mediana. c = Longitud del intervalo de la clase mediana.

LA MODA.

Cuando se trata de datos agrupados para hallar la moda debemos determinar antes que todo la clase modal en la cual se halla sta. Dicha clase corresponde a aquella que presente mayor frecuencia (absoluta). Una vez localizada la clase modal, procedemos por interpolacin para determinarla. Esta interpolacin nos conduce a la siguiente frmula para la media:

= Lm + x
Donde:

d1 c d1 + d 2

L m = Lmite inferior de la clase modal (la clase de mayor frecuencia). d 1 = Diferencia entre la frecuencia de la clase modal y la de la clase que la antecede. d 2 = Diferencia entre la frecuencia de la clase modal y la de la clase que le sigue. c = Longitud del intervalo de la clase modal. MEDIDAS DE DISPERSIN PARA DATOS AGRUPADOS. Se hace la misma suposicin respecto a los valores asumidos por las observaciones cuando se calculan las medidas de dispersin a partir de datos agrupados

VARIANZA:

Para una muestra:

s2 =

f (x
i =1 i

x) 2

n 1

U N

I V E R S

I D A

D E 15

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

Para una poblacin: DESVIACIN ESTNDAR:

2 =

f (x
i =1 i

)2

Para una muestra:

s=

f (x
i =1 i

x) 2

n 1

Para una poblacin:

f (x
i =1 i

)2

MEDIDAS DE POSICIN PARA DATOS AGRUPADOS. Las Medidas de Posicin, tambin conocidas como Otras Medidas de Dispersin, son otras medidas o mtodos que resultan ser ms prcticos para precisar ciertas situaciones en las que se busca describir la variacin o dispersin en un conjunto de datos. CUANTILES Los cuantiles son medidas de posicin que se determinan mediante un mtodo que determina la ubicacin de los valores que dividen un conjunto de observaciones en partes iguales. Los ms usados son los cuartiles, cuando dividen la distribucin en cuatro partes; los deciles, cuando dividen la distribucin en diez partes y los centiles o percentiles, cuando dividen la distribucin en cien partes. Los cuartiles, como los deciles y los percentiles, son en cierta forma una extensin de la mediana. Para algunos valores u , se dan nombres particulares a los cuantiles, Q (u): u 0.5 0.25, 0.75 0.1, ... , 0.99 0.01, ..., 0.99 CUARTILES Q(u) Mediana Cuartiles Deciles Centiles

U N

I V E R S

I D A

D E 16

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

Los cuartiles son los tres valores que dividen al conjunto de datos ordenados en cuatro partes porcentualmente iguales. Hay tres cuartiles denotados usualmente Q1, Q2, Q3. El segundo cuartil es precisamente la mediana. El primer cuartil, es el valor en el cual o por debajo del cual queda un cuarto (25%) de todos los valores de la sucesin (ordenada); el tercer cuartil, es el valor en el cual o por debajo del cual quedan las tres cuartas partes (75%) de los datos.

n k Fk 4 Qk = Lk + *c fk
Datos Agrupados Como los cuartiles adquieren su mayor importancia cuando contamos un nmero grande de datos y tenemos en cuenta que en estos casos generalmente los datos son resumidos en una tabla de frecuencia. La frmula para el clculo de los cuartiles cuando se trata de datos agrupados es la siguiente: k= 1,2,3 Donde: Lk = Lmite real inferior de la clase del cuartil k n = Nmero de datos Fk = Frecuencia acumulada de la clase que antecede a la clase del cuartil k. fk = Frecuencia de la clase del cuartil k c = Longitud del intervalo de la clase del cuartil k DECILES Los deciles son ciertos nmeros que dividen la sucesin de datos ordenados en diez partes porcentualmente iguales. Son los nueve valores que dividen al conjunto de datos ordenados en diez partes iguales, son tambin un caso particular de los percentiles. Los deciles se denotan D1, D2,..., D9, que se leen primer decil, segundo decil, etc. Los deciles, al igual que los cuartiles, son ampliamente utilizados para fijar el aprovechamiento acadmico. Datos Agrupados

Para datos agrupados los deciles se calculan mediante la frmula. k= 1,2,3,... 9 Donde:

n k Fk 10 Dk = Lk + *c fk

Lk = Lmite real inferior de la clase del decil k n = Nmero de datos

U N

I V E R S

I D A

D E 17

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

Fk = Frecuencia acumulada de la clase que antecede a la clase del decil k. fk = Frecuencia de la clase del decil k c = Longitud del intervalo de la clase del decil k CENTILES O PERCENTILES Los percentiles son, tal vez, las medidas ms utilizadas para propsitos de ubicacin o clasificacin de las personas cuando atienden caractersticas tales como peso, estatura, etc. Los percentiles son ciertos nmeros que dividen la sucesin de datos ordenados en cien partes porcentualmente iguales. Estos son los 99 valores que dividen en cien partes iguales el conjunto de datos ordenados. Los percentiles (P1, P2,... P99), ledos primer percentil,..., percentil 99. Datos Agrupados Cuando los datos estn agrupados en una tabla de frecuencias, se calculan mediante la frmula: k= 1,2,3,... 99

n k Fk 100 Pk = Lk + *c fk
Donde: Lk = Lmite real inferior de la clase del decil k n = Nmero de datos Fk = Frecuencia acumulada de la clase que antecede a la clase del decil k. fk = Frecuencia de la clase del decil k c = Longitud del intervalo de la clase del decil k CUESTIONARIO 1.- Los siguientes datos representan las notas de 60 estudiantes en la materia de probabilidad y estadstica de la facultad de ingeniera. 72 48 36 91 79 80 49 47 24 49 49 35 90 83 85 39 58 49 94 38 88 49 39 58 64 48 77 44 96 41 48 83 49 49 63 39 47 64 86 49 34 35 46 66 82 80 39 48 60 45 49 36 50 59 54 80 70 74 39 36

Se pide:

A. -

Calcular y realizar su respectiva interpretacin de: Media Moda Mediana

U N

I V E R S

I D A

D E 18

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

Desviacin estndar Coeficiente de variacin

B. Elaborar: - Histograma (I i vs. f i ) - Polgono de frecuencias - Funcin Escalonada (I i vs. F i ) - Ojiva 2.- Los siguientes datos constituyen las vidas tiles en das, de una muestra aleatoria de 60 equipos de computacin : 807 660 881 766 1056 832 811 753 872 787 1076 863 620 1050 869 923 958 852 650 918 841 792 970 788 817 857 847 803 776 980 732 867 833 933 828 889 747 675 829 947 831 1030 823 880 827 717 781 897 844 878 822 817 1088 755 907 890 811 753 1082 891

A.- Construir la Tabla de Distribucin de Frecuencias y graficar su correspondiente polgono de frecuencias (I i vs f i ). B.- Determinar el nmero y porcentaje de equipos de computacin cuyas vidas tiles oscilan entre 700 y 1000 das. C.- Encontrar los lmites que sub-clasifiquen los equipos de computacin en tres categoras, con referencia a su vida til. CATEGORIA A: Rendimiento ptimo (25 % superior) CATEGORIA B: Rendimiento Aceptable (el resto) CATEGORIA C: Rendimiento Psimo (17 % inferior)

U N

I V E R S

I D A

D E 19

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

WORK PAPER # 2

PROGRAMA DE CONTROL DE CALIDAD

No. DE PROCEDIMIENTO: APRO 07

No. DE HOJAS: 4

ELABOR: Lic. ADM. Edgar Martnez Caldern

CDIGO:

TTULO DEL WORK PAPER: PROBABILIDADES PERMUTACIONES Y COMBINACIONES DPTO.: Facultad de Ciencias y Tecnologa DESTINADO A: DOCENTES ALUMNOS X ADMINIST. OTROS y Petrleo, Probabilidad y

OBSERVACIONES: Ingeniera de Sistemas, Telecomunicaciones, Gas Estadstica, Unidad II FECHA DE DIFUSIN:

FECHA DE ENTREGA:

U N

I V E R S

I D A

D E 20

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

PROBABILIDADES PERMUTACIONES Y COMBINACIONES PROBABILIDAD: La probabilidad mide la frecuencia con la que aparece un resultado determinado cuando se realiza un experimento. Ejemplo: Tiramos un dado al aire y queremos saber cual es la probabilidad de que salga un 2, o que salga un nmero par, o que salga un nmero menor que 4. El experimento tiene que ser aleatorio, es decir, que pueden presentarse diversos resultados, dentro de un conjunto posible de soluciones, y esto an realizando el experimento en las mismas condiciones. Por lo tanto, a priori no se conoce cual de los resultados se va a presentar: Ejemplos: Se lanza una moneda al aire: el resultado puede ser cara o cruz, pero no sabemos de antemano cual de ellos va a salir. Hay experimentos que no son aleatorios y por lo tanto no se les puede aplicar las reglas de la probabilidad. Ejemplo: En lugar de tirar la moneda al aire, directamente seleccionamos la cara. Aqu no podemos hablar de probabilidades, sino que ha sido un resultado determinado por uno mismo. Antes de calcular las probabilidades de un experimento aleatorio hay que definir una serie de conceptos: Ejemplo: Al lanzar una moneda al aire, los sucesos elementales son la cara y la cruz. Al lanzar un dado, los sucesos elementales son el 1, el 2, .., hasta el 6. Suceso compuesto: es un subconjunto de sucesos elementales. Ejemplo: Lanzamos un dado y queremos que salga un nmero par. El suceso "numero par" es un suceso compuesto, integrado por 3 sucesos elementales: el 2, el 4 y el 6 O, por ejemplo, jugamos a la ruleta y queremos que salga "menor o igual que 18". Este es un suceso compuesto formado por 18 sucesos elementales (todos los nmeros que van del 1 al 18). Al conjunto de todos los posibles sucesos elementales lo denominamos espacio muestral. Cada experimento aleatorio tiene definido su espacio muestral (es decir, un conjunto con todas las soluciones posibles). Ejemplo: Si tiramos una moneda al are una sola vez, el espacio muestral ser cara o cruz. Si el experimento consiste en lanzar una moneda al aire dos veces, entonces el espacio muestral estara formado por (cara-cara), (cara-cruz), (cruz-cara) y (cruz-cruz). PROBABILIDAD CONDICIONAL. Las probabilidades condicionadas se calculan una vez que se ha incorporado informacin adicional a la situacin de partida:

U N

I V E R S

I D A

D E 21

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

Ejemplo: Se tira un dado y sabemos que la probabilidad de que salga un 2 es 1/6 (probabilidad a priori). Si incorporamos nueva informacin (por ejemplo, alguien nos dice que el resultado ha sido un nmero par) entonces la probabilidad de que el resultado sea el 2 ya no es 1/6. Las probabilidades condicionadas se calculan aplicando la siguiente frmula:

Donde: P (B/A) es la probabilidad de que se de el suceso B condicionada a que se haya dado el suceso A. P (B ^ A) es la probabilidad del suceso simultneo de A y de B P (A) es la probabilidad a priori del suceso A Segn el ejemplo visto: P (B/A) es la probabilidad de que salga el nmero 2 (suceso B) condicionada a que haya salido un nmero par (suceso A). P (B ^ A) es la probabilidad de que salga el dos y nmero par. P (A) es la probabilidad a priori de que salga un nmero par. Por lo tanto: P (B L A) = 1/6 P (A) = 1/2 P (B/A) = (1/6) / (1/2) = 1/3 Luego, la probabilidad de que salga el nmero 2, si ya sabemos que ha salido un nmero par, es de 1/3 (mayor que su probabilidad a priori de 1/6). COMBINACIONES, VARIACIONES Y PERMUTACIONES Para aplicar la Regla de Laplace, el clculo de los sucesos favorables y de los sucesos posibles a veces no plantea ningn problema, ya que son un nmero reducido y se pueden calcular con facilidad: Ejemplo: Probabilidad de que al lanzar un dado salga el nmero 2. Tan slo hay un caso favorable, mientras que los casos posibles son seis. Probabilidad de acertar al primer intento el horscopo de una persona. Hay un caso favorable y 12 casos posibles. Sin embargo, a veces calcular el nmero de casos favorables y casos posibles es complejo y hay que aplicar reglas matemticas:

U N

I V E R S

I D A

D E 22

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

Ejemplo: 5 matrimonios se sientan aleatoriamente a cenar y queremos calcular la probabilidad de que al menos los miembros de un matrimonio se sienten juntos. En este caso, determinar el nmero de casos favorables y de casos posibles es complejo. Las reglas matemticas que nos pueden ayudar son el clculo de combinaciones, el clculo de variaciones y el clculo de permutaciones. COMBINACIONES: Determina el nmero de subgrupos de 1, 2, 3, etc. elementos que se pueden formar con los "n" elementos de una nuestra. Cada subgrupo se diferencia del resto en los elementos que lo componen, sin que influya el orden. Ejemplo: Calcular las posibles combinaciones de 2 elementos que se pueden formar con los nmeros 1, 2 y 3. Se pueden establecer 3 parejas diferentes: (1,2), (1,3) y (2,3). En el clculo de combinaciones las parejas (1,2) y (2,1) se consideran idnticas, por lo que slo se cuentan una vez. VARIACIONES: Calcula el nmero de subgrupos de 1, 2, 3, etc. elementos que se pueden establecer con los "n" elementos de una muestra. Cada subgrupo se diferencia del resto en los elementos que lo componen o en el orden de dichos elementos (es lo que le diferencia de las combinaciones). Ejemplo: Calcular las posibles variaciones de 2 elementos que se pueden establecer con los nmeros 1, 2 y 3. Ahora tendramos 6 posibles parejas: (1,2), (1,3), (2,1), (2,3), (3,1) y (3,3). En este caso los subgrupos (1,2) y (2,1) se consideran distintos. PERMUTACIONES: Calcular las posibles agrupaciones que se pueden establecer con todos los elementos de un grupo, por lo tanto, lo que diferencia a cada subgrupo del resto es el orden de los elementos. Por ejemplo, calcular las posibles formas en que se pueden ordenar los nmeros 1, 2 y 3. Hay 6 posibles agrupaciones: (1, 2, 3), (1, 3, 2), (2, 1, 3), (2, 3, 1), (3, 1, 2) y (3, 2, 1) CUESTIONARIO 1.- Considerando el lanzamiento de dos dados, calcular: A.- El espacio muestral asociado al experimento B.- La probabilidad de obtener suma mayor que 5 C.- La probabilidad de obtener el mismo nmero en ambos dados.

U N

I V E R S

I D A

D E 23

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

2.- La distribucin de los estudiantes por carreras de UDABOL ORURO es la siguiente: CARRERAS DERECHO ING. COMERCIAL TURISMO ING. DE SISTEMAS ING. PETROLERA ING. TELECOMUNICACIONES N TOTAL DE N DE ESTUDIANTES MUJERES ESTUDIANTES 105 100 70 45 40 15 15 20 5 10 3 2

Cual la PROBABILIDAD de que el representante de los estudiantes de la universidad, seleccionado aleatoriamente: A.- Pertenezca a la carrera de Ingeniera Comercial B.- Sea una mujer C.- Sea un varn perteneciente a la carrera de Ingeniera de Sistemas 3.- Calcular las posibles formas en que se pueden ordenar los nmeros 1, 2, 3 y 4.

U N

I V E R S

I D A

D E 24

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

WORK PAPER # 3

PROGRAMA DE CONTROL DE CALIDAD

No. DE PROCEDIMIENTO: APRO 07

No. DE HOJAS: 3

ELABOR: Lic. ADM. Edgar Martnez Caldern TTULO DEL WORK PAPER:

CDIGO: MAT 113A

DISTRIBUCIONES DISCRETAS Y CONTINUAS

DPTO.: Facultad de Ciencias y Tecnologa DESTINADO A: DOCENTES ALUMNOS X ADMINIST. OTROS y Petrleo, Probabilidad y

OBSERVACIONES: Ingeniera de Sistemas, Telecomunicaciones, Gas Estadstica, Unidad II FECHA DE DIFUSIN:

FECHA DE ENTREGA:

U N

I V E R S

I D A

D E 25

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

DISTRIBUCIONES DISCRETAS Y CONTINUAS Las distribuciones discretas son aquellas en las que la variable puede pude tomar un nmero determinado de valores: Ejemplo: Si se lanza una moneda al aire puede salir cara o cruz; si se tira un dado puede salir un nmero de 1 al 6; en una ruleta el nmero puede tomar un valor del 1 al 32. Las distribuciones continuas son aquellas que presentan un nmero infinito de posibles soluciones: Ejemplo: El peso medio de los alumnos de una clase puede tomar infinitos valores dentro de cierto intervalo (42,37 kg, 42,3764 kg, 42, 376541kg, etc); la esperanza media de vida de una poblacin (72,5 aos, 7,513 aos, 72, 51234 aos). Vamos a comenzar por estudiar las principales distribuciones discretas. DISTRIBUCIONES DISCRETAS: BERNOUILLI Es aquel modelo que sigue un experimento que se realiza una sola vez y que puede tener dos soluciones: acierto o fracaso: Cuando es acierto la variable toma el valor 1 Cuando es fracaso la variable toma el valor 0 Ejemplo: Probabilidad de salir cara al lanzar una moneda al aire (sale cara o no sale); probabilidad de ser admitido en una universidad (o te admiten o no te admiten); probabilidad de acertar una quiniela (o aciertas o no aciertas) Al haber nicamente dos soluciones se trata de sucesos complementarios: A la probabilidad de xito se le denomina "p" A la probabilidad de fracaso se le denomina "q" Verificndose que: p+q=1 Veamos los ejemplos anteriores: Ejemplo 1: Probabilidad de salir cara al lanzar una moneda al aire: Probabilidad de que salga cara: p = 0,5 Probabilidad de que no salga cara: q = 0,5 p + q = 0,5 + 0,5 = 1 Ejemplo 2: Probabilidad de ser admitido en la universidad: Probabilidad de ser admitido: p = 0,25 Probabilidad de no ser admitido: q = 0,75 p + q = 0,25 + 0,75 = 1 Ejemplo 3:

U N

I V E R S

I D A

D E 26

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

Probabilidad de acertar una quiniela: Probabilidad de acertar: p = 0,00001 Probabilidad de no acertar: q = 0,99999 p + q = 0,00001 + 0,99999 = 1 DISTRIBUCIONES DISCRETAS: BINOMIAL La distribucin binomial parte de la distribucin de Bernouilli: La distribucin de Bernouiili se aplica cuando se realiza una sola vez un experimento que tiene nicamente dos posibles resultados (xito o fracaso), por lo que la variable slo puede tomar dos valores: el 1 y el 0 La distribucin binomial se aplica cuando se realizan un nmero"n" de veces el experimento de Bernouiili, siendo cada ensayo independiente del anterior. La variable puede tomar valores entre: 0: si todos los experimentos han sido fracaso n: si todos los experimentos han sido xitos Ejemplo: Se tira una moneda 10 veces: cuantas caras salen? Si no ha salido ninguna la variable toma el valor 0; si han salido dos caras la variable toma el valor 2; si todas han sido cara la variable toma el valor 10 La distribucin de probabilidad de este tipo de distribucin sigue el siguiente modelo:

Alguien entiende esta frmula? Vamos a tratar de explicarla con un ejemplo: Ejemplo 1: Cul es la probabilidad de obtener 6 caras al lanzar una moneda 10 veces? " k " es el nmero de aciertos. En este ejemplo " k " igual a 6 (en cada acierto decamos que la variable toma el valor 1: como son 6 aciertos, entonces k = 6) " n" es el nmero de ensayos. En nuestro ejemplo son 10 " p " es la probabilidad de xito, es decir, que salga "cara" al lanzar la moneda. Por lo tanto p = 0,5 La frmula quedara:

Luego, P (x = 6) = 0,205 Es decir, se tiene una probabilidad del 20,5% de obtener 6 caras al lanzar 10 veces una moneda. Ejemplo 2: Cul es la probabilidad de obtener cuatro veces el nmero 3 al lanzar un dado ocho veces? " k " (nmero de aciertos) toma el valor 4 " n" toma el valor 8

U N

I V E R S

I D A

D E 27

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

" p " (probabilidad de que salga un 3 al tirar el dado) es 1 / 6 (= 0,1666) La frmula queda:

Luego, P (x = 4) = 0,026 Es decir, se tiene una probabilidad del 2,6% de obtener cuatro veces el nmeros 3 al tirar un dado 8 veces. CUESTIONARIO 1.- Que es una distribucin discreta? 2.- Que es una distribucin continua? 3.- Cul es la probabilidad de sacar 5 caras al lanzar una moneda 10 veces? 4.- Cul es la probabilidad de sacar 5 veces el nmero 3 al lanzar un dado 15 veces?

U N

I V E R S

I D A

D E 28

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

WORK PAPER # 4

PROGRAMA DE CONTROL DE CALIDAD

No. DE PROCEDIMIENTO: APRO 07

No. DE HOJAS: 3

ELABOR: Lic. ADM. Edgar Martnez Caldern TTULO DEL WORK PAPER:

CDIGO: MAT 113A

MUESTREO

DPTO.: Facultad de Ciencias y Tecnologa DESTINADO A: DOCENTES ALUMNOS X ADMINIST. OTROS y Petrleo, Probabilidad y

OBSERVACIONES: Ingeniera de Sistemas, Telecomunicaciones, Gas Estadstica, Unidad III FECHA DE DIFUSIN:

FECHA DE ENTREGA:

U N

I V E R S

I D A

D E 29

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

MUESTREO Es la actividad por la cual se toman ciertas muestras de una poblacin de elementos de los cuales vamos a tomar ciertos criterios de decisin, el muestreo es importante porque a travs de l podemos hacer anlisis de situaciones de una empresa o de algn campo de la sociedad. MTODOS DE SELECCIN DE MUESTRAS. Una muestra debe ser representativa si va a ser usada para estimar las caractersticas de la poblacin. Los mtodos para seleccionar una muestra representativa son numerosos, dependiendo del tiempo, dinero y habilidad disponibles para tomar una muestra y la naturaleza de los elementos individuales de la poblacin. Por lo tanto, se requiere un gran volumen para incluir todos los tipos de mtodos de muestreo. MTODOS DE SELECCIN DE MUESTRAS Los mtodos de seleccin de muestras pueden ser clasificados de acuerdo a: A.- El nmero de muestras tomadas de una poblacin dada para un estudio y B.- La manera usada en seleccionar los elementos incluidos en la muestra. Los mtodos de muestreo basados en los dos tipos de clasificaciones son expuestos en seguida. Los mtodos de muestreo clasificados de acuerdo con el nmero de muestras tomadas de una poblacin son: MUESTREO SIMPLE Este tipo de muestreo toma solamente una muestra de una poblacin dada para el propsito de inferencia estadstica. Puesto que solamente una muestra es tomada, el tamao de muestra debe ser lo suficientemente grande para sacar una conclusin. Una muestra grande muchas veces cuesta demasiado dinero y tiempo. MUESTREO DOBLE Bajo este tipo de muestreo, cuando el resultado del estudio de la primera muestra no es decisivo, una segunda muestra es extrada de la misma poblacin. Las dos muestras son combinadas para analizar los resultados. Este mtodo permite a una persona principiar con una muestra relativamente pequea para ahorrar costos y tiempo. Si la primera muestra arroja una resultado definitivo, la segunda muestra puede no necesitarse. Por ejemplo, al probar la calidad de un lote de productos manufacturados, si la primera muestra arroja una calidad muy alta, el lote es aceptado; si arroja una calidad muy pobre, el lote es rechazado. Solamente si la primera muestra arroja una calidad intermedia, ser requerir la segunda muestra. Al probar la calidad de un lote consistente de 3,000 unidades manufacturadas, cuando el nmero de defectos encontrados en la primera muestra de 80 unidades es de 5 o menos, el lote es considerado bueno y es aceptado; si el nmero de defectos es 9 o ms, el lote es considerado pobre y es rechazado; si el nmero est entre 5 y 9, no puede llegarse a una decisin y una segunda muestra de 80 unidades es extrada del lote. Si el nmero de defectos en las dos muestras combinadas (incluyendo 80 + 80 = 160 unidades) es 12 o menos, el lote es aceptado si el nmero combinado es 13 o ms, el lote es rechazado. MUESTREO MLTIPLE El procedimiento bajo este mtodo es similar al expuesto en el muestreo doble, excepto que el nmero de muestras sucesivas requerido para llegar a una decisin es ms de dos muestras.

U N

I V E R S

I D A

D E 30

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

MTODOS DE MUESTREO SEGN LAS MANERAS DE SELECCIONAR Los elementos de una muestra pueden ser seleccionados de dos maneras diferentes: A.- Basados en el juicio de una persona. B.- Seleccin aleatoria (al azar) MUESTREO DE JUICIO Una muestra es llamada muestra de juicio cuando sus elementos son seleccionados mediante juicio personal. La persona que selecciona los elementos de la muestra, usualmente es un experto en la medida dada. Una muestra de juicio es llamada una muestra probabilstica, puesto que este mtodo est basado en los puntos de vista subjetivos de una persona y la teora de la probabilidad no puede ser empleada para medir el error de muestreo, Las principales ventajas de una muestra de juicio son la facilidad de obtenerla y que el costo usualmente es bajo. MUESTREO ALEATORIO Una muestra se dice que es extrada al azar cuando la manera de seleccin es tal, que cada elemento de la poblacin tiene igual oportunidad de ser seleccionado. Una muestra aleatoria es tambin llamada una muestra probabilstica son generalmente preferidas por los estadsticos porque la seleccin de las muestras es objetiva y el error muestral puede ser medido en trminos de probabilidad bajo la curva normal. Los tipos comunes de muestreo aleatorio son el muestreo aleatorio simple, muestreo sistemtico, muestreo estratificado y muestreo de conglomerados. A.- MUESTREO ALEATORIO SIMPLE Una muestra aleatoria simple es seleccionada de tal manera que cada muestra posible del mismo tamao tiene igual probabilidad de ser seleccionada de la poblacin. Para obtener una muestra aleatoria simple, cada elemento en la poblacin tenga la misma probabilidad de ser seleccionado, el plan de muestreo puede no conducir a una muestra aleatoria simple. Por conveniencia, este mtodo pude ser reemplazado por una tabla de nmeros aleatorios. Cuando una poblacin es infinita, es obvio que la tarea de numerar cada elemento de la poblacin es infinita, es obvio que la tarea de numerar cada elemento de la poblacin es imposible. Por lo tanto, ciertas modificaciones del muestreo aleatorio simple son necesarias. Los tipos ms comunes de muestreo aleatorio modificado son sistemticos, estratificados y de conglomerados. B.- MUESTREO SISTEMTICO. Una muestra sistemtica es obtenida cuando los elementos son seleccionados en una manera ordenada. La manera de la seleccin depende del nmero de elementos incluidos en la poblacin y el tamao de la muestra. El nmero de elementos en la poblacin es, primero, dividido por el nmero deseado en la muestra. El cociente indicar si cada dcimo, cada onceavo, o cada centsimo elemento en la poblacin va a ser seleccionado. El primer elemento de la muestra es seleccionado al azar. Por lo tanto, una muestra sistemtica puede dar la misma precisin de estimacin acerca de la poblacin, que una muestra aleatoria simple cuando los elementos en la poblacin estn ordenados al azar.

U N

I V E R S

I D A

D E 31

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

C.- MUESTREO ESTRATIFICADO Para obtener una muestra aleatoria estratificada, primero se divide la poblacin en grupos, llamados estratos, que son ms homogneos que la poblacin como un todo. Los elementos de la muestra son entonces seleccionados al azar o por un mtodo sistemtico de cada estrato. Las estimaciones de la poblacin, basadas en la muestra estratificada, usualmente tienen mayor precisin (o menor error muestral) que si la poblacin entera muestreada mediante muestreo aleatorio simple. El nmero de elementos seleccionado de cada estrato puede ser proporcional o desproporcional al tamao del estrato en relacin con la poblacin. D.- MUESTREO DE CONGLOMERADOS. Para obtener una muestra de conglomerados, primero dividir la poblacin en grupos que son convenientes para el muestreo. En seguida, seleccionar una porcin de los grupos al azar o por un mtodo sistemtico. Finalmente, tomar todos los elementos o parte de ellos al azar o por un mtodo sistemtico de los grupos seleccionados para obtener una muestra. Bajo este mtodo, aunque no todos los grupos son muestreados, cada grupo tiene una igual probabilidad de ser seleccionado. Por lo tanto la muestra es aleatoria. Una muestra de conglomerados, usualmente produce un mayor error muestral (por lo tanto, da menor precisin de las estimaciones acerca de la poblacin) que una muestra aleatoria simple del mismo tamao. Los elementos individuales dentro de cada conglomerado tienden usualmente a ser iguales. Por ejemplo la gente rica puede vivir en el mismo barrio, mientras que la gente pobre puede vivir en otra rea. No todas las reas son muestreadas en un muestreo de reas. La variacin entre los elementos obtenidos de las reas seleccionadas es, por lo tanto, frecuentemente mayor que la obtenida si la poblacin entera es muestreada mediante muestreo aleatorio simple. Esta debilidad puede reducida cuando se incrementa el tamao de la muestra de rea. El incremento del tamao de la muestra puede fcilmente ser hecho en muestra muestra de rea. Los entrevistadores no tienen que caminar demasiado lejos en una pequea rea para entrevistar ms familias. Por lo tanto, una muestra grande de rea puede ser obtenida dentro de un corto perodo de tiempo y a bajo costo. Por otra parte, una muestra de conglomerados puede producir la misma precisin en la estimacin que una muestra aleatoria simple, si la variacin de los elementos individuales dentro de cada conglomerado es tan grande como la de la poblacin. CUESTIONARIO 1.- Realice la definicin de muestreo y cite un ejemplo 2.- Cuales son los mtodos de muestreo segn las maneras de seleccionar? 3.- Cul es la diferencia entre el muestreo estratificado y el muestreo por conglomerados? 4.- Desarrolle un ejemplo prctico donde pueda aplicar uno de los tipos de muestreo vistos en el documento.

U N

I V E R S

I D A

D E 32

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

WORK PAPER # 5

PROGRAMA DE CONTROL DE CALIDAD

No. DE PROCEDIMIENTO: APRO 07

No. DE HOJAS: 3

ELABOR: Lic. ADM. Edgar Martnez Caldern TTULO DEL WORK PAPER: REGRESIN LINEAL DPTO.: Facultad de Ciencias y Tecnologa DESTINADO A: DOCENTES ALUMNOS X ADMINIST.

CDIGO: MAT 113A

OTROS y Petrleo, Probabilidad y

OBSERVACIONES: Ingeniera de Sistemas, Telecomunicaciones, Gas Estadstica, Unidad III FECHA DE DIFUSIN:

FECHA DE ENTREGA:

U N

I V E R S

I D A

D E 33

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

REGRESIN Y CORRELACIN INTRODUCCION Si sobre una poblacin de nios entre 0 y 6 aos, estudiamos las variables peso y estatura, esperamos que en general ocurra que a mayor estatura tambin encontremos mayor peso, aunque es posible que en algunos pocos casos no ocurra as. Se observa que existe una relacin entre las dos variables, aunque no es funcional, o sea, no puedo determinar con exactitud el peso que corresponder a cada talla. Este WP tratara de describir y medir este tipo de relaciones, que aparecen en gran cantidad de problemas. DISTRIBUCIONES BIDIMENCIONALES Cuando sobre una poblacin estudiamos simultneamente los valores de dos variables estadsticas, el conjunto de los pares de valores correspondientes a cada individuo se denomina distribucin bidimensional. EJEMPLO 1 Las notas de 10 alumnos en Matemticas y en Lenguaje vienen dadas en la siguiente tabla: MATEMTICAS LENGUAJE 2 2 4 2 5 5 5 6 6 5 6 7 7 5 7 8 8 7 9 10

Los pares de valores {(2,2),(4,2),(5,5),...;(8,7),(9,10)}, forman la distribucin bidimensional. IDEA DE CORRELACION Es frecuente que estudiemos sobre una misma poblacin los valores de dos variables estadsticas distintas, con el fin de ver si existe alguna relacin entre ellas, es decir, si los cambios en una de ellas influyen en los valores de la otra. Si ocurre esto decimos que las variables estn correlacionadas o bien que hay correlacin entre ellas. En el ejemplo anterior parece que hay cierta tendencia a que cuanto mejor es la nota en Matemticas, mejor es la de lenguaje. NUBE DE PUNTOS O DIGRAMA DE DISPERSIN La primera forma de describir una distribucin bidimensional es representar los pares de valores en el plano cartesiano. El grfico obtenido recibe el nombre de nube de puntos o diagrama de dispersin.

U N

I V E R S

I D A

D E 34

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

CORRELACION LINEAL Y RECTA DE REGRESIN Cuando observamos una nube de puntos podemos apreciar si los puntos se agrupan cerca de alguna curva. Aqu nos limitaremos a ver si los puntos se distribuyen alrededor de una recta. Si as ocurre diremos que hay correlacin lineal. La recta se denomina recta de regresin.

Se dice correlacin lineal fuerte cuando la nube se parezca mucho a una recta y ser cada vez ms dbil (o menos fuerte) cuando la nube vaya desparramndose con respecto a la recta. En el grfico observamos que en nuestro ejemplo la correlacin es bastante fuerte, ya que la recta que hemos dibujado est prxima a los puntos de la nube. Cuando la recta es creciente la correlacin es positiva o directa: al aumentar una variable, la otra tiene tambin tendencia a aumentar, como en el ejemplo anterior. Cuando la recta es decreciente la correlacin es negativa o inversa: al aumentar una variable, la otra tiene tendencia a disminuir. EJEMPLO 2 Una persona se entrena para obtener el carnet de conducir repitiendo un test de 50 preguntas. En la grfica se describen el n de errores que corresponden a los intentos realizados. Observa que hay una correlacin muy fuerte (los puntos estn "casi" alineados) y negativa (la recta es decreciente).

U N

I V E R S

I D A

D E 35

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

EJEMPLO 3 A 12 alumnos de un centro se les pregunt a qu distancia estaba su residencia del Instituto, con fin de estudiar si esta variable estaba relacionada con la nota media obtenida. Se obtuvieron los datos que figuran en la siguiente tabla: Distancia (en Km.) 0,05 0,1 0,12 0,4 0,5 0,7 Nota media 8,4 4 1 1,2 2,1 2,5 3 3

5,7 9,1 6,3 6,7 4,3 5,4 7,8 4,5 7,2 8,1

Observamos una nube de puntos que no nos sugiere ninguna recta concreta, porque la correlacin es prcticamente inexistente, es decir, no tiene nada que ver con el rendimiento acadmico la distancia del domicilio al instituto, MEDIDA DE LA CORRELACION La apreciacin visual de la existencia de correlacin no es suficiente. Usaremos un parmetro, llamado coeficiente de correlacin que denotaremos con la letra r, que nos permite valorar si sta es fuerte o dbil, positiva o negativa. El clculo es una tarea mecnica, que podemos realizar con una calculadora o un programa informtico. Nuestro inters est en saber interpretarlo. Antes de ponernos a trabajar destacaremos una de sus propiedades

-1 < r < 1
Este coeficiente nos informa del grado de relacin entre dos variables. Si la relacin es lineal perfecta, r ser 1 -1. El coeficiente r ser positivo si la relacin es positiva (al aumentar x aumenta y), y r ser negativo en el caso contrario (si al aumentar x, disminuye y).

U N

I V E R S

I D A

D E 36

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

CUESTIONARIO 1.- Qu es la correlacin? 2.- Cual es la utilidad del diagrama de dispersin 3.- Explique sobre la medida de correlacin 4.- La siguiente tabla representan los usuarios de Internet en Bolivia. Se pide regresionar mencionados datos para los aos 2010, 2011, 2012, 2013, 2014, 2015 y 2016

AO 2002 2003 2004 2005 2006 2007 2008 2009

NMERO DE USUARIOS 46400 54060 58040 55900 58500 64300 67950 69300

U N

I V E R S

I D A

D E 37

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

PROGRAMA DE CALIDAD UDABOL DIF 001 GENERALIDADES Y ANTECEDENTES HISTRICOS DE LA ESTADSTICA INTRODUCCIN. Estadstica, rama de las matemticas que se ocupa de reunir, organizar y analizar datos y que ayuda a resolver problemas como el diseo de experimentos y la toma de decisiones. Ante todo es un elemento til, ya que nos permite obtener informacin referida a grandes grupos de individuos conociendo los datos de slo unos pocos. Estadstica deriva del vocablo estado RAMAS: Estadstica descriptiva Calculo de probabilidades Inferencia estadstica = = = Recogida, clasificacin, presentacin de datos. Es un mtodo deductivo Razonamiento matemtico. Es un mtodo deductivo Trabaja a partir del clculo de probabilidades. Mtodo inductivo

ETAPAS DE LA INVESTIGACIN ESTADSTICA Definicin del objetivo Censo = Toda la poblacin Encuesta = Parte de la poblacin (muestra)

Recogida de datos

Descripcin y estimacin de los parmetros poblacionales ESTADSTICA DESCRIPTIVA - Historia Herodoto (485-425 a de JC) relata que ya en Egipto (3050 a de JC) se elabor un censo de poblacin y riqueza Se tienen noticias de que lo mismo hicieron los chinos Grecia y Roma efectuaron recuentos peridicos sobre riqueza con fines tributarios Edad Media = No se tienen noticias sobre operaciones estadsticas mas que sobre los bienes de la Iglesia s. XVI = Nace la escuela mercantilista francesa con Colbert, Bufn y Condorcet De ella nacen la escuela Inglesa con Graunt, Petty, Halley, Davenant y King y la Alemana con Seckendorf, Coring y Achenwall

U N

I V E R S

I D A

D E 38

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

s. XVII (mediados) = Graunt Destaca por sus estudios demogrficos s XVII (finales) = Petty efecta estudios sobre demografa, Renta y Trfico Mercantil s. XVIII y XIX = Se produce un gran crecimiento de la estadstica descriptiva y se elaboran los primeros censos oficiales (1790 USA)

EL CLCULO DE PROBABILIDADES. Es la rama de las matemticas que se basa en el razonamiento deductivo S. XVI = S. XVII = Cardano (1501 1576) y Galileo (1564 1642) son pioneros en esta rama Pascal (1623 1622) y Pierre de FermaT (1601 1665) comienzan con la formalizacin del clculo de probabilidades sobre los juegos de azar propuesto por un jugador (Mer) Huygens recopila los trabajos de los anteriores y aparece la sistematizacin el Clculo de probabilidades (1669)

S. XVIII y XIX = Movidos por el intento de la contrastacin emprica sobre astronoma y Fsica, destacaron Jacobo y Damiel Bernouilli, Abraham de Moivre, Laplace, Gauss, Poisson y Chebychev S. XX = Autores clsicos de la escuela rusa son Markov, Liapounoff y Kolmogoroff De la escuela francesa destacaron Borel, Levy, Lebesgue y Frchet

LA INFERENCIA ESTADSTICA. Arranca EN el s. XVIII con Laplace y Gauss Tres corrientes = La escuela Inglesa Inferencia Bayesiana Teora de la decisin La escuela Inglesa destaca por sus estudios biolgicos = Pearson, Gosset, Fisher y Neyman Influencia Bayesiana = Nace a partir del sacerdote Thomas Bayes (Teorema de Bayes) Le siguen Ramsey, Bruno de Finetti y Savage con la Probabilidad subjetiva Teora de la Decisin = Sociedad de Econometra = De Wald, aprovecha la Funcin de prdida influencia Bayesiana y aporta el concepto de

Fundada por Irwing Fisher, junto con Roos y Frish en 1930 aplican los conocimientos de inferencia estadstica sobre fsica, astronoma y ciencias naturales a la Economa.

U N

I V E R S

I D A

D E 39

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

ETAPA DE SISTEMATIZACIN DE LA ESTADISTICA. Se caracteriza por la aparicin de escuelas que sistematizaron la Estadstica. Destacndose tres: LA ESCUELA ALEMANA.Cre la primera ctedra de Estadstica, considerando esta disciplina como la descripcin de los fenmenos concernientes al Estado o Administracin. LA ESCUELA INGLESA.Cuantificaron las leyes que rigen los fenmenos sociales, como consecuencia. aritmetizaron la Estadstica. LA ESCUELA FRANCESA.Introduce la teora de las probabilidades como fundamento matemtico de la Estadstica. PARA QUE SIRVE LA ESTADSTICA. La Estadstica puede dar respuesta a muchas de las necesidades que la sociedad actual nos plantea. Su tarea fundamental es la reduccin de datos, con el objetivo de representar la realidad y transformarla, predecir su futuro o simplemente conocerla. LA ESTADSTICA RESPONDE A LAS NECESIDADES BLICAS Y FISCALES DE LOS GOBERNANTES. Esto se puede conseguir con un conocimiento claro de la poblacin con la que se cuenta. La herramienta para conseguirlo es el CENSO DE POBLACIN y su hermano pequeo, el PADRN MUNICIPAL DE HABITANTES. La prctica del recuento de la poblacin y de algunas caractersticas de esta por los Estados es muy antigua (se remonta a 3000 aos antes de Cristo en Egipto y Mesopotamia). En palabras de Bielfed, la Estadstica es la ciencia que nos ensea el ordenamiento poltico de todos los estados del mundo conocido, es decir, est al servicio del Estado, de hecho, la palabra Estadstica deriva de Estado. LA ESTADSTICA RESPONDE A LA ACTIVIDAD PLANIFICADORA DE LA SOCIEDAD. Con la Revolucin Industrial aparecen nuevos problemas, sobre todo de desigualdades sociales. La Estadstica es un instrumento para identificar estas injusticias y para producir informacin en el llamado Estado del Bienestar. LA ESTADSTICA RESPONDE A NUEVAS DEMANDAS SOCIALES. Para realizar investigaciones exhaustivas sobre temas sociales surgen tres problemas bsicos a la hora del trabajo de campo, como el tiempo que tardaramos en entrevistar a toda la poblacin y el costo econmico y de personal de estas entrevistas. Con las tcnicas de MUESTREO se consigue hacer buenas investigaciones sobre una pequea parte de esa poblacin, obteniendo resultados vlidos para toda ella. LA ESTADSTICA RESPONDE A LAS NECESIDADES DEL DESARROLLO CIENTFICO Y TECNOLGICO DE LA SOCIEDAD. Tras la Revolucin Industrial se produce un desarrollo de la sociedad en todos sus mbitos y, en particular, en el Cientfico y Tecnolgico. Las Comunicaciones, la Industria, la Agricultura, la Salud... se desarrollan rpidamente y se exige el mximo rendimiento y la mejor utilizacin de estos sectores.

U N

I V E R S

I D A

D E 40

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

Las tcnicas de INVESTIGACIN DE MERCADOS permiten saber si un producto cualquiera ser bien acogido en el mercado antes de su salida a este, o bien medir la audiencia en Televisin y Radio. El CONTROL DE CALIDAD permite medir las caractersticas de la calidad de un producto, compararlas con ciertos requisitos y tomar decisiones correctivas si hay diferencias entre el funcionamiento real y el esperado. Con estudios estadsticos aplicados a la Agricultura y a la Pesca podemos estimar los rendimientos obtenidos en una cosecha, o encontrar bancos de peces. En MEDICINA E INVESTIGACIN farmacolgica es imprescindible la Estadstica, probando nuevos tratamientos en grupos de pacientes o bien, obteniendo conclusiones sobre ciertas enfermedades observando durante un tiempo un grupo de pacientes (saber si para el tratamiento de cierto tipo de cncer es ms efectiva la ciruga, la radioterapia o la quimioterapia, sin ms que observar un grupo de pacientes tratados con estas tcnicas). Con el estudio de los PROCESOS ESTOCSTICOS se puede tener una mejor comprensin de fenmenos de comportamiento aleatorio como meteorologa, fsica nuclear, campaas de seguridad.

U N

I V E R S

I D A

D E 41

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

PROGRAMA DE CALIDAD UDABOL DIF 002 INTRODUCCIN A LA ESTADSTICA DEFINICIN DE ESTADSTICA. La Estadstica es una disciplina que utiliza recursos matemticos para organizar y resumir una gran cantidad de datos obtenidos de la realidad, e inferir conclusiones respecto de ellos. Por ejemplo, la estadstica interviene cuando se quiere conocer el estado sanitario de un pas, a travs de ciertos parmetros como la tasa de morbilidad o mortalidad de la poblacin. En este caso la estadstica describe la muestra en trminos de datos organizados y resumidos, y luego infiere conclusiones respecto de la poblacin. POBLACIN Y MUESTRA. Puesto que la estadstica se ocupa de una gran cantidad de datos, debe primeramente definir de cules datos se va a ocupar. El conjunto de datos de los cuales se ocupa un determinado estudio estadstico se llama poblacin. No debe confundirse la poblacin en sentido demogrfico y la poblacin en sentido estadstico. La poblacin en sentido demogrfico es un conjunto de individuos (todos los habitantes de un pas, todas las ratas de una ciudad), mientras que una poblacin en sentido estadstico es un conjunto de datos referidos a determinada caracterstica o atributo de los individuos (las edades de todos los individuos de un pas, el color de todas las ratas de una ciudad). Incluso una poblacin en sentido estadstico no tiene porqu referirse a muchos individuos. Una poblacin estadstica puede ser tambin el conjunto de calificaciones obtenidas por un individuo a lo largo de sus estudios universitarios. Los datos de la totalidad de una poblacin pueden obtenerse a travs de un censo. Sin embargo, en la mayora de los casos no es posible obtenerlos por razones de esfuerzo, tiempo y dinero, razn por la cual se extrae, de la poblacin, una muestra, mediante un procedimiento llamado muestreo. Se llama muestra a un subconjunto de la poblacin, preferiblemente representativo de la misma. Por ejemplo, si la poblacin es el conjunto de todas las edades de los estudiantes de la ciudad de Oruro, una muestra ser el conjunto de edades de 2000 estudiantes de la ciudad de Oruro tomados al azar. DATOS INDIVIDUALES Y DATOS ESTADSTICOS. Un dato individual es un dato de un solo individuo, mientras que un dato estadstico es un dato de una muestra o de una poblacin en su conjunto. Por ejemplo, la edad de Juan es un dato individual, mientras que el promedio de edades de una muestra o poblacin de personas es un dato estadstico.

U N

I V E R S

I D A

D E 42

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

Desde ya, puede ocurrir que ambos no coincidan: la edad de Rubn puede ser 37 aos, y el promedio de edades de la muestra donde est incluido Rubn es 23 aos. Por esta razn un dato estadstico nada dice respecto de los individuos, porque solamente describe la muestra o poblacin. Los datos estadsticos que describen una muestra suelen llamarse estadsticos o estadgrafos (por ejemplo, el promedio de ingresos mensuales de las personas de una muestra), mientras que los datos estadsticos descriptores de una poblacin suelen llamarse parmetros (por ejemplo, el promedio de ingresos mensuales de las personas de una poblacin). ESTRUCTURA DEL DATO. Los datos son la materia prima con que trabaja la estadstica, del mismo modo que la madera es la materia prima con que trabaja el carpintero. As como este procesa o transforma la madera para obtener un producto til, as tambin el estadstico procesa o transforma los datos para obtener informacin til. Tanto los datos como la madera no se inventan: se extraen de la realidad; en todo caso el secreto est en recoger la madera o los datos ms adecuados a los objetivos del trabajo a realizar. De una manera general, puede definirse tcnicamente dato como una categora asignada a una variable de una unidad de anlisis. Por ejemplo, Ral tiene 1.60 metros de estatura es un dato, donde Ral es la unidad de anlisis, estatura es la variable, y 1.60 metros es la categora asignada. Como puede apreciarse, todo dato tienen al menos tres componentes: una unidad de anlisis, una variable y una categora. La UNIDAD DE ANLISIS es el elemento del cual se predica una propiedad y caracterstica. Puede ser una persona, una familia, un animal, una sustancia qumica, o un objeto como una dentadura o una mesa. La VARIABLE es la caracterstica, propiedad o atributo que se predica de la unidad de anlisis. Por ejemplo puede ser la edad para una persona, el grado de cohesin para una familia, el nivel de aprendizaje alcanzado para un animal, el peso especfico para una sustancia qumica, el nivel de salud para una dentadura, y el tamao para una mesa. Pueden entonces tambin definirse poblacin estadstica (o simplemente poblacin) como el conjunto de datos acerca de unidades de anlisis (individuos, objetos) en relacin a una misma caracterstica, propiedad o atributo (variable). Sobre una misma poblacin demogrfica pueden definirse varias poblaciones de datos, una para cada variable. Por ejemplo, en el conjunto de habitantes de un pas (poblacin demogrfica), puede definirse una poblacin referida a la variable edad (el conjunto de edades de los habitantes), a la variable ocupacin (el conjunto de ocupaciones de los habitantes), a la variable sexo (el conjunto de condiciones de sexo de los habitantes). La CATEGORA es cada una de las posibles variaciones de una variable. Categoras de la variable sexo son masculino y femenino, de la variable ocupacin pueden ser arquitecto, mdico, etc, y de la variable edad pueden ser 10 aos, 11 aos, etc.

U N

I V E R S

I D A

D E 43

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

Cuando la variable se mide cuantitativamente, es decir cuando se expresa numricamente, a la categora suele llamrsela valor. En estos casos, el dato incluye tambin una unidad de medida, como por ejemplo aos, cantidad de hijos, grados de temperatura, cantidad de piezas dentarias, centmetros, etc. El valor es, entonces, cada una de las posibles variaciones de una variable cuantitativa. LA MEDICIN. Los datos se obtienen a travs un proceso llamado medicin. Desde este punto de vista, puede definirse medicin como el proceso por el cual asignamos una categora (o un valor) a una variable, para determinada unidad de anlisis. Ejemplo: cuando decimos que Martn es varn, estamos haciendo una medicin, porque estamos asignando una categora (varn) a una variable (sexo) para una unidad de anlisis (Luis). Se pueden hacer mediciones con mayor o menor grado de precisin. Cuanto ms precisa sea la medicin, ms informacin nos suministra sobre la variable y, por tanto, sobre la unidad de anlisis. No es lo mismo decir que una persona es alta, a decir que mide 1,83 metros. Los diferentes grados de precisin o de contenido informativo de una medicin se suelen caracterizar como niveles de medicin. Tpicamente se definen cuatro niveles de medicin, y en cada uno de ellos la obtencin del dato o resultado de la medicin ser diferente: Ejemplos de datos en diferentes niveles de medicin Nivel cuantitativo continuo Mara tiene 70 pulsaciones por minuto Mara Frecuencia cardiaca 70 Pulsaciones por minuto

Nivel de medicin DATO Unidad de anlisis Variable Categora o valor Unidad de medida

Nivel nominal Luis es electricista Luis Oficio Electricista -------------

Nivel ordinal Elena termin la secundaria Elena Nivel de instruccin Secundaria completa ------------

Nivel cuantitativo discreto Juan tiene 32 dientes Juan Cantidad de piezas dentarias 32 Diente

En el nivel nominal, medir significa simplemente asignar un atributo a una unidad de anlisis (Luis es electricista). En el nivel ordinal, medir significa asignar un atributo a una unidad de anlisis cuyas categoras pueden ser ordenadas en una serie creciente o decreciente (la categora secundaria completa puede ordenarse en una serie, pues est entre secundaria incompleta y universitaria incompleta). En el nivel cuantitativo, medir significa adems asignar un atributo a una unidad de anlisis de modo tal que la categora asignada permita saber cunto mayor o menor es respecto de otra categora,

U N

I V E R S

I D A

D E 44

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

es decir, especifica la distancia o intervalo entre categoras (la categora 70 es el doble de la categora 35).Las variables medibles en el nivel cuantitativo pueden ser discretas o continuas. Una variable discreta es aquella en la cual, dados dos valores consecutivos, no puede adoptar ningn valor intermedio (por ejemplo entre 32 y 33 dientes, no puede hablarse de 32.5 dientes). En cambio, una variable es continua cuando, dados dos valores consecutivos, la variable puede adoptar muchos valores intermedios (por ejemplo entre 1 y 2 metros, puede haber muchas longitudes posibles). CLASIFICACIONES DE LA ESTADSTICA. Existen varias formas de clasificar los estudios estadsticos. SEGN LA ETAPA.- Hay una estadstica descriptiva y una estadstica inferencial. La primera etapa se ocupa de describir la muestra, y la segunda etapa infiere conclusiones a partir de los datos que describen la muestra (por ejemplo con respecto a la poblacin). SEGN EL TIEMPO CONSIDERADO.- Dentro de la estadstica descriptiva se distingue la estadstica esttica o estructural, que describe la poblacin en un momento dado (por ejemplo la tasa de nacimientos en determinado censo), y la estadstica dinmica o evolutiva, que describe como va cambiando la poblacin en el tiempo (por ejemplo el aumento anual en la tasa de nacimientos). SEGN LA CANTIDAD DE VARIABLES ESTUDIADA.- Desde este punto de vista hay una estadstica univariada (estudia una sola variable, como por ejemplo la inteligencia, en una muestra), una estadstica bivariada (estudia como estn relacionadas dos variables, como por ejemplo inteligencia y alimentacin), y una estadstica multivariada (que estudia tres o ms variables, como por ejemplo como estn relacionados el sexo, la edad y la alimentacin con la inteligencia).

U N

I V E R S

I D A

D E 45

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

PROGRAMA DE CALIDAD UDABOL DIF 003 MEDIDAS DE DISTRIBUCIN - ASIMETRA Y CURTOSIS Las medidas de distribucin nos permiten identificar la forma en que se separan o aglomeran los valores de acuerdo a su representacin grfica. Estas medidas describen la manera como los datos tienden a reunirse de acuerdo con la frecuencia con que se hallen dentro de la informacin. Su utilidad radica en la posibilidad de identificar las caractersticas de la distribucin sin necesidad de generar el grfico. Sus principales medidas son la Asimetra y la Curtosis. ASIMETRA Esta medida permite identificar si los datos se distribuyen de forma uniforme alrededor del punto central (Media aritmtica). La asimetra presenta tres estados diferentes [Fig.1], cada uno de los cuales define de forma concisa como estn distribuidos los datos respecto al eje de asimetra. Se dice que la asimetra es positiva cuando la mayora de los datos se encuentran por encima del valor de la media aritmtica, la curva es Simtrica cuando se distribuyen aproximadamente la misma cantidad de valores en ambos lados de la media y se conoce como asimetra negativa cuando la mayor cantidad de datos se aglomeran en los valores menores que la media.

Figura 1 El Coeficiente de asimetra, se representa mediante la ecuacin matemtica,

Donde (g 1 ) representa el coeficiente de asimetra de Fisher, (Xi) cada uno de los valores, ( ) la media de la muestra y (ni) la frecuencia de cada valor. Los resultados de esta ecuacin se interpretan:

(g 1 = 0): Se acepta que la distribucin es Simtrica, es decir, existe aproximadamente la misma cantidad de valores a los dos lados de la media. Este valor es difcil de conseguir por lo que se tiende a tomar los valores que son cercanos ya sean positivos o negativos ( 0.5). (g 1 > 0): La curva es asimtricamente positiva por lo que los valores se tienden a reunir ms en la parte izquierda que en la derecha de la media. (g 1 < 0): La curva es asimtricamente negativa por lo que los valores se tienden a reunir ms en la parte derecha de la media.

U N

I V E R S

I D A

D E 46

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

Desde luego entre mayor sea el nmero (Positivo o Negativo), mayor ser la distancia que separa la aglomeracin de los valores con respecto a la media. CURTOSIS Esta medida determina el grado de concentracin que presentan los valores en la regin central de la distribucin. Por medio del Coeficiente de Curtosis, podemos identificar si existe una gran concentracin de valores (Leptocrtica), una concentracin normal (Mesocrtica) una baja concentracin (Platicrtica).

Figura 2 Para calcular el coeficiente de Curtosis se utiliza la ecuacin:

Donde (g 2 ) representa el coeficiente de Curtosis, (X i ) cada uno de los valores, ( ) la media de la muestra y (n i ) la frecuencia de cada valor. Los resultados de esta frmula se interpretan:

(g 2 = 0) la distribucin es Mesocrtica: Al igual que en la asimetra es bastante difcil encontrar un coeficiente de Curtosis de cero (0), por lo que se suelen aceptar los valores cercanos ( 0.5 aprox.). (g 2 > 0) la distribucin es Leptocrtica (g 2 < 0) la distribucin es Platicrtica

Cuando la distribucin de los datos cuenta con un coeficiente de asimetra (g 1 = 0.5) y un coeficiente de Curtosis de (g 2 = 0.5), se le denomina Curva Normal. Este criterio es de suma importancia ya que para la mayora de los procedimientos de la estadstica de inferencia se requiere que los datos se distribuyan normalmente. La principal ventaja de la distribucin normal radica en el supuesto que el 95% de los valores se encuentra dentro de una distancia de dos desviaciones estndar de la media aritmtica (Fig.3); es decir, si tomamos la media y le sumamos dos veces la desviacin y despus le restamos a la media dos desviaciones, el 95% de los casos se encontrara dentro del rango que compongan estos valores.

U N

I V E R S

I D A

D E 47

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

Figura 3 PROGRAMA DE CALIDAD UDABOL DIF 004 INTRODUCCIN A LAS DISTRIBUCIONES DE PROBABILIDAD Las distribuciones de probabilidad estn relacionadas con las distribuciones de frecuencias. Una distribucin de frecuencias terica es una distribucin de probabilidades que describe la forma en que se espera que varen los resultados. Debido a que estas distribuciones tratan sobre expectativas de que algo suceda, resultan ser modelos tiles para hacer inferencias y para tomar decisiones en condiciones de incertidumbre. Una distribucin de frecuencias es un listado de las frecuencias observadas de todos los resultados de un experimento que se presentaron realmente cuando se efectu el experimento, mientras que una distribucin de probabilidad es un listado de las probabilidades de todos los posibles resultados que podran obtenerse si el experimento se lleva a cabo. Las distribuciones de probabilidad pueden basarse en consideraciones tericas o en una estimacin subjetiva de la posibilidad. Se pueden basar tambin en la experiencia. TIPOS DE DISTRIBUCIONES DE PROBABILIDAD. Las distribuciones de probabilidad se clasifican como continuas y discretas. En la distribucin de probabilidad discreta est permitido tomar slo un nmero limitado de valores. En una distribucin de probabilidad continua, la variable que se est considerando puede tomar cualquier valor dentro de un intervalo dado. Las distribuciones continuas son una forma conveniente de presentar distribuciones discretas que tienen muchos resultados posibles, todos muy cercanos entre s. VARIABLES ALEATORIAS. Una variable es aleatoria si toma diferentes valores como resultado de un experimento aleatorio. Puede ser discreta o continua. Si puede tomar slo un nmero limitado de valores, entonces es una variable aleatoria discreta. En el otro extremo, si puede tomar cualquier valor dentro de un intervalo dado, entonces se trata de una variable aleatoria continua. Se puede pensar en una variable aleatoria como un valor o una magnitud que cambia de una presentacin a otra, sin seguir una secuencia predecible. Los valores de una variable aleatoria son los valores numricos correspondientes a cada posible resultado de un experimento aleatorio. La distribucin de probabilidad de una variable aleatoria proporciona una probabilidad para cada valor posible, y estas probabilidades deben sumar 1. VALOR ESPERADO DE UNA VARIABLE ALEATORIA. El valor esperado es una idea fundamental en el estudio de las distribuciones de probabilidad.

U N

I V E R S

I D A

D E 48

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

Para obtener el valor esperado de una variable aleatoria discreta, se multiplica cada valor que la variable puede tomar por la probabilidad de presentacin de ese valor y luego se suman esos productos. Es un promedio pesado de los resultados que se esperan en el futuro. El valor esperado pesa cada resultado posible con respecto a la frecuencia con que se espera se que presente. En consecuencia, las presentaciones ms comunes tienen asignadas un peso mayor que las menos comunes. El valor esperado tambin puede ser obtenido a partir de estimaciones subjetivas. En ese caso, el valor esperado no es ms que la representacin de las convicciones personales acerca del resultado posible. En muchas situaciones, encontraremos que es ms conveniente, en trminos de los clculos que se deben hacer, representar la distribucin de probabilidad de una variable aleatoria de una manera algebraica. Al hacer esto, podemos llevar a cabo clculos de probabilidad mediante la sustitucin de valores numricos directamente en una frmula algebraica. El valor esperado de una variable aleatoria discreta es un promedio pesado del valor de cada resultado posible multiplicado por la probabilidad de dicho resultado. Aunque existen muchos valores diferentes posibles que la variable aleatoria puede tomar, el valor esperado es slo un nmero.

U N

I V E R S

I D A

D E 49

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

U N

I V E R S

I D A

D E 50

Q U

I N O

O L

I V I A