Parte 1 Probabilidades Distribuciones PDF

Probabilidades
DEFINICIN
Probabilidad de un suceso es el nmero al que tiende la

frecuencia relativa asociada al suceso a medida que el
nmero de veces que se realiza el experimento crece.
La frecuencia relativa de un suceso A:
Fr (a)=
nmero de veces que aparece A

Nmero de veces que se realiza el experimento
Curso : Modelacin y Simulacin
Probabilidades
DEFINICIN DE LAPLACE
En el caso de que todos los sucesos elementales del espacio muestral
E sean equiprobables, Laplace define la probabilidad del suceso A
como el cociente entre el nmero de resultados favorables a que ocurra
el suceso A en el experimento y el nmero de resultados posibles del
experimento.
Si E={x1,x2,..,xk} y P(x1)=P(x2)==P(xk), entonces:
P(A)=
nmero de casos favorables al suceso A

nmero de casos posibles
Probabilidades
Permutaciones
Una permutacin es un arreglo de todo o parte de un conjunto de
datos, el nmero de permutaciones de n objetos distintos es n!
el nmero de permutaciones de n objetos tomados de r a la vez es
n Pr
Ejemplo 1
n!
(n r )!
Considere las tres letras a,b y c, las permutaciones posibles son

abc, acb, bac, bca, cab y cba
n !=3 !=1*2*3=6
Probabilidades
Ejemplo 2
Se sacan dos billetes de lotera de 20 para un primer y
un segundo premios. Encuentre el nmero de puntos
mustrales en el espacio S.
Solucin
20!
n!
20 *19 380
20 2
n Pr
(
20
2
)!
(n r )!
Probabilidades
Combinaciones
El nmero de combinaciones de n objetos distintos tomados de r a
la vez es
n
n!

r r!(n r )!
Ejemplo
En una mano de pquer que consiste en cinco cartas, encuentre la
probabilidad de tener 2 ases y tres sotas
Probabilidades
Solucin
El nmero de formas de tener dos ases de cuatro es:
4
4!

6
2 2!(2)!
y el nmero de formas de tener tres sotas de cuatro es:
4
4!

4
3 3!(1)!
Mediante la regla de multiplicacin hay n=6*4=24 manos con dos
ases y tres sotas.
Probabilidades
El nmero total de 5 manos de pquer de cinco cartas, las cuales son
igualmente probables es
52
52!
N
2.598.960
5 5!(47)!
por tanto la probabilidad de obtener dos ases y tres sotas en una mano de
pquer de cinco cartas es:
P( x )
24
0,9 x10 5
2.598.960
Probabilidades
Experimentos Aleatorios
Un experimento aleatorio es aquel que proporciona diferentes

resultados aun cuando se repita siempre de la misma forma.
Espacio Muestral
Un conjunto de los posibles resultados de un experimento
aleatorio recibe el nombre de espacio muestral del experimento
Evento
Un evento es un subconjunto del espacio muestral de un
experimento aleatorio.
Probabilidades
Axiomas de Probabilidades
La probabilidad es un nmero que se asigna a cada miembro de una

coleccin de eventos de un experimento aleatorio y que satisface las
siguientes propiedades
1.- P(s) =1
2.- 0 P( E ) 1
3.- Para dos eventos E1 y E2
P(E1 U E2)= P(E1)+P(E2)-P(E1E2 )
con E1E2 =, P(E1 U E2)= P(E1)+P(E2)
Probabilidades
Probabilidad Condicional
La probabilidad condicional de un evento A dado un Evento B,

denotada por P(A\B), es :
P(A\B)= P( A B) / P(B) si P(B)>0
Probabilidad Total
Sea A1,a2, An, un sistema completo de sucesos tales que la
probabilidad de cada uno de ellos es distinta de cero, y sea B un
suceso cualquier del que se conocen las probabilidades condicionales
P(B\Ai), entonces la probabilidad del suceso B viene dada por la
expresin.
P(B)= P(A1)*P(B/A1)+P(A2)*P(B/A2)+..+P(An)*P(B/An)
10
Probabilidades
Teorema de Bayes
Sea A1,A2,....An un sistema completo de sucesos,

tales que la probabilidad de cada uno de ellos es
distinta de cero, y sea B un suceso cualquier del que

se conocen las probabilidades condicionales P(B/Ai),
entonces la probabilidad P(Ai/B) viene dada por la
expresin :
P(Ai/B)=
P(Ai)* P(B/Ai)
P(A1)*P(B/A1)+ P(A2)*P(B/A2) +.....+

P(An)*P(B/An)
11
1.- Tres lneas de produccin de nodos, A, B, C producen el 40%, 35%, 25%,

respectivamente, del total de la produccin. Los porcentajes de nodos defectuosos de
estas lneas son del 2%, 3%, 4%.
Solucin
sea D = " La pieza es defectuosa", y N="La pieza no es defectuosa"
La informacin del problema puede expresarse en el diagrama de rbol
0.02
A
0,40
0,35
0.98
0.03
0.97
0.04
0.96
0,25
C
a.- Para calcular la probabilidad de que la pieza elegida sea defectuosa, P(D)
por la Propiedad de la probabilidad total,
P(D)= P(A)*P(D/A)+P(B)*P(D/B)+P(C)*P(D/C)
P(D)=
P(D)=
0,4*0,02+0,35*0,03+0,25*0,04
0,0285
b.- Debemos calcular P(B/D). Por el teorema de Bayes

P(B/D)=
P(B/D)=
P(B)*P(D/B)
P(A)*P(D/A)+P(B)*P(D/B)+P(C)*P(D/C)
0,35*0,03
0,4*0,02+0,35*0,03+0,25*0,04
P(B/D)=
0,0105
0,0285
P(B/D)=
0,368
c.- Calculamos P(A/D) y P(C/D), comparndolas con el valor de P(B/D)

ya calculado. Aplicando el teorema de Bayes , obtenemos
P(A/D)=
0,4*0,02
0,4*0,02+0,35*0,03+0,25*0,04
0,008
0,0285
0,281
P(C/D)=
0,25*0,04
0,4*0,02+0,35*0,03+0,25*0,04
0,01
0,0285
0,351
La lnea de produccin con mayor probabilidad de haber producido la pieza defectuosa es B
12
Estadstica:
El campo de la Estadstica tiene que ver con la recopilacin,

presentacin, anlisis y uso de datos para tomar decisiones
y resolver problemas.
La importancia de la estadstica en la ingeniera, la ciencia y
la administracin ha sido subrayada por la participacin en
la industria en el aumento de la calidad. Muchas compaas
se han dado cuenta de que la baja calidad de un producto
(defectos de fabricacin, baja confiabilidad en su
rendimiento) tiene un efecto muy pronunciado en la
productividad global de la Empresa. La estadstica es un
elemento decisivo en el incremento de la calidad, ya que las
tcnicas estadsticas pueden emplearse para describir y
comprender la variabilidad.
13
Estadstica Descriptiva
Media aritmtica:
La media aritmtica o media de un conjunto de N nmeros x1,x2,x3,....,xn
se representa por x y se define como
n
x = x1 + x2 +x3 +......+ xn =
N
xj
j=1__
14
Mediana:
Sean x1,x2,x3,.....,xn una muestra acomodada en orden creciente de
magnitud,; esto es x1 denota la observacin pequea y x n denota la
observacin ms grande. Entonces la mediana x se define como la parte
media o la ( n+1 / 2)-sima observacin si n es impar, o el promedio
entre las dos observaciones intermedias la (n / 2)-sima y la ( n / 2)+1)sima si n es par. En trminos matemticos
n 1 / 2 impar
xn 2 xn / 2 1 par
___________________
2
15
Moda:
La moda es la observacin que se presenta con mayor frecuencia en la
muestra. Esta puede no existir cuando los datos no estn agrupados o ser
bimodales, etc.
16
Varianza muestral y desviacin estndar muestral.
Las medidas ms importantes de variabilidad son la varianza muestral y la
desviacin estndar muestral.
Si x1,x2,x3,.....,xn es una muestra de n observaciones, entonces la varianza
muestral es:
n
_
1
x X i X
n 1 i 1
La desviacin estndar S es la raz cuadrada positiva.
17
Coeficiente de Variacin:
En ocasiones es deseable expresar la variacin como una fraccin de la
Media. El coeficiente de variacin es til cuando se compara la variabilidad
de dos o ms conjuntos de datos que difieren de manera considerable en la
magnitud de las observaciones.
El coeficiente muestral es:
CV
S
x
18
Error estndar:
El error estndar de una estadstica es la desviacin estndar de su
distribucin de muestreo.
Si el error estndar involucra parmetros desconocidos cuyos valores
pueden estimarse, la sustitucin de estas estimaciones en el error estndar
da como resultado un error estndar estimado.
El error estndar da alguna idea sobre la precisin de la estimacin. Si no

se sabe que valor tiene pero se sustituye la desviacin estndar muestral
S en la ecuacin anterior, entonces el error estndar estimado de x es
S
n
19
Rango de la Muestra:
Una medida muy sencilla de variabilidad es el rango de la muestra,
definido como la diferencia entre las observaciones ms grande y ms
pequea.
r = mx (xi) - min (xi)
20
Coeficiente de Asimetra:
El coeficiente de simetra que mide el grado de asimetra o falta de
simetra de una distribucin. Y se define por
n
(n 1)(n 2)
n
Xi X
i 1
S
21
Curtosis:
El coeficiente de curtosis es una medida de achatamiento de un histograma
con respecto al modelo terico de Gauss.
El coeficiente de curtosis se define por
n(n 1)
k
(n 1)(n 2)(n 3)
n
Xi
i 1
S
3 (n 1)
(n 2)(n 3)
2
Se puede demostrar que:

E 0 histograma ms puntiagudo que la ley de Gauss (leptocrtica)
E 0 histograma ms achatado que la ley de Gauss (platicrtica)
E 0 histograma sin achatamiento (mesocrtica)
22
Histograma
Un histograma o histograma de frecuencias consiste en una serie de rectngulos que
tienen:
1.- Sus bases sobre un eje horizontal con centros en las marcas de clase y longitud
igual al tamao de los intervalos de clase.
2.- Superficie proporcionales a las frecuencias de clase, el nmero de observaciones en
una clase recibe el nombre de frecuencia de clase. La marca de clase es el punto medio
del intervalo de clase y se obtiene sumando los lmites inferior y superior de la clase y
dividiendo por 2.
3.- Un polgono de frecuencia es un grfico de lnea trazado sobre las marcas de clase.
23
Reglas generales para formar la distribucin de frecuencias

1.- Determinar el mayor y el menor entre los datos registrados y as encontrar el rango.
2.- Dividir el rango en un nmero conveniente de intervalos de clase del mismo tamao,
el nmero de clases que se emplea para clasificar los datos en un conjunto dependen
del total de observaciones en ste. Si el nmero de observaciones es relativamente
pequeo, el nmero de clase a emplear ser cercano a cinco, pero generalmente nunca
menor que este valor. Si existe una cantidad sustancial de datos, el nmero de clases
debe encontrarse entre ocho y doce y generalmente no existirn mas de 15 clases. Un
nmero muy pequeo de clases puede ocultar la distribucin real del conjunto de datos,
mientras que un nmero muy grande puede dejar sin observaciones o lagunas de las
clase, limitando de esta forma su uso.
24
Criterio de Sturguess
Es usado ampliamente , ya que entrega la dimensin del intervalo de clase que

permite la mejor definicin de la forma real de la distribucin en estudio. Para
estimar el intervalo de clase Sturguess plante la siguiente expresin.
xmax xmin
IC
1 3,322 log(n)
Raz cuadrada del nmero de observaciones
IC n
25
Media
Error Tpico
Mediana
Moda
36,53264
0,163652
36
45,5
Desviacin estandar
Varianza de la muestra
curtosis
coeficiente de asimetra
Rango
12,05147
145,238
-0,39836
0,291128
59,9
Mnimo
Mximo
Suma
Cuenta
10
69,9
198116,5
5423
600
0,035
500
0,03
0,025
400
0,02
300
0,015
200
Frcuencia
norm al
0,01
100
0,005
0
0,
0
1 0
5,
9
2 9
1,
9
2 8
7,
9
3 7
3,
96
3
9,
9
4 5
5,
9
5 4
1,
9
5 3
7,
9
6 2
3,
91
Frecuencia
Histograma Grupal vacios<4
Velocidad [Km/h]
26
Histograma Sturges vacios<4
800
0,035
700
0,03
600
Fre
cu
en 500
cia
400
0,025
0,02
0,015
Frecuencia
normal
300
0,01
200
0,005
100
0
10,00 14,47 18,9423,41 27,88 32,35 36,83 41,3045,77 50,24 54,71 59,18 63,65
Velocidad [Km/h]
Histograma raiz de (n) vacios <4

200
0,035
180
0,03
160
0,025
120
0,02
Frecuencia
80
0,015
norm al
60
0,01
100
40
0,005
20
0,
0
1 0
4,
8
1 8
9,
7
2 6
4,
6
2 4
9,
5
3 2
4,
4
3 0
9,
2
4 8
4,
1
4 6
9,
0
5 4
3,
9
5 2
8,
8
6 0
3,
6
6 8
8,
57
Frecuencia
140
Velocidad [Km/h]
27
Distribucin de Poisson
Es una distribucin de probabilidad discreta con un parmetro < 0 cuya funcin de
masa para sucesos
es
Aqu e significa el nmero e y x! significa el factorial de x.

Se prefiere su uso por sobre una distribucin binominal cuando los valores de p <
0.10 y (p * n) < 10 ", donde p es la probabilidad de acierto y n es el numero de
eventos.
La distribucin de Poisson describe el nmero de sucesos en una unidad de tiempo
de un proceso de Poisson. Muchos fenmenos se modelan como un proceso de
Poisson, por ejemplo las llamadas telefnicas en una empresa o los accidentes en
una carrera.
El valor esperado y la varianza de una variable aleatoria X de distribucin Poisson
son
E[X] = V[X] =
28
Distribucin de Poisson
Ejemplo
Un nmero promedio de camiones tanque que llega cada da a cierta ciudad
portuaria es 10. Las instalaciones en el puerto pueden manejar a lo ms 15
camiones tanque por da. Cul es la probabilidad de que en un da dado los
camiones se tengan que regresar?
Solucin
Sea X el nmero de camiones tanque que llegan cada da.Entonces con el uso de la
tabla de poisson tenemos
15
P(x>15)= 1- P(X15)=1- p( x;10) = 1-0,9513= 0,0487

x 0
P( x 15) e
15
1510
10!
29
Distribucin Binomial
En estadstica la distribucin binomial es una distribucin probabilidad discreta
describiendo el numero de xitos de n experimentos independientes con
probabilidad p de un xito.
Su funcin de densidad es
Eso es por que en n experimentos (o eventos) hay n sobre x (el coeficiente binomial)
posibilidades para un numero de x xitos (o aciertos) (probabilidad pk) y n x noxitos ((1 p)n x).
El valor esperado de una variable aleatoria de probabilidad binominal es E[x] = np y
su varianza V[x] = np(1 p).
30
Distribucin Binomial
La probabilidad de que cierta clase de componente sobreviva a una prueba de choque
dada es 3/4 . Encuentre la probabilidad de que sobrevivan exactamente dos de los
siguientes cuatro componentes que se prueben.
Solucin
Suponga que las pruebas son independientes y como p=3/4 para cada una de las 4
pruebas tenemos
B(2;4,3/4)=
4 32
4
2
2
3
/
4
(
1
/
4
)
x 27 /128

2 x2 4 4
2
=0,2109
31
Distribucin Normal
Esta distribucin es frecuentemente utilizada en las aplicaciones estadsticas. Su

propio nombre indica su extendida utilizacin, justificada por la frecuencia o
normalidad
con
la
que
ciertos
fenmenos
tienden
parecerse
en
su
comportamiento a esta distribucin.
Muchas variables aleatorias continuas presentan una funcin de densidad cuya

grfica tiene forma de campana.
En resumen, la importancia de la distribucin normal se debe principalmente a que

hay muchas variables asociadas a fenmenos naturales que siguen el modelo de la
normal
32
Distribucin Normal
Sin lugar a dudas, la distribucin ms utilizada para
modelar experimentos aleatorios es la distribucin normal
33
Distribucin Normal
34
Distribucin Normal
35
Distribucin Normal
36
Manejo de tablas, casos ms frecuentes

La distribucin de la variable z se encuentra tabulada
37
38
39
40
EJERCICIO
Tipificamos:
Los resultados de una prueba objetiva de

seleccin pasada a 200 personas indicaron que
la distribucin de puntuaciones era normal, con
media de 80 puntos y desviacin tpica de 6
puntos. Calcular cuntos examinados han
obtenido una puntuacin entre 70 y 90 puntos.
Si se eligen al azar dos de esas 200 personas,
calcular la probabilidad de que ambas personas
tengan puntuacin superior a 90.
La probabilidad de obtener puntuacin entre 70 y 90 es:

P(70X90)=p(-1,67X1,67)
z1=(70-80)/6=-1,66666667
z2=(90-80)/6=1,66666667
0,0478
0,9522
+0,9522-0,0478=0,9044
y el nmero esperado de individuos que la obtienen es:
n=0,9044*200=180,883859
n= 181
La probabilidad de que una persona tenga puntuacin
superior a 90 es:
P(X>90)=P(Z>1,67)=1- 0,9522 =0,0478
Y para dos personas:
p= 0,0478*0,0478 =0,00228484
41
EJERCICIO
z1=(30-60)/6
-5
z1=(40-60)/6 -3,33333333
Los resultados de una prueba objetiva

de seleccin pasada a 200 personas
indicaron que la distribucin de
puntuaciones era normal, con media 60
puntos y desviacin tpica de 6 puntos.
Cada prueba se puntu con 0 1
puntos. Calcular cuntos examinados
han obtenido una puntuacin entre 30 y
40 puntos, y cul es la mnima
puntuacin por debajo de la cual estn
el 75 % de los examinados.
La probabilidad de obtener puntuacin entre 30 y 40 es:

0,0000
0,0004
con lo cual no hay ningn examinado con una puntuacin entre 30 y 40

Por otro lado , la mnima puntuacin por debajo de la cual est el 75 % de los examinados
z
0,67
0,68
normal
0,7486
0,7517
se realiza una interpolacin
Tipifiquemos la variable con los valores

extremos dados:
0,01
0,0031
valor buscado
Luego
x=(0,0014*0,01)/0,0031
Zx=0,67+0,0045
x1=6*zx+60 6*0,6745+60
0,0014
0,00451613
0,6745
64
La mnima puntuacin por debajo de la cual est el 75 % de los examinados es 64
42
Distribucin Normal
Media Aritmtica
1 n
x xi
n i 1
Mediana
La mediana de un conjunto de observaciones se
ordenan de manera creciente, la mitad de stas es
menor que este valor y la otra mitad mayor
Moda
La moda de un conjunto de observaciones es el valor de
la observacin que ocurre con mayor frecuencia en un
conjunto
43
Distribucin Normal
Desviacin Estndar
1 n
x ( xi x ) 2
n i 1
Coeficiente de Simetra
Esta funcin caracteriza el grado de asimetra de una
distribucin con respecto a su media. La asimetra positiva
indica una distribucin unilateral que se extiende hacia valores
ms positivos. La asimetra negativa indica una distribucin
unilateral que se extiende hacia los valores ms negativos
m3
1 n
en que m3 ( xi x )3
n i 1
44
Distribucin Normal
Curtosis
La curtosis representala elevacin o achatamiento de una
distribucin , Una curtosis positiva indica una distribucin
relativamente elevada, mientras que una curtosis negativa
indica una distribucin relativamente plana.
m4
1 n
en que m4 ( xi x ) 4
n i 1
45
Distribucin Ji Cuadrado (2 )
Es una distribucin asimtrica.
Solo toma valores positivos y es asinttica con
respecto al eje de las x positivas (0 < 2 < +).
Est caracterizada por un nico parmetro llamado:
grados de libertad (g.l.)
El rea comprendida entre la curva y el eje de las x
es 1 o 100%.
46
Grfico de la distribucin Ji Cuadrado
Regin de
aceptacin
1-
Regin de rechazo
2 gl,
47
Distribucin Ji Cuadrado
2
(
0
E
)
i
i
2

Ei
48
Ejercicio Chi - Cuadrado

25
8
6
5
4
2
1
0
1
49
Ejercicio Chi-cuadrado
ai
bi
Marca
Clase
Fi
Fi*MC
(xi-x) ^2
fi*(xi-x)^2
1,18
1,22
1,2
1,2
0,07002639
0,07002639
1,22
1,27
1,245
2,49
0,04823514
0,09647028
1,27
1,32
1,295
2,59
0,02877264
0,05754528
1,32
1,37
1,345
5,38
0,01431014
0,05724056
1,37
1,42
1,395
8,37
0,00484764
0,02908584
1,42
1,47
1,445
11,56
0,00038514
0,00308113
1,47
1,52
1,495
7,475
0,00092264
0,0046132
1,52
1,57
1,545
6,18
0,00646014
0,02584056
1,57
1,62
1,595
3,19
0,01699764
0,03399528
1,62
1,67
1,645
4,935
0,03253514
0,09760542
1,67
1,72
1,695
1,695
0,05307264
0,05307264
1,72
1,8
1,76
3,52
0,08724639
0,17449278
suma
0,70306938
varianza
0,01802742
desviacin
0,13426623
40
suma
58,585
media
1,464625
50
ai
bi
area1
area2
N(yc2)*100
frecuen
cia
area2-area1
(ojej)^2
(ojej)^2/ej
(ai-x)/s
(bi-x)/s
N(yc1)*100
1,18
1,22
-2,113
-1,816
1,7299
3,4680
1,7380
2,500
0,5806
0,2322
1,22
1,27
-1,816
-1,445
3,4680
7,4246
3,9567
5,000
1,0886
0,2177
1,27
1,32
-1,445
-1,074
7,4246
14,1483
6,7236
5,000
2,9709
0,5942
1,32
1,37
-1,074
-0,702
14,1483
24,1188
9,9705
10,000
0,0009
0,0001
1,37
1,42
-0,702
-0,331
24,1188
37,0212
12,9024
15,000
4,3998
0,2933
1,42
1,47
-0,331
0,040
37,0212
51,5915
14,5703
20,000
29,4817
1,4741
1,47
1,52
0,040
0,411
51,5915
65,9500
14,3585
12,500
3,4540
0,2763
1,52
1,57
0,411
0,782
65,9500
78,2979
12,3479
10,000
5,5127
0,5513
1,57
1,62
0,782
1,153
78,2979
87,5645
9,2666
5,000
18,2040
3,6408
1,62
1,67
1,153
1,525
87,5645
93,6331
6,0686
7,500
2,0489
0,2732
1,67
1,72
1,525
1,896
93,6331
97,1012
3,4681
2,500
0,9372
0,3749
1,72
1,80
1,896
2,490
97,1012
99,3609
2,2597
5,000
7,5092
1,5018
97,630996
40
100
1,4646
0,1347
oj
fre en %
ej f*100/40
9,42992
chi calculado =9,43

v=k-1-m=12-1-2=9
chi v9,95=
chiv9 ,5=
16,93
3,32
ajuste bueno, es una

distribucin normal
51
Lmite
Inferior
1,18
1,22
1,27
1,32
1,37
1,42
1,47
1,52
1,57
1,62
1,67
1,72
Lmite
Superior
1,22
1,27
1,32
1,37
1,42
1,47
1,52
1,57
1,62
1,67
1,72
1,80
Frecuencia
1
2
2
4
6
8
5
4
2
3
1
2
Frecuencia
Acumulada
1
3
5
9
15
23
28
32
34
37
38
40
Porcentaje
2,5
7,5
12,5
22,5
37,5
57,5
70,0
80,0
85,0
92,5
95,0
100,0
52
120
20
10
0
5
10
90
53
300
263
275
245
250
225
200
172
175
156
150
125
100
67
75
56
50
23
14
25
1
0
1
54
ai
bi
27,5
31,5
35,5
39,5
43,5
47,5
51,5
55,5
59,5
63,5
Fi
31,5
35,5
39,5
43,5
47,5
51,5
55,5
59,5
63,5
67,5
1
14
56
172
245
263
156
67
23
3
Marca Clase Fi*MC

(x-X)**2
Fi*(x-X)**2
29,5
29,5
331,677
331,677
33,5
469
201,981
2827,733
37,5
2100
104,285
5839,957
41,5
7138
38,589
6637,298
45,5
11147,5
4,893
1198,771
49,5
13018,5
3,197
840,796
53,5
8346
33,501
5226,147
57,5
3852,5
95,805
6418,931
61,5
1414,5
190,109
4372,506
65,5
196,5
316,413
949,239
1000 suma
media
47712 suma
47,71 varianza
desviacion
34643,056
34,678
5,889
55
ai
bi
area1
area2
area2area1
N(yc2)*100
oj
(ai-x)/s
(bi-x)/s
N(yc1)*100
frecuencia
fre en %
(oj-ej)^2
(ojej)^2/ej
ej f*100/1000
27,5
31,5
-3,434
-2,754
0,0297
0,2940
0,2642
0,1
0,0270
0,270
31,5
35,5
-2,754
-2,075
0,2940
1,9001
1,6062
14
1,4
0,0425
0,030
35,5
39,5
-2,075
-1,395
1,9001
8,1474
6,2473
56
5,6
0,4190
0,075
39,5
43,5
-1,395
-0,716
8,1474
23,7113
15,5638
172
17,2
2,6770
0,156
43,5
47,5
-0,716
-0,036
23,7113
48,5634
24,8521
245
24,5
0,1240
0,005
47,5
51,5
-0,036
0,644
48,5634
74,0077
25,4443
263
26,3
0,7322
0,028
51,5
55,5
0,644
1,323
74,0077
90,7113
16,7036
156
15,6
1,2179
0,078
55,5
59,5
1,323
2,003
90,7113
97,7400
7,0287
67
6,7
0,1080
0,016
59,5
63,5
2,003
2,682
97,7400
99,6345
1,8945
23
2,3
0,1644
0,071
63,5
67,5
2,682
3,362
99,6345
99,9613
0,3268
0,3
0,0007
0,002
47,712
5,886
1000
0,732
chi calculado =0,7315
chi v7,95=
14,1
v=k-1-m=10-1-2=7
chiv7 ,5=
2,17
ajuste muy bueno
56
Lmite
Frecuencia
Superior
Frecuencia
Porcentaje
Acumulada
31,5
0,1
35,5
14
15
1,5
39,5
56
71
7,1
43,5
172
243
24,3
47,5
245
488
48,8
51,5
263
751
75,1
55,5
156
907
90,7
59,5
67
974
97,4
63,5
23
997
99,7
67,5
1000
100,0
57
Curva tonelaje vs ley

Formulas
Calculo de rea: Ocupando la normal reducida
Xc
Yc
%( Xc) (Yc)
Ley media
Yc2
2
e
( Xc)
*
2 (Yc)
58

Ejemplo
=47,712 =5,886
Xc=40
Xc 40 47,712
Yc
1,31
5,886
%( Xc) (Yc) 1 0,0951 0,9049 90,49%
Ley media
Yc2
2
( 1, 31) 2
2
e
5,886 e
( Xc)
*
47,712
*
53,385
2 (Yc)
2 * 3,14 0,9049
59

Tonelaje Total =100.000 toneladas
% XC
R2pi
(ai-x)/s
100.000
Normal
%(+Xc)
Tonelaje
exp
Ley
25
-3,859
0,000
1,000
99994,3
-7,445
0,001
47,71
30
-3,009
0,001
0,999
99869,1
-4,528
0,011
47,74
35
-2,160
0,015
0,985
98460,5
-2,332
0,097
47,94
40
-1,310
0,095
0,905
90494,8
-0,858
0,424
48,81
45
-0,461
0,322
0,678
67751,8
-0,106
0,899
50,83
50
0,389
0,651
0,349
34873,7
-0,076
0,927
53,96
55
1,238
0,892
0,108
10781,5
-0,767
0,465
57,83
60
2,088
0,982
0,018
1841,1
-2,179
0,113
62,14
47,712
5,8858
2,50659769
40
Xc
Yc
2
e
( Yc )
47 , 712
( 1 , 31 ) 2
2
5 , 886
e
*
0 , 9049
2 * 3 ,14
60
61
Coeficiente de correlacin
El coeficiente de correlacin se define por :
S xy
rxy
Sx * S y
donde :
1 rxy 1
La correlacin es nula si rxy=0

62
Lnea de Regresin
La linea de regresin se define por:
Sx
y rxy x x y
Sy
63
Produccin
x
1,5
2,0
3,0
1,5
3,5
3,0
4,5
4,0
4,0
2,5
n
1
2
3
4
5
6
7
8
9
10
Costo
y
2,5
3,1
3,8
2,1
4,3
3,2
4,8
3,9
4,4
3,0
Suma
29,5
Media
2,95
Varianza
1,136
Desviacin Sta
1,066
Covarianza
0,878
Coeficiente correlacin
Y-y
-1,01
-0,41
0,29
-1,41
0,79
-0,31
1,29
0,39
0,89
-0,51
35,1
3,51
0,761
0,872
x
y
(X-x)^2
2,103
0,903
0,002
2,103
0,303
0,002
2,403
1,103
1,103
0,203
10,225
0,945
S
S
xy
X-x
-1,45
-0,95
0,05
-1,45
0,55
0,05
1,55
1,05
1,05
-0,45
(Y-y)^2
1,020
0,168
0,084
1,988
0,624
0,096
1,664
0,152
0,792
0,260
6,849
(X-x)(Y-y)
1,4645
0,3895
0,0145
2,0445
0,4345
-0,0155
1,9995
0,4095
0,9345
0,2295
7,905
0,77310513
2,28066015
1,22933985
Y=1,229+0,77*X
6,0
5,0
4,0
3,0
Datos
Recta
Lineal (Recta)
2,0
1,0
0,0
0,0
1,0
2,0
3,0
4,0
5,0
6,0
64
Regresin Lineal Mltiple

Supongamos que la variable Y depende de las variables X1,X2,X3,
por analoga con el modelo lineal simple se puede formular el
modelo siguiente
Y 1 X1 X 2 X 3
i
En que X1,X2;x3 son los valores de las variable independientes en

el experimento i, siendo Yi, la respuesta correspondiente.
Debido a la presencia de ms de dos variables , este modelo se
llama regresin lineal mltiple.
Para estimar los parmetros 0 , 1, 2, 3 se utiliza el mtodo de
los mnimos cuadrados, minimizando la cantidad:
n
(Y
i 1 i
X 1 X 2 X 3 )2
0
65

al derivar parcialmente D con respecto a parmetros 0, 1, 2, 3,
se llega al sistema de ecuaciones siguientes, llamado sistema
normal
n 0 X 1 1 X 2 2 X 3 3 Y
X 1 0 X 12 1 X 1 X 2 2 X 1 X 3 3 X 1Y
X 2 0 X 2 X 1 1 X 22 2 X 2 X 3 3 X 2Y
X 3 0 X 3 X 1 1 X 3 X 2 2 X 32 3 X 3Y
Coeficiente de determinacin r2 que corresponde al ndice de

ajuste lineal, siendo r el coeficiente de correlacin mltiple
66

Ejemplo
Montgomery y Peck (1992) describen el uso de un modelo de

regresin para relacionar la cantidad de tiempo que requiere un
vendedor para dar servicio a una mquina expendedora de refrescos,
con el nmero de envases contenidos en la mquina y la distancia del
vehculo de servicio al sitio donde se encuentra la mquina . Este
modelo fue utilizado para disear la ruta , los horarios y la salida de
vehculos, La tabla presenta 25 observaciones del tiempo de
suministro tomadas del mismo estudio descrito por Montgomery y
Peck.
67

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
Y
suma
Ecuaciones
Y
9,95
24,45
31,75
35,00
25,02
16,86
14,38
9,60
24,35
27,50
17,08
37,00
41,95
11,66
21,65
17,89
69,00
10,30
34,93
46,59
44,88
54,12
56,23
22,13
21,15
x1
2,00
8,00
11,00
10,00
8,00
4,00
2,00
2,00
9,00
8,00
4,00
11,00
12,00
2,00
4,00
4,00
20,00
1,00
10,00
15,00
15,00
16,00
17,00
6,00
5,00
725,42
1
2
3
x2
50,00
110,00
120,00
550,00
295,00
200,00
375,00
52,00
100,00
300,00
412,00
400,00
500,00
360,00
205,00
400,00
600,00
585,00
540,00
250,00
290,00
510,00
590,00
100,00
400,00
206
x1*x1
4,00
64,00
121,00
100,00
64,00
16,00
4,00
4,00
81,00
64,00
16,00
121,00
144,00
4,00
16,00
16,00
400,00
1,00
100,00
225,00
225,00
256,00
289,00
36,00
25,00
x1*x2
100,00
880,00
1320,00
5500,00
2360,00
800,00
750,00
104,00
900,00
2400,00
1648,00
4400,00
6000,00
720,00
820,00
1600,00
12000,00
585,00
5400,00
3750,00
4350,00
8160,00
10030,00
600,00
2000,00
x1*y
19,90
195,60
349,25
350,00
200,16
67,44
28,76
19,20
219,15
220,00
68,32
407,00
503,40
23,32
86,60
71,56
1380,00
10,30
349,30
698,85
673,20
865,92
955,91
132,78
105,75
2396
77177
8001,67
8294
x2*x2
x2*y
2500
12100
14400
302500
87025
40000
140625
2704
10000
90000
169744
160000
250000
129600
42025
160000
360000
342225
291600
62500
84100
260100
348100
10000
160000
497,5
2689,5
3810
19250
7380,9
3372
5392,5
499,2
2435
8250
7036,96
14800
20975
4197,6
4438,25
7156
41400
6025,5
18862,2
11647,5
13015,2
27601,2
33175,7
2213
8460
3531848
274580,71
B0*n+B1*X1+B2*X2=Y
B0*X1+B1*X1*X1+B2*X1*X2=X1*Y
B0*X2+B1*X1*X2+B2*X2*X2=X2*Y
Y=B0+B1*x1+B2*X2
68

Ecuaciones
1
2
3
25*B0
206*B0
8294*B0
+206*B1
+2396*B1
+77177*B1
+8294*B2
=725,42
+77177*B2
=8001,67
+3531848*B2 =274580,71
5150
5150
42436
59900
1708564
1929425
149436,52
200041,75
17464
220861
50605,23
B1 =
2,89768839
*206
*25
12,64664453
-12,646644*B2
6942,861377
223634,8967
206
8294
1708564
1708564
0
46875,64
2555817,92
1058,81
50945,82
-30301,36028
-976030,0846
*8294
*206
388786558 8781770,14
526498492 10494838,92
137711933
B2 =
B1=
B0=
1713068,78
0,012439509
2,740370335
2,309216561
57,73041402
475,6986021
2,309216515
Y=2,3092+2,7403*X1+0,0124*X2
69

Y=
2,31
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
SUMA
MEDIA
Y
9,95
24,45
31,75
35,00
25,02
16,86
14,38
9,60
24,35
27,50
17,08
37,00
41,95
11,66
21,65
17,89
69,00
10,30
34,93
46,59
44,88
54,12
56,23
22,13
21,15
725,42
29,0168
2,740
Ys
ei
8,4098
25,5956
33,9405
36,5322
27,8896
15,7504
12,4398
8,4346
28,2119
27,9516
18,3792
37,4125
41,3928
12,2538
15,8124
18,2304
64,5552
12,3035
36,4082
46,5137
47,0097
52,478
56,2103
19,991
20,9707
X1
0,0124 X2
Y-YM
1,54
-1,15
-2,19
-1,53
-2,87
1,11
1,94
1,17
-3,86
-0,45
-1,30
-0,41
0,56
-0,59
5,84
-0,34
4,44
-2,00
-1,48
0,08
-2,13
1,64
0,02
2,14
0,18
-19,07
-4,57
2,73
5,98
-4,00
-12,16
-14,64
-19,42
-4,67
-1,52
-11,94
7,98
12,93
-17,36
-7,37
-11,13
39,98
-18,72
5,91
17,57
15,86
25,10
27,21
-6,89
-7,87
Ys-YsM
(Y-YM)^2
(Ys-YsM)^2 (Y-YM)*(Ys-YsM)
-20,59
363,543
424,084
392,648
-3,41
20,856
11,611
15,561
4,94
7,470
24,378
13,495
7,53
35,799
56,687
45,048
-1,11
15,974
1,240
4,450
-13,25
147,788
175,634
161,110
-16,56
214,236
274,343
242,434
-20,57
377,012
423,063
399,374
-0,79
21,779
0,626
3,692
-1,05
2,301
1,106
1,595
-10,62
142,487
112,867
126,815
8,41
63,731
70,718
67,134
12,39
167,268
153,505
160,239
-16,75
301,259
280,539
290,714
-13,19
54,270
173,994
97,173
-10,77
123,806
116,051
119,866
35,55
1598,656
1263,952
1421,487
-16,70
350,319
278,877
312,563
7,41
34,966
54,836
43,788
17,51
308,817
306,621
307,717
18,01
251,641
324,238
285,642
23,47
630,171
551,071
589,295
27,21
740,558
740,232
740,395
-9,01
47,428
81,218
62,065
-8,03
61,887
64,519
63,189
725,08
29,00
6084,021
253,501
15,922
Coeficiente de correlacin mltiple
Coeficiente de determinacin
r
r^2
5966,009
248,584
15,767
5967,491
248,645
0,99049999
0,98109023
70
Regresin Lineal Mltiple Matricial
Sean
K: Nmero de variables de Regresin
n: nmero de observaciones en la forma
((Xi1;Xi2;Xi3;..;Xik);Yi) con i=1,2,3,n)
Y el modelo de regresin
Yi= Bo+
j 1
X ij i
71
Este Modelo es un sistema de n ecuaciones

que puede expresarse en forma matricial
como
Y1
Y
Y 2
.

Yn
1 X 11 X 12 ......X 1k
1 X 21 X 22 ......X 2 k
X
1 X n1 X n 2 ......X nk
0
1

1 y 2
.
.

n
k
72
Se desea encontrar el vector de estimadores de

minimos cuadrados que es:
L== (y-X)(y-X)
Al derivar en forma parcial nos queda

XX=Xy
El estimador de mnimos cuadrados es:
X T X
X tY
73
En el ejemplo :
9,95
24,45
31,75
35,00
25,02
16,86
14,38
9,60
24,35
27,50
17,08
37,00
41,95
11,66
21,65
17,89
69,00
10,30
34,93
46,59
44,88
54,12
56,23
22,13
21,15
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
x1
2
8
11
10
8
4
2
2
9
8
4
11
12
2
4
4
20
1
10
15
15
16
17
6
5
x2
50
110
120
550
295
200
375
52
100
300
412
400
500
360
205
400
600
585
540
250
290
510
590
100
400
74

1
2
50
1
8
110
25
206
8294
1
2
50
1
11
120
206
2396
77177
1
8
110
1
10
550
1
8
295
1
4
200
1
2
375
1
2
52
1
9
100
1
8
300
1
4
412
1
11
400
1
12
500
1
2
360
1
4
205
1
4
400
1
20
600
1
1
585
1
10
540
1
15
250
1
15
290
1
16
510
1
17
590
1
6
100
1
5
400
1
10
550
1
8
295
1
4
200
1
2
375
1
2
52
1
9
100
1
8
300
1
4
412
1
11
400
1
12
500
1
2
360
1
4
205
1
4
400
1
20
600
1
1
585
1
10
540
1
15
250
1
15
290
1
16
510
1
17
590
1
6
100
1
5
400
8294
77177
3531848
1
11
120
725,42
8001,67
274580,71
25
206
8294
206
2396
77177
8294
77177
3531848
-1
0,2146526
-0,0074909
-0,0003404
-0,0074909
0,0016708
-0,0000189
-0,0003404
-0,0000189
0,0000015
725,42
8001,67
274581
9,95
24,45
31,75
35,00
25,02
16,86
14,38
9,60
24,35
27,50
17,08
37,00
41,95
11,66
21,65
17,89
69,00
10,30
34,93
46,59
44,88
54,12
56,23
22,13
21,15
725,42
8001,67
274581
2,309200429
2,740369424
0,012439581
Y=2,3092+2,74037*X1+0,01244*X2
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
2
8
11
10
8
4
2
2
9
8
4
11
12
2
4
4
20
1
10
15
15
16
17
6
5
50
110
120
550
295
200
375
52
100
300
412
400
500
360
205
400
600
585
540
250
290
510
590
100
400
75
Estimacin Puntual
Propiedades de los estimadores
ECM () E
Insesgadez :
Es mnimo cuando E () . Y de este modo,
el Error Cuadrtico Medio es la varianza del
estimador.
Eficiencia: Dado un tamao de muestra fijo, se
busca, entre los estimadores, el que menor
varianza tenga.
76
Estimacin Puntual
Consistencia: Nos dice que, cuando el tamao de las
muestra se incrementa, el estimador puntual debe estar prximo
al parmetro con probabilidad alta.
Suficiencia:
El estimador puntual debe resumir la
informacin proporcionada por la muestra aleatoria Adems no
debe haber prdida de sta.
Invarianza:
Si es el estimador de , esta propiedad nos
dice que g() tiene como estimador a g( ).
Robustez:
Se presenta cuando la distribucin del
estimador no se ve seriamente afectada por violaciones en los
supuestos.
77
Consistencia:
Nos dice que, cuando el tamao de
las muestra se incrementa, el estimador puntual debe
estar prximo al parmetro con probabilidad alta.
Suficiencia: El estimador puntual debe
resumir la
informacin proporcionada por la muestra aleatoria
Adems no debe haber prdida de sta.
Invarianza: Si
es el estimador de , esta propiedad
nos dice que g() tiene como estimador a g().
Robustez:
Se presenta cuando la distribucin del
estimador no se ve seriamente afectada por violaciones
en los supuestos.
78
Ley de los Grandes Nmeros

Como caso especial, cuando Z es x , la
media muestral, tenemos que E( x) =
y x converge a .
De la misma manera, s2 converge a
cuando n tiende a infinito.
79
Teorema del Lmite central

Sea x1, x2, ..., xn una muestra aleatoria de
observaciones tomadas de la misma distribucin y
sea E(Xi)= y Var(Xi)= 2.
Entonces la distribucin muestral de la variable
aleatoria
n(x )
Zn
converge a la normal standard cuando n tiende a

infinito.
80
Teorema central del Lmite

El TCL es una herramienta muy poderosa
porque se cumple an cuando la
distribucin desde la que se toman las
observaciones no sea normal. Esto significa
que si nosotros nos aseguramos que el
tamao de la muestra es grande, entonces
podemos usar la variable Zn para responder
preguntas acerca de la poblacin de la cual
provienen las observaciones.
81
Estos dos conceptos anteriores sirven para

prepararnos para dos objetivos bsicos de
cualquier estudio emprico: la estimacin de
parmetros desconocidos que nos interesan
y la prueba de hiptesis
82
Clculo del tamao de la muestra

El tamao de la muestra para un diseo de encuestas
basado en una muestra aleatoria simple, puede calcularse
por la siguiente frmula
Z 2 pqN
n
NE 2 Z 2 pq
83
Donde:
n es el tamao de la muestra
Z es el nivel de confianza del 95%, y es igual a 1,96 segn la tabla de distribucin normal
es decir: P(-1,96<z<1,96)=0,95
p es la variabilidad positiva, es decir la probabilidad con que se acepta la hiptesis que se
quiere investigar, con un valor de 0,5.
q es la variabilidad negativa, es decir, la probabilidad con que se rechaza la hiptesis

que se quiere investigar, con un valor de 0,5.
N es el tamao de la poblacin, de 684 individuos.
E es la precisin o el error, con un valor del 5 % de error.
1,962 x0,5x0,5x684
n
246 individuos
2
2
684x0,05 1,96 x0,5x0,5
84

otra Forma: El tamao de la muestra para un diseo de
encuestas basado en una muestra aleatoria simple, puede
calcularse por la siguiente frmula
t 2 * p(1 p)
n
m2
n= tamao de la muestra requerido

T= nivel de fiabilidad (95 % = 1,96)
P=probabilidad de ocurrencia
m=margen de error( 5%=0.05)
85
Ejemplo
Se ha determinado que en una poblacin cerca del 30 %(0.3) de los
nios estn desnutridos.
Este datos de basa en estadsticas nacionales . Determine con una 95
% de confianza el tamao de la muestra requerido
1,962 * 0.3(1 0.3)

n
0.052
n=322,72 323
Se considera un efecto de diseo 2 luego el nmero de muestreas es :
n*d=323X2=646
Correccin por imprevistos aumenta en un 5 % como errores
N=646x1,05=690 nios
86

Parte 1 Probabilidades Distribuciones PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Parte 1 Probabilidades Distribuciones PDF

Cargado por

Copyright:

Formatos disponibles

Probabilidades

Probabilidad de un suceso es el nmero al que tiende la

nmero de veces que aparece A

nmero de casos favorables al suceso A

Curso : Modelacin y Simulacin

Considere las tres letras a,b y c, las permutaciones posibles son

Curso : Modelacin y Simulacin

Curso : Modelacin y Simulacin

Curso : Modelacin y Simulacin

Curso : Modelacin y Simulacin

Un experimento aleatorio es aquel que proporciona diferentes

Curso : Modelacin y Simulacin

La probabilidad es un nmero que se asigna a cada miembro de una

La probabilidad condicional de un evento A dado un Evento B,

Sea A1,A2,....An un sistema completo de sucesos,

distinta de cero, y sea B un suceso cualquier del que

P(A1)*P(B/A1)+ P(A2)*P(B/A2) +.....+

1.- Tres lneas de produccin de nodos, A, B, C producen el 40%, 35%, 25%,

b.- Debemos calcular P(B/D). Por el teorema de Bayes

c.- Calculamos P(A/D) y P(C/D), comparndolas con el valor de P(B/D)

La lnea de produccin con mayor probabilidad de haber producido la pieza defectuosa es B

Curso : Modelacin y Simulacin

El campo de la Estadstica tiene que ver con la recopilacin,

Curso : Modelacin y Simulacin

Curso : Modelacin y Simulacin

Curso : Modelacin y Simulacin

Curso : Modelacin y Simulacin

La desviacin estndar S es la raz cuadrada positiva.

Curso : Modelacin y Simulacin

Curso : Modelacin y Simulacin

El error estndar da alguna idea sobre la precisin de la estimacin. Si no

Curso : Modelacin y Simulacin

Curso : Modelacin y Simulacin

Curso : Modelacin y Simulacin

Se puede demostrar que:

Curso : Modelacin y Simulacin

Reglas generales para formar la distribucin de frecuencias

Es usado ampliamente , ya que entrega la dimensin del intervalo de clase que

Histograma Grupal vacios<4

Curso : Modelacin y Simulacin

Histograma Sturges vacios<4

Histograma raiz de (n) vacios <4

Curso : Modelacin y Simulacin

Aqu e significa el nmero e y x! significa el factorial de x.

Curso : Modelacin y Simulacin

P(x>15)= 1- P(X15)=1- p( x;10) = 1-0,9513= 0,0487

Curso : Modelacin y Simulacin

Curso : Modelacin y Simulacin

Curso : Modelacin y Simulacin

Esta distribucin es frecuentemente utilizada en las aplicaciones estadsticas. Su

comportamiento a esta distribucin.

Muchas variables aleatorias continuas presentan una funcin de densidad cuya

En resumen, la importancia de la distribucin normal se debe principalmente a que

Curso : Modelacin y Simulacin

Curso : Modelacin y Simulacin

Curso : Modelacin y Simulacin

Curso : Modelacin y Simulacin

Manejo de tablas, casos ms frecuentes

Curso : Modelacin y Simulacin

Manejo de tablas, casos ms frecuentes

Curso : Modelacin y Simulacin

Manejo de tablas, casos ms frecuentes

Curso : Modelacin y Simulacin

P(A1)P(B/A1)+ P(A2)P(B/A2) +.....+