Documentos de Académico
Documentos de Profesional
Documentos de Cultura
SEGUNDO DÍA
Estadísticos: Katherin Holguin Agudelo/Gustavo Adolfo Gómez Escobar
SEGUNDO DÍA
DESARROLLO DEL CURSO
Primer día
• Conceptos Básicos.
– Generalidades Tercer Día
– Definiciones • Muestras aleatorias
• Estadística descriptiva. – Muestra aleatorias
– Representación de los datos – Distribución del promedio muestral y TLC
– Medidas de tendencia central – Distribución t de Student y Grados de libertad.
– Medidas de dispersión
• Estimación de la media por intervalos de confianza
– Medidas de posición
– Nivel de confianza
– Intervalos de confianza para la media: Distribución normal
Segundo Día
– Intervalos de confianza para la media: Distribución t-Student
• Nociones de probabilidad
– Funciones y operaciones con funciones.
– Conceptos básicos
• Variables aleatorias
– Funciones de distribución.
– Funciones de densidad
• Distribuciones de probabilidad.
– Rectangular, Triangular, Normal y t-student.
NOCIONES DE
PROBABILIDAD
FUNCIONES Y OPERACIONES CON FUNCIONES
REPASO
• Funciones
• Representación
• Derivadas e integrales
FUNCIONES
Cualquier medida puede expresarse mediante una relación
funcional
Y= 𝑓(𝑋1 , 𝑋2 , 𝑋3 ,…, 𝑋𝑛 )
Y= 𝑋 2 Y= cos(𝑋)
Graficar en el
Graficar en el
intervalo de
intervalo de
(-10,10)
(0º,360º)
Densidad de un cuerpo a
Presión en función de la
partir de su masa y
fuerza y el área 𝑃 = 𝐹/𝐴
volumen 𝜌 = 𝑚/𝑉
Constante Funciones
exponenciales
𝑑𝑓
𝑓 𝑋 =𝑘 → =0 𝑑𝑓
𝑑𝑋
𝑓 𝑋 = 𝑋𝑛 → = 𝑛𝑋 𝑛−1
𝑑𝑋
𝑑𝑓 𝑑𝑓
𝑓 𝑋 =4 → =0 𝑓 𝑋 = 𝑋5 → = 5𝑋 4
𝑑𝑋 𝑑𝑋
DERIVADAS DE SUMAS, RESTAS, PRODUCTOS Y COCIENTES DE FUNCIONES
𝑑𝑓 𝑑𝑓
𝑓 𝑋 = 𝑘𝑋 → =𝑘 𝑓 𝑋 =𝑢+𝑣 → = 𝑢′ + 𝑣’
𝑑𝑋 𝑑𝑋
𝑑𝑓
𝑓 𝑋 = 120𝑋 → = 120
𝑑𝑋
𝑓 𝑋 = 𝑋 3 + 𝑋 5 → 𝑑𝑓 = 3𝑋 2 + 5𝑋 4
𝑑𝑋
𝑑𝑓
𝑓 𝑋 = 𝑢𝑣 → = 𝑢′ 𝑣 + 𝑢𝑣′ 𝑢 𝑑𝑓 𝑢′ 𝑣 − 𝑢𝑣′
𝑑𝑋
𝑓 𝑋 = → =
𝑣 𝑑𝑋 𝑣2
𝑓 𝑋 = 𝑥2 − 1 𝑥3 + 3𝑥 3𝑥 3 + 𝑥 + 2
𝑓 𝑋 =
5𝑥 2 + 1
𝑑𝑓
= 2x x3 + 3x + x2 − 1 (3x2+3)
𝑑𝑋 𝑑𝑓 9𝑥 2 + 1 5𝑥 2 + 1 − (3𝑥 3 + 𝑥 + 2)(10𝑥)
=
𝑑𝑋 (5𝑥 2 + 1)2
Integrales útiles o anti derivada
“si me pongo los zapatos, puedo quitármelos otra vez”
𝑥 𝑛+1
𝑘 𝑑𝑥 = 𝑘𝑥 + 𝐶 𝑥 𝑛 𝑑𝑥 = +𝐶
𝑛+1
4 𝑑𝑥 = 4𝑥 + 𝐶 𝑥 2 𝑑𝑥 = 1 𝑥 3 + 𝑐
3
DERIVADAS PARCIALES
2 A una persona cercana a usted le van a aplicar un medicamento que administrado en una
concentración superior a 5.0 𝑚𝑔/𝑐𝑚3 puede poner en riesgo su vida.
Es necesario administrarle 4.0 𝑚𝑔/𝑐𝑚3 , sin embargo le informan que el instrumento para
medir la concentración puede equivocarse en 2 𝑚𝑔/𝑐𝑚3 , es decir, que una indicación de
4.0 𝑚𝑔/𝑐𝑚3 en realidad puede corresponder a 2.0 𝑚𝑔/𝑐𝑚3 mínimo o puede ser máximo
6 𝑚𝑔/𝑐𝑚3 . ¿Permitiría la administración de dicho medicamento al paciente?
ALEATORIEDAD
La aleatoriedad se asocia a todo proceso cuyo resultado no es previsible más
que en razón de la intervención del azar. El resultado de todo suceso aleatorio
no puede determinarse en ningún caso antes de que este se produzca.
INTRODUCCIÓN
Imaginemos que lanzamos un dado cuyos 6 lados solo tienen un punto.
EXPERIMENTO DETERMINISTA
Corresponde una actividad que al ser realizada bajo las mismas condiciones siempre
tendrá el mismo resultado, es decir, se puede predecir lo que ocurrirá.
EXPERIMENTOS
EXPERIMENTO ALEATORIO
Se define como toda actividad que al ser realizada bajo las mismas condiciones, por lo
general, tiende a proporcionar resultados diferentes. En un experimento Aleatorio,
conservando las mismas condiciones experimentales, los resultados no se pueden
predecir, con exactitud, para ninguna repetición.
ESPACIO MUESTRAL
Conjunto de posibles resultados obtenidos al realizar un experimento aleatorio.
ESPACIO MUESTRAL CONTINUO
Existen otro tipo de experimentos aleatorios en los que solo se sabe que el
resultado se encuentra en un intervalo.
𝑆 = 𝑥: 0 < 𝑥 < ∞
EVENTO O SUCESO ALEATORIO
Cuando el espacio muestral es infinito, saber que un experimento aleatorio
produce resultados en un espacio tan grande no es muy informativo. Se
estudian entonces eventos o sucesos aleatorios.
Evento aleatorio
Corresponde a un subconjunto del espacio muestral y se representa por letras
mayúsculas 𝐴, 𝐵, 𝐶, ….
EJEMPLO
Si se realiza el experimento aleatorio “medir la longitud en el punto de 10 mm” utilizando
un comparador de caratula, solo se sabe que los resultados se encuentran en el intervalo
de 0 mm hasta valores infinitos (en teoría). Es decir el espacio muestral es:
𝑆 = [0, +∞).
Determinar el error en
masa convencional de [−∞, +∞] [−0.50, 0.50]
una pesa de 1 kg SI
Nota: como no se sabe con exactitud el valor mínimo y máximo de un error de medición siempre se
considerara que este se mueve en el rango de los números reales, es decir, entre −∞ y +∞.
PROBABILIDAD
DEFINICIÓN
Corresponde a un número real en el intervalo de 0 a 1 asociado a la ocurrencia de un
evento aleatorio 𝐴.
¿Cómo se calcula la probabilidad?
CALCULO DE PROBABILIDADES
Si el dado “no es honesto” y las probabilidad de que salga “1” al lanzar el dado es 90%
¿participaría en el juego?
No fue necesario realizar el experimento para obtener la probabilidad. En este caso se dice
que la probabilidad se obtuvo por el método clásico.
EJEMPLO
2 Se tienen 10 mediciones de la concentración de un medicamento en 𝑚𝑔/𝑐𝑚3 . Los
datos obtenidos fueron : 4.01, 3.95, 4.15, 3.85, 3.86, 4.10, 5.5, 3.90, 4.00, 4.85, con
estos datos es posible aproximar la probabilidad del evento:
𝐵 = “Probabilidad de que la concentración del medicamento es superior a
5 𝑚𝑔/𝑐𝑚3 ”
1
𝑃 𝐵 = = 0.10 (10%)
10
Nota: para obtener la probabilidad por este método el número de realizaciones del experimento debe
ser suficientemente “grande”, es decir, 𝑛 → +∞
Hagamos ejercicios
EJERCICIOS
Determine las siguientes probabilidades con base en el conjunto de datos “3” de 100
indicaciones de longitud en el punto 3 mm con un comparador de caratula.(PRIMER
DÍA):
72
𝑃 𝐵 = = 72%
100
2. 𝑃 𝐶 =
Con 𝐶 = “Cual es la probabilidad de obtener una indicación entre 2.9977 mm y 3.0021 mm”
EJERCICIOS
Determine las siguientes probabilidades con base en el conjunto de
datos “5”, conjunto de cables.(PRIMER DÍA):
1. 𝑃 𝐵 =
Con 𝐵 = “La longitud de los cables es mayor a 20 mm”
2. 𝑃 𝐶 =
Con 𝐶 = “La longitud del cable que es menor que 80 mm o mayor que 100
mm”
VARIABLES ALEATORIAS
¿POR QUÉ REALIZAR UN EXPERIMENTO
ALEATORIO?
Del experimento “lanzar un dado” nos pueden interesar los siguientes resultados
• Resultado mostrado en la cara superior,
Si se realiza varias veces este experimento:
• ¿cuantas veces el resultado es un número par?
Variable aleatoria
Es una función 𝑋 que a cada elemento del espacio muestral 𝑆 del
experimento aleatorio le hace corresponder un número real.
EJEMPLO
Experimento “lanzar una moneda dos veces”
S
X
CC 0
CS 1
SC 2
SS
VARIABLES ALEATORIAS DENTRO DE LA
ESTIMACIÓN DE LA INCERTIDUMBRE
DEFINICIÓN
Una variable aleatoria 𝑋 es continua cuando puede tomar cualquier valor en un intervalo
finito o infinito.
Discretas Continuas
• Número de veces que
• Volumen
cae cara al lanzar una
• Masa
moneda
• Fuerza
• Número de artículos
• Temperatura
defectuosos
En el momento de realizar mediciones se deben tener en cuenta
factores como:
DEFINICIÓN
Propiedades:
• 𝑓 𝑥 ≥0
• El área total encerrada bajo la curva es igual a 1
+∞
𝑓 𝑥 𝑑𝑥 = 1
−∞
• La probabilidad de que 𝑋 tome un valor en el intervalo (𝑎, 𝑏) es igual a
𝑏
𝑃 𝑎≤𝑋≤𝑏 = 𝑓 𝑥 𝑑𝑥
𝑎
FUNCIÓN DE DENSIDAD DE PROBABILIDAD
𝑓(𝑥)
𝑎 𝑏
𝑏
𝑃 𝑎≤𝑋≤𝑏 = 𝑓 𝑥 𝑑𝑥
𝑎
CALCULO DE PROBABILIDADES
𝑏
• 𝑃 𝑋≤𝑏 = −∞
𝑓 𝑥 𝑑𝑥 = 𝐹 𝑏 Función de probabilidad acumulada
𝑏
• 𝑃 𝑎≤𝑋≤𝑏 = 𝑎
𝑓 𝑥 𝑑𝑥 = 𝐹 𝑏 − 𝐹(𝑎)
+∞
• 𝑃 𝑋≥𝑎 = 𝑎
𝑓 𝑥 𝑑𝑥 = 1 − 𝐹(𝑎)
FUNCIÓN DE DISTRIBUCIÓN ACUMULADA
Si se simboliza 𝑃 𝑋 ≤ 𝑞𝛼% = 𝛼, donde 𝑞𝛼% es el percentil 𝛼% (valor que deja por debajo de si al 𝛼%
de los datos)
𝑓(𝑥)
𝑞𝛼
𝑃 𝑋 ≤ 𝑞𝛼%
EJEMPLO
Sea Q = “Error de exactitud en mediciones de fuerza por compresión en el punto de 80 kN”. Este
valor viene dado en %.
Suponga que la función de densidad de probabilidad (fdp) asociada a esta variable aleatoria es:
2
𝑓 𝑞 = 2 1≤𝑞≤2
𝑞
• Para que 𝑓 𝑞 sea una fdp, 𝑓 𝑞 debe ser mayor que cero para todo q.
• El área bajo la curva de 𝑓 𝑞 es igual a 1
+∞ 2
2
𝑓 𝑞 𝑑𝑞 = 𝑑𝑞 = 1
−∞ 1 𝑞2
• La gráfica de la fdp:
La probabilidad de que el error de
exactitud se encuentre entre 1.2% y 1.8%
corresponde al área que esta debajo de la
curva de la fdp.
Se calcula así:
1.8
2
𝑃 1.2 ≤ 𝑄 ≤ 1.8 = 𝑑𝑞 = 0.56
1.2 𝑞2
2
2∗ 𝑞−2 𝑑𝑞 = − + c
𝑞
1.8
2
= −1.1111 − 1.6667 = 0.556
1.2 𝑞2
DISTRIBUCIÓN ACUMULADA DE
PROBABILIDAD
2
𝑓 𝑞 = 𝑞2 1≤𝑞≤2
Función de densidad de probabilidad 𝑓 𝑞 =
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
+∞ 𝑄
2 −2
𝐹 𝑄 = 𝑓 𝑞 𝑑𝑞 = 𝑑𝑞 = +2
−∞ 1 𝑞2 𝑄
0 𝑞≤1
−2
Función de densidad de probabilidad acumulada F 𝑄 = 𝑄
+2 1<𝑞<2
1 𝑞≥2
EJERCICIO
Determine las siguientes probabilidades
• 𝑃 𝑄 ≥ 1.4
• 𝑃 1.1 ≤ 𝑄 ≤ 1.9
• 𝑃 𝑄 ≤ 1.5
EJERCICIO
Q F(Q) 1,00
0 0.0000 0,90
1 0.0000 0,80
0,70
1.1 0.1818 0,60
1.2 0.3333
F(Q)
0,50
1.3 0.4615 0,40
10
1. Compruebe que la función de densidad de probabilidad 𝑓 𝑥 = 𝑥 para
3
2.950 ≤ 𝑥 ≤ 3.050 es una función de densidad de probabilidad.
Sea 𝑋 una variable aleatoria con media 𝜇. La varianza para esta variable
aleatoria se define de la siguiente forma:
𝑉 𝑋 = 𝜎 2 = 𝐸[ 𝑋 − 𝜇 2 ] = 𝐸 𝑋 2 − 𝜇2
Con 𝐸 𝑋 2
+∞
𝐸 𝑋2 = 𝑥 2 𝑓 𝑥 𝑑𝑥
−∞
+∞ 0.50
𝐸 𝑋 = 𝑥𝑓 𝑥 𝑑𝑥 = 𝑥 12𝑥 2 𝑑𝑥
−∞ −0.50
0.50
12𝑥 4
=
4
−0.50
= 3 0.50 4 − 3 −0.50 4 =0
Mientras que la varianza se calcula de la siguiente forma:
𝜎 2 = 𝐸 𝑋 2 − 𝜇2
Con
+∞ 0.50
2
𝐸 𝑋 = 𝑥 2 𝑓 𝑥 𝑑𝑥 = 𝑥 2 12𝑥 2 𝑑𝑥
−∞ −0.50
0.50
12𝑥 5
=
5
−0.50
12 5
12 5
= 0.50 − −0.50
5 5
= 0.15
Por tanto la varianza es:
𝜎 2 = 0.15 − 02 = 0.15
𝜎= 𝜎 2 = 0.15 = 0.39
f(q)
1
𝑓 𝑥 = 𝑏−𝑎 𝑎≤𝑥≤𝑏
0 e𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
𝑎 𝑏
VALOR ESPERADO Y VARIANZA DE LA DISTRIBUCIÓN
RECTANGULAR
𝑏−𝑎 2 𝑏−𝑎
𝜎= =
12 2 3
APLICACIÓN
𝑇 ± 𝐸max
2
𝐸max 2
𝜇 = 𝑇, 𝜎 =
3
La desviación estándar en este caso es:
𝐸max
𝜎=
3
APLICACIÓN RESOLUCIÓN DE UN
INSTRUMENTO
La resolución de un instrumento de
medición es de 𝑒 mm. Varianza:
La variable 𝑅 = “Resolución de un e 𝑒2
2
𝜇= , 𝜎 =
instrumento de medición” se puede 2 12
representar por 𝑅 ∼ 𝑈(0, 𝑒).
Desviación estándar:
Esta variable tiene la siguiente fdp
𝑒
1 𝜎=
0≤𝑟≤𝑒 2 3
𝑓 𝑟 = 𝑒
0 e𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
EJERCICIO
Asuma que la resolución de un micrómetro centesimal 𝑟 sigue la
distribución rectangular de parámetros 𝑎 = 0 y 𝑏 = 0.01, es decir,
𝑅~𝑈(0, 0.01).
𝜇 = 0.005, 𝜎 2 = 8.33𝑒 − 6
Desviación estándar:
𝜎 = 0,0028
EJERCICIO
Para asumir que una variable aleatoria 𝑋 tiene distribución triangular se deben
conocer tres valores:
• un valor mínimo 𝑎,
• un valor máximo 𝑏 y
• un valor central más probable (moda o “palpito inspirador”) 𝑐.
1 Solo se dispone de poca información (un valor máximo, un valor mínimo y una
moda.
2 𝑥−𝑎
𝑎≤𝑥≤𝑐
𝑏−𝑎 𝑐−𝑎
𝑓 𝑥 = 2 𝑏−𝑥
𝑐<𝑥≤𝑏
𝑏−𝑎 𝑏−𝑐
𝑜 e𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
Donde 𝑎 representa el valor mínimo, 𝑏 el valor máximo y 𝑐 el más probable
(moda).
GRAFICA FDP
2 𝑥−𝑎 2 𝑏−𝑥
𝑏−𝑎 𝑐−𝑎 𝑏−𝑎 𝑏−𝑐
f(x)
a c b
Valor esperado: x Varianza:
:
𝑎+𝑏+𝑐 2
𝑎2 + 𝑏2 + 𝑐 2 − 𝑎𝑏 − 𝑎𝑐 − 𝑏𝑐
𝜇= 𝜎 =
3 18
CASO ESPECIAL DE LA DISTRIBUCIÓN
TRIANGULAR
f(x)
c–r c c+r
x
Caso Especial
En este caso la desviación estándar de la variable aleatoria 𝑋 ∼ 𝑇𝑟(𝑐 − 𝑟, 𝑐 + 𝑟, 𝑐) es:
2
𝑎2 + 𝑏2 + 𝑐 2 − 𝑎𝑏 − 𝑎𝑐 − 𝑏𝑐
𝜎 =
18
𝑐 − 𝑟 + 𝑐 + 𝑟 2 + 𝑐2 − 𝑐 − 𝑟 𝑐 + 𝑟 − 𝑐 − 𝑟 𝑐 − 𝑐 + 𝑟 𝑐
2
=
18
2 2
3𝑟 𝑟
= =
18 6
Por tanto,
𝑟
𝜎=
6
EJEMPLO
En el ejemplo del recipiente volumétrico de 10 ml (error máximo permitido
de ±0.02 ml), podría considerarse que la variable aleatoria 𝑉 se distribuye
triangular con parámetros 𝑎 = 9.98, c = 10 y b = 10.02.
𝑓 𝑥 = 2 10.02 − 𝑥
10 < 𝑥 ≤ 10.02
10.02 − 10 10.02 − 10
0 𝐸𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
a c b
x
EJERCICIO
En el ejemplo del recipiente volumétrico de 10 ml (error máximo permitido de ±0.02 ml), podría
considerarse que la variable aleatoria 𝑉 se distribuye triangular con parámetros 𝑎 = 9.98, c = 10 y b =
10.02. Por tanto,
Calculo de la media:
EJEMPLO
9.98 + 10.02 + 10
𝜇= = 10
3
0.02
𝜎=
6
= 0.082
En resumen…
Se asume una distribución triangular cuando:
Una variable aleatoria 𝑋 tiene distribución normal, denotada por 𝑋 ∼ 𝑁(𝜇, 𝜎), si su
función de densidad de probabilidad es de la siguiente forma:
1 1 𝑥−𝜇 2
−
𝑓 𝑥 = 𝑒 2 𝜎 − ∞ ≤ 𝑥 ≤ +∞
𝜎 2𝜋
𝑏 1 𝑥−𝜇 2
1 −
𝑃 𝑎≤𝑋≤𝑏 = 𝑒 2 𝜎 𝑑𝑥
𝑎 𝜎 2𝜋
EJEMPLO
Si se asume que el error de medición de cierta magnitud sigue una distribución normal 𝑋 ∼ 𝑁(5, 0.5)
determine la probabilidad de que el error de medición 𝑋 se encuentre entre 4.7 y 5.2 utilizando
Excel®:
Varianza
diferente media
igual
Distribución Normal Estándar
La variable aleatoria
𝑋−𝜇
𝑍=
𝜎
Tiene distribución normal estándar, denotada 𝑍 ∼ 𝑁(0,1). La función de
densidad de probabilidad asociada a esta variable es:
1 𝑧2
−
𝑓 𝑧 = 𝑒 2 − ∞ ≤ 𝑧 ≤ +∞
2𝜋
30 − 20 10 − 20
𝑃 10 ≤ 𝑋 ≤ 30 = 𝑃 𝑍 ≤ −𝑃 𝑍≤
5 5
= 𝑃 𝑍 ≤ 2 − 𝑃 𝑍 ≤ −2
Buscando la probabilidad acumulada para 𝑍 = −2 y 𝑍 = 2 en la tabla dada
en la hoja “Distribución normal el archivo de Excel Distribuciones de
Probabilidad.xlsx se tiene
𝑃 10 ≤ 𝑋 ≤ 30 = 0.9772 − 0.0228 = 0.9545
1 Cuando se conocen los parámetros media y desviación. Esto supone que se han
hecho mediciones sobre una muestra de tamaño considerable del mensurando
Distribución Normal
Distribución t-student