Documentos de Académico
Documentos de Profesional
Documentos de Cultura
CEP
ESTADISTICA DESCRIPTIVA
1
ESPERANZA DE VARIABLES ALEATORIAS
En las primeras clases estudiamos la media muestral, que es la media
aritmética de los datos.
Suponga que los resultados del experimento son: cero caras, una cara y dos
caras, un total de 4, 7 y 5 veces, respectivamente.
2
Este es un valor promedio de los datos, aunque no es un resultado posible de
{0, 1, 2}.
3
Los números 4/16, 7/16 y 5/16 son las fracciones de los lanzamientos totales
que dan como resultado 0, 1 y 2 caras, respectivamente. Tales fracciones
también son las frecuencias relativas de los diferentes valores de X en
nuestro experimento.
4
Ejemplo:
• Suponiendo que una moneda legal se lanza dos veces, encontramos que el
espacio muestral para el experimento es S = {HH ,HT, TH,T T}.
5
donde un elemento típico, digamos TH, indica que el primer lanzamiento dio
como resultado una cruz seguida por una cara en el segundo lanzamiento.
Así, estas probabilidades son precisamente las frecuencias relativas para los
eventos dados a largo plazo.
Por lo tanto,
Este resultado significa que una persona que lance 2 monedas una y otra vez
obtendrá, en promedio, 1 cara por cada lanzamiento.
6
Se debe advertir que la forma para calcular el valor esperado, o media, que
se muestra aquí es diferente del método para calcular la media muestral que
se describió en las primeras clases, donde la media muestral se obtuvo
usando los datos.
8
Consideremos ahora una nueva variable aleatoria g(X), la cual depende de X;
es decir, cada valor de g(X) es determinado por el valor de X.
Por ejemplo, g(X) podría ser X^2 o 3X – 1, y siempre que X asuma el valor 2,
g(X) toma el valor g(2).
En particular, si X es una variable aleatoria discreta con distribución de
probabilidad f (x), para x = –1, 0, 1, 2 y g(X) = X^2, entonces,
9
Por medio de la definición del valor esperado de una variable aleatoria
obtenemos.
10
Ejemplo:
11
VARIANZA DE VARIABLES ALEATORIAS
12
13
La medida de variabilidad mas importante de una variable aleatoria X se obtiene
aplicando g(X) = (X – μ)^2. A esta cantidad se le denomina varianza de la variable
aleatoria X o varianza de la distribución de probabilidad de X y se denota como
Var(X), o con el símbolo σ^2
y para la empresa B
15
Es evidente que la varianza del numero de automóviles que se utilizan con propósitos
de negocios oficiales es mayor para la empresa B que para la empresa A.
16
17
Ejemplo:
La demanda semanal de una bebida artesanal para una cadena local, en miles
de litros, es una variable aleatoria continua X que tiene la siguiente densidad
de probabilidad.
18
19
Ejemplo:
20
COVARIANZA
21
Dos variables pueden tener covarianza cero y aun así no ser estadísticamente
independientes.
Observe que la covarianza solo describe la relación lineal entre dos variables
aleatorias.
22
23
Demostración:
24
Solución:
25
EJERCICIO:
26
27
Aunque la covarianza entre dos variables aleatorias brinda información
respecto de la naturaleza de la relación, la magnitud de σXY no indica
nada respecto a la fuerza de la relación, ya que σXY depende de la
escala.
28
CORRELACIÓN
Donde hay una dependencia lineal exacta, digamos Y = a + bX, ρXY = 1 si b >
0 y ρXY = - 1 si b < 0
29
En general, en la industria no se tienen las funciones de densidad de
probabilidades, sino que el conjunto de informaciones proviene de datos
obtenido de manera discreta.
71 y = 0,2342x + 52,082
R² = 0,1405
70
69
68
67
66
65
64
60 61 62 63 64 65 66 67 68 69 70 71
31
32
33
RSTUDIO
34
35
36
37
38
Si existiera una fuerte dependencia lineal, los puntos estarían sobre
la recta roja
39
BIBLIOGRAFÍA.
Métodos estadísticos para toma de decisiones Deutschen Gesellshaft für Qualität, DGQ.
Aplicación de control estadístico, Dr. Carlos Fernandez Pedrera, Ing Filipe Portofilipe.
Probabilidad y estadística para ingeniería y ciencias, Walpole-Myers-Myers.
Control estadístico de la calidad, Montgomery.
Familia ISO 9000.
40