Está en la página 1de 45

Organizacin de datos agrupados: Se obtiene una buena descripcin de una muestra con un gran nmero de datos agrupando las

observaciones individuales en clases o intervalos de clase. Cuando esto se efecta, se dice que los datos han sido agrupados. La agrupacin de datos sintetiza la descripcin de estos. Cuando estos han sido agrupados y divididos en clases, el nmero de observaciones en cada clase se llama frecuencia de clase. Y se representa como fi . La disposicin de los datos de esta forma se denomina distribucin de frecuencia (aqu en el curso se manejarn 4 distribuciones que son: distribucin de frecuencia absoluta, distribucin de frecuencia absoluta acumulada, distribucin de frecuencia relativa y distribucin de frecuencia relativa acumulada). Los datos que se en listan a continuacin representan los kwatts/hr que se consumen en casas habitacin de un grupo de alumnos de elctrica del ITA.

Las siguientes observaciones corresponden a los pesos en kg de 100 estudiantes, y estn dispuestos por orden de magnitud.

Mtodo de los 4 pasos: 1. Calcular el rango. 2. Calcular el nmero de clases. 3. Amplitud de intervalo Frecuencia acumulada representa la frecuencia de esa clase y las anteriores. Distribucin de frecuencia relativa: observaciones en cada una de las clases. representa el porcentaje de

Grficos Con las distribuciones de frecuencia que son: fi, Fi, hi, Hi Se construyen algunos grficos como son: el histograma el polgono de frecuencias, y el polgono de frecuencias acumuladas. Histograma: es un grfico que se construye utilizando los limites reales de cada clase y se ubican en el eje horizontal, tambin se necesitan las frecuencias absoluta de cada clase las cuales se ubica en el eje Y. Polgono de frecuencias: Para construir el polgono de frecuencias se necesita la marca de clase la cual se ubica en el eje X, tambin se necesita la fi que se encuentra en el eje Y Diagrama de Dalton: Este se hace con los limites reales superiores de cada una de las clase en el eje x, tambin se necesita la frecuencia relativa acumulada o Hi la cual se grafica en el eje Y.

Medidas de tendencia central para datos agrupados

Media: Moda: Mediana: Frctiles:

Con las medidas verificar la simetra o asimetra de los datos.

Diagrama de pareto Con 2 ejemplos En la libreta

Unidad II

2.1 Probabilidad de eventos Consiste en calcular numricamente una incertidumbre. Introduccin: definiciones, smbolos y terminologa. En nuestro lenguaje es comn utilizar las siguientes expresiones: Probablemente, es posible, es probable, tal vez, etc. Estas frases o palabras se usan para marcar la ocurrencia de un fenmeno, evento o experimento. Hay dos enfoques: Probabilidad de frecuencia relativa (emprica). Esta existe cuando se tiene un nmero muy grande de observaciones o repeticiones del mismo fenmeno o evento. Su definicin es: si un experimento se ejecuta n veces en las mismas condiciones y hay x resultados, x menor o igual a n, encuentre una estimacin de la probabilidad de ese evento es la razn x/n. Siempre que n tiende a infinito. Probabilidad clsica (probabilidad equiprobable). La definicin clsica de probabilidad fue dada por la Plase y desde entonces se ha repetido en todos los libros de probabilidad. La cual es: la razn del nmero de casos favorables del experimento al nmero de casos totales.

Las probabilidades son tiles ya que sirven para desarrollar estrategias. Independientemente de su aplicacin particular, en empleo de las probabilidades indica que existe algn elemento aleatorio o de incertidumbre de que ocurra o no ocurra algn evento futuro. As en muchos casos puede ser virtualmente imposible predecir que pasara, pero es posible establecer lo que podra pasar. Ejemplos donde interviene algn ejemplo aleatorio: a) Pronosticar fallas. b) Estimar el costo de produccin. c) Comprar seguros. d) Predecir la demandad de un nuevo artculo.

Sin embargo, cambiando el raciocinio, la experiencia y los datos histricos, con frecuencia es fcil decir que probable es un evento futuro. Raciocinio Evento Experiencia Datos histricos Cuantificar Fcil

El, punto central de todos los casos es la capacidad de probar cual probable es la capacidad de un evento. Las probabilidades se plantean con respecto a algn evento. El evento puede ser: que llueva, que falle un equipo, que falte un alumno, que ocurran accidentes de trabajo, que ocurran fallas elctricas, etc. La probabilidad de un evento A se representa: P(A) La P(A) es un nmero que va del 0-1. Si tenemos la certeza de que el evento A ocurre su probabilidad ser 1, si tenemos la certeza de que no ocurra ser de 0. Las probabilidades pueden expresarse de diferentes formas como: Decimales Fracciones Porcentajes Reafirmando la probabilidad de que algn evento ocurra est dada mediante un nmero que est entre 0-1, por lo tanto no hay probabilidades negativas.

Eventos que resultan al relacionar los eventos: -Elementos mutuamente excluyentes: Los eventos son excluyentes si no presentan elementos comunes entre ellos. mutuamente

S={1,2,3,4,5,6} E1={4,5,6} E2={1,3,2}

S E1 4,5,6 E2 1,2,3

S S={Alumnos del aula 46} B={hombres} C={mujeres} B hombres C mujeres

-Elementos no mutuamente excluyentes: A={alumno con calificacin 80<} S B={Alumno con calificacin 80>} 80< 80 80>

S S={1,2,3,4,5,6} E1={4,5,6} E2={1,3,2} E1 5,6 3,4 E2 1,2,

Probabilidad equiprobable Enfoque de Enfoque objetivo relativa datos histricos probabilidad subjetiva Enfoque subjetivo

clsica

Probabilidad de frecuencia Probabilidad

Probabilidad clsica = resultados -- S

nmero de casos favorables al evento A/ Nmero de

S={1,2,3,4,5,6} F={1,2,5,6} P(F)= 4/6=.66

De la lista de alumnos de un total de 31 se quiere encontrar la probabilidad de inasistencia de esa lista de alumnos. 8/31=.25

Frecuencia relativa: nmero de casos favorables al evento A/ Nmero de observaciones del experimento.

Se les pregunta a los alumno que asistieron hoy a clases estudiaron por lo menos una hora el da de ayer. 2/23=.086

Se les pregunta a los alumnos cuantos vieron por lo menos una hora de tv. 12/23=.52 Problemario N=7 R=4 7P4=840 De cuantas formas puede un director de televisin programar 5 comerciales diferentes de patrocinadores durante los 5 cortes de Encontrar el nmero de palabras diferentes que pueden formarse con las letras de la palabra Cristal (sin significado). Con 4 letras.

tiempo asignado a comerciales durante la trasmisin por TV del primer cuarto de un juego de baloncesto. N=5 R=5 5P5=120

Cuantas secuencias de 4 letras (no necesariamente con significado se pueden formar mediante el uso de las letras de la palabra armona: a) Sin repetir letras. N=7 N1=2 N2=1 N3=1 N4=1 N5=1 N6=1 7!/2!*1!*1!*1! *1! *1! b) Con repeticin de letras. 74=2401 De cuantas formas se puede resolver un examen que se compone de 12 preguntas de Verdadero o Falso. a) De cuantas maneras puede contestar un estudiante cada pregunta que sea diferente. n r =212=4096 formas. De cuantas maneras se pueden acomodar 5 computadoras en forma circular.

Permutaciones circulares= nPc=(n-1)! 5Pc=(5-1)! 5Pc=4!=24 formas Nota: si dos necesitan estar juntas se toman como una y se multiplica por su permutacin, la cual seria 2.

n=8 r=4

El departamento de subministro tiene 8 diferentes motores elctricos, de cuantas maneras se pueden escoger 4 para una inspeccin.

nCr=8!/4!*4!=70 n=7 r=3 7P3=7!/(7-3)!=210 7* =210 Un barco desea mandar seales, utilizando 2 banderas blancas, cuatro azules, dos rojas y dos amarillas. De cuantas formas se podrn formar las seales. 6* 5 Cuantos nmeros de tres dgitos pueden formase con los dgitos del 0-6 (sin repetir).

Objetos iguales e indistinguibles. n=10 n1=2 n2=4 n3=2 n4=2 10!/(2!* 4!* 2!* 2!)]=151200/8=18900 formas

Se tiene un grupo de 15 personas y se va a formar un equipo de 6 personas (hay 10 hombres y 5 mujeres en el grupo). De cuantas formas se puede elegir el equipo si debe contener:

a)4 Hombres y dos mujeres. 10C4*5C2=2100 formas a) Sin restriccin. 15C6=5005 c) Slo hombres.

10C6=210 d) Debern estar incluidas todas las mujeres en el equipo. 5C5*10C1=10 e) Slo deber de haber dos hombres. 2C1=2

Hay tres solicitantes para una empresa de los cuales 12 tienen grado universitario. De cuantas formas se pueden cubrir estos puestos con: a) 3 para grado universitario. b) Todos sin grado universitario. c) Por lo menos uno de los aspirantes con grado universitario. d) Dos de los aspirantes con grado universitario.

Una caja contiene 12 bateras para calculadora y en ella se encuentran cuatro defectuosas. De cuantas formas se pueden elegir 5 s: A) Ninguna defectuosa. B) 3 defectuosas. C) 2 sin defecto. D)1 defectuosa.

Diagramas de rbol: Son esencialmente tiles como mtodo para representar los eventos relacionados con observaciones sucesivas o experimentos sucesivos. Los diagramas de rbol son representaciones grficas que muestran todos los resultados posibles de una serie de eventos en forma descriptiva. Se construye de izquierda a derecha, y en cada nodo que no sea punto final se originan las ramas que corresponden a los posibles resultados del evento que se est desarrollando. A A S

Moneda A S S Probabilidad= +++=1

Se lanza un dado y una moneda normal en forma consecutiva. Verificar la cara superior del dado y la cara superior de la moneda, mostrar los resultados con un diagrama de rbol. A 1 S A 2 S A 3 DADO 4 S A 5 S A 6 S A) P(SOLO UN # PRIMO) =8/12 B) P(>6)=0 C) P(<1)=1/6 D) P(AGUILA)=1/2 S A

1. UN ALUMNO TIENE 3 DIAS PARA PRESENTAR UN EXAMEN, Y CADA DA EL SE PRORPONE ESTUDIAR 0, 1 O 2 HORAS ANTES DE HACER EL EXAMN. MUESTREN TODOS LOS RESULTADOS POSIBLES CON UN DIAGRAMA DE RBOL.

0 2 1 1er da

2 16 6 6

EN CUANCTOS DE LOS CASOS EL ESTUDIANTE NO ESTUDIO NUNGUNA HORA

EN CUANTOS DE LOS CASOS ESTUDIA 3 HORAS COMO MXIMO.

EN CUANTOS DE LOS CASOS EL ESTUDIA 3 HORAS EXACTAMENTE.

CUAL ES EL NMERO MAXIMO DE HORAS QUE EL PUEDE ESTUDIAR.

1. SE LANZA UN DADO NORMAL UNA SOLA VEZ SI EL RESULTADO ES PAR SE LANZA UNA MONEDA DOS VECES, SI EL RESULTADO DEL DADO ES IMPAR SE LANZA UNA SOLA VEZ. 2. MUESTRE TODOS LOS POSIBLES RESULTADOS CON UN DIAGRAM DE ARBOL.

A 1 S A

S A S A

2 S A 3 S A

DADO S A

S A

4 S A 5 S A

S A S A

6 S

Acciones y teoremas de la probabilidad: dado que no existe una definicin exacta de probabilidad, pero el clculo de la misma se puede sustentar con los tres axiomas siguientes: Dado un S finito de probabilidad y un evento A en el S entonces se tiene: 1.-Primer axioma 0<P(A)<1 S B

2.-S A y B son eventos excluyentes es decir: A P(AYB)=O P(AUB)= P(A)+P(B)

3.-P(S)=1

Con los axiomas y con la teora de la probabilidad se derivan algunos teoremas para facilitar el clculo de probabilidades. Regla general de adicin:

Teorema del complemento de un evento: P(A)c=1-P(A)

Generalizacin del segundo axioma de probabilidad: P(AUBU..n)= P(A)+P(B)+P(n)

Teorema del evento nulo o vaco: A=0 P(A)=0 1. La probabilidad de que juan apruebe matemticas es de 2/3 de que apruebe ingls es de 4/9 y la probabilidad de ambas es de . 2. Cul es la probabilidad de que apruebe cuando menos uno de los cursos? P(M)=2/3 P(I)=4/9 P(MUI)=P(M)+P(I)-P(UuninI)=.86 Cul es la probabilidad de que no apruebe ninguno? 1-.86=.14 Cul es la probabilidad de que slo apruebe uno de los cursos? .41+.19=.6 3. Del conjunto 1-15 se toma un nmero al azar, encuentre la probabilidad de que sea: Un nmero primo

Un nmero par Un nmero menor que 7

4. Considere el experimento de lanzar dos dados normales y anotar la diferencia al observar las caras superiores de los dados y registrarla encontrar: -Espacio maestral -La probabilidad de que la diferencia observada sea un nmero impar negativo.

-La probabilidad de que la diferencia observada sea mltiplo de 3. 5. Supngase que A,B,C son sucesos o eventos donde la probabilidad de todas por separado es a 6. De 17,000 pasajeros entrevistados el ao pasado, 8,000 viajaban solo por negocios 5,000 vacaciones y 4,00 en ambas ocasiones a)Qu porcentaje viaja slo por placer o negocios? 7. De un lote de produccin 1% presenta problemas de calidad. Si se presenta un motor al azar cual es la probabilidad de que este defectuoso? 8. Se selecciona aleatoriamente una letra del alfabeto castellano seale la probabilidad de que sea una vocal. Seale que no sea una vocal. 9. Se selecciona una letra del alfabeto castellano. Cul es la probabilidad de que sea una vocal y que este antes de la letra K?

Probabilidad condicional e independencia

Dado un espacio muestral S en donde ocurre un evento E, con P(E)>0, as mismo ocurre un evento A dentro de S; entonces estamos hablando de la probabilidad condicional del evento A dado que ocurri el evento E que se denota como P(A/E).

S E A P(A/E)=P(AunionE)/P(E)

Despus de realizar un estudio en el ITA en el rea de posgrado se estim que 30% de los alumnos estaban seriamente preocupados por sus posibilidades por encontrar trabajo, 25% estaban preocupados por sus calificaciones y el 20% por ambas cosas. - Cul es la probabilidad de que un estudian elegido al azar este preocupado por sus notas, dado que est preocupado por encontrar trabajo? P(T)=.3

P(C)=.25 P(TunionC)=.2 P(C/T)=.2/.3=.6667 - Verifique con una prueba estadstica si los eventos son dependientes o independientes. P(C/T)=P(C) .666.25 Son dependientes. - Determine la probabilidad de que ocurran por lo menos uno de los eventos y represente en un diagrama de Ven la probabilidad apropiada en cada una de sus regiones. .3+.25-.2=.35 S C .5 .2 T .10

.10

Del conjunto 1-12 se escoge uno en forma aleatoria. Determine la probabilidad de que este sea impar, dado que es un nmero primo. S=(1,2,3,4,5,6,7,8,9,10,11,12)

Suponga que un alumno estima que la probabilidad de obtener una calificacin final de A en el curso de estadstica es de .60 y la probabilidad es de .40. -Obtener la probabilidad de obtener B dado que obtuvo una A. -Aplique una prueba apropiada para demostrar que estos eventos son dependientes. De 100 personas que solicitaron puestos en CFE durante el ao pasado, 40 tenan alguna experiencia laboral previa, y 30 tenan un ttulo profesional. Tambin se encontr que 20 tenan experiencia profesional y ttulo.

-Determine la probabilidad de que un solicitante elegido al azar tenga un ttulo dado que tiene alguna experiencia laboral previa. -Determine y pruebe, s tener experiencia laboral y tener ttulo son eventos independientes..

Teorema de Bayes: Sea B1,B2,B3,Bn eventos excluyentes en un espacio maestral, en donde embin ocurre un evento A. entonces estamos tratando con evento condicional del evento B dado que ocurri el evento A. Que se expresa P(Bi/A).

S B1 B2

B3 Bn

P(B1)U P(B2)U P(B3)U P(Bn)=P(S)=1

P(A)=P(B1)+P(B1/A)+P(B2) +P(B2/A) +P(B3) +P(B3/A) +P(Bn) +P(Bn/A) P(B1/A)=P(B1)*P(B1/A)/ P(B1)*P(B1/A)+( P(B2) *P(B2/A) +P(B3) *P(B3/A) +P(Bn)*P(Bn/A)

Don Gato tiene 3 candidatos Cucho, Benito, Demostenes, para una misin que consiste en vender boletos para una rifa inexistente a unos turistas ingenuos. Slo uno de los 3 debe hacer, estima que Demostenes cuenta con 35% de oportunidad, Cucho con 45% y Benito con 20%. Hay una

probabilidad por registros anteriores de 0.09 de que los atrape el sargento maute si va Demostenes, .11 si va Cucho y de .07 si Benito es el elegido. S Matutes los atrapado Cuale es la probabilidad de que haya sido elegido Benito? Haga un anlisis y si fuera Don Gato a quien mandara a mandar los boletos. Cuale es la probabilidad total del efecto?

P(B/A)=.2*.07/(.2/.07+.45*.09+.35*.11)=.15

UNIDAD III Distribucin de probabilidad 3.1.-Definicin de variables aleatorias y su clasificacin: una variable es aleatoria si su valor est determinado por el azar. En otras palabras se sabe que valores puede tomar la variable, pero no se sabe con certeza su ocurrencia, slo s que puede ocurrir con cierta probabilidad. Una variable aleatoria es una funcin que asocia un nmero real a cada elemento del espacio maestral. Las variables aleatorias se denotan con letras maysculas (W,X,Y,Z) y sus correspondientes letras minsculas correspondern al valor que tome esta variable. Ejemplo: Suponga que se lanzan dos monedas al aire, sea X la variable que denota el nmero de guilas en todos los posibles resultados.

Las variables aleatorias se clasifican en dos tipos que son: Variables aleatorias discretas: una variable aleatoria discreta est formado por un numero finito de elementos, esto es si sus elementos se pueden enumerar con una secuencia, ejemplo: 1er elemento,2do elemento(se cuente) Variables aleatorias continas: la variable es continua si su conjunto de datos no es un conjunto numerable (abarca todo un intervalo de nmeros reales, se mide). Cuando X es el nmero -------------------------------------------------------------- discreta. Sea X la cantidad de cable carro------------------------------continua. utilizado en los de hermanos de un

arneses

Sea X el nmero de cuadernos alumno--------------------------------------discreta. Sea X el nmero de calcetines persona----------------------------------------------discreta.

utilizados que

por usa

un una un un

Sea X la altura de alumno-------------------------------------------------------------------------continua. Sea X el peso de transformador-------------------------------------------------------------------continua.

Distribucin de probabilidad de una variable aleatoria discreta. (V.A.D) S a cada uno de los posibles valores numricos de una variable aleatoria discreta se le asigna un valor de probabilidad, ya sea mediante una lista o funcin matemtica, el resultado es una distribucin de probabilidad.

S 1 6

3 4

Xi=P(Xi) 1=1/6 2=1/6 3=1/6 4=1/6 5=1/6 6=1/6 --------6/6=1

Caractersticas de una distribucin de probabilidad:

1. La variable aleatoria es discreta 2. 0<P(Xi)<1 3. Sumatoria de P(Xi)=1 4. P(Xi)=f(Xi) Descripcin de una variable aleatoria discreta: Con frecuencia es til describir una variable aleatoria en trminos de su media, su varianza y desviacin estndar, que se conocen como los tres momentos de una distribucin. 1er MOMENTO: Media=M=E(x)----------------Valor esperado o esperanza matemtica E(x)= sumatoriaXi*P(Xi) 2do MOMENTO: Varianza=V(x)----------Var(x) V(x)=E(X)-M E(X)=sumatoria Xi*P(Xi) 3er MOMENTO: Desviacin estndar= S Raz de la varianza

Se lanza una moneda normal 2 veces consecutivas sea X la variable aleatoria normal discreta el nmero de guilas que aparecen en las caras superiores de las monedas.

Falta diagrama de rbol

AA 2 AS 1 SA 1 SS 0

X1=2 X2=1

X3=0

Encontrar los tres momentos de equilibrio que describen a esta distribucin deacuerdo a los valores y a las probabilidades de los mismos Xi P(Xi)=f(Xi) 0 1 2/4 2 1/4 Suma 4/4=1

1 E(X)=0(.25)+1(.5)+2(.25)=1 2 V(X)=1.5-1=.5 E(X)=0+.5+1=1.5 3 S=.70

La distribucin de probabilidad de la variable aleatoria X se presenta en la siguiente tabla donde X es el nmero de defectos por cada 10 metros de una tela sinttica en rollos continuos de ancho uniforme. Xi P(Xi)=f(Xi) 0 .41 1 .37 2 .16 3 .05 4 .01 Suma 4/4=1

x----# de defectos por c/10 metros de tela. X1=0 X2=1 X3=2 X4=3 X5=4 1. Calcular la esperanza matemtica. 2. Calcular la varianza. 3. Calcular la desviacin estandar .37+.32+.15+.04=.88=1 1.- El valor de errores esperado por cada 10m. de tela es 1 defecto. 2.-V(X)={0+.37+4*.16+9*.05+16*.61}-.88=1.67-.7744=.84

3.-S=raz de .84=.916=+1 defecto.

Se dice que el 75% de los accidentes de una planta se atribuyen a errores humanos. Si en un periodo de tiempo dado, se suscitan 5 accidentes, determine la probabilidad de que: 2 de los accidentes se atribuyan a errores humanos, como mximo uno de los accidentes se atribuyan a errores humanos, 3 de los accidentes no se atribuyan a errores humanos, calcule la media, varianza y la desviacin estndar de esta distribucin binomial. n=5 Xi=0,1,2,3,4,5 P(xito)=75% P(fracaso)=25% P(x=2)=b(2;5;.75)=(5C2)(.75)(.253) a) P(x=2)=10*.5625*.015=0.843 P(x=0)=b(0;5;0.75)=(5C0)(.750)(.255)=1*1*.000976 P(x=1)=b(1;5;0.75)= (5C1)(.75)(.254)=5*.75*.0039=.01464 Xi 0 1 2 3 4 5 P(Xi) .000976 .01464 0.0843

b) P(X<1)=P(X=0)+P((x=1)=.000976+.01464=.0156 c) P=.25 Q=.75 P(x=3)=b(3;5;0.75)= (5C3)(.253)(.752)=10*.01502*.5625=.0878 d) M=n*p M=5*.75=3.75 accidentes

M=5*.25=1.25accidentes Varianza=npq=5*.75*.25=.9375 Desviacin estndar=raz .9375=.9682

S la probabilidad de que el vapor se condense en un tubo de aluminio de cubierta delegada a 10atm de presin es de 0.40, si se prueban 12 tubos de ese tipo y bajo esas condiciones, determine la probabilidad de que: a) El vapor se condense en 4 de los tubos. b) En ms de 2 tubos se condense el vapor. c) El vapor se condense en 5 tubos. d) El vapor no se condense en ms de 7 tubos. e) El vapor no se condense en ningn tubo. La probabilidad de que el nivel de ruido de un amplificador de banda ancha exceda de 2 decibeles es de 0.15, s se prueban 10, determine la probabilidad de que: a) En slo 5 de los amplificadores el nivel de ruido exceda los 2 decibeles b) Por lo menos en 2 de los amplificadores exceda los 2 decibeles c) Que entre 4y 6 no excedan los 2 decibeles. d) El numero esperado de amplificadores que excedan 2 decibeles N=10 P(xito)=.15 P(fracaso)=.85

Distribucin Binomial El termino binomial se utiliza para designar situaciones en las que los resultados de una variable aleatoria se pueden agrupar en 2 clases o categoras, donde las categoras deben ser excluyentes, de tal forma que sea evidente a que clase pertenece cada observacin en particular. Existen muchos casos de variables aleatorias que se pueden clasificar como binomiales: Resultado de un examen, aprobado o no aprobado Respuestas afirmativas o negativas Productos manufacturados, defectuoso o no defectuoso

Es indistinto y normal referirse a las 2 categoras de una distribucin binomial como xito y fracaso Caractersticas de la distribucin Binomial 1. Existen n observaciones o ensayos idnticos. 2. Cada ensayo tiene 2 posibles resultados, uno denominado xito y uno fracaso. 3. Las probabilidades de xito y las probabilidades de fracaso permanecen constantes de un ensayo a otro. 4. Los resultados de los ensayos o pruebas son independientes entre s. b (X;N;P) = c (xn) (P)x (q)n-x b = Binomial x = Numero de xitos en n ensayos o pruebas P = Probabilidad de xito q = Probabilidad de fracaso P + q = 1 = 100%muxw q 0 (1-P)

Xi 0 1 2 3 4 5 6 7 8 9 10

P(Xi) 0.196 0.3474 0.2754 0.129 0.04 0.00847 0.00123 0.000125 0.00000831 0.000000326 5.75E-09

Distribucin asimtrica positiva. Uso de la tabla n=10 P=.2 a) P(x=5)=(5;10;.2)=.9936-.9672=.0264 b) P(3<x<8)=fx=08+03=1-.6778=.3222 c) P(x<7)=06-02-X;10;.2=.999 d) P(x>8)=810=1-07=1-.999=.0001 e) P(x>2)=210=1-01=1-.1074=.9926

Distribucin hipergeomtrica Cuando el muestreo se hace sin remplazo (sin devolver) cada elemento de muestra que se toma de una poblacin finita de elementos, la probabilidad de xito cambia sistemticamente a medida que se van sustrayendo elementos de la poblacin, por lo tanto la distribucin de probabilidad discreta apropiada es la distribucin hipergeomtrica. Caractersticas de esta distribucin: 1. Al realizar un experimento con este tipo de distribucin se esperan 2 tipos de resultados. 2. La probabilidad asociada a cada resultado no es constante. 3. Cada ensayo o repeticin del experimento no es independiente de los dems. 4. El nmero de repeticiones del experimento n es constante. R1 N=poblacin de elementos. R2 N elementos

R1 R1 n R2 R2

P(X,N;T;n)=((N-T C n-X)(T C X))/(N C n) C=combinacin N=poblacin n=Tamao de la muestra X=Nmeros de xitos en n T=Nmero de xitos posibles en la poblacin

Medidas descriptivas: Media=nX/N Varianza=nX(N-X)(N-n)/N(N-1) Desviacin estndar=raz Varianza

De seis empleados, 3 han esto 5 o ms aos, si se toman de forma aleatoria 4 empleados del grupo de 6, encuentre la probabilidad de que 2 empleados tengan una antigedad de 5 aos o ms. N=6 n=4 X=2 T=3 P(x=2)=(2;6;3;4)=(3C2*3C2)/6C4=3*3/15=.6

M=4*2/6=1.33 V=4*2*4*2/36*5=.355

a) Un lote de 10 transformadores 1 tiene algn defecto, si se escogen 7 Cul es la probabilidad de que ninguno sean defectuosos? P(X,N;T;n)=((N-T C n-X)(T C X))/(N C n) P(x=0)=(0;10;1;7)=(9C7*1C0/10C7)=36*1/120=.3

b) Se recibieron 30 facturas en 1 mes de las cuales 5 tienen equivocado el valor facturado, cual es la probabilidad de que al seleccionar 10 facturas aparezcan las 5 facturas que tienen error. P(X,N;T;n)=((N-T C n-X)(T C X))/(N C n) P(5;30;5;10)=(25C5*5C5)/30C10)=53130/30045015=.001768

Distribucin de Poisson de una variable aleatoria continua. Caractersticas de esta distribucin: En este tipo de experimentos los xitos buscados son expresados por unidad de rea, tiempo, producto (una pieza), etc. Ejemplos: 1. Nmeros de defectos en una tela por metro cuadrado 2. Nmero de aviones que aterrizan en un aeropuerto por da, hora, minuto, etc.

3. Nmero de llamadas telefnicas que llegan al conmutador del tecnolgico por da, hora, minuto, etc. 4. Nmero de llegadas de autobuses a una central, por da, mes, minuto. 5. Numero de automviles que llegan a una gasolinera por hora, semana. 6. Numero de defectos en la pintura de un automvil. 7. Numero de armnicas que suceden en una hora en un transformador. 8. Numero de resistencias que se encuentran en un circuito. X: 0, 1, 2, 3 n P (X; A) = xe-X! X = Numero de xitos de la V.A.D. = Promedio de xitos por unidad de tiempo o rea e = 2.71828 Hay que hacer notar que en esta distribucin el nmero de xitos que ocurren por unidad de tiempo, rea o producto es totalmente al azar y que cada intervalo de tiempo es independiente de otro intervalo de tiempo dado, as como cada rea es independiente de otra rea dada y cada producto es independiente de otro producto dado.

Si un barco recibe un promedio de 6 cheques sin fondo por da, cuales son las probabilidades:

a) 4 cheques sin fondo en un da dado b) 10 cheques sin fondo en cualquiera de dos das consecutivos. c) Mximo un cheque sin fondo en un da cualquiera.

a) (P5;6)=(64)(2.7/828)/4!=.1296

b) =6*2=12 x=10 P(10;12)=(1210)(2.71828-12)/10!=.1048 c) P(x=0)+P(x=1) P(0;6)=1(2.71828-6)=.0024 P(x=1)=P(1;6)=(6)(2.71828-6)=.0144 .0024+.0144=.0168

Con tabla: =.6 a) P(x=0)=P(0;6)=.0025 b) P(3<x<5)=35Px;0;6=05-02=.4457-.0620=.3837 c) P(x>3)= 46=06-03=P(0;6)=.6063-.1512=.4559

=.6 a) P(x>2)=1-01=Px;1=1-.7358=.2642 b) P(x>5)=1-04=Px;4=1-.9996=.0004

Se a encontrado que la vida til de cierta marca de llantas de alto rendimiento se ajusta a una distancia normal con una media de 38mil millas y una desv. est. De 3mil millas.

a) Cul es la probabilidad de que una llanta elegida en forma aleatoria tenga una vida til de por lo menos 35mil millas

Z=(35000-38000)/30000=-.1 %=1-.4602=.5398 b) Cul es la probabilidad de que dure ms de 45mil millas.

Z=(45000-38000)/30000=.23 %=1-.5923=.4077=40.77% Se a encontrado que el tiempo que requiere una persona en la ventanilla de un cajero de un banco tiene una distribucin aproximadamente normal con un promedio de 130 seg y una desv. est. De 45 seg Cul es la probabilidad de que una persona elegida en forma aleatoria: a) Requiera menos de 100 seg para realizar una transaccin.

(100-130)/45=-.66 %=.2546 b) Demore entre 2.0 y 3.0min en la ventanilla del cajero.

Z1=(120-130)/45=.22 Z2=1.11 %=.5438-.4129=.1309

c) Demore menos de 2 min en la ventanilla del cajero.

Z=.22 %=.0832 Las puntuaciones que se hgan obtenido anivel nacional en una prueba estandarizada de rendimiento para egresados del bachillerato tienen un promedio de 500 puntos y una desviacin estndar de 100 puntos. Las puntuaciones tienen una distribucin aprox. Normal Cul es la probabilidad de que una persona egresada del bachillerato este entre: a) 500-650 puntos.

Z1=.1 Z2=.8413 %=.3413=34.13%

b) Entre 450-600 puntos.

Z1=(450-500)/100=.5 Z2=(600-500)/100=1 %=.5398-.3085=.2313=23.13% c) Menor de 450 puntos.

Z=(450-500)/100=-.5 %=.3005=30.05%

d) Mayor de 600 puntos.

Z=(600-500)/100=1 %=.4602=46.02% Un distribuidor compra para reventa 500 de las llantas de problema 1 Cuntas llantas duraran aproximadamente: a) Entre 40000-45000 millas

Z1=(40000-38000)/3000=.6666 Z2=(45000-38000)/3000=2.3333 %=.9901-.7454=.2447 b) 40000 o ms Z=(40000-38000)/3000=.6666

1-.7454=.2546

Distribucin T-Student (n<30) En la mayora de las situaciones prcticas es difcil conocer los paramentos de una poblacin como la varianza, entre otros, de donde provienen las muestras pero si se pueden conocer sus estadsticos como la varianza de la muestra. La distribucin T-Student se usa principalmente en estadstica inferencial en las pruebas de hiptesis y en los intervalos de confianza que se vern en la siguiente unidad. N n

Caractersticas de esta distribucin: 1. Su forma es acampanada, apreciada a la campana de gause.

2. la media = 0 y la desv. mayor que 1. 3. S n>30 y varianza es desconocida Z=(X-M)/S/raz n 4. S n<30 y varianza es desconocida T=(X-M)/S/raz n S=(Xi-media2)/n-1 5. nu=gl=n-1

Uso de la tabla de la distribucin T-Student: Cada fila corresponde a un valor T distinto. La columna de la izquierda son los grados de libertad que estn dados por nu=gl=n-1 Los grados de libertad estn en funcin de un valor alfa, que se conoce como el valor de significancia. Para un valor de alfa =.01 y n=10 encontrar valores T

99% 2

El 99% de los valores T esta entre -2.821 y 2.821 T=2 Como 2 est entre el rango es aceptable.

Hallar T=.05 con 15gl

95%

-2.75

T=-1.753

M=0

T=1.753

Tp=2.75

Hallar -T=.05 con 9gl

T=-1.833

M=0

T=1.833

Hallar -T=.1 con 29gl

T=-1.311

M=0

T=1.311

Distribucin f Teniendo en cuenta que la caracterstica variacin entre los datos es muy importante, esta distribucin sirve para comparar las varianzas de 2 poblaciones, de las cuales se obtuvieron las muestras. Supuestos 1) Las 2 poblaciones son independientes una de la otra. 2) Las 2 poblaciones estn distribuidas normalmente 3) La varianza considerada como 1 siempre debe de ser la ms grande 4) La varianza considerada como 2 debe de ser el ms pequeo 5) El modelo para probar si las varianzas son iguales es el siguiente: f=S12S22 Nivel de confianza = 1 = 0.01 = 0.05 = 0.025 = 0.10 1 = 0.99 1 = 0.95 1 = 0.975 1 = 0.90

Si no se da el nivel de confianza se tomara 0.95 M2 M1

F1 = F0.95 = 13.18 = 0.3144

Encontrar los valores de F1 y F a) V1 = 9 ; V2 = 12 con = 0.01 F1 = 14.39 = 0.2277 y F = 4.39 b) V1 = 7 ; V2 = 8 con = 0.05 F1 = 13.50 = 0.2857 y F = 3.50 c) V1 = 10 ; V2 = 9 con = 0.025 F1 = 1 d) V1 = n1 = 10 ; n2 = 8 con = 0.05 F1 = 13.68 = 0.2717 y F = 3.68

Unidad IV Estadstica inferencial 1.1.Inferencia estadstica La inferencia estadstica es una parte de la estadstica que comprende los mtodos y las tcnicas para hacer deducciones o generalizaciones (hacer inferencias) de una poblacin a partir de una pquea parte de la misma (muestra). La inferencia estadstica se utiliza para estimar parmetros de la poblacin a travez de un estadstico o estadstica Estadisicas x S2 S (X1-X2) P (P1-P2) Estimadores y parmetros Matematicamente podemos describir muestras y poblaciones al emplear mediciones como la media, moda, mediana, desviacin estndar entre otras. Cuando estos trminos describen las caractersticas de una poblacin se llama parmetros. Cuando estos trminos describen las caractersticas de una muestra se llaman estadsticos. Se emplean letras maysculas griegas o latinas para describir los parmetros y se usan letras minsculas para describir a los estadsticos. Parametros M T2 T (M1-M2) P (p1-P2)

Muestreo En estadstica el muestreo es una tcnica para seleccionar una muestra a partir de una poblacin. Es una muestra donde su funcin primordial es determinar que parte de una realidad en estudio (poblacin o universo) debe estudiarse con la finalidad con la finalidad de hacer inferencias sobre dicha poblacin o universo. Son aquellos nuestros los cuales se basan el principio de equiprobabilidad. Es decir aquellos en los que todos los individuos tienen la misma probabilidad de ser elegidos para formar parte de la muestra. Existen 2 tcnicas para determinar la muestra. Muestreo probabilstico Muestreo no probabilstico

Estimadores En estadstica un estimador es un estadstico que es usado para estimar algn parmetro desconocido de una poblacin. Como ya se vio anteriormente, los estadsticos provienen de una muestra. Para cada parmetro pueden existir varios estimadores diferentes, en general se escoge el estimador que tenga las mejores propiedades que los restantes. Estas propiedades son eficiencia, consistencia e in sesgado. Sesgo: Se determina entre el valor de la esperanza matemtica de la poblacin y el promedio de la muestra que es el estimador. Eficiencia estadstica Esta se considera al comparar la varianza entre dos estimadores y se escoger el estimador que tenga la menor varianza Consistencia: esta se da cuando no es posible utilizar estimadores de mnima varianza, esto es teniendo en cuenta que a medida que n crece (n30)

También podría gustarte