Está en la página 1de 36

INSTITUTO SUPERIOR TECNOLOGICO PBLICO MARIO GUTIERREZ LOPEZ

CARRERA PROFESIONAL: MECANICA DE PRODUCCION

ESTADISTICA GENERAL

ALUMNOS

:CONTRERAS APLOLINARIO; Manuel : NINAHUANCA MARTINEZ; Omar : LLACUACHAQUI MEZA; : Lic. ELMER NICANOR MELO CLEMENTE : II : : DIURNO

DOCENTE SEMESTRE SECCION TURNO

2011 - II

INTRODUCCION A LA TEORIA DE PROBABILIDADES El concepto de probabilidad nace con el deseo del hombre de conocer con certeza los eventos futuros. Es por ello que el estudio de probabilidades surge como una herramienta utilizada por los nobles para ganar en los juegos y pasatiempos de la poca. El desarrollo de estas herramientas fue asignado a los matemticos de la corte. Con el tiempo estas tcnicas matemticas se perfeccionaron y encontraron otros usos muy diferentes para la que fueron creadas. Actualmente se contino con el estudio de nuevas metodologas que permitan maximizar el uso de la computacin en el estudio de las probabilidades disminuyendo, de este modo, los mrgenes de error en los clculos. A travs de la historia se han desarrollado tres enfoques conceptuales diferentes para definir la probabilidad y determinar los valores de probabilidad: I. TEORA DE LA PROBABILIDAD

Experimentos aleatorios Cuando se realiza un experimento puede ser de dos clases: -Determinista: un experimento que siempre que se repita con las mismas condiciones iniciales se obtiene igual resultado. -Aleatorio: cuando al repetirse con las mismas condiciones iniciales, no se puede predecir el resultado. (Ejemplo: lanzar un dado extraer una carta). Los fenmenos o experimentos aleatorios son los que pueden dar lugar a varios resultados, sin que pueda ser previsible enunciar con certeza cul de estos va a ser observado en la realizacin del experimento a pesar de haberlo realizado en similares condiciones. A la coleccin de resultados que se obtiene en los experimentos aleatorios se le llama espacio muestral. Un experimento aleatorio es aquel del que no podemos predecir su resultado, es decir, que depende de la suerte o azar. Espacio muestral Espacio muestral es el conjunto formado por todos los resultados posibles de un experimento o fenmeno aleatorio. Lo denotamos con la letra . Ejemplo: lanzar una moneda, lanzar dos dados Ejemplo del espacio muestral El espacio muestral asociado al lanzamiento de dos dados y anotar la suma de los puntos obtenidos es: Tambin otro ejemplo sera el experimento de arrojar un dado y ver qu sale. En este caso, el espacio muestral es: 3. Sucesos Suceso de un fenmeno aleatorio es cada uno de los subconjuntos del espacio muestral . Para designar cualquier suceso, tambien llamado suceso aleatorio, de un experimento aleatorio utilizaremos letras maysculas. Al conjunto de todos los sucesos que ocurren en un experimento aleatorio se le llama espacio de sucesos y se designa por . Ejemplo En el ejemplo anterior, son subconjuntos de Salir mltiplo de 5: Salir nmero primo: Salir mayor o igual que 10: Analicemos los tipos ms frecuentes de sucesos. Sucesos elementales son los que estn formados por un solo resultado del experimento; es decir, estn formados por un slo elemento del espacio muestral, por ejemplo, al lanzar un dado que ocurra el suceso "sacar n 3" {3} Sucesos compuestos son los que estn formados por dos o ms resultados del experimento; es decir, por dos o ms sucesos elementales. Por ejemplo: "sacar nmero impar al lanzar un dado" {1, 3, 5} :

Suceso seguro es el que se verifica al realizar el experimento aleatorio. Est formado por todos los resultados posibles del experimento y, por tanto, coincide con el espacio muestral. Suceso imposible es aquel suceso que nunca se cumple cuando se realiza el experimento. Se representa por . CONCEPTO DE PROBABILIDAD La probabilidad mide la frecuencia con la que se obtiene un resultado (o conjunto de resultados) al llevar a cabo un experimento aleatorio, del que se conocen todos los resultados posibles, bajo condiciones suficientemente estables. La teora de la probabilidad se usa extensamente en reas como la estadstica, la fsica, la matemtica, la ciencia y la filosofa para sacar conclusiones sobre la probabilidad de sucesos potenciales y la mecnica subyacente de sistemas complejos. El diccionario de la Real Academia Espaola define azar como una casualidad, un caso fortuito, y afirma que la expresin al azar significa sin orden.1 La idea de Probabilidad est ntimamente ligada a la idea de azar y nos ayuda a comprender nuestras posibilidades de ganar un juego de azar o analizar las encuestas. Pierre-Simon Laplace afirm: "Es notable que una ciencia que comenz con consideraciones sobre juegos de azar haya llegado a el objeto ms importante del conocimiento humano". Comprender y estudiar el azar es indispensable, porque la probabilidad es un soporte necesario para tomar decisiones en cualquier mbito.2 Segn Amanda Dure, "Antes de la mitad del siglo XVII, trmino 'probable' (en latn probable) significaba aprobable, y se aplicaba en ese sentido, unvocamente, a la opinin y a la accin. Una accin u opinin probable era una que las personas sensatas emprenderan o mantendran, en las circunstancias."3 Aparte de algunas consideraciones elementales hechas por Girolamo Cardano en el siglo XVI, la doctrina de las probabilidades data de la correspondencia de Pierre de Fermat y Blaise Pascal (1654). Christian Huygens (1657) le dio el tratamiento cientfico conocido ms temprano al concepto. Ars Conjectandi (pstumo, 1713) de Jakob Bernoulli y Doctrine of Chances (1718) de Abraham de Moivre trataron el tema como una rama de las matemticas. Vase El surgimiento de la probabilidad (The Emergence of Probability) de Ian Hacking para una historia de los inicios del desarrollo del propio concepto de probabilidad matemtica. La teora de errores puede trazarse atrs en el tiempo hasta Opera Miscellanea (pstumo, 1722) de Roger Cotes, pero una memoria preparada por Thomas Simpson en 1755 (impresa en 1756) aplic por primera vez la teora para la discusin de errores de observacin. La reimpresin (1757) de esta memoria expone los axiomas de que los errores positivos y negativos son igualmente probables, y que hay ciertos lmites asignables dentro de los cuales se supone que caen todos los errores; se discuten los errores continuos y se da una curva de la probabilidad. Pierre-Simn Laplace (1774) hizo el primer intento para deducir una regla para la combinacin de observaciones a partir de los principios de la teora de las probabilidades. Represent la ley de la probabilidad de error con una curva y = (x), siendo x cualquier error e y y su probabilidad, y expuso tres propiedades de esta curva: 1. es simtrica al eje y; 2. el eje x es una asntota, siendo la probabilidad del error igual a 0; 3. la superficie cerrada es 1, haciendo cierta la existencia de un error. Dedujo una frmula para la media de tres observaciones. Tambin obtuvo (1781) una frmula para la ley de facilidad de error (un trmino debido a Lagrange, 1774), pero una que llevaba a ecuaciones inmanejables. Daniel Bernoulli (1778) introdujo el principio del mximo producto de las probabilidades de un sistema de errores concurrentes. El mtodo de mnimos cuadrados se debe a Adrien-Marie Legendre (1805), que lo introdujo en su Nouvelles mthodes pour la dtermination des orbites des comtes (Nuevos mtodos para la determinacin de las rbitas de los cometas). Ignorando la contribucin de Legendre, un escritor irlands estadounidense, Robert Adrain, editor de "The Analyst" (1808), dedujo por primera vez la ley de facilidad de error, siendo c y h constantes que dependen de la precisin de la observacin. Expuso dos demostraciones, siendo la segunda esencialmente la misma de John Herschel (1850). Gauss expuso la primera demostracin que parece que se conoci en Europa (la tercera despus de la de Adrain) en 1809. Demostraciones adicionales se expusieron por Laplace (1810, 1812), Gauss (1823), James Ivory (1825, 1826), Hagen (1837), Friedrich Bessel (1838), W. F. Donkin (1844, 1856) y Morgan Crofton (1870). Otros personajes que contribuyeron fueron Ellis (1844), De Morgan (1864), Glaisher (1872) y Giovanni Schiaparelli (1875). La frmula de Peters (1856) para r, el error probable de una nica observacin, es bien conocida. En el siglo XIX, los autores de la teora general incluan a Laplace, Sylvestre Lacroix (1816), Littrow (1833), Adolphe Quetelet (1853), Richard Dedekind (1860), Helmert (1872), Hermann Laurent

(1873), Liagre, Didion, y Karl Pearson. Augustus De Morgan y George Boole mejoraron la exposicin de la teora. En 1930 Andri Kolmogorov desarroll la base axiomtica de la probabilidad utilizando teora de la medida. En la parte geomtrica (vase geometra integral) los colaboradores de The Educational Times fueron influyentes (Miller, Crofton, McColl, Wolstenholme, Watson y Artemas Martin). La probabilidad clsica: el enfoque clsico o a priori de la probabilidad se basa en la consideracin de que los resultados de un experimento son igualmente posibles. Empleando el punto de vista clsico, la probabilidad de que suceda un evento se calcula dividiendo el numero de resultados favorables, entre el numero de resultados posibles. TIPOS DE PROBABILIDAD LA PROBABILIDAD CLSICA La probabilidad clsica de un evento E, que denotaremos por P(E), se define como el nmero de eventos elementales que componen al evento E, entre el nmero de eventos elementales que componen el espacio muestral: Como frecuencia relativa 1 probabilstica: se basa en las frecuencias relativas. La probabilidad de que un evento ocurra a largo plazo se determina observando en que fraccin de tiempo sucedieron eventos semejantes en el psado. La probabilidad de que un evento suceda se calcula por medio de: P (E) numero de veces que el evento ocurri en el pasado Numero total de observaciones PROBABILIDAD FRECUENCIAL. La definicin frecuentista consiste en definir la probabilidad como el lmite cuando n tiende a infinito de la proporcin o frecuencia relativa del suceso. Sea un experimento aleatorio cuyo espacio muestral es E Sea A cualquier suceso perteneciente a E Si repetimos n veces el experimento en las mismas Condiciones, la frecuencia relativa del suceso A ser: Cuando el nmero n de repeticiones se hace muy grande la frecuencia relativa converge hacia un valor que llamaremos probabilidad del suceso A. Es imposible llegar a este lmite, ya que no podemos repetir el experimento un nmero infinito de veces, pero si podemos repetirlo muchas veces y observar como las frecuencias relativas tienden a estabilizarse Esta definicin frecuentista de la probabilidad se llama tambin probabilidad a posteriori ya que slo podemos dar la probabilidad de un suceso despus de repetir y observar un gran nmero de veces el experimento aleatorio correspondiente. Algunos autores las llaman probabilidades tericas. INTERPRETACIN SUBJETIVA DE PROBABILIDAD 1 La probabilidad subjetiva de un evento: se la asigna la persona que hace el estudio, y depende del conocimiento que esta persona tenga sobre el tema. Precisamente por su carcter de subjetividad no se considera con validez cientfica, aunque en la vida diaria es de las ms comunes que se utilizan al no apoyarse ms que en el sentido comn y los conocimientos previos, y no en resultados estadsticos. 2 Concepto subjetivo de probabilidad: la posibilidad (probabilidad) de que suceda un evento, asignado por una persona con base en cualquier informacin de que disponga. 2.2 probabilidad de eventos Definicin 1 La probabilidad de un evento A es la suma de los pesos de todos los puntos muestrales en A por lo tanto 0<P(A)<1, P( )=0, y P(S)=1 Definicin 2 La probabilidad de que un evento ocurra esta dada mediante un numero que va desde de 0 a 1.00. 2.2.1 definicin de espacio muestral Definicin 1 Un espacio muestral: es el conjunto de todos los resultados posibles de un evento o muestra. Definicin 2 Espacio muestral: es el conjunto de todos lo s resultados posibles de un experimento estadstico y se representa con el smbolo S. Axiomas de probabilidad Los axiomas de probabilidad son las condiciones mnimas que deben verificarse para que una funcin definida sobre un conjunto de sucesos determine consistentemente sus probabilidades. Fueron formulados por Kolmogrov en 1933. Axiomas de Kolmogrov

Dado un conjunto de sucesos elementales, , sobre el que se ha definida una -lgebra (lase sigma-lgebra) de subconjuntos de y una funcin P que asigna valores reales a los miembros de , a los que denominamos "sucesos", se dice que P es una probabilidad sobre (,) si se cumplen los siguientes tres axiomas. Primer axioma La probabilidad de un suceso A es un nmero real mayor o igual que 0. Segundo axioma La probabilidad del total, , es igual a 1, es decir, Tercer axioma Si son sucesos mutuamente excluyentes (incompatibles dos a dos, disjuntos o de interseccin vaca dos a dos), entonces: . Segn este axioma se puede calcular la probabilidad de un suceso compuesto de varias alternativas mutuamente excluyentes sumando las probabilidades de sus componentes. En trminos ms formales, una probabilidad es una medida sobre una -lgebra de subconjuntos del espacio muestral, siendo los subconjuntos miembros de la -lgebra los sucesos y definida de tal manera que la medida del total sea 1. Tal medida, gracias a su definicin matemtica, verifica igualmente los tres axiomas de Kolmogrov. A la terna formada por el espacio muestral, la lgebra y la funcin de probabilidad se la denomina Espacio probabilstico, esto es, un "espacio de sucesos" (el espacio muestral) en el que se han definido los posibles sucesos a considerar (la lgebra) y la probabilidad de cada suceso (la funcin de probabilidad). Propiedades que se deducen de los axiomas De los axiomas anteriores se deducen otras propiedades de la probabilidad:

1.

donde el conjunto vaco

representa en probabilidad el suceso imposible

2. Para cualquier suceso


3.

4. Si
5.

entonces

Ejemplos Como ejemplo se puede tomar como espacio muestral a los posibles resultados al arrojar un dado corriente , tomaremos como -lgebra todos los subconjuntos posibles ) y como funcin de probabilidad de (que en matemticas se denota por

Donde representa el nmero de elementos del conjunto A. Es fcil comprobar que esta funcin verifica los tres axiomas de Kolmogrov y, por tanto, consituye una probabilidad sobre este conjunto.

1.

, puesto que es el cociente de dos nmeros positivos

2.

3. Si
entonces

de tal manera que

con lo que Probabilidad en multiplicidad de eventos Regla especial de la adicin. Establece que si dos eventos A y B son mutuamente excluyentes la probabilidad de que uno u otro evento ocurra es igual a la suma de sus probabilidades. De lo anterior se puede deducir que la probabilidad de que ocurra A ms la probabilidad de que no ocurra A debe sumar 1. A esto se le llama la regla del complemento. Esta regla establece que para determinar la probabilidad de que ocurra un evento se puede restar de 1 la probabilidad de que no ocurra. La Regla de la Adicin expresa que: la probabilidad de ocurrencia de al menos dos sucesos A y B es igual a: P(A o B) = P(A) U P(B) = P(A) + P(B) si A y B son mutuamente excluyente P(A o B) = P(A) + P(B) - P(A y B) si A y B son no excluyentes Siendo: P(A) = probabilidad de ocurrencia del evento A P(B) = probabilidad de ocurrencia del evento B P(A y B) = probabilidad de ocurrencia simultanea de los eventos A y B ejemplo: Si A y B son dos eventos que no son mutuamente excluyentes, entonces P(A o B) se calcula con la siguiente frmula: P(A o B) = P(A) + P(B) - P(A y B) El Diagrama de Venn ilustra esta regla ejemplo: En una muestra de 500 estudiantes, 320 dijeron tener un estreo, 175 dijeron tener una TV y 100 dijeron tener ambos Si un estudiante es seleccionado aleatoriamente, cul es la probabilidad de que tenga slo un estreo, slo una TV y uno de cada uno? P(S) = 320 /500 = .64. P(T) = 175 /500 = .35. P(S y T) = 100 /500 = .20. Si un estudiante es seleccionado aleatoriamente, cul es la probabilidad de que tenga un estreo o una TV en su habitacin? P(S o T) = P(S) + P(T) - P(S y T) = .64 +.35 - .20 = .79. Definicin de Probabilidad Condicional Para dos eventos cualesquiera A y B en un espacio muestra S, tales que P(A) > 0 con P(A) 0, la probabilidad del evento B dado el evento A, se define por . Ejemplo 28: Una persona lanza una moneda 3 veces, Cul es la probabilidad de obtener 3 guilas dado que sali por lo menos un guila? Solucin: El espacio muestra del experimento de lanzar una moneda 3 veces es S = {aaa, aas, asa, ass, saa, sas, ssa, sss} El evento A de que por lo menos hay un guila en los tres lanzamientos es: A = {aaa, aas, asa, ass, saa, sas, ssa} El evento B de que obtenga 3 guilas es B = {aaa}

Por lo tanto, A B ={aaa} y

De donde

Ntese que es la probabilidad de una ocurrencia en las siete que son posibles en A; es decir, calcular la probabilidad condicional de B dado A es como calcular la probabilidad de B con relacin al conjunto A, como si ste fuera un nuevo espacio muestra S* = A.

Proposicin 3.5: Para dos eventos A y B cualesquiera del espacio muestra S,

Demostracin: Para cualquier evento B,

Como los eventos (B A) y (B AC) son mutuamente exclusivos y su unin es B, entonces por el axioma 3, tenemos: [3.3]

Despejando P(A B) de la definicin de probabilidad condicional, tenemos P(A B) = P(A) P(B/A) y P(AC B) = P(AC) P (B/AC) Sustituyendo en [3.3] se tiene P(B) = P(A) P(B/A) + P(AC) P (B/AC). Obsrvese que en un diagrama de rbol si se multiplica

P(A) P(B/A) = P(A B) y P(AC) P(B/AC) = P(AC B) Regla de la multiplicidad de probabilidades Reglas de Multiplicacin Se relacionan con la determinacin de la ocurrencia de conjunta de dos o ms eventos. Es decir la interseccin entre los conjuntos de los posibles valores de A y los valores de B, esto quiere decir que la probabilidad de que ocurran conjuntamente los eventos A y B es: P(A y B) = P(A B) = P(A)P(B) si A y B son independientes P(A y B) = P(A B) = P(A)P(B|A) si A y B son dependientes P(A y B) = P(A B) = P(B)P(A|B) si A y B son dependientes

Distribucin de probabilidad normal Es una distribucin de probabilidad continua que es tanto simtrica como mesocurtica. La curva que representa la distribucin de probabilidad normal se describe generalmente como en forma de campana. Esta distribucin es importante en inferencia estadstica por tres razones diferentes:

1.

Se sabe que las medidas producidas en muchos procesos aleatorios siguen esta distribucin. 2. Las probabilidades normales pueden utilizarse generalmente para aproximar otras distribuciones de probabilidad, tales como las distribuciones binomial y de Poisson. 3. Las distribuciones estadsticas tales como la media de la muestra y la proporcin de la muestra, siguen a menudo la distribucin normal, sin tener en cuenta la distribucin de la poblacin Los valores de los parmetros de la distribucin de probabilidad normal son = 0 y = 1. Cualquier conjunto de valores X normalmente distribuido pueden convertirse en valores normales estndar z por medio de la formula:

Haciendo posible el uso de la tabla de proporciones de rea y hace innecesario el uso de la ecuacin de la funcin de densidad de cualquier distribucin normal dada. Para aproximar las distribuciones discretas binomial y de Poisson se debe hacer: Binomial = np = np(1-p) Si n > 30 .np > 5 n(1-p) > 5 Poisson = = > 10

Teorema de Bayes En la teora de la probabilidad el teorema de Bayes es un resultado enunciado por Thomas Bayes en 1763 que expresa la probabilidad condicional de un evento aleatorio A dado B en trminos de la distribucin de probabilidad condicional del evento B dado A y la distribucin de probabilidad marginal de slo A. En trminos ms generales y menos matemticos, el teorema de Bayes es de enorme relevancia puesto que vincula la probabilidad de A dado B con la probabilidad de B dado A. Es decir que sabiendo la probabilidad de tener un dolor de cabeza dado que se tiene gripe, se podra saber -si se tiene algn dato ms-, la probabilidad de tener gripe si se tiene un dolor de cabeza, muestra este sencillo ejemplo la alta relevancia del teorema en cuestin para la ciencia en todas sus ramas, puesto que tiene vinculacin ntima con la comprensin de la probabilidad de aspectos causales dados los efectos observados. Sea {A1,A3,...,Ai,...,An} un conjunto de sucesos mutuamente excluyentes y exhaustivos, y tales que la probabilidad de cada uno de ellos es distinta de cero. Sea B un suceso cualquiera del que se conocen las probabilidades condicionales P(B | Ai). Entonces, la probabilidad P(Ai | B) viene dada por la expresin:

donde: P(Ai) son las probabilidades a priori. P(B | Ai) es la probabilidad de B en la hiptesis Ai. P(Ai | B) son las probabilidades a posteriori.

Thomas Bayes (1763) Frmula de Bayes Adems, unido a la definicin de Probabilidad condicionada, obtenemos la Frmula de Bayes, tambin conocida como la Regla de Bayes:

Aplicaciones El teorema de Bayes es vlido en todas las aplicaciones de la teora de la probabilidad. Sin embargo, hay una controversia sobre el tipo de probabilidades que emplea. En esencia, los seguidores de la estadstica tradicional slo admiten probabilidades basadas en experimentos repetibles y que tengan una confirmacin emprica mientras que los llamados estadsticos bayesianos permiten probabilidades subjetivas. El teorema puede servir entonces para indicar cmo debemos modificar nuestras probabilidades subjetivas cuando recibimos informacin adicional de un experimento. La estadstica bayesiana est demostrando su utilidad en ciertas estimaciones basadas en el conocimiento subjetivo a priori y el hecho de permitir revisar esas estimaciones en funcin de la evidencia emprica es lo que est abriendo nuevas formas de hacer conocimiento. Una aplicacin de esto son los clasificadores bayesianos que son frecuentemente usados en implementaciones de filtros de correo basura o spam que se adaptan con el uso.

Como observacin, se tiene Tipos de espacio muestral

y su demostracin resulta trivial

Podemos diferenciar entre dos tipos de espacios muestrales: discretos y continuos. Discretos Son aquellos espacios donde el nmero de sucesos elementales es finito o infinito numerable. Espacio Probabilstico discreto Es aquel cuyo espacio muestral es discreto.Podemos diferenciar varios tipos de espacio probabilstico discreto: Espacio Probabilistico Discreto Equiprobable Su espacio muestral es finito de tamao n. La probabilidad de cualquier suceso elemental E es

, de aqu se deduce que para todo suceso A la probabilidad es Espacio Probabilistico Finito Su espacio muestral es discreto finito. Hay al menos 2 sucesos elementales que cumplen.

Procesos Estocasticos Finitos Y Diagramas de rbol

Un proceso estocstico es una sucesin finita de experimentos aleatorios, cada uno de ellos con un n finito de resultados posibles. Se representan con diagrama de rbol. Ejemplo Imaginemos que se lanzan una moneda y un dado La probabilidad de un camino es la multiplicacion de sus probabilidades.

La probabilidad de sacar una cara y un tres ser ----> La probabilidad de un suceso cualquiera es la suma de las probabilidades de los caminos La probabilidad de sacar impar ser ---->

Espacio Probabilistico Infinito Contable Aquel cuyo espacio muestral es discreto infinito contable. Por ejemplo

La probabilidad de que salga cara en la primera tirada ---->

La probabilidad de que salga cara en la segunda tirada ---->

La probabilidad de que salga cara en la tercera tirada ---->

Continuos Son aquellos espacios donde el nmero de sucesos elementales es infinito incontable. Espacio probabilstico continuo Espacio muestral infinito no numerable. -No es posible observar puntos concretos del espacio. Tiene sentido hablar de intervalos observados. - No es posible asignar probabilidad a un punto concreto, se asigna a intervalos. Por tanto la funcin P est definida sobre intervalos -----> P(Ki < Exp > Ke)

-Habitualmente cuando trabajamos con magnitudes fsicas. Particiones Es posible definir particiones sobre el espacio muestral. Formalmente hablando, una particin sobre se define como un conjunto numerable:

10

tal que: 1. 2. 3. Ejemplos Por ejemplo, en el caso del experimento aleatorio "lanzar un dado", el espacio muestral del experimento sera: ={1,2,3,4,5,6}. Por otro lado, si cambiamos ligeramente la experiencia pensando en el nmero resultante de la suma de 2 dados, entonces tenemos 2 espacios muestrales: ={(1,1),(1,2),(1,3),(1,4),(1,5),(1,6),(2,1),(2,2),...(6,6)} = {1,2,3,4,5,6}x{1,2,3,4,5,6} '={2,3,4,...,12}

La eleccin del espacio muestral es un factor determinante para realizar el clculo de la probabilidad de EJERCICIOS RESUELTOS 1. Una empresa que debe decidir si adquiere un determinado paquete de acciones, solicita un informe a tres asesores financieros para que se pronu ncien de forma favorable o desfavorable a la compra. Por experiencias anteriores en operaciones similares, se sabe que los tres asesores tienen actitudes ante el riesgo diferente e independiente. Esta situacin se refleja en las probabilidades de aconsejar a compra de este tipo de operaciones que son respectivamen te 0.8, 0.5 y 0.3 Con esta informacin a priori calcule: a) b) La probabil idad de que al menos uno de ellos aconseje la compra. La probabil idad de que ninguno de ellos aconseje adquirir el paquete de acciones.

SOLUCIN:

Se definen los siguientes sucesos: A= El asesor A aconseja la compra B=El asesor B aconseja la compra C=El asesor C aconseja la compra

Cuyas probabilidades son: P(A)= 0.8 P(B)= 0.5 P(C)=0.3

11

a) Con las definiciones anteriores, A B C representa el suceso al menos uno de los tres aconseja la compra, cuya probabilidad se calcula utilizando:

P(A B C)= P(A)+P(B)+P(C)-P(A B)-P(A C)-P(B C)+P(A B C) Como los sucesos son mutuamente independientes, estas probabilidades son: P(A B)=P(A) P(B)=0.4 P(A C)=P(A) P(C)=0.24 P(B C)=P(B) P(C)=0.15 P(A B C)=P(A) P(B) P(C)=0.12 Sustituyendo tenemos: estas cantidades,

P(A B C)=0.08+0.5+0.3-0.4-0.240.15+0.12=0.93 b) En este caso debemos calcular:

2. Sabiendo que P AI B) 0,6 y que la de la P(A I B =0,2), se pide calcular la probabilidad de A.

SOLUCIN:

P(A)= P[(A I B)U ( AI B )]= P(A I B) P( AI B )=0,6+0,2=0,8

3. Supongamos que las cotizaciones de las acciones de Telefnica y Sniace son vari ables aleatorias independientes, y que la proba bilidad de que un da cualquiera suban es del 70% para ambas. Cul es la proba bilidad de que un da suba slo una de ellas?

SOLUCIN:

Sea p1 la probabilidad de que suba Telefnica y p2 la de que suba Sniace. La probabilidad de que solo suba una de ellas ser: p1 (1 - p2) + (1 p1) p2 = 0,7 0,3 + 0,3 0,7 = 0,21 + 0,21 = 0,42

4. Sean 2 sucesos A y B de los que se sabe que la probabilidad de B es el doble que la de A;

12

que la probabilidad de su unin es doble que la de su interseccin; y que la probabil idad de su interseccin es de 0,1. Se pide: 1) Calcular la probabili dad de A. 2) Qu suceso es ms probable que ocurra sabiendo que ya ha ocurrido el otro?.

SOLUCIN: 1) Sea P(A) = x; entonces: P(B)= 2X. Adems P[A U B] 0,2 y P[A I B] 0,1 P[A U B] P(A)+P(B)- P AI B) =x+2x-0,1=3x-0,1 P[A U B] 3x 0,1=0,2. despejando x=1 Por tanto P(A) = 0,1 y P(B) = 0,2. 2) Las probabilidades condicionadas seran: P( A

P(A/B)=

I B)

0,1

0,5;

P(B/A)=

P( A

I B)

0,1

P(B)

0,2

P( A)

0,1

Por tanto es ms probable que ocurra B sabiendo que ha ocurrido A, que, que ocurra A sabiendo que ha ocurrido B.

5. La probabilidad de cara de dos monedas son 0,4 y 0,7. Calcular la probabilidad de que al lanzar las dos monedas salga slo una cara. Repetir el ejercicio consi derando que las monedas estn bien construidas.

SOLUCIN: Para que salga solo una cara ha de ocurrir una de las dos cosas siguientes: que la primera moneda saque cara y la segunda cruz o viceversa: P[(C I X ) U ( X I C )] = 0,4 0,3 0,6 0,7 0,12 + 0,42 = 0,54 Si las monedas estn bien construidas las probabilidades de cara y cruz son iguales a 0,5; por tanto: P[(C I X ) U ( X I C )] = 0,5 0,5 0,5 0,5 0,5 EJERCICIOS PROPUESTOS 1. Dos maquinas A y B han producido respectiv amente, 100 y 200 piezas. Se sabe que A produce un 5% de piezas defectuosas y B un 6%. Se toma una pieza y se pide: A) Probabilidad de que sea defectuosa. B) Sabiendo que es defectuosa, probabil idad de que proceda de la primera mquina.

13

2. Sea la urna U (2B, 3N, 4R). Extraemos tres bolas, una a continuacin de la otra. La primera es negra, la segunda no se mira y la tercera es blanca. Hallar la probabilidad de que la segunda sea roja. 3. El portero titular de un equipo de ftbol para 8 de cada 10 penaltis, mientras que el suplente solo para 5. el portero suplente juega, por termino medio, 15 minutos en cada partido (90 minutos). a) Si en un partido se lanzan tres penaltis contra este equipo, cul es la probabilidad de que se paren los tres? b) Si se lanza un penalti y no se para cul es la probabilidad de que estuviera jugando el portero titular?

4. En un colegio hay dos grupos de 25 alumnos de quinto curso y dos grupos de 20 alumnos de sexto curso. El 50 % de los alumnos de quinto no tienen faltas de ortografa, porcentaje que sube a 70% en los alumnos de sexto. En un concurso de redaccin ent re alumnos de quinto y sexto se elige una redaccin al azar. a) Qu probabilidad hay de que sea de un alumno de quinto? b) Si tiene faltas de ortografa, qu probabilidad hay de que sea de un alumno de quinto?

5. Dados lo sucesos A y B tales que P( A) y P( 0 A P( B P(B) )1 . A P( A)

) 0 , demustrese que

14

II.

DISTRIBUCIN DE PROBABILIDAD Distribucin de probabilidad discretas

PROBLEMA En los servicios de salud, una de las interrogantes mas comunes son: Cuantos pacientes vendrn hoy a una hora determinada? Cul es la probabilidad de atender partos mltiples en un mes dado? Cul es la probabilidad de que un medicamento sea eficaz en un tratamiento dado? Todas estas interrogantes pueden ser contestadas en su mayora, haciendo uso de las distribuciones de probabilidades. En este caso de las discretas (Binomial y Poisson) Cuando se habla de los tipos de probabilidad, decimos que esta se clasifica en tres: 1. Probabilidad clsica. 2. Probabilidad distribucin de frecuencias. 3. Probabilidad subjetiva. La distribucin de probabilidades esta muy relacionado con el tipo de variables. Nosotros conocemos dos tipos de variables: a. Variable discreta, y b. Variable contina. En este trabajo, estudiaremos las principales distribuciones de variables discretas. Una distribucin de probabilidades para una variable aleatoria discreta es un listado mutuamente excluyente de todos los resultados numricos posibles para esa variable aleatoria tal que una probabilidad especfica de ocurrencia se asocia con cada resultado. El valor esperado de una variable aleatoria discreta es un promedio ponderado de todos los posibles resultados, donde las ponderaciones son las probabilidades asociadas con cada uno de los resultados.

= E ( X ) = XiP ( Xi )
i =1

Donde: Xi = i-simo resultado de X, la variable discreta de inters. P(Xi) = probabilidad de ocurrencia del i-simo resultado de X La varianza de una variable aleatoria discreta (2) se define como el promedio ponderado de los cuadros de las diferencias entre cada resultado posible y su media (los pesos son las probabilidades de los resultados posibles). N 2 2

= [ Xi E ( X )] P( Xi )
i =1

Donde: Xi = i-simo resultado de X, la variable discreta de inters. P(Xi) = probabilidad de ocurrencia del i-simo resultado de X Las distribuciones de probabilidades discretas ms importantes son: 1. Distribucin Binomial, y 2. Distribucin de Poisson Hablaremos de cada tipo de distribucin y como lo resolveremos aplicando el Excel. DISTRIBUCION BINOMIAL La distribucin binomial es una distribucin de probabilidades que surge al cumplirse cinco condiciones: 1. Existe una serie de N ensayos, 2. En cada ensayo hay slo dos posibles resultados, 3. En cada ensayo, los dos resultados posibles son mutuamente excluyentes, 4. Los resultados de cada ensayo son independientes entre si, y 5. La probabilidad de cada resultado posible en cualquier ensayo es la misma de un ensayo a otro. Cuando se cumple estas condiciones, la distribucin binomial proporciona cada resultado posible de los N ensayos y la probabilidad de obtener cada uno de estos resultados. Para este tipo de distribucin de probabilidad, la funcin matemtica es la siguiente:

P( X ) =

n! p X (1 p ) n X X !(n X )!

Donde: P(X) = probabilidad de X xitos dados los parmetros n y p

n = tamao de la muestra p = probabilidad de xito 1 p = probabilidad de fracaso X = numero de xitos en la muestra ( X = 0, 1, 2, .. n) El trmino

p X (1 p ) n X

indica la probabilidad de obtener X xitos de n observaciones en una

secuencia especfica. En trmino observaciones son posibles.

n! X !(n X )!

indica cuantas combinaciones de los X xitos entre n

Entonces dado el nmero de observaciones n y la probabilidad de xito p, la probabilidad de X xitos es: P(X) = (numero de de secuencia posibles) x (probabilidad de un secuencia especifica) Por eso que llegamos a la funcin matemtica que representa esta distribucin. Veamos un ejemplo: Supngase que en cierta poblacin el 52 por ciento de todos los nacimientos que se registraron son varones. Si aleatoriamente se escogen cinco registros de nacimientos dentro de esa poblacin, cul es la probabilidad de que exactamente tres de ellos pertenezcan a varones? Tenemos los siguientes datos: N=5 X=3 p = 0.52

Este problema los solucionamos con el Excel. Vamos a insertar funcin:

Escogemos en Seleccionar una categora, a las Estadsticas. Y dentro de las estadsticas, escogemos a la DISTR.BINOM. Ingresamos la informacin del problema y listo. P(X=3) = 0.3239

DISTRIBUCION DE POISSON

Se dice que existe un proceso de Poisson si podemos observar eventos discretos en un rea de oportunidad un intervalo continuo (de tiempo, longitud, superficie, etc.) de tal manera que si se reduce lo suficiente el rea de oportunidad o el intervalo, 1. La probabilidad de observar exactamente un xito en el intervalo es constante. 2. La probabilidad de obtener ms de un xito en el intervalo es 0. 3. La probabilidad de observar un xito en cualquier intervalo es estadsticamente independiente de la de cualquier otro intervalo. Esta distribucin se aplica en situaciones como: El numero de pacientes que llegan al servicio de emergencia de un hospital en un intervalo de tiempo. El numero de radiaciones radiactivas que se recibe en un lapso de tiempo, El numero de glbulos blancos que se cuentan en una muestra dada. El numero de partos triples por ao Su utilidad en el rea de la salud es muy amplia. La expresin matemtica para la distribucin de Poisson para obtener X xitos, dado que se esperan xitos es: X

P( X ) =

X!

Donde: P(X) = probabilidad de X xitos dado el valor de = esperanza del nmero de xitos. e = constante matemtica, con valor aproximado 2.711828 X = nmero de xitos por unidad La distribucin de Poisson se considera una buena aproximacin a la distribucin binomial, en el caso que np < 5 y p < 0.1 n > 100 y p < 0.05 y en ese caso = np. El interes por sustituir la distribucin Binomial por una distribucin de Poisson se debe a que esta ultima depende unicamente de un solo parmetro, , y la binomial de dos, n y p. Veamos un ejemplo: Si en promedio, llegan tres pacientes por minuto al servicio de emergencia del hospital del Nio durante la hora del almuerzo. Cul es la probabilidad de que en un minuto dado, lleguen exactamente dos pacientes? Y Cul es la probabilidad de que lleguen ms de dos pacientes en un minuto dado? Datos: = 3 pacientes por minuto

P(X=2) = ? Para resolver esto utilizamos al Excel. De las funciones estadsticas, seleccionamos la funcin POISSON.

Ingresamos la informacin que tenemos: y listo, tenemos el resultado: P(X=2) = 0.2240

Para resolver la segunda parte del problema P(X>2) = ? Con el Excel encontraremos P(X 2) y hacemos el siguiente clculo: P(X > 2 ) = 1 - P(X 2) Utilizando nuevamente el Excel:

Entonces: P(X>2) = 1 0.4232 = 0.5768 PROBLEMAS RESUELTOS 1 Haciendo uso de la tabla que proporciona reas a la izquierda de cada valor z de la distribucin normal tipificada, calcular las probabilidades (reas) siguientes : a) Pr(z<1'35) b) Pr(z<-0'338) c) Pr(z>2'1) d) Pr(z>-1) e) Pr(-1'39<z-0'44) f) Pr(-1'52z0'897) Observe que, en el clculo de reas (probabilidades) en variables continuas, Pr(xa) equivale a Pr(x<a). Tendremos que referir los clculos a probabilidades del tipo Pr(z < a) , estando expresado el valor a con dos cifras decimales :

a)

Pr(z<1'35) = 0'91149

b)

Pr(z<-0'338) Pr(z<-0'34) = 0'36693

c)

Pr(z>2'1) Pr(z>2'10) = 1 - 0'98214 = 0'01786

d)

Pr(z>-1) Pr(z>-1'00) = 1 - 0'15866 = 0'84134

e)

Pr(-1'39<z-0'44) = n - o = 0'32997 - 0'08226 = 0'24771

f)

Pr(-1'52z0'897) Pr(-1'52z0'90) = = n - o = 0'81594 - 0'06426 = 0'75168

2 Haciendo uso de la tabla que proporciona reas entre cada valor z y la media 0 de la distribucin normal tipificada, calcular las probabilidades (reas) siguientes : a) Pr(z0'22) b) Pr(z<-1'8) c) Pr(z>1'0092) d) Pr(z>-1'61) e) Pr(-2'06<z<-0'24) f) Pr(-0'02z1'7)

En este caso, tendremos que establecer probabilidades del tipo Pr(0 < z < a) , estando expresado el valor a con dos cifras decimales :

a)

Pr(z0'22) = 0'5 + 0'08706 = 0'58706

b)

Pr(z<-1'8) Pr(z<-1'80) = Pr(z>1'80) = = 0'5 - 0'46407 = 0'03593

c)

Pr(z>1'0092) Pr(z>1'01) = 0'5 - 0'34375 = 0'15625

d)

Pr(z>-1'61) Pr(z<1'61) = = 0'5 + 0'44630 = 0'94630

e)

Pr(-2'06<z-0'24) = Pr(0'24<z<2'06) =n -o = = 0'48030 - 0'09483 = 0'38547

f)

Pr(-0'02z1'70) = = Pr(-0'02<z<0) + Pr(0<z<1'70) = = Pr(0<z<0'02) + Pr(0<z<1'70) = =n +o = = 0'00798 + 0'45543 = 0'46341

3 Para la distribucin normal tipificada, calcular : a) Percentil 21 b) Cuartil 3 c) Valores centrales entre los que quedan comprendidas la cuarta parte de las observaciones. a) Hemos de calcular el valor de z que deja a su izquierda un rea igual a 0'21 (el 21% del rea total [= 1]) . Si consultamos las tablas que dan el rea a la izquierda, encontramos como valor ms prximo al rea 0'21 , el rea 0'20897 que corresponde a la puntuacin : z = -0'81 Utilizando las tablas de reas comprendidas entre 0 y z, el razonamiento a seguir ser : El rea a la izquierda igual a 0'21 corresponde a un valor negativo (-z) al ser menor que 0'5. Entre dicho valor z y la media (0) hay un rea igual a 0'29 (0'50'21). Consultando las tablas encontramos el valor ms prximo a 0'29 para la puntuacin z = 0'81 (rea = 0'29103 ). El percentil 21 es pues : z = -0'81.

b)

Procediendo como en a) , hemos de calcular el valor de z que deja a su izquierda un rea igual a 0'75. Dicho valor es : z = 0'67 (rea = 0'74857)

c)

La mitad de la cuarta parte (25%) es el 12'5%. Son los valores que dejan un 12'5% de las observaciones a la izquierda de la media (0) y otro 12'5% a su derecha. En trminos de reas a la izquierda, son los valores que dejan un rea de ese tipo igual a 0'375 (0'5-0'125) y 0'625 (05+0125) respectivament e. Consultando las tablas encontramos : z = -0'32 (rea = 0'37448) z = 0'32 (rea = 0'62552) Por la simetra de la distribucin, bastara con calcular uno de tales valores, ya que el otro es su opuesto.

4 Las calificaciones de los 500 aspirantes presentados a un examen para contratacin laboral, se distribuye normalmente con media 6'5 y varianza 4. a) Calcule la probabilidad de que un aspirante obtenga ms de 8 puntos. b) Determine la proporcin de aspirantes con calificaciones inferiores a 5 puntos. c) Cuntos aspirantes obtuvieron calificaciones comprendidas entre 5 y 7'5 puntos ?. Nos encontramos ante una distribucin normal a) N(6'5, 4 ) = N(6'5,2) 8 6' 5

Tipificamos el valor 8 : z =

= 0' 75 2 La probabilidad pedida es el rea a la derecha de z = 0'75. Consultando las tablas obtenemos : 0'22663

b) =

Tipificamos el valor 5 : z 5 6' 5 = 0' 75 2 Calculemos el rea (probabilidad) a la izquierda de z = -0'75. Consultando las tablas obtenemos : 0'22663 En trminos de porcentajes ser 0'22663 x 100 : el 22'663 %

5 En un estudio realizado sobre los ingresos familiares en los que los dos cnyuges trabajan, se ha observado que el salario mensual, en miles de pesetas, de las mujeres (X) se distribuye normalmente con media 100, en tanto que el de los hombres (Y) tiene la siguiente transformacin Y = X + 20. Sabiendo adems que el 15% de los hombres no superan el percentil 75 de las mujeres, se pide : a) Representar grficamente el enunciado del problema. b) El salario medio de los hombres. c) La desviacin tpica del salario de los hombres y de las mujeres. a) Si la media de las mujeres es 100, la de los hombres queda definida por la relacin Y = X+20, luego es 120. Dicha transformacin (al no multiplicar o dividir por ningn valor) no modifica las desviaciones tpicas. En consecuencia, las desviaciones de la distribucin de mujeres y hombres coinciden. En la distribucin correspondiente a las mujeres el valor que tipificado (Zm) deja a su izquierda un rea 0'75 (75%) coincide con el de la de los hombres (Zh) que tipificado deja a su izquierda un rea 0'15 (no supera el valor anterior). Estas conclusiones se muestran a la derecha.

b) Ya se justific anteriormente que la media de la distribucin de ingresos de los hombres es 120 (en miles de pesetas). c) Con la tabla de la distribucin normal determinamos los valores Zm y Zh , y recordando que coinciden Xm y Xh : Z m = 0'67 = X m 100 Xm = 0'67.S + 100 Zh = 1'04 = X S 120 X m 120 X m h = 1'04.S + 120 = S S 0'67.S + 100 = 1'04.S + 120 1'71.S = 20 S = 11'696

Luego las desviaciones tpicas coinciden y valen 11'696 (miles de pesetas

PROBLEMAS PROPUESTOS 1) Hallar el rea bajo la curva normal tipificada: a) Entre Z = 0 y Z = 1,2 Sol: 0,3849 b) Entre Z = -0,68 y Z = 0 Sol: 0,2517 c) Entre Z = -0,46 y Z = 2,21 Sol: 0,6636 d) Entre Z = 0,81 y Z = 1,94 Sol: 0,1828 e) A la derecha de Z = -1,28 Sol: 0,8997 2) Si "rea" se refiere al rea bajo la curva normal tipificada, hallar el valor o los valores de Z tales que: a) El rea entre 0 y Z sea 0,3770 Sol: Z = 1,16 b) El rea a la izquierda de Z sea 0,8621 Sol: Z = 1,09 c) El rea entre -1,5 y Z sea 0,0217 Z = -1,695 y Z = -1,35

Sol:

3) El peso medio de 500 estudiantes varones de una universidad es de 68,5 Kg. y la desviacin tpica es de 10 Kg. Suponiendo que los pesos estn distribuidos normalmente, hallar el nmero de estudiantes que pesan: a) Entre 48 y 71 kg. Sol: entre 289 y 290 estudiantes. b) Ms de 91 kg. Sol: entre 6 o 7 estudiantes. 4) La media del dimetro interior de una muestra de 200 lavadoras producidas por una mquina es 1,275 cm. y la desviacin tpica de 0,0125 cm. El propsito para el cual se han diseado las lavadoras permite una tolerancia mxima en el dimetro de 1,26cm. a 1,29 cm., de otra forma las lavadoras se consideran defectuosas. Determinar el porcentaje de lavadoras defectuosas producidas por la mquina, suponiendo que los dimetros estn distribuidos normalmente. 5) Si X est distribuida normalmente con media 5 y desviacin tpica 2, hallar P (X > 8). Sol: 0,0668

III.

TEORA DEL MUESTREO

1. Introduccin al muestreo. a. Concepto e importancia 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. b. Terminologa bsica para el muestreo Los nuevos trminos, los cuales son frecuentemente usados en inferencia estadstica son: Estadstico: Un estadstico es una medida usada para describir alguna caracterstica de una muestra , tal como una media aritmtica, una mediana o una desviacin estndar de una muestra. Parmetro: Una parmetro es una medida usada para describir alguna caracterstica de una poblacin, tal como una media aritmtica, una mediana o una desviacin estndar de una poblacin. Cuando los dos nuevos trminos de arriba son usados, por ejemplo, el proceso de estimacin en inferencia estadstica puede ser descrito como le proceso de estimar un parmetro a partir del estadstico correspondiente, tal como usar una media muestral ( un estadstico para estimar la media de la poblacin (un parmetro). Los smbolos usados para representar los estadsticos y los parmetros, en ste y los siguientes captulos, son resumidos en la tabla siguiente: Tabla 1 Smbolos para estadsticos y parmetros correspondientes Medida Smbolo para el estadstico Smbolo para el parmetro (muestra) (Poblacin) Media X Desviacin estndar s Nmero de elementos n N Proporcin p P Distribucin en el muestreo: Cuando el tamao de la muestra (n) es ms pequeo que el tamao de la poblacin (N), dos o ms muestras pueden ser extradas de la misma poblacin. Un cierto estadstico puede ser calculado para cada una de las muestras posibles extradas de la poblacin. Una distribucin del estadstico obtenida de las muestras es llamada la distribucin en el muestreo del estadstico. Por ejemplo, si la muestra es de tamao 2 y la poblacin de tamao 3 (elementos A, B, C), es posible extraer 3 muestras ( AB, BC Y AC) de la poblacin. Podemos calcular la media para cada muestra. Por lo tanto, tenemos 3 medias mustrales para las 3 muestras. Las 3 medias mustrales forman una distribucin. La distribucin de las medias es llamada la distribucin de las medias mustrales, o la distribucin en el muestreo de la media. De la misma manera, la distribucin de las proporciones (o porcentajes) obtenida de todas las muestras posibles del mismo tamao, extradas de una poblacin, es llamada la distribucin en el muestreo de la proporcin. Error Estndar: La desviacin estndar de una distribucin, en el muestreo de un estadstico, es frecuentemente

llamada el error estndar del estadstico. Por ejemplo, la desviacin estndar de las medias de todas la muestras posibles del mismo tamao, extradas de una poblacin, es llamada el error estndar de la media. De la misma manera, la desviacin estndar de las proporciones de todas las muestras posibles del mismo tamao, extradas de una poblacin, es llamada el error estndar de la proporcin. La diferencia entre los trminos "desviacin estndar" y "error de estndar" es que la primera se refiere a los valores originales, mientras que la ltima est relacionada con valores calculados. Un estadstico es un valor calculado, obtenido con los elementos incluidos en una muestra. Error muestral o error de muestreo La diferencia entre el resultado obtenido de una muestra (un estadstico) y el resultado el cual deberamos haber obtenido de la poblacin (el parmetro correspondiente) se llama el error muestral o error de muestreo. Un error de muestreo usualmente ocurre cuando no se lleva a cabo la encuesta completa de la poblacin, sino que se toma una muestra para estimar las caractersticas de la poblacin. El error muestral es medido por el error estadstico, en trminos de probabilidad, bajo la curva normal. El resultado de la media indica la precisin de la estimacin de la poblacin basada en el estudio de la muestra. Mientras ms pequeo el error muestras, mayor es la precisin de la estimacin. Deber hacerse notar que los errores cometidos en una encuesta por muestreo, tales como respuestas inconsistentes, incompletas o no determinadas, no son considerados como errores mustrales. Los errores no mustrales pueden tambin ocurrir en una encuesta completa de la poblacin. 2. 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 una gran volumen para incluir todos los tipos de mtodos de muestreo. Los mtodos de seleccin de muestras pueden ser clasificados de acuerdo a: El nmero de muestras tomadas de una poblacin dada para un estudio y 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. Mtodos de muestreo clasificados de acuerdo con el nmero de muestras tomadas de una poblacin. Bajo esta clasificacin, hay tres tipos comunes de mtodos de muestreo. Estos son, muestreo simple, doble y mltiple. 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 los suficientemente grande para extraer una conclusin. Una muestra grande muchas veces cuesta demasiado dinero y tiempo. Muestreo doble

Bajo este tipo de muestreo, cuando el resultado dele 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. Un plan tpico de muestreo doble puede ser obtenido de la Military Standard Sampling Procedures and Tables for Inspection by Attributes, publicada por el Departamento de Defensa y tambin usado por muchas industrias privadas. 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. Mtodos de muestreo clasificados de acuerdo con las maneras usadas en seleccionar los elementos de una muestra. 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 sistemtico, estratificado 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. 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. DISTRIBUCIONES MUESTRALES El estudio de determinadas caractersticas de una poblacin se efecta a travs de diversas muestras que pueden extraerse de ella. El muestreo puede hacerse con o sin reposicin, y la poblacin de partida puede ser infinita o finita. Una poblacin finita en la que se efecta muestreo con reposicin puede considerarse infinita tericamente. Tambin, a efectos prcticos, una poblacin muy grande puede considerarse como infinita. En todo nuestro estudio vamos a limitarnos a una poblacin de partida infinita o a muestreo con reposicin. Consideremos todas las posibles muestras de tamao n en una poblacin. Para cada muestra podemos calcular un estadstico (media, desviacin tpica, proporcin,...) que variar de una a otra. As obtenemos una distribucin del estadstico que se llama distribucin muestral. Las dos medidas fundamentales de esta distribucin son la media y la desviacin tpica, tambin denominada error tpico. Hay que hacer notar que si el tamao de la muestra es lo suficientemente grande las distribuciones muestrales son normales y en esto se basarn todos los resultados que alcancemos. 1.Distribucin muestral de medias 2.Distribucin muestral de proporciones 1. DISTRIBUCIN MUESTRAL DE MEDIAS Cada muestra de tamao n que podemos extraer de una poblacin proporciona una media. Si consideramos cada una de estas medias como valores de una variable aleatoria podemos estudiar su distribucin que llamaremos distribucin muestral de medias. Si tenemos una poblacin normal N(m,s) y extraemos de ella muestras de tamao n, la distribucin muestral de medias sigue tambin una distribucin normal Si la poblacin no sigue una distribucin normal pero n>30, aplicando el llamado Teorema central del lmite la distribucin muestral de medias se aproxima tambin a la normal anterior. 1) Las notas de cierto examen se distribuyen segn una normal de media 5,8 y desviacin tpica 2,4. Hallar la probabilidad de que la media de una muestra tomada al azar de 16 estudiantes est comprendida entre 5 y 7 La poblacin es N(5,8;2,4), con n=16 la distribucin muestral de medias se distribuye N(5,8;0,6)

En la escena llamamos s a la desviacin tpica de la poblacin. Compara los grficos de la distribucin muestral y de la distribucin de la poblacin. Estas distribuciones estn dibujadas con una escala diferente a la N(0,1), puedes cambiarla con el valor ESCALA. Si x es la media de la muestra hemos de calcular la probabilidad P(5x7)=P(-1.33z2)= =P(z2)-[1-P(z1.33)] = 0,8854 Busca en ella las probabilidades que corresponden a los valores za y zb 2) Las estaturas de cierta poblacin se distribuyen N(168,8). Calcula la probabilidad de que en una muestra de 36 personas la altura media no difiera de la de la poblacin en ms de 1 cm. 2. DISTRIBUCIN MUESTRAL DE PROPORCIONES En numerosas ocasiones se plantea estimar una proporcin o porcentaje. En estos casos la variable aleatoria toma solamente dos valores diferentes (xito o fracaso), es decir sigue una distribucin binomial y cuando la extensin de la poblacin es grande la distribucin binomial B(n,p) se aproxima a la normal . Para muestras de tamao n>30, la distribucin muestral de proporciones sigue una distribucin normal donde p es la proporcin de uno de los valores que presenta la variable estadstica en la poblacin y q=1-p. 3) Si tiramos una moneda no trucada 100 veces, cul es la probabilidad de que obtengamos ms de 55 caras? En una moneda no trucada la proporcin de caras es 0,5, con lo que p=0,5 q=0,5 n=100 La distribucin muestral de proporciones se distribuye N(0,5;0,05) Si llamamos p' a la proporcin en la muestra hemos de calcular la probabilidad P(p'>0,55) = P(z>1) = =1-P(z1) = 1-0,8413 = 0,1587 Utiliza la tabla N(0,1) para comprobar la probabilidad correspondiente al valor z 1. DISTRIBUCIN NORM AL Ejercicio 1.1 Se ca lcul que el pro med io d e enf ria miento de t odas las never as para una ln ea d e cierta co mpa a, e mp le an u na te mperatur a de -4C con una desviacin t p ica d e 1.2C. a. Cu l es la proba bilidad de qu e una nevera salga co n u na te mperat ura superior a -3C? b. Cu l es la proba bilidad de qu e una nevera salga co n u na te mperat ura menor a - 5.5 C?

SOL UCI N

a.

La prob abilidad de qu e una nevera salga con u na te mper atura sup erior a -3 C es de 20 ,33%

b. La proba bilid ad de qu e una nevera salga con una te mp eratura menor a - 5.5C es de 10 ,56%.

2. APROXIM ACIN DISTRIBUCIN NORMAL.

DE

LA

DISTRIBUCIN

BINOMIAL

LA

Ejercicio 2.1 De los 31 productos cu l es la probab ilid ad de qu e 20 salga n def ectuosos, si el 50% de los productos nor ma lmente sale def ectuoso.

SOL UCI N

P(X=20) = 3. 97 % n = 31 P = 50 % Q = 50 %

Z1 = (19 .5-15. 5)/2.7 8 = 1.4 3

Z2= (20. 5-15. 5)/2.7 8= 1.79

P(X=20) = P( 1.43 <Z<1.7 9) = 0.46 33-0.4 236 = 3.97 % La prob ab ilida d de que 20 productos sa lga n d ef ectuosos es de 3 .97%.

3. DISTRIBUCIN DE M EDI AS MUESTRALES

Ejercicio 3.1 Si la vida med ia de operacin d e una p ila de lint erna es de 24 horas y est distrib uid a nor ma lme nte co n un a desviacin de 3 horas. Cu l es la pro bab ilida d de qu e un a muestra a le atoria de 10 0 p ilas t eng a un a media q ue se d esve por ms de 30 minut os de l pro med io? SOL UCI N

P( X > 24.5horas)

= 4. 85 %

= 30 horas de duracin = 3 h oras n = 10 0 p ilas

La prob ab ilida d de que el pro med io d e la vid a t il de las p ilas sup ere las 24. 5 horas es de 4.8 5%. Ejercicio 3.2 Se to man 36 observacion es de u na mqu in a de acuar mone das con me morat ivas, el espesor pro me dio de las mon edas es de 0.20 c m y un a desviaci n de 0.0 1 c m. Cu l es la proba bilidad de que el pro medio d el espesor de las 36 mon edas sup ere los 0.2 1 c m?. SOL UCI N

La prob ab ilida d es de aprox ima da mente 0%.

4. DISTRIBUCIN MUEST RALES.

DE

LAS

DIF ERENCIAS

DE

M EDIAS

Ejercicio 4.1 En u n estu dio para co mp arar los pesos pro med ios d e n ios y ni as de sext o grad o en un a escuela primaria se usar un a mu estra aleat oria d e 20 ni os y otra de 2 5 nias. Se sabe que tant o para n ios co mo p ara n ias los pesos sigue n un a distrib ucin nor mal. El pro med io de los pesos d e to dos los nios de sexto gra do d e esa escuela es de 100 libras y su desviacin estndar es de 14.1 42 libras, mie ntras que el pro me dio de los pesos d e tod as las n ias d e sexto grad o de esa escuela es de 85 libras y su desviacin est ndar es de 12 .24 7 libras. En cul d e la prob ab ilidad de qu e el pro me dio de los pesos de los 20 nios sea al men os 20 libras ms gra nde que el de las 25 nias?.

SOL UCI N 1= 100 libras 2= 85 libras 1= 14 .142 libras 2= 12 .247 libras n1= 2 0 n ios n2= 2 5 n ias

Por lo t anto, la pro bab ilida d de q ue e l pro medio de los pesos de la muestra d e nios sea a l me nos 20 libras ms gra nde q ue e l de la muestra d e las n ias es 10.56% .

5. DISTRIBUCIN DE PROPORCIONES MUEST RAL ES

Ejercicio 5.1 Pr evio a u na e lecci n la sen adora X contrat a los servicios de la co mpa a Y para f ijar la contiend a estab lecid a con los e lectores. Ella p ercibe con respect o a este punto q ue si tien e el 45% de los votos ser nomina da de cuerdo con su estrategia de ca mpa a. Su pon ien do qu e la co mp a a contra tad a seleccion a una muestra alea toria simp le de 1 600 e lector es registrados. Cu l es la proba bilid ad de que la muestra pue da produc ir un a proporci n de 45% ms dad o q ue la verdad era proporci n es d el 4 0%? SOL UCI N

P = 40 % Q =60 % N =1 660

La prob ab ilida d es de aprox ima da mente el 0%.

EJERCICIOS PROPUESTOS
1.

Un proceso productivo ha obtenido en tres pruebas de las que consta un examen de control de calidad de la produccin las calificaciones de 6, 7, Y 8. Suponiendo normalidad en la distribucin de la poblacin, se pide: a) Obtener los parmetros de la poblacin: calificacin media del proceso y varianza. b) Extraer de la poblacin 10 muestras aleatorias simples de tamao 2. c) Indique el modelo de distribucin de probabilidad seguido por las observaciones muestrales (X 1 y X2), as como los parmetros fundamentales de la distribucin, antes de obtener una muestra concreta. d) Indique la distribucin de probabilidad del estimador muestral x y sus parmetros fundamentales, en los supuestos de que la varianza de la poblacin sea conocida y desconocida. e) Indique la distribucin de probabilidad de la varianza muestral y de la cuasi-varianza muestral. f) En el supuesto de que la media de la poblacin fuese desconocida, efectuar estimaciones muestrales de la media, a partir de las muestras del apartado b) en los supuestos de que la varianza de la poblacin sea conocida y desconocida. g) En el supuesto de que la varianza de la caracterstica de la poblacin fuese desconocida, efectuar estimaciones muestrales de la misma, a partir de las muestras del apartado b), en los supuestos de que la media de la poblacin sea conocida y desconocida.

2.

Un autobs de una empresa de transporte de viajeros recorre por trmino medio 300 Km. Diarios, con una desviacin estndar de 2 Km; Si observamos una muestra aleatoria simple del mismo de 100 recorridos diarios, calcular la probabilidad de que el recorrido medio est comprendido entre 296 y 304 Km Un fabricante de tabaco asegura que el contenido de nicotina de cada cigarrillo sigue una distribucin normal, con un contenido de nicotina de 1,1 mg. y una desviacin de 0,1 mg. As mismo, asegura que el contenido medio de alquitrn es de 15 mg. su desviacin tpica de 1 mg. y su distribucin normal. Las inspecciones realizadas por el Ministerio de Sanidad rechazan un paquete de 20 cigarrillo, si el contenido de nicotina es superior a 1,15 mg. por cigarrillo, o si el contenido medio de alquitrn del paquete es superior a 15,5 mg. por cigarrillo Calcular el porcentaje de paquetes rechazados por exceso de alquitrn o por exceso de nicotina. Si en el ejercicio anterior el fabricante insiste en que las inspecciones se realicen sobre un lote de 5 paquetes de tabaco. Qu probabilidad hay de que se rechace el lote de cinco paquetes por exceso de alquitrn? Si el inspector del Ministerio de Sanidad acepta la condicin de inspeccionar los lotes de cinco paquetes, pero quiere que la probabilidad de rechazar el lote por contenido de alquitrn, siga siendo la misma, dnde tiene que poner el lmite de contenido de alquitrn?

3.

4.

5.

Supongamos que los sueldos anuales, en millones de unidades monetarias, de los directivos de una gran empresa se distribuyen segn la normal N( lO, 1), mientras que los del resto del personal siguen una N(4, 2). Si se extrae una muestra aleatoria simple de 10 directivos y otra de 20 empleados no directivos, se pide: a) Calcular la probabilidad de que el sueldo anual medio de la muestra de 10 directivos supere los 11 millones de unidades monetarias. b) Calcular la probabilidad de que el sueldo anual medio de la muestra de 20 empleados no directivos supere los cinco millones. c) Cul es la probabilidad de que el sueldo anual de los 10 directivos supere al de los 20 empleados en ms de cinco millones?

CONCLUSIONES

El reto de la materia Estadstica Aplicada a los Negocios, impartida por el Ing. Juan Alejandro Garza Rodrguez, nos comprometi a aprender y a utilizar el Minitab como una herramienta ms.

Con los grandes avances tecnolgicos hemos ahorrado tiempo para el anlisis estadstico, sin embargo la comprensin de la lgica que se utiliza para llegar a la resolucin del mismo es algo que nos ha llevado a este estudio, el cual ha sido muy bien conducido por el Ing. Garza, quien nos imparte la asignatura. Con el desarrollo de este proyecto y gracias a la comprensin de conceptos y el manejo del programa Minitab entendimos que es una poderosa herramienta estadstica que bien aplicada nos podr ayudar a facilitar los clculos para la solucin de problemas. Lo cual contina con el propsito esencial: Ahorro de costos y mejora contina en cualquier mbito en que nos desarrollemos. Aprendimos que no es limitativa el rea en que nos desempeemos en nuestro trabajo ya que tanto en Ingeniera como Materiales, en Recursos Humanos como en un Negocio Propio, en Comercio o en Industria, o bien por puro pasatiempo en el panorama de la probabilidad estadstica, estas herramientas sern siempre de gran utilidad. Para esta presentacin aprendimos la aplicacin y manejo de las Distribuciones de Probabilidades ms comunes, la Binomial, la de Poisson y finalmente la distribucin Normal. Deseamos compartir esta compilacin de informacin con alguien ms que al igual que nosotros tuvimos la necesidad de investigar y realizar un trabajo de este tipo. Anlisis y estudios que nos han abierto la mente as como nuestras habilidades para desempearnos con mayor eficiencia en nuestras funciones academicas y personales.

BIBLIOGRAFA Estadstica para Administradores. Sexta Edicin. Richard I. Levin & David S. Rubin. Editorial Prentice Hall. Captulo 5 Probabilidad II: Distribuciones, pp.232 - 264 GE Lighting - AEA. Curso para Green Belts, Iniciativa Sies Sigma Semana #1. Abril 1997. Minitab 15 (versin de prueba obtenida de www.minitab.com). MeetMinitabEs.pdf (obtenido de ) Distribucin de Probabilidades (informacin tomada de www.monografias.com, http://www.monografias.com/trabajos29/distribucion-probabilidades/distribucion-probabilidades.shtml) Distribucin Binomial (informacin tomada de www.wikipedia.com, http://es.wikipedia.org/wiki/Distribuci %C3%B3n_binomial) Distribucin Normal (informacin tomada de www.wikipedia.com, http://es.wikipedia.org/wiki/Distribuci %C3%B3n_normal Distribucin de Poisson (http://www.itchihuahua.edu.mx/academic/industrial/sabaticorita/_private/05Distr %20Poisson.htm)