Está en la página 1de 177

Herramientas Matemáticas III

ESTADISTICA

Prof. Apessetche Dora


dora.apessetche@ues21.edu.ar
* Berenson M. y Levine D. Estadística Básica en
Administración. Conceptos y Aplicaciones.
Sexta México, Prentice Hall, 1996.
* Notas de clase.
* Seminario de estadística
* Lecturas canvas

* Bibliografía básica

Prof. Dora Apessetche 2


* 1er Parcial Q semana del 29/04 – 03/05
* 2do Parcial Q semana del 10/06 – 14/06
* Recuperatorio 01/07 – 05/07
* semana del Tercer nota: Evaluación en
experimenta:
* Tercer semana de cursado (Estadística descriptiva)
* Sexta semana de cursado (Probabilidades)
* Novena semana de cursado (Distribución binomial)
* Doceava semana de cursado ( Distribución Normal)

* Parciales Q y Examen 3er nota

Prof. Dora Apessetche 3


* La estadística esta constituida por el conjunto
de técnicas y métodos que permiten estudiar y
determinar de una muestra debidamente
representativa de una población, los valores
estadísticos a fin de poder inferir sobre los
parámetros poblacionales con un cierto grado
de bondad

* ¿Qué es la Estadística?

Prof. Dora Apessetche 4


* Población: Conjunto de elementos que
constituyen el sistema de estudio
* Muestra: es un subconjunto de la Población
Ejemplos
“Se desea saber la “Se desea conocer el
diferencia de presión numero de viviendas de la
sanguínea entre hombres ciudad de Córdoba que
y mujeres de Argentina” tienen cloacas”

* Población y muestra
Prof. Dora Apessetche 5
* Una muestra debidamente representativa debe
representar las mismas características de la
población

Ejemplos
Para saber la audiencia Para conocer el numero de viviendas de la
de un programa de tv se ciudad de Córdoba que tienen cloacas se
interroga al azar 1000 eligen 500 viviendas de Alta Córdoba
abonados telefónicos

* Muestra debidamente
representativa

Prof. Dora Apessetche 6


* Los valores en estudio, que en la muestra
toman el nombre de ESTADISTICOS en la
población se los denomina PARAMETROS
* Estadístico Muestra
* Parámetro Población

Bondad: es el margen de seguridad con que se realiza la


inferencia de acuerdo a los estudios realizados sobre la
muestra

* Parámetro y Estadístico
Prof. Dora Apessetche 7
* Variable: es una característica o atributo de interés sobre el
cual los elementos de una población difieren. Se denota con
X, Y, Z, etc.
* Categorías: son los valores que asume la variable.
* Dato: Es cada realización de las categorías de la variable

Ejemplos

X: género, con categorías V o M.


Y: Nivel de escolaridad con categorías primario, sec., universitario.
Z: Peso de los adulto con categorías en [50kg; 150kg]
W: Cantidad de TV por hogar, con categorías 0, 1, 2, etc.

* Variable y tipos de variables

Prof. Dora Apessetche 8


Variables Variables
cualitativas cuantitativas

Nominales Discretas

Ordinales Continuas

* Clasificación de las variables


Prof. Dora Apessetche 9
* Nominales: Cuando los * Discretas: Los datos
valores que adopta la discretos son los
variable en estudio valores resultados de
puede ser clasificada de un conteo.
acuerdo a la categoría.
* Continuas: Asumen
* Ordinales: Están cualquier valor dentro
constituidos por los de un intervalo
valores relativos continuo
asignados por denotar
cierto orden

* Clasificación de las variables


Prof. Dora Apessetche 10
1. Clasificar las variables de acuerdo a su categoría

Variable Categoría
Cantidad de alumnos con 0,1,2,3…..
celular por curso
Genero de alumnos Femenino, masculino
Equipo de futbol favorito Boca, River, Belgrano…
Desempeño en el trabajo Malo, bueno, regular, muy
bueno, excelente.
Numero de accidentes 0,1,2,3
automovilísticos anuales en
un ciudad
Peso de los alumnos [35kg, 100kg]

* Actividad 1
Prof. Dora Apessetche 11
Población (N)
Muestra (n)

Posición Dispersión

Rango o Desvío Coeficiente


Media Moda Mediana Desvío medio Varianza
recorrido Estándar de Variación

* Parámetros y estadísticos

Prof. Dora Apessetche 12


Media
Aritmétic
a

Población Muestra
μ x


N
xi
x
n
 1
1 i
N x
n

* Medidas de Posición

Prof. Dora Apessetche 13


* Se define como mediana de una distribución al
valor de la misma que ocupa el punto medio

Me=
Si n es
impar
Mediana
(Me)
Si n es
par
Me=

* Mediana
Prof. Dora Apessetche 14
* Se define como moda de una distribución al
valor que mas veces se repite.

* Moda

Prof. Dora Apessetche 15


Los salarios de siete empleados de la Empresa A,
fueron los siguientes (en miles de pesos):

28, 34, 25, 32, 30, 26, 29.


Calcular las medidas de posición e interpretar.

* Actividad 2

Prof. Dora Apessetche 16


Variable N Media Mediana Q1 Q2 Q3
Salario 7 29,14 29 26 29 32

* Respuesta

Prof. Dora Apessetche 17


* Años mas tarde Félix fue a buscar trabajo a una
empresa poderosa.
* La dirección de la empresa está a cargo del Sr.
Artilugio, su hermano y seis parientes. La fuerza
laboral la forman 10 operarios.
* La empresa va muy bien, y se necesita un operario
más.
* El Sr. Artilugio durante la entrevista comenta a
Félix, que el sueldo promedio de la empresa es
$60000. Félix comienza a trabajar

* El engañoso promedio

Prof. Dora Apessetche 18


* Al cabo de un mes de trabajo, Félix muy molesto se dirige
al Sr Artilugio y le reclama: ¡ Ud. Me ha engañado,
ninguno de los operarios gana mas de $20000.
* El Sr. Artilugio le demuestra que no lo ha engañado:
* Yo gano……………………………………………… $480000
* Mi hermano………………………………………. $200000
* Parientes 6 x $50000 $300000
* Capataces 5 x $40000 $200000
* Operarios 10 x $20000 $200000
* Total: $1380000

* El engañoso promedio

Prof. Dora Apessetche 19


* ¿Qué es $20000?

* El engañoso promedio

Prof. Dora Apessetche 20


Cuartiles

Q1 Q2 Q3

25% 25% 25% 25%

Q1 Q2 Q3

𝑄
  1= 𝑋
( 14 𝑁+ 14 )
𝑄
  2=𝑋
( 12 𝑁 + 12 )
𝑄
  3= 𝑋
( 34 𝑁+ 34 ) * Cuartiles
Prof. Dora Apessetche 21
* Cuando el numero de observaciones es mayor
que 15 se genera una serie de frecuencia.
* Frecuencia absoluta: Es el numero de veces
que la variable toma determinado valor. Se
representa como fi

* Distribución de frecuencia
Prof. Dora Apessetche 22
* Existen tres maneras de resumir la información en tablas y
gráficos, se le llaman tipos de distribución.

Distribuciones

Distribución de tipo II Distribución de tipo III o


Distribución simple o de tipo I
(mayor a 15 y menor a 30 Intervalos de clases
(menor a 15 elementos)
elementos) (mayor a 30 elementos)

* Distribución de datos

Prof. Dora Apessetche 23


* Los siguientes valores corresponden a las tallas de
alumnas de un curso expresadas en centímetros:
150 158 171 159 151 152 171 171 170 170 156 156 155
154 159 157 156 155 154 150 151 156
Generar una distribución de frecuencias y calcular la
media aritmética, mediana y moda,

* Actividad 3

Prof. Dora Apessetche 24


Nº Talla

1 150

2 150

3 151

4 151

5 152

6 154

7 154

8 155

9 155

10 156

11 156

12 156

13 156

14 157

15 158

16 159

17 159

18 170

19 170

20 171

21 171

22 171

Prof. Dora Apessetche 25


Clase frecuencia    Media:
xi fi xi * fi

150 2 300

151 2 302

152 1 152
3482
154 2 308
x  158,27
155 2 310 22
156 4 624

157 1 157
 Mediana
158 1 158

159 2 318 Me=


170 2 340 Mo= 156
171 3 513

22 3482

Prof. Dora Apessetche 26


Frec. Relativa Frec. Relativa
Clase frecuencia Frec. Acumulada Frecuencia desacumulada  

xi fi fr % fa fd xi * f i

150 2 0.09 9% 2 22-2=20 300

151 2 0.09 9% 4 22-4=18 302

152 1 0.045 5% 5 22-5=17 152

154 2 0.09 9% 7 22-7=15 308

155 2 0.09 9% 9 22-9=13 310

156 4 0.18 18% 13 22-13=9 624

157 1 0.045 5% 14 22-14=8 157

158 1 0.045 5% 15 22-15=7 158

159 2 0.09 9% 17 22-17=5 318

170 2 0.09 9% 19 22-19=3 340

171 3 0.136 14% 22 22-22=0 513

22 0.991 3482

Prof. Dora Apessetche 27


Frecuencia acumulada: Es el valor dado por la
suma de su frecuencia mas las frecuencias de
las clases que la anteceden.

Frecuencia desacumulada : Se define como la


diferencia entre el total de observaciones y su
frecuencia acumulada.

Prof. Dora Apessetche 28


Las siguientes series tienen la misma amplitud, la misma media y la misma mediana
1 1 1
1 2 8
2 5 8
3 7 9
3 9 10 10
10 10
17 11 10
17 13 11
18 15 11
18 17 12
20 20 20

 
Amplitud: 20-1=19
Media:
Mediana: Me= 10

* Medidas de dispersión
Prof. Dora Apessetche 29
Desvío medio: DM
Es el promedio de los valores absolutos de las desviaciones con
respecto a la media

Clase frecuencia Media


xi fi  
DM=
150 2 158,27 -8,27 8,27 16,54
151 2 158,27 -7,27 7,27 14,54
152 1 -6,27 6,27 6,27
154 2 -4,27 4,27 8,54
155 2 -3,27 3,27 6,54
156 4 -2,27 2,27 9,08
157 1 -1,27 1,27 1,27
158 1 -0,27 0,27 0,7
159 2 0,73 0,73 1,46
170 2 11,73 11,73 23,46
171 3 12,73 12,73 38,19
22 126,59

* Desvío medio
Prof. Dora Apessetche 30
Varianza: es el promedio de los desvíos cuadráticos medios

  ∑ ( 𝑥 − 𝜇 )2 . 𝑓 𝑖
𝑉𝑎𝑟 ( 𝑥 ) = → 𝑃𝑜𝑏𝑙𝑎𝑐𝑖 ó 𝑛
𝑁
  ∑ ( 𝑥 − ´𝑥 )2 . 𝑓 𝑖
𝑉𝑎𝑟 ( 𝑥 ) = → 𝑀𝑢𝑒𝑠𝑡𝑟𝑎
𝑛 −1
Clase frecuencia Media
xi fi
150 2 158,27 -8,27 8,27 16,54 68,3929 136,7858
151 2 158,27 -7,27 7,27 14,54 52,8529 105,7058
152 1 -6,27 6,27 6,27 39,3129 39,3129
154 2 -4,27 4,27 8,54 18,2329 36,4658
155 2 -3,27 3,27 6,54 10,6929 21,3858
156 4 -2,27 2,27 9,08 5,1529 20,6116
157 1 -1,27 1,27 1,27 1,6129 1,6129
158 1 -0,27 0,27 0,7 0,0729 0,0729
159 2 0,73 0,73 1,46 0,5329 1.0658
170 2 11,73 11,73 23,46 137,5929 275,1858
171 3 12,73 12,73 38,19 162,0529 486,1587
22 126,59 1124,7831

Prof. Dora Apessetche 31


* Varianza
  2

𝜎 =√ 𝑉𝑎𝑟 ( 𝑥 ) =
 
𝑁 √
( 𝑥 − ´𝑥 ) . 𝑓 𝑖

Muestra
→ 𝑃𝑜𝑏𝑙𝑎𝑐𝑖 ó 𝑛

Es un valor que indica el grado de dispersión que posee una


distribución con respecto a la media

* Desvío estándar o desvío típico


Prof. Dora Apessetche 32
  define como coeficiente de variación en una distribución al
Se
cociente entre su desvío estandar sobre el valor de su media.

 Expresado en porcentaje

 
Ejemplo
Se tiene dos distribuciones, una correspondiente a los pesos variables de los
paquetes de arroz de 500 grs de dos cerealeras:
La cerealera A con media de 495 grs y un desvío estándar de 10 grs
La cerealera B con media de 502 grs y un desvío estándar de 6 grs

* Coeficiente de Variación
Prof. Dora Apessetche 33
 
Cuando el numero de observaciones es mayor a 20 es conveniente
tomar intervalos de clases, teniendo en cuenta:
1) El numero de intervalos z debe cumplir 5< z <16, se adopta el
valor aproximado de
2) La amplitud del intervalo es
3) Todo intervalo está definido por su limite inferior y su limite
superior:

4) Los valores de un intervalo no deben coincidir con sus limites


5) No debe haber ningún intervalo con frecuencia 0, excepto en los
intervalos extremos

* Intervalo de clases
Prof. Dora Apessetche 34
Con los datos de la actividad 3 armar una distribución de
intervalos de clase

Nº Talla
1 150
2 150
3 151
4 151
5 152
6 154
7 154
8 155
9 155

10 156
11 156
12 156
13 156
14 157
15 158
16 159

* Actividad 4
17 159
18 170
19 170
20 171
21 171
22 171

Prof. Dora Apessetche 35


 

El primer intervalo debe contener a 150 y no coincidir con el


limite del intervalo, entonces li=149,5 y limite superior
Ls=154,5

Numero de [Li - Ls) Frecuencia


Intervalo
1 [149,5-154,5) 7
2 [154,5- 159,5) 10
3 [159,5 – 164,5) ?
4 [164,5 – 169,5) ?
5 [169,5 – 174,5)

Prof. Dora Apessetche 36


El coeficiente intelectual (CI) de 100 estudiantes se distribuye
según la siguiente tabla:
Intervalo Frecuencia Marca de Frecuencia Frecuencia Frecuencia
clase relativa acumulada desacumulada
[100-110) 12 110 0,12 12 100-12=88
[110-120) 34 115 0,34 46 100-46=54
[120-130) 38 125 0,38 84 16
[130-140) 13 135 0,13 97 3
[140-150) 3 145 0,03 100 0

  𝑙𝑠+ 𝐿𝑖
𝑥 𝑚=
2
* Actividad 5

Prof. Dora Apessetche 37


 
Media:

Mediana:
 

Clase medial es la clase que contiene al elemento n/2


n = Numero total de elementos de la distribución
fa = Es la frecuencia acumulada de la clase anterior a la
clase mediana
fm= frecuencia de la clase medial
Δx= amplitud de intervalo
Li: Limite inferior de la clase medial

Moda:
 

d1= la diferencia entre la frecuencia del intervalo modal y la


frecuencia del intervalo que le antecede
d2= la diferencia entre la frecuencia del intervalo modal y la
frecuencia del intervalo que le sucede

* Medidas de posición
Prof. Dora Apessetche 38
Intervalo Frecuencia Marca de Frecuencia Frecuencia Frecuencia
clase relativa acumulada desacumulada
[100-110) 12 110 0,12 12 100-12=88
[110-120) 34 115 0,34 46 fa 100-46=54
fm
[120-130) 38 125 0,38 84 16
[130-140)
[130-140) 13
13 135
135 0,13
0,13 97
97 3
3
[140-150)
[140-150) 3
3 145
145 0,03
0,03 100
100 0
0

𝑥 =121,7
 ´
 
Mo=
Mo=121,38
 Me=

Me=121,05

Prof. Dora Apessetche 39


 Desvío medio Varianza
2
DM=   ∑ ( 𝑥𝑚− 𝜇 ) . 𝑓 𝑖
𝑉𝑎𝑟 ( 𝑥 ) = → 𝑃𝑜𝑏𝑙𝑎𝑐𝑖 ó 𝑛
𝑁
2
  ∑ ( 𝑥 𝑚 − 𝑥´ ) . 𝑓 𝑖
𝑉𝑎𝑟 ( 𝑥 ) = → 𝑀𝑢𝑒𝑠𝑡𝑟𝑎
𝑛− 1

* Medidas de dispersión
Prof. Dora Apessetche 40
Histograma para los coeficientes intelectuales

38

34

13

12

105 115 125 135 145 150


C.I

* Gráficos estadísticos
Prof. Dora Apessetche 41
Histograma para los coeficientes intelectuales

38

34

13

12

105 115 125 135 145 150


C.I

* Gráficos estadísticos
Prof. Dora Apessetche 42
Polígono de Frecuencias para los coeficientes intelectuales

38

34

13

12

105 115 125 135 145 150


C.I

* Gráficos estadísticos
Prof. Dora Apessetche 43
Gráfico de torta
[140-150)
[100-110)
3%
12%
[130-140)
13%

[110-120)
[120-130) 34%
38%

* Gráficos estadísticos
Prof. Dora Apessetche 44
 Serie Simple: 20; 26; 29; 29; 30; 32; 50 (Salarios de la Empresa B)

 Serie de frecuencia: Salarios Frec.

20 1

26 1

29 2

30 1

32 1

50 1

* Gráficos estadísticos
Prof. Dora Apessetche 45
Salarios Frec. Frec. Frec. Frec. Relativa Frec.
Relativa Acumulada Acumulada Desacumulada
20 1 0,14 1 0,14 7-1 = 6
26 1 0,14 2 0,28 7- 2 = 5
29 2 0,29 4 0,56 7-4 = 3
30 1 0,14 5 0,70 7-5 = 2
32 1 0,14 6 0,84 7-6 = 1
50 1 0,14 7 0,98 7-7 = 0

Prof. Dora Apessetche 46


Gráfico de tortas para los salarios

(14% ) (14% )

(14% )
(14% )

(14% )
(29% )

20 26 29 30 32 50

Prof. Dora Apessetche 47


Frecuencias Acumuladas vs. Frecuencias Desacumuladas

5
F re c u e n c ia s

0
19 23 28 32 37 41 46 50
Salarios

* Gráficos estadísticos
Prof. Dora Apessetche 48
frecuencias
frecuencias

Media <Mdn < Moda

Asimetría hacia la izquierda


Moda < Mdn < Media

Asimetría hacia la derecha

Prof. Dora Apessetche 49


frecuencias

Media=Moda=Mediana

* Distribución simétrica
Prof. Dora Apessetche 50
68%

Media
un un
desvío desvío

* Regla empírica
Prof. Dora Apessetche 51
95%

Media
dos desvíos dos desvíos

* Regla empírica
Prof. Dora Apessetche 52
100%

Media
tres desvíos tres desvíos

* Regla empírica
Prof. Dora Apessetche 53
Una empresa desea contratar personal para sus diversas áreas. Se
presentaron 125 aspirantes resultando una edad promedio de 36 años
con una desviación de 2 años. Si las edades se distribuyen en forma
simétrica y la empresa decidió, que solo empleará a personas menores
a 38 años, responde:
a) ¿Qué porcentaje de aspirantes estarán en condiciones de conseguir el
trabajo?
b) ¿Qué cantidad de personas fueron excluidas?

Prof. Dora Apessetche 54


Resolución

16% 68% 16%

34 36 38 Años

Candidatos al puesto de trabajo

Prof. Dora Apessetche 55


Resolución

16% 68% 16%

34 36 38 Años

Candidatos al puesto de trabajo

a) 84% de los candidatos estarán en condiciones de conseguir el


trabajo.
b) 16% de 125 = 20 personas serán excluidas.

Prof. Dora Apessetche 56


Probabilidad

Mide el grado de ocurrencia de un suceso o evento.

Prof. Dora Apessetche 57


Experimento Aleatorio

e.a
proceso

tiene es resultado

Cjto de reglas repetible azar

“Arrojar un dado”

Prof. Dora Apessetche 58


Espacio Muestral

e.a
resultados

Ejemplo:
e.a: arrojar un dado.
= { 1; 2; 3; 4; 5; 6 } y # =6

Prof. Dora Apessetche 59


Sucesos o Eventos

e.a A

Ejemplo: simple compuesto


e.a: arrojar un dado.

= { 1; 2; 3; 4; 5; 6 } y # =6

A= salió par = {2; 4; 6} y # A = 3

B = salió par o mayor que 4 = {2; 4; 5; 6} y # B = 4

C= salió par y mayor o igual a 4 = { 4;6 } y # C =2


Prof. Dora Apessetche 60
Representación Gráfica

e.a: arrojar un dado


Diagrama de Venn

1 3
2 4
5 pto.muestral
6

Prof. Dora Apessetche 61


Operaciones entre Eventos
A; B

Interseccíon Unión Complemento

A’
A y B ocurren Ocurre al menos uno de No ocurre A
simultáneamente ellos

“y” “o”

Prof. Dora Apessetche 62


Definición de Probabilidad

Clásica Frecuentista Subjetiva Axiomática


(Laplace) (Kolmogorov)

Frecuencia relativa Experiencia


s previas

10 lanzamientos, 2 veces salió par :

Prof. Dora Apessetche 63


Definición Axiomática (Kolmogorov)

Una medida de probabilidad es una función donde a cada evento A le


corresponde un número real que satisface los siguientes axiomas:

si y solo si

Prof. Dora Apessetche 64


Relaciones entre Eventos

Complementarios: P(A) + P(A’) = 1

Mutuamente excluyentes: =0

Independientes:Dos eventos se dice independientes cuando la


ocurrencia de uno no afecta la probabilidad de la ocurrencia del otro.

= P(A) . P(B)

Ejemplo: Se arroja un dado 2 veces

A = primer tiro sale par ; B = segundo tiro sale 3, =0,083

Prof. Dora Apessetche 65


Probabilidad Condicional

Si A y B son dos eventos tales que P (B) > 0, la probabilidad de A dado


que ocurrió B es:

Nota: Si A y B son independientes, P(A / B) = P(A)

Prof. Dora Apessetche 66


Probabilidad Condicional

Si A y B son dos eventos tales que P (B) > 0, la probabilidad de A dado


que ocurrió B es:

Ejemplo 1: Se arroja un dado y se observa que salió par, ¿cuál es la


probabilidad que sea el número 2?

P(2/salió par) =

Prof. Dora Apessetche 67


Probabilidad Condicional

Si A y B son dos eventos tales que P (B) > 0, la probabilidad de A dado


que ocurrió B es:

Ejemplo 1: Se arroja un dado y se observa que salió par, ¿cuál es la


probabilidad que sea el número 2?

P(2/salió par) = 0,33

Prof. Dora Apessetche 68


Probabilidad Condicional

Si A y B son dos eventos tales que P (B) > 0, la probabilidad de A dado


que ocurrió B es:

Ejemplo 2: En una población con 10 personas, 4 tienen caries , 5 son


consumidores habituales de caramelos y 2 de los que tienen caries
consumen caramelos . Si se elige una persona al azar, ¿cuál es la
probabilidad de que tenga caries dado que es consumidor habitual
de caramelos?

Prof. Dora Apessetche 69


Probabilidad Condicional

Si A y B son dos eventos tales que P (B) > 0, la probabilidad de A dado


que ocurrió B es:

Ejemplo 2: En una población con 10 personas, 4 tienen caries , 5 son


consumidores habituales de caramelos y 2 de los que tienen caries
consumen caramelos . Si se elige una persona al azar, ¿cuál es la
probabilidad de que tenga caries dado que es consumidor habitual
de caramelos?
P( A / B )=0.4

Prof. Dora Apessetche 70


Regla Aditiva y Multiplicativa

 Del tercer axioma de Kolmogorov:

 De la prob. condicional:

Prof. Dora Apessetche 71


Modelos Probabilísticos basados en
probabilidades condicionales

A1; A2; …;An particiones de  y sea B un


evento

Probabilidad Teorema de
Compuesta Bayes

 
B B

A1 A2 … An A1 A2 … An

Prof. Dora Apessetche 72


Modelos Probabilísticos basados en
probabilidades condicionales

A1; A2; …;An particiones de  , y sea B un


evento

Probabilidad Teorema de
Compuesta Bayes

P (B) P (A2/B)
 
B B

A1 A2 … An A1 A2 … An

Prof. Dora Apessetche 73


Modelos Probabilísticos basados en
probabilidades condicionales
A1; A2; …;An particiones de  , B un evento

Probabilidad
Compuesta
P
(
B
)

P
(B
/
A
1
)P
(
A
1
)
P(
B
/
A
2)
P
(
A
2
).
.
.

P(
B
/
A
n)
P
(
A
n
)

Teorema de Bayes
P(
B/A
2)
P(
A2
)
P
(
A2/
B)
P(
B/A
1
)P
(
A1
)
P(
B/A
2)
P(
A2
)
..
.P
(
B/)
A
nP
()
An

P(
B/A
)P
(A)
P
(
A2/
B) 2 2
P(
B)

Prof. Dora Apessetche 74


Aplicaciones

1) En una población, de los varones, el 4% son daltónicos. De las


mujeres, el 2% son daltónicas. De la población el 53% son mujeres. Se
extrae una persona al azar.
a. ¿Cuáles son las particiones del espacio muestral?

b. ¿Qué probabilidad hay de que sea daltónico?

Prof. Dora Apessetche 75


Aplicaciones

1) En una población, de los varones, el 4% son daltónicos. De las


mujeres, el 2% son daltónicas. De la población el 53% son mujeres. Se
extrae una persona al azar.
a. ¿Cuáles son las particiones del espacio muestral?

b. ¿Cuál es la probabilidad de que sea daltónico?

P(D) = P (D/V) P(V) + P(D/M) P(M)


P(D) = 0,04 x 0,47 + 0,02 x 0,53
P(D) = 0,029

Prof. Dora Apessetche 76


Aplicaciones

2) En una población, de los varones, el 4% son daltónicos. De las


mujeres, el 2% son daltónicas. De la población el 53% son mujeres. Se
extrae una persona al azar y resultó ser daltónico.
a. ¿Cuáles son las particiones del espacio muestral?

b. ¿Cuál es el evento que ocurrió?

c. ¿Qué probabilidad hay de que sea varón?

Prof. Dora Apessetche 77


Seminario 5: Ejercicio 10

45% 55% a.
D
“regla multiplicativa”
10% 8%
b. P
(
D
)
P
(
D/
M
)
1P
(
M
1)

P
(D
/
M)
P
(
2M
)
2

“prob. compuesta”

c.

“teo. Bayes”

Prof. Dora Apessetche 78


Variables Aleatorias

Definición: Es una función X, que asocia a cada uno de los resultados


de un e.a con un número real.

Ω
R

Prof. Dora Apessetche 79


Variables Aleatorias

Ejemplo 1: Se arroja una moneda

Cara
Seca

Prof. Dora Apessetche 80


Variables Aleatorias

Ejemplo 1: Se arroja una moneda y se cuenta la cantidad de caras.


X

Ω
Cara 1
Seca 0

Ω={ cara; seca} X = 0;1

Prof. Dora Apessetche 81


Variables Aleatorias

Ejemplo 2: Se arrojan dos monedas, una de 10 centavos y otra de 5


centavos

Ω ={ (C10;C5); (C10;S5);(S10;C5);(S10;S5)} ; X = 2; 1; 0

Ejemplo 3: Se arroja un dado dos veces y se observa la suma de sus


caras.

Ω= { (1;1) ; (1;2); …;(6;6)} ; X= 2;3;4;5;6;7;8;9;10;11;12


Variables Aleatorias

Ejemplo 4: Un centro de salud tiene 4 pacientes sicóticos de los


cuales 2 son varones. Se extraen 2 pacientes al azar contándose la
cantidad de varones sicóticos.

Ω={(M1;M2)} (M1;V1); (M1;V2);(M2;V1);(M2;V2);(V1;V2)} ; X = 0;1;2

Prof. Dora Apessetche 83


Variables Aleatorias

 Discretas: los valores que asume X constituyen un conjunto finito


o infinito numerable.
Ejemplos:
X = 0;1 conjunto finito.
X = 0; 1; 2; 3; 4; 5; … conjunto infinito numerable.

 Continuas: los valores que asume X pertenecen a un intervalo de


números reales. Ejemplo X = [0;1]

Prof. Dora Apessetche 84


Distribución de una Variable Aleatoria Discreta

En el ejemplo 2: Se arrojan dos monedas, una de 10 centavos y otra de 5


contándose la cantidad de caras.

Ω ={ (C10;C5); (C10;S5);(S10;C5);(S10;S5)}

X = 0; 1; 2 v.a discreta
La Función de Distribución de X es:
P(X=0)= ¼=0,25
P(X=1)=2/4 = 0,50
P(X=2)=1/4=0,25

Prof. Dora Apessetche 85


Gráfico de la Distribución de una Variable Aleatoria
Discreta

Gráfico de la Distribución para el ejemplo 4

0,70

0,57
Probabilidades

0,43

0,30

0,17

-1 0 1 2
X
Prof. Dora Apessetche 86
Valor Esperado de una Variable Aleatoria Discreta

La Esperanza Matemática

Prof. Dora Apessetche 87


Valor Esperado de una Variable Aleatoria Discreta

En el ejemplo 2: Se arrojan dos monedas, una de 10 centavos y otra


de 5 contándose la cantidad de caras.

X= 0;1;2, su Función de Distribución es:

P(X=0)= ¼=0,25
P(X=1)=2/4 = 0,50
P(X=2)=1/4=0,25

E(X)=¿?

Prof. Dora Apessetche 88


Valor Esperado de una Variable Aleatoria Discreta

En el ejemplo 2: Se arrojan dos monedas, una de 10 centavos y otra


de
5 contándose la cantidad de caras.
X= 0;1;2, su Función de Distribución es:

P(X=0)= ¼=0,25
P(X=1)=2/4 = 0,50
P(X=2)=1/4=0,25

E(X)= 0. 0,25 + 1.0,5 +2 . 0,25 = 1

“Se esperaría que al arrojarse dos monedas, una de 10 centavos


y otra de 5, salga una cara”

Prof. Dora Apessetche 89


Valor Esperado de una Variable Aleatoria Discreta
En el ejemplo 4: Un centro de salud tiene 4 pacientes sicóticos de los
cuales 2 son varones. Se extraen 2 pacientes al azar contándose la
cantidad de varones sicóticos.
X = 0;1;2 , su Función de Distribución es:

P(X=0)=1/6 = 0,17
P(X=1)=4/6= 0,66
P(X=2)=1/6= 0,17
E(X) = 0. 0,17 + 1 . 0,66 + 2 . 0,17 = 1

Prof. Dora Apessetche 90


Valor Esperado de una Variable Aleatoria Discreta

Seminario 6, Ejercicio 1: Considere que se ganan $1; $2; $3; $4; $5 y $6


cuando en un dado aparecen respectivamente las caras 1;2;3;4;5 y 6. En
una tirada de dados, indique que suma de dinero se esperaría ganar.

Prof. Dora Apessetche 91


Valor Esperado de una Variable Aleatoria Discreta

Seminario 6, Ejercicio 1: Considere que se ganan $1; $2; $3; $4; $5 y $6


cuando en un dado aparecen respectivamente las caras 1;2;3;4;5 y 6. En
una tirada de dados, indique que suma de dinero se esperaría ganar.

Ω = {1; 2; 3; 4; 5; 6} ; X = $1;$2;$3;$4;$5;$6

Prof. Dora Apessetche 92


Valor Esperado de una Variable Aleatoria Discreta

Seminario 6, Ejercicio 1: Considere que se ganan $1; $2; $3; $4; $5 y $6


cuando en un dado aparecen respectivamente las caras 1;2;3;4;5 y 6. En
una tirada de dados, indique que suma de dinero se esperaría ganar.

Ω= {1; 2; 3; 4; 5; 6} ; X = $1;$2;$3;$4;$5;$6

Su Función de Distribución es: P(X=$1)=P(X=$2) = …=P(X=$6)= 1/6

E(X) = $3,50

Prof. Dora Apessetche 93


Varianza de una Variable Aleatoria Discreta

Prof. Dora Apessetche 94


Varianza de una Variable Aleatoria Discreta

Seminario 6, Ejercicio 1: X = $1;$2;$3;$4;$5;$6 y E(X) = $3,50.

Prof. Dora Apessetche 95


Varianza de una Variable Aleatoria Discreta

Seminario 6, Ejercicio 1: X = $1;$2;$3;$4;$5;$6 y E(X) = $3,50.

V(X)= 2,905

Prof. Dora Apessetche 96


Distribuciones de Variables Aleatorias

Funciones de
Distribuciones
P(X)

V.A. Discretas V.A. Continuas

Binomial Poisson Hipergeométrica Normal

Prof. Dora Apessetche 97


Distribución Binomial

Experimento Aleatorio Binomial

 n-ensayos identicos.

 Ensayos independientes.

 Cada ensayo tiene 2 resultados posibles: E o F.

 P(E) = p y P(F) = q = 1-p.

 Se define la v.a discreta X= cantidad de éxitos obtenidos en n-


ensayos

X= 0;1;2;3;4;…;n. Decimos que X ~B(n;p)


Prof. Dora Apessetche 98
Distribución Binomial

Ejemplo 1: Se arroja una moneda 6 veces con una probabilidad de


0,40 de que salga cara.

Prof. Dora Apessetche 99


Distribución Binomial
Ejemplo 1: Se arroja una moneda 6 veces con una probabilidad de
0,40 de que salga cara.

 6-ensayos

 Cada tirada es independiente de la tirada anterior

 E= sale cara y F= sale seca.

 P(E) = 0,40 y P(F)= 0,60

 X = 0; 1;2;3;4;5;6. Decimos que X~B(6;0,40)

Prof. Dora Apessetche 100


Distribución Binomial

Fórmula:

E(X) = np

V (X)= npq

Prof. Dora Apessetche 101


Distribución Binomial

Ejemplo 1: Se arroja una moneda 6 veces con una probabilidad de


0,40 de que salga cara. ¿Cuál es la probabilidad de que salgan 2
caras?

E(X) = 2,4 y V(X)= 1,44

Prof. Dora Apessetche 102


Distribución Binomial

Ejemplo 3: La probabilidad de dar al blanco con una bala de un rifle es


de 0,10. Se disparan 10 balas. ¿Cuál es la probabilidad de dar al
blanco 5 veces?

Prof. Dora Apessetche 103


Distribución Binomial

Ejemplo 3: La probabilidad de dar al blanco con una bala de un rifle es


de 0,10. Se disparan 10 balas. ¿Cuál es la probabilidad de dar al
blanco 5 veces?

P(x=5) = 0,001

E(X) = 1 y V(x) = 0,90

Prof. Dora Apessetche 104


Distribución Binomial

Seminario 7-Ejercicio 2
Debido a las altas tasas de interés, una empresa reporta que el 30% de
sus cuentas por cobrar de otras empresas están vencidas. Si un
contador toma una muestra aleatoria de 5 de esas cuentas determine
la probabilidad de que:
a. Ninguna de la cuentas estén vencidas

b. Exactamente 2 estén vencidas.

c. Exactamente el 20% de las cuentas estén vencidas.

Prof. Dora Apessetche 105


Distribución Binomial

Seminario 7-Ejercicio 2
n=5; E= cuenta esté vencida con probabilidad de 0,30.

Cada cuenta vencida es independiente del estado de la cuenta anterior.

X= 0;1;2;3;4;5

a. P(X=0)=
b. P(X=2)=
c. P(X=1)=

a. P(X=0)=0,16
b. P(X=2)=0,31
c. P(X=1)=0,36

Prof. Dora Apessetche 106


Distribución de Poisson

X = cantidad de éxitos observados en un intervalo de tiempo con tasa de


ocurrencia λ.

X= 0;1;2;3;….

Fórmula:

Decimos que v.a X~ Po(λ)

E(X) = V(X) = λ

Prof. Dora Apessetche 107


Distribución de Poisson

Ejemplo: Las lesiones laborales graves que ocurren en una planta


metalúrgica tiene una media anual de 2.7. Dado que las condiciones de
seguridad serán iguales en la planta durante el próximo período:
a. ¿Cuál es la probabilidad de que no existan accidentes de este tipo?

b. ¿Cuál es la probabilidad de que se produzca un accidente?

c. ¿Cuál es la probabilidad de que la cantidad de accidentes sean a lo


sumo 2?

Prof. Dora Apessetche 108


Distribución de Poisson

X = cantidad de lesiones graves ocurridos en un año.

X= 0;1;2;3;4;5;…

X ~Po (2,7) y E(X) = V(X) = 2,7

a.

b.

Prof. Dora Apessetche 109


Distribución de Poisson

X = cantidad de lesiones graves ocurridos en un año.

X= 0;1;2;3;4;5;…

X ~Po (2,7) y E(X) = V(X) = 2,7

c.

Prof. Dora Apessetche 110


Distribución Hipergeométrica

 Población finita de tamaño N.

 M de ellos cumplen con una condición determinada.

 Se extraen n elementos de esa población.

 n/N ≥ 0,04.

 X = cantidad de observaciones que tienen la condición


determinada en n.

 X~Hi(N;M;n)

Prof. Dora Apessetche 111


Distribución Hipergeométrica

N
M

Prof. Dora Apessetche 112


Distribución Hipergeométrica

Fórmula:

Prof. Dora Apessetche 113


Distribución Hipergeométrica

Ejemplo 1: En una canasta hay 15 manzanas de las cuales exactamente


5 están machucadas. Se extraen 7 manzanas al azar. ¿Cuál es la
probabilidad de que 3 manzanas estén machucadas?

10
X~Hi(15; 5; 7) 5

n=7

Prof. Dora Apessetche 114


Distribución Hipergeométrica

P(x=3) = 0,33

Prof. Dora Apessetche 115


Distribución Hipergemométrica

Ejemplo 2: Un centro de salud mental tiene 20 pacientes de los cuales 2


están a punto de obtener el alta. Si se seleccionan 3 pacientes al azar,
¿cuál es la probabilidad de que entre ellos estén los dos pacientes de
obtener el alta?

Prof. Dora Apessetche 116


Distribución Hipergemométrica

Ejemplo 2: Un centro de saludo mental tiene 20 pacientes de los cuales 2


están a punto de obtener el alta. Si se seleccionan 3 pacientes al azar,
¿cuál es la probabilidad de que entre ellos estén los dos pacientes de
obtener el alta?

X~Hi(20;2;3) y P(X=2) = 0,016

Prof. Dora Apessetche 117


Aproximación de la Binomial a la Poisson

B ( n , p ) ≈ Po(λ)
n.p
Grande > 20

Chico <0,05

Prof. Dora Apessetche 118


Aproximación de la Binomial a la Poisson

Ejemplo: Supongamos que el 3% de los pernos hechos en una máquina


son defectuosos y que aparecen al azar durante la producción. Se
empaquetan en cajas de 50 pernos, ¿cuál es la probabilidad de que en
cierta caja contenga 4 pernos defectuosos?

X ~B(50;0,03) ≈ Po (1,5)

P(X=4)=0,0459 ≈ P(X=4) = 0,047

Prof. Dora Apessetche 119


Aproximación de la Hipergeométrica a la Binomial

Hi( N , M ,n ) ≈ B( n, p)

≤ 0,05 N M/N

Prof. Dora Apessetche 120


Distribución Normal

X ~ N (µ; σ2)

0,15

0,11

0,08

0,04

0,00
-8,23 -1,61 5,00 11,61 18,23
X
Características Generales

 Forma acampanada.
 Simétrica respecto a su media.
 Queda determinada por su media y varianza (ó D.E).
 Cada combinación de la media y varianza especifica una dist.
Normal única.
 Los extremos de la campana se extiende por todo el eje de las
abscisas.
 El área total bajo la curva es 1 o el 100%. P = área.
 La probabilidad de que la v.a continua asuma un único valor es
0.
Área Bajo la Curva

0,20

0,15

0,10

0,05

p=1 ó 100%
0,00
-5,00 0,00 5,00 10,00 15,00
X
Área Bajo la Curva
0,20

0,15

0,10

0,05

P=0,5
0,00
-5,00 0,00 5,00 10,00 15,00
X
Área Bajo la Curva

0,20

0,15

0,10

0,05

p=0,68

0,00
-5,00 0,00 5,00 10,00 15,00
X
Área Bajo la Curva
0,15

0,11

0,08

0,04 p=0

0,00
-8,23 -1,61 5,00 11,61 18,23
X
Distribución Normal Estándar

Z ~ N ( 0; 1)
0,40

0,30

0,20

0,10

0,00
-5,00 -2,50 0,00 2,50 5,00
Z
Distribución Normal Estándar

Normal(0,1): p(evento)=0,9332 Normal(0,1): p(evento)=0,0228


0,40 0,40

0,30 0,30

0,20 0,20

0,10 0,10

0,00 0,00
-5,00 -2,50 0,00 2 2,50 5,00
-5,00 -2,50 0,00 1,5 2,50 5,00
Z Z
Distribución Normal Estándar

Normal(0,1): p(evento)=0,6827 Normal(0,1): p(evento)=0,7606


0,40 0,40

0,30 0,30

0,20 0,20

0,10 0,10

0,00 0,00
-5,00 -2,50 -1 0,00 1 2,50 5,00 -5,00 -2,50 -1 0,00 1,40 2,50 5,00
Z Z
Estandarización

X ~ N(5;4)
0,20

0,15

0,10

0,05

p=¿?
0,00
-5 0 5 6 10 15
X
Estandarización
X ~ N(5;4) Z ~ N(0;1)

0,20 0,40

0,15 0,30

0,10 0,20

0,05 0,10
p=¿?

0,00 0,00
6
-5 0 5 10 15 -5,00 -2,50 0,00 2,50 5,00
X Z
Estandarización

X ~ N(5;4) Z ~ N(0;1)

0,20 0,40

0,15 0,30

0,10 0,20

0,05 0,10
p=¿?

0,00 0,00
-5 0 5 6 10 15 -5,00 -2,50 0,00 2,50 5,00
X Z
Estandarización

X ~ N(5;4) Z ~ N(0;1)

0,20 0,40

0,15 0,30

0,10 0,20

0,05
p=¿? 0,10

0,00 0,00
-5 0 5 6 10 15 -5,00 -2,50 0,00 2,50 5,00
X Z
Estandarización

X ~ N(5;4) Z ~ N(0;1)
0,20 0,40

0,15 0,30

0,10 0,20

0,05 0,10

p=¿?
0,00 0,00
-5 0 5 6 10 15 -5 -3 0 0,5 3 5
X Z
Estandarización

X ~ N(5;4) Z ~ N(0;1)
0,20 0,40

0,15 0,30

0,10 0,20

0,05 0,10

p=¿? 0,69

0,00 0,00
-5 0 5 6 10 15 -5 -3 0 0,5 3 5
X Z
Estandarización

X ~ N(5;4) Z ~ N(0;1)
0,20 0,40

0,15 0,30

0,10 0,20

0,05 0,10

0,69 0,69

0,00 0,00
-5 0 5 6 10 15 -5 -3 0 0,5 3 5
X Z
Estandarización

Ejemplo 1: Las notas de un curso se comporta de acuerdo a una


distribución normal con media 5 y varianza 16.
a. ¿Cuál es el valor estandarizado para la nota 7?

b. ¿Cuál es el valor estandarizado para la nota 2?

c. ¿Cuál es la probabilidad de encontrar notas entre 2 y 7?


Estandarización

Ejemplo 1: Las notas de un curso se comporta de acuerdo a una


distribución
normal con media 5 y varianza 16.
a. ¿Cuál es el valor estandarizado para la nota 7?

b. ¿Cuál es el valor estandarizado para la nota 2?

c. ¿Cuál es la probabilidad de encontrar notas entre 2 y 7?

X~N(5;16)

 z = 0,5
 z= -075
Estandarización

X ~ N(5;16) Z ~ N(0;1)
0,10 0,40

0,08 0,30

0,05 0,20

0,03 0,10

0,46
0,00 0,00
2 -5 -3 -0,75 0 0.5 3 5
-15 -5 5 7 15 25
Notas Notas estandarizadas
Estandarización

Ejemplo 2: Un criterio para seleccionar personas de “alto coeficiente


intelectual”, consiste en elegir solo el 5% más inteligente de los
individuos que se someten a una prueba de inteligencia. Se sabe
que las puntuaciones de la prueba, se comporta de acuerdo a una
distribución normal con media 500 y desviación estándar de 100,
¿qué puntuación será el límite para rechazar o aceptar un
candidato?
Estandarización

0,004 0,40

0,003 0,30

Densidad
0,002 0,20

0,001 0,10

95% 5% 95% 5%
0,000 0,00
0 250 500 750 1000 -5,00 -2,50 0,00 2,50 5,00
Puntuaciones Puntuaciones estandarizadas
Estandarización
0,004 0,40

0,003 0,30

Densidad
0,002 0,20

0,001 0,10

95% 5% 95% 5%
0,000 0,00
1,64
0 250 500 750 1000 -5,00 -2,50 0,00 2,50 5,00
Puntuaciones Puntuaciones estandarizadas
Estandarización

La puntuación estandarizada para la puntuación límite es de 1.64.

La puntuación original es:

Luego, un criterio para seleccionar personas con alto coeficiente


intelectual será utilizando un límite de 664 puntos en la prueba de
inteligencia.
Aproximación de la Binomial a la Normal

grande
np
npq
cerca de
0,5
Aproximación de la Binomial a la Normal

Ejemplo: La probabilidad de que un fusible funcione es de 0,70. Se


seleccionan 1000 fusibles, ¿cuál es la probabilidad de tener más de 27
fusibles defectuosos?

X~B(1000; 0,30) X~N(300;210)


P(x>27)=1 P(x>27)=1
Aproximación de la Poisson a la Normal

>5
Muestreo

Aleatorio

Aleatorio simple Estratificado Conglomerado Sistemático

Leer: Willianm J. Stevenson: Capítulo 6, pág. 184-201


Muestreo Aleatorio Simple
M.A.S
Características

 Se dispone de un registro de todos los individuos de la


población.

 Se realiza un sorteo.

 Todos los individuos de la población tienen la misma


probabilidad de ser seleccionado
Muestreo Estratificado

Características

 Se divide a la población en subconjuntos llamados estratos.

 Los estratos son pocos y de tamaños grandes.

 Cada estrato “dentro” es lo más homgéneo posible.

 Cada estrato “entre” es lo más heterogéneo posible.

 Se seleccionan individuos de cada estrato a través del M.A.S.


Muestreo por Conglomerado

Características

 Se divide a la población en subconjuntos llamados


conglomerados.

 Los conglomerados son muchos y de tamaños pequeños.

 Cada conglomerado “dentro” es lo más heterogéneo posible.

 Cada conglomerado “entre” es lo más homgéneo posible.

 Se seleccionan conglomerados a través del M.A.S.


Muestreo Sistemático

Características

 Los individuos de la población se acomodan en una secuencia .

 Se seleccionará de la secuencia cada N/n elemento.

 El punto de inicio se determina a través del M.A.S.

Ejemplo: 12.500 expedientes de una empresa fueron ordenados


alfabéticamente, se decide obtener una muestra de 350 de ellos a través
de
un muestreo sistemático. Se seleccionarán cada 12. 500/350= 36
expediente.
Se sortea el punto de inicio y resulta el expediente 18:

18-54-90-126-162…
Parámetros y Estimadores

Característica Poblacional : Parámetro. Generalmente desconocido.

Característica Muestral: Estimador.

Estimador “estima” a un parámetro.

Definición: La distribución de probabilidad de un estimador recibe el


nombre de distribución de muestreo.
Distribución de Muestreo para la Media Muestral

Teorema Central del Límite

N es
infinito
  de una población de media µ y desvío estándar σ, se extraen todas
Si
las muestras posibles del mismo numero de elementos n cada una de
ellas, y de cada muestra obtenemos su media, la distribución de
todas esas medias tendrá una distribución del tipo normal;
independientemente del tipo de distribuciones que posea la
población, con una media igual a la media poblacional µ y con un
desvío estándar σ menor al desvío estándar poblacional, denominado
error muestral estándar cuyo valor es igual a:

Prof. Dora Apessetche 154


Distribución de Muestreo para la Media Muestral
Teorema Central del Límite
n
N es infinito

.
.
.
n
Distribución de Muestreo para la Media Muestral
Teorema Central del Límite
n
N es infinito

.
.
. n
Distribución de Muestreo para la Media Muestral
Teorema Central del Límite
n
N es infinito

n
Si n es grande

.
.
. n
Distribución de Muestreo para la Media Muestral
Teorema Central del Límite
n
N es finito y n/N>0,05

.
. factor de
n correcció
.
n
Aplicación
Ejemplo: El número de alumnos por año que ingresan a las escuelas tiene
media 600 con desvió 300. Si se toma una muestra aleatoria de 25 escuelas,
¿cuál es la probabilidad de que la media de la muestra sea inferior a 550?

0,007

0,005

0,003

0,002

0,000
300 450 550 600 750 900
Aplicación
Ejemplo: El número de alumnos por año que ingresan a las escuelas tiene
media 600 con desvió 300. Si se toma una muestra aleatoria de 25 escuelas,
¿cuál es la probabilidad de que la media de la muestra sea inferior a 550?

0,007

0,005

0,003

Estandarización de
0,002 550:

0,000
300 450 550 600 750 900
Aplicación
Ejemplo: El número de alumnos por año que ingresan a las escuelas tiene
media 600 con desvió 300. Si se toma una muestra aleatoria de 25 escuelas,
¿cuál es la probabilidad de que la media de la muestra sea inferior a 550?

Normal(0,1): p(evento)=0,2033
0,40
0,007

0,30
0,005

0,003 0,20

0,002 0,10

0,000 0,00
300 450 550 600 750 900 -5,00 -2,50 -0,83 0,00 2,50 5,00
Error Estándar
Error Estándar
Estandarizaciones

Un valor de la variable aleatoria X: ~


N(0;1)

Un valor de la variable aleatoria X : ~


N(0;1)
Estimación de Parámetros

estim
a

puntual Intervalar: I.C

L.I L.S
Estimación de Parámetros

Ejemplo: Se desea estimar puntual e intervalarmente (con el 95% de


confianza) la media de una población. Se sabe que el desvío es 2.
Se toma una muestra de tamaño 35 resultando una media de 7.
Estimación de Parámetros

Ejemplo: Se desea estimar puntual e intervalarmente (con el 95 % de


confianza) la media de una población. Se sabe que el desvío es 2.
Se toma una muestra de tamaño 35 resultando una media de 7.

La estimación puntual de µ es 7.


Estimación de Parámetros

 La estimación intervalar de µ (con el 95% de confianza):

0,40

0,30

0,20

0,10
0,95
0,00
-5,00 -z 0,00 z 5,00
Estimación de Parámetros

 La estimación intervalar de µ: 0,40

0,30

0,20

0,10
0,95
6,34 7 7,66
0,00
-5,00 -z 0,00 z 5,00
Interpretación de los Intervalos de Confianza

Intervalos de confianza para la media con el 95%

0 25 50 75 100
Intervalos
Error Máximo de Estimación

6,34 7 7,66

E = 0,66
Error Máximo de Estimación

6,34 7 7,66

E = 0,66
Determinación del Tamaño Muestral

Se necesita conocer:

 Varianza o desvío poblacional.

 Error máximo de estimación permitido.

 Nivel de confianza.
Determinación del Tamaño Muestral

Ejemplo: Una compañía desea estimar el peso promedio de sus cajas.


Se desea que la media de la muestra no difiera en más de 2 kg. con la
verdadera media. Se sabe que el desvío poblacional es de 10 kg.
Para un nivel de confianza del 90% ¿qué tamaño de muestra se debe
usar?
Determinación del Tamaño Muestral

Ejemplo: Una compañía desea estimar el peso promedio de sus cajas.


Se desea que la media de la muestra no difiera en más de 2 kg. con la
verdadera media. Se sabe que el desvío poblacional es de 10 kg.
Para un nivel de confianza del 90% ¿qué tamaño de muestra se debe
usar? 0,40

0,30

0,20

0,10
0,90
0,00
-5,00 -z 0,00 z 5,00
Determinación del Tamaño Muestral

Ejemplo: Una compañía desea estimar el peso promedio de sus cajas.


Se desea que la media de la muestra no difiera en más de 2 kg. con la
verdadera media. Se sabe que el desvío poblacional es de 10 kg.
Para un nivel de confianza del 90% ¿qué tamaño de muestra se debe
usar? 0,40

0,30

0,20

0,10
0,90
n = 67,24≈67 0,00
-5,00 -z 0,00 z 5,00
Prof. Dora Apessetche 177

También podría gustarte