Unidad 3 Estadistica Conceptos
Unidad 3 Estadistica Conceptos
Unidad 3 Estadistica Conceptos
CARRERA:
INGENIERA MECNICA
GRUPO: MC2
FECHA: 18/marzo/2014
Contenido
Qu es exactamente el azar? ............................................................................... 3 Qu es una variable aleatoria? ............................................................................. 3 Variables aleatorias discretas (Definicion y ejemplos). ........................................... 3 Dist. De probabilidad para una variable aleatoria discreta (VAD)............................ 3 Valor esperado de una VAD (Esperanza matematica) ............................................ 5 Valor Monetario Esperado ....................................................................................... 5 Varianza y desviacion estandar de una V.A.D. ....................................................... 6 La distribucion Binomial. ......................................................................................... 6 Distribucion Hipergeometrica. ................................................................................. 8 La distribucion de Poisson....................................................................................... 9 Variables aleatorias continuas............................................................................... 11 La distribucion normal de probabilidades .............................................................. 11 La distribucion normal estandarizada .................................................................... 14 Aproximacion de la normal a la binomial. .............................................................. 16 Distribucion de probabilidad exponencial. ............................................................. 17 BIBLIOGRAFIA ..................................................................................................... 18
Qu es exactamente el azar?
El azar es una cualidad presente en diversos fenmenos que se caracterizan por no mostrar una causa, orden o finalidad aparente. En matemticas, puede darse una serie de nmeros con la propiedad de que dicha serie no puede obtenerse por un algoritmo ms corto que la serie misma. Es lo que se conoce como aleatoriedad. La rama de las matemticas que estudia este tipo objetos es la teora de la probabilidad. Cuando esta teora se aplica a fenmenos reales se prefiere hablar de estadstica.
Definicion. El evento que esta formado por todos los resultados para los que X = x de denota como { X = x }, y la probabilidad de este evento como P(X = x). Formas de representarla. Distribucin de probabilidad. Es una distribucin terica de frecuencias que describe cmo se espera que varen los resultados de un experimento. Existen diferentes tipos de modelos que permiten describir el comportamiento de fenmenos estadsticos que permiten hacer inferencias y tomar decisiones en condiciones de incertidumbre.
Distribuciones discretas. Son aquellas donde las variables asumen un nmero limitado de valores, por ejemplo el nmero de aos de estudio.
Acumulada. La funcion de distribucion acumulada de una variable aleatoria discreta X, denotada por , es
Concepto. La esperanza matemtica puede interpretarse intuitivamente como el valor medio de infinitas observaciones. De hecho, si representa una observacin en un individuo, se cumple:
La esperanza matematica tambien puede intepretarse como un punto de equilibrio de la distribucion de probabilidad.
Varianza. Se podra usar un argumento parecido para justificar las frmulas para la varianza de la poblacin y la desviacin estndar de la poblacin . Estas medidas numricas describen la dispersin o variabilidad de la variable aleatoria mediante el promedio o valor esperado de las desviaciones cuadrticas de los valores de x a partir de su media Sea x variable aleatoria discreta con distribucin de probabilidad f(x) y media La varianza de x es:
Sea x variable aleatoria continua con distribucin de probabilidad f(x) y media La varianza de x es:
La distribucion Binomial.
Introduccion, funcion de probabilidad(modelo matematico) Caracteristicas (forma, media, Desv. Est.), Uso de las tablas.
Introduccion. Es una distribucin de probabilidad de variable discreta y Bernoulli es el autor de esta distribucin. Ensayo de Bernoulli : Es cualquier ensayo de algn experimento que conduce slo a uno de dos resultados mutuamente excluyentes, tales como: vivo o muerto; enfermo o saludable; + De una sucesin de ensayos de Bernoulli se obtiene la distribucin binomial.
Modelo matematico. La funcin de probabilidad de la variable binomial se representa como b(x,n,p) siendo n el nmero de pruebas y p la probabilidad del xito. n y p son los parmetros de la distribucin.
Caracteristica La distribucin binomial puede considerarse como una generalizacin del modelo de Bernoulli, en donde el experimento se realiza n veces y se utiliza en experimentos o eventos que tienen las siguientes caractersticas: a) b) c) Slo hay 2 posibles resultados. Los resultados son independientes
La probabilidad de xito permanece constante en todas las veces que se realice el experimento. d) El experimento se realiza n veces bajo las mismas condiciones y estamos interesados en que hayan x xitos. e) Cuando hay extraccin de elementos, se debe realizar con reemplazo. Una variable aleatoria que satisfaga los puntos anteriores, se dice que se distribuye en forma binomial. La media y la varianza de la variable binomial se calculan como: Media = = n p Varianza = 2 = n p q Uso de la tabla. Grficamente el aspecto de la distribucin depende de que sea o no simtrica Por ejemplo, el caso en que n = 4:
Distribucion Hipergeometrica.
Introuccion, funcion de probabilidad (modelo matematico) Caracteristicas (forma, media, Desv. Est.)
Introduccion. Una variable tiene distribucin hipergeomtrica si procede de un experimento que cumple las siguientes condiciones: 1) Se toma una muestra de tamao n, sin reemplazamiento, de un conjunto finito de N objetos. 2) K de los N objetos se pueden clasificar como xitos y N - K como fracasos. X cuenta el nmero de xitos obtenidos en la muestra. El espacio muestral es el conjunto de los nmeros enteros de 0 a n, de 0 a K si K < n. En este caso, la probabilidad del xito en pruebas sucesivas no es constante pues depende del resultado de las pruebas anteriores. Por tanto, las pruebas no son independientes entre s. Modelo matematico. La funcin de probabilidad de la variable hipergeomtrica es:
Los parmetros de la distribucin son n, N y K. Caractersticas. Los valores de la media y la varianza se calculan segn las ecuaciones:
Si n es pequeo, con relacin a N (n << N), la probabilidad de un xito variar muy poco de una prueba a otra, as pues, la variable, en este caso, es esencialmente binomial; en esta situacin, N suele ser muy grande y los nmeros combinatorios se vuelven prcticamente inmanejables, as pues, la probabilidades se calculan
ms cmodamente aproximando por las ecuaciones de una binomial con p = K / N. La media de la variable aproximada ( = n p = n (K / N)) es la misma que la de la variable antes de la aproximacin; sin embargo, la varianza de la variable binomial es ligeramente superior a la de la hipergeomtrica.
El factor por el que difieren ser siempre menor que 1 y tan prximo a 1 como cierto sea que n << N.
La distribucion de Poisson.
Introuccion, funcion de probabilidad (modelo matematico) Caracteristicas (forma, media, Desv. Est.), Uso de La tablas
Introduccion. Una variable de tipo poisson cuenta xitos (es decir, objetos de un tipo determinado) que ocurren en una regin del espacio o del tiempo. El experimento que la genera debe cumplir las siguientes condiciones:
Esta caracterstica puede servirnos para identificar a una variable Poisson en casos en que se presenten serias dificultades para verificar los postulados de definicin. La distribucin de Poisson se puede considerar como el lmite al que tiende la distribucin binomial cuando n tiende a y p tiende a 0, siendo n p constante (y menor que 7); en esta situacin sera difcil calcular probabilidades en una variable binomial y, por tanto, se utiliza una aproximacin a travs de una variable Poisson con media l = n p. La varianza de la variable aproximada es ligeramente superior a la de la variable binomial.
Las variables Poisson cumplen la propiedad de que la suma de variables Poisson independientes es otra Poisson con media igual a la suma las medias. El aspecto de la distribucin depende muchsimo de la magnitud de la media. Como ejemplo, mostramos tres casos con = 0,5 (arriba a la izquierda), = 1,5 (arriba a la derecha) y = 5 (abajo) Obsrvese que la asimetra de la distribucin disminuye al crecer y que, en paralelo, la grfica empieza a tener un aspecto acampanado.
10
11
Antecedentes. La distribucin normal fue presentada por primera vez por Abraham de Moivre en un artculo del ao 1733,2 que fue reimpreso en la segunda edicin de su The Doctrine of Chances, de 1738, en el contexto de cierta aproximacin de la distribucin binomial para grandes valores de n. Su resultado fue ampliado por Laplace en su libro Teora analtica de las probabilidades (1812), y en la actualidad se llama Teorema de De Moivre-Laplace. Laplace us la distribucin normal en el anlisis de errores de experimentos. El importante mtodo de mnimos cuadrados fue introducido por Legendre en 1805. Gauss, que afirmaba haber usado el mtodo desde 1794, lo justific rigurosamente en 1809 asumiendo una distribucin normal de los errores. El nombre de Gauss se ha asociado a esta distribucin porque la us con profusin cuando analizaba datos astronmicos3 y algunos autores le atribuyen un descubrimiento independiente del de De Moivre.4 Esta atribucin del nombre de la distribucin a una persona distinta de su primer descubridor es un claro ejemplo de la Ley de Stigler. El nombre de "campana" viene de Esprit Jouffret que us el trmino "bell surface" (superficie campana) por primera vez en 1872 para una distribucin normal bivariante de componentes independientes. El nombre de "distribucin normal" fue otorgado independientemente por Charles S. Peirce, Francis Galton y Wilhelm Lexis hacia 1875.[cita requerida] A pesar de esta terminologa, otras distribuciones de probabilidad podran ser ms apropiadas en determinados contextos; vase la discusin sobre ocurrencia, ms abajo. Caracteristicas. Las principales caractersticas de esta distribucin son: 1. La distribucin tiene 2 parmetros: media (m) y desviacin estndar (s) y queda perfectamente determinada por ellos. Debido a esto es que la notacin abreviada que se usa para representar la distribucin es N(m, s) 2. La moda (el valor ms frecuente), la mediana (el valor central) y la media tienen el mismo valor. 3. El rea total bajo la curva y el eje de las x es la unidad. 4. La curva tiene forma de campana, por lo que se le llama curva acampanada o campana de Gauss 5. La distribucin es simtrica respecto a la media, es decir, el 50% del rea est a la izquierda de la media y el otro 50% a la derecha. 6. El punto de inflexin de la curva (el punto donde la curva deja de ser cncava hacia abajo y empieza a ser cncava hacia arriba), se encuentra a una distancia
12
de una desviacin estndar (+s y -s) respecto al eje de las y, e invariablemente la tangente en este punto de inflexin corta al eje de las x a una distancia de 2 desviaciones estndar (+2s y -2s). 7. La curva se extiende en ambas direcciones y tiende gradualmente a unirse al eje de las x (se hace asinttica al eje de las x), por lo que solamente se juntan en menos infinito (-) y en ms infinito (+), aunque en la prctica la curva se corta en +4s y -4s. Curva normal. Se define como una distribucin terica de los datos de una poblacin (Pagano, 2008). Es una curva en forma de campana que puede ser descrita con la siguiente ecuacin:
El modelo matematico. Se dice que una variable aleatoria X tiene distribucin normal, si su funcin de densidad de probabilidad (f d p) est dada por:
13
Areas bajo la curva normal. No importa cules sean los valores de la para una distribucin de probabilidad normal, el rea total bajo la curva es 1.00, de manera que podemos pensar en reas bajo la curva como si fueran probabilidades. Matemticamente es verdad que: 1.Aproximadamente 68% de todos los valores de una poblacin normalmente distribuida se encuentra dentro de desviacin estndar de la media. 2. Aproximadamente 95.5 % de todos los valores de una poblacin normalmente distribuida se encuentra dentro de desviacin estndar de la media. 3. Aproximadamente 99.7 % de todos los valores de una poblacin normalmente distribuida se encuentra dentro de desviacin estndar de la media
La probabilidad de la variable X depender del rea del recinto sombreado en la figura. Y para calcularla utilizaremos una tabla. Puedes usar la tabla de abajo para saber el rea bajo la curva desde la lnea central hasta cualquier lnea vertical "a valor Z" hasta 3, en incrementos de 0.1 Esto te dice qu parte de la poblacin est dentro de "Z" desviaciones estndar de la media.En lugar de una tabla LARGA, hemos puesto los incrementos de 0.1 hacia abajo, y los de 0.0 Uso de la tabla de la dist. Normal estandar.
14
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.0 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319 0.0359 0.1 0.0398 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.0675 0.0714 0.0753 0.2 0.0793 0.0832 0.0871 0.0910 0.0948 0.0987 0.1026 0.1064 0.1103 0.1141 0.3 0.1179 0.1217 0.1255 0.1293 0.1331 0.1368 0.1406 0.1443 0.1480 0.1517 0.4 0.1554 0.1591 0.1628 0.1664 0.1700 0.1736 0.1772 0.1808 0.1844 0.1879 0.5 0.1915 0.1950 0.1985 0.2019 0.2054 0.2088 0.2123 0.2157 0.2190 0.2224 0.6 0.2257 0.2291 0.2324 0.2357 0.2389 0.2422 0.2454 0.2486 0.2517 0.2549 0.7 0.2580 0.2611 0.2642 0.2673 0.2704 0.2734 0.2764 0.2794 0.2823 0.2852 0.8 0.2881 0.2910 0.2939 0.2967 0.2995 0.3023 0.3051 0.3078 0.3106 0.3133 0.9 0.3159 0.3186 0.3212 0.3238 0.3264 0.3289 0.3315 0.3340 0.3365 0.3389 1.0 0.3413 0.3438 0.3461 0.3485 0.3508 0.3531 0.3554 0.3577 0.3599 0.3621 1.1 0.3643 0.3665 0.3686 0.3708 0.3729 0.3749 0.3770 0.3790 0.3810 0.3830 1.2 0.3849 0.3869 0.3888 0.3907 0.3925 0.3944 0.3962 0.3980 0.3997 0.4015 1.3 0.4032 0.4049 0.4066 0.4082 0.4099 0.4115 0.4131 0.4147 0.4162 0.4177 1.4 0.4192 0.4207 0.4222 0.4236 0.4251 0.4265 0.4279 0.4292 0.4306 0.4319 1.5 0.4332 0.4345 0.4357 0.4370 0.4382 0.4394 0.4406 0.4418 0.4429 0.4441 1.6 0.4452 0.4463 0.4474 0.4484 0.4495 0.4505 0.4515 0.4525 0.4535 0.4545 1.7 0.4554 0.4564 0.4573 0.4582 0.4591 0.4599 0.4608 0.4616 0.4625 0.4633 1.8 0.4641 0.4649 0.4656 0.4664 0.4671 0.4678 0.4686 0.4693 0.4699 0.4706 1.9 0.4713 0.4719 0.4726 0.4732 0.4738 0.4744 0.4750 0.4756 0.4761 0.4767 2.0 0.4772 0.4778 0.4783 0.4788 0.4793 0.4798 0.4803 0.4808 0.4812 0.4817 2.1 0.4821 0.4826 0.4830 0.4834 0.4838 0.4842 0.4846 0.4850 0.4854 0.4857 2.2 0.4861 0.4864 0.4868 0.4871 0.4875 0.4878 0.4881 0.4884 0.4887 0.4890 2.3 0.4893 0.4896 0.4898 0.4901 0.4904 0.4906 0.4909 0.4911 0.4913 0.4916 2.4 0.4918 0.4920 0.4922 0.4925 0.4927 0.4929 0.4931 0.4932 0.4934 0.4936 2.5 0.4938 0.4940 0.4941 0.4943 0.4945 0.4946 0.4948 0.4949 0.4951 0.4952 2.6 0.4953 0.4955 0.4956 0.4957 0.4959 0.4960 0.4961 0.4962 0.4963 0.4964 2.7 0.4965 0.4966 0.4967 0.4968 0.4969 0.4970 0.4971 0.4972 0.4973 0.4974 2.8 0.4974 0.4975 0.4976 0.4977 0.4977 0.4978 0.4979 0.4979 0.4980 0.4981 2.9 0.4981 0.4982 0.4982 0.4983 0.4984 0.4984 0.4985 0.4985 0.4986 0.4986 3.0 0.4987 0.4987 0.4987 0.4988 0.4988 0.4989 0.4989 0.4989 0.4990 0.4990
15
Introduccion. Esta seccin sobre la distribucin normal comienza con un desarrollo de sta como una aprocimacin de la variable aleatoria binomial con un nmero grande de ensayo. Como consecuencias de esto, no debe sorprender el hecho de que la distribucin normal se utiliza para aproximar probabilidades binomiales en casos donde n es grande. Modelo matematico.
Caracteristicas. En este caso se estarn calculando probabilidades de experimentos Binomiales de una forma muy aproximada con la distribucin Normal, esto puede llevarse a cabo si n y p = p(xito) no es muy cercana a 0 y 1, o cuando n es pequeo y p tiene un valor muy cercano a ; esto es,
Donde:
x = variable de tipo discreto; solo toma valores enteros m = np = media de la distribucin Binomial s= = desviacin estndar de la distribucin Binomial
Cuando ocurren las condiciones anteriores, la grfica de la distribucin Binomial, es muy parecida a la distribucin Normal, por lo que es adecuado calcular probabilidades con la Normal en lugar de con la Binomial y de una forma ms rpida.
16
17
BIBLIOGRAFIA.
Probabilidad y Estadstica Aplicadas a la Ingeniera (Montgomery - Runger) - 2 Edicin [Cap 1 - 8] http://es.scribd.com/doc/30494170/Que-exactamente-el-azar http://www.ditutor.com/distribucion_binomial/esperanza_matematica.html http://www.itescam.edu.mx/principal/sylabus/fpdb/recursos/r51634.PDF http://manuelreyesdistribuciones.blogspot.mx/2010/10/distribuciones-binomialpoisson-normal_1712.html http://www.sites.upiicsa.ipn.mx/polilibros/portal/Polilibros/P_terminados/Probabilida d/doc/Unidad%202/2.7.HTM http://apaecvee.blogspot.mx/2008/05/area-bajo-la-curva-normal.html
18