Professional Documents
Culture Documents
UNLP
ADULP
(clase 3)
2016
1
Repaso 1-2
Poblacin: conjunto de elementos de los cuales
deseamos obtener informacin. (N)
Muestra: subconjunto de la poblacin cuyas
caractersticas han sido observadas. (n)
Su objetivo ser poder hacer afirmaciones que tendrn
cierta validez sobre la poblacin completa. Por lo tanto,
la muestra debe ser representativa y estar basada en el
principio de aleatorizacin.
2
Repaso 2-2
inferencias
informacin
muestral POBLACIN
muestra
3
Notacin
POBLACION Muestra
Media
Mediana Me
Modo Mo
Desvo estndar s
Varianza
4
Estadsticos Muestrales
Def: se trata de cualquier funcin de los datos de la muestra.
Si los datos de la muestra se designan por x1, x2, , xn, cualquier funcin
de los datos es un estadstico. Por tanto, solamente existen estadsticos
cuando la variable observada X es cuantitativa. El poder de sntesis de los
estadstico es muy grande, ya que cada uno resume el conjunto de todos
los datos en un nico valor. En contrapartida, la informacin suministrada
por cada estadstico tiene que ser forzosamente menor que la informacin
suministrada por toda la muestra.
5
Algunas Definiciones 1-2
Esperanza: E(X)
Esperanza matemtica, valor esperado, media poblacional o media, de
una variable aleatoria X, es el nmero E(X) que formaliza la idea de valor
medio (o promedio) de un fenmeno aleatorio.
Propiedades:
Si X es siempre positiva, entonces siempre lo es E(X).
La esperanza matemtica de una constante es igual a esa misma
constante, es decir, si c es una constante, entonces E(c) = c.
Si X est delimitada por dos nmeros reales, a y b, tal que: a < X < b,
entonces tambin lo est su media: a < E(X) < b.
Linealidad. Si existe E(X) y se considera que Y = a + b.X, entonces
E(Y)=E(a+bX)=a+b.E(X)
6
linealidad
La esperanza es un operador lineal, entonces:
E(X+c) = E(X) + c
E(X+Y) = E(X) + E(Y)
E(aX) = a . E(X)
Por ende:
E(aX + bY) = a . E(X) + b . E(Y),
donde X e Y son variables aleatorias y, a y b son dos
constantes cualesquiera.
7
Algunas Definiciones 2-2
Varianza: V(X)
La varianza de una variable aleatoria es una medida de
dispersin definida como la esperanza del cuadrado de la desviacin
de dicha variable respecto a su media.
Est medida en la unidad de medida de la variable al cuadrado. Por
ejemplo, si la variable mide una distancia en metros, la varianza se
expresa en metros al cuadrado. La desviacin estndar es la raz
cuadrada de la varianza, es una medida de dispersin alternativa
expresada en las mismas unidades de los datos de la variable objeto de
estudio. La varianza tiene como valor mnimo 0.
Hay que tener en cuenta que la varianza puede verse muy influida por
los valores atpicos y no se aconseja su uso cuando las distribuciones
de las variables aleatorias tienen colas pesadas.
8
Funciones de Probabilidad
9
Funciones de Probabilidad
Dependiendo de las variables con las que se trabaja, las FP
pueden ser:
10
Funciones de Probabilidad Discretas
Algunas distribuciones discretas:
11
Funcin de Probabilidad de Bernoulli
Es un caso particular de la Distribucin Binomial, donde
n = 1. O sea, un solo ensayo.
xito o fracaso son los dos nicos resultados del
experimento, mutuamente excluyentes (uno u otro) y
exhaustivos (no hay otros resultados posibles).
= = (1 ) , = 0, 1.
notacin: ~ ( )
E(X) = p
V(X) = p . q, donde q = (1-p)
12
Ejemplo de Bernoulli
Ejemplo: X toma el valor 1 si vendo mi auto 0 si no lo vendo. La probabilidad de
venderlo es de p. Entonces:
X P(X) X . P(X) . ( )
E: 1 p 1.p =p 1 .p =p
F: 0 q 0.q =0 0 .q =0
p p
= . =
= . ( ) = = 1 = .
13
Ejemplo de Bernoulli (2)
Ejemplo 2: En un empresa textil el 80% de los empleados son mujeres. Sea X
la v.a. que toma el valor 1 cuando un empleado seleccionado aleatoriamente
es mujer y 0 cuando el empleado es hombre.
Obtener la media y la desviacin estndar de X.
P(X=1)= p = 0.80
P(X=2)= 1-p = 0.20
= = ; ~ ( , )
E(X) = n . p
V(X) = n . p . q, donde q = (1p)
15
Binomial - combinatoria
Combinatoria:
!
, = =
!. !
16
Ejemplo Binomial (1-3)
Consideremos un gran lote de fusibles, el cual
10% de los mismos son defectuosos. Si se
extraen 4 fusibles del lote:
17
Ejemplo Binomial (2-3)
Solucin:
Primero hay que verificar que podamos resolver el problema
usando la distribucin binomial.
n = 4 (se hacen 4 ensayos)
p = 0.10 (es la misma en cada extraccin, cosa que es cierta si el
lote es realmente grande)
En este contexto, el uso del trmino aleatorio indica que existe
independencia en los distintos ensayos.
Existen slo 2 resultados posibles. Llamaremos xito a extraer un
fusible defectuoso.
18
Ejemplo Binomial (3-3)
Esta variable puede tomar los valores: x=0,1,2,3,4.
= = (1 )
20
Distribucin Hipergeomtrica
Muestreo sin repeticin.
La poblacin N est dividida en dos clases mutuamente
excluyentes, el subconjunto k posee cierta caracterstica que (N-k)
no. N y k se conocen.
N no es grande en relacin a n. (n/N)>0.05.
La v.a. X representa el nmero de xitos sin reposicin en una
muestra aleatoria de n elementos.
E(X) = n . (k/N)
V(X) = n . (k/N) . (N-k)/N . (N-n)/(N-1)
. .
3 = = = 0.4
23
Ejemplo Hipergeomtrica (2-1)
En un proceso de produccin se fabrican
componentes electrnicos en lotes de 50
unidades. Supngase que el proceso ha
funcionado mal y que 5 componentes de un lote
particular son defectuosos.
24
Ejemplo Hipergeomtrica (2-2)
Solucin:
N=50, de los cuales 5 son defectuosos.
X: n de elementos defectuosos en la muestra
de tamaa 4.
Se pide P(X=1):
.
1 = = 0.308
25
Distribucin de Poisson
Se utiliza para resolver problemas de lneas de
espera. (Siempre asimetra positiva).
Ocurrencia de sucesos en un intervalo de tiempo.
Lo nico que se necesita como dato es el
promedio:
.
= ; X~ ()
!
E(X) =
V(X) = , atencin que V(X) tambin eleva al cuadrado las
unidades de medida.
26
Ejemplo Poisson (1-2)
Una central telefnica recibe en promedio 2.3
llamadas por minuto.
A) Calcular la probabilidad que durante un
minuto se reciban:
1. Exactamente 4 llamadas.
2. Menos de 5 llamadas.
B) Hallar la probabilidad de que el nmero de
llamadas que ingresan en dos minutos sea
igual a 6.
27
Ejemplo Poisson (2-2)
Solucin:
X: nmero de llamadas que ingresan en 1 minuto
~ (=2.3)
A)1. P(X=4) = 0.1169
2. P(X5) = P(X4) =
P(X=0)+P(X=1)+P(X=2)+P(X=3)+P(X=4) = 0.9162
B) t = 2 (2 minutos) .t = =4.6
~ (=4.6)
P(X=6)=0.1323
28