Академический Документы
Профессиональный Документы
Культура Документы
DOCENTE
OLMEDO GONZLEZ HERRERA
ESTADISTICAS APLICADAS
UNIVERSIDAD INDUSTRIAL DE SANTANDER
FACULTAD DE CIENCIAS HUMANAS
2015
CONCEPTOS DE PROBABILIDADES
1. AXIMATICA DE KOLMOGOROV
Las definiciones anteriores son netamente empricas o experimentales, sin
embargo despus de establecer una forma de determinar la probabilidad
experimentalmente, se pueden deducir leyes o propiedades de la probabilidad en
forma lgica o computacional bajo ciertas suposiciones llamados axiomas de la
probabilidad.
La probabilidad de un evento A se define como el nmero P(A), tal que cumple con
los siguientes axiomas:
AXIOMA 1: La probabilidad P(A) de cualquier evento no debe ser menor que cero
ni mayor que uno: 0 < P(A) < 1
AXIOMA 2: P(S) = 1
AXIOMA 3: Si A y B son dos eventos mutuamente exclusivos (A B
= ), entonces: P (A B) = P(A) + P (B)
Toda la teora elemental de la probabilidad est construida sobre las bases de
estos tres simples axiomas.
Si el espacio muestral es infinito, debemos reemplazar el axioma 3 por el
AXIOMA 4: Si A1, A2, son eventos mutuamente exclusivos, entonces tenemos
que P (A1 A2 ) = P(Al) + P (A2) ++
2. ARREGLO DE DATOS.
Organizacin de los datos brutos por observaciones en orden ascendente o
descendente.
3. CENSO.
Medicin o examen de cada elemento de la poblacin.
4. CLASE.
Intervalo en el cual se agrupan los datos en una tabla de distribucin de
frecuencias.
Ejemplo
xi
[10,20)
15
[20,30)
25
fi
1
8
x i fi
15
200
x i 2 fi
225
5000
[30,40)
[40,50)
[50,60)
[60,70)
[70,80)
35
45
55
65
75
10
9
8
4
2
42
350
405
440
260
150
1 820
12 250
18 225
24 200
16 900
11 250
88 050
5. COEFICIENTE DE VARIACIN.
Medida de dispersin relativa de un conjunto de datos, se calcula dividiendo la
dispersin estndar entre la media y multiplicando el cociente por cien.
Con un micrmetro, se realizan mediciones del dimetro de un balero, que tienen
una media de 4.03 mm y una desviacin estndar de 0.012 mm; con otro
micrmetro se toman mediciones de la longitud de un tornillo que tiene una media
de 1.76 pulgadas y una desviacin estndar de 0.0075 pulgadas. Cul de los
dos micrmetros presenta una variabilidad relativamente menor? Los coeficientes
de variacin son:
CV
y CV
8. DISTRIBUCIONES DISCRETAS
Una distribucin de probabilidad es una representacin de todos los resultados
posibles de algn experimento y de la probabilidad relacionada con cada uno.
Una distribucin de probabilidad es discreta cuando los resultados posibles del
experimento son obtenidos de variables aleatorias discretas, es decir, de variables
que slo puede tomar ciertos valores, con frecuencia nmeros enteros, y que
resultan principalmente del proceso de conteo.
Ejemplos de variables aleatorias discretas son:
9. DISTRIBUCIONES CONTINUAS
Una distribucin de probabilidad es continua cuando los resultados posibles del
experimento son obtenidos de variables aleatorias continuas, es decir, de variables
cuantitativas que pueden tomar cualquier valor, y que resultan principalmente del
proceso de medicin.
Por ejemplo, los eventos simples del lanzamiento de un dado son los nmeros 1,
2, 3, 4, 5 y 6.
Si yo tengo una canasta llena de peras y manzanas, de las cuales hay 20 peras y
10 manzanas. Qu fruta es ms probable que saque al azar de la canasta?
Para este ejemplo tenemos que 30 es el total de frutas en la canasta; es decir los
casos posibles. Para calcular la probabilidad de sacar una manzana mis casos
favorables son 10 puesto que existen slo 10 manzanas. As, aplicando la frmula
obtenemos que:
P (Manzana)=10/30=1/3= 33.3% probable
Calculando igual, la probabilidad de sacar pera es:
P (Pera)=20/30=2/3= 66.7% probable
EVENTO
COMPUESTO:
est
formado
por 2 o ms eventos simples. Mientras que un evento compuesto en el
experimento
aleatorio de lanzar un dado podra ser la ocurrencia de un nmero impar, ya que
incluira a los eventos simples 1, 2 y 3.
16. MODA.
Es el valor que tiene la mayor frecuencia de un grupo de datos.
EJEMPLO:
2, 3, 3, 4, 4, 4, 5, 5 Mo = 4
17. METODOS NO PARAMTRICOS.
Mtodos estadsticos que requieren muy poco o ningn supuesto acerca de las
distribuciones de probabilidad de la poblacin, y acerca del nivel de medicin.
Esos mtodos se pueden aplicar cuando se dispone de datos nominales u
ordinales.
Ejemplo: Se tienen dos parcelas experimentales. En una de las parcelas se sac
completamente la maleza y en la otra se dej hasta 3 malezas por metro
cuadrado. Daar la presencia de maleza la produccin de maz?
18.
MUESTRA.
Para clarificar lo antes dicho un ejemplo muy comn es el pronstico del tiempo,
muchos individuos como nosotros realizamos una prediccin personal de como
sern las condiciones climticas para el da, basadas ms en nuestra experiencia
personal pero que muchas veces sustentamos en experiencia de eventos
pasados.
27. REGLA
DE
BAYES
Esta regla fue planteada formalmente por Pierre Simn de Laplace
(matemtico, astrnomo y fsico francs, 1749-1827) con base en trabajos
previos del reverendo Thomas Bayes; se basa en la probabilidad
condicional y su origen podra remontarse a reflexiones sobre la
probabilidad de que Dios exista, dados los fenmenos que podemos
observar o, en smbolos, P(D| F) aunque, por otro lado, si damos por
sentada la existencia de Dios como muchos lo hacen, la reflexin sera en
el sentido de la probabilidad de que se den los fenmenos que observamos,
dada
la
existencia
de
Dios,
o
P(F|
D).
As, la regla de Bayes trata de problemas en los que se desea encontrar la
probabilidad de un suceso B, dado otro A, P (B| A), cuando los datos de los
que se dispone son las probabilidades condicionales inversas, es decir, la
probabilidad del suceso A, dado el suceso B, P(A| B).
Para ver cmo se obtiene esta regla, se puede comenzar observando que
la regla de la multiplicacin de probabilidades se puede plantear de 2
maneras,
considerando
que
P(A
y
B)
=
P(B
y
A):
P(A y B) = P(A| B) P(B) y P(A y B) = P(B y A) = P(B| A) P(A)
Si se igualan las 2 ecuaciones anteriores, eliminando P(A y B), se tiene:
P(A|
B)P(B)
=
P(B|
A)
P(A)
Si
ahora
se
despeja,
se
tiene:
P
A
B
P
B
A
P
A
P
B
(
)
=
(
)
(
)
.(
)
que es otra manera de interpretar la probabilidad condicional. Tambin se
tiene que:
P (B) = P(B| A1) P(A1) + P(B| A2) P(A2) + + P(B| An) P(An)
Lo cual, bsicamente, indica que la probabilidad del evento B es la suma de las
probabilidades condicionales. Sustituyendo esta ltima expresin en la primera,
PRIMERO: Determinar:
a) La Probabilidad de que al lanzar un dado dos veces aparezca en ambos
lanzamientos el nmero 6.
= (1, 2, 3, 4, 5, 6)
P (A n B) = P (A) * P (B/A)
P (A) = NA = 1
N 6
La probabilidad de que al lanzar el dado dos veces aparezca el numero 6 es de
1
6
b) Si la Probabilidad de ser moreno es de 0,3 y la de llevar gafas es de 0,2.
Calcular la Probabilidad de que una persona cualquiera sea morena y lleve gafas
(se asume que son independientes)
Moreno: 0,3
Gafas: 0,2
P (M) = 0,30
P (G) = 0,20
P (M n G) = P (M) * P (G/M)
= (0,30) * (0,20)
= 0,06 = La probabilidad de que exista una persona morena y que use gafas es del
6%
c) En una caja hay 3 balotas blancas y 2 negras. Calcular la Probabilidad de que
sacando dos balotas sucesivamente y sin restitucin, estas sean
negras.
N= 5
n= 2
Pi = Ni
N
P (Ne) =
(25 14)
= 2 = 1 = 0,10 = 10%
20
10
N= 40
P (O U C) = 10 + 10 = 20 = 2 = 1 = 0,50 = 50%
40
40
40
N= 8
A: Que aparezcan exactamente 3 caras
(C C C)
P (A) = 1 = 0,125 = 12. 5%
8
B: Que aparezcan mnimo 2 sellos
CSS
SCS
SSC
SSS
P (A1 / Ex) =?
P (A2 / Ex) =?
P (A3 / Ex) =?
P (A1 n Wx) =
P (Ex)
0,18________
0,18 + 0,21 + 0,07
PARTE B. ESTADISTICA
PRIMERO: La resistencia al rompimiento de dos muestras de botellas es la
siguiente:
Muestra 1:
230 250
245
258
265
240
Muestra 2:
190 228
305
240
265
260
conclusiones.
N.
Xi
1
230
2
250 Muestra 1
3
245
4
258
(230-248)+(250-248)+(245-248)+(258-248)+(2655
265
248)+(240-248)
6
240
6-1
1488
14 =2
324 + 4 + 9 + 100 +
88
48
289 + 64
6
5
S = 158
S=
158
S = 12,57
C
V
12,57
248
CV =
Muestra 2
148
8
6
*100
N
.
1
2
3
4
5
6
5,07%
Xi
190
228
305
240
265
260
148
8
X = 248
S (190-248)+(228-248)+(305-248)+(258-248)+(265= 248)+(260-248)
6-1
S
3364+400+3249+100
+289+144
5
S
= 1503
S=
1503
S = 38,77
38,77
248
*100
CV
CV = 15,63%
Podemos concluir que existe entre una gran variacin entra la primera
muestra 5,07% y la segunda 15,63%, es decir, en la muestra dos existi ms
resistencia en las botellas para el rompimiento.
siguientes resultados en C: 2.11, 3.8, 4.0, 4.0, 3.1, 2.9, 2.5, 3.6, 2.0,
2.8, 2.6, 2.9, 3.0.
a- Efectuar los anlisis respectivos y enuncie conclusiones
b- Elaborar e interpretar el diagrama de caja respectivo.
Respuesta:
N
.
1
2
3
4
5
6
7
8
9
1
0
1
1
1
2
1
3
1
4
2,1
1
3,8
4,0
4,0
3,1
2,9
2,5
3,6
2,0
2,4
2,8
2,6
2,9
3,0
41,
7
41,71
14
= 2,979= 2,98
MUESTRA
2.4,
MEDIA
= 2,98
MEDIANA
N
.
1
2
3
4
5
6
7
8
9
1
0
1
1
1
2
1
3
1
4
C
2,0
2,1
1
2,4
2,5
2,6
2,8
2,9
2,9
3,0
3,1
3,6
3,8
4,0
4,0
41,
7
Me = X (
14
14
2 )+X( 2
2
Me = X7 + X8
2
+ 1)
Me = 2,9 + 2,9
2
Me = 2,9 C
RANGO
R = 4,0 2.0
R = 2,0
DESVIACION ESTANDAR
S = (2,0 2,9) + (2,11 2,9) + (2,4 2,9) + (2,5 2,9) + (2,6 2,9) + (2,8
2,9) + (2,9 2,9) + (2,9 2,9) + (3,0 2,9) + (3,1 2,9) + (3,6 2,9) + (3,8
2,9) + (4,0 2,9) + (4,0 2,9)
14 - 1
S = 5,71
13
S = 5,71/13
S = 0,18
COEFICIENTE DE VARIACION
CV = 0,18
2,9
CV = 6,21 %
CUARTIL
Qi = 2 ( 14 )
4
Qi = 7
Qi = 2,9
DECIL
I = 3 (14 )
10
I = 4,2
I = 2,5
DIAGRAMA DE CAJA
2,0 Xmin
Q 2,8 Q 2,9
Q 3,5
4,0 Xmax