13-03-2017

IBOS300

Mtodos estadsticos aplicados a

recursos naturales
Guillermo Trincado

Descripcin de la Asignatura

Entregar una base de conocimientos terico-prctico

de diversos mtodos estadsticos aplicados para el
anlisis de datos proveniente de recursos naturales.

1
 13-03-2017

Objetivos
Proveer con una slida base de conceptos y aplicacin de mtodos
estadsticos que apoyen el trabajo de investigacin y que permita
continuar con estudios avanzados de otros mtodos estadsticos.

Adquirir conocimientos tericos de inferencia estadstica y distribuciones de

probabilidad para variables continuas y discretas, permitiendo comprender el
origen y significado de pruebas de hiptesis.

Capacitar al estudiante en la base terica, aplicacin y evaluacin de diversos

tipos de diseos experimentales normalmente utilizados en estudios de recursos
naturales,

Capacitar al estudiante en la base terica, construccin y evaluacin de modelos

predictivos de regresin lineal y no-lineal aplicando diversas tcnicas de
estimacin de parmetros.

Estadstica
Se puede dividir en dos grandes ramas:
Estadstica descriptiva que se encarga de
resumir la informacin contenida en los datos
empleando estadsticos.

Inferencia estadstica que desarrolla

procedimientos para inferir caractersticas de la
poblacin en base a muestras.

2
 13-03-2017

Mtodo Cientfico
Experimentacin Poblacin

Probabilidad Inferencia
Estadstica

Razonamiento
Muestra

Medicin Estadstica
Descriptiva

Datos

Conceptos Estadsticos

Poblacin
Coleccin de todos los objetos que son de inters
para un estudio: finita o infinita.

Muestra
Seleccin de una parte representativa de la
poblacin.

3
 13-03-2017

Poblacin y Muestra

N = 60
n = 10

Conceptos Estadsticos

Parmetro
Es una constante que describe una poblacin.

Variable
Cualquier caracterstica que pueda variar de
una unidad a otra.

4
 13-03-2017

Un parmetro se ESTIMA
n N

y i y
i =1
i

y= i =1 y =
n N

y una variable se PREDICE .

Y = 0 + 1 X +

Tipos de Estimaciones
Estimacin Puntual, provee de una descripcin especfica de la
poblacin a travs de estadsticos descriptivos muestrales.
n

yi =1
i
y=
n

Estimacin de Intervalo, complementa la estimacin puntual

incorporando incertidumbre a travs de la construccin
de intervalos.

y t ( n1),1 / 2 s y

5
 13-03-2017

Tipos de Variables
Variables Cualitativas
Las observaciones son asignadas a una
determinada clase (ej. Sano o Enfermo); siendo
stas excluyentes.

Variables Cuantitativas
Consideran la medicin de alguna caracterstica
de inters.

Otra clasificacin
Variables Continuas
Puede tomar cualquier valor
dentro de un intervalo.
Ej. Altura de una plntula en
vivero.
Variables Discretas
Finito nmero de posibles
valores.Ej. Nmero de hojas
de la misma plntula.

6
 13-03-2017

Escalas de Medida
Para la medicin de variables se han definido
cuatro escalas de medida:

Escala Nominal
Escala Ordinal
Escala de Intervalo
Escala de Razn

Escala NOMINAL
Se aplica cuando la variable de inters tiene
asociado un atributo.

El orden de los grupos es arbitrario.

Ej. Sexo, partido poltico, grupo tnico.

7
 13-03-2017

Escala ORDINAL
Se aplica cuando la variable de inters tiene
asociado un atributo que representa un orden
implcito.

La diferencia entre clases no es constante.

Ej. Clase social.

Escala de INTERVALO
Existe un punto de medicin cero, pero es
relativo y dependiente de la unidad de medida.

La diferencia entre grupos o nmeros sucesivos

es la misma o constante.

Ej. La temperatura puede

ser medida en grados
celsius (C) o Fahrenheit (F).

8
 13-03-2017

Escala de RAZN
Existe un punto de medicin cero que tiene
Una interpretacin fsica y que es independiente
de la unidad de medida.

El contar con un punto cero permite realizar

comparaciones entre distintas mediciones.

Transformacin de Unidades

Escala de Intervalo (F a C)

C = 0.556(F-32)

Escala de Razn (pulgadas a centmetros)

CM = 2.54 PULG

9
 13-03-2017

Conceptos Estadsticos
Exactitud
Cercana entre un valor estimado y su valor real.

Precisin
Grado de concordancia entre mediciones
sucesivas.
Sesgo
Error sistemtico.

Sesgado Insesgado

xx
xx
xxx
Preciso xx x
xxxx

x
x x
Impreciso x
x x xx
xx x
xx x

10
 13-03-2017

IBOS300

Fundamentos de
Probabilidad

Teora de Probabilidad
Desarrollar y estudiar modelos matemticos para fenmenos
aleatorios cuyos resultados no pueden predecirse con exactitud.

Espacio Muestral (S, Sample Space)

Corresponde al conjunto de todos los posibles resultados
individuales de un experimento aleatorio.
Ej. Si se lanzan dos monedas S={(C,C), (C,S), (S,S), (S,C)}

Resultado (outcome)
Corresponde a cada uno de los elementos del espacio muestral
(o resultados posibles de un experimento).

11
 13-03-2017

Teora de Probabilidad
Evento (E)
Se define como una subconjunto de resultados del espacio
muestral.

S Eventos posibles dentro de S:

A
A = Cara en el primer lanzamiento
= {(C,S), (C,C)}
B
B = Cara en el segundo lanzamiento
= {(S,C),(C,C)}

Espacio de Probabilidad
1. La probabilidad de un evento E contenido en S.
0 P(E) 1 para todo E S

2. Probabilidad del espacio muestral.

P(S) = 1

3. Propiedad de aditividad; asumiendo eventos excluyentes.

El problema es como asignar una probabilidad a cada evento.

12
 13-03-2017

Propiedades del Espacio de Probabilidad

P(Ec) = 1 P(E)
E S
Dado que E y Ec son eventos mutualmente
excluyentes y S = E U Ec, entonces por
aditividad:
P(S) = P(E) + P(Ec)

Por otro lado, el conjunto vaco es el complemento del espacio

muestral y su probabilidad es cero:

P() = 1 + P(S) = 0

Si E un subevento de F entonces:

F S P(E) P(F)
y
E
P(F-E) = P(F) P(E)

Por lo tanto,

P(E) = P(F) P(F-E) P(F)

13
 13-03-2017

Eventos mutualmente excluyentes

Eventos A y B son mutualmente excluyentes o disjuntos si la
ocurrencia de uno de los eventos excluye la ocurrencia del otro.

Por lo tanto,

P( A B) = P(A) + P(B)
A B

Contrariamente, los eventos A y B son mutualmente no-

excluyentes si la ocurrencia de uno de los eventos no excluye la
ocurrencia del otro.

P( A B) = P(A) + P(B) - P(A B)

A B

14
 13-03-2017

Interpretaciones de Probabilidad
Clsica, que asume que todos los posibles eventos tienen
igual probabilidad.
NA NA
P( A) = P( A) = 1 P( A) = 1 -
N N

Frecuencia Relativa, basado en observaciones empricas de

largo plazo (repeticion de experimentos).
nA
P( A)
n

Subjetiva, basado en la experiencia y creencia de cada individuo.

Ejemplo:
Si se lanzan dos dados Cual es la probabilidad que la suma
de ambos sea menor o igual a 4 ?.

P(S <= 4) = ?
(1,1) (2,1) (3,1) (4,1) (5,1) (6,1)
(1,2) (2,2) (3,2) (4,2) (5,2) (6,2)
(1,3) (2,3) (3,3) (4,3) (5,3) (6,3)
(1,4) (2,4) (3,4) (4,4) (5,4) (6,4)
(1,5) (2,5) (3,5) (4,5) (5,5) (6,5)
(1,6) (2,6) (3,6) (4,6) (5,6) (6,6)

P(S <= 4) = P(2)+P(3)+P(4) = (1/36) + (1/18) + (1/12) = 1/6

15
 13-03-2017

Probabilidad Condicional
Eventos no excluyentes Eventos excluyentes (independientes)

S S

P(A B) P(A B ) = P(A)

P(A B ) =
P(B)
Lo cual implica que:

P(A B) = P(A) P(B)

Ejemplo:
Demostrar que si se lanza una moneda en dos oportunidades
la probabilidad de obtener caras en cada uno de los
lanzamientos es INDEPENDIENTE.
Eventos A : obtener cara en el primer lanzamiento.
B : obtener cara en el segundo lanzamiento.

Posibles resultados {CC, CS, SC, SS}

P(A) = 1/2 P(A)y P(A) P(B) = =1/4

P(A B) = 1/4
P(B) = 1/2

Por lo tanto, los eventos A y B son independientes.

16
 13-03-2017

Seleccin con reposicin, en orden

Para k > 0, de un total de n balones, k son seleccionados

de manera individual y retornada a una urna; registrando
el orden de seleccin. En este caso, el nmero total de
posibles muestras es:

nk

Seleccin sin reposicin, en orden

Para 0 < k n, de un total de n balones k son seleccionados
de manera individual y no retornada a una urna; registrando
el orden de seleccin (Permutacin). En este caso, el
nmero total de posibles permutaciones es:

n!
n Pk =
(n k )!

17
 13-03-2017

Seleccin sin reposicin, sin orden

Para 0 < k n, de un total de n balones k son seleccionados
de manera individual y no retornada a una urna (Combinacin).
En este caso, el nmero total de posibles combinaciones es:

n!
n Ck =
k!(n k )!

Consideremos {a, b, c, d}

Permutacin Combinacin
4 P 3 = 24 4 C3 = 4

18