REPBLICA. BOLIVARIANA DE VENEZUELA. MINISTERIO DEL PODER POPULAR PARA LA DEFENSA. UNIVERSIDAD NACIONAL EXPERIMENTAL POLITCNICA DE LA FUERZA ARMADA.

NCLEO MIRANDA- EXTENSION SANTA TERESA. CBIN02- 3S.

PROF.: ROMUALDO ALVAREZ INTEGRANTES. HECHENIQUE DARICARMEN C.I. 18.540.816 MOROS JOHAN C.I. 18.840.208 CEDEO JOSE C.I. 21.291.835

Santa Teresa del Tuy; 18 de enero de 2012.

ndice. Pg. INTRODUCCIN.03 DESIGUALDAD DE CHEBYCHEV..04 LEY DE GRANDES NMEROS05 TEOREMA DEL LIMITE CENTRAL..10 ESTADISTICA..12 POBLACIN Y MUESTRA.12 DISTRIBUCIN DE FRECUENCIAS14 CONSTRUCCIN DE UNA DISTRIBUCIN DE FRECUENCIAS..16 ESTADISTICA Y PARAMETROS..19 CALCULOS DE MEDIA PARA DATOS AGRUPADOS.20 CALCULO DE VARIANZA PARA DATOS AGRUPADOS20 CALCULO DE DESVIACION TIPICA PARA DATOS AGRUPADOS.21 CALCULO DE LA MEDIA PARA DATOS NO AGRUPADOS..22 CALCULO DE LA VARIANZA PARA DATOS NO AGRUPADOS..22 CALCULO DE DESVIACIN TIPICA PARA DATOS NO AGRUPADOS..23 CONCLUSIN...24 BIBLIOGRAFIA.25

Introduccin. La Probabilidad, como rama de las matemticas que se ocupa de medir o determinar cuantitativamente la posibilidad de que ocurra un determinado suceso est basada en el estudio de la combinatoria y es fundamento necesario de la estadstica. El clculo matemtico de probabilidades se basa en situaciones tericas en las cuales puede configurarse un espacio muestral cuyos sucesos elementales tengan todos la misma probabilidad. Por ejemplo, al lanzar un dado ideal, la probabilidad de cada una de las caras es 1/6. Al lanzar dos dados, la probabilidad de cada uno de los resultados es 1/36. El presente trabajo tiene como objetivo el anlisis y estudio de dos tipos de distribucin como lo es la distribucin de Poisson y la distribucin exponencial, teniendo como finalidad presentar sus caractersticas primordiales, clculo de la media, la varianza y su desviacin estndar.

03

Desigualdad de Chebyshev. En probabilidad, la desigualdad de Chebyshev (habitualmente tambin escrito como "Tchebycheff") es un resultado que ofrece una cota inferior a la probabilidad de que el valor de una variable aleatoria con varianza finita est a una cierta distancia de su esperanza matemtica. La desigualdad recibe su nombre del matemtico ruso Pafnuti Chebyshev. Formulacin. Si X es una variable aleatoria de media y varianza finita , entonces, para todo nmero real k > 0,

Slo en caso de que k > 1 la desigualdad proporcionan una cota no trivial. Demostracin. Para demostrar la desigualdad se parte de la variable aleatoria auxiliar Y definida as:

Entonces, trivialmente,

Y por lo tanto,

Tomando esperanzas en ambos miembros se obtiene

Por lo que

04

Pero, a su vez, dado que Y slo puede ser 0 o 1,

Lo que prueba el resultado. Ley de los grandes nmeros. En la teora de la probabilidad, bajo el trmino genrico de ley de los grandes nmeros se engloban varios teoremas que una sucesin describen el comportamiento del promedio de de variables

aleatorias conforme aumenta su nmero de ensayos. Estos teoremas prescriben condiciones suficientes para garantizar que dicho promedio converge (en los sentidos explicados abajo) al promedio de las esperanzas de las variables aleatorias involucradas. Las distintas formulaciones de la ley de los grandes nmeros (y sus condiciones asociadas) especifican la convergencia de formas distintas. Las leyes de los grandes nmeros explican por qu el promedio de una muestra al azar de una poblacin de gran tamao tender a estar cerca de la media de la poblacin completa. Ley dbil. La ley dbil de los grandes nmeros establece que si X1, X2, X3,... es una sucesin infinita de variables aleatorias independientes que tienen el mismo valor esperado y varianza 2, entonces el promedio

Converge en probabilidad a . En otras palabras, para cualquier nmero positivo se tiene

05 Demostracin. una sucesin de variables (esperanza 0) y

Demostraremos el siguiente resultado: Sea aleatorias independientes e integrables con

; entonces, el promedio cuando

casi seguramente

. Este teorema no asume que las variables aleatorias son

idnticamente distribuidas pero controla el crecimiento de las varianzas. Para demostrar el teorema haremos uso del siguiente lema: Desigualdad Maximal. Sean sean cumplen y constantes variables aleatorias independientes y positivas para cada i. Luego que

Demostracin del lema: Sean Definamos asimismo la variable aleatoria

Tenemos entonces:

Ahora bien, si por ende:

entonces implica que

Con lo que se concluye el lema. (Fin demostracin del lema)

06 Sigamos con la demostracin del teorema: Definamos

Tenemos entonces que la serie

es convergente pues:

La convergencia c.t.p. que asegura el teorema es equivalente a:

Por el lema de Borel-Cantelli, es suficiente demostrar que, para todo

Cada probabilidad en la suma anterior puede ser acotada por:

Ahora se aplica la desigualdad maximal:

La ltima desigualdad de la lnea anterior se justifica por la desigualdad de Chebyshev. Una nueva aplicacin de esta misma desigualdad nos permite acotar los :

07 Es decir, hemos logrado acotar cada sumando de la (1) por una constante por los trminos de una sumatoria que sabemos convergente, demostrando la convergencia de dicha sumatoria y concluyendo va BorelCantelli la convergencia fuerte del teorema. Ley fuerte. La ley fuerte de los grandes nmeros establece que si X1, X2, X3,... es una sucesin infinita de variables aleatorias independientes e idnticamente distribuidas que cumplen E (|Xi|) < y tienen el valor esperado , entonces

Es decir, el promedio de las variables aleatorias converge a casi seguramente (en un conjunto de probabilidad 1). Esta ley justifica la interpretacin intuitiva de que el valor esperado de una variable aleatoria como el "promedio a largo plazo al hacer un muestreo repetitivo" Sea Demostracin. una sucesin de variables aleatorias independientes, integrables (esperanza 0), entonces, el

e idnticamente distribuidas con

promedio Definamos

casi seguramente cuando y . Adems, . usando

. Tenemos la hiptesis que de

distribuciones idnticas, podemos en general reemplazar (no siempre) una distribucin (1) genrica por un representante, digamos . Tenemos entonces:

08 La ltima convergencia a cero viene dada por la convergencia puntual ms convergencia dominada por (2) . Tambin tenemos que:

La tercera igualdad viene de que para cualquier variable aleatoria se cumple que:

La conjunto

(2)

implica,

por

Borel-Canteli,

que

el

tiene probabilidad cero. Por lo tanto,

en un conjunto de probabilidad 1 se cumple:

(3) De la desigualdad deducir que: podemos

Por el teorema anteriormente demostrado tenemos:

(4) Casi seguramente. Como adems tenemos que:

09

Entonces, de las ecuaciones (1), (3) y (4) se deduce que casi en todos los puntos, concluyendo el teorema. El teorema del lmite central.

en

El teorema del lmite central o teorema central del lmite indica que, en condiciones aproxima muy a generales, entonces si Sn es la funcin la de suma de n variables aleatorias independientes, bien distribucin de Sn se llamada distribucin

una distribucin

normal (tambin

gaussiana, curva de Gauss o campana de Gauss). As pues, el teorema asegura que esto ocurre cuando la suma de estas variables aleatorias e independientes es lo suficientemente grande. Enunciado formal. De manera formal, normalizada y compacta el enunciado del teorema es:3 Teorema del lmite central: Sea X1, X2,..., Xn un conjunto de variables aleatorias, independientes e idnticamente distribuidas con media y varianza 2 distinta de cero. Sea

Entonces

. Es muy comn encontrarlo con la variable estandarizada Zn en funcin de la media muestral ,

Puesto que son equivalentes, as como encontrarlo en versiones no normalizadas como puede ser: 10 Teorema (del lmite central): Sea X1, X2,..., Xn un conjunto de variables aleatoria, independientes e idnticamente distribuidas de una distribucin con media y varianza 20. Entonces, si n es suficientemente grande, la variable aleatoria

Tiene aproximadamente una distribucin normal con .

Nota: es importante remarcar que este teorema no dice nada acerca de la distribucin de Xi, excepto la existencia de media y varianza. Propiedades.

El teorema del lmite central garantiza una distribucin normal cuando n

es suficientemente grande.

Existen diferentes versiones del teorema, en funcin de las condiciones

utilizadas para asegurar la convergencia. Una de las ms simples establece que es suficiente que las variables que se suman sean independientes, idnticamente distribuidas, con valor esperado y varianza finitas.

La aproximacin entre las dos distribuciones es, en general, mayor en el

centro de las mismas que en sus extremos o colas, motivo por el cual se prefiere el nombre "teorema del lmite central" ("central" califica al lmite, ms que al teorema).

Este teorema, perteneciente a la teora de la probabilidad, encuentra

aplicacin en muchos campos relacionados, tales como la inferencia estadstica o la teora de renovacin.

11 Estadstica. La estadstica es comnmente considerada como una coleccin de hechos numricos expresados en trminos de una relacin sumisa, y que han sido recopilados a partir de otros datos numricos. Definen la estadstica como un valor resumido, calculado, como base en una muestra de observaciones que generalmente, aunque no por necesidad, se considera como una estimacin de parmetro de determinada poblacin; es decir, una funcin de valores de muestra. La estadstica es una tcnica especial apta para el estudio cuantitativo de los fenmenos de masa o colectivo, cuya mediacin requiere una masa de observaciones de otros fenmenos ms simples llamados individuales o particulares. Poblacin y muestra. Poblacin. El concepto de poblacin en estadstica va ms all de lo que comnmente se conoce como tal. Una poblacin se precisa como un conjunto finito o infinito de personas u objetos que presentan caractersticas comunes. Una poblacin es un conjunto de todos los elementos que estamos estudiando, acerca de los cuales intentamos sacar conclusiones. Una poblacin es un conjunto de elementos que presentan una caracterstica comn. Ejemplo: Los miembros del Colegio de Ingenieros del Estado Cojedes. El tamao que tiene una poblacin es un factor de suma importancia en el proceso de investigacin estadstica, y este tamao vienen dado por el

nmero de elementos que constituyen la poblacin, segn el nmero de elementos la poblacin puede ser finita o infinita.

12 Cuando la poblacin es muy grande, es obvio que la observacin de todos los elementos se dificulte en cuanto al trabajo, tiempo y costos necesarios para hacerlo. Para solucionar este inconveniente se utiliza una muestra estadstica. Es a menudo imposible o poco prctico observar la totalidad de los individuos, sobre todos si estos son muchos. En lugar de examinar el grupo entero llamado poblacin o universo, se examina una pequea parte del grupo llamada muestra. Muestra. Se llama muestra a una parte de la poblacin a estudiar qu sirve para representarla. Una muestra es una coleccin de algunos elementos de la poblacin, pero no de todos". "Una muestra debe ser definida en base de la poblacin determinada, y las conclusiones que se obtengan de dicha muestra solo podrn referirse a la poblacin en referencia. Ejemplo; El estudio realizado a 50 miembros del Colegio de Ingenieros del Estado Cojedes. El estudio de muestras es ms sencillo que el estudio de la poblacin completa; cuesta menos y lleva menos tiempo. Por ltimo se aprobado que el examen de una poblacin entera todava permite la aceptacin de elementos defectuosos, por tanto, en algunos casos, el muestreo puede elevar el nivel de calidad. Una muestra representativa contiene las caractersticas relevantes de la poblacin en las mismas proporciones que estn incluidas en tal poblacin.

Los expertos en estadstica recogen datos de una muestra. Utilizan esta informacin para hacer referencias sobre la poblacin que est representada por la muestra. En consecuencia muestra y poblacin son conceptos relativos. Una poblacin es un todo y una muestra es una fraccin o segmento de ese todo. Distribucin de frecuencias Una distribucin de una ordenacin en forma frecuencias o tabla de de tabla de los datos frecuencias es estadsticos, 13

asignando a cada dato su frecuencia correspondiente. Tipos de frecuencia Frecuencia absoluta La frecuencia absoluta es el nmero de veces que aparece un determinado valor en un estudio estadstico. Se representa por f i . La suma de las frecuencias absolutas es igual al nmero total de datos, que se representa por N.

Para indicar resumidamente estas sumas se utiliza la letra griega (sigma mayscula) que se lee suma o sumatoria.

Frecuencia relativa La frecuencia relativa es el cociente entre la frecuencia

absoluta de un determinado valor y el nmero total de datos.

Se puede expresar en tantos por ciento y se representa por n i .

14 La suma de las frecuencias relativas es igual a 1. Frecuencia acumulada La frecuencia acumulada es la suma de las frecuencias absolutas de todos los valores inferiores o iguales al valor considerado. Se representa por F i . Frecuencia relativa acumulada La frecuencia relativa acumulada es el cociente entre

la frecuencia acumulada de un determinado valor y el nmero total de datos. Se puede expresar en tantos por ciento. Ejemplo Durante el mes de julio, en una ciudad se han registrado las siguientes temperaturas mximas: 32, 31, 28, 29, 33, 32, 31, 30, 31, 31, 27, 28, 29, 30, 32, 31, 31, 30, 30, 29, 29, 30, 30, 31, 30, 31, 34, 33, 33, 29, 29.

15 En la primera columna de la tabla colocamos la variable ordenada de menor a mayor, en la segunda hacemos el recuento y en la tercera anotamos la frecuencia absoluta .

xi 27 28 29 30 31 32 33 34

Recuento I II

fi 1 2 6 7 8

Fi 1 3 9 16 24 27 30 31

ni 0.032 0.065 0.194 0.226 0.258 0.097 0.097 0.032 1

Ni 0.032 0.097 0.290 0.516 0.774 0.871 0.968 1

III III I

3 3 1 31

Este tipo de tablas de frecuencias se utiliza con variables discretas. Construccin de una distribucin de frecuencias. 1. De la muestra de los datos que se tengan se determina primero al AMPLITUD TOTAL (R), restando al valor ms alto el ms pequeo. R= Xmax - Xmin

2. Seguidamente determinamos el nmero de CLASES (k) as: k = 1 + 3,3 log (n) Donde n es la cantidad de datos de la muestra.

16 K se debe de redondear, para tener un nmero de clases completas, y se debe de redondear hacia el nmero impar. Ej. 5,77 se redondea a 5. 3. Ahora, la AMPLITUD (c) de las clases dividiendo la amplitud total entre el nmero de clases. c=R/k C debe tener el mismo nmero de decimales que k y R, y se debe de redondear hacia arriba (a este valor redondeado le llamaremos c') 4. Ahora volvemos a calcular la a AMPLITUD TOTAL R' donde: R' = c' x k 5. Distribuir la diferencia de R, sea la mitad del cambio. X'min = Xmin - [(R' - R) / 2] X'max = Xmax - [(R' - R) / 2] 6. Ahora debes de realizar una tabla as
Limites Reales

Clase 1 2 ... k

Lmites Calculados X'min hasta X'min+c'

fi

Fi el Conteo de acumulado de los

fri

Fri

xi Puntos medios. los (Lim + inf Lim

Se abren los Aqu conteo cuantos valores todos datos

Porcentaje Porcentaje de valores acumulado que a categora la de pertenecen valores.

X'min + c' hasta (X'min +c') + lmites calculados. c' ... ... hasta X'max

Sup) /2

pertenecen a

cada clase.

Notas: i. la suma de fi (frecuencia observada) debe ser igual a n. ii. El ltimo dato de Fi (frecuencia observada acumulada) es igual a n. 17 iii. La suma de fri (frecuencia relativa observada) debe ser igual a 100% iV. El ltimo dato de Fri (frecuencia relativa observada acumulada) debe ser igual a 100% 7. Se grafica fi vs xi. Ejemplo Se tiene la siguiente muestra 30 22 24 23 23 22 25 30 25 20 26 19 23 19 20 25 30 21 20 29 32 19 23 26 23 24 24 22

R = Xmax - Xmin = 32 - 19 = 13 k = 1+ 3,3 log (28) = 5,77... Se redondea a 5. c = 13/5 = 2,6... Se redondea c'=3 R' = 5 * 3 = 15 (R'-R) / 2 = (15 - 13) / 2 = 1 X'min = Xmin - 1 = 19 - 1 = 18 X'max = Xmax + 1 = 32 + 1 = 33

18 Clase Lmites Calculados 1 18 a 20 2 21 a 23 3 4 5 24 a 26 27 a 29 30 a 32 Limites Reales fi 17,5 a 20,5 6 20,5 a 23,5 9 23,5 a 26,5 26,5 a 29,5 29,5 a 32,5 8 1 4 28 Fi 6 15 23 24 28 fri 0,21 0,32 0,29 0,04 0,14 1 Fri 0,21 0,53 0,82 0,86 1 xi 19 22 25 28 31

Estadstico y parmetro. Estadstico. Una estadstica es cualquier cantidad cuyo valor se pueda calcular a partir de datos muestrales. Antes de obtener datos, hay incertidumbre en cuanto a que valor resulta de cualquier estadstica particular. Por lo tanto, una estadstica es una variable aleatoria y estar denotada por una letra mayscula; una minscula se emplea para representar el valor calculado u observado de la estadstica. Parmetro. Nos referimos a estas funciones, tales como las medias, desviaciones tpicas, momentos, coeficientes de correlacin, etc., con el nombre genrico de parmetros. Modernamente se reserva esta palabra para los valores de la poblacin y para designar el valor correspondiente de la muestra se utiliza la palabra estadgrafo. Por lo tanto, una media muestral es un estadgrafo que estima la media de la poblacin, que es un parmetro. Son cantidades, las cuales son constantes para distribuciones en particular, pero pueden tomar diferentes valores para diferentes miembros de familias de distribuciones del mismo tipo. Los parmetros ms comunes son y

19 Calculo de la media para datos agrupados. Si los datos vienen agrupados en una tabla de frecuencias, la expresin de la media es:

Calculo de la varianza para datos agrupados. La varianza es la media aritmtica del cuadrado de las

desviaciones respecto a la media de una distribucin estadstica. La varianza se representa por .

Varianza para datos agrupados

Para simplificar el clculo de la varianza vamos o utilizar las siguientes expresiones que son equivalentes a las anteriores.

20 Varianza para datos agrupados

Calculo de la desviacin tpica para datos agrupados. La desviacin tpica es la raz cuadrada de la varianza.

Desviacin tpica para datos agrupados

Para simplificar el clculo vamos o utilizar las siguientes expresiones que son equivalentes a las anteriores.

Desviacin tpica para datos agrupados

21 Calculo de la media para datos no agrupados. Para calcular la media aritmtica, sumamos todos los datos y dividimos entre el nmero de datos. Calculo de la varianza para datos no agrupados. La varianza para una poblacin se calcula con:

Notas: 1) Para el clculo de la varianza de una muestra se divide por n-1 en lugar de N, debido a que se tiene n-1 grados de libertad en la muestra. Otra razn por la que se divide por n-1 es debido a que una muestra generalmente est un poco

menos dispersa que la poblacin de la cual se tom. Al dividir para n-1 en lugar de N se cumple con la tendencia y sentido lgico de que la varianza y desviacin estndar de la muestra deben tener un valor ms pequeo que la varianza y desviacin estndar de la poblacin. 22 2) En la realidad, salvo indicacin expresa, no se calcula la varianza y la desviacin estndar de la poblacin, ya que para ahorrar tiempo, esfuerzo, dinero, etc. es mejor trabajar con datos que representan a la muestra. Calculo de la desviacin tpica para datos no agrupados. Las desviaciones tpicas de la poblacin y muestra se calculan simplemente sacando la raz cuadrada a la respectiva varianza. desviacin estndar de una poblacin desviacin estndar de una muestra Ejemplo s = s2 S= S 2

El contenido de cinco botellas de perfume seleccionadas de forma aleatoria de la lnea de produccin son (en ml): 85.4, 85.3, 84.9, 85.4, y 84.0. Cul es la varianza y la desviacin estndar de las observaciones muestreadas? X 85.4 85.3 84.9 85.4 84.0 Sx= 425.0 Sx2= Sx2 X2 7293.16 7276.09 7208.01 7293.16 7056.00 36126.42

(Sx)2 (425)2 36126.42 S2= n = 5 = 0.355 n-1 5-1

S=

0.355

= 0.5958

23 Conclusin. Los conceptos antes mencionados han sido analizados e investigados de tal manera de hacer ms fcil su comprensin y entendimientos ya que la estadstica es la ciencia que trata de entender, organizar y tomar decisiones que estn de acuerdo con los anlisis efectuados La probabilidad mide la frecuencia con la que se obtiene un resultado (o conjunto de resultados) al llevar a cabo un experimento aleatorio, del que se conocen todos los resultados posibles, bajo condiciones suficientemente estables. La teora de la probabilidad se usa extensamente en reas como la estadstica, la fsica, la matemtica, la ciencia y la filosofa para sacar conclusiones sobre la probabilidad de sucesos potenciales y la mecnica subyacente La eventos probabilidad esperados de constituye dentro un de sistemas importante un complejos. parmetro en la

determinacin de las diversas casualidades obtenidas tras una serie de rango estadstico.

Existen diversas formas como mtodo abstracto, como la teora Dempster-Shafer y la teora de la relatividad numrica, esta ltima con un alto grado de aceptacin si se toma en cuenta que disminuye considerablemente las posibilidades hasta un nivel mnimo ya que somete a todas las antiguas reglas a una simple ley de relatividad.

24 BIBLIOGRAFIA. AYALA, Esteban. [en lnea]. Actualizada: 10 julio 2011. [Fecha de consulta: 19 de enero]. Disponible en http://www.monografias.com/trabajos85/interaprendizaje-medidastendencia-central/interaprendizaje-medidas-tendencia-central.shtml ROJAS, Calixto [en lnea]. Actualizada: 05 de mayo de 2010. [Fecha de consulta: 19 de enero]. Disponible en http://www.eumed.net/libros/2007a/239/4a.htm

25