Prob y Est - Uni 4 Distribuciones de Probabilidad

Probabilidad y Estadstica
Ing. Manuel Veyna Lamas
1. Introduccin 2. Estadstica Descriptiva
3. Estadstica Inductiva
4. Distribuciones de probabilidad 5. Estadstica Inferencial
2
4. Distribuciones de Probabilidad
Objetivos de la Unidad
Distribuciones discretas
Distribuciones continuas Aproximaciones de funciones
Distribuciones de Probabilidad
This page intentionally left blank

5
Variables aleatorias Variable Son las caractersticas que podemos encontrar en una poblacin.
El Dominio de una variable es el conjunto de las distintas modalidades o valores que puede tomar.
Vive bien el PRESENTE, para en el FUTURO, tener un bonito PASADO. Annimo
Variables aleatorias Variable De acuerdo al tipo de datos que representan, se utiliza el trmino modalidad cuando hablamos de caracteres cualitativos y el trmino valor cuando estudiamos caracteres cuantitativos.
Variables aleatorias Variables cualitativas Las que no aparecen en forma numrica, sino como categoras o atributos(sexo, profesin, color). Es decir, describe una cualidad, no una cantidad numrica. Las variables cualitativas slo pueden ser nominales u ordinales.
Variables aleatorias Variables cualitativas Variables nominales: Lo nico que puede hacerse es establecer frecuencias en cada atributo y la igualdad o desigualdad entre los diferentes casos, ver cul es el grupo que tiene mayor frecuencia alcanzando el concepto de moda (y tambin obtener algunas medidas de asociacin cuando se relacionan variables entre s).
Variables aleatorias Variables cualitativas Variables ordinales: Recogen la idea de orden pero no
tiene sentido realizar operaciones aritmticas con ellas (Ej: acuerdo o desacuerdo con un proyecto de ley). Se puede establecer aqu igualdad y desigualdad, y relaciones como mayor que, y menor que. Puede establecerse orden, pero no medirse distancia dentro de ese orden. La medida estadstica de tendencia central ms apropiada para estas escalas es la "mediana".
10
Variables aleatorias Variables cuantitativas Las que pueden expresarse numricamente (temperatura, salario, nmero de goles en un partido, edad, etc). Se pueden cuantificar los resultados experimentales por medio de instrumentos adoptando unidades de medida para valorar los diferentes resultados. Pueden ser discretas o continuas.
11
Variables aleatorias Variables discretas Por ejemplo, en un grupo determinado de 5 nios, el nmero de quienes recibieron cuando menos un juguete electrnico en Navidad sera 0, 1, 2, 3, 4 5. No puede haber un nmero entre estos valores, como 2.338
12
Variables aleatorias Variable continua La temperatura exacta afuera del saln mientras se desarrolla la clase puede ser: 3.114, 19.872, o 28.333 grados centgrados, o cualquiera de una infinidad de otros valores en el intervalo de temperaturas donde se ubica la escuela.
13
De los siguientes ejemplos, diga cules representan datos discretos y cules continuos: El nmero de acciones vendidas por da en la bolsa de valores. Las velocidades del viento registradas cada media hora en un observatorio. El nmero de nios en una familia La longitud de 1000 tornillos producidos en una fbrica.
14
Diga el dominio de cada una de las variables siguientes y diga si son discretas o continuas La cantidad L de litros de agua en una lavadora. El nmero B de libros en el estante de la biblioteca. La suma S de los puntos obtenidos al azar en un par de dados. El dimetro D de una esfera. Los pases C en Europa.
15

16
Funciones de probabilidad Funcin En matemticas es el trmino usado para indicar la relacin o correspondencia entre dos o ms cantidades. Correspondencia o relacin f de los elementos de un conjunto A con los elementos de un conjunto B; Los valores que tomar una variable dependiendo del valor de otra.
El sentido comn es el menos comn de los sentidos H. Greele
17
Funciones de probabilidad Funcin Ejemplo: la funcin f(x) = x2 (una parbola) Ejemplo: la funcin
(campana de Gauss)
18
Funciones de probabilidad Cada probabilidad es un nmero entre 0 y 1, y la suma de todas las probabilidades es 1. Cuando tenemos un suceso, nos interesa saber si hay muchas o pocas posibilidades de que ocurra al realizar el experimento. A la representacin de los valores y sus probabilidades la llamamos funcin de probabilidad o funcin de masa.
19
Funciones de probabilidad
Una variable aleatoria es una variable que recoge todos los posibles valores de un experimento aleatorio. Como todas las variables, las variables aleatorias pueden resumirse por una distribucin de frecuencias Es decir, si x es una variable aleatoria discreta, y sus valores son x1, x2 , x3, . . . xk, representamos como p1, p2,...pk las correspondientes probabilidades de que ocurran cada uno de los valores. Dicho de otro modo pi = P{ xi } o f(xi)
20
Funciones de probabilidad La funcin de probabilidad ser, pues, una relacin entre el conjunto de los posibles resultados y el conjunto de nmeros reales, que asignar a cada suceso la probabilidad de que se verifique. Es decir, la relacin entre cada posible resultado, y la probabilidad que tiene cada uno. La notacin: P(xi) significar: probabilidad de que se verifique el suceso xi.
21
Funciones de probabilidad Otra notacin utilizada es: P(xi) = P[ w / X(w) = xi ] = f(xi)
Por lo tanto, siempre que sea posible, expresaremos las distribuciones de probabilidad por medio de ecuaciones, de lo contrario, se dar una tabla (o un histograma) que muestre la correspondencia entre los valores de la variable aleatoria y las probabilidades asociadas.
22
Funciones de probabilidad Ejemplo: f(x) = 1 / 6, para x=1, 2, 3, 4, 5, 6
Nos da la probabilidad para los distintos puntos que se pueden obtener al lanzar un dado legal.
NOTA: Puede utilizarse f(x), g(x), p(x), W(x), etc.
23
Funciones de probabilidad Ejercicios: Verifique si las siguientes funciones pueden emplearse como distribuciones de probabilidad: f(x) = (x-2) para x = 1, 2, 3, 4 2 x2 h(x) = 25 para x = 0,1, 2, 3, 4
24
Distribuciones de probabilidad (v.a. discreta) Una funcin de probabilidad ser entonces una distribucin de probabilidad. Es decir, que para cada valor de xi (cada evento o posible resultado) se tiene una probabilidad de que ocurra. Ejemplo: Realizar la distribucin de probabilidades para obtener puntos al lanzar dos dados.
Me interesa el futuro porque es el sitio donde voy a pasar el resto de mi vida. Woody Allen (1935-?). Actor, director y escritor estadounidense
25
Distribuciones de probabilidad (v.a. discreta)

Recordemos el ejemplo de distribucin de frecuencias con las que puede aparecer un resultado al lanzar 2 dados. Frecuencia Resultados al lanzar 2 dados
Puntos Frecuencia 2 1 3 2 4 3 5 4 6 5 7 6 8 5 9 4 10 3 11 2 12 1 36 Total:
7 6 5 4 3 2 1 0
Puntos
2 3 4 5 6 7 8 9 10 11 12
26

Ahora, en lugar de frecuencia lo veremos como probabilidad, es decir, ser una distribucin de probabilidades. Probabilidad de puntos con 2 dados Frecuencia
Puntos Probabilidad 2 1 / 36 3 2 / 36 4 3 / 36 5 4 / 36 6 5 / 36 7 6 / 36 8 5 / 36 9 4 / 36 10 3 / 36 11 2 / 36 12 1 / 36 Suma: 36 / 36 = 1.00
0.200 0.175 0.150 0.125 0.100 0.075 0.050 0.025 0.000
2 3 4 5 6 7 8 9 10 11 1227
Puntos
Distribuciones de probabilidad (v.a. discreta) Calcular la probabilidad de que caiga 5, 6 7. Calcular la probabilidad de que caiga un nmero mayor a 9.
28
Frecuencia
Probabilidad de puntos con 2 dados
0.18
0.16 0.14 0.12 0.10
0.08
0.06 0.04 0.02 0.00
Puntos
9 10 11 12
Distribuciones de probabilidad (v.a. discreta) Ejemplo: Realizar la distribucin de probabilidades de que caiga guila para el lanzamiento de 2 monedas. Sugerencia: Para reforzar la comprensin, puede ayudarse realizando la tabla o el conjunto con todos los posibles resultados.
30
Distribuciones de probabilidad (v.a. discreta) Ejemplo: Realizar la distribucin de probabilidades de que caiga guila para el lanzamiento de 2 monedas.
Num Probabilidad 0.50 guilas
0 1 2 0.25 0.50 0.25
0.40 0.30 0.20 0.10 0.00
0 1 2 Num guilas
31
Probabilidad de guilas
Suma:
1.00
Distribuciones de probabilidad (v.a. discreta) Ejercicio: Una asesora de finanzas imparte seminarios sobre inversiones y limita cada uno de sus cursos a seis asistentes. Debido al tamao reducido de los grupos y de la atencin personalizada que reciben, algunos de los asistentes se vuelven clientes despus del seminario. Para los 20 seminarios anteriores que ella ha ofrecido, x (donde x es el nmero de asistentes que se han convertido en clientes) ha tenido la distribucin de la sig. grfica:
32

0.30 0.25 0.20
P(x)
Probabilidad de que x asistentes se vuelvan clientes
a) Determine la probabilidad de que ningn asistente a un curso se vuelva cliente. b) Determine la probabilidad de que al menos 4 asistentes se vuelvan clientes.
0.15
0.10 0.05 0.00 0 1 2 3 4 5 6
X=num. de clientes
33
Ejercicio: De una urna que contiene 4 esferas rojas y 6 blancas, se extraen al azar y sin reemplazo 3 de ellas. Si x es una variable aleatoria discreta (v.a.d.) que designa el total de esferas rojas extradas, construir la tabla que muestra la distribucin de probabilidades de la v.a.d. x.
34

35
Esperanza matemtica (valor esperado) La esperanza matemtica o valor esperado de una variable aleatoria es la suma de la probabilidad de cada suceso multiplicada por su valor.
La esperanza matemtica de una variable aleatoria discreta es simplemente la media ponderada de la variable, presentada en trminos de probabilidad.
El mundo exige resultados. No le cuentes a otros tus dolores del parto. Mustrales al nio. Indira Gandhi (1917-1984) Estadista y poltica hind.
36
Esperanza matemtica (valor esperado) Por ejemplo en un juego de azar el valor esperado es el beneficio medio. Si todos los sucesos son de igual probabilidad la esperanza es la media aritmtica.
37
Esperanza matemtica (valor esperado) Es decir, si X es una v.a.d. que toma valores son x1, x2 , x3, . . . xk, y sus probabilidades estn representadas como p(x1), p(x2), p(x3), ... p(xk), la Esperanza matemtica se define como:
38
Esperanza matemtica (valor esperado) Ejemplo:

Calcular la esperanza para la v.a.d. definida como la suma de los nmeros que resulten del lanzamiento de 2 dados.
[Excel]
X 2 3 4 5 6 7 8 9 10 11 12
frec 1 2 3 4 5 6 5 4 3 2 1
N 36 36 36 36 36 36 36 36 36 36 36
P(X) 0.03 0.06 0.08 0.11 0.14 0.17 0.14 0.11 0.08 0.06 0.03
X * P(X) 0.06 0.17 0.33 0.56 0.83 1.17 1.11 1.00 0.83 0.61 0.33
39
Esperanza matemtica (valor esperado) Ejemplos: Realizar el ejemplo anterior, pero para un solo dado.
Cul ser la esperanza para la v.a.d. definida como la media de las calificaciones de 2 estudiantes?
[Excel]
En un determinado negocio una persona puede tener una utilidad de $3,000,000 con una probabilidad del 60% o puede perder $1,000,000 con una probabilidad del 40%. Cul es la esperanza?
40
Esperanza matemtica (valor esperado) Ejemplos: Del ejemplo de la asesora de finanzas que imparte seminarios, cul ser la esperanza?, es decir el nmero esperado de asistentes que se vuelven clientes. Calcule la esperanza, o sea, cuntas guilas podemos esperar en el lanzamiento de 2 monedas.
41

42
Momentos con respecto al origen de una v.a.d. Al momento de primer orden con respecto al origen lo llamamos media de la v.a.d.
mn = E[ (xi)n ] = S (xi)n * f(xi)
Que algo no funcione como t esperabas no quiere decir que sea intil. Thomas Alva Edison (1847-1931) Fsico e inventor estadounidense.
43
Momentos con respecto a la media de una v.a.d. Al momento de segundo orden con respecto a la media lo llamamos varianza de la v.a.d. y se representa por:
mn = E[ (xi-m)n ] = S (xi-m)n * f(xi)

La desviacin estndar ser la raz cuadrada positiva de la varianza (del momento de 2 orden), o sea: s = m2
44
Momentos con respecto a la media de una v.a.d. Ejercicio: Para el ejemplo de la consultora de finanzas, calcular el momento de primer orden y el de segundo orden. O sea, el valor esperado y la desviacin estndar. Lo mismo para el experimento de lanzar 2 monedas.
45

46
Distribuciones de probabilidad (v.a. continua) La densidad de probabilidad de una variable aleatoria continua (v.a.c.) est dada por una funcin f(x), con las siguientes condiciones: 1. f(x) 0, para todo x 2. El rea bajo la curva representada grficamente por la funcin f(x) y el eje x, es igual a uno, esto es:
[Grfica]
Todo lo difcil debe intentarse mientras es fcil . Lao-ts (570 aC-490 aC) Filsofo chino.
47
Distribuciones de probabilidad (v.a. continua) La densidad de probabilidad de una variable aleatoria continua (v.a.c.) est dada por una funcin f(x), con las siguientes condiciones: 3. La probabilidad P(a x b) est dada por el rea que limita la curva f(x) en el intervalo: x=a y x=b y el eje x.
[Grfica]
48
Distribuciones de probabilidad (v.a. continua) La densidad de probabilidad ms conocida es la camapana de Gauss:
49
Distribuciones de probabilidad (v.a. continua) Ejemplo: Sea un disco cuya circunferencia tiene una escala con nmeros del 0 al 1 igualmente espaciados. Una manecilla est apoyada en el centro del disco y cuando se le hace girar finalmente se detiene sealando algn nmero de la escala. Si se considera como un experimento el hacer girar la manecilla, se tendr una variable aleatoria x del tipo continuo. Cul ser la media, la varianza y la desviacin estndar de la variable?
50
Distribuciones de probabilidad Ejemplo: Una moneda cargada tal que la probabilidad de que caiga guila es de 2/3 y de que caiga sello es de 1/3. Se lanza una moneda 3 veces. Sea x una v.a. que designa el total de guilas que se obtienen. Construir una tabla que muestre la distribucin de probabilidad de x, y calcular la desviacin estndar.
x f(X)
51
Distribuciones de probabilidad Ejemplo: Una caja contiene 8 artculos de los cuales 2 son defectuosos. Una persona selecciona al azar 3 artculos de la caja. Hallar el nmero esperado de artculos defectuosos que saca, y la desviacin estndar de la variable aleatoria.
x f(X) 0 1 2
52
Distribuciones de probabilidad Ejemplo: Sea x una variable aleatoria continua tal que: x f(x) = 0 en otra parte si 0 x 2
53

54
Distribucin Binomial (Distribucin de Bernoulli) Las caractersticas de los ensayos o pruebas de Bernoulli tienen las siguientes caractersticas:
Son eventos independientes y repetidos a los cuales se les asignan las propiedades siguientes a) Slo hay 2 resultados posibles: e = xito f = fracaso b) Las probabilidades de xito y fracaso permanecen iguales en todos los ensayos. P(e) = p P(f) = 1 - p
No Estudio Por Saber Mas, Sino Por Ignorar Menos. 55 Sor Juana Ins de la Cruz (16511695) religiosa catlica, poeta y dramaturga novohispana
Distribucin Binomial (Distribucin de Bernoulli) Ejemplo: Se tiene una urna con 4 esferas rojas y 6 verdes. Se elige al azar una esfera con reemplazo.
xito = roja fracaso = verde P(e) = 4/10 = 0.4 P(f) = 1-0.4 = 0.6
Distribucin Binomial (Distribucin de Bernoulli) Si relacionamos n ensayos de Bernoulli, designaremos x el nmero de xitos que resulten, entonces la expresin nCx *px * qn-x nos da la probabilidad de cualquier punto muestral de un espacio de eventos.
Nmero de formas que puede aparecer un resultado
Es decir:
p(x) = nCx
x * qn-x *p
Distribucin Binomial (Distribucin de Bernoulli) Ejemplo: Se lanza una moneda 2 veces. Calcular la probabilidad de obtener: a) 2 guilas b) 1 guila Ejemplo: Se lanza una moneda 3 veces. Calcular la probabilidad de obtener: a) 0 guilas b) 1 guilas c) 2 guilas d) 3 guilas
Distribucin Binomial (Distribucin de Bernoulli) Ejemplo: Si el 20% de los remaches producidos por una mquina son defectuosos, encontrar la probabilidad de que en 4 remaches tomados al azar: a) Uno salga defectuoso b) Ninguno sea defectuoso c) Cuando ms dos sean defectuosos
Distribucin Binomial (Distribucin de Bernoulli) Ejemplo: Calcular la probabilidad de que en 5 lanzamientos de un dado: a) el 3 caiga 2 veces b) el 5 caiga 4 veces c) el 6 caiga 3 veces
Ejemplo: Una familia tiene 6 hijos. Si se considera igual probabilidad el nacimiento de un hijo o de una hija, hallar la probabilidad de que sean: a) 3 nios y 3 nias b) menos nios que nias
Distribucin Binomial (Distribucin de Bernoulli) Ejemplo: Se asegura que el 60% de las instalaciones generadoras de electricidad mediante energa solar, los gastos de servicio se reducen al menos en una tercera parte. De acuerdo con esto, cules son las probabilidades que se reduzcan al menos en una tercera parte en: a) cuatro de cinco instalaciones? b) en al menos cuatro de cinco instalaciones?

62
Distribucin de Poisson Si el nmero de ensayos de Bernoulli es relativamente grande y la probabilidad de xito es relativamente pequea, el clculo de probabilidades binomiales puede resultar bastante laborioso. Existe una forma lmite de la distribucin binomial que nos permite calcular la probabilidad de tener x xitos en n ensayos cuando n es grande y p es pequeo. Esta forma lmite de la distribucin binomial se conoce como Distribucin de Poisson.
Si sientes que los golpes de la vida te debilitan, come frutas y verduras Annimo
63
Distribucin de Poisson Est dada por la siguiente expresin:
donde:
l = media aritmtica de acuerdo con las propiedades de la distribucin binomial, o sea m x. Si todos los eventos tienen la misma probabilidad, se deduce que l = N*p e = corresponde a un valor = 2.718281828 x = nmero de eventos esperados
64
Distribucin de Poisson Ejemplo: Si la probabilidad de que un individuo sufra una reaccin por la aplicacin de un determinado suero es de 0.001, determinar la probabilidad de que en 2000 individuos a los que se les aplique el mismo suero, tres sufran reaccin.
[Barnoulli luego Poisson]
65
Distribucin de Poisson Ejemplo: En determinada regin donde existe una sola toma de agua, por cada 100 habitantes que consumen el agua, uno es afectado en sus rganos digestivos. Calcular la probabilidad de que de 1200 consumidores: a) 5 resulten afectados b) 6 resulten afectados c) 7 resulten afectados
66
Distribucin de Poisson Ejemplo: Supngase que 300 errores estn distribuidos al azar a lo largo de un libro de 500 pginas. Hallar la probabilidad de que una pgina contenga: a) 2 errores exactamente b) 2 o ms errores
67
Distribucin de Poisson Ejemplo: Supngase El nmero promedio de demandas presentadas a una compaa de seguros es de 2 demandas/da (m=2), determine la probabilidad de que en un da cualquiera: a) Se presente exactamente una demanda. b) No se presente ninguna demanda. c) Se presenten exactamente 3 demandas.
68
Distribucin de Poisson Ejemplo: Supngase que una poblacin de 50,000 habitantes hay un promedio anual de 2 suicidas. Para una poblacin de 100,000 hallar la probabilidad de que en un ao haya: a) 0 suicidas b) 1 suicida c) 2 suicidas d) 2 o ms suicidas
69
Distribucin de Poisson Ejemplo: Supngase que el 2% de la poblacin en promedio sean zurdos. Hallar la probabilidad de que en 100 personas: a) 0 sean zurdos b) 1 sean zurdos c) 2 sean zurdos d) 3 o ms sean zurdos
70
Distribucin de Poisson Ejemplo: Una distribucin de Poisson est dada por la ecuacin:
P(x) = [ 0.72x e-0.72 ] / x!

Calcular: a) P(0) b) P(1) c) P(2)
71

72
Distribucin de Normal La distribucin normal es una distribucin de frecuencias que tiene muchas observaciones cercanas al centro de la distribucin y luego disminuye gradual y simtricamente a los lados. La curva normal puede considerarse como un modelo terico para analizar situaciones reales. Propiedades:
Es simtrica y tiene forma de campana. La media m est al centro de la distribucin y divide el rea bajo la curva en 2 partes iguales. La curva se extiende en ambas direcciones, sin embargo es asinttica en el eje x.
Fjate muy bien en lo que te fijas Annimo
73
Distribucin de Normal
rea = 1
0.5 0.5
La distribucin normal est dada por la funcin
Fjate muy bien en lo que te fijas Annimo
74
Distribucin de Normal Independientemente de cules sean los valores de m y s, el rea total bajo la curva es de 1, estas reas se pueden tomar como probabilidades. a) Aproximadamente el 68% de todos los valores de una poblacin distribuda normalmente caen dentro de una desviacin estndar (mas y menos) a partir de la media.
75
Distribucin de Normal b) Aproximadamente el 95.5% de todos los valores de una poblacin distribuda normalmente caen dentro de dos desviaciones estndar (mas y menos) a partir de la media. c) Aproximadamente el 99.7% de todos los valores de una poblacin distribuda normalmente caen dentro de tres desviaciones estndar (mas y menos) a partir de la media.
76
77
Aproximaciones de funciones En una poblacin se pueden tomar en cuenta no solamente un factor de estudio, sino que se pueden considerar dos o ms. Por lo tanto se pueden relacionar dos o ms variables mediante una funcin conocida o desconocida, pero que podemos aproximar para que sea cercana a todos los valores experimentales que se obtienen. Si se tiene un grupo de datos para un determinado rango, se puede predecir aproximadamente el valor de una variable dependiente.
78
Mtodo de mnimos cuadrados Se trata de encontrar la ecuacin de una curva que, aunque no pase por todos los puntos, tenga pocas variaciones (sea suave) y pase lo ms cerca posible de todos ellos. Generalmente lo ms cerca posible se obtiene imponiendo el mtodo de mnimos cuadrados.
Siempre hay alguien que sabe ms que t, aprende de l. Siempre hay alguien que sabe menos que t, enseale Annimo
79
Mtodo de mnimos cuadrados En la realidad siempre existen errores en las mediciones ya sea por calibracin incorrecta del instrumento, falta de habilidad para hacer la medicin, resolucin insuficiente del instrumento, etc. Los datos pueden diferir un poco de un modelo terico por estas causas.
80
Mtodo de mnimos cuadrados
f(x) = ax + b
81
f(x) = ax2 + bx + c
82
Mtodo de mnimos cuadrados Antes de imponer este criterio, debe escogerse la forma de la curva suave que se va a ajustar al conjunto de puntos dados. La ecuacin de esta curva puede obtenerse por conocimiento previo del problema, es decir, por la interpretacin fsica del fenmeno, o en forma arbitraria observando qu ecuacin conocida describe aproximadamente a esta curva, que puede ser una recta, una parbola, etc. En general ser un polinomio de grado m.
83
Mtodo de mnimos cuadrados Dada la funcin tabular (conjunto de parejas ordenadas de datos), se trata de obtener los valores de los coeficientes de la funcin:
y = f(x) = a0 + a1x + a2x2 + .. amxm

Cuya grfica es la curva suave que se acerca a la mayora de los puntos.
84

y = f(x)
Ri
f(xi) = yi + Ri
85
Mtodo de mnimos cuadrados Se llama residuo a la diferencia de ordenadas de la curva para x=xi menos la del punto (xi , yi)
Representando con Ri al residuo, se obtiene:
Ri = f(xi) yi
Es decir:
2 + . . . a x m) y Ri= (a0 + a1xi + a2xi m i i
86
Mtodo de mnimos cuadrados Este mtodo consiste en determinar los valores de los parmetros a0, a1, a2, ... am, de manera que se haga mnima la suma de los cuadrados de sus residuos.
Ri= a0 + a1xi + a2xi2 + . . . amxim yi

Esta suma vale:
Ri2 =
(a0 + a1xi + a2xi2 + . . . amxim yi )2

87
Mtodo de mnimos cuadrados Se obtiene el mnimo de esta igualando a cero sus primeras derivadas parciales con respecto a todos y cada uno de los parmetros:
Ri2 = = =
(a0 + a1xi + a2xi2 + . . . amxim yi )2 (a0 + a1xi + a2xi2 + . . . amxim yi )2
2(a0 + a1xi + a2xi2 + . . . amxim yi )*xij

88
Mtodo de mnimos cuadrados Igualando con cero esta derivada se llega a:
a0
xij + a1
xij+1 + a2
xij+2 + ...
amxij+m =xij*yi
Finalmente, considerando j = 1, 2, 3, m, se obtiene el siguiente conjunto de ecuaciones normales:

89
Mtodo de mnimos cuadrados Llegamos al siguiente conjunto de ecuaciones:
a0n
+ a1Sx
+ a2Sx2 + . . . amSxm = Sy
a0Sx
+ a1Sx2 + a2Sx3 + . . . amSxm = Sxy
a0Sx2 + a1Sx3 + a2Sx4 + . . . amSxm = Sx2y
....
a0Sxm + a1Sxm+1 + a2Sxm+2 + . . amSxm+m = Sxmy
90
Mtodo de mnimos cuadrados En el caso especfico de una recta, que se conoce como regresin lineal, el sistema de ecuaciones a resolver ser el siguiente:
a0n + a1Sx = Sy a0Sx + a1Sx2 = Sxy
Para encontrar los valores de a0 y a1 se tienen 2 opciones: a) Resolver el sistema de ecuaciones. b) a0 = (Sy)(Sx2) (Sx)(Sxy) a1 = N(Sxy) (Sx)(Sy)
N(Sx2) (Sx)2 N(Sx2) (Sx)2
91
Mtodo de mnimos cuadrados En el caso especfico de una parbola, que ya se conoce como regresin no lineal, el sistema de ecuaciones a resolver ser el siguiente:
a0n
+ a1Sx
+ a2Sx2 = Sy
a0Sx + a1Sx2 + a2Sx3 = Sxy a0Sx2 + a1Sx3 + a2Sx4 = Sx2y

Para encontrar los valores de a0, a1 y a2 la opcin ms 92 viable es resolver el sistema de ecuaciones.
Mtodo de mnimos cuadrados Ejemplo: Calcule la ecuacin que se aproxime a los datos de la siguiente tabla: X 1 3 4 6 8 9 11 14 Y 1 2 4 4 5 7 8 9
a0n + a1Sx = Sy a0Sx + a1Sx2 = Sxy a08 + a156 = 40 a056 + a1524 = 364
Solucin:
93
Mtodo de mnimos cuadrados Ejemplo: Calcule la ecuacin que se aproxime a los datos de la siguiente tabla: 10
X 1 3 4 6 8 9 11 14 Y 1 2 4 4 5 7 8 9
9
8
7
y = 0.545 + 0.636x
6
5
4
3
Finalmente: Predecir el valor de y, si x=5
2
1 0 0 1 2 3 4 5 6 7 8 9
94 10 11 12 13 14 15
Mtodo de mnimos cuadrados Ejemplo: En el estudio de una poblacin infantil, se obtuvieron los siguientes datos:
Edad x (meses)
2 8
6 9
1 5
3 7
12 10
7 8
5 7
1 4
3 6
16 10 10 9
Peso (Kg)
a0n + a1Sx = Sy a0Sx + a1Sx2 = Sxy

Solucin:
a0___ + a1___ = ___ a0___ + a1___ = ___
95
Mtodo de mnimos cuadrados Ejemplo: De acuerdo con las horas por semana de estudio dedicadas a cierta materia, se obtuvieron las siguientes calificaciones:
x hrs 10 12 y calif 9 9 8 10 6 7 4 6 5 5 7 8 6 7 3 5 4 6 6 8 9 10 6 7 5 7 9 8
a0n + a1Sx = Sy a0Sx + a1Sx2 = Sxy a0___ + a1___ = ___ a0___ + a1___ = ___
Solucin:
96

97
Correlacin Es el grado de relacin que hay entre las variables.

Correlacin Lineal Positiva
Correlacin Lineal Negativa
Sin Correlacin
98
Correlacin Coeficiente de Correlacin de Pearson (r): Indica tanto la direccin como la fuerza o la medida de la relacin entre las 2 variables.
-1 r +1
Si r es positivo, x y y tienen una relacin directa, es decir, si x aumenta, entonces y aumenta. Si r es negativo, x y y tienen una relacin inversa, es decir, si x aumenta, entonces y disminuye.
Si quieres aprender, ensea Marco Tulio Cicern (106 AC - 43 AC ) poltico, filsofo, escritor y orador romano
99
Correlacin Coeficiente de Correlacin de Pearson (r): Es una prueba estadstica para analizar la relacin entre dos variables medidas en un nivel por intervalos o de razn, el coeficiente de Pearson puede variar de -1.00 a +1.00 donde:
Si quieres aprender, ensea 100 Marco Tulio Cicern (106 AC - 43 AC ) poltico, filsofo, escritor y orador romano
Correlacin Coeficiente de Correlacin de Pearson (r):

+1.00 = Correlacin positiva perfecta: (A mayor X mayor Y, o a menor X menor Y) +0.90 = Correlacin positiva muy fuerte +0.75 = Correlacin positiva considerable +0.50 = Correlacin positiva media +0.10 = Correlacin positiva dbil 0.00 = No existe ninguna correlacin entre las variables -0.10 = Correlacin negativa dbil -0.50 = Correlacin negativa media -0.75 = Correlacin negativa considerable -0.90 = Correlacin negativa muy fuerte -1.00 = Correlacin negativa perfecta: (A mayor X menor Y, o a menor X mayor Y)
Ejercicio: Calcular el coeficiente de correlacin para los ejemplos anteriores.
donde: y = observacin y = y calculada aplicando la ecuacin de la recta ym = media de las observaciones
Ejercicio: Calcular el coeficiente de correlacin para los ejemplos anteriores. Compruebe que da el mismo resultado que con la primer frmula.
Fin de la Unidad
104

Prob y Est - Uni 4 Distribuciones de Probabilidad

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Prob y Est - Uni 4 Distribuciones de Probabilidad

Diunggah oleh

Hak Cipta:

Format Tersedia

Probabilidad y Estadstica

Ing. Manuel Veyna Lamas

This page intentionally left blank

Vive bien el PRESENTE, para en el FUTURO, tener un bonito PASADO. Annimo

Vive bien el PRESENTE, para en el FUTURO, tener un bonito PASADO. Annimo

Vive bien el PRESENTE, para en el FUTURO, tener un bonito PASADO. Annimo

Vive bien el PRESENTE, para en el FUTURO, tener un bonito PASADO. Annimo

Vive bien el PRESENTE, para en el FUTURO, tener un bonito PASADO. Annimo

Vive bien el PRESENTE, para en el FUTURO, tener un bonito PASADO. Annimo

This page intentionally left blank

El sentido comn es el menos comn de los sentidos H. Greele

Funciones de probabilidad Otra notacin utilizada es: P(xi) = P[ w / X(w) = xi ] = f(xi)

Funciones de probabilidad Ejemplo: f(x) = 1 / 6, para x=1, 2, 3, 4, 5, 6

El sentido comn es el menos comn de los sentidos H. Greele

El sentido comn es el menos comn de los sentidos H. Greele

Distribuciones de probabilidad (v.a. discreta)

Distribuciones de probabilidad (v.a. discreta)

0.200 0.175 0.150 0.125 0.100 0.075 0.050 0.025 0.000

Probabilidad de puntos con 2 dados

Distribuciones de probabilidad (v.a. discreta)

Probabilidad de que x asistentes se vuelvan clientes

Distribuciones de probabilidad (v.a. discreta)

This page intentionally left blank

Esperanza matemtica (valor esperado) Ejemplo:

This page intentionally left blank

mn = E[ (xi)n ] = S (xi)n * f(xi)

mn = E[ (xi-m)n ] = S (xi-m)n * f(xi)

This page intentionally left blank

Distribuciones de probabilidad (v.a. continua) La densidad de probabilidad ms conocida es la camapana de Gauss:

This page intentionally left blank

This page intentionally left blank

Distribucin de Poisson Est dada por la siguiente expresin:

P(x) = [ 0.72x e-0.72 ] / x!

This page intentionally left blank

Fjate muy bien en lo que te fijas Annimo

La distribucin normal est dada por la funcin

Fjate muy bien en lo que te fijas Annimo

Mtodo de mnimos cuadrados

Mtodo de mnimos cuadrados

y = f(x) = a0 + a1x + a2x2 + .. amxm

Mtodo de mnimos cuadrados

Representando con Ri al residuo, se obtiene:

2 + . . . a x m) y Ri= (a0 + a1xi + a2xi m i i

Ri= a0 + a1xi + a2xi2 + . . . amxim yi

(a0 + a1xi + a2xi2 + . . . amxim yi )2

(a0 + a1xi + a2xi2 + . . . amxim yi )2 (a0 + a1xi + a2xi2 + . . . amxim yi )2

2(a0 + a1xi + a2xi2 + . . . amxim yi )*xij

Mtodo de mnimos cuadrados Igualando con cero esta derivada se llega a:

Finalmente, considerando j = 1, 2, 3, m, se obtiene el siguiente conjunto de ecuaciones normales:

Mtodo de mnimos cuadrados Llegamos al siguiente conjunto de ecuaciones:

+ a1Sx2 + a2Sx3 + . . . amSxm = Sxy

a0Sx2 + a1Sx3 + a2Sx4 + . . . amSxm = Sx2y

a0n + a1Sx = Sy a0Sx + a1Sx2 = Sxy

a0Sx + a1Sx2 + a2Sx3 = Sxy a0Sx2 + a1Sx3 + a2Sx4 = Sx2y

Finalmente: Predecir el valor de y, si x=5

a0n + a1Sx = Sy a0Sx + a1Sx2 = Sxy

a0___ + a1___ = ___ a0___ + a1___ = ___

This page intentionally left blank

Correlacin Es el grado de relacin que hay entre las variables.

Correlacin Lineal Negativa

Correlacin Coeficiente de Correlacin de Pearson (r):

Correlacin Coeficiente de Correlacin de Pearson (r):

Ejercicio: Calcular el coeficiente de correlacin para los ejemplos anteriores.

Correlacin Coeficiente de Correlacin de Pearson (r):

a0_ + a1_ = _ a0_ + a1_ = _