Anda di halaman 1dari 15

01/11/18

Coeficente de variacion:

La medida de dispercion expresadas en valores absolutos son utiles para describir la


dispersion de un solo conjunto de valores.
Si se compara dos conjuntos de cifras los valores absolutos son contenientes solo si los
promedios de los dos conjuntos son aproximadamente del mismo tamñano y las
unidades de medidas son iguales.

Cuando los promedios son diferentes aunque las unidades sean las mismas la tarea de
comparar los grados de dispersion basados en valores absolutos se hacen dificiles. Por
eje: peso de estudiantes UNIVERSITARIOS y primarios.
Para comparar estas cifras es necesesario un valor relativo a fon de obtener una cifra
independiente del sistema de unidades empleada es decir un numero abtracto que
puede incluso establecerse en forma de porcentaje. Esto es la dispersion relativa o
coeficiente de variacion cuyo valor se calcula de esta manera:
Cv=Ds/M(x)

Dispercion: recorrido, desviacion media, varianza, desviacion estandar y coeficente de


variacion.
MEDIDA DE ASIMETRÍA

En una distribucion de frecuencia asimetrica los valores de la media, mediana y


moda son iguales.
Una distribucion simetrica significa que la clase central tiene la mayor frecuencia y que
las frecuencia arriba de la clase de la distribucion corresponde exactamente a las
frecunecias bajo de la clase central. Si la distribucion de frecuencia se muestra
mediante una grafica de barra por ej: un histograma o un grafico de lineas(un poligono
de frecuencia) una recta vertical atraves del punto medio de clase de la clase central
puede dividir la grafica en dos mitades identicas. La interseccion de la recta vertical y el
eje de las X da los valores de la media, mediana y moda.

EJEMPLO 2) PARA LA SGUIENTE DISTRIBUCION CORRESPONDIENTE A LAS


CALIFICACIONES DE 28 ALUMNOS
Y´-1---Y`i Marca de clase ni Yi. ni Ni
30-40 35 2 70 2
40-50 45 3 135 5
50-60 55 5 275 10 NJ-1
60-70 65 8 520 18 NJ
70-80 75 5 375 23
80-90 85 3 255 26
90-100 95 2 190 28
28 1820

n/2=14( se determina su NJ que el mayor o igual)


media:

mediana:

moda:

GRAFICO DE HISTOGRAMA.
Si las fracuencias arriba de la clase modal no son las mismas que las frecuencias abajo
de dicha clase la distribucion no es simentrica y los valores de los promedios no son los
mismos.
Cuando la distribucion no es simetrica el poligono de frecuencia se tornara asimetrico
ya sea hacia el lado derecho sobre las escalas de las X osea positivamentente
asimentrica o hacia el lado izquierdo sobreel eje de las X osea negativamente
asimetrico.
Por lo tanto abra dos tipos de asimetria:

a) Asimetria derecha o positiva


La moda es el valor que mas frecuentemente se presenta. La media arismeticaesta
afectada por los valores altos de la distribucion y suposicion sobre las escala sobre las
X es estirada hacia la derecha o hacia valores mas alto de la escala.
La mediana no es afectada tanto como la media por los valores altos puesto que la
mediana es el elemento central y divide la curva en dos areas iguales. Por lo tanto, la
mediana aunque mayor que la moda esta entre la moda y la media arismetica.

3)

b) Asimetria izquierda o negativa


En este caso la media: esta afectada por los valores bajos de la distribucion y su
posicion en las escalas de las X es estirada hacia la izquierda o hacia valores mas bajos
de la escala.
La mediana: no es afectada tan fuertemente por los valores bajos como es la media
arismetica ya que esta es el elemento central.
La moda: siempre esta en el punto mas alto de la curva

Para saber el grado de simetria o el tipo de simetria se calculara con el coeficiente de


simetria cuyo expresion es la siguiente:
MEDIDAS DE PUNTIAGUDEZ

Esta medida mide el grado de variacion o la velocidad con que sube y baja la
distribucion de izquierda a derecha.
Dicha variacion es medida a traves del coeficiente de custosis el cual compara una
curva de una distribucion con la curva de una distribucion normal o campana de Gauss
en funcion de la cantidad de valores extremos de la distribucion.
5)

Basandose en el dato de que en una distribucion normal se verifica que : 6)


Se define el coeficiente de Custosi como:
7)

Con todas estas medidas podemos describir


08/11/18

Estdistica inferencial

Se realiza cuando trabajamos con una muestra y tenemos que trasladar a la poblacion

Se trabaja con probabilidades

Hasta aqui hemos estudiado estadistica descritiva osea la organizacion, presenteaciony


descripcion de datos de poblacion o muestra. Pero los datos de muestra generalmente
no son estudiados por lo que son sino para revisar un conocimento anterior de quien
toma decisiones sobre los estados de la naturaleza o para generalizar acerca de un
parametro de poblacion desconocido.
Asi el problema que vincula los resultados muestrales con los valores poblacionales se
denominan inferencia estadistica y comprende fundamentalmente dos tipos de
problemas:

 La estimacion:
 Docimasia de hipotesis:
Los datos de muestra pueden ayudar a reducir nuestra incertidumbre sobre los
estados de la naturaleza pero rara vez pueden adivinar la incertidumbre en una
situacion dada de toma de decisiones. Asi la toma de decisones con o sin datos de
muestra se asocia siempre con un grado de incertidumbre.
La estadistica como metodo de toma de decisiones frente a la incertidumbre se basa
en la teoria de probabilidades porque la probabilidad es a traves el lenguaje y la
medida de la incertidumbre y los riesgos asociados con ella.
Entonces con la base de datos de una muestra se aprendera una forma de obtener
conclusiones acerca de la población de la cual se obtuvo la MUESTRA. La
PROBABILIDAD es fundamental para la deduccion estadistica y ademas guarda intima
relacion con ella.
TEORIA DE PROBABILIDADES

La teoria de probabilidad admas de ser un elemento inpresindible para la toma de


decisiones enlos problemas de estimacion y dosimasia es tambien de gran importancia
en todos aquellos problemas donde interviene la incertidumbre.
Se tendra encuenta los siguiente conceptos:
 Incertidumbre: es el resultado de algun proceso de cambio. Si un proceso de
cambio puede conducir a 2 o mas resultados posibles se dice que los resultados
son inciertos. Ademas, un proceso de cambio o experimento se considera
aleatorio si sus resultados son inciertos. Asi tirar una moneda o un dardo son
experimentos aleatorios porque en cada caso el proceso puede conducir a mas
de un resultado posible.
 Experimento aleatorio: el experimento se conforma de un conjunto de pruebas
realizadas bajo las mismas condiciones. Un experimento puede consistir de solo
una prueba.son los resultados de las purebas inciertas. Ej dado.
 El espacio propabilistico tambien llamado espacio muestralo espacio de
muestra en el conjunto de todos los resultados posibles de un experimento. Es
el conjunto universal osea el conjunto formado por todos los elementos que
intervienen en el tema de interes y se representa por 1).
Cualquier prueba de cualquier elemento produce un resultado que corresponde
exactamente a un elemento de dicho espacio.

Ejemplo
1)experimento: tirar un dado.
Espacio probabilistico(simbolo): 1,2,3,4,5,6.

2)experimento: tirar una moneda.


Espacio probabilistico = cara,cruz

3) tirar una dado y una moneda


Aca tendriamos dos conjuntos:
Conjunto 1: = 1,2,3,4,5,6 Conjunto 2: =cara, cruz

Si tiramos los dos juntos:

Conjunto1 X conjunto 2:  c1, c2, c3, c4,c5,c6, s1, s2, s3, s4, s5,s6

Un espacio muestral con un pequeño numero de puntos de muestra puede


representarse bien graficamente con un sistema de grafica carteciana o por un
diagrama de arbol
2Sistema de coordenadas cartecianas:

3)DIAGRAMA DE ARBOL
Como se puede observar en los diagramas de arbol proporcionan una forma
organizadas de enumerar todos los elementos posibles de un espacio de muestra de
modo que nofalte ningun elemento. Cualquier fuera la forma que se escriba o
represente lso resultados de el espacio muestral deben ser mutuamente esclusivos y
colectivamente exhaustivos
41 min.

En todos los casos el espacio probabilistico esta constituido por un numero finito de
puntos no obtante pueden considerarse tambien
 INFINIDAD NUMERABLE DE PUNTOS. Por ejmeplo lanzar de forma repetida un
dado hasta obtener el numero 4.

 INFINIDAD NO NUMERABLE. Por ejemplo tirar a un blanco que tiene forma de


circuloes decir una infinidad no numerable de puntos.

Concepto:
 Evento o hecho(E): es un sub-conjunto de un espacio de muestra.
Se tendra en cuenta lo siguuiente:
1) Un hecho o evento definido en un espacio de muestra se dice que un
evento simple o elemntalo fundamental si contiene exactamnete un punto
de muestra en el espacio muestral. Por ejmplo:
(1) Tirar un dado
:1,2,3,4,5,6 E=4

2) Un hecho o evento definido sobre un espacio de muestra se llama


compuesto o simplemente evento si contiene mas de un punto de muestra
del espacio muestral.
E=2,3 E2=3,4,5

LOS EVENTOS INCLUYEN PARTICULARMENTE LOS SIGUIENTES SUBCONJUNTOS:


 A) un evento elemental es tambien un evento en el sentido que es un sub-
conjunto que contiene un solo punto del espacio probabilistico.
 B) el espacio probabilistico es un evento en el sentido que es un subconjunto
que contiene todos los eventos elemento¡ales del espacio muestral. Es el
elemnto cierto.
 C) un sub-conjunto que no contiene puntos el evento del espacio muestral es el
imposible dado que no puede ocurrir nunca.
EVENTO IMPOSIBLE: SALGA 7 EN EL EJEMPLO DE LOS DADOS. E0= 
EVENTO SIMPLE= E1= 1 , E2=2, E3=3
EVENTO COMPUESTO: E1=2,3,4 E2= 4,5,6
EVENTO CIERTO: E=123456
Es importante establecer 2 aspectos en relacion a los eventos
1 un evento aha ocurrido si al menos uno de sus elementos se ha presentado.
Ejemplo: tirar un dado
Evento Nº par: E=2,4,6
Tirar el dado 4 el evento ha ocurrido.

2 los elementos y solo ellos poseen probabilidad asociada

EVENTOS MUTUAMENTE EXCLUSIVOS O MUTUAMENTE EXCLUYENTES mutuamente


excluyentes:

Un conjunto de hechos definidos en el mismo espcaio de muestra se dice que es


exclusivo o desunido si ningun punto de muestra esta contenido en mas de uno de
estos hechos.
Es decir un conjunto de hechos E1,E2,E3....es mutuamente exclusivo si no hay dos
conjuntos que tengas puntos de muestra en comun. Ei  Ej=

Ejemplo =1,2,3,4,5,6

E1=1,3,5 ; E2=2,4,6

E1 n E2=

EVENTOS NO MUTUAMENTE EXCLUSIVOS O MUTUAMENTE NO EXCLUYENTE

Un conjunto de eventos definidos sobre el mismo espacio muestral se dice que es no


mutuamente excluyente si algun punto de muestra esta contenido en mas de unos de
estos hechos, es decir, que se cumple que la interseccion de estos dos elemntos no sea
igual al cunjunto vacio( EI n EJ no es = )

Ehemplo: =1,2,3,4,5,6
E1=1,4,5 E2= 2,3,4
E1nE2= 4

Los eventos no mutuamente exclusivos pueden ser:

a) Dependientes: cuando la ocurrencia o no ocurrencia de un evento en cualquier


prueba afecta la probabilidad de otros eventos de las pruebas siguientes.
b) Independientes: si el resultado de un evento no afecta o no es afectado por el
otro.
EVENTOS COLECTIVAMENTES EXHAUSTIVOS

Se dice que 2 o mas eventos definidos sobre el mismo espacio de muestra son
colectivamente exhaustivos si su union es = al espacio de muestra.
Ademas se dice que n hechos forman una particion de un espacio de muestra si los
hechos son mutuamente exclusivos y colectivamente exhautivos.
4)

Ejemplo: = 1,2,3,4,5,6

E1=2,4 ; E2=1,3 E3== 1,2,3,4,5,6

E1nE2nE3 = ( PARTICIÓN)
15/11/18

Probabibilidad condicional

En algunas circustancias especiales es posible disponer de informacion que reduce el


espacio probabilistico original a un sub-conjunto, es decir, se podra trabajar con la
probabilidad de una parte mas bien que con todo el espacio original.
Evidentemente la probabilidad de un evento acerca del cual contamos con alguna
informacion sera diferente a la situacion para la cual no exista tal informacion. Por
ejemplo un estudante seleccionado en euqello que han obtenido notas altas en
matematicas tendran mayores posibilidades de obtener igual resultado en un curso de
estadistica en relacion a un estudiante seleccionado entre la totalidad de los que
concurren a dicho curso.
En este ejemplo la atencion se centra en la probabilidad de un evento establecido en
un sub conjunto del espacio probabilistico original, la probabilidad de este evento en
un sub cojunto es un espacio probabilistico reducido y esta especificado por nuevas
condiciones que aparecen planteadas por la informacion adicional que se tiene en
relacion al espacio total.

8 min. Expicacion de probabilidad condicional

Las probabilidades asociodas a los eventos definidos en la sub poblaciones se


denominan PROBABILIDADES CONDICIONALES, ya que surge luego de poseer cierta
informacion acerca de la ocurrencia de un evento.
Supongamos lo siguiente:  espacio muestal

 ESPACIO MUESTRAL N EVENTOS MUESTRALES


A A eventos elementales
B B eventos elementales
AnB C eventos elementales

P(A/B)=probabilidad del evento “A” dado que ha ocurrido “B”

P(A/B): C/B(sub grupo b y sub grupo c)= c/n//b/n= P(anb)/P(b)


Ejemplo= supangamos que los empleados de una empresa son clasificados
transvensalmente como personal gerencial o no gerencial y como graduados
universitarios o no universitarios segun la siguiente tabla:

Universitarios(B) No universitarios(D TOTAL

GERENCIAL (A) 25 5 30
GERENCIAL(C) 75 195 270
TOTAL 100 200 300

 Se hace una seleccion al azar delos empleados y que:


A es el hecho de un empleado Gerencial.
B es el hecho de un graduado universitario.

P(A)=30/300=0,10=10% P(B)=100/300=0,33=33%

 Suponiendo que la eleccion resulta un graduado universitario, cual es la prob.


De A en vista de esta informacion adicional?

P(A/B)=25/100=0,25=25%

P(A/B)= P(AnB)//P(B)= 25/300//100/300=0.083

SUB CONJUNTO MUESTRAL

Generalizando la ley de probabilidad condicional se definiria de la siguiente


manera: la probabilidad que ucurra un hecho A dado que otro hecho B ya aha
ocurrido se llama “PROBABILIDAD CONDICIAL DE A DADO B” y se exprea de la
siguiente manera:

P(A/B)= P(AnB)//P(B) ; P(B)>0

Similarmente

P(B/A)= P(BnA)//P(A) ; P(A)>0

EJEMPLO

Este resultado indica que en general la probabilidad P(A/B) ES DISTINTA P(B/A)

0,25 0.833
Primera observacion: todos los eventos esta asocioados con algun espacio
probabilistico. Porejmplo: P(A)=P(A/) SON IGUALES ES POR ESO QUE NO SE PONE.

Segunda observacion: la probabilidades que oparecen en el cociente de la formula,


corresponden a eventos planteados en el espacio original. Se puede obtener el mismo
resultado si primero obtenemos el espacio probabilistico reducido ya que las
probabilidades asignadas a los eventos definidos en dicho espacio son proporcionales
a las asignadas a los eventos definidos en el espacio probabilistico original. Es decir, la
suma de las probabilidades de los eventos elementales en el espacio probabilistico
reducido sera igual a la unidad. P(Ai/B)=1
LA PROBABILIDAD DEL EVENTO EN EL ESPACIO REDUCIDO DEBE SER MAYOR QUE 0 YA
QUE DE OTRO MODO LA PROBABILIDAD CONDICIONAL NO ESTARIA DEFINIDA.
P(A/B)=...

4 observacion: en general la probabiidad (A/B) es distinto a P(A)


La probabilidad

PROBABILIDADES CONJUNTAS Y

La consideracion de la probabilidad condicional conduce a derivar reglas de


probabilidad para hechos conjutos y marginales y ademas distinguir entre
dependencia e independencia estadistica.

UNIVERSITARIOS B NO UNIVERSITARIOS TOTAL


D
GERENCIAL A 0.083 0.017 0.10
GERENCIAL C 0.25 0.65 0.90
TOTAL 0.333 0.667 1

Los valores del cuadro se llaman probabilidades conjuntas porque cada ua de ellas es
la probabilidad de la ucurrencia conjunta o simultanea de 2 hechos.
P(AnB)=0.083 prob. Conj. De ocurrencia que sea empleado gerente y universitario.
P(AnD)=0.017 PROB DE OCURRENCIA que sea empleado gerente y no universitario.
P(CnB)=0.25 PROB. CONJ. DE ocurrencia de emleado nogerente y universitario.
P(CnD)=0.65 porb. Conj. De ocurrencia de que el empleado No gerente y no
niversitario.

Las probabilidades marginales se opbtienen sumando cada fila o cada columna


resiven este nombre simplemente porque se encuentran en los margenes del
cuadrado. Por lo tanto, una probabilidad marginal es la suma de un conjunto de
probabilidades conjuntas.
P(A)= P(AnB) + P (AnD)= 0.083+0.017= 0.10 prob de empleado gerencial.
P(B)= P(BnC) + P(CnD)=
PROBABILIDAD COMPUESTA(regla multiplicatoria general)

Para la deribacion de una expresion general para la probabilidad conjunta de 2 hechos


sera util distinguir hechos dependiente de hechos independientes.
2 eventos son dependientes: si la probabilidad de ocurrencia de 1 es afectada x la
ocurrencia de otro. En contraste 2 eventos son independientes:si la probabilidad de
ocurrencia de uno de ellos no es afectada por el otro. La dependencia y la indepencia
estadistica se relacionan con la naturaleza del proceso aleatorio de seleccion.
En sentido general los hechos dependientes son generados x muestreo aleatorio sin
reposicion y los hechos independientes por muestreo aleatorio con reposicion.
El muestreo aleatorio sin reposicion: es un proceso de seleccion al azar de “n”
unidades que son la muestra de una poblacion de “N” unidades sin devolver a la
poblacion ninguna unidad escogida antes de extraer otra.
El muestreo aleatorio con reposicion: es un metodo de seleccionar al azar “n”
unidades a la poblacion en donde cada unidad extraida es reintegrada a la poblacion
antes de hacer otra seleccion.

Ejmeplo: se elige una bolilla al azar de una bolsa que posee 4 bolillas azules y 6
blancas. Se observa el color y
1 se repone la bolsa la cual se agita energicamente.
2 no se repone
¿cual es la probabilidad que la segunda bolilla sea azul en ambos casos?

A=BOLILLAS AZULES
B=BOLILLAS BLANCAS

1 SELECCION
P(A)=4/10=0.4

P(B)=6/10=0.6

2SELECCION

P(A)=4/10=0.4

SIN REPOSICION= P(A/A)=3/9=; P(A/B)=4/9

La ley que rige la probabilidad de la ocurrencia conjunta de A y B se da x:

 P(AnB)= P(A/B) X P(B)


 P(BnA)=P(B/A)X P(A)

Probabilidades condicionales: con el cuadrito gerencial.

a) P(A/B)
b) P(B/A)
FOTOS
Observaciones:
No son complementaria porque las sumas no dan 1

2)PROBABILIDADES Q TIENEN EL MISMO HECHO DE CONDICIÓN

P(A/B)+P(c

FOTOS

3)PROBABILIDADES CONJUNTAS(foto)

a) P(AnB)=P(BnA)=P(B/A)x P(B)=P(B/A)XP(A)ç
b)
c)
4)PROBABILIDADES MARGINALES
P(A)=P(AnB)+P(AnD)= 0.08

EVENTOS INDEPENDIENTES

La regla que rige la probabilidad de ucurrencia conjunta de dos hechos que son
independientes es un caso especial de la ley multiplicadora general. Esta regla especial
da el siguente teorema: 2 hechos A y B definididos en el mismo espacio de muestra se
dice que son independendientes si y solo si la probabiliada de la ocurrecia conjunta de
A y B es igual al producto de sus respectivas probabilidades individuales

La funcion de independencia estadistica conduce a una definicion formal de


dependencia estadistica: 2 hechos A y B definidos en el mismo espacio de muestra se
dice que son dependientes si y solo si P(AnB) no es igual P(A).P(B)

EJEMPLO
Supongamos que se tira un dado blanco y otro azul.¿cual es la probabilidad de que el
dado blanco salga un numero mayor igual que 5 y en el azul menor o igual a 4?

La extencion de de la definicion de independencia a 3 o mas hechos no es inmediata


E1, E2, E3...En.. son independientes si solo si son independientes por pares, por triples,
por cuadroplos, etc
TEOREMA DE BAYES:

Todos los eventos presentados hasta el momento contaban con la probabilidad de los
eventos colculados (apriori), por ejmplo conado se tira una moneda balanceada se dice
apriori que la probabilidad de que salga cara es de ½ entonces se establece el esapcio
probabilistico y sus correspondientes con las probabilidades asociadas antes de
realizar la prueba. En ciertos es posible establecer alguna caracteristica o
determinados hechos vinculados con eventos cuya probabilidad apriori es conocida los
que una vez ocurrido pueden ser analizados con el fin de determinar si los mismos han
ocurrido conforme a determinadas causas. Estas probabilidades se conocen con el
nombre de probabilidades a posteriori y conforma una regla de probabilidad
denominada teorema de bayes o regla de bayes.
Ejmplo en una habitacion oscura se colocan 3 bolsas, en la bolsa 1 hay 6 bolillas rojas y
4 blancas; en la bosa 2 hay 7 rojas y3 balancas y en la bosa n3 hay 5 rojas y 5 blancas.
Si alguien va a la habitacion y toma una bolsa al zar de la cual saca una bolilla roja¿cual
es la probabilidad de que la bolilla roja se haya tomado de la bolsa 1?

Un fabricante tiene 3 maquinas que tiene x y z que producen partes identicas. Se sabe
que el 5% de las partes producidas por la maquina X son defectuosas y que los
porcentajes de partes defectuaosas que producen las maquinas y z son el 10 y 15%
respectivamente. Se mesclan el producto de las 3 maquinas y no hay manera de
reconocer cual ha sido producida por cual maquina. Pero se sabe que las 3 maquinas
tienen igual capacidad y que funcionan al mismo ritmo de produccion. Si se toma una
parte producida al azar y se le encuentra defectuosa ¿cual es la probabilidad de que
provenga dela maquina y ?