Professional Documents
Culture Documents
INTRODUCCIN
El coeficiente de curtosis mide cuan 'puntiaguda' es una distribucin respecto
de un estndar. Este estndar es una forma acampanada denominada 'normal', y
corresponde a una curva de gran importancia en estadstica. Las medidas de curtosis
(tambin llamadas de apuntamiento o de concentracin central) tratan de estudiar la
mayor o menor concentracin de frecuencias alrededor de la media y en la zona
central de la distribucin.
Mientras que las medidas de curtosis miden la mayor o menor concentracin de
datos alrededor de la media. Se suele medir con el coeficiente de curtosis:
1.- Si este coeficiente es nulo, la distribucin se dice normal (similar a la
distribucin normal de Gauss) y recibe el nombre de mesocrtica.
2.- Si el coeficiente es positivo, la distribucin se llama leptocrtica, ms
puntiaguda que la anterior. Hay una mayor concentracin de los datos en torno a la
media.
3.- Si el coeficiente es negativo, la distribucin se llama platicrtica y hay una
menor concentracin de datos en torno a la media. Sera ms achatada que la primera.
Sesgo: se puede decir que es como un error que aparece en dicho resultado de
alguna investigacin, esto puede deberse a los factores que dependen de la
recoleccin de datos que nos podran conducir a conclusiones que pueden ser
verdaderas o falsas de lo podramos llamar la realidad.
Asimetra: esta medida nos permite identificar si los datos que se estn
analizando o investigando se distribuyen de alguna forma uniforme o con cabalidad,
existen tres tipos de estado las cuales pueden ser:
Asimetra positiva: se dice que esta ocurre cuando la mayora de los datos
recolectados se encuentran por encima del valor de la media aritmtica. Simetra: esta
sucede cuando los datos recolectados se distribuyen de una forma igual de ambos
lados, o sea que aproximadamente quedan con los mismos datos de los dos lados con
respecto a la media. Asimetra Negativa: en este caso es cuando la mayora de los
datos recopilados se juntan o aglomeran en los valores menores que la media.
MEDIA ESTANDAR
Al recolectar 850 datos con una distribucin normal, se obtuvo una media de x
= 27 y una desviacin estndar s = 5.34 . Calcular el nmero de datos aproximados
que hay entre la media y el dato nominal x = 20 .
Solucin: En este caso el enunciado proporciona los valores de la media y de la
desviacin estndar, por lo que los incisos a) y b) del proceso quedan sin efecto.
Entonces, continuando con el inciso c), hay que convertir a dato z el valor nominal x
= 20, con la frmula:
136
C100
P(1 P)
136
C100
P(1 P)
136100
136100
P(X=2)=
Peso del producto = p(x)= 136gr
n= 2 gr
x e
P( X x)
x!
212 e 136
P( X 2)
2!
Z
1,46
-0,63
X
12
9
5
1
Z
1,76
1,46
1,06
-0,63
.-De la siguiente regin determinar los valores de Z1, Z2, Z1, Z3, A1 y A2.
llama evento imposible al que no puede ocurrir; ste evento corresponde al conjunto
vaco. Otro evento extremo es el espacio muestral mismo que, puesto que siempre
ocurre, se llama evento seguro.
1
21
41
61
81
101
121
141
16
2
22
42
62
82
102
122
142
16
3
23
43
63
83
103
123
143
16
4
24
44
64
84
104
124
144
16
5
25
45
65
85
105
125
145
16
6
26
46
66
86
106
126
146
16
7
27
47
67
87
107
127
147
16
8
28
48
68
88
108
128
148
16
9
29
49
69
89
109
129
149
16
10
30
50
70
90
110
130
150
17
11
31
51
71
91
111
131
151
17
12
32
52
72
92
112
132
152
17
13
33
53
73
93
113
133
153
17
14
34
54
74
94
114
134
154
17
15
35
55
75
95
115
135
155
17
16
36
56
76
96
116
136
156
17
17
37
57
77
97
117
137
157
17
18
38
58
78
98
118
138
158
17
19
39
59
79
99
119
139
159
17
20
40
60
80
100
120
140
160
18
1
18
2
18
3
18
4
18
5
18
6
18
7
18
8
18
9
18
0
19
1
19
2
19
3
19
4
19
5
19
6
19
7
19
8
19
9
19
0
20
1
20
2
20
3
20
4
20
5
20
6
20
7
20
8
20
9
20
0
21
1
21
2
21
3
21
4
21
5
21
6
21
7
21
8
21
9
21
0
22
1
22
2
22
3
22
4
22
5
22
6
22
7
22
8
22
9
22
0
23
1
23
2
23
3
23
4
23
5
23
6
23
7
23
8
23
9
23
0
24
1
24
2
24
3
24
4
24
5
24
6
24
7
24
8
24
9
24
0
25
1
25
2
25
3
25
4
25
5
25
6
25
7
25
8
25
9
25
0
26
1
26
2
26
3
26
4
26
5
26
6
26
7
26
8
26
9
26
0
27
1
27
2
27
3
27
4
27
5
27
6
27
7
27
8
27
9
27
0
28
1
28
2
28
3
28
4
28
5
28
6
28
7
28
8
28
9
28
0
29
1
29
2
29
3
29
4
29
5
29
6
29
7
29
8
29
9
29
0
30
LUEGO:
160 tienen los cauchos malos
132 tienen luces malas
90 los dos defectos.
LUEGO:
Sean las probabilidades de los eventos
P(M) = 160/300 = 0.5;
P(ML) = 90/300 =
0,3
COEFICIENTE DE VARIACIN
s . = 2 2994
REGLA DE CHEBYSHEV
Es un resultado estadstico 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 o de su media; equivalentemente, el teorema proporciona una
cota superior a la probabilidad de que los valores caigan fuera de esa distancia
respecto de la media. Teorema: Sea X una variable aleatoria de media y varianza
finita s. Entonces, para todo nmero real k > 0,
intervalo
Ejemplo
Del ejemplo:
Al menos que porcentaje de observaciones caer dentro de 3 desviaciones
tpicas a partir de la medio Soluciones:
Sol.
88%
75%
93%
El teorema indica que:
Para
Al menos
de la media.
Es decir
10
Si los datos estn agrupados utilizamos las marcas de clase, es decir ci en vez de
xi.
Mediana (Me):es el valor que separa por la mitad las observaciones ordenadas
de menor a mayor, de tal forma que el 50% de estas son menores que la mediana y el
otro 50% son mayores. Si el nmero de datos es impar la mediana ser el valor
central, si es par tomaremos como mediana la media aritmtica de los dos valores
centrales.
11
COEFICIENTE DE SESGO
Coeficiente de sesgo
Se llama sesgo de un estimador a la diferencia entre su esperanza matemtica y
el valor del parmetro que estima. Un estimador cuyo sesgo es nulo se llama
insesgado o centrado.
Coeficiente de Asimetra
Si As > 0 Es sesgo hacia la derecha o positivo.
Si As < 0 Es sesgo hacia la izquierda o negativo.
Si As = 0 no hay sesgo. Es una distribucin simtrica.
Coeficiente de Pearson
Son los mismos criterios que el coeficiente de asimetra.
Asimetra y sesgo
El no tener sesgo es una propiedad deseable de los estimadores. Una propiedad
relacionada con sta es la de la consistencia: un estimador puede tener un sesgo pero
el tamao de ste converger a cero conforme crece el tamao muestral.
Dada la importancia de la falta de sesgo, en ocasiones, en lugar de estimadores
naturales se utilizan otros corregidos para eliminar el sesgo. As ocurre, por ejemplo,
con la varianza muestral.
Con frecuencia una distribucin no es simtrica alrededor de ningn valor, pero
en lugar de ello se tiene que los datos estn ms aglomerados o distribuidos hacia los
extremos. Si hay pocos datos distribuidos hacia el extremo derecho se dice que la
distribucin es sesgada a la derecha, mientras que si hay pocos datos distribuidos
hacia la izquierda, se dice que la distribucin es sesgada hacia la izquierda. Las
medidas que describen esta asimetra se denominan coeficiente de sesgo, o
simplemente sesgo. Una de dichas medidas es
Donde
12
COEFICIENTE DE CURTOSIS
Coeficiente de curtosis
En teora de la probabilidad y estadstica, la curtosis es una medida de la forma
o apuntamiento de las distribuciones.
El Coeficiente de Curtosis analiza el grado de concentracin que presentan los
valores alrededor de la zona central de la distribucin.
Se definen 3 tipos de distribuciones segn su grado de curtosis:
Distribucin mesocrtica: presenta un grado de concentracin medio alrededor
de los valores centrales de la variable (el mismo que presenta una distribucin
normal).
Distribucin leptocrtica: presenta un elevado grado de concentracin alrededor
de los valores centrales de la variable.
Distribucin platicrtica: presenta un reducido grado de concentracin
alrededor de los valores centrales de la variable.
13
Frecuencias absolutas
(Valor)
Simple
Acumulada
Frecuencias relativas
Simple
Acumulada
x
1,20
1,21
x
1
4
x
1
5
x
3,3%
13,3%
x
3,3%
16,6%
1,22
1,23
1,24
4
2
1
9
11
12
13,3%
6,6%
3,3%
30,0%
36,6%
40,0%
1,25
14
6,6%
46,6%
1,26
17
10,0%
56,6%
1,27
20
10,0%
66,6%
1,28
24
13,3%
80,0%
1,29
27
10,0%
90,0%
1,30
3
30
10,0%
Recordemos que la media de esta muestra es 1,253
100,0%
14
PROBABILIDAD CLSICA
Probabilidad Clsica o a Priori
Si un suceso puede ocurrir de N maneras mutuamente excluyentes e
igualmente probables, y m de ellas poseen una caracterstica A
15
Los casos favorables de ocurrencia de un evento sern los que cumplan con la
condicin que estamos buscando.
La probabilidad toma valores entre 0 y 1 (o expresados en tanto por ciento,
entre 0% y 100%):
El valor cero corresponde al suceso imposible; ejemplo: lanzamos un dado al
aire y la probabilidad de que salga el nmero 7 es cero.
El valor uno corresponde al suceso seguro, ejemplo: lanzamos un dado al aire
y la probabilidad de que salga cualquier nmero del 1 al 6 es igual a uno (100%).
El resto de sucesos tendr probabilidades entre cero y uno: que ser tanto
mayor cuanto ms probable sea que dicho suceso tenga lugar.
Mtodos de medicin de Probabilidad
Uno de los mtodos ms utilizados es aplicando la Regla de Laplace: define la
probabilidad de un suceso como el cociente entre casos favorables y casos posibles.
Ejemplos:
1) Probabilidad de que al lanzar un dado salga el nmero 2:
Por lo tanto:
TCNICAS DE CONTEO
TERMINOLOGA DE CUENTAS Y OPERACIONES ENTRE
CONJUNTOS
16
por:
Es equivalente a tener N individuos de los cuales N , i = 1,2,....,k son iguales
constituyndose as k clases, por tanto el total de ordenaciones posibles N! incluyen
algunas N-uplas iguales las cuales se corrigen conociendo los N i que causan esas
17
PRINCIPIOS DE MULTIPLICACIN
Si se desea realizar una actividad que consta de r pasos, en donde el primer paso
de la actividad a realizar puede ser llevado a cabo de N1 maneras o formas, el
segundo paso de N2 maneras o formas y el r-simo paso de Nr maneras o formas,
entonces esta actividad puede ser llevada a efecto de. El principio multiplicativo
implica que cada uno de los pasos de la actividad deben ser llevados a efecto, uno tras
otro. Si un evento E1 puede suceder de n1 maneras diferentes, el evento E2 puede
ocurrir de n2 maneras diferentes, y as sucesivamente hasta el evento Ep el cual puede
ocurrir de np maneras diferentes, entonces el total de maneras distintas en que puede
suceder el evento ocurren E1 y E2..y Ep es igual a producto.
N1 x N2 x ..........x Nr maneras o formas
Ejemplo:
Se dispone de 3 vas para viajar de C1 a C2 y de 4 vas para viajar de C2 a C1. De
cuntas formas se puede organizar el viaje de ida y vuelta de C1 a C2.Respuesta: (3)
(4)=12
18
PRINCIPIOS DE ADICIN
Si una primera operacin puede realizarse de m maneras y una segunda
operacin de n maneras, entonces una operacin o la otra pueden efectuarse de:
m+n maneras.
Ejemplo:
Una pareja que se tiene que casar, junta dinero para el enganche de su casa, en
el fraccionamiento lomas de la presa le ofrecen un modelo econmico un
condominio, en el fraccionamiento Playas le ofrecen un modelo econmico como
modelos un residencial, un californiano y un provenzal. Cuntas alternativas
diferentes de vivienda le ofrecen a la pareja?
PRESA
Econmico
PLAYAS
Residencial
19
Condominio
Californiano
Provenzal
m=2
n=3
2+3= 5 maneras
Si se desea llevar a efecto una actividad, la cual tiene formas alternativas para
ser realizada, donde la primera de esas alternativas puede ser realizada de M maneras
o formas, la segunda alternativa puede realizarse de N maneras o formas ..... y la
ltima de las alternativas puede ser realizada de W maneras o formas, entonces esa
actividad puede ser llevada a cabo de,
M + N + .........+ W maneras o formas
Ejemplos:
1)
Una persona desea comprar una lavadora de ropa, para lo cul ha pensado
que puede seleccionar de entre las marcas Whirpool, Easy y General Electric, cuando
acude a hacer la compra se encuentra que la lavadora de la marca W se presenta en
dos tipos de carga ( 8 u 11 kilogramos), en cuatro colores diferentes y puede ser
automtica o semiautomtica, mientras que la lavadora de la marca E, se presenta en
tres tipos de carga (8, 11 o 15 kilogramos), en dos colores diferentes y puede ser
automtica o semiautomtica y la lavadora de la marca GE, se presenta en solo un
tipo de carga, que es de 11 kilogramos, dos colores diferentes y solo hay
semiautomtica. Cuntas maneras tiene esta persona de comprar una lavadora?
Solucin:
M = Nmero de maneras de seleccionar una lavadora Whirpool
N = Nmero de maneras de seleccionar una lavadora de la marca Easy
W = Nmero de maneras de seleccionar una lavadora de la marca General
Electric
M = 2 x 4 x 2 = 16 maneras
N = 3 x 2 x 2 = 12 maneras
W = 1 x 2 x 1 = 2 maneras
Luego tengo que:
M + N + W = 16 + 12 + 2 = 30 maneras de seleccionar una lavadora
Regla de Adicin
20
Demostracin:
Se conoce que
Entonces
Muestras Ordenadas
21
Muestras
ordenadas sin repeticin: MOSR ii. Con repeticin o con reemplazo Igual al caso
anterior, pero cada vez que se realice una seleccin se vuelve a tener en cuenta el
elemento extrado anteriormente, as que el total de formas diferentes con repeticin
es: N * N *... *N =N
Muestras ordenadas con repeticin : MOCR
Ejemplo
Suponga el conjunto
22
La cifra debe empezar con cualquiera de los 9 dgitos distintos de cero, como
no se puede repetir un dgito entonces para el segundo nmero se cuenta con 9
dgitos, por la anterior razn las posiciones tres y cuatro se pueden llenar con 8 y 7
dgitos, respectivamente. Aplicando el principio de la multiplicacin se tiene un total
de cifras igual a: 9* 9*8*7 c.
MUESTRA DE ORDENADAS SIN REPETICIN
Sin repeticin o sin reemplazo. (Combinatoria)
Equivalen a las permutaciones eliminando los n! trminos ordenados. Por lo
tanto el total de muestras lo da la expresin:
23
Formas diferentes.
i. Muestras no Ordenadas sin repeticin: MNOSR
ii. Con repeticin o con reemplazo.
En este caso se puede asumir que en cada etapa de seleccin se va agregando un
elemento "nuevo", desde luego a excepcin de la primera etapa, equivale esto a
aumentar la poblacin en el nmero de etapas de seleccin menos una. Implica decir
que (n-1) de los N elementos pueden volver a ser seleccionados. La combinatoria que
aparece a continuacin permite contar el total de muestras
Ejemplo
De acuerdo al ejemplo 38, el total de subconjuntos de tamao 2 tomados de el
24
b.
25
26
{1,3}, ...{1,2,3,4,5,6}}. Para establecer una probabilidad hay que asignar un nmero a
todos esos sucesos.
Sin embargo si se ha asignado a los sucesos elementales p({1})= p({2})= ...=
p({6})= 1/6, por la propiedad ii), p.e. la probabilidad del suceso {1, 3} es p({1,3})=
p({1})+ p({3})=2/6.
Nota: El suceso {1} es: "el resultado de tirar el dado es la cara 1", el suceso {1, 3} es:
"el resultado de tirar el dado es la cara 1, o la 3", el suceso {1, 3, 5} es: "el resultado
de tirar el dado es una cara impar".
CONCLUSIONES
27
28
29
30