Professional Documents
Culture Documents
ESTADÍSTICA DESCRIPTIVA
II PARCIAL
Índice
Introducción 3
Marco teórico 6
Desarrollo 9
Conclusiones 10
Recomendaciones 11
1. Alcance
2. Objetivos
3. Introducción
4. Marco teórico
4.1 Antecedentes
4.2. DEFINICIONES
Un proceso estocástico es una variable aleatoria indexada con un parámetro que, por lo
general, es el tiempo. Más precisamente, un proceso estocástico es una colección de variables
aleatorias. Hay una variable aleatoria para cada valor del índice del proceso. La probabilidad de
ocurrencia de un valor de la variable aleatoria depende de la aleatoriedad del fenómeno y del
índice del proceso estocástico. Un proceso estocástico puede ser continuo, discreto o mixto.
Según establece Papoulis (1991), un proceso estocástico { N (t),t≥ 0) }es un proceso puntual o
de conteo si N (t) representa el número total de eventos que han ocurrido hasta el momento t.
Así por ejemplo si, N (t) es el número de goles marcado por un futbolista hasta t, { N (t),t≥ 0) }
es un proceso de conteo. En este caso un gol es un evento.
Podemos decir que, para que un proceso sea puntual o de conteo, N (t) debe satisfacer:
✓ N (t) ≥ 0
✓ N (t) es entero.
✓ Si s ≤ t entonces N(s) ≤ N (t).
✓ Para s < t, N (t) – N(s) es el número de eventos ocurridos en el intervalo (s, t).
Siguiendo lo expuesto por Papoulis (1991), supongamos que se presentan “eventos” en puntos
✓ N(0) = 0
✓ El número de eventos ocurridos en intervalos de tiempo disjuntos son independientes.
✓ La distribución del número de eventos que ocurre en un intervalo dado, depende tan
solo de la longitud del intervalo y no de su ubicación.
✓ La distribución del número de eventos que ocurre en un intervalo dado, depende tan
solo de la longitud del intervalo y no de su ubicación.
P { N (h)=1}
✓ limh−0 h =λ
P { N (h)≥2}
✓ limh−0 h =0
manera no determinística.
Esta distribución puede ser encontrada en varias ocasiones de la vida cotidiana, sobre
todo en fenómenos relacionados con la naturaleza, es decir, con los fenómenos que se
dan 0, 1, 2….veces en un intervalo de tiempo o espacio. En este tipo de experimentos
los éxitos buscados son expresados por unidad de área, tiempo, pieza, etc. Algunos
ejemplos de estos fenómenos que podemos modelar con una distribución de Poisson
son:
· Número de aviones que aterrizan en un aeropuerto por día, hora, minuto, etc, etc.
Donde:
e = 2.718
x = variable que nos denota el número de éxitos que se desea que ocurra
Hay que hacer notar que en esta distribución el número de éxitos que ocurren por
unidad de tiempo, área o producto es totalmente al azar y que cada intervalo de tiempo
es independiente de otro intervalo dado, así como cada área es independiente de otra
área dada y cada producto es independiente de otro producto dado.
5. 1. Ejemplos de aplicación
Solución
b. Si un banco recibe en promedio 6 cheques sin fondo por día, ¿cuáles son las
probabilidades de que reciba, a) cuatro cheques sin fondo en un día dado, b) 10
cheques sin fondos en cualquiera de dos días consecutivos?
olución:
S
a) x = variable que nos define el número de cheques sin fondo que llegan
al banco en un día cualquiera = 0, 1, 2, 3, ....., etc, etc.
l = 6 cheques sin fondo por día
e = 2.718
b) x= variable que nos define el número de cheques sin fondo que llegan al
banco en dos días consecutivos = 0, 1, 2, 3, ......, etc., etc.
l = 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en dos
días consecutivos.
Nota: l siempre debe de estar en función de x siempre o dicho de otra
forma, debe “hablar” de lo mismo que x.
10 11 12 13 14 15 16 17 18 19
10 11 12 13 14 15 16 17 19 20
10 11 12 13 14 15 17 17 19 20
10 11 12 13 14 15 17 18 19 20
10 11 12 14 14 16 17 18 19 20
11 11 12 14 15 16 17 18 19 20
11 12 12 14 15 16 17 18 19 20
11 12 13 14 15 16 17 18 19 20
11 12 13 14 15 16 17 18 19 20
11 12 13 14 15 16 17 18 19 20
.Moda: La moda es el valor que más se repite en una muestra, en este caso los valores
que más se repiten son 11,12,14,17.
Media para datos agrupados: Se calcula sumando todos los productos de marca
clase con la frecuencia absoluta respectiva y su resultado dividirlo por el
número total de datos.
n=100
_
X= Σ mi* fi / n = (176+234+300+323+513)/100 = 15.46
Varianza:
_
s2= Σ (Xi-X)^2 / n-1
s2= 9.5612
Desviación Estándar:
(σ): 3.0766215236847
7. Conclusiones
8. Bibliografía