You are on page 1of 86

Probabilidades

DEFINICIN
Probabilidad de un suceso es el nmero al que tiende la
frecuencia relativa asociada al suceso a medida que el
nmero de veces que se realiza el experimento crece.

La frecuencia relativa de un suceso A:

Fr (a)= nmero de veces que aparece A
Nmero de veces que se realiza el experimento

1 Curso : Modelacin y Simulacin
Probabilidades
DEFINICIN DE LAPLACE
En el caso de que todos los sucesos elementales del espacio muestral
E sean equiprobables, Laplace define la probabilidad del suceso A
como el cociente entre el nmero de resultados favorables a que ocurra
el suceso A en el experimento y el nmero de resultados posibles del
experimento.

Si E={x1,x2,..,xk} y P(x1)=P(x2)==P(xk), entonces:

P(A)= nmero de casos favorables al suceso A
nmero de casos posibles

2 Curso : Modelacin y Simulacin
Probabilidades
Permutaciones
Una permutacin es un arreglo de todo o parte de un conjunto de
datos, el nmero de permutaciones de n objetos distintos es n!
el nmero de permutaciones de n objetos tomados de r a la vez es

Ejemplo 1
Considere las tres letras a,b y c, las permutaciones posibles son
abc, acb, bac, bca, cab y cba
n !=3 !=1*2*3=6
)! (
!
r n
n
P
r n

=
3 Curso : Modelacin y Simulacin
Probabilidades
Ejemplo 2
Se sacan dos billetes de lotera de 20 para un primer y
un segundo premios. Encuentre el nmero de puntos
mustrales en el espacio S.
Solucin


)! (
!
r n
n
P
r n

=
380 19 * 20
)! 2 20 (
! 20
2 20
= =

= = P
4 Curso : Modelacin y Simulacin
Probabilidades
Combinaciones
El nmero de combinaciones de n objetos distintos tomados de r a
la vez es


Ejemplo
En una mano de pquer que consiste en cinco cartas, encuentre la
probabilidad de tener 2 ases y tres sotas

)! ( !
!
r n r
n
r
n

=
|
|
.
|

\
|
5 Curso : Modelacin y Simulacin
Probabilidades
Solucin
El nmero de formas de tener dos ases de cuatro es:


y el nmero de formas de tener tres sotas de cuatro es:


Mediante la regla de multiplicacin hay n=6*4=24 manos con dos
ases y tres sotas.
6
)! 2 ( ! 2
! 4
2
4
= =
|
|
.
|

\
|
4
)! 1 ( ! 3
! 4
3
4
= =
|
|
.
|

\
|
6 Curso : Modelacin y Simulacin
Probabilidades
El nmero total de 5 manos de pquer de cinco cartas, las cuales son
igualmente probables es



por tanto la probabilidad de obtener dos ases y tres sotas en una mano de
pquer de cinco cartas es:



960 . 598 . 2
)! 47 ( ! 5
! 52
5
52
= =
|
|
.
|

\
|
= N
5 10 9 , 0
960 . 598 . 2
24
) ( = = x x P
7 Curso : Modelacin y Simulacin
Probabilidades
Experimentos Aleatorios
Un experimento aleatorio es aquel que proporciona diferentes
resultados aun cuando se repita siempre de la misma forma.
Espacio Muestral
Un conjunto de los posibles resultados de un experimento
aleatorio recibe el nombre de espacio muestral del experimento
Evento
Un evento es un subconjunto del espacio muestral de un
experimento aleatorio.
8 Curso : Modelacin y Simulacin
Probabilidades
Axiomas de Probabilidades
La probabilidad es un nmero que se asigna a cada miembro de una
coleccin de eventos de un experimento aleatorio y que satisface las
siguientes propiedades
1.- P(s) =1
2.-

3.- Para dos eventos E
1
y E
2

P(E
1
U E
2
)= P(E
1
)+P(E
2
)-P(E
1
E
2
)
con E
1
E
2
=, P(E
1
U E
2
)= P(E
1
)+P(E
2
)
<
1 ) ( 0 s s E P
9 Curso : Modelacin y Simulacin
Probabilidades
Probabilidad Condicional
La probabilidad condicional de un evento A dado un Evento B,
denotada por P(A\B), es :

P(A\B)= P( A B) / P(B) si P(B)>0
Probabilidad Total
Sea A1,a2, An, un sistema completo de sucesos tales que la
probabilidad de cada uno de ellos es distinta de cero, y sea B un
suceso cualquier del que se conocen las probabilidades condicionales
P(B\Ai), entonces la probabilidad del suceso B viene dada por la
expresin.
P(B)= P(A1)*P(B/A1)+P(A2)*P(B/A2)+..+P(An)*P(B/An)

10 Curso : Modelacin y Simulacin
Probabilidades
Teorema de Bayes
Sea A1,A2,....An un sistema completo de sucesos,
tales que la probabilidad de cada uno de ellos es
distinta de cero, y sea B un suceso cualquier del que
se conocen las probabilidades condicionales P(B/Ai),
entonces la probabilidad P(Ai/B) viene dada por la
expresin :
P(Ai/B)= P(Ai)* P(B/Ai)
P(A1)*P(B/A1)+ P(A2)*P(B/A2) +.....+
P(An)*P(B/An)
<
11 Curso : Modelacin y Simulacin
Solucin
sea D = " La pieza es defectuosa", y N="La pieza no es defectuosa"
La informacin del problema puede expresarse en el diagrama de rbol
a.- Para calcular la probabilidad de que la pieza elegida sea defectuosa, P(D)
por la Propiedad de la probabilidad total,
P(D)= P(A)*P(D/A)+P(B)*P(D/B)+P(C)*P(D/C)
P(D)= 0,4*0,02+0,35*0,03+0,25*0,04
P(D)= 0,0285
b.- Debemos calcular P(B/D). Por el teorema de Bayes
P(B/D)= P(B)*P(D/B)
P(A)*P(D/A)+P(B)*P(D/B)+P(C)*P(D/C)
P(B/D)= 0,35*0,03
0,4*0,02+0,35*0,03+0,25*0,04
P(B/D)= 0,0105
0,0285
P(B/D)= 0,368
c.- Calculamos P(A/D) y P(C/D), comparndolas con el valor de P(B/D)
ya calculado. Aplicando el teorema de Bayes , obtenemos
P(A/D)= 0,4*0,02 = 0,008 = 0,281
0,4*0,02+0,35*0,03+0,25*0,04 0,0285
P(C/D)= 0,25*0,04 = 0,01 = 0,351
0,4*0,02+0,35*0,03+0,25*0,04 0,0285
La lnea de produccin con mayor probabilidad de haber producido la pieza defectuosa es B
A
B
C
D
N
D
N
D
N
0,40
0,35
0,25
0.02
0.03
0.04
0.97
0.96
0.98

1.- Tres lneas de produccin de nodos, A, B, C producen el 40%, 35%, 25%,
respectivamente, del total de la produccin. Los porcentajes de nodos defectuosos de
estas lneas son del 2%, 3%, 4%.
12 Curso : Modelacin y Simulacin
Estadstica:
El campo de la Estadstica tiene que ver con la recopilacin,
presentacin, anlisis y uso de datos para tomar decisiones
y resolver problemas.

La importancia de la estadstica en la ingeniera, la ciencia y
la administracin ha sido subrayada por la participacin en
la industria en el aumento de la calidad. Muchas compaas
se han dado cuenta de que la baja calidad de un producto
(defectos de fabricacin, baja confiabilidad en su
rendimiento) tiene un efecto muy pronunciado en la
productividad global de la Empresa. La estadstica es un
elemento decisivo en el incremento de la calidad, ya que las
tcnicas estadsticas pueden emplearse para describir y
comprender la variabilidad.
13 Curso : Modelacin y Simulacin
Estadstica Descriptiva
Media aritmtica:

La media aritmtica o media de un conjunto de N nmeros x1,x2,x3,....,xn
se representa por x y se define como
n


x
j

x = x
1
+ x
2
+x
3
+......+ x
n
=
j=1__

N N

14 Curso : Modelacin y Simulacin
Mediana:

Sean x
1
,x
2
,x
3
,.....,x
n
una muestra acomodada en orden creciente de
magnitud,; esto es x
1
denota la observacin pequea y x
n
denota la
observacin ms grande. Entonces la mediana x se define como la parte
media o la ( | n+1| / 2)-sima observacin si n es impar, o el promedio
entre las dos observaciones intermedias |la (n / 2)-sima y la ( | n / 2)+1)-
sima| si n es par. En trminos matemticos

___________________
2

| | ( ) impar n + + 2 / 1
( ) | | ( ) par n x n x + + + + 1 2 / 2
Estadstica Descriptiva
15 Curso : Modelacin y Simulacin
Moda:

La moda es la observacin que se presenta con mayor frecuencia en la
muestra. Esta puede no existir cuando los datos no estn agrupados o ser
bimodales, etc.
Estadstica Descriptiva
16 Curso : Modelacin y Simulacin
Varianza muestral y desviacin estndar muestral.

Las medidas ms importantes de variabilidad son la varianza muestral y la
desviacin estndar muestral.
Si x
1
,x
2
,x
3
,.....,x
n
es una muestra de n observaciones, entonces la varianza
muestral es:




La desviacin estndar S es la raz cuadrada positiva.

=
|
.
|

\
|

=
n
i
i
X X x
n
S
1
2
_
2
1
1
Estadstica Descriptiva
17 Curso : Modelacin y Simulacin
Coeficiente de Variacin:

En ocasiones es deseable expresar la variacin como una fraccin de la
Media. El coeficiente de variacin es til cuando se compara la variabilidad
de dos o ms conjuntos de datos que difieren de manera considerable en la
magnitud de las observaciones.
El coeficiente muestral es:

x
S
CV =
Estadstica Descriptiva
18 Curso : Modelacin y Simulacin
Error estndar:

El error estndar de una estadstica es la desviacin estndar de su
distribucin de muestreo.
Si el error estndar involucra parmetros desconocidos cuyos valores
pueden estimarse, la sustitucin de estas estimaciones en el error estndar
da como resultado un error estndar estimado.

El error estndar da alguna idea sobre la precisin de la estimacin. Si no
se sabe que valor tiene o pero se sustituye la desviacin estndar muestral
S en la ecuacin anterior, entonces el error estndar estimado de x es

n
x
o
o
=

n
S
x
=
.

o
Estadstica Descriptiva
19 Curso : Modelacin y Simulacin
Rango de la Muestra:

Una medida muy sencilla de variabilidad es el rango de la muestra,
definido como la diferencia entre las observaciones ms grande y ms
pequea.

r = mx (x
i
) - min (x
i
)

Estadstica Descriptiva
20 Curso : Modelacin y Simulacin
Coeficiente de Asimetra:

El coeficiente de simetra o que mide el grado de asimetra o falta de
simetra de una distribucin. Y se define por



3
1
) 2 )( 1 (


=
=
(
(
(

n
i
S
X
Xi
n n
n
o
Estadstica Descriptiva
21 Curso : Modelacin y Simulacin
Curtosis:

El coeficiente de curtosis es una medida de achatamiento de un histograma
con respecto al modelo terico de Gauss.
El coeficiente de curtosis se define por



Se puede demostrar que:

E > 0 histograma ms puntiagudo que la ley de Gauss (leptocrtica)

E < 0 histograma ms achatado que la ley de Gauss (platicrtica)

E = 0 histograma sin achatamiento (mesocrtica)

) 3 )( 2 (
) 1 (
3
) 3 )( 2 )( 1 (
) 1 (
2
1
4


+
=
=
(
(
(
(

n n
n
S
X
Xi
n n n
n n
k
n
i
Estadstica Descriptiva
22 Curso : Modelacin y Simulacin
Histograma
Un histograma o histograma de frecuencias consiste en una serie de rectngulos que
tienen:
1.- Sus bases sobre un eje horizontal con centros en las marcas de clase y longitud
igual al tamao de los intervalos de clase.
2.- Superficie proporcionales a las frecuencias de clase, el nmero de observaciones en
una clase recibe el nombre de frecuencia de clase. La marca de clase es el punto medio
del intervalo de clase y se obtiene sumando los lmites inferior y superior de la clase y
dividiendo por 2.
3.- Un polgono de frecuencia es un grfico de lnea trazado sobre las marcas de clase.

Estadstica Descriptiva
23 Curso : Modelacin y Simulacin
Reglas generales para formar la distribucin de frecuencias
1.- Determinar el mayor y el menor entre los datos registrados y as encontrar el rango.
2.- Dividir el rango en un nmero conveniente de intervalos de clase del mismo tamao,
el nmero de clases que se emplea para clasificar los datos en un conjunto dependen
del total de observaciones en ste. Si el nmero de observaciones es relativamente
pequeo, el nmero de clase a emplear ser cercano a cinco, pero generalmente nunca
menor que este valor. Si existe una cantidad sustancial de datos, el nmero de clases
debe encontrarse entre ocho y doce y generalmente no existirn mas de 15 clases. Un
nmero muy pequeo de clases puede ocultar la distribucin real del conjunto de datos,
mientras que un nmero muy grande puede dejar sin observaciones o lagunas de las
clase, limitando de esta forma su uso.


Estadstica Descriptiva
24 Curso : Modelacin y Simulacin
Criterio de Sturguess
Es usado ampliamente , ya que entrega la dimensin del intervalo de clase que
permite la mejor definicin de la forma real de la distribucin en estudio. Para
estimar el intervalo de clase Sturguess plante la siguiente expresin.


Raz cuadrada del nmero de observaciones

) log( 322 , 3 1
min max
n
x x
IC
+

=
n IC =
Estadstica Descriptiva
25 Curso : Modelacin y Simulacin
Estadstica Descriptiva

Desviacin estandar 12,05147 Mnimo 10
Media 36,53264
Varianza de la muestra 145,238 Mximo 69,9
Error Tpico 0,163652
curtosis -0,39836 Suma 198116,5
Mediana 36
coeficiente de asimetra 0,291128 Cuenta 5423
Moda 45,5
Rango 59,9

Histograma Grupal vacios<4
0
100
200
300
400
500
600
1
0
,
0
0
1
5
,
9
9
2
1
,
9
8
2
7
,
9
7
3
3
,
9
6
3
9
,
9
5
4
5
,
9
4
5
1
,
9
3
5
7
,
9
2
6
3
,
9
1
Velocidad [Km/h]
F
r
e
c
u
e
n
c
i
a
0
0,005
0,01
0,015
0,02
0,025
0,03
0,035
Frcuencia
normal
26 Curso : Modelacin y Simulacin
Histograma Sturges vacios<4
0
100
200
300
400
500
600
700
800
10,00 14,47 18,9423,41 27,88 32,35 36,83 41,3045,77 50,24 54,71 59,18 63,65
Velocidad [Km/h]
Fre
cu
en
cia
0
0,005
0,01
0,015
0,02
0,025
0,03
0,035
Frecuencia
normal
Histograma raiz de (n) vacios <4
0
20
40
60
80
100
120
140
160
180
200
1
0
,
0
0
1
4
,
8
8
1
9
,
7
6
2
4
,
6
4
2
9
,
5
2
3
4
,
4
0
3
9
,
2
8
4
4
,
1
6
4
9
,
0
4
5
3
,
9
2
5
8
,
8
0
6
3
,
6
8
6
8
,
5
7
Velocidad [Km/h]
F
r
e
c
u
e
n
c
i
a
0
0,005
0,01
0,015
0,02
0,025
0,03
0,035
Frecuencia
normal
27 Curso : Modelacin y Simulacin
Distribucin de Poisson

Es una distribucin de probabilidad discreta con un parmetro < 0 cuya funcin de
masa para sucesos es

Aqu e significa el nmero e y x! significa el factorial de x.
Se prefiere su uso por sobre una distribucin binominal cuando los valores de p <
0.10 y (p * n) < 10 ", donde p es la probabilidad de acierto y n es el numero de
eventos.
La distribucin de Poisson describe el nmero de sucesos en una unidad de tiempo
de un proceso de Poisson. Muchos fenmenos se modelan como un proceso de
Poisson, por ejemplo las llamadas telefnicas en una empresa o los accidentes en
una carrera.
El valor esperado y la varianza de una variable aleatoria X de distribucin Poisson
son
E[X] = V[X] =

28 Curso : Modelacin y Simulacin
Distribucin de Poisson
Ejemplo

Un nmero promedio de camiones tanque que llega cada da a cierta ciudad
portuaria es 10. Las instalaciones en el puerto pueden manejar a lo ms 15
camiones tanque por da. Cul es la probabilidad de que en un da dado los
camiones se tengan que regresar?

Solucin

Sea X el nmero de camiones tanque que llegan cada da.Entonces con el uso de la
tabla de poisson tenemos

P(x>15)= 1- P(Xs15)=1-

=
15
0
) 10 ; (
x
x p = 1-0,9513= 0,0487


! 10
15
) 15 (
10
15
= > e x P
29 Curso : Modelacin y Simulacin
Distribucin Binomial
En estadstica la distribucin binomial es una distribucin probabilidad discreta
describiendo el numero de xitos de n experimentos independientes con
probabilidad p de un xito.

Su funcin de densidad es

Eso es por que en n experimentos (o eventos) hay n sobre x (el coeficiente binomial)
posibilidades para un numero de x xitos (o aciertos) (probabilidad p
k
) y n x no-
xitos ((1 p)
n x
).

El valor esperado de una variable aleatoria de probabilidad binominal es E[x] = np y
su varianza V[x] = np(1 p).

30 Curso : Modelacin y Simulacin
Distribucin Binomial
La probabilidad de que cierta clase de componente sobreviva a una prueba de choque
dada es 3/4 . Encuentre la probabilidad de que sobrevivan exactamente dos de los
siguientes cuatro componentes que se prueben.

Solucin

Suponga que las pruebas son independientes y como p=3/4 para cada una de las 4
pruebas tenemos
( ) 128 / 27
4
3
2 2
4
) 4 / 1 ( 4 / 3
2
4
4
2
2 2
2
= = |
.
|

\
|
x
x
B(2;4,3/4)=
=0,2109
31 Curso : Modelacin y Simulacin
Distribucin Normal
Esta distribucin es frecuentemente utilizada en las aplicaciones estadsticas. Su
propio nombre indica su extendida utilizacin, justificada por la frecuencia o
normalidad con la que ciertos fenmenos tienden a parecerse en su
comportamiento a esta distribucin.
Muchas variables aleatorias continuas presentan una funcin de densidad cuya
grfica tiene forma de campana.
En resumen, la importancia de la distribucin normal se debe principalmente a que
hay muchas variables asociadas a fenmenos naturales que siguen el modelo de la
normal

32 Curso : Modelacin y Simulacin
Distribucin Normal
Sin lugar a dudas, la distribucin ms utilizada para
modelar experimentos aleatorios es la distribucin normal
33 Curso : Modelacin y Simulacin
Distribucin Normal
34 Curso : Modelacin y Simulacin
Distribucin Normal
35 Curso : Modelacin y Simulacin
Distribucin Normal
36 Curso : Modelacin y Simulacin
Manejo de tablas, casos ms frecuentes
La distribucin de la variable z se encuentra tabulada
37 Curso : Modelacin y Simulacin
Manejo de tablas, casos ms frecuentes
38 Curso : Modelacin y Simulacin
Manejo de tablas, casos ms frecuentes
39 Curso : Modelacin y Simulacin
Manejo de tablas, casos ms frecuentes
40 Curso : Modelacin y Simulacin
EJERCICIO


Tipificamos:

La probabilidad de obtener puntuacin entre 70 y 90 es:
P(70X90)=p(-1,67X1,67)
z1=(70-80)/6=-1,66666667
z2=(90-80)/6=1,66666667
0,0478 0,9522
+0,9522-0,0478=0,9044

y el nmero esperado de individuos que la obtienen es:

n=0,9044*200=180,883859
n= 181

La probabilidad de que una persona tenga puntuacin
superior a 90 es:

P(X>90)=P(Z>1,67)=1- 0,9522 =0,0478

Y para dos personas:

p= 0,0478*0,0478 =0,00228484
Los resultados de una prueba objetiva de
seleccin pasada a 200 personas indicaron que
la distribucin de puntuaciones era normal, con
media de 80 puntos y desviacin tpica de 6
puntos. Calcular cuntos examinados han
obtenido una puntuacin entre 70 y 90 puntos.
Si se eligen al azar dos de esas 200 personas,
calcular la probabilidad de que ambas personas
tengan puntuacin superior a 90.
41 Curso : Modelacin y Simulacin
EJERCICIO
Los resultados de una prueba objetiva
de seleccin pasada a 200 personas
indicaron que la distribucin de
puntuaciones era normal, con media 60
puntos y desviacin tpica de 6 puntos.
Cada prueba se puntu con 0 1
puntos. Calcular cuntos examinados
han obtenido una puntuacin entre 30 y
40 puntos, y cul es la mnima
puntuacin por debajo de la cual estn
el 75 % de los examinados.


Tipifiquemos la variable con los valores
extremos dados:
z1=(30-60)/6 -5
z1=(40-60)/6 -3,33333333
0,0000 0,0004
con lo cual no hay ningn examinado con una puntuacin entre 30 y 40
Por otro lado , la mnima puntuacin por debajo de la cual est el 75 % de los examinados
z normal
0,67 0,7486
0,68 0,7517
se realiza una interpolacin
0,01 0,0031
valor buscado 0,0014
Luego
x=(0,0014*0,01)/0,0031 0,00451613
Zx=0,67+0,0045 0,6745
x1=6*zx+60 6*0,6745+60 64
La mnima puntuacin por debajo de la cual est el 75 % de los examinados es 64
La probabilidad de obtener puntuacin entre 30 y 40 es:
42 Curso : Modelacin y Simulacin
Distribucin Normal
Media Aritmtica



Mediana
La mediana de un conjunto de observaciones se
ordenan de manera creciente, la mitad de stas es
menor que este valor y la otra mitad mayor
Moda
La moda de un conjunto de observaciones es el valor de
la observacin que ocurre con mayor frecuencia en un
conjunto

=
=
n
i
i x
x
n
1
1

43 Curso : Modelacin y Simulacin


Distribucin Normal
Desviacin Estndar



Coeficiente de Simetra
Esta funcin caracteriza el grado de asimetra de una
distribucin con respecto a su media. La asimetra positiva
indica una distribucin unilateral que se extiende hacia valores
ms positivos. La asimetra negativa indica una distribucin
unilateral que se extiende hacia los valores ms negativos

=
=
n
i
x i x
x
n
1
2
) (
1
o

=
= =
n
i
x i
x
n
m que en
m
1
3
3
) (
1
3
3

44 Curso : Modelacin y Simulacin


Distribucin Normal
Curtosis
La curtosis representala elevacin o achatamiento de una
distribucin , Una curtosis positiva indica una distribucin
relativamente elevada, mientras que una curtosis negativa
indica una distribucin relativamente plana.

=
= =
n
i
x i
x
n
m que en
m
1
4
4
) (
1
4
4

o
c
45 Curso : Modelacin y Simulacin
Distribucin Ji Cuadrado (_
2
)

Es una distribucin asimtrica.
Solo toma valores positivos y es asinttica con
respecto al eje de las x positivas (0 < _
2
< +).
Est caracterizada por un nico parmetro llamado:
grados de libertad (g.l.)
El rea comprendida entre la curva y el eje de las x
es 1 o 100%.

46 Curso : Modelacin y Simulacin
Grfico de la distribucin Ji Cuadrado
o 1 - o
Regin de
aceptacin
Regin de rechazo
_
2

gl,o
47 Curso : Modelacin y Simulacin
Distribucin Ji Cuadrado
_
2
2
0
=

E
( )
i i
i
E
E
48 Curso : Modelacin y Simulacin
Ejercicio Chi - Cuadrado
1
2 2
4
6
8
5
4
2 2
0
25
1
49 Curso : Modelacin y Simulacin
Ejercicio Chi-cuadrado
ai bi Fi
Marca
Clase Fi*MC (xi-x) ^2 fi*(xi-x)^2
1,18 1,22 1 1,2 1,2 0,07002639 0,07002639
1,22 1,27 2 1,245 2,49 0,04823514 0,09647028
1,27 1,32 2 1,295 2,59 0,02877264 0,05754528
1,32 1,37 4 1,345 5,38 0,01431014 0,05724056
1,37 1,42 6 1,395 8,37 0,00484764 0,02908584
1,42 1,47 8 1,445 11,56 0,00038514 0,00308113
1,47 1,52 5 1,495 7,475 0,00092264 0,0046132
1,52 1,57 4 1,545 6,18 0,00646014 0,02584056
1,57 1,62 2 1,595 3,19 0,01699764 0,03399528
1,62 1,67 3 1,645 4,935 0,03253514 0,09760542
1,67 1,72 1 1,695 1,695 0,05307264 0,05307264
1,72 1,8 2 1,76 3,52 0,08724639 0,17449278

40 suma 58,585 suma 0,70306938
media 1,464625 varianza 0,01802742
desviacin 0,13426623
50 Curso : Modelacin y Simulacin
Ejercicio Chi-cuadrado
ajuste bueno, es una
distribucin normal
3,32 chiv9 ,5=
16,93 chi v9,95=
v=k-1-m=12-1-2=9
chi calculado =9,43
0,1347 s
9,42992 100 40 97,630996 1,4646 x
1,5018 7,5092 5,000 2 2,2597 99,3609 97,1012 2,490 1,896 1,80 1,72
0,3749 0,9372 2,500 1 3,4681 97,1012 93,6331 1,896 1,525 1,72 1,67
0,2732 2,0489 7,500 3 6,0686 93,6331 87,5645 1,525 1,153 1,67 1,62
3,6408 18,2040 5,000 2 9,2666 87,5645 78,2979 1,153 0,782 1,62 1,57
0,5513 5,5127 10,000 4 12,3479 78,2979 65,9500 0,782 0,411 1,57 1,52
0,2763 3,4540 12,500 5 14,3585 65,9500 51,5915 0,411 0,040 1,52 1,47
1,4741 29,4817 20,000 8 14,5703 51,5915 37,0212 0,040 -0,331 1,47 1,42
0,2933 4,3998 15,000 6 12,9024 37,0212 24,1188 -0,331 -0,702 1,42 1,37
0,0001 0,0009 10,000 4 9,9705 24,1188 14,1483 -0,702 -1,074 1,37 1,32
0,5942 2,9709 5,000 2 6,7236 14,1483 7,4246 -1,074 -1,445 1,32 1,27
0,2177 1,0886 5,000 2 3,9567 7,4246 3,4680 -1,445 -1,816 1,27 1,22
0,2322 0,5806 2,500 1 1,7380 3,4680 1,7299 -1,816 -2,113 1,22 1,18
ej f*100/40 oj N(yc2)*100 N(yc1)*100 (bi-x)/s (ai-x)/s bi ai
(oj-
ej)^2/ej
(oj-
ej)^2 fre en %
frecuen
cia area2-area1 area2 area1
ajuste bueno, es una
distribucin normal
3,32 chiv9 ,5=
16,93 chi v9,95=
v=k-1-m=12-1-2=9
chi calculado =9,43
0,1347 s
9,42992 100 40 97,630996 1,4646 x
1,5018 7,5092 5,000 2 2,2597 99,3609 97,1012 2,490 1,896 1,80 1,72
0,3749 0,9372 2,500 1 3,4681 97,1012 93,6331 1,896 1,525 1,72 1,67
0,2732 2,0489 7,500 3 6,0686 93,6331 87,5645 1,525 1,153 1,67 1,62
3,6408 18,2040 5,000 2 9,2666 87,5645 78,2979 1,153 0,782 1,62 1,57
0,5513 5,5127 10,000 4 12,3479 78,2979 65,9500 0,782 0,411 1,57 1,52
0,2763 3,4540 12,500 5 14,3585 65,9500 51,5915 0,411 0,040 1,52 1,47
1,4741 29,4817 20,000 8 14,5703 51,5915 37,0212 0,040 -0,331 1,47 1,42
0,2933 4,3998 15,000 6 12,9024 37,0212 24,1188 -0,331 -0,702 1,42 1,37
0,0001 0,0009 10,000 4 9,9705 24,1188 14,1483 -0,702 -1,074 1,37 1,32
0,5942 2,9709 5,000 2 6,7236 14,1483 7,4246 -1,074 -1,445 1,32 1,27
0,2177 1,0886 5,000 2 3,9567 7,4246 3,4680 -1,445 -1,816 1,27 1,22
0,2322 0,5806 2,500 1 1,7380 3,4680 1,7299 -1,816 -2,113 1,22 1,18
ej f*100/40 oj N(yc2)*100 N(yc1)*100 (bi-x)/s (ai-x)/s bi ai
(oj-
ej)^2/ej
(oj-
ej)^2 fre en %
frecuen
cia area2-area1 area2 area1
51 Curso : Modelacin y Simulacin
Ejercicio Chi-cuadrado
Lmite Lmite Frecuencia Frecuencia Porcentaje
Inferior Superior Acumulada
1,18 1,22 1 1 2,5
1,22 1,27 2 3 7,5
1,27 1,32 2 5 12,5
1,32 1,37 4 9 22,5
1,37 1,42 6 15 37,5
1,42 1,47 8 23 57,5
1,47 1,52 5 28 70,0
1,52 1,57 4 32 80,0
1,57 1,62 2 34 85,0
1,62 1,67 3 37 92,5
1,67 1,72 1 38 95,0
1,72 1,80 2 40 100,0
52 Curso : Modelacin y Simulacin
120
0
10 10
10 5
20
90 53 Curso : Modelacin y Simulacin
Ejercicio Chi-cuadrado
1
14
56
172
245
263
156
67
23
3
0
25
50
75
100
125
150
175
200
225
250
275
300
1
54 Curso : Modelacin y Simulacin
Ejercicio Chi-cuadrado
ai bi Fi Marca Clase Fi*MC (x-X)**2 Fi*(x-X)**2
27,5 31,5 1 29,5 29,5 331,677 331,677
31,5 35,5 14 33,5 469 201,981 2827,733
35,5 39,5 56 37,5 2100 104,285 5839,957
39,5 43,5 172 41,5 7138 38,589 6637,298
43,5 47,5 245 45,5 11147,5 4,893 1198,771
47,5 51,5 263 49,5 13018,5 3,197 840,796
51,5 55,5 156 53,5 8346 33,501 5226,147
55,5 59,5 67 57,5 3852,5 95,805 6418,931
59,5 63,5 23 61,5 1414,5 190,109 4372,506
63,5 67,5 3 65,5 196,5 316,413 949,239
1000 suma 47712 suma 34643,056
media 47,71 varianza 34,678
desviacion 5,889
55 Curso : Modelacin y Simulacin
Ejercicio Chi-cuadrado
area1 area2
area2-
area1 frecuencia fre en % (oj-ej)^2
(oj-
ej)^2/ej
ai bi (ai-x)/s (bi-x)/s N(yc1)*100 N(yc2)*100 oj ej f*100/1000
27,5 31,5 -3,434 -2,754 0,0297 0,2940 0,2642 1 0,1 0,0270 0,270
31,5 35,5 -2,754 -2,075 0,2940 1,9001 1,6062 14 1,4 0,0425 0,030
35,5 39,5 -2,075 -1,395 1,9001 8,1474 6,2473 56 5,6 0,4190 0,075
39,5 43,5 -1,395 -0,716 8,1474 23,7113 15,5638 172 17,2 2,6770 0,156
43,5 47,5 -0,716 -0,036 23,7113 48,5634 24,8521 245 24,5 0,1240 0,005
47,5 51,5 -0,036 0,644 48,5634 74,0077 25,4443 263 26,3 0,7322 0,028
51,5 55,5 0,644 1,323 74,0077 90,7113 16,7036 156 15,6 1,2179 0,078
55,5 59,5 1,323 2,003 90,7113 97,7400 7,0287 67 6,7 0,1080 0,016
59,5 63,5 2,003 2,682 97,7400 99,6345 1,8945 23 2,3 0,1644 0,071
63,5 67,5 2,682 3,362 99,6345 99,9613 0,3268 3 0,3 0,0007 0,002

x 47,712 1000 0,732
s 5,886
chi calculado =0,7315 chi v7,95= 14,1
v=k-1-m=10-1-2=7 chiv7 ,5= 2,17

ajuste muy bueno
56 Curso : Modelacin y Simulacin
Ejercicio Chi-cuadrado
Lmite Frecuencia Frecuencia Porcentaje
Superior Acumulada
31,5 1 1 0,1
35,5 14 15 1,5
39,5 56 71 7,1
43,5 172 243 24,3
47,5 245 488 48,8
51,5 263 751 75,1
55,5 156 907 90,7
59,5 67 974 97,4
63,5 23 997 99,7
67,5 3 1000 100,0
57 Curso : Modelacin y Simulacin
Curva tonelaje vs ley
Formulas
Calculo de rea: Ocupando la normal reducida




Ley media

Curso : Modelacin y Simulacin 58
o

=
Xc
Yc
) ( ) %( Yc Xc = +
) (
*
2
) (
2
2
Yc
e
Xc
Yc

t
o


+ = +
Curva tonelaje vs ley
Ejemplo
=47,712 o=5,886 Xc=40




Ley media

Curso : Modelacin y Simulacin 59
31 , 1
886 , 5
712 , 47 40
=

=
o
Xc
Yc
% 49 , 90 9049 , 0 0951 , 0 1 ) ( ) %( = = = = + Yc Xc
385 , 53
9049 , 0
*
14 , 3 * 2
886 , 5
712 , 47
) (
*
2
) (
2
) 31 , 1 (
2
2 2
= + = + = +


e
Yc
e
Xc
Yc

t
o

Curva tonelaje vs ley
Curso : Modelacin y Simulacin 60
Tonelaje Total =100.000 toneladas 100.000

% XC (ai-x)/s Normal %(+Xc) Tonelaje n exp Ley
25 -3,859 0,000 1,000 99994,3 -7,445 0,001 47,71
30 -3,009 0,001 0,999 99869,1 -4,528 0,011 47,74
35 -2,160 0,015 0,985 98460,5 -2,332 0,097 47,94
40 -1,310 0,095 0,905 90494,8 -0,858 0,424 48,81
45 -0,461 0,322 0,678 67751,8 -0,106 0,899 50,83
50 0,389 0,651 0,349 34873,7 -0,076 0,927 53,96
55 1,238 0,892 0,108 10781,5 -0,767 0,465 57,83
60 2,088 0,982 0,018 1841,1 -2,179 0,113 62,14
x 47,712
s 5,8858
R2pi 2,50659769
( )
) (
*
2
2
2
Yc
e
Xc
Yc
t
o

+ = +
( )
9049 , 0
*
14 , 3 * 2
886 , 5
712 , 47 40
2
) 31 , 1 (
2

+ = +
e

Curva tonelaje vs ley


Curso : Modelacin y Simulacin 61
Coeficiente de correlacin
El coeficiente de correlacin se define por :







La correlacin es nula si r
xy
=0
1 1
:
*
s s
=
xy
y x
xy
xy
r
donde
S S
S
r
62 Curso : Modelacin y Simulacin
Lnea de Regresin
La linea de regresin se define por:


+
|
.
|

\
|
= y x x
S
S
r y
y
x
xy
63 Curso : Modelacin y Simulacin
Produccin Costo
n x y X-x Y-y (X-x)^2 (Y-y)^2 (X-x)(Y-y)
1 1,5 2,5 -1,45 -1,01 2,103 1,020 1,4645
2 2,0 3,1 -0,95 -0,41 0,903 0,168 0,3895
3 3,0 3,8 0,05 0,29 0,002 0,084 0,0145
4 1,5 2,1 -1,45 -1,41 2,103 1,988 2,0445
5 3,5 4,3 0,55 0,79 0,303 0,624 0,4345
6 3,0 3,2 0,05 -0,31 0,002 0,096 -0,0155
7 4,5 4,8 1,55 1,29 2,403 1,664 1,9995
8 4,0 3,9 1,05 0,39 1,103 0,152 0,4095
9 4,0 4,4 1,05 0,89 1,103 0,792 0,9345
10 2,5 3,0 -0,45 -0,51 0,203 0,260 0,2295
Suma 29,5 35,1 10,225 6,849 7,905
Media 2,95 3,51
Varianza 1,136 0,761
Desviacin Sta 1,066 0,872
Covarianza 0,878
Coeficiente correlacin 0,945 0,77310513
2,28066015
1,22933985
Y=1,229+0,77*X
0,0
1,0
2,0
3,0
4,0
5,0
6,0
0,0 1,0 2,0 3,0 4,0 5,0 6,0
Datos
Recta
Lineal (Recta)

+
|
.
|

\
|
= y x x
S
S
r y
y
x
x y
64 Curso : Modelacin y Simulacin
Regresin Lineal Mltiple
Supongamos que la variable Y depende de las variables X1,X2,X3,
por analoga con el modelo lineal simple se puede formular el
modelo siguiente

3 2
1
3 2 0 1
X X
X
Y i i
i
i
| | | |
+ +
+
=

En que X1,X2;x3 son los valores de las variable independientes en
el experimento i, siendo Yi, la respuesta correspondiente.
Debido a la presencia de ms de dos variables , este modelo se
llama regresin lineal mltiple.

Para estimar los parmetros |0 , |1, |2, |3 se utiliza el mtodo de
los mnimos cuadrados, minimizando la cantidad:

) 3 2 1
(
2
1
3 2 1 0
X X X
Y
D i i i
i
n
i
| | | |
=

=

65 Curso : Modelacin y Simulacin
Regresin Lineal Mltiple
al derivar parcialmente D con respecto a parmetros |0, |1, |2, |3,
se llega al sistema de ecuaciones siguientes, llamado sistema
normal

Y X X X X X X X
Y X X X X X X X
Y X X X X X X X
Y X X X n
3 3
2
3 2 2 3 1 1 3 0 3
2 3 3 2 2
2
2 1 1 2 0 2
1 3 3 1 2 2 1 1
2
1 0 1
3 3 2 2 1 1 0
= + + +
= + + +
= + + +
= + + +
| | | |
| | | |
| | | |
| | | |




Coeficiente de determinacin r
2
que corresponde al ndice de
ajuste lineal, siendo r el coeficiente de correlacin mltiple

66 Curso : Modelacin y Simulacin
Regresin Lineal Mltiple
Ejemplo


Montgomery y Peck (1992) describen el uso de un modelo de
regresin para relacionar la cantidad de tiempo que requiere un
vendedor para dar servicio a una mquina expendedora de refrescos,
con el nmero de envases contenidos en la mquina y la distancia del
vehculo de servicio al sitio donde se encuentra la mquina . Este
modelo fue utilizado para disear la ruta , los horarios y la salida de
vehculos, La tabla presenta 25 observaciones del tiempo de
suministro tomadas del mismo estudio descrito por Montgomery y
Peck.

67 Curso : Modelacin y Simulacin
Regresin Lineal Mltiple
Y x1 x2 x1*x1 x1*x2 x1*y x2*x2 x2*y
1 9,95 2,00 50,00 4,00 100,00 19,90 2500 497,5
2 24,45 8,00 110,00 64,00 880,00 195,60 12100 2689,5
3 31,75 11,00 120,00 121,00 1320,00 349,25 14400 3810
4 35,00 10,00 550,00 100,00 5500,00 350,00 302500 19250
5 25,02 8,00 295,00 64,00 2360,00 200,16 87025 7380,9
6 16,86 4,00 200,00 16,00 800,00 67,44 40000 3372
7 14,38 2,00 375,00 4,00 750,00 28,76 140625 5392,5
8 9,60 2,00 52,00 4,00 104,00 19,20 2704 499,2
9 24,35 9,00 100,00 81,00 900,00 219,15 10000 2435
10 27,50 8,00 300,00 64,00 2400,00 220,00 90000 8250
11 17,08 4,00 412,00 16,00 1648,00 68,32 169744 7036,96
12 37,00 11,00 400,00 121,00 4400,00 407,00 160000 14800
13 41,95 12,00 500,00 144,00 6000,00 503,40 250000 20975
14 11,66 2,00 360,00 4,00 720,00 23,32 129600 4197,6
15 21,65 4,00 205,00 16,00 820,00 86,60 42025 4438,25
16 17,89 4,00 400,00 16,00 1600,00 71,56 160000 7156
17 69,00 20,00 600,00 400,00 12000,00 1380,00 360000 41400
18 10,30 1,00 585,00 1,00 585,00 10,30 342225 6025,5
19 34,93 10,00 540,00 100,00 5400,00 349,30 291600 18862,2
20 46,59 15,00 250,00 225,00 3750,00 698,85 62500 11647,5
21 44,88 15,00 290,00 225,00 4350,00 673,20 84100 13015,2
22 54,12 16,00 510,00 256,00 8160,00 865,92 260100 27601,2
23 56,23 17,00 590,00 289,00 10030,00 955,91 348100 33175,7
24 22,13 6,00 100,00 36,00 600,00 132,78 10000 2213
25 21,15 5,00 400,00 25,00 2000,00 105,75 160000 8460
Y
suma 725,42 206 8294 2396 77177 8001,67 3531848 274580,71

Ecuaciones 1 B0*n+B1*X1+B2*X2=Y
2 B0*X1+B1*X1*X1+B2*X1*X2=X1*Y
3 B0*X2+B1*X1*X2+B2*X2*X2=X2*Y
Y=B0+B1*x1+B2*X2
68 Curso : Modelacin y Simulacin
Regresin Lineal Mltiple
Ecuaciones 1 25*B0 +206*B1 +8294*B2 =725,42 *206
2 206*B0 +2396*B1 +77177*B2 =8001,67 *25
3 8294*B0 +77177*B1 +3531848*B2 =274580,71

5150 42436 1708564 149436,52
5150 59900 1929425 200041,75
0 17464 220861 50605,23 12,64664453
B1 = 2,89768839 -12,646644*B2
6942,861377 -30301,36028
223634,8967 -976030,0846

206 46875,64 1058,81 *8294
8294 2555817,92 50945,82 *206
1708564 388786558 8781770,14
1708564 526498492 10494838,92
0 137711933 1713068,78
B2 = 0,012439509 57,73041402
B1= 2,740370335 475,6986021 2,309216515
B0= 2,309216561
Y=2,3092+2,7403*X1+0,0124*X2
69 Curso : Modelacin y Simulacin
Regresin Lineal Mltiple
Y= 2,31 + 2,740 X1 0,0124 X2
Y Ys ei Y-YM Ys-YsM (Y-YM)^2 (Ys-YsM)^2 (Y-YM)*(Ys-YsM)
1 9,95 8,4098 1,54 -19,07 -20,59 363,543 424,084 392,648
2 24,45 25,5956 -1,15 -4,57 -3,41 20,856 11,611 15,561
3 31,75 33,9405 -2,19 2,73 4,94 7,470 24,378 13,495
4 35,00 36,5322 -1,53 5,98 7,53 35,799 56,687 45,048
5 25,02 27,8896 -2,87 -4,00 -1,11 15,974 1,240 4,450
6 16,86 15,7504 1,11 -12,16 -13,25 147,788 175,634 161,110
7 14,38 12,4398 1,94 -14,64 -16,56 214,236 274,343 242,434
8 9,60 8,4346 1,17 -19,42 -20,57 377,012 423,063 399,374
9 24,35 28,2119 -3,86 -4,67 -0,79 21,779 0,626 3,692
10 27,50 27,9516 -0,45 -1,52 -1,05 2,301 1,106 1,595
11 17,08 18,3792 -1,30 -11,94 -10,62 142,487 112,867 126,815
12 37,00 37,4125 -0,41 7,98 8,41 63,731 70,718 67,134
13 41,95 41,3928 0,56 12,93 12,39 167,268 153,505 160,239
14 11,66 12,2538 -0,59 -17,36 -16,75 301,259 280,539 290,714
15 21,65 15,8124 5,84 -7,37 -13,19 54,270 173,994 97,173
16 17,89 18,2304 -0,34 -11,13 -10,77 123,806 116,051 119,866
17 69,00 64,5552 4,44 39,98 35,55 1598,656 1263,952 1421,487
18 10,30 12,3035 -2,00 -18,72 -16,70 350,319 278,877 312,563
19 34,93 36,4082 -1,48 5,91 7,41 34,966 54,836 43,788
20 46,59 46,5137 0,08 17,57 17,51 308,817 306,621 307,717
21 44,88 47,0097 -2,13 15,86 18,01 251,641 324,238 285,642
22 54,12 52,478 1,64 25,10 23,47 630,171 551,071 589,295
23 56,23 56,2103 0,02 27,21 27,21 740,558 740,232 740,395
24 22,13 19,991 2,14 -6,89 -9,01 47,428 81,218 62,065
25 21,15 20,9707 0,18 -7,87 -8,03 61,887 64,519 63,189
SUMA 725,42 725,08 6084,021 5966,009 5967,491
MEDIA 29,0168 29,00 253,501 248,584 248,645
15,922 15,767
Coeficiente de correlacin mltiple r 0,99049999
Coeficiente de determinacin r^2 0,98109023
70 Curso : Modelacin y Simulacin
Regresin Lineal Mltiple Matricial
Sean
K: Nmero de variables de Regresin
n: nmero de observaciones en la forma
((X
i1
;X
i2
;X
i3
;..;X
ik
);Y
i
) con i=1,2,3,n)

Y el modelo de regresin

Yi= Bo+

i
k
j
ij j
X c | +

=1
71 Curso : Modelacin y Simulacin
Regresin Lineal Mltiple Matricial
Este Modelo es un sistema de n ecuaciones
que puede expresarse en forma matricial
como





(
(
(
(

(
(
(
(

=
(
(
(
(
(

=
(
(
(
(

=
n k
nk n n
k
k
n
y
X X X
X X X
X X X
X
Y
Y
Y
Y
c
c
c
c
|
|
|
|
. .
...... 1
.
...... 1
...... 1
.
2
1
1
0
2 1
2 22 21
1 12 11
2
1
72 Curso : Modelacin y Simulacin
Regresin Lineal Mltiple Matricial
Se desea encontrar el vector de estimadores de
minimos cuadrados que es:

L=cc= (y-X)(y-X)

Al derivar en forma parcial nos queda
XX=Xy

El estimador de mnimos cuadrados es:


( ) Y X X X
t T
1

= |
73 Curso : Modelacin y Simulacin
Regresin Lineal Mltiple Matricial
En el ejemplo :


x1 x2
9,95 1 2 50
24,45 1 8 110
31,75 1 11 120
35,00 1 10 550
25,02 1 8 295
16,86 1 4 200
14,38 1 2 375
y 9,60 X 1 2 52
24,35 1 9 100
27,50 1 8 300
17,08 1 4 412
37,00 1 11 400
41,95 1 12 500
11,66 1 2 360
21,65 1 4 205
17,89 1 4 400
69,00 1 20 600
10,30 1 1 585
34,93 1 10 540
46,59 1 15 250
44,88 1 15 290
54,12 1 16 510
56,23 1 17 590
22,13 1 6 100
21,15 1 5 400
74 Curso : Modelacin y Simulacin
Regresin Lineal Mltiple Matricial



1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 50
2 8 11 10 8 4 2 2 9 8 4 11 12 2 4 4 20 1 10 15 15 16 17 6 5 1 8 110
50 110 120 550 295 200 375 52 100 300 412 400 500 360 205 400 600 585 540 250 290 510 590 100 400 1 11 120
1 10 550
25 206 8294 1 8 295
206 2396 77177 1 4 200
8294 77177 3531848 1 2 375
1 2 52
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 9 100
2 8 11 10 8 4 2 2 9 8 4 11 12 2 4 4 20 1 10 15 15 16 17 6 5 1 8 300
50 110 120 550 295 200 375 52 100 300 412 400 500 360 205 400 600 585 540 250 290 510 590 100 400 1 4 412
1 11 400
725,42 9,95 1 12 500
8001,67 24,45 1 2 360
274580,71 31,75 1 4 205
35,00 1 4 400
25 206 8294 -1 725,42 25,02 1 20 600
206 2396 77177 8001,67 16,86 1 1 585
8294 77177 3531848 274581 14,38 1 10 540
9,60 1 15 250
0,2146526 -0,0074909 -0,0003404 725,42 24,35 1 15 290
-0,0074909 0,0016708 -0,0000189 8001,67 27,50 1 16 510
-0,0003404 -0,0000189 0,0000015 274581 17,08 1 17 590
37,00 1 6 100
41,95 1 5 400
2,309200429 11,66
2,740369424 21,65
0,012439581 17,89
69,00
Y=2,3092+2,74037*X1+0,01244*X2 10,30
34,93
46,59
44,88
54,12
56,23
22,13
21,15
75 Curso : Modelacin y Simulacin
Estimacin Puntual
Propiedades de los estimadores

Insesgadez :
Es mnimo cuando . Y de este modo,
el Error Cuadrtico Medio es la varianza del
estimador.
Eficiencia: Dado un tamao de muestra fijo, se
busca, entre los estimadores, el que menor
varianza tenga.

( | ) |
2

( u u u = E ECM
u u = )

( E
76 Curso : Modelacin y Simulacin
Estimacin Puntual
Consistencia: Nos dice que, cuando el tamao de las
muestra se incrementa, el estimador puntual debe estar prximo
al parmetro con probabilidad alta.
Suficiencia: El estimador puntual debe resumir la
informacin proporcionada por la muestra aleatoria Adems no
debe haber prdida de sta.

Invarianza: Si es el estimador de u, esta propiedad nos
dice que g(u) tiene como estimador a g( ).

Robustez: Se presenta cuando la distribucin del
estimador no se ve seriamente afectada por violaciones en los
supuestos.
77 Curso : Modelacin y Simulacin
Consistencia: Nos dice que, cuando el tamao de
las muestra se incrementa, el estimador puntual debe
estar prximo al parmetro con probabilidad alta.

Suficiencia: El estimador puntual debe resumir la
informacin proporcionada por la muestra aleatoria
Adems no debe haber prdida de sta.

Invarianza: Si es el estimador de u, esta propiedad
nos dice que g(u) tiene como estimador a g( ).

Robustez: Se presenta cuando la distribucin del
estimador no se ve seriamente afectada por violaciones
en los supuestos.
u

78 Curso : Modelacin y Simulacin


Ley de los Grandes Nmeros
Como caso especial, cuando es , la
media muestral, tenemos que E( ) =
y converge a .
De la misma manera, s
2
converge a o
2

cuando n tiende a infinito.
Z x
x
x
79 Curso : Modelacin y Simulacin
Teorema del Lmite central
Sea x
1
, x
2
, ..., x
n
una muestra aleatoria de
observaciones tomadas de la misma distribucin y
sea E(X
i
)= y Var(X
i
)= o
2
.
Entonces la distribucin muestral de la variable
aleatoria


converge a la normal standard cuando n tiende a
infinito.
o
) (
=
x n
Z
n
80 Curso : Modelacin y Simulacin
Teorema central del Lmite
El TCL es una herramienta muy poderosa
porque se cumple an cuando la
distribucin desde la que se toman las
observaciones no sea normal. Esto significa
que si nosotros nos aseguramos que el
tamao de la muestra es grande, entonces
podemos usar la variable Z
n
para responder
preguntas acerca de la poblacin de la cual
provienen las observaciones.
81 Curso : Modelacin y Simulacin
Estos dos conceptos anteriores sirven para
prepararnos para dos objetivos bsicos de
cualquier estudio emprico: la estimacin de
parmetros desconocidos que nos interesan
y la prueba de hiptesis
82 Curso : Modelacin y Simulacin
Clculo del tamao de la muestra
El tamao de la muestra para un diseo de encuestas
basado en una muestra aleatoria simple, puede calcularse
por la siguiente frmula




pq Z NE
pqN Z
n
2 2
2
+
=
83 Curso : Modelacin y Simulacin
Clculo del tamao de la muestra
Donde:
n es el tamao de la muestra
Z es el nivel de confianza del 95%, y es igual a 1,96 segn la tabla de distribucin normal
es decir: P(-1,96<z<1,96)=0,95

p es la variabilidad positiva, es decir la probabilidad con que se acepta la hiptesis que se
quiere investigar, con un valor de 0,5.

q es la variabilidad negativa, es decir, la probabilidad con que se rechaza la hiptesis
que se quiere investigar, con un valor de 0,5.
N es el tamao de la poblacin, de 684 individuos.

E es la precisin o el error, con un valor del 5 % de error.

individuos
x x x
x x x
n 246
5 , 0 5 , 0 96 , 1 05 , 0 684
684 5 , 0 5 , 0 96 , 1
2 2
2
=
+
=
84 Curso : Modelacin y Simulacin
Clculo del tamao de la muestra
otra Forma: El tamao de la muestra para un diseo de
encuestas basado en una muestra aleatoria simple, puede
calcularse por la siguiente frmula



n= tamao de la muestra requerido
T= nivel de fiabilidad (95 % = 1,96)
P=probabilidad de ocurrencia
m=margen de error( 5%=0.05)

2
2
) 1 ( *
m
p p t
n

=
85 Curso : Modelacin y Simulacin
Ejemplo
Se ha determinado que en una poblacin cerca del 30 %(0.3) de los
nios estn desnutridos.
Este datos de basa en estadsticas nacionales . Determine con una 95
% de confianza el tamao de la muestra requerido




n=322,72 ~323
Se considera un efecto de diseo 2 luego el nmero de muestreas es :
n*d=323X2=646
Correccin por imprevistos aumenta en un 5 % como errores
N=646x1,05=690 nios



2
2
05 . 0
) 3 . 0 1 ( 3 . 0 * 96 , 1
= n
86 Curso : Modelacin y Simulacin