Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
- HISTOGRAMA
Un histograma
es unesresumen
grfico
de la de
variacin
de un conjunto
de datos.
Pruebas
de validez.
naturaleza
simple
yHISTOGRAMAS
Un histograma
un resumen
grfico
la variacin
de un conjunto
de La
datos. La
naturaleza grfica del histograma nos permite ver pautas que son difciles de observar
en una simple tabla numrica. Esta herramienta se utiliza especialmente en la
Comprobacin de teoras y Pruebas de validez.
1.1 Como interpretar los histogramas
Sabemos que los valores varan en todo conjunto de datos. Esta variacin sigue
cierta pauta. El propsito del anlisis de un histograma es, por un lado, identificar y
clasificar la pauta de variacin, y por otro desarrollar una explicacin razonable y
relevante de la pauta. La explicacin debe basarse en los conocimientos generales y en
la observacin de las situaciones especficas y debe ser confirmada mediante un anlisis
adicional. Las pautas habituales de variacin ms comunes son la distribucin en
campana, con dos picos, plana, en peine, sesgada, truncada, con un pico aislado, o con
un pico en el extremo.
CONSTRUCCION DE UN HISTOGRAMA.
Para decidir correctamente y detectar posibles anormalidades en los datos se procede a
lo siguiente para construir un histograma:
Paso 5. Obtener la frecuencia de cada clase. Se cuentan los datos que caen en
cada intervalo de clase.
Se grafican en barras, en las que su base es el intervalo de clase y la altura sean las
frecuencias de las clases.
auto
x 20.5 cm, 20.1, 20.0, 19.8, 20,6, 20.0, 20.0
x Variable que nos define la concentracin en gramos de plata de algunas muestras
de mineral
x 14.8gramos, 12.0, 10.0, 42.3, 15.0, 18.4, 19.0, 21.0, 20.8
Como se observa en los ejemplos anteriores, una variable continua puede tomar
cualquier valor, entero o fraccionario, una forma de distinguir cuando se trata de una
variable continua es que esta variable nos permite medirla o evaluarla, mientras que una
variable discreta no es medible, es una variable de tipo atributo, cuando se inspecciona
un producto este puede ser defectuoso o no, blanco o negro, cumple con las
especificaciones o no cumple, etc, etc.
Las variables descritas anteriormente nos generan una distribucin de probabilidad, las
que pueden ser.
1)
2)
2. p(xi) 0 Las probabilidades asociadas a cada uno de los valores que toma x
deben ser mayores o iguales a cero.
3.p(xi)= 1 La sumatoria de las probabilidades asociadas a cada uno de los valores
que toma x debe ser igual a 1.
x Es una variable que puede tomar tanto valores enteros como fraccionarios.
x 1.0, 3.7, 4.0, 4.6, 7.9, 8.0, 8.3, 11.5, .....,
2. f(x)0 Las probabilidades asociadas a cada uno de los valores que toma x
deben ser mayores o iguales a cero. Dicho de otra forma, la funcin de densidad
de probabilidad deber tomar solo valores mayores o iguales a cero. La funcin
de densidad de probabilidad slo puede estar definida en los cuadrantes I y II.
3.
La sumatoria de las probabilidades asociadas a cada uno de los
valores que toma x debe ser igual a 1. El rea definida bajo la funcin de densidad
de probabilidad deber ser de 1.
Ejemplo: se tira una moneda 10 veces: cuantas caras salen? Si no ha salido ninguna la
variable toma el valor 0; si han salido dos caras la variable toma el valor 2; si todas han
sido cara la variable toma el valor 10
" k " es el nmero de aciertos. En este ejemplo " k " igual a 6 (en cada acierto decamos
que la variable toma el valor 1: como son 6 aciertos, entonces k = 6)
" n" es el nmero de ensayos. En nuestro ejemplo son 10
" p " es la probabilidad de xito, es decir, que salga "cara" al lanzar la moneda. Por lo
tanto p = 0,5
La frmula quedara:
Luego,
P (x = 6) = 0,205
Es decir, se tiene una probabilidad del 20,5% de obtener 6 caras al lanzar 10 veces una
moneda.
Ejemplo 2: Cul es la probabilidad de obtener cuatro veces el nmero 3 al lanzar un
dado ocho veces?
"k " (nmero de aciertos) toma el valor 4
"n" toma el valor 8
Luego,
P (x = 4) = 0,026
Es decir, se tiene una probabilidad del 2,6% de obtener cuatro veces el nmeros 3 al
tirar un dado 8 veces.
Vamos a explicarla:
Luego,
P (x = 3) = 0,0892
Por lo tanto, la probabilidad de tener 3 accidentes de trfico en 300 viajes es del 8,9%
Otro ejemplo:
La probabilidad de que un nio nazca pelirrojo es de 0,012. Cul es la probabilidad de
que entre 800 recien nacidos haya 5 pelirrojos?
Luego,
P (x = 5) = 4,602
Por lo tanto, la probabilidad de que haya 5 pelirrojos entre 800 recien nacidos es del
4,6%.
Donde:
Donde:
X1 = x1: indica que el suceso X1 aparezca x1 veces (en el ejemplo, que el partido
POPO lo hayan votado 3 personas)
n: indica el nmero de veces que se ha repetido el suceso (en el ejemplo, 5 veces)
n!: es factorial de n (en el ejemplo: 5 * 4 * 3 * 2 * 1)
p1: es la probabilidad del suceso X1 (en el ejemplo, el 40%)
Veamos el ejemplo:
Luego:
P = 0,0256
Es decir, que la probabilidad de que las 5 personas elegidas hayan votado de esta
manera es tan slo del 2,56%
Luego
P = 0,0384
Por lo tanto, la probabilidad de que el grupo est formado por personas de estos pases
es tan slo del 3,84%.
Distribuciones continuas: Uniforme
La distribucin uniforme es aquella que puede tomar cualquier valor dentro de un
intervalo, todos ellos con la misma probabilidad.
Es una distribucin continua porque puede tomar cualquier valor y no nicamente un
nmero determinado (como ocurre en las distribuciones discretas).
Ejemplo: el precio medio del litro de gasolina durante el prximo ao se estima que
puede oscilar entre 140 y 160 ptas. Podra ser, por tanto, de 143 ptas., o de 143,4 ptas., o
de 143,45 ptas., o de 143,455 ptas, etc. Hay infinitas posibilidades, todas ellas con la
misma probabilidad.
Su funcin de densidad, aquella que nos permite conocer la probabilidad que tiene
cada punto del intervalo, viene definida por:
Donde:
b: es el extremo superior (en el ejemplo, 160 ptas.)
Es decir, que el valor final est entre 140 ptas. y 141 ptas. tiene un 5% de probabilidad,
que est entre 141 y 142, otro 5%, etc.
El valor medio de esta distribucin se calcula:
En el ejemplo:
Por lo tanto, el precio medio esperado de la gasolina para el prximo ao es de 150 ptas.
Es decir, que el volumen de precipitaciones est entre 400 y 401 litros tiene un 1% de
probabilidades; que est entre 401 y 402 litros, otro 1%, etc.
El valor medio esperado es:
Un 50% de los valores estn a la derecha de este valor central y otro 50% a la izquierda
Esta distribucin viene definida por dos parmetros:
X: N (m, s 2)
Ejemplo: una variable aleatoria sigue el modelo de una distribucin normal con media
10 y varianza 4. Transformarla en una normal tipificada.
X: N (10, 4)
Para transformarla en una normal tipificada se crea una nueva variable (Y) que
ser igual a la anterior (X) menos su media y dividida por su desviacin tpica (que
es la raz cuadrada de la varianza)
Esta nueva variable se distribuye como una normal tipificada, permitindonos, por
tanto, conocer la probabilidad acumulada en cada valor.
Y: N (0, 1)
Teorema Central del Lmite
El Teorema Central del Lmite dice que si tenemos un grupo numeroso de variables
independientes y todas ellas siguen el mismo modelo de distribucin (cualquiera que
ste sea), la suma de ellas se distribuye segn una distribucin normal.
Ejemplo: la variable "tirar una moneda al aire" sigue la distribucin de Bernouilli. Si
lanzamos la moneda al aire 50 veces, la suma de estas 50 variables (cada una
independiente entre s) se distribuye segn una distribucin normal.
Este teorema se aplica tanto a suma de variables discretas como de variables continuas.
http://www.uabcs.mx/maestros/descartados/mto07/histfrec.htm
http://quantum.ucting.udg.mx/~luisdegu/calidad_total/Unidad_2/7her
bas/condtruccion/condtruccion.html
http://metodoscuantitativo2.galeon.com/enlaces2218784.html
http://www.aulafacil.com/cursos/l11239/ciencia/estadisticas/estadisticas/distribu
cion-de-probabilidades-distribuciones-discretas-bernouilli
http://www.aulafacil.com/cursos/l11241/ciencia/estadisticas/estadisticas/distribu
ciones-discretas-poisson
http://www.aulafacil.com/cursos/u675/ciencia/estadisticas/estadisticas
/recomendaciones-finales