Unidad 1 y 2

Estadstica I
Walter Daz
Facultad de Ciencias Econ
omicas
Universidad de Antioquia
22 de abril de 2013
Estadstica Descriptiva
Teora de la probabilidad
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
Introduccion
Para mucha gente, la estadstica significa descripciones numericas.

Sin embargo, en terminos mas precisos, la estadstica la podemos
definir como el conjunto de tecnicas que se emplean para la
recoleccion, organizaci
on, analisis e interpretaci
on de informacion
con el objetivo de tomar decisiones en presencia de incertidumbre
sobre la poblacion objeto de estudio con base en datos observados.
Walter Daz
Estadstica I
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
Introduccion
Antes de entrar al tema de resumir la informaci
on que contiene los
datos numericos, es necesario distinguir entre dos conjuntos de
datos llamados poblaci
on y muestra. En un estudio sobre las rentas
familiares en un pueblo peque
no de 150 hogares, sera posible
conocer la verdadera renta promedio. En este caso, los datos
constituyen un conjunto completo o poblaci
on de las rentas
familiares de ese pueblo. Sin embargo, en otros casos resulta
excesivamente costoso tener el conjunto completo de los datos de
una poblacion; en estos casos, lo mas frecuente es estudiar una
parte de la poblacion a la que llamaremos muestra de los valores
de la poblacion y el objetivo sera sacar conclusiones a cerca de
toda la poblacion con base en la informaci
on muestral (inferencia
estadstica).
Walter Daz
Estadstica I
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
Introduccion
Los principales conceptos que se introducen en este tema son:

Poblaci
on: es el colectivo cuya descripci
on es el objetivo final
del analisis estadstico.
Muestra: es un subconjunto representativo de la poblacion
sobre el que se obtiene la informaci
on emprica que constituye
la masa de datos.
Walter Daz
Estadstica I
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
Introduccion
Estadstica Descriptiva e Inferencia Estadstica. El analisis
descriptivo puede realizarse con datos muestrales o con censos
poblacionales, mientras que la inferencia trabaja con la
informacion que proporcionan los datos muestrales, para llegar a
conclusiones acerca de la poblaci
on.
Tipos de datos: si la caracterstica observada es cuantificable se
genera una variable, cuando la caracterstica es cualitativa se
genera un atributo; si los datos estan referidos al mismo instante
de tiempo se denominan de corte transversal, pero si se observa
el comportamiento de la caracterstica en el tiempo se denominan
series temporales. Si se analiza una sola variable o atributo los
datos son unidimensionales, si son dos o mas conjuntamente los
datos son bidimensionales o multidimensionales.
Walter Daz
Estadstica I
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
Introduccion
Distribuci
on de frecuencias: es la tecnica para resumir o
tabular los datos.
Representaci
on gr
afica de los datos, en particular el
histograma y el polgono de frecuencias, por el interes que
presentan como base emprica para la especificacion de un
modelo teorico. Se hace referencia, asimismo, a otros tipos de
graficos como el diagrama Stem and Leaf, Box-Plot, diagrama
de sectores y los pictogramas, estos permiten explorar la
distribucion de frecuencias de los datos e identificar las
medidas de sntesis mas adecuadas para su descripcion.
Walter Daz
Estadstica I
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
Tipo de datos
En terminos generales, un dato es cualquier pieza de la informacion
recogida, y un conjunto de datos es una colecci
on de datos
relacionados entre s de alguna manera. Vamos a clasificar los
datos en cuatro tipos y describir cada uno de ellos:
Cuantitativos: son datos asociados con una medicion de
alguna cantidad en una unidad de observaci
on,
Cualitativos: son datos asociados a alguna cualidad o
propiedad de la unidad de observaci
on
L
ogicos: son datos para representar una verdad o una
falsedad,
Perdido: datos que deberan estar all, pero no lo estan.
Walter Daz
Estadstica I
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
Datos Cuantitativos
Los datos cuantitativos son los datos que miden o se asocian con una
medicion de la cantidad de algo. Invariablemente tomar valores numericos.
Los datos cuantitativos se pueden subdividir en dos categoras.
Datos discretos toman valores en un conjunto finito o infinito
numerable de n
umeros, es decir, todos los valores posibles podra (al
menos en principio) se escribira en una lista ordenada. Los ejemplos
incluyen: cuenta, el n
umero de llegadas, o el n
umero de exitos. A
menudo estan representados por n
umeros enteros, por ejemplo, 0, 1,
2, etc.
Datos continuos toman valores en un intervalo de n
umeros. Estos
son conocidos tambien como datos de escala, los datos de intervalos,
o datos de medicion. Algunos ejemplos son: altura, peso, longitud,
tiempo, datos, etc. continuas se caracterizan a menudo por fracciones
o decimales: 3.82, 7.0001, 4 58 , etc.
Walter Daz
Estadstica I
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
Ejemplos
Precipitaci
on anual en las ciudades de EEUU. La cantidad
media de precipitacion (en pulgadas) para cada una de las 70
ciudades de Estados Unidos y Puerto Rico. los datos:
Mobile
67.0
Juneau
54.7
Phoenix
7.0
Little Rock
48.5
...
...
La tabla muestra que cada valor tiene un nombre asociado con el.
Estos son datos cuantitativos continuos.
Walter Daz
Estadstica I
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
Ejemplos
Las longitudes de los principales Rios de Norte America. En el
Servicio Geologico de EE.UU. se registraron las longitudes (en
millas) de varios ros en Norte America. Los datos:
735 320 325 392 524 ...
Estos datos son definitivamente cuantitativa y parece que las
mediciones se han redondeado a la milla. Por lo tanto, en sentido
estricto, se trata de datos discretos. Pero sera mas conveniente
despues de tomar datos como estos a ser continuo para algunos de
nuestros procedimientos estadsticos.
Walter Daz
Estadstica I
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
Ejemplos
N
umeros anuales de importantes descubrimientos. El vector
contiene un n
umero Grandes de invenciones y descubrimientos
en cada a
no desde 1860 hasta 1959, seg
un ha informado el
Almanaque Mundial de 1975.
De 1860 a 1959: 5 3 0 2 0 3 2 3 6 1 ...
Los datos son una serie temporal de longitud 100. Las entradas son
n
umeros enteros, que representan un recuento, esto es un buen
ejemplo de datos cuantitativos discretos.
Walter Daz
Estadstica I
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
Representacion grafica de datos cuantitativos
Una de las primeras cosas que se puede hacer cuando se enfrentan

a los datos cuantitativos (o cualquier dato, para el caso) es hacer
alg
un tipo de presentaci
on visual para hacerse una idea de la
estructura de los datos. Hay casi tantos tipos de representacion
para elegir como conjuntos de datos para graficar. Se describen
algunas de las alternativas mas populares.
Walter Daz
Estadstica I
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
Grafico de Puntos
Figura: Grafico de puntos de los datos de precipitaciones, ros, y descubrimientos
10
20
30
40
rainfall
50
60
500
1500
2500
3500
length
Walter Daz
6
number
Estadstica I
10
12
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
Histograma
0.010
0.020
Density
15
10
0.000
5
0
Frequency
20
0.030
25
Histograma de frecuencia (Relativa) de las precipitaciones
10
20
30
40
50
60
70
10
20
precip
30
40
precip
Walter Daz
Estadstica I
50
60
70
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
Histograma
El Histograma, es el grafico estadstico por excelencia. El

histograma de un conjunto de datos es un grafico de barras que
representan las frecuencias con que aparecen las mediciones
agrupadas en ciertos rangos o intervalos.
Para uno construir un histograma se debe dividir la recta real en
intervalos o clases (algunos recomiendan que sean de igual
longitud) y luego contar cuantas observaciones caen en cada
intervalo.
Walter Daz
Estadstica I
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
Histograma
La idea de agrupar datos en forma de histogramas se conoce desde
1662 con el trabajo de Graunt. Sin embargo, es hasta 1926 cuando
aparecen las primeras reglas sobre su construcci
on con la formula
de Sturges para determinar el n
umero de barras.
Regla de Sturges: k = 1 + log2 (n),
donde k es el n
umero de barras y n el tama
no muestral.
Scott (1992), basado en la distribuci
on normal recomienda el
siguiente n
umero de barras para el histograma
Regla de Scott: k = (2n)1/3 .
Walter Daz
Estadstica I
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
Histograma
Los pasos para construir el histograma son:
1
Defina los intervalos o clases de igual longitud.
Cuente el n
umero de observaciones que caen en cada clase o
intervalo. Esto es llamado la frecuencia (fi ).
Calcule la frecuencia relativa

fi /n =
Nro. de obs. en el intervalo

.
N
umero de datos,n
Grafica los rectangulos cuyas alturas son proporcionales a las

frecuencias relativas.
Walter Daz
Estadstica I
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
Ejemplo de histograma
Tabla : Rendimientos anuales de las acciones de una empresa a lo largo

de treinta a
nos expresados en tanto por ciento y corregidos por el nivel de
inflaci
on
-3.2
2.7
20.9
24.6
17.2
17.4
-1.6
53.4
31.1
3.6
-13.4
41.0
10.3
-1.0
26.0
Walter Daz
-9.9
20.8
15.1
10.3
-13.0
20.4
6.1
-13.8
-1.5
10.6
Estadstica I
15.1
-21.8
-34.8
28.3
18.2
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
Histograma
Realizar histogramas de esta manera tiene las siguientes ventajas.
1
Es u
til para apreciar la forma de la distribuci
on de los datos, si
se escoge adecuadamente el n
umero de clases y su amplitud.
Se puede presentar como un grafico definitivo en un reporte.
Se puede utilizar para comparar dos o mas muestras o

poblaciones.
Se puede refinar para crear graficos mas especializados, por

ejemplo la piramide poblacional.
Walter Daz
Estadstica I
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
Histograma
Desventajas
1
Las observaciones individuales se pierden.
La seleccion del n
umero de clases y su amplitud que adecuadamente
representen la distribucion puede ser complicado. Un histograma con muy
pocas clases agrupa demasiadas observaciones y uno con muchas deja muy
pocas en cada clase. Ninguno de los dos extremos es adecuado. Debido a
que nuestros ojos responden al area de las barras, es importante mantener
la anchura de las barras iguales. Si estamos enfrentados a un problema
donde los intervalos tienen diferente amplitud, por ejemplo cuando
obtenemos datos agrupados desde la fuente, se usa la siguiente formula
Altura del rectangulo =
Walter Daz
fi /n
.
Amplitud del Intervalo
Estadstica I
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
Diagrama de tallos y hojas

Este grafico fue propuesto por Tukey (1977) y son faciles de realizar a mano y
se usan como una forma rapida y no pulida de mirar los datos. Que nos
muestra?
1
El centro de la distribucion.
La forma general de la distribucion

Sim
etrica Si las porciones a cada lado del centro son imagenes espejos de
las otras.
Sesgada a la izquierda Si la cola izquierda (los valores menores) es
mucho mas larga que los de la derecha (los valores mayores).
Sesgada a la derecha Opuesto a la sesgada a la izquierda.
Desviaciones marcadas de la forma global de la distribucion.

Outliers Observaciones individuales que caen muy por fuera del patron
general de los datos.
gaps Huecos en la distribucion
Walter Daz
Estadstica I
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
Ejemplo stem.leaf
Ejemplo
El total mensual de conductores de autom
oviles muertos o heridos
de gravedad en Gran Breta
na desde enero 1969 hasta diciembre
1984. El uso obligatorio del cintur
on de seguridad se introdujo el
31 de enero de 1983.
Walter Daz
Estadstica I
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
Ejemplo stem.leaf
1 2: represents 120
leaf unit: 10
n: 192
10 57
11 136678
12 123889
13 0255666888899
14 00001222344444555556667788889
15 0000111112222223444455555566677779
16 01222333444445555555678888889
17 11233344566667799
18 00011235568
19 01234455667799
20 0000113557788899
21 145599
22 013467
23 9
24 7
HI: 2654
Walter Daz
Estadstica I
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
Grafico de ndice
Estos
son buenos para graficar los datos que estan ordenados, por
ejemplo, cuando los datos se miden a traves del tiempo. Es decir,
la primera observacion se midi
o en el momento 1, el segundo en el
tiempo 2, etc. es un grafico de dos dimensiones, en el que el ndice
(o tiempo) es la variable x y el valor medido es la variable y.
Walter Daz
Estadstica I
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
Ejemplo Grafico de ndice
2000
1500
1000
UKDriverDeaths
2500
Figura : Grafico de ndice para los datos del total conductores de autom
oviles muertos o heridos de gravedad en Gran Breta
na
1970
1975
1980
Tiempo
Walter Daz
Estadstica I
1985
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
Datos Cualitativos, Datos Categoricos y Factores
Los datos cualitativos son simplemente cualquier tipo de datos que

no son numericos, o no representan cantidades numericas.
Ejemplos de variables cualitativas incluir el nombre de un sujeto,
genero, raza, partido poltico, el nivel socioecon
omico, el rango de
clase, n
umero de licencia de conducir y n
umero de seguro social
(SSN).
Walter Daz
Estadstica I
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
Los factores pueden ser de dos tipos: nominal y ordinal. Factores

nominales tienen niveles que corresponden a los nombres de las
categoras, sin orden implcito.
Ejemplos de factores nominales sera el color del pelo, el sexo, la
raza o partido poltico. No hay orden natural de democrata y
republicano, las categoras son s
olo nombres asociados con
diferentes grupos de personas?.
Walter Daz
Estadstica I
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
Por el contrario, los factores ordinales tienen alg

un tipo de
estructura ordenada de los niveles de los factores subyacentes.
Por ejemplo, el nivel socioecon
omico sera una variable categorica
ordinal debido a que los niveles corresponden a las filas asociadas
con el ingreso, la educaci
on y la ocupaci
on. Otro ejemplo de los
datos categoricos ordinales sera el rango de clase.
Walter Daz
Estadstica I
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
Tabla
Una de las mejores formas de resumir los datos cualitativos es con
una tabla de los valores de datos. Podemos contar frecuencias o
una lista de proporciones cuya entrada es una tabla de frecuencias.
Por ejemplo.
Tabla : N
umero de personas que visitaron EEUU en 1992
Pais de Origen
Japon
Reino Unido
Alemania
N
umero (en millones)
3.7
2.8
1.7
Walter Daz
Estadstica I
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
Grafico de barras
Un grafico de barras es el analogo de un histograma para los datos

categoricos. Una barra se muestra para cada nivel de un factor,
con las alturas de las barras proporcionales a las frecuencias
observadas que caen en las categoras respectivas. Una desventaja
de los graficos de barras es que los niveles se ordenan
alfabeticamente (por defecto), que a veces puede oscurecer los
patrones en la representaci
on.
Walter Daz
Estadstica I
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
Grafico de barras
0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5
Visitantes (en millones)
Figura : Grafico de barras para el n

umero de personas que visitaron EEUU en 1992
Japn
Reino Unido
Walter Daz
Alemania
Estadstica I
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
Graficos circulares
El uso de graficos circulares o pasteles es bastante com
un entre
personas no profesionales en estadstica y lamentablemente se ha
trivializado tanto que si en muchas de las situaciones donde se
usan se suprimieran se ahorraran muchas hojas de papel. A veces
se presenta un grafico de pastel para mostrar que en una muestra
el 50 % son hombres y el 50 % mujeres.
Este grafico es una gran herramienta para datos porcentuales
tomadas sobre individuos o elementos, por ejemplo, se ha estimado
que el total de delitos informaticos en EEUU, el 44 % tienen la
finalidad el robo de dinero, el 16 % el robo de informacion, el 16 %
persigue la destruccion de software, el 12 % tiene por objeto la
alteracion de datos, el 10 % esta relacionado con robos de servicios
y el 2 % restante tiene otros fines.
Walter Daz
Estadstica I
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
Graficos circulares
Destruccin de software
Robo de informacin
Alteracin de datos
Robo de servicios
Otros
Robo de dinero
Figura : Grafico circular de los delitos informaticos en EEUU
Walter Daz
Estadstica I
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
Medidas del Centro
Una manera de resumir los datos numericos es buscar el centro de

los datos. Las medidas que buscan este objetivo son las medidas de
centralizacion o tendencia central Las principales medidas de
centralizacion son: la media, la mediana y la moda.
Walter Daz
Estadstica I
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
La media
Definicion
La media de un conjunto de observaciones es su promedio
aritmetico. es denotado por x
para la muestra y por para la
poblacion
n
x1 + x2 + + xn
1X
x
=
=
xi
n
n
i=1
y
=
N
X1 + X2 + + XN
1 X
=
Xi
N
N
i=1
Walter Daz
Estadstica I
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
La mediana
Definicion
La mediana de un conjunto de observaciones es la observacion que
ocupa el lugar central cuando estas estan ordenadas en sentido
creciente o decreciente. Si el n
umero de observaciones es par,
entonces la mediana es promedio de las observaciones que ocupan
on y es el promedio de las
las posiciones N/2 y N2 + 1, en la poblaci
n
observaciones n/2 y 2 + 1, en la muestra, en el conjunto de datos
ordenado. Si el n
umero de observaciones es impar, entonces la
mediana es el dato que ocupa la posici
on (N + 1)/2 en la
poblacion y en la muestra es el dato que ocupa la posicion
(n + 1)/2 para los datos ordenados. Denotamos la mediana
poblacional como
y muestral x
. N
otese que hasta la mediana
esta el 50 % de los datos y despues de ella esta el otro 50 %.
Walter Daz
Estadstica I
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
La moda
Definicion
La moda de un conjunto de observaciones es el valor que aparece
con mayor frecuencia; es decir, es el dato que mas se repite.
Un conjunto de datos puede tener dos o mas modas
Walter Daz
Estadstica I
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
Medidas de dispersion
Una medida de centralizaci

on, casi nunca es suficiente por s sola,
para resumir adecuadamente las caractersticas de un conjunto de
datos, Por lo general, necesitaremos, ademas, una medida de
dispersion. Las principales medidas de dispersi
on que analizaremos
aqu son la varianza, la desviaci
on tpica, el rango o recorrido y el
rango intercuartil.
Walter Daz
Estadstica I
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
la Varianza
Definicion
La varianza muestral es denotada como s2 y calculada con la
formula
Pn
(xi x
)2
2
s = i=1
n1
y la varianza poblacional es denotada por 2 y calculada con
2
PN
i=1 (Xi
)2
la varianza es aproximadamente la distancia media al cuadrado de

las observaciones respecto de la media.
Walter Daz
Estadstica I
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
La desviacion estandar
Definicion
La desviacion estandar es la raz cuadrada positiva de la varianza
Para la muestra es
s = s2
Y poblacional es
La desviacion estandar se utiliza para escalar la estimacion de

vuelta a las unidades de medida de los datos originales.
Walter Daz
Estadstica I
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
Rango o recorrido
Definicion
El rango o recorrido es la diferencia entre el mayor y el menor de
sus valores. Esta medida se conoce como el rango o recorrido.
El rango o recorrido es la medida de dispersi
on mas simple y mas
obvia, sin embargo, el rango es una medida de dispersion muy
sensible a valores extremos. Para corregir este problema
calcularemos el rango intercuartil.
Walter Daz
Estadstica I
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
El rango intercuartil
Una forma para corregir el efecto que tiene los valores extremos en
el rango consiste en dividir los datos en cuatro grupos del mismo
tama
no. Los valores que sirven como puntos de division entre los
grupos se llaman cuartiles. Ahora, entre el mnimo y el primer
cuartil esta el 25 % de los datos; entre el primer y segundo cuartil
esta el segundo 25 % de los datos; entre el segundo y tercer cuartil
esta el tercer 25 % de los datos; y entre el tercer cuartil y el
maximo esta el cuarto 25 % de los datos.
Definicion
El rango intercuartil es la diferencia entre el primer y el tercer
cuartil.
Walter Daz
Estadstica I
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
Cuartiles y rango intercuartil
Suponga que se tienen N observaciones ordenadas de menor a

mayor. Entonces, el primer cuartil es la observaci
on que ocupa la
posicion [(N 1)/4 + 1] y el tercer cuartil es el valor que ocupa la
posicion [3(N 1)/4 + 1]. El segundo cuartil es la mediana.
La diferencia entre el tercer y primer cuartil nos da una medida de
la dispersion que se conoce como el rango intercuartil.
Walter Daz
Estadstica I
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
Notese, cuando (N 1) no es divisible por 4, entonces los cuartiles

se calculan por interpolaci
on. Por ejemplo, si N = 15, de forma
que N 1 = 14. Entonces, [(N 1)/4 + 1] = 4,5; por lo tanto, el
primer cuartil es el n
umero que esta en medio del camino de la
cuarta y quinta observaci
on. As mismo, como
[3(N 1)/4 + 1] = 11,5, entonces el tercer cuartil es el n
umero
que esta en medio del camino entre las observaciones once y doce.
Walter Daz
Estadstica I
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
Ejemplo
Los siguientes datos representan las predicciones que realizan 10
economistas sobre el crecimiento del IPC para el proximo a
no: 3.6,
3.1, 3.9, 3.7, 3.5, 3.7, 3.4, 3.0, 3.6 y 3.4. Encontrar la media,
varianza, la desviacion estandar, median, moda, rango, cuartiles y
rango intercuartil de las predicciones.
Walter Daz
Estadstica I
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
Regla emprica:
Para la mayora de las poblaciones grandes se verifica que:
Aproximadamente el 68 % de los valores de la poblacion se
encuentran a una desviaci
on estandar de la media.
encuentran a dos desviaciones estandar de la media.
encuentran a tres desviaciones estandar de la media.
Walter Daz
Estadstica I
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
Ejemplo
Tabla : Tiempos para llevar a cabo una transaccion bancaria.
0.2 1.2 2.3 3.3 5.5 0.4 1.2 2.4 3.4 5.6
0.4 1.3 2.4 3.6 5.8 0.4 1.3 2.5 3.7 6.2
0.5 1.4 2.7 3.8 6.8 0.5 1.4 2.8 4.2 7.2
0.7 1.5 2.8 4.4 7.6 0.8 1.6 2.9 4.6 7.8
0.9 1.8 3.1 4.7 9.5 1.1 1.9 3.3 5.2 9.7
Los datos en la tabla son los tiempos en minutos, necesarios para
que 50 clientes de un banco comercial, lleven a cabo una
transaccion bancaria. Los tiempos estan ordenados en forma
creciente. Encontrar las medidas de tendencia central y de
dispersion para estos datos. Verifique el cumplimiento de la regla
emprica.
Walter Daz
Estadstica I
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
Definicion
La asimetra muestral denotada por g1 , se define por la formula
P
)3
1 ni=1 (xi x
g1 =
n
s3
La asimetra de la muestra puede ser cualquier valor < g1 < .
El signo de g1 indica la direcci
on de la asimetra de la distribucion.
Las muestras que tienen g1 > 0 indican distribuciones sesgadas a la
derecha (o sesgo positivo), y las muestras con g1 < 0 indican
distribuciones sesgadas a las izquierdo (o negativamente sesgada). Los
valores de g1 cerca de cero indican una distribuci
on simetrica. Estas
no son reglas duras y rapidas, sin embargo. El valor de g1 esta sujeto
a la variabilidad de la muestra y por lo tanto s
olo proporciona una
sugerencia de la asimetra de la distribuci
on subyacente.
Walter Daz
Estadstica I
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
Todava tenemos que saber que tan grande es grande, es decir,

como podemos juzgar si un valor observado de g1 esta lo
suficientemente lejos de cero para considerar que un conjunto de
datos es sesgado a la derecha o la izquierda?
Una buena regla en general es que los conjuntos de datos con
asimetra mayor que
p
2 6/n,
en magnitud son sustancialmente sesgadas, en la direccion que
se
nal g1 .
Walter Daz
Estadstica I
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
Definicion
Exceso de Curtosis muestral denotada por g2 , viene dada por la
formula
P
)4
1 ni=1 (xi x
g2 =
3
n
s4
El exceso de curtosis muestral toma valores 2 < g2 < . La resta
de 3 puede parecer misterioso, pero esta hecha para que las muestras
con forma de montculo tengan un valor de g2 cercano a cero.
Muestras con g2 > 0 son llamadas leptoc
urticas,
muestras con g2 < 0 son llamadas platic
urticas,
muestras con g2 0 son llamadas mesoc
urticas.
Walter Daz
Estadstica I
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
Como regla general si

p
|g2 | > 4 6/n,
entonces el exceso de curtosis de la muestra es sustancialmente
diferente de cero en la direcci
on que se
nal g2 .
Notese que tanto la asimetra de la muestra y la kurtosis muestral
son invariantes con respecto a la ubicaci
on y la escala, es decir, los
valores de g1 y g2 no dependen de las unidades de medida de los
datos.
Walter Daz
Estadstica I
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
La media y varianza para datos agrupados

Supongamos que en un conjunto de datos aparecen los valores
m1 , m2 , . . . , mk , los valores mi pueden ser las marcas de clase, con
frecuencias f1 , f2 , . . . , fk , respectivamente.
P
Para una poblacion de N observaciones, tal que N = ki=1 fi se
tiene que
La media es
Pk
=
i=1 fi mi
La varianza es
Pk
=
i=1 fi (mi
)2
N
Walter Daz
Pk
=
Estadstica I
2
i=1 fi mi
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
La media y varianza para datos agrupados

Para una muestra de n observaciones, tal que n =
que
La media es
Pk
i=1 fi
Pk
X=
i=1 fi mi
La varianza es
Pk
Pk
2
2
2
2
i=1 fi mi nX
i=1 fi (mi X)
S =
=
n1
n1
Walter Daz
Estadstica I
se tiene
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
La mediana
La formula para obtener la mediana esta dada por

=L+w j
X
fm
Donde L es el lmite inferior de la clase que contiene a la mediana
(la clase en la que esta hasta el 50 % de los datos), fm es la
frecuencia de la clase de la mediana, w es la amplitud de la clase
de la mediana y j es el n
umero de observaciones de la clase
necesarias para llegar a la observaci
on n/2.
Walter Daz
Estadstica I
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
El cuartil inferior para datos agrupados, es el valor hasta el cual

esta el 25 % de las observaciones y es la mediana del primer 50 %
de las observaciones.
El cuartil superior para datos agrupados, es el valor hasta el cual
esta el 75 % de las observaciones.
Walter Daz
Estadstica I
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
Ejemplo
Una tabla de frecuencia para los tiempos
transacci
on bancaria. es de la forma
Inf Sup MC
fi
fri
0
2
1 20 0.40
2
4
3 15 0.30
4
6
5
8 0.16
6
8
7
5 0.10
8
10
9
2 0.04
Walter Daz
Estadstica I
para llevar a cabo una

Fi
20
35
43
48
50
Fri
0.40
0.70
0.86
0.96
1.00
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
Con los resultados de la tabla anterior, se tiene que el lmite

inferior de la clase que contiene a la mediana es L = 2, la amplitud
w = 2, la frecuencia de la clase de la mediana fm = 15 y el
n
umero de observaciones necesarias para llegar a n/2 = 25 en la
clase de la mediana es j = 5, entonces
= 2 + 2 5 = 2,66667
X
15
La media es
P5
ni mi
1 20 + 3 15 + + 9 2
X = i=1
=
= 3,16
50
50
La varianza es
2
S =
P5
2
i=1 ni mi
50(3,16)2
= 5,36163
49
Walter Daz
Estadstica I
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
Diagrama de Caja o Boxplot

Este grafico contiene un rectangulo, usualmente orientado con el
sistema de coordenadas tal que el eje vertical tiene la misma escala
del conjunto de datos. La parte superior y la inferior del rectangulo
coinciden con el tercer cuartil y el primer cuartil de los datos. Esta
caja se divide con una lnea horizontal a nivel de la mediana. Se
define un paso como 1.5 veces el rango intercuartil, y una lnea
vertical (un bigote) se extiende desde la mitad de la parte superior
de la caja hasta la mayor observaci
on de los datos si se encuentran
dentro de un paso. Igual se hace en la parte inferior de la caja Las
observaciones que caigan mas alla de estas lneas son dibujadas
individualmente.
Walter Daz
Estadstica I
Introducci
on
Tipo de datos
Medidas del Centro
Medidas de dispersi
on
Diagrama de Caja o Boxplot
Figura : Boxplot para los datos de tiempos de espera en un banco
Walter Daz
Estadstica I
10
M
etodos Combinatorios
Espacio muestral, evento
Funci
on de Probabilidad
Probabilidad Condicional
Eventos independientes
Regla de Bayes
Introduccion
El concepto de probabilidad es basico en inferencia estadstica, el

concepto de probabilidad esta asociado a la medida de que algo
incierto ocurra. Por ejemplo, las decisiones de inversion estan
basadas en las valoraciones que el inversor hace sobre la
rentabilidad futura probable.
Walter Daz
Estadstica I
M
Funci
on de Probabilidad
Regla de Bayes
Metodos Combinatorios
Teorema
Si una operacion consta de dos pasos, de los cuales el primero se
puede realizar de n1 maneras y para cada una de estas el segundo
paso se puede realizar de n2 formas, entonces la operacion
compuesta por el paso uno seguida por el paso dos se puede
realizar en n1 n2 formas.
Walter Daz
Estadstica I
M
Funci
on de Probabilidad
Regla de Bayes
Para ilustrar el teorema anterior, sea el par ordenado (x, y) como el

resultado que surge cuando el primer paso resulta en la posibilidad
xi , i = 1, 2, . . . , n1 y el segundo paso resulta en la posibilidad
yj , j = 1, 2, . . . , n2 . Por lo tanto, el conjunto de todos los
resultados posibles esta formado por los siguientes n1 n2 pares
(x1 , y1 ), (x1 , y2 ), . . . , (x1 , yn2 )
(x2 , y1 ), (x2 , y2 ), . . . , (x2 , yn2 )
..
.
(xn1 , y1 ), (xn1 , y2 ), . . . , (xn1 , yn2 )
Lo anterior se puede representar en forma esquematica mediante
un diagrama de arbol.
Walter Daz
Estadstica I
M
Funci
on de Probabilidad
Regla de Bayes
Ejemplo
Hay cuatro rutas, A, B, C y D, entre la casa de una persona y su
lugar de trabajo, pero la ruta B es en un solo sentido, de modo que
no puede tomarla cuando va a su trabajo, y la ruta C es en un solo
sentido, de modo que no puede tomarla cuando va rumbo a casa.
a) Determine de cuantas formas es posible ir al trabajo y regresar
a casa. Construya un diagrama de arbol que muestre las
diversas maneras en que una persona puede ir y regresar de su
trabajo;
b) Determine de cuantas formas puede una persona ir a su
trabajo y regresar a casa, sin tomar la misma ruta en ambos
sentidos. Trace un diagrama de arbol para ilustrar la situacion
anterior.
Walter Daz
Estadstica I
M
Funci
on de Probabilidad
Regla de Bayes
Ejemplo
Una operacion consta de dos pasos, de los cuales el primero se
puede realizar de n1 formas. Si el primer paso se hace de la i-esima
manera, el segundo se puede hacer de n2i maneras.
a) Use un diagrama de arbol y encuentre una f
ormula para
determinar el n
umero total de maneras en que se puede
efectuar la operaci
on completa;
b) Un estudiante puede prepararse durante 0, 1, 2 o 3 horas al
da para un examen de historia un da dado. Use la formula
obtenida en la parte anterior para verificar que hay 13
maneras en las que un estudiante puede preparase cuatro
horas como mucho para la prueba en dos das consecutivos
Walter Daz
Estadstica I
M
Funci
on de Probabilidad
Regla de Bayes
Teorema
Si una operacion consta de k pasos, de los cuales el primero se
puede realizar de n1 maneras, para cada una de estas el segundo
paso se puede realizar de n2 maneras, para cada uno de los dos
primeros el tercer paso se puede realizar en n3 maneras, y
as sucesivamente, entonces la operaci
on completa se puede
realizar en n1 n2 nk formas.
Walter Daz
Estadstica I
M
Funci
on de Probabilidad
Regla de Bayes
Ejemplo
Una prueba de eleccion m
ultiple consta de 15 preguntas, cada una
permite una eleccion entre tres alternativas posibles. De cuantas
maneras diferentes puede un estudiante marcar su respuesta a
estas preguntas?
Walter Daz
Estadstica I
M
Funci
on de Probabilidad
Regla de Bayes
Teorema
El n
umero de permutaciones de n objetos diferentes es
n! = n (n 1) 2 1
Ejemplo
De cuantas maneras puede un director de television programar los
seis diferentes anuncios de un patrocinador, durante los seis
espacios de tiempo asignados para anuncios, durante un especial
de una hora?
Walter Daz
Estadstica I
M
Funci
on de Probabilidad
Regla de Bayes
Ejemplo
El numero de permutaciones de las letras A, B, C, D y E es
5! = 120, pero cual es el n
umero si se toman 3 de las 5 letras a la
vez?
Walter Daz
Estadstica I
M
Funci
on de Probabilidad
Regla de Bayes
Teorema
El n
umero de permutaciones de n objetos diferentes tomados r a
la vez es
n!
, r = 0, 1, 2, . . . , n
n Pr =
(n r)!
Teorema
El n
umero de permutaciones de n objetos diferentes arreglados en
forma circular es (n 1)!.
Walter Daz
Estadstica I
M
Funci
on de Probabilidad
Regla de Bayes
Teorema
El n
umero de permutaciones n objetos de los cuales n1 son de una
clase, n2 son de una segunda clase,. . . , nk , son de la k-esima clase
y n1 + n2 + + nk = n es
n!
n1 ! n2 ! nk !
Walter Daz
Estadstica I
M
Funci
on de Probabilidad
Regla de Bayes
Ejemplo
De cuantas puede el director de televisi
on del ejemplo anterior
asignar los seis espacios de tiempo para anuncios si el patrocinador
tiene tres anuncios diferentes, cada uno de los cuales debe ser
mostrado dos veces?
Walter Daz
Estadstica I
M
Funci
on de Probabilidad
Regla de Bayes
Teorema
El n
umero de combinaciones de n objetos diferentes tomados r a
la vez sin importar el orden al interior de la seleccion es

n
n!
=
, r = 0, 1, 2, . . . , n
r
r!(n r)!
Walter Daz
Estadstica I
M
Funci
on de Probabilidad
Regla de Bayes
Ejemplo
Entre los siete candidatos para dos vacantes en el consejo de una
ciudad hay tres hombre y cuatro mujeres.
a) De cuantas maneras se pueden cubrir estas vacantes con dos
candidatos cualquiera de los siete?;
b) De cuantas maneras se pueden cubrir estas vacantes con dos
de las cuatro mujeres?;
c) De cuantas maneras se pueden cubrir estas vacantes con uno
de los hombres y una de las mujeres?.
Walter Daz
Estadstica I
M
Funci
on de Probabilidad
Regla de Bayes
Ejemplo
En cuantas formas diferentes pueden seis lanzamientos de una
moneda producir dos caras y cuatro cruces?
Walter Daz
Estadstica I
M
Funci
on de Probabilidad
Regla de Bayes
Teorema
El n
umero de maneras en que un conjunto de n objetos diferentes
se pueden dividir o partir en k subconjuntos de n1 objetos en el
primer subconjunto, n2 objetos en el segundo subconjunto,..., y nk
objetos en el k-esimo subconjunto es

n
n!
=
n1 , n2 , . . . , nk
n1 ! n2 ! nk !
Walter Daz
Estadstica I
M
Funci
on de Probabilidad
Regla de Bayes
Ejemplo
De cuantas maneras puede asignarse a siete hombres de negocio,
que asisten a una convenci
on, una habitaci
on triple de hotel y dos
dobles?
Walter Daz
Estadstica I
M
Funci
on de Probabilidad
Regla de Bayes
Probabilidad
Distinguimos entre dos tipos de experimentos: deterministas y
aleatorios. Un experimento determinista es uno cuyo resultado
puede predecirse con certeza de antemano, tales como la
combinacion de hidrogeno y oxgeno, o la adici
on de dos n
umeros
tales como 2 + 3. Un experimento aleatorio es aquel cuyo
resultado es determinado por el azar. Postulamos que el resultado
de un experimento aleatorio no se puede predecir con certeza de
antemano, ni siquiera en principio. Ejemplos de experimentos
aleatorios incluyen lanzar una moneda, lanzar un dado, y lanzando
un dardo sobre una tabla, cuantas luces rojas que encuentres en el
camino a casa, como atravesar muchas hormigas cierto remiendo
de la acera en un perodo corto, etc.
Walter Daz
Estadstica I
M
Funci
on de Probabilidad
Regla de Bayes
Espacio muestral
Suponga que se observan los siguientes procesos:
El lanzamiento de un dado.
Se lanza una moneda normal hasta que se obtenga cara.
Se observa el valor diario de la TRM.
Se observa el nivel educativo de una persona cualquiera.
Los procesos anteriores tienen en com
un que pueden concretarse
en al menos dos resultados posibles, con incertidumbre en cuanto a
cual de ellos tendra. En otros terminos, de esos experimentos
conocemos todos los posibles resultados pero no podemos predecir
un resultado particular con certeza. Los experimentos que tienen
estas caractersticas se llaman experimentos aleatorios.
Walter Daz
Estadstica I
M
Funci
on de Probabilidad
Regla de Bayes
Definicion
Los resultados posibles de un experimento aleatorio E se
denominan resultados b
asicos, y el conjunto de todos los
resultados posibles o basicos se llama espacio muestral al que
denotaremos mediante la letra .
Walter Daz
Estadstica I
M
Funci
on de Probabilidad
Regla de Bayes
Ejemplo
Se lanza un dado y se anota el n
umero de la cara superior. Los
resultados basicos de este experimento aleatorio son los n
umeros
1, 2, 3, 4, 5, 6. Entonces, el espacio muestral para el experimento es:
= {1, 2, 3, 4, 5, 6}
Este espacio muestral es finito.
Walter Daz
Estadstica I
M
Funci
on de Probabilidad
Regla de Bayes
Ejemplo
Se lanza una moneda normal al hasta que se obtenga cara. Sea
c = resultado de cara y s = resultado de cruz o sello, entonces los
resultados basicos de este experimento aleatorio son
c, sc, ssc, sssc, . . .; por lo tanto, el espacio muestral para este
experimento es:
= {c, sc, ssc, sssc, . . .}
Este espacio muestral es infinito pero numerable.
Walter Daz
Estadstica I
M
Funci
on de Probabilidad
Regla de Bayes
Ejemplo
Se observa el valor en pesos de la TRM. Los resultados basicos
asociados a este experimento son n
umeros. Por lo tanto, el espacio
muestral para este experimento es:
= (0, +)
Este espacio muestral es un conjunto continuo y por lo tanto, es
infinito y no numerable. La variable asociada a este experimento es
una variable continua.
Walter Daz
Estadstica I
M
Funci
on de Probabilidad
Regla de Bayes
Evento
Un evento A es simplemente un conjunto de resultados, o en otras

palabras, un subconjunto del espacio muestral . Despues de
realizar un experimento aleatorio E decimos que el evento A
ocurrio si los resultados del experimento pertenece a A. Decimos
que un grupo de eventos A1 , A2 , A3 , . . . son mutuamente
excluyentes o disjuntos si Ai Aj = , i 6= j. Por ejemplo, el
experimento de lanzar una moneda al aire, el evento A = {cara} y
B = {cruz} sera mutuamente excluyentes.
Walter Daz
Estadstica I
M
Funci
on de Probabilidad
Regla de Bayes
Ejemplo
Se lanza un dado y se anota el n
umero de la cara superior. El
evento de que el n
umero sea par es A = 2, 4, 6. Ahora, si el
resultado del experimento es 2, entonces el evento A ocurrio;
mientras, que si el resultado del experimento es 3, entonces se dice
que el evento A no ocurri
o.
Walter Daz
Estadstica I
M
Funci
on de Probabilidad
Regla de Bayes
Definici
on
Algunos eventos especiales. Sean A, B eventos de
Evento nulo o vaco: es el evento que no contiene a ning
un
resultado basico.
Sean A y B dos eventos. El evento formado por los posibles
resultados en A o B o en ambos, recibe el nombre de uni
on de A
y B y se denota por A B.
Sean A y B dos eventos. El evento formado por los posibles
resultados comunes tanto a A como a B, recibe el nombre de
intersecci
on de A y B y se denota por A B.
Se dice que dos eventos A y B son disjuntos o mutuamente
excluyentes cuando A B = .
Si cualquier resultado del evento A tambien es un resultado del
evento B, entonces se dice que A es subconjunto de B, y se
denota por A B
El complemento de un evento A es el evento formado por todos
los resultados basicos de que no se encuentran en A, y se
denota por A0 . Esto es, A0 = {x /x
/ A}.
Walter Daz
Estadstica I
M
Funci
on de Probabilidad
Regla de Bayes
Funcion de probabilidad
Una funcion de probabilidad es una regla que asocia a cada evento A
del espacio muestral un n
umero u
nico P(A) = p, llama la
probabilidad de A. Cualquier funcion de probabilidad P(A) satisface los
siguientes tres axiomas de Kolmogorov:
Axioma
i) P(A) 0, para alg
un evento A .
ii) P() = 1.
iii) Si los eventos A1 , A2 , A3 , . . . son disjuntos entonces
!
n
n
[
X
P
Ai =
P(Ai ), para alg
un n,
i=1
i=1
y, ademas
P
!
Ai
i=1
Walter Daz
P(Ai ).
i=1
Estadstica I
M
Funci
on de Probabilidad
Regla de Bayes
La intuicion detras de los axiomas: primero, la probabilidad de un

evento nunca debe ser negativa. Y puesto que el espacio muestral
contiene todos los posibles resultados, su probabilidad debe ser
uno, o 100 %. El axioma iii puede parecer intimidante, pero
simplemente significa que para una secuencia de eventos disjuntos
(es decir, juegos que no se superponen), su probabilidad total
(medida) debe ser igual a la suma de sus partes. Por ejemplo, la
probabilidad de sacar un 1 o un 2 con un dado es la probabilidad
de sacar un 1 mas la posibilidad de sacar un 2.
Walter Daz
Estadstica I
M
Funci
on de Probabilidad
Regla de Bayes
Teorema (Probabilidad del complemento)

Para alg
un evento A y B
P(A0 ) = 1 P(A)
Walter Daz
Estadstica I
M
Funci
on de Probabilidad
Regla de Bayes
Teorema (Probabilidad del vaci

o)
P() = 0,
para cualquier espacio muestral .
Walter Daz
Estadstica I
M
Funci
on de Probabilidad
Regla de Bayes
Teorema (Probabilidad del subevento)

Si A B, entonces
P(A) P(B)
Walter Daz
Estadstica I
M
Funci
on de Probabilidad
Regla de Bayes
Teorema
0 P(A) 1,
para cualquier evento A
Walter Daz
Estadstica I
M
Funci
on de Probabilidad
Regla de Bayes
Teorema (Regla general de adicci

on)
La regla de adicion General.
P(A B) = P(A) + P(B) P(A B)
Walter Daz
Estadstica I
M
Funci
on de Probabilidad
Regla de Bayes
Teorema (La probabilidad total)

Sean B1 , B2 , . . . , Bn mutuamente excluyente y exhaustivos.
Entonces para un evento A, se tiene
P(A) = P(A B1 ) + P(A B2 ) + + P(A Bn )
Walter Daz
Estadstica I
M
Funci
on de Probabilidad
Regla de Bayes
Ejemplo
Se lanza un dado normal y una moneda balanceada. Cual es la
probabilidad de obtener cara y al menos 4?
Walter Daz
Estadstica I
M
Funci
on de Probabilidad
Regla de Bayes
Ejemplo
Una compa
na recibe una maquinaria nueva que debe ser instalada y
revisada antes de ser operativa. En la tabla adjunta se muestra la
valoraci
on de probabilidad del n
umero de das necesarios para que la
maquinara sea operativa.
N
umero de dias
Probabilidad
3
0.08
4
0.24
5
0.41
6
0.20
7
0.07
Sea A el evento la maquinara tardara mas de cuatro das en estar

operativa y sea B el evento la maquinara tardara mas seis das en
estar operativa.
(a) Calcular las probabilidades de los sucesos A y B;
(b) Describir el complemento de A y obtener su probabilidad;
(c) Describir A B y obtener su probabilidad;
(d) Describir A B y obtener su probabilidad;
(e) Son los eventos A y B mutuamente excluyentes?;
(f) Son los eventos A y B colectivamente exhaustivos?.
Walter Daz
Estadstica I
M
Funci
on de Probabilidad
Regla de Bayes
Ejemplo
Suponga que en un grupo de u
ltimo a
no de facultad de 500
estudiantes se encuentra que 210 fuman, 258, consumen bebidas
alcoholicas, 216 comen entre comidas, 122 fuman y consumen
bebidas alcoholicas, 83 comen entre comidas y consumen bebidas
alcoholicas, 97 fuman y comen entre comidas y 52 tienen estos tres
habitos nocivos para la salud. Si se selecciona al azar un miembro
de este grupo, encuentre la probabilidad de que el estudiante
(a) Fume pero no consuma bebidas alcoh
olicas;
(b) Coma entre comidas y consuma bebidas alcoholicas pero no
fume;
(c) Ni fume ni coma entre comidas.
Walter Daz
Estadstica I
M
Funci
on de Probabilidad
Regla de Bayes
Ejemplo
De experiencias pasadas un agente de bolsa cree que con las
condiciones economicas actuales un cliente invertira en bonos libres
de impuestos con una probabilidad de 0.6, invertira en fondos
mutualistas con una probabilidad de 0.3 e invertira en ambos con
una probabilidad de 0.15. Encuentre la probabilidad de que un
cliente invierta
(a) En bonos libres de impuestos o en fondos mutualistas;
(b) En ninguno de los dos instrumentos.
Walter Daz
Estadstica I
M
Funci
on de Probabilidad
Regla de Bayes
En algunos casos las probabilidades se citan sin especificar el

espacio muestral y esto puede traer algunas dificultades. Para
corregir este inconveniente usaremos el smbolo P(A|) para
indicar la probabilidad condicional del evento A relativa al espacio
muestral . La probabilidad anterior tambien la llamaremos la
probabilidad de A dado . El smbolo P(A|) hace explcito que
nos estamos refiriendo a un espacio muestral particular .
Walter Daz
Estadstica I
M
Funci
on de Probabilidad
Regla de Bayes
Para ilustrar las ideas relacionadas con las probabilidades

condicionales consideremos un experimento aleatorio que consiste
en elegir aleatoriamente una persona adulta que viva en una ciudad
con n personas adultas, y se anotan sus caractersticas con
respecto a sus habitos de fumador y su sexo.
Habito de fumar
A1
A2
Total
Sexo
B1 B2
n11 n12
n21 n22
C1 C2
Total
R1
R2
n
Tabla : Habitos de fumar distribuidos por sexo
Walter Daz
Estadstica I
M
Funci
on de Probabilidad
Regla de Bayes
Definicion
Probabilidad conjunta La probabilidad de ocurrencia simultanea de
los atributos Ai y Bj se llama la probabilidad conjunta y esta dada
por
nij
.
P(Ai Bj ) =
n
Supongamos ahora que el interes es determinar la probabilidad de
Ai , sin considerar cualquier otro atributo Bj del espacio muestral
. Esta probabilidad se conoce como una probabilidad marginal.
Supongamos por ejemplo que queremos determinar la probabilidad
de que un adulto fume. Se observa en la tabla, que de los n
adultos R1 fuman. Por lo tanto, la probabilidad de que un adulto
fume es P(A1 ) = R1 /n.
Walter Daz
Estadstica I
M
Funci
on de Probabilidad
Regla de Bayes
Definicion
Probabilidad marginal La probabilidad de Ai , sin considerar cualquier
otro atributo Bj del espacio muestral , se llama la probabilidad
marginal de Ai y viene dada por
P(Ai ) =
Ri
,
n
donde Ri es el total de la fila i en la tabla de doble entrada.

Suponga ahora que se elige un adulto al azar y observamos que es
mujer y queremos conocer la probabilidad de que no fume. Esta
probabilidad es la probabilidad condicional de A2 dado B2 y la
indicamos como P(A2 |B2 ). Se observa en la tabla que de las C2
mujeres hay n22 que no fuman. Por lo tanto, la probabilidad
condicional de A2 dado B2 es P(A2 |B2 ) = n22 /C2 .
Walter Daz
Estadstica I
M
Funci
on de Probabilidad
Regla de Bayes
Generalizamos lo anterior, en la definici

on de probabilidad
condicional.
Definicion
La probabilidad condicional de B dado A, denotada por P(B|A),
es definida por
P(B|A) =
P(A B)
,
P(A)
si
P(A) > 0.
No vamos a discutir la probabilidad condicional de B dado A

cuando P(A) = 0, a pesar de que esta teora existe, y esta bien
desarrollada, y forma la base para el estudio de los procesos
estocasticos.
Walter Daz
Estadstica I
M
Funci
on de Probabilidad
Regla de Bayes
Teorema
Para un evento fijo A con P(A) > 0,
1 P(B|A) 0 para todos los eventos B ,
2 P(|A) = 1, y
3 Si B , B , B , . . . son eventos disjuntos, entonces
1
2
3
!
[
X
P
Bk |A =
P(Bk |A).
k=1
k=1
En otras palabras P(|A) es una funci

on de probabilidad legtima.
Con esto en mente, las siguientes propiedades son inmediatos:
Walter Daz
Estadstica I
M
Funci
on de Probabilidad
Regla de Bayes
Proposicion
Para alg
un evento A, B y C con P(A) > 0
1 P(B 0 |A) = 1 P(B|A).
2 Si B C entonces P(B|A) P(C|A).
3 P(B C|A) = P(B|A) + P(C|A) P(B C|A)
4 La regla multiplicativa. Para dos eventos A y B,
P(A B) = P(A)P(B|A)
Y mas generalmente para A1 , A2 , . . . , An
P(A1 A2 An ) = P(A1 )P(A2 |A1 ) P(An |A1 A2 An1 )
La regla de la multiplicaci
on es muy importante porque nos permite
hallar probabilidades en experimentos aleatorios que tienen una
estructura secuencial.
Walter Daz
Estadstica I
M
Funci
on de Probabilidad
Regla de Bayes
Ejemplo
A los habitantes de una ciudad se les hizo una encuesta con el
proposito de determinar las preferencia de los lectores por el TIME
y el NEWSWEEK. Los resultados mostraron que 20 % prefiere el
TIME, el 16 % lee el NEWSWEEK y un 1 % leen ambos
semanarios. Si se selecciona al azar un lector que lee el TIME,
cual es la probabilidad de que tambien lea el NEWSWEEK?.
Walter Daz
Estadstica I
M
Funci
on de Probabilidad
Regla de Bayes
Ejemplo
Los empleados de una empresa se encuentran separados por tres divisiones:
administraci
on (A), operaci
on de planta (O) y ventas (V ); tambien se
clasifican por sexo: hombre (H) y mujer (M ), como se observa en la siguiente
tabla:
Sexo
Division M
H
Total
A
20
30
50
O
60 140 200
V
100 50
150
Total
180 220 400
Tabla : N
umero de empleados clasificados por divisi
on y sexo
Se elige aleatoriamente un empleado al azar de esta compa

na. Encuentre,
(a) P(M )
(b) P(V )
(c) La probabilidad que trabaje en operaci
on de planta si es mujer.
(d) La probabilidad de que sea mujer si trabaja en la divisi
on de operacion de
planta.
(e) Encuentre P(A M ); P(O M ); P(A M 0 ); P(M |A)
Walter Daz
Estadstica I
M
Funci
on de Probabilidad
Regla de Bayes
Ejemplo
Hay noventa aspirantes para un trabajo en el departamento de noticias de una estacion
de television. Algunos de los aspirantes son graduados de la universidad y algunos no,
algunos de ellos tiene al menos tres a
nos de experiencia y algunos no los tienen. La
informacion exacta esta la tabla, en donde G representa el evento el entrevistado es
graduado de la universidad y T representa el evento de tener menos de tres a
nos de
experiencia.
G G0 Total
T
18 9
27
T0
36 27
63
Total 54 36
90
Tabla : N
umero de aspirantes clasificados por a
nos de experiencia y si es graduado o no de la
universidad
Si el orden en que el gerente de la estaci

on entrevista a los aspirantes es aleatorio,
determine las siguientes probabilidades directamente de la tabla y de los totales por filas
y columnas.
(a) P(G)
(b) P(T 0 )
(c) P(G T )
(d) P(G0 T 0 ) (e) P(G|T ) (f) P(G0 |T 0 )
Walter Daz
Estadstica I
M
Funci
on de Probabilidad
Regla de Bayes
Ejemplo
Consideremos una urna con 10 bolas en el interior, de las cuales 7
son de color rojo y 3 son de color verde. Seleccione sucesivamente
3 bolas de la urna. Cual es la probabilidad de que todas las bolas
sean rojas?.
Walter Daz
Estadstica I
M
Funci
on de Probabilidad
Regla de Bayes
Definicion
Los eventos A y B se dice que son independientes si
P(A B) = P(A)P(B)
De lo contrario, los eventos se dice que es dependiente.
De la definicion anterior se desprende que si los eventos A y B son
independientes, entonces se cumple que
P(A|B) =P(A)
P(B|A) =P(B)
La interpretacion en el caso de la independencia es que la
informacion que el evento que condiciona no influye en la
probabilidad del evento condicionado.
Walter Daz
Estadstica I
M
Funci
on de Probabilidad
Regla de Bayes
Proposicion
Si los eventos A y B son independientes, entonces
A y B 0 son independentes,
A0 y B son independentes,
A0 y B 0 son independentes.
Walter Daz
Estadstica I
M
Funci
on de Probabilidad
Regla de Bayes
Ejemplo
Una caja contiene 100 pelotas, de las cuales 25 son rojas, 40 son
blancas y 35 son negras.
(a) Si se seleccionan dos pelotas de la caja, cual es la
probabilidad de que una sea roja y una sea blanca si la
primera pelota se reemplaza antes de sacar la segunda?
(b) Si se seleccionan dos pelotas de la caja, cual es la
probabilidad de que una sea roja y una sea blanca si la
segunda pelota se saca sin reemplazar la primera?
(c) Si se sacan tres pelotas de la caja sin reemplazo, cual es la
probabilidad de que la primera sea negra, la segunda blanca y
la tercera sea roja?
Walter Daz
Estadstica I
M
Funci
on de Probabilidad
Regla de Bayes
En esta seccion introducimos una regla que nos permite actualizar

nuestros probabilidades cuando se obtiene nueva informacion.
Teorema (Regla de Bayes)
Sean B1 , B2 , . . . , Bn eventos mutuamente excluyentes y
colectivamente exhaustivos y sea A cualquier otro evento con
P(A) > 0. entonces
P(Bk )P(A|Bk )
,
P(Bk |A) = Pn
i=1 P(Bi )P(A|Bi )
Walter Daz
Estadstica I
k = 1, 2, . . . , n.
M
Funci
on de Probabilidad
Regla de Bayes
Ejemplo
Un inversionista esta pensando en comprar un n
umero muy grande de
acciones de una compa
na. La cotizaci
on de las acciones en la bolsa es
de gran interes para el inversionista. Con base en esta informacion, se
observa que la cotizacion de las acciones se relaciona con P N B de la
economa. Si el P N B aumenta, la probabilidad de que las acciones
aumenten su valor es 0.8. Si el P N B es el mismo, la probabilidad de que
las acciones aumenten su valor es 0.2. Si el P N B disminuye, la
probabilidad de que las acciones aumenten su valor es solo de 0.1. Si para
los seis meses siguientes se asignan las probabilidades 0.4, 0.3 y 0.3 a los
eventos el P N B aumenta, se queda igual y disminuye, respectivamente,
determinar la probabilidad de que las acciones aumenten su valor en los
proximos seis meses. Ahora, si las acciones aumentaron su valor, cual es
la probabilidad de que se haya producido una reducci
on en el P N B?
Walter Daz
Estadstica I

Unidad 1 y 2

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Unidad 1 y 2

Uploaded by

Copyright:

Available Formats

Estadstica I

Para mucha gente, la estadstica significa descripciones numericas.

Los principales conceptos que se introducen en este tema son:

Representacion grafica de datos cuantitativos

Una de las primeras cosas que se puede hacer cuando se enfrentan

Histograma de frecuencia (Relativa) de las precipitaciones

El Histograma, es el grafico estadstico por excelencia. El

Defina los intervalos o clases de igual longitud.

Calcule la frecuencia relativa

Nro. de obs. en el intervalo

Grafica los rectangulos cuyas alturas son proporcionales a las

Tabla : Rendimientos anuales de las acciones de una empresa a lo largo

Se puede presentar como un grafico definitivo en un reporte.

Se puede utilizar para comparar dos o mas muestras o

Se puede refinar para crear graficos mas especializados, por

Las observaciones individuales se pierden.

Diagrama de tallos y hojas

La forma general de la distribucion

Desviaciones marcadas de la forma global de la distribucion.

Ejemplo Grafico de ndice

Datos Cualitativos, Datos Categoricos y Factores

Los datos cualitativos son simplemente cualquier tipo de datos que

Datos Cualitativos, Datos Categoricos y Factores

Los factores pueden ser de dos tipos: nominal y ordinal. Factores

Datos Cualitativos, Datos Categoricos y Factores

Por el contrario, los factores ordinales tienen alg

Un grafico de barras es el analogo de un histograma para los datos

0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5

Visitantes (en millones)

Figura : Grafico de barras para el n

Figura : Grafico circular de los delitos informaticos en EEUU

Medidas del Centro

Una manera de resumir los datos numericos es buscar el centro de

Una medida de centralizaci

la varianza es aproximadamente la distancia media al cuadrado de

La desviacion estandar se utiliza para escalar la estimacion de

Cuartiles y rango intercuartil

Suponga que se tienen N observaciones ordenadas de menor a

Notese, cuando (N 1) no es divisible por 4, entonces los cuartiles

Todava tenemos que saber que tan grande es grande, es decir,

Como regla general si

La media y varianza para datos agrupados

La media y varianza para datos agrupados

La formula para obtener la mediana esta dada por

El cuartil inferior para datos agrupados, es el valor hasta el cual

para llevar a cabo una

Con los resultados de la tabla anterior, se tiene que el lmite

Diagrama de Caja o Boxplot

Diagrama de Caja o Boxplot

Figura : Boxplot para los datos de tiempos de espera en un banco

El concepto de probabilidad es basico en inferencia estadstica, el

Para ilustrar el teorema anterior, sea el par ordenado (x, y) como el

Un evento A es simplemente un conjunto de resultados, o en otras

La intuicion detras de los axiomas: primero, la probabilidad de un

Teorema (Probabilidad del complemento)

Teorema (Probabilidad del vaci

Teorema (Probabilidad del subevento)

Teorema (Regla general de adicci

Teorema (La probabilidad total)

Sea A el evento la maquinara tardara mas de cuatro das en estar

En algunos casos las probabilidades se citan sin especificar el

Para ilustrar las ideas relacionadas con las probabilidades

Tabla : Habitos de fumar distribuidos por sexo