Estadistica

ESTADISTICA
ESTADISTICA APLICADA
Nociones Generales
Nmero
de
Tipo de Anemia
Moderada
Leve
Severa
Total
especies
parsitas
1
2
3
4
5
6
50
Total
40
n
3
12
30
21
11
3
%
100
70.59
69.77
67.74
68.75
60.00
69.5
n
0
5
11
9
5
2
%
0
29.41
25.58
29.03
31.25
40.00
27.8
n
0
0
2
1
0
0
%
0
0
4.65
3.23
0
0
n
3
17
43
31
16
5
%
2.61
14.78
37.39
26.96
13.91
4.35
80
32
2.61
115
100
Severa; 2%
30
Nmero de estudiantes
Moderada; 17%
20
Leve; 43%
10
0
9 10 11 12 13
Edad (aos) de los estudiantes
Normal; 38%
Nociones Generales
ESTADSTICA
DESCRIPTIVA
Qu es?...
INFERENCIAL
PROPOSITO
PROPOSITO
METODOS
Caractersticas
TABULARES
GRAFICOS
NUMERICOS
METODO
PROBABILISTICO
Nociones Generales
Ciencia encargada de la Recoleccin,

Manipulacin,
Organizacin
y
Presentacin
de
informacin
de
manera tal que sta tenga una
Confiabilidad determinada
Nociones Generales
INFERENCIA
ESTIMACION
Poblacin
N
Parmetros
, 2, p, etc
Deduccin
TECNICAS DE
MUESTREO
Muestra
n=?
Estadsticos
Estadgrafos
Nociones Generales
Probabilstico
MUESTREO
No
Probabilstico
Probabilstica
Azar
MUESTRA
Tipos
No Probabilstica
Arbitraria
Nociones Generales
POBLACION
MUESTRA
Atributo
Cambiar
Variable
Nombre
Definicin
Rango de Valores
Clasificacin
Elementos
Cualitativas
Tipos
Cuantitativas
Categoras
Discretas
Continuas
Nociones Generales
Variable
Elementos
+
Medirse
Nombre
Definicin
Rango de Valores
Clasificacin
Nominal
Ordinal
Escalas de
Medicin
De Intervalo
De Razn
Mtodos Tabulares
DESCRIPTIVA
METODOS
TABULARES
Sumatoria
Sea X y Y dos variables y sea x1, x2, xn y

y1, y2, yn, valores que toman las variables
X y Y, y sean a y b dos constantes.
Entonces:
x1 + x2 + x3 + xn
i 1
y1 + y2 + y3 + yn
xi
i 1
Propiedades
yi
Propiedades de Sumatoria
Mtodos Tabulares/Ordenamiento
Edad (aos)
Edad (aos)
17
15
18
16
18
16
16
17
21
15
17
19
Ordenndolo
17
18
Desventaja
Valores
extremos
18
18
20
18
18
19
16
20
Valores mas
frecuente
Valores
extremos
Cuadro de Frecuencia
Cuadros de
Frecuencia
Edad
(aos)
fi
fr
Fia
Fra
15
8.3
8.3
16
16.7
25.0
17
16.7
41.7
18
33.3
75.0
19
8.3
10
83.3
20
8.3
11
91.7
21
8.3
12
100
Total
12
100
Lugar de realizacin del
Diplomado
Extranjero
19
13.87
Universidad Objeto de Estudio
87
63.50
Otras universidades
31
22.63
137
100
Total
67.7
39.2
52.5
42.3
69.8
61.2
63.9
37.2
45.7
41.7
69.1
55.5
64.9
38.9
52.4
41.9
69.2
58.9
68.3
39.2
52.6
42.7
70.0
61.9
68.3
39.2
53.3
45.5
70.1
63.2
Cuadro de
Frecuencia
La
Estadstica
ofrece
otra
alternativa Tablas de Frecuencias
Absolutas y Relativas
Tabla de Frecuencia
Procedimiento
Definir el Nmero de
Intervalos
A = R/k
R = Valor Mx.- Valor Mn.
Tipo de Intervalos
5 20 25
K = 1 + 3.33* log n
K = n
(Li - LS]
R` = Ajustada
R` = Ac*K > R
D= R`-R
Tabla de Frecuencia
Intervalos de Clases
PMC
fi
fr
Fia
Fra
37.1 a 42.6
39.85
0.27
0.27
42.6 a 48.1
45.35
0.10
11
0.37
48.1 a 53.6
50.85
0.13
15
0.50
53.6 a 59.1
56.35
0.07
17
0.57
59.1 a 64.6
61.85
0.13
21
0.70
64.6 a 70.1
67.35
0.30
30
30
Mtodos Grficos
Diagrama de Tallo y Hojas
Diagrama de Puntos
Histograma
Mtodos Grficos Clsicos
Polgono de Frecuencias
Ojiva
Diagrama de Sectores
DIAGRAMA DE TALLO Y HOJAS

Un diagrama donde cada valor de datos es dividido en una "hoja"
(normalmente el ltimo dgito) y un "tallo" (los otros dgitos). Por

ejemplo "32" sera dividido en "3" (tallo) y "2" (hoja).
Los valores del "tallo" se escriben hacia abajo y los valores "hoja"
van a la derecha (o izquierda) del los valores tallo.
El "tallo" es usado para agrupar los puntajes y cada "hoja" indica
los puntajes individuales dentro de cada grupo.
Diagrama de Puntos
15
16
17
18
Edad (aos)
19
20
21
Histograma
Histograma de Frecuencias Absolutas

10
9
8
7
6
5
fi
4
3
2
1
0
Intervalos de clases
Polgono de Frecuencias
Polgono de Freecuencia Absoluta
10
9
8
7
6
5
4
fi
3
2
1
0
Puntos Medios de Ckases
Ojiva
Ojiva o Polgono de Frecuencias Acumuladas (menor que)
Fia
35
30
25
20
15
10
5
0
Tiempo (minutos)
(19*360)
137-------360
X=
19 ------- x
Lugar de realizacin de
estudios Postgraduales
Extranjero
Universidad de Inters
Otras universidades
bolivianas
Total
= 49.9
137
Grados
19
87
49.927
228.613
31
137
81.460
360
Extranjero ; 49.92701
Otras universidades bolivianas ; 81.45985
Universidad de Inters ; 228.61314
Mtodos Numricos (Medidas de Tendencia Central)

Cuando se desea comparar dos o ms
poblaciones o bien muestras, y si las
variables de inters son de carcter
numrico
Los mtodos tabulares no son los ms
recomendables
La Estadstica oferta otra herramienta

llamada Mtodos Numricos
Medidas de Tendencia Central
Localizan el centro de
una
base
de
datos
numricas
Medidas de Tendencia
Central
Mtodos Numricos
Cuantifican
cunto
se
dispersan los datos de una
medida
de
tendencia
central
Medidas de Dispersin
Promedio
Media Ponderada
Medidas de Tendencia
Central
Mediana
Moda
Medidas de Tendencia Central/Promedio
Poblacin
Promedio
Media
Poblacional
Es la sumatoria de las observaciones que

toma una variable dividido entre el total
de stas
Muestra
Media
Muestral
Se interpreta como el punto de equilibrio

de una base de datos numricas

Tiempo
(minutos)
-4.15
38.9
-17.85
68.3
11.55
67.2
10.45
63.9
7.15
68.3
39.2
42.3
61.9
Promedio
xi x
52.6
64.9
Suma
Desviaciones
567.5
56.75
8.15
Propiedad
-17.55
-14.45
0
xi x 0
i 1
11.55
5.15
Suma
Media en datos tabulados
Si la tabla no presenta clases abierta es
posible hacer una estimacin de la media
tomando en cuenta lo siguiente:
PMC es el promedio de las observaciones de las
observaciones que caben dentro del intervalos.
PMC*fi proporciona una estimacin de la suma de
las observaciones que caben en el intervalo y como
una tabla tiene k-simo intervalos entonces:
Intervalos
de Clases
PMC
fi
37.1 a 42.6
39.85
318.8
42.6 a 48.1
45.35
136.05
48.1 a 53.6
50.85
203.4
53.6 a 59.1
56.35
112.7
59.1 a 64.6
61.85
247.4
64.6 a 70.1
67.35
606.15
30
1624.5
PMC*fi
x=
1624.5
= 54.15
30
Cuando los datos tienen diferente peso dentro de la
base de datos, si desea obtener el promedio, la media
aritmtica no es la ms indicada
Cargo
fi
Salario
Rector
2000
Asesores
1200
Vic. Acadmico
1150
Vic. Administrativo
1250
Director de Carrera
1000
Coordinador de
Carrera
800
Administrativo
600
Secretarias
120
Cargo
fi (wi)
Salario
(xi)
Xiwi
Rector
2000
2000
Asesores
1200
2400
Vic. Acadmico
1150
1150
Vic. Administrativo
1250
1250
Jefe de Carrera C.S
1000
2000
Jefe de Carrera
800
4000
Administrativo
600
1200
Secretarias
120
1080
15080
xw =
15080
23
= 655.65
Si los datos no se distribuyen
simtricamente (curva simtrica) el
promedio no es la mejor medida para
localizar el centro de los mismos
Datos sin tabular
Ordenar
Impar
n
Me = xn/2 + 0.5
Par
Me = (xn/2 + x n/2 + 1 )/2
Mediana (Me)
Datos tabulados
Me = a +
(b-a)(0.5- c)
d
Tiempo
(minutos)
n es impar
Tiempo
(minutos)
38.9
38.9
39.2
39.2
42.3
42.3
52.6
52.6
61.9
61.9
63.9
63.9
64.9
64.9
67.2
67.2
68.3
68.3
Me = xn/2 + 0.5
Me
n es par
Tiempo
(minutos)
Tiempo
(minutos)
38.9
38.9
39.2
39.2
42.3
42.3
52.6
52.6
61.9
61.9
63.9
63.9
64.9
64.9
67.2
67.2
68.3
68.3
68.3
68.3
Me = (xn/2 + x n/2 + 1 )/2
Me =
62.9
61.9 + 63.9
2
= 62.9
Mediana es aquella medida

de tendencia central que
antes y despus de ella no
existe ms del 50% de la
informacin
Me = a +
(b-a)(0.5- c)
d
a = Lmite inferior de la
clase de la Me
b = Lmite superior de la
clase de la Me
c = Fra una clase antes de
la clase de la Me (Nj-1)
d = fr de la clase de la Me
Clase de la Mediana
Complete la columna Fia
Localice la menor Fia >
n/2
La clase a la que
pertenece esta
frecuencia es la clase
de la mediana (Nj)
La Clase antes de Nj es
Nj -1
Me = a +
Me = 53.6 +
(b-a)(0.5- c)
d
(59.1-53.6)(0.5- 0.5)
= 53.6
0.07
Intervalos
de Clases
PMC
fi
fr
Fia
Fra
37.1 a 42.6
39.85
0.27
0.27
42.6 a 48.1
45.35
0.10
11
0.37
48.1 a 53.6
50.85
0.13
15
0.50
53.6 a 59.1
56.35
0.07
17
0.57
59.1 a 64.6
61.85
0.13
21
0.70
64.6 a 70.1
67.35
0.30
30
a = Lmite inferior de la
clase de la Me
b = Lmite superior de la clase de
la Me
c = Fra una clase antes de la
clase de la Me (Nj-1)
d = fr de la clase de la Me
Ubicacin de la
clase de la Me
n = 30
n/2 = 15
Nj = 17 (53.6 59.1)
Nj- 1 = (48.1 53.6)
Connotancia de Moda
(Mo) en Estadstica
Tiempo
(minutos)
38.9
39.2
En caso de existir es la
(s) observacin (nes)
que ms se repiten en
una base de datos
42.3
52.6
61.9
63.9
64.9
Distribuciones:
67.2
Unimodales
68.3
Bimodales
Etc.
68.3
Mo
(ficmo- ficpremo)
Mo = Licmo + Acmo
(ficmo-ficpremo) + (ficmo ficpostmo)
Donde:
Licmo: Lmite inferior de la Clase Modal
Acmo: Ancho de clase de la Clase Modal
Ficmo: Frecuencia absoluta de la Clase Modal
Ficpremo: Frecuencia absoluta de la Clase Premodal
Ficpostmo: Frecuencia absoluta de la Clase Postmodal
Clase Modal es la (s) que tiene(n) la mayor (es) fi
(ficmo- ficpremo)
Mo = Licmo + Acmo
(ficmo-ficpremo) + (ficmo ficpostmo)
Intervalos
de Clases
PMC
fi
37.1 a 42.6
39.85
42.6 a 48.1
45.35
48.1 a 53.6
50.85
53.6 a 59.1
56.35
59.1 a 64.6
61.85
64.6 a 70.1
67.35
(9 - 4)
Mo = 64.6 + 5.5
= 66.56
(9 - 4) + (9 0)
Deformacin de Curvas Unimodales
Asimetra
Asimetra Positiva
> Me > Mo
Curvas Simtricas
= Me = Mo
Asimetra Negativa
< Me < Mo
Una medida de tendencia central por si sola no es tan

importante. Por esta razn debe estar acompaada de
una medida de dispersin
Medidas
Medidas de
de dispersin:
dispersin: Son
Son indicadores
indicadores estadsticos
estadsticos
que
que muestran
muestran la
la distancia
distancia promedio
promedio que
que existe
existe entre
entre los
los
datos
datos y
y la
la media
media aritmtica.
aritmtica.
En
En el
el estudio
estudio de
de las
las medidas
medidas de
de dispersin
dispersin daremos
daremos un
un
vistazo
vistazo a
a cuatro
cuatro
indicadores
indicadores bsicos:
bsicos:
_
_ Desviacin
Desviacin media
media
_
_ Varianza
Varianza
_
_ Desviacin
Desviacin estndar
estndar
_
_ Coeficiente
Coeficiente de
de variacin
variacin
MEDIDAS DE DISPERSION
DESVIACIN MEDIA
Para conocer con un solo indicador que tan disperso se
encuentran un conjunto de datos a un punto de

concentracin, debemos como primera medida, calcular la
distancia de cada dato respecto a una medida de tendencia
central.
Rango
Rango = Valor Mximo Valor Mnimo

Poblacin ( )
Varianza
Es el promedio de las desviaciones al

cuadrado de las observaciones que
toma una variable respecto a su media
Muestra (S)
xi
i 1
Sumatoria
xi
(Desviaciones)2
52.6
17.2225
38.9
318.6225
68.3
133.4025
67.2
109.2025
63.9
51.1225
64.9
66.4225
68.3
133.4025
39.2
308.0025
42.3
208.8025
61.9
26.5225
567.5
1372.725
1372.725
S =
= 152.525mi/est
10 - 1
Desventaja
Desviacin Tpica
S = S
S = 152.525 = 12.35 min/est
Interpretacin
56.75 12.35 min/est.
xS
Si la tabla no presenta clases abierta es posible

hacer una estimacin de la varianza de la siguiente
forma:
Intervalos de
Clases
PMC
fi
37.1 a 42.6
39.85
42.6 a 48.1
45.35
48.1 a 53.6
50.85
53.6 a 59.1
56.35
59.1 a 64.6
61.85
64.6 a 70.1
67.35
S2
Intervalos de
Clases
PMC*fi
PMC2*fi
318.8
12704.18
45.35
136.05
6169.8675
48.1 a 53.6
50.85
203.4
10342.89
53.6 a 59.1
56.35
112.7
6350.645
59.1 a 64.6
61.85
247.4
15301.69
64.6 a 70.1
67.35
606.15
40824.203
1624.5
91693.475
PMC
fi
37.1 a 42.6
39.85
42.6 a 48.1
1624.5
91693.475
30 1
30
124.774
S 124.774 11.70
Todas las medidas de dispersin expuestas

anteriormente son dimensionales (toman las unidades
de medidas de las variables)
Existe otra medida de dispersin pero adimensional
llamadas Coeficiente de Variacin o Dispersin
Relativa
S
C.V
x
S
*100
x

C.V
Las medidas de dispersin cuantifican cunto se

dispersan los datos alrededor de una medida de
tendencia central, pero, Para donde se desvan los
datos?, a la izquierda de la media, a la derecha o se
distribuyen simtricamente.
Existen otras medidas aplicable solo a curvas
unimodales que tratan de las deformacin de curvas
tanto de forma horizontal como vertical
KURTOSIS
lacurtosises una medida de la forma.
As, las medidas de curtosis tratan de
estudiar la proporcin de la varianza que
se explica por la combinacin de datos
extremos respecto a la media en
contraposicin con datos poco alejados
de la misma. Una mayor curtosis implica
una mayor concentracin de datos muy
cerca de la media de la distribucin
coexistiendo al mismo tiempo con una
relativamente elevada frecuencia de
datos muy alejados de la misma. Esto
explica una forma de la distribucin de
frecuencias con colas muy elevadas y un
con un centro muy apuntado.
Curva Leptocrtica
Curtosis
Kur > 3
Curva Mesocrtica
Kur = 3
Curva Platicrtica
Kur < 3
Regresin Lineal Simple
X1
Y
X2
.
.
.
Xi
Y: Variable Dependiente
X: Variable Independiente
Y = f(X)
En el desarrollo de los eventos,

puede ser que una variable sea
afectada por el comportamiento de
otra (s) variable (s)
Es de inters poder cuantificar
este tipo de relacin de manera
que se pueda predecir una variable
en funcin de otra
En Regresin Lineal Simple es de
inters cuando una variable afecta
el comportamiento de otra variable
Propsito de la R.L.S: Prediccin
Curtosis.
Mesocrticos, con valores medianos para el coeficiente.
Platicrticos, con valores pequeos para el coeficiente.
Las siguientes figuras muestran grficamente los tres tipos
de curvas de acuerdo a la definicin anterior:

Elcoeficiente decurtosismide cuan 'puntiaguda' es una
distribucin respecto de un estndar. Este estndar es una
forma acampanada denominada 'normal', y corresponde a
una curva de gran importancia en estadstica.
El coeficiente de curtosis est definido por:
De acuerdo a su valor, la 'puntudez' de los datos puede
clasificarse en tres grupos:
Leptocrticos, con valores grandes para el coeficiente.
Leptocrtica
Platicrtica
Mesocrtica
Una curva Mesocrtica tiene un Coeficiente de Curtosis cercano
a cero. Una Leptocrtica, un valor notoriamente mayor que cero y
una Platicrtica valores menores que cero.
Por anlisis de regresin se entiende al conjunto de mtodos

estadsticos que tratan con la formulacin de modelos
matemticos que describen la relacin entre variables y el
uso de estas relaciones modeladas con el propsito de
predecir e inferir.
Por Regresin Lineal Simple se entiende
Supuestos del Anlisis

de Regresin Lineal
Simple
Y es una variable aleatoria cuya

distribucin probabilstica depende
de X
Modelo de la Lnea Recta
Homogeneidad de Varianza
Normalidad
Independencia
Regresin Lineal Simple/Diagrama de Dispersin

Llamado tambin Ploteo de Datos, tiene como propsito
mostrar la posible tendencia (en caso de existir) entre las
variables X y Y.
Consiste en llevar los pares de valores x, y a un sistema de
coordenadas (bidimensional)
Y
(x, y)
Rango de Sueldo (X)

11
10
8
5
9
9
7
3
11
8
7
2
9
8
6
3
Inasistencias (Y)
18
17
29
36
11
26
28
35
14
20
32
39
16
26
31
40
Regresin Lineal Simple/Diagrama de Dispersin
45
40
35
30
25
Inasistencia
20
15
10
5
0
0
6
Rango de Salario
10
12
Regresin Lineal Simple/Mtodos de Mnimos Cuadrados

El supuesto No 2 de RLS plantea que de existir una relacin
entre X y Y, sta es una lnea recta, por lo tanto se puede
pensar en una ecuacin de la siguiente forma:
Parmetros
Estimacin
De tal manera que se llegue a obtener una ecuacin de la
siguiente naturaleza:
Regresin Lineal Simple/Mtodos de Mnimos Cuadrados

Uso de
Mnimos
Gauss)
la Tcnica de
Cuadrados
(Carl
A partir de muestras (x1, y1), (x2, y2), (xi, yi) de las variables
X y Y, se trata de obtener los estimadores . Para ello la
Tcnica de Mnimos Cuadrados minimiza la suma de cuadrado de
las distancias entre los valores observados y los estimados de
tal manera que :
Regresin Lineal Simple/Recta de Estimacin
Estimada una vez la recta de Prediccin y teniendo en cuenta

que el propsito de la R.L.S es la prediccin, se hace
necesario estar seguro que la ecuacin estimada es capaz de
predecir.
Por esta razn es necesario validar la ecuacin estimada
Regresin Lineal Simple/Validacin de la Recta de Estimacin
Validacin
Clculo de Coeficiente
de Determinacin R
Cuantifica la cantidad de la
variabilidad de Y que
puede ser explicada por X
R 70%
Anlisis de Varianza
de la Regresin ANARE
Regresin Lineal Simple/Validacin de la Recta de

Estimacin/ANARE
Por anlisis de Varianza se entiende, de forma general, a la
particin de la variacin total en fuente de variacin conocida
que en el caso de R.L.S son de acuerdo al siguiente modelo
aditivo lineal:
xi= Variacin debida a
Regresin
i = Variacin debida al Error
FV
gl
SC
CM
Regresin
SCRegresin
CMRegresin
CMError
Error
n-2
SCError
Total
n.1
SCTotales
Fc
CMRegresin
Ft (Pr>F)
/CMError
Regla de Decisin
NRHo : Fc Ft
RHo : Fc > Ft
Correlacin Lineal Simple
As como existen tcnicas que cuantifican los cambios de una

variable dependiente por un nico cambio de la variable
independiente, existen tcnicas que cuantifican la asociacin
lineal entre dos variables, esta tcnica es llamada Correlacin
Lineal Simple que se exprese como el coeficiente de
correlacin (r)
Este coeficiente indica el sentido de la asociacin como
tambin la magnitud de sta, partiendo del hecho que el
coeficiente de correlacin lineal simple toma valores en el
rango de: r es -1 r 1. Entre ms se acerca a 1 el valor de r
mayor es la asociacin entre dichas variables.
-1 r < -0.8
Asociacin
fuerte
-0.8 r < -0.4
negativa
Asociacin
dbil
-0.4 r 0
0 r < 0.4
negativa
No
asociacin
No
hay
asociacin
0.4 r < 0.8 Asociacin
y
hay
dbil
0.8 r 1
positiva
Asociacin
fuerte
positiva
Mide la cantidad de cambios en Y Mide

asociacin
por un nico cambio en X.
entre dos variables
lineal
Existe una variable dependiente y Es indistinto x, y y, x

otra independiente
1 puede tomar cualquier valor en la El
coeficiente
de
recta numrica
correlacin toma valores en
el intervalo -1 r 1
PROBABILIDADES
Experimentos Aleatorios
Espacio Muestral,Eventos y Sucesos
Tipos de Experimentos Aleatorios
Probabilidad
Relaciones entre Eventos

Enfoques de Probabilidad/Teoremas
Bsicos de Probabilidad
Eventos Dependientes/Independientes
Probabilidad Total/Teorema de Bayes
PROBABILIDADES
Determinsticos
Experimentos
No Determinsticos
Es un proceso planificado a
travs del cual se obtiene
una observacin (o una
medicin) de un fenmeno
Son experimentos no
determinsticos cuyos resultados
estn regidos por el azar
Sus resultados se conocen con

anticipacin sin necesidad de
realizar el experimento
Sus resultados se conocen

una vez que el experimento
ha finalizado
Se pueden describir los
posibles resultados pero no se
puede decir cul de ellos
ocurrir
Experimentos Aleatorios
PROBABILIDADES
Supngase que se lanzan dos monedas legales al mismo
tiempo y que a una cara de cada moneda se la llama
Cara a la otra Sol entonces:
={CC, CS, SC, SS}

Supngase ahora que se lanza un
dado legal. Entonces:
={1, 2, 3, 4, 5, 6,}
Son aquellos experimentos no determinsticos
cuyos resultados estn regidos por la
casualidad (azar)
Experimentos
Aleatorios
PROBABILIDADES
Retomando el caso del lanzamiento de las dos
monedas, hay otro posible resultado en este
experimento?.
O bien en el caso del lanzamiento
del dado
Espacio Muestral
M = {CC, CS, SC, SS}

Son todos los resultados
que estn asociados a un
experimento aleatorio
M = {1, 2, 3, 4, 5, 6,}
Supngase que el lanzamiento del
dado se est interesado en la
ocurrencia de una cara impar
A = {1,3,5}
Evento
Es subconjunto del espacio

muestral, es decir, sus
resultados pertenecen al
espacio muestral
PROBABILIDADES
Espacio Muestral
2
A
1
3
Evento
5
Suceso (wi)
Letras
Maysculas del
Alfabeto
6
A= (wiA /wi M
PROBABILIDADES
Simples
Un solo experimento aleatorio
Compuestos
Cuando ocurren dos o ms

experimentos simples al mismo
tiempo o bien uno despus del
otro
Experimentos
Aleatorios
Unidos por la
partcula (v)
Los experimentos simples que
lo componen ocurren de
forma sucesiva
M = {M1UM2UMi}
Unidos por la
partcula y ( )
Los experimentos simples que
lo componen ocurren al mismo
tiempo
M = {M1M2Mi}
PROBABILIDADES
Simples
Un solo experimento aleatorio

M = {1, 2, 3, 4, 5, 6,}
Experimentos
Aleatorios
Compuestos
Cuando ocurren dos o ms

experimentos simples al mismo
tiempo o bien uno despus del
otro
M = {CC, CS, SC, SS}
PROBABILIDADES
Experimentos compuestos
unidos por la partcula y
El espacio muestral es el
producto cartesiano de los
espacios muestrales simples
que lo conforman
M3
M2
M1
CC
CS
SC
SS
M1*M2
CC
CCC
CCS
CS
CSC
CSS
SC
SCC
SCS
SS
SSC
SSS
PROBABILIDADES
3era Moneda
2da Moneda
1ra Moneda
S
C
M
S
Experimentos compuestos
unidos por la partcula y
CCC
CCS
Diagrama del rbol
CSC
Diagrama de Senderos
S
C
S
CSS
SCC
SCS
SSC
SSS
PROBABILIDADES
De acuerdo a cmo ocurren los eventos se pueden
establecer algunas relaciones entre ellos tales como:
A
AUB
AUB
B
M
A
AB
PROBABILIDADES
Clsico
Enfoques de
Probabilidades
Probabilidad A priori. Llamada

Tambin Probabilidad de
Laplace
Subjetivo
Frecuencia
Relativa
Probabilidad A posteriore
PROBABILIDADES
Supuesto
Probabilidad
Clsica
Subjetivo
Todos los sucesos de un

experimento aleatorio tienen
la
misma
posibilidad
de
ocurrir, entonces:
na
P A
M
0 P A 1
Frecuencia
Relativa
P A
n
N
Probabilidad A posteriore
Si en la realizacin de
experimento aleatorio aparece
un evento A n veces
N,entonces:
PROBABILIDADES
P[AUB] = P [A] + P [B]
P[AUB] = P [A] + P [B] P[AB]
Teoremas Bsicos de
Probabilidades
P[] = 0
0 P A 1 / 0 P A 100%
P[M] = 1
P Ac 1 P A
PROBABILIDADES
Eventos Dependientes
Cuando la ocurrencia de un evento est en dependencia de otro
evento, se dice que ste es dependiente.
Sea A y B dos eventos en el espacio muestral M, se dice que A
es un evento dependiente de B s;
P A P A ; P B 0
B
B PPABB P A; P B 0
PA
P B P B ; P A 0
A
o bien:
A PPBA A P B; P A 0
PB
Estas probabilidades se pueden calcular de dos formas:
Respecto al espacio muestral original
Respecto al espacio muestral del evento condicionante
PROBABILIDADES
En una institucin de Educacin Superior se tiene 300 docentes,
de los cuales 100 son casados y 30 divorciados. En dicha
institucin hay 200 hombres, 85 de los cuales son casados y 95
son solteros. Determinar cual es la probabilidad de seleccionar un
docente al azar:
a. Que sea mujer
b. Que sea soltero (a)
c. Que sea un hombre y est casado (a)
d. Que sea una mujer divorciada
e. Dado que el docente es casado (a), cul es la probabilidad
que sea hombre?
f. Si el docente seleccionado es hombre, cul es la probabilidad
que sea casado?
PROBABILIDADES
En una universidad el 70% de los estudiantes son de Ciencias,
30% de Letras. De los estudiantes de Ciencias el 60% son
varones y los de Letras son varones el 40%. Si se elige al azar
un estudiante, calcule la probabilidad que:
a. Sea mujer
b. Se estudiante varn dado si es de Ciencias
c. Sea estudiante de Ciencias dado que es varn
d. Sea estudiante de Ciencias y varn.
PROBABILIDADES
Eventos Independientes
Cuando la ocurrencia de un evento no est en dependencia de la
ocurrencia de otro evento, se dice que stos son independientes.
Sea A y B dos eventos en el espacio muestral M, se dice que A
es un evento independiente de B s se cumple con cualquiera de
las siguientes condiciones:
B P PABB P A; P B 0
PA
A PPBA A P B; P A 0
PB
P A B P A * P B
PROBABILIDADES
Probabilidad Total
Sea A1, A2, , Ak, eventos que forman una particin del espacio
muestral M y sea B, un evento en M. Si las probabilidades P[A1],
P[A2], P[A3], P[Ak], si P[B/A1], P[B/A2], P[B/A3], P[B/Ak]
son probabilidades conocidas entonces:
P B P A1 P B / A1 P[ A2]P[ B / A2] ...P[ Ak ]P[ B / Ak ]
Probabilidad Total =
P B
i 1
P Ak P B / Ak
PROBABILIDADES
Teorema de Bayes
Sea A1, A2, , Ak, eventos que forman una particin del espacio
muestral M y sea B, un evento en M. Si las probabilidades P[A1],
P[A2], P[A3], P[Ak], si P[B/A1], P[B/A2], P[B/A3], P[B/Ak].
Si B ya ha ocurrido y se est interesado en saber a cual de los
eventos que forman la particin muestral se ha debido su
ocurrencia, entonces se usa el denominado Teorema de Bayes
P Ak
P Ak P B
Ak
k
B
i 1 P Ak P B Ak

Estadistica

Uploaded by

Document Information

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

Estadistica

Uploaded by

Copyright:

Available Formats

ESTADISTICA

Edad (aos) de los estudiantes

Ciencia encargada de la Recoleccin,

Sea X y Y dos variables y sea x1, x2, xn y

Universidad Objeto de Estudio

DIAGRAMA DE TALLO Y HOJAS

(normalmente el ltimo dgito) y un "tallo" (los otros dgitos). Por

Histograma de Frecuencias Absolutas

Puntos Medios de Ckases

Ojiva o Polgono de Frecuencias Acumuladas (menor que)

Mtodos Numricos (Medidas de Tendencia Central)

La Estadstica oferta otra herramienta

Medidas de Tendencia Central/Promedio

Es la sumatoria de las observaciones que

Se interpreta como el punto de equilibrio

Medidas de Tendencia Central

Jefe de Carrera C.S

Datos sin tabular

Me = (xn/2 + x n/2 + 1 )/2

Mediana es aquella medida

Deformacin de Curvas Unimodales

Deformacin de Curvas Unimodales

Una medida de tendencia central por si sola no es tan

encuentran un conjunto de datos a un punto de

Rango = Valor Mximo Valor Mnimo

Es el promedio de las desviaciones al

S = 152.525 = 12.35 min/est

Si la tabla no presenta clases abierta es posible

Todas las medidas de dispersin expuestas

Las medidas de dispersin cuantifican cunto se

Deformacin de Curvas Unimodales

En el desarrollo de los eventos,

de curvas de acuerdo a la definicin anterior:

Por anlisis de regresin se entiende al conjunto de mtodos

Supuestos del Anlisis

Y es una variable aleatoria cuya

Regresin Lineal Simple/Diagrama de Dispersin

Rango de Sueldo (X)

Regresin Lineal Simple/Diagrama de Dispersin

Regresin Lineal Simple/Mtodos de Mnimos Cuadrados

Regresin Lineal Simple/Mtodos de Mnimos Cuadrados

Regresin Lineal Simple/Recta de Estimacin

Estimada una vez la recta de Prediccin y teniendo en cuenta

Regresin Lineal Simple/Validacin de la Recta de Estimacin

Regresin Lineal Simple/Validacin de la Recta de

As como existen tcnicas que cuantifican los cambios de una

-0.8 r < -0.4

Regresin Lineal Simple

Correlacin Lineal Simple

Mide la cantidad de cambios en Y Mide

Existe una variable dependiente y Es indistinto x, y y, x

Relaciones entre Eventos

Sus resultados se conocen con

Sus resultados se conocen

={CC, CS, SC, SS}

M = {CC, CS, SC, SS}

Es subconjunto del espacio

Un solo experimento aleatorio

Cuando ocurren dos o ms

Un solo experimento aleatorio

Cuando ocurren dos o ms

Diagrama del rbol

Probabilidad A priori. Llamada

Todos los sucesos de un