Cursodeestadisticaaplicada2010 100131192903 Phpapp01

UNIVERSIDAD “GABRIEL RENE MORENO”
FACULTAD POLITECNICA
UNIDAD DE POSTGRADO
ESTADISTICA APLICADA
Por: Ing. M.Sc. Francisco Martínez Solaris

Mgs. Educación Superior
martinezsolaris@cotas.com.bo
martinezsolaris@hotmail.com
Nociones Generales
Número de Tipo de Anemia

Total
especies Leve Moderada Severa
parásitas n % n % n % n %
1 3 100 0 0 0 0 3 2.61
2 12 70.59 5 29.41 0 0 17 14.78
3 30 69.77 11 25.58 2 4.65 43 37.39
4 21 67.74 9 29.03 1 3.23 31 26.96
5 11 68.75 5 31.25 0 0 16 13.91
6 3 60.00 2 40.00 0 0 5 4.35
69.5 27.8
Total 80 7 32 3 3 2.61 115 100
Moderada Severa
50 Normal
Número de estudiantes
17.39% 1.63%
40 37.50%
30
20
10
0
5 6 7 8 9 10 11 12 13
Leve
Edad (años) de los estudiantes 43.48%
Nociones Generales
ESTADÍSTICA ¿Qué es?...
DESCRIPTIVA INFERENCIAL
PROPOSITO PROPOSITO
METODOS METODO
• TABULARES PROBABILISTICO
Características • GRAFICOS
• NUMERICOS
Nociones Generales
Ciencia encargada de la Recolección,

Manipulación, Organización y
Presentación de información de
manera tal que ésta tenga una
Confiabilidad determinada
Nociones Generales
INFERENCIA
ESTIMACION
Población
N
Muestra
Parámetros
Deducción n=?
µ, σ2, p,
Estadísticos
etc
Estadígrafos
TECNICAS DE
MUESTREO
Nociones Generales
Probabilístico MAS, MAP y MAE

MUESTREO
No Probabilística
Probabilístico
Azar
MUESTRA Tipos
No Probabilística
Arbitraria
Nociones Generales
POBLACION MUESTRA • Nombre

• Definición
Atributo • Rango de Valores
• Clasificación
Cambiar
Variable Elementos
Cualitativas Categorías
Tipos
Discretas
Cuantitativas
Continuas
Nociones Generales
• Nombre
Variable Elementos • Definición

• Rango de Valores
+ • Clasificación
Nominal
Medirse
Ordinal
Escalas de
De Intervalo
Medición
De Razón
Métodos Tabulares
DESCRIPTIVA
Sea X y Y dos variables y sea x1, x2, … xn y
y1, y2, … yn, valores que toman las variables
METODOS X y Y, y sean “a” y “b” dos constantes.
Entonces:
TABULARES x1 + x2 + x3 + …xn y1 + y2 + y3 + …yn
 
n n
xi yi
Sumatoria i 1 i 1
Propiedades
Propiedades de Sumatoria
Métodos Tabulares/Ordenamiento
Edad (años) Edad (años) Valores

17 15
extremos
18 16
18 16
16 17
21 17
15 Ordenándolo 18
17 18
Valores mas
19 18 frecuente
Desventaja
20 18
18 19
16 20
Valores
18 21 extremos
Cuadro de Frecuencia
Edad
fi fr Fia Fra
Cuadros de (años)
Frecuencia 15 1 8.3 1 8.3
16 2 16.7 3 25.0
17 2 16.7 5 41.7
18 4 33.3 9 75.0
19 1 8.3 10 83.3
20 1 8.3 11 91.7
21 1 8.3 12 100
Total 12 100
Lugar de realización del

n %
Diplomado
Extranjero 19 13.87
Universidad Objeto de Estudio 87 63.50
Otras universidades bolivianas 31 22.63
Total 137 100
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
La Estadística ofrece otra

Cuadro de alternativa Tablas de Frecuencias
Frecuencia Absolutas y Relativas
Tabla de Frecuencia
Procedimiento
Definir el Número de
≥ 5 ó ≤ 20 ó 25
Intervalos
Sturges
Ac = A/k
A = Valor Máx.- Valor Mín.
K = 1 + 3.33* log n
Tipo de Intervalos
(Li - LS]
Ac = Ajustada
RI = Ac*K > A
MD = (RI – A)/2
Tabla de Frecuencia
Intervalos de Clases PMC fi fr Fia Fra
37.1 a 42.6 39.85 8 0.27 8 0.27
42.6 a 48.1 45.35 3 0.10 11 0.37
48.1 a 53.6 50.85 4 0.13 15 0.50
53.6 a 59.1 56.35 2 0.07 17 0.57
59.1 a 64.6 61.85 4 0.13 21 0.70
64.6 a 70.1 67.35 9 0.30 30 1

30 1
Métodos Gráficos
Diagrama de Puntos
Histograma
Métodos Gráficos Clásicos Polígono de Frecuencias
Ojiva
Diagrama de Sectores
Diagrama de Puntos
15 16 17 18 19 20 21
Edad (años)
Histograma
Histograma de Frecuencias Absolutas

10
9
8
7
6
5
fi
4
3
2
1
0
Intervalos de clases
Polígono de Frecuencias
Polígono de Freecuencia Absoluta

10
5
fi
0
34.35 39.85 45.35 50.85 56.35 61.85 67.35 72.85
Puntos Medios de Ckases

Ojiva
Ojiva o Polígono de Frecuencias

Acumuladas (menor que)
35
30
25
20
Fia
15
10
5
0
37.1 42.6 48.1 53.6 59.1 64.6 70.1
Tiempo (minutos)
(19*360)
137-------360
X= = 49.9
19 ------- x
137
Lugar de realización de n Grados

estudios Postgraduales
Extranjero 19 49.927
Universidad de Interés 87 228.613
Otras universidades
bolivianas 31 81.460
Total 137 360
Otras
universidades Diagrama de Sectores
bolivianas , Extranjero ,
81.45985 49.92701
Universidad
de Interés ,
228.61314
Métodos Numéricos (Medidas de Tendencia Central)
Cuando se desea comparar dos o más

poblaciones o bien muestras, y si las
variables de interés son de carácter
numérico …
Los métodos tabulares no son los más

recomendables
La Estadística oferta otra herramienta

llamada Métodos Numéricos
Medidas de Tendencia Central
Localizan el centro de
una base de datos
numéricas
Medidas de Tendencia
Central
Cuantifican cuánto se
dispersan los datos de una
Métodos Numéricos medida de tendencia
central
Medidas de Dispersión
Promedio
Media Ponderada
Medidas de Tendencia
Central Mediana
Moda
Medidas de Tendencia Central/Promedio
Media µ
Población
Poblacional
Es la sumatoria de las observaciones que

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

de una base de datos numéricas
Tiempo
Desviaciones
(minutos)
xi  x
52.6
-4.15
38.9
-17.85
68.3
11.55
67.2
10.45
63.9
7.15
64.9
 xi  x   0
n
8.15 Propiedad
68.3 i 1
11.55
39.2
-17.55
42.3
-14.45
61.9
Suma 5.15
567.5 Suma
0
56.75
Promedio
Media en datos tabulados
Si la tabla no presenta clases abierta es

posible hacer una estimación 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 estimación de la suma de las
observaciones que caben en el intervalo y como una
tabla tiene k-ésimo intervalos entonces:
Intervalos PMC*fi
PMC fi
de Clases
37.1 a 42.6 39.85 8 318.8
42.6 a 48.1 45.35 3 136.05
48.1 a 53.6 50.85 4 203.4
1624.5
53.6 a 59.1 56.35 2 112.7 x= 30
= 54.15
59.1 a 64.6 61.85 4 247.4
64.6 a 70.1 67.35 9 606.15
30 1624.5
Cuando los datos tienen diferente peso dentro de la

base de datos, si desea obtener el promedio, la media
aritmética no es la más indicada
Cargo fi Salario
Rector 1 2000
Asesores 2 1200
Vic. Académico 1 1150
Vic. Administrativo 1 1250
Jefe de Carrera C.S 2 1000
Jefe de Carrera 5 800
Administrativo 2 600
Secretarias 9 120
Salario Xiwi
Cargo fi (wi) (xi)
Rector 1 2000 2000
Asesores 2 1200 2400
Vic. Académico 1 1150 1150

15080
Vic. Administrativo 1 1250 1250 xw = = 655.65
23
Jefe de Carrera C.S 2 1000 2000
Jefe de Carrera 5 800 4000
Administrativo 2 600 1200
Secretarias 9 120 1080
15080
Si los datos no se distribuyen

simétricamente (curva simétrica) el
promedio no es la mejor medida para
localizar el centro de los mismos •Ordenar
Impar
n Me = xn/2 + 0.5
Datos sin tabular
Par
Me = (xn/2 + x n/2 + 1 )/2

Mediana (Me)
(b-a)(0.5- c)
Datos tabulados Me = a +
d
Tiempo Tiempo
(minutos) (minutos)
38.9 38.9
39.2
Me = xn/2 + 0.5
39.2
42.3 42.3
52.6
n es impar 52.6
61.9 61.9
63.9
Me
63.9
64.9 64.9
67.2 67.2
68.3 68.3
Tiempo Tiempo
(minutos) (minutos)
38.9 38.9 Me = (xn/2 + x n/2 + 1 )/2
39.2 39.2
42.3 42.3 61.9 + 63.9
n es par 52.6 52.6 Me = = 62.9
61.9 61.9 2
62.9
63.9 63.9
64.9 64.9
67.2 67.2 Mediana es aquella medida
68.3 68.3
de tendencia central que
antes y después de ella no
68.3 68.3
existe más del 50% de la
información
(b-a)(0.5- c)
Me = a +
d
Clase de la Mediana
a = Límite inferior de la • Complete la columna Fia
clase de la Me • Localice la menor Fia >
b = Límite superior de la n/2
clase de la Me • La clase a la que
c = Fra una clase antes de pertenece esta frecuencia
la clase de la Me (Nj-1) es la clase de la mediana
(Nj)
d = fr de la clase de la Me
• La Clase antes de Nj es
Nj -1
(b-a)(0.5- c) a = Límite inferior de la

Me = a + clase de la Me
d b = Límite superior de la clase de
la Me
(59.1-53.6)(0.5- 0.5) c = Fra una clase antes de la
Me = 53.6 + = 53.6 clase de la Me (Nj-1)
0.07 d = fr de la clase de la Me
Intervalos
PMC fi fr Fia Fra
de Clases Ubicación de la
37.1 a 42.6 39.85 8 0.27 8 0.27 clase de la Me
42.6 a 48.1 45.35 3 0.10 11 0.37
n = 30
48.1 a 53.6 50.85 4 0.13 15 0.50
n/2 = 15
53.6 a 59.1 56.35 2 0.07 17 0.57
Nj = 17… (53.6 – 59.1)
59.1 a 64.6 61.85 4 0.13 21 0.70 Nj- 1 = (48.1 – 53.6)
64.6 a 70.1 67.35 9 0.30 30 1
Connotancia de Moda Tiempo

(Mo) en Estadística (minutos)
38.9
39.2
En caso de existir es la 42.3
(s) observación (nes) 52.6
que más se repiten en 61.9
una base de datos 63.9
64.9
Distribuciones: 67.2
68.3
Unimodales
68.3 Mo
Bimodales
Etc.
(ficmo- ficpremo)
Mo = Licmo + Acmo
(ficmo-ficpremo) + (ficmo – ficpostmo)
Donde:
Licmo: Límite 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
PMC fi
de Clases
37.1 a 42.6 39.85 8

(9 - 4)
42.6 a 48.1 45.35 3
Mo = 64.6 + 5.5 = 66.56
48.1 a 53.6 50.85 4 (9 - 4) + (9 – 0)
53.6 a 59.1 56.35 2
59.1 a 64.6 61.85 4
64.6 a 70.1 67.35 9

Una medida de tendencia central por si sola no es tan

importante. Por esta razón debe estar acompañada de
una medida de dispersión
Rango/Distancia/Amplitud o Recorrido
Varianza (Variancia)
Desviación Típica o Estándar
Coeficiente de Variación
Rango Rango = Valor Máximo – Valor Mínimo
 xi   
N 2
Población ( σ²)  2
 i 1
N
Es el promedio de las desviaciones al
Varianza cuadrado de las observaciones que
toma una variable respecto a su media
Muestra (S²)
xi (Desviaciones)2
52.6 17.2225
38.9 318.6225
1372.725
68.3 133.4025
S² = = 152.525mi²/est²
67.2 109.2025
63.9 51.1225 10 - 1
64.9 66.4225
Desventaja
68.3 133.4025
39.2 308.0025
Desviación Típica S = √S²
42.3 208.8025
61.9 26.5225 S = √152.525 = 12.35 min/est
Sumatoria 567.5 1372.725
Promedio 56.75 Interpretación x±S
56.75 ± 12.35 min/est.

Si la tabla no presenta clases abierta es posible

hacer una estimación de la varianza de la siguiente
forma:
Intervalos de PMC fi
Clases
37.1 a 42.6 39.85 8
42.6 a 48.1 45.35 3
48.1 a 53.6 50.85 4
53.6 a 59.1 56.35 2
59.1 a 64.6 61.85 4
64.6 a 70.1 67.35 9

91693.475 
1624.5
2
S2  30  124.774
30  1
Intervalos de PMC*fi PMC2*fi

PMC fi S  124.774 11.70
Clases
37.1 a 42.6 39.85 8 318.8 12704.18
42.6 a 48.1 45.35 3 136.05 6169.8675
48.1 a 53.6 50.85 4 203.4 10342.89
53.6 a 59.1 56.35 2 112.7 6350.645
59.1 a 64.6 61.85 4 247.4 15301.69

64.6 a 70.1 67.35 9 606.15 40824.203
1624.5 91693.475
Todas las medidas de dispersión expuestas

anteriormente son dimensionales (toman las unidades
de medidas de las variables)
Existe otra medida de dispersión pero adimensional

llamadas Coeficiente de Variación o Dispersión
Relativa
S S
C.V    C.V    *100
x x
Las medidas de dispersión cuantifican cuánto se

dispersan los datos alrededor de una medida de
tendencia central, pero, ¿Para donde se desvían los
datos?, a la izquierda de la media, a la derecha o se
distribuyen simétricamente.
Existen otras medidas aplicable solo a curvas

unimodales que tratan de las deformación de curvas
tanto de forma horizontal como vertical
Deformación de Curvas Unimodales
Asimetría Positiva x > Me > Mo
Curvas Simétricas x = Me = Mo
Asimetría
Asimetría Negativa x < Me < Mo

Curva Leptocúrtica Kur > 3
Curva Mesocúrtica Kur = 3

Curtosis
Curva Platicúrtica Kur < 3

Regresión Lineal Simple
En el desarrollo de los eventos,

X1 puede ser que una variable sea
Y X2 afectada por el comportamiento de
. otra (s) variable (s)
.
.
Es de interés poder cuantificar

Xi este tipo de relación de manera
que se pueda predecir una variable
en función de otra
Y: Variable Dependiente En Regresión Lineal Simple es de
X: Variable Independiente interés cuando una variable afecta
el comportamiento de otra variable
Y = f(X)
Propósito de la R.L.S: Predicción
Regresión Lineal Simple
Por análisis de regresión se entiende al conjunto de métodos

estadísticos que tratan con la formulación de modelos
matemáticos que describen la relación entre variables y el
uso de estas relaciones modeladas con el propósito de
predecir e inferir.
Por Regresión Lineal Simple se entiende …
“Y” es una variable aleatoria cuya

distribución probabilística depende
de “X”
Supuestos del Análisis Modelo de la Línea Recta
de Regresión Lineal Homogeneidad de Varianza
Simple
Normalidad
Independencia
Regresión Lineal Simple/Diagrama de Dispersión
Llamado también Ploteo de Datos, tiene como propósito

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)
(x, y)
X
Rango de Sueldo (X) Inasistencias (Y)
11 18
10 17
8 29
5 36
9 11
9 26
7 28
3 35
11 14
8 20
7 32
2 39
9 16
8 26
6 31
3 40
Regresión Lineal Simple/Diagrama de Dispersión
45
40
35
30
Inasistencia
25
20
15
10
0
0 2 4 6 8 10 12
Rango de Salario
Regresión Lineal Simple/Métodos de Mínimos Cuadrados
El supuesto No 2 de RLS plantea que de existir una relación

entre “X” y “Y”, ésta es una línea recta, por lo tanto se puede
pensar en una ecuación de la siguiente forma:
Parámetros
Estimación
De tal manera que se llegue a obtener una ecuación de la

siguiente naturaleza:
Regresión Lineal Simple/Métodos de Mínimos Cuadrados
Uso de la Técnica de
Mínimos Cuadrados (Carl
Gauss)
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
Técnica de Mínimos Cuadrados minimiza la suma de cuadrado de
las distancias entre los valores observados y los estimados de
tal manera que :
Y
X
Regresión Lineal Simple/Recta de Estimación
Estimada una vez la recta de Predicción y teniendo en cuenta

que el propósito de la R.L.S es la predicción, se hace
necesario estar seguro que la ecuación estimada es capaz de
predecir.
Por esta razón es necesario validar la ecuación estimada

Regresión Lineal Simple/Validación de la Recta de Estimación
Validación
Cálculo de Coeficiente Análisis de Varianza

de Determinación R² de la Regresión “ANARE”
Cuantifica la cantidad de la
variabilidad de “Y” que
puede ser explicada por “X”
R² ≥ 70%
Regresión Lineal Simple/Validación de la Recta de
Estimación/ANARE
Por análisis de Varianza se entiende, de forma general, a la

partición de la variación total en fuente de variación conocida
que en el caso de R.L.S son de acuerdo al siguiente modelo
aditivo lineal:
xi= Variación debida a Regresión

εi = Variación debida al Error
FV gl SC CM Fc Ft (Pr>F)
CMRegresión
Regresión 1 SCRegresión CMRegresión
/CMError
Error n-2 SCError CMError
Total n.1 SCTotales
Regla de Decisión
NRHo : Fc ≤ Ft
RHo : Fc > Ft
Correlación Lineal Simple
Así como existen técnicas que cuantifican los cambios de una

variable dependiente por un único cambio de la variable
independiente, existen técnicas que cuantifican la asociación
lineal entre dos variables, esta técnica es llamada Correlación
Lineal Simple que se exprese como el coeficiente de
correlación (r)
Este coeficiente indica el sentido de la asociación como
también la magnitud de ésta, partiendo del hecho que el
coeficiente de correlación lineal simple toma valores en el
rango de: r es -1 ≤ r ≤ 1. Entre más se acerca a 1 el valor de
r mayor es la asociación entre dichas variables.
-1 ≤ r < -0.8 Asociación 0 ≤ r < 0.4 No hay

fuerte y asociación
negativa
-0.8 ≤ r < -0.4 Asociación 0.4 ≤ r < 0.8 Asociación
débil y débil y
negativa positiva
-0.4 ≤ r ≤ 0 No hay 0.8 ≤ r ≤ 1 Asociación
asociación fuerte y
positiva
Regresión Lineal Simple Correlación Lineal Simple

Mide la cantidad de cambios en “Y” Mide asociación lineal
por un único cambio en “X”. entre dos variables
Existe una variable dependiente y Es indistinto x, y ó y, x

otra independiente
β1 puede tomar cualquier valor en la El coeficiente de

recta numérica correlación 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
Básicos de Probabilidad
Eventos Dependientes/Independientes
Probabilidad Total/Teorema de Bayes

PROBABILIDADES
Sus resultados se conocen con

Determinísticos anticipación sin necesidad de
realizar el experimento
Experimentos
Sus resultados se conocen
una vez que el experimento
ha finalizado
No Determinísticos
Se pueden describir los
Es un proceso planificado a
posibles resultados pero no se
través del cual se obtiene
puede decir cuál de ellos
una observación (o una
ocurrirá
medición) de un fenómeno
Son experimentos no Experimentos Aleatorios

determinísticos cuyos resultados
están regidos por el azar
PROBABILIDADES
Supóngase 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}

Experimentos
Supóngase ahora que se lanza un
Aleatorios
dado legal. Entonces:
={1, 2, 3, 4, 5, 6,}
Son aquellos experimentos no determinísticos

cuyos resultados están regidos por la
casualidad (azar)
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
M = {1, 2, 3, 4, 5, 6,} que están asociados a un
experimento aleatorio
Supóngase que el lanzamiento del Es subconjunto del espacio

dado se está interesado en la muestral, es decir, sus
ocurrencia de una cara impar resultados pertenecen al
espacio muestral
A = {1,3,5} Evento
PROBABILIDADES
Espacio Muestral
M
2
A Evento
1
3 5
Suceso (wi)
Letras
4 6 Mayúsculas del
Alfabeto
A= (wiεA /wi ε M
PROBABILIDADES
Simples Un solo experimento aleatorio
Experimentos
Cuando ocurren dos o más
Aleatorios experimentos simples al mismo
tiempo o bien uno después del
Compuestos otro
Unidos por la Unidos por la

partícula “ó” (v) partícula “y” (  )
Los experimentos simples que Los experimentos simples que

lo componen ocurren de lo componen ocurren al mismo
forma sucesiva tiempo
M = {M1UM2U…Mi} M = {M1∩M2…Mi}
PROBABILIDADES
Simples Un solo experimento aleatorio
Experimentos M = {1, 2, 3, 4, 5, 6,}

Aleatorios
Cuando ocurren dos o más
experimentos simples al mismo
Compuestos
tiempo o bien uno después del
otro
M = {CC, CS, SC, SS}

PROBABILIDADES
Experimentos compuestos El espacio muestral es el
unidos por la partícula “y” producto cartesiano de los
espacios muestrales simples
que lo conforman
M3
M2 M1*M2 C S
M1 C S
CC CCC CCS
C CC CS
CS CSC CSS
S SC SS
SC SCC SCS
SS SSC SSS
PROBABILIDADES
3era Moneda
Experimentos compuestos
2da Moneda C CCC unidos por la partícula “y”
C Diagrama del Árbol

1ra Moneda S CCS
Diagrama de Senderos
C CSC
C S
S
C CSS
M C
S SCC
S
SCS
C
SSC
S
S
SSS
PROBABILIDADES
De acuerdo a cómo ocurren los eventos se pueden

establecer algunas relaciones entre ellos tales como:
A B M A B M
AUB AUB
A B M
M
A´
A
AΠB
PROBABILIDADES
Probabilidad A priori. Llamada
Clásico También Probabilidad de
Laplace
Enfoques de
Subjetivo
Probabilidades
Frecuencia
Probabilidad A posteriore
Relativa
PROBABILIDADES
Todos los sucesos de un
Supuesto experimento aleatorio tienen
la misma posibilidad de
ocurrir, entonces:
Probabilidad
Subjetivo
P A 
na
Clásica
M
0  PA  1
Frecuencia
Probabilidad A posteriore
Relativa
Si en la realización de
experimento aleatorio aparece
P A 
n
un evento A “n veces ≤
N
N”,entonces:
PROBABILIDADES
P[AUB] = P [A] + P [B]
P[AUB] = P [A] + P [B] – P[AΠB]
Teoremas Básicos de P[Ø] = 0

Probabilidades
P[M] = 1
 
P Ac  1  PA
0  P A  1 / 0  P A  100%

PROBABILIDADES
Eventos Dependientes
Cuando la ocurrencia de un evento está en dependencia de otro
evento, se dice que éste es dependiente.
Sea A y B dos eventos en el espacio muestral “M”, se dice que A

es un evento dependiente de B sí;
B
 
P A  P A ; PB  0 o bien:  
P B  P B ; PA  0
A
 B PPABB  PA; PB  0

PA  A PPBA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 institución de Educación Superior se tiene 300 docentes,

de los cuales 100 son casados y 30 divorciados. En dicha
institución 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 esté casado (a)
d. Que sea una mujer divorciada
e. Dado que el docente es casado (a), ¿cuál es la probabilidad
que sea hombre?
f. Si el docente seleccionado es hombre, ¿cuál 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 varón dado si es de Ciencias
c. Sea estudiante de Ciencias dado que es varón
d. Sea estudiante de Ciencias y varón.
PROBABILIDADES
Eventos Independientes
Cuando la ocurrencia de un evento no está en dependencia de la
ocurrencia de otro evento, se dice que éstos son independientes.
Sea A y B dos eventos en el espacio muestral “M”, se dice que A

es un evento independiente de B sí se cumple con cualquiera de
las siguientes condiciones:
 B PPABB  PA; PB  0

PA
 A PPBA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 partición 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 

k
PROBABILIDADES
Teorema de Bayes
Sea A1, A2, …, Ak, eventos que forman una partición 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 está interesado en saber a cual de los
eventos que forman la partición muestral se ha debido su
ocurrencia, entonces se usa el denominado Teorema de Bayes
 B  PAk P B  Ak 
PAk PB 
P Ak

k
i 1 Ak

Cursodeestadisticaaplicada2010 100131192903 Phpapp01

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Cursodeestadisticaaplicada2010 100131192903 Phpapp01

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDAD “GABRIEL RENE MORENO”

Por: Ing. M.Sc. Francisco Martínez Solaris

Número de Tipo de Anemia

ESTADÍSTICA ¿Qué es?...

Ciencia encargada de la Recolección,

Probabilístico MAS, MAP y MAE

POBLACION MUESTRA • Nombre

Variable Elementos • Definición

TABULARES x1 + x2 + x3 + …xn y1 + y2 + y3 + …yn

Edad (años) Edad (años) Valores

Lugar de realización del

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

La Estadística ofrece otra

Intervalos de Clases PMC fi fr Fia Fra

37.1 a 42.6 39.85 8 0.27 8 0.27

42.6 a 48.1 45.35 3 0.10 11 0.37

48.1 a 53.6 50.85 4 0.13 15 0.50

53.6 a 59.1 56.35 2 0.07 17 0.57

59.1 a 64.6 61.85 4 0.13 21 0.70

64.6 a 70.1 67.35 9 0.30 30 1

Métodos Gráficos Clásicos Polígono de Frecuencias

Histograma de Frecuencias Absolutas

Polígono de Freecuencia Absoluta

Puntos Medios de Ckases

Ojiva o Polígono de Frecuencias

Lugar de realización de n Grados

Cuando se desea comparar dos o más

Los métodos tabulares no son los más

La Estadística oferta otra herramienta

Es la sumatoria de las observaciones que

Se interpreta como el punto de equilibrio

Media en datos tabulados

Si la tabla no presenta clases abierta es

• PMC es el promedio de las observaciones de las

Cuando los datos tienen diferente peso dentro de la

Rector 1 2000 2000

Asesores 2 1200 2400

Vic. Académico 1 1150 1150

Jefe de Carrera 5 800 4000

Administrativo 2 600 1200

Secretarias 9 120 1080

Si los datos no se distribuyen

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

(b-a)(0.5- c) a = Límite inferior de la

Connotancia de Moda Tiempo

Clase Modal es la (s) que tiene(n) la mayor (es) fi

37.1 a 42.6 39.85 8

59.1 a 64.6 61.85 4

64.6 a 70.1 67.35 9

Una medida de tendencia central por si sola no es tan

Rango Rango = Valor Máximo – Valor Mínimo

56.75 ± 12.35 min/est.

Si la tabla no presenta clases abierta es posible

37.1 a 42.6 39.85 8

42.6 a 48.1 45.35 3

48.1 a 53.6 50.85 4

53.6 a 59.1 56.35 2

59.1 a 64.6 61.85 4

64.6 a 70.1 67.35 9

Intervalos de PMCfi PMC2fi