Unidad1y2
-
Upload
carolina-velez -
Category
Documents
-
view
220 -
download
2
description
Transcript of Unidad1y2
![Page 1: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/1.jpg)
Estadıstica I
Walter Dıaz
Facultad de Ciencias EconomicasUniversidad de Antioquia
22 de abril de 2013
![Page 2: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/2.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
Introduccion
Para mucha gente, la estadıstica significa descripciones numericas.Sin embargo, en terminos mas precisos, la estadıstica la podemosdefinir como el conjunto de tecnicas que se emplean para larecoleccion, organizacion, analisis e interpretacion de informacioncon el objetivo de tomar decisiones en presencia de incertidumbresobre la poblacion objeto de estudio con base en datos observados.
Walter Dıaz Estadıstica I
![Page 3: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/3.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
Introduccion
Antes de entrar al tema de resumir la informacion que contiene losdatos numericos, es necesario distinguir entre dos conjuntos dedatos llamados poblacion y muestra. En un estudio sobre las rentasfamiliares en un pueblo pequeno de 150 hogares, serıa posibleconocer la verdadera renta promedio. En este caso, los datosconstituyen un conjunto completo o poblacion de las rentasfamiliares de ese pueblo. Sin embargo, en otros casos resultaexcesivamente costoso tener el conjunto completo de los datos deuna poblacion; en estos casos, lo mas frecuente es estudiar unaparte de la poblacion a la que llamaremos muestra de los valoresde la poblacion y el objetivo sera sacar conclusiones a cerca detoda la poblacion con base en la informacion muestral (inferenciaestadıstica).
Walter Dıaz Estadıstica I
![Page 4: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/4.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
Introduccion
Los principales conceptos que se introducen en este tema son:
Poblacion: es el colectivo cuya descripcion es el objetivo finaldel analisis estadıstico.
Muestra: es un subconjunto representativo de la poblacionsobre el que se obtiene la informacion empırica que constituyela masa de datos.
Walter Dıaz Estadıstica I
![Page 5: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/5.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
Introduccion
Estadıstica Descriptiva e Inferencia Estadıstica. El analisisdescriptivo puede realizarse con datos muestrales o con censospoblacionales, mientras que la inferencia trabaja con lainformacion que proporcionan los datos muestrales, para llegar aconclusiones acerca de la poblacion.
Tipos de datos: si la caracterıstica observada es cuantificable segenera una variable, cuando la caracterıstica es cualitativa segenera un atributo; si los datos estan referidos al mismo instantede tiempo se denominan de corte transversal, pero si se observael comportamiento de la caracterıstica en el tiempo se denominanseries temporales. Si se analiza una sola variable o atributo losdatos son unidimensionales, si son dos o mas conjuntamente losdatos son bidimensionales o multidimensionales.
Walter Dıaz Estadıstica I
![Page 6: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/6.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
Introduccion
Distribucion de frecuencias: es la tecnica para resumir otabular los datos.
Representacion grafica de los datos, en particular elhistograma y el polıgono de frecuencias, por el interes quepresentan como base empırica para la especificacion de unmodelo teorico. Se hace referencia, asimismo, a otros tipos degraficos como el diagrama Stem and Leaf, Box-Plot, diagramade sectores y los pictogramas, estos permiten explorar ladistribucion de frecuencias de los datos e identificar lasmedidas de sıntesis mas adecuadas para su descripcion.
Walter Dıaz Estadıstica I
![Page 7: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/7.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
Tipo de datos
En terminos generales, un dato es cualquier pieza de la informacionrecogida, y un conjunto de datos es una coleccion de datosrelacionados entre sı de alguna manera. Vamos a clasificar losdatos en cuatro tipos y describir cada uno de ellos:
Cuantitativos: son datos asociados con una medicion dealguna cantidad en una unidad de observacion,
Cualitativos: son datos asociados a alguna cualidad opropiedad de la unidad de observacion
Logicos: son datos para representar una verdad o unafalsedad,
Perdido: datos que deberıan estar allı, pero no lo estan.
Walter Dıaz Estadıstica I
![Page 8: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/8.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
Datos Cuantitativos
Los datos cuantitativos son los datos que miden o se asocian con unamedicion de la cantidad de algo. Invariablemente tomar valores numericos.Los datos cuantitativos se pueden subdividir en dos categorıas.
Datos discretos toman valores en un conjunto finito o infinitonumerable de numeros, es decir, todos los valores posibles podrıa (almenos en principio) se escribira en una lista ordenada. Los ejemplosincluyen: cuenta, el numero de llegadas, o el numero de exitos. Amenudo estan representados por numeros enteros, por ejemplo, 0, 1,2, etc.
Datos continuos toman valores en un intervalo de numeros. Estosson 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 fraccioneso decimales: 3.82, 7.0001, 45
8 , etc.
Walter Dıaz Estadıstica I
![Page 9: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/9.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
Ejemplos
Precipitacion anual en las ciudades de EEUU. La cantidadmedia de precipitacion (en pulgadas) para cada una de las 70ciudades de Estados Unidos y Puerto Rico. los datos:
Mobile Juneau Phoenix Little Rock . . .67.0 54.7 7.0 48.5 . . .
La tabla muestra que cada valor tiene un nombre asociado con el.Estos son datos cuantitativos continuos.
Walter Dıaz Estadıstica I
![Page 10: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/10.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
Ejemplos
Las longitudes de los principales Rios de Norte America. En elServicio Geologico de EE.UU. se registraron las longitudes (enmillas) de varios rıos en Norte America. Los datos:
735 320 325 392 524 ...
Estos datos son definitivamente cuantitativa y parece que lasmediciones se han redondeado a la milla. Por lo tanto, en sentidoestricto, se trata de datos discretos. Pero sera mas convenientedespues de tomar datos como estos a ser continuo para algunos denuestros procedimientos estadısticos.
Walter Dıaz Estadıstica I
![Page 11: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/11.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
Ejemplos
Numeros anuales de importantes descubrimientos. El vectorcontiene un numero “Grandes” de invenciones y descubrimientosen cada ano desde 1860 hasta 1959, segun ha informado elAlmanaque 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 sonnumeros enteros, que representan un recuento, esto es un buenejemplo de datos cuantitativos discretos.
Walter Dıaz Estadıstica I
![Page 12: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/12.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
Representacion grafica de datos cuantitativos
Una de las primeras cosas que se puede hacer cuando se enfrentana los datos cuantitativos (o cualquier dato, para el caso) es haceralgun tipo de presentacion visual para hacerse una idea de laestructura de los datos. Hay casi tantos tipos de representacionpara elegir como conjuntos de datos para graficar. Se describenalgunas de las alternativas mas populares.
Walter Dıaz Estadıstica I
![Page 13: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/13.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
Grafico de PuntosFigura: Grafico de puntos de los datos de precipitaciones, rıos, y descubrimientos
10 20 30 40 50 60
rainfall
0 500 1500 2500 3500
length
0 2 4 6 8 10 12
number
Walter Dıaz Estadıstica I
![Page 14: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/14.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
HistogramaHistograma de frecuencia (Relativa) de las precipitaciones
precip
Fre
quen
cy
0 10 20 30 40 50 60 70
05
1015
2025
precip
Den
sity
0 10 20 30 40 50 60 70
0.00
00.
010
0.02
00.
030
Walter Dıaz Estadıstica I
![Page 15: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/15.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
Histograma
El Histograma, es el grafico estadıstico por excelencia. Elhistograma de un conjunto de datos es un grafico de barras querepresentan las frecuencias con que aparecen las medicionesagrupadas en ciertos rangos o intervalos.
Para uno construir un histograma se debe dividir la recta real enintervalos o clases (algunos recomiendan que sean de iguallongitud) y luego contar cuantas observaciones caen en cadaintervalo.
Walter Dıaz Estadıstica I
![Page 16: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/16.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
Histograma
La idea de agrupar datos en forma de histogramas se conoce desde1662 con el trabajo de Graunt. Sin embargo, es hasta 1926 cuandoaparecen las primeras reglas sobre su construccion con la formulade Sturges para determinar el numero de barras.
Regla de Sturges: k = 1 + log2 (n),
donde k es el numero de barras y n el tamano muestral.
Scott (1992), basado en la distribucion normal recomienda elsiguiente numero de barras para el histograma
Regla de Scott: k = (2n)1/3.
Walter Dıaz Estadıstica I
![Page 17: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/17.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
Histograma
Los pasos para construir el histograma son:
1 Defina los intervalos o clases de igual longitud.
2 Cuente el numero de observaciones que caen en cada clase ointervalo. Esto es llamado la frecuencia (fi).
3 Calcule la frecuencia relativa
fi/n =Nro. de obs. en el intervalo
Numero de datos,n.
4 Grafica los rectangulos cuyas alturas son proporcionales a lasfrecuencias relativas.
Walter Dıaz Estadıstica I
![Page 18: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/18.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
Ejemplo de histograma
Tabla : Rendimientos anuales de las acciones de una empresa a lo largode treinta anos expresados en tanto por ciento y corregidos por el nivel deinflacion
-3.2 17.4 -13.4 -9.9 20.4 15.12.7 -1.6 41.0 20.8 6.1 -21.8
20.9 53.4 10.3 15.1 -13.8 -34.824.6 31.1 -1.0 10.3 -1.5 28.317.2 3.6 26.0 -13.0 10.6 18.2
Walter Dıaz Estadıstica I
![Page 19: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/19.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
Histograma
Realizar histogramas de esta manera tiene las siguientes ventajas.
1 Es util para apreciar la forma de la distribucion de los datos, sise escoge adecuadamente el numero de clases y su amplitud.
2 Se puede presentar como un grafico definitivo en un reporte.
3 Se puede utilizar para comparar dos o mas muestras opoblaciones.
4 Se puede refinar para crear graficos mas especializados, porejemplo la piramide poblacional.
Walter Dıaz Estadıstica I
![Page 20: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/20.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
Histograma
Desventajas
1 Las observaciones individuales se pierden.
2 La seleccion del numero de clases y su amplitud que adecuadamenterepresenten la distribucion puede ser complicado. Un histograma con muypocas clases agrupa demasiadas observaciones y uno con muchas deja muypocas en cada clase. Ninguno de los dos extremos es adecuado. Debido aque nuestros ojos responden al area de las barras, es importante mantenerla anchura de las barras iguales. Si estamos enfrentados a un problemadonde los intervalos tienen diferente amplitud, por ejemplo cuandoobtenemos datos agrupados desde la fuente, se usa la siguiente formula
Altura del rectangulo =fi/n
Amplitud del Intervalo.
Walter Dıaz Estadıstica I
![Page 21: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/21.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
Diagrama de tallos y hojas
Este grafico fue propuesto por Tukey (1977) y son faciles de realizar a mano yse usan como una forma rapida y no pulida de mirar los datos. ¿Que nosmuestra?
1 El centro de la distribucion.
2 La forma general de la distribucion
Simetrica Si las porciones a cada lado del centro son imagenes espejos delas otras.
Sesgada a la izquierda Si la cola izquierda (los valores menores) esmucho mas larga que los de la derecha (los valores mayores).
Sesgada a la derecha Opuesto a la sesgada a la izquierda.
3 Desviaciones marcadas de la forma global de la distribucion.
Outliers Observaciones individuales que caen muy por fuera del patrongeneral de los datos.
gaps Huecos en la distribucion
Walter Dıaz Estadıstica I
![Page 22: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/22.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
Ejemplo stem.leaf
Ejemplo
El total mensual de conductores de automoviles muertos o heridosde gravedad en Gran Bretana desde enero 1969 hasta diciembre1984. El uso obligatorio del cinturon de seguridad se introdujo el31 de enero de 1983.
Walter Dıaz Estadıstica I
![Page 23: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/23.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
Ejemplo stem.leaf1 — 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 Dıaz Estadıstica I
![Page 24: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/24.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
Grafico de ındice
Estos son buenos para graficar los datos que estan ordenados, porejemplo, cuando los datos se miden a traves del tiempo. Es decir,la primera observacion se midio en el momento 1, el segundo en eltiempo 2, etc. es un grafico de dos dimensiones, en el que el ındice(o tiempo) es la variable x y el valor medido es la variable y.
Walter Dıaz Estadıstica I
![Page 25: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/25.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
Ejemplo Grafico de ındiceFigura : Grafico de ındice para los datos del total conductores de automoviles muertos o heridos de gravedad en Gran Bretana
Tiempo
UK
Driv
erD
eath
s
1970 1975 1980 1985
1000
1500
2000
2500
Walter Dıaz Estadıstica I
![Page 26: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/26.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
Datos Cualitativos, Datos Categoricos y Factores
Los datos cualitativos son simplemente cualquier tipo de datos queno son numericos, o no representan cantidades numericas.Ejemplos de variables cualitativas incluir el nombre de un sujeto,genero, raza, partido polıtico, el nivel socioeconomico, el rango declase, numero de licencia de conducir y numero de seguro social(SSN).
Walter Dıaz Estadıstica I
![Page 27: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/27.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
Datos Cualitativos, Datos Categoricos y Factores
Los factores pueden ser de dos tipos: nominal y ordinal. Factoresnominales tienen niveles que corresponden a los nombres de lascategorıas, sin orden implıcito.
Ejemplos de factores nominales serıa el color del pelo, el sexo, laraza o partido polıtico. No hay orden natural de “democrata” y“republicano”, las categorıas son solo nombres asociados condiferentes grupos de personas?.
Walter Dıaz Estadıstica I
![Page 28: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/28.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
Datos Cualitativos, Datos Categoricos y Factores
Por el contrario, los factores ordinales tienen algun tipo deestructura ordenada de los niveles de los factores subyacentes.
Por ejemplo, el nivel socioeconomico serıa una variable categoricaordinal debido a que los niveles corresponden a las filas asociadascon el ingreso, la educacion y la ocupacion. Otro ejemplo de losdatos categoricos ordinales serıa el rango de clase.
Walter Dıaz Estadıstica I
![Page 29: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/29.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
Tabla
Una de las mejores formas de resumir los datos cualitativos es conuna tabla de los valores de datos. Podemos contar frecuencias ouna lista de proporciones cuya entrada es una tabla de frecuencias.Por ejemplo.
Tabla : Numero de personas que visitaron EEUU en 1992
Pais de Origen Numero (en millones)
Japon 3.7Reino Unido 2.8Alemania 1.7
Walter Dıaz Estadıstica I
![Page 30: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/30.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
Grafico de barras
Un grafico de barras es el analogo de un histograma para los datoscategoricos. Una barra se muestra para cada nivel de un factor,con las alturas de las barras proporcionales a las frecuenciasobservadas que caen en las categorıas respectivas. Una desventajade los graficos de barras es que los niveles se ordenanalfabeticamente (por defecto), que a veces puede oscurecer lospatrones en la representacion.
Walter Dıaz Estadıstica I
![Page 31: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/31.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
Grafico de barrasFigura : Grafico de barras para el numero de personas que visitaron EEUU en 1992
Japón Reino Unido Alemania
Vis
itant
es (
en m
illon
es)
0.0
0.5
1.0
1.5
2.0
2.5
3.0
3.5
Walter Dıaz Estadıstica I
![Page 32: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/32.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
Graficos circulares
El uso de graficos circulares o pasteles es bastante comun entrepersonas no profesionales en estadıstica y lamentablemente se hatrivializado tanto que si en muchas de las situaciones donde seusan se suprimieran se ahorrarıan muchas hojas de papel. A vecesse presenta un grafico de pastel para mostrar que en una muestrael 50 % son hombres y el 50 % mujeres.
Este grafico es una gran herramienta para datos porcentualestomadas sobre individuos o elementos, por ejemplo, se ha estimadoque el total de delitos informaticos en EEUU, el 44 % tienen lafinalidad el robo de dinero, el 16 % el robo de informacion, el 16 %persigue la destruccion de software, el 12 % tiene por objeto laalteracion de datos, el 10 % esta relacionado con robos de serviciosy el 2 % restante tiene otros fines.
Walter Dıaz Estadıstica I
![Page 33: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/33.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
Graficos circulares
Robo de dinero
Robo de informaciónDestrucción de software
Alteración de datos
Robo de servicios
Otros
Figura : Grafico circular de los delitos informaticos en EEUU
Walter Dıaz Estadıstica I
![Page 34: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/34.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
Medidas del Centro
Una manera de resumir los datos numericos es buscar el centro delos datos. Las medidas que buscan este objetivo son las medidas decentralizacion o tendencia central Las principales medidas decentralizacion son: la media, la mediana y la moda.
Walter Dıaz Estadıstica I
![Page 35: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/35.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
La media
Definicion
La media de un conjunto de observaciones es su promedioaritmetico. es denotado por x para la muestra y por µ para lapoblacion
x =x1 + x2 + · · ·+ xn
n=
1
n
n∑i=1
xi
y
µ =X1 +X2 + · · ·+XN
N=
1
N
N∑i=1
Xi
Walter Dıaz Estadıstica I
![Page 36: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/36.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
La mediana
Definicion
La mediana de un conjunto de observaciones es la observacion queocupa el lugar central cuando estas estan ordenadas en sentidocreciente o decreciente. Si el numero de observaciones es par,entonces la mediana es promedio de las observaciones que ocupanlas posiciones N/2 y N
2 + 1, en la poblacion y es el promedio de lasobservaciones n/2 y n
2 + 1, en la muestra, en el conjunto de datosordenado. Si el numero de observaciones es impar, entonces lamediana es el dato que ocupa la posicion (N + 1)/2 en lapoblacion y en la muestra es el dato que ocupa la posicion(n+ 1)/2 para los datos ordenados. Denotamos la medianapoblacional como µ y muestral x. Notese que hasta la medianaesta el 50 % de los datos y despues de ella esta el otro 50 %.
Walter Dıaz Estadıstica I
![Page 37: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/37.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
La moda
Definicion
La moda de un conjunto de observaciones es el valor que aparececon mayor frecuencia; es decir, es el dato que mas se repite.
Un conjunto de datos puede tener dos o mas modas
Walter Dıaz Estadıstica I
![Page 38: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/38.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
Medidas de dispersion
Una medida de centralizacion, casi nunca es suficiente por sı sola,para resumir adecuadamente las caracterısticas de un conjunto dedatos, Por lo general, necesitaremos, ademas, una medida dedispersion. Las principales medidas de dispersion que analizaremosaquı son la varianza, la desviacion tıpica, el rango o recorrido y elrango intercuartil.
Walter Dıaz Estadıstica I
![Page 39: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/39.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
la Varianza
Definicion
La varianza muestral es denotada como s2 y calculada con laformula
s2 =
∑ni=1(xi − x)2
n− 1
y la varianza poblacional es denotada por σ2 y calculada con
σ2 =
∑Ni=1(Xi − µ)2
N
la varianza es aproximadamente la distancia media al cuadrado delas observaciones respecto de la media.
Walter Dıaz Estadıstica I
![Page 40: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/40.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
La desviacion estandar
Definicion
La desviacion estandar es la raız cuadrada positiva de la varianzaPara la muestra es
s =√s2
Y poblacional esσ =√σ2
La desviacion estandar se utiliza para escalar la estimacion devuelta a las unidades de medida de los datos originales.
Walter Dıaz Estadıstica I
![Page 41: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/41.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
Rango o recorrido
Definicion
El rango o recorrido es la diferencia entre el mayor y el menor desus valores. Esta medida se conoce como el rango o recorrido.
El rango o recorrido es la medida de dispersion mas simple y masobvia, sin embargo, el rango es una medida de dispersion muysensible a valores extremos. Para corregir este problemacalcularemos el rango intercuartil.
Walter Dıaz Estadıstica I
![Page 42: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/42.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
El rango intercuartil
Una forma para corregir el efecto que tiene los valores extremos enel rango consiste en dividir los datos en cuatro grupos del mismotamano. Los valores que sirven como puntos de division entre losgrupos se llaman cuartiles. Ahora, entre el mınimo y el primercuartil esta el 25 % de los datos; entre el primer y segundo cuartilesta el segundo 25 % de los datos; entre el segundo y tercer cuartilesta el tercer 25 % de los datos; y entre el tercer cuartil y elmaximo esta el cuarto 25 % de los datos.
Definicion
El rango intercuartil es la diferencia entre el primer y el tercercuartil.
Walter Dıaz Estadıstica I
![Page 43: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/43.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
Cuartiles y rango intercuartil
Suponga que se tienen N observaciones ordenadas de menor amayor. Entonces, el primer cuartil es la observacion que ocupa laposicion [(N − 1)/4 + 1] y el tercer cuartil es el valor que ocupa laposicion [3(N − 1)/4 + 1]. El segundo cuartil es la mediana.
La diferencia entre el tercer y primer cuartil nos da una medida dela dispersion que se conoce como el rango intercuartil.
Walter Dıaz Estadıstica I
![Page 44: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/44.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
Notese, cuando (N − 1) no es divisible por 4, entonces los cuartilesse calculan por interpolacion. Por ejemplo, si N = 15, de formaque N − 1 = 14. Entonces, [(N − 1)/4 + 1] = 4,5; por lo tanto, elprimer cuartil es el numero que esta en medio del camino de lacuarta y quinta observacion. Ası mismo, como[3(N − 1)/4 + 1] = 11,5, entonces el tercer cuartil es el numeroque esta en medio del camino entre las observaciones once y doce.
Walter Dıaz Estadıstica I
![Page 45: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/45.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
Ejemplo
Los siguientes datos representan las predicciones que realizan 10economistas sobre el crecimiento del IPC para el proximo ano: 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 yrango intercuartil de las predicciones.
Walter Dıaz Estadıstica I
![Page 46: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/46.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
Regla empırica:
Para la mayorıa de las poblaciones grandes se verifica que:
Aproximadamente el 68 % de los valores de la poblacion seencuentran a una desviacion estandar de la media.
Aproximadamente el 95 % de los valores de la poblacion seencuentran a dos desviaciones estandar de la media.
Aproximadamente el 99 % de los valores de la poblacion seencuentran a tres desviaciones estandar de la media.
Walter Dıaz Estadıstica I
![Page 47: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/47.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
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 5.60.4 1.3 2.4 3.6 5.8 0.4 1.3 2.5 3.7 6.20.5 1.4 2.7 3.8 6.8 0.5 1.4 2.8 4.2 7.20.7 1.5 2.8 4.4 7.6 0.8 1.6 2.9 4.6 7.80.9 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 paraque 50 clientes de un banco comercial, lleven a cabo unatransaccion bancaria. Los tiempos estan ordenados en formacreciente. Encontrar las medidas de tendencia central y dedispersion para estos datos. Verifique el cumplimiento de la reglaempırica.
Walter Dıaz Estadıstica I
![Page 48: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/48.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
Definicion
La asimetrıa muestral denotada por g1, se define por la formula
g1 =1
n
∑ni=1(xi − x)3
s3
La asimetrıa de la muestra puede ser cualquier valor −∞ < g1 <∞.El signo de g1 indica la direccion de la asimetrıa de la distribucion.Las muestras que tienen g1 > 0 indican distribuciones sesgadas a laderecha (o sesgo positivo), y las muestras con g1 < 0 indicandistribuciones sesgadas a las izquierdo (o negativamente sesgada). Losvalores de g1 cerca de cero indican una distribucion simetrica. Estasno son reglas duras y rapidas, sin embargo. El valor de g1 esta sujetoa la variabilidad de la muestra y por lo tanto solo proporciona unasugerencia de la asimetrıa de la distribucion subyacente.
Walter Dıaz Estadıstica I
![Page 49: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/49.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
Todavıa tenemos que saber que tan grande es “grande”, es decir,¿como podemos juzgar si un valor observado de g1 esta losuficientemente lejos de cero para considerar que un conjunto dedatos es sesgado a la derecha o la izquierda?
Una buena regla en general es que los conjuntos de datos conasimetrıa mayor que
2√
6/n,
en magnitud son sustancialmente sesgadas, en la direccion quesenal g1.
Walter Dıaz Estadıstica I
![Page 50: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/50.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
Definicion
Exceso de Curtosis muestral denotada por g2, viene dada por laformula
g2 =1
n
∑ni=1(xi − x)4
s4− 3
El exceso de curtosis muestral toma valores −2 < g2 <∞. La restade 3 puede parecer misterioso, pero esta hecha para que las muestrascon forma de montıculo tengan un valor de g2 cercano a cero.
Muestras con g2 > 0 son llamadas leptocurticas,
muestras con g2 < 0 son llamadas platicurticas,
muestras con g2 ≈ 0 son llamadas mesocurticas.
Walter Dıaz Estadıstica I
![Page 51: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/51.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
Como regla general si
|g2| > 4√
6/n,
entonces el exceso de curtosis de la muestra es sustancialmentediferente de cero en la direccion que senal g2.
Notese que tanto la asimetrıa de la muestra y la kurtosis muestralson invariantes con respecto a la ubicacion y la escala, es decir, losvalores de g1 y g2 no dependen de las unidades de medida de losdatos.
Walter Dıaz Estadıstica I
![Page 52: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/52.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
La media y varianza para datos agrupados
Supongamos que en un conjunto de datos aparecen los valoresm1,m2, . . . ,mk, los valores mi pueden ser las marcas de clase, confrecuencias f1, f2, . . . , fk, respectivamente.
Para una poblacion de N observaciones, tal que N =∑k
i=1 fi setiene que
La media es
µ =
∑ki=1 fimi
N
La varianza es
σ =
∑ki=1 fi(mi − µ)2
N=
∑ki=1 fim
2i
N− µ2
Walter Dıaz Estadıstica I
![Page 53: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/53.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
La media y varianza para datos agrupados
Para una muestra de n observaciones, tal que n =∑k
i=1 fi se tieneque
La media es
X =
∑ki=1 fimi
n
La varianza es
S2 =
∑ki=1 fi(mi −X)2
n− 1=
∑ki=1 fim
2i − nX
2
n− 1
Walter Dıaz Estadıstica I
![Page 54: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/54.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
La mediana
La formula para obtener la mediana esta dada por
X = L+ wj
fm
Donde L es el lımite inferior de la clase que contiene a la mediana(la clase en la que esta hasta el 50 % de los datos), fm es lafrecuencia de la clase de la mediana, w es la amplitud de la clasede la mediana y j es el numero de observaciones de la clasenecesarias para llegar a la observacion n/2.
Walter Dıaz Estadıstica I
![Page 55: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/55.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
El cuartil inferior para datos agrupados, es el valor hasta el cualesta 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 cualesta el 75 % de las observaciones.
Walter Dıaz Estadıstica I
![Page 56: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/56.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
Ejemplo
Una tabla de frecuencia para los tiempos para llevar a cabo unatransaccion bancaria. es de la forma
Inf Sup MC fi fri Fi Fri
0 2 1 20 0.40 20 0.402 4 3 15 0.30 35 0.704 6 5 8 0.16 43 0.866 8 7 5 0.10 48 0.968 10 9 2 0.04 50 1.00
Walter Dıaz Estadıstica I
![Page 57: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/57.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
Con los resultados de la tabla anterior, se tiene que el lımiteinferior de la clase que contiene a la mediana es L = 2, la amplitudw = 2, la frecuencia de la clase de la mediana fm = 15 y elnumero de observaciones necesarias para llegar a n/2 = 25 en laclase de la mediana es j = 5, entonces
X = 2 + 25
15= 2,66667
La media es
X =
∑5i=1 nimi
50=
1× 20 + 3× 15 + · · ·+ 9× 2
50= 3,16
La varianza es
S2 =
∑5i=1 nim
2i − 50(3,16)2
49= 5,36163
Walter Dıaz Estadıstica I
![Page 58: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/58.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
Diagrama de Caja o Boxplot
Este grafico contiene un rectangulo, usualmente orientado con elsistema de coordenadas tal que el eje vertical tiene la misma escaladel conjunto de datos. La parte superior y la inferior del rectangulocoinciden con el tercer cuartil y el primer cuartil de los datos. Estacaja se divide con una lınea horizontal a nivel de la mediana. Sedefine un “paso” como 1.5 veces el rango intercuartil, y una lıneavertical (un bigote) se extiende desde la mitad de la parte superiorde la caja hasta la mayor observacion de los datos si se encuentrandentro de un paso. Igual se hace en la parte inferior de la caja Lasobservaciones que caigan mas alla de estas lıneas son dibujadasindividualmente.
Walter Dıaz Estadıstica I
![Page 59: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/59.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
IntroduccionTipo de datosMedidas del CentroMedidas de dispersion
Diagrama de Caja o Boxplot
0 2 4 6 8 10
Figura : Boxplot para los datos de tiempos de espera en un banco
Walter Dıaz Estadıstica I
![Page 60: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/60.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
Metodos CombinatoriosEspacio muestral, eventoFuncion de ProbabilidadProbabilidad CondicionalEventos independientesRegla de Bayes
Introduccion
El concepto de probabilidad es basico en inferencia estadıstica, elconcepto de probabilidad esta asociado a la medida de que algoincierto ocurra. Por ejemplo, las decisiones de inversion estanbasadas en las valoraciones que el inversor hace sobre larentabilidad futura probable.
Walter Dıaz Estadıstica I
![Page 61: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/61.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
Metodos CombinatoriosEspacio muestral, eventoFuncion de ProbabilidadProbabilidad CondicionalEventos independientesRegla de Bayes
Metodos Combinatorios
Teorema
Si una operacion consta de dos pasos, de los cuales el primero sepuede realizar de n1 maneras y para cada una de estas el segundopaso se puede realizar de n2 formas, entonces la operacioncompuesta por el paso uno seguida por el paso dos se puederealizar en n1 × n2 formas.
Walter Dıaz Estadıstica I
![Page 62: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/62.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
Metodos CombinatoriosEspacio muestral, eventoFuncion de ProbabilidadProbabilidad CondicionalEventos independientesRegla de Bayes
Para ilustrar el teorema anterior, sea el par ordenado (x, y) como elresultado que surge cuando el primer paso resulta en la posibilidadxi, i = 1, 2, . . . , n1 y el segundo paso resulta en la posibilidadyj , j = 1, 2, . . . , n2. Por lo tanto, el conjunto de todos losresultados 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 medianteun diagrama de arbol.
Walter Dıaz Estadıstica I
![Page 63: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/63.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
Metodos CombinatoriosEspacio muestral, eventoFuncion de ProbabilidadProbabilidad CondicionalEventos independientesRegla de Bayes
Ejemplo
Hay cuatro rutas, A, B, C y D, entre la casa de una persona y sulugar de trabajo, pero la ruta B es en un solo sentido, de modo queno puede tomarla cuando va a su trabajo, y la ruta C es en un solosentido, de modo que no puede tomarla cuando va rumbo a casa.
a) Determine de cuantas formas es posible ir al trabajo y regresara casa. Construya un diagrama de arbol que muestre lasdiversas maneras en que una persona puede ir y regresar de sutrabajo;
b) Determine de cuantas formas puede una persona ir a sutrabajo y regresar a casa, sin tomar la misma ruta en ambossentidos. Trace un diagrama de arbol para ilustrar la situacionanterior.
Walter Dıaz Estadıstica I
![Page 64: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/64.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
Metodos CombinatoriosEspacio muestral, eventoFuncion de ProbabilidadProbabilidad CondicionalEventos independientesRegla de Bayes
Ejemplo
Una operacion consta de dos pasos, de los cuales el primero sepuede realizar de n1 formas. Si el primer paso se hace de la i-esimamanera, el segundo se puede hacer de n2i maneras.
a) Use un diagrama de arbol y encuentre una formula paradeterminar el numero total de maneras en que se puedeefectuar la operacion completa;
b) Un estudiante puede prepararse durante 0, 1, 2 o 3 horas aldıa para un examen de historia un dıa dado. Use la formulaobtenida en la parte anterior para verificar que hay 13maneras en las que un estudiante puede preparase cuatrohoras como mucho para la prueba en dos dıas consecutivos
Walter Dıaz Estadıstica I
![Page 65: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/65.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
Metodos CombinatoriosEspacio muestral, eventoFuncion de ProbabilidadProbabilidad CondicionalEventos independientesRegla de Bayes
Teorema
Si una operacion consta de k pasos, de los cuales el primero sepuede realizar de n1 maneras, para cada una de estas el segundopaso se puede realizar de n2 maneras, para cada uno de los dosprimeros el tercer paso se puede realizar en n3 maneras, yası sucesivamente, entonces la operacion completa se puederealizar en n1 × n2 × · · · × nk formas.
Walter Dıaz Estadıstica I
![Page 66: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/66.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
Metodos CombinatoriosEspacio muestral, eventoFuncion de ProbabilidadProbabilidad CondicionalEventos independientesRegla de Bayes
Ejemplo
Una prueba de eleccion multiple consta de 15 preguntas, cada unapermite una eleccion entre tres alternativas posibles. ¿De cuantasmaneras diferentes puede un estudiante marcar su respuesta aestas preguntas?
Walter Dıaz Estadıstica I
![Page 67: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/67.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
Metodos CombinatoriosEspacio muestral, eventoFuncion de ProbabilidadProbabilidad CondicionalEventos independientesRegla de Bayes
Teorema
El numero de permutaciones de n objetos diferentes es
n! = n× (n− 1)× · · · × 2× 1
Ejemplo
¿De cuantas maneras puede un director de television programar losseis diferentes anuncios de un patrocinador, durante los seisespacios de tiempo asignados para anuncios, durante un especialde una hora?
Walter Dıaz Estadıstica I
![Page 68: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/68.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
Metodos CombinatoriosEspacio muestral, eventoFuncion de ProbabilidadProbabilidad CondicionalEventos independientesRegla de Bayes
Ejemplo
El numero de permutaciones de las letras A, B, C, D y E es5! = 120, pero ¿cual es el numero si se toman 3 de las 5 letras a lavez?
Walter Dıaz Estadıstica I
![Page 69: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/69.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
Metodos CombinatoriosEspacio muestral, eventoFuncion de ProbabilidadProbabilidad CondicionalEventos independientesRegla de Bayes
Teorema
El numero de permutaciones de n objetos diferentes tomados r ala vez es
nPr =n!
(n− r)!, r = 0, 1, 2, . . . , n
Teorema
El numero de permutaciones de n objetos diferentes arreglados enforma circular es (n− 1)!.
Walter Dıaz Estadıstica I
![Page 70: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/70.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
Metodos CombinatoriosEspacio muestral, eventoFuncion de ProbabilidadProbabilidad CondicionalEventos independientesRegla de Bayes
Teorema
El numero de permutaciones n objetos de los cuales n1 son de unaclase, n2 son de una segunda clase,. . . , nk, son de la k-esima clasey n1 + n2 + · · ·+ nk = n es
n!
n1!× n2!× · · · × nk!
Walter Dıaz Estadıstica I
![Page 71: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/71.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
Metodos CombinatoriosEspacio muestral, eventoFuncion de ProbabilidadProbabilidad CondicionalEventos independientesRegla de Bayes
Ejemplo
¿De cuantas puede el director de television del ejemplo anteriorasignar los seis espacios de tiempo para anuncios si el patrocinadortiene tres anuncios diferentes, cada uno de los cuales debe sermostrado dos veces?
Walter Dıaz Estadıstica I
![Page 72: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/72.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
Metodos CombinatoriosEspacio muestral, eventoFuncion de ProbabilidadProbabilidad CondicionalEventos independientesRegla de Bayes
Teorema
El numero de combinaciones de n objetos diferentes tomados r ala vez sin importar el orden al interior de la seleccion es(
n
r
)=
n!
r!(n− r)!, r = 0, 1, 2, . . . , n
Walter Dıaz Estadıstica I
![Page 73: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/73.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
Metodos CombinatoriosEspacio muestral, eventoFuncion de ProbabilidadProbabilidad CondicionalEventos independientesRegla de Bayes
Ejemplo
Entre los siete candidatos para dos vacantes en el consejo de unaciudad hay tres hombre y cuatro mujeres.
a) ¿De cuantas maneras se pueden cubrir estas vacantes con doscandidatos cualquiera de los siete?;
b) ¿De cuantas maneras se pueden cubrir estas vacantes con dosde las cuatro mujeres?;
c) ¿De cuantas maneras se pueden cubrir estas vacantes con unode los hombres y una de las mujeres?.
Walter Dıaz Estadıstica I
![Page 74: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/74.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
Metodos CombinatoriosEspacio muestral, eventoFuncion de ProbabilidadProbabilidad CondicionalEventos independientesRegla de Bayes
Ejemplo
¿En cuantas formas diferentes pueden seis lanzamientos de unamoneda producir dos caras y cuatro cruces?
Walter Dıaz Estadıstica I
![Page 75: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/75.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
Metodos CombinatoriosEspacio muestral, eventoFuncion de ProbabilidadProbabilidad CondicionalEventos independientesRegla de Bayes
Teorema
El numero de maneras en que un conjunto de n objetos diferentesse pueden dividir o partir en k subconjuntos de n1 objetos en elprimer subconjunto, n2 objetos en el segundo subconjunto,..., y nkobjetos en el k-esimo subconjunto es(
n
n1, n2, . . . , nk
)=
n!
n1!× n2!× · · · × nk!
Walter Dıaz Estadıstica I
![Page 76: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/76.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
Metodos CombinatoriosEspacio muestral, eventoFuncion de ProbabilidadProbabilidad CondicionalEventos independientesRegla de Bayes
Ejemplo
¿De cuantas maneras puede asignarse a siete hombres de negocio,que asisten a una convencion, una habitacion triple de hotel y dosdobles?
Walter Dıaz Estadıstica I
![Page 77: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/77.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
Metodos CombinatoriosEspacio muestral, eventoFuncion de ProbabilidadProbabilidad CondicionalEventos independientesRegla de Bayes
Probabilidad
Distinguimos entre dos tipos de experimentos: deterministas yaleatorios. Un experimento determinista es uno cuyo resultadopuede predecirse con certeza de antemano, tales como lacombinacion de hidrogeno y oxıgeno, o la adicion de dos numerostales como 2 + 3. Un experimento aleatorio es aquel cuyoresultado es determinado por el azar. Postulamos que el resultadode un experimento aleatorio no se puede predecir con certeza deantemano, ni siquiera en principio. Ejemplos de experimentosaleatorios incluyen lanzar una moneda, lanzar un dado, y lanzandoun dardo sobre una tabla, ¿cuantas luces rojas que encuentres en elcamino a casa, ¿como atravesar muchas hormigas cierto remiendode la acera en un perıodo corto, etc.
Walter Dıaz Estadıstica I
![Page 78: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/78.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
Metodos CombinatoriosEspacio muestral, eventoFuncion de ProbabilidadProbabilidad CondicionalEventos independientesRegla 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 comun que pueden concretarseen al menos dos resultados posibles, con incertidumbre en cuanto acual de ellos tendra. En otros terminos, de esos experimentosconocemos todos los posibles resultados pero no podemos predecirun resultado particular con certeza. Los experimentos que tienenestas caracterısticas se llaman experimentos aleatorios.
Walter Dıaz Estadıstica I
![Page 79: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/79.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
Metodos CombinatoriosEspacio muestral, eventoFuncion de ProbabilidadProbabilidad CondicionalEventos independientesRegla de Bayes
Definicion
Los resultados posibles de un experimento aleatorio E sedenominan resultados basicos, y el conjunto de todos losresultados posibles o basicos se llama espacio muestral al quedenotaremos mediante la letra Ω.
Walter Dıaz Estadıstica I
![Page 80: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/80.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
Metodos CombinatoriosEspacio muestral, eventoFuncion de ProbabilidadProbabilidad CondicionalEventos independientesRegla de Bayes
Ejemplo
Se lanza un dado y se anota el numero de la cara superior. Losresultados basicos de este experimento aleatorio son los numeros1, 2, 3, 4, 5, 6. Entonces, el espacio muestral para el experimento es:
Ω = 1, 2, 3, 4, 5, 6
Este espacio muestral es finito.
Walter Dıaz Estadıstica I
![Page 81: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/81.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
Metodos CombinatoriosEspacio muestral, eventoFuncion de ProbabilidadProbabilidad CondicionalEventos independientesRegla de Bayes
Ejemplo
Se lanza una moneda normal al hasta que se obtenga cara. Seac = resultado de cara y s = resultado de cruz o sello, entonces losresultados basicos de este experimento aleatorio sonc, sc, ssc, sssc, . . .; por lo tanto, el espacio muestral para esteexperimento es:
Ω = c, sc, ssc, sssc, . . .
Este espacio muestral es infinito pero numerable.
Walter Dıaz Estadıstica I
![Page 82: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/82.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
Metodos CombinatoriosEspacio muestral, eventoFuncion de ProbabilidadProbabilidad CondicionalEventos independientesRegla de Bayes
Ejemplo
Se observa el valor en pesos de la TRM. Los resultados basicosasociados a este experimento son numeros. Por lo tanto, el espaciomuestral para este experimento es:
Ω = (0,+∞)
Este espacio muestral es un conjunto continuo y por lo tanto, esinfinito y no numerable. La variable asociada a este experimento esuna variable continua.
Walter Dıaz Estadıstica I
![Page 83: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/83.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
Metodos CombinatoriosEspacio muestral, eventoFuncion de ProbabilidadProbabilidad CondicionalEventos independientesRegla de Bayes
Evento
Un evento A es simplemente un conjunto de resultados, o en otraspalabras, un subconjunto del espacio muestral Ω. Despues derealizar un experimento aleatorio E decimos que el evento Aocurrio si los resultados del experimento pertenece a A. Decimosque un grupo de eventos A1, A2, A3, . . . son mutuamenteexcluyentes o disjuntos si Ai ∩Aj = ∅, i 6= j. Por ejemplo, elexperimento de lanzar una moneda al aire, el evento A = cara yB = cruz serıa mutuamente excluyentes.
Walter Dıaz Estadıstica I
![Page 84: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/84.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
Metodos CombinatoriosEspacio muestral, eventoFuncion de ProbabilidadProbabilidad CondicionalEventos independientesRegla de Bayes
Ejemplo
Se lanza un dado y se anota el numero de la cara superior. Elevento de que el numero sea par es A = 2, 4, 6. Ahora, si elresultado del experimento es 2, entonces el evento A ocurrio;mientras, que si el resultado del experimento es 3, entonces se diceque el evento A no ocurrio.
Walter Dıaz Estadıstica I
![Page 85: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/85.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
Metodos CombinatoriosEspacio muestral, eventoFuncion de ProbabilidadProbabilidad CondicionalEventos independientesRegla de Bayes
Definicion
Algunos eventos especiales. Sean A,B eventos de ΩEvento nulo o vacıo: es el evento que no contiene a ningunresultado basico.Sean A y B dos eventos. El evento formado por los posiblesresultados en A o B o en ambos, recibe el nombre de union de Ay B y se denota por A ∪B.Sean A y B dos eventos. El evento formado por los posiblesresultados comunes tanto a A como a B, recibe el nombre deinterseccion de A y B y se denota por A ∩B.Se dice que dos eventos A y B son disjuntos o mutuamenteexcluyentes cuando A ∩B = ∅.Si cualquier resultado del evento A tambien es un resultado delevento B, entonces se dice que A es subconjunto de B, y sedenota por A ⊂ BEl complemento de un evento A es el evento formado por todoslos resultados basicos de Ω que no se encuentran en A, y sedenota por A′. Esto es, A′ = x ∈ Ω/x /∈ A.
Walter Dıaz Estadıstica I
![Page 86: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/86.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
Metodos CombinatoriosEspacio muestral, eventoFuncion de ProbabilidadProbabilidad CondicionalEventos independientesRegla de Bayes
Funcion de probabilidad
Una funcion de probabilidad es una regla que asocia a cada evento Adel espacio muestral Ω un numero unico P(A) = p, llama laprobabilidad de A. Cualquier funcion de probabilidad P(A) satisface lossiguientes tres axiomas de Kolmogorov:
Axioma
i) P(A) ≥ 0, para algun evento A ⊂ Ω.ii) P(Ω) = 1.
iii) Si los eventos A1, A2, A3, . . . son disjuntos entonces
P
(n⋃
i=1
Ai
)=
n∑i=1
P(Ai), para algun n,
y, ademas
P
( ∞⋃i=1
Ai
)=
∞∑i=1
P(Ai).
Walter Dıaz Estadıstica I
![Page 87: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/87.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
Metodos CombinatoriosEspacio muestral, eventoFuncion de ProbabilidadProbabilidad CondicionalEventos independientesRegla de Bayes
La intuicion detras de los axiomas: primero, la probabilidad de unevento nunca debe ser negativa. Y puesto que el espacio muestralcontiene todos los posibles resultados, su probabilidad debe seruno, o 100 %. El axioma iii puede parecer intimidante, perosimplemente 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, laprobabilidad de sacar un 1 o un 2 con un dado es la probabilidadde sacar un 1 mas la posibilidad de sacar un 2.
Walter Dıaz Estadıstica I
![Page 88: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/88.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
Metodos CombinatoriosEspacio muestral, eventoFuncion de ProbabilidadProbabilidad CondicionalEventos independientesRegla de Bayes
Teorema (Probabilidad del complemento)
Para algun evento A y B
P(A′) = 1− P(A)
Walter Dıaz Estadıstica I
![Page 89: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/89.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
Metodos CombinatoriosEspacio muestral, eventoFuncion de ProbabilidadProbabilidad CondicionalEventos independientesRegla de Bayes
Teorema (Probabilidad del vacio)
P(∅) = 0,
para cualquier espacio muestral Ω.
Walter Dıaz Estadıstica I
![Page 90: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/90.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
Metodos CombinatoriosEspacio muestral, eventoFuncion de ProbabilidadProbabilidad CondicionalEventos independientesRegla de Bayes
Teorema (Probabilidad del subevento)
Si A ⊂ B, entoncesP(A) ≤ P(B)
Walter Dıaz Estadıstica I
![Page 91: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/91.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
Metodos CombinatoriosEspacio muestral, eventoFuncion de ProbabilidadProbabilidad CondicionalEventos independientesRegla de Bayes
Teorema
0 ≤ P(A) ≤ 1,
para cualquier evento A ⊂ Ω
Walter Dıaz Estadıstica I
![Page 92: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/92.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
Metodos CombinatoriosEspacio muestral, eventoFuncion de ProbabilidadProbabilidad CondicionalEventos independientesRegla de Bayes
Teorema (Regla general de adiccion)
La regla de adicion General.
P(A ∪B) = P(A) + P(B)− P(A ∩B)
Walter Dıaz Estadıstica I
![Page 93: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/93.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
Metodos CombinatoriosEspacio muestral, eventoFuncion de ProbabilidadProbabilidad CondicionalEventos independientesRegla 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 Dıaz Estadıstica I
![Page 94: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/94.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
Metodos CombinatoriosEspacio muestral, eventoFuncion de ProbabilidadProbabilidad CondicionalEventos independientesRegla de Bayes
Ejemplo
Se lanza un dado normal y una moneda balanceada. ¿Cual es laprobabilidad de obtener cara y al menos 4?
Walter Dıaz Estadıstica I
![Page 95: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/95.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
Metodos CombinatoriosEspacio muestral, eventoFuncion de ProbabilidadProbabilidad CondicionalEventos independientesRegla de Bayes
Ejemplo
Una companıa recibe una maquinaria nueva que debe ser instalada yrevisada antes de ser operativa. En la tabla adjunta se muestra lavaloracion de probabilidad del numero de dıas necesarios para que lamaquinarıa sea operativa.
Numero de dias 3 4 5 6 7
Probabilidad 0.08 0.24 0.41 0.20 0.07
Sea A el evento “la maquinarıa tardara mas de cuatro dıas en estaroperativa” y sea B el evento “la maquinarıa tardara mas seis dıas enestar 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 Dıaz Estadıstica I
![Page 96: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/96.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
Metodos CombinatoriosEspacio muestral, eventoFuncion de ProbabilidadProbabilidad CondicionalEventos independientesRegla de Bayes
Ejemplo
Suponga que en un grupo de ultimo ano de facultad de 500estudiantes se encuentra que 210 fuman, 258, consumen bebidasalcoholicas, 216 comen entre comidas, 122 fuman y consumenbebidas alcoholicas, 83 comen entre comidas y consumen bebidasalcoholicas, 97 fuman y comen entre comidas y 52 tienen estos treshabitos nocivos para la salud. Si se selecciona al azar un miembrode este grupo, encuentre la probabilidad de que el estudiante(a) Fume pero no consuma bebidas alcoholicas;(b) Coma entre comidas y consuma bebidas alcoholicas pero no
fume;(c) Ni fume ni coma entre comidas.
Walter Dıaz Estadıstica I
![Page 97: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/97.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
Metodos CombinatoriosEspacio muestral, eventoFuncion de ProbabilidadProbabilidad CondicionalEventos independientesRegla de Bayes
Ejemplo
De experiencias pasadas un agente de bolsa cree que con lascondiciones economicas actuales un cliente invertira en bonos libresde impuestos con una probabilidad de 0.6, invertira en fondosmutualistas con una probabilidad de 0.3 e invertira en ambos conuna probabilidad de 0.15. Encuentre la probabilidad de que uncliente invierta(a) En bonos libres de impuestos o en fondos mutualistas;(b) En ninguno de los dos instrumentos.
Walter Dıaz Estadıstica I
![Page 98: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/98.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
Metodos CombinatoriosEspacio muestral, eventoFuncion de ProbabilidadProbabilidad CondicionalEventos independientesRegla de Bayes
En algunos casos las probabilidades se citan sin especificar elespacio muestral Ω y esto puede traer algunas dificultades. Paracorregir este inconveniente usaremos el sımbolo P(A|Ω) paraindicar la probabilidad condicional del evento A relativa al espaciomuestral Ω. La probabilidad anterior tambien la llamaremos “laprobabilidad de A dado Ω”. El sımbolo P(A|Ω) hace explıcito quenos estamos refiriendo a un espacio muestral particular Ω.
Walter Dıaz Estadıstica I
![Page 99: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/99.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
Metodos CombinatoriosEspacio muestral, eventoFuncion de ProbabilidadProbabilidad CondicionalEventos independientesRegla de Bayes
Para ilustrar las ideas relacionadas con las probabilidadescondicionales consideremos un experimento aleatorio que consisteen elegir aleatoriamente una persona adulta que viva en una ciudadcon n personas adultas, y se anotan sus caracterısticas conrespecto a sus habitos de fumador y su sexo.
SexoHabito de fumar B1 B2 Total
A1 n11 n12 R1
A2 n21 n22 R2
Total C1 C2 n
Tabla : Habitos de fumar distribuidos por sexo
Walter Dıaz Estadıstica I
![Page 100: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/100.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
Metodos CombinatoriosEspacio muestral, eventoFuncion de ProbabilidadProbabilidad CondicionalEventos independientesRegla de Bayes
Definicion
Probabilidad conjunta La probabilidad de ocurrencia simultanea delos atributos Ai y Bj se llama la probabilidad conjunta y esta dadapor
P(Ai ∩Bj) =nijn.
Supongamos ahora que el interes es determinar la probabilidad deAi, sin considerar cualquier otro atributo Bj del espacio muestralΩ. Esta probabilidad se conoce como una probabilidad marginal.Supongamos por ejemplo que queremos determinar la probabilidadde que un adulto fume. Se observa en la tabla, que de los nadultos R1 fuman. Por lo tanto, la probabilidad de que un adultofume es P(A1) = R1/n.
Walter Dıaz Estadıstica I
![Page 101: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/101.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
Metodos CombinatoriosEspacio muestral, eventoFuncion de ProbabilidadProbabilidad CondicionalEventos independientesRegla de Bayes
Definicion
Probabilidad marginal La probabilidad de Ai, sin considerar cualquierotro atributo Bj del espacio muestral Ω, se llama la probabilidadmarginal 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 esmujer y queremos conocer la probabilidad de que no fume. Estaprobabilidad es la probabilidad condicional de A2 dado B2 y laindicamos como P(A2|B2). Se observa en la tabla que de las C2
mujeres hay n22 que no fuman. Por lo tanto, la probabilidadcondicional de A2 dado B2 es P(A2|B2) = n22/C2.
Walter Dıaz Estadıstica I
![Page 102: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/102.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
Metodos CombinatoriosEspacio muestral, eventoFuncion de ProbabilidadProbabilidad CondicionalEventos independientesRegla de Bayes
Generalizamos lo anterior, en la definicion de probabilidadcondicional.
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 Acuando P(A) = 0, a pesar de que esta teorıa existe, y esta biendesarrollada, y forma la base para el estudio de los procesosestocasticos.
Walter Dıaz Estadıstica I
![Page 103: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/103.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
Metodos CombinatoriosEspacio muestral, eventoFuncion de ProbabilidadProbabilidad CondicionalEventos independientesRegla de Bayes
Teorema
Para un evento fijo A con P(A) > 0,1 P(B|A) ≥ 0 para todos los eventos B ⊂ Ω,2 P(Ω|A) = 1, y3 Si B1, B2, B3, . . . son eventos disjuntos, entonces
P
( ∞⋃k=1
Bk|A
)=
∞∑k=1
P(Bk|A).
En otras palabras P(·|A) es una funcion de probabilidad legıtima.Con esto en mente, las siguientes propiedades son inmediatos:
Walter Dıaz Estadıstica I
![Page 104: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/104.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
Metodos CombinatoriosEspacio muestral, eventoFuncion de ProbabilidadProbabilidad CondicionalEventos independientesRegla de Bayes
Proposicion
Para algun evento A,B y C con P(A) > 01 P(B′|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∩· · ·∩An−1)
La regla de la multiplicacion es muy importante porque nos permitehallar probabilidades en experimentos aleatorios que tienen unaestructura secuencial.
Walter Dıaz Estadıstica I
![Page 105: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/105.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
Metodos CombinatoriosEspacio muestral, eventoFuncion de ProbabilidadProbabilidad CondicionalEventos independientesRegla de Bayes
Ejemplo
A los habitantes de una ciudad se les hizo una encuesta con elproposito de determinar las preferencia de los lectores por el TIMEy el NEWSWEEK. Los resultados mostraron que 20 % prefiere elTIME, el 16 % lee el NEWSWEEK y un 1 % leen ambossemanarios. Si se selecciona al azar un lector que lee el TIME,¿cual es la probabilidad de que tambien lea el NEWSWEEK?.
Walter Dıaz Estadıstica I
![Page 106: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/106.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
Metodos CombinatoriosEspacio muestral, eventoFuncion de ProbabilidadProbabilidad CondicionalEventos independientesRegla de Bayes
Ejemplo
Los empleados de una empresa se encuentran separados por tres divisiones:administracion (A), operacion de planta (O) y ventas (V ); tambien seclasifican por sexo: hombre (H) y mujer (M), como se observa en la siguientetabla:
SexoDivision M H Total
A 20 30 50
O 60 140 200
V 100 50 150
Total 180 220 400
Tabla : Numero de empleados clasificados por division y sexo
Se elige aleatoriamente un empleado al azar de esta companıa. Encuentre,(a) P(M)(b) P(V )(c) La probabilidad que trabaje en operacion de planta si es mujer.(d) La probabilidad de que sea mujer si trabaja en la division de operacion de
planta.(e) Encuentre P(A ∪M);P(O ∩M);P(A ∪M ′);P(M |A)
Walter Dıaz Estadıstica I
![Page 107: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/107.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
Metodos CombinatoriosEspacio muestral, eventoFuncion de ProbabilidadProbabilidad CondicionalEventos independientesRegla de Bayes
Ejemplo
Hay noventa aspirantes para un trabajo en el departamento de noticias de una estacionde television. Algunos de los aspirantes son graduados de la universidad y algunos no,algunos de ellos tiene al menos tres anos de experiencia y algunos no los tienen. Lainformacion exacta esta la tabla, en donde G representa el evento “el entrevistado esgraduado de la universidad” y T representa el evento de “tener menos de tres anos deexperiencia”.
G G′ Total
T 18 9 27
T ′ 36 27 63
Total 54 36 90
Tabla : Numero de aspirantes clasificados por anos de experiencia y si es graduado o no de launiversidad
Si el orden en que el gerente de la estacion entrevista a los aspirantes es aleatorio,determine las siguientes probabilidades directamente de la tabla y de los totales por filasy columnas.
(a) P(G) (b) P(T ′) (c) P(G ∩ T )(d) P(G′ ∩ T ′) (e) P(G|T ) (f) P(G′|T ′)
Walter Dıaz Estadıstica I
![Page 108: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/108.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
Metodos CombinatoriosEspacio muestral, eventoFuncion de ProbabilidadProbabilidad CondicionalEventos independientesRegla de Bayes
Ejemplo
Consideremos una urna con 10 bolas en el interior, de las cuales 7son de color rojo y 3 son de color verde. Seleccione sucesivamente3 bolas de la urna. ¿Cual es la probabilidad de que todas las bolassean rojas?.
Walter Dıaz Estadıstica I
![Page 109: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/109.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
Metodos CombinatoriosEspacio muestral, eventoFuncion de ProbabilidadProbabilidad CondicionalEventos independientesRegla 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 sonindependientes, entonces se cumple que
P(A|B) =P(A)
P(B|A) =P(B)
La interpretacion en el caso de la independencia es que lainformacion que el evento que condiciona no influye en laprobabilidad del evento condicionado.
Walter Dıaz Estadıstica I
![Page 110: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/110.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
Metodos CombinatoriosEspacio muestral, eventoFuncion de ProbabilidadProbabilidad CondicionalEventos independientesRegla de Bayes
Proposicion
Si los eventos A y B son independientes, entoncesA y B′ son independentes,A′ y B son independentes,A′ y B′ son independentes.
Walter Dıaz Estadıstica I
![Page 111: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/111.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
Metodos CombinatoriosEspacio muestral, eventoFuncion de ProbabilidadProbabilidad CondicionalEventos independientesRegla de Bayes
Ejemplo
Una caja contiene 100 pelotas, de las cuales 25 son rojas, 40 sonblancas 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 laprimera pelota se reemplaza antes de sacar la segunda?
(b) Si se seleccionan dos pelotas de la caja, ¿cual es laprobabilidad de que una sea roja y una sea blanca si lasegunda pelota se saca sin reemplazar la primera?
(c) Si se sacan tres pelotas de la caja sin reemplazo, ¿cual es laprobabilidad de que la primera sea negra, la segunda blanca yla tercera sea roja?
Walter Dıaz Estadıstica I
![Page 112: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/112.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
Metodos CombinatoriosEspacio muestral, eventoFuncion de ProbabilidadProbabilidad CondicionalEventos independientesRegla de Bayes
En esta seccion introducimos una regla que nos permite actualizarnuestros probabilidades cuando se obtiene nueva informacion.
Teorema (Regla de Bayes)
Sean B1, B2, . . . , Bn eventos mutuamente excluyentes ycolectivamente exhaustivos y sea A cualquier otro evento conP(A) > 0. entonces
P(Bk|A) =P(Bk)P(A|Bk)∑ni=1 P(Bi)P(A|Bi)
, k = 1, 2, . . . , n.
Walter Dıaz Estadıstica I
![Page 113: Unidad1y2](https://reader031.fdocuments.es/reader031/viewer/2022032005/563db832550346aa9a917595/html5/thumbnails/113.jpg)
Estadıstica DescriptivaTeorıa de la probabilidad
Metodos CombinatoriosEspacio muestral, eventoFuncion de ProbabilidadProbabilidad CondicionalEventos independientesRegla de Bayes
Ejemplo
Un inversionista esta pensando en comprar un numero muy grande deacciones de una companıa. La cotizacion de las acciones en la bolsa esde gran interes para el inversionista. Con base en esta informacion, seobserva que la cotizacion de las acciones se relaciona con PNB de laeconomıa. Si el PNB aumenta, la probabilidad de que las accionesaumenten su valor es 0.8. Si el PNB es el mismo, la probabilidad de quelas acciones aumenten su valor es 0.2. Si el PNB disminuye, laprobabilidad de que las acciones aumenten su valor es solo de 0.1. Si paralos seis meses siguientes se asignan las probabilidades 0.4, 0.3 y 0.3 a loseventos el PNB aumenta, se queda igual y disminuye, respectivamente,determinar la probabilidad de que las acciones aumenten su valor en losproximos seis meses. Ahora, si las acciones aumentaron su valor, ¿cual esla probabilidad de que se haya producido una reduccion en el PNB?
Walter Dıaz Estadıstica I