You are on page 1of 92

ESTADISTICA

ESTADISTICA APLICADA
Nociones Generales

Nmero

de

Tipo de Anemia
Moderada

Leve

Severa

Total

especies
parsitas
1
2
3
4
5
6
50

Total
40

n
3
12
30
21
11
3

%
100
70.59
69.77
67.74
68.75
60.00
69.5

n
0
5
11
9
5
2

%
0
29.41
25.58
29.03
31.25
40.00
27.8

n
0
0
2
1
0
0

%
0
0
4.65
3.23
0
0

n
3
17
43
31
16
5

%
2.61
14.78
37.39
26.96
13.91
4.35

80

32

2.61

115

100
Severa; 2%

30
Nmero de estudiantes

Moderada; 17%

20

Leve; 43%

10
0

9 10 11 12 13

Edad (aos) de los estudiantes

Normal; 38%

ESTADISTICA APLICADA

Nociones Generales
ESTADSTICA

DESCRIPTIVA

Qu es?...

INFERENCIAL

PROPOSITO

PROPOSITO
METODOS

Caractersticas

TABULARES
GRAFICOS

NUMERICOS

METODO

PROBABILISTICO

ESTADISTICA APLICADA
Nociones Generales

Ciencia encargada de la Recoleccin,


Manipulacin,
Organizacin
y
Presentacin
de
informacin
de
manera tal que sta tenga una
Confiabilidad determinada

ESTADISTICA APLICADA
Nociones Generales
INFERENCIA
ESTIMACION
Poblacin
N
Parmetros
, 2, p, etc

Deduccin

TECNICAS DE
MUESTREO

Muestra
n=?
Estadsticos
Estadgrafos

ESTADISTICA APLICADA
Nociones Generales
Probabilstico

MUESTREO

No
Probabilstico

Probabilstica
Azar

MUESTRA

Tipos
No Probabilstica
Arbitraria

ESTADISTICA APLICADA

Nociones Generales

POBLACION

MUESTRA
Atributo

Cambiar
Variable

Nombre

Definicin

Rango de Valores

Clasificacin

Elementos
Cualitativas

Tipos
Cuantitativas

Categoras
Discretas
Continuas

ESTADISTICA APLICADA

Nociones Generales

Variable

Elementos

+
Medirse

Nombre

Definicin

Rango de Valores

Clasificacin

Nominal
Ordinal

Escalas de
Medicin

De Intervalo
De Razn

ESTADISTICA APLICADA

Mtodos Tabulares

DESCRIPTIVA
METODOS

TABULARES

Sumatoria

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


y1, y2, yn, valores que toman las variables
X y Y, y sean a y b dos constantes.
Entonces:
x1 + x2 + x3 + xn

i 1

y1 + y2 + y3 + yn

xi

i 1

Propiedades

yi

ESTADISTICA APLICADA

Propiedades de Sumatoria

ESTADISTICA APLICADA

Mtodos Tabulares/Ordenamiento
Edad (aos)

Edad (aos)

17

15

18

16

18

16

16

17

21
15
17
19

Ordenndolo

17
18

Desventaja

Valores
extremos

18
18

20

18

18

19

16

20

Valores mas
frecuente

Valores
extremos

ESTADISTICA APLICADA
Cuadro de Frecuencia

Cuadros de
Frecuencia

Edad
(aos)

fi

fr

Fia

Fra

15

8.3

8.3

16

16.7

25.0

17

16.7

41.7

18

33.3

75.0

19

8.3

10

83.3

20

8.3

11

91.7

21

8.3

12

100

Total

12

100

ESTADISTICA APLICADA
Cuadro de Frecuencia
Lugar de realizacin del
Diplomado

Extranjero

19

13.87

Universidad Objeto de Estudio

87

63.50

Otras universidades

31

22.63

137

100

Total

ESTADISTICA APLICADA

Cuadro de Frecuencia

67.7

39.2

52.5

42.3

69.8

61.2

63.9

37.2

45.7

41.7

69.1

55.5

64.9

38.9

52.4

41.9

69.2

58.9

68.3

39.2

52.6

42.7

70.0

61.9

68.3

39.2

53.3

45.5

70.1

63.2

Cuadro de
Frecuencia

La
Estadstica
ofrece
otra
alternativa Tablas de Frecuencias
Absolutas y Relativas

ESTADISTICA APLICADA

Tabla de Frecuencia
Procedimiento

Definir el Nmero de
Intervalos
A = R/k
R = Valor Mx.- Valor Mn.

Tipo de Intervalos

5 20 25
K = 1 + 3.33* log n
K = n

(Li - LS]

R` = Ajustada
R` = Ac*K > R
D= R`-R

ESTADISTICA APLICADA
Tabla de Frecuencia
Intervalos de Clases

PMC

fi

fr

Fia

Fra

37.1 a 42.6

39.85

0.27

0.27

42.6 a 48.1

45.35

0.10

11

0.37

48.1 a 53.6

50.85

0.13

15

0.50

53.6 a 59.1

56.35

0.07

17

0.57

59.1 a 64.6

61.85

0.13

21

0.70

64.6 a 70.1

67.35

0.30

30

30

ESTADISTICA APLICADA
Mtodos Grficos
Diagrama de Tallo y Hojas
Diagrama de Puntos
Histograma
Mtodos Grficos Clsicos

Polgono de Frecuencias
Ojiva
Diagrama de Sectores

DIAGRAMA DE TALLO Y HOJAS


Un diagrama donde cada valor de datos es dividido en una "hoja"

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


ejemplo "32" sera dividido en "3" (tallo) y "2" (hoja).
Los valores del "tallo" se escriben hacia abajo y los valores "hoja"
van a la derecha (o izquierda) del los valores tallo.
El "tallo" es usado para agrupar los puntajes y cada "hoja" indica
los puntajes individuales dentro de cada grupo.

ESTADISTICA APLICADA
Diagrama de Puntos

15

16

17

18

Edad (aos)

19

20

21

ESTADISTICA APLICADA
Histograma

Histograma de Frecuencias Absolutas


10
9
8
7
6
5
fi

4
3
2
1
0

Intervalos de clases

ESTADISTICA APLICADA
Polgono de Frecuencias
Polgono de Freecuencia Absoluta
10
9
8
7
6
5
4
fi

3
2
1
0

Puntos Medios de Ckases

ESTADISTICA APLICADA
Ojiva

Ojiva o Polgono de Frecuencias Acumuladas (menor que)

Fia

35
30
25
20
15
10
5
0

Tiempo (minutos)

ESTADISTICA APLICADA
Diagrama de Sectores
(19*360)

137-------360

X=

19 ------- x

Lugar de realizacin de
estudios Postgraduales
Extranjero
Universidad de Inters
Otras universidades
bolivianas
Total

= 49.9
137

Grados

19
87

49.927
228.613

31
137

81.460
360

ESTADISTICA APLICADA
Diagrama de Sectores

Diagrama de Sectores

Extranjero ; 49.92701
Otras universidades bolivianas ; 81.45985
Universidad de Inters ; 228.61314

ESTADISTICA APLICADA

Mtodos Numricos (Medidas de Tendencia Central)


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

La Estadstica oferta otra herramienta


llamada Mtodos Numricos

ESTADISTICA APLICADA
Medidas de Tendencia Central
Localizan el centro de
una
base
de
datos
numricas

Medidas de Tendencia
Central

Mtodos Numricos

Cuantifican
cunto
se
dispersan los datos de una
medida
de
tendencia
central

Medidas de Dispersin

ESTADISTICA APLICADA
Medidas de Tendencia Central

Promedio
Media Ponderada
Medidas de Tendencia
Central

Mediana
Moda

ESTADISTICA APLICADA

Medidas de Tendencia Central/Promedio

Poblacin

Promedio

Media

Poblacional

Es la sumatoria de las observaciones que


toma una variable dividido entre el total
de stas

Muestra

Media
Muestral

Se interpreta como el punto de equilibrio


de una base de datos numricas

ESTADISTICA APLICADA

Medidas de Tendencia Central


Tiempo
(minutos)

-4.15

38.9

-17.85

68.3

11.55

67.2

10.45

63.9

7.15

68.3
39.2
42.3
61.9

Promedio

xi x

52.6

64.9

Suma

Desviaciones

567.5
56.75

8.15

Propiedad

-17.55
-14.45
0

xi x 0
i 1

11.55

5.15

Suma

ESTADISTICA APLICADA
Medidas de Tendencia Central
Media en datos tabulados
Si la tabla no presenta clases abierta es
posible hacer una estimacin de la media
tomando en cuenta lo siguiente:
PMC es el promedio de las observaciones de las
observaciones que caben dentro del intervalos.
PMC*fi proporciona una estimacin de la suma de
las observaciones que caben en el intervalo y como
una tabla tiene k-simo intervalos entonces:

ESTADISTICA APLICADA
Medidas de Tendencia Central

Intervalos
de Clases

PMC

fi

37.1 a 42.6

39.85

318.8

42.6 a 48.1

45.35

136.05

48.1 a 53.6

50.85

203.4

53.6 a 59.1

56.35

112.7

59.1 a 64.6

61.85

247.4

64.6 a 70.1

67.35

606.15

30

1624.5

PMC*fi

x=

1624.5
= 54.15
30

ESTADISTICA APLICADA
Medidas de Tendencia Central
Cuando los datos tienen diferente peso dentro de la
base de datos, si desea obtener el promedio, la media
aritmtica no es la ms indicada
Cargo

fi

Salario

Rector

2000

Asesores

1200

Vic. Acadmico

1150

Vic. Administrativo

1250

Director de Carrera

1000

Coordinador de
Carrera

800

Administrativo

600

Secretarias

120

ESTADISTICA APLICADA
Medidas de Tendencia Central

Cargo

fi (wi)

Salario
(xi)

Xiwi

Rector

2000

2000

Asesores

1200

2400

Vic. Acadmico

1150

1150

Vic. Administrativo

1250

1250

Jefe de Carrera C.S

1000

2000

Jefe de Carrera

800

4000

Administrativo

600

1200

Secretarias

120

1080
15080

xw =

15080
23

= 655.65

ESTADISTICA APLICADA
Medidas de Tendencia Central
Si los datos no se distribuyen
simtricamente (curva simtrica) el
promedio no es la mejor medida para
localizar el centro de los mismos

Datos sin tabular

Ordenar
Impar
n

Me = xn/2 + 0.5
Par
Me = (xn/2 + x n/2 + 1 )/2

Mediana (Me)

Datos tabulados

Me = a +

(b-a)(0.5- c)
d

ESTADISTICA APLICADA
Medidas de Tendencia Central
Tiempo
(minutos)

n es impar

Tiempo
(minutos)

38.9

38.9

39.2

39.2

42.3

42.3

52.6

52.6

61.9

61.9

63.9

63.9

64.9

64.9

67.2

67.2

68.3

68.3

Me = xn/2 + 0.5

Me

ESTADISTICA APLICADA
Medidas de Tendencia Central

n es par

Tiempo
(minutos)

Tiempo
(minutos)

38.9

38.9

39.2

39.2

42.3

42.3

52.6

52.6

61.9

61.9

63.9

63.9

64.9

64.9

67.2

67.2

68.3

68.3

68.3

68.3

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

Me =
62.9

61.9 + 63.9
2

= 62.9

Mediana es aquella medida


de tendencia central que
antes y despus de ella no
existe ms del 50% de la
informacin

ESTADISTICA APLICADA
Medidas de Tendencia Central

Me = a +

(b-a)(0.5- c)
d

a = Lmite inferior de la
clase de la Me
b = Lmite superior de la
clase de la Me
c = Fra una clase antes de
la clase de la Me (Nj-1)
d = fr de la clase de la Me

Clase de la Mediana
Complete la columna Fia
Localice la menor Fia >
n/2
La clase a la que
pertenece esta
frecuencia es la clase
de la mediana (Nj)
La Clase antes de Nj es
Nj -1

ESTADISTICA APLICADA
Medidas de Tendencia Central
Me = a +

Me = 53.6 +

(b-a)(0.5- c)
d

(59.1-53.6)(0.5- 0.5)
= 53.6
0.07

Intervalos
de Clases

PMC

fi

fr

Fia

Fra

37.1 a 42.6

39.85

0.27

0.27

42.6 a 48.1

45.35

0.10

11

0.37

48.1 a 53.6

50.85

0.13

15

0.50

53.6 a 59.1

56.35

0.07

17

0.57

59.1 a 64.6

61.85

0.13

21

0.70

64.6 a 70.1

67.35

0.30

30

a = Lmite inferior de la
clase de la Me
b = Lmite superior de la clase de
la Me
c = Fra una clase antes de la
clase de la Me (Nj-1)
d = fr de la clase de la Me

Ubicacin de la
clase de la Me
n = 30
n/2 = 15
Nj = 17 (53.6 59.1)
Nj- 1 = (48.1 53.6)

ESTADISTICA APLICADA
Medidas de Tendencia Central

Connotancia de Moda
(Mo) en Estadstica

Tiempo
(minutos)
38.9
39.2

En caso de existir es la
(s) observacin (nes)
que ms se repiten en
una base de datos

42.3
52.6
61.9
63.9
64.9

Distribuciones:

67.2

Unimodales

68.3

Bimodales
Etc.

68.3

Mo

ESTADISTICA APLICADA
Medidas de Tendencia Central
(ficmo- ficpremo)
Mo = Licmo + Acmo
(ficmo-ficpremo) + (ficmo ficpostmo)
Donde:
Licmo: Lmite inferior de la Clase Modal
Acmo: Ancho de clase de la Clase Modal
Ficmo: Frecuencia absoluta de la Clase Modal
Ficpremo: Frecuencia absoluta de la Clase Premodal
Ficpostmo: Frecuencia absoluta de la Clase Postmodal
Clase Modal es la (s) que tiene(n) la mayor (es) fi

ESTADISTICA APLICADA
Medidas de Tendencia Central
(ficmo- ficpremo)
Mo = Licmo + Acmo
(ficmo-ficpremo) + (ficmo ficpostmo)
Intervalos
de Clases

PMC

fi

37.1 a 42.6

39.85

42.6 a 48.1

45.35

48.1 a 53.6

50.85

53.6 a 59.1

56.35

59.1 a 64.6

61.85

64.6 a 70.1

67.35

(9 - 4)
Mo = 64.6 + 5.5

= 66.56
(9 - 4) + (9 0)

ESTADISTICA APLICADA

Deformacin de Curvas Unimodales

ESTADISTICA APLICADA

Deformacin de Curvas Unimodales

Asimetra

Asimetra Positiva

> Me > Mo

Curvas Simtricas

= Me = Mo

Asimetra Negativa

< Me < Mo

ESTADISTICA APLICADA
Medidas de Dispersin

Una medida de tendencia central por si sola no es tan


importante. Por esta razn debe estar acompaada de
una medida de dispersin
Medidas
Medidas de
de dispersin:
dispersin: Son
Son indicadores
indicadores estadsticos
estadsticos
que
que muestran
muestran la
la distancia
distancia promedio
promedio que
que existe
existe entre
entre los
los
datos
datos y
y la
la media
media aritmtica.
aritmtica.
En
En el
el estudio
estudio de
de las
las medidas
medidas de
de dispersin
dispersin daremos
daremos un
un
vistazo
vistazo a
a cuatro
cuatro
indicadores
indicadores bsicos:
bsicos:
_
_ Desviacin
Desviacin media
media
_
_ Varianza
Varianza
_
_ Desviacin
Desviacin estndar
estndar
_
_ Coeficiente
Coeficiente de
de variacin
variacin

MEDIDAS DE DISPERSION
DESVIACIN MEDIA
Para conocer con un solo indicador que tan disperso se

encuentran un conjunto de datos a un punto de


concentracin, debemos como primera medida, calcular la
distancia de cada dato respecto a una medida de tendencia
central.

ESTADISTICA APLICADA
Medidas de Dispersin

Rango

Rango = Valor Mximo Valor Mnimo


Poblacin ( )

Varianza

Es el promedio de las desviaciones al


cuadrado de las observaciones que
toma una variable respecto a su media

Muestra (S)

xi

i 1

ESTADISTICA APLICADA
Medidas de Dispersin

Sumatoria

xi

(Desviaciones)2

52.6

17.2225

38.9

318.6225

68.3

133.4025

67.2

109.2025

63.9

51.1225

64.9

66.4225

68.3

133.4025

39.2

308.0025

42.3

208.8025

61.9

26.5225

567.5

1372.725

1372.725
S =

= 152.525mi/est
10 - 1

Desventaja
Desviacin Tpica

S = S

S = 152.525 = 12.35 min/est

Interpretacin
56.75 12.35 min/est.

xS

ESTADISTICA APLICADA

Si la tabla no presenta clases abierta es posible


hacer una estimacin de la varianza de la siguiente
forma:
Intervalos de
Clases

PMC

fi

37.1 a 42.6

39.85

42.6 a 48.1

45.35

48.1 a 53.6

50.85

53.6 a 59.1

56.35

59.1 a 64.6

61.85

64.6 a 70.1

67.35

ESTADISTICA APLICADA
Medidas de Dispersin

S2

Intervalos de
Clases

PMC*fi

PMC2*fi

318.8

12704.18

45.35

136.05

6169.8675

48.1 a 53.6

50.85

203.4

10342.89

53.6 a 59.1

56.35

112.7

6350.645

59.1 a 64.6

61.85

247.4

15301.69

64.6 a 70.1

67.35

606.15

40824.203

1624.5

91693.475

PMC

fi

37.1 a 42.6

39.85

42.6 a 48.1

1624.5
91693.475

30 1

30

124.774

S 124.774 11.70

ESTADISTICA APLICADA
Medidas de Dispersin

Todas las medidas de dispersin expuestas


anteriormente son dimensionales (toman las unidades
de medidas de las variables)
Existe otra medida de dispersin pero adimensional
llamadas Coeficiente de Variacin o Dispersin
Relativa

S
C.V
x

S
*100
x

C.V

ESTADISTICA APLICADA
Medidas de Dispersin

Las medidas de dispersin cuantifican cunto se


dispersan los datos alrededor de una medida de
tendencia central, pero, Para donde se desvan los
datos?, a la izquierda de la media, a la derecha o se
distribuyen simtricamente.
Existen otras medidas aplicable solo a curvas
unimodales que tratan de las deformacin de curvas
tanto de forma horizontal como vertical

KURTOSIS
lacurtosises una medida de la forma.
As, las medidas de curtosis tratan de
estudiar la proporcin de la varianza que
se explica por la combinacin de datos
extremos respecto a la media en
contraposicin con datos poco alejados
de la misma. Una mayor curtosis implica
una mayor concentracin de datos muy
cerca de la media de la distribucin
coexistiendo al mismo tiempo con una
relativamente elevada frecuencia de
datos muy alejados de la misma. Esto
explica una forma de la distribucin de
frecuencias con colas muy elevadas y un
con un centro muy apuntado.

ESTADISTICA APLICADA

Deformacin de Curvas Unimodales

Curva Leptocrtica

Curtosis

Kur > 3

Curva Mesocrtica

Kur = 3

Curva Platicrtica

Kur < 3

ESTADISTICA APLICADA
Regresin Lineal Simple

X1
Y

X2
.
.
.

Xi

Y: Variable Dependiente
X: Variable Independiente

Y = f(X)

En el desarrollo de los eventos,


puede ser que una variable sea
afectada por el comportamiento de
otra (s) variable (s)
Es de inters poder cuantificar
este tipo de relacin de manera
que se pueda predecir una variable
en funcin de otra
En Regresin Lineal Simple es de
inters cuando una variable afecta
el comportamiento de otra variable
Propsito de la R.L.S: Prediccin

Curtosis.
Mesocrticos, con valores medianos para el coeficiente.
Platicrticos, con valores pequeos para el coeficiente.
Las siguientes figuras muestran grficamente los tres tipos

de curvas de acuerdo a la definicin anterior:


Elcoeficiente decurtosismide cuan 'puntiaguda' es una
distribucin respecto de un estndar. Este estndar es una
forma acampanada denominada 'normal', y corresponde a
una curva de gran importancia en estadstica.
El coeficiente de curtosis est definido por:
De acuerdo a su valor, la 'puntudez' de los datos puede
clasificarse en tres grupos:
Leptocrticos, con valores grandes para el coeficiente.

Leptocrtica

Platicrtica

Mesocrtica
Una curva Mesocrtica tiene un Coeficiente de Curtosis cercano
a cero. Una Leptocrtica, un valor notoriamente mayor que cero y
una Platicrtica valores menores que cero.

ESTADISTICA APLICADA
Regresin Lineal Simple

Por anlisis de regresin se entiende al conjunto de mtodos


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

Supuestos del Anlisis


de Regresin Lineal
Simple

Y es una variable aleatoria cuya


distribucin probabilstica depende
de X
Modelo de la Lnea Recta
Homogeneidad de Varianza
Normalidad
Independencia

ESTADISTICA APLICADA

Regresin Lineal Simple/Diagrama de Dispersin


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

Rango de Sueldo (X)


11
10
8
5
9
9
7
3
11
8
7
2
9
8
6
3

Inasistencias (Y)
18
17
29
36
11
26
28
35
14
20
32
39
16
26
31
40

ESTADISTICA APLICADA

Regresin Lineal Simple/Diagrama de Dispersin

45
40
35
30
25
Inasistencia
20
15
10
5
0
0

6
Rango de Salario

10

12

ESTADISTICA APLICADA

Regresin Lineal Simple/Mtodos de Mnimos Cuadrados


El supuesto No 2 de RLS plantea que de existir una relacin
entre X y Y, sta es una lnea recta, por lo tanto se puede
pensar en una ecuacin de la siguiente forma:
Parmetros

Estimacin
De tal manera que se llegue a obtener una ecuacin de la
siguiente naturaleza:

ESTADISTICA APLICADA

Regresin Lineal Simple/Mtodos de Mnimos Cuadrados


Uso de
Mnimos
Gauss)

la Tcnica de
Cuadrados
(Carl

A partir de muestras (x1, y1), (x2, y2), (xi, yi) de las variables
X y Y, se trata de obtener los estimadores . Para ello la
Tcnica de Mnimos Cuadrados minimiza la suma de cuadrado de
las distancias entre los valores observados y los estimados de
tal manera que :

ESTADISTICA APLICADA

Regresin Lineal Simple/Recta de Estimacin

Estimada una vez la recta de Prediccin y teniendo en cuenta


que el propsito de la R.L.S es la prediccin, se hace
necesario estar seguro que la ecuacin estimada es capaz de
predecir.
Por esta razn es necesario validar la ecuacin estimada

ESTADISTICA APLICADA

Regresin Lineal Simple/Validacin de la Recta de Estimacin

Validacin
Clculo de Coeficiente
de Determinacin R

Cuantifica la cantidad de la
variabilidad de Y que
puede ser explicada por X
R 70%

Anlisis de Varianza
de la Regresin ANARE

ESTADISTICA APLICADA

Regresin Lineal Simple/Validacin de la Recta de


Estimacin/ANARE
Por anlisis de Varianza se entiende, de forma general, a la
particin de la variacin total en fuente de variacin conocida
que en el caso de R.L.S son de acuerdo al siguiente modelo
aditivo lineal:
xi= Variacin debida a
Regresin
i = Variacin debida al Error
FV

gl

SC

CM

Regresin

SCRegresin

CMRegresin
CMError

Error

n-2

SCError

Total

n.1

SCTotales

Fc
CMRegresin

Ft (Pr>F)

/CMError

Regla de Decisin
NRHo : Fc Ft
RHo : Fc > Ft

ESTADISTICA APLICADA
Correlacin Lineal Simple

As como existen tcnicas que cuantifican los cambios de una


variable dependiente por un nico cambio de la variable
independiente, existen tcnicas que cuantifican la asociacin
lineal entre dos variables, esta tcnica es llamada Correlacin
Lineal Simple que se exprese como el coeficiente de
correlacin (r)
Este coeficiente indica el sentido de la asociacin como
tambin la magnitud de sta, partiendo del hecho que el
coeficiente de correlacin lineal simple toma valores en el
rango de: r es -1 r 1. Entre ms se acerca a 1 el valor de r
mayor es la asociacin entre dichas variables.

ESTADISTICA APLICADA
Correlacin Lineal Simple

-1 r < -0.8

Asociacin
fuerte

-0.8 r < -0.4

negativa
Asociacin
dbil

-0.4 r 0

0 r < 0.4

negativa
No
asociacin

No

hay

asociacin
0.4 r < 0.8 Asociacin

y
hay

dbil
0.8 r 1

positiva
Asociacin
fuerte
positiva

ESTADISTICA APLICADA
Correlacin Lineal Simple

ESTADISTICA APLICADA
Correlacin Lineal Simple

Regresin Lineal Simple

Correlacin Lineal Simple

Mide la cantidad de cambios en Y Mide


asociacin
por un nico cambio en X.
entre dos variables

lineal

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


otra independiente
1 puede tomar cualquier valor en la El
coeficiente
de
recta numrica
correlacin toma valores en
el intervalo -1 r 1

PROBABILIDADES
Experimentos Aleatorios
Espacio Muestral,Eventos y Sucesos
Tipos de Experimentos Aleatorios
Probabilidad

Relaciones entre Eventos


Enfoques de Probabilidad/Teoremas
Bsicos de Probabilidad
Eventos Dependientes/Independientes
Probabilidad Total/Teorema de Bayes

PROBABILIDADES
Determinsticos
Experimentos

No Determinsticos
Es un proceso planificado a
travs del cual se obtiene
una observacin (o una
medicin) de un fenmeno
Son experimentos no
determinsticos cuyos resultados
estn regidos por el azar

Sus resultados se conocen con


anticipacin sin necesidad de
realizar el experimento

Sus resultados se conocen


una vez que el experimento
ha finalizado
Se pueden describir los
posibles resultados pero no se
puede decir cul de ellos
ocurrir
Experimentos Aleatorios

PROBABILIDADES
Supngase que se lanzan dos monedas legales al mismo
tiempo y que a una cara de cada moneda se la llama
Cara a la otra Sol entonces:

={CC, CS, SC, SS}


Supngase ahora que se lanza un
dado legal. Entonces:
={1, 2, 3, 4, 5, 6,}
Son aquellos experimentos no determinsticos
cuyos resultados estn regidos por la
casualidad (azar)

Experimentos
Aleatorios

PROBABILIDADES
Retomando el caso del lanzamiento de las dos
monedas, hay otro posible resultado en este
experimento?.
O bien en el caso del lanzamiento
del dado

Espacio Muestral

M = {CC, CS, SC, SS}


Son todos los resultados
que estn asociados a un
experimento aleatorio

M = {1, 2, 3, 4, 5, 6,}
Supngase que el lanzamiento del
dado se est interesado en la
ocurrencia de una cara impar
A = {1,3,5}

Evento

Es subconjunto del espacio


muestral, es decir, sus
resultados pertenecen al
espacio muestral

PROBABILIDADES
Espacio Muestral

2
A
1
3

Evento

5
Suceso (wi)

Letras
Maysculas del
Alfabeto

6
A= (wiA /wi M

PROBABILIDADES
Simples

Un solo experimento aleatorio

Compuestos

Cuando ocurren dos o ms


experimentos simples al mismo
tiempo o bien uno despus del
otro

Experimentos
Aleatorios

Unidos por la
partcula (v)
Los experimentos simples que
lo componen ocurren de
forma sucesiva
M = {M1UM2UMi}

Unidos por la
partcula y ( )
Los experimentos simples que
lo componen ocurren al mismo
tiempo
M = {M1M2Mi}

PROBABILIDADES
Simples

Un solo experimento aleatorio


M = {1, 2, 3, 4, 5, 6,}

Experimentos
Aleatorios
Compuestos

Cuando ocurren dos o ms


experimentos simples al mismo
tiempo o bien uno despus del
otro
M = {CC, CS, SC, SS}

PROBABILIDADES
Experimentos compuestos
unidos por la partcula y

El espacio muestral es el
producto cartesiano de los
espacios muestrales simples
que lo conforman

M3
M2
M1

CC

CS

SC

SS

M1*M2

CC

CCC

CCS

CS

CSC

CSS

SC

SCC

SCS

SS

SSC

SSS

PROBABILIDADES
3era Moneda
2da Moneda

1ra Moneda

S
C

M
S

Experimentos compuestos
unidos por la partcula y

CCC

CCS

Diagrama del rbol

CSC

Diagrama de Senderos

S
C
S

CSS
SCC
SCS

SSC

SSS

PROBABILIDADES
De acuerdo a cmo ocurren los eventos se pueden
establecer algunas relaciones entre ellos tales como:
A

AUB

AUB
B

M
A

AB

PROBABILIDADES
Clsico
Enfoques de
Probabilidades

Probabilidad A priori. Llamada


Tambin Probabilidad de
Laplace

Subjetivo

Frecuencia
Relativa

Probabilidad A posteriore

PROBABILIDADES
Supuesto
Probabilidad
Clsica

Subjetivo

Todos los sucesos de un


experimento aleatorio tienen
la
misma
posibilidad
de
ocurrir, entonces:

na
P A
M

0 P A 1
Frecuencia
Relativa

P A

n
N

Probabilidad A posteriore
Si en la realizacin de
experimento aleatorio aparece
un evento A n veces
N,entonces:

PROBABILIDADES
P[AUB] = P [A] + P [B]
P[AUB] = P [A] + P [B] P[AB]

Teoremas Bsicos de
Probabilidades

P[] = 0

0 P A 1 / 0 P A 100%

P[M] = 1

P Ac 1 P A

PROBABILIDADES
Eventos Dependientes
Cuando la ocurrencia de un evento est en dependencia de otro
evento, se dice que ste es dependiente.
Sea A y B dos eventos en el espacio muestral M, se dice que A
es un evento dependiente de B s;

P A P A ; P B 0
B

B PPABB P A; P B 0

PA

P B P B ; P A 0
A

o bien:

A PPBA A P B; P A 0

PB

Estas probabilidades se pueden calcular de dos formas:

Respecto al espacio muestral original

Respecto al espacio muestral del evento condicionante

PROBABILIDADES
En una institucin de Educacin Superior se tiene 300 docentes,
de los cuales 100 son casados y 30 divorciados. En dicha
institucin hay 200 hombres, 85 de los cuales son casados y 95
son solteros. Determinar cual es la probabilidad de seleccionar un
docente al azar:
a. Que sea mujer
b. Que sea soltero (a)
c. Que sea un hombre y est casado (a)
d. Que sea una mujer divorciada
e. Dado que el docente es casado (a), cul es la probabilidad
que sea hombre?
f. Si el docente seleccionado es hombre, cul es la probabilidad
que sea casado?

PROBABILIDADES
En una universidad el 70% de los estudiantes son de Ciencias,
30% de Letras. De los estudiantes de Ciencias el 60% son
varones y los de Letras son varones el 40%. Si se elige al azar
un estudiante, calcule la probabilidad que:
a. Sea mujer
b. Se estudiante varn dado si es de Ciencias
c. Sea estudiante de Ciencias dado que es varn
d. Sea estudiante de Ciencias y varn.

PROBABILIDADES
Eventos Independientes
Cuando la ocurrencia de un evento no est en dependencia de la
ocurrencia de otro evento, se dice que stos son independientes.
Sea A y B dos eventos en el espacio muestral M, se dice que A
es un evento independiente de B s se cumple con cualquiera de
las siguientes condiciones:

B P PABB P A; P B 0

PA

A PPBA A P B; P A 0

PB

P A B P A * P B

PROBABILIDADES
Probabilidad Total
Sea A1, A2, , Ak, eventos que forman una particin del espacio
muestral M y sea B, un evento en M. Si las probabilidades P[A1],
P[A2], P[A3], P[Ak], si P[B/A1], P[B/A2], P[B/A3], P[B/Ak]
son probabilidades conocidas entonces:
P B P A1 P B / A1 P[ A2]P[ B / A2] ...P[ Ak ]P[ B / Ak ]

Probabilidad Total =

P B

i 1

P Ak P B / Ak

PROBABILIDADES
Teorema de Bayes
Sea A1, A2, , Ak, eventos que forman una particin del espacio
muestral M y sea B, un evento en M. Si las probabilidades P[A1],
P[A2], P[A3], P[Ak], si P[B/A1], P[B/A2], P[B/A3], P[B/Ak].
Si B ya ha ocurrido y se est interesado en saber a cual de los
eventos que forman la particin muestral se ha debido su
ocurrencia, entonces se usa el denominado Teorema de Bayes

P Ak

P Ak P B

Ak
k
B
i 1 P Ak P B Ak