Estadistica Descriptivasegunda Fase

SEGUNDA FASE:
ESTADSTICA BIDIMENSIONAL
REGRESION Y CORRELACION
LINEAL SIMPLE
TEORIA DE PROBABILIDADES
ESTADSTICA
BIDIMENSIONAL
Analiza el comportamiento conjunto
de dos
variables en una unidad de estudio, es decir busca
la asociacin o relacin que existe entre ambas, se
representa como un conjunto de pares de datos
(X,Y), donde:
X : es la variable independiente (llamado factor)
Y : es la variable dependiente (llamado resultado)
Ejemplos:
Peso y talla de un grupo de personas
Gasto en publicidad y volumen de ventas
Nivel de estudios y regin de procedencia
Ingresos y nivel socioeconmico
Coeficiente intelectual y rendimiento acadmico
2
..ESTADSTICA
BIDIMENSIONAL..
La relacin o dependencia de variables se da

entre:
I. Dos variables cualitativas;
carrera
profesional y gnero; Nivel de satisfaccin y
nivel de estudios.
II. Dos variables cuantitativas; Ingresos y
gastos en una familia, Precio de PC y la
velocidad del procesador.
III.
Una
variable
cualitativa
y
una
cuantitativa; Nivel de estudios y edad de las
personas; Zona de ventas y volumen de
ventas.
3
ORGANIZACIN DE DATOS
La asociacin o dependencia de dos variables
cualitativas se debe resumir los resultados en:
Grfico de barras agrupadas
Tablas de contingencia o bidimensionales
y
Y1
y2
...
yj
...
yl
fi. ni.
x1
f11
f12
f1j
f1l
f1.
x2
f21
f22
f2j
f2l
f2.
fi1
fi2
fk1
fk2
xi
xk
fij
fkj
j1
f.1
f.2
f.j
fil
fi.
fkl
fk.
f. j n.j
i1
f.l
n..
fij n
i1 j1
Donde:
Las frecuencias absolutas conjuntas se
designa con el ndice ij es decir: fij
La suma de los totales se considera de tres
formas:
ni .
a) Totales por fila; es la suma total de las
frecuencias absolutas en fila:
n. j
b) Totales por columna; es la suma total de las

frecuencias absolutas en columna:
c) Total general; es la suma total de las
frecuencias absolutas: n.. (igual a n)
5
Para obtener los porcentajes, llamadas

tambin
frecuencias
relativas
o
proporciones, existen tres maneras:
hi .
a) Con relacin al total general, est dado

por:
h. j
b) Con relacin al total de fila :
f. j
n
hij
f ij
n
c) Con relacin al total de columna :
f i.
n
Distribuciones
marginales
a) Distribucin marginal
de X; est dado por las
marcas de clase (Xi) y por los totales de las frecuencia
por filas (fi.) :
X
x1
fi.
f1.
x2
f2.
:
xk
:
fk.
Total
ni.
b) Distribucin marginal de Y; est dado por las

marcas de clase (Yj) yY por los
totales de las frecuencias
f.j
y
f.j
por columnas (f.j) : y
f.j
1
2
:
yl
Total
:
f.l
n.j
Presentacin de
Tabla1. Nivel de instruccin
resultados
procedencia
por
regin
de
Nivel de estudios
Primaria
Secundaria
Superior
Costa
40
10.7
80
21.3
60
16.0
180
48.0
Sierra
35
9.3
35
9.3
30
8.0
100
26.7
Selva
30
8.0
40
10.7
25
6.7
95
25.3
105
28.0
155
41.3
115
30.7
375
100.0
Regin de
procedenc
ia
Total
Total
Del grupo de personas encuestadas, 180 son de la costa y 40

(10.7%) de ellos tienen grado de instruccin primaria, 80 (21.3%)
tienen secundaria y el 16% alcanzaron estudios superiores, . En
relacin al nivel de estudios alcanzados mayormente es
secundaria, el 21.3% tienen primaria y son de la costa, el 10.7%
tienen secundaria y son de la selva.
Estos resultados indican que el mayor porcentaje de personas con
nivel de estudios superiores son de la costa, lo cual demuestra que
hay asociacin o dependencia en el nivel de estudios8 alcanzado
Grfico 1. Nivel de instruccin por regin de

procedencia25
21.3
20
16.0
15
10.7
Frecuencia (%)
10.7
9.3 9.3
10
8.0
8.0
6.7
5
0
Costa
Primaria
Sierra
Secundaria
Selva
Superior
El nivel de estudios que mayormente han alcanzado las

personas es secundaria en todas las regiones, que representan
un 41%, en la regin de la costa el 16% tiene estudios
superiores y en la sierra y selva slo el 8% y el 6.7% .
Estadstico de asociacin: Chi cuadrado

El estadstico Chi-cuadrado (2) mide el grado de
asociacin o dependencia entre dos variables
cualitativas, que consiste en comparar los valores
observados
y
esperados
en
una
tabla
de
contingencia.
Si el resultado del estadstico es cercano a cero, no
existe ningn grado de asociacin; si el resultado es
k
l existe algn tipo
diferente de cero, puede afirmarse que
2
f ij eij
de asociacin entre las dos variables.

i 1 j 1
2
Donde:
eij
El estadstico
se define
como:
fij : son las
frecuencias
observadas de la muestra
f f . j
eij : son las frecuencias esperadas , se obtiene
e i.
ij
n
k: nmero de categoras de la variable en fila
l: nmero de categoras de la variable en columna
10
En la tabla 1.
1) Hallar las frecuencias esperadas
2) Encuentre el estadstico Chi-cuadrado para
comprobar si existe o no asociacin entre la regin de
procedencia
y nivel
estudios.
Tabla1. Nivel
dedeinstruccin
por regin de
procedencia
Regin de
procedenc
ia
Nivel de estudios
Primaria
Secundaria
n
e.1
e.2
Superior
e.3
Total
n
Costa
40
80
60
180
Sierra
35
35
30
100
Selva
30
40
25
95
105
155
115
375
Total
11
Resumen de
Para variables
cuantitativas:
estadsticos
x f
a) Media o promedio de la variable
X:
x
i
i 1
i.
y j f. j
b) Media o promedio de la variable

Y:
j 1
y
n
c) Varianza de la variableXf x: x
k
i.
S 2x
i1
y :
y
d) Varianza de la variable
f Y
.j
S 2y
j1
e) Covarianza de la variable X e Y : mide la

variabilidad de X e Y
f x x y y
k
Cov x, y
i 1 j 1
ij
n
12
Medidas de
Comprobar
el grado de relacin de variables
Asociacin
cuantitativas a travs de:

* Grfico de dispersin
* Covarianza
* Coeficiente de correlacin de Pearson
a) Grfico de dispersin; representacin de pares de
valores observados en el plano cartesiano, describe la
relacin existente entre las variables, ejemplo de
casos:
No hay relacin
Relacin lineal positiva
Relacin lineal negativa
Relacin no lineal
13
Medidas de
c) Covarianza:
mide la variabilidad conjunta de X
Asociacin
Y
Cov x, y
f x
i 1 j 1
ij
x y j y
d) Coeficiente de correlacin de Pearson (R):

mide el grado de asociacin lineal entre las
variables X eR Ycov( X , Y )
S xS y
Donde : 1 R 1
Grado de relacin de variables
14
Aplicacin
Se ha recolectado la estatura (X) en cm y su peso (Y) en kg

de un grupo de estudiantes cuyos resultados se muestran en
la tabla de distribucin de frecuencias bidimensionales.
[50, 60>
Peso en kg
[60, 70>
[70, 80>
[160, 165>
12
18
[165, 170>
15
25
[170, 175>
10
[175, 180>
10
Estatura en
cm
a) Hallar las distribuciones marginales

b) Interprete f22 , f33 , f41, f1. , f.2
c) Encuentre e interprete el peso y la talla promedio
d) Encuentre la covarianza entre peso y estatura
e) Hallar el coeficiente de correlacin de Pearson
15
REGRESION Y CORRELACION LINEAL

SIMPLE
Es un modelo matemtico para predecir el

efecto de una variable sobre otra, ambas
cuantitativas.
Una variable es la dependiente y otra la
independiente
Se grfica con el diagrama de dispersin.
Dice cmo es la relacin entre las dos variables.
El anlisis consiste en encontrar la mejor lnea
recta de esos puntos.
16
Diagrama de dispersin
Es la ubicacin de los pares de puntos en el plano
cartesiano, tambin es conocido como nube de
puntos .
Publicidad
Ventas
12
58
14
65
15
52
10
42
19
67
13
40
15
44
19
69
18
55
Relacin entre publicidad y ventas

80
70
60
50
40
30
20
10
0
8
10
12
14
16
17
18
20
Tipos de diagrama de dispersin
18
Covarianza de dos variables X e Y

La covarianza entre dos variables, Sxy, nos indica si la
posible relacin entre dos variables es directa o
inversa:
1
S xy
Directa: Sxy > 0
( x x )( y
n
i
y)
Inversa: Sxy < 0

Incorrelacionadas: Sxy = 0
El signo de la covarianza nos dice si el aspecto de la
nube de puntos es creciente o no, pero no nos dice
nada sobre el grado de relacin entre las variables.
19
Coeficiente de correlacin
lineal de Pearson
El coeficiente de correlacin lineal de Pearson de dos

variables, r, nos indica si los puntos tienen una
tendencia a disponerse alineadamente (excluyendo
rectas horizontales y verticales).
Tiene el mismo signo que Sxy . Por lo tanto de su signo
obtenemos el que la posible relacin sea directa o
inversa.
r es til para determinar si hay relacin lineal entre
dos variables, pero no servir para otro tipo de
relaciones (cuadrtica, logartmica, exponencial)
r
S xy
SxS y
20
REGRESIN LINEAL SIMPLE

En trminos generales la regresin lineal simple
consiste en analizar la relacin entre dos variables
cuantitativas, es decir se debe establecer una relacin
funcional Y= f(x), llamado modelo de regresin o
ecuacin de la recta, cuyos objetivos son:
1) Medir el grado de relacin con el coeficiente de
correlacin de Pearson.
2) Predecir el efecto de una variable sobre otra
(estimar valores).
El estadstico de correlacin de Pearson tambin puede
k
calcularse :
n fij x i x ( y j y )
i1 j1
xi
i1
y j2 y 2
j1
21
Propiedades del coeficiente de correlacin
Slo toma valores en [-1,1].

Las variables no presentan correlacin r = 0.
Relacin lineal perfecta entre dos variables r = 1 o r = -1.
Cuanto ms cerca est r de 1 o -1 mejor ser el grado de relacin
lineal.
Siempre que no existan observaciones anmalas
iRelacin
nversa
perfecta
negativa
-1
Variables
incorrelacionada
s
Relacin
directa casi
perfecta
+1
22
correlaciones positivas
23
Correlaciones casi perfectas y positivas
24
correlaciones negativas
25
Regresin lineal simple

El anlisis de regresin sirve para predecir una variable
en funcin a otra.
Y = Variable dependiente
X = Variable independiente
El modelo de regresin quedara establecido por el
siguiente modelo:
y
a bx
26
Interpretacin de los coeficientes de regresin lineal

La pendiente b1(b): indica el cambio promedio en la
variable respuesta (y), cuando la variable predictora
(x) aumenta en una unidad adicional.
El intercepto b0 (a)indica el valor promedio de la
variable respuesta (y), cuando la variable predictora
(x) es igual a cero. Sin embargo carece de
interpretacin prctica si dicho valor est fuera del
rango del conjunto de valores X.
Y= b0 + b1 X o tambin Y= a + bX
27
Para determinar el modelo de regresin lineal simple

utilizaremos el mtodo de mnimos cuadrados:
y na b x
xy a x b x
La recta de regresin estimada ser:
y y b1 ( x x )
28
Otras frmulas adicionales
S
XY
b 2
SX
a y bx
2
2
Sx
x
n
2
S xy
SxS y
2
y
2
Sy
y
n
29
Anlisis de Regresin y Correlacin lineal

Salidas en SPSS
Registro de Pesca de sardinas (toneladas m.) y el precio de venta (soles por
kg).
30

Salidas en SPSS
31
Bondad de ajuste: Coeficiente de Determinacin

Es una medida que nos indica la bondad del ajuste
(bondad de la prediccin)
R2 =r2 tambin como
S
R 1
S
2
2
e
2
Y
32

Salidas en SPSS
33
,8
9
0
,7
0
,6
0
,5
0
,4
0
,3
0
,2
0
,01
,0p
2
,
0
3
,
0
4
,
0
e
s
c
a
m
e
n
s
u
a
ld
e
s
a
r
d
in
a
s
preciodelasrdinas

Salidas en SPSS
34

Salidas en SPSS
35

Salidas en SPSS
36

Salidas en SPSS
Prueba de hiptesis
Ho: =0
Ha: 0
=0.05
Si sig 0.05 entonces
rechazar la hiptesis
nula
37

Salidas en SPSS
Ecuacin de regresin lineal

y = 7,754 1,424x
si x=4,5 toneladas
y = 7,754 1,424(4,5) =1.346

38
TEORIA DE PROBABILIDADES: ANALISIS

COMBINATORIO
OBJETIVOS:
proporcionar los fundamentos de las

probabilidades y
su aplicacin para procesos
estadsticos
Utilizar las propiedades conjuntistas para
el planteamiento del problema.
ANALISIS COMBINATORIO :
Es parte de la matemtica que estudia
sistemticamente las distintas Ordenaciones de
los diferentes elementos de un conjunto dado
cundo se forman grupos de un grado determinado.
39
ANALISIS COMBINATORIO
PRINCIPIO FUNDAMENTAL :
Si cierta seleccin de ordenacin de objetivos
puede realizarse de m maneras diferentes y otra
seleccin puede efectuarse de n maneras
distintas , ambas selecciones , se pueden producir
de m x n maneras diferentes.
Ejemplo 1 :
Si un partido poltico tiene 3 candidatos a la presidencia
y 5 candidatos a la vicepresidencia , El nmero de
parejas distintas de candidatos para ambos cargos se
formaran de 3 x 5 = 15 formas.
40
PRINCIPIO FUNDAMENTAL :
Ejemplo 2 :
Si Carlos
pantalones
tiene
camisas
de
vestir
Cuntos serian las diferentes formas que tendr

para vestirse con dichas prendas?
tendremos : 3 x 4 = 12
formas de vestirse.
41
VARIACIONES:
Son los diferentes grupos que se pueden formar con los
elementos dados , tomados de n en n , de tal modo que
unas agrupaciones del mismo nmero de elementos se
diferencien de otras, por lo menos en un elemento, o si
tienen los mismos elementos , por el orden en que estn
colocados.
El nmero de variaciones de m elementos tomados de n en
n ser:
m!
Vm (m n)!
n
Donde:
m = nmero total de elementos

n = nmero de elementos de cada grupo.
42
Ejemplo 1:
Supongamos que Alberto (A) , Beatriz (B) , Carlos ( C )
Daniel(D) se quieren Sentar en dos sillas disponibles. De
cuntas maneras diferentes se puede ubicar ?
Silla I
Silla II
12 maneras diferentes
m!
4!
4! 4x3x2!
2
Vm (m n)! V4 (4 2)! 2! 2! 4x3 12
n
43
Ejemplo 2 :
Se tiene 5 libros de distintas materias . De cuntos modos

diferentes podrn disponerse?
Solucin.
m=5
n=5
5!
V5 (5 5)! 5 x 4 x 3 x 2 x 1 120
5
44
PERMUTACIONES:
Sea n el nmero de elementos de un conjunto A
y r un nmero natural donde
0 < r n ; las
permutaciones
se definen como el nmero
de ordenaciones diferentes que se
pueden
formar con los elementos del conjunto A ,
tomando en grupos de n en n o de r en
r pueden ser sin repeticin o con repeticin.
45
Permutaciones sin repeticin:
a)
De n elementos diferentes tomados todos a la vez :

Si n es el nmero de elementos de un conjunto A; el
nmero de permutaciones que pueden hacerse con todos los
n elementos se obtiene as:
P(n, n) n!
Ejemplo : De un conjunto A = { x ,y , z}. Hallar el nmero
de permutaciones que pueden formarse con todo los
elementos de A.
Solucin
:Como n = 3 , el nmero de permutaciones sin repeticin
ser:
P(3,3) 3! 3 x 2 x 1 6
xyz
yxz
xzy
yzx
46
zxy
zyx
Permutaciones sin repeticin:
b)
De n elementos diferentes tomados de r en r con r < n
De n elementos diferentes , el nmero de permutaciones

diferentes sin repeticin tomados de r en r est dado
por:
Ejemplo
Si A = { a , b, c, d} . Cuantas ordenaciones diferentes
pueden formarse tomando grupos de a 2 ?
Solucin
:n = 4 ; r = 2
P(4,2)
como:
4!
4 x 3 12
2!
P(n, r)
47
n!
(n - r)!
COMBINACIONES :
Las combinaciones son las diferentes grupos de nelementos
que se pueden formar tomndolos de r en r , donde
0 < r n ; de modo que cada grupo difiere del otro en por lo
menos un elemento.
En las combinaciones slo se tiene en cuenta los
elementos que intervienen en ellas y no en el orden en que
estn agrupados la frmula correspondiente es:
C(n, r)
n!
r!(n r)!
48
COMBINACIONES :
Ejemplo :
De un grupo de 10 libros Cuntas selecciones de 4 libros se
pueden hacer?
Solucin:
n = 10 ; r = 4
C(10,4)
C(n, r)
n!
r!(n r)!
10!
10!
4!(10 4)! 4!6!
10! 10 x 9 x 8 x 7 x 6! 10 x 9 x 8 x 7
210
4!6!
4!. 6!
4 x 3 x 2 x1
49
PROBABILIDADES
EXPERIMENTO ALEATORIO:
Un experimento aleatorio o estadstico es cualquier
experimento u operacin cuyo resultado no puede predecirse
con exactitud antes de realizarse el experimento.
Ejemplos:
Lanzar un dado y observar el nmero que aparece en
la cara superior.
De un lote de bombillas de luz , extraer uno que sea

defectuoso.
50
PROBABILIDADES
ESPACIO MUESTRAL:
Es el conjunto formado por todo los resultados posibles del
experimento aleatorio. Denotaremos por la notacin
(omega) o con la letra S
SUCESO O EVENTOS
Se llama suceso o evento , cualquier subconjunto del
espacio muestral . A los sucesos generalmente se les
denota por letras maysculas , tales como A , B , C, etc.
51
PROBABILIDADES
Entonces : A es un suceso A
Relacionando con la teora conjuntista al
espacio muestral se le llama el universo y el
; luego:
(universo) se llama suceso seguro.
(nulo) se llama suceso imposible.
52
PROBABILIDADES
PROBABILIDAD DE UN SUCESO
Sea el suceso o evento A del espacio muestral ;
la probabilidad de A denotada por P(A) es la razn
entre el nmero de resultados favorables al suceso
A y el nmero total de resultados del espacio
muestral.
n(A)
P(A)
n
n de casos favorables
P(A)
n de casos posibles
53
PROBABILIDADES
Ejemplo 1 :
Si se lanza una moneda tres veces Cul es la probabilidad de

a.
Obtener exactamente dos caras ?
b. Al menos dos caras ?

c.
ninguna cara?
Solucin:
n(A) 3
P(A)
0.375
n 8
n(B)
4 1
P(B)
0.5
n 8 2
n(C) 1
P(C)
0.125
n 8
54
PROBABILIDADES
AXIOMAS DE PROBABILIDAD
1.
La probabilidad de un suceso A , toma valores entre 0 y

1 ; es decir 0 P(A) 1 .
2.
La probabilidad de un suceso seguro es 1 P( ) = 1
3.
Si un suceso A = , A es un suceso imposible P(A) = 0
4. Si A y B son sucesos de ; donde A B = ;

entonces , la probabilidad de ocurrencia del suceso A B
es :
P (A B) = P(A) + P(B)
55
PROBABILIDADES
Ejemplo 2
La probabilidad de que no asistan a clase no menos de
8 estudiantes es 0.2 y la probabilidad de que no asistan a
clase no ms de 5 estudiantes es 0.3 . Hallar la probabilidad
de que no asistan 6 7 estudiantes.
Solucin:
Sean los sucesos :
A : No asistan a clase no menos de 8 estudiantes
A = { 8 , 9 , 10 , .....................}
B: No asisten a clase no ms de 5 estudiantes.
B={0,1,2,3,4,5}
C : No asisten a clase a 6 7 estudiantes .
C={6,7}
56
PROBABILIDADES
Como A , B y C son mutuamente excluyentes

donde A B C = (Universo) ; entonces:
P(A B C) P P(A) P(B) P(C) 1
0.2 0.3 P(C) 1
P(C) 1 - 0.5 P(C) 0.5
57
PROBABILIDADES
TEOREMAS SOBRE PROBABILIDADES
1.
Si (Suceso imposible ) ; entonces P( ) = 0
2. Si A es un suceso complementario de A ; entonces

P(A) = 1 P(A)
Esto se deduce de la siguiente relacin :
Como A A =
A y A son sucesos excluyentes, por lo tanto:
P(A) P(A' ) P
P(A) P(A' ) 1
P(A' ) 1 P(A)
58
PROBABILIDADES

3.
Si A y B son sucesos no excluyentes (conjuntos no
comparables) ; se tiene que:
P(A B) P(A) P(B) - P(A B)
Extendiendo para tres conjuntos no comparables. Se

tiene que:
59
PROBABILIDADES
A
P(A B C) P(A) P(B) P(C) - P(A B) - P(A C) - P(B C) P(A B C)
60
PROBABILIDADES
Ejemplo 1:
De un total de 200 estudiantes ; 120 estn matriculados en
Matemtica Bsica
y 90 en Estadstica; 50 en ambos
cursos. Si se elige al azar uno de los 200 estudiantes, Cul

es la probabilidad de que un estudiante elegido est
matriculado en una de las asignatura?
61
PROBABILIDADES
Ejemplo 1:
Solucin:
Espacio muestral: n( ) = 200

Suceso A : Seleccionar un alumno matriculado en M. B.
n(A) 120 P(A)
120 3
200 5
Suceso B : Seleccionar un alumno matriculado en Est.
90
9
200 20
Suceso (A B) : Seleccionar un alumno matriculado en M.B. y
Estadstica.
50 1
n(A B) 50 P(A B)
200 4
Como se sabe que :
P(A B) P(A) P(B) - P(A B)
n(B) 90 P(B)
P(A B)
3 9 1
4
- P(A B)
5 20 4
5
62
PROBABILIDADES
Ejemplo 2:
En un saln de clase de 40 alumnos, 30 de ellos

postulan a la UNFV y 26 a la UW . Se elige al azar un
alumno de este saln. Cul es la probabilidad de quesea
un alumno que postula a ambas Universidades?
Solucin:
Suceso A : Alumnos que postulan a la UNFV ; n(A) = 30
Suceso B : Alumnos que postulan a la UW ; n(B) = 26
Suceso A B : Alumnos que postulan a ambas
universidades.
63
PROBABILIDADES
Sabemos que :
n(A B) n(A) n(B) - n(A B) 40
n(A B) 30 26 - n(A B) 40 56 n(A B) 40
n(A B) 16
P(A B)
n(A B) 16 2
0.4
n ( )
40 5
64
PROBABILIDADES
Ejemplo 3:
Con 7 ingenieros y 4 mdicos se van formar comits de 6

miembros. Cul es la probabilidad que el comit incluya
a.
Exactamente dos mdicos?
b.
A los sumo tres Ingenieros?
Solucin:
Evento B: A lo sumo tres ingenieros:
n(B) C(7,2) x C(4,4) C(7,3) x C(4,3)
7!
4!
7!
4!
n(B)
21 140 161
2!. 5! 4!.0! 3!. 4! 3!.1!
161
P(B)
0.348
462
65
Probabilidad Condicional
Ejemplo 1: Se dispone de 11 Hojas de Registro Laboral, pertenecientes a
trabajadores masculinos y femeninos agrupados por el turno en que labora
(Masculino)
(Femenino)
Total
D (Da)
N (Noche)
11
Sexo
Turno
Total
a) Cul es la probabilidad de extraer una Hoja de

Registro Laboral
labora en el da?
perteneciente a un trabajador que
8
P(D) =
11
66
b)Cul es la probabilidad de extraer una Hoja de
Registro Laboral perteneciente a un trabajador

que labora en el da y que sea mujer?
3
P(D F) =
11
c)
Hoja de Registro Laboral

perteneciente a un trabajador que labora en el da,
Dado
que
la
cul es la probabilidad que sea mujer?
P( F
3
)
=
D
8
67
Derivacin de la frmula:
P(F
)=
D
P(F D)
P(D)
Comprobando:
3
P(F ) = 11
D
8
11
P( F
3
)=
D
8
68
Aplicacin:
La probabilidad de que el personal administrativo
que labora en una empresa, llegue tarde el da
lunes es 0,50 y la probabilidad de que llegue
retrasado los das lunes y martes es 0,20. Dado
que cierto trabajador lleg tarde el da lunes,
cul es la probabilidad de que llegue tarde el da
siguiente?.
P(TL ) = 0,50
P(TL TM ) = 0,20
TM
P(
P(TM TL )
)=
TL
P(TL )
0,20
=
= 0,40
0,50
69
Regla de la Multiplicacin
A partir de
P( B
P(A B)
)
A
P(A)
Se despeja
( A)
P(A B) P(A) P B
70
Aplicacin:
Se sabe que en un lote de discos duros de 50
unidades, hay 4 que no estn adecuadamente
embalados. Si se extraen al azar 2 discos
duros, uno a continuacin del otro, cul es la
probabilidad de que ambos se encuentren mal
embalados?.
P(D1 )
P (D 2
4
50
)
D
1
P(D1 D 2 ) P(D1 ) P D 2
3
49
4 3
12
50 49 2450
71
D1
Ejercicio
En una poblacin de pacientes hospitalizados, la
probabilidad de que uno de ellos, elegido
aleatoriamente tenga problemas cardiacos es
0,35. La probabilidad de que un paciente con
problemas cardiacos sea un fumador es de 0,86.
Cul es la probabilidad de que el paciente
elegido al azar de entre la poblacin sea fumador
y tenga problemas cardiacos?.
72
Regla de la multiplicacin para

sucesos independientes.
Los sucesos A y B se consideran independientes
cuando la ocurrencia de uno no influye sobre la
probabilidad de ocurrencia del otro; esto significa
que, independientemente de que A haya ocurrido o
no, la probabilidad asignada a B es siempre la misma.
P (B
) P(B)
Entonces,
P ( A B) P ( A) P ( B)
73
Ejemplo:
Cul es la probabilidad de que en una familia con
dos hijos, ambos sean varones?
P (V1 V2 ) P(V1 ) P (V2 )
P (V1 ) 0,5
P (V2 ) 0,5
= (0,5) (0,5)
P (V1 V2 ) 0,25
74
El Teorema de Bayes
Consiste en una particin de la probabilidad total.

Ejemplo 1:
La Compaa de Seguros JL ha desarrollado un novedoso
seguro mdico familiar. De acuerdo con una
investigacin hecha en el mercado, la probabilidad de
que el producto tenga xito es 0,80 si una compaa
competidora no introduce un plan similar en el mercado,
en tanto que la probabilidad de xito es 0,30 si la
empresa competidora lanza al mercado un seguro
similar. Adems, la compaa JL estima que hay una
probabilidad de 0,40 de que la firma competidora
comercialice el producto.
75
Dado que el producto de la Compaa JL tuvo

xito, cul es la probabilidad de que la firma
competidora haya comercializado su novedoso plan
de seguro?
Solucin:
P(C) = probabilidad de que la compaa
competidora comercialice el producto,
P(C) = probabilidad de que la compaa
competidora no comercialice el producto,
P(E) = probabilidad de que el plan de seguro
familiar de la compaa JL tenga xito.
76
P. Marginal
P(C)
P(C
0
4
,
0
=
) =
0,6
0
P. Condicional
P. Conjunta
P(E/C) = 0,30 P(C E) = 0,40 0,30 = 0,12
'
(
C
E) = 0,60 0,80 = 0,48
P
P(E/C) = 0,80
P. Total P( E) = 0,60
77
Luego, de acuerdo con el Teorema de Bayes

P(C
P (C E)
)=
E
P (C E) + P (C ' E)
0.12
0.12
0.20
0.12 0.48 0.60
La probabilidad que la compaa de seguros haya

participado en el mercado, dado que JL tuvo
xito es de 0,20.
78
Ejemplo 2:
El Gerente de Imagen Institucional est considerando
comprar un lote de 10000 unidades USB de un
proveedor nacional. El fabricante de estos equipos
estima la proporcin de equipos defectuosas en el
lote, en la siguiente forma.
Proporcin de
Probabilidad
piezas defectuosas ()
P()
1 = 0,10
P(1) = 0,20
2 = 0,15
P(2) = 0,30
3 = 0,25
P(3) = 0,50
79
Esto significa que el proveedor no est seguro

acerca de la proporcin de equipos defectuosos
en el lote, sin embargo, basndose en
experiencias anteriores, cree que hay una
probabilidad de 0,20 de que el lote tenga 10%
de piezas defectuosas, una probabilidad de
0,30 de que tenga 15%. Y finalmente, de 0,50
de que tenga 25% de piezas defectuosas.
Supongamos que elige una unidad USB al azar en
el lote:
80
A) Cul es la probabilidad de
qu esta sea defectuosa?
B) Dado que la unidad USB
result defectuosa, cul es
la probabilidad de que el lote
tenga
25%
de
piezas
defectuosas?
81
P. Marginal
P. Condicional
P(D/1)= 0,10
P( 1 D) = 0,20 0,10 = 0,0200
P(
)=
0,
2
1=0,10
P. Conjunta
P(2) = 0,30 =0,15

2
P(D/2)= 0,15
P( 2 D) = 0,30 0,15 = 0,045
)=
3
P(
50
0,
P(D/3)= 0,25
3=0,25
P( 3 D) = 0,50 0,25 = 0,1250

82
P(D) = 0,1900
Respuesta A:
Hay tres maneras posibles de obtener un USB
defectuoso del lote. Por lo tanto, la
probabilidad de obtener una unidad defectuosa,
cualquiera que se la tasa porcentual de
defectuosos 10, 15 25 es:
P( D) P( 1 D) P( 2 D) P( 3 D)
0,0200 0,0450 0,1250

0,19
83
Respuesta B:
De acuerdo con el Teorema de Bayes, la
probabilidad de que el lote contenga 25%
de piezas defectuosas, dado que la unidad
elegida es defectuosa, es:
P( 3 D) 0.1250
P( 3 / D)
0.6579
P( D)
0.1900
84
La ciencia es el fundamento de todo progreso, que mejora

la vida humana y alivia del sufrimiento.
Irene Joliot-Curie
85

Estadistica Descriptivasegunda Fase

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Estadistica Descriptivasegunda Fase

Încărcat de

Drepturi de autor:

Formate disponibile

SEGUNDA FASE:

La relacin o dependencia de variables se da

b) Totales por columna; es la suma total de las

Para obtener los porcentajes, llamadas

a) Con relacin al total general, est dado

b) Con relacin al total de fila :

c) Con relacin al total de columna :

b) Distribucin marginal de Y; est dado por las

Del grupo de personas encuestadas, 180 son de la costa y 40

Grfico 1. Nivel de instruccin por regin de

El nivel de estudios que mayormente han alcanzado las

Estadstico de asociacin: Chi cuadrado

de asociacin entre las dos variables.

b) Media o promedio de la variable

e) Covarianza de la variable X e Y : mide la

cuantitativas a travs de:

Relacin lineal positiva

Relacin lineal negativa

d) Coeficiente de correlacin de Pearson (R):

Grado de relacin de variables

Se ha recolectado la estatura (X) en cm y su peso (Y) en kg

a) Hallar las distribuciones marginales

REGRESION Y CORRELACION LINEAL

Es un modelo matemtico para predecir el

Relacin entre publicidad y ventas

Tipos de diagrama de dispersin

Covarianza de dos variables X e Y

Directa: Sxy > 0

Inversa: Sxy < 0

El coeficiente de correlacin lineal de Pearson de dos

REGRESIN LINEAL SIMPLE

Propiedades del coeficiente de correlacin

Slo toma valores en [-1,1].

Correlaciones casi perfectas y positivas

Regresin lineal simple

Interpretacin de los coeficientes de regresin lineal

Para determinar el modelo de regresin lineal simple

La recta de regresin estimada ser:

Otras frmulas adicionales

Anlisis de Regresin y Correlacin lineal

Anlisis de Regresin y Correlacin lineal

Bondad de ajuste: Coeficiente de Determinacin

Anlisis de Regresin y Correlacin lineal

Anlisis de Regresin y Correlacin lineal

Anlisis de Regresin y Correlacin lineal

Anlisis de Regresin y Correlacin lineal

Anlisis de Regresin y Correlacin lineal

Anlisis de Regresin y Correlacin lineal

Ecuacin de regresin lineal

y = 7,754 1,424(4,5) =1.346

TEORIA DE PROBABILIDADES: ANALISIS

proporcionar los fundamentos de las

Cuntos serian las diferentes formas que tendr

m = nmero total de elementos

Se tiene 5 libros de distintas materias . De cuntos modos

De n elementos diferentes tomados todos a la vez :

De n elementos diferentes tomados de r en r con r < n

De n elementos diferentes , el nmero de permutaciones

4!(10 4)! 4!6!

De un lote de bombillas de luz , extraer uno que sea

Si se lanza una moneda tres veces Cul es la probabilidad de

Obtener exactamente dos caras ?

b. Al menos dos caras ?

La probabilidad de un suceso A , toma valores entre 0 y