Documentos de Académico
Documentos de Profesional
Documentos de Cultura
COMPLETA Y
FORMULA DE
BAYES
La probabilidad de un evento A que puede ocurrir solo al aparecer uno de
los eventos mutuamente excluyentes B1, B2, B3, ….;Bn tales que su unión
es el espacio muestral esta dado por
Fórmula de Bayes
EJEMPLO
Diagrama de árbol para la deducción de la formula de Bayes
PRUEBAS DE HIPOTESIS
La teoría de las prueba de hipótesis sobre parámetros poblacionales fue
desarrollada en los primeros años del siglo XX y sistematizada por Fisher,
Person y Neyman. Estos últimos lo formalizaron
Supongamos que un investigador desea
investigar que actualmente , el ingreso mensual de los
ecuatorianos es mayor que el ingreso mensual que
tenían 5 años atras. Para verificarlo recolectamos una
los datos mediante una muestra tomada al azar.
El investigador podria desear comprobarla hipótesis de
manera que el aumento del ingreso es mayor que un
cierto valor prefijado. Un intervalo de confianza de la
variación media del ingreso proporcionará menor
información que una prueba de hipótesis sobre la
variación del ingreso.
Las hipótesis, en general, son afirmaciones sobre los
parámetros poblacionales, como la media y la
varianza, así, se pudiera desear probar que el
ingreso medio actual no es diferente de aquel
que los ecuatorianos tenían hace 5 años.
Una hipótesis también puede ser una afirmación
sobre la distribución de una característica de
interés :
Ejemplo que el ingreso mensual sigue una
distribución normal
Decisiones estadísticas
Hipótesis Nula Ho
Hipótesis alternativa H1
Estadístico de Prueba
Región de rechazo
Decisión
Hipótesis estadística nula Ho
Con el fin de llegar a una decisión es útil hacer
suposiciones o conjeturas sobre las poblaciones
involucradas. Tales suposiciones, que pueden ser
o no ciertas reciben el nombre de hipótesis
estadística, y en general en planteamientos sobre
la distribución de probabilidad de poblaciones. Es
decir “ es cualquier hipótesis que se desea
comprobar”
Su simbología es
Ejemplo: Si vamos a decidir que cierta moneda
está cargada, formulamos la hipótesis que la
moneda es balanceada, es decir p = 0,5, donde p
es la probabilidad de obtener caras. De igual
manera si queremos, decidir si un procedimiento es
mejor que otro, formulamos la hipótesis de que no
hay diferencia entre los procedimientos. Tales
hipótesis se llaman hipótesis nula o simplemente
hipótesis .
Cualquier hipótesis que difiera de la hipótesis nula
dada se llama hipótesis alternativa
Ejemplo: si la hipótesis nula es p= 0.5
La hipótesis alternativa posibles p= 0,7 ,p≠ 0,5 o
p>0,5 y la denotamos como H1
Ho : p=0,5
H1 : p<0,5
p>0,5
p ≠ 0,5
Hipótesis alternativa H1
Verdadera Falsa
F I
F 0.22 0.24
I 0.31 0.23
A) ¿Cuál es la probabilidad condicional de que el hombre sea fiel, dado que su mujer
es fiel?
B)¿Cuál es la probabilidad de que la mujer sea fiel, dado que el hombre es infiel?
EJERCICIO
Se extrae con reemplazo dos bolas, al azar de una caja que contiene 10 rojas, 30 blancas, 20
azules y 15 naranjas
a) Ambas sean blancas
b) La primera sea roja y la segunda blanca
c) Ninguna sea naranja
d) Las dos sean rojas o blancas o de ambos colores
a)Pr(blanca) ∩ pr(blanca) =( 30/75) * (30/75)=4/25=0.16
16% de posibilidad en las dos sacadas que nos de una de color blanco
Sin reemplazo =(30/75) *(29/74)=0.156
b) Pr(roja) ∩ pr(blanca) = (10/75) *(30/75)= 0.05
5% de posibilidad en las dos sacadas que nos de una de color rojo
c) 10 rojas + 30 blancas + 20 azules =60
Pr(no se naranja) ∩ pr(no sea naranja)= (60/75) *(60/75) = 0.64
64% de posibilidad en las dos sacadas que nos de una de color no sea naranja
d) Pr(roja) ∩ pr(roja)= (10/75) *(10/75) =0.017
Pr(blanca) ∩ pr(blanca) =( 30/75) * (30/75)=4/25=0.16
Pr(roja) ∩ pr(blanca) = (10/75) *(30/75)= 0.05
Pr(blanca) ∩ pr(roja)= 0.05
Pr (rojas o blanca o ambos colores)= 0.017+0.16+0.05+0.05=0.277
27% de posibilidad en las dos sacadas que nos de una de color
REPRESENTACIÓN DE
DATOS
Entre las maneras más fáciles de entender y conocer el
comportamiento de un conjunto de datos es representando
gráficamente, ya que nos permite dar una descripción rápida
y fácil de entender.
Diagrama de punto
Es una forma de resumir datos cuantitativos en la que cada
observación o frecuencia es representada mediante un punto
sobre una recta numérica. En el caso que se disponga de
muchos datos, cada punto representaría un número fijo de
individuos.
En este diagrama podemos apreciar:
• Localización general de las observaciones
La forma de Construcción
• Primero se tiene que escoger una buena escala para que se a
comprensiva para la observación
Ejemplo:
VALOR ATIPICO O VALOR INUSUAL
Estos datos se llaman atípicos o valores inusuales cuando en un conjunto
de datos tiene un dato u observación que se aleja en valor del resto de
datos es decir puede ser un valor inusualmente grande o inusualmente
pequeño
El valor atípico puede ser resultado de un error en una
medición en cuyo caso distorsionaría la interpretación de los
datos e influenciaría sobre el cálculo en los resultados a
partir de la muestra.
Como se construye
• Se pueden usar diagramas múltiples para comparar dos
conjuntos de datos para ello se coloca en un tallo común y
las hojas de un conjunto se pones a izquierda del tallo y las
hojas del segundo conjunto a la derecha del tallo,
TABLAS DE
FRECUENCIAS
AGRUPADAS
(muestras grande)
Es el ordenamiento de datos usando intervalos, grupos o
clases de medias cada una de los cuales presenta su
respectiva frecuencia
CARACTERISTICAS DE UNA TABLA AGRUPADA
RANGO (R)
Valor resultante de la diferencia entre la medida mayor (U) y la
medida menor (L) en un grupo de datos
R= U-L
AMPLITUD DE CLASE (W)
Es la distancia entre el limite superior de la primera clase y el limite
inferior de la segunda clase
W= R/ numero de clases
MARCA DE CLASE(X)
Es el valor promedio de la clase, se lo calcula sumando el limite
superior e inferior de cada una de las clases y dividiendo entre dos
X= (LI + LS)/2
De acuerdo al autor del libro guía
Intervalos Número de clases recomendadas
20-50 6
51-100 7
101-200 8
201-500 9
501-1000 10
Mas de 1000 11-12
FRECUENCIA RELATIVA (fr)
Es la que se encuentra dividiendo la frecuencia absoluta de
dicha medida entre el total de n medidas de cada clase
fr = f/n
FRECUENCIA ACUMULADA (fA)
Es la suma de las frecuencias de esa misma clase y de las
frecuencias de todas las demás clases
TEORIA ELEMENTAL DE LA
PROBABILIDAD
Para muestras agrupadas
TERMINOLOGIA A UTILIZAR
PROBABILIDAD
Es una medida de la posibilidad de que ocurra un evento o suceso
EXPERIMENTO
Es una observación de alguna actividad o la acción de efectuar una medición
RESULTADO
Acontecimiento final de un experimento
EVENTO
Conjunto de uno o mas resultados de un experimento
EVENTOS MUTUAMENTE EXCLUYENTES
La ocurrencia de un evento significa que ningún otro puede ocurrir
al mismo tiempo.
donde E1 y E2 son eventos
Excluyentes como E1∩ E2= ᴓ (conjuntos disjuntos)
A ᴜ B Unión de conjuntos Que por los menos uno de los ev entos A o B ocurre
Probabilidades Probabilidades
Objetivas Subjetivas
Probabilidades Frecuencia
Clásicas o A Relativa o a
priori o marginal posteriori
PROBABILIDAD CLASICA O
A PRIORI O MARGINAL
Se basa en que los resultados de un experimento
son igualmente posibles, eventos mutuamente
excluyentes y que el conjunto de eventos son exhaustivos
en forma colectiva.
Que la probabilidad que suceda un evento se lo calcula
dividiendo el número de casos favorable para el numero
de casos totales
Ejemplo
Se tiene una canasta de 10 esferas , numeradas del 1 al 10.
Rojas van hacer del 1,2,3, 4 y verdes 5,6,7,8,9,10; si se elige
una esfera al azar ?Que probabilidad es que sea roja?.
Pr(roja)= resultados favorables / resultados totales
Ω= {1,2,3,4,5,6,7,8,9,10}
R= {1,2,3,4}
V= {5,6,7,8,9,10} Pr(R)=4/10= 2/5= 0,4
La posibilidad que al azar
pueda sacar una esfera roja es el 40%
FRECUENCIA RELATIVA O
A POSTERIORI
La frecuencia de que un evento ocurra a largo plazo se
determina por un lado observando en que fracción de
tiempo sucedieron eventos semejantes en el pasado, y
por otro, observando la ocurrencia de un evento durante
un gran numero de intentos
Ejemplo
Una organización ambiental se sabe, por la información
obtenida de los datos actuales registrados que de las
empresas petroleras 6 de 10 causan un impacto grave en
la fauna de la zona donde se encuentran sus pozos de
extracción. Utilizando este método, la organización estima
la probabilidad de riesgo de este tipo de impacto
ambiental de esta empresa ?Cual esa Probabilidad de
este Riesgo?
Pr(impacto ambiental) = 6/10 = 0,6
60% de posibilidad de que exista este tipo de impacto
ambiental en estas zonas donde están los pozos de
extracción petrolera
PROBABILIDADES
SUBJETIVAS
Posibilidad de que suceda un evento asignado por una
persona con base en cualquier información de que
disponga.
• Para evaluar la independencia entre las variables, se calculan los valores que
indicarían la independencia absoluta, lo que se denomina “frecuencias
esperadas”, comparándolos con las frecuencias de la muestra.
• Como es habitual, la hipótesis nula (H0) indica que ambas variables son
independientes, mientras que la hipótesis alternativa (H1) indica que las
variables tienen algún grado de asociación o relación.
KARL PEARSON
• Karl Pearson fue historiador, escribió sobre folklore, fue un socialista
convencido, abogado, matemático aplicado, biómetra, estadístico, maestro y
biógrafo. Pero sin duda su contribución más importante es al nacimiento de
la Estadística Aplicada.
EL CHI- CUADRADO DE PEARSON
• La prueba χ² de Pearson se considera una prueba no paramétrica que mide la
discrepancia entre una distribución observada y otra teórica (bondad de
ajuste), indicando en qué medida las diferencias existentes entre ambas, de
haberlas, se deben al azar en el contraste de hipótesis.
CALCULO DE LOS
GRADOS DE LIBERTAD
CONCEPTOS
IMPORTANTES
ESTADÍSTICA
• FACTORIAL
En un numero entero, positivo su simbología es: n! y lo calculamos así:
n ! = n x (n - 1) x ….x 2 x 1
0!= 1
• VARIACIÓN
• PERMUTACIÓN REPETITIVA
Es una repetición de k elementos obtenidos a partir de un conjunto de n
elementos; es un arreglo de k elementos ordenados en el que los elementos
pueden repetirse arbitrariamente
EJERCICIO
Encontrar el número de variaciones y de combinaciones de
dos elementos que se pueden obtener a partir de un
conjunto {a, b, c}
Encontrar las permutaciones de n elementos a partir del conjunto {a, b, c}
EJERCICIO
EJERCICIO
FUNDAMENTOS
DEL ANALISIS
COMBINACIONAL
Conceptos principales del análisis combinatorio
• FACTORIAL
En un numero entero, positivo su simbología es: n! y lo calculamos así:
n ! = n x (n - 1) x ….x 2 x 1
0!= 1
• VARIACIÓN
• PERMUTACIÓN REPETITIVA
Es una repetición de k elementos obtenidos a partir de un conjunto de n
elementos; es un arreglo de k elementos ordenados en el que los elementos
pueden repetirse arbitrariamente
EJERCICIO
Encontrar el número de variaciones y de combinaciones de
dos elementos que se pueden obtener a partir de un
conjunto {a, b, c}
Encontrar las permutaciones de n elementos a partir del conjunto {a, b, c}
EJERCICIO
EJERCICIO
MEDIDAS DE DISPERSION
Para muestras agrupadas
Las medidas de dispersión son aquellas que
es decir:
Donde:
X= marca de clase
f= frecuencia absoluta
n= tamaño de la muestra
La Mediana
La Moda
PRINCIPALES
DISTRIBUCIONES DE
PROBABILIDAD
En este caso vamos a presentar algunos tipos, de leyes que
siguen las variables aleatorias y que aparecen frecuentemente en
problemas prácticos y cuyas propiedades deben ser conocidas
1.- Distribución Uniforme Discreta
2.- Distribución Hipergeométrica
3.- Distribución Bernoulli y Binomial
1.- Distribución Uniforme Discreta
La esperanza E(X)= np
Y la varianza Var(X)=n pq
La distribución Binomial tiene amplia aplicación en la teoría de
muestreo cuando se puede contestar a una pregunta únicamente
con dos opciones SI - NO
PRINCIPALES
DISTRIBUCIONES DE
PROBABILIDAD
En este caso vamos a presentar algunos tipos, de leyes que
siguen las variables aleatorias y que aparecen frecuentemente en
problemas prácticos y cuyas propiedades deben ser conocidas
1.- Distribución Uniforme Discreta
2.- Distribución Hipergeométrica
3.- Distribución Bernoulli y Binomial
1.- Distribución Uniforme Discreta
La esperanza E(X)= np
Y la varianza Var(X)=n pq
La distribución Binomial tiene amplia aplicación en la teoría de
muestreo cuando se puede contestar a una pregunta únicamente
con dos opciones SI - NO