Mtodos Estadsticos aplicados a la

Investigacin
Sesin 2
Dra. Laura Rivera Len

PROBABILIDAD
Experimento Aleatorio (E): es aquel fenmeno cuyos
resultado depende del azar y cumple ciertas
caractersticas:

a) El experimento se puede repetir indefinidamente bajo

condiciones idnticas.
b) Se puede describir el conjunto de todos los resultados
posibles, pero no se pueda asegurar o predecir un
resultado en particular.
c) Si se repite un nmero grande de veces debe aparecer
cierta regularidad estadstica.

PROBABILIDAD
Sucesos: un suceso de un Experimento Aleatorio (E) es cada
uno de los posibles resultados de dicho experimento que no
puede descomponerse en resultados ms simples

Espacio Muestral (S): Es el conjunto de todos los

resultados posibles (sucesos) de un experimento aleatorio.

PROBABILIDAD
Teora clsica
(Kolmogorov)

Propiedades de la probabilidad
Las reglas cumplidas por los diagramas de Venn son las mismas reglas
cumplidas por la probabilidad.

B
A
P() = 1

0 P(A) 1

Cmo calculamos P(A o B)?

PROPIEDADES DE LAS PROBABILIDADES

La probabilidad de un evento
imposible es cero.

PROPIEDAD 1:

PROPIEDAD 2: complemento de un evento

P(Ac )= 1 P(A)

PROPIEDAD 3: ley

de la adicin (unin de dos

eventos)

Si A y B son incompatibles, entonces P ( A B ) 0

P ( A B ) P ( A ) P (B )

PROPIEDAD 4: PROBABILIDAD CONDICIONAL

0< P(B) 1
PROPIEDAD 5: EVENTOS INDEPENDIENTES

P (A B) = P(A) P(B)

PROPIEDAD 2: complemento de un evento

Ejemplo: Dada la siguiente tabla (ocupacin versus ingresos familiares)

Bajo

Medio

Alto

26

16

40

14

Ejecutivos

62

12

Profesionales

Ama de casa
Obreros

Se elige una persona de forma aleatoria. Calcular la probabilidad de que sea:

a)

Ama de casa

b) Ingreso bajo

d) Profesional o tenga ingreso medio

f)

Obrero si se sabe que tiene ingreso medio

g) Son los sucesos A y M independientes?

c) Ejecutivo con ingreso alto

e) no sea ejecutivo

Ejemplo
En una cadena de televisin se hizo una encuesta a 2500 personas
para saber la audiencia de un debate y de una pelcula que se
emitieron en horas distintas: 2 100 vieron la pelcula, 1 500
vieron el debate y 350 no vieron ninguno de los dos programas.
Si elegimos al azar a uno de los encuestados:
a) Cul es la probabilidad de que viera la pelcula y el debate?
b) Cul es la probabilidad de que viera la pelcula, sabiendo que
vio el debate?
c) Sabiendo que vio la pelcula, cul es la probabilidad de que
viera el debate?

La ley de la probabilidad total y

el teorema de Bayes

Los sucesos B1, , Bk

forman una particin si:
= B1 o B2 o o Bk
Bi y Bj =

La ley de la probabilidad total

A .
A es un suceso:
P(A) P (A B1 )+P (A B2 )+...+P(A BK )
P (A | B1 )P(B1 )+P (A | B2 )P(B2 )+...+P(A| BK )P(BK )

Teorema de Bayes
La probabilidad condicional se basa en el resultado de un
hecho para describir otra probabilidad especfica.
Este concepto de puede extender cada vez que se tiene
nueva informacin con la cual determinar si una
probabilidad se debe a una causa especfica.
Este procedimiento recibe el nombre de Teorema de
Bayes y se maneja as:

Teorema de Bayes
Si A es un evento simple y Bi es una sucesin de eventos,
la probabilidad de que se cumpla el evento Bi dado que ya
se cumpli el evento A es:
P( A / Bi ) P( Bi )
P( Bi / A)
P( A / B1 ) P( B1 ) P( A / B2 ) P( B2 ) ... P( A / Bn ) P( Bn )

El gerente de mercadotecnia de una compaa fabricante

de juguetes estudia el lanzamiento de un juguete nuevo. En
el pasado, el 40% de los juguetes introducidos por la
compaa han tenido xito y 60% han fracasado.

Antes de lanzar el nuevo juguete se realiza un estudio de

mercado y se hace un informe, ya sea favorable o
desfavorable. En el pasado, 80% de los juguetes con xito
tenan un informe favorable y 30% de los juguetes que
fracasaron tenan un informe favorable. El gerente de
mercadotecnia quiere conocer la probabilidad de que el
juguete tenga xito si recibe un reporte favorable.

Anlisis previo

Qu se busca? :
La probabilidad de que el juguete tenga xito.
Qu condiciones tenemos? :
Resultados de un informe favorable
P(xito/Favorable)

Anlisis previo

Juguetes con xito

Juguetes con fracaso

: 40%
: 60%

P(xito)
P(fracaso)

= 0.4
= 0.6

Datos del pasado:

Juguetes que tuvieron xito y previamente les haban
reportado un informe favorable 80%
Juguetes que fueron un fracaso y previamente les haban
reportado un informe favorable 30%

Anlisis previo

Juguetes que tuvieron xito y previamente les haban

reportado un informe favorable 80%
P(xito/Favorable) =

0.8

Juguetes que fueron un fracaso y previamente les haban

reportado un informe favorable 30%
P(Fracaso/Favorable)

0.3

Propsito

La aplicacin del teorema de Bayes indica que se busca la

probabilidad de que un juguete sea un xito, siendo que el
dictamen que se tiene es favorable; el enunciado es el
siguiente:
P(xito/Favorable) =

P ( Favorable / xito) P ( xito)

P ( Favorable / xito) P ( xito) P ( Favorable / Fracaso) P ( Fracaso)

Desarrollo

P ( Favorable / xito) P ( xito)

P ( Favorable / xito) P ( xito) P ( Favorable / Fracaso) P ( Fracaso)

(0.8)(0.4)
(0.8)(0.4) (0.3)(0.6)

(0.32)
(0.32) (0.18)

0.32
0.64
0.5

64%

La probabilidad de que una persona tenga una enfermedad

es de 0.03. Se dispone de pruebas de diagnstico mdico
para determinar si una persona en realidad padece la
enfermedad.
Si la enfermedad de hecho est presente, la probabilidad
de que la prueba de diagnstico mdico de un resultado
positivo es de 0.9. Si la enfermedad no est presente, la
probabilidad de un resultado positivo en la prueba de
diagnstico mdico es de 0.02.
22

Suponga que la prueba de diagnstico mdico ha dado un

resultado positivo. Cul es la probabilidad de que la
enfermedad est presente en realidad.
Qu se busca? :
La probabilidad de que el paciente est enfermo
Qu condiciones tenemos? :
Diagnstico positivo

Se busca calcular
Pacientes enfermos
Pacientes sanos

: P(Enfermo/Positivo)
: 0.03
: 0.97

P(Enfermo) = 0.03
P(Sano)
= 0.97

Datos de pacientes en el pasado:

Resultado positivo y estaban enfermos
Resultado positivo y estaban sanos

0.90
0.02

Anlisis previo

Resultado positivo y estaban enfermos 0.90

P(Positivo/Enfermo) = 0.9
Resultado positivo, y estaban sanos 0.02
P(Positivo/Sano) = 0.02

Propsito

La aplicacin del teorema de Bayes indica que se busca la

probabilidad de que un paciente d un resultado positivo y
los datos anteriores indican que est enfermo, el
planteamiento es el siguiente:
P(Positivo/Enfermo) =
P ( Enfermo / Positivo) P( Positivo)

P( Enfermo / Positivo) P( Positivo) P( Sano / Positivo) P( Positivo)

Desarrollo

P ( Enfermo / Positivo) P( Positivo)

P( Enfermo / Positivo) P( Positivo) P( Sano / Positivo) P( Positivo)

(0.9)(0.03)

(0.9)(0.03) (0.02)(0.97)

(0.027)

(0.027 (0.0194)
0.027

0.5819
0.0464

58%

Ejemplo: Supongamos que en un centro educativo la altura

del 4% de alumnos y del 1% de las alumnas es superior a 1.80
metros. Adems el 60% de estudiantes es mujer. Encontrar la
probabilidad de escoger a un estudiante de altura superior a
1.80 metros.
P(S/M)=0.01
P(S/H)=0.04
P(M)=0.6
S=altura superior a 1.80
M=ser mujer
H=ser hombre
P(S)=P(S/M)P(M)+P(S/H)P(H)=0.022

Ejemplo : En el ejemplo anterior, calcular la

probabilidad de que el estudiante escogido fuera mujer
sabiendo que meda ms de 1.80.

Distribucin Normal

Fenmenos naturales que siguen el modelo de la

Distribucin Normal
Caracteres morfolgicos de individuos (personas, animales,
plantas,...) de una especie, p.ejm. tallas, pesos, envergaduras,
dimetros, permetros,...
Caracteres fisiolgicos, por ejemplo: efecto de una misma dosis
de un frmaco, o de una misma cantidad de abono.
Caracteres sociolgicos, por ejemplo: consumo de cierto
producto por un mismo grupo de individuos, puntuaciones de
examen.
Caracteres psicolgicos, por ejemplo: coeficiente intelectual,
grado de adaptacin a un medio,...

Distribucin Normal o
Gaussiana
68.
26%
95.44
%
99.74
%
-3 - 2 -

+ +2 +3

Relacionadas con la distribucin normal

Funcin de densidad

 La distribucin normal queda definida por dos

parmetros, su media y su desviacin tpica y la
representamos as:

Funcin de Distribucin

TIPIFICACIN

Funcin de densidad

Funcin de Distribucin

Distribucin Normal Estndar

MANEJO DE TABLAS:
CASOS MS FRECUENTES.