Estadística Descriptiva

TEMARIOS

 Profesor
 Objetivos
 Reglas
 Contenidos a desarrollar en el curso
 Políticas
Objetivos :
CURSO
INSTITUCIONAL

Formar profesionales de EXCELENCIA,

Analizar un conjunto de datos para
socialmente responsables, líderes,
obtener información que permita la
emprendedores, CON PRINCIPIOS Y
elaboración de estrategias robustas donde
VALORES MORALES y éticos, QUE
la incertidumbre sea parte de los modelos
CONTRIBUYAN al desarrollo científico,
matemáticos de las variables discretas y
tecnológico, social, económico, ambiental y
continuas.
político del país; y, hacer investigación,
innovación, transferencia de tecnología y
extensión de calidad PARA SERVIR A LA
SOCIEDAD
Reglas

 Asistencia a clases y cumplimiento de trabajos

 Celular en silencio
 Comunicación en clase, consultoría
programadas y a través del SIDWEB
Contenido a desarrollar en el curso

Syllabus ESTG1001
 Sistema de Calificación

TEORÍA PRÁCTICA
Primer Parcial Segundo Parcial Tercer Parcial Califiación Única
Actividades Examen Actividades Examen Examen Actividades

100% 100% 100% 100%

TEORÍA + PRÁCTICA =
CALIFICACIÓN
 Propuesta de la
estructura en Estadística
3 / 1 / 5

Component Compone
e nte
Teórico Práctico

80% 20%
1er 2do Actividades -
Actividades Parcial Parcial Mejoramiento 50%
Talleres
Examen 50% 50% 100% Proyecto 50%
Control de 100%
lectura 15% 15%
Lecciones 25% 25%
Deberes 10% 10%
100% 100% 100%
Calificaciones -
Estudiante
 Carácter Obligatorio

 Revisar el syllabus
 Realizar las lecturas del material que se va a desarrollar en clase.
 Lecciones diarias sobre la lecturas programadas.

Políticas sobre los deberes

 En el tiempo correspondientes sobre 100
 Atrasados con 48 horas sobre 60
Estadística
 Historia de la estadística
https://www.youtube.com/watch?v=ZWAn3CHd8Hc
¿En qué situaciones Usted utiliza datos
estadísticos en su vida diaria?
Estadística – Origen de la estadística

Revisión del Trabajo

Procesual
Estadística
 Estadística

Estadística Descriptiva

Estadística

Estadística Inferencial

1-16
 Técnicas Estadísticas

 Técnicas descriptivas
 Recolección, presentación y descripción de datos

 Técnicas inferenciales
 Establecer conclusiones y/o tomar decisiones concernientes a la población
considerando solamente los datos muestrales

Objetivo: ¡Convertir datos en información útil!

 Estadística Descriptiva
Gráficos

Diagramas
Estadística Descriptiva
Tablas

Medidas numéricas

1-18
Técnicas Descriptivas

 Recolección de datos
ej., Encuesta, Observación,
Experimento

 Presentación de datos
ej., Cuadros y Gráficos

 Caracterización de datos
ej., Media muestral=
x i

n
 Estadística Inferencial
Establecer conclusiones y/o tomar decisiones concernientes a la
población basados en resultados muestrales.

 Estimación
 ej., Estimar el peso promedio poblacional usando el peso promedio
muestral

 Prueba de Hipótesis
 ej., Usar la muestra para evaluar si el peso promedio poblacional
es120 libras.

1-20
 Técnicas Inferenciales
 Comprender el comportamiento de la población a través del análisis de la muestra

Estadísticos muestrales Parámetros Poblacionales

(conocidos) Inferencia desconocidos, pero
pueden ser estima-
dos de la muestra ‘

1-21
Estadística - Aplicaciones
Población y Muestra
Población y muestra
 Población: Conjunto
bien definido de N-
entes, cuyas
*características nos
proponemos a
Muestra investigar
Población

 Muestra:
subconjunto de la
población

La información obtenida
de la muestra nos permite
Unidad de
inferir las propiedades o
investigación características de toda la
población, con errores
Observación
medibles y acotables
 Definiciones Claves

Una población es el conjunto completo de objetos en

consideración y referidos como el marco
 La unidad muestral es cada objeto o individuo en el marco
 Un parámetro es una medida de resumen que describe una
característica de la población

Una muestra es un subconjunto de la población, seleccionado

para ser analizado
 Un estadístico es una medida de resumen, calculada de la muestra
para describir una característica de la población

1-25
¿Por qué muestrear?

 Se invierte menos tiempo que en un censo.

 Su ejecución es de menos costo respecto al de un censo.

 No es posible considerar todos los elementos de la población.

 Es posible obtener resultados estadísticos de precisión significativa

basados en muestras
 Población y Muestra
 Una Población es el conjunto de todas las unidades o individuos de interés
Ejemplos: Todos los posibles votantes en la siguiente elección.
Todas las partes producidas hoy.
Todos los comprobantes de venta de noviembre.

 Una Muestra es un subconjunto de la población

Ejemplos: 1000 votantes seleccionados al azar para entrevista.
Algunas partes seleccionadas para pruebas de destrucción.
Comprobantes de venta (seleccionar sistemáticamente uno cada cien).
Población y Muestra

Mencione procesos en los que resulta de mayor utilizar realizar

muestras para realizar un determinado estudio.
Tipos de Datos y Niveles de Medición
1-30
Tipos de Datos

Dato

Cualitativo Cuantitativo
(Categórico) (Numérico)

Ejemplos:
 Estado civil Discreto Continuo
 Partido político
 Color de ojos
(Categorías definidas) Ejemplos: Ejemplos:
 Número de hijos  Peso
 Defectos por hora  Voltaje
(Valores contados) (Medidas de
carácterísticas)
1-31
Tipos de Datos

Dato

Cualitativo Cuantitativo
(Categórico) (Numérico)

Discreto Continuo
1-32
Tipos de Datos

 Datos de Serie de Tiempo

 Datos observados y ordenados en el tiempo

 Datos Transversales
 Datos observados en un solo punto del tiempo
1-33
Tipos de Datos

Ventas (Miles de Dólares)

2003 2004 2005 2006 Datos de
Atlanta 435 460 475 490 Serie de
Boston 320 345 375 395 Tiempo

Cleveland 405 390 410 395

Denver 260 270 285 280

Datos Transversales
1-34 Datos de Serie de Tiempo

Datos observados y ordenados en el tiempo

http://www.eluniverso.com/noticias/2015/11/01/nota/5215826/sales-carnes-procesadas-
pueden-generar-cancerigenos
1-35 Datos Transversales
 Datos observados en un solo punto del tiempo

http://www.eluniverso.com/noticias/2015/11/01/nota/5215826/sales-carnes-procesadas-
pueden-generar-cancerigenos
1-36
Niveles de Medición de Datos
1-37
Niveles de Medición de Datos

ESCALA - NOMINAL

ESCALA - ORDINAL
1-38
Niveles de Medición de Datos

ESCALA - INTERVALO

ESCALA - RAZÓN
1-39
Escala de medición
1-40

La principal razón para distinguir los datos por tipo

y por nivel de medida se debe a que la selección
de los métodos estadísticos para su análisis
depende de los mismos.
Taller
 Boletín
Identificar:
Ejemplos por tipo de datos
Ejemplos por tipo de escala de medición
Población y muestra
 Población: Conjunto
bien definido de N-
entes, cuyas
*características nos
proponemos a
Muestra investigar
Población

 Muestra:
subconjunto de la
población

La información obtenida
de la muestra nos permite
Unidad de
inferir las propiedades o
investigación características de toda la
población, con errores
Observación
medibles y acotables
 Datos e información

Procesamiento
de la información

Dato Información
Tabulación
Mediciones no de datos
procesadas Gráficos
- Numéricas Medidas
- Categóricas
Tipo de datos y Escalas
de medición
1-45
Tipos de Datos

Dato

Cualitativo Cuantitativo
(Categórico) (Numérico)

Ejemplos:
 Estado civil Discreto Continuo
 Partido político
 Color de ojos
(Categorías definidas) Ejemplos: Ejemplos:
 Número de hijos  Peso
 Defectos por hora  Voltaje
(Valores contados) (Medidas de
carácterísticas)
1-46
Tipos de Datos

 Datos de Serie de Tiempo

 Datos observados y ordenados en el tiempo

 Datos Transversales
 Datos observados en un solo punto del tiempo
1-47
Tipos de Datos

Ventas (Miles de Dólares)

2003 2004 2005 2006 Datos de
Atlanta 435 460 475 490 Serie de
Boston 320 345 375 395 Tiempo

Cleveland 405 390 410 395

Denver 260 270 285 280

Datos Transversales
1-48 Datos de Serie de Tiempo

Datos observados y ordenados en el tiempo

http://www.eluniverso.com/noticias/2015/11/01/nota/5215826/sales-carnes-procesadas-
pueden-generar-cancerigenos
1-49
Escala de medión
1-50
Niveles de Medición de Datos

ESCALA - NOMINAL

ESCALA - ORDINAL
1-51
Niveles de Medición de Datos

ESCALA - INTERVALO

ESCALA - RAZÓN
 Procesamiento de los datos
a) Ordenamiento de datos – Estadístico de Orden

𝑋 1 = min 𝑋1 ,𝑋2 , … . , 𝑋𝑛
𝑋 𝑛 = m𝑎𝑥 𝑋1 ,𝑋2 , … . , 𝑋𝑛

1-52
 Procesamiento de los datos
b) Tabulación de los datos
 Procesamiento de los datos
b) Tabulación de los datos

No. de Clase Marca de Frecuenci Frecuenci Frecuenci Frecuenci

Clase clase a a Relativa a a Relativa
Absoluta Absoluta Acumula
Acumula da
da

1 [𝑎1 , 𝑎2 ) (𝑎1 + 𝑎2 )/2 𝑓1 𝑓1 /n 𝐹1 𝐹1 /n

2 [𝑎2 , 𝑎3 ) (𝑎2 + 𝑎3 )/2 𝑓2 𝑓2 /n 𝐹2 = 𝑓1 +𝑓2 𝐹2 /n
3
,
k [𝑎𝑘 , 𝑎𝑘+1 ) (𝑎𝑘 + 𝑎𝑘+1 )/2 𝑓𝑘 𝑓𝑘 /n 𝐹𝑘 = 𝐹𝑘
=1
𝑓1 +𝑓2+…+𝑓𝑛 n
1-54
 Procesamiento de los datos
b) Tabulación de los datos

Como se definen las clases o intervalos

Condiciones
Exhaustivos
Mutuamente excluyentes
Igual longitud

1-55
 Procesamiento de los datos
b) Tabulación de los datos

No. de Clase Marca Frecuen Frecuen Frecuen Frecuen

Clase de clase cia cia cia cia
Absoluta Relativa Absoluta Relativa
Acumula Acumula
da da
 Procesamiento de los datos
c) Gráficos

Histogramas
Polígono de frecuencias

Ojiva: Distribución de
frecuencias acumulada
Histogramas
Polígono de frecuencias
Ojiva: Distribución de
frecuencias acumulada
Cuantiles y Medidas de
tendencia central y
dispersión
Datos sueltos
 Medidas de Resumen

Describiendo Numéricamente los Datos

Medidas de tendencia Central Medidas de Posición Variación/ Medidas de dispersión

Rango
Media
Percentiles
Rango
Mediana Intercuartílico
Cuartiles
Moda Varianza
Deciles
Media Ponderada Desviación
Estándar
Coeficiente de
Variación
 Medidas de tendencia Central

Media Mediana Moda Media Ponderada

Punto medio Punto de mayor frecuencia
M W   wi xi
n

x i
x i 1
Condiciones
n
N

 xi w i 1
 i 1 0  wi  1
N

**Media
Cortada
 Medidas de tendencia Central
Para datos agrupados

Media Mediana Moda Media Ponderada

n
M W   wi xi
x i
x i 1
Condiciones
n
w
Punto medio Punto de mayor
N 1
x frecuencia i
i
 i 1 0  wi  1
N
Punto de
equilibrio

**Media
Acotada
 Medidas de Posición - Cuantiles
Son números que dividen al grupo de datos ordenados, en grupos de
aproximadamente igual cantidad de datos con el propósito de resaltar su ubicación

 El pmo percentil en un arreglo ordenado de n valores es el valor en

la ubicación ima, donde
Si i no es un entero,
Índice de
redondear hacia arriba
Ubicación p
del
Percentil i (n) Si i es un entero, considerar
100 el promedio del imo y del
(i+1)mo valor.

Percentiles
Cuartiles
Deciles
 Medidas de Posición - Cuantiles

Percentiles
Los cuartiles dividen a los datos ordenados en cuatro grupos iguales:

25% 25% 25% 25%

Cuartiles Q1 Q2 Q3
Notar que el segundo cuartil (el 50mo percentil), Q2, es la mediana
IQR (rango intercuartílico) = Q3 – Q1

Deciles
 Medidas de Posición - Cuantiles
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
% % % % % % % % % % % % % % % % % % % % % % % % % % %
Percentiles
P1 P2 P99

Los cuartiles dividen a los datos ordenados en cuatro grupos iguales:

25% 25% 25% 25%

Cuartiles
Q1 Q2 Q 3 que, no más del 25% por ciento
Primer Cuartil = es un valor Q1 de la muestra, tal
de las observaciones ordenadas toman valores menores o iguales a Q1

10% 10% 10% 10% 10% 10% 10% 10% 10% 10%
Deciles
D1 D2 D3 D4 D5 D6 D7 D8 D9
 Diagrama de Caja

* *
Valores “Valor más pequeño” “Valor más grande”
Atípicos (Límite Inferior) Q1 Q2 Q3
(Límite Superior)

El límite inferior es El límite superior es

Q1 – 1.5 (Q3 – Q1) Q3 + 1.5 (Q3 – Q1)

 Dibujar una caja desde Q1 a Q3

 Trazar una línea vertical en la mediana
 Trazar líneas (bigotes) hacia el valor más pequeño y más grande (dentro de los
límites calculados)
3-70
 Identificar los valores atípicos fuera de los límites calculados
Determinación de los cuantiles a través de la Ojiva
 Variaciones
Misma media pero diferentes
desviaciones estándar:
Datos A
Media = 15.5
11 12 13 14 15 16 17 18 19 20 21 s = 3.338

Datos B
Media = 15.5
11 12 13 14 15 16 17 18 19 20 21 s = 0.9258
Datos C
Media = 15.5
11 12 13 14 15 16 17 18 19 20 21 s = 4.57
3-75
 Variación

Rango Varianza Desviación Coeficiente de

Estándar Variación
Varianza
Poblacional Desviación
Estándar
Poblacional
Rango
Intercuartílico

Varianza
Muestral Desviación
Estándar
Muestral
 Variación

Rango Varianza Desviación Coeficiente de

Estándar Variación
R  X n   X 1 Varianza
Poblacional s
N
Desviación
Estándar V  100
x
Rango  i
(x  μ)2 Poblacional

Intercuartílico σ2  i1
σ  σ2
N
RI  Q3   Q1 Varianza
Muestral Desviación
Estándar
n Muestral
 i
(x  x ) 2

s  s2
s  2 i 1
n -1
 Variación

 Las medidas de variación dan información sobre la dispersión o variabilidad de los

datos

 Valor pequeño
 Menos variación
 Valor grande
 Más variación

Mismo centro,
diferente variación
3-78
 Medidas de Variación
El presidente de la corporación solicita al gerente de producción información sobre la
producción de los últimos 5 días de las plantas A y B. Se registran los siguientes
resultados:

A 15 25 35 20 30
B 23 26 25 24 27

El gerente de producción elabora un resumen el cual presenta al presidente:

En base a la información proporcionada, ¿Qué puede concluir el presidente?
¿Cuál es la realidad?

Media Mediana
A 3-79 25 25
B 25 25
Cuantiles y Medidas de
tendencia central y
dispersión
Datos agrupados
Medidas y desviación para datos agrupados

K
Media
Y i fi Varianza K

 i
(Y  y ) 2
fi
y i 1
s2  i 1

n n -1
Yi = i-ésima marca de
clase
 Coeficiente de Variación

 Muestra la variación relativa a la media.

 Expresado siempre en porcentaje (%).
 Especialmente relevante para comparar la variabilidad de dos
distribuciones con distintas medias.
 Usado para comparar dos o más conjuntos de datos medidos en
diferentes unidades o niveles
Población Muestra

σ   s 
CV  
 μ 
  100% CV   
 x   100%
   
3-82
 Comparación de Coeficientes de
Variación
 Acción A:
Precio promedio del año pasado = $50
Desviación estándar = $5
 s  $5

CVA    * 100%  * 100%  10%

 x  $50 Ambas acciones tienen
la misma desviación
estándar, pero la
 Acción B: Acción B es menos
variable relativo a su
Precio promedio del año pasado = $100 precio

Desviación estándar
s  = $5 $5

CVB    * 100%  * 100%  5%

 x  $100
3-83
Coeficiente de variación
 Deberes
1,-Ejercicios Propuestos
 1,1 primera muestra  1,53
 1,3,1,4 1,5, 1,6  1,54
 1,17  1,55
 1,24  1,56
 1,41

2,- Sea una muestra X, de Tamaño n, en la que se investiga una característica X,

definimos
𝒀𝒊 = 𝜶𝑿𝒊 + 𝜷 Calcule la media
3,- Investigue como se dibuja un diagrama de Cajas
Valores centrados y
estandarizados
 Valores Estandarizados

 Un valor estandarizado se refiere al número de desviaciones

estándar en que el valor difiere de su media.

 Un valor estandarizado también es conocido como valor z.

 Pueden ser usados para comparar conjuntos de datos, al menos de

intervalo, incluso de escala distinta.

 Serán vistos en mayor detalle en los próximos capítulos.

3-87
Valores Estandarizados Poblacionales

x μ
z
σ
Donde:
 x = valor original del dato
 μ = media poblacional
 σ = desviación estándar poblacional
 z = valor estandarizado

(número de desviaciones estándar en que x difiere de μ)

3-88
Valores Estandarizados Muestrales

xx
z
s
Donde:
 x = valor original del dato
 x = media muestral
 s = desviación estándar muestral
 z = valor estandarizado
(número de desviaciones estándar en que x difiere de x )

3-89
 Valor Estandarizado: Ejemplo

 Los puntajes de CI en una población tienen distribución en forma de campana con

media μ = 100 y desviación estándar σ = 15

Encontrar el valor estandarizado (z-score)

para una persona con un CI de 121.

Respuesta: x  μ 121 100

z   1.4
σ 15
Alguien con CI de 121 está a 1.4 desviaciones
estándar sobre la media

3-90
 Regla Empírica
 Si la distribución de los datos tiene forma de campana,
entonces el intervalo ( μ  1σ ) contiene alrededor del 68%
de los valores de la población:

68%

μ
μ  1σ
 La media y la mediana son iguales
3-91
 Regla Empírica
contiene alrededor del 95% de los
μ  2σ
valores de la población

μ  3σ contiene alrededor del 99.7% de los

valores de la población

95% 99.7%

μ  2σ μ  3σ
3-92
 Teorema de Chebyshev
 Sin considerar como esten distribuidos los datos, al menos (1 -
1/k2) de los valores caerán dentro del intervalo μ ± kσ

 Ejemplos:
Al menos Dentro

(1 - 1/12) = 0% ……..... k=1 (μ ± 1σ)

(1 - 1/22) = 75% …........ k=2 (μ ± 2σ)
(1 - 1/32) = 89% ………. k=3 (μ ± 3σ)

3-93
 Valores Estandarizados

 Un valor estandarizado se refiere al número de desviaciones

estándar en que el valor difiere de su media.

 Un valor estandarizado también es conocido como valor z.

 Pueden ser usados para comparar conjuntos de datos, al menos de

intervalo, incluso de escala distinta.

 Serán vistos en mayor detalle en los próximos capítulos.

3-94
Matriz de covarianzas y
correlación
 Covarianzas y Correlación
Coeficiente de correlación
Indicador de relaciones lineales entre dos variables X y Y de una misma muestra

Mide la “Fortaleza” de la relación lineal

 ( x  x )( y  y )  ( x  x )( y  y ) rxy 
s xy
rxy  n 1
[ ( x  x ) ][ ( y  y ) ]
2 2 r sx s y
 ( x  x ) 2
 ( y  y ) 2

n 1 n 1
 Características de r

No tiene unidad de medida.

Varía entre -1 y 1.
La cercanía a -1 indica fuerte relación lineal negativa.
La cercanía a 1 indica fuerte relación lineal positiva.
La cercanía a 0 indica débil relación lineal.

+1 ó -1 son correlaciones perfectas donde todos los

datos (puntos) caen sobre una línea recta.
14-97
 Gráficos de Dispersión: Ejemplo
No hay relación
Relaciones fuertes
y
y

x
x
y
y

x
x
 Coeficiente de Correlación
Estatura Peso
Matriz de covarianzas y Correlación
Matrices de datos,
covarianzas
** Revisar el apartado de vectores de medias y Matriz de varianzas y
covarianzas pg 40-43
MATRIZ DE VARIANZAS Y COVARIANZAS

MATRIZ DE CORRELACIÓN
Es una representación ordenada de los coeficientes de correlación de cada
variable con otra variable y consigo misma
Series temporales
1-104
Serie de tiempo
Medición de una variable aleatoria X, con igual esparcimiento en el tiempo t
durante un periodo finito T o lapso abierto.

 Determinar si es estacionaria esto es si se estabiliza

alrededor de un valor o si no lo es.
Objetivo  Determinar la tendencia, creciente o decreciente
 Determinar RUIDOS, perturbaciones no controladas
1-105 Serie de tiempo
Filtros de medias Móviles de k-términos
K=

Mes X-Datos Serie Filtrada

Dic 137
Ene 115
Feb 117
Mar 123
Abr 137
May 111
Jun 167
Jul 150
Ago 143
Sep 144
Oct 179
Nov 136
 Deberes
 1,19
 1,22
 1,28
 1,62
 1,65
 1,66
 1,67
 1,71

*Revisar la construcción de la DISTRIBUCIÓN EMPÍRICA

 Deberes
 1,19
 1,28
 1,62 serie de tiempo
1,65
 1,66
 1,67
 1,71

*Revisar la construcción de la DISTRIBUCIÓN EMPÍRICA

Resumen de datos Cualitativos

Distribución de Frecuencias
Ejemplo
Género – Preferencia de marca de Cola
*Observacione
s de los debers
Métodos de Enumeración,
función de probabilidades y
Eventos.
Objetivo cuantificar las incertidumbres relacionadas a los eventos.
Nociones básicas

Experimento
Experimento Estadístico
Conjunto de
acciones para Experimento que cumple:
conseguir
algún tipo de  Se conoce todos los resultados
observación o posibles antes de realizar el
medida experimento

 No se puede predecir el resultado

de cada ensayo

 Puede ser repetido el experimento

bajo idénticas condiciones.
Nociones básicas
Experimento Estadístico

Espacio muestral

Eventos
 Nociones básicas
Experimento Estadístico

Espacio muestral
 Nociones básicas
Identificación de los elementos de un experimento.
Experimento Estadístico

Eventos

Espacio de eventos

Eventos mutuamente excluyente

Identificación de los elementos de un
experimento.
 Probabilidad de eventos
El valor de la probabilidad de un evento es una medida de la certerza de su realización
 Ejemplo
¿Cuál es la probabilidad de que aparezca un número menor que 3, en el
lanzamiento de un dado “Legal”?
 Axiomas de la función de probabilidad

Un experimento estadístico tiene Espacio muestral (Ω,ℓ )

(Conjunto de todos los resultados posibles, Conjunto potencia)

Denominamos Función de Probabilidad

𝑷: ℓ → 𝟎 , 𝟏 Si y solamente si:

𝑃 𝛺 =1
0 ≤ 𝑃 𝐸 ≤ 1 ∀E∊ ℓ
𝑃 𝐸1 𝑈𝐸2 = 𝑃 𝐸1 + 𝑃 𝐸2 𝑠iempre que 𝐸1 ∩ 𝐸2 = Ø
 Si P es una función de probabilidad tenemos los siguiente teoremas

𝑷 𝑬 = 1 − 𝑃 𝐸𝐶
𝑷 𝜴 =1 y 𝑷(Ø) = 0

Se puede comprender mejor las operaciones de eventos utilizando Diagrama de Venn.

𝐸1 ∩ 𝐸2 𝑷 𝐸2 ∩ 𝐸1 𝐶 = 𝑃 𝐸2 - 𝑃 𝐸1 ∩ 𝐸2
𝐸1 𝐸2
𝑷 𝑬𝟏 𝑼𝑬𝟐 = 𝑃 𝐸1 + 𝑃 𝐸2 - 𝑃 𝐸1 ∩ 𝐸2

𝑷 𝑬𝟏 𝑼𝑬𝟐 ≤ 𝑃 𝐸1 + 𝑃 𝐸2
𝜴
Ejercicio,-

¿Cuál es la probabilidad de que una carta escogida al azar de

una baraja convencional sea A o corazón?
Técnicas de conteo
Objetivo cuantificar las incertidumbres relacionadas a los eventos.
 Lección 2 ,- Trabajo Colaborativo
Temas: Técnicas de conteo (Multiplicación, Combinación, Permutación,
Probabilidad Condicional, Independencia y Teorema de Bayes)
Objetivo
Identificar las diferentes técnicas de conteo, con el fin de que el estudiante la
emplee de forma correcta en la determinación de probabilidades

Actividad – Previa a clases

Realizar grupos de 5 Personas
Cada miembro debe de investigar un tema y proporcionar un ejemplo
El grupo debe reunirse con el fin de que cada integrante exponga su tema al
resto del grupo de forma clara y entendible.
Exponer el material.

Actividad – En clases
El docente seleccionará n-grupos para exponer y decidirá que subtema expondrá
cada miembro de forma aleatoria
 RÚBRICA HOLÍSTICA
LECCIÓN 2

INICIAL DEFICIENTE EN DESARROLLO DESARROLLADO EXCELENTE

La argumentación tiene coherencia

La argumentación es irrelevante y
No presenta el T. A. P.
desarticulada. El ejemplo dado no es
Confunde totalmente la
pertinente al tema. Las respuestas
estructura solicitada y
no se compadecen con las
desarrolla otra.
aseveraciones hechas en la teoría
Ocasionalmente la argumentación se
desarticula del tema central. El
ejemplo ofrecido requiere
contextualizarse de mejor manera.
Algunas respuestas no se relacionan
con las aseveraciones de la teoría
La argumentación se articula con el
sustancial con el tema central del
tema central apropiadamente. El
discurso y hace predicciones al
ejemplo propuesto está
respecto. El ejemplo es veraz,
contextualizado. Las respuestas dadas
novedoso, apropiado. Las
se relacionan directamente con las
respuestas ofrecidas se relacionan
aseveraciones de la teoría
directamente con la teoría

0 1-4 5-7 8-9 10

 Técnicas de Conteo
Es de singular importancia conocer la Cardinalidad de Eventos finitos.
¿ Cuál es la probabilidad que nos salga un número mayor a 4, en
el experimento de lanzar un dado?

𝜴= 1,2,3,4,5,6
E= 𝑁ú𝑚𝑒𝑟𝑜 𝑚𝑎𝑦𝑜𝑟𝑒𝑠 𝑞𝑢𝑒 4 = 5,6
𝑁 𝐸 2 1
𝑷 𝑬 = = =
𝑁(Ω) 6 3

Así como determinar alguna medida para espacios muestrales continuos – infinitos
¿ Cuál es la probabilidad que el dardo caiga en la corona
circular interior ?
𝜴= 2 2
𝑥, 𝑦 ∈ 𝑅 𝑥 + 𝑦 ≤ 1 2

E = 𝑐𝑎𝑖𝑔𝑎 𝑒𝑛 𝑙𝑎 𝑐𝑜𝑟𝑜𝑛𝑎 𝑐𝑖𝑟𝑐𝑢𝑙𝑎𝑟 𝑖𝑛𝑡𝑒𝑟𝑖𝑜𝑟 𝑟 = 1/2

Á𝑟𝑒𝑎 𝑑𝑒 𝑙𝑎 𝑐𝑜𝑟𝑜𝑛𝑎 12 − 1/22 𝜋 3

𝑷 𝑬 = = =
Á𝑟𝑒𝑎 𝑑𝑒 Ω 12 𝜋 4
Técnicas de Conteo
Cardinalidad de Eventos finitos.

 Regla de la multiplicación

 Permutación

 Combinación
  Regla de la multiplicación

Sea 𝐸1 𝑦 𝐸2 𝑑𝑜𝑠 𝑒𝑣𝑒𝑛𝑡𝑜𝑠 𝑐𝑎𝑑𝑎 𝑢𝑛𝑜 𝑐𝑜𝑛 𝑐𝑎𝑟𝑑𝑖𝑛𝑎𝑙𝑖𝑑𝑎𝑑 𝑛1 𝑦 𝑛2 el número de opciones posibles a elegir es igual a

𝑛1 ∗ 𝑛2
 Regla de la multiplicación

Terminal
  Combinación
El número de muestras de tamaño n, de un conjunto N
El orden no es relevante

N=

Combinación

𝑁 𝑁!
Resultados posibles
de tomar muestras =
n=2 𝑛 𝑁 − 𝑛 ! 𝑛!
  Permutación
El número de muestras de tamaño n, de un conjunto N
El orden SI es relevante

N= a; b; c; d;
PERMUTACIONES

𝑁 𝑁 𝑁!
Permutaciones 𝑃𝑛 = 𝑛! =
posibles de 𝑛 𝑁−𝑛 !
muestras
n=2
  El coeficiente Multinomial
Tenemos 6 Estaciones: 2HP, 2 IBM 2 Aple, de cuantas maneras se
puede ubicar las 6 estaciones en uno de los salones del laboratorio

Combinaciones
Distinguibles

𝑁 𝑁!
=
𝑛1 , 𝑛2 . . 𝑛𝑘 𝑛1 ! 𝑛2 !. . 𝑛𝑘!
 Técnicas de Conteo
En un grupo de 15 personas, 7 leen la revista A, 5 leen la revista B y 6 ninguna revista.
a) ¿Cuál es la probabilidad que al elegir al azar una persona, ésta lea al menos una revista?
b) La probabilidad que al elegir al azar 3 personas, 2 lean ambas revistas y una no lea revistas.
Probabilidad Condicional
Sin reponer
“Probabilidad de que ocurra 𝑬𝟐 dado que ya ocurrió 𝑬𝟏 ”

¿Cuál es la probabilidad de extraer un corazón negro

sabiendo que ha salido un trébol y esta no fue integrada al
mazo?
 Probabilidad Condicional
Sin reponer
“Probabilidad de que ocurra 𝑬𝟐 dado que ya ocurrió 𝑬𝟏 ”

Dado un experimento Estadístico, consideremos dos eventos uno 𝑬𝟏 y otro 𝑬𝟐 , tales que el primero
ha ocurrido mientras que el segundo, 𝑬𝟐 , está por ocurrir.
La probabilidad de que ocurra 𝑬𝟐 dado que ha ocurrido 𝑬𝟏 se define como:

𝑃 𝑬𝟏 ∩ 𝑬𝟐
𝑃 𝑬𝟐 ⃓𝑬𝟏 =
𝑃 𝑬𝟏
 Probabilidad Condicional
Sin reponer
“Probabilidad de que ocurra 𝑬𝟐 dado que ya ocurrió 𝑬𝟏 ”

Si se tuviese el caso del lanzamiento de un dado legal , nos preguntamos cual es la

probabilidad que haya salido un número par, si se sabe que el número que salió es
mayor que cuatro
Ω=

𝑬𝟏 =
𝐸1 ∩ 𝐸2
𝐸1 𝐸2 𝑬𝟐 =

𝜴
 Probabilidad Condicional
Si la probabilidad de que un sistema de comunicación tenga alta fidelidad es 0,8 y la
probabilidad de que tenga alta fidelidad y alta selectividad es 0,18 ¿Cuál es la
probabilidad de que un sistema con alta fidelidad tenga también alta selectividad¡?
 Eventos independientes
“Probabilidad de que ocurra
𝑬𝟏 𝒚 𝑬𝟐 𝐞𝐬 𝐢𝐠𝐮𝐚𝐥 𝐚 𝐥𝐚 𝐦𝐮𝐥𝐭𝐢𝐩𝐥𝐢𝐜𝐚𝐜𝐢𝐨𝐧 𝐝𝐞 𝐬𝐮𝐬 𝐩𝐫𝐨𝐛𝐚𝐛𝐢𝐥𝐢𝐝𝐚𝐝𝐞𝐬 𝑃 𝑬𝟏 *𝑃 𝑬𝟐 ”

Partimos del siguiente

concepto

𝑃 𝑬𝟏 ∩ 𝑬𝟐
𝑃 𝑬𝟐 ⃓𝑬𝟏 =
𝑃 𝑬𝟏
 Eventos independientes
Se lanzan dos monedas, 𝑬𝟏 : 𝒔𝒂𝒍𝒆 𝒄𝒂𝒓𝒂 𝒆𝒏 𝒆𝒍 𝒑𝒓𝒊𝒎𝒆𝒓 𝒍𝒂𝒏𝒛𝒂𝒎𝒊𝒆𝒏𝒕𝒐 y
𝑬𝟐 ; 𝒔𝒂𝒍𝒆 𝒄𝒂𝒓𝒂 𝒆𝒏 𝒆𝒍 𝒔𝒆𝒈𝒖𝒏𝒅𝒐 𝒍𝒂𝒏𝒛𝒂𝒎𝒊𝒆𝒏𝒕𝒐 y
𝑬𝟑 : 𝒆𝒍 𝒍𝒂𝒅𝒐 𝒒𝒖𝒆 𝒔𝒂𝒍𝒆 𝒆𝒏 𝒆𝒍 𝒑𝒓𝒊𝒎𝒆𝒓 𝒍𝒂𝒏𝒛𝒂𝒎𝒊𝒆𝒏𝒕𝒐 𝒆𝒔 𝒆𝒍 𝒎𝒊𝒔𝒎𝒐 𝒒𝒖𝒆 𝒆𝒍 𝒍𝒂𝒅𝒐 𝒒𝒖𝒆 𝒔𝒂𝒍𝒆 𝒆𝒏 𝒆𝒍 𝒔𝒆𝒈𝒖𝒏𝒅𝒐 𝒍𝒂𝒏𝒛𝒂𝒎𝒊𝒆𝒏𝒕
Son estos tres eventos estocásticamente independientes ?

Para demostrar que son eventos independientes se debe

cumplir que probabilidad de la intersección es a la
multiplicación de los tres eventos
 Eventos independientes
Cuatro veces se arroja un dado legal ¿Cuál es la probabilidad de no obtener 6 en
ninguna de las cuatro ocasiones.?
 Teorema de Probabilidad Total
𝑘
Es espacio muestral es particionado en k, eventos 𝐴𝐼 = Ω
 Los k-eventos son Exhaustivos 𝑖=1

 Los k-eventos son Mutuamente excluyentes 𝑨𝒊 ∩ 𝑨𝒋 = ∅

B, en términos de intersección de A y B

𝑩={ }

𝑃 𝑩 =
Teorema de Probabilidad Total

𝑃 𝑩 = 𝑃 𝑩/𝑨𝒊 𝑃 𝑨𝒊
𝑖=1
 Teorema de Probabilidad Total
En una planta de ensamblado recibe sus reguladores de voltaje de tres diferentes proveedores: 60%
del proveedor IBM, 30% XYZ Y 10% de Doll. Si 95% de los reguladores de voltaje que provienen de IBM,
80% de los reguladores del proveedor XYZy el 65% de los reguladores proporcionados por Doll tienen
un rendimiento de acuerdo con las especificaciones, nos gustaría saber la probabilidad de que
cualquier regulador de voltaje recibido por la planta dé un rendimiento según las especificaciones.
 Teorema de Bayes
𝑘
Es espacio muestral es particionado en k, eventos 𝐴𝐼 = Ω
 Los k-eventos son Exhaustivos 𝑖=1

 Los k-eventos son Mutuamente excluyentes 𝑨𝒊 ∩ 𝑨𝒋 = ∅

𝑃 𝑩 ∩ 𝑨𝒊
𝑃 𝑨𝒊 ⃓𝐵 =
𝑃 𝑩
Teorema de Bayes
Teorema de Probabilidad Total
𝑛

𝑃 𝑩 = 𝑃 𝑩/𝑨𝒊 𝑃 𝑨𝒊
𝑖=1

Teorema de Bayes

𝑃 𝑩∩𝑨𝒊 𝑃 𝑩/𝑨𝒊 𝑃 𝑨𝒊
𝑃 𝑨𝒊 /𝑩 = =
𝑃 𝑩 𝑛
𝑖=1 𝑃 𝑩/𝑨𝒊 𝑃 𝑨𝒊
Probabilidad a
Posteriori Probabilidad a Priori
 Teorema de Bayes
Considerando el problema anterior, Suponga que queremos conocer la probabilidad de
que un regulador de voltaje específico, cuyo rendimiento corresponde a las
especificaciones, provenga del proveedor Doll
 Teorema de Bayes
Los cuatro ayudantes de un gasolinera deben limpiar el parabrisas de los autos de los clientes, Juan
quien atiende el 20% de todos los autos, no cumple su cometido una vez cada 20 autos; Tomás
quien atiende el 60% de los autos, no limpia el parabrisas una vez cada 10 autos; Jorge quien
atiende al 15% de ellos no cumple su cometido una vez cada 10 autos; y Pedro quien atiende a solo
el 5% de los autos, no limpia el parabrisas una vez cada 20 autos, Si un cliente se queja de que su
parabrisas no fue lavado

¿Cuál es la probabilidad de que su auto lo haya atendido JUAN?

Deber
 2,7
 2,11
 2,14
 2,27
 2,28
 2,30
 2,32
 2,37
 2,44
 2,53
 2,56