La estadística descriptiva proporciona métodos
gráficos y métodos numéricos para el análisis
de uno o varios conjuntos de datos.
Cualitativa
Nominal
Ordinal
Cuantitativa
Discreta
Continua
Series Simples
Series de Frecuencias
Intervalos de Clases
Variables
Cualitativas
•Barras Simples •Barras Proporcionales •Barras Agrupadas •Diagramas SectorialesVariables
Cuantitativas
Discretas
•BastonesVariables
Cuantitativas
Continuas
•Histograma •Polígono de Frecuencias Simples •Polígono de Frecuencias Acumuladas
En todo análisis y/o interpretación se pueden
utilizar diversas medidas descriptivas que
representan las propiedades de tendencia
central, dispersión y forma para extraer y
resumir las principales características de los
Centralización
Indican valores con respecto a los que los datos parecen agruparse.
Media, mediana y moda
Posición
Dividen un conjunto ordenado de datos en grupos con la misma
cantidad de individuos.
Cuartiles, deciles, percentiles
Dispersión
Indican la mayor o menor concentración de los datos con respecto a
las medidas de centralización.
Rango, Varianza, Desviación típica, Coeficiente de Variación.
Forma
La mayor parte de los conjuntos de datos muestran
una tendencia a agruparse alrededor de un punto
“central”.
La media aritmética es la medida más común de
centralización de un grupo de datos.
Serie Simple:
Si las observaciones de una muestra de tamaño
n
son
x
1,x
2, …, x
nentonces la media muestral se define
como:
1 n i ix
X
n
Serie de Frecuencias:
Si las observaciones de una muestra de
tamaño
n
son
x
1,x
2, …, x
iy
f
1, f
2, …, f
ison sus respectivas
frecuencias absolutas entonces la media muestral se define como:
1 n i i i
x f
X
n
Nº de hijos
f
i 0 5 1 8 2 10 3 12 4 15 5 13 6 10 7 7 n = 80 0 5 1 8 2 10 3 12 4 15 5 13 6 10 7 7 80 3, 725 X X Ejemplo:
Intervalos de clase:
Sean
x
m1,x
m2, …, x
milas marcas de
clases de los intervalos y
f
1, f
2, …, f
isus respectivas
frecuencias absolutas entonces la media muestral se
define como:
1 k mi i ix f
X
n
Intervalo x mi [29.5 – 34.5) 32 [34.5 – 39.5) 37 [39.5 – 44.5) 42 [44.5 – 49.5) 47 [49.5 – 54.5) 52 32 8 37 14 42 20 47 12 52 4 58 41,14 X X f i 8 14 20 12 4Ejemplo:
Es el punto donde la muestra se divide en dos
partes iguales.
Serie Simple:
Sean
x
1,x
2, …, x
nuna muestra ordenada en forma
creciente, entonces la mediana se define como:
1 /2 /2 1 /2si es impar
si es par
2
n n nx
n
Me
x
x
n
MEDIANA
MEDIANA
Ejemplo 1:
1, 3, 4, 2, 7, 6
y
8
La media muestral es 4,4
1, 2, 3, 4, 6, 7, 8
Ejemplo 2:
1, 3, 4, 2, 7, 2450
y
8
La media muestral es 353,6
1, 2, 3, 4, 7, 8, 2450
Serie de Frecuencias:
Es aquel valor de la variable cuya frecuencia absoluta acumulada
es inmediatamente mayor a la mitad de las observaciones
Nº de hijos f i F 0 5 5 1 8 13 2 10 23 3 12 35 4 15 50 5 13 63 6 10 73 7 7 80 80
El número de hijos en 80 familias se distribuye de la siguiente forma:
40
2
80
2
n
Me = 4 hijos
Ejemplo:
Intervalos de clases:
Para calcular la mediana se usa la
siguiente fórmula:
inf2
aa*
in
F
Me
L
a
f
donde:
L
inf= Límite inferior del primer intervalo cuya
F
aes mayor a n/2.
F
aa= Frecuencia acumulada del intervalo anterior al primer intervalo
cuya
Faes mayor a
n/2.
f
i= Frecuencia absoluta del primer intervalo cuya
Faes mayor a
n/2.Intervalo f i [29.5 – 34.5) 8 [34.5 – 39.5) 14 [39.5 – 44.5) 20 [44.5 – 49.5) 12 [49.5 – 54.5) 4 F 8 22 42 54 58
a
f
F
n
L
Me
i aa*
2
inf
*
5
41
.
25
20
22
2
58
5
.
39
Me
Ejemplo:
2
n
58
2
29
0,00 10,00 20,00 30,00 40,00 50,00 60,00 70,00 80,00 90,00 100,00 41 47 53 59 65 71 77 Putuaciones P o rc e n ta je s 25% 75%
Serie Simple:
Ejemplo 1:
3 , 6 , 9 , 3 , 5 , 8 , 3 , 10 , 4 , 6 , 3 , 1
La moda es 3.
Ejemplo 2:
3 , 6 , 9 , 3 , 5 , 8 , 3 , 10 , 4 , 6 , 3 , 1 , 6 , 2 , 5 , 6
Las modas son 3 y 6.
Ejemplo 3:
1, 3, 4, 7, 8, 9, 2, 19, 6
Serie de Frecuencias:
Nº de hijos f i 0 5 1 8 2 10 3 12 4 15 5 13 6 10 7 7Intervalos de clase:
Para calcular el valor puntual de la
moda se usa la siguiente fórmula:
a
d
d
d
L
Mo
*
2 1 1 inf
donde:
L
inf= Límite inferior del intervalo que tiene mayor frecuencia absoluta
(intervalo modal).
d
1= Diferencia entre las frecuencias absolutas del intervalo modal y
el intervalo pre-modal.
d
2= Diferencia entre las frecuencias absolutas del intervalo modal y
el intervalo post-modal.
A Agrupando en 6 clases Intervalos Frecuencias [13.5 - 16.5) 2 [16.5 - 19.5) 9 [19.5 - 22.5) 13 [22.5 - 25.5) 9 [25.5 - 28.5) 9 [28.5 - 31.5) 1 TOTAL 43 B Agrupando en 5 clases Intervalos Frecuencias [12.5 - 16.5) 2 [16.5 - 20.5) 13 [20.5 - 24.5) 16 [24.5 - 28.5) 11 [28.5 - 32.5) 1 TOTAL 43
Clase Modal =
[19.5-22.5)
Clase Modal =
[20.5-24.5)
4
19,5
.3
21
4 4
Mo
3
20,5
.4
22
3 5
Mo
a
D1
D2
Mo Li
Cuando se divide un conjunto ordenado de datos en
cuatro partes iguales, los puntos de división se conocen
como cuartiles.
Mínimo Cuartil 1 Máximo
Q
1 Mediana Cuartil 2 Cuartil 3Q
3Q
225%
25%
25%
25%
25%
75%
25%
75%
1 /4 /4 1 /4si es impar
si es par
2
n j j nj n jx
n
Q
x
x
n
Serie Simple:
Sean
x
1,x
2, …, x
nuna muestra ordenada en forma
creciente, entonces la mediana se define como:
Serie de Frecuencias:
Nº de hijos f i F 0 5 5 1 8 13 2 10 23 3 12 35 4 15 50 5 13 63 6 10 73 7 7 80 8080
.
.
4
4
n
j
j
Q
1= 2 hijos
80
20
4
4
n
3.
3.
80
60
4
4
n
Q
3= 5 hijos
Intervalos de clases:
inf.
4
aa*
j in
j
F
Q
L
a
f
donde:
L
inf= Límite inferior del primer intervalo cuya
F
aes mayor a j.n/4
F
aa= Frecuencia acumulada del intervalo anterior al primer intervalo
cuya
F
aes mayor a j.n/4.
f
i= Frecuencia absoluta del primer intervalo cuya
F
aes mayor a j.n/4
Cuando se divide un conjunto ordenado de datos
en diez partes iguales, los puntos de división se
conocen como deciles.
Mínimo Decil 2 Máximo
D
2Cuando se divide un conjunto ordenado de datos
en cien partes iguales, los puntos de división se
conocen como percentil.
Mínimo Percentil 18 Máximo
P
180,00 10,00 20,00 30,00 40,00 50,00 60,00 70,00 80,00 90,00 100,00 41 47 53 59 65 71 77 Putuaciones P o rc e n ta je s Q1 P40 Q3 25% 75%
El rango
de la muestra es la medida de variabilidad
más sencilla entre todas las mencionadas; y se define
como la diferencia entre la observación más grande
y la más pequeña :
max
min
Para el conjunto de datos
x
1, x
2,….,x
nLas diferencias determinan las desviaciones de la media.
Dado que la suma de estas desviaciones es cero, se utiliza como medida
de variabilidad el promedio de los cuadrados de tales desviaciones.
2
2
1
(
)
n
i
i
x
x
s
n
Sin embargo, como sólo hay n-1 desviaciones independientes conviene
dividir entre n-1, es decir…
2
2
1
(
)
1
n
i
i
x
x
S
n
Esta medida de variabilidad se denomina
Varianza
.
Como S
2no tiene las mismas unidades que los
datos, se define la
Desviación Estándar
como la raíz
cuadrada (positiva) de la varianza a fin de tener una
medida en las mismas unidades de los datos. La
desviación estándar es útil para comparar dispersión
entre dos poblaciones, pero también lo es para
calcular el porcentaje de la población que pueden
localizarse a menos de una distancia específica de la
media.
Resumiendo…
Varianza para datos no agrupados
1
)
(
1 2 2
n
X
x
S
n i iVarianza para datos agrupados (Serie de
Frecuencias)
1
)
(
1 2 2
n
f
X
x
S
n i i iVarianza para datos agrupados (Intervalos de
clases)
2 2 1(
)
1
k mi i ix
X
f
S
n
Desvío Estándar para
datos no agrupados
Desvío Estándar para
datos agrupados (Serie de
Frecuencia)
Desvío Estándar para
datos agrupados
(Intervalos de clases)
2 1)
(
1
1
n i iX
x
n
S
i n i iX
f
x
n
S
2 1)
(
1
1
Representa la variabilidad existente en un conjunto de datos, así podemos
tener dos muestras que tienen la misma media, pero que tienen diferente
Desviación Estándar.
2 11
(
)
1
k mi i iS
x
X
f
n
Nos permite la comparación entre distintas variables y
poblaciones.
Mide el grado de homogeneidad o heterogeneidad en una o mas
poblaciones.
Su principal característica es estar desprovisto de unidades.
El valor se puede expresar en términos porcentuales.
100%
S
CV
X
Ejemplo: Si tenemos el peso de 5 pacientes (70, 60, 56,
83 y 79 Kg) cuya media es de 69,6 kg. y su desviación
estándar (s) = 10,44 y la presión arterial de los mismos
(150, 170, 135, 180 y 195 mmHg) cuya media es de 166
mmHg y su desviación estándar de 21,3. La pregunta
sería: ¿qué distribución es más dispersa, el peso o la
presión arterial? Si comparamos las desviaciones
estándar observamos que la desviación estándar de la
presión arterial es mucho mayor; sin embargo, no
podemos comparar dos variables que tienen escalas de
medidas diferentes, por lo que calculamos los
coeficientes de variación:
CV de la variable peso =
Una tercera propiedad de un conjunto de datos
es su forma, la manera en que se distribuyen
los datos.
Una distribución de datos puede ser simétrica
o no. Si la distribución de datos no es simétrica,
se le denomina asimétrica o sesgada.
Todo lo que se requiere para describir la forma
es comparar la media, la mediana y la modo.
Moda=Mediana=Media
Insesgada
:
Moda
Mediana
Media
Sesgo Negativo (a la izquierda)
Moda
Mediana
Media
Sesgo Positivo (a la derecha)
Centralización
Indican valores con respecto a los que los datos parecen agruparse.
Media, mediana y moda
Posición
Dividen un conjunto ordenado de datos en grupos con la misma
cantidad de individuos.
Cuartiles, deciles, percentiles
Dispersión
Indican la mayor o menor concentración de los datos con respecto a
las medidas de centralización.
Rango, Varianza, Desviación típica, Coeficiente de Variación.
Forma
Probabilidad Condicional.
Teorema de Bayes
Axiomática de la teoría de probabilidades Axiomática de la teoría de probabilidades Probabilidad Condicional.
Axiomática de la teoría de probabilidades
Probabilidad Condicional:
Con la incorporación de las nuevas carreras de informática la facultad de ingeniería ha incorporado 100 notebook, de las cuales 20 poseen software comercial y 80 software libre. Supongamos que escogemos en forma aleatoria dos notebook.
Axiomática de la teoría de probabilidades
Probabilidad Condicional:
Para introducir este nuevo concepto consideremos la siguiente situación:
Con la incorporación de las nuevas carreras de informática la facultad de ingeniería ha incorporado 100 notebook, de las cuales 20 poseen software comercial y 80 software libre. Supongamos que escogemos en forma aleatoria dos notebook.
Definimos lo siguientes sucesos:
la primer notebook tiene software comercial
A
la segunda notebook tiene software comercial
Axiomática de la teoría de probabilidades
Probabilidad Condicional:
Para introducir este nuevo concepto consideremos la siguiente situación:
Con la incorporación de las nuevas carreras de informática la facultad de ingeniería ha incorporado 100 notebook, de las cuales 20 poseen software comercial y 80 software libre. Supongamos que escogemos en forma aleatoria dos notebook.
Definimos lo siguientes sucesos:
la primer notebook tiene software comercial
A
la segunda notebook tiene software comercial
B
Axiomática de la teoría de probabilidades
Probabilidad Condicional:
Para introducir este nuevo concepto consideremos la siguiente situación:
Con la incorporación de las nuevas carreras de informática la facultad de ingeniería ha incorporado 100 notebook, de las cuales 20 poseen software comercial y 80 software libre. Supongamos que escogemos en forma aleatoria dos notebook.
Definimos lo siguientes sucesos:
la primer notebook tiene software comercial
A
la segunda notebook tiene software comercial
B
a) Supongamos que estamos haciendo la extracción CON SUSTITUCIÓN.
Cada vez que extraemos una notebook del lote, existen 20 notebook con software comercial de un total de 100.
Axiomática de la teoría de probabilidades
Probabilidad Condicional:
Para introducir este nuevo concepto consideremos la siguiente situación:
Con la incorporación de las nuevas carreras de informática la facultad de ingeniería ha incorporado 100 notebook, de las cuales 20 poseen software comercial y 80 software libre. Supongamos que escogemos en forma aleatoria dos notebook.
Definimos lo siguientes sucesos:
la primer notebook tiene software comercial
A
la segunda notebook tiene software comercial
B
a) Supongamos que estamos haciendo la extracción CON SUSTITUCIÓN.
Cada vez que extraemos una notebook del lote, existen 20 notebook con software comercial de un total de 100.
20
1
100
5
P B
Axiomática de la teoría de probabilidades
la primer notebook tiene software comercial
A
la segunda notebook tiene software comercial
B
b) Supongamos que estamos haciendo la extracción SIN SUSTITUCIÓN.
20 con software comercial 100 notebook
80 con software libre
Axiomática de la teoría de probabilidades
la primer notebook tiene software comercial
A
la segunda notebook tiene software comercial
B
b) Supongamos que estamos haciendo la extracción SIN SUSTITUCIÓN.
1
5
P A
20 con software comercial 100 notebook
80 con software libre
Axiomática de la teoría de probabilidades
la primer notebook tiene software comercial
A
la segunda notebook tiene software comercial
B
b) Supongamos que estamos haciendo la extracción SIN SUSTITUCIÓN.
1
5
P A
20 con software comercial 100 notebook
80 con software libre
?
P B
Axiomática de la teoría de probabilidades
la primer notebook tiene software comercial
A
la segunda notebook tiene software comercial
B
b) Supongamos que estamos haciendo la extracción SIN SUSTITUCIÓN.
1
5
P A
Debemos conocer la composición del lote al momento de extraer la segunda notebook.20 con software comercial 100 notebook
80 con software libre
?
P B
Axiomática de la teoría de probabilidades
la primer notebook tiene software comercial
A
la segunda notebook tiene software comercial
B
b) Supongamos que estamos haciendo la extracción SIN SUSTITUCIÓN.
1
5
P A
Debemos conocer la composición del lote al momento de extraer la segunda notebook.Debemos saber si A ocurre o no 20 con software comercial 100 notebook
80 con software libre
?
P B
20 si no ocurre A 99 19 si ocurre A 99 P B Probabilidad Condicional:
Axiomática de la teoría de probabilidades
la primer notebook tiene software comercial
A
la segunda notebook tiene software comercial
B
b) Supongamos que estamos haciendo la extracción SIN SUSTITUCIÓN.
1
5
P A
Debemos conocer la composición del lote al momento de extraer la segunda notebook.Debemos saber si A ocurre o no 20 con software comercial 100 notebook
80 con software libre
?
P B
20 si no ocurre A 99 19 si ocurre A 99 P B Probabilidad Condicional:
/
P B A
Axiomática de la teoría de probabilidades
Sean A y B dos sucesos asociados a un experimento tal que P(A)>0, se define la probabilidad de B condicionada al evento A como:
/
P A
B
P B AP A
Axiomática de la teoría de probabilidades
Ejemplo: Dos dados equilibrados son lanzados, registrándose el resultado como (x1, x2), donde xi es el resultado del i-ésimo dado con i=1,2.
1,
2/
1 210
A
x x
x
x
1,
2/
1 2
B
x x
x
x
Probabilidad Condicional:
Axiomática de la teoría de probabilidades
Ejemplo: Dos dados equilibrados son lanzados, registrándose el resultado como (x1, x2), donde xi es el resultado del i-ésimo dado con i=1,2.
(1,1) (1,2) (1,3) (1,4) (1,5) (1,6) (2,1) (2,2) (2,3) (2,4) (2,5) (2,6) (3,1) (3,2) (3,3) (3,4) (3,5) (3,6) (4,1) (4,2) (4,3) (4,4) (4,5) (4,6) (5,1) (5,2) (5,3) (5,4) (5,5) (5,6) (6,1) (6,2) (6,3) (6,4) (6,5) (6,6)
1,
2/
1 210
A
x x
x
x
1,
2/
1 2
B
x x
x
x
S
Probabilidad Condicional:
(1,1) (1,2) (1,3) (1,4) (1,5) (1,6) (2,1) (2,2) (2,3) (2,4) (2,5) (2,6) (3,1) (3,2) (3,3) (3,4) (3,5) (3,6) (4,1) (4,2) (4,3) (4,4) (4,5) (4,6) (5,1) (5,2) (5,3) (5,4) (5,5) (5,6) (6,1) (6,2) (6,3) (6,4) (6,5) (6,6)
Axiomática de la teoría de probabilidades
Ejemplo: Dos dados equilibrados son lanzados, registrándose el resultado como (x1, x2), donde xi es el resultado del i-ésimo dado con i=1,2.
1,
2/
1 210
A
x x
x
x
1,
2/
1 2
B
x x
x
x
S
Probabilidad Condicional:
(1,1) (1,2) (1,3) (1,4) (1,5) (1,6) (2,1) (2,2) (2,3) (2,4) (2,5) (2,6) (3,1) (3,2) (3,3) (3,4) (3,5) (3,6) (4,1) (4,2) (4,3) (4,4) (4,5) (4,6) (5,1) (5,2) (5,3) (5,4) (5,5) (5,6) (6,1) (6,2) (6,3) (6,4) (6,5) (6,6)
Axiomática de la teoría de probabilidades
Ejemplo: Dos dados equilibrados son lanzados, registrándose el resultado como (x1, x2), donde xi es el resultado del i-ésimo dado con i=1,2.
1,
2/
1 210
A
x x
x
x
1,
2/
1 2
B
x x
x
x
S
3
36
P A
Probabilidad Condicional:
Axiomática de la teoría de probabilidades
Ejemplo: Dos dados equilibrados son lanzados, registrándose el resultado como (x1, x2), donde xi es el resultado del i-ésimo dado con i=1,2.
(1,1) (1,2) (1,3) (1,4) (1,5) (1,6) (2,1) (2,2) (2,3) (2,4) (2,5) (2,6) (3,1) (3,2) (3,3) (3,4) (3,5) (3,6) (4,1) (4,2) (4,3) (4,4) (4,5) (4,6) (5,1) (5,2) (5,3) (5,4) (5,5) (5,6) (6,1) (6,2) (6,3) (6,4) (6,5) (6,6)
1,
2/
1 210
A
x x
x
x
1,
2/
1 2
B
x x
x
x
S
3
36
P A
Probabilidad Condicional:
Axiomática de la teoría de probabilidades
Ejemplo: Dos dados equilibrados son lanzados, registrándose el resultado como (x1, x2), donde xi es el resultado del i-ésimo dado con i=1,2.
(1,1) (1,2) (1,3) (1,4) (1,5) (1,6) (2,1) (2,2) (2,3) (2,4) (2,5) (2,6) (3,1) (3,2) (3,3) (3,4) (3,5) (3,6) (4,1) (4,2) (4,3) (4,4) (4,5) (4,6) (5,1) (5,2) (5,3) (5,4) (5,5) (5,6) (6,1) (6,2) (6,3) (6,4) (6,5) (6,6)
1,
2/
1 210
A
x x
x
x
1,
2/
1 2
B
x x
x
x
S
3
36
P A
Probabilidad Condicional:
15
36
P B
Axiomática de la teoría de probabilidades
Ejemplo: Dos dados equilibrados son lanzados, registrándose el resultado como (x1, x2), donde xi es el resultado del i-ésimo dado con i=1,2.
(1,1) (1,2) (1,3) (1,4) (1,5) (1,6) (2,1) (2,2) (2,3) (2,4) (2,5) (2,6) (3,1) (3,2) (3,3) (3,4) (3,5) (3,6) (4,1) (4,2) (4,3) (4,4) (4,5) (4,6) (5,1) (5,2) (5,3) (5,4) (5,5) (5,6) (6,1) (6,2) (6,3) (6,4) (6,5) (6,6)
1,
2/
1 210
A
x x
x
x
1,
2/
1 2
B
x x
x
x
S
3
36
P A
15
36
P B
Probabilidad Condicional:
Axiomática de la teoría de probabilidades
Ejemplo: Dos dados equilibrados son lanzados, registrándose el resultado como (x1, x2), donde xi es el resultado del i-ésimo dado con i=1,2.
1,
2/
1 210
A
x x
x
x
1,
2/
1 2
B
x x
x
x
3
36
P A
15
36
P B
1
1
36
/
;
15
15
36
P A
B
P A B
P B
1
1
36
/
;
3
3
36
P A
B
P B A
P A
Probabilidad Condicional:
(1,1) (1,2) (1,3) (1,4) (1,5) (1,6) (2,1) (2,2) (2,3) (2,4) (2,5) (2,6) (3,1) (3,2) (3,3) (3,4) (3,5) (3,6) (4,1) (4,2) (4,3) (4,4) (4,5) (4,6) (5,1) (5,2) (5,3) (5,4) (5,5) (5,6) (6,1) (6,2) (6,3) (6,4) (6,5) (6,6)S
Axiomática de la teoría de probabilidades
La probabilidad condicional cumple con las siguientes propiedades:
)
/
P B
a
B
A
P B A
P A
Probabilidad Condicional:
A BAxiomática de la teoría de probabilidades
La probabilidad condicional cumple con las siguientes propiedades:
A B
/
P B
A
P B
P B A
P B
P A
P A
)
/
P B
a
B
A
P B A
P A
Probabilidad Condicional:
Axiomática de la teoría de probabilidades
La probabilidad condicional cumple con las siguientes propiedades:
)
/
P A
1
b
A
B
P B A
P A
Probabilidad Condicional:
B AAxiomática de la teoría de probabilidades
La probabilidad condicional cumple con las siguientes propiedades:
B A
/
P B
A
P A
1
P B A
P A
P A
)
/
P A
1
b
A
B
P B A
P A
Probabilidad Condicional:
Axiomática de la teoría de probabilidades
La probabilidad condicional cumple con las siguientes propiedades:
)
/
0
c
A
B
P B A
Probabilidad Condicional:
A BAxiomática de la teoría de probabilidades
La probabilidad condicional cumple con las siguientes propiedades:
/
P B
A
P
0
P B A
P B
P A
P A
)
/
0
c
A
B
P B A
A BProbabilidad Condicional:
Axiomática de la teoría de probabilidades
La probabilidad condicional cumple con las siguientes propiedades:
)
/
P A
B
d
A
B
P B A
P A
Probabilidad Condicional:
A BAxiomática de la teoría de probabilidades
La probabilidad condicional cumple con las siguientes propiedades:
/
P B
A
P B A
P A
)
/
P A
B
d
A
B
P B A
P A
A BProbabilidad Condicional:
Axiomática de la teoría de probabilidades
De la definición de probabilidad condicional tenemos que:
0, / / o su equivalente 0, / / P A B P A P B A P A B P A P B A P A P A B P B P A B P A B P B P A B P B Axiomática de la teoría de probabilidades
De la definición de probabilidad condicional tenesmos que: :
la primer notebook tiene software comercial
A
la segunda notebook tiene software comercial
B
20 con software comercial 100 notebook
80 con software libre
Teorema del producto de probabilidades
Retomemos el ejemplo de las Notebook. Extracción SIN SUSTITUCIÓN.
0, / / o su equivalente 0, / / P A B P A P B A P A B P A P B A P A P A B P B P A B P A B P B P A B P B Axiomática de la teoría de probabilidades
De la definición de probabilidad condicional tenesmos que: :
la primer notebook tiene software comercial
A
la segunda notebook tiene software comercial
B
Retomemos el ejemplo de las Notebook. Extracción SIN SUSTITUCIÓN. 20 con software comercial
100 notebook
80 con software libre
/
20
19
100
99
P A
B
P A P B A
Teorema del producto de probabilidades
0, / / o su equivalente 0, / / P A B P A P B A P A B P A P B A P A P A B P B P A B P A B P B P A B P B Axiomática de la teoría de probabilidades
Podemos generalizar el resultado para una secuencia de sucesos
1 2 n
1 2/
1
3/
1 2
n/
1 2 n 1
P A
A
A
P A P A
A P A
A
A
P A
A
A
A
1
,
2,
,
nA A
A
Axiomática de la teoría de probabilidades
1 2 n
1 2/
1
3/
1 2
n/
1 2 n 1
P A
A
A
P A P A
A P A
A
A
P A
A
A
A
la primer notebook tiene software comercial
A
la segunda notebook tiene software comercial
B
Retomemos el ejemplo de las Notebook. Extracción SIN SUSTITUCIÓN. 20 con software comercial
100 notebook
80 con software libre
la tercera notebook tiene software comercial
C
Teorema del producto de probabilidades
Axiomática de la teoría de probabilidades
1 2 n
1 2/
1
3/
1 2
n/
1 2 n 1
P A
A
A
P A P A
A P A
A
A
P A
A
A
A
la primer notebook tiene software comercial
A
la segunda notebook tiene software comercial
B
20 con software comercial 100 notebook
80 con software libre
/
/
P A
B
C
P A P B A P C A
B
la tercera notebook tiene software comercial
C
Teorema del producto de probabilidades
Retomemos el ejemplo de las Notebook. Extracción SIN SUSTITUCIÓN.
Axiomática de la teoría de probabilidades
1 2 n
1 2/
1
3/
1 2
n/
1 2 n 1
P A
A
A
P A P A
A P A
A
A
P A
A
A
A
la primer notebook tiene software comercial
A
la segunda notebook tiene software comercial
B
20 con software comercial 100 notebook
80 con software libre
/
/
20
19
18
100
99
98
P A
B
C
P A P B A P C A
B
la tercera notebook tiene software comercial
C
Teorema del producto de probabilidades
Retomemos el ejemplo de las Notebook. Extracción SIN SUSTITUCIÓN.
Axiomática de la teoría de probabilidades
De las propiedades b) y c) de la probabilidad condicional:
)
/
0
c
A
B
P A B
)
/
P B
1
b
B
A
P A B
P B
La ocurrencia del suceso B,nos da información precisa sobre la ocurrencia del
suceso A.
Axiomática de la teoría de probabilidades
De las propiedades b) y c) de la probabilidad condicional:
)
/
0
c
A
B
P A B
)
/
P B
1
b
B
A
P A B
P B
Existen muchos casos en los cuales la ocurrencia de un suceso B no tiene influencia alguna en la ocurrencia o no ocurrencia de otro suceso A.
Sucesos Independientes
La ocurrencia del suceso B, nos da información precisa
sobre la ocurrencia del suceso A.
Axiomática de la teoría de probabilidades
Ejemplo: Dos dados equilibrados son lanzados, registrándose el resultado como (x1, x2), donde xi es el resultado del i-ésimo dado con i=1,2.
Eventos Independientes
1,
2/
1es par
A
x x
x
1,
2/
2es impar,
21
B
x x
x
x
Axiomática de la teoría de probabilidades (1,1) (1,2) (1,3) (1,4) (1,5) (1,6) (2,1) (2,2) (2,3) (2,4) (2,5) (2,6) (3,1) (3,2) (3,3) (3,4) (3,5) (3,6) (4,1) (4,2) (4,3) (4,4) (4,5) (4,6) (5,1) (5,2) (5,3) (5,4) (5,5) (5,6) (6,1) (6,2) (6,3) (6,4) (6,5) (6,6)
S
Eventos IndependientesEjemplo: Dos dados equilibrados son lanzados, registrándose el resultado como (x1, x2), donde xi es el resultado del i-ésimo dado con i=1,2.
1,
2/
1es par
A
x x
x
1,
2/
2es impar,
21
B
x x
x
x
Axiomática de la teoría de probabilidades (1,1) (1,2) (1,3) (1,4) (1,5) (1,6) (2,1) (2,2) (2,3) (2,4) (2,5) (2,6) (3,1) (3,2) (3,3) (3,4) (3,5) (3,6) (4,1) (4,2) (4,3) (4,4) (4,5) (4,6) (5,1) (5,2) (5,3) (5,4) (5,5) (5,6) (6,1) (6,2) (6,3) (6,4) (6,5) (6,6)
S
Eventos IndependientesEjemplo: Dos dados equilibrados son lanzados, registrándose el resultado como (x1, x2), donde xi es el resultado del i-ésimo dado con i=1,2.
1,
2/
1es par
A
x x
x
1,
2/
2es impar,
21
B
x x
x
x
Axiomática de la teoría de probabilidades
18
1
36
2
P A
Eventos Independientes
Ejemplo: Dos dados equilibrados son lanzados, registrándose el resultado como (x1, x2), donde xi es el resultado del i-ésimo dado con i=1,2.
(1,1) (1,2) (1,3) (1,4) (1,5) (1,6) (2,1) (2,2) (2,3) (2,4) (2,5) (2,6) (3,1) (3,2) (3,3) (3,4) (3,5) (3,6) (4,1) (4,2) (4,3) (4,4) (4,5) (4,6) (5,1) (5,2) (5,3) (5,4) (5,5) (5,6) (6,1) (6,2) (6,3) (6,4) (6,5) (6,6)
S
1,
2/
1es par
A
x x
x
1,
2/
2es impar,
21
B
x x
x
x
Axiomática de la teoría de probabilidades
18
1
36
2
P A
Eventos Independientes
Ejemplo: Dos dados equilibrados son lanzados, registrándose el resultado como (x1, x2), donde xi es el resultado del i-ésimo dado con i=1,2.
(1,1) (1,2) (1,3) (1,4) (1,5) (1,6) (2,1) (2,2) (2,3) (2,4) (2,5) (2,6) (3,1) (3,2) (3,3) (3,4) (3,5) (3,6) (4,1) (4,2) (4,3) (4,4) (4,5) (4,6) (5,1) (5,2) (5,3) (5,4) (5,5) (5,6) (6,1) (6,2) (6,3) (6,4) (6,5) (6,6)
S
1,
2/
1es par
A
x x
x
1,
2/
2es impar,
21
B
x x
x
x
Axiomática de la teoría de probabilidades
1,
2/
1es par
A
x x
x
1,
2/
2es impar,
21
B
x x
x
x
18
1
36
2
P A
12
1
36
3
P B
Eventos IndependientesEjemplo: Dos dados equilibrados son lanzados, registrándose el resultado como (x1, x2), donde xi es el resultado del i-ésimo dado con i=1,2.
(1,1) (1,2) (1,3) (1,4) (1,5) (1,6) (2,1) (2,2) (2,3) (2,4) (2,5) (2,6) (3,1) (3,2) (3,3) (3,4) (3,5) (3,6) (4,1) (4,2) (4,3) (4,4) (4,5) (4,6) (5,1) (5,2) (5,3) (5,4) (5,5) (5,6) (6,1) (6,2) (6,3) (6,4) (6,5) (6,6)
S
Axiomática de la teoría de probabilidades
1,
2/
1es par
A
x x
x
1,
2/
2es impar,
21
B
x x
x
x
18
1
36
2
P A
12
1
36
3
P B
Eventos IndependientesEjemplo: Dos dados equilibrados son lanzados, registrándose el resultado como (x1, x2), donde xi es el resultado del i-ésimo dado con i=1,2.
(1,1) (1,2) (1,3) (1,4) (1,5) (1,6) (2,1) (2,2) (2,3) (2,4) (2,5) (2,6) (3,1) (3,2) (3,3) (3,4) (3,5) (3,6) (4,1) (4,2) (4,3) (4,4) (4,5) (4,6) (5,1) (5,2) (5,3) (5,4) (5,5) (5,6) (6,1) (6,2) (6,3) (6,4) (6,5) (6,6)
S
Axiomática de la teoría de probabilidades
1,
2/
1es par
A
x x
x
1,
2/
2es impar,
21
B
x x
x
x
18
1
36
2
P A
12
1
36
3
P B
6
1
;
36
6
P A
B
Eventos IndependientesEjemplo: Dos dados equilibrados son lanzados, registrándose el resultado como (x1, x2), donde xi es el resultado del i-ésimo dado con i=1,2.
(1,1) (1,2) (1,3) (1,4) (1,5) (1,6) (2,1) (2,2) (2,3) (2,4) (2,5) (2,6) (3,1) (3,2) (3,3) (3,4) (3,5) (3,6) (4,1) (4,2) (4,3) (4,4) (4,5) (4,6) (5,1) (5,2) (5,3) (5,4) (5,5) (5,6) (6,1) (6,2) (6,3) (6,4) (6,5) (6,6)
S
Axiomática de la teoría de probabilidades
1,
2/
1es par
A
x x
x
1,
2/
2es impar,
21
B
x x
x
x
18
1
36
2
P A
12
1
36
3
P B
6
1
36
/
;
12
2
36
P A
B
P A B
P B
6
1
36
/
;
18
3
36
P A
B
P B A
P A
Podríamos inclinarnos a decir que dos sucesos A y B son independientes sí:
/
/
P A B
P A
y
P B A
P B
6
1
;
36
6
P A
B
Eventos IndependientesEjemplo: Dos dados equilibrados son lanzados, registrándose el resultado como (x1, x2), donde xi es el resultado del i-ésimo dado con i=1,2.
(1,1) (1,2) (1,3) (1,4) (1,5) (1,6) (2,1) (2,2) (2,3) (2,4) (2,5) (2,6) (3,1) (3,2) (3,3) (3,4) (3,5) (3,6) (4,1) (4,2) (4,3) (4,4) (4,5) (4,6) (5,1) (5,2) (5,3) (5,4) (5,5) (5,6) (6,1) (6,2) (6,3) (6,4) (6,5) (6,6)
S
Axiomática de la teoría de probabilidades
/ / P A B P A P B A P A P B P A B P B P A B P B P A De la definición de probabilidad conjunta tenemos que:
Axiomática de la teoría de probabilidades
/ / P A B P A P B A P A P B P A B P B P A B P B P A De la definición de probabilidad conjunta tenemos que:
Por lo tanto diremos que dos sucesos A y B son independientes si y sólo sí:
P A B P A P B
Axiomática de la teoría de probabilidades
/ / P A B P A P B A P A P B P A B P B P A B P B P A De la definición de probabilidad conjunta tenemos que:
Por lo tanto diremos que dos sucesos A y B son independientes si y sólo sí:
P A B P A P B
1,
2/
1es par
A
x x
x
1,
2/
2es impar,
21
B
x x
x
x
18
1
36
2
P A
12
1
36
3
P B
1
6 P A B P A P B Eventos Independientes (1,1) (1,2) (1,3) (1,4) (1,5) (1,6) (2,1) (2,2) (2,3) (2,4) (2,5) (2,6) (3,1) (3,2) (3,3) (3,4) (3,5) (3,6) (4,1) (4,2) (4,3) (4,4) (4,5) (4,6) (5,1) (5,2) (5,3) (5,4) (5,5) (5,6) (6,1) (6,2) (6,3) (6,4) (6,5) (6,6)S
Axiomática de la teoría de probabilidades
Ejemplo: Para una señalización de emergencia se han instalado dos indicadores que funcionan en forma independiente. Las probabilidades de falla, durante una eventual emergencia, son de 0.05 para el primer indicador y 0,1 para el segundo. a) Determinar la probabilidad de que el sistema de indicadores no funcione
durante la avería.
b) Determinar la probabilidad de que durante la avería funcione sólo un indicador.
Axiomática de la teoría de probabilidades
Ejemplo: Para una señalización de emergencia se han instalado dos indicadores que funcionan en forma independiente. Las probabilidades de falla, durante una eventual emergencia, son de 0.05 para el primer indicador y 0,1 para el segundo. a) Determinar la probabilidad de que el sistema de indicadores no funcione
durante la avería.
b) Determinar la probabilidad de que durante la avería funcione sólo un indicador.
Axiomática de la teoría de probabilidades
Ejemplo: Para una señalización de emergencia se han instalado dos indicadores que funcionan en forma independiente. Las probabilidades de falla, durante una eventual emergencia, son de 0.05 para el primer indicador y 0,1 para el segundo. a) Determinar la probabilidad de que el sistema de indicadores no funcione
durante la avería.
b) Determinar la probabilidad de que durante la avería funcione sólo un indicador.
Generalización:
son sucesos independientes si y solo sí para k=2,…,n
i1 i2 ik
i1 i2
ikP A
A
A
P A P A P A
1
,
2,
,
nA A
A
Axiomática de la teoría de probabilidades
Definición: Diremos que los sucesos representan una partición del espacio muestral S si:
1)
)
)
0
i j n i i ia
B
B
i
j
b
S
B
c
P B
i
1,
2,
,
nB B
B
En palabras: cuando se efectúa el experimento, ocurre uno y sólo uno de los sucesos Bi
Axiomática de la teoría de probabilidades
Ejemplo: En el lanzamiento de un dado:
1
1, 2
23, 4,5
36
representa una partición del espacio muestral.
B
B
B
1
1, 2,3, 4
24,5,6
representa una partición del espacio muestral.
C
C
NO
Teorema de la probabilidad total
Definición: Diremos que los sucesos representan una partición del espacio muestral S si:
1)
)
)
0
i j n i i ia
B
B
i
j
b
S
B
c
P B
i
1,
2,
,
nB B
B
Axiomática de la teoría de probabilidades