Relaciones entre

dos variables.
UNIDAD II. ESTADÍSTICA BIDIMENSIONAL
 Análisis bidimensional

 La existencia de dos variables que se desee analizar en forma

conjunta se llama estadística Bidimensional y existen dos medios
para realizar el análisis:
 Diagrama de dispersión
 Tabla de contingencia
Variables bidimensionales

 Se debe definir cual es la variable independiente = x y cual es la

dependiente = y
 Para estudiar la relación entre las dos variables visualmente se
puede hacer un grafico
 Por ejemplo:
 Si digo que x= altura del padre
 Y= altura del hijo.
Tipos de gráficos
 Tipos de relación

 Relación directa: Puntos hacia arriba

 Relación inversa: Puntos hacia abajo
 Mientras mas cerca estén los puntos la relación es mas fuerte
 Si los puntos están dispersos no hay relación.
Ejercicio diagrama de dispersión
Tabla de contingencia
Tabla de contingencia
REGRESION Y
CORRELACION
UNIDAD III
RELACION ENTRE DOS VARIABLES

 Se la puede medir a través de la correlación.

 Que es correlación?
 Se denomina correlación al vínculo recíproco o correspondiente que existe
entre dos o más elementos.
 En el ámbito de las matemáticas y las estadísticas, la correlación alude a
la proporcionalidad y la relación lineal que existe entre distintas variables.
Si los valores de una variable se modifican de manera sistemática con
respecto a los valores de otra, se dice que ambas variables se encuentran
correlacionadas.
correlacion

 Este mismo ejemplo podemos exponerlo de forma gráfica si pensamos en

la contabilidad de una empresa, específicamente en dos variables que
registren «los gastos por compra de productos» y el «stock total en el
almacén»; es correcto decir que a medida que aumenta la primera
también lo hace la segunda, y que no es posible evitar esta correlación.

Tipos de Correlación

 Simple: Cuando la relación se mide entre una variable dependiente (Yi)y

una variable independiente (Xi)
 Múltiple: Cuando la relación se mide entre una variable dependiente y
varias independientes. (X1, X2,X3,X4…Xn)
Correlación por el tipo de funcion

 Lineal
 Exponencial
 Logaritmica
Como se mide la correlación

 Puede señalarse que la correlación es la medida que se registra de

la dependencia entre distintas variables. El grado de correlación puede
medirse mediante los llamados coeficientes de correlación.
 Para analizar la relación entre variables se utilizan los llamados
«coeficientes de correlación».
 Se realizan sobre sobre variables cuantitativas o cualitativas.
 Ello determinará si se calcula o bien el coeficiente de correlación
de Pearson, el de Spearman, o el de Kendall.
 Esto si estamos hablando de correlaciones bivariadas.
Coeficiente de correlación de Pearson

 En estadística, el coeficiente de correlación de Pearson es una medida de

dependencia lineal entre dos variables aleatorias cuantitativas. A
diferencia de la covarianza, la correlación de Pearson es independiente
de la escala de medida de las variables.
 De manera menos formal, podemos definir el coeficiente de correlación
de Pearson como un índice que puede utilizarse para medir el grado de
relación de dos variables siempre y cuando ambas sean cuantitativas y
continuas.
 El coeficiente de correlacion de Pearson es un indice que esta entre 0 y 1
 Y tiene signo positivo y negativo-
Coeficiente de correlación de
Spearman
 En estadística, el coeficiente de correlación de Spearman, ρ (rho) es una
medida de la correlación (la asociación o interdependencia) entre
dos variables aleatorias (tanto continuas como discretas). Para calcular ρ,
los datos son ordenados y reemplazados por su respectivo orden.
Coeficiente de Correlacion de Kendall

 En estadística , el coeficiente de correlación de rango de Kendall ,

comúnmente conocido como coeficiente τ de Kendall (después de la
letra griega τ , tau), es una estadística utilizada para medir la asociación
ordinal entre dos cantidades medidas.
 Una prueba τ es una prueba de hipótesis no paramétrica para la
dependencia estadística basada en el coeficiente τ.
 Es una medida de correlación de rango : la similitud de los ordenamientos
de los datos cuando se clasifican por cada una de las cantidades. Lleva el
nombre de Maurice Kendall , quien lo desarrolló en 1938, [1] aunque Gustav
Fechner había propuesto una medida similar en el contexto de
las series de tiempo en 1897. [2]
Coeficiente de correlacion de Pearson

 R=1: existe una relación positiva perfecta.

También se pueden valer de los siguientes rangos:

 R=-1: existe una relación negativa perfecta.
 -1<R<-0,8: existe relación negativa fuerte.
 R>-0,5y <-0,79: existe una relación negativa moderada.
 -0,5<R<0: existe relación negativa débil.
 R=0: no existe relación, no existe relación lineal, Y no depende linealmente de
X.
RANGO DE r

 0<R<0,5: existe relación positiva débil.

 R>0,5 y <0,79: existe una relación positiva moderada.
 0,8<R<1: existe relación positiva fuerte.
 R=1: existe una relación positiva perfecta.
Gráficos de Coeficiente de
correlación de Pearson(r )
FORMULA DE COEFICIENTE DE
CORRELACION DE PEARSON

Covarianza= Sxy o δ xy
COVARIANZA

 La Covarianza es el valor que refleja en qué cuantía dos variables

aleatorias varían de forma conjunta respecto a sus medias. Nos permite
saber cómo se comporta una variable en función de lo que hace otra
variable.

Si es población, se
Divide para n

Si es una muestra
Se divide para n-1
/ n o n-1
Covarianza
COEFICIENTE DE DETERMINACION R2

Cuadrado del coeficiente de correlación que mide qué

parte de la variación de una variable viene explicada, es
decir, se puede predecir, por la variación de la otra.

Es decir que porcentaje de la variación de la variable Y se

ve explicada por la variación de la variable X.

Puede tener valores entre 0, que implica que no hay

ninguna relación lineal, y 1, que significa que se trata de
una relación lineal perfecta.
Ejemplo:

Si r2= 0,96 quiere decir que el 96% de los cambios en la

variable y se explican por los cambios en la variable X
Coeficiente de correlación y
coeficiente de determinación
Otra formula de r
Formula de R cuadrado
EJERCICIO
Explicación de R cuadrado

 El R-cuadrado es una medida estadística de qué tan cerca están los datos de
la línea de regresión ajustada. También se conoce como coeficiente de
determinación, o coeficiente de determinación múltiple si se trata de regresión
múltiple.
 La definición de R-cuadrado es bastante sencilla: es el porcentaje de la
variación en la variable de respuesta que es explicado por un modelo lineal. Es
decir:
 R-cuadrado = Variación explicada / variación total
 El R-cuadrado siempre está entre 0 y 100%:
 0% indica que el modelo no explica ninguna porción de la variabilidad de los
datos de respuesta en torno a su media.
 100% indica que el modelo explica toda la variabilidad de los datos de
respuesta en torno a su media.
Coeficiente de determinación

 El coeficiente de determinación parcial, en investigación cuantitativa, es la

proporción de la varianza que resulta explicada por la introducción de una nueva
variable.

 Es decir, es la diferencia entre la proporción explicada por las antiguas variables y

la que resulta explicada si se añade una variable más.
 explicación

 El Coeficiente de Determinación, que es el cuadrado del coeficiente de

correlación de Pearson, y da la proporción de variación de la variable Y
que es explicada por la variable X (variable predictora o explicativa).
 Si la proporción es igual a 0, significa que la variable predictora no tiene
NULA capacidad predictiva de la variable a predecir (Y).
 Cuanto mayor sea la proporción, mejor será la predicción. Si llegara a ser
igual a 1 la variable predictora explicaría TODA la variación de Y, y las
predicciones NO tendrían error.
 Análisis de regresión
 Hemos estudiado medidas para expresar la fuerza y la dirección
de la relación lineal entre dos variables.
 En esta sección se elabora una ecuación para expresar la
relación lineal entre dos variables.
 Además, se desea estimar el valor de la variable dependiente Y
con base en un valor seleccionado de la variable
independiente X.
 La técnica para desarrollar la ecuación y proporcionar las
estimaciones se denomina análisis de regression.
 Solo si hay una alta correlación se puede efectuar un buen
análisis de regresión.
Propósito de la Regresión

 Ecuacion de Regresión: Es la ecuación que expresa la relación lineal entre

dos variables

 Ecuación de la Recta: 𝑌𝑐 = 𝑏𝑋 + 𝑎

 Yc= valor de y calculado o estimado o proyectado con base a valores de

X
 b= coeficiente angular de regresión o pendiente de la recta
 a = valor constante
Calculo de la recta de regresión con
el método de los mínimos cuadrados
 Para trazar la recta de regresión se emplea el método de los mínimos
cuadrados, utilizando las ecuaciones normales.
 En el análisis de regresión, el objetivo es utilizar los datos para trazar una
línea que represente mejor la relación entre las dos variables. Nuestro
primer enfoque es utilizar un diagrama de dispersión para visualizar la
posición de la línea.
 TRAZO LINEA DE REGRESION

 El diagrama de dispersión de la gráfica 13-7, contiene una recta que une los puntos del
diagrama de dispersión para ilustrar que una recta probablemente ajustaría los datos.
 Sin embargo, la recta trazada con una regla tiene una desventaja: en parte, su posición se basa
en el criterio de la persona que traza la recta. Las rectas trazadas a mano en la gráfica 13-8
representan los criterios de cuatro personas. Todas las rectas, excepto A, parecen razonables.
Esto es, cada línea se centra entre los datos graficados. Sin embargo, cada una generaría una
estimación distinta de unidades vendidas para un número particular de llamadas de ventas.
13-11 es 132.
ERROR DE ESTIMACION
El error estándar de la estimación se mide a lo largo del eje “Y”, y no
perpendicularmente desde la recta de regresión. ... Si esta segunda
suposición no fuera cierta, entonces el error estándar en un punto de la
recta de regresión podría diferir del error estándar en otro punto.

Es el error en el calculo del valor de la ecuación de regresión es un +/- de

desvio del valor calculado.
Se representa por Sx/y
Error estándar de estimación
Error de estimacion
ANALISIS DE VARIANZA
DE LA REGRESION
(ANOVA)
UNIDAD III
ANALISIS DE VARIANZA

• En estadística, el análisis de la varianza (ANOVA por sus sigloides en

inglés, ANalysis Of VAriance) es una colección de modelos estadísticos y sus
procedimientos asociados, en el cual la varianza está particionada en ciertos ]] para
evaluar el efecto de tratamientos en la variabilidad de la variable respuesta.
• Desarrollada por el genetista R. A. Fisher en los años 1920 y 1930 y es algunas veces
conocido como "Anova de Fisher" o "análisis de varianza de Fisher", debido al uso de
la distribución F de Fisher como parte del contraste de hipótesis.
TABLA ANÁLISIS VARIANZA

• La técnica fundamental consiste en la separación de la suma de cuadrados (SS, 'sum of

squares') en componentes relativos a los factores contemplados en el modelo. Como
ejemplo, mostramos el modelo para un ANOVA simplificado con un tipo de factores en
diferentes niveles. (Si los niveles son cuantitativos y los efectos son lineales, puede
resultar apropiado un análisis de regresión lineal)
SIGNIFICACIÓN DEL ERROR DE ESTIMACIÓN DEL
COEFICIENTE B (QUE ES EL P VALUE DEL FACTOR)
Nivel de significancia = 0,05= error que quiero aceptar
95% de confianza en la estimacion
CALCULO DEL COEFICIENTE DE DETERMINACION
ANALISIS DE VARIANZA DE LA REGRESION
RELACIÓN ENTRE COEFICIENTE DE
CORRELACIÓN, DETERMINACIÓN Y
ERROR DE ESTIMACIÓN Y
COEFICIENTE B

Unidad III
RELACION ENTRE INDICADORES DE REGRESION

 Coeficiente de Correlación y Coeficiente b (Angular de regresión o Pendiente) primera

viñeta aquí
 Coeficiente de Correlación y de Determinacion
 Error de Estimacion y Coeficiente de Correlacion
Coeficiente b y Coeficiente de Correlacion

 Coeficiente de Correlacion Signo Grupo 2

 Coeficiente b Coeficiente
de (+) (-)
 El coeficiente de correlacion y el Correlación
coeficiente b tienen el mismo signo Coeficiente b
porque la pendiente indica si la relación (+) (-)
(pendiente)
es directa (+) o inversa (-)
Coeficiente r2 (+)
RELACION ENTRE ERROR DE ESTIMACION Y EL
COEFICIENTE DE CORRELACION

El error estándar de estimación, el cual mide

la cercanía entre los valores reales y la recta
de regresión. Cuando el error estándar es
pequeño, las dos variables están muy
relacionadas.
En el cálculo del error estándar, el término
clave es Ʃ(Yi-Yc).
Si el valor de este término es pequeño, el
error estándar también lo será.
El coeficiente de correlación mide la fuerza de
la asociación lineal entre dos variables.
Cuando los puntos del diagrama de
dispersión aparecen cerca de la recta, se
observa que el coeficiente de correlación
tiende a ser grande.
Todo ello indica que el error estándar de
estimación y el coeficiente de correlación
están inversamente relacionados. A medida
que aumenta la fuerza de la relación lineal
entre dos variables, aumenta el coeficiente
de correlación y disminuye el error de
estimación.
RELACION ENTRE COEFICIENTE DE
DETERMINACION y EL ERROR DE ESTIMACION
El cuadrado del coeficiente de correlación
es el coeficiente de determinación, que
mide el porcentaje de la variación de Y que
se explica por la variación de X.
Un medio conveniente para mostrar la
relación entre estas tres medidas es una
tabla ANOVA.
La variación total se dividió en dos
componentes: la debida a los tratamientos
O REGRESION y la debida al error
aleatorio.
La variación total se divide en dos
componentes: 1) la que explica la
regresión (a su vez explicada por la
variación de la variable independiente ) y
(2) el error, o variación inexplicable.
En este caso, el coeficiente de
determinación y la suma del residuo o
error de los cuadrados están inversamente
relacionados. Mientras más alta sea la
variación inexplicable o error como
porcentaje de la variación total, menor
será el coeficiente de determinación.
ECUACION DE REGRESION
A = constante
a= pendiente o coeficiente
angular de regresión o la
variación marginal .
En algunas ocasiones se incluye
la variación del residuo, que es el
error de estimación.
RELACION ENTRE COEFICIENTE DE CORRELACION Y
COEFICIENTE DE DETERMINACION

Si r es alto, es decir hay una correlacion fuerte, el coeficiente de determinación también lo será,
Es decir habrá un alto porcentaje de variación en la variable dependiente que se explique
Por los cambios en la variable independiente.
Formula en Tabla anova
 PRUEBA DE SIGNIFICANCIA
COEFICIENTE DE REGRESION (Bi)
Unidad III
Regresión simple
Salida de Regresión con Minitab
Ecuación de Regresión

Ecuación de Regresión es:

Yc= 4,39+ 1,08Xi

El coeficiente que se va a probar es el

coeficiente b1 = 1,08.
Los datos estadísticos sugieren una
relación alta entre los pasajeros y los
gastos de publicidad.
Sin embargo estos datos se refieren a
una muestra de 15 datos.
La pregunta es: Esta relación se
mantendrá a nivel de toda la
población?
Prueba del coeficiente b

La prueba consiste en determinar si el

coeficiente b1, en ningún caso va a ser
cero.
Dado que si b1=0, significa que el
efecto de Xi en la ecuación se anula,
es decir la variable Xi no tendría
relevancia para estimar la variable Yi.
Si la pendiente de regresión b1=0, no
existirá relación entre los gastos de
publicidad y el numero de pasajeros.
De ahí que se debe probar una
hipótesis:
La hipótesis de que el coeficiente b1 es
diferente de 0.
 Prueba de Hipótesis

• En estadística en una prueba de hipótesis se debe probar

una hipótesis nula (hipótesis de investigacion), contra una
hipótesis alternativa.
• Para probar una hipótesis se hacen algunos supuestos
respecto a la población (en este caso todos los casos, a
mas de aquellos incluidos en la muestra)
 Hipótesis nula e hipótesis alternativa

• La Hipotesis nula es que b1= 0

• La alternativa es que b1 no es igual a 0.
• Para que en este modelo de regresión, la variable Xi,
tenga significancia, yo debería rechazar la hipótesis de
que el coeficiente b1=0, es decir debería rechazar la
hipótesis nula, para poder concluir que es lo contrario, o
sea que b1≠0.
Hipótesis nula e hipótesis alternativa

Hipótesis nula: El termino nulo implica

nada o nulo. Es decir ningún efecto.
Por ello la hipótesis nula (Ho)
tradicionalmente tiene la referencia de
un signo con = como = o <= o >=.
Con base a los datos muestrales esta
hipótesis es rechazada o aceptada.
La hipótesis alternativa, denotada por:
H1 o HA, es todo lo contrario de la nula.
Las pruebas de hipótesis utilizan los
estadísticos:
Z=Distribucion Normal n>30
T= Distribución t n≤30
Prueba de dos colas con distribución t
Prueba de una cola
Tabla t de student
 Prueba de hipótesis
Vamos a emplear un nivel de confianza del 95% o sea un error del 5%
Cuando la hipótesis dice no es igual el error se distribuye tanto a la izquierda como a
La derecha (es decir prueba de dos colas).
Zona de aceptación y rechazo hipótesis

Luego de hallar
El valor t critico
Que es el que marca
La zona de aceptación
Y rechazo
Ahora se debe ubicar
El valor t del coeficiente
Para ver si cae en la zona
De aceptación o rechazo

El valor t del
Coeficiente B1 esta
En la tabla de
Regresión del modelo
-2.160 2,160
Prueba de dos colas

Cada prueba de
Hipótesis tiene un
Valor frontera que
Marca la zona de
Aceptación o
O rechazo de la
Hipotesis
Si n>30 se usa Z
Si n>30 se usa t

En este caso se ha usado z

Para hallar el valor t critico, se usa en excell la formula
INV.T.2.C. Se ingresa los grados de libertad (n-2)y el margen de error
Que se distribuye en las dos colas
Dado que el
Valor t del modelo
Esta en zona de
Rechazo, se
Rechaza Ho.
 Conclusión de la prueba de hipotesis

• Si se rechaza Ho, se concluye que el coeficiente B, no es

igual a = y por lo tanto se confirma que a un nivel del 5%
• Existe una relación significativa entre los gastos de
publicidad y los pasajeros.
• El valor de p de 0.0000 al lado del coeficiente b que es
menor al error planteado como base del 5%.
• También confirma esta conclusión.
Que es el p value
Valor p del coeficiente en Tabla Anova
Valor p del coeficiente
 (Prueba F) P value del modelo de regresión

• El estadístico F es un test que se utiliza para evaluar la capacidad explicativa que tiene
un grupo de variables independientes sobre la variación de la variable dependiente.

• De esta manera, el estadístico F pretende determinar si de entre un grupo de variables

independientes, al menos una tiene capacidad de explicar una parte significativa de la
variación de la variable dependiente.
• Este test es de uso común en inferencia estadística para
realizar contrastes de hipótesis. El resultado de su cálculo se
compara con el valor crítico de una distribución F de Snedecor con
el nivel de confianza asignado para el test. Es importante resaltar
que este test es a una sola cola.
REGRESION MULTIPLE

UNIDAD III
 CONCEPTO

• La regresión lineal múltiple permite generar un modelo lineal en el que el valor

de la variable dependiente o respuesta (Y) se determina a partir de un
conjunto de variables independientes llamadas predictores (X1, X2, X3…).
• Es una extensión de la regresión lineal simple, por lo que es fundamental
comprender esta última. Los modelos de regresión múltiple pueden emplearse
para predecir el valor de la variable dependiente o para evaluar la influencia
que tienen los predictores sobre ella .
 ECUACION DE REGRESION MULTIPLE

• Los modelos lineales múltiples siguen la siguiente ecuacion:

• Yc=(β0+β1X1i+β2X2i+⋯+βnXni)+ei
• Yc=(β0+β1X1i+β2X2i+⋯+βnXni)+ei
• β0: es la ordenada en el origen, el valor de la variable dependiente Y cuando todos
los predictores son cero.
• βii: es el efecto promedio que tiene el incremento en una unidad de la variable
predictora Xi sobre la variable dependiente YY manteniéndose constantes el resto
de variables. Se conocen como coeficientes parciales de regresión.
• ei es el residuo o error, la diferencia entre el valor observado y el estimado por el
modelo.
 ECUACION REGRESSION MULTIPLE

• Una variable dependiente Y que se ve afectada por varias independientes por ej

• X1 b1

• X2 b2
• X3 b3.

A cada variable le corresponde un coeficiente b o pendiente.

 COEFICIENTES PARCIALES DE
REGRESION

• Es importante tener en cuenta que la magnitud de cada coeficiente parcial de

regresión depende de las unidades en las que se mida la variable predictora a la
que corresponde, por lo que su magnitud no está asociada con la importancia
de cada predictor.
• Para poder determinar qué impacto tienen en el modelo cada una de las
variables, se emplean los coeficientes parciales estandarizados, que se obtienen al
estandarizar (sustraer la media y dividir entre la desviación estándar) las
variables predictoras previo ajuste del modelo.
 COEFICIENTE DE CORRELACION
MULTIPLE

• El primer paso a la hora de establecer un modelo lineal múltiple es estudiar la

relación que existe entre variables.
• Esta información es crítica a la hora de identificar cuáles pueden ser los mejores
predictores para el modelo, qué variables presentan relaciones de tipo no lineal
(por lo que no pueden ser incluidas) y para identificar colinialidad entre
predictores.
• A modo complementario, es recomendable representar la distribución de cada
variable mediante histogramas.
• Las dos formas principales de hacerlo son mediante representaciones gráficas
(gráficos de dispersión) y el cálculo del coeficiente de correlación de cada par de
variables.
 COEFICIENTE DE CORRELACION
MULTIPLE = R

• Un estudio quiere generar un modelo que permita predecir la esperanza de vida media de los habitantes de
una ciudad en función de diferentes variables. Se dispone de información sobre: habitantes, analfabetismo,
ingresos, esperanza de vida, asesinatos, univrsitarios, heladas, área y densidad poblacional.
• Yc= esperanza de vida (anos)
• X1 = numero de habitants
• X2 = indicador de analfabetismo
• X3= indicador de asesinatos
• X4= indicador de grado Universitario
• X5= numero de heladas en el ano
• X6= area de la ciudad
• X7= densidad poblacional.
•
 COEFICIENTE DE CORRELACION
MULTIPLE

• Establece la relacion de todas las variables con la variable dependiente.

• Tambien se puede calcular correlacion parcial entre dos variables.
Uno de los problemas que se tratan en disciplinas como la Ecologia o la Biologia de la
Conservacion es el de identificar factores que influyen en variables como la riqueza de una
especie (medida como el numero de individuos de la especie en un area dada) Ejemplo:

En un estudio sobre la poblacion de un parasito se hizo un recuento de parasitos en 15

localizaciones con diversas condiciones ambientales.

Los datos obtenidos son los siguientes:

Temperatura 15 16 24 13 21 16 22 18 20 16 28 27 13 22 23
Humedad 70 65 71 64 84 86 72 84 71 75 84 79 80 76 88
Recuento 156 157 177 145 197 184 172 187 157 169 200 193 167 170 192
 COEFICIENTE DE DETERMINACIÓN
CORREGIDO (MULTIPLE)

• Debido a su importancia R2 se reporta en la mayoría del los paquetes de

computador. Porque es una forma fácil y rápida de evaluar el modelo de
regresión para determinar la incidencia de la variable independiente en la
variable dependiente.
• Sin embargo, es posible inflar artificialmente el valor de r2(en regresión
múltiple), simplemente adicionando otra variable independiente al modelo.
• Incluso si hay alguna variable absurda sin un poder realmente explicativo se
incorpora al modelo y r2 aumentará. Un modelo de esta naturaleza puede
parecer que se ajusta muy bien a los datos, pero produciría resultados
infortunados en un intento por predecir o diagnosticar la variable dependiente.
 COEFICIENTE DE DETERMINACIÓN
CORREGIDO

• Por consiguiente es una practica común en REGRESION MULTIPLE, y

correlacion reportar el COEFICIENTE DE DETERMINACION CORREGIDO.
• Representado por R² que se lee (R barra al cuadrado) , este estadística se
ajusta a la medida del poder explicativo para el numero de grados de libertad.
• Debido a que el grado de libertad en regresión múltiple para el Error
• Es (n-k-1) , el coeficiente de determinación corregido divide cada elemento de
la formula del coeficiente de determinación para los grados de libertad del
error.
 FORMULA DEL COEFICIENTE DE
DETERMINACIÓN CORREGIDO

SUMMARY OUTPUT
= 1 − 𝑆𝑆𝐸/(𝑛 − 𝑘 − 1)
Regression Statistics -------------------- 1- 343,554154569/12
Multiple R 0,956022932 r2 --------------------
R Square 0,913979846 r2 SST/(n-1) 3993,733/14
Adjusted R Square 0,899643154
Standard Error 5,350557268
Observations 15
1-0,10035 = 0,8996
ANOVA
df SS MS F Significance F
Regression 2 3650,191776 1825,095888 63,75109566 4,05136E-07
Residual 12 343,5415569 28,62846308
Total 14 3993,733333

Coefficients Standard Error t Stat P-value Lower 95% Upper 95% Lower 95.0% Upper 95.0%
Intercept 25,71153011 14,3724855 1,788941106 0,098875902 -5,603425691 57,0264859 -5,6034257 57,0264859
Temperatura 1,581817976 0,32026301 4,939121688 0,000342592 0,884024822 2,27961113 0,88402482 2,27961113
Humedad 1,542447836 0,199504179 7,731406155 5,32418E-06 1,107765571 1,9771301 1,10776557 1,9771301
COEFICIENTE DE DETERMINACIÓN
AJUSTADO REGRESIÓN MULTIPLE

= 1-(1-r2). (n-1)
------ 1- [1- 0,91397) (14/12)]
n-k-1
1-0,1036= 0,8996
COEFICIENTE DE
CORRELACION DE
DATOS ORDINALES DE
SPEARMAN
UNIDAD III
  El Coeficiente de Correlacion de Pearson es el mas apropiado
cuando los datos son de escala de intervalo o de razón, pero
cuando se trata de datos cualitativos cuyas modalidades se han
CONCEPTO organizado con base a un orden o rango; es decir los datos han
sido jerarquizados de menor a mayor o viceversa, el coeficiente
que nos permita medir la relación entre este tipo de datos es el
Coeficiente de Spearman.
Coeficiente de  En ocasiones tenemos características como Belleza, conducta,
actitud, preferencia, capacidad de liderazgo,sabores cuyos datos
correlacion de pueden ser jerarquizados u organizados ordinalmente.
Spearman  Tambien se púede aplciar para datos cuantitativos pero que una
de las variables puede ser ordinal y la otra de escala superior.
 Tambien es útil cuando en la serie hay valores extremos donde el
coeficiente de Pearson puede ser afectado por estos valores.
FORMULA
  Se receptan dos pruebas una teórica y otra practica a 12
empleados de una empresa, luego de un curso de
perfeccionamiento. Los resultados (calificaciones) obtenidas con
las siguientes:
COEFICIENTE
 El propósito es determinar si existe una relación entre la
DE SPEARMAN calificación de la prueba teorica y la calificación de la prueba
DATOS CUANTITATIVOS practica, es decir que quien saco nota alta en la teorica, saca nota
(ORDENADOS alta en la practica.
 Para ello es prioritario ordenar los datos en rangos y a esos rangos
se les calcula el coeficiente de Spearman
 El valor de rS varía entre -1 y +1. Un valor de rS negativo indica una
relación inversa, mientras que uno positivo indica una relación
directa.
 Aunque el procedimiento de cálculo de la correlación de Pearson y
de Spearman son muy parecidos, los resultados son diferentes
pues la prueba de Spearman se basa en los rangos de los valores,
perdiendo parte de la información que se encuentra en los datos
 Empleado Prueba Teórica (x) Prueba Practica (Y)
1 65 68
2 63 66
3 67 68
4 64 65
5 68 69
Datos 6 62 66
Ejercicio 2 7 70 68
8 76 75
9 68 71|
10 67 67
11 69 68
12 71 70
Marca Gaseosa Rango de preferencia Rango de diseño
Coca cola 1 2

Pepsi 2 5
Tropical 3 1
Seven 4 3
Fiora 5 4

Con el fin de medir la relación que existe entre las preferencias por el sabor de
Ciertas gasesosas y el diseño de sus envases. De las encuestas realizadas
Se obtuvieron las siguiente información:
 Forma de poner el rango datos
Medidas Rango
47 1

Como ordenar  Si existen dos datos iguales, se les

39 2
asigna el Rango promedio a los 38 3
la serie en mismos. Ejemplo:
35 4
rangos  Se ordena la variable de menor a
mayor, o de mayor a menor, dándole 31 5
el rango 1 a la de mayor valor y así 29 6
sucesivamente.
27 7
Forma de asignar rango Explicación
Medidas Rangos
40 1
39 2,50
 El rango 2 y 3 se promedia
39 2,50 (2+3) = 5/2= 2,5.
37 4
 En el caso de los números 18
20 5 que hay 3 le tocaría los
19 6 números de orden 7,8, 9, se
promedian estos tres valores.
18 8
(7+8+9)= 24/3= .8
18 8
18 8
12 10
10 11
  Al igual que el coeficiente de correlacion de Pearson, el coeficiente
de correlacion de Spearman tiene un rango de (-1) a 1.
 Y su interpretación es la misma

COEFICIENTE  R=0 no hay correlación

CORRELACION  R = -1 correlación perfecta inversa o negativa

 R= 1 correlación perfecta directa o positiva
SPEARMAN
 R≥ І0,80 І correlación alta
 І 0,51І ≤ R ≤ І0,79І correlación moderada
 r≤0,50 NO HAY CORRELACION
ORDENAMIEN La función es jerarquía media(valor inicial, Rango, Orden
Ascendente)
TO EN EXCELL
Y luego se repite la formula para el resto de datos. Se debe fijar la celda con $, para que no
Se mueva la celda.
TEORIA DE CONJUNTOS
REGLAS GENERALES Y OPERACIONES DE CONJUNTOS
 DEFINICION DE CONJUNTO
• Conjunto es la colección, reunión o agrupación de objetos que tienen
una característica definida

Al conjunto se lo representa con letras mayúsculas

 FORMAS DE DESCRIBIR UN CONJUNTO
• Los conjuntos se pueden describir:
• A) Por comprensión: Cuando se describe al conjunto
• A={vocales}
• B) Por tabulación: Cuando se enlista los datos del conjunto
• A={a,e,i,o,u}
• C) Por notación de conjuntos : Utilización de símbolos matemáticos
para describir al conjunto.
• A={x/xeA}
 DIAGRAMA DE VENN

• Es la representación grafica de los elementos que forman el conjunto

 Teoría de Conjuntos
• La Teoría de Conjuntos es una teoría matemática, que estudia
básicamente a un cierto tipo de objetos llamados conjuntos y algunas
veces, a otros objetos denominados no conjuntos, así como a los
problemas relacionados con estos.
 Aplicación Teoría de Conjuntos en la vida
diaria
• La teoría de conjuntos se aplica en la vida diaria, ya sea para tomar una decisión o
para tener posibles combinaciones de resultados, esta implícito de una manera u
otra alguna unión o intersección de procesos o tareas o elecciones.
• Ejemplo:
• Si desechamos alternativas como que novela deseamos ver de cuatro canales
posibles estaríamos aplicando una diferencia de conjuntos o una teoría de
complemento, pues se estaría desechando tres opciones dentro de nuestro
conjunto de universo que seria {Ecuavisa, Teleamazonas, Gamavision, Telerama} y
otro conjunto como {Cablecanal}, entonces al elegir , seria el resultado de un
complemento
 UTILIZACION DE SIMBOLOS
• El símbolo e y e se utiliza de un elemento a un conjunto.
• B={1,4,8,9} C={10,15,23} D={4,8}
9 e B 10 ꬳ B

El símbolo subconjunto se utiliza de un conjunto a otro conjunto no de

un elemento a un conjunto.
DϚ B Ϲ Ȼ B 4Ȼ D
 Un conjunto A es un subconjunto de
un conjunto B si cada elemento en A
está también en B .

A B Ϲ A

C
B

C Ϛ A
 OPERACIONES CON CONJUNTOS
• Las operaciones que se pueden realizar con conjuntos son:
• Unión de Conjuntos= Se unen los elementos de cada conjunto eliminando
los repetidos.
• Intersección de conjuntos= Listar los elementos que se repiten.
• Si no hay elementos que se repiten, la intersección es igual al conjunto
vacío.
• Resta o diferencia de conjuntos= Del conjunto primero se eliminan los
elementos del segundo conjunto.
• Multiplicación de conjuntos: Se origina un conjunto de pares ordenados
donde el primer elemento pertenece al primer conjunto y el segundo
elemento al segundo conjunto.
 OPERACIONES DE CONJUNTOS
• Complemento de un Conjunto.- Se compone de los elementos que le
faltan a un conjunto para llegar a tener los elementos el universo.

• Universo= Es el conjunto macro que representa todos los elementos e

la investigación.
UNION DE CONJUNTOS
Intersección son los elementos en común que tienen los conjuntos.

Si no hay intersección ,
La intersección es igual
Al conjunto vacio = Ø
Conjuntos disjuntos son los que no tienen
intersección o elementos en común
Conjunto Vacío es el
Que no tiene elementos
Ø
COMPLEMENTO DE UN CONJUNTO

Son los elementos que le faltan al conjunto para llegar al Universo

MULTIPLICACION DE CONJUNTOS
 INFERENCIA
ESTADISTICA I

Docente: Elaine Jijon Gordillo

 INFERENCIA

Deducción de una cosa a partir de otra, conclusión.

• Deducción

f. Conclusión, inferencia:
•
con lo que sabes, deberías sacar tus deducciones y decidir.
 Estadística Inferencial

• Es una parte de la Estadística que comprende

los métodos y procedimientos para deducir
propiedades (hacer inferencias) de una
población, a partir de una pequeña parte de
la misma (muestra).

• Se mide en términos probabilísticos, es decir,

toda inferencia se acompaña de su
probabilidad de acierto.
 Utilidad de la Inferencia

• Si el modelo se considera adecuado, puede

usarse para la toma de decisiones o para la
realización de las previsiones convenientes.

• Se utilizarán variables aleatorias, que son

variables determinadas al azar.
 INFERENCIA
POBLACIÓN

Muestra
 UNIDAD #1

TEORÍA DE CONJUNTOS,
COORDINADORA Y DE
PROBABILIDADES
 Teoria Coordinatoria

Principios de conteo
• Fórmula de la multiplicación
 TECNICAS DE CONTEO
• PERMUTACIONES (SI IMPORTA EL ORDEN)
• Cada grupo se diferencia del otro aunque sea
por el orden distinto en que se colocan

• COMBINACIONES (no importa el ORDEN)

• Cada grupo se diferencia del otro aunque sea
por un element distinto en el grupo
 PERMUTACIONES
• PERMUTACIONES (SI IMPORTA EL ORDEN EN
QUE SE UBICAN LOS ELEMENTOS.
– CON REPETICION.- CUANDO LOS ELEMENTOS SE
PUEDEN ORDENAR DE DIFERENTE FORMA PERO
SE PUEDE REPETIR LOS ELEMENTOS
– SIN REPETICION.- CUANDO LOS ELEMENTOS SE
PUEDEN ORDENAR DE DIFERENTE FORMA PERO
NO SE PUEDEN REPETIR LOS ELEMENTOS
 PERMUTACIONES
•
•
 PERMUTACIONES TODOS LOS
ELEMENTOS

•
 Teoria Coordinatoria
Principios de conteo
• Fórmula de las Permutaciones
Ej.: Supongamos que se tienen los
siguientes números naturales 1, 2, 3, 4 y se
quiere formar cifras de 4 dígitos. Cuántas
cifras se podrían formar ?
 Teoria Coordinatoria
Principios de conteo
• Fórmula de las Permutaciones
Ej.: En la primera línea del salón de clases se
tienen colocados 8 pupitres y se quiere
sentar a 8 alumnos ¿De cuántas maneras se
podrían colocar?
 Teoria Coordinatoria
Principios de conteo
• Fórmula de las Permutaciones
Ej.: Cuántos grupos de 6 letras se pueden
formar con las letras de la palabra AMIGAS?
 Teoría Coordinatoria
Principios de conteo
• Fórmula de las Permutaciones
Ej.: Betts Machine Shop, Inc., cuenta con ocho
tornos, aunque sólo hay tres espacios disponibles
en el área de producción para las máquinas. ¿De
cuántas maneras se pueden distribuir las ocho
máquinas en los tres espacios disponibles?
 Teoria coordinatoria
Principios de conteo
• Fórmula de las Permutaciones (sin
repetición) y no se consideran todos los
elementos en el grupo

Cualquier distribución de r objetos seleccionados de un solo

grupo de n posibles objetos.

n representa el total de objetos

r representa el total de objetos seleccionados
 Teoria Coordinatoria
Principios de conteo
• Fórmula de las Combinaciones
El orden de los objetos seleccionados no es
importante

n representa el total de objetos

r representa el total de objetos seleccionados
 Probabilidades
Método Axiomático

• Probabilidad = Posibilidad de que algo pase.

• Se expresa como fracciones o decimales.

0 1
Nunca va a Algo va a
suceder suceder
(imposibilidad (Certeza
Absoluta) Absoluta)
 Evento Seguro y Evento imposible
Evento Seguro= Aquel que es seguro que va a
ocurrir. Ej. Que todos vamos a morir algún día
P(S)= 1

Evento imposible= el que nunca va a ocurrir., Ej:

La probabilidad de que la nota académica sea
mayor a 10
P(Ø) = 0
 Probabilidades
• Tiene que ver directamente con la noción de
frecuencias relativas.

• Ej. Se lanza 100 veces una moneda. Anotar el

número de veces que sale cara y las veces que
sale sello.
CARA SELLO

Frecuencia 56 Veces 44 Veces

Absoluta
Frecuencia Relativa
Probabilidad
 Definiciones de Probabilidades
Probabilidad a priori

• Se puede establecer la
respuesta sin necesidad
de realizar el Limitaciones
experimento. 1. Supone un mundo que
• Se basa la conclusión en no existe (situaciones
razonamientos lógicos. impredecibles).
2. Supone una especie de
simetría en el mundo.
 Probabilidades
Método Empírico

Considera la probabilidad de un suceso, como

aquel número al cual se aproxima cada vez más la
frecuencia relativa de la ocurrencia de un suceso,
cuando las veces que se repite el experimento que
origina ese suceso es lo bastante grande.

P= número de casos favorables/número de casos

posibles
 Enfoques de Probabilidades
Método Clásico

Considera la probabilidad como el cociente de

dividir al número de casos favorables o éxitos que
pueden ocurrir en una prueba, por el total de
casos posibles.

P= número de éxitos/total de casos posibles

 Probabilidades
Enfoque Probabilidad Relativa(frecuencia a
largo plazo)

• Consiste en una observación que nos

determina en qué momento ocurrieron
eventos semejantes en el pasado, que
permitan establecer la probabilidad de que
vuelva a ocurrir en el futuro.
Limitaciones
1. Se utiliza sin evaluar el número suficiente de resultados.
 Probabilidades
Probabilidad Relativa (enfoque a largo plazo)

Ejemplo:
El año anterior hubo 50 nacimientos en un hospital, de los cuales 32 de los
recién nacidos eran niñas. Probabilidad de que el siguiente nacimiento (o un
nacimiento seleccionado al azar) sea una niña es:
 Probabilidades
Probabilidad Subjetiva
• Correspondientes a una información muy
personal de la ocurrencia del suceso.
• Probabilidad asignada a un evento por parte de
un individuo, basada en la evidencia que tenga
disponible.
• Se basará en el criterio personal.
 Probabilidades
Probabilidad Subjetiva
Ejemplos:
• Probabilidad de que una mujer sea elegida
como presidente de los Estados Unido.
 Probabilidades
Ejercicio:
El representante sindical B. Lou Khollar, tiene como anteproyecto un conjunto
de demandas salariales y de prestaciones que debe presentar a la dirección.
Para tener una idea del apoyo de los trabajadores al paquete, hizo un sondeo
aleatorio en los dos grupos más grandes de trabajadores de la planta, los
maquinistas (M) y los inspectores (I). Entrevistó a 30 de cada grupo con los
siguientes resultados:
 Probabilidades
Ejercicio:

Clasifique las siguientes estimaciones de probabilidad en cuanto

a su tipo (clásica, frecuencia relativa o subjetiva):
a) La probabilidad de lograr un tiro de penal en hockey sobre hielo es
0.47. (con base a estadísticas anteriores).
b) La probabilidad de que renuncie el gobernador actual es 0.85.
c) La probabilidad de sacar dos seises al lanzar dos dados es 1/36.
d) La probabilidad de que el presidente electo en un año que termina
en cero muera durante su cargo es 7/10. (con base a estadísticas
anteriores)
e) La probabilidad de que vaya a Europa este año es 0.14.
 Probabilidades
Terminología

Evento: uno o más de los posibles resultados

de hacer algo.
Experimento: La actividad que origina uno de
dichos eventos.
Espacio muestral: Conjunto de todos los
resultados posibles de un experimento.
 Probabilidades
Espacio Muestral

Experimento: Elegir un alumno del curso de

estadística en la Facultad.

U={ }
 Probabilidades
Espacio Muestral
Son todos los resultados posibles de un
experimento. Es el universo de los eventos. Se
lo representa por la letra S

Experimento: Lanzamiento de una moneda

S={ C, S }
 Probabilidades
Espacio Muestral

Experimento: Lanzamiento de dos monedas

S={ CC,CS,SC,SS }
 Probabilidades
Espacio Muestral
Experimento: Lanzamiento de un dado

S = { 1,2,3,4,5,6 }
 Probabilidades
Espacio Muestral

Experimento: Lanzamiento de dos dados

S={ }= 36 resultados
posibles.
 Probabilidades
Espacio Muestral

Experimento: Extraer una carta de una

baraja de 52 cartas.
4 palos de la baraja, (13 de cada uno)
S={ }
 Probabilidades
Diagrama del árbol
Permite determinar diversos eventos
posibles al contar los puntos muestrales.

Ej1. Lanzamiento de tres monedas

Ej2. Lanzamiento de DOS dados
 BARAJA INGLESA DE 52 CARTAS

13 CARTAS DE CADA PALO que son : corazón negro, corazón rojo, trébol y
Brillo O DIAMANTE. En cada palo hay cartas de números del uno al 10, una J o “sota”,
Una reina y un rey.
n(As) 4
-------- = ---------
N(S) 52
 Probabilidades
Lista Colectivamente Exhaustiva
Cuando una lista incluye todos los eventos que
pueden resultar de un experimento.

Existe la certeza de que uno de los eventos

ocurrirá, por lo tanto la probabilidad combinada
será igual a uno.
 Baraja Española = 40 cartas

Los palos de la baraja española son: Oro, Espadas, copas, Bastos

10 de cada uno
En la española hay (del 1 al 7, una sota= un caballero), un caballo y un rey).
 Probabilidades
Lista Colectivamente Exhaustiva

• Lista colectivamente exhaustiva de los resultados

posibles de lanzar dos dados.
_______________________________________
 Probabilidades
Ejercicio:
Dé la probabilidad de cada uno de los siguientes
totales al lanzar dos dados: Que la suma sea
igual a:
1, 2, 5, 6, 7, 10 y 11.
 Probabilidades
Ejercicio:

• Considere una pila de nueve cartas todas de espadas,

numeradas del 2 al 10, y un dado. Proporcione una lista
colectivamente exhaustiva de los resultados posibles al lanzar
el dado y destapar una carta. ¿Cuántos elementos hay en el
espacio muestral?

• Proporcione la probabilidad de cada uno de los siguientes

totales al sumar los valores del dado y de la carta: 2, 3, 8, 9,
12, 14, 16
 Probabilidades
Eventos mutuamente excluyentes

Si uno y solo uno puede tener lugar a un

tiempo.
 Probabilidades

• Regla de la adición para eventos mutuamente excluyentes

(eventos no disyuntivos).
 Probabilidades
Ejemplo
Cinco estudiantes por igual capaces esperan la fecha en
que se les hará́ una entrevista para trabajar en el verano.
La compañía solicitante ha anunciado que contratará a sólo
uno de los cinco, mediante una elección aleatoria. El grupo
está formado por los estudiantes siguientes: Bill, Helen,
John, Sally y Walter. ¿Cuál es la probabilidad de que John
sea contratado? ¿cuál es la probabilidad de que John o
Sally sean elegidos?
 Probabilidades
Ejemplo:
¿Cuál es la probabilidad de que una familia de este pueblo,
escogida al azar, tenga cuatro o más hijos (es decir cuatro,
cinco, seis o más hijos)?
 Probabilidades
• Regla de la adición para eventos que no son mutuamente
excluyentes
 Probabilidades
Ejemplo
¿Cuál es la probabilidad de sacar un as o un corazón
de un mazo de barajas? (52 cartas)
 Probabilidades
Ejemplo
Los empleados de una cierta compañía han elegido a cinco de ellos
para que los representen en el consejo administrativo. Los perfiles de
los cinco elegidos son:

Este grupo decide elegir un vocero, la elección se efectúa sacando de

un sombrero uno de los nombres impresos ¿Cuál es la probabilidad de
que el vocero sea mujer o cuya edad esté por arriba de 35 años?
 Probabilidades
Ejercicio
De un grupo de 30 estudiantes, 17 juegan juegos de
computadora, 10 juegan juegos de mesa y 9 ninguno.
• Dibuje un diagrama de Venn para mostrar la información.
• Use el diagrama para encontrar la probabilidad de:
– Que un estudiante escogido al azar sea escogido del grupo de
juegos de mesa.
– Que un estudiante juegue tanto juegos de computadora como
juegos de mesa.
– Que un estudiante juegue juegos de mesa pero no juegos de
computadora.
 Probabilidades
Ejercicio:
 Probabilidades
Ejercicio:
 Probabilidades
Ejercicio:

En una reciente asamblea de los miembros de un sindicato que

apoyan a Joe Royal como su presidente, el líder de los seguidores de
Royal afirmó: “Tenemos buenas posibilidades de que Royal derrote al
único oponente en la elección.”
• ¿Cuáles son los “eventos” que podrían resultar de la elección?
• ¿La lista que hizo es colectivamente exhaustiva? ¿Son los eventos
de la lista mutuamente excluyentes?
• Sin tomar en consideración el comentario de sus seguidores y sin
tener ninguna información adicional, ¿qué probabilidad asignaría
usted a cada evento?
 Probabilidades
Ejercicio:
Probabilidades
 Probabilidades
Eventos Independientes
La ocurrencia de uno no tiene nada que ver con
la ocurrencia del otro.

Cuando se trata de un conjunto finito, dos

eventos son independientes si y sólo si se realiza
el reemplazo.
 Probabilidades
Eventos Independientes
Ejemplo:
Primer evento sacar una reina y el segundo
evento sacar un as.
 Probabilidades
• Probabilidades Bajo Condiciones de
Independencia Estadística
– Eventos independientes
• Marginal
• Conjunta
• Condicional
 Probabilidades
• Probabilidades Bajo Condiciones de
Independencia Estadística

Probabilidad Marginal
Es la probabilidad simple de presentación de un evento.
Ejemplo:
lanzamiento de una moneda
– P(cara) 0.5 P(sello) 0.5
 Probabilidades
• Probabilidades Bajo Condiciones de
Independencia Estadística

Probabilidad Conjunta
Probabilidad de que dos o más eventos independientes se
presenten juntos o en sucesión.
Ejemplo:
lanzamiento de una moneda
- Probabilidad de obtener cara en dos lanzamientos
sucesivos.
- Probabilidad de obtener tres caras en tres lanzamientos
consecutivos
 Probabilidades
• Probabilidades Bajo Condiciones de
Independencia Estadística

Probabilidad Conjunta
– P(cara)
– P(sello)
 Probabilidades
• Probabilidades Bajo Condiciones de
Independencia Estadística

Probabilidad Conjunta
– Árbol de probabilidad
• 1 lanzamiento
• 2 lanzamientos
• 3 lanzamientos
Tanto el evento cara como el cruz tienen probabilidad 0.5
de presentarse, sin importar qué tan lejos del origen esté.
 Probabilidades
• Probabilidades Bajo Condiciones de
Independencia Estadística

Probabilidad Conjunta
– Árbol de probabilidad
• ¿Cuál es la probabilidad de obtener cruz, cara y cruz, en
ese orden, en tres lanzamientos consecutivos?
• ¿Cuál es la probabilidad de obtener cruz, cruz y cara, en
ese orden, en tres lanzamientos consecutivos?

No es lo mismo que decir “obtener cara en el tercer

lanzamiento”.
 Probabilidades
• Probabilidades Bajo Condiciones de
Independencia Estadística

• ¿Cuál es la probabilidad de obtener al menos dos

caras en tres lanzamientos?
• ¿Cuál es la probabilidad de obtener al menos una
cruz en tres lanzamientos?
• ¿Cuál es la probabilidad de obtener al menos una cara en
dos lanzamientos?
 Probabilidades
• Probabilidades Bajo Condiciones de
Independencia Estadística

Probabilidad condicional
• Probabilidad de que un segundo evento (B) se
presente si un primer evento (A) ya ha ocurrido.
 Probabilidades
• Probabilidades Bajo Condiciones de
Independencia Estadística

Probabilidad condicional
¿Cuál es la probabilidad de que en el segundo
lanzamiento de una moneda se obtenga cara, dado
que el resultado del primero fue cara?
 Probabilidades
Ejercicios
Calcule la probabilidad de que al seleccionar dos cartas de
una baraja con reemplazo, una a la vez, la segunda carta sea:
• Una carta con cara, dado que la primera era roja.
• Un as, dado que la primera carta era una cara.
• Una jota negra, dado que la primera era un as rojo.
 Probabilidades
• Probabilidades Bajo Condiciones de Dependencia
Estadística

Probabilidad Condicional
 Probabilidades
• Probabilidades Bajo Condiciones de Dependencia
Estadística

Probabilidad Conjunta
 Probabilidades
• Probabilidades Bajo Condiciones de Dependencia
Estadística

Probabilidad Marginal

Suma de la probabilidad de los eventos conjuntos en

los que se presenta el evento sencillo.