1 Estadística I 1 2 BIBLIOGRAFÍA TEXTO BASE “ESTADÍSTICA APLICADA A LA EMPRESA Y A LA ECONOMÍA” por Allen Webster Editorial Mac Graw Hill

TEXTOS COMPLEMENTARIOS “ESTADÍSTICA PARA ADMINISTRACIÓN Y ECONOMÍA” por William J. Stevenson, Editorial Harla. “ESTADÍSTICA PARA ADMINISTRADORES” por Richard I. Levin & David S. Rubin, Sexta edición, editorial Prentice Hall 2 ESTADÍSTICA [1] La estadística comprende la rama descriptiva, la teoría de la probabilidad y el muestreo DATOS ESTADÍSTICOS [2]LOS MÉTODOS ESTADÍSTICOS comprenden el análisis e interpretación de números, ventas mensuales, calificaciones de exámenes, número de partes defectuosas, porcentaje de respuestas correctas a un cuestionario, años de servicio, tiempo de terminación, etc. Tales números se conocen como DATOS. Por lo general para interpretarlos correctamente, en primer lugar es necesario organizar y resumir los números. DATOS E INFORMACIÓN OBTENIDA DE ELLOS Los datos no procesados pueden carecer de significado, grandes cantidades de número tienden a confundir en lugar de aclarar, nos abrumamos con detalles mayores. El Procesamiento de datos disminuye la cantidad de detalles. DATOS ESTADÍSTICOS Los datos estadísticos se obtienen mediante un proceso que comprende la observación o medición de conceptos, como ingresos anuales de una comunidad, calificaciones de exámenes, etc. Tales conceptos reciben el nombre de VARIABLES, ya que producen valores que tienden a mostrar cierto grado de variabilidad, el efectuarse mediciones sucesivas. TIPOS DE DATOS Casi siempre, seleccionar el procedimiento que se habrá de utilizar para analizar o describir datos estadísticos depende de que tipo sean. Son de 4 tipos: CONTINUOS, DISCRETOS, NOMINALES y JERARQUIZADOS. Las variables que pueden asumir virtualmente cualquier valor en determinado intervalo de valores se conocen como continuas. Características tales como altura, peso, etc., quedan dentro de esta categoría. Los datos que se toman acerca de estas características y otras semejantes se denominan continuos, aún cuando, en términos prácticos, los instrumentos de medición presentan ciertas limitaciones de tipo físico que restringen el grado de precisión. Como ejemplos de datos continuos tenemos: la cantidad de café que se vende por día, la gasolina que se expende por hora. Una variable discreta es la que puede asumir sólo ciertos valores, por lo regular, enteros. Los datos discretos surgen al contar el número de conceptos que poseen cierta característica, ejemplos de datos discretos son el número de clientes por día, los accidentes de trabajo, etc. Tanto los datos discretos como los continuos se conocen como datos cuantitativos ya que son inherentemente numéricos. Es decir ciertos valores numéricos se relacionan de manera natural con las variables que se miden. Por otra parte, los dos tipos restantes de datos nominales y jerarquizados comprenden variables que no son inherentemente numéricas. A estas se les llama cualitativas, y se deben convertir a valores numéricos antes de que se trabaje con ellas. Las variables nominales comprenden categorías, como el sexo (masculino o femenino), el color de ojos (azul, castaño, negro, verde), campo de estudios (medicina, derecho, administración, biología, ingeniería), calificaciones (excelente, bueno, regular, malo)etc. Ninguna de las características anteriores es numérica por naturaleza. Sin embargo, cuando se aplican, ya sea a una población o a una muestra, es posible asignar cada individuo a una categoría (por ejemplo, el campo de estudios es administración de empresas), y contar luego el número que queda en cada una de ellas (por ejemplo, 15 estudiantes). Otro tipo de variable cuantitativa es la que comúnmente se refiere a las evaluaciones subjetivas cuando los conceptos se jerarquizan según la preferencia o logro. Por ejemplo, en concursos de cocina, belleza, florería y caninos, los lugares se jerarquizan en primero, segundo, tercero, etc. De igual manera, a las posiciones de los equipos se les asignan los números 1,2,3,.. Por otra parte, los signos +

y – se pueden utilizar para designar mejoramiento o deficiencia (por ejemplo, el desarrollo de cierto conocimiento después de tomar un curso de él). Si bien es posible considerar la variable subyacente en cada uno de estos casos como continua, no obstante, empleamos arbitrariamente a los enteros a,2,3,... (es decir, rangos) ya sea por conveniencia o por la falta de un método más científico. Es interesante observar que muchas poblaciones pueden proporcionar los cuatro tipos de datos. Por ejemplo, una carga de cierta mercancía se puede clasificar en una de dos categorías (dicotómicas): aceptable o no aceptable. O bien, mercancía se puede jerarquizar de acuerdo con algún plan, como buena, superior o excelente (tres o más categorías). Ambas clasificaciones producen datos discretos. Si lo importante, por ejemplo tratándose de carne, es la cantidad de grasa por kilogramo, el peso promedio de la mitad de una res, o la proporción entre grasa y carne, entonces los datos serán continuos. Otro ejemplo de cómo los datos pueden asumir diferentes características se presenta en la siguiente tabla: LA MISMA POBLACIÓN PUEDE DAR ORIGEN A DIFERENTES TIPOS DE DATOS TIPOS DE DATOS |POBLACIÓN |CONTINUOS |DISCRETOS |NOMINALES |JERARQUIZADOS POR RANGOS | |Clase de tercer |Edades, pesos |No, en el grupo |Niños/ niñas |3er grado | |grado | | | | | |Automóviles |Kph, hpl |No, de defectos por|Colores |Más sucio | | | |auto | | | |Ventas de bienes |Valor en $ |No, de ofertas |sobrevaluado |Más claro | |raíces | | | | | Una colección de datos se conoce como conjunto de datos, y una sola observación es un punto de dato. ¿Cómo podemos ordenar los datos? RECOLECCIÓN DE DATOS Hay que seleccionar las observaciones de manera que todos los grupos relevantes estén representados en los datos. Los datos pueden prevenir de observaciones reales o de registros que se mantienen para otros propósitos. Los datos pueden ayudar a los responsables de tomar decisiones a hacer suposiciones bien pensadas acerca de las causas y por lo tanto de los efectos probables de ciertas características en situaciones dadas. También el conocimiento de tendencias adquirido de la experiencia previa puede permitir a los ciudadanos que les interesa estar al tanto de posibles resultados y actuar en consecuencia. Cuando los datos son ordenados de manera compacta y útil los responsables de tomar decisiones pueden obtener información confiable sobre el ambiente y usarla para tomar decisiones inteligentes. [3]PRUEBA PARA DATOS 1. ¿De donde vienen los datos?. ¿La fuente es parcial?, es decir,¿ es posible que haya un interés en proporcionar datos que conduzcan a una cierta conclusión más que a otras? 2. ¿Los datos comprueban o contradicen otras evidencias que se poseen? 3. ¿Hace falta alguna evidencia cuya ausencia pueda ocasionar que se llegue a una conclusión diferente? 4. ¿Cuántas observaciones se tienen?¿ representan a todos los grupos que se desea estudiar? 5. ¿La conclusión es lógica?¿ Se ha legado a conclusiones que nuestros datos no confirman? DIFERENCIA ENTRE MUESTRA Y POBLACIÓN Una población es un todo y una muestra es una fracción o segmento de ese todo. Las muestras las estudiamos con el fin de ser capaces de describir poblaciones. El estudio de las muestras es más sencillo que el estudio de la población completa, más barato, menos tiempo. Una población es un conjunto de todos los elementos del asunto que estamos estudiando, acerca de los cuales intentamos sacar conclusiones. PATRON SIGNIFICATIVO DE DATOS Existen muchas formas de organizar los datos. Podemos colectarlos y mantenerlos en orden. Una forma común de organizar los datos es dividirlos en categorías o clases parecidas y luego contar el número de observaciones que quedan dentro de cada categoría.

163. EJEMPLO El instructor de preparación física tiene a su cargo un grupo de 108 alumnos.. luego observamos si hay ambigüedad o no en los límites.6(i = 5. Fije los límites reales de cada clase.. discretos. total 5 amplitud. continuos. Se supone que la producción de fruta (en bushels por árbol) se mide en una escala continua ELABORACIÓN DE UNA DISTRIBUCIÓN DE FRECUENCIAS PARA DATOS CONTINUOS 1.5.5. El número o porcentaje en una clase se denomina frecuencia de clase. jerarquizados). Forme los intervalos de clase. Encontramos los límites reales. Los intervalos de clase tienen por lo general el mismo ancho.5 (((( 133. el segundo de 129 a 133 y así sucesivamente hasta el octavo que será 159-163. 127. Halle el rango (diferencia entre el mayor y el menor de los datos) 2. si consideramos que 8(5=40. teniendo siempre presente que los intervalos de clase son mutuamente excluyentes y que por lo tanto no debe haber ambiguedades en los límites. 128. Esto proporciona una forma de observar un conjunto de números sin que se tenga que considerar cada número.5 – 148.5 ( 128. i = 37 ( 8 = 4. depende del tipo de datos particulares (esto es.5. quiere decir que hay un exceso de 3 sobre el rango verdadero. 4.5 ((((((((( 138. de modo que fijado el número de clases el intervalo se obtiene por simple operación aritmética : intervalo = rango ( (número de clases). Seleccione el numero de intervalos de clase.. 3.5 (((((((((((((((((((((((( 143. Para la anchura del intervalo de clase tenemos . Determine las frecuencias de clase contando el número de observaciones que cae dentro de cada intervalo de clase. Formamos los intervalos de clase de la siguiente manera : el primero ( 124. No debe ser menor de 15 ni menor de 5. 126.5 – 133. entonces lo distribuimos quitando 1 al límite inferior( 125 – 1 = 124) y aumentando 2 al límite superior( 162+2=164). los siguientes son las estaturas de los mismos |141 |151 |144 |138 |138 |152 |146 |144 |151 |153 | |131 |152 |145 |139 |148 |146 |139 |154 |145 |143 | |132 |153 |146 |140 |158 |149 |145 |137 |144 |152 | |136 |154 |147 |159 |154 |145 |147 |145 |139 |143 | |137 |155 |146 |157 |147 |139 |153 |157 |154 |142 | |138 |157 |149 |155 |146 |148 |149 |144 |143 |152 | |139 |158 |131 |149 |145 |147 |143 |148 |143 |142 | |140 |159 |132 |158 |151 |159 |146 |151 |150 |142 | |141 |160 |137 |148 |145 |144 |152 |144 |143 |142 | |142 |162 |137 |154 |125 |153 |145 |152 |158 | | |143 |150 |137 |140 |150 |146 |149 |144 |143 | | [5]Utilizando los datos del cuadro anterior tenemos: Rango 162 – 125 = 37 Seleccionamos 8 como número de clases (mayor que 5 y menor que 15).5. y puede ser extremadamente útil al manejar grandes cantidades de datos.5 – 138.DISTRIBUCIONES DE FRECUENCIAS [4]Una distribución de frecuencia es un método de clasificación de datos en clases o intervalos. 128. El procedimiento para elaborar realmente una distribución de frecuencias para un conjunto de datos dado. la frecuencia) de cada clase.5 – 143. o sea la mediana o punto medio entre el límite superior de una clase y el inferior de la siguiente.. Contamos las frecuencias que caen en cada intervalo de clase y elaboramos primero la tabla de conteo y luego el cuadro correspondiente a la distribución TABLA DE CONTEO CLASE MARCAS 123. Limites reales: 123.5 ((((((((((((((((((((((((((((( CONTEO 1 4 9 24 29 . de manera tal que se pueda establecer el número o porcentaje (es decir. 125.5 – 128.133. nominales. 5.

Se pueden convertir cualquier distribución de frecuencias fácilmente en acumuladas.> 0.370% 153.5 – 148.00 ( 100% ELABORACIÓN DE UNA DISTRIBUCIÓN DE FRECUENCIAS ACUMULADA Una distribución de frecuencias acumuladas está diseñada para indicar el número o porcentaje de elementos que son menores que cierto valor específico o iguales a éste.22 ( 22% 4-5 16 16/50 =0.00 ( 100% FRECUENCIAS RELATIVAS Las frecuencias relativas o porcentajes.5 14 14/108 =0.26 8-9 5 50 0 0.93% 128.10 ( 10% TOTAL 50 1.5 – 143.00925 ( 0.5 – 153.00 0.5 9 9/108 =0. mediante sumas sucesivas de frecuencias de clase.22222 (22.5 22 22/108 =0.148.5 – 153.00 . y que el 90% no pasó de 7. dependiendo de la naturaleza de los mismos.04629 (4.00 Frec.8-9. Rel. Considérese los datos siguientes acerca del número de accidentes que ocurren diariamente (durante 50 días) en un enorme estacionamiento |6 |9 |2 |7 |0 |8 |2 |5 |4 |2 | |5 |4 |4 |4 |4 |2 |5 |6 |3 |7 | |3 |8 |8 |4 |4 |4 |7 |7 |6 |5 | |4 |7 |5 |3 |7 |1 |3 |8 |0 |6 | |5 |1 |2 |3 |6 |0 |5 |6 |6 |3 | Se puede elaborar una distribución de frecuencias con clases 0-1.5 (((((((((((((((((((((( 22 153. DISTRIBUCIÓN DE FRECUENCIAS DATOS DISCRETOS CLASE NÚMERO DE DÍAS PORCENTAJE DE DÍAS 0-1 5 1/50 =0. La distribución “mayor que” muestra el número y/o el porcentaje de elementos en el conjunto de datos que es mayor que cierto valor clave.629% TOTAL 108 1.32 0.90 0. Esto puede o no suceder con datos discretos.26 ( 26% 8-9 5 5/50 =0.5 – 158.10 0.5 4 4/108 =0. Acum.5 – 163.4-5.68 0.10 Total 50 1.10 1. 0-1 5 5 45 0.20370 (20.851% 148.10 2-3 11 16 34 0.> Frec.2-3.6-7.32 ( 32% 6-7 13 13/50 =0.5 – 133. DISTRIBUCIÓN DE FRECUENCIAS ACUMULADA Clase Frec Frc. Ac.10 ( 10% 2-3 11 11/50 =0.5 5 5/108 = 0.5 – 128.222% 143.90 0.AC. El resultado es una distribución igual a la que se utiliza para datos continuos. La distribución “menor que” permite ver de inmediato cuántos valores de los datos son menores que algún valor determinado. para una distribución de frecuencias se calculan dividiendo cada frecuencia para el número total de objetos clasificados.26851 (26.32 6-7 13 45 05 0. < Fec.12962 (12.5 24 24/108 =0.5 29 29/108 =0.08333 ( 8.5 1 1/108 =0.703% 133.64 0.333% 138.03703 ( 3.962% 158. De modo en la tabla se puede observar que el 64% de los valores no excedió de 5.5 – 158.5 (((((((((((((( 14 158. Porc< Frec. y de los objetivos del analista.22 4-5 16 32 18 0.5 – 163.5 ((((( 5 TOTAL 108 DISTRIBUCIÓN DE FRECUENCIAS DATOS CONTÍNUOS CLASE FRECUENCIA PORCENTAJE DE ALUMNOS 123.5 – 138.36 0. En el ejemplo anterior están en la tercera columna(Porcentaje de alumnos) [6]ELABORACIÓN DE UNA DISTRIBUCIÓN DE FRECUENCIAS PARA DATOS DISCRETOS Al elaborar una distribución de frecuencias de datos continuos se pierde cierta información debido a que los valores individuales pierden su identidad cuando se agrupan en clases.

375)(360)]= 135º. observamos que las categorías son los diversas sabores de las gaseosas.5% de 360º [(0. Las restantes longitudes de arco se calculan de forma similar. como el 37. En general las barras se ponen en posición vertical con la base en el eje horizontal de la gráfica. [8]Ejemplos: [pic] La compañía Brite Paint pidió a varias personas que indicaran sus colores favoritos. [9]Diagrama de Pareto . Cada barra representa la frecuencia de una categoría. las categorías se enumeran en orden de magnitud: la categoría con la frecuencia mayor se enumera primero. aún así los dibujos pueden ser más efectivos para desplegar grandes conjuntos de datos Los diagramas y gráficas más sencillos en su construcción están diseñados para datos nominales u ordinales. Como los datos constituyen categorías. la separación pone de manifiesto que se están dibujando frecuencias de categorías distintas. Consideremos los datos del promedio de calificaciones que presentan a continuación en un formato un tanto diferente al de las tablas de frecuencias anteriores. Se utilizan considerando que el círculo completo tiene un área que equivale al 100%. y así sucesivamente El número total de personas se divide según el número de personas que eligieron cada color. A menos que exista algún orden predeterminado. las frecuencias relativas que resultan son: 12/32=0. varios. Esta simplicidad radica en el hecho en que las clases se ponen de manifiesto con más facilidad.125. Las barras se separan ya ello se debe que se utilice con tanta frecuencia para datos nominales y ordinales. se redondean los porcentajes Diagrama de Barras Con escala nominal u ordinal. 8 escogieron el verde.DISTRIBUCIONES DE FRECUENCIAS PARA DATOS NOMINALES Y JERARQUIZADOS Quizá las distribuciones de frecuencias más fáciles que sean las que se utilizan para datos nominales y jerarquizados. tamarindo y toronja se agrupan en una sola categoría para simplificar la comprensión de los datos: VENTA DE GASEOSAS EN UN DÍA FRECUENCIA |Sabor |Ventas Reales |Ventas Relativas | |Cola |600 |60% | |Limón |200 |20% | |Naranja |100 |10% | |Uva |50 |5% | |Fresa |40 |4% | |Otros |10 |1% | La representación de datos jerarquizados es bastante semejante. [7]Diagrama pastel Es una forma efectiva de desplegar los porcentajes en que se dividen los datos. Se usan mucho en los presupuestos y la información económica. CALIFICACCIONES DEL CURSO | |Mala |Regular |Promedio |Buena |Excelente |NUMERO |2 |4 |20 |10 |4 |40 |PORCENTAJE |5% |10% |50% |25% |10% |Totales | |100% | | DIAGRAMAS Y GRÁFICAS Las distribuciones de frecuencias constituyen un mundo ideal para representar los aspectos esenciales de un conjunto de datos en términos entendibles y concisos.375. un sector representa un tanto por ciento equivalente a la razón entre el ángulo que forman los radios que limitan al sector y 360º que son el total de los grados de la circunferencia.25. 4/32 = 0. La altura de la barra es proporcional al número de elementos de cada categoría. son aquellos sabores que se venden poco como: fresa. 8/32= 0. Esta tabulación representa una distribución de frecuencias porque enumera varias categorías (colores) junto con el número de veces (frecuencia) que se seleccionaron cada una. La tabulación de los resultados que están en la siguiente tabla muestra que 12 personas indicaron que el rojo era su color favorito. de modo que los cálculos son mínimos. sólo para demostrar otra forma de elaborarlas. En la siguiente distribución en la que se analizan las ventas de gaseosas. la última categoría. 8/32 0 0. 8 escogieron el azul y 4 el amarillo 8 (datos nominales).25. las clases son obvias y es fácil describirlas en una gráfica.

6 puntos de estudiante n 7 7 Cálculo de la Media para datos agrupados.5 151 22 20. Diagrama de Tallo y Hoja Es una alternativa de mostrar datos.370% 153.5 – 158.5 126 1 0. La altura de cada barra representa el número de ocurrencias de cada problema.5 156 14 12.5 – 133. = 9+7+7+6+4+4+2 = 39 = 5.93% 128..Con escala de intervalos o de razón. Se usa con frecuencia en control de calidad.333% 138. aunque se muestran los datos reales en lugar de barras Ejemplo: Kyle Chang. Esta es la razón por la que el histograma se usa con frecuencia para datos con escala de intervalos o de razón: las barras adyacentes indican que se está resumiendo un intervalo numérico que muestra las frecuencias de clases elegidas arbitrariamente. DE ALUMNOS 123.5 131 4 3..5 – 153.5 146 29 26. Es similar al histograma. Un histograma se parece a un diagrama de barras sólo que no hay espacio entre las barras. Se representa la frecuencia de cada clase dibujando un punto medio de la clase dibujando un punto medio de la clase y se conectan los puntos sucesivos con líneas rectas para formar el polígono.5 161 5 4. En los extremos de la escala horizontal se agregan 2 nuevas clases con frecuencia cero. Esto permite que el polígono llegue al eje horizontal en los extremos de la distribución.962% 158. de manera que el diagrama muestra la gravedad del problema de calidad para cada variable medida Ejemplo: El siguiente gráfico representa los problemas más importantes de control de calidad de asientos especiales para camiones. que muestran los porcentajes acumulados de las variables medidas.703% 133.851% 148.5 141 24 22.5 – 163.5 – 138. Ejemplo: DISTRIBUCIÓN DE FRECUENCIAS DATOS CONTÍNUOS CLASE PUNTO MEDIO FRECUENCIA PORC. encima de las barras de las categorías. CLIENTES POR DÍA DE LA TINTORERIA The Wash Tub |65 |23 |26 |45 |12 |45 |56 |35 |26 | |de examen de admisión |Aumento |9 |7 |7 |6 |4 |2 |2 | Calculamos la media de esta muestra de 7 estudiantes de la manera siguiente: Media de la muestra ( x = (x .se marcan las frecuencias sobre el eje vertical y los valores de la variable que se está midiendo en el eje horizontal.629% TOTAL 108 100% El siguiente gráfico representa el ejemplo desarrollado de las estaturas de los alumnos analizadas por el preparador físico POLÍGONOS DE FRECUENCIA. Se elige una muestra aleatoria de días de estudio. quiere saber el número de órdenes de trabajo que se procesan al día. A continuación los datos.5 – 128. . Consiste en barras que describen las componentes de una línea de producción o de montaje. el dueño de la tintorería The Wash.Es un diagrama que se usa para identificar y jerarquizar problemas.5 136 9 8. Kyle quiere usar estos datos para entender el patrón que sigue su carga de clientes. El diagrama de Pareto puede incluir también una segunda escala. Histograma y Polígonos de Frecuencia HISTOGRAMA.5 – 143.5 – 148.222% 143. Se dibujan las categorías o clases a lo largo del eje horizontal de la gráfica y los valores numéricos de cada clase se representan por barras verticales.

En una distribución de frecuencias consta de datos agrupados en clases.99 |6 | | |450. a diferencia del ejemplo del examen de admisión. |Cálculo |Clase(dólares) |Puntos Medios (X) | |Frecuencia | |Frecuencia | |mensuales de 600 |0 – 49.99 |51 | | |250.00 |( |123 |= |9 225 | |cheques |100. el saldo mensual es de 142.00 – 99.99 |175.00 |( |82 |= |14 350 | | |200. La fórmula es la siguiente: Media de datos agrupados ( x = ((f ( x) n en la cual x = media de la muestra ( = símbolo que significa “la suma de”[12] f = frecuencia (número de observaciones) de cada clase.99 |275. |= |1 900 | | | | | |(f = n = 600 | |((f(x) =83 350 | x = ((f ( x) = 85 350 = 142. En la siguiente distribución una compañía utiliza tres niveles de trabajo.00 – 499.99 |225.00 – 299.00 |187 | | |150.99 |425.00 |( |6 |= |2 550 | | |450.99 |123 | |cheques |100.99 |78 | |cuentas de |50.99 |475.00 |125.00 |( |51 |= |11 475 | | |250.00 – 349.00 – 199.00 – 299.00 – 399. n = número de observaciones de la muestra. X = punto medio de cada clase de la muestra.00 – 249.00 |( |9 |= |3 375 | | |400.99 |25.00 – 449. después multiplicamos cada punto medio por la frecuencia de las observaciones de dicha clase.99 |47 | | |300.00 |( |13 |= |4 225 | | |350. Ejemplo: En la siguiente distribución de frecuencias del saldo promedio mensual de la cuenta de cheques de 600 clientes de una sucursal bancaria. no calificado.00 – 149.00 – 499.00 – 149. no sabemos el valor individual de cada observación.00 – 199.00 |( |47 |= |12 925 | | |300. La compañía desea saber el promedio del costo de trabajo por hora par cada uno de los productos.00 – 99.00 |( |187 |= |23 375 | | |150. Es una estimación debido a que no utilizamos el total de las 600 puntos dados de la muestra.| | | |600 | A partir de la información de la tabla podemos calcular fácilmente una estimación del valor de la media de estos datos agrupados. La Media Pesada La media pesada (Ponderada) nos permite calcular el promedio que toma en cuenta la importancia de cada valor con respecto al total. Para encontrar la media aritmética de datos agrupados primero calculamos el punto medio de cada clase.99 |75.00 – 249.00 – 449.00 |( |78 |= |1 950 | |cuentas de |50.00 |( | 4 . | | | | | | |Horas de trabajo |Por unidad |invertido |producida | | .99 | 4 . sumamos los resultados y dividimos esta suma entre el número total de observaciones de la muestra.99 |325.25 dólares.99 |13 | | |350.00 – 399.99 |375.99 |9 | | |400.25( n 600 Media de la muestra ( dólares ) En nuestra muestra de 600 clientes. semicalificado y calificado. |Saldos promedio |Clase(dólares) |Frecuencia | |mensuales de 600 |0 – 49.99 |82 | | |200. para la producción de 2 de sus productos finales.00 – 349.

08 |115.00/ hora (w 1/8 + 2/8 + 5/8 1 13La Media geométrica En ocasiones trabajamos con cantidades que cambian en un cierto periodo.56 | |de ahorros |3 |10 |1.10 |127. 2. ya que toman en cuenta las diferentes cantidades de cada nivel de trabajo que se utiliza en la elaboración de los productos. necesitamos conocer una tasa promedio de cambio. En tales casos.|Entrada de trabajo |Nivel de trabajo 2 | |por proceso de |No calificado |manufactura |Semicalificado | |Calificado |9. Por ejemplo considere el crecimiento de una cuenta de ahorros. como lo expresa la siguiente distribución: | |Año |Tasa de |Factor de |Ahorros al | |Crecimiento de | |Interés |crecimiento |final de año | |depósito de $100 |1 |7% |1. Ordenar o clasificar valores.12 |142. . 3/10 y 3/10 para el producto 2 del ejemplo ((w ( x) = la suma de los productos del peso de cada elemento por el elemento correspondiente ( w = suma de todos los pesos Si aplicamos la ecuación tenemos: Xw = ((w ( x) = ( 1/8 ( $5) + ( 2/8 ( $7) + ( 5/8 ( $9) = $ 8 = $8.00 | |en una cuenta |2 |8 |1. la media aritmética simple resulta inapropiada.00 | Cálculo de la Media geométrica Para encontrar el factor de crecimiento promedio correcto podemos multiplicar los factores de crecimiento de los 5 años y luego tomar la raíz quinta del producto (es decir encontrar un número que al multiplicarse cuatro veces por sí mismo dé como resultado el producto con el que empezamos).00 |5 |1 |2 |Producto 1 |4 |3 |3 | |Producto | | Los promedios pesados dan el valor correcto para los costos promedio por hora de trabajo para los dos productos. Suponga que depositamos $100 inicialmente y dejamos que acumule interés a diferentes tasas durante 5 años.18 |168.07 |$107.G. la fórmula para calcular el promedio pesado es: Xw = ((w ( x) (w en donde: Xw = símbolo para la media pesada[13] W = peso asignado a cada observación ( 1/8. Contar para saber si existe un número de valores par o impar.12 | | |4 |12 |1. como la tasa de crecimiento promedio en un período de varios años.00 Cálculo de la Media Pesada |Salario por hora (x) |$ 5. pues nos da resultados equivocados. El resultado es el factor de crecimiento como media geométrica. 4/10. 2/8 y 5/8) para le producto 1. Usando símbolos. conocida sencillamente como M. Lo que necesitamos es la media geométrica.00 |7.37 | | |5 |18 |1. La fórmula para encontrar la media geométrica de una serie de números es: Aplicando al problema tenemos: La Mediana La mediana es solo un valor calculado a partir del conjunto de datos que mide la observación central de estos [14]Cálculo de la Mediana a partir de datos no agrupados El procedimiento para obtener la mediana es como sigue: 1. que es el promedio adecuado que debemos utilizar.

00 – 149. En cambio para un número par de valores. ( fm ( en la que : m =mediana de la muestra n = número total de elementos de la distribución F = suma de todas las frecuencias de clase hasta.16 |64.99 | 4 .66 |100. la mediana es el valor intermedio.00 | | | |600 | | | | | | | | | | | | | Utilizando la ecuación tenemos: m=? n = 600 F = 201 fm =187 w = $50 Lw.99 |187 |388 |31.00 – 449.3.99 |6 |596 |1 |99.00 – 99.00 – 349.5 | |Promedio de |100. La moda es aquel valor que más se repite en el conjunto de datos Cálculo de la Moda a partir de datos no agrupados El azar puede desempeñar un papel importante en la organización de los datos. debemos calcular en que intervalo estará al acumular las frecuencias.00 –49.99 |47 |568 |7. Ejemplo VIAJES ORGANIZADOS EN ORDEN ASCENDENTE | | | | |(clase mediana | | | | | | | . pero un tanto parecida a la mediana. la hallamos en 600(2=300 y aplicamos la fórmula.5 ( $50 + $100 ( 187 ( = (0. determinando cuál de los diez intervalos de clase contiene a la mediana.33 | | |450. la clase mediana fm =frecuencia de la clase mediana w = ancho del intervalo de clase Lw.83 |94. |Acum | |Saldos |0.66 | |200. | | |dólares | |Acum |Relat.16 |96.99 |78 |78 |13% |13% | |Mensuales |50.|600 |. Rel.83 | | |250. En caso de que se tenga un número impar de valores.83 | | |350.527)($50) + $100 = $ 126.5 |33.33 | | |400. [15]Cálculo de la Mediana a partir de datos agrupados Los especialistas utilizan la siguiente ecuación para determinar la mediana de un conjunto de datos agrupados: Mediana de la muestra ( m = ( (n+1)/2 – ( f + 1) ( w + Lw. | |Clase en |Frec. = límite inferior del intervalo de clase mediano Ejemplo En el ejemplo de los saldos mensuales promedio de las cuentas de 600 clientes.00 – 249. en ocasiones el azar hace que un valor se repita lo suficiente para ser el valor más frecuente del conjunto de datos.99 |9 |590 |1.99 |13 |581 |2. pero sin incluir.00 – 399.35 (Mediana de la muestra estimada La Moda La moda es una medida de tendencia central diferente de la media. |Frec.66 | | |300. = 100 m = ( (601)/2 – ( 202) ( $50 + $100 ( 187 ( m = ( 98. la mediana es el promedio de los dos valores intermedios.5 |98.5 |86.99 |123 |201 |20.99 |51 |521 |8.00 – 299. |Frec. no podemos calcular la mediana del saldo de cuentas. |Frec.00 – 499.

|Frec.5 |98. en la clase que tiene la mayor frecuencia.99 |13 |581 |2. [16]Cálculo de la Moda a partir de datos agrupados Cuando los datos ya se encuentran agrupados en una distribución de frecuencias.00 | | | |600 | | | | | | | | | | | | | Utilizando la ecuación tenemos: Moda de la muestra ( Mo = LMo + ( d1 ( w. Ya que la estadística conoce “ la amplitud del intervalo”. presentamos el número de viajes de entrega por día que hace una planta revolvedora de concreto.83 | | |350.00 – 99.99 |123 |201 |20. podemos suponer que la moda está localizada en la clase que contiene el mayor número de elementos. d1 =187 – 123 = 64 .83 |94.83 | | |250.99 |187 |388 |31.00 – 449. la moda del saldo de las cuentas de cheques entonces LMo = $100.99 |47 |568 |7.00 – 349.00 – 249.5 | |Promedio de |100. ( d1 + d2 ( m = $100 + ( 64 ( $50 . w = ancho del intervalo de clase Ejemplo En el ejemplo de los saldos mensuales promedio de las cuentas de 600 clientes.00 –49. hay algo que cada vez ha ido apareciendo más claramente. |Frec. es decir. pero no nos dice que la mayor cantidad de viajes está por debajo de 10. ha ideado una medida mejor que junto | | | | |(clase modal | | | | | | | . Rel. ( 64 + 105 ( = $100 + (0. d2 = frecuencia de la clase modal menos la frecuencia de la clase que se encuentra inmediatamente por encima de ella. | | |dólares | |Acum |Relat.16 |64.99 |51 |521 |8. ( d1 + d2 ( en la que : LMo = límite inferior de la clase modal d1 = frecuencia de la clase modal menos la frecuencia de la clase que se encuentra inmediatamente debajo de ella. Los valores medios (y sobretodo la media aritmética tantas veces utilizada) necesitan de una segunda medida si queremos valorarlos correctamente en su significado y fuerza de afirmación. El modo más fácil de completar la información es indicar cuan lejos se hallan los extremos de ella. d2 = 187 – 82 = 105 y w=$50 | |Clase en |Frec.00 (Moda [17]Todo promedio encubre y allana los valores extremos – al mismo tiempo que es influido por ellos La Media.33 | | |450.|Viajes por |0 |2 |5 |7 |15 |( |Entrega por un |0 |2 |5 |7 |15 |((moda |día en un |1 |4 |6 |8 |15 |( |Período de |1 |4 |6 |12 |19 | |20 días | | | | | | | | | | | En el ejemplo. Se utiliza la siguiente ecuación para determinar la moda de un conjunto de datos agrupados: Moda de la muestra ( Mo = LMo + ( d1 ( w. |Frec. El valor modal es 15. |Acum | |Saldos |0.33 | | |400.99 | 4 .00 – 149.|600 |.5 |86.00 – 399.66 |100.00 – 499.00 – 299.66 | | |300.99 |6 |596 |1 |99.5 |33.38)($50) = $ 119. ya que se presenta más a menudo que cualquier otro valor (tres veces).99 |78 |78 |13% |13% | |Mensuales |50. La moda nos dice que 15 es el número más frecuente de viajes.16 |96.66 | |200.99 |9 |590 |1. la Mediana y la Moda [18]De lo que hemos aprendido sobre los promedios.

Es la llamada Desviación típica. Varianza de la población Cada población tiene una varianza. Todas estas medidas.17 |0.| 2 | | | |. la varianza y la desviación estándar. Para calcular la varianza de la población usamos la siguiente fórmula (2 = ( ( x .04 |0.19 |0. [19]DISPERSIÓN: MEDIDAS DE DESVIACIÓN PROMEDIO Es conveniente considerar cuatro variables de dispersión: la amplitud de variación. la desviación media.22 | |la prueba de pureza |0. es simplemente la raíz cuadrada de la varianza de la población Cálculo de la Varianza y la desviación estándar a partir de datos no agrupados Ejemplo Si tenemos una muestra de un compuesto producido en un día y probamos cada frasco para determina la pureza del compuesto obtendríamos los datos que están en la tabla siguiente: PORCENTAJE DE IMPUREZA OBSERVADO |Resultados de |0. Dos de tales medidas son importantes para nuestro estudio: la variancia y la desviación estándar.con la media haga posible tener una buena idea de la distribución de los valores alrededor de la misma. Se puede expresar estableciendo la diferencia entre los números mayor y menor de un grupo. la medida de la dispersión.17 |0. | | |0 |6 | [21] Las descripciones más comprensivas de la dispersión son aquellas que tratan con la desviación promedio con respecto a alguna medida de tendencia central.()2. identificando ambos números Ejemplo A continuación se dan algunos ejemplos.14 |0. o todos los valores de x2 Desviación Estándar de la población La desviación estándar de la población o (. o bien. Ambas medidas nos dan una distancia promedio de cualquier observación del conjunto de datos con respecto a la media de la distribución. excepto la amplitud de variación.14 |0.(2 = N N En la que: (2 = varianza de la población x = elemento u observación ( = media de la población N = número total de elementos de la población ( = suma de todos los valores (x .21 |0.06 |0.()2 = ( x2 . AMPLITUD DE VARIACIÓN Números |1 |5 |7 | |1 |-2 |2 | |2 |-1 |1 | |3 |0 |0 | |4 |1 |1 | |5 | 2 .24 | Diferencia Del más bajo al más alto . toman a la media como punto de referencia Amplitud de variación La amplitud de variación de un grupo de números es generalmente la medida más sencilla de calcular y comprender. que se simboliza con (2 (sigma cuadrada).

12 |0.|1351 |= |.x)2 = ( x2 . |1800 .|1351 |= |.()2 |x2 | |Determinación | 0.400 |1120000 | |y de la |900 – 999 |950 |8 | 7600 |.016 | | | |medio |f | | | | |Determinación |700 .100 |120000 | |ventas en 100 |1200 .166 |= |.|1351 |= |451 |203401 |3247204 | |.1399 |1350 |13 |17550 |100 |130000 | |de comida |1400 .x)2 |x2 | |.213 |45369 |1295044 | |.1599 |1550 |9 |13950 |300 |810000 | |situados en el |1600 – 1699 |1650 |7 |11550 |400 |1120000 | | |1700 .799 |750 |4 | 3000 |.|1351 |= |3 |9 |1833204 | |.488 |238144 |744769 | |.nx2 = n-1 n-1 n-1 s2 = varianza de la muestra x = valor de cada una de las n observaciones ( = media de la muestra n-1 = número de observaciones de la muestra menos 1 x = media de la muestra se debe usar n-1 como denominador porque al tomar muchas muestras de una población dada. utilizamos las mismas fórmulas que en la población pero cambiamos ( por x y N con n-1: s2 = ( ( x .500 |1000000 | |de la varianza |800 . | 1850 |600 | 3600000 | |de Cumberland | | |100 |125000 | | 6680000 | X = ( (f ( x) = 125000 = 1250( media N 100 Desviación Estándar de la muestra Para calcular la desviación estándar de una muestra. Ejemplo En la siguiente tabla se muestran los donativos anuales de Blue Cross-Blue Shield al Hospital de Cumberland: | |Observación | | | |(x) |Determinación |863 |de la varianza |903 |y de la |957 |desviación |1041 |estándar del |1138 |donativos |1204 |anuales de |1354 |Blue Cross|1624 |Blue Shield |1698 |al Hospital |1745 |de Cumberland |1802 | |1883 | | | | (2 = (f ( x .15 |0.1899 |1850 | 1 .1099 |1050 |10 |10500 |.|1351 |= |273 |74529 |2637376 | |.|1351 |= |347 |120409 |2883204 | |.310 |96100 |1083681 | |.|De compuestos |0. entonces este promedio no tiende a tomar el valor de la varianza de la población. a menos que lo usemos.21 |0.0.1799 |1750 |2 | 3500 |500 |500000 | |Distrito Ori.200 |400000 | |estándar de las |1100 .1499 |1450 |10 |14500 |200 |400000 | |rápida |1500 .() |(x .1199 |1150 |12 |13800 |.x)2 = 1593770 = 144888(Varianza de la muestra .1299 |1250 |17 |21250 |0 |0 | |restaurantes |1300 .18 |0.25 | | | |Observación | |Media | |Desviación |Desviación |Observación | | | | | | |al cuadrado |al cuadrado | | |(x) | |( | |(x .|1351 |= |532 |283024 |3545689 | | | | | |((x-x)2(1593770 |(x2(23496182 | | | | | | | | | | | |x s2 = ( ( x .|1351 |= |. si encontramos la varianza de la muestra(s2) para cada muestra y promediamos los resultados.|1351 |= |.147 |21609 |1449616 | |. (2.899 |850 |7 | 5950 |.126 |0.448 |200704 |815409 | |.x) |(x .|1351 |= |.394 |155236 |915849 | |.04 ||0.()2 = 6680000 N 100 = 6680000( varianza | |Media | |Desviación |Desviación |Observación | | | |al cuadrado |al cuadrado | | |(x .300 |720000 | |desviación |1000 .|1351 |= |.|1351 |= |394 |155236 |3045025 | |.

que producen datos de frecuencia relativa para los eventos de interés. es decir Ai.. P(A(B)=P(A)+P(B)-P(A(B) SUCESOS MUTUAMENTE EXCLUYENTES. 1 REGLA DE LA SUMA Para calcular la probabilidad de que ocurra cualquier suceso A o B. Una probabilidad es una función de valor numérica que asigna un número P(A) a cada evento A de tal manera que son válidos las siguientes axiomas: 1) P(A)(0 2) P(S) = 1 3) Si A1.. EJEMPLO [pic] REGLAS DE CONTEO ÚTILES EN PROBABIILIDADES Si consideramos P(A) = número de resultados favorables a A Número total de resultados equiprobables Esta definición funcionará con espacio muestral finito con resultados equiprobables.Si la ocurrencia de uno altera las posibilidades de que el segundo ocurra ( P(A(B)=P(A)(P(B/A) 2 PROBABILIDAD CONDICIONAL E INDEPENDENCIA .Es el proceso de efectuar una observación....Es un conjunto que corresponde a todos los resultados posibles de un experimento listados de modo completo y mutuamente excluyente (cualquier experimento puede originar varios resultados posibles. Se asigna 1/6 a cada uno de esos 6 elementos de S.3..Si la ocurrencia de uno no afecta en ninguna forma a las posibilidades de que el segundo ocurra ( P(A(B)=P(A)(P(B) SUCESOS DEPENDIENTES... EVENTO. Para ello debe determinarse si los sucesos son mutuamente excluyentes o no SUCESOS QUE NO SON MUTUAMENTE EXCLUYENTES. P(A(B)=P(A)+P(B) SUCESOS INDEPENDIENTES. el conjunto de todos ellos se llama Espacio Muestral).. Aj = ( para toda i(j. ( P( ( Ai ) 0 ( P( Ai ) i=1 De acuerdo a lo anterior A y B son eventos mutuamente excluyentes P(A(B) = P(A) + P(B) Si lanzamos un dado normal cada uno de las caras tiene la misma probabilidad de ocurrir o sea que son equiprobables.n-1 11 PROBABILIDADES EXPERIMENTO.2. A2. entonces.. mediante: P(E) = l i m número de veces que sucede E n(( n Pero el problema es establecer si converge siempre este límite por esto necesitamos una definición formal de Probabilidad: EJEMPLO[pic] Supóngase que un experimento tiene asociado un espacio muestral S.6 E2 será un 2 E4 será un 4 E6 será un 6 P(A) = P(E2)+P(E4)+P(E6) = 1/6+1/6+1/6= ½ Los términos al AZAR y ALEATORIO se interpretan como una imposición de probabilidades iguales al número finito de puntos en el espacio muestral. PROBABILIDAD De la definición elemental de probabilidad tenemos que si n es el número de ensayos de un e4xperimento. Los datos sólo dan aproximaciones a las verdaderas probabilidades pero bastantes buenas. como por ejemplo el número de lanzamientos de una moneda parece que entonces se podría definir la probabilidad de un evento E.Es cualquier subconjunto de un espacio muestral. es una sucesión de eventos mutuamente excluyentes. se usa la regla de la suma. P(E) = 1/6 i = 1. Con frecuencia. las probabilidades que se asignan a los eventos se basan en evidencia experimental o en estudios de observación. (lanzar un dado una o varias veces y reunir los datos sobre los resultados posibles) ESPACIO MUESTRAL.

. entonces la posibilidad de que ocurra R2 dado que ocurrirá R1 es 6/9 3 REGLA DE MULTIPLICACIÓN Si la primera tarea de un experimento da como resultado n1 resultados posibles y. Esta información adicional se llama información condicional.5 No es importante el orden y solo interesa el número de subconjuntos de determinado tamaño que se pueden seleccionar de un conjunto dado EJEMPLO Supóngase 3 empleados deben seleccionarse de entre los 10 para ir a la misma planta.35 EVENTOS INDEPENDIENTES El evento A es independiente de el evento B si la probabilidad del evento A no se ve afectada por la incidencia o no incidencia de A Si los eventos A y B no son independientes. ¿Cuál es la probabilidad de que un ladrón.14 de que se capture y condene el ladrón. si es capturado. resultados posibles para las dos tareas juntas. los dos eventos son dependientes EJEMPLO Supóngase que una empresa ha de decidir donde construir dos plantas nuevas. Nos ayudamos del diagrama del árbol Si se tienen que calcular la probabilidad de que ambos sucesos A y B ocurran. la probabilidad de A dada B.24. {E sale seleccionada} = {AE} ({BE}({CE}({DE}=P{AE}+P{BE}+P{CE}+P{DE} = 1//8+1/8+1/8+1/8= ½ = 0. entonces se tienen n1 y n2.65. una en el lado oriente y otra en el poniente [pic] n1 n2.40 P(B) 0. es P(A/B) = P(A(B) P(B) EJEMPLO Los registros de policía muestran que en cierta ciudad la probabilidad es 0. ¿De cuántos modos se puede hacer la selección? . = 4(2=8 Calcular la probabilidad de que sea seleccionada la ciudad E .35 P(A(B) = 0. ¿cuál es la probabilidad de que sea roja la primera y roja la segunda? a)Hay reposición P(R1(R2). para cada uno de ellos.14 = 0.40 y P(C(D)= 0. se dice que son dependientes EJEMPLO Se tiene una urna con 7 bolas rojas y 3 negras. es decir. La regla de multiplicación se amplía a más tareas sucesivas. será condenado? A = evento un ladrón sea condenado B = evento que un ladrón sea capturado P(B)= 0.24. la segunda tarea da como resultado n2 resultados posibles. para usarse esta regla debe determinarse si son dependientes o independientes P(A(B)=P(A)(P(B/A) ( EVENTOS DEPENDIENTES P(A(B)=P(A)(P(B) (EVENTOS INDEPENDIENTES EJEMPLO a)¿Cuál es la probabilidad de obtener 2 águilas en dos lanzamientos al aire de una moneda equilibrada ? ½ ( ½ = ¼ b)P( C )= 0. entonces la probabilidad condicional de A en relación con B.14 P(A/B) = P(A(B) = 0.35 de que se capture a un ladrón y 0.40 = 0.Si P(B) no es igual a cero. Si se extraen 2 bolas una a continuación de otra. 1 Definición.26 y no 0.Fácilmente pueden surgir dificultades cuando se pide la probabilidad de un evento sin especificar el espacio muestral o también este se puede reducir mediante información adicional disponible entre los elementos en cuestión.65( 0. debe ocurrir los dos eventos P(R1yR2)= P(R1)P(R2) = 7/10(7/10 = 49/100 Son independientes porque hay reposición b) no hay reposición P(R1yR2)= P(R1)P(R2 / R1)=7/10(6/9 = 42/90 Son dependientes. P (D) = 0. ¿Son inde4ependientees los eventos C y D? P(C )(P(D) = 0. se usa la regla de la multiplicación.

. b) Dado que la pieza resulta defectuosa. P(A1) P(B/ A1) + P(A2) P(B/ A2) + . P(A1) P(B/ A1) + P(A2) P(B/ A2) + .1250 = 0. una probabilidad de0.ARREGLOS ORDENADOS O PERMUTACIONES El número de arreglos ordenados o permutaciones .50 | Esto significa que el fabricante no está seguro acerca de la proporción de piezas defectuosas en el lote.. Cada empleado irá a una planta. .1900 b) Todas las noches el señor Herrera llega tarde a su casa.30 | |(3 = 0. cree que hay una probabilidad de 0. La probabilidad de que el señor Herrera . (n – r )! EJEMPLO De entre 10 empleados se deben seleccionar tres para viajar a 3 plantas A. P310 = 10! = 720 3! 2 COMBINACIONES El número de subconjuntos distintos o combinaciones. .210 | |(2 = 0. No es importante el orden y solo interesa el número de subconjuntos de determinado tamaño que se pueden seleccionar de un conjunto dado EJEMPLO Supóngase 3 empleados deben seleccionarse de entre los 10 para ir a la misma planta.. sin embargo. .A2. + P(AK) P(B/ AK) Y finalmente P(Ak/B) = P(Ak) P(B/ Ak) .. . . . si (r(n) está dado por Prn = n(n-1) . La señora Herrera. Si cada uno de estos sucesos tiene probabilidad no nula y uno de ellos debe ocurrir.50 de que tenga 25% de piezas defectuosas..25 |P((3 )= 0. ¿cuál es la probabilidad de que el lote tenga 25% de piezas defectuosas? P((3 / D) = P(((3 ( D) = 0. es importante el orden de asignación de los empleados de las plantas.C fuera de la ciudad. basándose en experiencias anteriores. de 0. o bien k EJEMPLOS a) Un[22][23] fabricante está considerando comprar un lote del 10 000 piezas de un proveedor. .B. P(A1/B) = P(A1) P(B/ A1) . . de 5 objetos seleccionados entre n objetos distintos. que es una buena esposa. . . . .. si (r(n) es. + P(AK) P(B/ AK) Para i = 1. . entonces para cada suceso B en el espacio muestral ( . .10 |P((1 )= 0. El fabricante estima la proporción de piezas defectuosas en el lote en la forma siguiente: |Proporción de piezas |Probabilidad | |defectuosas |P(x) | |(1 = 0. . . . a) ¿Cuál es la probabilidad de que elige una pieza al azar en el lote. le deja encendida la luz de la entrada a la casa. . . .Ak sucesos mutuamente excluyentes que ocupan todo el espacio muestral (. .15 |P((2 )= 0. Como las plantas están en distintas ciudades. . + P(AK) P(B/ AK) P(A2/B) = P(A2) P(B/ A2) . de tamaño r que se pueden seleccionar de n objetos distintos. . . ¿De cuántos modos se puede hacer la selección? Es importante el orden.Sean A1.2. P(A1) P(B/ A1) + P(A2) P(B/ A2) + .6579 P(D) 0.20 de que el lote tenga 10% de piezas defectuosas.. ¿De cuántos modos se puede hacer la selección? [pic] 3 4 TEOREMA DE BAYES DEFINICIÓN..(n – r + 1) = n! .30 de que tenga 15% y finalmente.

()2] o V(X) = E(X2) – [E(X)]2 A veces se usa la notación E [(X . |x |2 |3 |4 |5 |6 |7 |8 |9 |10 |11 |12 | |P(x) |xP(x) |1/36 |2/36 |2/36 |6/36 |3/36 |12/36 |4/36 |20/36 |5/36 |30/36 |6/36 |42/36 |5/36 |40/36 |4/36 |36/36 |3/36 |30/36 |2/36 |22/36 |1/36 |12/36 |1 |((x)=7 | |x2 |x2P(x) |4 |4/36 |9 |18/36 |16 |48/36 |25 |100/36 |36 |180/36 |49 |294/36 |64 |320/36 |81 |324/36 |100 |300/36 |121 |242/36 |144 |144/36 |((x2)=54. De una variable aleatoria X es la raíz de la variancia. ¿cuál es la probabilidad de que haya llegado borracho? RESPUESTA: a)0.44 b)6/44 1 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD Las variables aleatorias discretas sólo pueden tomar un número de valores finito. Una distribución de probabilidades es una correspondencia que asigna probabilidades a sus valores.) A veces se emplea la notación E(X) =( VARIANCIA La variancia de una variable aleatoria X cuyo valor esperado es ( es V(X) = E [(X .90 de que olvide apagar la luz en tanto que ésta solo de 0.05 si llega sobrio. Cuando una variable puede tomar un conjunto discreto de valores.()2] = (2 DESVIACIÓN ESTÁNDAR. y está definida mediante ( = ((2 = (E[(X . a) ¿Cuál es la probabilidad de que el señor Herrera apague la luz en una noche cualquiera? b) Dado que el señor Herrera apagó la luz una cierta noche.83 | | | | | | | | | | | | | ESPERANZA MATEMÁTICA El valor esperado de una variable discreta X que tiene una función p(x) de probabilidad está dada p[24]o[25]r E(X)=( xP(x) (La suma es con respecto a todos los valores de x para los cuales P(x)>0.llegue borracho es 0.()2 ] o ( = ((2 = (E(X2) – [E(X)]2 HISTOGRAMA DE FRECUENCIA RELATIVA (para la tabla anterior) 6/36 ( ( 5/36 ( ( ( 4/36 ( ( ( 3/36 ( ( ( 2/36 ( ( ( 1/36 ( ( ( 0 2 3 4 5 6 7 8 9 10 11 12 1 DISTRIBUCIÓN BINOMIAL .60. Si llega borracho. hay una probabilidad de 0. La tabla del ejemplo que sigue sirve para ilustrar lo que significa la Distribución de Probabilidad de una variable aleatoria Se construye una tabla donde se muestra las probabilidades de obtener la suma de dos los puntos obtenidos en el lanzamiento de dos dados. Las variables aleatorias suelen clasificarse de acuerdo con el número de valores que pueden asumir.

40 y x = 2.092 = 0.. p = 0. cuando mucho tres se volverán a casar dentro de tres años. cuando menos dos se volverán a casar dentro de tres años.y n.121 + 0.215 + 0. a.040) = 0. entonces la probabilidad de lograr x aciertos en n ensayos es: Una variable aleatoria X tiene una distribución Binomial si existen las cinco condiciones siguientes: 1) El experimento consiste en un número fijo de n intentos idénticos .304 +0.1.. b) cuando mucho a dos se les reviente una llanta f(0) = (0..El[26] número de llamadas telefónicas que entran a una central de edificio de oficinas es de 4 por minuto.5)0(e –0.055 c) n = 10 .006 + 0.2 y 3 ( 0.607 = 0. 2) Cada intento sólo puede tener un resultado de dos posibles.8.006 y 0.. En este caso n p se sustituye por el parámetro ( (letra lambda griega minúscula)y se calcula la probabilidad de lograr x “aciertos” por medio de la fórmula Donde ( se interpreta como el número esperado.607 f(1) = (0.121 + 0. Esta fórmula se aplica a muchas situaciones donde se puede esperar un número fijo de “aciertos” por unidad de tiempo EJEMPLO 1)..( = 4 P(x = 0) = P(0) b)P (x ( 2) = 1 –p(x = 1) = 1 –f(1) = 1 .215 = 0.5)x(0. la probabilidad de que cuando menos dos de 10 parejas de divorciados se vuelvan a casar dentro de tres años es ( 1(0.040.0. o promedio. en promedio a) Calcular la probabilidad de que no lleguen llamadas en un determinado período de un minuto b) Calcular la probabilidad de que por lo menos lleguen 2 llamadas en un período de un minuto c) Calcular la probabilidad de que por lo menos lleguen 2 llamadas en un período de dos minutos a).002 + 0.Se acostumbra a decir que el número de aciertos en n ensayos es una variable aleatoria que tiene la distribución de probabilidad Binomial o simplemente la distribución Binomial. DEFINICIÓN.5)x(0. d.. c.089 b) 0.1. muchas aplicaciones importantes que no tienen relación directa con la distribución Binomial.p) + p]n. la distribución Binomial recibe el nombre en virtud de que para x = 0. que se llaman “éxito” y ”fracaso” 3) La probabilidad p de “éxito” es constante de intento a intento 4) Los intentos son independientes 5) Se define a X como el número de éxitos en n intentos n y p son los parámetros de la distribución Binomial EJEMPLO Si la probabilidad de que una pareja de divorciados se vuelva a casar dentro de 3 años es 0.304f(2) = (0.042 + 0. por tanto .000 = 0.4 y 5 ( 0..251 + 0.9 y 10 ( 0. b.2.5 =0. p = 0.954 2 DISTRIBUCIÓN DE POISSON Cuando n es grande y p es chica.Si n es el número de intentos o ensayos. p = 0. cuando menos tres se volverán a casar dentro de tres años.011 + 0.00005 de que a un automóvil se lee reviente un neumático al cruzar cierto túnel.40 y x = 0 y 1 son 0... p es la probabilidad de un acierto en cada ensayo y todos los ensayos son independientes.40 y x = 7. de dos a cinco se volverán a casar dentro de tres años.076= 0.607 + 0.788 d) n = 10 . p = 0.987 DISTRIBUCIÓN DE POISSON ( parámetro () La distribución de Poisson tiene.607 =0.040 + 0.40 y x = 0. a) n = 10 . Emplee la aproximación de Poisson a la distribución Binomial para determinar las probabilidades de que entre 10 000 automóviles que cruzan este túnel. de aciertos. a) cuando menos a dos se les reviente un neumático.201 = 0. las probabilidades binomiales a menudo se aproximan por medio de la fórmula: Es una forma especial de la distribución de Poisson: la utilizaremos sólo cuando n sea cuando menos 100 y n p sea menor que 10 EJEMPLO Los registros muestran que la probabilidad es 0.076 0! 1! 2! a) 1 –(0.304) = 0.3.06+0.0908 . los valores de las probabilidades son los término sucesivos de la expansión Binomial de [(1 .40 determine las probabilidades de que de 10 parejas de divorciados.607 + 0.382 b) n = 10 .

editorial. Stevens. Rubin. Levin & S. Ejemplo: COLORES FAVORITOS Color Frecuencia Frec. 13 “ESTADÍSTICA PARA ADMINISTRADORES” por Richard I. se le conoce como sumatoria. Este diagrama de barras indica la forma en que contestaron 1997 adultos a las preguntas relativas a la reglamentación gubernamental de las líneas aéreas. Levin & S. editorial. = n 1.997 2). las barras se encuentran en posición horizontal.25 Azul 8 0. Reitsch McGrawHill [10] “Estadística para Administradores” por Richard Levin/David Rubin.53 “Probabilidad y Estadística para Ingeniería” por Scheaffer McClave ----------------------[pic] En ocasiones..003 = 0. Editorial Harla. en el ámbito de las matemáticas. Ediciones Omega [19] “ESTADÍSTICA PARA ADMINISTRADORES” por Richard I. Prentice Hall [11] Percentil: Con respecto a una escala de cien. . ediciones Omega. valor que indica el porcentaje de una distribución que es igual o menor que dicho valor. Levin & S. Prentice Hall [14] “ Estadística para Administración y economía” por William J.El número de lesiones menores que se puede esperar presente un entrenador de fútbol durante el curso de un juego es una variable aleatoria que tiene la distribución de Poisson con ( = 4. Stevens.25 Amarillo 4 0. Rubin. Editorial Harla. editorial Prentice [4] “ESTADÍSTICA PARA ADMINISTRACIÓN Y ECONOMÍA” por William J. Hanke / Arthur G. de acuerdo con la importancia relativa de los valores de x. Hanke / Arthur G. Prentice Hall [20] “ESTADÍSTICA PARA ADMINISTRACIÓN Y ECONOMÍA”. Casanova.A.375 Verde 8 0. Stevenson. Zuwaulyf [22] “Probabilidad y Estadística para Ingeniería” pag 72 por Scheaffer McClave [23] “Estadística” por Jhon E Freund /Richard Manning Smith [24] Pag. 220Barcelona [8] “ESTADÍSTICA PARA NEGOCIOS” John E. [7] “ El libro de la Estadística Moderna” por Helmut Swoboda. = n producto de todos los valores de x M. A veces. Harla [21] Estadística General aplicada por Fadil H. Rubin. Prentice Hall [16]“ESTADÍSTICA PARA ADMINISTRADORES” por Richard I. Prentice Hall [17] “EL LIBRO DE LA ESTADÍSTICA MODERNA” por Helmut Swoboda. [2] “ESTADÍSTICA PARA ADMINISTRACIÓN Y ECONOMÍA” por William J.G.125 32 1. Levin & David S. [3] “ESTADÍSTICA PARA ADMINISTRADORES” por Richard I. Levin & S. Calcule la probabilidad de que durante el curso de un juego ese haya cuando menos 3 lesiones menores. Ediciones Omega [18] “EL LIBRO DE LA ESTADÍSTICA MODERNA” por Helmut Swoboda. [5] “Curso práctico de estadística” por Lincoyan Portus Govinden.Rel Rojo 12 0. Rubin.G. Stevenson.020 ----------------------[1] por “William J. Stevens”. Rubin. S. la barras se colocan juntas para comparar dos variables para dos períodos distintos. Reitsch McGrawHill [9] “ESTADÍSTICA PARA NEGOCIOS” John E. Respuesta:0. Stevenson. Editorial McGrawHill [6] “ESTADÍSTICA PARA ADMINISTRACIÓN Y ECONOMÍA” por William J. editorial Harla [15]“ESTADÍSTICA PARA ADMINISTRADORES” por Richard I.4. [12] El símbolo (. En este caso significa la suma de todos los productos de f por x [13] El símbolo Xw se lee x testada sub w.1093( factor de crecimiento -- .c) ( = 2(4) = 8 P(x ( 2) = 1 – f(1) = 1 – 0. por William J. 104 Ejercicio 3. La letra w se conoce como subíndices y sirve par recordar que no se trata de una media pesada.679965 = n 1. por razones de espacio. Sexta edición. Editorial Harla.000 Grados 135º 90º 90º 45º 360º M.

50 (0.50 (3 P(D/(3) =0.8 = 120 3!(10 – 3 )! 3.10 = 0.o n (0.30 ( 0.0450 D P((3 ( D)=0.2 n .40)2(0.G.121 .p)n-x para x = 0. = n 1.x)2 = n-1 ( x2 .60)8 =0.12 ( 1.20(0. r!(n – r )! 10! = 10.18 ( = (2 = ( ( x .07 ( 1.2..5 ( desviación estándar -( ( x .08 ( 1.20 (2 P((2) = 0.64(desviación estándar de la muestra 10! = 10.()2 = N -(f x2 N .9.058% -( f( x .1250 P(D) = 0.034 = 0.25=0.15 P((2 ( D)= 0.25 n D P(D/(2) = 0.9.10 D P((1 ( D)= 0.(2 = N -- ( = (2 = s = s2 = 0.2 A1 P(A1) P(A2) P(Ak) Ak P(B/Ak) (1 P((1)=0.1900 P(D/(1) = 0.()2 = N ( x2 .1..(2 = ( = (2 = s = s2 = 66800 = 258.30 P((3) = 0..nx2 = n-1 n-1 --- s = s2 = 10 = 3 n = r 10 = 3 144888 = 380.8 = 120 3!(10 – 3 )! 3.0200 A P(Ak)(P(B/Ak) A2 P(B/A2) P(B/A1) B P(A1)(P(B/A1) B P(A2)(P(B/A2) f(x) = x 10 f(2) = px(1 .15 =0.10 ( 1.M..

60)9 =0..006 (0.40)1(0.60)2 =0.006 (0..60)4 =0.60)3 =0.006 (0.40)5(0.092 1! (0.40)0(0.2.1.60)7=0.0183 0! f(1) = 81(e -8= 0.60)5 =0.o n x! P(0) = 40(e -4= 0.010 .40)6(0.003 1! f(1) = 41(e -4= 0.2 10 f(1) = 1 10 f(0) = 0 10 f(9) = 9 10 f(8) = 8 10 f(7) = 7 10 f(6) = 6 10 f(5) = 5 10 f(4) = 4 10 f(3) = 3 (x) = (x(e -( para x = 0.215 (0.201 (0..006 (0..40)4(0.40)8(0.40)3(0.60)10 =0.40)7(0.251 (0.006 (0.60)6 =0.60)1 =0.40)9(0.