Está en la página 1de 67

UNIVERSIDAD NACIONAL AUTONOMA

DE MEXICO
FACULTAD DE CONTADURIA Y
ADMINISTRACION

TRABAJ O: ESTADISTICA I
TEORIA



NOMBRE:
GARCIA GARCIA CLAUDIA
GARCIA RIVERA SAUL IGNACIO
MARTINEZ ROMERO MARISOL
REZA CAMPUZANO ILSE SARAY
SANCHEZ ZAMUDIO RAUL
.
GRUPO: EA22.
PROFESOR: DE LA ROSA ELIZALDE ALBERTO.
MATERIA: ESTADISTICA I

E S T A D I S T I C A I U N A M F C A |1

INDICE
UNIDAD1
Introduccin..3
1.1Generalidades...3
1.2Poblacionesymuestras...3

UNIDAD2
Estadsticadescriptiva
2.1Tabulacindedatos6
2.2Distribucionesdefrecuencia.9
2.3Presentacingrficadedatos.12
2.4Medidasdetendenciacentral.14
2.5Medidasdedispersin..17
2.6TeoremadeTchebysheffyregla
emprica.21

UNIDAD3
Anlisiscombinatorio
3.1Principiosfundamentales.22
3.2Ordenaciones,permutacionesy
combinaciones..23

UNIDAD4
Teoradelaprobabilidad
4.1Interpretacionesdelaprobabilidad.25
4.1.1Tericaoclsica..25
4.1.2Laprobabilidadcomofrecuencia
relativa25
4.1.3Interpretacinsubjetivadela
probabilidad26
4.2Espaciomuestralyeventos.26
4.3Losaxiomasdelaprobabilidad.30
4.4Laregladelasumadeprobabilidades.31
4.5Tablasdecontingenciasyprobabilidad
condicional33
4.6Independenciaestadstica..36
4.7Lareglademultiplicacinde
probabilidades37
4.8TeoremadeBayes..38

UNIDAD5
Distribucionesdeprobabilidad
5.1Variablesaleatorias,discretasy
continuas43
5.2Mediayvarianzadeunadistribucinde
probabilidad44
5.3Distribucionesdeprobabilidadde
variablesdiscretas.45
5.3.1Distribucinbinomial.45
5.3.2DistribucindePoisson46
5.3.3LadistribucindePoissoncomo
aproximacindeladistribucinbinomial.47
5.3.4Distribucinhipergeomtrica.48
5.3.5Distribucinmultinomial.49
E S T A D I S T I C A I U N A M F C A |2

5.4Distribucionesdeprobabilidadde
variablescontinuas49
5.4.1Distribucinnormal.50
5.4.2Distribucinexponencial.52
5.5Leydelosgrandesnmeros..53

UNIDAD6
Nmerosndice
6.1Nmerondicesimple..54
6.2ndicesdepreciosagregados..56
6.2.1ndicedeLapeyres.60
6.2.2ndicedePaasche62
6.3Principalesndicesdeprecios.62
6.3.1ndicedepreciosalconsumidor63
6.3.2ndicedepreciosalproductor63
6.3.3ndicedepreciosycotizaciones
(IPC)..64
6.3.4ndiceDowJones64
6.4Deflacindeunaserie64
Bibliografa.66

E S T A D I S T I C A I U N A M F C A |3

UNIDADIIntroduccin
Elmundodelosnegociossemanifiestafundamentalmenteatravsdedatosdediferentestipos,
loscualesrequierendeacuerdoconsunaturalezauntratamientoparticular.Delcorrectomanejo
delainformacindependeengranmedidaelxitodeunanegociacin;ahradicalaimportancia
deconocerlosdiferentestiposylasescalasconlascualespuedenmedirselasdiferentesmaneras
deextraerunamuestraqueconservelascaractersticasdelconjuntodelcualproviene,laforma
deagruparloscorrectamenteyapartirdeelloaplicarlosmtodosestadsticospararepresentarlos
grficamenteydeterminarlasmedidasdetendenciacentralydedispersinparainferirun
comportamientoycaractersticasdelapoblacindelacualprovienenLadescripcindela
informacindesdeelpuntodevistadelaestadsticaconstituyelapartefundamentaldelproceso
deanlisisdeunconjuntodedatos.

1.1Generalidades.
Laestadsticaagrupaunconjuntodetcnicasmediantelasqueserecopilan,agrupan,estructuran
y,posteriormente,seanalizanconjuntosdedatos.

Elpropsitodelaestadsticaesdarlessentidoocarcteralosdatosrecolectados,esdecir,nos
puedandarunaideadelasituacinquereflejanpara,conbaseenella,tomardecisiones.Algunos
ejemplosnospuedenaclararesteconcepto.

Aunadministradorleentreganenunacajaunlistadodecomputadorade3000hojasque
contieneeldetalle(departamento,cliente,productosvendidoseimportedecadatransaccin)de
lasventasdeunmesdeunagrantiendadepartamental.Lapresentacindelosdatosdellistado
difcilmentelesertilesparalatomadedecisiones,porloqueeladministradortendrque
ordenarlos,clasificarlosyconcentrarlosparaqueleseantiles.Lastcnicasquepermitenese
ordenamiento,clasificacinyconcentracinson,precisamente,tcnicasestadsticas.

Enunasituacinsimilar,aunauditorlemuestranelarchivoenelqueseencuentranlascopias
fiscalesdelas46,000facturasqueunaempresaemitiduranteelejerciciofiscal.Desdeluego,los
datoscontenidosenlascopiassonvaliososparasutrabajodeauditoriaytalvezsean
indispensablesparafundamentarsuopinindelaempresaconelfindeemitirsudictamen.Sin
embargo,lainformacintalcomoseencuentraenlascopiasdifcilmentelesertil.Otravez,
comoenelcasoanterior,sernecesarioordenar,clasificaryprocesarlosdatosparaobtener
conclusionessobreellos.

EnelcasodeloslicenciadosenInformticadadoquesuprofesinsededicaprecisamentea
buscarlosmejoresmediosdeprocesarlainformacin,esdesuyoevidentequelastcnicas
(estadsticas)quehacenmseficienteesetrabajodebeninteresarle.

1.2Poblacionesymuestras.
Ennuestroestudiodelarealidad,frecuentementedebemoshacerfrenteaconjuntosmuy
grandesdehechos,situaciones,mediciones,etc.

Acontinuacinsedanalgunosejemplos:
E S T A D I S T I C A I U N A M F C A |4

SideseamosinstalarunacafeteraennuestraFacultad,debemossaberconclaridadquinessern
nuestrosclientes:puedenserlosestudiantes,losmaestrosyelpersonaladministrativodela
propiaFacultadytalvezalgunosvisitantes.Todasestaspersonasconformarnlapoblacincuyos
hbitosdeconsumodealimentosybebidasdeseamosconocer.

Cuandounauditordeseainvestigarlosegresosdeunaentidadeconmicadeberestudiartodos
loschequesemitidosporsta.Lapoblacinquedeseaestudiares,portanto,ladetodoslos
chequesemitidosporelorganismoenelperiodoquedeseainvestigar.

Unadministradordeseaestudiarladuracinovidatildetodoslosfocosproducidosporuna
pequeafbricaduranteunmes.Lapoblacindeestudioserladetodoslosfocosproducidos
duranteesemes.

Delosejemplosanteriorespodemosverqueelconceptodepoblacinseparece,enalgunos
casos,alaideaquetenemosdeunconjuntodepersonas(comoenlapoblacindeunpas).Tales
elcasodelprimerejemplo;enlosotrosdos,laspoblacionesmencionadasnosondepersonas,
sinodechequesydefocos.

Podemosdecir,queunapoblacineselconjuntodetodaslasmedicionesuobservacionesde
intersparaelinvestigadorquerealizauntrabajoconunobjetivoconcretodeconocimientodela
realidad.

Existendiversascircunstanciasporlascualesuninvestigadornodeseaonopuedefsicamente
verificarobservacionesentodalapoblacinysetienequeconformarconestudiarunsubconjunto
deellas.Entreestascircunstanciasseencuentranlassiguientes:

Limitacionesdetiempo.Sideseamosinstalarlacafeteradelejemployacitadodentrodeseis
mesesylainvestigacindeloshbitosdeconsumodetodoslosclientespotencialesnoslleva
ochomeses,esclaroquedeberemosresolvernuestranecesidaddeinformacindeotramanera.

Limitacionesderecursos.Elauditordenuestrosegundoejemplopodradesear
estudiartodosloschequesemitidos,perolaempresaauditadanopuedepagarelcostodeuna
revisintanexhaustiva.Porello,elauditordebebasarsuopininenunainvestigacinms
limitada.

Imposibilidadfsica.Sieladministradordelafbricadefocosdeseasaberladuracinovidatil
deunfoco,lonicoquepuedehaceresdejarloprendidoconstantementehastaquesefunday
registrareltiempoenelqueesoocurre.
Desdeluegoquesisesigueesteprocedimientoalfinallafbricanocontarconningnfocopara
vender.

Cuandoporlosmotivosantescitadosnoesconveniente,oinclusoposible,obtenerlainformacin
quesenecesitadetodalapoblacin,losinvestigadoresrecurrenaestudiarunapartedeesa
poblacinalaquesellamamuestra.

Unamuestraes,entonces,cualquiersubconjuntodeunapoblacin.
E S T A D I S T I C A I U N A M F C A |5

Alascaractersticasdelaspoblacioneslasdenominamosparmetrosyalascaractersticas
similaresdelasmuestraslasdenominamosestadsticos.As,lamediadelapoblacin(alaque
conocemosconlaletragriega )esunparmetroylamediadelamuestra(alaqueconocemos
comox)esunestadstico.

Recordemosquelamediaopromedioaritmticoesunamedidadetendenciacentralquetoma
encuentaelvalorespecficodecadaunodelosdatosqueseestudianyseobtienesumandoesos
valoresentreelnmerodedatos.

Ladesviacinestndardelapoblacin(alaqueconocemoscomo ) esunparmetroyla
desviacinestndardelamuestra(alaquedenominamoss)esunestadstico.

Recordemosqueladesviacinestndaresunamedidadedispersinodesviacindecadaunode
losdatosqueformaunamuestraounapoblacinrespectoalamediaopromedioaritmtico.Esla
razcuadradadelresultadodedividirlasumatoriadelasdesviacionescuadrticasdecadaunode
losdatosconrespectoalamedia,entreelnmerodedatosenestudio.

Normalmentecuandohacemosestudiosconbaseenmuestras,conocemoslosestadsticos(los
datosdelamuestra)ystosnossirvenparaestimarlosdatosrealesdelapoblacinalosque
conocemoscomoparmetros.

Enresumen,losparmetrossondatosdelaspoblaciones,entantoquelosestadsticossondatos
delasmuestras.Losestadsticosnossirvenparatratardeestimaroinferirlosparmetroscuando
nopodemosconocerlosestudiandodirectamentetodalapoblacin.

Laestadsticaesunaramadelacienciamatemticaencargadadeldiseodeexperimentos
(procedimientosdemuestreo),delanlisisdedatos,ylosprocedimientosparainferiracercadelas
caractersticasdeunapoblacinconbaseenlainformacinobtenidadeunamuestra.La
estadsticaentonces,sedivideen2tipos:laestadsticadescriptivaylaestadsticainferencialo
inferenciaestadstica.

Laestadsticadescriptivaincluyeaquellastcnicasquenospermitenresumirydescribirdatos.La
preparacindetablas,laelaboracindegrficosylastcnicasparaelclculodelosdiferentes
parmetrosdelaspoblacionesformanpartedelastcnicasdelaestadsticadescriptiva.Los
administradores,contadoreseinformticosquesehanmencionadoenlosejemplosarriba
citados,harnbienenallegarsedetcnicasdeestadsticadescriptivapararesumirycaracterizar
susdatosconelobjetodetomardecisionescorrectas.

Laestadsticainferencialcomprendeunconjuntodetcnicasquenospermitenestimar(oinferir
ydeallsunombre)lascaractersticas(frecuentementelosparmetros)deunapoblacincon
baseenunamuestraobtenidadeellay,unavezestimados,tomardecisionessobreesapoblacin.
Estasdecisionesincluyenunfactorderiesgo,dadoquelascaractersticasdelapoblacinse
infierenaproximadamente,peronoseconocenconcerteza.Porello,paralaestadstica
inferencialseutilizanconceptosdeprobabilidad.

E S T A D I S T I C A I U N A M F C A |6

UNIDAD2ESTADISTICADESCRIPTIVA
2.1Tabulacindedatos.
Losmtodosestadsticosqueseutilizandependen,fundamentalmente,deltipodetrabajoquese
deseehacer.Siloquesedeseaestrabajarconlosdatosdelaspoblacionespararepresentarlosy
caracterizarlosdeunamaneratalqueseantiles,estaremoshablandodemtodosdela
estadsticadescriptiva.Siloquesedeseaesaproximarlascaractersticasdeunapoblacincon
baseenunamuestra,seutilizarnlastcnicasdelaestadsticainferencial.Estasltimassontema
delamateriadeEstadsticaII,queelalumnoestudiarposteriormente.Encuantoalasprimeras,
existeunsinnmerodeellas.Lasprincipaleslaspodemosagruparcomotcnicasderesumende
datos,tcnicasdepresentacindedatosytcnicasdeobtencindeparmetros.

Encualquierestudioestadstico,losdatospuedenmodificarsedesujetoensujeto.
Si,porejemplo,estamoshaciendounestudiosobrelasestaturasdelosestudiantesdesextode
primariaenunaescuela,laestaturadecadaunodelosniosyniasserdistinta,variar.Porello
decimosquelaestaturaesunavariable.

Losespecialistasenestadsticarealizanexperimentosoencuestasparamanejarunaamplia
variedaddefenmenosocaractersticasllamadasvariablesaleatorias.Losdatosvariablespueden
registrarsedediversasmaneras,deacuerdoconlosobjetivosdecadaestudioenparticulary,
conformeconello,podemosdecirquepodemostenerdiferentesescalasdemedicin.

Escalaparadatosdetiponominal

Sonaquellasquenotienenunordenodimensinpreferenteoparticularycontienen
observacionesquesolamentepuedenclasificarseocontarse.Enunestudiodepreferenciassobre
loscoloresdeautomvilesqueprefierenundeterminadogrupodeconsumidores,sepodrdecir
quealgunosprefierenelcolorrojo,otroselazul,algunosmselverde;peronosepuededecirque
elmagentavayadespusqueelmoradooqueelazulseamsgrandeomschicoqueel
verde.

Paratrabajaradecuadamenteconescalasdetiponominal,cadaunodelosindividuos,objetoso
medicionesdebeperteneceraunaysolamenteaunadelascategorasoclasificacionesquese
tienenyelconjuntodeesascategorasdebeserexhaustiva;esdecir,tienequeconteneratodos
loscasosposibles.Tambinlascategorasdedatosnocuentanconunordenlgico.

Escalaparadatosdetipoordinal

Enestaescala,lasvariablesstienenunordennatural(deallsunombre)ycadaunodelosdatos
puedelocalizarsedentrodealgunadelascategorasdisponibles.

Elestudiantehabrtenidooportunidaddeevaluaraalgnmaestro;laspreguntasimplican
frecuentementecategorascomosiempre,frecuentemente,algunasveces,nunca.Esfcil
percatarsequesiempreesmsfrecuentequealgunasvecesyalgunasvecesesms
E S T A D I S T I C A I U N A M F C A |7

frecuentequenunca.Esdecir,enlasescalasdetipoordinalsepuedeestablecerunagradacin
uordennaturalparalascategoras.Nosepuede,sinembargo,establecercomparaciones
cuantitativasentrelascategoras.Nopodemosdecir,porejemplo,quefrecuentementeesel
doblequealgunasvecesoquenuncaestrespuntosmsmaloquefrecuentemente.

Paratrabajaradecuadamenteconescalasdetipoordinaldebemosrecordarquelascategorasson
mutuamenteexcluyentes(cadadatopuedepertenecerounaysloaunadelascategoras)y
debenserexhaustivas(esdecir,cubrirtodoslasposiblesrespuestas).

Escalasnumricas

Estasescalas,dependiendodelmanejodeseledalasvariables,puedenserdiscretaso
continuas.

Lasescalasdiscretassonaquellasquesolopuedenaceptardeterminadosvaloresdentrodeun
rango.

Elnmerodehijosquetieneunaparejaes,porejemplo,undatodiscreto.Unaparejapuedetener
1,2,3hijos,etc.;peronotienesentidodecirquetienen2.3657hijos.Unapersonapuedetomar1,
2,3,4,etc.,baosporsemana,perotampocotienesentidodecirquetoma4.31baospor
semana.

Porelcontrario,lasescalascontinuassonaquellasquepuedenaceptarcualquiervalordentrode
unrangoy,frecuentemente,elnmerodedecimalesquesetomandependenmsdelaprecisin
delinstrumentodemedicinquedelvalordeldatoens.

Podemosdecir,porejemplo,queelpesodeunapersonaesde67Kg.;perosimedimosconms
precisin,talvezinformemosqueelpesoesenrealidadde67.453Kg.ysinuestrabsculaesmuy
precisapodemosanotarunmayornmerodedecimales.

Elobjetivodelinvestigadorcondicionafuertementeeltipodeescalaqueseutilizarpararegistrar
losdatos.Tomandoeldatodelaestatura,stepuedetenerunvalorpuramentecategrico.En
algunosdeportes,porejemplo,elbsquetbol,slodedeterminadaestaturaparaarribalos
candidatosajugadorseadmitenenelequipoydeesaestaturaparaabajonoseadmiten.La
variableestaturatienesolodosvaloresaceptadoynoaceptadoyesunavariablenominal.
Estamismavariable,paraotroestudio,puedetrabajarseconunaescaladetipoordinal:bajosde
estatura,demedianaestaturayaltos.Sitomamoslamismavariableylaregistramosporsu
valorencentmetros,laestaremostrabajandocomounavariablenumrica.

Dependiendodelasintencionesdelinvestigador,selepuederegistrarcomovariablediscretao
continua(variablediscretasiaunapersonaseleregistra,porejemplo,comode173cm.174cm.,y
simideunosmilmetrosmsomenosseredondearalcentmetromscercano;variablecontinua
sielinvestigadorregistralaestaturareportadaporelinstrumentodemedicinhastaellmitede
precisindeste.Porejemplo.173.345cm.)

Lasescalasdetiponumricopuedentenerunadedoscaractersticas:lasescalasdeintervaloylas
escalasderazn.
E S T A D I S T I C A I U N A M F C A |8

Escalasdeintervalo

Sonaquellasenlasqueelceroesconvencionaloarbitrarioypuedenexistircantidadesnegativas.

UnejemplodeestetipodeescalasesladelosgradosCelsiusocentgradosqueseusanpara
medirlatemperatura.Enellaelceroeselpuntodecongelacindelaguay,sinembargo,existen
temperaturasmsfrasquesemidenmediantenmerosnegativos.Enestasescalaspodemos
hacercomparacionespormediodediferenciasodesumas.Podemosdecir,porejemplo,quehoy
latemperaturadelaguadeunaalbercaestcuatrogradosmsfraqueayer;peronosepueden
hacercomparacionespormediodemultiplicaciones,divisionesoporcentajesporqueestetipode
comparacionesimplicadivisionesystasnotienensentidoenlasescalasdeintervalo.Sihoyla
temperaturaambientees,porejemplo,dediezgrados,notienesentidodecirquehaceeldoblede
froqueayer,puesayerestabaaveintegrados.

Escalasderazn

Sonaquellasenlasqueelceroabsolutosexiste.

TaleselcasodelosgradosKelvin,paramedirtemperaturas,omuchasmedidasqueutilizamosen
nuestravidacotidiana.Laestaturadelaspersonasmedidaencentmetros,porejemplo,est
medidaenunaescaladeraznpuessexisteelceroabsoluto(nadietieneestaturanegativa).Enel
casodelasestaturasssepuededecirquealguienmideeldoble(olamitad)queotrapersona
cualquiera.

Lamayorpartedelasherramientasqueseaprendenenestecursosonvlidasparaescalas
numricas,otraslosonparaescalasordinalesyunaspocas(muchasdelasqueseveneneltema
deestadsticanoparamtrica)sirvenparatodotipodeescalas.

Principaleselementosdelastablas

Acontinuacinsepresentaunatablasencilla,tomadadeunejemplohipottico.Enellase
examinansusprincipaleselementosyseexpresanalgunosconceptosgeneralessobreellos.

Ttulo.Todaslastablasdebentenerunttuloparaqueellectorsepaelasuntoalqueserefiere.

Encabezado.Serefierealascategorasdedatosquesemanejandentrodelapropiatabla.

Cuerpo.Enlseencuentranlosdatospropiamentedichos.

Fuentedeinformacin.Silosdatosqueseencuentranenlatablanofueronobtenidosporel
autordeldocumentoenelqueseencuentralamisma,esimportanteindicardequpartese
obtuvolainformacinqueallseencuentra.

Independientementedelosprincipaleselementosquepuedetenerunatabla,existendiversas
manerasdepresentarlainformacinenellas.Noexisteunaclasificacinabsolutadela
E S T A D I S T I C A I U N A M F C A |9

presentacindelasdiferentestablas,dadoque,alserunaobrahumana,sepuedeninventar
diversasmanerasdepresentarinformacinestadstica.

Noobstanteloanterior,sepuedeintentarunaclasificacinquenospermitaentenderlas
principalespresentaciones.

Tablassimples

Relacionaunacolumnadecategorasconunaomscolumnasdedatos,sinmselaboracin.

Tablasdefrecuencias

Esunarreglorectangulardeinformacinenelquelascolumnasrepresentandiversosconceptos,
dependiendodelasintencionesdelapersonaquelaelabora,peroquetiene,siempre,enunade
lascolumnas,informacinsobreelnmerodeveces(frecuencia)quesepresentacierto
fenmeno.

Lasiguientetablaesunejemplodeestanaturaleza.Enella,laprimeracolumnarepresentalas
categorasoclases,lasegundalasfrecuenciasllamadasabsolutasylaterceralasfrecuencias
relativas.Estaltimacolumnarecibeesadenominacinporquelosdatosestnexpresadosen
relacinconeltotaldelasegundacolumna.

Lasfrecuenciasrelativaspuedenexpresarseenporcentaje,talcomoennuestroejemplo,oen
absoluto(esdecir,sinmultiplicarlosvalorespor100).Algunosautoresllamanalprimercaso
frecuenciaporcentualenlugardefrecuenciarelativa.

Tablasdedobleentrada

Enalgunoscasos,sequierepresentarlainformacinconunmayordetalle.Paraelloseusanlas
tablasdedobleentrada.Sellamanasporquelainformacinseclasificapormediodedoscriterios
enlugardeutilizarsolamenteuno.

2.2Distribucionesdefrecuencia.
Distribucionesdefrecuencia

Unadistribucindefrecuenciasotabladefrecuenciasnoesmsquelapresentacintabularde
lasfrecuenciasconqueocurrecadacaracterstica(subclase)enlasquehasidodividaunavariable.
Estacaractersticapuedeestardeterminadaporunacualidadounintervalo;porlotanto,la
construccindeuncuadradodefrecuenciaotabladefrecuenciaspuededesarrollarsetantopara
unavariablecuantitativacomoparaunavariablecualitativa.

Distribucindefrecuenciasparavariablescuantitativas

Recordemosquelasvariablescuantitativasomtricaspuedenserdedostipos:continuaso
discretas.

E S T A D I S T I C A I U N A M F C A |10

Cuandolavariableescontinua,laconstruccindeunatabladefrecuenciapresentacomosu
puntodemayorimportancialadeterminacindelnmerodeintervalosoclasesquelaformarn.

Unaclaseointervalodeclaseeselelementoenlatablaquepermitecondensarenmayorgrado
unconjuntodedatosconelpropsitodehacerunresumendeellos.Elnmerodecasoso
medicionesquequedandentrodeunintervalorecibenelnombredefrecuenciadelintervalo,que
sedenotageneralmentecomoFi.Ladiferenciaentreelextremomayoryelmenordelintervalose
llamalongitudoanchodelintervalo.

Enelcasodevariablesdiscretas,laconstruccindeunatabladedistribucindefrecuenciassigue
loslineamientosestablecidosparaunavariablecontinuaconlasalvedaddequeenestetipode
tablasnoexistenintervalosnimarcasdeclase,locualsimplificalaconstruccindelatabla.

Laconstruccindetablasdefrecuenciaparavariablescualitativasonomtricasrequierenslodel
conteodelnmerodeelementosoindividuosqueseencuentrandentrodeciertacualidadobien
dentrodedeterminadacaracterstica.

Cuadrosestadsticos

Elresultadodelprocesodetabulacinocondensacindedatossepresentaenloqueen
estadsticasellamancuadrosestadsticos,tambinconocidosconelnombreincorrectodetablas
estadsticas,productodelatraduccininglesa.

Conbaseenelusoqueelinvestigadorledauncuadroestadstico,stospuedenserclasificados
endostipos:cuadrosdetrabajoycuadrosdereferencia.

Loscuadrosdetrabajosonaquellosestadsticosquecontienendatosproductodeunatabulacin.
Enotraspalabras,soncuadrosdepositariosdedatosquesonutilizadosporelinvestigadorpara
obtener,apartirdeellos,lasmedidasestadsticasrequeridas.

Loscuadrosdereferenciatienencomofinalidadayudaralinvestigadorenelanlisisformaldelas
interrelacionesquetienenlasvariablesqueestnenestudio,esdecir,contieneninformacinya
procesadadecuadrosdetrabajo(proporciones,porcentajes,tasas,coeficientes,etc.)

Laconstruccindecuadrosestadsticosdetrabajoodecuadrosdereferenciarequiere
prcticamentedelosmismoselementosensuelaboracin,puesambospresentanlasmismas
caractersticasestructurales,porloqueloselementosqueacontinuacinsedescribendebern
serutilizadosenlaconformacindestosindistintamente.

Nmerodelcuadro.Eselprimerelementodetodocuadroestadstico.Tienecomoobjetopermitir
unafcilyrpidareferenciaalmismo.

Ttulo.Eselsegundoelementodelcuadroestadstico.Enlsedeberindicarelcontenidodel
cuadro,sucircunscripcinespacial,elperiodooespaciotemporalylasunidadesenlasqueestn
expresadoslosdatos.
E S T A D I S T I C A I U N A M F C A |11

Notaenelttulo(encabezado).Elementocomplementariodelttulo.Seempleasloenaquellos
cuadrosenlosqueserequiereproporcionarinformacinrelativaalcuadrocomountodooala
parteprincipaldelmismo.

Casillascabecera.Contienenladenominacindecadacaractersticaovariablequeseclasifica.

Columnas.Sonlassubdivisionesverticalesdelascasillascabecera.Seincluyentantascolumnasen
unacasillacabeceracomocategoraslecorrespondan.

Renglones.Sonlasdivisioneshorizontalesquecorrespondenacadacriterioenqueesclasificada
unavariable.

Espacioentrerenglones.Tienenporobjetohacermsclaralapresentacindelosdatos,
facilitandoassulectura.

Lneasdecabecera.Sonlaslneasquesetrazanparadividirlascasillasdecabeceradelos
renglones.

Cabezadelcuadro.Estformadaporelconjuntodecasillascabecerayencabezadosdecolumnas.

Casillas.Eslainterseccinqueformancadacolumnaconcadarenglnenelcuadro.Lascasillas
contienendatosobienlosresultadosdeclculosefectuadosconellos.

Cuerpodelcuadro.Estformadoportodoslosdatossinconsiderarlacabezadelcuadroylos
renglonesdetotales.

Renglndetotales.Esunelementoopcionalenloscuadrosestadsticos.

Lneafinaldecuadro.Eslalneaquesetrazaalfinaldelcuerpodelcuadroyensucasoalfinaldel
renglndetotales.

Notasalpiedelcuadro.Seusanparacalificaroexplicarunelementoparticularenelcuadroque
presenteunacaractersticadistintadeclasificacin.

Fuente.Eselltimoelementodeuncuadroestadstico.Tieneporobjetoindicarelorigendelos
datos.

Frecuenciasabsolutasyrelativas

Lafrecuenciaabsolutaeselnmeroqueindicacuntasveceselvalorcorrespondientedeuna
variabledemedicin(dato)sepresentaenlamuestraytambinseleconocesimplementecomo
frecuenciadeesevalordex(dato)enlamuestra.

Siahoradividimoslafrecuenciaabsolutaentreeltamaodelamuestranobtenemosla
frecuenciarelativacorrespondiente.

E S T A D I S T I C A I U N A M F C A |12

Amaneradeteoremapodemosdecirquelafrecuenciarelativaesporlomenosiguala0ycuando
msiguala1.Adems,lasumadetodaslasfrecuenciasrelativasenunamuestrasiempreesigual
a1.

2.3Presentacingrficadedatos.
Esimportanteconstruirgrficasdediversostiposquepermitanexplicarmsfcilmenteel
comportamientodelosdatosenestudio.Unagrficapermitemostrar,explicar,interpretary
analizardemanerasencilla,clarayefectivalosdatosestadsticosmedianteformasgeomtricas
talescomolneas,reas,volmenes,superficies,etctera.Lasgrficaspermitenademsla
comparacindemagnitudes,tendenciasyrelacionesentrelosvaloresqueadquiereunavariable.

Undibujovalemsquediezmilpalabras,diceelviejoproverbiochino,;esteprincipioestan
ciertoconrespectoanmeroscomoadibujos.Frecuentemente,esposibleresumirtodala
informacinimportantequesetienedeunagrancantidaddedatosenundibujosencillo.As,uno
delosmtodosmsampliamenteutilizadospararepresentardatosesmediantegrficas.

Histogramasypolgonosdefrecuencias

Unhistogramadefrecuenciasesungrficoderectngulosquetienesubaseenelejedelas
abscisas(ejehorizontaloejedelasequis),conanchuraigualcuandosetrataderepresentarel
comportamientodeunavariablediscretayanchuraproporcionalalalongituddelintervalo
cuandosedesearepresentarunavariablecontinua.Enesteltimocaso,elpuntocentraldela
basedelosrectngulosequivalealpuntomediodecadaclase.

Lasalturasdelosrectngulosubicadasenelejedelasordenadas(delasYoejevertical)
correspondealasfrecuenciasdelasclases.Elreadelosrectngulosasformadosesproporcional
alasfrecuenciasdelasclases.

Loshistogramasdefrecuenciaspuedenconstruirsenosloconlasfrecuenciasabsolutas,sino
tambinconlasfrecuenciasacumuladasylasfrecuenciasrelativas.Enesteltimocasoel
histogramarecibeelnombredeHistogramadefrecuenciasrelativas,Histogramadeporcentajeso
Histogramadeproporciones,segnelcaso.

Elhistogramaessimilaraldiagramadebarrasorectngulos,aunqueconunadiferencia
importante:mientrasqueenlosdiagramassloestamosinteresadosenlasalturasdelasbarraso
rectngulos,enelhistogramasonfundamentalestantolaalturacomolabasedelosrectngulos,
haciendoelreadelrectnguloproporcionalasufrecuencia.

Comoyaseindicpreviamente,lasvariablescualitativasnotienenintervalosdeclaseporcarecer
stosdesentido.Tampocoenellassecalculalafrecuenciaacumulada;porlotanto,paralas
variablescualitativassloexistelaconstruccindeloshistogramasdefrecuenciaabsolutaylos
histogramasporcentualesodefrecuenciarelativa.Paravariablescualitativasnoexistepolgonode
frecuencias.

E S T A D I S T I C A I U N A M F C A |13

Grficasparadistribucionesdefrecuenciasnoagrupadas

Pararepresentarestetipodedistribuciones,losgrficosmsutilizadosson:

Diagramadebarras.Eslamssencilladelasgrficasyconsisteenrepresentardatosmediante
unabarraocolumnasimple,lacualpuedesercolocadahorizontaloverticalmente.

Estegrficopermitecompararlasproporcionesqueguardancadaunadelaspartesconrespecto
altodo,porloquepuedenconstruirseusandovaloresabsolutos,proporcionesobienporcentajes.
Suelenutilizarsecuandosecomparangrficamentelasdistribucionesdeigualesconceptosendos
omsperiodos.
Asimismo,constituyelarepresentacingrficamsutilizada,porsucapacidadparaadaptarsea
numerososconjuntosdedatos.

Laformadeelaborarestosdiagramaseslasiguiente:

1.Sobreunosejesdecoordenadasserepresentanenlasabscisaslosdiferentesvaloresdela
variableyenlasordenadaslasfrecuencias.

2.Sobrecadavalordelavariableselevantaunabarracuyaalturasealafrecuencia
correspondiente.

3.Estarepresentacinserunconjuntodebarras;porellosedenominadiagramadebarras.

Unavariantedeestediagrama,talvezmsutilizadaporsermsilustrativa,eseldiagramade
rectngulos.Consisteenrepresentarenelejedelasabscisaslosvaloresdelavariableyenelde
lasordenadaslasfrecuencias.Peroahora,sobrecadavalordelavariableselevantaunrectngulo
conbaseconstanteyalturaproporcionalalafrecuenciaabsoluta.

Diagramacircular.Estarepresentacingrficaesespecialmenteadecuadaenaquelloscasosen
quesedeseaquelosdatosestadsticoslleguenatodotipodepersona,inclusoalasquenotienen
porqutenerunaformacincientfica.

Estetipodediagramamuestralaimportanciarelativadelasdiferentespartesquecomponenun
total.Laformadeelaborarloeslasiguiente:
Setomacomototalelcrculo.
Acontinuacin,sedividesteentantaspartescomocomponenteshaya;eltamaodecadauna
deellasserproporcionalalaimportanciarelativadecadacomponente.Msconcretamente,
comoelcrculotiene360,stosserepartenproporcionalmentealasfrecuenciasabsolutasde
cadacomponente.

Laventajaintrnsecadeestetipoderepresentacionesnodebehacerolvidarqueplanteaciertas
desventajasqueenumeramosacontinuacin:

1.Requiereclculosadicionales.

E S T A D I S T I C A I U N A M F C A |14

2.Esmsdifcilcompararsegmentosdeuncrculoquecompararalturasdeundiagramade
barras.

3.Nodainformacinsobrelasmagnitudesabsolutas,amenosquelasincorporemosencada
segmento.

Pictograma.Esotraformaderepresentardistribucionesdefrecuencias.
Consisteentomarcomounidadunasiluetaosmboloquesearepresentativodelfenmenoque
sevaaestudiar.

Cartograma.Sonespecialmentetilesenestudiosdecarctergeogrfico.Laformadeconstruirlos
eslasiguiente:secoloreaoserayaconcoloreseintensidadesdiferenteslosdistintosespacioso
zonas(quepuedensercomunidadesautnomas,provincias,ros,etc.)enfuncindelamayoro
menorimportanciaquetengalavariableoatributoenestudio.

Diagramaenescalera.Sunombrerespondeaquelarepresentacintieneformadeescalera.Se
utilizapararepresentarfrecuenciasacumuladas.Suconstruccinessimilaraladeldiagramade
barras.

Grficasparadistribucionesdefrecuenciasagrupadasenclasesoeventos

Paradistribucionesagrupadasenintervalosexistenbsicamentetrestiposderepresentaciones
grficas:elhistograma,elpolgonodefrecuenciasylasojivas.

Polgonodefrecuencias.Esungrficodelneaqueseconstruye,sobreelsistemadecoordenadas
cartesianas,alcolocarsobrecadamarcadeclaseunpuntoalaalturadelafrecuenciaasociadaa
esaclase;posteriormente,estospuntosseunenporsegmentosderecta.Paraqueelpolgono
quedecerradosedebeconsiderarunintervalomsalinicioyotroalfinalconfrecuenciascero.

Ojivas.Sienlugardefrecuenciasabsolutasutilizamoslasacumuladas,obtendremos,envezdel
histograma,unarepresentacingrficaenformadelneacrecientequeseconoceconelnombre
deojiva.Estosgrficossonespecialmenteadecuadoscuandosetieneintersensabercuntas
observacioneshayenlaszonaizquierdaoinferiordellmitesuperiordecualquierintervalo.

Laojivaeselpolgonoqueseobtienealunirporsegmentosderectalospuntossituadosauna
alturaigualalafrecuenciaacumuladaapartirdelamarcadeclase,enlamismaformaenquese
realizparaconstruirelpolgonodefrecuencias.
Laojivatambinesunpolgonoquesepuedeconstruirconlafrecuenciaacumuladarelativa.

2.4Medidasdetendenciacentral.
Hemosvistoquetantolastablascomolasgrficaspuedensernostilespararepresentary
comprenderinformacinnumrica.Existen,sinembargo,circunstanciasenlasquenilastablasni
lasgrficasnosdaninformacinsuficienteparatomardecisiones.Enesoscasosdebemosprocesar
nuestrainformacindediversasmanerasparaobtenerdatosdelasta.Aestasmedidasseles
E S T A D I S T I C A I U N A M F C A |15

llamaparmetrosdeacuerdoconlovistoenlaunidad1.Sedividenenmedidasdeposiciny
medidasdedispersin.

Medidasdeposicin

Sonaquellasquenosdefinen(onosinforman)delvalordedatosqueocupanlugaresimportantes
ennuestradistribucindedatos;laspodemosdividirdelasiguienteforma:aunasenmedidasde
tendenciacentralyaotrasmedidasdeposicin.

Lasmedidasdetendenciacentralsonaquellasquenosindicanculeseldatomsrepresentativo
deunadistribucin.Porelcontrario,lasmedidasdedispersintienenelobjetivodelocalizar
diversospuntosdeinters;porejemplo,elpuntoquedivideladistribucinendospartes:ala
izquierda(datosmspequeos)el25%delainformacinyaladerecha(datosmsgrandes),el
75%delainformacin.AestepuntoseledenominaprimercuartiloQ1.

Acontinuacindaremoslasdefinicionesyalgunosejemplosdelasmedidasdetendenciacentraly
concluiremoselapartadoconlasmedidasdeposicin.

Lasmedidasdetendenciacentralquesecontemplanenestematerialson:lamediaaritmtica,la
medianaylamoda.

Mediaaritmtica

Lamediaaritmticaeselpromedioquetodosconocemosdesdenuestrosaosdeinfancia.Se
obtienesumandotodoslosdatosydividendoeltotalentreelnmerodedatos.

Considereelsiguienteejemplo:Lascalificacionesenlosdosprimerossemestresdeunalumnoque
estudialalicenciaturaenAdministracinselistanacontinuacin:9,10,8,8,9,7,6,10,8,8,7.

Lamediaaritmticaestdadaporlasiguienteexpresin:
M:(9+10+8+8+9+7+6+10+8+8+7)/11

Haciendolasoperacionesencontramosquelamediaaritmticaesaproximadamentede8.18.

Mediana

Eselvalorquedivideladistribucinendospartesiguales.Paraobtenerlasedebenordenarlos
datos(puedeserdemenoramayoroviceversa,noimporta)yseencuentraeldatomedio.Enel
casodelascalificacionesdelestudianteindicadasarriba,losdatosordenadostendranelsiguiente
aspecto:

6,7,7,8,8,8,8,9,9,10,10

E S T A D I S T I C A I U N A M F C A |16

Eldatoquedivideladistribucinalamitadsesealaconunaflecha.Estedatocorrespondeala
mediana.Comosepuedeveralaizquierdadel8encontramoscincodatosy,asuderecha
encontramosotroscincodatos.Estedatoes,entonces,elcorrespondientealamediana;as,
Md=8.

Cuandoenlugardeunnmeronondedatos(comoennuestroejemploanterior),nos
encontramosconunnmeropardeobservaciones,loquesehaceespromediarlosdosdatos
medios.Elprocedimientosemuestraenelsiguienteejemplo:

Lasventasdiariasdeunapequeatiendaduranteunacortatemporadavacacionalseconsignana
continuacin.Yaseordenarondemenoramayorparafacilitareltrabajoposterior:

3,200;3,500;3,650:3,720;3,750;3,810;3,850;3,915

Puedeversefcilmentequenohayundatocentralquedividaladistribucinendos,porellose
tomanlosdosdatoscentralesysepromedian.Enestecasolamedianaesde3,735,queesla
mediaaritmticadelosdosdatoscentrales.

Moda

Eseldatomsfrecuentedenuestroconjunto.Enelcasodelascalificacionesdelestudianteel
datomsfrecuentees8,comosepuedeversirepetimosnuestroconjuntodedatos.
6,7,7,8,8,8,8,9,9,10,10.

Enelcasodelasventasdelatienda,sepuedeverquenoshaydosdatosiguales;porlomismo,
esteconjuntodedatosnotienemoda.

Puededarseelcaso,enconjuntosmsgrandesdedatos,queelhonordeserelvalorms
frecuenteseacompartidopordosdatos.Enesecasoseafirmaqueladistribucinesbimodal,
puestienedosmodas.Algunosautoreslleganahablardedistribucionestrimodaleseinclusoms.

Cuartiles

Ascomolamedianadivideladistribucindenuestrosdatosendospartesiguales,existen
medidasdeposicinllamadascuartiles.Haytrescuartilesencadadistribucindedatos;elprimer
cuartiloQ1divideladistribucinendospartes:alaizquierdaestlacuartaparte(deallsu
nombre)oel25%delosdatos.ElsegundocuartiloQ2seasimilaalamedianaydividela
distribucindenuestrosdatosendospartesiguales.EltercercuartiloQ3hacelamismafuncin,
puesdividenuestradistribucindedatosendospartes,laparteizquierdaagrupaal75%delos
datosmspequeosylapartederechael25%delosdatosmsgrandes.

E S T A D I S T I C A I U N A M F C A |17

Unconceptoparecidoaldecuartilessetieneconeldedecilesyconeldepercentiles,peroen
lugardesepararlosdatosengruposdel25%lohacenengruposdel10%ydel1%
respectivamente.Desdeluego,paraqueloscuartiles,decilesypercentilestenganalgnsentidose
requieretenerconjuntosgrandesdedatos.

Porejemplo,notieneningnobjetohablardepercentilessisetienen14datos.Lamanerade
encontrarloscuartiles,decilesopercentilessera,enteora,lamisma;esdecir,alinearlosdatos
demenoramayorycontarculdeelloseselquecumpleelrequisitodedividirladistribucinde
lamaneraquequeremos,peroestemtodoescompletamenteimprctico,porloquenos
ocuparemosdesuobtencincuandotrabajemosdatosagrupados.

2.5Medidasdedispersin.
Saberculeseldatocentraldeunadistribucinesimportante,perotambinloessaberqutan
concentradaoextendidaestnuestrainformacin.Porejemplo,saberqueunatiendatiene
ingresosdiariosmediosde$10,000esinteresante,peroademsesimportantesabersitodoslos
dasesasventasestnmuycercadelosdiezmilpesoso,enrealidad,sealejanmucho.Enseguida
damoslosdatosdedostiendasquetienenlamismamediadeventasdiarias.

TiendaA.$10,000;$10500;$11,000;$9,000;$9,500.
TiendaB.$10,000;$5,000;$15,000;$19,000;$1,000

Esfcilobservarqueambastiendastienenlasmismasventasmedias($10,000).Sinembargo,enla
tiendaAlaplaneacindeflujodeefectivoesmssencillaqueenlatiendaB.Enlaprimera
podemoscontarconunflujomsomenosconstantedeefectivoquenospermiteafrontarlos
compromisosdiarios;enlasegundapodemostenerunflujomuyabundanteocasinada.Esonos
llevaatenerqueprevercmoinvertirexcedentestemporalesycmocubrirfaltantesenelcorto
plazo.

Lasmedidasquenospermitencuantificarladispersindelosdatossoncuatro:elrangoo
recorrido,lavarianza,ladesviacinestndaryelcoeficientedevariacin.Acontinuacin
definimoscadaunadeellas.

Rangoorecorrido

Esladiferenciaentreeldatomayoryeldatomenor.Enelejemplodelastiendassusrangosson:

TiendaA:11,0009,000=2,000
TiendaB:19,0001,000=18,000.

Elrangoseexpresafrecuentementeconlasiguientefrmula:

R=XMXm

EnestafrmulaRrepresentaalrango;XMaldatomayoryXmaldatomenor.

E S T A D I S T I C A I U N A M F C A |18

Elrangoesunamedidadedispersinqueesmuyfcildeobtener,peroesuntantoburda,pues
solamentetomaencuentalosdatosextremosynohacecasodelosdatosqueestnenmedio.
Paratomarencuentatodoslosdatosseinventaronlassiguientesmedidasdedispersinqueson
lavarianzayladesviacinestndar.

Varianzaydesviacinestndar

Lavarianzaesunamedidadedispersinyeselpromedioaritmticodelasumatoriadelas
desviacionesdecadavalordevariableconrespectoalamediadelosdatos.
Ladesviacinestndarseconocetambincomodesviacintpicayessimplementelaraz
cuadradadelavarianza.
Supongamoslasventasdelassiguientesdostiendas:

TiendaC:$5,000;$10,000;$10,000;$10,000;$15,000.
TiendaD:$5,000;$6,000;$10,000;$14,000;$15,000.

Ambastiendastienenunamediade$10,000yunrangode$10,000,comofcilmenteelalumno
puedecomprobar;sinembargo,podemosdarnoscuentadequeenlatiendaDlainformacinest
unpocomsdispersaqueenlatiendaC,puesenestaltima,siexceptuamoslosvalores
extremos,todoslosdemssondiezmil;encambio,enlatiendaDexisteunamayordiversidadde
valores.

Unenfoquequenospuedepermitirtomarencuentatodoslosdatoseselsiguiente:

Supongamosquedeseamossaberqutanalejadoestcadaunodelosdatosdelamedia.Para
ellopodemossacarladiferenciaentrecadaunodelosdatosyesamediapara,posteriormente,
promediartodasesasdiferenciasyver,enpromedio,quetanalejadoestcadadatodelamedia
yacitada.

Lafrmulaparalavarianzadeunapoblacinesunresumendelprocedimientoqueacabamosde
seguiryeslasiguiente:

E S T A D I S T I C A I U N A M F C A |19

Lavarianzaesunamedidamuyimportanteytieneinteresantesaplicacionestericas.Sin
embargo,esdifcildecomprenderdemaneraintuitiva,entreotrascosasporquealelevarlas
diferenciasentreeldatoylamediaalcuadrado,lasunidadesdemedidasonlasdelosdatosal
cuadradoynoesnadafcilcaptarloquesignificanpesosalcuadradoo(enalgnotroproblema)
focosalcuadrado.Porellosedeterminobtenerlarazcuadradadelavarianza.Deestamanera
lasunidadesvuelvenaexpresarsedelamaneraoriginalysusentidoesmenosdifcildecaptar.
Enelcasodenuestrastiendas,lasdesviacionesestndarsonparalatiendaC$3,162.28yparala
tiendaD$4,062.02.

Lafrmulaparaladesviacinestndares:

Elalumnopodrobservarquelasigmayanoestalcuadrado,loqueeslgico,puessilavarianza
essigmaalcuadrado,larazcuadradadelamismaes,simplementesigma.Esimportanteprecisar
questaeslafrmuladeladesviacinestndarparaunapoblacin.

Enestadsticainferencialesimportantedistinguirlossmbolosparaunamuestrayparauna
poblacin.Ladesviacinestndarparaunamuestratieneunafrmulacuyodenominadores(n1)
siendoneltamaodelamuestra.

ElestudiantedebernotarquealtotaldelapoblacinseledenotaconNmaysculayaltotal
dedatosdelamuestraseledenotaconnminscula.

Elcoeficientedevariacin

Dospoblacionespuedentenerlamismadesviacinestndary,sinembargo,podemospercatarnos
intuitivamentequeladispersinnoeslamismaparaefectosdeunatomadedecisiones.

Datosagrupadosenclasesoeventos

E S T A D I S T I C A I U N A M F C A |20

Cuandosetieneunfuertevolumendeinformacinysedebetrabajarsinayudadeunpaquetede
computacin,noesprcticotrabajarconlosdatosunoporuno,sinoqueconvieneagruparlosen
subconjuntosllamadosclases,puesasesmscmodomanipularlosaunquesepierdealguna
precisin.
Imaginequesetienen400datoseltrabajoquerepresentaraordenarlosunoporunopara
obtenerlamediana.Porellosehandesarrolladounconjuntodetcnicasquepermiteeltrabajo
rpidomedianteagrupamientodedatos.Acontinuacinsedanalgunasdefinicionespara,
posteriormente,pasararevisarlastcnicasantescitadas.

Clase:Cadaunodelossubconjuntosenlosquedividimosnuestrosdatos.

Nmerodeclases:Debemosdefinirloconbaseenelnmerototaldedatos.
Decualquiermanera,elresponsabledetrabajarconlosdatosdebeutilizarsucriterioparalograr
losresultadosquedesea.

Anchodeclase

Eseltamaodelintervaloquevaaocuparcadaclase.Seconsideraqueelanchodeclasese
obtienedividiendoelrangoentreelnmerodeclases.As,enelejemplodelamiscelneanuestro
datomayores999.70,nuestrodatomenores500yanteriormentehabamosdefinidoque
necesitbamoscincoclases,porloqueelanchodeclaseeselrango(499.70oprcticamente500)
entreelnmerodeclases(5).Portanto,elanchodeclaseesde100.

Lmitesdeclase

Eselpuntoenelqueterminaunaclaseycomienzalasiguiente.Enelejemplodelprrafoanterior
podemosresumirlainformacindelasiguientemanera:

Primeraclase:comienzaen500yterminaen600
Segundaclase:comienzaen600yterminaen700
Terceraclase:comienzaen700yterminaen800
Cuartaclase:comienzaen800yterminaen900
Quintaclase:comienzaen900yterminaen1,000
Estasclasesnospermitirnclasificarnuestrainformacin.Siundato,porejemplo,tieneelvalorde
627.50,locolocaremosenlasegundaclase.Elproblemaquetieneestamaneradeclasificarla
informacinesqueenloscasosdedatosquecaenexactamenteenloslmitesdeclase,no
sabramosencualdeellasclasificarlos.Siundatoesexactamente700,nosabramossedebemos
asignarloalasegundaoalaterceraclase.Pararemediarestasituacinexistenvarioscaminos,
peroelmsprcticodeellos(yelqueusaremosparalosefectosdeestetrabajo)eseldehacer
intervalosabiertosporunladoycerradosenelotro.
Marcadeclase

Lamarcadeclasees,porasdecirlo,larepresentantedecadaclase.Seobtienesumandoellmite
inferioryelsuperiordecadaclaseypromedindolos.AlamarcadeclaseseleconocecomoXi.
E S T A D I S T I C A I U N A M F C A |21

2.6TeoremadeTchebysheffyreglaemprica.
ElteoremadeTchebysheffylareglaempricanospermiteninferirelporcentajedeelementosque
debenquedardentrodeunacantidadespecficadedesviacionesestndarrespectoalamedia.Se
utilizanprincipalmenteparaestimarelnmeroaproximadodedatosqueseencuentranen
determinadasreasdeladistribucindedatos.

Cuandomenos11/k^2deloselementosencualquierconjuntodedatosdebeestaramenosde
kdesviacionesestndardeseparacinrespectoalamedia,kpuedesercualquiervalormayor
que1.

UnadelasventajasdelteoremadeTchebysheffesqueseaplicaacualquierconjuntodedatos,
independientementedelaformadeladistribucindelosmismos.

Sinembargo,enlasaplicacionesprcticassehaencontradoquemuchosconjuntosdedatos
tienenunadistribucinenformadecolinaodecampana,osea,quetienenunadistribucin
normal.Cuandosecreequelosdatostienenaproximadamenteesadistribucinsepuedeaplicar
lareglaempricaparadeterminarelporcentajedeelementosquedebeestardentrode
determinadacantidaddedesviacionesestndarrespectodelpromedio.

Lareglaemprica

Lareglaempricadicequeparalosdatosquesedistribuyendeunamaneranormal(enformade
campana)

*Aproximadamenteel68%deloselementosestnamenosdeunadesviacinestndardela
media.

*Aproximadamenteel95%deloselementosestnamenosdedosdesviacionesestndardela
media.

*Casitodosloselementosestnamenosdetresdesviacionesestndardelamedia

E S T A D I S T I C A I U N A M F C A |22

UNIDAD3ANALISISCOMBINATORIO

Establecerprocedimientoseficientesyeficacesdeconteoeslaesenciadelanlisiscombinatorio.
Enlamayoradelosproblemasdeanlisiscombinatorioseobservaqueunaoperacinoactividad
aparece en forma repetitiva y es necesario conocer las formas en que se puede realizar dicha
operacin. Para dichos casos es til conocer determinadas tcnicas o estrategias de conteo que
facilitarnelclculosealado.
El anlisis combinatorio tambin se define como una manera prctica y abreviada de contar; las
operacionesoactividadesquesepresentansondesignadascomoeventososucesos.
Muchasdelasdecisionescomercialesrequierenquesecuenteelnmerodesubconjuntosquese
puedenobtenerdeunconjunto.Comoejemplostenemos:
1) de las ventas de una lnea que consta de 10 productos, cuntos subconjuntos de tres
productossepuedenofreceralosclientes?;
2) cuntos nmeros telefnicos distintos de 8 dgitos pueden asignarse a una oficina, si todos
debenempezarconelcdigo5532?
Existen muchos ejemplos ms en los cuales ser importante utilizar diferentes reglas de conteo
parasusolucin.
El anlisis combinatorio comprende el estudio de las relaciones de n elementos distintos o de
parte de ellos (subconjuntos) tomados en orden o no. Esto es esencial para el clculo de
probabilidades.
3.1PrincipiosFundamentales
Lastcnicasdeconteosebasanendosprincipiosfundamentales:eldelamultiplicacinyeldela
adicin.
PRINCIPIODEMULTIPLICACIN
Siuneventoosuceso"A"puedeocurrir,enformaindependiente,de"m"manerasdiferentesyel
sucesoBde"n"manerasdiferentes,entonceselnmerodemanerasdistintasenquepueden
sucederambossucesoses"mxn"
Si hubiese un tercer evento independiente que puede ocurrir de o maneras diferentes,
entonceselnmerodearreglosdistintosestaradadoporelproductomxnxo.
Elprincipioesporenteroaplicableparacualquiernmerofinitodeeventos
PRINCIPIODEADICIN
E S T A D I S T I C A I U N A M F C A |23

SupongamosquetenemosdoseventososucesosAyB,quenopuedenocurrirsimultneamente,
loqueenlaterminologadeconjuntossignificaquelainterseccinesvaca,(AnB=),yadems,
que el evento A se puede realizar de m maneras mientras que B se puede realizar de n
manerasdiferentes.Entonceselevento(AUB)puedeocurrir(m+n)maneras.
3.2Ordenaciones,permutacionesycombinaciones.
Los factoriales nos ayudan a cuantificar rpidamente el nmero de maneras distintas en que se
puedenacomodarnobjetosennlugares.
Elfactorialdensedenotacomon!yseleenfactorial.Sedefinecomo:
n!=n(n1)(n2)(n3)...1
Se define adems que 0! = 1, ya que el 0 es una posibilidad; por lo tanto, asegura que hay una
nicaopcinparaeleventoaunquestanuncaocurra.
Lainformacinqueproporcionaelfactorialesequivalentealaqueobtendramosdeundiagrama
de rbol, de hecho, podramos decir que son diagramas de rbol simplificados. El tipo de
posibilidades en que se utilice este mtodo depender del orden en que se presenten las
variables.
Undiagramaderbolesunaherramientagrficaquetieneunpuntodeorigenapartirdelcualse
abren ramas que representan las diferentes posibilidades, mismas que a su vez dan lugar a otras
ramas,tantascomonuevasposibilidadeshaya,yassucesivamente.
ORDENACIONES
Se les conoce tambin como permutaciones sin repeticin. El nmero de ordenaciones de n
objetos es el nmero de formas en los que pueden acomodarse esos objetos en trminos de
orden:
Ordenacionesennobjetosn!=(n)*(n1)**(2)*(1)
Comoves,lasordenacionesdenobjetoscorrespondenalfactorialden.
PERMUTACIONES
Una permutacin de un nmero de objetos es cualquiera de los diferentes arreglos de esos
objetosenunordendefinido.Elnmerodepermutacionesdenobjetostomadosderenrviene
dadoporlasiguienteexpresin:

E S T A D I S T I C A I U N A M F C A |24

COMBINACIONES
Una combinacin de objetos es cualquier seleccin de ellos en la que no importa el orden. El
nmero de combinaciones de n objetos tomados de r en r viene dado por la formula general
siguiente:

Los principios y las reglas de conteo, como se ha observado en el desarrollo de este tema,
constituyenunconocimientodemecanismosdeagrupacindedatosysusrelacionesentres.
Como veremos en la siguiente unidad, el enfoque clsico del clculo de probabilidades de
ocurrencia de determinados eventos, establece que el valor de probabilidad se determina en
funcin de la cantidad de resultados igualmente probables y que sean favorables as como del
nmerototalderesultadosposibles.Cuandolosproblemassonsencillos,elnmeroderesultados
puede contarse directamente. Sin embargo, para problemas o situaciones ms complejas se
requierenlasherramientasdelanlisiscombinatorioaquestudiadas.

E S T A D I S T I C A I U N A M F C A |25

UNIDAD4TEORADELAPROBABILIDAD
Para tratar de cuantificar el nivel de duda (o de certeza) que tenemos de que ocurra un
determinado fenmeno se cre la teora de la probabilidad. En esta unidad nos concentraremos
enloqueseconocecomoprobabilidadbsica.
En ella no existen muchas frmulas a las cuales recurrir, aunque s existen desde luego algunas
expresiones algebraicas.Lamayorpartedelosproblemasseresuelven mediantelaaplicacinde
un reducido conjunto de principios bsicos y de algo de ingenio. Para ello es indispensable
entenderclaramenteelproblemaens,porloquelalecturacuidadosaycrticaesindispensable.
A reserva de ahondar ms en el tema, podemos adelantar que la probabilidad siempre es un
nmeroentreceroyuno.Mientrasmsprobablesealaocurrenciadeuneventomsseacercara
uno; mientras ms improbable sea, se acercar ms a cero. Las razones de ello se explican en la
siguienteseccindeestetema.
Es necesario, por ltimo, hacer una advertencia sobre la presentacin de datos. Al ser la
probabilidad unnmeroentreceroyunoesfrecuenteexpresarlaenporcentaje.Alamayorade
laspersonassenosfacilitamslacomprensincuandolacantidadestexpresadadeestaltima
manera. Si decimos, por ejemplo, que la probabilidad de que llueva hoy es del 10%, damos la
misma informacin que si decimos que la probabilidad de que llueva hoy es de 0.10. Ambas
manerasdepresentarlainformacinsonequivalentes.
4.1Interpretacionesdelaprobabilidad.
Paradeterminarlaprobabilidaddeunsucesopodemostomardosenfoques.Elprimerodeellosse
denominaobjetivoytiene,asuvez,dosenfoques,queacontinuacinsedetallan.
4.1.1TERICAOCLSICA
En el enfoque terico, clsico o a priori (es decir, antes de que ocurran las cosas) se parte de la
base de que se conocen todos los resultados posibles y a cada uno de ellos se les asigna una
probabilidaddemaneradirectasinhacerexperimentoomedicinalguna.
Frecuentemente decimos quealarrojaruna monedaexisten50%de probabilidadesdequesalga
guilay50%deprobabilidadesdequesalgasol,basndonosenelhechodequelamonedatiene
doscarasyqueambastienenlasmismasprobabilidadesdesalir.Igualcaminoseguimosalasignar
a cada cara de un dado la probabilidad de un sexto de salir. Razonamos que el dado tiene seis
carasyportanto,sieldadoeslegal,cadaunadeellastienelasmismasprobabilidades.
4.1.2LAPROBABILIDADCOMOFRECUENCIARELATIVA
Tambinseleconocecomoenfoqueaposteriori(esdecir,alaluzdeloocurrido)yaligualqueel
enfoqueanterioresunparadigmaobjetivo.
E S T A D I S T I C A I U N A M F C A |26

Para asignarle probabilidad a un suceso se experimenta antes y a partir de los resultados se


determinanlasfrecuenciasconqueocurrenlosdiversosresultados.Enelcasodelamoneda,este
enfoque nos recomendara hacer un nmero muy grande de volados, por ejemplo diez mil, y
con base en ellos definir la probabilidad de una y otra cara. Si decimos, por ejemplo, que la
probabilidad de que salga guila es de 4888/10000, damos a entender que lanzamos la moneda
diez mil veces y que en 4888 ocasiones el resultado fue guila. Estamos entonces aplicando la
probabilidadaposteriori.
En ejemplos menos triviales, las compaas de seguros desarrollan tablas de mortalidad de las
personasparadiferentesedadesycircunstanciasconbaseensusexperiencias.Eseesuncasode
aplicacindelenfoqueaposteriori.
4.1.3INTERPRETACINSUBJETIVADELAPROBABILIDAD
Laprobabilidadsubjetiva esunacuestindeopinin.Dospersonas,porejemplo,puedenasignar
diferentes probabilidades a un mismo evento, aun cuando tengan la misma informacin. Tal
diversidad de opiniones se puede ver en las proyecciones econmicas que hacen los asesores en
inversionesyloseconomistasparalosaosvenideros.
Aunque muchos de estos individuos trabajan con los mismos datos, ellos se forman distintas
opiniones acerca de las condiciones econmicas ms probables. Tales proyecciones son
inherentementesubjetivas.
Tambin se presenta cuando no existen antecedentes para determinarla (como en el caso de las
tablasactuarialesdelascompaasdeseguros)niunabaselgicaparafijarlaapriori.Sipensamos,
por ejemplo, en la final del campeonato mundial de ftbol del 2002, en la que se enfrentaron
BrasilyAlemania,vemosquenohabahistoriapreviadeenfrentamientosentrelosdosequiposy
habatantosfactoresenjuegoquedifcilmentesepodadarunaprobabilidadsobrelasbasesque
anteriormente llamamos objetivas; por lo mismo, se debe recurrir al juicio de las personas para
definir las probabilidades. A esta manera de fijar probabilidades se le llama, por este hecho,
probabilidadsubjetiva.
4.2Espaciomuestralyeventos.
Paratrabajarconcomodidadlaprobabilidad,valelapenaexpresaralgunosconceptosbsicosque
necesitaremosparaeldesarrollodeltema.
CONCEPTOSESTADSTICOS
Experimento:esaquelprocesoquedalugaraunamedicinoaunaobservacin.
Experimentoaleatorio:esaquelexperimentocuyoresultadoesproductodelasuerteodelazar.
Porejemplo,elexperimentodearrojarundado.
Evento:elresultadodeunexperimento.
E S T A D I S T I C A I U N A M F C A |27

Deestostresconceptospodemosdesprenderuncuarto,elconceptodeeventoaleatorioqueno
es sino el resultado de un experimento aleatorio. Por ejemplo, si el experimento es arrojar un
dado, por el slo hecho de que no podemos anticipar que cara mostrar ste al detenerse
podemos decir que el experimento es aleatorio. Uno de los resultados posibles es que salga un
nmeropar.Talresultadoesuneventoaleatorio.
Parareferirnosaloseventosaleatoriosusaremosletrasmaysculas.Deestemodopodemosdecir
que:
Aeseleventodequealarrojarundadosalgaunnmeronon.
Beseleventodequealarrojarundadosalgaunnmeropar.
Como es claro, podemos definir varios eventos aleatorios respecto del mismo experimento.
Algunos de ellos tendran la caracterstica de que encierran a su vez varias posibilidades (en el
eventoAquedanincluidaslasposibilidadesquesalga1,quesalga3oquesalga5)En
estecontexto,convienedistinguireventossimplesdeeventoscompuestos:
Loseventossimplessonaqullosqueyanopuedendescomponerseenotrosmssencillos.Otra
maneradedenominaraloseventossimplesesladepuntosmustrales.Estadenominacines
tilcuandosetrataderepresentargrficamentelosproblemasdeprobabilidadpuescadaevento
simple(puntomuestral)serepresentaefectivamentecomounpunto.
Los eventos compuestos incluyen varias posibilidades por lo que pueden descomponerse en
eventossencillos.
Por ejemplo, el evento A mencionado anteriormente se puede descomponer en los siguientes
eventos:
E1:eleventodequealarrojarundadosalgaununo.
E2:eleventodequealarrojarundadosalgauntres.
E3:eleventodequealarrojarundadosalgauncinco.
Asuvez,E1,E2yE3soneventossencillos.
Antelainterrogantedequeventosconsideraremosenunexperimentoaleatoriodadodebemos
contestar queestodependedelaperspectivaquetengamosrespecto del experimentoaleatorio.
Si estamos jugando a los dados y las apuestas slo consideran el obtener un nmero par o un
nmeroimparonon,entonceslosnicosresultadosquenosinteresarnsernprecisamenteesos
dos:obtenernmeroparonmeroimpar.
Conestodamoslugaraunconceptoadicionalbsico.
E S T A D I S T I C A I U N A M F C A |28

Espacio muestral: es el conjunto de todos los resultados posibles, en funcin de nuestra


perspectivadelexperimentoaleatorio.Tambinseleconocecomoeventouniverso.
En suma, ante un experimento aleatorio cualquiera tenemos varias alternativas para definir
eventoscuyaprobabilidadpuedasernosdeinters.
Por ejemplo, si tenemos una colectividad de 47 estudiantes egresados, entre Contadores,
AdministradoreseInformticosdeambossexos,ydeesacolectividadseleccionamosalazarauna
persona,puedeserquenosinteresenlasprobabilidadesdelossiguienteseventos:
a)Quelapersonaseleccionadahayaestudiadocontadura
b)Quelapersonaseleccionadahayaestudiadoadministracinocontadura
c)Quelapersonaseleccionadanohayaestudiadoadministracin
d)Quelapersonaseleccionadaseamujeryhayaestudiadoinformtica
e)Quelapersonaseleccionadaseahombreperoquenohayaestudiadoadministracin.
Como puede verse, en los incisos anteriores no solo estamos manejando diversos eventos sino
que adems estamos incorporando relaciones entre ellos. Tales relaciones se pueden establecer
de manera ms eficiente recurriendo a la estructura formal de la teora de conjuntos, esto es,
incorporando, los diagramas de VennEuler, la terminologa de conjuntos, as como las
operaciones que has aprendido a realizar con ellos en cursos anteriores como la unin, la
interseccin, el complemento, la diferencia, entre otras son por entero aplicables al caso de los
eventos,enelcontextodelateoradelaprobabilidad
Estos elementos junto con algunas definiciones que se detallan a continuacin nos permitirn
trabajaradecuadamentelosproblemasdeprobabilidadqueenfrentaremos.
Si definimos a los eventos A y B comoresultados de un experimento aleatorio y recordamos que
todos los eventos posibles (el conjunto universal) constituyen el espacio muestral y
representamosstecomoS,tenemosquelaunindeAconBesuneventoquecontienetodoslos
puntos muestrales que pertenecen al evento A y/o que pertenecen al evento B. Podemos hacer
usodelanotacindeconjuntosparaescribir:
AUB.
LaprobabilidaddeAUBeslaprobabilidaddequesucedaeleventoAodequesucedaelevento
Bodequeambossucedanconjuntamente.
Porotraparte,tenemosquelainterseccindeAyBeslasituacinenqueambos,AyB,suceden
conjuntamente,estoesenformasimultnea.
LainterseccinsedenotaenlasimbologadeconjuntoscomoAnB.
E S T A D I S T I C A I U N A M F C A |29

Amaneraderesumenenlasiguientetablatemostramoscuatrooperacionesquesernmuytiles
paramanejareventosaleatoriosysuequivalenciaconoperacioneslgicas.

Si en nuestro ejemplo de los egresados incorporamos estas operaciones y llamamos C al evento


egresadodeContadura,AaleventoegresadodeAdministracin,Ialeventoegresadode
Informtica,MaleventomujeryHaleventohombre,tendramosquenuestrointerses
conocerlassiguientesprobabilidades:
a)ProbabilidaddeC
b)ProbabilidaddeAUC
c)ProbabilidaddeAc
d)ProbabilidaddeMI
e)ProbabilidaddeHAc
Si adems, adoptamos la convencin de usar la letra P para no escribir todo el texto
probabilidad de, y encerramos entre parntesis el evento de inters, nuestras preguntas
quedarandelasiguientemanera:
a)P(C)
b)P(AUC)
E S T A D I S T I C A I U N A M F C A |30

c)P(Ac)
d)P(MI)
e)P(HAc)
Estaeslaformaenquemanejaremosrelacionesentreeventosydenotaremosprobabilidades.
4.3Losaxiomasdelaprobabilidad.

Los elementos hasta ahora expuestos nos permiten dar ya una definicin ms formal de
probabilidadenelcontextofrecuentista:
SeaAuneventocualquiera;Nelnmerodevecesquerepetimosunexperimentoenelquepuede
ocurrireleventoA;nAel nmerodevecesqueefectivamentesepresentaeleventoA;y P(A)la
probabilidaddequesepresenteeleventoA.

EsdecirquelaprobabilidaddequeocurraeleventoA,resultadedividirelnmerodevecesqueA
efectivamenteaparecientreelnmerodevecesqueseintentelexperimento.(LaexpresinN
seleeNendeainnitoyquieredecirqueelexperimentoseintentmuchasveces).
PodemosverqueelmenorvalorquepuedetenerP(A)esdecero,enelcasodequeentodoslos
experimentosintentadosAnoaparecieraniunasolavez.ElmayorvalorquepuedetenerP(A)es
deuno,enelcasodequeentodoslosexperimentosintentadoseleventoencuestinapareciera
todaslasveces,puesenesecasonAseraigualaNytodonmerodivididoentresmismoesigual
a1.
Entodoslosdemscasos,laprobabilidaddeocurrenciaestarentreestosdosnmerosextremos
yporesopodemosdecirquelaprobabilidaddeocurrenciadecualquiereventoestarentreceroy
uno. sta es la justificacin de la afirmacin anloga que se realiz al principio de la unidad y
tambin la justificacin de la afirmacin que se hace frecuentemente de que la probabilidad se
expresacomolafrecuenciarelativadeunevento;esdecir,relativaaltotaldeexperimentosquese
intentaron.
Axiomasdeprobabilidad,loqueenlenguajematemticosignificaquesonproposicionesquepor
sucarcterevidentenorequierendemostracin.Constituyen,pordecirlodealgunamanera,las
reglas del juego, sin importar si estamos trabajando una probabilidad subjetiva o emprica, o si
seguimoslospostuladosdelaprobabilidadclsica.
E S T A D I S T I C A I U N A M F C A |31

Estos axiomas, que constituyen el cimiento de la teora moderna de probabilidades y fueron


propuestos por el matemtico ruso Kolmogorov, se expresan de manera formal en los siguientes
trminos:
1)ParatodoeventoA,P(A)0
2)Sirepresentaeleventouniverso,entoncesP()=1
3)DadosdoseventosAyB,ocurrequeP(AUB)=P(A)+P(B)P(AB)
Claramente, el primer axioma nos indica que no hay probabilidades negativas y el segundo, que
ningneventotieneunaprobabilidadmayorauno.
Apartirdeellossetienenotrosresultadosdesuyoimportantes,talescomo:
a)P()=0,donderepresentaelconjuntovaco.
b)P(Ac)=1P(A)
Enelsegundodeestosresultadosestamoshaciendoreferenciaaeventoscomplementarios.Si
es el evento universo, entonces para todo evento A existe un evento complemento constituido
portodosaquellosresultadosdelespaciomuestralquenoestnenA,conlapropiedaddequeA
UAc=,porloqueP(AUAc)=P(),demodoqueP(AUAc)=1.
Enconsecuencia,deacuerdoconelaxioma(3),
P(AUAc)=P(A)+P(Ac)P(AAc),
1=P(A)+P(Ac)P(AAc),
Sin embargo, P(AAc) = P() y de acuerdo con el resultado (a), esta probabilidad es cero. Por lo
tanto,
1=P(A)+P(Ac),dedondealdespejarqueda:
P(Ac)=1P(A)

4.4.Sumade Probabilidades
Loseventosdeinterspodemoscomponerlosdelasumadeeventossimples.As,laprobabilidad
dequesucedaeleventoA,dondeeleventosAimplicaquesucedaelE
1
oE
2
,seralaprobabilidad
dequesucedaelE
1
mslaprobabilidaddequeocurraE
2
.
Porejemplo,sitenemoselexperimentosiguiente.
E S T A D I S T I C A I U N A M F C A |32

Se tiene una bolsa negra llena con 4 esferas de color rojo, 5 esferas de color verde, 8 esferas de
color negro y 10 esferas de color azul, todas idnticas entre s, excepto por el color. Cul es la
probabilidaddequealsacarunaesferasalgaverdeonegra?
Es muy sencillo. Si asignamos una probabilidad igual a cada una de las esferas tenemos que la
probabilidad de quesalga cualquieresferaesde
1
27
porquela bolsatieneun total de27 esferas.
Entonceslaprobabilidaddeleventodequesalgaunaesferadeuncolordeterminado,porejemplo
elazul,eslasumadelasprobabilidadesquedesalgaelnmerodeesferasquesondeesecolor.
As, la probabilidad de que ocurra el evento de que salga una esfera azul sera de
10
27
= S7% ya
quehay10esferasazules.Dichodeotromodo:
P(cscro ozul) =
1
27
+
1
27
+
1
27
+
1
27
+
1
27
+
1
27
+
1
27
+
1
27
+
1
27
+
1
27
=
1u
27
= S7%
P(cscro ro]o) =
1
27
+
1
27
+
1
27
+
1
27
=
4
27
= 1S%
P (cscro ncgro) =
1
27
+
1
27
+
1
27
+
1
27
+
1
27
+
1
27
+
1
27
+
1
27
=
8
27
= Su%
P(cscro :crJc) =
1
27
+
1
27
+
1
27
+
1
27
+
1
27
=
S
27
= 18%
Entonces,Culeslaprobabilidaddequealsacarunaesferaseaverdenegra?
SimplementelasumadelasprobabilidadesdecadaEvento,esdecir,
P(cscro :crJc) + P(cscro ncgro) =
S
27
+
8
27
=
1S
27
= 48%
Esto, se usa solo cuando los eventos son independientes entre s. Pero hay casos donde los
eventos,serelacionanunosconotrosyesahdondenopodemosaplicarlaregladesimplemente
sumarlasprobabilidades.
Deformamsgeneral,podemosvernuestroseventoscomoconjuntosmatemticosyoperarcon
ellosconlainterseccin()ylaunin().
Consideramosdoseventoscualesquiera.Loquepuedepasaresqueseintercepten,esdecir,que
tengantrminoscomunes,oqueseanajenosentres.

A A BB A B

E S T A D I S T I C A I U N A M F C A |33

En el caso de que se intercepten, tenemos que si sumamos las probabilidades de cada evento
estaremos sumando dos veces las probabilidades de que ocurra A B, para solucionarlo
simplementelorestamos.
P(A B) = P(A) +P(B) -P(A B)
Enelcasoenquenoseintercepten,tenemosquesisumamoslasprobabilidadesdecadaevento,
al ser ajenos, no estamos repitiendo ninguna probabilidad por lo que la probabilidad de que
ocurra cualquiera de los dos eventos, es simplemente la suma de las probabilidades de ambos
eventoscomoenelejemplodelasesferas.
P(A B) = P(A) +P(B)
Pero al ser ajenos, significa que la intercepcin no contiene ningn elemento, es decir, es vaca.
Por ello no afectara que le restramos la intercepcin porque es como restarle un cero que no
afecta.
Por lo tanto para cualquier caso, ya sean eventos relacionados o independientes, usaremos la
ecuacinparaloseventosrelacionadossinimportardeltiposean.
P(A B) = P(A) +P(B) -P(A B)
Porejemplo,paracalcularlaprobabilidaddequeocurrauneventooelotro.
Por ejemplo, la probabilidad de que al lanzar un dado nos caiga una cara impar o mayor que 3
resultaracomosigue:
A=caigacaraimpar,A={1,3,5} 13 564
B=caigacaramayorque3,B={4,5,6}
P(A B) = P(A) + P(B) - P(A B) =
S
6
+
S
6
-
1
6
=
S
6

4.5.Tablasde contingenciasy probabilidadcondicional


Muchasvecesencontramosquelaprobabilidaddeocurrenciadeuneventosevemodificadapor
el hecho de que ocurra otro evento. Por ejemplo la probabilidad de recibir un bono por
puntualidad depende del hecho de que se haya asistido de maneta puntual cada da. A esta
probabilidadseleconocecomoprobabilidadcondicionalyseexpresasimblicamentecomosigue.
P(BA) =
P(A B)
P(A)

Esdecir,laprobabilidaddequeocurraBdadoquehaocurridoAesigualalaprobabilidaddeque
ocurranamboseventossimultneamente,entrelaprobabilidaddequeocurraA.
E S T A D I S T I C A I U N A M F C A |34

Acontinuacinsemuestraunejemploparaqueselogretenermayorclaridaddeladefinicin.
SeaAeleventodequeamanezcanubladoenunaregindeterminada.
SeaBeleventodequelluevaenesatardeendicharegin.
SeaCeleventodequeamanezcadespejadoenunaregindeterminada.
Deacuerdoconlainformacinmeteorolgicatomadadurantevariosdasenesamismareginse
tienenlossiguientesdatos:
i) Amanecenubladoyllueveel40%delosdas.
ii) Amanecenubladoynollueveel20%delosdas.
iii) Amanecedespejadoyllueveel10%delosdas.
iv) Amanecedespejadoynollueveel30%delosdas.
Dadoloanteriorylasreglasparalassumasdeprobabilidades,laprobabilidaddequelluevaenla
tarde, es la suma de las probabilidades de que llueva tanto si amaneci despejado como si
amaneci nublado. Es decir, 40% ms 10%, o sea, 50%. La probabilidad de que no llueva es su
complemento(100%50%).Enestecasotambinel50%.
Deseamosaveriguarlosiguiente:
a) Laprobabilidaddequelluevaenlatardedadoqueamanecinublado(Laprobabilidadde
queocurraBdadoqueocurraA).
b) La probabilidad de que llueva en la tarde dado que amaneci despejado (La probabilidad
dequeocurraBdadoqueocurraC).
Con la informacin que tenemos podemos sustituir directamente en la frmula para las
probabilidadescondicionales.
a) P(BA) =
P(AB)
P(A)
=
40%
60%
=
0.40
0.60
= u.66 = 66%
Se puede ver claramente de que el hecho de que amanezca nublado influye en el hecho de que
puedalloverenlatarde.
Pasemosalsiguienteinciso.
b) P(BC) =
P(CB)
P(C)
=
10%
40%
=
0.10
0.40
= u.2S = 2S%
Vemosque,silaprobabilidaddequelluevacuandoamanecinubladoesdel50%alaprobabilidad
de que llueva estando despejado es de slo el 25%, el hecho de que amanezca despejado
efectivamenteafectalasprobabilidadesdequellueva.
Esto nos lleva a la ltima definicin de relaciones entre eventos que es la de eventos
independientesquesedesarrollaenelsiguienteapartado.
Abordando otro tema de inters trabajaremos con las tablas conjuntas o de contingencia que se
muestranacontinuacin.
E S T A D I S T I C A I U N A M F C A |35

Una tabla de probabilidad conjunta es una tabla donde se enumeran todos los eventos posibles
para una variable en columnas y una segunda variable en filas. El valor en cada celda es la
probabilidaddeocurrenciaconjunta.
Seempiezaelaborandounatabladecontingenciacuyosvaloresdecadaceldasedividenentreel
totaldedatosparaobtenerlosvaloresdeprobabilidadcorrespondientes.
Elsiguienteejemplomuestraelusodelastablasdecontingencia.
Se obtiene una estadstica de 300 personas, de acuerdo con su edad y sexo, que entraron en un
almacn.
Tabladecontingenciadeclientes
Edad/Sexo Hombre Mujer Total
<30aos 35 46 81
3040 42 59 101
>40aos 51 67 118
Total 128 172 300

Tabladeprobabilidadconjunta
Evento Hombre Hombre Mujer Total
F
1
<30aos
SS
Suu
= u.117
46
Suu
= u.1SS
81
Suu
= u.27
F
2
3040
42
Suu
= u.14
S9
Suu
= u.197
1u1
Suu
= u.SS7
F
3
>40aos
S1
Suu
= u.17
67
Suu
= u.22S
118
Suu
= u.S9S

Probabilidad
marginal
128
Suu
= u.427
172
Suu
= u.S7S
1.000

E S T A D I S T I C A I U N A M F C A |36

La probabilidad marginal es la probabilidad incondicional de un evento particular simple, que


consisteenunasumadeprobabilidadesconjuntas.Sisetomalaprobabilidaddequeelsiguiente
clienteseaunhombre,laprobabilidadsera:
P(E) = P(E E
1
) + P(E E
2
) +P(E E
3
)
Con esta informacin obtener la probabilidad de que la siguiente persona que entre al almacn
sea:
1. Unhombremenorde30aos.
2. Unamujer.
3. Unapersonademsde40aos.
4. Habiendoentradounamujer,quetengaentre30y40aos.
5. Habiendoentradounhombre,quetengamenosde30aos.
6. Tengaentre30y40aos,yqueseamujer.
7. Tengaentre30y40aos,yqueseahombre.
Solucin:
1. P(E
1
E) = u.117 = 11.7%
2. P(H) = u.S7S = S7.S%
S. P(E
3
) = u.S9S = S9.S%
4. P(E
2
N) =
P(H E
2
)
P(H)
=
u.197
u.S7S
= u.S44 = S4.4%
S. P(E
1
E) =
P(E E
1
)
P(E)
=
u.117
u.427
= u.274 = 27.4%
6. P(NE
2
) =
P(E
2
H)
P(E
2
)
=
u.197
u.SS7
= u.S8S = S8.S%
7. P(BE
2
) =
P(E
2
E)
P(E
2
)
=
u.14
u.SS7
= u.41S = 41.S%
Las tablas de probabilidad conjunta son instrumentos muy valiosos para predecir el grado de
probabilidaddeocurrenciadehechossupuestosdeantemano.
4.6.Independencia estadstica
Sean dos eventos A y B del espacio de eventos S; decimos que A y B son independientes si la
probabilidaddequeocurraAnoinfluyeenlaprobabilidaddequeocurraBy,simultneamente,la
probabilidad de que ocurra B no influye en la probabilidad de que ocurra A. En caso contrario
decimos que los eventos son dependientes. Esto lo expresamos simblicamente del siguiente
modo:
E S T A D I S T I C A I U N A M F C A |37

ParaconsiderarqueAyBsonindependientessedebencumplirlasdoscondicionessiguientes:
P(BA) = P(B)yP(AB) = P(A)
Esdecir,elhechodequeocurrauneventonomodificalaprobabilidaddequeocurraelotroen
ningnordenquesetomen.LaprobabilidaddeleventoAeslamismacuandosabemosqueha
ocurridoeleventoB,quecuandonosabemosnada.Esdecir,laocurrenciadeleventoBnoafecta
laprobabilidaddeleventoAyporlotantosonindependientes.Demaneraanlogapuede
interpretarselaigualdadequivalenteP(BA) = P(B).
Unclaroejemplodeunaindependenciaestadsticaodeeventosconsisteenlanzarunamonedaal
aire.Esunahiptesisnaturalsuponerqueelresultadodelprimerlanzamientonoafectael
resultadodelsegundolanzamiento.Deestemodocualquiereventodelprimerensayoes
independientedecualquierotroeventoenelsegundoensayo.
Ladefinicindeindependenciadedoseventospuedegeneralizarsealcasodevarioseventosdela
siguienteforma:
DecimosqueneventosA
1
, A
2
, , A
n
sonindependientessisesatisfacentodasycadaunadelas
condicionessiguientes:
P(A

A
]
) = P(A

) P(A
]
)
P(A

A
]
A
k
) = P(A

) P(A
]
) P(A
k
)
P(A
1
A
n
) = P(A
1
) P(A
n
)
Engeneral,paraverificarqueneventossonindependientesesnecesariocomprobartodasycada
unadelasigualdadesarribaenunciadas.Esdecir,cualquieradeestasigualdadesnoimplica,en
general,lavalidezdealgunaotra,esnecesariopuesverificarlastodas.
4.7. Laregla de la multiplicacinde probabilidades
Sitomamoslafrmuladelaprobabilidadcondicionalqueyavimosydespejamoslainterseccin,
elresultadoeselsiguiente:
P(A B) = P(BA) P(A)
Si los eventos A y B son independientes,por lo que se definio anteriormente para eventos
independientes,laprobabilidaddeBdadoAesigualalaprobabilidaddeB,porloque:
P(A B) = P(A) P(B)
Esdecirquelaprobabilidaddequeamboseventosocurrandemanerasimultaneaestadadaporel
productodesusprobabilidadesindividuales.
E S T A D I S T I C A I U N A M F C A |38

A continuacin sea dan algunos ejemplos sobre la ocurrencia simultanea de eventos


independientes.
Una tienda de articulos de linea blanca, recive de su proovedor 50 refrigeradores. Entre estos
aparatos hay 10 que estn defectuosos. El inspector inspecciona dos refrigeradores al azar Cul
eslaprobabilidaddequeambosestndefectuosos?
Solucin:
EventoA.Elprimerrefrigeradorqueserevisaestdefectuoso.
EventoB.Elsegundorefrigeradorqueserevisaestadefectuoso.
Si entre los 50 refrigeradores, hay 10 que estn defectuosos, la probabilidad de que ocurra el
eventoAesde
10
50
= u.2u.
Si el primer refrigerador sale defectuoso nos quedan solo 49 refrigeradores de los cuales solo
nueve pueden estar defectuosos. Por ellos la probabilidad de B dado que A ya ocurrio es de
9
49
= u.1836.
Expresandoloformalmente:
P(A) =
1u
Su

Comosoneventosindependientessucedeque
P(BA) = P(B) =
9
49

Porlotantopasaquelaprobabilidaddequeocurranamboseventoses
P(A B) = P(A) P(B) =
1u
Su

9
49
=
9u
24Su
= u.uS67 = S.67%
Porotrolado,sipensamosendosprobabilidadesnoindependientes,entoncessucederaque:
P(A
1
A
2
A
n
) = P(A
1
) P(A
2
A
1
) P(A
3
A
1
A
2
) P(A
n
A
1
A
n-1
)
4.8.Teorema deBayes
Cuando calculamos la probabilidad de B dado que A ya ha ocurrido, de alguna manera se piensa
queeleventoAesalgoquesucedeantesqueByqueApuedesercausadeBopuedecontribuira
su aparicin. Tambin, de algn modo podemos decir que A, normalmente ocurre antes que B.
pensemos por ejemplo que deseamos saber la probabilidad de que cierto estudiante apruebe un
examendematemticasdadoqueestudioporlomenosveintehorasantesdelmismo.
E S T A D I S T I C A I U N A M F C A |39

EnalgunasocasionessabemosqueaocurridoeleventoByqueremossaberculeslaprobabilidad
de que haya ocurrido el evento A. la pregunta que necesitamos contestar es: Cul es la
probabilidaddequeelalumnohayaestudiadoporlomenosveintehorasdadoquehaaprobadoel
examendematemticas?
Esta probabilidad se encuentra aplicando la regla que se conoce como Teorema de Bayes que se
muestraacontinuacin:
P(A

B) =
P(BA

) P(A

)
P(BA
1
) P(A
1
) + P(BA
2
) P(A
2
) ++ P(BA
k
) P(A
k
)

Endonde:
P(A

) = probobiliJoJ prc:io
Eslaprobabilidaddeuneventoposibleentesdecualquierotrainformacin.
P(BA

) = probobiliJoJ conJicionol
EslaprobabilidaddequeeleventoBocurraencadaposiblesucesodeleventoA

.
P(BA

) P(A

) = probobiliJoJ con]unto
Laprobabilidad(A

B)determinadaporlareglageneraldelamultiplicacin.
P(A

B) = probobiliJoJ o postcriori
Combina la informacin provista en la distribucin previa con la que se ofrece a travs de las
probabilidadescondicionalesparaobtenerunaprobabilidadcondicionalfinal.
AcontinuacinsemuestraunejemplodelaaplicacindelteoremadeBayes.
Ungerentedecrditotratacontrestiposderiesgoscrediticiosconsusclientes:laspersonasque
paganatiempo,lasquepagantarde(morosos)ylasquenopagan.
Con base en los datos estadsticos, las proporciones de cada grupo son de 72.3%, 18.8% y 8.9%
respectivamente.
Tambin, por experiencia, el gerente de crdito sabe que el 82.4% de las personas del primer
gruposondueosdesuscasas;el53.6%delosmorosossondueosdesuscasasyel17.4%delos
quenopagansonpropietariosdesuscasas.
LoQuesenospideenesteejemploescalcular,paraelgerentedecrditolaprobabilidaddeque
unnuevosolicitantedecrditoenunfuturo,siesdueodesucasa:
a) Pagueatiempo
b) Paguetarde
E S T A D I S T I C A I U N A M F C A |40

c) Nopague
d) Elaborarunatabladeprobabilidades
Solucin:
Evento P
1
= clicntcs quc pogon o ticmpo
Evento P
2
= clicntcs quc pogon torJc
Evento P
3
= clicntcs quc no pogon
Evento = clicntcs quc son Jucos Jc sus cosos
Evento = clicntcs quc no son Jucos Jc sus cosos
Lafrmulaconlaquevamosatrabajarnosquedaradelasiguientemanera:
P(P

) =
P(P

) P(P

)
P(P
1
) P(P
1
) + P(P
2
) P(P
2
) +P(P
3
) P(P
3
)

Losdatosqueconocemosson:

E S T A D I S T I C A I U N A M F C A |41

P(P
1
) = u.72S
P(P
2
) = u.188
P(P
3
) = u.u89
P(P
1
) = u.824
P(P
2
) = u.SS6
P(P
3
) = u.174
a) probabilidaddequeunnuevosolicitantepagueatiempo.
Sustituyendoenlaformulageneraltenemosque:
P(P
1
) =
(u.824)(u.72S)
(u.824)(u.72S) + (u.SS6)(u.188) +(u.174)(u.u89)
=
u.S96
u.712
= u.8S7
Unnuevosolicitantequeseapropietariodesucasatendr83.7%deprobabilidadesdequepague
atiempo.

b) Probabilidaddequeunnuevosolicitantepaguetarde.

Sustituyendoenlaformulageneraltenemosque:
P(P
2
) =
(u.SS6)(u.188)
(u.824)(u.72S) +(u.SS6)(u.188) +(u.174)(u.u89)
=
u.1u1
u.712
= u.142
Unnuevosolicitantequeseapropietariodesucasatendr14.2%deprobabilidadesdequepague
tarde.
c) Probabilidaddequeunnuevosolicitantenopague..
Sustituyendoenlaformulageneraltenemosque:
P(P
3
) =
(u.174)(u.u89)
(u.824)(u.72S) +(u.SS6)(u.188) +(u.174)(u.u89)
=
u.u1S
u.712
= u.u21
Un nuevo solicitante que sea propietario de su casa tendr 2.1% de probabilidades de que no
pague.
Estainformacinesdegranutilidadparasabersiconvieneonootorgaruncrditoaalgnnuevo
cliente.
EldenominadordelafrmularepresentalaprobabilidadmarginaldeleventoD.sepuedeindicar
queun71.2%desusclientessondueosdesuscasas.

E S T A D I S T I C A I U N A M F C A |42

Sepuedeinferirtambinqueunapersonanodueadesucasatendrunaprobabilidaddepagara
tiempodesolo16.3%queeselcomplementode83.7%;yquelosquepagarantardesinotienen
unacasapropiasonelel85.81%yquelosquenopagaransonel97.9%.
d) Unatabladeprobabilidadesfacilitaelanlisisdeesteproblema.
TabladeprobabilidadesparaelteoremadeBayes
Evento
P
|

Probabilidad
previa
P(P
|
)
Probabilidad
condicional
P(DP
|
)
Probabilidad
conjunta
P(DP
|
) P(P
|
)
Probabilidada
posteriori
P(P
|
D)
P
2
0.723 0.824 0.595 0.837
P
3
0.188 0.535 0.101 0.142
P
3
0.089 0.174 0.015 0.021
1.000 0.712 1.000

La utilizacin de este teorema nos permitir descubrir la probabilidad de que un cierto evento
hayasidolacausadeleventoqueestocurriendooestporocurrir.


E S T A D I S T I C A I U N A M F C A |43

UNIDAD5Distribucionesdeprobabilidad

Unadistribucindeprobabilidadesdatodalagamadevaloresquepuedenocurrirconbaseenun
experimento,yresultasimilaraunadistribucindefrecuencias.Sinembargo,envezdedescribir
elpasado,definequtanprobableesquesucedaalgneventofuturo.
Estasdistribucionessonmodelosparticularesparaasignarprobabilidadesasubconjuntos.

5.1. Variables aleatorias, discretas ycontinuas


Unavariableesaleatoriasilosvaloresquetomacorrespondenalosdistintosresultadosposibles
deunexperimento;porelloelhechodequetomeunvalorparticularesuneventoaleatorio.
Las variables se clasifican en variables cuantitativas o mtricas y variables cualitativas o no
mtricas.
Lasvariablescuantitativasomtricassonaquellascuyadeterminacinestasociadaaunaunidad
de medida; por ejemplo, el precio de un producto, el nmero de habitantes de una poblacin, el
ingresomensualdelosindividuosdeunpas,etctera.Estasvariablessesubclasificanasuvezen
variablesdiscretasycontinuas.
Lasvariablesdiscretasodiscontinuassonaquellasquecuantificanlacaractersticapormediode
valores enteros y nunca mediante fracciones de los mismos. Como ejemplo de este tipo de
variables tenemos el nmero de clientes de un banco, el nmero de hijos de una familia, el
nmerodealumnosenungrupodelauniversidad,elnmerodepersonasenunapoblacinrural,
elnmerodeautomvilesenunaciudad,etctera.Esclaroqueenningunodeloscasosanteriores
podramos tener 1.5 como valor. Se les llama as, porque si las colocamos en una recta real
tendrnunadistribucinsalteadaodiscreta.
Las variables continuas son aquellas que pueden tomar cualquier valor numrico, es decir, un
valor entero o fraccionario dentro de un intervalo previamente especificado. As, por ejemplo, la
variable tiempo en una investigacin podra medirse en intervalos de horas, o bien, en horas y
minutos,obienenhoras,minutosysegundossegnseaelrequerimientodelamisma.
Lasvariablescualitativasonomtricasespecificanymidencualidadesenlosindividuos,lugareso
cosas a partir de su descripcin con palabras. Ejemplos de ellas son la variable sexo (masculino,
femenino), la variable religin (catlica, protestante, etc.), la variable idioma (espaol, ingls,
francs, etc.), la variable estatus social (alto, medio, bajo), la variable calidad de un servicio
(bueno, regular, malo), etctera. Al igual que las variables cuantitativas, stas pueden
subclasificarseenvariablescualitativasnominalesyordinales.

E S T A D I S T I C A I U N A M F C A |44

Lasvariablesnominalessonaquellasvariablesnomtricasusadasparadescribirunacaracterstica
quenopuedesercuantificadanumricamente.Porejemplo,elsexodelosindividuosenungrupo
universitario, su idioma, su religin, la carrera que cursan, etctera; en algunos casos a estas
variablesselesasignannmeros,deacuerdoconunareglaespecfica,peroestosnmerosslose
emplean para diferenciar a los distintos objetos o categoras. As, la variable sexo podra
clasificarse mediante dos categoras: 1 para los hombres y 2 para las mujeres. De esta forma, en
una investigacin todos los individuos 1 seran hombres y todos los 2 seran mujeres. Esta
numeracinenlasvariablesnominalesnopermiteningunaoperacinaritmticaoalgebraica.
Lasvariablesordinalessonaquellasvariablesnomtricasquepermitendescribirlacaracterstica
de una persona, objeto o lugar a partir de diferenciarla en diversas categoras establecidas en
orden de supremaca de acuerdo con un criterio jerrquico. La diferencia que se establece entre
las categoras ordinales no tiene significado cuantitativo porque slo expresan, por ejemplo, que
unasituacinesmejor queotra,pero nocuantifican. Un ejemplodeelloeslaevaluacin que un
cliente puede realizar sobre el servicio en un restaurante. El servicio fue malo, regular, bueno y
muy bueno. Como puede observarse, la variable mide diversas categoras que han sido
establecidas de acuerdo con un criterio, pero no puede establecer en ellas una cuantificacin
numrica, ya que la evaluacin realizada por el cliente es subjetiva.

5.2. Media y varianza de una distribucin de probabilidad Para cada una de las
distribuciones de probabilidad existen formulas distintas para calcular la media y la varianza. A
continuacin se presentan las que sirven para distribuciones discretas.

Variables
Cuantitativas
Discretas
Continuas
Cualitativas
Nominales
Ordinales

E S T A D I S T I C A I U N A M F C A |45

5.3. Distribuciones deprobabilidades devariables discretas


La distribucin de probabilidad de una variable aleatoria describe cmo se distribuyen las
probabilidadesdelosdiferentesvaloresdelavariablealeatoria.
ParaunavariablealeatoriadiscretaX,ladistribucindeprobabilidadsedescribemedianteuna
funcin de probabilidad, representada por f(X), que define la probabilidad de cada valor de la
variablealeatoria.
5.3.1. Distribucin binomial
La distribucin binomial se relaciona con un experimento aleatorio conocido como experimento
deBernoulliyquetienelassiguientescaractersticas:

E S T A D I S T I C A I U N A M F C A |46

Elexperimentoestconstituidoporunnmerodepruebasidnticas(porejemplo,arrojar
unamoneda).
Cada prueba tiene exactamente dos resultados posibles. A uno de ellos se le llama
arbitrariamentexitoyalotroseledenominafracaso.
La probabilidad de xito de cada prueba aislada es constante para todas las pruebas y
recibeladenominacindep.
La probabilidad de fracaso de cada prueba es, igualmente, constante para todas las
pruebasyseledenominaq.
Lascaractersticasantesmencionadashacenquep+q=1.
Pormediodeladistribucinbinomialtratamosdeencontrarunnmerodadodexitosen
unnmeroigualomayordepruebas.
Laprobabilidaddexxitosennintentosestdadaporlasiguientefrmula:
P(x) = nCx p
x
q
(n-x)

Estafrmulanosdicequelaprobabilidaddeobtenerxnmerodexitosennpruebasestdada
por la multiplicacin de n combinaciones de x por la probabilidad de xito elevada al nmero de
xitosdeseadoyporlaprobabilidaddefracasoelevadaalnmerodefracasosdeseados.
5.3.2Distribucindepoisson
La distribucin de Poisson fue descubierta por SimonDenis Poisson, que la dio a conocer
en1838ensutrabajo:Investigacinsobrelaprobabilidaddelosjuiciosenmateriascriminalesy
civiles. Es una distribucin de probabilidades en el que un conjunto de valores con probabilidad
noesfinito,sinonumerable.
El rea de oportunidad es una unidad continua o intervalo de tiempo, volumen o rea donde se
puede presentar ms de un evento, algunos ejemplos seran los defectos en la superficie de un
refrigerador, el nmero de fallas de la red en un da, o el nmero de pulgas que tiene un perro.
Cuando se tiene un rea de oportunidad como estas, se utiliza la distribucin de Poisson para
calcularlasprobabilidadessi:
a) Leinteresacontarlasvecesquesepresentauneventoenparticulardentrodeunreade
oportunidad determinada. El rea de oportunidad se define por tiempo, extensin, rea,
etc.
b) La probabilidad de que un evento se presente en un rea de oportunidad dada es igual
paratodaslasreasdeoportunidad

E S T A D I S T I C A I U N A M F C A |47

c) El nmero de eventos que ocurren en un rea de oportunidad es independiente del


nmerodeeventosquesepresentanencualquierotrareadeoportunidad.
d) Laprobabilidaddequedosomseventossepresentenenunreadeoportunidadtiende
aceroconformeesareasevuelvemenor.
La distribucin de Poisson tiene un parmetro llamado lambda que es la media o el nmero
esperadodeeventosporunidad.
En la ecuacin que se muestra a continuacin se muestra la expresin matemtica de la
distribucin de Poisson para el clculo de la probabilidad de X eventos, dado que se esperan
eventos.

5.3.3Distribucindepoissoncomoaproximacindeladistribucinbinomial
Una forma de generar el modelo de la distribucin de Poisson, es considerando un nmero muy
grandedeeventosenunexperimentoconprobabilidadesdexitomuypequeas.
LadistribucindelavariableXdefinidacomoelnmerodexitosennrepeticiones,cuandoesta
tiendeaunnmeroinfinito,seaproximaaladistribucindePoisson.Porestarazn,seutilizaala
distribucindePoissonparaaproximarprobabilidadesenladistribucinbinomial.
Si se desea aproximar el calculo de probabilidades de una de una variable binomial por un a de
Poisson,sedebetomarencuentaquelamediadeladistribucinbinomialesnp,porloqueenla
aproximacindebemosrealizar =np.Paraquehallaunabuenaaproximacinsedebetomar
encuentaquenseagrandeyPseapequea.

E S T A D I S T I C A I U N A M F C A |48

5.3.4Distribucinhipergeometrica
Estetipodedistribucinseaplicaparadistribucionesconmuestreosinreemplazo,esdecirqueal
extraer un elemento no se puede volver a aparecer en prximos eventos. La poblacin de esta
distribucinesfinita.
Se aplica a experimentos donde al igual que en la distribucion binomial, en cada evento puede
habersolodosposiblesresultados.Sediferenciadeladistribucionbinomialenquelosdiferentes
eventos son dependientes. De esta forma la probabilidad del segundo elemento depende de el
elementoquesehallasacadoenlaprimeraextraccion.
La funcion de la distribucion hipergeometrica hara corresponder a cada valor de la variable x la
probabilidaddelsucesodeobtenerxresultadosdeltipoA,y(nx)resultadosdelapruebanoAen
lasnpruebasrealizadasdeentrelasNposibles.
Hayuntotalde formasdistintasdeobtenerxresultadosdeltipoAynxdeltipono
A.
Porotrapartesirealizamosnpruebas,tenemosuntotalde posiblesmuestras(gruposde
n elementos). De esta forma la funcin de una distribucin hipergeomtrica para valores de X
comprendidosentrelosnmerosenterosyconparmetrosN,n,p,quedadelasiguientemanera:


E S T A D I S T I C A I U N A M F C A |49

5.3.5Distribucinmultinomial
Este tipo de distribucin tiene relacin con la distribucin binomial a diferencia de que en la
distribucinbinomialpuedehaberdosposiblesresultadosyenladistribucinmultinomialpuede
habermsresultados.
Laspropiedadesdeunexperimentomultinomialson:
Elexperimentoconsisteennpruebasidnticas
HayKposiblesresultadosdecadaprueba
Lasprobabilidadesdeloskresultados,denotadasporp
1,
p
2,
p
3,..
p
k.
semantienenconstantes
alolargodetodaslaspruebas,dondep
1+
p
2++
p
k
=1
Laspruebassonindependientes
Ladistribucinmultinomialsigueelsiguientemodelo:

Dnde:
X1=x1:indicaqueelsucesoX1aparezcax1veces
n:indicaelnmerodevecesqueseharepetidoelsuceso
n!:esfactorialden
p1:eslaprobabilidaddelsucesoX1
5.4Distribucionesdeprobabilidaddevariablescontinuas
Las distribuciones de probabilidad de variable continua se definen mediante la funcin y=f(x),
llamada funcin de probabilidad o funcin de densidad. En esta funcin, la probabilidad viene
dadaporelreaqueseencuentradebajodelacurva,porlotanto:
Elreatotalqueseencuentradebajodelacurvadebedeseriguala1

E S T A D I S T I C A I U N A M F C A |50

Paraobtenerlaprobabilidadp(a X b),secalculaelreadebajodelacurvaquehaydesde
elpuntoahastaelpuntob.
Dentro de este rubro de distribuciones de variables continuas tenemos las siguientes
distribuciones:
Distribucinjicuadrado
Distribucinexponencial
DistribucintdeStudent
Distribucinnormal
DistribucinGamma
DistribucinBeta
DistribucinF
Distribucinuniforme(continua)
DistribucindeWeibull
DistribucindePareto
5.4.1DISTRIBUCIONNORMAL
La distribucin normal es la distribucin continua que se utiliza mas constantemente en la
estadstica.Estadistribucinesdevitalimportanciadentrodelaestadsticaportresrazones:
1) Muchas variables continuas comunes en el mundo de los negocios tienen distribuciones
queseasemejanestrechamentealadistribucinnormal.
2) La distribucin normal sirve para acercarse a diversas distribuciones de probabilidad
discreta,comoladistribucinbinomialyladistribucindePoisson.
3) La distribucin normal proporciona la base para la estadstica inferencial clsica por su
relacinconelteoremadellmitecentral.
Ladistribucinnormaltieneimportantespropiedadestericas:
Tieneunaaparienciadeformadecampana
Susmedidasdetendenciacentral(media,medianaymoda)sontodasidnticas
Su 50% central es igual a 1.33 desviaciones estndar, esto significa que el rango
intercuartil est contenido dentro de un intervalo de dos tercios de una desviacin

E S T A D I S T I C A I U N A M F C A |51

estndar por debajo de la media y de dos tercios de una desviacin estndar por encima
delamedia.
Suvariablealeatoriaasociadatieneunrangoinfinito
Lafuncindedensidaddeladistribucinnormalsedaenlasiguienteecuacin:

Sinembargoestafrmulaesmuytediosadecalcularyporfortunaexistentablasdeprobabilidad
normal para evitar estos clculos complicados. El primer paso para encontrar probabilidades
normalesesusarlafrmuladetransformacinparaconvertircualquiervariablealeatorianormalX
enunavariablealeatorianormalestandarizadaZ.

Aunque los datos originales para la variable aleatoria X tenan una media y una desviacin
estndar , la variable aleatoria estandarizada Z siempre tendr una =1 y una =1. Al sustituir
estas medidas en la primera ecuacin, la funcin de densidad de probabilidad de una variable
normalestandarizadaZ,estdadaenlasiguienteecuacin:

E S T A D I S T I C A I U N A M F C A |52

5.4.2Distribucinexponencial
La distribucin exponencial es el lapso entre dos eventos consecutivos de Poisson que ocurren
independientemente y con frecuencia constante. La distribucin exponencial se utiliza
frecuentementecon elobjetoderesolverproblemasdeltipotiempofallaycomomodelopara
elestudiodeintervalosenproblemascomoladuracindecomponenteselectrnicos.
Enestadistribucin,laprobabilidaddeeventospresentesofuturosnodependendelosquehayan
ocurrido en el pasado, de esta manera la probabilidad de que una unidad falle en un lapso
especificodependesolodeladuracindelmismoynodeltiempoenquelaunidadhaestadoen
operacin.
Si una variable aleatoria X tiene una distribucin exponencial, su funcin de densidad es la
siguiente:

Estadistribucinsecaracterizaportenerunparmetroquerepresentaellapsodetiempoentre
doseventosindependientesdePoisson,recibeelnombredetiempopromedioentrefallas,y1/
eslafrecuenciaentrefalla.
Elvaloresperadoylavarianciadeestadistribucinestndadaspor:
Valoresperado:

E S T A D I S T I C A I U N A M F C A |53

Varianza
Elintersrecaeendeterminareltiempodevidapromediodeuncomponenteodeunsistemade
estos.Elproblemaconsisteenidentificarladistribucindeprobabilidadesdelavariablealeatoria
queproporcionedemaneraadecuadaunmodeloparaeltiempodefalla.

5.5Leydelosgrandesnmeros
A esta ley se le considera como el teorema fundamental de la teora de la probabilidad. Este
teoremaestablecelafrecuenciarelativadelosresultadosdeunexperimentoaleatorio,tiendena
estabilizarse en un cierto nmero, este nmero es la probabilidad, cuando el experimento se
realizamuchasveces.
La Ley de los Grandes Nmeros implica que el promedio de una Muestra Estadstica conformada
por un mayor nmero de elementos, tender a estar ms cerca de la media de la Poblacin
completa.
Dentrodelaleydelosgrandesnmerospodemosencontraradosleyes:
Laleydbil.Estaleyaseguraquelamediaaritmticadenvariablesaleatoriasseaproxima
a un lmite de la probabilidad. Esta solo se cumple si en una sucesin de variables
aleatorias,laprobabilidadseaproximaa0.
Laleyfuerte:lacualsoloafianzaalaleydbilrealizandounaconvergenciadeprobabilidad
1


E S T A D I S T I C A I U N A M F C A |54

UNIDAD6Nmerosndice

6.1NMERONDICESIMPLE

Enprimertrmino,ycomoantecedente,vamosamencionaralgunosaspectosrelacionadosconla
construccindeunndice.

Dadoqueloimportantedeunndiceesobservarsucomportamientoeneltiempo,laeleccindel
periodoquevaaservirdebaseesmuyimportante.Vamosasuponerquedeseamosdesarrollarun
ndicequereflejelaocupacindeloshotelesyquedefinimosnuestrondicedeocupacincomo:

Porcentajedeocupacinde1980=100.

Sidecimosque,enelcontextodelaocupacinhotelera,elaode1980fuebueno,entonces
podemossuponerquelamayoradelosotrosaossevermalencomparacin,puestendrn
valoresmenoresacien.Encambio,sielaode1980fuemuymalo,lamayoradelosaossever
bienpuestendrvaloresmayoresacien.Sideseamosconstruirunndicequenoresulte
engaoso,debemoselegirunperiodobasequenoseaniexageradamentebuenoni
exageradamentemalo.Usualmenteelndicedelperiodobaseesiguala100.

Otraconsideracinquedebemoshaceralconstruirunnumerondiceesquelaraznbsicadesu
utilizacinesladeresumircircunstancias,avecesmuycomplejas,enunsolonmeroqueseafcil
decomprenderydemanejar.Porellodebemosdetomarladecisindeloquequeremosreflejar
enl.

Sideseamosreflejarlafluctuacinenlacantidaddebienesoserviciosseleccionados(cantidadde
automviles,cantidaddeconsultasmdicas,etc.)debemosconstruirunndicedecantidad.

Siloquedeseamosesreflejarloscambiosenelvalortotaldeungrupodebienesoservicios,
crearemosunndicedevalor.Porejemplo,elndicedelvalortotaldeautomvilesvendidos,ode
serviciosmdicosproporcionadosenunao.

Cuandousamosunndiceparareflejarunsolobien,estaremosconstruyendounndicesimple.
Encambio,siconjuntamosvariosbienesenelmismondice,estaremostrabajandounndice
agregado.Avecesnoexisteunnicondicequesatisfaganuestrasnecesidades,perosdosotres
(oms)deellosquecontemplanlainformacinquenecesitemos.Enesecasopodemosconjuntar
estosndicesparaformarunndicecompuesto.

Existendiversostiposdendicestiles.Explicaremosalgunosdeellos.

ndicedecantidad

Estendicemideloscambiosenlasunidadesdeunbiendeacuerdoconsuorigen,destino,
utilizacin,etc.Todoelloatravsdeltiempo.Comoloquenosimportaesmedirlavariacin
enlacantidad,mantenemosconstanteslospreciosdelosbienesparaluegocalcularelvalorde
loconsumidooproducidoenlosperiodosconsiderados.

E S T A D I S T I C A I U N A M F C A |55

Laexpresinqueenseguidaaparecenosmuestraelmanejoformaldeestetipodendices.
PQ
IQ100
PQ

EndondeQieslacantidaddelbienenelperiodoquesedeseaobtener,Qbeslacantidaddelbien
quesetomacomobaseyPbeselpreciodelaobase.

Sislodeseamoscompararcantidadesdeunsolobien,comoenelcasodeunndicesimple,la
expresinanteriorsesimplificaparaquedar

Qi
IQ100
Qb

Acontinuacinsepresentaunejemploquenospermitirunamejorcomprensindelosndicesde
cantidad.

Ejemplo1.Unaempresaquevendeautobusesdepasajeroshadecididoestablecerunndice
decantidadesvendidas.Seacordcomoperiodobaseelmesdejuniode2001.Enlaprimera
columnasemuestranlasunidadesvendidas;enlasegunda,elndicepropiamentedicho.

VENTAS (UNIDADES) NDICE


Marzo01 93 109.41
Abril01 81 95.29
Mayo01 78 91.76
Junio01 85 100.00
Julio01 90 105.88
Agosto01 94 110.59
Septiembre01 84 98.82
Octubre01 89 104.71
Noviembre01 92 108.24

Porejemplo,paraelmesdeabril,elndicesecalculatomandoelcocientedelnmerode
unidadescorrespondientesalmesdeabrilentrelasdejunioymultiplicandoporcien


E S T A D I S T I C A I U N A M F C A |56

ndicedevalor

Estendicemideenunidadesmonetarias(pesos,dlares,etc.)elvalor(yaseadecostoodeprecio
deventa,segnelcaso)deunconjuntodebienesy/oservicios.Esimportantesubrayarqueen
estetipodendicessetomaencuentaelcambioenelvalordecadabienqueseincluyeenel
ndice,porloqueparasuclculo,mantenemosconstanteslascantidadesdelosbienesparaluego
calcularelvalordeloconsumidooproducidoenlosperiodosconsiderados

Laexpresinqueenseguidaaparecenosmuestraelmanejoformalde
estetipodendices.
IV ---------
P
i
Q
b 100

P
b
Q
b

EndondeQbeslacantidaddelbienenelperiodobase,entantoquePiyPbsonlospreciosdel
periododereferenciaydelperiodobaserespectivamente.

Sislodeseamoscompararpreciosovaloresdeunsolobien,comoenelcasodeunndicesimple,
laexpresinanteriorsesimplificapara
quedar

IQ P1 100
Pb


6.2NDICESDEPRECIOSAGREGADOS

Comoyasehaanticipadoeneltemaanterior,unndiceagregadoesaquelqueagrupaoresumeel
comportamiento de varios bienes o servicios. Consideremos el siguiente ejemplo, a manera de
repasodelconceptodendiceagregado.
Ejemplo1.Unalibreraadquiri5ttulosenelmesdemayo.Losdatos

semuestranenlasiguientetabla


E S T A D I S T I C A I U N A M F C A |57

Ttulo Qb Pb Pb Qb
Cantidad del mes

base
Costo unitario mes

base
1 20 104 2,080
2 50 89 4,450
3 20 215 4,300
4 40 100 4,000
5 35 155 5,425
SUMA
20,255

Almessiguienteadquiri los mismos ttulos, pero a precios distintos, como se muestra a


continuacin:

Ttulo Qb Pi PiQb
Cantidaddelmes

base
Costounitariomes

corriente
1 20 107 2,140
2 50 95 4,750
3 20 215 4,300
4 40 115 4,600
5 35 172 6,020
SUMA 21,810

Conlosdatosanterioresyapodemosobtenerelndicedevalor.

IVPiQb100
PbQb
Porlotanto,ndicedeValor=21810/20255100=108.68

ndicecompuesto

Sepuedepresentarlaposibilidaddequenoexistaunndiceyapublicadoporalgunaagencia
degobiernooinstitucindeinvestigacinprivadaquesatisfagalasnecesidadesparticularesde
unaempresa.Pensemos,sinembargo,queexistendosomsndicesquesestnpublicadosyque
satisfacen,porpartes,susnecesidadesdeinformacin.

E S T A D I S T I C A I U N A M F C A |58

Vamosasuponerqueunaempresatieneel70%desusnegociosenlaCiudaddeMxicoyel30%
restanteenlaciudaddePuebla.Paratomardecisionesacertadas,elgerentedeestaempresa
necesitaunndicedepreciosquecombineponderadamentelosndicesagregadosdepreciosde
ambasciudades.

Cuandohablamosdecombinacinponderadanosreferimosadarleunpeso(laponderacin)a
cadaunodeloselementosquesevanacombinar.Estepesorepresentadealgunamanera,la
importanciarelativaqueseasignaacadaelemento,demaneratalquelasumadelas
ponderacionesseaunoo100%.Acontinuacinseilustracmoaplicaresto.

Supongamosque:

a)ndiceagregadodepreciosalconsumidordelaciudaddeMxicoenabrildelaoencurso:
214.382
b)ndiceagregadodepreciosalconsumidordelaciudaddePueblaenabrildelaoencurso:
208.214

ndicecompuesto=150.067+62.464=212.531

Enestecaso,lasponderacionessehanasignadoenfuncindelpesorelativoquetienenlos
diferentesnegociosdelaempresasegnlaciudad.

Elvalorquehemosobtenidocorrespondealvalordelndicecompuestoy,comohemosvisto,lo
podemosgenerarmediantelasiguiente
expresin:

IC IiPi

Endonde:

IC Eselndicecompuesto

li Escadaunodelosndicesagregadosquequeremosquetomenpartedelndice
compuesto.

Pi Eselpesooproporcinquesedaaesendiceenelpropiondicecompuesto.


E S T A D I S T I C A I U N A M F C A |59

Noestdemsvolverasealarquelasumadetodoslospesosdebe

serigualalaunidad,esdecirPi=1

Paracomprendermejorestasideas,consideremoselsiguienteejemplo:

Ejemplo1.ElgerentedelaempresaquetenianegociosenPueblayenlaCiudaddeMxico,abri
recientementeunasucursalenQuertaro.Ahorasusnegociosserepartendelasiguiente
manera:50%enlaCd.deMxico;30%enPueblay20%enQuertaro.Losndicesdepreciosde
lastresciudadessedetallanacontinuacinparaelmesdejuniodel
aobase.

Ii Pi IiPi
I.P.C. CdMxico 221.310 0.50 110.655
I.P.C Puebla 215.240 0.30 64.572
I.P.C Quertaro 218.700 0.20 43.740
SUMA 1.00 218.967

Elndicecompuestoesahora:IC=218.967

ndicesponderados

Ancuandolosndicesagregadosincorporanmayorinformacinquelosndicessimples,pueden
noserrelevantesporquelleganaestarinfluidosporlasunidadesdemedida;porello,se
necesitaunmediode
ponderaradecuadamentelosartculossegnsuimportanciarelativa.
Entrelosndicescompuestosponderadosquemsseutilizanseencuentranlosqueserefierena
lasvariacionesdeprecios.Losmsimportantessonlosde

LaspeyresydePaasche.

Lacaractersticacomnaestosndicesyalamayoradelosndicesdepreciosesqueutilizan
comocoeficientesdeponderacinlosvaloresqueresultandelproductodeunprecioporuna
cantidad.


E S T A D I S T I C A I U N A M F C A |60

Estasponderacionesseestablecenparatenerencuentalascantidadesvendidasdecada
producto.Loanteriorproporcionaunreflejomsexactodelcostoverdaderodelacanasta
tpicadelconsumidor.

6.2.1ndicedeLaspeyres.

Utilizalascantidadesvendidasenelaobasedentrodelponderadorypermitecomparaciones
mssignificativasconeltiempo.
Sufrmulaeslasiguiente:

Lpnqo100
poqo

endonde: LeselndicedepreciosdeLaspeyres.

pneselprecioactual.

poeselpreciobase.

qoeslacantidadvendidaenelperiodobase.

Enelsiguienteejemploseilustraestendice:

Unaempresaposeeunaplantaempacadoradecarneysus3principalesproductostienenlas
siguientescantidadesdeprecioyventaenlos
ltimos3aos:

Precio($)/unidad Cantidadvendida
Artculo Unidad 2003 2004 2005 2003 2004 2005

Res

kilo
30 33
45

250
320
350

Cerdo

kilo

20

22

21

150

200

225

Ternera

kilo

40

45

36.4

80

90

70

Sitomamoscomoaobaseelao2003,ycalculamoslosproductos

precioenaocorrienteporcantidadenaobase,tendramos:


E S T A D I S T I C A I U N A M F C A |61

Precio($)/unidad Cantidad
aobase
Precioxcantidad
(pnxq0)
Artculo 2003 2004 2005 2003 2003 2004 2005
Res 30 33 45 250 7,500 8,250 11,250
Cerdo 20 22 21 150 3,000 3,300 3,150
Ternera 40 45 36.4 80 3,200 3,600 2,912

TOTAL

13,700

15,150

17,312

Estoeradeesperarse,puestoqueeselpropioaobase.
Elndiceparaelao2004utilizalospreciosdelaodereferencia(2004)
ylascantidadesenelaobase(2003).Setendraentonces:

L2004p2004q2003
p2003q2003100

15,150=110.58
13,700

Elndiceparaelao2005utilizalospreciosdelaodereferencia(2005)

ylascantidadesenelaobase(2003)paraelnumerador:

L2005p2005q2003
p2003q2003100

17,312
13,700=126.36

Estosvaloresindicanquedelao2003al2004,elpreciodelacanastaparaestos3artculosse
incrementenun10.58%.Setendranquegastar$110.58en2004paraadquirirloqueen2003
costaba$100.00.

Tambinindicaquedelao2003al2005,elpreciodelacanastaparaestos3artculosse
incrementenun26.36%.Segastaran$126.36en
2005paraadquirirloqueen2003secomprabacon$100.00.

Sehacenotarqueeldenominadoreselmismoparacualquierao,yaqueelndicedeLaspeyres
siempreutilizacantidadesdelperiodobase.


E S T A D I S T I C A I U N A M F C A |62

6.2.2ndicedePaasche

Incorporadentrodelponderadorlascantidadesvendidasencadaunodelosaosdereferenciay
tienelaventajadequeelndicesebasaenlospatronesdecomportamientodelconsumidor
comn.Amedidaquelosconsumidorescambiansushbitosdecompra,losgastosqueefectan
sereflejandirectamenteenelndice.

Suexpresineslasiguiente:

P pnqn
poqn100

PeselndicedepreciosdeLaspeyres.

pneselprecioactual.

poeselpreciobase.

qneslacantidadvendidaenelperiodoactual

Estendiceindicaquedelao2003al2004,elpreciodelacanastaparaestos3artculosse
incrementenun10.5%.Segastara$110.50en
2004paraadquirirloquecon$100.00secomprabaen2003.Tambin

indicaquedelao2003al2005,elpreciodelacanastaparaestos3artculosseincrementenun
29.3%.Segastara$129.30en2005paracomprarloqueen2003costaba$100.00

ElndicedeLaspeyrestiendeasobreponderarlosbienescuyospreciosseincrementan.Loanterior
ocurreporqueelincrementoenelpreciotiendeareducirlascantidadesvendidas,perotal
reduccinenlascantidadescompradasnosereflejaenelndicedeLaspeyresdebidoaqueste
utilizalascantidadesdelaobase.

6.3PRINCIPALESNDICESDEPRECIOS

Dentrodelosprincipalesndicesdepreciossetienen:

Elndicenacionaldepreciosalconsumidorndicedepreciosproductor
ElndicedepreciosycotizacionesdelaBolsadeValores
LosndicesDowJones
Acontinuacinpresentamossuscaractersticasgenerales.


E S T A D I S T I C A I U N A M F C A |63

6.3.1ndicenacionaldepreciosalconsumidor

Elndicedepreciosalconsumidores,entrminosgenerales,unindicadorqueseconstruyepara
analizarlaevolucindelospreciosalconsumidordeunconjuntodebienesyservicios.Aestoeslo
quegeneralmenteseconoceenlosmediosnoticiososcomoelndicedelcostodelavida.

EnelcasodeMxicoseleconocecomoelndicenacionaldepreciosalconsumidor(INPC)yes
elaboradoporelBancodeMxicodesde1927,aoenelqueseinvestigaron16artculos
alimenticiosenlaciudaddeMxico.Actualmente,seinvestiganyregistrancadamesmsde
170,000preciosparamsde300tiposdeproductosen46ciudadesdelpasyparasuclculose
sigueelmodelodeLaspeyres.

EnelcasodeEstadosUnidoselndicesepublicamensualmenteenEstadosUnidosporla
DireccindeEstadsticasLaborales(BureauofLaborStatistics).

Losvaloresdelndicedepreciosalconsumidorseexpresancomopromediosanualesymensuales.
Estendicesepuedeusardemltiplesmaneras.Unusocomnesparamedirelpoder
adquisitivodelconsumidoroeldelamoneda.

ElINPCseutilizatambinparamedirelingresoreal,queeselingresoajustadoparacambiosen
losprecios.Deestemodo,dividirelsalarionetoentreelvalorcorrientedelINPCencualquier
aorevelarelingresorealparaeseao.Tambinesposiblehacerunacomparacinentreaos.
Otraaplicacindeusogeneralizadodeestendicetienequeverconlasdenominadasclusulasde
aumentosgradualesenloscontratoscolecvosdetrabajoqueliganlosaumentos
salarialesalndicenacionaldepreciosalconsumidor(INPC).Msan,lascuotasalSeguroSocial
yalgunasotrasincluyenclusulasrelativasacambiosquetomanenconsideracinelniveldel
INPC.

Todoslosndicesdepreciosalconsumidorsonndicesagregados.Paraentendercmosetrabaja
unndicedepreciosalconsumidor,haremosusodeunejemplosencillosimplificado.

Elconocimientocontinuodelosprincipalesindicadoreseconmicosesdegranutilidadentodo
momentoparalasempresasonegocios.Tambinsonunadelasprincipalesherramientasde
prediccineconmicaparacualquiergobierno.

6.3.2ndicedepreciosalproductor

Esteesunndiceelaborado,enelcasodenuestropas,porelBancodeMxico.Entrminos
generalestienecomoobjetivomedirelcambioenlospreciosdeunacanastafijadebienesy
serviciosqueseproducenenelpas.Susresultadossepublicandemaneramensual.

Entornoaestendiceesimportantesealarqueelconceptodeprecioproductorserefiereal
preciofijadoporelproductoraquienprimeroadquieresuproducto,yporlotantonose
refierealvalordelaproduccinosucosto.


E S T A D I S T I C A I U N A M F C A |64

Estospreciosserecabandirectamentedelproductorprincipalmentebajoelconceptolibrea
bordoyaquenoincluyenimpuestosalconsumo,costosdetransporteymrgenesde
comercializacin.
Enestesentidounodesusprincipalesusosesmedirlainflacindesdelaperspectivadelaoferta.

6.3.3ndicedepreciosycotizaciones(IPC)

EsteesunndiceelaboradodiariamenteporlaBolsaMexicanadeValoresconelpropsitode
medirelcambioenelnivelgeneraldepreciosdelasaccionesqueformanelmercado
respectivo.

Actualmente,ensuclculoseintegrainformacindeunamuestrade35emisoras,lascualesse
seleccionanbimestralmentetomandoencuentaaspectoscomonmerodeoperacionesyrazn
entreelmontooperadoyelmontosuscrito,buscandoconellounamuestrabalanceaday
debidamenteponderada.

Sepuededecir,entrminosgeneralesquesuvaloresunindicadorparaelinversionistadelos
rendimientosqueseobtienenalcolocardineroenelmercadoaccionario.

6.3.4ndiceDowJones

Bajoestenombresetienenmsde130,000indicadoreseconmicos,todosellosetiquetados
comoDowJonesalserelaboradosporlaempresaDowJonesIndexes.Deellos,unodelosms
famososeselndiceburstilDowJones,queesunndicesemejantealdepreciosycotizaciones
delaBolsaMexicanadeValores,porcuantomideelcambioenelnivelgeneraldepreciosde
lasacciones,perodelmercadoaccionarionorteamericano.
Losregistrosdeestendiceconstituyenlaseriedeindicadoresburstilesmsantiguayconocida
yaqueexistedesdefinalesdelsigloXIX.Debesunombrealainiciativadedoseditoresfinancieros:
CharlesH.DowyEdwardD.Jones
Actualmente,enelclculodelndiceseintegrainformacinde30emisoras.

6.4DEFLACINDEUNASERIE

Estrictamentehablando,ladeflacinesunadisminucinsostenidaenelniveldepreciosdelos
bienesyservicios.Es,as,unconceptoopuestoaldeinflacin.

Ambosconceptosserefieren,enestesentido,alavariacinqueexperimentaeldineroporcuanto
mediodepago.

Todoscuantoshemospagadoporunconjuntodebienesyserviciosalolargodeunperiodode
tiemponoshemospercatado,porlomenos,dequeconlamismacantidaddedinerocadavez
compramoscantidadesmenoresdeesosbienesyserviciosporefectodelainflacin.Asimismo
nospercatamosdequeansiseaumentanlossueldos,compramoscantidadesmenoresdeesos
bienesyservicios,deigualmanera,porefectodelainflacin.
Silospreciosbajasendemanerasostenidanospercataramosdequeadquiriramosunacantidad
mayordebienesyserviciosporefectodeladeflacin.

E S T A D I S T I C A I U N A M F C A |65

Engeneral,aesteprocesodecambioenlascantidadesdebienesyserviciosquesepueden
adquirirseleconocecomocambiosenelpoderadquisitivo.

Medirestoscambiosllevaacompararmagnitudesreferidasainstantesdetiempodistintosyesto
hacenecesariodistinguirdosconceptos.

Precioscorrientes.Serefiereamedicionesdecantidadesconlospreciosdelperiodoque
corre.

Preciosconstantes.Serefiereamedicionesdecantidadesconlospreciosdeunperiodobase.

Lospreciosconstantessepuedenobteneraparirdelosprecioscorrientesmedianteunproceso
queseconocecomodeflactacindeseries,elcualconsisteendividircadapreciocorrienteentre
unndiceexplicadoporlatasadeinflacin.

Laexpresinrespectivasemuestraacontinuacin:

VPConsVPCorr
,(1 tasainflacin)n

Endondeneselnmerodeperiodosquehayentreelperiodobaseyelcorriente.


E S T A D I S T I C A I U N A M F C A |66

BIBLIOGRAFA

1.Anderson,DavidR.;Sweeney,DennisJ.;Williams,ThomasA.,(2005),Estadsticapara
administracinyeconoma,8a.edicin,Mxico,InternationalThomsoneditores,888pginasms
apndices.
2.Levin,RichardI.yDavidS.Rubin,(2004),Estadsticaparaadministracinyeconoma,7a.
Edicin,Mxico,PearsonEducacinPrenticeHall,826pginasmsanexos.
3.LindDouglasA.,Marchal,WilliamG.;Wathen,Samuel,A.,(2008),Estadsticaaplicadaalos
negociosylaeconoma,13edicin,Mxico,McGrawHillInteramericana.859pp.
4.BERENSON,Mark,KREHBIEL,Timothy,LEVINE,David.Estadsticaparaadministradores.
cuartaedicin,edi.PearsonEducacin,Mxico.