2do NOTAS DE CLASE ESTADÍSTICA INGENIERIA

ESTADISTICA NOTAS DE CLASE - MSc.
LILIANA VITOLA GARRIDO
ESTADISTICA PROGRAMA ING. AGROINDUSTRIAL

PRIMER CAPITULO: GENERALIDADES
Definicin de Estadstica.
Poblacin.
Muestra.
QUINTO CAPITULO: PROBABILIDAD
Parmetro.
Combinatoria-Permutacin-Multiplicacin
Estadstico.
Espacios Mustrales
Variable.
Axiomas de Probabilidad
SEGUNDO CAPITULO: MEDIDAS DE TENDENCIA CENTRAL
Reglas
de Probabilidad
Media Aritmtica
Mediana Independientes
Eventos
Probabilidad
Condicional
Moda
Teorema
Cuartiles de Bayes
SEXTO CAPITULO: VARIABLES ALEATORIAS DISCRETAS Y DISTRIBUCIONES DE
Deciles
PROBABILIDAD
Percentiles
Variables Aleatorias Discretas
TERCER CAPITULO: MEDIDAS DE DISPERSIN
Esperanza y Varianza de una Variable Aleatoria Discreta
Rango Intercuartilico
Funcin de Distribucin de Probabilidad de una v.a. Discreta
Varianza
Distribuciones de Probabilidad de Variables Aleatorias Discretas: Binomial, Poisson,
Desviacin Estndar
Hipergeometrica, Multinomial.
Regla Emprica
SEPTIMO CAPITULO: VARIABLES ALEATORIAS CONTINUAS Y DISTRIBUCIONES DE
Coeficiente de Simetria
PROBABILIDAD
Tipos
de Curtosis
Variables Aleatorias Continuas
CUARTO CAPITULO:
Esperanza y Varianza REPRESENTACIN GRFICA
de una Variable Aleatoria DE DATOS
Continua
Histograma
Funcin de Densidad de Probabilidad de una v.a. Continua
Diagrama de Caja
Distribuciones de Probabilidad de Variables Aleatorias Continuas: Distribucin normal,
Diagrama de Barras
Aproximacin Distribucin Normal a Binomial, Aproximacin Distribucin Normal a
Diagrama de Tallos y Hojas
Poisson, Aproximacin Distribucin Normal a Hipergeometrica.
Tabla de Contingencia
OCTAVO CAPITULO: INTERVLOS DE CONFIANZA Y PRUEBAS DE HIPTESIS
Intervalos de Confianza para la Media de una y dos poblaciones
Intervalos de Confianza para la Proporcin de una y dos poblaciones
Intervalos de Confianza para la Varianza de una y dos poblaciones
Prueba de Hiptesis para la Media de una y dos poblaciones
Prueba de Hiptesis para la Proporcin de una y dos poblaciones
Prueba de Hiptesis para la Varianza de una y dos poblaciones
Error Tipo I y Error Tipo II
P Valor
ESTADISTICA NOTAS DE CLASE - MSc. LILIANA VITOLA GARRIDO
BIBLIOGRAFIA
Frend, J. Perles, B. (2009). Estadstica Elemental Moderna. Arizona, Estados Unidos: Editorial
Prentice Hall.
Garca, C. (2014). Estadstica Descriptiva y Probabilidades Para Ingenieros. Lima, Per: Editorial
MACRO.
Kaznier, L. (2012). Estadstica Aplicada a Administracin y Economa. Mxico D.F. Mxico: Editorial
Mc Graw Hill.
Kinney, J. (2009). Estadstica Para Ciencia e Ingeniera. Estados Unidos: Editorial, Addison Wesley.
MacLave, J. et al. (2011). Estadstica. New Yersey, Estados Unidos: Editorial Prentice Hall.
Moore, D. (2009). Estadstica Aplicada Bsica. Barcelona, Espaa: Editorial Antoni Bosch.
Quezada, Nel. (2014). Estadstica para Ingenieros. Lima, Per: Editorial MACRO.
Quezada, Nel. (2014). Estadstica con SPSS 20. Lima, Per: Editorial MACRO.
Sullivan, Michael. (2009). Fundamentos de Estadstica. Estados Unidos: Editorial Prentice Hall.
Triola, M. (2009). Estadstica Elemental. Estados Unidos: Editorial Addison Wesley.
Llinas, H. (2010). Estadstica Inferencial. Barranquilla, Colombia: Ediciones Uninorte.
Webster Allen. (2000). Estadstica Aplicada a los Negocios y la Economa. Universidad de Bradley:
Editorial Mc. Graw Hill.
EVALUACIN
- Talleres y Actividades dentro y fuera de clase 40%
- 3 Examenes Parciales de 20% cada uno: Total 60%
- Total Evaluacin: 100%
REPORTE DE NOTAS
Primer reporte de notas 20%
Desde el 6 al 10 de marzo de 2017
Segundo Reporte de notas 30%
Desde el 10 al 12 de abril 2017
Tercer Reporte de notas 50%
Desde el 27 de mayo al 1 de junio de 2017
HABILITACIONES
Desde el 2 y 3 de junio de 2017
Reporte de notas de habilitaciones
Desde el 2 al 4 de junio de 2017
ASESORIAS PARA ESTUDIANTES
PROGRAMA DIA HORA
Ing. Agroindustrial JUEVES 9:00 11:00 a.m.
VIERNES 9:00 10:00 a.m.
ESTADSTICA
DEFINICIN:
La Estadstica estudia los mtodos para recoger, organizar, resumir y analizar datos, as como para
sacar conclusiones vlidas y tomar decisiones razonables basadas en tal anlisis. Su aplicacin tuvo
origenes en asuntos del gobierno, compaa de seguros, juegos de azar, siguiendo posteriormente con
los comerciantes, industriales y educadores.
La Estadstica Descriptiva tiene como fin presentar resmenes de un conjunto de datos y poner de
manifiesto sus caractersticas, mediante representaciones grficas. Los datos se usan para fines
comparativos, y no se usan principios de probabilidad. El inters se centra en describir el conjunto dado
de datos y no se plantea el extender las conclusiones a otros datos diferentes o a una poblacin.
La Estadstica Inferencial, por el contrario, estudia los resmenes de datos con referencia a un modelo
de distribucin probabilstico o una familia de modelos, determinando mrgenes de incertidumbre en la
estimacin de los parmetros desconocidos del mismo. Se supone que el conjunto de datos analizados
es una muestra de una poblacin y el inters principal es predecir el comportamiento de la poblacin, a
partir de los resultados en la muestra.
POBLACIN OBJETO DE ESTUDIO:
Es un conjunto de elementos (animales, personas u objetos), que poseen una caracterstica en comn. Por
ejemplo, si se est interesado en conocer los niveles de desempeo acadmico en el rea de Matemticas
de los estudiantes de Educacin Bsica Secundaria, del sector pblico en la ciudad de Sincelejo, pues la
poblacin objeto de estudio, en ste caso deben ser, Estudiantes de Bsica Secundaria de los Colegios del
Sector Pblico de la Ciudad de Sincelejo.
MUESTRA:
Es una representacin de la poblacin, es decir, un subconjunto de la poblacin, cuyos elementos tienen las
mismas caractersticas del resto de los elementos de la poblacin de la cual fue extrada. La forma en cmo,
se selecciona la muestra, puede ser probabilstica o no probabilstica.
El muestreo probabilstico es una tipo de muestreo en virtud de la cual, las muestras son recogidas en un
proceso que brinda a todos los individuos de la poblacin objeto de estudio, las mismas oportunidades de
ser seleccionados.
El muestreo no probabilstico es aquel en el cual, los individuos de la poblacin objeto de estudio, no tienen
la misma oportunidad o probabilidad de ser seleccionados.
PARMETRO:
Un parmetro es un nmero que resume la gran cantidad de datos que pueden derivarse del estudio de
una variable estadstica. El clculo de este nmero est determinado, usualmente, mediante una
frmula aritmtica obtenida a partir de datos de la poblacin.
El estudio de una gran cantidad de datos individuales de una poblacin puede ser tedioso y extenso, por lo
que se hace necesario realizar un resumen que permita tener una idea global de la poblacin, y realizar
estimaciones sobre datos desconocidos de la misma y, en definitiva, tomar decisiones acerca de la
poblacin.
ESTADSTICO:
Un Estadstico es una medida cuantitativa, derivada de un conjunto de datos de una muestra, con el
objetivo de estimar o inferir caractersticas de una poblacin.
Es decir, un estadstico es una funcin medible T que, dada una muestra estadstica de valores X1, X2, X3,
Xn, se les asigna un nmero T( X1, X2, X3, ..Xn ), que sirve para estimar el valor de determinado
parmetro de la poblacin de la que procede la muestra.
VARIABLE:
Es una caracterstica que poseen los elementos de una poblacin, como su nombre lo indica, varia de
individuo a individuo.
Variable Cualitativa:
Las variables cualitativas se refieren a caractersticas o cualidades que no pueden ser medidas
con nmeros, y pueden ser: Nominal u Ordinal;
Binomial o Multinomial;
Nominal: Una variable cualitativa nominal presenta modalidades no numricas que no admiten un criterio de
orden.
Por ejemplo, la variable Color de Ojos: Caf; Negros; Verdes; Azules; Violeta; etc.
Ordinal: Una variable cualitativa ordinal presenta modalidades no numricas, en las que existe un orden o
jerarqua.
Por ejemplo, la variable Estrato: Estrato 1; Estrato 2; Estrato 3; etc.
Binomial: Cuando la variable cualitativa, tiene solo dos categoras o modalidades.

Por ejemplo, la variable Estado del Paciente: Sano; Enfermo.
Multinomial: Cuando la variable cualitativa, tiene ms de dos categoras.

Por ejemplo, la variable Grupo Sanguneo: A+; A-; B+; B-; AB+; AB-; O+; O-.
Variable Cuantitativa:
Las variables cuantitativas se refieren a caractersticas o cualidades que pueden ser medidas con nmeros,
y pueden ser: Discreta o Continua.
Discreta: Son aquellas variables, cuya representacin con nmeros intervalares no tiene sentido.
Por ejemplo, la variable Nmero de Accidentes de Trnsito Registrados mensualmente, en la Avenida la
Paz de la Ciudad de Sincelejo, Durante el ao 2015: 0; 1; 2; 3; 4; etc.
Continua: Son aquellas variables que se pueden representar con nmeros intervalares.
Por ejemplo, la variable Peso: 56,7 kg; 60,2 kg; 53,5 kg; 50,0 kg;... etc.
MEDIDAS DE TENDENCIA CENTRAL
Media Aritmtica
La media aritmtica mustral representa el centro fsico del conjunto de datos y se define como la suma de
los valores observados, dividido por el total de observaciones. Si X1, X2, X3, Xn son n observaciones
numricas, entonces la media aritmtica de esta n observaciones, se define como:
Caso de datos no agrupados

n
xi
X = i=1
n
Caso de datos agrupados:
Cuando se trata de datos agrupados (tabla de frecuencias) la media aritmtica se puede aproximar
mediante la expresin:
n
f ix i
X = i=1
n
xi fi
Donde y son respectivamente los datos correspondientes a cada observacin y el nmero de
veces que se repite cada dato.
Mediana
Sea X1, X2, X3, Xn una muestra aleatoria de n observaciones. La Mediana de un conjunto de datos, es el
valor que divide la distribucin de las observaciones, por la mitad, de tal manera que el 50% de los datos
son menores a dicho valor, y el otro 50% de los datos son mayores a dicho valor.
Para hallarla, se organizan los datos de menor a mayor, si el nmero de datos es impar, el dato que queda
en el centro de la distribucin, es el valor correspondiente a la Mediana. Pero si el nmero de datos es par,
se promedian los dos datos que quedan en el centro de la distribucin.
Moda
Es el dato con mayor frecuencia entre el conjunto de datos.

Ejemplo:
Los siguientes datos, muestran las ventas en millones de pesos, que se han realizado en los ultimos 10 dias
del mes, en 4 sucursales de un reconocido almacen de cadena de la cuidad.
Cruz de
Dias/Sucursal Amricas Narciza Centro
Mayo
1 79 72.81 78.75 80.6
2 61 66.53 60.62 61.6
3 54 65.65 58.75 60.6
4 100 97.07 97.5 98.1
5 96 87.91 83.75 81.8
6 82 78.88 80 84.3
7 90 75.43 77.55 72.5
8 89 90.43 91.87 86.2
9 90 83.27 86.25 86
10 85 88.25 90 78
a) Halla el promedio de ventas de global y de cada una de las 4 sucursales e interpreta el resultado. Cual
de las 4 sucursales est por encima del promedio de ventas y cual por debajo?
b) Halla la Mediana y la Moda de las ventas e interpreta el resultado.
MEDIDAS DE POSICIN
El objetivo es describir el comportamiento de una variable dividiendo la serie de valores en diferente nmero
de partes porcentualmente iguales, las ms usadas son: los Cuartiles (cuartas partes), los Deciles (decimas
partes) y los Cuantiles o Percentiles (centsimas partes).
Los Cuartiles
Son aquellos nmeros que dividen los datos ordenados, en cuatro partes porcentualmente iguales. Hay tres
cuartiles, Q1, Q2 y Q3. El primer Cuartil Q1, es el valor por debajo del cual queda aproximadamente la
cuarta parte (25%) de todos los datos ordenados; El segundo Cuartil Q2 es el valor por debajo del cual
queda el 50% de los datos (Mediana), el tercer Cuartil Q3 es el valor por debajo del cual quedan las tres
cuartas partes (75%) de los datos.
1. Q1: n/4 si el resultado da un nmero decimal, se aproxima al entero siguiente y el dato que est en
dicha posicin corresponde a Q1. Si el resultado es un entero, entonces el valor del cuartil Q1, es el
promedio de las observaciones ordenadas en las posiciones n/4 y n/4 +1.
2. Q2: n/2 si el resultado da un nmero decimal, se aproxima al entero siguiente y el dato que este en
dicha posicin corresponde a Q2. Si el resultado es un entero, entonces el valor del cuartil Q2, es el
promedio de las observaciones ordenadas en las posiciones n/2 y n/2 +1.
3. Q3: 3n/4 si el resultado da un nmero decimal, se aproxima al entero siguiente y el dato que este en
dicha posicin corresponde a Q3. Si el resultado es un entero, entonces el valor del cuartil Q3 es el
promedio de las observaciones ordenadas en las posiciones 3n/4 y 3n/4 +1.
Los cuartiles quedaran definidos de la siguiente manera:
Rango Intercuartilico
Es la distancia entre los cuartiles superior e inferior y se define como:
RI =Q3Q1
Permite dibujar el diagrama de cajas, que ayuda a visualizar que tan dispersos estan los datos que se
encuentran ubicados antes de la Mediana y despues de la Mediana.
Los Percentiles o Cuantiles
Son nmeros que dividen el conjunto de datos ordenados en cien partes porcentualmente iguales. El
percentil 50 equivale a la mediana.
Considerando la definicin de la mediana, esta ser el segundo cuartil, el 50 Percentil o Cuantil.
El procedimiento para encontrar el valor de cualquier percentil Pk a partir de datos ordenados, es el

siguiente:
4. Encontrar la posicin del percentil PK, mediante el calculo de n*k, donde K es la valor porcentual que
representa el percentil y n el tamao de la muestra.
5. Si n*k no es un entero, se redondea el valor al entero siguiente y el valor de P k es el dato ordenado en
dicha posicin.
6. Si n*k es un entero, entonces el valor del percentil PK es el promedio de las observaciones ordenadas
en las posiciones nk y nk +1.
Ejemplo:
Tomando como ejemplo, los datos que muestran las ventas en millones de pesos, que se han realizado en
los ultimos 10 dias del mes, en 4 sucursales de un reconocido almacen de cadena de la cuidad.
a) Hallemos el percentil 10 (P0.10 ) , correspondiente a las ventas generadas en la sucursal Cruz de Mayo.
Los Deciles
Son nmeros que dividen el conjunto de observaciones ordenadas en diez partes porcentualmente iguales.
De tal manera que el Decil 1(D1) es igual al Percentil 10 (P0.10)
El Decil 2(D2) es igual al Percentil 20 (P0.20)
El Decil 3(D3) es igual al Percentil 30 (P0.30) y as sucesivamente.

length(tr)
mean(tr)
median(tr)
sd(tr)
IQR(tr)
fivenum(tr)
summary(tr)
p25=quantile(tr,.25)
p25
p50
p75
kurtosis=function(x){
m4=mean((x-mean(x))^4)
kurt=m4/(sd(x)^4)-3
kurt}
kurtosis(S1)
skewness=function(x){
m3=mean((x-mean(x))^3)
skew=m3/(sd(x)^3)
skew}
skewness(S1)
stem(S1)
boxplot(S1)
hist(S1)
barplot(S1)
op <-par(mfrow=c(2,2))
hist(p1,main="DATOS PRIMER TRIMESTRE",xlab="DIAS",ylab="PERSONAS")
hist(p2,main="DATOS SEGUNDO TRIMESTRE",xlab="DIAS",ylab="PERSONAS")
hist(p3,main="DATOS TERCER TRIMESTRE",xlab="DIAS",ylab="PERSONAS")
hist(p4,main="DATOS CUARTO TRIMESTRE",xlab="DIAS",ylab="PERSONAS")
barplot(p1,main="DATOS PRIMER TRIMESTRE",xlab="DIAS",ylab="PERSONAS")
barplot(p2,main="DATOS SEGUNDO TRIMESTRE",xlab="DIAS",ylab="PERSONAS")
barplot(p3,main="DATOS TERCER TRIMESTRE",xlab="DIAS",ylab="PERSONAS")
barplot(p4,main="DATOS CUARTO TRIMESTRE",xlab="DIAS",ylab="PERSONAS")
boxplot(p1,main="DATOS PRIMER TRIMESTRE",horizontal=TRUE, ylab="DIAS",xlab="PERSONAS")
boxplot(p2,main="DATOS SEGUNDO TRIMESTRE",horizontal=TRUE, ylab="DIAS",xlab="PERSONAS")
boxplot(p3,main="DATOS TERCER TRIMESTRE",horizontal=TRUE, ylab="DIAS",xlab="PERSONAS")
boxplot(p4,main="DATOS CUARTO TRIMESTRE",horizontal=TRUE, ylab="DIAS",xlab="PERSONAS")
MEDIDAS DE DISPERSIN
Varianza Mustral
Se puede definir como el promedio de los cuadrados de las desviaciones de los datos con respecto a la
media mustral. Se define como:
( x i x )2f i
S 2= i=1
n1
Desviacin Estndar Mustral
Al tomar el cuadrado de las desviaciones con respecto a la media para el clculo de la varianza, las
unidades en que estn dados los datos tambin se expresaran en unidades al cuadrado. Esto puede no
tener sentido. Estas circunstancias condujeron a que se le hiciera una modificacin a la anterior medida y se
lleg de esta manera al concepto de desviacin estndar, la cual se define como la raz cuadrada de la
varianza, esto es:
(x i x )2f i
i=1
S=
n1
Regla Emprica:
Esta regla define el porcentaje de datos que debe estar dentro de determinadas desviaciones estndar
respecto a la media. A continuacin se determinan estos porcentajes:
Aproximadamente el 68% de los datos estn a menos de una desviacin estndar de la media:
( x s , x + s)
Aproximadamente el 95% de los datos estn a menos de dos desviaciones estndar de la media:
( x 2 s , x +2 s)
Aproximadamente el 99,75% de los datos de la muestra estn a tres desviaciones de la media:

( x 3 s , x +3 s)
Ejemplo:
Tomando como ejemplo, los datos correspondientes a las ventas en millones de pesos, que se han
realizado en los ultimos 10 dias del mes, en 4 sucursales de un reconocido almacen de cadena de la
cuidad.
a) Halla la varianza y la desviacin estndar correspondientes a la distribucin de los datos e interpreta el
resultado.
b) Aplicando la regla emprica, calcula los intervalos de desviacin, de los datos con respecto la media
muestral e interpreta el resultado.
Coeficiente de Asimetra
Indica hacia que extremo los datos estan ms aglomerados o distribuidos. Si hay pocos datos distribuidos
hacia el extremo derecho se dice que la distribucin es sesgada a la derecha, mientras que si hay pocos
datos distribuidos hacia la izquierda, se dice que la distribucin es sesgada hacia la izquierda. La medida
que describe esta asimetra se denomina coeficiente de sesgo, o simplemente sesgo. Est definida como:
( xi x )3f i
i=1
n
3=
3
( )
n
2
( x i x ) f i
i =1
n1
3> 0 3< 0
Si la distribucin es Sesgada a la Derecha. Si la distribucin es Sesgada a la Izquierda. Si
3=0
la distribucin es Simtrica.
Coeficiente de Curtosis
En algunos casos unos datos pueden estar concentrados alrededor de la media, de manera que la
distribucin tiene un pico grande. En otros casos, la distribucin puede ser relativamente plana. La medida
que determina que tan empinada se encuentra una distribucin se denomina coeficiente de curtosis, o
simplemente curtosis y est dada por:
(x ix )4f i
i=1
n
4= 3
4
( )
n
(x i x )2f i
i=1
n1
4 >0 4 <0 4=0

Si la distribucin es Leptocrtica. Si la distribucin es Platocrtica. Si los datos se
distribuyen forma normal o Mesocrtica.
Ejemplo:
Tomando como ejemplo los datos correspondientes a las ventas en millones de pesos, que se han realizado
en los ultimos 10 dias del mes, en 4 sucursales de un reconocido almacen de cadena de la cuidad.
a) Halla el Coeficiente de Asimetra y el Coeficiente de Curtosis. Interpreta el resultado. Los datos se
distribuyen de manera normal?
DIAGRAMAS DE REPRESENTACIN DE DATOS
Tablas de Contingencia
Se utilizan para organizar, examinar o comparar dos variables de inters al mismo tiempo.
Ejemplo: La siguiente tabla, muestra la cantidad de personas que usaron los servicios de la aerolnea Alpha,
de acuerdo a su edad y al nmero de vuelos en los que se registraron al ao.
Ejercicio: Los datos que a continuacin se presentan, muestran los niveles educativos, expresados en aos,
de un grupo de 45 empleados, as como tambien el nivel administrativo que poseen actualmente. Organice
los datos en una tabla de contingencia, con los diferentes niveles administrativos que tiene el empleado de
acuerdo a los aos de educacin y dividiendo los tres grupos educativos de la siguiente manera: Grupo 1,
entre los 10 y los 12 aos; Grupo 2, entre los 13 y los 15 aos; Grupo 3 de 16 aos y ms. Que patrones se
observan y a que conclusiones se puede llegar.
Nivel Aos de Nivel Aos de

Gerencial Educacin Gerencial Educacin
Administrad 14 Presidente 16
or 13 Presidente 18
Subgerente 16 Presidente 14
Gerente 16 Subgerente 15
Subgerente 12 Gerente 17
Administrad 16 Subgerente 12
or 12 Administrador 12
Presidente 12 Subgerente 15
Administrad 14 Gerente 16
Subgerente 13 Subgerente 14
Gerente 12 Presidente 16
Gerente 20 Subgerente 14
Subgerente 13 Administrador 12
Gerente 16 Presidente 13
Presidente 11 Administrador 10
Subgerente 16 Subgerente 13
or 10 Subgerente 15
Gerente 11 Gerente 14
Subgerente 14
Presidente
Presidente
Subgerente
Gerente
Administrad
or
Histograma
El histograma es una tcnica grfica utilizada para presentar gran cantidad de datos. El histograma puede
ser de frecuencias absolutas, de frecuencias relativas, de frecuencias absolutas acumuladas y de
frecuencias relativas acumuladas. Para la construccin del histograma se requiere elaborar una tabla de
distribucin de frecuencias.
El histograma de frecuencias es una representacin visual de los datos en donde se evidencian

fundamentalmente tres caractersticas: forma, acumulacin o tendencia posicional y dispersin o
variabilidad.
Diagrama de Tallos y Hojas
El diagrama de tallos y hojas proporciona una impresin visual rpida, sobre el nmero de observaciones en
cada clase.
Cada observacin se dividie en dos partes, un Tallo y una Hoja, separadas por una linea vertical. Cuando
los datos son nmeros decimales, como 34.7, 34.5, 28.9, 28.3, etc. La separacin puede hacerse en el
punto decimal, produciendo entonces un tallo y una hoja. Tanto el tallo como la hoja se escriben de manera
ordenada y ascendente.
Ejemplo: Tomando nuevamente como ejemplo, los datos de las ventas en millones de pesos, que se han
realizado en los ultimos 10 dias del mes, en 4 sucursales de un reconocido almacen de cadena de la
cuidad. Dibuja el correspondiente diagrama de tallos y hojas.
Diagrama de Cajas
Es un resumen grfico que se emplea de manera satisfactoria para describir varias de las ms destacadas
caractersticas de un conjunto de datos. Estas caractersticas incluyen: centro, dispersin y desviacin de la
simetra e identificacin de "puntos inusuales"; es decir, observaciones que estn desafortunadamente lejos
del cuerpo principal de los datos.
Un diagrama de bloque se puede construir mediante la siguiente secuencia de pasos:
1. Dibujar y marcar un eje de medida horizontal.

2. Construir un rectngulo cuyo borde izquierdo est en el primer cuartil y cuyo borde derecho est en el
tercer cuartil.
3. Dibujar un segmento de recta vertical dentro de la caja arriba donde est la mediana.
4. Se calcula el valor de 1.5 veces el Rango Intercuartlico dicho valor se le suma al Q3 y se le resta al
Q1.
5. Las observaciones que estan por fuera de dicho rango se conocen como puntos inusuales.
TECNICAS DE CONTEO
TCNICAS DE CONTEO:
Principio de la Multiplicacin:
Es aquel que me indica que si un evento A, se puede realizar de n formas, y por cada una de estas formas
otro suceso B, se realiza de m formas, entonces los sucesos pueden ocurrir de nxm maneras.
Ejemplos:
1) Una agencia de viajes ofrecen un paquete turistico para visitar el Parque Tayrona, saliendo desde la
ciudad de Sincelejo y llegando primero a Santa Martha. Si se sabe que para llegar de Sincelejo a Santa
Martha, existen tres medios de transporte diferentes (Minivan, Thermo king, Avin). Y de Santa Martha al
Parque Tayrona hay 4 formas diferentes de llegar (Camioneta, Caballo, Bicicleta, Moto). De cuntas
maneras puede la agencia organizar su itinerario de viaje, desde Sincelejo, para ofrecerlo a sus clientes.
2) Cuntos nmeros diferentes puedo armar con las cifras: 9, 6, 3, 8, 1, 4.
6 5 4 3 2 1
3) Cuntos nmeros de 6 cifras puedo armar con los 6 digitos arriba escritos, si los dos primeros deben ser
pares?
4) Cuntos si el primero debe ser par y el ultimo debe ser impar?
5) Cuntos de 6 cifras puedo armar si las cifras se pueden repetir?
6) Cuntos si las dos primeras cifras pueden ser pares y se pueden repetir?
Permutacin:
Si tenemos n elementos y queremos organizarlos de varias maneras, entonces tendremos permutaciones

de n elementos, lo que se simboliza con
Pn= n! = n(n-1)(n-2)(n-3)..(2)(1)
a) Una familia tiene 3 hijos. Escribe todas las posibles permutaciones que se pueden dar con respecto al
sexo de ellos.
b) Cuntas placas para autos se pueden armar con las letras M T O V.
c) Cuntas placas para autos se pueden armar con las letras arriba sealadas, que empiecen con vocal.
Variaciones:
Cuando de un conjunto de n elementos, se hacen permutaciones de ellos tomandolos en subconjuntos de

r elementos, estamos haciendo variaciones de n elementos tomandolos de r en r.
n!
nVr = ( nr ) !
Ejemplos:
a) Cuntos nmeros de 4 cifras puedo armar con los mismos 6 digitos, arriba descritos?
b) Cuntos nmeros de 4 cifras puedo armar con los mismo 6 digitos, arriba descritos, pero cuyo primer
digito sea impar?
c) Una entidad bancaria que cuenta con 20 empleados, va a seleccionar un comit de 3 personas para una
capacitacin en manejo de balances, pero cada una de ellas debe ir a una ciudad diferente a recibir el
curso (Bogot, Medelln y Barranquilla).De cuantas maneras pueden quedar repartidos los destinos entre
los 20 empleados?
Combinaciones:
Cuando de un conjunto de n datos se van a formar grupos tomando subconjunto de r elementos, sin
importar su orden, estamos haciendo combinaciones de n elementos tomandolos de r en r.
n!
n Cr= ( nr ) ! r !
Ejemplos:
1) Si tomamos el ejemplo anterior, con la variante de que los tres empleados van a recibir la capacitacin en
la misma ciudad, digamos, Barranquilla. De cuantas maneras se puede conformar el cmite?
2) El departamento de embarques, acaba de recibir 20 pedidos. A un empleado se le daran 8 de estos
pedidos para que los reparta. Cuntos grupos distintos de 8 pedidos, se le pueden entregar al
empleado?
3) Cuntos comites diferentes de 3 hombres y 4 mujeres, se pueden formar con 8 hombres y 6 mujeres.
4) El Consejo Directivo de Automatic Door Company, est formada por 12 integrantes, de los cuales, 7 son
mujeres. Se va a realizar un nuevo manual de prctica y procedimiento para la empresa. Se seleccionan
al azar 3 personas, para redactar el nuevo manual.
Cuntos comites con 3 hombres pueden salir
Cuntos comites con 2 mujeres pueden salir

Cuntos comites con 2 hombres pueden salir
PROBABILIDAD
EXPERIMENTO ALEATORIO:
Es un proceso que se realiza bajo un conjunto de condiciones dadas, que puede repetirse indefinidamente
bajo las mismas condiciones y cuyos resultados dependen del azar y por lo tanto no son predecibles.
Ejemplos de experimentos:
- Lanzamiento de un dado.
- Nacimiento de un hijo.
- Lanzamiento de una moneda, entre otros.
ESPACIO MUESTRAL:
Es el conjunto de todos los resultados posibles, de un experimento Aleatorio. Se representa con la letra U y
los elementos que lo conforman se llaman eventos simples.
La cantidad de elementos dentro del espacio muestral U, lo representamos con n(U).
EVENTO O SUCESO:
Es un subconjunto del espacio muestral. Se representa con letras mayusculas A, B, C etc. Y, a la cantidad
de elementos presentes en el evento A definido, lo representamos con n(A).
Ejemplos de Espacios Mustrales y Eventos: Considera los ejemplos descritos en las Tcnicas de Conteo,
como experimentos aleatorios y escribe el Espacio Muestral generado, la cantidad de elementos n(U) en
cada caso, un posible evento para cada uno y el nmero de elementos de ste.
DEFINICIN CLSICA DE PROBABILIDAD
Sea A un evento asociado a un experimento aleatorio. La probabilidad de que A, ocurra est definida como
n(A ) Nmero de xitos
p ( A )= =
n(U ) Nmero Total de Posibilidades
Ejemplos:
Dados los espacios mustrales y eventos, definidos con anterioridad, hallemos las probabilidades de que
dichos eventos ocurran:
AXIOMAS DE PROBABILIDAD:
Axioma 1: P( A) 0
Axioma 2: P (U )=1
n
Axioma 3: P ( A 1 A2 A 3 A n )= P ( A i)
i=1
REGLAS DE PROBABILIDAD:
Sea U un espacio muestral obtenido de un experimento aleatorio. Sean A, B, C, eventos del espacio
muestral.
La probabilidad de A que se simboliza como P(A) es:

0
a) P(A) 1
b) P ()=0
c) P(AUB) = P(A) + P(B) si son disyuntos
d) P(AUB) = P(A) + P(B) P(A B) si no son disyuntos
e) P(AUBUC) = P(A) + P(B) +P(C) P(A B) - P(B C) - P(A C) + P(A B C)
f) P(A) = 1 P(A)
g) P(A-B)= P(A) P(A B) = P(A B)
h) P(AUB) = 1 - P(AUB)
i) P(A B) = 1 - P(A B)
EJEMPLOS:
1) En la biblioteca de la universidad, existen tres libros de Estadstica: A, B, C. Si el 30% de los alumnos

lee el libro A, el 20% lee el libro B, el 15% lee el libro C, el 12% lee A y B, el 9% lee A y C, el 6% lee B y
C, y finalmente 3% leen A, B y C.
a) Cul es la probabilidad que lean al menos uno de los tres libros?
b) Qu porcentaje de alumnos leen B o C, pero no A
c) Cul es la probabilidad que lean A pero no leen B o C.
2) En una ciudad, el 40% de la poblacin tiene cabellos castaos, el 25% tiene ojos castaos y el 15%
tiene cabellos y ojos castaos. Si se toma una persona al azar.
a) Cul es la probabilidad que tenga ojos castaos, pero no cabello castao.

b) Cul es la probabilidad que no tenga ojos castaos y tampoco cabello castao.
c) Cul es la probabilidad que tenga ojos castaos o cabello castao.
3) En un caso reciente en la corte del condado de Madison, Kentucky, sobre las prcticas de contratacin
de una compaa de telfonos. Se expuso que la compaa plane contratar 3 nuevos empleados.
Haba 8 candidatos para los cargos, de los cuales 6 eran hombres. Las 3 personas contratadas fueron
hombres, a lo que se impuso un cargo por discriminacin de sexo contra la compaa.
a) Asumiendo que todos los candidatos tiene igual probabilidad de ser seleccionados. Con que
probabilidad fueron seleccionados stos 3 hombres?
b) La corte mantiene el cargo por discriminacin de sexo, si encuentra una probabilidad menor al 20%, de
que los 3 hombres sean seleccionados. Se mantiene o no el cargo por discriminacin? Porque?
4) La mayora de las estaciones de servicios, venden tres tipos de gasolina, corriente super y premium.
Con frecuencia, alguna de cada tipo esta enriquecida con etanol. La tabla de contingencia que se
muestra a continuacin, muestra el porcentaje de clientes que prefiere cada tipo.
Corriente Super Premium Total
Con Etanol 0.05 0.10 0.05 0.20
Sin Etanol 0.15 0.40 0.25 0.80
Total 0.20 0.50 0.30 1
Cul es la probabilidad de que el cliente prefiera:
a) Corriente o con Etanol
b) Super o sin Etanol

c) Premium o Super
d) Con o Sin Etanol
5) Una compaa de seguros ofrece 4 niveles diferentes de seguros: Ninguno; Bajo; Medio; Alto, para
propietarios de casas y 3 niveles diferentes de seguros, para automviles: Bajo; Medio; Alto. La siguiente
tabla, muestra las proporciones para las diferentes categoras, que tienen los dos tipos de seguros.
PROPETARIOS DE CASAS
AUTOS N B M A TOTAL
B 0,04 0,06 0,05 0,03 0,18
M 0,07 0,10 0,20 0,10 0,47
A 0,02 0,03 0,15 0,15 0,35
TOTAL 0,13 0,19 0,40 0,28 1
Suponga que un individuos seleccionado al azar tiene ambos seguros.

a) Cul es la probabilidad de que tenga la misma categora de seguros de automvil y de casa.
b) Cul es la probabilidad de que las dos categoras de seguros sean diferentes.
c) Cul es la probabilidad que tenga al menos un seguro medio de automvil o uno de casa.
d) Cul es la probabilidad que ninguno de los dos seguros sean de categoras medio.
PROBABILIDAD CONJUNTA
Sean A y B, dos eventos cualesquiera, asociados a un espacio muestral U. La probabilidad que ocurran A y
B al mismo tiempo y que se representa con P( A B) , est dado por:
P ( A B ) =P ( A ) P ( B ) , si A y B son independientes.
Ejemplos de Eventos independientes:
a) Los asociados al lanzamiento de un dado o de una moneda.

b) El sexo de un nio al nacer, entre otros.
Ejemplos:
1) La probabilidad de que una persona compre una casa despues de haber sido contactada por un agente
inmobiliario es de P= 0,40. Represente con V, el evento Vender una casa y con V, el evento No vender
una casa.
a) Construye un diagrama de rbol, que muestre la secuencia de contactar a tres personas.
b) Cul es la probabilidad de que el agente haga minimo dos ventas?
c) Cul es la probabilidad de que el agente haga minimo una venta?
2) En la figura, la probabilidad de que la i-sima llave del circuito est cerrada es P i= 1/6, para i=1, 2, 3, 4, 5.
Si todas las llaves abren y cierran de manera independiente. Cul es la probabilidad de que la corriente
pase del punto M al punto N, en ste circuito?
1 2
M 4 5 N
3) La probabilidad que en una familia nazca una nia es del 49%, si se toman familias con tres hijos y se
elige una de estas familias al azar. Cul es la probabilidad que:
a) Todos sean nios.
b) Uno de los hijos sea nia.
c) Hallan al menos dos nias.
4) El departamento administrativo de la Universidad, tiene acceso a 3 mquinas de fax. La probabilidad de

que cada una est fuera de servicio es de 20/100, 25/100 y 30/100, respectivamente. Asumiendo
independencia entre ellas, encuentre la probabilidad de que:
a) Ninguna este fuera de servicio.
b) Dos esten fuera de servicio.
5) En King Dynamics se realize una clasificacin de los empleados, de acuerdo a su gnero y al rea en la
cual laboran. Los resultados se muestran en la siguiente tabla de contingencia.
Clasificacin de los Empleados
Gnero Personal Lnea Auxiliar Total
Hombres 120 150 30 300
Mujeres 50 140 10 200
Total 170 290 40 500
Si se selecciona un empleado al azar:
a) Halla la probabilidad que sea Hombre.
b) Halla la probabilidad sea mujer y auxiliar.
c) Que sea hombre y del rea de linea o mujer y del rea de personal.
d) Los eventos, ser empleado del rea de personal y ser Hombre, son independientes?
PROBABILIDAD CONDICIONAL
Sean A y B, dos eventos cualesquiera, asociados a un espacio muestral U. La probabilidad que el evento A
ocurra, dado que ocurre el evento B, y que se simboliza como P( A/ B) , est dado por:
P( A B)
P ( A /B )= con P ( B ) 0
P(B)
P( A B)
P ( B/ A )= con P ( A ) 0
O P( A)
P ( A B ) =P ( A ) P ( B / A ) P ( A B ) =P ( B ) P ( A /B )
De aqu:
Se puede generalizar a ms de dos eventos: P ( A B C )=P ( A ) P ( B/ A ) P (C/ A B)
Ejemplos:
1) La siguiente tabla muestra la reaccin de 400 personas cuando se les pregunto acerca de un nuevo
incremento al impuesto predial. Estas personas fueron clasificadas de acuerdo a la actividad que ejercen:
a) Halla la probabilidad REACCION

que sea desempleado. ACTIVIDAD A FAVOR NEUTRAL EN CONTRA TOTAL
ECONMICA
b) Halla la probabilidad EMPLEADO 120 20 20 160
que la persona sea INDEPENDIENTE 50 30 60 140
DESEMPLEADO 50 10 40 100
independiente y se TOTAL 220 60 120 400
oponga al nuevo plan.
c) Halla la probabilidad que la persona se oponga al plan dado que es independiente.

d) Que este a favor dado que es empleado.
2) Una biblioteca tiene 5 ejemplares de cierto texto, los cuales el 1 y el 2 son de la primera edicin, y el 3, 4
y 5 son de la segunda edicin. Se selecciona al azar 2 ejemplares para ser puesto en reserva de 2 horas.
a) Cul es la probabilidad de que los dos ejemplares sean de la primera edicin.
b) Cul es la probabilidad de que al menos uno de los ejemplares seleccionados sea de la primera edicin.
c) Cul es la probabilidad de que los dos ejemplares seleccionados sean de diferentes ediciones.
3) De los 10 chips de un computador, 4 estan defectuosos. Cul es la probabilidad de seleccionar 3 sin que
haya reemplazo, de los cuales uno solo sea defectuoso?
4) El gerente de crditos de una corporacin financiera, recolecta datos sobre 100 de sus clientes, de los 60
hombres, 40 tienen tarjetas de crdito. De las 40 mujeres, 30 tienen tarjetas de crdito. Diez de los
hombres tienen saldos vencidos, mientras que 15 de las mujeres tiene saldos vencidos. El gerente desea
determinar, la probabilidad que hay de que al seleccionar un cliente al azar, sea:
a) Un hombre sin saldo vencido.

b) Una mujer sin tarjeta de crdito.
PROBABILIDAD TOTAL
Sean A, B y C tres eventos cualquiera asociados a un espacio muestral U, con A y B disyuntos entre si. Si la
probabilidad de que se de el evento C, depende de la ocurrencia del evento A P (C / A ) o de la ocurrencia
del evento B P (C / B ) . Entonces la probabilidad de que se de C, esta dado por:
P (C )=P ( C /B ) P ( B ) + P ( C / A ) P( A)
Ejemplo:
1) Un fabricante de productos alimenticios para bebs, utiliza cereal de tres proveedores diferentes: A, B y
C. De 1000 bolsas recibidas, 500 provienen del proveedor A, 300 del proveedor B, y el resto del
proveedor C. De experiencias pasadas, el administrador sabe que el 6% de las bolsas que provienen del
proveedor A, no cumplen con el peso exacto requerido, el 8% de las que provienen del proveedor B
tampoco y el 10% de las que vienen del proveedor C tampoco cumplen con el peso exacto exigido. Si se
elige una bolsa al azar, halla:
a) La probabilidad de que no cumpla con el peso exigido y venga de la empresa B.

b) La probabilidad que no tenga el peso exacto exigido.
TEOREMA DE BAYES
A 1 , A 2 , A3 , A n
Sea U un espacio muestral y sean una coleccin de eventos asociados a U, mutuamente
excluyentes, tales que:
i) U ni=1 A i=U
P ( A i ) >0
ii) i= 1, 2, 3, n
B , de U. La probabilidad que Ai B , que se

Para cualquier evento ocurra, dado la ocurrencia de
P ( A i /B )
simboliza con es la llamada probabilidad A Priori, y esta dada por:
Ai
B/

P ( Ai ) P
n

i=1
P ( A i ) P( B / A i)
P ( A i /B )=
Ejemplos:
1) Un analista de una empresa fabricante de productos lcteos, estima que la probabilidad de que una
nueva empresa de lcteos planee ofrecer un producto innovador en los prximos tres aos, es de 0.30 y
de 0.70 de que no lo haga. Si la nueva empresa tiene estos planes, definitivamente debera construir una
nueva instalacin para la manufactura del producto. Si la nueva empresa no tiene estos planes todava,
queda una probabilidad del 60% de que se construya una nueva instalacin para la manufactura del
producto.
a) Representa con A la decisin de que la nueva empresa ofrezca un producto innovador y con B la
construccin de una nueva instalacin para la fabricacin del mismo, e ilustra los posibles eventos con un
diagrama de rbol.
b) Suponga que la nueva empresa ya empez a trabajar en una nueva instalacin de manufactura. Con
base en esta informacin. Cul es la probabilidad que la empresa haya decidido ofrecer un nuevo
producto lcteo innovador?
c) Cul es la probabilidad que se construya una nueva instalacin para la manufactura del producto?
2) Tres mquinas producen el total de piezas de repuestos de autos de una fbrica. Sean A, B y C las tres
mquinas. Donde A, fabrica el 45% de las piezas; B fabrica el 30% de las piezas y C fabrica el 25% de
las piezas. Los porcentajes de piezas defectuosas producidas por la maquina A son el 3%; por B el 4%;
por C el 5%. Segn esto. Si se selecciona una pieza al azar. Cul es la probabilidad que:
a) Sea defectuosa dado que fue elaborada por la maquina B.
b) Sea defectuosa.
c) Dado que es defectuosa, cul es la probabilidad que venga de la maquina C.
3) Una tienda de video, vende 3 marcas de video grabadoras. De sus ventas se sabe que el 50% son de la
marca 1; el 30% son de la marca 2; y el 20% son de la marca 3. La tienda ofrece un ao de garanta. El
25% de las video grabadoras de la marca 1, necesitan garanta por reparacin. El 20% de las video
grabadoras de la marca 2, necesitan garanta por reparacin y el 10% de las video grabadoras de la
marca 3, necesitan garanta por reparacin.
a) Cul es la probabilidad que un cliente seleccionado al azar, halla comprado una video grabadora de la
marca 1, que necesitan garanta de reparacin.
b) Cul es la probabilidad que un cliente seleccionado al azar, halla comprado una video grabadora que
necesitan garanta de reparacin.
c) Si un cliente regresa a la tienda con una grabadora que necesitan garanta de reparacin. Cul es la
probabilidad de que la grabadora sea de la marca 3.
VARIABLE ALEATORIA
X
Sea U un espacio muestral; sea A un evento del espacio muestral U. Una variable aleatoria (v.a.) , es
una funcin que le asigna un valor real, a cada evento A del espacio muestral U. Se simbolizan con letras
mayusculas ( X , Y , Z ,etc . , de tal manera que si A es un evento del espacio muestral U, entonces:
X ( A )=x donde x R
Las variables aleatorias son Discretas o Continuas:
Variable Aleatoria Discreta
Sea U un espacio muestral discreto; sea A un evento del espacio muestral U. Una variable aleatoria (v.a.)
discreta X , es una funcin que le asigna un nmero entero, a un evento A del espacio muestral U.
Ejemplo:
a) Sea el experimento Lanzar una moneda 3 veces
Sea X la v.a. definida como el:

Nmero de caras que salen, al lanzar una moneda 3 veces
Dado que el espacio muestral U de ste experimento, tiene como elementos.
U : { ccc , ccs , csc , scc , ssc , scs , css , sss }

X
La v.a. tomara los siguientes valores:
X ( sss ) =0 X ( ssc , scs , css )=1 X ( scc , csc , ccs )=2 X ( ccc )=3
b) Sea el experimento Nacimiento de dos hijos
Sea Y la v.a. definida como el:
Nmero de nias que hay en un hogar con dos hijos

U : { vvv , vvn , vnv , nvv , nnv ,nvn , vnn ,nnn }
Y ( vvv )=0Y ( vvn , vnv , nvv )=1 Y ( nnv , nvn , vnn ) =2Y ( nnn ) =3
Funcin de Distribucin de Probabilidad de una Variable Aleatoria Discreta

Definicin:
La funcin de probabilidad puntual o de masa de una v.a. discreta X , es, para todo x :
f x ( X )=P x ( X ) =P ( X=x )=P( { X ( A )=x , A U })
f x ( X )=P x ( X )
Las condiciones para que una funcin , sea funcin de distribucin de probabilidad discreta
son:
0 Px ( X ) 1
a)
b) P x ( X )=1
Tomando el ejemplo del lanzamiento de la moneda 3 veces; la Funcin de distribucin de probabilidad de la

v.a. X quedar de la siguiente manera:
P ( X=x ) :
a) Primero se hallan las probabilidades
1
P ( X=0 )=P ( sss )=
8
3
P ( X=1 )=P ( ssc , scs ,css ) =
8
3
P ( X=2 ) =P ( ccs , csc , scc )=
8
1
P ( X=3 )=P ( ccc )=
8
b) Se organizan en una tabla o grfica:
X 0 1 2 3
f x ( X )=P ( X=x ) 1 3 3 1
8 8 8 8
{
0 si x<0
1
si x=0
8
3
f x ( X )= 8 si x=1
3
si x=2
8
1
si x=3
8
Funcin de Distribucin de Probabilidad Acumulada de una Variable Aleatoria Discreta

Definicin:
X
La funcin de distribucin de probabilidad acumulada de una v.a. discreta , con funcin de probabilidad
+
puntual P ( X=x ) , est dada, x Z como:

F x ( X )=P ( X x )= P x (x j ) x j < x
Es decir la probabilidad que la v.a. X tome un valor menor a x .

Tomando el ejemplo del lanzamiento de una moneda 3 veces; la Funcin de distribucin de probabilidad
Acumulada de la v.a. X quedar de la siguiente manera:
X x 0 1 2 3
F x ( X )=P ( X x ) 1 1 7 1
8 2 8
{
0 si x <0
1
si 0 x<1
8
F x ( X )= 1 si 0 x <2
2
7
si 0 x <3
8
1 si x 3
Valor Esperado de una Variable Aleatoria Discreta

X Px ( X )
Sea una v.a. discreta con funcin de distribucin de probabilidad , la Esperanza o Valor
Esperado de la v.a. X , est dada por:
E ( X )= x P x ( X )= x
En el ejemplo del lanzamiento de la moneda 3 veces, cuya v.a. X : Nmero de caras que salen
La Esperanza o Valor Esperado de X , es:
E ( X )= x P x ( X )=0 ( 18 )+1( 38 )+ 2( 38 )+3( 18 )=1,5 2

Propiedades de la Esperanza
Sean X y Y v.a. discretas, definidas sobre un espacio muestral U.
X +
E
Y = E ( X ) + E(Y )
E ( kX )=kE (X )
para todo nmero real k .
E ( k )=k para todo nmero real k .
E ( aX +b )=aE ( X ) +b
para todo par de nmeros reales a y b .
X
E Y =E ( X )E(Y ) Si X y Y
son variables aleatorias independientes.
Varianza de una Variable Aleatoria Discreta

X Px ( X ) E(X),
Sea una v.a. discreta con funcin de distribucin de probabilidad , y Esperanza la
Varianza de la v.a. X , sta dada por:

2 2 2
Var ( X )=E( xx ) = ( x x ) P x ( X ) = x
O bien
2 2 2
Var ( X )= x P x ( X ) x = x
X
Tomando el ejemplo de la moneda que se lanza 3 veces, cuya v.a. : Nmero de caras que salen. La
Varianza de la v.a. X es:
2 2 1 2 3 23 21
Var ( X )= ( x x ) P x ( X )=(01,5) +(11,5) +(21,5) +( 31,5) =0,75
8 8 8 8
Propiedades de la Varianza
Var ( X ) 0
2
Var ( kX )=k Var ( X ) para todo nmero real k .
Var ( k )=0 para todo nmero real k .
Var ( aX +b ) =a2 Var ( X ) para todo par de nmeros reales a y b .
Var ( X +Y )=Var ( X ) +Var (Y ) . Si X y Y

son v.a. independientes
Ejemplo:
X
Tomando el ejemplo de las familias con dos hijos. Si es la v.a. definida como:
X :Nmero de nias en una familia con dos hijos
encuentre:
a) La distribucin de probabilidad de la v.a. X .

b) La distribucin de probabilidad acumulada de X .
c) El valor esperado de X .
d) La Varianza de X .
Ejercicios:
Aplicando las propiedades de la Esperanza; Demuestra las propiedades de la Varianza.

Esperanza de una Funcin

X
Proposicin: Si es una v.a. discreta, con valores x1, x2, x3 xn, entonces la funcin h( X) es discreta
con valores y1, y2, y3 yn donde yi h(x i) .
X Px ( X ) h( X) , est
Proposicin: Si la v.a. , tiene funcin de probabilidad , entonces la Esperanza de
dada por:
E ( h( X) ) = h(x )P x ( X )=h (x)
Ejemplo:
X
Sea , la v.a. definida como el nmero de paquetes de programas de computador, contratados por un
cliente seleccionado al azar. La funcin de distribucin de probabilidad del nmero de paquetes que se
contraten se muestra a continuacin:
X 1 2 3 4 5
Px ( X ) 0,375 0,275 0,175 0,1 0,075
Si el costo del servicio, es una variable Y , que es funcin del nmero de paquetes que se contraten, dada
por la frmula:
h ( X )=Y =30( X +1)
Cul es el valor esperado del costo pagado por el cliente?
Variable Aleatoria Continua
Sea U un espacio muestral continuo, es decir, aquel que tiene tantas posibilidades como puntos en un
X
segmento de linea; sea A un intervalo U. Una variable aleatoria (v.a.) continua , es aquella que
toma valores dentro de un intervalo A cualquiera, del espacio muestral U. Los intervalos pueden ser de
tiempo, distancia, rea, etc.
Ejemplo:
a) Si un experimento consiste en medir la vida til de un determinado nmero de bombillas ahorradoras de luz
fabricadas por una empresa, el resultado del experimento, es el tiempo t, en horas, que dura una bombilla
funcionando, y que corresponde a algn intervalo de tiempo A, del espacio muestral U, donde U, en este
caso es, U= { 0 t 1000 } , si las bombillas tienen una vida til que no supera las 1000 horas. En ste caso la
X
v.a. tomara valores, en un intervalo como el que sigue:
X ( A )=[0,t ] Donde t , es el tiempo mximo de duracin de una bombilla cualquiera.

Funcin de Densidad de Probabilidad una Variable Aleatoria Continua

X
La funcin de densidad de probabilidad de una v.a. continua , es una funcin de los valores que toma
la v.a X , y que se representa con f x ( X ) . De tal manera que el rea bajo la curva de la funcin f x ( X ) es
igual a 1.
Definicin:
f x( X) , X , definida en el
La funcin es una funcin de densidad de probabilidad de la v.a. continua
conjunto de los nmeros reales R . Si se cumplen las 3 siguientes condiciones:
f x ( X ) 0 x R
a)

b) f x ( X ) dx=1

c) P ( a x b )= f x ( X ) dx
a
Ejemplo:
El nmero total de horas, medidas en unidades de 100 horas, que dura una bombilla ahorradora de luz
funcionando, es una variable aleatoria continua dada por:
{ }
x si 0 x <1
f x ( X )= 2x si 1 x< 2
0 en otro caso
a) Pruebe que f x ( X ) es funcin de Densidad de probabilidad de la v.a. X

b) Halle la probabilidad de que una bombilla cualquiera, dure entre 100 y 150 horas.
Funcin de Distribucin de Probabilidad Acumulada de una Variable Aleatoria Continua

Definicin:
La funcin de distribucin de probabilidad acumulada F x ( X ) de una v.a. continua X , con funcin de
densidad f x ( X ) , est dada, x R por:
x
F x ( X )=P ( X x )= f ( t ) dt

Ejemplo:
Tomando el ejemplo de las bombillas ahorradoras de luz, encuentra su funcin de distribucin acumulada
Fx ( X ).
Valor Esperado de una Variable Aleatoria Continua

Sea X
una v.a. continua con funcin de densidad de probabilidad f x ( X ) , la Esperanza o Valor Esperado
de la v.a. X , est dada por:

E ( X )= xf x ( X ) dx= x

Varianza de una Variable Aleatoria Continua

X f x( X) E ( X ) , la
Sea una v.a. continua con funcin de Densidad de Probabilidad , y Esperanza
Varianza de la v.a. X , est dada por:

Var ( X )= (xE ( X ))2 f x ( X ) dx = 2x

O bien

Var ( X )= (x )2f x ( X ) dx x2= 2x

Ejemplo:
Tomando el ejemplo de las bombillas ahorradoras de luz, halla E ( X ) y Var ( X ) .
Ejercicio:
Sea la funcin de densidad de probabilidad f x ( X ) dada por:
f x ( X )= {
k x 2(1x)2 si 0< x <1
0 en otro caso }
Halla el valor de k , de tal manera que se cumpla que f x ( X ) es funcin de densidad de probabilidad.
DISTRIBUCIONES DE PROBABILIDAD DISCRETAS ESPECIALES
DISTRIBUCIN DE BERNOULLI
Es aquel que modela experimentos consistentes en un ensayo que tiene solo dos posibles resultados. Por
ejemplo: Sexo; Estado de un artculo fabricado; Estado de salud de un paciente; etc.
La variable aleatoria X , toma los siguientes valores:
X= { 1 si ocurre el evento A ( xito)

0 si no ocurre el evento A ( Fracaso) }
Donde A es el evento de inters y las probabilidades de xito o fracaso son, respectivamente:

P ( X=1 )= p
o
P ( X=0 )=1 p
X
De tal manera que la funcin de distribucin de probabilidad de la v.a. , que sigue una distribucin
Bernoulli viene dada por:
f ( X=x )=P ( X= x ) =
{ p x (1 p)1x x i=0,1
0 en otro caso }
DISTRIBUCIN BINOMIAL
Cuando un ensayo Bernoulli se repite n veces, en idnticas condiciones, de modo que la probabilidad p
de que ocurra el evento de inters A, o bien, de que se d el xito, es constante; hablamos entonces de n
ensayos de Bernoulli independientes, de tal manera, que la suma de estos n ensayos de Bernoulli, se
convierten en un experimento aleatorio Binomial. El cual, presenta las siguientes caractersticas:
a) El experimento consta de n ensayos Bernoulli, repetidos e independientes unos de otros.

b) Cada ensayo tiene dos posibles resultados: Exito y Fracaso.
c) La probabilidad de exito p y de fracaso q = 1 p, son constantes de un ensayo a otro.
La funcin de distribucin de probabilidad de una variable aleatoria Binomial est dada por:
{
f ( X=x )=P ( X= x ) = x )
( n p q
x nx
x i=0,1, 2, n
0 en otro caso }
Donde x representa el nmero de xitos en la muestra tamao n .
Esperanza de una v.a. Binomial:
La media o valor esperado de una distribucin Binomial est dada por:

E ( X )==np
Donde n es el tamao de muestra y p

es la probabilidad de xito del evento de inters.
Varianza de una v.a. Binomial:
La varianza de una v.a. Binomial est dada por:

2
Var ( X )= =npq
Si X es una v.a. cuya distribucin de probabilidad es Binomial, esto se simboliza como:

X B (n , p)
Propiedades de la Distribucin Binomial:

P ( x a )=
a) Se busca directo en la tabla.
P ( x <a )=P ( x a1 )
b)
P ( x >a )=1P ( x a )
c)
P ( x a )=1P ( x <a )=1P( x a1)
d)
P ( a x b )=P ( x b )P ( x <a ) =P ( x b )P( x a1)
e)
P ( a< x b ) =P ( x b )P ( x a )
f)
P ( a x <b ) =P ( x b1 )P ( x <a ) =P ( x b1 )P ( x a1 )
g)
P ( a< x< b )=P ( x b1 )P ( x a )
h)
i) x()
P ( x=a )= n p x q nx =P ( x a ) P( x a1)
Ejemplos:
a) En una empresa el 25% de sus empleados tienen estudios de postgrado. Se elige una muestra aleatoria
X
de 20 trabajadores. Si es la v.a. que representa el nmero de trabajadores con postgrado,
encuentra:
P (x 4 )
P (x < 4)
P ( x >6 )
P ( x 6 )
P (2 x 7 )
P (2< x 7 )
P (2 x<7 )
P ( x=5 )
X
b) En cierto proceso de produccin se sabe que el 10% de la unidades fabricadas son defectuosas. Si
es la v.a. que representa el nmero de unidades defectuosas, halladas en una muestra de 30 artculos
tomados al azar, encuentra:
La probabilidad de que a lo sumo 12, esten defectuosas
Minimo 9 esten defectuosas
Cul es el nmero de unidades defectuosas que se espera que salgan.
Halla la Varianza del nmero de unidades defectuosas.
DISTRIBUCIN POISSON
La distribucin de probabilidad de Poisson, modela aquellos tipos de fenmenos, que ocurren en un intervalo
de tiempo o distancia determinado. Dicho intervalo puede estar dado en horas, minutos, segundos, etc. o en
kilometros, metros, centimetros, etc.
Ejemplos de Fenmenos Poissonianos:

- Nmero de accidentes de transito que se registran diariamente en una avenida de la ciudad.
- Nmero de clientes que llegan a un reconocido almacen de la ciudad, cada hora.
- Nmero de autos que pasan por un peaje cada hora.
- Nmero de fallas que registra una maquina embotelladora, mensualmente.
- Nmero de quejas que se reciben, semanalmente, por mala prestacin de servicios, en una empresa
suministradora de energia, de la ciudad. Etc.
En los experimentos Poissonianos, los eventos deben ocurrir de manera aleatoria e independiente unos de
otros.
La funcin de distribucin de probabilidad de una variable aleatoria Poisson est dada por:
{
e x
f (X=x )=P ( X= x ) = x ! i
x =0,1, 2, n
0 en otro caso }
Donde x representa el nmero de xitos que ocurren durante un periodo de tiempo, en el cual, se espera,
que un promedio de ellos, ocurra.
Esperanza de una v.a. Poisson:
La media o valor esperado de una distribucin Poisson est dada por:

E ( X )==
Varianza de una v.a. Poisson:
La varianza de una v.a. Poisson est dada por:

2
Var ( X )= =
Si X es una v.a. cuya distribucin de probabilidad es Poisson, esto se simboliza como:

X P( )
Propiedades de la Distribucin Poisson:
Iguales que las de la Distribucin Binomial, arriba escritas, excepto cuando se halla.
e x
P x=a =
( )
x!
Ejemplos:
a) En promedio en una interseccin vial, ocurren 3 accidentes por mes. Cual es la probabilidad de que en un
determinado mes, en esta interseccin ocurran:
- Exactamente 4 accidentes?
- Minimo dos accidentes?
b) Por un congestionado peaje de la region, pasan autos a una tasa de 300 autos por hora. Encuentra la
probabilidad que en un minuto cualquiera, lleguen:
- 2 autos.
- Menos de 3 autos.
- Entre 2 y 5 autos inclusive.
APROXIMACIN DE LA DISTRIBUCIN BINOMIAL A LA POISSON

n ( n 30 ) , y la probabilidad de xito p
Cuando el tamao de muestra es grande, es pequea
( p 0.05 ) , entonces la distribucin Binomial, se puede aproximar a una distribucin Poisson, haciendo a
lambda,
=np
La aproximacin es buena si np 5
Ejemplo:
a) La probabilidad de que una persona muera debido a cierta infeccin respiratoria, es de 0,002. Encuentre
la probabilidad de que mueran menos de 5 personas de las prximas 2000 personas infectadas.
b) El 1% de los artculos producidos por una empresa son defectuosos. Encuentre la probabilidad de que
haya 4 defectuosos en una muestra de 500 artculos.
DISTRIBUCIN HIPERGEOMTRICA
Un Fenmeno se modela con la distribucin de probabilidad Hipergeometrica, cuando se cumplen las dos
siguientes condiciones:
a Cuando de una poblacin total de tamao N , se extrae una muestra aleatoria sin reemplazo de tamao
n
.
b Cuando dentro de la poblacin de N elementos hay, k xitos, de tal manera que hay Nk , fracasos.
La funcin de probabilidad de la distribucin de probabilidad Hipergeometrica, esta dada por:
f ( X=x )=P ( X= x ) =
{
( kx)( Nnxk ) x =0, 1,2, n
( Nn )
i
0 en otro caso
}
N k n
Dnde: = es el tamao de la poblacin; = es la cantidad de xitos en la poblacin; = es el
tamao de la muestra o el nmero de ensayos y; x = es el nmero de xitos en la muestra.
Es decir, la distribucin Hipergeometrica, mide la probabilidad de obtener x xitos, del total de xitos k ,
de la poblacin N , cuando se toma una muestra sin reemplazo de n
elementos de la poblacin total.
Esperanza de una v.a. Hipergeometrica:
La media o valor esperado de una distribucin Hipergeometrica est dada por:

nk
E ( X )==np=
N
Donde n es el tamao de muestra, k el nmero total de xitos en la poblacin y N, es el tamao de la

poblacin.
Varianza de una v.a. Hipergeometrica:
La varianza de una v.a. Hipergeometrica est dada por:
Var ( X )= 2=npq ( NN n
1 ) k k N n
=n (1 ) (
N N N 1 )
Dnde: ( NN1
n
) , es el llamado factor de correccin poblacional, que tiende a 1, cuando N .
Si X es una v.a. cuya distribucin de probabilidad es Hipergeometrica, esto se simboliza como:

X H ( N , n , k)
Propiedades de la Distribucin Hipergeomtrica:
Iguales que las de la Distribucin Binomial, arriba escritas, excepto cuando se halla.
P ( x=a )=
( x )( nx )
k N k
( Nn )
Ejemplos:
a De 30 personas seleccionadas de una determinada empresa, 12 de ellas son tcnlogos, y 18 son
profesionales, en el rea de mercadeo. Si se selecciona una muestra aleatoria de 8 personas, cul es la
probabilidad de que:
- 4 de ellos sean tcnlogos.
- Maximo 2 sean profesionales
b Un lote de 40 articulos, contiene 5 defectuosos. Se elige una muestra de 8 articulos. Cul es la

probabilidad de encontrar:
- 0; 1; 2 defectuosos.
APROXIMACIN DE LA DISTRIBUCIN HIPERGEOMTRICA A LA BINOMIAL

n
Cuando el tamao de muestra es grande (n ) , entonces la distribucin Hipergeomtrica, se puede
p:
aproximar a una distribucin Binomial, haciendo a
k
p=
N
Ejemplo:
a De cada 2000 tornillos fabricados por una determinada mquina, hay 2 defectuosos. Para realizar el
control de calidad, se observan solo 150 tornillos. Se rechaza el lote si se llegase a encontrar, mas de 1
tornillo defectuoso. Calcule la probabilidad de que el lote sea rechazado.
MISCELANEA DE PROBLEMAS
1) En unas pruebas de alcoholemia se ha observado que el 5% de los conductores controlados dan positivo
en la prueba y que el 10% de los conductores controlados no llevan puesto el cinturn de seguridad.
Tambin se ha observado que las dos infracciones son independientes. Un guardia de trfico detiene a
cinco conductores al azar.
a) Determinar la probabilidad de que tres conductores hayan cometido alguna de las dos infracciones
b) Determine la probabilidad de que al menos uno de los conductores controlados haya cometido alguna de
las dos infracciones
2) Un estudiante debe obtener por lo menos el 60% de un examen de verdadero y falso con 18 preguntas.
Si el estudiante lanza una moneda, para determinar la respuesta a cada pregunta. Cul es la probabilidad
de que el estudiante pase?
3) Usted ha colocado 8 recepcionistas para que tomen los pedidos telefnicos para una linea de productos
deportivos, que su empresa est comercializando, Una recepcionista esta ocupada el 30% del tiempo
recibiendo un pedido. Usted no desea que la probabilidad de que la llamada de un cliente, que se reciba
con una seal de ocupado, exceda el 50%. Debera usted contratar mas recepcionistas si llaman, tres
clientes?
4) En una mesa hay 20 chips de computador, de los cuales, 6 son defectuosos. Si el seor Wilson recoge 8
de estos chips, y luego el seor Diego recoge los restantes. Halla la probabilidad, de que uno solo de
ellos, tome todos los defectuosos.
DISTRIBUCIN NORMAL
Es una distribucin con amplias aplicaciones, como por ejemplo, las medidas longitudinales, de rea,
edades, estaturas, industria, mediciones fsicas, experimentos metereolgicos, entre otras.
Una variable Aleatoria que se distribuye de manera Normal, se representa Como:

2
X N (, )
Funcin de Densidad de Probabilidad de la Distribucin Normal:

Sea X una v.a. continua que se distribuye de manera Normal, la funcin de densidad de probabilidad de
X
es:

( x
2
)
1
1 2 < x<
e
2
f ( X =x)=
Esperanza de una v.a. Normal:
La media o valor esperado de una distribucin Normal est dada por:

E ( X )=
Varianza de una v.a. Normal:
La varianza de una v.a. Normal est dada por:
Var ( X )= 2
Propiedades de la Distribucin Normal:
a Su grfica tiene punto mximo en x= .

x= ,
b Es simetrica respecto de la vertical es decir, que =Me=Mo .
c Es concava hacia abajo, en el intervalo [ , + ] .
d Es creciente en el intervalo (, ] ; y decreciente ( , ]
Ejemplos de Grficas de la Distribucin Normal:

Funcin de Probabilidad Acumulada de la Distribucin Normal:

X
Sea una v.a. continua que se distribuye de manera normal, con funcin de densidad
2
1
( x
)
1
La funcin de probabilidad Acumulada de X , est dada por:
2
f ( x )= e
2
x 1
( t )
1
F ( x )= e 2
dt
2
Teorema:
X
Si la v.a. continua X N ( , 2 ) , entonces la variable estandarizada Z N (0,1) , donde, Z=
y es la

Z.
llamada variable Estandarizada
Propiedades de las probabilidades de la v.a. Normal:

P ( x a )=P ( x< a )=
a) Directo en la tabla.
P ( x a )=P ( x> a )=1P ( x a )
b)
P ( a x b )=P ( a< x b )=P ( a x <b )=P ( a< x< b )=P ( x b )P ( x a )
c)
P ( x=a )=0
d)
Ejemplos:
a) Los pesos de cierto grupo de personas estan distribuidos de manera normal, con una media de
=70 kg , =12.5 kg .
y una desviacin estndar de Cul es la probabilidad de que una
persona seleccionada al azar, de este grupo, tenga un peso de entre, 50 y 85 kg.?
b) Supngase que los dimetros de los tornillos producidos por una fbrica, estan distribuidos de
manera normal, con una media de 0,25 pl. y una desviacin estndar de 0,02 pl. se considera
un tornillo defectuoso, si su diametro es menor e igual a 0,2 pl. o mayor e igual a 0,28 pl. Halla
el porcentaje de tornillos defectuosos fabricados por la compaa.
c) La media de los pesos de 600 personas, es de 70 kg. Con una desviacin estndar de 3 kg.
Suponiendo que los pesos de las personas se distribuyen de manera normal. Halla cuantas
personas pesan:
- Entre 60 y 75 kg.
- Menos de 64 kg.
d) Un anlisis de 1000 llamadas telefnicas de larga distancia hechas desde una gran oficina,
indica que, la duracin de ellas tiene distribucin normal con media 129,5 segundos. Y una
desviacin estndar de 30 segundos. Cul debe ser el tiempo mnimo de duracin de una
llamada, tal que la probabilidad de que ocurra, sea igual a 0,3632.
ESTIMACIN POR INTERVALOS

Definicin: Un estimador por intervalos, de un parmetro poblacional , es un estadstico para determinar

un rango o un intervalo, en el cual posiblemente se encuentre dicho parmetro. La correspondiente
estimacin, se llama, estimacin por intervalo.
,
De tal manera que, si queremos estimar el valor del parmetro poblacional debemos encontrar con
ayuda de la informacin muestral, dos variables aleatoria U y V , con U <V , tales que:
P (U < <V )=( 1 )100
paraun ( 0,1 ) .
Teorema: Si se extraen repetidamente, muestras de una poblacin, y se calculan los correspondiente

intervalos, entonces, el ( 1 )100 de los intervalos, contiene el valor del parmetro desconocido .

Definicin: Sea , un parmetro desconocido. Supongamos que con ayuda de la informacin muestral,
podemos encontrar dos variables aleatorias U y V, con U <V , tales que,
P (U < <V )=( 1 )100 , paraun ( 0,1 ) .
( 1 ) , recibe el nombre de Grado de Confianza,

La fraccin se llama Nivel de Significancia, y el
intervalo desde U hasta V, es un estimador por intervalo de del ( 1 )100 .

Si u y v, representan un valor particular de U y V, respectivamente, entonces el intervalo de confianza desde

u hasta v, se llama intervalo de confianza del ( 1 )100 .
En conclusion: Si se extraen muestras aleatorias de la poblacin, un nmero elevado de veces, el parmetro

, ( 1 )100
estar contenido en un de los intervalos, calculados de este modo. Y el intervalo de
confianza obtenido de esta manera se escribe como:
U <<V
Intervalos de Confianza para la Media Poblacional .
Caso Muestras Grandes:
Teorema: Sea x la media de una muestra aleatoria de tamao n, tomadas de una poblacin con media
2

y varianza >0. Supongamos que se cumplen algunas de las siguientes condiciones:
2
i)La poblacin es normal y es conocida (no importa el tamao de muestra n).
2
ii)La poblacin es normal con desconocida y tamao de muestra n 30.
2
La forma de la poblacin es desconocida o no normal, es conocida o desconocida y n 30.
Entonces el intervalo de confianza de ( 1 )100 para es:


x Z < < x +Z
2 n 2 n
x
Z el valor de Z=

Siendo 2 a la derecha del cual, hay una probabilidad de 2 en la grfica de la
n
distribucin normal.
Ejemplos:
1) Un fabricante de bolsas de arroz. Produce bolsas cuyo peso del contenido tiene una distribucin normal
con desviacin tpica de 15 gramos. A su vez, los contenidos de una muestra aleatoria de 25 bolsas,
tienen un peso medio de 100 gramos. Calcula un intervalo de confianza del 95%, para el verdadero peso
medio de todas las bolsas de arroz producidas por el fabricante.
2) Un bilogo desea hacer una estimacin, con un intervalo de confianza del 99%, de la cantidad promedio
de agua que consume cierta especie animal, en condiciones experimentales. De alguna manera, el
investigador logra determinar, que la poblacin de valores de consumo diario de agua est distribuida
normalmente. Adems, una muestra aleatoria de 36 animales, arroja un consumo medio de 16,5 mililitros
con una desviacin estndar de 2 mililitros.
Caso Muestras Pequeas:

2
Teorema: Sean x y s la media y la varianza de una muestra aleatoria de tamao n 30, tomadas de
2

una poblacin normal con media y varianza desconocida. Entonces el intervalo de confianza del
( 1 )100 para es:

x T < < x +T
2 n 2 n
x
T el valor de T =
s
Siendo 2 a la derecha del cual, hay una probabilidad de 2 en la grfica de la
n
distribucin T de Student con v = n.-1 grados de libertad.
Ejemplo:
1) Los contenidos de 7 recipientes similares, de cido sulfrico son:
9.8, 10.2, 10.4, 9.8, 10.0, 10.2, 9.6 Litros.
Encuentra un intervalo de confianza del 95% para estimar la media del contenido de todos los recipientes,
suponiendo que la poblacin de valores se distribuye de manera normal.
2) Una maquina produce varillas metlicas, usadas en el sistema de suspension de un automvil. Se

seleccionan una muestra aleatoria de 10 varillas y se mide su diametro en centimetros. Los datos
resultantes se muestran a continuacin.
1.014, 1.009, 1.041, 0.962, 1.058, 1.024, 1.019, 1.020, 1.002, 0.958
Asumiendo que el diametro de las varillas proviene de una poblacin normal, encuentra un intervalo de 99%
de confianza, para el verdadero valor del diametro medio de las varillas.
Intervalos de Confianza para la Proporcin Poblacional p.

^p
Teorema: Sea la proporcin de xitos en una muestra aleatoria de tamao n, procedente de una
poblacin con proporcin p, de xitos. Supongamos que se cumple algunas de las siguientes condiciones:
i) n 30.
np 5 n(1p) 5
ii) y
Entonces, un intervalo de confianza de ( 1 )100 para p

es:
^pZ
2 p ( 1 p )
n
< p< ^p + Z
2 p(1 p)
n
^p p
Z el valor de Z=
Siendo 2
p ( 1 p )
n
a la derecha del cual, hay una probabilidad de 2 en la grfica de la
distribucin normal.
Ejemplos:
1) Existen empresas especializadas a ayudar a otras a ubicar talento para la alta gerencia. Una reconocida
Revista report que: Uno de cada cuatro directores ejecutivos, es una persona con mas de 35 aos de
edad. Si en una muestra aleatoria de 350 compaias, de cierto pais, 77 tiene directores ejecutivos con
mas de 35 aos de edad. Un intervalo de confianza del 99% apoyara la afirmacin hecha por la
Revista?
2) Un auditor desea determinar la proporcin de reclamaciones pagadas, por una compaia de seguros de
salud, dentro de los dos meses siguientes a la recepcin de la solicitud. Se selecciona una muestra de
1000 reclamaciones y se determina, que 228 se pagaron en menos de 2 meses. Encuentra un intervalo
de confianza del 99% para la proporcin de reclamaciones pagadas en el lapso de tiempo requerido.
p1 y p2
Intervalos de Confianza para la Diferencia de Proporciones Poblacionales .
p1
^ n1
Teorema: Sea la proporcin de xitos en una muestra aleatoria de tamao , procedente de una
p1 p2
^
poblacin con proporcin de xitos. Sea la proporcin de xitos en una muestra aleatoria de
n2 p2
tamao , procedente de una poblacin con proporcin de xitos Supongamos que se cumple
algunas de las siguientes condiciones:
n1 30 n2 30
i) y
n1 p 1 5 n1 (1 p1 ) 5 n2 p 2 5 n2 (1 p 2)5
ii) , , y
p1 p2
Entonces, un intervalo de confianza de ( 1 )100 para es:
p2
p1^
^

p

1

p2

^p1 ^p 2p 1 p2
Z , el valor de Z=
Siendo 2
p1 (1 p1 ) p2 (1 p2 )
n1
+
n2
a la derecha del cual, hay una probabilidad de 2 en la
grfica de la distribucin normal.
Ejemplos:
1) Se extrajeron dos muestras aleatorias independientes de estudiantes universitarios con base a su gnero.
De 120 hombres, 107 esperaban disfrutar de un trabajo de tiempo completo en un mximo de 6 aos. En
tanto que, de 141 mujeres encuestadas, 73 tenan esta misma esperanza. Calcula un intervalo de
confianza del 95%, para determinar, en cual de las dos poblaciones de estudiantes, la proporcin, que
tiene esta aspiracin, es mayor.
2) Una muestra aleatoria de 100 empleados de la empresa Telnel, mostr que 61 de ellos no estn
dispuestos a capacitarse. Otra muestra independiente de 100 empleados de la empresa TecniStar, mostr
que 54 de ellos tiene esa misma opinion. Se construya el siguiente intervalo de confianza con la
informacin muestral
0,04< p 1p 2< 0,10
Con que confianza fue construido este intervalo?

1 y 2
Intervalos de Confianza para la Diferencia de Medias Poblacionales .
Caso 1: Varianzas poblacionales conocidas o desconocidas y muestras grandes.

x 1 y x2 n1 y n 2
Teorema: Sea las medias de muestras aleatorias independiente de tamao provenientes de
2 2
1 y 2
poblaciones con medias y varianzas 1 y 2 , respectivamente. Supongamos que se cumple algunas
de las siguientes condiciones:
n1 y n 2
Ambas poblaciones son normales con varianzas poblacionales conocidas. (Tamaos de muestra no
importan).
2 2
Ambas poblaciones son desconocidas o no normales, ambas varianzas 1 y 2 son conocidas o no y
n1 30 y n2 30
.
( 1 )100 12
Un intervalo de confianza de para est dado por:

2 2 2 2
1 2 1 2
( x 1 x 2)Z + < 12 <( x1 x2 )+Z +
2
n 1 n2 2
n1 n2
( x1 x 2 )1 2
Z , el valor de Z=
Siendo 2
21 22
+
n1 n 2
a la derecha del cual, hay una probabilidad de 2 en la grfica de
la distribucin normal.
Ejemplo:
1) Una muestra aleatoria de 321 fumadores, registro un promedio de horas de ausentismo laboral de 3.01
horas al mes, con una desviacin tpica de 1,09 horas. Para una muestra aleatoria de 94 trabajadores que
nunca han fumado, el nmero medio de horas de ausentismo laboral fue de 2,88 horas con una desviacin
tpica muestral de 1,01 horas al mes. Un intervalo de confianza del 95%, nos podra mostrar, en cual de
las dos poblaciones se registra un promedio de ausentismo mayor?
Caso 2: Varianzas poblacionales desconocidas, iguales y muestras pequeas.

x 1 y x2 n1 <30 y n2< 30
Teorema: Sea las medias de muestras aleatorias independiente de tamao
2 2
1 y 2
provenientes de poblaciones normales con medias y varianzas 1 y 2 iguales y desconocidas.
( 1 )100 12
( x 1 x 2)T
2 S2 S2
+ < 1 2<( x1 x2)+T
n1 n 2 2
+

S2 S2
n1 n2
2
Dnde S , es la llamada varianza combinada, dada por:
n
n
( 21)s22
2
( 11)s + 1
n1 +n 22

s2=
( x1 x2 ) 12
T , el valor de T =

2 2
Siendo 2 s s a la derecha del cual, hay una probabilidad de 2 en la grfica de la
+
n1 n2
n1 +n22
distribucin T de Student con v = grados de libertad.
Ejemplo:
1) Se seleccion una muestra aleatoria de 10 parejas de representantes de ventas del mismo producto, y se
les ofrecio un curso de capacitacin sobre tcnicas de ventas, a un elemento de cada par. La tabla de
abajo, muestra las ventas generadas durante un mes, por cada uno de los elementos de la pareja.
Asumiendo que las ventas se distribuyen de manera normal y que las varianzas poblacionales son
desconocidas pero iguales. Halla un intervalo de confianza del 90%, para determinar la diferencia en el
promedio de ventas de las dos poblaciones. Vale la pena que los empleados reciban la capacitacin.
Par Sin Con Par Sin Con

Capacitacin Capacitacin Capacitacin Capacitacin
1 485 452 6 386 380
2 423 386 7 426 395
3 515 502 8 473 411
4 425 376 9 454 415
5 653 605 10 496 441
Caso 3: Varianzas poblacionales desconocidas, diferentes y muestras pequeas.

x 1 y x2 n1 <30 y n2< 30
Teorema: Sea las medias de muestras aleatorias independiente de tamao
2 2
1 y 2
provenientes de poblaciones normales con medias y varianzas 1 y 2 diferentes y desconocidas.
( 1 )100 12

2 2 2 2
s1 s 2 s s
( x 1 x 2)T + < 12 <( x1 x2 )+ T 1 + 2
2
n1 n2 2
n1 n 2
( x1 x2 ) 12
T , el valor de T =

2 2
Siendo 2 s1 s 2 a la derecha del cual, hay una probabilidad de 2 en la grfica de
+
n1 n2
la distribucin T de Student.
2 2 2
s s
( 1+ 2)
n1 n2
v=
Dnde v, est dado por: s 21 2 s 22 2 grados de libertad.
( ) ( )
n1 n
+ 2
n11 n21
Ejemplo:
1) Se extrajo una muestra de 24 trabajadores de una determinada empresa, los cuales asistieron a un curso
de mercadeo. Los empleados fueron divididos en dos grupos iguales, de tal manera, que cada grupo fue
capacitado por un profesional diferente. Al momento de ser evaluados por sus superiores, obtuvieron las
calificaciones que abajo se muestran.
Grupo 1 (Profesional 1) 75 78 64 72 70 63 69 54 82 67 60 73
Grupo 2 (Profesional 2) 74 87 69 72 77 75 73 50 83 78 56 74
Si las poblaciones de las calificaciones se distribuyen de manera normal, con varianzas poblacionales,
desconocidas y diferentes. Halla un intervalo de confianza del 95%, y con ello determina, con cual de los dos
Profesionales, la capacitacin en mercadeo arroj mejores resultados.
2
Intervalos de Confianza para la Varianza Poblacional .
2
Teorema: Sea s la varianza de una muestra aleatoria de tamao n, tomada de una poblacin distribuida
2
normalmente con media y varianza .
2
Un intervalo de confianza de ( 1 )100 para , est dado por:
2 2
s (n1) 2 s ( n1)
< <
X 2 X2
1
2 2
2
X X
2

Dnde, 2 y 1
2 son los valores de una variable aleatoria Chi-Cuadrado, que deja un rea de 2 y

1 , 2
2 respectivamente, a la derecha de la distribucin X , con n-1 grados de libertad.
Ejemplos:
1) Un fabricante de detergente liquido, est interesado en la uniformidad de la mquina utilizada para llenar

las botellas. De manera especfica, es deseable que la desviacin estndar , del proceso de llenado,
sea menor que 0.5 onzas del liquido. De lo contrario, existira un porcentaje mayor del deseable, de
botellas con un contenido menor de detergente. La distribucin de probabilidad del volumen de llenado es
aproximadamente normal. Al tomar una muestra de aleatoria de 20 botellas, se obtiene una varianza
muestral s 2=0,0153 onzas de fluido. Calcule un intervalo de confianza de 90%, para determinar la
desviacin del contenido de llenado, de las botellas.
2) Una muestra de 12 bolsas de azcar, producidas por una determinado empresa, produjo los siguientes
pesos netos en libras:
12,1 12,1 11,8 11,9 11,8 12,0 12,3 11,8 12,0 11,9 12,2 11,6
Los pesos de las bolsas se distribuyen de manera normal. Construye un intervalo de confianza del 95%, para
el valor de la varianza y la desviacin estandar de la poblacin de pesos netos, de todas las bolsas de azcar
producidas por la empresa.
2 2
Intervalos de Confianza para la razn de Varianzas Poblacionales 1 / 2 .
2 2
n yn ,
Teorema: Sea s 1 y s2 las varianzas de muestras aleatorias independientes de tamao 1 2 tomadas de
2 2
poblaciones distribuidas normalmente con varianzas 1 y 2 , respectivamente.
2 2
Un intervalo de confianza de ( 1 )100 para 1 / 2 , est dado por:
2 2
s1 s
2
< 21 / 22 < 12 F (v 2 , v 1)
s 2 F ( v 1 , v 2) s2 2
2

F (v 1 , v 2)
Dnde 2 , es el valor de una variable aleatoria F de Fisher, que deja un rea de 2 a la derecha de
v 1=n11 v 2=n21
la distribucin F de Fisher, con y grados de libertad.
Ejemplos:
1) Tomemos los datos del ejemplo de las parejas que fueron sometidas a capacitacin, y calcula un intervalo
2 2
del 90% de confianza, para determinar si en efecto, las varianzas poblacionales 1 y 2 , son iguales.
2) Calcula un intervalo de confianza del 95%, para el ejemplo de los trabajadores que fueron sometidos a un
2 2
curso de mercadeo, y verifica con ello, si las varianzas 1 y 2 son diferentes.
INTERVLOS DE CONFIANZA
PARMETROS SUPUESTOS INTERVLOS
Poblacin Normal y
2 Conocida (No
x Z < < x +Z
2 n 2 n
importa tamao de
muestra).
Poblacin Normal,
2
Desconocida y s s
x Z < < x +Z
2 n 2 n
n 30
Poblacin Normal, s s
2 x T < < x +T
Desconocida y 2 n 2 n
n 30
con v =n1 grados de libertad
Poblaciones son
normales,
21 22

2 2 2 2
y 1 2 1 2
( x 1 x 2)Z + < 12 <( x1 x2 )+Z +
Conocidas (Tamaos 2
n1 n2 2
n1 n2
12 n1 y n 2
de muestra
no importan).
Poblaciones no
Normales o
2

desconocidas, 1 y 21 22 21 22
( x 1 x 2)Z + < <( x1 x2 )+Z +
2 n1 n2 1 2 n1 n2
2 conocidas o
2 2
desconocidas y
n1 30 y n2 30
12
Poblaciones Normales,
21 y 22
( x 1 x 2)T
2 S2 S2
+ < 1 2<( x1 x2)+T
n1 n 2 2
S2 S2
+
n1 n2
Desconocidas e
iguales, n
n1 <30 y n2< 30 n
2
( 21)s2
2
( 11)s + 1
n1 +n 22

2
con s =
y v=n 1+ n22 grados de libertad


2 2 2 2
s1 s 2 s s
( x 1 x 2)T + < 12 <( x1 x2 )+ T 1 + 2
2
n1 n2 2
n1 n 2
Poblaciones normales,
21 22 2 2 2
y
Desconocidas, con v =
( s1 s2
+
n1 n 2 ) grados de libertad
diferentes, 2 2 2 2
n1 <30 y n2< 30 ( ) ( )
s1
n1
+
s2
n2
n11 n21
el resultado se redondeaal entero siguiente
n 30
Si
estadstico,
el
np 5 ,
^pZ
2 p ( 1 p )
n
< p< ^p + Z
2 p(1 p)
n
n(1p) 5 ,
n1 30 ,

Si p 1 ( 1p 1 ) p2 ( 1 p2 ) p1 ( 1 p1 ) p2 ( 1 p2 )
p1 ^
(^ p2 ) Z + < p 1p 2< ( ^
p1 ^
p2 ) + Z +
n2 30 , 2
n1 n2 2
n1 n2
n1 1 5, n2 2 5,
1
12 n1 ( 1) 5, n2 (12 ) 5.

Si
1 y 2 son

desconocidas.
1 (11) 2(12 )
n1
+
n2
p1 ^
(^ p2 ) Z
2 p 0 ( 1 p0 ) p0 ( 1 p0 )
n1
+
n2
< p1 p 2< ( ^
p 1 ^
p 2 ) +Z
2 p0 ( 1 p0 ) p0 ( 1 p 0 )
n1
+
n2
se calcula con
ô (1ô ) ^0 (1ô )
n1
+
n2
Dnde
n1 ^1 +n2 ^2
ô=
n1 +n2
2 Si los datos se s 2(n1) 2 s2 ( n1)

distribuyen de manera < <
normal.
X 2 X2
1
2 2
Con v=n1 grados de libertad
21 / 22 Si los datos se s21 2

2
2 s1
distribuyen de manera < 1 / 2 < 2 F (v 2 , v 1)
normal. s 22 F (v 1 , v 2) s2 2
2
con v 1=n11 y v 2=n2 1 grados de libertad
PRUEBAS DE HIPTESIS
Una hiptesis es una explicacin propuesta que puede ser o no, verdadera. Las pruebas de hiptesis se
realizan para comprobar una afirmacin, acerca de los parmetros de una o ms poblaciones
DEFINICIN: Una hiptesis estadstica es una afirmacin cuantitativa acerca de un conjunto de afirmaciones
sobre uno o ms parmetros, de una o ms poblaciones.
HO HI
Las hiptesis estadsticas son de dos tipos: Hiptesis Nula ; Hiptesis Alternativa
HO
DEFINICIN: La hiptesis nula que se simboliza con , es la hiptesis que se debe comprobar. La
HI
hiptesis alternativa, que se simboliza con , es la hiptesis elegida para ser contrastada con Ho.
k
Si es un parmetro poblacional, y , es cualquier nmero real, entonces se pueden tener las
siguientes hiptesis Nula y Alternativa.
H O : =k H I : k
H O : k H I :< k
H O : k H I :> k
HI
El tipo de prueba, depende de la forma en como este definida la hiptesis alternativa .
H I :< k
Si la hiptesis alternativa es , entonces es una prueba de cola izquierda
H I :> k
Si la hiptesis alternativa es , entonces es una prueba de cola derecha
H I : k
Si la hiptesis alternativa es , entonces es una prueba bilateral o de dos colas.
PASOS PARA REALIZAR UNA PRUEBA DE HIPTESIS:

1) Se Identifica el parmetro poblacional al cual se le hara la prueba de hiptesis, donde puede ser
, , 2 HO HI
y se escriben las hiptesis y , correspondientes al caso.
2) Se calcula el valor de un estadstico de prueba, cuyo valor depende del estimador puntual del parmetro
poblacional de interes. Al estadstico de prueba se le llama tambien estadstico calculado.

3) Se elige un nivel de significancia que permita identificar el valor del estadstico, en tabla de la
distribucin con la cual se esta trabajando (Normal Estandarizada, T de Student, Chi Cuadrada, F de
Fisher). Al valor del estadstico, en la tabla de la distribucin determinada, se le conoce tambien con el
nombre estadstico tabulado.
4) Se ubica el valor del estadstico calculado hallado en el paso 2, en la recta horizontal de la grfica de la
funcin de densidad, de probabilidad dada y se observa si cae no, dentro de la llamada Region de
Rechazo.
H I :< k
- Si la hiptesis alternativa es , y el valor del estadstico de prueba, es menor que el valor del
HO
estadstico tabulado, entonces cae en la region de rechazo, por lo que la hiptesis nula , se rechaza.
H I :> k
- Si la hiptesis alternativa es , y el valor del estadstico de prueba, es mayor que el valor del
HO
estadstico tabulado, entonces cae en la region de rechazo, por lo que la hiptesis nula , se rechaza.
H I : k
- Si la hiptesis alternativa es , puede pasar, que el estadstico de prueba sea menor que el valor
negativo del estadstico tabulado sea mayor que el valor positivo del estadstico tabulado, en cualquiera
HO
de los dos casos, la hiptesis nula , se rechaza.
PARMETROS SUPUESTOS ESTADSTICOS DE PRUEBA

2
Conocida
x
z=

n
2 Desconocida y
x
z=
s
n 30
n

2
Desconocida y
x
t=
s
n 30
n
con v =n1 grados de libertad
21 22
y Conocidas
( 12 )
x 1x 2

2 2
1 2
+
n1 n2
z=
21 22
12 y Desconocidas
( 12 )
n1 30 y n2 30 x 1x 2
z=

s21 s 22
+
n1 n2
21 22
y
( 12 )
Desconocidas, iguales, x 1x 2
n1 <30 y n2< 30
t=
+

s2 s 2
n1 n2
12 n
n
2
2 ( 21)s2
( 11) s 1+
n1 +n 22

2
con s =
y v=n 1+ n22 grados de libertad

21 22
y
( 12 )
Desconocidas, diferentes, x 1x 2

2 2
n1 <30 y n2< 30 s1 s 2
+
n1 n2
t=
2 2 2
con v =
( s1 s2
+
n1 n 2 ) grados de libertad
2 2 2 2
( ) ( )
s1
n1
+
s2
n2
n11 n21
el resultado se redondeaal entero siguiente

Si n 30 el estadstico, ^
z=
np 5 , n(1p) 5 ,
(1)
n
Si
n1 30 , n2 30 , ^1 ^2(12 )
z=
n1 1 5, n2 2 5,
1
1 (1 1) 2 (12)
n1
+
n2
12 n1 ( 1) 5, n2 (12 ) 5.

Si
1 y 2 son
desconocidas.
^ 1 ^2 ^1^2
1 (11) 2(12 )
n1
+
n2
z=
ô (1 ô ) ô (1 ô )
n1
+
n2
=
ô (1 ^ o)(
1 1
+ )
n1 n 2
se calcula con
ô (1ô ) ^0 (1ô )
n1
+
n2
n1 ^1 +n2 ^2
ô=
Dnde n1 +n2

2 Si los datos se distribuyen (n1)s
2
de manera normal. x 2=
2
Con v=n1 grados de libertad
2
1 / 2
2 Si los datos se distribuyen 2 2
s1 / 1
de manera normal. F= 2 2
s2 / 2
con v 1=n11 y v 2=n2 1 grados de libertad
TIPOS DE ERROR:
HO
Error Tipo I: Cuando sin saberlo, se rechaza la hiptesis nula , siendo sta verdadera. La probabilidad
de cometer este tipo de error, se compara con el nivel de significancia , que es el maximo porcentaje en
el que se permite cometer el error Tipo I. Los niveles de significancia son de 5%, 1% y 0,1%.
HO
Error tipo II: Cuando sin saberlo se acepta la hiptesis nula , siendo falsa. La probabilidad de cometer

este tipo de error se compara con , que es el maximo porcentaje en el que se permite cometer el error
Tipo II.
VALOR P:
Es el nivel de significancia mximo para el cual se permite rechazar la hiptesis nula, sin temor de cometer el
error Tipo I.
P(C C)
a) Si la prueba es de cola izquierda: el P-valor es
P(C C)
b) Si la prueba es de cola derecha: el P-valor es
2 P ( C |C|) =2[ P ( C C )+ P ( C C ) ]
c) Si la prueba es de dos colas: el P-valor es
H
- Si el P Valor =0,05 la hiptesis nula O , se rechaza al nivel de significancia .
HO
- Si el P Valor =0,05 la hiptesis nula , no se rechaza al nivel de significancia
EJEMPLOS:
1) Como parte de un proceso de ensamblaje, se usa un taladro para hacer agujeros en una lamina de metal.
Cuando el taladro funciona correctamente, los diametros de estos agujeros tienen distribucin normal con
media igual a 2 centimetros y desviacin tpica de 0,06 centimetros. Periodicamente, se miden los
diametros de muestras de agujeros para controlar que el taladro funciona correctamente. Si una muestra
aleatoria de 6 agujeros da un diametro medio de 1,95 centimetros.
a) Pruebe la hiptesis de que la media de la poblacin es igual a 2 centimetros, frente a una alternativa de
otro valor. Usando un nivel de significancia de =0,05 .
b) Halla el valor P para verificar el resultado e interpreta.
2) Con el fin de cumplir las normas establecidas, es importante que la varianza en el porcentaje de
impurezas de unas remesas de productos quimicos no supere el 4%. Una muestra de 20 envios evidencio
una varianza muestral de 5,62 en el porcentaje de impureza.
a) Contrasta la hiptesis de que la varianza de la poblacin no es mayor del 4%, a un nivel de significancia
de =0,05 .
3) Se realiza un estudio para mejorar la enseanza del curso de estadstica inferencial en alumnos de
pregrado, del tercer semestre, para tal efecto, se realiza un estudio en muestras aleatorias de arena
extradas del laboratorio de suelos, para determinar la cantidad de materia orgnica en gramos, que haba
en las muestras. Al final del curso de estadstica inferencial, se les pide a los alumnos de dos carreras
(Ingenieria Civil y Agrcola) que interpreten la estimacin de la media poblacional de la cantidad materia
orgnica que haba en las muestras de suelos, mediante intervalo de confianza, entre otras preguntas. Los
resultados son:
PROGRAMA MUESTRA INTERPRETACIN

CORRECTA
INGENIERIA CIVIL 60 46
INGENIERIA AGRICOLA 70 50
TOTAL 130 96
a) Son diferentes las proporciones de estudiantes de las dos carreras que hicieron una buena interpretacin
de la situacin? Utiliza un nivel de significancia de =0,05 para probar esto.
4) Un equipo de investigadores ha desarrollado un software, llamado GNESIS, para la enseanza de la

Historia de Colombia, para los alumnos de secundaria. Para verificarlo se selecciona una muestra aleatoria
de tamao 40, con caractersticas similares. Veinte escolares se asignan al azar al grupo control
(enseanza tradicional) y los otros veinte al grupo experimental (enseanza con el software GNESIS), en
ambos grupos ensean docentes que han sido debidamente capacitados y desarrollan el mismo contenido
temtico. Al final del curso se aplica una prueba que mide el nivel de conocimientos, sobre Historia de
Colombia a cada grupo, y se obtienen las siguientes calificaciones.
GRUPO CONTROL 13 9,5 12 13 11,5 12 9,5 12 10 13,5

11 13,5 11,5 10,5 9 12 8 12 10,5 15
GRUPO 14,5 13,5 16,5 17 12 13,5 14 17,5 14 16
EXPERIMENTAL 17,5 15 15,5 13 17 15 15,5 16 14,5 14,5
Con una confianza del 95%, y sabiendo que las calificaciones para cada grupo tiene distribucin normal,
con varianzas desconocidas e iguales. Se podra concluir que los estudiantes que fueron capacitados con
el software obtuvieron mayor calificacin promedio que los del grupo sometido a capacitacin tradicional?
5) Una fbrica de queso verifica continuamente el nivel del contenido graso de su leche. El porcentaje medio
de grasa no debe superar el 2%. Se obtuvo una muestra de 26 empaques de queso y se registr el
porcentaje de grasa de cada uno. Los resultados fueron:
1,85 2,25 2,01 1,90 1,97 1,80 2,05 2,23 1,65 1,86 1,80 1,95 1,90
2,02 2,09 2,04 2,07 2,14 1,93 2,08 2,17 1,91 1,93 2,01 2,02 2,01
a) Haga una prueba al nivel del 5%, para determinar si el promedio en los porcentajes de grasa excede el
1%.
b) Halla el Valor P, para corroborar la respuesta. Interpreta y explica el resultado.
6) Conociendo los efectos que produce el Plomo (Pb) en sangre, en el desarrollo psicomotor de los nios, se
consider necesario profundizar la evaluacin de ciertos parmetros de este tipo de desarrollo
(coordinacin viso manual y aprendizaje de la escritura), en los nios que viven en distritos de extrema
pobreza y que cerca de sus viviendas existen depsitos de metales con alto contenido de plomo. Las
autoridades de salud indican que el nivel de plomo en sangre permisible es de menos de 10 mg/dl. Se
elige una muestra aleatoria de nios de edades entre 6 y 8 aos, que estudian y viven cerca a estos
depsitos, y se aplica el Test de Berry para medir los parmetros del desarrollo psicomotor mencionados.
Los resultados del Test de Berry se muestran en la siguiente tabla:
Nivel de Plomo Pb Nios Media Muestral Varianza Muestral
(mg/dl)
10 24 7,59 1
10 27 10,73 1,613
Los puntajes de este test tienen distribucin normal de probabilidad, en cada grupo y con varianzas
poblacionales desconocidas y diferentes.
a) Con base a sta informacin, pruebe que los nios que tienen niveles de plomo no permisible (mayor o
igual a 10 mg/dl), tienen en promedio menor desarrollo psicomotor, que los que tienen niveles permisibles
de plomo, a un nivel de significancia del 5%.
7) Un contratista de plomera desea estimar la diferencia en la proporcin de trabajos de construccin que
requieren una segunda visita a la obra de construccin antes de finalizar el trabajo. El contratista intenta
entregar su trabajo a la empresa de plomera con el nivel ms bajo de visitas repetidas. De los 50 trabajos
terminados por Alpha Plumbing Corporation, 39 adquirieron una segunda visita, Mientras que Omega
Plumbing Group hizo una segunda visita en el 67% de sus 60 trabajos. Se podra afirmar que la
diferencia en las proporciones de trabajos que requieren un segundo esfuerzo, es menor en el segundo
grupo que en el primero? Realiza la prueba con una confianza del 95%. Con cual de las dos empresas de
plomera se quedara y porque.
8) Se tilizan dos mtodos de produccin para ensamblar reproductores de discos compactos. El tiempo
promedio requerido por ambos mtodos se ha estimado en 5,6 minutos aproximadamente. Sin embargo,
los estudios parecen sugerir que las varianzas en tales tiempos difieren. Es importante mantener horarios
de produccin similares para coordinar los itinerairos de produccin. Determine si las varianzas en los
tiempo de produccin no son similares. 15 reproductores de discos compactos producidos por el primer
mtodo, reportan una desviacin estandar de 5,4 minutos y 17 reproductores del segundo mtodo
reportan una desviacin estandar de 4,8 minutos. A un nivel del 5%, que concluiria usted de la prueba de
hiptesis apropiada?
9) A un equipo administrativo se le pidio solucionar, 10 problemas diferentes sobre control de calidad, que se
encuentran comnmente en su trabajo. A un segundo equipo, se le pidio solucionar los mismos
problemas. Los tiempos de solucin en minutos que necesito cada equipo aparecen a continuacin.
2 2
a) Determina si las varianzas 1 y 2 son iguales o diferentes.
b) Se podr concluir que el desempeo del equipo 1 fue mejor que el del equipo 2?
Problema Equipo 1 Equipo 2
1 12 25
2 15 26
3 14 21
4 21 23
5 19 31
6 12 19
7 25 35
8 18 28
9 17 27
10 20 26
10) Se recolectan datos para determinar si hay diferencia en las varianzas de los ingresos diarios en las
dos tiendas. Dados los siguientes datos, Cul es su conclusion con base en una prueba de hiptesis
siendo =0,01 ? Los datos se presentan en dolares.
TIENDA 1 TIENDA 2 TIENDA 1 TIENDA 2

45,78 67,89 12,55 34,91
34,66 76,45 37,77 56,88
65,89 87,12 21,87 45,99
54,78 98,65 23,45
98,66 65,87 56,98
> g1=c(13,9.5,12,13,11.5,12,9.5,12,10,13.5,11,13.5,11.5,10.5,9,12,8,12,10.5,15)
> g2=c(14.5,13.5,16.5,17,12,13.5,14,17.5,14,16,17.5,15,15.5,13,17,15,15.5,16,14.5,14.5)
> Fc=var(g1)/var(g2)
> Fc
[1] 1.257174
> qf(0.95,19,19)
[1] 2.168252
> t.test(g1,g2,var.equal=TRUE,alternative="less")
Two Sample t-test
data: g1 and g2
t = -7.0364, df = 38, p-value = 1.098e-08
alternative hypothesis: true difference in means is less than 0
95 percent confidence interval:
-Inf -2.775448
sample estimates:
mean of x mean of y
11.45 15.10
> e1=c(12,15,14,21,19,12,25,18,17,20)
> e2=c(25,26,21,23,31,19,35,28,27,26)
> Fc=var(e1)/var(e2)
> Fc
[1] 0.8009236
> qf(0.95,9,9)
[1] 3.178893
> t.test(e1,e2,var.equal=TRUE,alternative="less")
Two Sample t-test
data: e1 and e2
t = -4.4561, df = 18, p-value = 0.0001526
alternative hypothesis: true difference in means is less than 0
-Inf -5.375499
sample estimates:
mean of x mean of y
17.3 26.1
> t1=c(45.78,34.66,65.89,54.78,98.66,12.55,37.77,21.87,23.45,56.98)
> t2=c(67.89,76.45,87.12,98.65,65.87,34.91,56.88,45.99)
> Fc=var(t1)/var(t2)
> Fc
[1] 1.460531
> qf(0.99,9,7)
[1] 6.718752
>pg=c(1.85,2.25,2.01,1.90,1.97,1.80,2.05,2.23,1.65,1.86,1.80,1.95,1.90,2.02,2.09,2.04,2.07,2.14,1.93,2.08
,2.17,1.91,1.93,2.01,2.02,2.01)
> t.test(pg,mu=2,alternative="greater")
One Sample t-test
data: pg
t = -0.51524, df = 25, p-value = 0.6945
alternative hypothesis: true mean is greater than 2
1.94025 Inf
sample estimates:
mean of x
1.986154
> t.test(pg,mu=2,alternative="less")
One Sample t-test
data: pg
t = -0.51524, df = 25, p-value = 0.3055
alternative hypothesis: true mean is less than 2
-Inf 2.032057
sample estimates:
mean of x
1.986154
> t.test(pg,mu=2,alternative="two.sided")
One Sample t-test
data: pg
t = -0.51524, df = 25, p-value = 0.6109
alternative hypothesis: true mean is not equal to 2
1.930807 2.041501
sample estimates:
mean of x
1.986154

2do NOTAS DE CLASE ESTADÍSTICA INGENIERIA

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

2do NOTAS DE CLASE ESTADÍSTICA INGENIERIA

Cargado por

Copyright:

Formatos disponibles

ESTADISTICA NOTAS DE CLASE - MSc.

LILIANA VITOLA GARRIDO

ESTADISTICA PROGRAMA ING. AGROINDUSTRIAL

POBLACIN OBJETO DE ESTUDIO:

Binomial: Cuando la variable cualitativa, tiene solo dos categoras o modalidades.

Multinomial: Cuando la variable cualitativa, tiene ms de dos categoras.

MEDIDAS DE TENDENCIA CENTRAL

Caso de datos no agrupados

Caso de datos agrupados:

Es el dato con mayor frecuencia entre el conjunto de datos.

1 79 72.81 78.75 80.6

2 61 66.53 60.62 61.6

3 54 65.65 58.75 60.6

4 100 97.07 97.5 98.1

5 96 87.91 83.75 81.8

7 90 75.43 77.55 72.5

8 89 90.43 91.87 86.2

Los cuartiles quedaran definidos de la siguiente manera:

Es la distancia entre los cuartiles superior e inferior y se define como:

Los Percentiles o Cuantiles

Considerando la definicin de la mediana, esta ser el segundo cuartil, el 50 Percentil o Cuantil.

El procedimiento para encontrar el valor de cualquier percentil Pk a partir de datos ordenados, es el

De tal manera que el Decil 1(D1) es igual al Percentil 10 (P0.10)

El Decil 2(D2) es igual al Percentil 20 (P0.20)

El Decil 3(D3) es igual al Percentil 30 (P0.30) y as sucesivamente.

Desviacin Estndar Mustral

Aproximadamente el 99,75% de los datos de la muestra estn a tres desviaciones de la media:

4 >0 4 <0 4=0

DIAGRAMAS DE REPRESENTACIN DE DATOS

Nivel Aos de Nivel Aos de

El histograma de frecuencias es una representacin visual de los datos en donde se evidencian

Diagrama de Tallos y Hojas

Un diagrama de bloque se puede construir mediante la siguiente secuencia de pasos:

1. Dibujar y marcar un eje de medida horizontal.

2) Cuntos nmeros diferentes puedo armar con las cifras: 9, 6, 3, 8, 1, 4.

Si tenemos n elementos y queremos organizarlos de varias maneras, entonces tendremos permutaciones

Cuando de un conjunto de n elementos, se hacen permutaciones de ellos tomandolos en subconjuntos de

Cuntos comites con 2 mujeres pueden salir

DEFINICIN CLSICA DE PROBABILIDAD

La probabilidad de A que se simboliza como P(A) es:

1) En la biblioteca de la universidad, existen tres libros de Estadstica: A, B, C. Si el 30% de los alumnos

a) Cul es la probabilidad que tenga ojos castaos, pero no cabello castao.

b) Super o sin Etanol

Suponga que un individuos seleccionado al azar tiene ambos seguros.

Ejemplos de Eventos independientes:

a) Los asociados al lanzamiento de un dado o de una moneda.

4) El departamento administrativo de la Universidad, tiene acceso a 3 mquinas de fax. La probabilidad de

Se puede generalizar a ms de dos eventos: P ( A B C )=P ( A ) P ( B/ A ) P (C/ A B)

a) Halla la probabilidad REACCION

c) Halla la probabilidad que la persona se oponga al plan dado que es independiente.

d) Que este a favor dado que es empleado.

a) Un hombre sin saldo vencido.

del evento B P (C / B ) . Entonces la probabilidad de que se de C, esta dado por:

a) La probabilidad de que no cumpla con el peso exigido y venga de la empresa B.

B , de U. La probabilidad que Ai B , que se

Las variables aleatorias son Discretas o Continuas:

Variable Aleatoria Discreta

a) Sea el experimento Lanzar una moneda 3 veces

Sea X la v.a. definida como el:

Dado que el espacio muestral U de ste experimento, tiene como elementos.

U : { ccc , ccs , csc , scc , ssc , scs , css , sss }

b) Sea el experimento Nacimiento de dos hijos

Sea Y la v.a. definida como el: