Está en la página 1de 73

INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA

MAESTRA EN INGENIERA INDUSTRIAL


PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

ALUMNO: NICTE HA PECH GUZMN 1


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

INTRODUCCIN A LA ESTADSTICA

1.1 Estadstica
Se denomina Estadstica a la rama de las matemticas que se ocupa de reunir, organizar, presentar, analizar e interpretar
datos numricos y que ayuda a resolver problemas como el diseo de experimentos y la toma de decisiones.
1.2 Tipos de Estadstica
1.2.1 Estadstica descriptiva 1.2.2 Estadstica inferencial

Se encarga de la recoleccin, agrupacin y presentacin de Involucra la utilizacin de una muestra para sacar alguna
los datos de una manera tal que los describa fcil y inferencia o conclusin sobre la poblacin de la cual
rpidamente procede la muestra. Puede definirse como aquellos
mtodos que hacen posible la estimacin de una
caracterstica de una poblacin o la toma de una decisin
referente a una poblacin, basndose slo en los
resultados de una muestra. El objetivo de la inferencia
estadstica es obtener informacin acerca de la
poblacin, partiendo de la informacin que contiene la
muestra.
1.2.2 Estadstica inferencial
Poblacin Muestra
Parmetro Estadstico
Caracterstica numrica de una poblacin, como el A la caracterstica numrica de una muestra, como el
promedio de la poblacin, la desviacin estndar de la promedio de la muestra, la desviacin estndar de la
poblacin, etc. muestra, etc.
El parmetro es una medida de resumen que se calcula para El estadstico es una medida de resumen que se calcula
describir una caracterstica de toda una poblacin. para describir una caracterstica de una sola muestra de
la poblacin
Poblacin Muestra
Es el conjunto de todos los individuos Es un subconjunto que seleccionamos de la poblacin, es
una parte representativa de la poblacin que se
selecciona para ser estudiada ya que la poblacin es
demasiado grande para analizar su totalidad.
Individuo Muestreo
Se entiende cualquier elemento que porte informacin sobre Proceso de obtener muestras
el fenmeno que se estudia. As, si estudiamos la altura de
los nios de una clase, cada alumno es un individuo; si
estudiamos el precio de la vivienda, cada vivienda es un
individuo
Clasificacin del muestreo
El muestreo aleatorio es en el cual la muestra se obtiene Mientras que en el muestreo no aleatorio la muestra se
dando la misma oportunidad a cada elemento de la obtiene sin darle la misma oportunidad a cada elemento
poblacin de pertenecer a ella. Al muestro aleatorio tambin de la poblacin de pertenecer a ella., mientras que el
se le conoce como muestreo representativo. El muestreo muestreo no aleatorio se realiza a juicio.
aleatorio puede llevarse a cabo a travs de urnas o tmbolas,
o bien usando nmeros aleatorios
El muestreo con reemplazo es el muestreo en el cual cada El Muestreo sin reemplazo es en el cual cada miembro de
miembro de una poblacin puede seleccionarse ms de una una poblacin puede seleccionarse nicamente una vez y
vez, cada vez que se toma un elemento la poblacin en este caso el tamao de la poblacin se va reduciendo
conservar su tamao. conforme se conforma la muestra.

ALUMNO: NICTE HA PECH GUZMN 2


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

1.3 Tipos de variables


Una variable es una caracterstica de Un dato es el valor de la variable Un experimento es una actividad
inters sobre cada elemento asociada a un elemento de una planeada cuyos resultados producen
individual de una poblacin o poblacin o muestra. Este valor un conjunto de datos
muestra. puede ser un nmero, una palabra o
un smbolo.
Clasificacin de las variables
Dependiendo del nmero de caractersticas que se Dependiendo del tipo de datos las variables pueden
analizan de la poblacin, las variables se pueden clasificar clasificarse en:
en:
a) Variables cualitativas o atributos: no se pueden
a) Variables unidimensionales: slo recogen medir numricamente. Ejemplo: religin,
informacin sobre una caracterstica. Ejemplo: edad nacionalidad, color de la piel, sexo.
de los alumnos de una clase. b) Variables cuantitativas: tienen valor numrico.
b) Variables bidimensionales: recogen informacin Ejemplo: edad, longitud, precio. Por su parte, las
sobre dos caractersticas de la poblacin. Ejemplo: variables cuantitativas se pueden clasificar en
edad y altura de los alumnos de una clase. discretas y continuas.
c) Variables pluridimensionales o multidimensionales: c) Discretas: slo pueden tomar valores enteros (1, 2,
recogen informacin sobre tres o ms 8, -4, etc.). Estas variables representan conteos, por
caractersticas. Ejemplo: edad, altura y peso de los ejemplo: el nmero de alumnos en un saln de clase
alumnos de una clase puede ser: 35, 60, 100, etc., nunca podr ser 41.3.
d) Continuas: pueden tomar cualquier valor real dentro
de un intervalo. Estas variables representan
mediciones, por ejemplo, la altura de una persona
puede ser 1.35 m, 1.68, 1.90, etc

ALUMNO: NICTE HA PECH GUZMN 3


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

1.4 Niveles de medicin


Los Niveles o Escalas de medicin son las formas de clasificar los datos, pueden ser:
a) Escala Nominal: b) Escala Ordinal:

Se caracteriza por datos que consisten exclusivamente en Implica datos que pueden acomodarse en algn orden,
nombres, rtulos o categoras. Los datos no pueden pero no es posible determinar diferencias entre los
acomodarse segn esquema de ordenamiento (digamos valores de los datos, o tales diferencias carecen de
de bajo alto). El trmino nominal puede asociarse con significado.
slo nombres.
En caso de que puedan detectarse diversos grados de un
La escala de medida nominal, puede considerarse la atributo o propiedad de un objeto, la medida ordinal es
escala de nivel ms bajo, y consiste en la asignacin, la indicada, puesto que entonces puede recurrirse a la
puramente arbitraria de nmeros o smbolos a cada una propiedad de "orden" de los nmeros asignndolo a los
de las diferentes categoras en las cuales podemos dividir objetos en estudio de modo que, si la cifra asignada al
el carcter que observamos, sin que puedan establecerse objeto A es mayor que la de B, puede inferirse que A
relaciones entre dichas categoras, a no ser el de que cada posee un mayor grado de atributo que B.
elemento pueda pertenecer a una y solo una de estas
categoras. La asignacin de nmeros a las distintas categoras no
puede ser completamente arbitraria, debe hacerse
Se trata de agrupar objetos en clases, de modo que todos atendiendo al orden existente entre stas.
los que pertenezcan a la misma sean equivalentes
respecto del atributo o propiedad en estudio, despus de Los caracteres que posee una escala de medida ordinal
lo cual se asignan nombres a tales clases, y el hecho de permiten, por el hecho mismo de poder ordenar todas
que a veces, en lugar de denominaciones, se le atribuyan sus categoras, el clculo de las medidas estadsticas de
nmeros, puede ser una de las razones por las cuales se posicin, como por ejemplo la mediana.
le conoce como "medidas nominales".
Ejemplo: Al asignar un nmero a los vehculos en un taller
Se ha de tener presente que los nmeros asignados a de servicio, segn el orden de llegada, estamos llevando
cada categora sirven nica y exclusivamente para una escala ordinal, es decir que al primero en llegar le
identificar la categora y no poseen propiedades asignamos el n 1, al siguiente el n 2 y as sucesivamente,
cuantitativas. de esta forma, cada nmero representar una categora
en general, con un solo elemento y se puede establecer
relaciones entre ellas, ya que los nmeros asignados
guardan la misma relacin que el orden de llegada al
taller.

c) Escalas por intervalos es como el nivel ordinal, con la d) Escala de razn: Es el nivel de medida ms elevado y
propiedad adicional que podemos determinar se diferencia de las escalas de intervalos nicamente por
magnitudes de diferencias entre los datos que tienen poseer un punto cero propio como origen; es decir que el
algn significado. Sin embargo, no hay un punto de valor cero de esta escala significa ausencia de la magnitud
partida o cero inherente (natural) en el que la cantidad que estamos midiendo.
est totalmente ausente.
Si se observa una carencia total de propiedad, se dispone
En esta escala, adems de poseer las caractersticas de la de una unidad de medida para el efecto. A iguales
escala ordinal, encontramos que la asignacin de los diferencias entre los nmeros asignados corresponden
nmeros a los elementos es tan precisa que podemos iguales diferencias en el grado de atributo presente en el
determinar la magnitud de los intervalos (distancia) entre objeto de estudio. Adems, siendo que cero ya no es
todos los elementos de la escala. Sin lugar a dudas, arbitrario, sino un valor absoluto, podemos decir que A
podemos decir que la escala por intervalos es la primera tiene dos, tres o cuatro veces la magnitud de la propiedad
escala verdaderamente cuantitativa y a los caracteres presente en B.
que posean esta escala de medida pueden calculrsele
ALUMNO: NICTE HA PECH GUZMN 4
PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

todas las medidas estadsticas a excepcin del coeficiente


de variacin.

Ejemplos: El lapso transcurrido entre 1998-1999 es igual


al que transcurri entre 2000-2001.
Si a una hora tenemos una temperatura ambiente de
15C significa que hace fro, si despus de varias horas la
temperatura cambia a 30C no significa que hace el doble
de fro, y si se tuviera 0C no significa que ya no hace fro
o bien que no hay temperatura.

1.5.Recopilacion de datos
1.5.1 Fuentes para obtener datos 1.5.2 Tcnicas para recopilar datos
Los datos pueden obtenerse de dos tipos de fuentes: a) Encuesta:
Conjunto de preguntas tipificadas dirigidas a una muestra
a) Fuentes internas: cuando los datos son parte de la representativa, para averiguar estados de opinin o
propia actividad del ente que los recopila, se dice que diversas cuestiones de hecho. A diferencia de un censo,
el dato es interno y la fuente es interna. donde todos los miembros de la poblacin son
estudiados, las encuestas recogen informacin de una
porcin de la poblacin de inters, dependiendo el
tamao de la muestra en el propsito del estudio
b) Fuentes externas: cuando se tiene que otras b) Entrevista:
empresas, instituciones, poblaciones, etc., fuera del Las entrevistas se utilizan para recabar informacin en
ente recopilador forma verbal, a travs de preguntas que propone el
analista. Quienes responden pueden ser gerentes o
empleados, los cuales son usuarios actuales del sistema
existente, usuarios potenciales del sistema propuesto o
aquellos que proporcionarn datos o sern afectados por
la aplicacin propuesta. El analista puede entrevistar al
personal en forma individual o en grupos. Sin embargo,
las entrevistas no siempre son la mejor fuente de datos
de aplicacin. En otras palabras, la entrevista es un
intercambio de informacin que se efecta cara a cara. Es
un canal de comunicacin entre el analista y la
organizacin; sirve para obtener informacin acerca de
las necesidades y la manera de satisfacerlas, as como
concejo y comprensin por parte del usuario para toda
idea o mtodo nuevos. Por otra parte, la entrevista ofrece
al analista una excelente oportunidad para establecer
una corriente de simpata con el personal usuario, lo cual
es fundamental en transcurso del estudio.
c) Cuestionario:
Se entiende por cuestionario a la lista de preguntas que
se proponen por cualquier fin, el cuestionario
proporcionan una alternativa muy til para la entrevista;
sin embargo, existen ciertas caractersticas que pueden
ser apropiada en algunas situaciones e inapropiadas en
otra. Al igual que la entrevistas, deben disearse
cuidadosamente para una mxima efectividad.
ALUMNO: NICTE HA PECH GUZMN 5
PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

d) Observacin:
Otra tcnica til para el analista en su progreso de
investigacin, consiste en observar a las personas cuando
efectan su trabajo. Como tcnica de investigacin, la
observacin tiene amplia aceptacin cientfica. Los
socilogos, siclogos e ingenieros industriales utilizan
extensamente sta tcnica con el fin de estudiar a las
personas en sus actividades de grupo y como miembros
de la organizacin. El propsito de la organizacin es
mltiple: permite al analista determinar que se est
haciendo, como se est haciendo, quien lo hace, cuando
se lleva a cabo, cunto tiempo toma, dnde se hace y por
qu se hace

PRESENTACIN DE DATOS DE UNA SOLA VARIABLE

Distribucin de frecuencias

La informacin estadstica puede constar de un gran nmero de observaciones y mientras mayor sea el nmero, mayor
puede ser la conveniencia y necesidad de presentarla en forma resumida, la cual puede permitir algunos detalles pero
en cambio puede revelar la naturaleza general de la informacin.

Un resumen de tal distribucin se denomina Distribucin de Frecuencias. Puede decirse tambin, que una distribucin
es el patrn de variabilidad mostrado por los datos de una variable. La distribucin muestra la frecuencia de cada valor
de la variable.

La tabla N.1 resume las edades de 1,763,000 varones Tabla No. 1


que constituan la fuerza laboral masculina de cierto pas: Fuerza laboral masculina de un pas
(clasificacin por edades)
La tabla N. 1 presenta datos de una variable cuantitativa, Edad Nmero de varones
por lo cual se trata de una Distribucin de Frecuencia 14 a19 aos 218,000
Cuantitativa 20 a 24 aos 313,000
25 a 55 aos 977,000
Ms de 55 aos 255,000
Total 1,763,000

La tabla N.2 es una Distribucin de Frecuencias Tabla No. 2


Cualitativas, debido a que el campo de especializacin del Campos de Especializacin
alumno no puede ser medidos sino slo puede ser de los alumnos de reas tcnicas
descrito. Campo de especializacin Nmero de alumnos
Construccin 42
Electrnica 88
Elctrica 50
Mecnica 34
Total 214

ALUMNO: NICTE HA PECH GUZMN 6


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

2.1.1 Intervalos, marcas de clase y frecuencias

a) Intervalos de clase. La dificultad de resumir un conjunto de datos, puede ser superada agrupando los diversos
valores en un nmero reducido de clases llamados intervalos de clase.
b) Lmites de clase. Cada una de las clases tiene un extremo o lmite superior y uno inferior; el extremo inferior es
el menor valor que puede caer en esta clase y el superior el mayor valor.
c) Limites reales de clase. El punto medio entre el lmite superior de una clase y el lmite inferior de la siguiente
clase es la frontera superior o lmite real superior de la clase y la frontera inferior o lmite real inferior de la
siguiente clase. En una clase dada todos los valores deben ser mayores a la frontera inferior y menores a la
frontera superior. Para evitar ambigedades, las fronteras se expresan con una cifra decimal ms que los
extremos.
d) Marca de clase. El punto medio entre los dos extremos (o las dos fronteras) de una clase se denomina marca
de clase.
e) Frecuencia de clase. El nmero de datos incluidos en un intervalo de clase se denomina frecuencia de la clase.

2.1.2 Construccin de una distribucin de frecuencias para datos cuantitativos

Al construir una distribucin de frecuencias para datos cuantitativos es necesario primeramente decidir cul va a ser el
nmero de clases. En general, este nmero depende fundamentalmente de la naturaleza de los datos a resumir y del
objetivo que se persiga con ese resumen. Sin embargo, es posible dar ciertas guas generales que pueden ser de utilidad
en la determinacin del nmero de clases. En primer lugar, el nmero de clases no debe ser ni muy grande ni muy
pequeo; un nmero pequeo de clases puede ocultar la naturaleza general de los datos y uno muy grande puede ser
demasiado detallado como para relevar alguna informacin til.

Como regla general, se recomienda que el nmero de clases est entre 5 y 20.
La llamada regla de Sturges puede dar una aproximacin razonable para el nmero de clases, siendo esta:
=
= 1 + 3.3
= 2

ALUMNO: NICTE HA PECH GUZMN 7


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

PROBLEMA EJEMPLO BASE

Como estadstico residente de Pigs and People(P&P) Airlines,el director de la divisin de anlisis estadstico le pide
recolectar y agrupar datos sobre el nmero de pasajeros que han decidi viajar con (P&P).Tales datos correspondientes
a los ltimos 50 das aparecen en la tabla 2.1. Sin embargo, con estos datos en bruto, es improbable que el director
pueda obtener informacin til y significativa, respecto a las operaciones de vuelo. Los datos no estn organizados y es
difcil llegar a una conclusin significativa simplemente revisando una serie de nmeros anotados en un papel. Es preciso
agrupar y presentar los datos de manera concisa y reveladora para facilitar el acceso a la informacin que contienen.

Tabla 2.1. datos brutos sobre el nmero de pasajeros de P&P Airlines


68 71 77 83 79
72 74 57 67 69
50 60 70 66 76
70 84 59 75 94
65 72 85 79 71
83 84 74 82 97
77 73 78 93 95
78 81 79 90 83
80 84 91 101 86
93 92 102 80 69

1 Datos en bruto: 2 ordenar los datos de menor a mayor:

68 71 77 83 79 50 70 76 81 90
72 74 57 67 69 57 70 77 82 91
50 60 70 66 76 59 71 77 83 92
70 84 59 75 94 60 71 78 83 93
65 72 85 79 71 65 72 78 83 93
83 84 74 82 97 66 72 79 84 94
77 73 78 93 95 67 73 79 84 95
78 81 79 90 83 68 74 79 84 97
80 84 91 101 86 69 74 80 85 101
93 92 102 80 69 69 75 80 86 102

3 Calcular el rango: 4 Calcular en nmero clases:


Estas pueden calcularse de manera arbitraria
= 5 15
= 102 50 = 52 = 2
Para nuestro ejemplo:
= 25
50 . .32 . 50
= 26
50 . .64 . 50

ALUMNO: NICTE HA PECH GUZMN 8


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

5 Calcular el Tamao de Clase 6 Construir las distribuciones de frecuencias:


52
= = = 8.666 9
6

6.1.- Distribucin de Frecuencias Absolutas 6.2.- Distribucin de Frecuencias Relativas o Porcentuales

Distribucin de Frecuencias Absolutas Distribucin de Frecuencias Relativas o


Lmites de Porcentuales
Clase Lmites de
(pasajeros) Clase
Frecuencias (pasajeros)
Clases LIC LSC absolutas Frecuencias
(das) Clases LIC LSC porcentuales
.. (das)
1 . 50 . 58 2
1 . 50 . 58 .. 0.04
2 . 59 . 67 .. 5
2 . 59 . 67 .. 0.1
3 . 68 . 76 .. 14
3 . 68 . 76 .. 0.28
4 . 77 . 85 .. 18
4 . 77 . 85 .. 0.36
5 . 86 . 94 .. 7
5 . 86 . 94 .. 0.14
6 . 95 . 103 .. 4
6 . 95 . 103 .. 0.08
50
1

ALUMNO: NICTE HA PECH GUZMN 9


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

6.3.- Caractersticas de toda distribucin de frecuencias

Caractersticas de toda distribucin de frecuencias


Lmites de
Limites Reales de Clase
Clase
Marcas de Limite Real Limite Real
Clases LIC LSC Clase (MC) Inferior(LRIC) Superior(LRSC)
1 . 50 . 58 .. 54 54.5 .. 58.5
2 . 59 . 67 .. 63 58.5 .. 67.5
3 . 68 . 76 .. 72 67.5 .. 76.6
4 . 77 . 85 .. 81 76.5 .. 85.5
5 . 86 . 94 .. 90 85.5 .. 94.5
6 . 95 . 103 .. 99 94.5 .. 103.5

6.4.- Distribucin de frecuencias acumuladas "mayor 6.5.- Distribucin de frecuencias acumuladas "menor
que" LRIC que" LRSC
Distribucin de frecuencias Distribucin de frecuencias
acumuladas "mayor que" LRIC acumuladas "menor que" LRSC
Mayor que Frecuencia Menor que Frecuencia
LRIC acumulada LRSC acumulada
(pasajeros) (das) (pasajeros) (das)
54.5 .. 50 58.5 .. 2
58.5 .. 48 67.5 .. 7
67.5 .. 43 76.6 .. 21
76.5 .. 29 85.5 .. 39
85.5 .. 11 94.5 .. 46
94.5 .. 4 103.5 .. 50

ALUMNO: NICTE HA PECH GUZMN 10


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

MEDIDAS DE TENDENCIA CENTRAL

Informan sobre los valores medios del conjunto de datos. Son indicadores usados para sealar que porcentaje de datos
dentro de una distribucin de frecuencias superan estas expresiones, cuyo valor representa el valor del dato que se
encuentra en el centro de la distribucin de frecuencia, es por esto que se les llama "Medidas de Tendencia Central".

Media

Las media o promedio es una medida de posicin que proporciona una descripcin compacta de cmo estn centrados
los datos y una visualizacin ms clara del nivel que alcanza la variable, puede servir de base para medir o evaluar valores
extremos y brinda mayor facilidad para efectuar comparaciones.

Es importante poner en relieve que la notacin de promedio lleva implcita la idea de variacin y que este nmero
promedio debe cumplir con la condicin de ser representativo de conjunto de datos.

El promedio como punto tpico de los datos es el valor alrededor del cual se agrupan los dems valores de la variable.

Media Aritmtica

Es una medida matemtica, un nmero individual que representa razonablemente el comportamiento de todos los
datos.

Caractersticas de la Media:

a) En su clculo estn todos los valores del conjunto de datos por lo que cada uno afecta la media.
b) La suma algebraica de las desviaciones de los valores individuales respecto a la media es cero.
c) La suma del cuadrado de las desviaciones de una serie de datos a cualquier nmero A es mnimo si A = X
d) Aunque es confiable porque refleja todos los valores del conjunto de datos puede ser afectada por los valores
extremos, y de esa forma llegar a ser una medida menos representativa, por lo que si la distribucin es
asimtrica, la media aritmtica no constituye un valor tpico.

CLCULO DE LA MEDIA ARITMTICA

( )
=

Media aritmtica para datos agrupados

=1()( ) 3915
= = = 78.3
50

ALUMNO: NICTE HA PECH GUZMN 11


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

Mediana

Es el valor de la observacin que ocupa la posicin central de un conjunto de datos ordenados segn su magnitud.

Es el valor medio o la media aritmtica de los valores medios.

La mediana es un valor de la variable que deja por debajo de l un nmero de casos igual al que deja por arriba.

Geomtricamente la mediana es el valor de la variable que corresponde a la vertical que divide al histograma en dos
reas iguales.

Cuando determinados valores de un conjunto de observaciones son muy grandes o pequeos con respecto a los dems,
entonces la media aritmtica se puede distorsionar y perder su carcter representativo, en esos casos es conveniente
utilizar la mediana como medida de tendencia central, es decir que la mediana no presenta el problema de estar influida
por los valores extremos, pero en cambio no utiliza en su clculo toda la informacin de la serie de datos (no pondera
cada valor por el nmero de veces que se ha repetido).

Caractersticas de la mediana

a) Es una medida de tendencia central no afectada por los valores extremos.


b) No est definida algebraicamente.
c) Cuando la localizacin del elemento central puede ser determinada y los lmites de clase mediana son
conocidos, la mediana para la distribucin de frecuencias puede ser calculada por interpolacin, no importando
que sta contenga intervalos abiertos, cerrados, iguales o diferentes.
d) La suma de los valores absolutos, sin considerar el signo, de las desviaciones individuales respecto a la mediana
es mnimo.
e) La mediana en caso de una distribucin asimtrica, no resulta desplazado del punto de tendencia central.
f) Si el universo tiene curtosis excesiva la mediana como estadstico, vara menos que cualquier otra medida.
g) Si la mediana se calcula por interpolacin y hay lagunas en los valores de la clase mediana o los datos son
irregulares, esta medida no es buena ya que su ubicacin puede resultar falsa.
h) Si se desea ubicar las condiciones de un elemento en una clase, la mediana resulta se indicada, ya que por
comparacin pone en evidencia si un elemento est en la mitad superior a ella o en la inferior.

CLCULO DE LA MEDIANA
Para datos no agrupados:
1. Se ordenan los datos ascendentemente.
2. La mediana corresponde al dato que est en la posicin central.

Para datos agrupados:


1. Se calcula la clase de la mediana, la cual corresponde a la clase cuya frecuencia acumulada es mayor o igual a 2.
2. En la clase de la mediana se aplica la siguiente formula:


= + [ 2 ]

Dnde:
= .
= .
= .
= .
Mediana para datos agrupados
ALUMNO: NICTE HA PECH GUZMN 12
PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

25 21
= 76.5 + ( ) 9 = 78.5
18

Moda

Es el valor de un conjunto de datos que ocurre ms frecuentemente, se considera como el valor ms tpico de una serie
de datos.
Para datos agrupados se define como Clase Modal el intervalo que tiene ms frecuencia.
La moda puede no existir o no ser nica, las distribuciones que presentan dos o ms mximos relativos se designan de
modo general como bimodales o multimodales respectivamente.

Caractersticas de la Moda

a) Representa ms elementos que cualquier otro valor


b) No est afectada por los valores extremos, pero para datos continuos es dudoso su clculo.
c) La moda para una distribucin de frecuencias de datos agrupados no puede ser calculada exactamente, el valor
de la moda puede ser afectado por el mtodo de agrupacin de los intervalos de clase.
d) La moda no permite conocer la mayor parte de los datos.
e) Algunas veces el azar interviene de manera importante y hace que un valor no representativo se repita
frecuentemente.
f) Puede usarse para datos cuantitativos como cualitativos.
g) La moda como estadstico, vara mucho de una muestra a otra.
h) Cuando se tienen dos o ms modas es difcil su interpretacin
i) Tiene la ventaja de que los datos desproporcionados con respecto al resto no la distorsionan, pero no se presta
para un tratamiento matemtico.

CLCULO DE LA MODA
Para datos no agrupados:
La moda corresponde al dato o datos que se repiten con ms frecuencia.

Para datos agrupados:


1. Se localiza la clase modal, la cual corresponde a la clase que tenga la mayor frecuencia.
2. En la clase modal se aplica la siguiente formula:

1
= + [ ]
1 + 2

Dnde:
= .
1 = .
2 = .
= .

ALUMNO: NICTE HA PECH GUZMN 13


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

Medidas de Posicin

Las medidas de posicin no centrales permiten conocer otros puntos caractersticos de la distribucin que no son los
valores centrales. Entre otros indicadores, se suelen utilizar una serie de valores que dividen la muestra en tramos
iguales.

Deciles

Son 9 valores que distribuyen la serie de datos, ordenada de forma creciente o decreciente, en diez tramos iguales, en
los que cada uno de ellos concentra el 10% de los resultados.

Cuartiles

Son 3 valores que distribuyen la serie de datos, ordenada de forma creciente o decreciente, en cuatro tramos iguales,
en los que cada uno de ellos concentra el 25% de los resultados.

Percentiles

Son 99 valores que distribuyen la serie de datos, ordenada de forma creciente o decreciente, en cien tramos iguales, en
los que cada uno de ellos concentra el 1% de los resultados.

CLCULO DE PERCENTILES
Para datos no agrupados:
1. Se ordenan los datos ascendentemente.
2. Se calcula el ndice (posicin) del percentil con la siguiente frmula.


=( )
100

En donde p es el nmero de percentil de inters y n es la cantidad de observaciones.

3. Si i no es entero, se redondea. El valor entero inmediato mayor que i indica la posicin del p-simo percentil.
Si i s es entero, el p-simo percentil es el promedio de los valores de los datos ubicados en los lugares i e i+1.

Para datos agrupados:


1. Se calcula el ndice del percentil.


=( )
100

2. Se localiza la clase del percentil, la cual corresponde a la clase cuya frecuencia acumulada es mayor o igual a i.
3. En la clase del percentil se aplica la siguiente frmula:


( )
= + [ 100 ]

Dnde:
= .
= .
ALUMNO: NICTE HA PECH GUZMN 14
PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

= .
= .

Cuartiles Q1; Q2; Q3

12.5 7
1 = 67.5 + ( ) 9 = .
14

25 21
2 = 76.5 + ( ) 9 = .
18

37.5 21
3 = 76.5 + ( ) 9 = .
18

MEDIDAS DE DISPERSIN

Estudia la distribucin de los valores de la serie, analizando si estos se encuentran ms o menos concentrados, o ms o
menos dispersos.

Es importante medir la dispersin por las siguientes razones:

a) La dispersin proporciona informacin adicional que permite juzgar la confiabilidad de la medida de tendencia
central, si los datos se encuentran muy dispersos, la posicin central es menos representativa de los datos, como
un todo, que cuando stos se agrupan ms cerca del valor de la media.
b) Existen problemas caractersticos para datos muy dispersos, por lo que es necesario reconocer esa dispersin
alta para poder abordar ese tipo de problemas.
c) Cuando se desea comparar diferentes muestras, si no se desea tener una alta dispersin de valores con respecto
del centro de distribucin, o esto presenta riesgos inaceptables, se necesita reconocerla y evitar elegir
distribuciones que tengan las dispersiones ms grandes.

RANGO (R)

Rango Intercuartlico

El rango intercuartlico mide aproximadamente qu tan lejos de la mediana se debe ir en cualquiera de las dos
direcciones antes de recorrer una mitad de los valores del conjunto de datos.

ALUMNO: NICTE HA PECH GUZMN 15


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

RANGO INTERCUARTLICO (RIQ)

= 3 1

Rango Interpercentlico

Es una medida de dispersin de la diferencia entre los valores del percentil 90 y el percentil 10.

RANGO INTERPERCENTLICO (RIP)

= 90 10

MEDIDAS DE DESVIACIN PROMEDIO

Las descripciones ms completas de la dispersin son aquellas que manejan la desviacin promedio respecto a alguna
medida de tendencia central. En esta clasificacin las ms utilizadas son la varianza y la desviacin estndar. Ambas
medidas dan una distancia promedio de cualquier observacin del conjunto de datos respecto a la media de la
distribucin.

Varianza

Medida del cuadrado de la distancia promedio entre la media y cada observacin de la poblacin.

VARIANZA DE POBLACIN (2)

( )2
2 =

VARIANZA DE DATOS AGRUPADOS DE POBLACIN (2)

( )2
2 =

VARIANZA DE UNA MUESTRA (S2)

( )2
2 =
( 1)

VARIANZA DE DATOS AGRUPADS DE MUESTRA (S2)

( )2
2 =
( 1)

ALUMNO: NICTE HA PECH GUZMN 16


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

Desviacin Estndar

Se calcula obteniendo la raz cuadrada positiva de la varianza. Esta medida de dispersin tiene las mismas unidades que
los datos originales, a diferencia de la varianza en la que las unidades estn expresadas por los cuadrados de las unidades.

5710.68
= =
49

ALUMNO: NICTE HA PECH GUZMN 17


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

PRESENTACIN GRFICA DE DATOS

Una vez elaborada la tabla de distribucin de frecuencia es importante construir su representacin visual. Esta
representacin revela patrones de comportamiento de la variable en estudio. El tipo de grfico que se utilice depender
del tipo de datos y el concepto a representar.

Datos cualitativos

Las grficas que generalmente se utilizan para resumir datos cualitativos, de atributo o categricos son las grficas de
barras y la de pastel.

Grfica de barras

Las grficas de barras muestran la cantidad de datos que pertenecen a cada categora como reas rectangulares de
tamao proporcional. Cada barra slida, ya sea vertical u horizontal representa un tipo de dato.

Diagrama de barras simple

Vamos a aprender a hacer un diagrama de barras cuando tenemos en una columna las categoras de una variable y en
otra columna las frecuencias absolutas de dichas categoras. Por ejemplo, vamos a realizar el diagrama de barras de los
datos de la Figura 7, correspondientes a los idiomas en que estn escritos los libros de los estantes de una determinada
biblioteca.
ALUMNO: NICTE HA PECH GUZMN 18
PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

Figura 7: Idioma de los libros de una biblioteca

Idioma N de estantes
1 Francs 78
2 Alemn 47
3 Ruso 20
4 Espaol 30

Para dibujar el diagrama de barras seleccionamos GraphBar Chart,


Activamos la opcin Values from a table del apartado Bars represent,
Activamos el modelo Simple del apartado One column of values y
Pulsamos en OK. En el cuadro de dilogo resultante,
Seleccionamos la columna No de estantes en el recuadro Graph variables;
Seleccionamos la columna Idioma en el recuadro Categorical Variable y
Pulsamos en OK.
Como ya sabemos, podemos modificar este grfico.

ALUMNO: NICTE HA PECH GUZMN 19


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

Diagrama de barras agrupado (o apilado)

Vamos a aprender a hacer un diagrama de barras agrupado (o apilado) cuando tenemos los datos en una tabla de doble
entrada. Por ejemplo, vamos a realizar el diagrama de barras agrupado de los datos de la Figura 8, correspondientes al
nmero de citas en diferentes campos de investigacin y en tres distintos aos.

Figura 8: Citas anuales en distintos campos de investigacin

Campo de investigacin 1970 1980 1990


Sociologa 330 414 547
Economa 299 393 295
Poltica 115 357 137
Psicologa 329 452 258

Para dibujar el diagrama de barras agrupado seleccionamos GraphBar Chart,


Activamos la opcin Values from a table del apartado Bars represent,
Activamos el modelo Cluster del apartado Two-way table y
Pulsamos en OK.
En el cuadro de dilogo resultante, seleccionamos las columnas 1970, 1980 y 1990 en el recuadro Graph
variables,
Seleccionamos la columna Campo investigacin en el recuadro Row labels,
Activamos Rows are outermost categories and columns are innermost y,
Por ltimo, pulsamos en OK.
Como ya sabemos, podemos modificar este grfico.

ALUMNO: NICTE HA PECH GUZMN 20


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

Grfica Circular

Denominada tambin grfica de pastel o grfica del 100%, se utilizan para mostrar la cantidad de datos que pertenecen
a cada categora como una parte proporcional de un crculo.

Se forma al dividir un crculo en sectores circulares de manera que:

a) Cada sector circular equivale al porcentaje correspondiente al dato o grupo que representa.
b) La unin de los sectores circulares forma el crculo y la suma de sus porcentajes es 100.

Es aconsejable que el nmero de elementos comparados dentro de un grfico circular, no sea mayor de 5, ordenando
los segmentos de mayor a menor, iniciando con el ms amplio a partir de las 12 como en un reloj.

Una manera sencilla de diferenciar los segmentos es sombrendolos de claro a oscuro, siendo el de mayor tamao el
ms claro y el de menor tamao el ms oscuro.

Grfico de sectores o de pastel

Vamos a aprender a hacer un diagrama de sectores cuando tenemos en una columna las categoras de una variable y en
otra columna las frecuencias absolutas de dichas categoras. Por ejemplo, vamos a realizar el diagrama de sectores de
los datos de la Figura 7, correspondientes a los idiomas en que estn escritos los libros de los estantes de una
determinada biblioteca.

ALUMNO: NICTE HA PECH GUZMN 21


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

Figura 7: Idioma de los libros de una biblioteca

Idioma N de estantes
1 Francs 78
2 Alemn 47
3 Ruso 20
4 Espaol 30

Para dibujar el diagrama de sectores seleccionamos GraphPie Chart,


En el cuadro de dilogo resultante, activamos la opcin Chart values from a table,
Seleccionamos la columna Idioma en el recuadro Categorical Variable,
Seleccionamos la columna No de estantes en el recuadro Summary variables y,
Pulsamos en OK.
Como ya sabemos, podemos modificar este grfico.

IDIOMA Pie Chart of IDIOMA


Category
FRANCES
ESPAOL
ALEMAN
30, 17.1%
RUSO
ESPAOL

Category
RUSO
20, 11.4% RUSO
ESPAOL
ALEMAN RUSO FRANCES
FRANCES ESPAOL
FRANCES 78, 44.6%
78, 44.6% 30, 17.1% 20, 11.4%

ALEMAN
47, 26.9%

ALEMAN
47, 26.9%

Datos cuantitativos

Una razn fundamental para elaborar una grfica de datos cuantitativos es mostrar su distribucin.

Histograma

Una de las formas ms comunes de representar una distribucin de frecuencias es un histograma.

Un histograma es una grfica que se construye a partir de la tabla estadstica, consiste en rectngulos verticales unidos
entre s, en donde sus lados son los lmites reales inferior y superior de clase y cuya altura es igual a la frecuencia de
clase.

El criterio para calcular la altura de cada rectngulo es el de mantener la proporcionalidad entre las frecuencias absolutas
(o relativas) de cada intervalo y el rea de los mismos.

ALUMNO: NICTE HA PECH GUZMN 22


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

USANDO MINITAB:

2 Escribir o copiar (de Word o Excel) en la hoja de trabajo de Minitab los datos en bruto.

3 Elegir de la barra de herramientas la opcin de Graficas (Graph) y dar CLICK y aparece el siguiente men desplegado.

ALUMNO: NICTE HA PECH GUZMN 23


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

4 Bajamos en ese men hasta histogramas (histogram) y dar CLICK y aparece la siguiente ventana.

5 Elegimos una de las opciones de venta de histograma y damos CLICK y seleccionamos en la parte inferior la pestaa
OK y aparece la siguiente ventana.

ALUMNO: NICTE HA PECH GUZMN 24


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

6 Pulsamos la columna C1 en la hoja de trabajo donde se escribieron los datos y le damos SELECT; aparece C1 en la
segunda ventana y seleccionamos en la parte inferior en la pestaa OK y aparece la grfica.

Histogram of C1

6
Frequency

0
50 60 70 80 90 1 00
C1

7 Para ajustar esta grafica a las necesidades o deseos, en base al problema de ejemplo. Nos colocamos en cualquier
parte del rea de barras y aparece un men desplegado en donde elegimos editar barras (edit bars).

ALUMNO: NICTE HA PECH GUZMN 25


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

8 Damos CLICK en editar barras (edit bars y aparece la siguiente ventana en donde elegimos la pestaa binning).

9 Damos CLICK en binning y aparece la ventana siguiente en donde elegimos Marcas de Clase (Midpoint); en intervalos
de clase le damos 6 que es el nmero de clases deseadas y en la parte de la ventana inferior escribimos las seis marcas
de clase y le damos en la parte inferior en la pestaa OK.

ALUMNO: NICTE HA PECH GUZMN 26


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

Histogram of C1
20

15
Frequency

10

0
54 63 72 81 90 99
C1

10 Editamos nuestra grfica; colocndonos en los ejes X o Y; colocndonos en las barras, en la regin o rea de fondo,
en el ttulo; en las leyendas de los ejes, etc.

ALUMNO: NICTE HA PECH GUZMN 27


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

ALUMNO: NICTE HA PECH GUZMN 28


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

Polgono de frecuencias

Consiste en una serie de segmentos que unen los puntos cuyas abscisas son las marcas de cada clase y cuyas ordenadas
son proporcionales a sus frecuencias respectivas.

El polgono de frecuencias se construye fcilmente si tenemos representado previamente el histograma, ya que consiste
en unir mediante lneas rectas los puntos del histograma que corresponden a las marcas de clase.

Para representar el polgono de frecuencias en el primer y ltimo intervalo, suponemos que adyacentes a ellos existen
otros intervalos de la misma amplitud y frecuencia nula, y se unen por una lnea recta los puntos del histograma que
corresponden a sus marcas de clase.

De este modo, el polgono de frecuencias tiene en comn con el histograma el que las reas de la grfica sobre un
intervalo son idnticas.

Ojiva

Una grfica de distribucin de frecuencias acumuladas es llamada una ojiva. Se trazan los lmites reales superiores contra
las frecuencias acumuladas.

Una distribucin de frecuencias acumuladas nos permite ver cuntas observaciones estn por encima de ciertos valores,
en lugar de hacer un mero registro del nmero de elementos que hay dentro de los intervalos, esto es lo que refleja la
ojiva.

Se puede construir una ojiva de una distribucin de frecuencias relativas de la misma manera en que trazamos la ojiva
de una distribucin de frecuencias absolutas. Slo habr un cambio: la escala del eje vertical.

ALUMNO: NICTE HA PECH GUZMN 29


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

Grficas de puntos

La representacin grfica por medio de puntos (o grfica de puntos) es una de las grficas ms sencillas que se utilizan.

Presenta los datos de una muestra mediante la representacin de cada porcin de datos con un punto ubicado a lo largo
de una escala.

Esta escala puede ser vertical y horizontal. La frecuencia de los valores est representada a lo largo de la otra escala.

Grficas lineales

Consisten en una serie de puntos trazados en las intersecciones de las marcas de clase y las frecuencias de cada una,
unindose consecutivamente con lneas.

DIAGRAMA DIGIPUNTO

DIAGRAMA DIGIPUNTO
54 63 72 81 90 99
Variable

54 63 72 81 90 99
C2

Each symbol represents up to 50 observations.


Each symbol represents up to 37 observations.

DIAGRAMA DE TALLOS Y HOJAS

3 5 079
7 6 0567899
18 7 001122344567788999
12 8 001233344456
8 9 01233457
2 10 12

ALUMNO: NICTE HA PECH GUZMN 30


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

EJERCICIOS DE REFORZAMIENTO

PROBLEMA 1.-

Los siguientes datos son los ingresos de 60 ejecutivos de mercadotecnia para empresas de Estados Unidos. Los datos
estn expresados en miles de dlares.

DISTRIBUCIONES DE FRECUENCIAS

1- Datos en bruto

INGRESOS (MILES DE DOLARES).


58 76 89 45 67 34
64 76 34 65 45 39
79 74 56 71 85 87
74 38 69 79 61 71
69 62 56 38 69 79
71 54 31 69 62 39
65 79 47 46 77 66
55 75 62 57 77 36
73 72 64 69 51 50
40 50 74 61 69 73

2- Ordenar los datos

31 45 57 65 71 76
34 46 58 66 71 77
34 47 61 67 72 77
36 50 61 69 73 79
38 50 62 69 73 79
38 51 62 69 74 79
39 54 62 69 74 79
39 55 64 69 74 85
40 56 64 69 75 87
45 56 65 71 76 89

3- Encontrar el rango

Dato mayor - dato menor = 89 31 = 58

ALUMNO: NICTE HA PECH GUZMN 31


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

4- Calcular el nmero de clases

N clases = 2c n donde n= nmero de datos

26 60; nmero de clase es 6

5- Calcular el tamao de clase

58
= = = 9.66
6

6- Construir la distribucin de frecuencias absolutas

Clases LIC LSC Frecuencia absolutas


1 31 40 9
2 41 50 6
3 51 60 7
4 61 70 17
5 71 80 18
6 81 90 3
SUMA= 60

NOTA: Verificar que mi dato mayor este contenido dentro de mi ltima clase (89 dato mayor)

7- Construir la distribucin de frecuencias porcentuales o relativas

Clases LIC LSC Frecuencia


porcentuales
1 31 40 0.15
2 41 50 0.10
3 51 60 0.12
4 61 70 0.28
5 71 80 0.30
6 81 90 0.05
SUMA= 1

ALUMNO: NICTE HA PECH GUZMN 32


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

8- Caractersticas de toda distribucin de frecuencias

Clases LIC LSC Marca de clase Limite real inferior Limite Real Superior (LRSC)
(MC) (LRIC)
1 31 40 35.5 30.5 40.5
2 41 50 45.5 40.5 50.5
3 51 60 55.5 50.5 60.5
4 61 70 65.5 60.5 70.5
5 71 80 75.5 70.5 80.5
6 81 90 85.5 80.5 90.5

( + )
=
2

9- Distribucin de frecuencias acumuladas mayor que LRIC

DISTRIBUCIN DE FRECUENCIAS

Mayor que LRIC (miles Frecuencia acumulada(miles de dolres)


de dolres)

30.5 60
40.5 51
50.5 45
60.5 38
70.5 21
80.5 3

10- Distribucin de frecuencias acumuladas menor que LRSC

DISTRIBUCIN DE FRECUENCIAS

Menor que LRSC Frecuencia acumulada(miles de dolres)


(miles de dolres)

40.5 9
50.5 15
60.5 22
70.5 39
80.5 57
90.5 60

ALUMNO: NICTE HA PECH GUZMN 33


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

GRAFICOS ESTADSTICOS

11- Histograma de frecuencias absolutas

Frecuencia absolutas Marca de clase (MC)


9 35.5
6 45.5
7 55.5
17 65.5
18 75.5
3 85.5

HISTOGRAMA DE FRECUENCIAS ABSOLUTAS


INGRESOS EN MILES DE DOLARES DE EJECUTIVOS DE
MARKETING

20 18
18 17
FRECUENCIAS ABSOLUTAS

16
14
12
10 9
8 7
6
6
4 3
2
0
35.5 45.5 55.5 65.5 75.5 85.5
MARCA DE CLASE (MC)

ALUMNO: NICTE HA PECH GUZMN 34


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

12- Histograma de frecuencias relativas

Frecuencia relativas Marca de clase (MC)


0.15 35.5
0.10 45.5
0.12 55.5
0.28 65.5
0.30 75.5
0.05 85.5

HISTOGRAMA DE FRECUENCIAS RELATIVAS


INGRESOS EN MILES DE DOLARES DE EJECUTIVOS DE
MARKETING

0.35 0.30
FRECUENCIAS RELATIVAS

0.28
0.30
0.25
0.20 0.15
0.15 0.12
0.10
0.10 0.05
0.05
0.00
35.5 45.5 55.5 65.5 75.5 85.5
MARCAS DE CLASE (MC)

ALUMNO: NICTE HA PECH GUZMN 35


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

13- Polgono de frecuencias absolutas

Frecuencia absolutas Marca de clase (MC)


9 35.5
6 45.5
7 55.5
17 65.5
18 75.5
3 85.5

20
POLGONO DE FRECUENCIAS ABSOLUTAS
18 INGRESOS EN MILES DE DOLARES DE EJECUTIVOS DE
16 MARKETING
FRECUENCIAS ABSOLUTAS

14

12

10

0
0 35.5 45.5 55.5 65.5 75.5 85.5 0
MARCA DE CLASE

14- Polgono de frecuencias relativas

Frecuencia relativas Marca de clase (MC)


0.15 35.5
0.10 45.5
0.12 55.5
0.28 65.5
0.30 75.5
0.05 85.5

ALUMNO: NICTE HA PECH GUZMN 36


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

POLGONO DE FRECUENCIAS RELATIVAS


INGRESOS EN MILES DE DOLARES DE EJECUTIVOS DE
MARKETING

0.40
0.30
FRECUENCIAS RELATIVAS
0.28
0.30

0.20 0.15
0.10 0.12
0.10 0.05
0.00 0.00
0.00
0 35.5 45.5 55.5 65.5 75.5 85.5 0
MARCAS DE CLASE (MC)

15- OJIVA MAYOR QUE LRIC

Frecuencia acumulada Mayor que LRIC


(miles de dolres) (miles de dolres)
60 30.5
51 40.5
45 50.5
38 60.5
21 70.5
3 80.5

OJIVA MAYOR QUE


INGRESOS EN MILES DE DOLARES DE EJECUTIVOS
DE MARKETING

80
60
FRECUENCIA ACUMULADA

60 51
45
38
40 21
20 3
LRIC

0
0
30.5 40.5 50.5 60.5 70.5 80.5
LRIC

ALUMNO: NICTE HA PECH GUZMN 37


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

16- OJIVA MENOR QUE

Frecuencia acumulada Menor que LRSC


(miles de dolres) (miles de dolres)
9 40.5
15 50.5
22 60.5
39 70.5
57 80.5
60 90.5

OJIVA MENOR QUE


INGRESOS EN MILES DE DOLARES DE EJECUTIVOS
DE MARKETING
70 57 60
FRECUENCIA ACUMULADA

60
50 39
40
30 22
LRSC

15
20 9
10 0
0
0 40.5 50.5 60.5 70.5 80.5 90.5
LRSC

MEDIDAS ESTADISTICAS

17. Media aritmtica


A) Tendencia central
18. Mediana

19. Moda

20. Varianza
B) Dispersin
21. Desviacin tpica

22. Rangos

ALUMNO: NICTE HA PECH GUZMN 38


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

23. Los cuartiles


C) Posicin
24. Los deciles

25. Los percentiles

17- Media aritmtica

(f)(M. C. ) 3710
= = = .
60

CLASES FRECUENCIA MARCA DE CLASE (F) (M.C.)


ABSOLUTA (M.C.)
1. 31-40 9 35.5 319.5
2. 41-50 6 45.5 273
3. 51-60 7 55.5 388.5
4. 61-70 17 65.5 1113.5
5. 71-80 18 75.5 1359
6. 81-90 3 85.5 256.5
= 60 = 3710

18- Mediana

Clases Frecuencia Frecuencia LRIC


Absoluta Acumulada
31-40 9 9 30.5
41-50 6 15 40.5
51-60 7 22 50.5
61-70 17 39 60.5
71-80 18 57 70.5
81-90 3 60 80.5


3022
Med= LRIC med + [ 2 ]+ Med= 60.5 + [ ] (10) = .
17
med

ALUMNO: NICTE HA PECH GUZMN 39


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

19- Moda

1
Mod= LRICmed + ( ) . . Mod= 70.5 + ( ) (10) = .
+ 1+15

20- Varianza

( )2
2 =
1

( )2
2 =

13393.334
2 = = .
60

Clases Frecuencia MC (Xi-)^2 f(Xi-)^2


Absoluta
31-40 9 35.5 693.2689 6239.4201
41-50 6 45.5 266.6689 1600.0134
51-60 7 55.5 40.0689 280.4823
61-70 17 65.5 13.4689 228.9713
71-80 18 75.5 186.8689 3363.6402
81-90 3 85.5 560.2689 1680.8067
13393.334

21- Desviacin estndar

( )2
=

13393.334
= = .
60

ALUMNO: NICTE HA PECH GUZMN 40


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

CLASES FRECUENCIA MARCA DE (Xi-)2 F(Xi-)2


ABSOLUTA CLASE (M.C.)
1. 31-40 9 35.5 693.2689 6239.4201
2. 41-50 6 45.5 266.6689 1600.0134
3. 51-60 7 55.5 40.0689 280.4823
4. 61-70 17 65.5 13.4689 228.9713
5. 71-80 18 75.5 186.8689 3363.6402
6. 81-90 3 85.5 560.2689 1680.8067
= 60 =13,393.334

(media aritmetica) = 61.83

22. Rango

Rango = 89 31 =

= 3 1

= 73.83 50.5 = .

= 90 10

= 78.83 37.16 = .

23. Cuartiles

1
1 (1)(60) ( 4 ) (159)
Q1= = = 15 Q1= LRICQ1+ ( ) . . = 40.5 + ( ) 10 = .
4 4 6

Clases Frecuencia MC Frecuencia


Absoluta Acumulada
31-40 9 35.5 9
41-50 6 45.5 15
51-60 7 55.5 22
61-70 17 65.5 39
71-80 18 75.5 57
81-90 3 85.5 60
60
ALUMNO: NICTE HA PECH GUZMN 41
PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

(2)(60) (3022)
Q2= = 30 Q2= 60.5 + ( ) 10 = .
4 17

Clases Frecuencia MC Frecuencia


Absoluta Acumulada
31-40 9 35.5 9
41-50 6 45.5 15
51-60 7 55.5 22
61-70 17 65.5 39
71-80 18 75.5 57
81-90 3 85.5 60
60

(3)(60) (4539)
Q3= = 45 Q3= 70.5 + ( ) 10 = .
4 18

Clases Frecuencia MC Frecuencia


Absoluta Acumulada
31-40 9 35.5 9
41-50 6 45.5 15
51-60 7 55.5 22
61-70 17 65.5 39
71-80 18 75.5 57
81-90 3 85.5 60
60

(4)(60) (6057)
Q4= = 60 Q3= 80.5 + ( ) 10 = .
4 3

Clases Frecuencia MC Frecuencia


Absoluta Acumulada
31-40 9 35.5 9
41-50 6 45.5 15
51-60 7 55.5 22
61-70 17 65.5 39
71-80 18 75.5 57
81-90 3 85.5 60
60

ALUMNO: NICTE HA PECH GUZMN 42


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

24. Deciles

(1)(60) (60)
D1= =6 D1= 30.5 + ( ) 10 = .
10 9

Clases Frecuencia MC Frecuencia


Absoluta Acumulada
31-40 9 35.5 9
41-50 6 45.5 15
51-60 7 55.5 22
61-70 17 65.5 39
71-80 18 75.5 57
81-90 3 85.5 60
60

(2)(60) (129)
D2= = 12 D2= 40.5 + ( ) 10 = .
10 6

Clases Frecuencia MC Frecuencia


Absoluta Acumulada
31-40 9 35.5 9
41-50 6 45.5 15
51-60 7 55.5 22
61-70 17 65.5 39
71-80 18 75.5 57
81-90 3 85.5 60
60

(3)(60) (1815)
D3= = 18 D3= 50.5 + ( ) 10 = .
10 7

Clases Frecuencia MC Frecuencia


Absoluta Acumulada
31-40 9 35.5 9
41-50 6 45.5 15
51-60 7 55.5 22
61-70 17 65.5 39
71-80 18 75.5 57
81-90 3 85.5 60
60

ALUMNO: NICTE HA PECH GUZMN 43


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

(4)(60) (2422)
D4= = 24 D4= 60.5 + ( ) 10 = .
10 17

Clases Frecuencia MC Frecuencia


Absoluta Acumulada
31-40 9 35.5 9
41-50 6 45.5 15
51-60 7 55.5 22
61-70 17 65.5 39
71-80 18 75.5 57
81-90 3 85.5 60
60

(5)(60) (3022)
D5= = 30 D5= 60.5 + ( ) 10 = .
10 17

Clases Frecuencia MC Frecuencia


Absoluta Acumulada
31-40 9 35.5 9
41-50 6 45.5 15
51-60 7 55.5 22
61-70 17 65.5 39
71-80 18 75.5 57
81-90 3 85.5 60
60

(6)(60) (3622)
D6= = 36 D6= 60.5 + ( ) 10 = .
10 17

Clases Frecuencia MC Frecuencia


Absoluta Acumulada
31-40 9 35.5 9
41-50 6 45.5 15
51-60 7 55.5 22
61-70 17 65.5 39
71-80 18 75.5 57
81-90 3 85.5 60
60

ALUMNO: NICTE HA PECH GUZMN 44


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

(7)(60) (4239)
D7= = 42 D7= 70.5 + ( ) 10 = .
10 18

Clases Frecuencia MC Frecuencia


Absoluta Acumulada
31-40 9 35.5 9
41-50 6 45.5 15
51-60 7 55.5 22
61-70 17 65.5 39
71-80 18 75.5 57
81-90 3 85.5 60
60

(8)(60) (4839)
D8= = 48 D8= 70.5 + ( ) 10 = .
10 18

Clases Frecuencia MC Frecuencia


Absoluta Acumulada
31-40 9 35.5 9
41-50 6 45.5 15
51-60 7 55.5 22
61-70 17 65.5 39
71-80 18 75.5 57
81-90 3 85.5 60
60

(9)(60) (5439)
D9= = 54 D9= 70.5 + ( ) 10 = 78.83
10 18

Clases Frecuencia MC Frecuencia


Absoluta Acumulada
31-40 9 35.5 9
41-50 6 45.5 15
51-60 7 55.5 22
61-70 17 65.5 39
71-80 18 75.5 57
81-90 3 85.5 60
60

ALUMNO: NICTE HA PECH GUZMN 45


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

(10)(60) (6057)
D10= = 60 D10= 80.5 + ( ) 10 = .
10 3

Clases Frecuencia MC Frecuencia


Absoluta Acumulada
31-40 9 35.5 9
41-50 6 45.5 15
51-60 7 55.5 22
61-70 17 65.5 39
71-80 18 75.5 57
81-90 3 85.5 60
60

25. Percentiles

(1)(60) (0.60)
P1= = 0.6 P1= 30.5 + ( ) 10 = .
100 9

Clases Frecuencia MC Frecuencia


Absoluta Acumulada
31-40 9 35.5 9
41-50 6 45.5 15
51-60 7 55.5 22
61-70 17 65.5 39
71-80 18 75.5 57
81-90 3 85.5 60
60

(10)(60) (60)
P10= =6 P10= 30.5 + ( ) 10 = .
100 9

Clases Frecuencia MC Frecuencia


Absoluta Acumulada
31-40 9 35.5 9
41-50 6 45.5 15
51-60 7 55.5 22
61-70 17 65.5 39
71-80 18 75.5 57
81-90 3 85.5 60
60

ALUMNO: NICTE HA PECH GUZMN 46


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

(50)(60) (3022)
P50= = 30 P50= 60.5 + ( ) 10 = .
100 17

Clases Frecuencia MC Frecuencia


Absoluta Acumulada
31-40 9 35.5 9
41-50 6 45.5 15
51-60 7 55.5 22
61-70 17 65.5 39
71-80 18 75.5 57
81-90 3 85.5 60
60

(90)(60) 5439
P90= = 54 P90= 70.5 + ( ) 10 = .
100 18

Clases Frecuencia MC Frecuencia


Absoluta Acumulada
31-40 9 35.5 9
41-50 6 45.5 15
51-60 7 55.5 22
61-70 17 65.5 39
71-80 18 75.5 57
81-90 3 85.5 60
60

ALUMNO: NICTE HA PECH GUZMN 47


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

RESOLUCIN DEL PROBLEMA POR MINITAB 17

Estadsticos descriptivos: De la variable C1

CONTEO MEDIA ERROR DESVIACION VARIANZA MINIMO Q1 MEDIANA Q3


TOTAL ESTANDAR ESTANDAR
DE LA
MEDIA
60 62.05 1.92 14.86 220.73 31.00 50.25 65.00 73.75

MAXIMO RANGO IQR MODO N PARA


MODA
89.00 58.00 23.50 69 6

GRAFICOS REALIZADOS EN MINITAB

HISTOGRAMA DE FRECUENCIAS ABSOLUTAS


INGRESOS EN MILES DE DOLARES DE EJECUTIVOS DE MARKETING

20
18
18 17
FRECUENCIAS ABSOLUTAS

16

14

12

10 9

8 7
6
6

4 3

0
35.5 45.5 55.5 65.5 75.5 85.5
MARCAS DE CLASE
NICTE HA PECH GUZMAN

HISTOGRAMA DE FRECUENCIAS RELATIVAS O PORCENTUALES


INGRESOS EN MILES DE DOLARES DE EJECUTIVOS DE MARKETING
FRECUENCIAS RELATIVAS O PORCENTUALES

30
30 28.3333

25

20

15
15
11.6667
10
10

5
5

0
35.5 45.5 55.5 65.5 75.5 85.5
MARCAS DE CLASE
NICTE HA PECH GUZMAN

ALUMNO: NICTE HA PECH GUZMN 48


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

POLIGONO DE FRECUENCIAS RELATIVAS O PORCENTUALES


INGRESOS EN MILES DE DOLARES DE EJECUTIVOS DE MARKETING

FRECUENCIAS RELATIVAS O PORCENTUALES


30
30 28.3333

25

20

15
15
11.6667
10
10

5
5

0 0
0
25.5 35.5 45.5 55.5 65.5 75.5 85.5 95.5
MARCAS DE CLASE
NICTE HA PECH GUZMAN

POLIGONO DE FRECUENCIAS ABSOLUTAS


INGRESOS EN MILES DE DOLARES DE EJECUTIVOS DE MARKETING
20
18
17
FRECUENCIAS ABSOLUTAS

15

10 9

7
6

5
3

0 0
0
25.5 35.5 45.5 55.5 65.5 75.5 85.5 95.5
MARCAS DE CLASE
NICTE HA PECH GUZMAN

Diseo de tallo y hoja: C1

Tallo y hoja de C1 N = 60 Unidad de hoja = 1.0

3 3 144
8 3 68899
9 4 0
13 4 5567
17 5 0014
22 5 56678
29 6 1122244
(10) 6 5567999999
21 7 111233444
12 7 566779999
3 8
3 8 579

ALUMNO: NICTE HA PECH GUZMN 49


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

PROBLEMA 2.- Una organizacin estudiantil esta por revisar el monto que los estudiantes invierten en textos cada
semestre. Cincuenta estudiantes reportaron las siguientes cantidades, aproximadas al dlar ms prximo.

1. DATOS EN BRUTO:

DOLARES $
125 157 113 127 201
165 145 119 148 158
148 168 117 105 136
136 125 148 108 178
179 191 225 204 104
205 197 119 209 157
209 205 221 178 247
235 217 222 224 187
265 148 165 228 239
245 152 148 115 150

2. ORDENAR LA TABLA DE DATOS:

104 127 152 187 221


105 136 157 191 222
108 136 157 197 224
113 145 158 201 225
115 148 165 204 228
117 148 165 205 235
119 148 168 205 239
119 148 178 209 245
125 148 178 209 247
125 150 179 217 265

3. ENCONTRAR EL RANGO:
ALUMNO: NICTE HA PECH GUZMN 50
PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

= Rango = 265 104 =

4. CALCULAR EL NUMERO DE CLASES:

N clases = 2c n donde n= nmero de datos

26 50; nmero de clase es 6

5. CALCULAR EL TAMAO DE CLASE

161
= = = 26.83
6

6. CONSTRUIR LA DISTRIBUCION DE FRECUENCIAS ABSOLUTAS

Clases LIC LSC Frecuencia absolutas


1 104 130 11
2 131 157 12
3 158 184 7
4 185 211 9
5 212 238 7
6 239 265 4
SUMA= 50

7. CONSTRUIR LA DISTRIBUCIN DE FRECUENCIAS PORCENTUALES O RELATIVAS

Clases LIC LSC Frecuencia


porcentuales
1 104 130 0.22
2 131 157 0.24
3 158 184 0.14
4 185 211 0.18
5 212 238 0.14
6 239 265 0.08
SUMA= 1

ALUMNO: NICTE HA PECH GUZMN 51


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

8. CARACTERSTICAS DE TODA DISTRIBUCIN DE FRECUENCIAS

Clases LIC LSC Marca de clase Limite real Limite Real


(MC) inferior (LRIC) Superior (LRSC)
1 104 130 117 103.5 130.5
2 131 157 144 130.5 157.5
3 158 184 171 157.5 184.5
4 185 211 198 184.5 211.5
5 212 238 225 211.5 238.5
6 239 265 252 238.5 265.5

( + )
=
2

9. DISTRIBUCIN DE FRECUENCIAS ACUMULADAS MAYOR QUE LRIC

DISTRIBUCIN DE FRECUENCIAS

Mayor que LRIC (dlar) Frecuencia acumulada (dlar)

103.5 50
130.5 39
157.5 27
184.5 20
211.5 11
238.5 4

10. DISTRIBUCIN DE FRECUENCIAS ACUMULADAS MENOR QUE LRSC

DISTRIBUCIN DE FRECUENCIAS

Menor que LRSC Frecuencia acumulada(dlar)


(dlar)

130.5 11
157.5 23
184.5 30
211.5 39
238.5 46
265.5 50

ALUMNO: NICTE HA PECH GUZMN 52


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

GRAFICOS ESTADSTICOS

11. HISTOGRAMA DE FRECUENCIAS ABSOLUTAS

Frecuencia absolutas Marca de clase (MC)


11 117
12 144
7 171
9 198
7 225
4 252

HISTOGRAMA DE FRECUENCIAS ABSOLUTAS


INVERSION DE DOLARES EN TEXTOS DE ESTUDIANTES POR
SEMESTRE
0.3
FRECUENCIA ABSOLUTA

0.24
0.25 0.22
0.2 0.18
0.14 0.14
0.15
0.1 0.08

0.05
0
117 144 171 198 225 252
MARCA DE CLASE (MC)

ALUMNO: NICTE HA PECH GUZMN 53


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

PASOS PARA OBTENER GRAFICOS EN MINITAB

Histograma de C1
9

6
Frecuencia

0
1 20 1 60 200 240
C1

ALUMNO: NICTE HA PECH GUZMN 54


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

ALUMNO: NICTE HA PECH GUZMN 55


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

HISTOGRAMA DE FRECUENCIAS ABSOLUTA


INVERSION DE DOLARES EN TEXTOS DE ESTUDIANTES POR SEMESTRE
105
12
104

10
FRECUENCIA ABSOLUTA

113

8
108 115

117
4

0
117 1 44 1 71 1 98 225 252
MARCA DE CLASE (MC)

ALUMNO: NICTE HA PECH GUZMN 56


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

12. HISTOGRAMA DE FRECUENCIAS PORCENTUALES O RELATIVAS

Frecuencia PORCENTUALES O Marca de clase (MC)


RELATIVAS
0.22 117
0.24 144
0.14 171
0.18 198
0.14 225
0.08 252

HISTOGRAMA DE FRECUENCIAS RELATIVA


O PORCENTUAL
FRECUENCIA RELATIVA O

INVERSION DE DOLARES EN TEXTOS DE ESTUDIANTES


POR SEMESTRE
PORCENTUAL

0.3
0.24
0.25 0.22
0.2 0.18
0.14 0.14
0.15
0.1 0.08
0.05
0
117 144 171 198 225 252
MARCA DE CLASE (MC)

ALUMNO: NICTE HA PECH GUZMN 57


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

GRAFICOS EN MINITAB

ALUMNO: NICTE HA PECH GUZMN 58


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

HISTOGRAMA DE FRECUENCIAS RELATIVAS O PORCENTUALES


INVERSION DE DOLARES EN TEXTOS DE ESTUDIANTES POR SEMESTRE

FRECUENCIA RELATIVAS O PORCENTUALES


25 105

104

20
113

15 108 115

10
117

0
117 1 44 1 71 1 98 225 252
MARCA DE CLASE (MC)

13. POLGONO DE FRECUENCIAS ABSOLUTAS

Frecuencia absolutas Marca de clase (MC)


11 117
12 144
7 171
9 198
7 225
4 252

POLIGONO DE FRECUENCIAS
ABSOLUTAS
FRECUENCIA ABSOLUTA

INVERSION DE DOLARES EN TEXTOS DE ESTUDIANTES


POR SEMESTRE
14
12
10
8
6 11 12
4 9
7 7
2 4
0 0 0
0 117 144 171 198 225 252 0
MARCA DE CLASE (MC)

ALUMNO: NICTE HA PECH GUZMN 59


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

ALUMNO: NICTE HA PECH GUZMN 60


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

POLGONO DE FRECUENCIAS ABSOLUTAS


INVERSION DE DOLARES EN TEXTOS DE ESTUDIANTES POR SEMESTRE
105
12
104

10
FRECUENCIA ABSOLUTA

113

8
108 115

117
4

0
90 117 1 44 1 71 1 98 225 252 279
MARCA DE CLASE (MC)

14. POLGONO DE FRECUENCIAS PORCENTUALES O RELATIVAS

Frecuencia PORCENTUALES O Marca de clase (MC)


RELATIVAS
0.22 117
0.24 144
0.14 171
0.18 198
0.14 225
0.08 252

ALUMNO: NICTE HA PECH GUZMN 61


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

POLIGONO DE FRECUENCIAS RELATIVA O


PORCENTUAL

FRECUENCIA RELATIVA O
INVERSION DE DOLARES EN TEXTOS DE ESTUDIANTES POR
SEMESTRE

PORCENTUAL
14
12
10
8
6 11 12
4 9
7 7
2 4
0 0 0
0 117 144 171 198 225 252 0
MARCA DE CLASE (MC)

ALUMNO: NICTE HA PECH GUZMN 62


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

POLGONO DE FRECUENCIAS RELATIVAS O PORCENTUALES


INVERSION DE DOLARES EN TEXTOS DE ESTUDIANTES POR SEMESTRE
FRECUENCIA RELATIVAS O PORCENTUALES

25 105

104

20
113

15 108 115

10
117

0
90 117 1 44 1 71 1 98 225 252 279
MARCA DE CLASE (MC)

ALUMNO: NICTE HA PECH GUZMN 63


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

15. OJIVA MAYOR QUE LRIC

Frecuencia acumulada Mayor que LRIC


LRIC (dlar)
(dlar)
50 103.5
39 130.5
26 157.5
19 184.5
11 211.5
3 238.5

OJIVA "MAYOR QUE"


INVERSION DE DOLARES EN TEXTOS DE ESTUDIANTES POR
SEMESTRE
FRECUENCIA ACUMULADA LRIC

60 50
50 39
40
27
30 20
20 11
10 4
0
0
103.5 130.5 157.5 184.5 211.5 238.5
LRIC

16. OJIVA MENOR QUE LRSC

Frecuencia acumulada LRSC Menor que LRSC


(dlar) (dlar)
11 130.5
24 157.5
31 184.5
39 211.5
47 238.5
50 265.5

ALUMNO: NICTE HA PECH GUZMN 64


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

OJIVA "MENOR QUE"


INVERSION DE DOLARES EN TEXTOS DE ESTUDIANTES POR
SEMESTRE
FRECUENCIA ACUMULADA LRSC 60 50
46
50
39
40 30
30 23
20 11
10 0
0
0 130.5 157.5 184.5 211.5 238.5 265.5
LRSC

MEDIDAS ESTADISTICAS

17. Media aritmtica


D) Tendencia central
18. Mediana

19. Moda

20. Varianza
E) Dispersin
21. Desviacin tpica

22. Rangos

23. Los cuartiles


F) Posicin
24. Los deciles

25. Los percentiles

ALUMNO: NICTE HA PECH GUZMN 65


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

17. MEDIA ARITMTICA

(f)(M. C. ) 8577
= = = .
50

CLASES FRECUENCIA MARCA DE CLASE (F) (M.C.)


ABSOLUTA (M.C.)
1- 104-130 11 117 1287
2- 131-157 12 144 1728
3- 158-184 7 171 1197
4- 185-211 9 198 1782
5- 212-238 7 225 1575
6- 239-265 4 252 1008
= 50 = 8577

18. MEDIANA (amarillo)


2523
Med= LRIC med + [ 2 ]+ Med= 157.5 + [ ] (27) = .
7
med

19. MODA (fiusha)

1
Mod= LRICmed + ( ) . . Mod= 130.5 + ( ) (27) =
+ 1+5

20. VARIANZA

( )2
2 =
1

( )2
2 =

94026.34
2 = = .
50

21. DESVIACIN ESTNDAR

( )2
=

ALUMNO: NICTE HA PECH GUZMN 66


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

94026.34
= = .
50

CLASES FRECUENCIA MARCA DE (Xi-)2 F(Xi-)2


ABSOLUTA CLASE (M.C.)
7- 104-130 11 117 2974.6116 32720.728
8- 131-157 12 144 758.4516 9101.4192
9- 158-184 7 171 0.2916 2.0412
10- 185-211 9 198 700.1316 6301.1844
11- 212-238 7 225 2857.9716 20005.801
12- 239-265 4 252 6473.8116 25895.246
= 50 =94026.42

Xi=marca de clase
(media aritmetica) = 171.5

22. RANGO

Rango = 265 104 =

= 3 1

= 207 133.875 = .

= 90 10

= 234.6428 115.7727 = .

Clases LIC LSC Marca de clase Limite real Limite Real FRECUENCIA
(MC) inferior (LRIC) Superior (LRSC) ABSOLUTA
1 104 130 117 103.5 130.5 11
2 131 157 144 130.5 157.5 12
3 158 184 171 157.5 184.5 7
4 185 211 198 184.5 211.5 9
5 212 238 225 211.5 238.5 7
6 239 265 252 238.5 265.5 4

ALUMNO: NICTE HA PECH GUZMN 67


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

23. CUARTILES
1
1 (1)(50) ( ) (12.5011)
4
Q1= = = 12.5 Q1= LRICQ1+ ( ) . . = 130.5 + ( ) 27 = .
4 4 12

Clases Frecuencia MC Frecuencia


Absoluta Acumulada

104-130 11 117 11
131-157 12 144 23
158-184 7 171 30
185-211 9 198 39
212-238 7 225 46
239-265 4 252 50
50

(2)(50) (2523)
Q2= = 25 Q2= 157.5 + ( ) 27 = .
4 7

Clases Frecuencia MC Frecuencia


Absoluta Acumulada

104-130 11 117 11
131-157 12 144 23
158-184 7 171 30
185-211 9 198 39
212-238 7 225 46
239-265 4 252 50
50

(3)(50) (37.530)
Q3= = 37.5 Q2= 184.5 + ( ) 27 =
4 9

Clases Frecuencia MC Frecuencia


Absoluta Acumulada

104-130 11 117 11
131-157 12 144 23
158-184 7 171 30
185-211 9 198 39
212-238 7 225 46
239-265 4 252 50
50

ALUMNO: NICTE HA PECH GUZMN 68


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

(4)(50) (5046)
Q4= = 50 Q2= 238.5 + ( ) 27 = 265.5
4 4

Clases Frecuencia MC Frecuencia


Absoluta Acumulada

104-130 11 117 11
131-157 12 144 23
158-184 7 171 30
185-211 9 198 39
212-238 7 225 46
239-265 4 252 50
50

24. DECILES

(1)(50) (50)
D1= = 5 D1= 103.5 + ( ) 27 = .
10 11

Clases Frecuencia MC Frecuencia


Absoluta Acumulada

104-130 11 117 11
131-157 12 144 23
158-184 7 171 30
185-211 9 198 39
212-238 7 225 46
239-265 4 252 50
50

(2)(50) (100)
D2= = 10 D1= 103.5 + ( ) 27 = .
10 11

Clases Frecuencia MC Frecuencia


Absoluta Acumulada

104-130 11 117 11
131-157 12 144 23
158-184 7 171 30
185-211 9 198 39
212-238 7 225 46
239-265 4 252 50
50

ALUMNO: NICTE HA PECH GUZMN 69


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

(3)(50) (1511)
D3= = 15 D1= 130.5 + ( ) 27 = .
10 12

Clases Frecuencia MC Frecuencia


Absoluta Acumulada

104-130 11 117 11
131-157 12 144 23
158-184 7 171 30
185-211 9 198 39
212-238 7 225 46
239-265 4 252 50
50

(4)(50) (2011)
D4= = 20 D1= 130.5 + ( ) 27 = .
10 12

Clases Frecuencia MC Frecuencia


Absoluta Acumulada

104-130 11 117 11
131-157 12 144 23
158-184 7 171 30
185-211 9 198 39
212-238 7 225 46
239-265 4 252 50
50

(5)(50) (2523)
D5= = 25 D1= 157.5 + ( ) 27 = .
10 7

Clases Frecuencia MC Frecuencia


Absoluta Acumulada

104-130 11 117 11
131-157 12 144 23
158-184 7 171 30
185-211 9 198 39
212-238 7 225 46
239-265 4 252 50
50

ALUMNO: NICTE HA PECH GUZMN 70


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

(6)(50) (3023)
D6= = 30 D1= 157.5 + ( ) 27 = .
10 7

Clases Frecuencia MC Frecuencia


Absoluta Acumulada

104-130 11 117 11
131-157 12 144 23
158-184 7 171 30
185-211 9 198 39
212-238 7 225 46
239-265 4 252 50
50

(7)(50) (3530)
D7= = 35 D1= 184.5 + ( ) 27 = .
10 9

Clases Frecuencia MC Frecuencia


Absoluta Acumulada

104-130 11 117 11
131-157 12 144 23
158-184 7 171 30
185-211 9 198 39
212-238 7 225 46
239-265 4 252 50
50

(8)(50) (4039)
D8= = 40 D1= 211.5 + ( ) 27 = 215.3571
10 7

Clases Frecuencia MC Frecuencia


Absoluta Acumulada

104-130 11 117 11
131-157 12 144 23
158-184 7 171 30
185-211 9 198 39
212-238 7 225 46
239-265 4 252 50
50

ALUMNO: NICTE HA PECH GUZMN 71


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

(9)(50) (4539)
D9= = 45 D1= 211.5 + ( ) 27 = .
10 7

Clases Frecuencia MC Frecuencia


Absoluta Acumulada

104-130 11 117 11
131-157 12 144 23
158-184 7 171 30
185-211 9 198 39
212-238 7 225 46
239-265 4 252 50
50

25. PERCENTILES

(10)(50) (50)
P10= =5 P10= 103.5 + ( ) 27 = .
100 11

Clases Frecuencia MC Frecuencia


Absoluta Acumulada

104-130 11 117 11
131-157 12 144 23
158-184 7 171 30
185-211 9 198 39
212-238 7 225 46
239-265 4 252 50
50

(50)(50) (2523)
P50= = 25 P50= 157.5 + ( ) 27 = .
100 7

Clases Frecuencia MC Frecuencia


Absoluta Acumulada

104-130 11 117 11
131-157 12 144 23
158-184 7 171 30
185-211 9 198 39
212-238 7 225 46
239-265 4 252 50
50

ALUMNO: NICTE HA PECH GUZMN 72


PROFESOR: MCG. OSCAR LPEZ AGUIRRE
INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA
MAESTRA EN INGENIERA INDUSTRIAL
PROPEDEUTICO
PROBABILIDAD Y ESTADISTICA

(90)(50) 4539
P90= = 45 P90= 211.5 + ( ) 27 = .
100 7

Clases Frecuencia MC Frecuencia


Absoluta Acumulada

104-130 11 117 11
131-157 12 144 23
158-184 7 171 30
185-211 9 198 39
212-238 7 225 46
239-265 4 252 50
50

Estadsticos descriptivos: C1

CONTEO MEDIA ERROR DESVIACION VARIANZA MINIMO Q1 MEDIANA Q3


TOTAL ESTANDAR ESTANDAR
DE LA
MEDIA
50 172.34 6.21 43.94 1930.88 104 136 165 209

MAXIMO IQR MODO N PARA


MODA
265 73 148 5

Diseo de tallo y hoja: C1

3 10 458
8 11 35799
11 12 557
13 13 66
19 14 588888
24 15 02778
(3) 16 558
23 17 889
20 18 7
19 19 17
17 20 145599
11 21 7
10 22 12458
5 23 59
3 24 57
1 25
1 26 5

ALUMNO: NICTE HA PECH GUZMN 73


PROFESOR: MCG. OSCAR LPEZ AGUIRRE