Modulo Probabilidad y Estadistica PDF

Estadística y Probabilidad
UNIDAD I
ESTADÍSTICA DESCRIPTIVA
1.1 INTRODUCCIÓN
La estadística está relacionada con recolección, procesamiento, análisis e

interpretación de datos numéricos, de ahí la importancia de su estudio en todos los
campos de la ciencia y la ingeniería.
Algunos conceptos importantes que lo utilizaremos, lo definimos a continuación:
Población
Se entiende por población o universo un conjunto de elementos o unidades de
investigación, de los cuales se estudia una o varias características comunes. Por
ejemplo, los estudiantes de una universidad, las universidades de una ciudad, los
artículos producidos en una fábrica, las empresas de un país, los lanzamientos de
una moneda, etc.
Cuando la población está compuesta por un número relativamente alto de elementos,
por razones de costo, tiempo y recursos técnicos que acarrearía la observación
exhaustiva de cada uno de los elementos de la población, es necesario recurrir a la
selección de una muestra representativa de la población.
Muestra
La muestra es un conjunto de unidades pertenecientes a la población, seleccionadas
adecuadamente; es decir, es una parte de la población o universo. Por ejemplo, de
los 100 empleados de una empresa que constituyen población en estudio, al azar se
pueden seleccionar 30 empleados, que constituyen la muestra. Al emplear una
muestra se busca lograr que al observar una porción reducida de unidades, se
puedan sacar conclusiones semejantes a las que se obtendrían si se estudiara el
total de la población.
Lo ideal es que el número unidades de observación que constituyen la muestra sea
igual al de la población, para evitar los errores al utilizar muestras no representativas.
Sin embargo, por la limitación de recursos, es preciso acudir al muestreo y asumir los
posibles errores que puedan generarse. Cuando el tamaño de la muestra es igual al
de la población, el trabajo realizado se denomina censo.
Jorge Tuapanta
1
La Estadística, para su mejor estudio, se ha dividido en dos grandes ramas: La

Estadística Descriptiva y la Inferencial.
Estadística Descriptiva
Recolecta, presenta y caracteriza un conjunto de datos (por ejemplo, edad de una
población, altura de los estudiantes de una escuela, temperatura de los días de un
determinado mes del año, etc.) con el fin de describir apropiadamente las diversas
características de ese conjunto; consiste sobre todo en la presentación de datos en
forma de tablas y gráficas; esto es, sin intentar inferir nada que vaya más allá de los
datos como tales.
Estadística Inferencial
Se deriva de muestras, de observaciones hechas sólo acerca de una parte de un
conjunto numeroso de elementos y esto implica que su análisis requiere de
generalizaciones que van más allá de los datos. Como consecuencia, la
característica más importante del reciente crecimiento de la estadística ha sido un
cambio en el énfasis de los métodos, los cuales son utilizados para hacer
generalizaciones. La Estadística Inferencial investiga o analiza una población
partiendo de una muestra tomada.
1.2 Tipos de variables

Las variables pueden ser de dos tipos:
Variables cualitativas: No se pueden medir numéricamente. Por ejemplo,
nacionalidad, color de piel, sexo, color favorito, etc.
Variables cuantitativas: Tienen valor numérico. Por ejemplo, edad, precio de un
producto, ingresos anuales, notas, etc
Las variables cuantitativas se clasificar en discretas y continuas:
Discretas: Sólo pueden tomar valores enteros. Por ejemplo: número de hermanos,
número de estudiantes, número de computadores etc.
Continuas: Pueden tomar cualquier valor real dentro de un intervalo. Por ejemplo, la
velocidad de un vehículo, gastos por semana, promedio de notas, etc.
1.3 Niveles de medición

Jorge Tuapanta
2
La medición de las variables puede realizarse por medio de cuatro escalas de

medición: la nominal, ordinal, de intervalo y de razón. Se utilizan para ayudar en la
clasificación de las variables, el diseño de las preguntas para medir variables, e
incluso indican el tipo de análisis estadístico apropiado para el tratamiento de los
datos.
Una característica esencial de la medición es la dependencia que tiene de la
posibilidad de variación. La validez y la confiabilidad de la medición de una variable
depende de las decisiones que se tomen para operarla y lograr una adecuada
comprensión del concepto evitando imprecisiones y ambigüedades, en caso
contrario, la variable corre el riesgo inherente de ser invalidada debido a que no
produce información confiable.
a) Medición Nominal
En este nivel de medición se establecen categorías distintivas que no implican un
orden específico. Por ejemplo, si la unidad de análisis es un grupo de personas, para
clasificarlas se puede establecer la categoría sexo con dos niveles, masculino (M) y
femenino (F), los encuestados sólo tienen que señalar su género, no se requiere de
un orden real. Para su identificación y posterior análisis de datos se puede asignar
números: 1= M, 2=F.
b) Medición Ordinal
Se establecen categorías con dos o más niveles que implican un orden inherente
entre si. La escala de medición ordinal es cuantitativa porque permite ordenar a los
eventos en función de la mayor o menor posesión de un atributo o característica. Por
ejemplo, en el nivel educativo: Primaria, secundaria y superior; en notas cualitativas
A, B, C y D, etc.
Las anteriores alternativas de respuesta pueden codificarse con números, 1, 2, 3,
etc. que sugieren un orden preestablecido pero no implican una distancia entre un
número y otro.
Jorge Tuapanta
3
c) Medición de Intervalo
La medición de intervalo posee las características de la medición nominal y ordinal.
Establece la distancia entre una medida y otra. La escala de intervalo se aplica a
variables continuas pero carece de un punto cero absoluto. El ejemplo más
representativo de este tipo de medición es un termómetro, cuando registra cero
grados centígrados de temperatura indica el nivel de congelación del agua y cuando
registra 100 grados centígrados indica el nivel de ebullición, el punto cero es
arbitrario no real, lo que significa que en este punto no hay ausencia de temperatura.
d) Medición de Razón
Una escala de medición de razón incluye las características de los tres anteriores
niveles de medición (nominal, ordinal e intervalo). Determina la distancia exacta entre
los intervalos de una categoría. Adicionalmente tiene un punto cero absoluto, es
decir, en el punto cero no existe la característica o atributo que se mide. Las
variables de ingreso, edad, número de hijos, etc. son ejemplos de este tipo de
escala. El nivel de medición de razón se aplica tanto a variables continuas como
discretas.
1.4 Distribuciones de frecuencias

Muchas veces uno se pregunta, ¿para qué sirven las encuestas que a veces se
hacen en la calle?, ¿Cómo saber si una estación de radio se escucha más que otra?
, ¿Cuál es la bebida gaseosa que más toman? La respuesta se comienza con la
recaudación de datos.
Los datos son información que se recoge, esto puede ser opinión de las personas
sobre un tema, edad o sexo de encuestados, dónde viven, cuántas personas viven
en una casa, qué tipo de sangre tiene un grupo de personas, etc.
Hay datos que pueden ser de mucha utilidad a diferentes profesionales en la toma de
decisiones, para resolver problemas o para mostrar resultados de investigaciones.
Una vez que se haya recogido toda la información, se procede a crear una base de
datos, donde se registran todos los datos obtenidos.
Jorge Tuapanta
4
Algunas veces, si los datos son muy complicados, se codifican, esto quiere decir que
se le coloca una palabra clave que identifica un título muy largo. Cuando ya está
elaborada la base de datos se parece a una tabla.
Es importante recordar que nunca se colocan las tablas y las gráficas juntos, porque
en realidad dicen lo mismo, corrientemente se utiliza o una tabla y su análisis, o una
gráfica y su análisis.
EJEMPLO
Supóngase que se ha preguntado a un conjunto de 150 estudiantes .
¿Qué opinión tienen acerca de los cambios de las mallas curriculares de las
escuelas?. Las 150 respuestas se encuentran en una escala que va de 1 a 9, donde
1 representa un total desacuerdo con la medida, mientras que 9 significa un acuerdo
total.
El resultado de la medición se resume en la tabla.
7568659586575545854266464
8434331456585474353494263
4241363124462474246446758
5765657564541656555462556
5443559436573244742182745
5755158567667752565853655
Si se plantean las siguientes preguntas:

¿Cuál fue la respuesta más frecuente?
¿Cuántas personas tienen, como máximo, una actitud de cuatro puntos en la escala?
(es decir, ¿cuántas personas se encuentran en desacuerdo con la medida?)
Es difícil responder a las tres cuestiones. ¿Cuál es el problema?
Las personas tienen dificultades para procesar o tener en cuenta mucha información
de forma simultánea. La tabla muestra demasiados datos y es preciso contar con
mucha paciencia para responder a las preguntas anteriores con seguridad.
Jorge Tuapanta
5
Una solución alternativa es organizar los datos de tal forma que tengan una
disposición que facilite la lectura. En este sentido, la primera acción a realizar es
ordenar los datos desde el valor más pequeño hasta el valor mayor. Obsérvese el
resultado:
111111 22222222222 333333333333

444444444444444444444444444444
5555555555555555555555555555555555555555
6666666666666666666666666
77777777777777888888888999
Parece que ésta es más fácil de interpretar. No ha desaparecido ninguna

información, el único cambio está en su ordenación. No obstante, la solución es
parcial, puesto que aún debe ser mejorada. Una buena estrategia sería mostrar una
sola vez cada valor y hacerlo seguir por su frecuencia, es decir, por la cantidad de
ocasiones en que aparece el valor. Para disponer la información de manera óptima,
se genera una tabla que tenga dos columnas. En la columna primera se presentarán
los valores, que se representa con la letra x mientras que en la segunda columna se
dispondrán las frecuencias, que se representa con la letra f .
Obsérvese el resultado en la tabla de frecuencias.
x f
1 6
2 11
3 12
4 30
5 40
6 25
7 14
8 9
9 3
Total 150
La tabla de frecuencias nos facilita responder a las preguntas planteadas:

Jorge Tuapanta
6
¿Cuál fue la respuesta más frecuente?

Solución: 5 (40 datos)
¿Cuántas personas tienen, como máximo, una actitud de cuatro puntos en la escala?
Solución: 59 → (6+11+12+30).
Para responder a esa pregunta se ha tenido que realizar una suma: la de todas las
frecuencias comprendidas entre el primer valor de la tabla y el valor que interesa,
ambos inclusive. Esta cantidad final recibe el nombre de frecuencia acumulada (FA).
También se puede definir la frecuencia relativa, que viene dada por f r = f / n, n
representa el número total de datos.
Tabla de frecuencias
x f fr Porcentaje F.A Porcentaje

Individual Acumulado
1 6 0,0400 4 6 4,00
2 11 0,0733 7,333 17 11,33
3 12 0,0800 8,000 29 19,33
4 30 0,2000 20,000 59 39,33
5 40 0,2667 26,667 99 66,00
6 25 0,1667 16,667 124 82,67
7 14 0,0933 9,333 138 92,00
8 9 0,0600 6,000 147 98,00
9 3 0,0200 2,000 150 100,00
Total 150 1,0000 100,0
Elaboración de una distribución de frecuencias

La Distribución de frecuencias es un agrupamiento de datos en categorías
mutuamente excluyentes, que indican el número de observaciones en cada
categoría. Utilizaremos la distribución de frecuencias para organizar los datos de
varias maneras e indicar los sitios donde los valores de datos tienden acumularse, y
ayuda a distinguir los valores mayores y menores.
Jorge Tuapanta
7
Los pasos para elaborar una distribución de frecuencias lo explicaremos con un

ejemplo.
La tabla, indica los datos de los gastos semanales (en dólares) de comestibles de
una muestra de 45 hogares.
271 363 159 176 227 337 295 319 250

279 205 279 266 199 177 162 232 303
192 181 321 309 246 278 150 141 335
116 100 151 240 474 297 170 188 320
429 294 570 324 276 235 435 123 325
PASO 1: Determinar el número de clases

Se sugiere utilizar como número de clases el menor número (k) tal que 2K > n, n es
el número de datos.
Para nuestro ejemplo n=45, y K=6 porque 26 > 45. Entonces el número de clases
que se recomienda considerar son 6.
PASO 2: Determinar el intervalo o amplitud
El intervalo o amplitud de las clases debe ser igual para todas ellas. Todas las clases
juntas deben cubrir por lo menos la distancia que hay desde el menor hasta el mayor
valor que se tiene en los datos sin procesar, es decir:
donde i es el intervalo de clase, H el mayor valor, L el menor valor observado y K el

número de clases. Para nuestro ejemplo H=570, L=100 y K=6, entonces
En la práctica éste valor se redondea hacia arriba a algún múltiplo de 10 o de 100.

En nuestro caso se puede coger $ 80 como extensión del intervalo.
PASO 3: Establecer los límites de cada clase
Es recomendable que se establezca límites de clase claros de manera que cada dato
pertenezca sólo a una clase.
Jorge Tuapanta
8
Para nuestro ejemplo las clases quedarían así:
Clases
[100,180[
[180,260[
[260,340[
[340,420 [
[420,500[
[500,580[
PASO 4: Distribuir los datos en las diferentes clases

De la tabla de datos que tenemos sin procesar, distribuimos los datos en cada clase.
Para nuestro ejemplo quedaría así:
Clases Distribución
[100,180[ 100 116 123 141 150 151 159 162 170 176 177
[180,260[ 181 188 192 199 205 227 232 235 240 246 250
[260,340[ 266 271 276 278 279 279 294 295 297 303 309 319 320
321 324 325 335 337
[340,420 [ 363
[420,500[ 429 435 474
[500,580[ 570
Al organizar los datos en una distribución de frecuencias podemos resumir la

configuración de los gastos semanales de las familias. Observe lo siguiente:
1. Los gastos semanales van desde $100 hasta aproximadamente $580.
2. Los gastos semanales se concentran entre 100 y 340 dólares. En total 40, o
88.89 % de los gastos semanales se concentran en éste intervalo.
3. La mayor concentración está en la clase de 260 a 340 dólares. El valor central de
la clase es 300 dólares ((260+340)/2 = 300), por tanto se puede decir que el gasto
semanal típico es 300 dólares.
4. La menor concentración está entre 340 y 580 dólares. En total 5 que es el
11.11 %
Jorge Tuapanta
9
PASO 5: Contar el número de elementos en cada clase

Al número de elementos de cada clase se le llama frecuencia de clase ( f ). Por
consiguiente, la tabla de frecuencias de gastos semanales en dólares, quedaría de la
siguiente forma:
Clases f
[100,180[ 11
[180,260[ 11
[260,340[ 18
[340,420 [ 1
[420,500[ 3
[500,580[ 1
TOTAL 45
La organización de los datos en una distribución de frecuencias, ha hecho que se

pierda los gastos semanales exactos. Sin embargo, el límite inferior de la primera
clase y el límite superior de la última tienen esencialmente el mismo significado. Se
llegaría a la misma conclusión si se sabe que el gasto semanal más alto es
aproximadamente 580, que si se sabe el gasto semanal exacto fue 570. Las ventajas
de condensar los datos en una forma más comprensible, compensan en mucho tal
desventaja.
Puede resultar conveniente convertir las frecuencias de clase en frecuencias de
clase relativas para mostrar los porcentajes del número total de datos en cada
clase.
Clases f fr %
[100,180[ 11 24,44
[180,260[ 11 24,44
[260,340[ 18 40,00
[340,420 [ 1 2,22
[420,500[ 3 6,67
[500,580[ 1 2,22
TOTAL 45 100,00
Jorge Tuapanta
10
1.5 Gráficas de Distribuciones de frecuencias

Los gerentes de ventas, analistas de valores, administradores de hospitales y otros
ejecutivos, con frecuencia necesitan tener una percepción rápida de la tendencia en
ventas, precios de acciones o costos de administración. Estas tendencias pueden
mostrarse utilizando gráficas.
HISTOGRAMA
Es un resumen gráfico de los valores producidos por las variaciones de una
determinada característica, representando la frecuencia con que se presentan
distintas categorías dentro de dicho conjunto.
Los histogramas nos permiten resumir grandes cantidades de datos; además
podemos hacer un análisis de los datos evidenciando esquemas de comportamiento
y pautas de variación que son difíciles de captar en una tabla numérica.
GASTOS SEMANALES
20 18
18
16
14
FRECUENCIAS
12 11 11
10
8
6
4 3
2 1 1
0
140 220 300 380 460 540
GASTOS SEMANALES EN DOLARES
FIGURA 1. El histograma muestra los gastos semanales en dólares de 45 familias
Para elaborar el histograma también se pudo haber cogido los intervalos de clase(
100 a 180; 180 a 260,..etc), y no los puntos medios de cada clase. Hágalo y
compare.
Jorge Tuapanta
11
POLIGONO DE FRECUENCIAS
Un polígono de frecuencias es similar al histograma. Está formado por segmentos
de rectas que unen a los puntos medios de las clases y la frecuencia de clase. El
polígono de frecuencias añade dos clases con frecuencias cero: una antes de la
primera clase y otra después de la última.
El resultado es que se "sujeta" la línea por ambos extremos al eje horizontal y lo que
podría ser una línea separada del eje se convierte, junto con éste, en un polígono.
20 18
18
16
14
FRECUENCIAS
11 11
12
10
8
6
3
4
1 1
2 0 0
0
60 140 220 300 380 460 540 620
GASTOS SEMANALES EN DOLARES
FIGURA 2. Polígono de frecuencias de los gastos semanales en dólares de 45 familias
TAREA DE INVESTIGACIÓN: Con un ejemplo explique en que consiste la gráfica

de líneas, gráfica de barras y la gráfica circular. Sus Ventajas y desventajas.
TAREA: RICHARD A. JOHSON, (2012). Probabilidad y Estadística para

Ingenieros. P. 22-24, ejercicios: 2.2, 2.5, 2.7, 2.8, 2.12, 2.14, 2.16, 2.18, 2.22 y 2.24
1.6 Medidas descriptivas

Cuando se tiene un grupo de observaciones, se desea describirlo a través de un sólo
número. Para tal fin, no se usa el valor más elevado ni el valor más pequeño como
Jorge Tuapanta
12
único representante, ya que sólo representan los extremos. Una de las propiedades
más sobresalientes de la distribución de datos es su tendencia a acumularse hacia el
centro de la misma. Esta característica se denomina tendencia central.
Las medidas de tendencia central más usuales son: la media aritmética, la mediana y
la moda.
MEDIA ARITMÉTICA
La media aritmética de n valores, es igual a la suma de todos ellos dividida entre n .
Se denota por ̅ . Esto es:
n
x i
X  i 1
n
Cuando los datos tienen más de una frecuencia, para obtener la media aritmética se
agrega otra columna a la tabla estadística con el producto de las observaciones y sus
frecuencias. Es decir, si se cuenta con una distribución de datos entonces se aplica
la fórmula:
n
f i xi
X  i 1
n
Las características de la media aritmética son:
1. La media aritmética es la única medida de tendencia central donde la suma de las
desviaciones de cada valor, respecto de la media, siempre es igual a cero. Es decir:
n
 (x
i 1
i X )0
2. En su cálculo se toman en cuenta todos los valores de la variable.

3. La media es una medida muy útil para comparar dos o más poblaciones.
4. La media aritmética es altamente afectada por valores extremos.
5. No puede ser calculada en distribuciones de frecuencia que tengan clases
abiertas.
6. La media aritmética es única, o sea, un conjunto de datos numéricos tiene una y
sólo una media aritmética.
MEDIANA
Jorge Tuapanta
13
La mediana es el punto central de una serie de datos ordenados de forma

ascendente o descendente. De acuerdo al número de casos o datos, hay dos formas
para calcular la mediana: para número impar y para número par.
1. Número impar de datos ordenados de menor a mayor o de mayor a menor: la

mediana es el valor que queda justo al centro.
Ejemplo.
Obtener la mediana de los siguientes datos: 4, 7, 1, 9, 2, 5, 6.
Solución.
Ordenando de forma ascendente: 1, 2, 4, 5, 6, 7, 9.
El valor que queda al centro es el 5, porque hay tres datos antes y tres datos
después de él, entonces la mediana es 5.
2. Número de datos par, en este caso se busca la media aritmética entre los dos
valores centrales.
Ejemplo.
Obtener la mediana de los siguientes datos: -3, 5, 18, 4, 11, -6, 9, 10, -1, 2.
Solución.
Ordenando de forma ascendente: -6, -3, -1, 2, 4, 5, 9, 10, 11, 18.
Los valores centrales son 4 y 5. Su media aritmética es: 4.5
En este caso, la mediana de este conjunto no pertenece al conjunto de datos.
Las características de la mediana son:
1. En su cálculo no se incluyen todos los valores de la variable.
2. La Mediana no es afectada por valores extremos.
3. Puede ser calculada en distribuciones de frecuencia con clases abiertas.
4. No es lógica desde el punto de vista algebraico.
MODA
La moda de un conjunto de datos numéricos es el valor que más se repite, es decir,
el que tiene el mayor número de frecuencias absolutas. La moda puede ser no única
e inclusive no existir.
Jorge Tuapanta
14
La moda es una medida de tendencia central muy importante, porque permite

planificar, organizar y producir para satisfacer las necesidades de la mayoría.
EJEMPLO
Obtener la moda de los siguientes datos: -3, 3, -2, 0, 3, -1, -2, 4, 5, -2, 0, 1.
Solución.
Ordenando de forma ascendente: -3, -2, -2, -2, -1, 0, 0, 1, 3, 3, 4, 5.
El valor que más se repite es el -2, por lo tanto ese valor es su moda.
EJEMPLO
Obtener la moda de los siguientes datos: 6, 2, -1, -5, 3, -3, -2, 5, 0, -4, 4, 1.
Solución.
Ordenando de forma ascendente: -5, -4, -3, -2, -1, 0, 1, 2, 3, 4, 5, 6.
Ningún valor se repite es, decir su moda no existe.
Las características de la moda son:
1. En su cálculo no se incluyen todos los valores de la variable.
2. El valor de la moda puede ser afectado grandemente por el método de
designación de los intervalos de clases.
3. No está definida algebraicamente.
4. Puede ser calculada en distribuciones de frecuencia que tengan clases abiertas.
5. No es afectada por valores extremos.
MEDIA PONDERADA
La media ponderada de un conjunto de valores de una variable x a los que se han
asignado, respectivamente, una ponderación se calcula mediante la fórmula:
p i xi
Xp  i 1
n
p i 1
i
Jorge Tuapanta
15
Los valores p1 , p 2 , p 3 , .. p n , indican la importancia que se quiere dar a cada uno de
los valores que toma la variable x .

EJEMPLO
Un profesor decide que la calificación final de un alumno constará del 60% del
promedio de los exámenes, el 30% de promedio de tareas y el 10% de participación
en clase a lo largo del año escolar. Si un alumno tiene 5.3 de promedio de
exámenes, 7.1 de tareas y 7.8 promedio de participaciones. ¿Cuál será su
calificación final?
Solución.
( ) ( ) ( )
̅̅̅̅
Si el profesor sólo tomara en cuenta los exámenes, el alumno no aprobaría. Sin

embargo al darle importancia a las tareas y a su participación en clase, esto hace
que al final consiga aprobar con la media ponderada.
Su característica principal es que su resultado depende de la importancia o “peso” de
cada uno de los valores asignado por quien efectúa el cálculo.
TAREA DE INVESTIGACION: La media, mediana y moda de datos agrupados
MEDIDAS DE DISPERSIÓN
La dispersión mide que tan alejados están un conjunto de valores respecto a su

media aritmética. Así, cuanto menos disperso sea el conjunto, más cerca del valor
medio se encontrarán sus valores. Este aspecto es de vital importancia para el
estudio de investigaciones.
Se llaman medidas de dispersión aquellas que permiten retratar la distancia de los

valores de la variable a un cierto valor central, o que permiten identificar la
concentración de los datos en un cierto sector del recorrido de la variable. Se trata de
coeficientes para variables cuantitativas.
Jorge Tuapanta
16
Una medida de dispersión se puede utilizar para evaluar la confiabilidad de dos o

más promedios.
AMPLITUD DE VARIACIÓN (RANGO)
Esta es la medida más sencilla de calcular y comprender. Se concentra en el valor

máximo y mínimo de la colección de datos y viene dada por:
R = Valor máximo - Valor mínimo
En el caso de distribuciones de frecuencias, el rango se obtiene restándole al límite

superior de la última clase (LSUC) el límite inferior de la primera clase (LIPC):
R  LSU C  LIPC
La ventaja de utilizar el rango como medida de dispersión, es la sencillez de su

cálculo, aun cuando se trate de un conjunto bastante grande de datos. Además, el
significado de esta medida es fácil de comprender.
La principal limitación del rango es que considera solamente los valores extremos de
los datos, y no proporciona información respecto a los demás valores.
DESVIACIÓN MEDIA
La desviación media mide el monto medio en que varían los valores de una
población o muestra, con respecto a su media. La desviación media para una
n
x i x
muestra está dada por: DM  i 1
La desviación media tiene dos ventajas.
Primero, utiliza en cálculo todos los valores de la muestra.
Segundo, es fácil de comprender, pues representa el promedio en que los valores se

desvían con respecto a la media.
VARIANZA Y DESVIACIÓN ESTÁNDAR

Jorge Tuapanta
17
Dada una colección de datos x1 , x 2 , x 3 ,...xn , cuya media aritmética es x , se define la
varianza, como el promedio de las diferencias elevadas al cuadrado de cada uno de

esos valores con respecto a su media, y lo denotaremos por S 2 , es decir:
 x 
n
2
i x
S2  i 1
n 1
De la fórmula anterior se deduce que:
1. Mientras más alejados estén los valores de su media mayor será el valor de la
varianza y mientras más concentrados se encuentren alrededor de su media,
menor será el valor de la varianza.
2. La varianza nunca es negativa, ya que se está sumando cantidades elevadas al
cuadrado.
3. El valor mínimo que puede tomar es cero, el cual se logra cuando todos los
valores son iguales entre sí, es decir, que no existe variabilidad entre ellos.
La desviación estándar de x1 , x 2 , x 3 ,...xn observaciones se define como la raíz

cuadrada de la varianza, es decir:
 x 
n
2
i x
S i 1
n 1
2
 n 
  xi 
 x    x i   i 1 
n n
2
x
2
Se demuestra que i
i 1 i 1 n
Por lo tanto la varianza y la desviación de una muestra se lo pueden definir como:
2
 n 
  xi 
x i   i 1 
n

2
n
S 2  i 1 → VARIANZA
n 1
Jorge Tuapanta
18
2
 n 
  xi 
x i   i 1 
n

2
n
S i 1
→ DESVIACIÓN ESTÁNDAR
n 1
Para el caso de datos agrupados en distribuciones de frecuencias, las

expresiones para la varianza y la desviación estándar son:
 f X  2
f X 2

n
S2  → VARIANZA
n 1
 f X  2
f X 2

n
S → DESVIACIÓN ESTÁNDAR
n 1
Donde:
X es el punto medio de una clase
f es la frecuencia de clase
n es el número total de observaciones en la muestra
EJEMPLO 1
De la producción por hora de un grupo de empleados que ensamblan unidades

modulares, se seleccionan valores al azar. Las salidas de la muestra fueron: 8, 9, 8,
11, 10, 7, 9 y 12. Calcular, rango, desviación media, varianza y desviación estándar.
R = Valor máximo - Valor mínimo = 12-7 = 5
Para el cálculo de la desviación media, varianza y desviación estándar nos

ayudamos de la siguiente tabla:
Jorge Tuapanta
19
xi xi  x | xi  x | x i x 
2
8 -1,25 1,25 1,56

9 -0,25 0,25 0,06
8 -1,25 1,25 1,56
11 1,75 1,75 3,06
10 0,75 0,75 0,56
7 -2,25 2,25 5,06
9 -0,25 0,25 0,06
12 2,75 2,75 7,56
 74 0 10,5 19,5
x 74
x i x
10,5
x   9,25 , DM  i 1
  1,31
i
n 8 n 8
 x   x 
n n
2 2
i x i x
19,5
S2  i 1
  2,79 , S i 1
 2,79  1,67
n 1 7 n 1
EJEMPLO 2
La tabla de distribución de frecuencias, muestran los gastos semanales en dólares,

de 45 familias. Halle el rango, varianza y desviación estándar.
Clases f
[100,180[ 11
[180,260[ 11
[260,340[ 18
[340,420 [ 1
[420,500[ 3
[500,580[ 1
Hallemos el rango utilizando: R  LSU C  LIPC = 580 – 100 = 480
Jorge Tuapanta
20
Para el cálculo de la varianza y desviación estándar nos ayudamos de la siguiente

tabla:
Frecuencia Punto medio de clase

Clases
f X fX f X2
[100,180[ 11 140 1540 215600
[180,260[ 11 220 2420 532400
[260,340[ 18 300 5400 1620000
[340,420 [ 1 380 380 144400
[420,500[ 3 460 1380 634800
[500,580[ 1 540 540 291600
TOTAL 45 11660 3438800
 f X 2
(11660) 2
f X 2

n
3438800 
45
S2    9490.10
n 1 44
 f X  2
f X 2

n
S  9490.10  97.42
n 1
COEFICIENTE DE VARIACIÓN
La medida de dispersión relativa más conocida es el coeficiente de variación. En

algunas ocasiones es de interés comparar la dispersión de dos colecciones de datos.
Si los datos están medidos en las mismas unidades y las respectivas medias
aritméticas son iguales o muy parecidas es posible utilizar la desviación estándar. Si
esto no se cumple, no se puede utilizar la desviación estándar para comparar las
dispersiones de los dos grupos de datos.
Una medida de dispersión que permite la comparación de la dispersión en cualquier

situación, que no viene expresada en ninguna unidad es el coeficiente de variación.
Jorge Tuapanta
21
S
El coeficiente de variación se define como: CV   100
x
El coeficiente de variación es la proporción o porcentaje de la media que representa

la desviación estándar.
Si por ejemplo el CV=20%, significa que la desviación estándar representa el 20%

del valor de la media aritmética.
EJEMPLO
Las mediciones realizadas con un micrómetro 1 tienen una media de 3.92 mm y una
desviación estándar de 0.0152 mm, y las realizadas con el micrómetro 2 tienen una
media de 1.54 pulgadas y una desviación estándar de 0.0086 pulgadas. ¿Cuál de
estos dos instrumentos es relativamente más preciso?
Solución
0.0152
Para el micrómetro 1, el coeficiente de variación es: CV   100  0.39%
3.92
0.0086
Para el micrómetro 2, el coeficiente de variación es: CV   100  0.56%
1.54
Por lo tanto, las mediciones hechas con el micrómetro 1 son relativamente más
precisas.
PERCENTILES, DECILES Y CUARTILES
Además de las medidas de tendencia central y dispersión, también existen algunas

medidas interesantes de posición que se utilizan al resumir y analizar las
características o propiedades de grandes colecciones de datos.
1. PERCENTILES
Los percentiles son aquellos valores que dividen a los datos ordenados de forma
creciente, en cien partes iguales. Existen noventa y nueve percentiles que se
denotan por P1, P2, ... , P99. Entre dos percentiles consecutivos se encuentra el 1%
Jorge Tuapanta
22
de los datos. Así, por ejemplo, entre los percentiles P10 y P20 se encuentran 10% de
los datos.
Para denotar un percentil cualquiera usemos Pi, donde i = 1, 2, 3, ... , 99. Así, la
definición formal de percentil es la siguiente:
El percentil Pi de una colección de datos que previamente han sido ordenados (de
forma creciente), es un valor tal que como máximo el i % de los datos son menores
que él, y también como máximo un (100-i)% de los datos son mayores que él.
Como en el caso de la mediana, si dos valores consecutivos del conjunto de datos

cumplen con la definición anterior, se conviene en tomar como percentil al promedio
de ellos dos.
EJEMPLO
Suponga que los pesos de ocho personas (en Kg) son: 52, 97, 108, 63, 90, 74, 86,
73. Hallar los percentiles: P20, P50 y P80.
Ordenemos de forma creciente los datos: 52 63 73 74 86 90 97 108
El P20 es el valor tal que el 20% de los datos, es decir el 20% de 8 = 1,6 datos como
máximo son menores que él, y también como máximo el 80% de 8 = 6,4 datos son
mayores que él.
Observe que el valor 63 cumple con estas condiciones. Por tanto, P20 = 63 Kg.
Ahora, en el cálculo de P50 se observa que existen dos valores 74 y 86, que
cumplen con la definición. De esta manera, P50 = (74 + 86) / 2 = 80 Kg.
Para estos datos, P80 tiene como máximo 6,4 datos por debajo de él y a lo sumo 1,6
datos por encima. El valor 97 satisface esto, así P80 = 97 Kg. Nótese que ni el valor
90 ni 108 cumple con las condiciones. Por ejemplo, el valor 90 tiene cinco datos por
debajo que cumple con lo que se exige pero por encima tiene a dos datos (el 25% de
los datos), lo que no satisface los requerimientos para ser percentil 80.
2. DECILES
Jorge Tuapanta
23
Los Deciles son los valores que dividen a los datos ordenados (de forma creciente)
en diez partes iguales. Existen nueve deciles que se denotarán por D1, D2, ... , D9.
Entre dos deciles consecutivos se encuentra un 10% de los datos.
3. CUARTILES
Los cuartiles son los valores que dividen a una colección de datos que previamente
han sido ordenados en forma creciente, en cuatro partes iguales. De esta manera,
existen tres cuartiles que se denotan Q1, Q2 y Q3. Nótese que entre dos cuartiles
consecutivos se encuentra un 25% de los datos. Además, por debajo de Q1, se
encuentra un 25% de los datos y por encima un 75%; mientras por debajo del cuartil
tres, se encuentra un 75% de los datos y por encima de él existe un 25% de los
datos.
El segundo cuartil, Q2, es igual a la mediana. Además, puede dejarse ver las
siguientes relaciones entre los cuartiles deciles y percentiles:
Q1 = P25
Q2 = D5 = P50 = Mediana
Q3 = P75
D1 = P10
D2 = P20
…………
D9 = P90
NOTA: A los cuartiles, deciles y percentiles en general se les denominan cuantiles.

Ingenieros. P. 42-44, ejercicios: 2.63; 2.64; 2.66; 2.73; 2.75; 2.80
Jorge Tuapanta
24
UNIDAD II
PROBABILIDAD
La probabilidad mide la frecuencia con la que aparece un resultado determinado

cuando se realiza un experimento.
Ejemplo: tiramos un dado al aire y queremos saber cuál es la probabilidad de que

salga un 2, o que salga un número par, o que salga un número menor que 4.
El experimento tiene que ser aleatorio, es decir, que pueden presentarse diversos
resultados, dentro de un conjunto posible de soluciones, y esto aun realizando el
experimento en las mismas condiciones. Por lo tanto, a priori no se conoce cuál de
los resultados se va a presentar:
Ejemplo: lanzamos una moneda al aire; el resultado puede ser cara o cruz, pero no
sabemos de antemano cuál de ellos va a salir.
Antes de calcular las probabilidades de un experimento aleatorio hay que definir una
serie de conceptos:
Espacio muestra:l Es el conjunto de resultados posibles al realizar un experimento,

lo denotaremos con la letra S. Cada experimento aleatorio tiene definido su espacio
muestral (es decir, un conjunto con todas las soluciones posibles).
Ejemplo: Si tiramos una moneda al aíre una sola vez, el espacio muestral será cara
o cruz; es decir: S={cara, cruz}
Si el experimento consiste en lanzar una moneda al aire dos veces, entonces el

espacio muestral sería: S={(cara-cara), (cara-cruz), (cruz-cara) y (cruz-cruz)}.
Al lanzar un dado, el espacio muestral es: S={1, 2, 3, 4, 5, 6}
Evento o suceso: Es cualquier subconjunto del espacio muestral
Jorge Tuapanta
25
Al lanzar un dado y obtener un número par, los casos favorables son: A={2, 4, 6}
Conteo: A veces es muy difícil o tedioso, determinar el número de elementos en un

espacio muestral al tratar de enlistar cada uno de los elementos del conjunto S.
Por ejemplo al lanzar cuatro monedas al aire. ¿Cuál es el espacio muestral?. Hay
muchas posibilidades, y es posible, que si no se tiene cuidado se omita una, para
evitar este problema, es útil dibujar un diagrama de árbol, como el de la figura
M1 M2 M3 M4
C CCCC
C
S CCCS
C
C CCSC
S
S CCSS
C
C CSCC
C
S CSCS
S
C CSSC
S
S CSSS
C SCCC
C
S SCCS
C
C SCSC
S
Jorge Tuapanta
26
S SCSS
S
C SSCC
C
S SSCS
S
C SSSC
S
S SSSS
El espacio muestral S estará constituido de las 16 posibilidades de la última columna.
Para determinar el número de combinaciones, se puede tomar en cuenta que para

cada moneda hay dos ramas, por lo que al multiplicar 2.2.2.2=16 combinaciones de
rutas.
TEOREMA FUNDAMENTAL DE CONTEO: Si los conjuntos A1 , A 2 , A 3 ,...A k
contienen, respectivamente n 1 , n 2 , n 3 ,...n k elementos, hay n1 . n 2 . n 3 ....n k formas
de elegir primero un elemento de A 1 , luego un elemento de A 2 , y finalmente un
elemento de A k .
EJEMPLO
¿En cuántas formas diferentes un grupo con 20 socios puede elegir a un

presidente, vicepresidente, secretario y tesoro?
Solución
Al presidente puede elegirse de 20 socios, al vicepresidente de 19, al secretario de

18 y finalmente al tesorero de 17, en conjunto existen 20.19.18.17=116280 formas
en las que se puede hacer la elección total.
Jorge Tuapanta
27
En general, si se eligen r objetos de un conjunto de n objetos distintos, cualquier

arreglo u orden particular de dichos objetos se llama permutación.
TEOREMA: El número de permutaciones de r objetos seleccionados de un

n!
conjunto de n objetos distintos es: Pn,r 
(n - r) !
EJEMPLO
Un mecanismo de control electrónico requiere 5 chips de memoria distintos, pero

intercambiables. ¿ En cuantas formas puede ensamblarse este mecanismo al colocar
los 5 chips en las 5 posiciones dentro del controlador?
Solución
5!
En nuestro ejercicio n=5 y r=5, por lo que hay: P5,5   120 formas de
(5 - 5) !
ensamblar los chips.
COMBINACIONES
Determina el número de subgrupos de 1, 2, 3, etc. elementos que se pueden formar

con los "n" elementos de una nuestra. Cada subgrupo se diferencia del resto en los
elementos que lo componen, sin que influya el orden.
Por ejemplo, calcular las posibles combinaciones de 2 elementos que se pueden

formar con los números 1, 2 y 3.
Se pueden establecer 3 parejas diferentes: (1,2), (1,3) y (2,3). En el cálculo de

combinaciones las parejas (1,2) y (2,1) se consideran idénticas, por lo que sólo se
cuentan una vez.
Para calcular el número de combinaciones de n objetos tomados r a la vez se aplica

la siguiente fórmula:
Jorge Tuapanta
28
 m m!
C m,r    
 r  r ! (m - r) !
EJEMPLO
Las combinaciones de 10 elementos tomados 4 a la vez es:
10  10 !
C10, 4      210
 4  4 ! (10 - 4) !
Es decir, podríamos formar 210 subgrupos diferentes de 4 elementos, a partir de los

10 elementos.

Ingenieros. P. 55, ejercicios: 3.15; 3.18; 3.19; 3.21, 3.22, 3.26
CONCEPTO CLÁSICO DE PROBABILIDAD
Si hay m posibilidades igualmente probables, de las cuales debe ocurrir y s se

considera como favorables, o como “éxito”, entonces la probabilidad de un éxito
s
está dado por .
m
La probabilidad toma valores entre 0 y 1 (o expresados en tanto por ciento, entre 0%

y 100%):
a) Probabilidad de que al lanzar un dado salga el número 2: el caso favorable es

tan sólo uno (que salga el dos), mientras que los casos posibles son seis (puede salir
cualquier número del uno al seis). Por lo tanto:
P(A) = 1 / 6 = 0,166 (o lo que es lo mismo, 16,6%)
b) Probabilidad de que al lanzar un dado salga un número par: en este caso los
casos favorables son tres (que salga el dos, el cuatro o el seis), mientras que los
casos posibles siguen siendo seis. Por lo tanto:
Jorge Tuapanta
29
P(A) = 3 / 6 = 0,50 (o lo que es lo mismo, 50%)
c) Probabilidad de que al lanzar un dado salga un número menor que 5: en este

caso tenemos cuatro casos favorables (que salga el uno, el dos, el tres o el cuatro),
frente a los seis casos posibles. Por lo tanto:
P(A) = 4 / 6 = 0,666 (o lo que es lo mismo, 66,6%)
Si lanzo una vez una moneda al aire y sale "cara", quiere decir que el suceso "cara"
ha aparecido el 100% de las veces y el suceso "cruz" el 0%.
Si lanzo diez veces la moneda al aire, es posible que el suceso "cara" salga 7 veces
y el suceso "cruz" las 3 restantes. En este caso, la probabilidad del suceso "cara" ya
no sería del 100%, sino que se habría reducido al 70%.
Si repito este experimento un número elevado de veces, lo normal es que las

probabilidades de los sucesos "cara" y "cruz" se vayan aproximando al 50% cada
una. Este 50% será la probabilidad de estos sucesos según el modelo frecuentista.
Probabilidad de sucesos
Al definir los sucesos hablamos de las diferentes relaciones que pueden guardar dos
sucesos entre sí, así como de las posibles relaciones que se pueden establecer entre
los mismos. Vamos a ver ahora cómo se refleja esto en el cálculo de probabilidades.
a) Un suceso puede estar contenido en otro: entonces, la probabilidad del primer

suceso será menor que la del suceso que lo contiene.
Ejemplo: lanzamos un dado y analizamos dos sucesos: a) que salga el número 6, y

b) que salga un número par. Dijimos que el suceso a) está contenido en el suceso b).
P(A) = 1/6 = 0,166
P (B) = 3 / 6 = 0,50
Jorge Tuapanta
30
Por lo tanto, podemos ver que la probabilidad del suceso contenido, suceso a), es
menor que la probabilidad del suceso que lo contiene, suceso b).
b) Dos sucesos pueden ser iguales: en este caso, las probabilidades de ambos
sucesos son las mismas.
Ejemplo: lanzamos un dado al aire y analizamos dos sucesos: a) que salga número
par, y b) que salga múltiplo de 2. Las soluciones coinciden en ambos casos.
P(A) = 3 / 6 = 0,50
P (B) = 3 / 6 = 0,50
c) Intersección de sucesos: es aquel suceso compuesto por los elementos

comunes de los dos o más sucesos que se intersectan. La probabilidad será igual a
la probabilidad de los elementos comunes.
EJEMPLO 1
Calcular la probabilidad de, en una carrera de 12 caballos, acertar los 3 que quedan
primeros (sin importar cuál de ellos queda primero, cual segundo y cual tercero).
Solución:
El caso favorable es tan sólo uno: los 3 caballos que entran en primer lugar. Los
casos posibles se calculan como combinaciones de 12 elementos tomados de 3 en
3 (es decir, determinamos todas las posibles alternativas de 3 caballos que pueden
entrar en las 3 primeras posiciones). Como el orden de estos 3 primeros caballos no
importa, utilizamos combinaciones
Por lo tanto, los casos posibles son:
12 !
C12,3   220
3 ! (12 - 3) !
Jorge Tuapanta
31
Por lo que la probabilidad de acertar los 3 caballos ganadores es:
1
P( A)   0,00455
220
EJEMPLO 2
Y si hubiera que acertar, no sólo los 3 caballos que ganan, sino el orden de su
entrada en meta.
Solución:
El caso favorable sigue siendo uno: los 3 caballos que entran en primer lugar,
colocados en su orden correspondiente.
Los casos posibles se calculan ahora como permutaciones (ya que el orden influye)
de 12 elementos tomados de 3 en 3 (calculamos todas las posibles maneras en que
los 12 caballos podrían ocupar las 3 primeras posiciones.
12 !
P12, 3   1320
(12 - 3) !
Por lo que la probabilidad de acertar los 3 caballos ganadores es:
1
P( A)   0,00076
1320
Menor que en el ejemplo 1. Ya no vale acertar que 3 caballos entran en primer lugar,
sino que tenemos que acertar el orden de su entrada.
Axiomas de probabilidad:
A1: 0  P( A)  1
A2: P(S )  1
Jorge Tuapanta
32
A3: Si A y B son eventos mutuamente excluyentes en S, entonces

P( A  B)  P( A)  P( B) .
Si un experimento tiene k resultados posibles y mutuamente excluyentes, entonces

k
se cumple que p
i 1
i 1
TEOREMA: Si A es un evento en el espacio muestral finito S, entonces P(A) es

igual a la suma de las probabilidades de los resultados individuales que comprende
A.
TEOREMA: Si A y B son eventos en el espacio muestral S, entonces

P( A  B)  P( A)  P( B)  P( A  B) .
TEOREMA: Si A es un evento en S, entonces P A  1  P( A) 

Ingenieros. P. 644-65, ejercicios: 3.31; 3.33; 3.34; 3.35, 3.46, 3.47, 3.48
PROBABILIDAD CONDICIONAL
La probabilidad condicional se calcula una vez que se ha incorporado información

adicional a la situación de partida:
Si A y B son eventos cualesquiera de S y P( A)  0 , la probabilidad condicional de B

dado A es:
P( A  B)
P( B / A) 
P( A)
EJEMPLO
En un estudio sanitario se ha llegado a la conclusión de que la probabilidad de que

una persona sufra problemas coronarios (suceso B) es el 0,10 (probabilidad a priori).
Jorge Tuapanta
33
Además, la probabilidad de que una persona sufra problemas de obesidad (suceso

A) es el 0,25 y la probabilidad de que una persona sufra a la vez problemas de
obesidad y coronarios (suceso intersección de A y B) es del 0,05.
Calcular la probabilidad de que una persona sufra problemas coronarios si está

obesa (probabilidad condicionada P (B/A)).
P (B y A) = 0,05
P (A) = 0,25
P (B/A) = 0,05 / 0,25 = 0,20
Por lo tanto, la probabilidad condicionada es superior a la probabilidad a priori. No

siempre esto es así, a veces la probabilidad condicionada es igual a la probabilidad a
priori o menor.
TEOREMA.- Si A y B son eventos cualesquiera de S, entonces
P( A  B)  P( A).P( B / A) P( A)  0
 P( B).P( A / B) P( B)  0
TEOREMA.- Dos eventos A y B son independientes, si y solo si
P( A  B)  P( A).P( B)
EJEMPLO
Dos cartas se extraen al azar de un mazo ordinario de 52 cartas. ¿Cuál es la

probabilidad de sacar dos cartas de ases si
a) La primera carta se sustituye antes de sacar la segunda carta

b) La primera carta no se sustituye antes de sacar la segunda
Solución
Jorge Tuapanta
34
a) Para el primer caso (evento A), sabiendo que hay 4 ases entre las 52 cartas se
4 4 1
tiene que: P( A)  . .
52 52 169
b) En el segundo caso (evento B), solo hay tres ases entre las 51 cartas, después
4 3 1
de sacar una as de las 52, entonces P( B)  . .
52 51 221
Como se puede ver los resultados son distintos, esto significa que la independencia
se viola cuando el muestreo se realiza sin reemplazo.
Regla de probabilidad total
TEOREMA.- Si B1 , B 2 , B3 ,...Bn son eventos mutuamente excluyentes, de los cuales
uno debe ocurrir, entonces
n
P( A)   P( Bi ). P( A / Bi )
i 1
Teorema de Bayas
TEOREMA: Si B1 , B 2 , B3 ,...Bn son eventos mutuamente excluyentes, de los cuales
uno debe ocurrir, entonces
P( Br ). P( A / Br )
P( Br / A)  n
 P( B ). P( A / B )
i 1
i i
Para r=1,2,3…n.
La expresión del numerador es la probabilidad de alcanzar A vía la r-ésima rama del

árbol y que la expresión del denominador es la suma de las probabilidades de
alcanzar A vía las n ramas del árbol.
EJEMPLO
Jorge Tuapanta
35
Un fabricante de videograbadoras (VCR) compra un circuito integrado, el LS-24, de

tres proveedores. Un 30% de los circuitos LS-24 se compran a Hall Electronics, 20%
a Schuller Sales, y el 50% restante a Crawford Components. Por el historial de los
proveedores se sabe que el 3% de los circuitos LS-24 de Hall Electronics resultan
defectuosos, que el 5% de los circuitos de Schuller Sales son no aceptables, y 4%
de los de Crawford Components tiene defectos.
Cuando los circuitos integrados LS-24 llegan al fabricante, se colocan directamente

en un contenedor, y no son inspeccionados por el proveedor. Un trabajador
selecciona uno para su instalación en una VCR, y lo encuentra defectuoso. ¿Cuál es
la probabilidad de que haya sido fabricado por Schuller Sales?
Solución
Por el enunciado del problema existen tres eventos mutuamente excluyentes y

colectivamente exhaustivos:
A 1 : El circuito LS-24 se compró a Hall Electronics
A 2 : El circuito LS-24 se compró a Schuller Sales
A 3 : El circuito LS-24 se compró a Crawford Components
Las probabilidades a priori son:
P( A1 )  0.30 P( A2 )  0.20 y P( A3 )  0.50
La información adicional es:
B 1 : que el circuito LS-24 sea defectuoso
B 2 : que el circuito LS-24 no sea defectuoso
Probabilidades condicionales
P( B1 / A1 )  0.03 P( B1 / A2 )  0.05 y P( B1 / A3 )  0.04
Jorge Tuapanta
36
Dado que los circuitos integrados no están identificados se desea determinar la

probabilidad de que el circuito defectuoso sea de los comprados a Schuller Sales.
Esta probabilidad se expresa como P( A2 / B1 ) . Construyamos un diagrama de árbol
PROBABILIDAD PROBABILIDAD
A PRIORI CONDICONAL PROBABILIDAD CONJUNTA
P(B1/A1)=0,03 B1 P(A1 y B1)=P(A1).P(B1/A1)=(0,30)(0,03)=0,009
A1
P(A1)=0,30 P(B2/A1)=0,97 B2 P(A1 y B2)=P(A1).P(B2/A1)=(0,30)(0,97)=0,291
P(B1/A2)=0,05 B1 P(A2 y B1)=P(A2).P(B1/A2)=(0,20)(0,05)=0,010

P(A2)=0,20
F A2
P(B2/A2)=0,95 B2 P(A2 y B2)=P(A2).P(B2/A2)=(0,20)(0,95)=0,190
P(A3)=0,50 P(B1/A3)=0,04 B1 P(A3 y B1)=P(A3).P(B1/A3)=(0,50)(0,04)=0,020
A3
P(B2/A3)=0,96 B2 P(A3 y B2)=P(A3).P(B2/A3)=(0,50)(0,96)=0,480
La probabilidad de que el circuito LS-24 defectuoso provenga de Schuller Sales lo

podemos hallar aplicando el teorema de Bayas.
P( A2 ) P( B1 / A2 )
P( A2 / B1 ) 
P( A1 ) P( B1 / A1 )  P( A2 ) P( B1 / A2 )  P( A3 ) P( B1 / A3 )
(0,20)(0,05) 0,010
 
(0,30)(0,03)  (0,20)(0,05)  (0,50)(0,04) 0,039
P( A2 / B1 )  0,2564

Ingenieros. P. 75, ejercicios: 3.61 a 3.66
Jorge Tuapanta
37
UNIDAD III
DISTRIBUCIONES DE PROBABILIDAD
VARIABLE ALEATORIA
Definición.- Una variable aleatoria (v.a.) es una función que asocia un valor
numérico a cada elemento del espacio muestral
Las variables aleatorias se denotan con letras mayúsculas X, Y, Z etc., para

distinguirlas de los valores dados en minúsculas x, y, z etc.
EJEMPLO 1
El espacio muestral que describe los resultados de probar tres componentes

eléctricos son:
S  NNN , NND, NDN, DNN, NDD, DND, DDN, DDD
donde N representa no defectuoso y D defectuoso.
Si definimos la variable aleatoria X como el número de defectuosos que se

presentan, entonces a cada resultado del espacio muestral se le asigna un valor
numérico x  0, 1, 1, 1, 2, 2, 2, 3 .
EJEMPLO 2
Un conjunto de componentes llegan a la línea de ensamble y se les clasifica como

defectuosos y no defectuosos. Definamos la variable aleatoria X como:
1 si el componente es defectuoso
X
0 si el componente no es defectuo
La variable aleatoria en la que se elige 0 y 1 para describir dos posibles valores, se

denomina variable aleatoria de Bernoulli.
Jorge Tuapanta
38
EJEMPLO 3
Sea X la variable aleatoria definida como el tiempo de espera en horas, entre

conductores sucesivos que exceden los límites de velocidad detectados por una
unidad de radar. La variable aleatoria X toma todos los valores x  0 .
Definición.- Si un espacio muestral tiene un número finito de posibilidades, se llama

espacio muestral discreto.
Definición.- Si un espacio muestral tiene un número infinito de posibilidades, se

llama espacio muestral continuo.
Una variable aleatoria se llama discreta si se puede contar su conjunto de resultados

posibles.
Si la variable aleatoria puede tomar valores en una escala continua, se le denomina

variable aleatoria continua
En la práctica, las variables aleatorias continuas representan datos medidos, por

ejemplo: medidas de peso, alturas, temperaturas, distancias, etc.; las variables
aleatorias discretas representan datos por conteo, por ejemplo número de accidentes
por año en sector determinado, número de artículos defectuosos en una muestra de
k artículos, etc.
DISTRIBUCIONES DISCRETAS DE PROBABILIDAD
Las probabilidades de una variable aleatoria discreta X, se representan usando una

función de los valores numéricos x, y lo denotamos con f(x), g(x), h(x), etc.; es decir:
f ( x)  P X  x 
Al conjunto de pares ordenados x, f ( x)  se llama función de probabilidad o
distribución de probabilidad de la variable aleatoria X, si para cada resultado posible

x, se cumple que:
1) f ( x)  0
Jorge Tuapanta
39
2)  f ( x)  1
x
3) P X  x   f (x)
EJEMPLO 1
Un embarque de 8 minicomputadores similares contienen tres que están

defectuosos. Si hacen una compra al azar de dos de estos minicomputadores, halle
la función de probabilidad para el número de defectuosos.
Solución
Sea X una v.a. cuyos valores x son los números posibles de computadores
defectuosos que compran. Entonces la función de probabilidad quedaría definida
como:
 3  5 
  
x 2  x
f ( x)    , x  0, 1, 2
8 
 
 2
Es decir:
x 0 1 2
f(x) 5 15 3
14 28 28
EJEMPLO 2
Una agencia automotriz vende 50% de su inventario de cierto vehículo equipado con
bolsas de aire. Encuentre la función de probabilidad del número de autos con bolsas
de aire entre los siguientes 6 vehículos que vende la agencia.
Solución
Jorge Tuapanta
40
Al vender un vehículo hay dos posibilidades que se venda uno equipado con bolsa
de aire o sin ella, entonces el número total de posibilidades es: 2 6 = 64.
El evento de vender x modelos con bolsas de aire y 6-x sin bolsa de aire puede
ocurrir en C4,x formas, donde x puede tomar valores de 0, 1, 2, 3, 4, 5 o 6. Entonces
la función de probabilidad f ( x)  P X  x  es:
6

 x

f ( x)    , x  0, 1, 2, 3, 4, 5, 6.
64
Definición.- La función de la distribución acumulada F(x) de una variable aleatoria X

con función de probabilidad f(x) es:
F ( x )  P X  x    f (t ), -  x  
t x
EJEMPLO 1
Halle la función de distribución acumulada de la v.a. X cuya función de probabilidad

está definida por:
1 1 3 1 1
f (0)  f (1)  f (2)  f (3)  f (4) 
16 4 8 4 16
3
Y pruebe mediante F(x) que: f ( 2) 
8
Solución
1
F (0)  f (0) 
16
5
F (1)  f (0)  f (1) 
16
11
F (2)  f (0)  f (1)  f (2) 
16
Jorge Tuapanta
41
15
F (3)  f (0)  f (1)  f (2)  f (3) 
16
F (4)  f (0)  f (1)  f (2)  f (3)  f (4)  1
Entonces:
0 x  0
 1
 0  x 1
16
 5
 1 x  2
16
F ( x)  
 11 2 x 3
16
15
 3 x  4
16

1 x  4
11 5 3
Por lo tanto f (2)  F (2)  F (1)   
16 16 8
EJEMPLO 2
La función de probabilidad de la v.a. X, el número de imperfecciones por 10 m de

una tela sintética en rolos continuos de ancho uniforme está dado por:
x 0 1 2 3 4
f(x) 0,41 0,37 0,16 0,05 0,01
Halle F(x).
EJEMPLO 3
k
Sea f ( x)  una función de probabilidad de una v.a. X que puede tomar los
3x
valores x  0, 1, 2, 3 ,4 .
Halle el valor de K y F(x).

Jorge Tuapanta
42
DISTRIBUCIÓN BINOMIAL
Un experimento a menudo consiste en pruebas repetidas, con dos resultados

posibles: éxito o fracaso, por ejemplo, en una prueba de artículos a medida que salen
de una línea de ensamble, cada experimento puede indicar si un artículo está
defectuoso o no. En experimentos como el anterior se desea determinar la
probabilidad de obtener x éxitos y n-x fracasos en n ensayos.
Procesos como el anterior que están compuestos n de ensayos, conocidos como

ensayos Bernoulli, deben cumplir las siguientes propiedades:
1) Para cada ensayo solo hay dos posibles resultados éxito o fracaso
2) La probabilidad de éxito es la misma para cada ensayo
3) Los resultados de los diferentes ensayos son independientes
Si no se cumplen las propiedades, no se aplica la teoría desarrollada.
El número de x éxitos en n experimentos Bernoulli se denomina variable aleatoria

binomial.
Distribución binomial: Un experimento de Bernoulli puede tener como resultado un

éxito de probabilidad p y un fracaso con probabilidad q = 1-p .Entonces, la
distribución de probabilidad de la variable aleatoria binomial X, de x éxitos en n
ensayos independientes es:
n
b( x, n, p)    p x q nx , x  0,1,2,..., n
 x
EJEMPLO 1
La probabilidad de que cierta clase de componente sobreviva a una prueba de
choque es ¾. Suponiendo que las pruebas son independientes, encuentre la
probabilidad de que sobrevivan exactamente 2 de los siguientes 4 componentes que
se prueben.
Solución
Jorge Tuapanta
43
3 3 1
Se sabe que p  y q  1-  , entonces:
4 4 4
 4  3   1 
2 2
3 27
b(2, 4, )        
4  2  4   4  128
EJEMPLO 2
Se afirma que en 60% de todas las instalaciones de calefacción solar, la facturación
del servicio se reduce en al menos un tercio. En concordancia, ¿cuáles son las
probabilidades de que tal factura se reducirá en al menos un tercio en:
a) Cuatro de cinco instalaciones
b) Al menos cuatro de cinco instalaciones
c) Como máximo 3 de cinco instalaciones
Solución
a) x  4, n 5 y p  0,60
5 
b(4, 5, 0,60)    0,60 0,40  0,259
 4
4 1
 
b) x  4 y 5, n 5 y p  0,60
5   5
b(4, 5, 0,60)  b(5, 5, 0,60)    0,60 0,40    0,60 0,40
4 1 5 0
 4  5
 0,259  0,078
 0,337
c) Hállelo
n
Dado que p+q=1, se tiene que:  b( x, n, p)  1 , una condición que debe ser
x0
válida para cualquier distribución de probabilidad.
Jorge Tuapanta
44
Si queremos hallar P( X  x) o P(a  X  b) utilizaremos la distribución

binomial acumulada:
x
B( x, n, p)   b( x, n, p),
x0
x  0, 1, 2, ..., n
Puesto que las dos probabilidades acumuladas B( x, n, p) y B( x  1, n, p)

difieren por el término individual b( x, n, p) se tiene que:
b( x, n, p)  B( x, n, p)  B( x  1, n, p)
donde B(-1) = 0.
NOTA: Para valores de n muy grandes nos apoyaremos en las tablas de la

distribución binomial acumulada.
EJEMPLO 1
La probabilidad de que un paciente se recupere de una rara enfermedad sanguínea
es 0,4. Si se sabe que 15 personas contraen tal enfermedad. Halle la probabilidad de
que:
a) Sobrevivan al menos 10
b) Sobrevivan de 3 a 8
c) Sobrevivan exactamente 5
Solución
Sea X el número de personas que sobreviven
a) P( X  10)  1  P( X  10)  1  B(9; 15; 0,4)

 1  0,9662  0,0338
8 8 2
b) P(3  X  8)   b( x,15;0,4)   b( x,15;0,4)   b( x,15;0,4)
x 3 x0 x0
 B(8,15;0,4)  B(2,15;0,4)
Jorge Tuapanta
45
 0,9050  0,0271
 0,8779
c) P( X  5)  b(5,15;0,4)  B(5,15;0,4)  B(4,15;0,4)
 0,4032  0,2173
 0,1859
EJEMPLO 2
Un fabricante de discos duros externos afirma que tan solo 10% de sus dispositivos
requieren reparaciones dentro de periodo de garantía de 12 meses. Si 5 de 20 de
sus discos requieren reparaciones dentro del primer año, ¿esa tendencia apoya o
refuta su afirmación?
Solución
Hallemos la probabilidad de que al menos 5 de los 20 discos requerirán
reparaciones dentro de un año.
P( X  5)  1  P( X  5)  1  B(4; 20; 0,1)  1  0,9568  0,0432
La probabilidad hallada es pequeña, por lo que se rechaza la afirmación del

fabricante de discos duros.
TEOREMA: La media y varianza de la distribución binomial b( x; , n, p) son
  np y  2  npq
EJEMPLO 1
Encuentre la media y la varianza de la variable aleatoria binomial del ejemplo 1 de
los pacientes sujetos a una rara enfermedad.
  (15)(0,4)  6 y  2  (15)(0,4)(0,6)  3,6
DISTRIBUCIÓN HIPERGEOMÉTRICA
Jorge Tuapanta
46
La distribución hipergeométrica se basa en el muestreo que se realiza sin reemplazo,

por lo que no requiere independencia entre las pruebas.
En general, nos interesa la probabilidad de seleccionar x éxitos de los k artículos
considerados como éxito y n-x fracasos de los N-k artículos que se consideran
fracasos cuando una muestra aleatoria de tamaño n se selecciona de N artículos.
Esto se conoce como un experimento hipergeométrico; es decir, aquel que posee las
siguientes propiedades:
1) Se selecciona una muestra de tamaño n sin reemplazo de N artículos

2) K de los N artículos se pueden clasificar como éxitos y N-k se clasifican como
fracasos.
El número X de éxitos de un experimento hipergeométrico se denomina variable

aleatoria hipergeométrica.
Distribución hipergeométrica: La distribución de probabilidad de la variable

aleatoria hipergeométrica X, el número de éxitos en una muestra aleatoria de
tamaño n que se selecciona de N artículos, en los que k se denomina éxito y N-k
fracaso, es:
 k  N  k 

 x
n  x 
h( x; n, k , N )     , x  0,1,2,..., n
N

n 
 
EJEMPLO 1
Una compañía con base en Internet que vende accesorios con descuento para
teléfonos celulares a menudo embarca un número excesivo de productos
defectuosos. La compañía necesita un mejor control de calidad. Suponga que tiene a
la mano 20 cargadores para automóvil idénticos, pero que 5 están defectuosos. Si la
compañía decide seleccionar al azar 10 de dichos artículos, ¿cuál es la probabilidad
de que 2 de los 10 estén defectuosos?
Jorge Tuapanta
47
Solución
Se tiene que x  2, n  10, k  5 y N  20 entonces:
 5 15 

 2
8 
h(2; 10, 5, 20)      0,348
 20 

10 
 
EJEMPLO 2
Resuelva el ejemplo anterior 100 cargadores de automóvil, de los cuales 25 son
defectuosos, usando:
a) Usando la fórmula para la distribución hipergeométrica
b) Usando la fórmula para la distribución binomial como una aproximación.
Solución
a) Como x  2, n  10, k  25 y N  100 entonces:
 25  75 
  
h(2; 10, 25, 100)      0,292
2 8
100 
 
10 
25
b) Se tiene que x  2, n  10, p   0,25 entonces:
100
10 
b(2; 10, 0,25)   0,25 0,75  0,282
2 8
2 
La diferencia entre los dos valores obtenidos en los literales es de 0,10. En general,
se demuestra que h(x, n, k, N) tiende a b(x, n, p) con k cuando
p 
N
N   , se puede usar la distribución binomial como una aproximación a

distribución hipergeométrica si n  N .
10
Jorge Tuapanta
48
TEOREMA: La media y la varianza de la distribución hipergeométrica
nk nk  k  N  n 
h(x, n, k, N) son  y  2  1   . .
N N  N  N  1 
TAREA: Richard A.J. (2012). Probabilidad y Estadística para Ingenieros. Pag.

91-93 desde el 4.7 al 4.29 los impares. Además, en todos los ejercicios de la
tarea halle la media y la varianza.
DISTRIBUCIÓN BINOMIAL NEGATIVA Y GEOMÉTRICA
Distribución binomial negativa: Si pruebas independientes repetidas pueden tener

como resultado un éxito con probabilidad p y un fracaso con probabilidad q=1-p,
entonces la distribución de probabilidad de la variable aleatoria X, el número de la
prueba en la que ocupa el k-ésimo éxito, es
 x - 1 k xk
b* ( x, k, p)    p q , x  k, k  1, k  2,...
 k - 1
EJEMPLO
En la serie de campeonato de la NBA, el equipo que gane cuatro juegos de siete
será el ganador. Suponga que el equipo A tiene una probabilidad de 0,55 de ganarle
al equipo B, y que ambos equipos, A y B, se enfrentan entre sí en los juegos de
campeonato.
a) ¿Cuál es la probabilidad que el equipo A gane la serie en seis juegos?

b) ¿Cuál es la probabilidad que el equipo A gane la serie?
c) Si ambos equipos se enfrentan entre sí en una serie regional de play-off y el
ganador es quien gana tres de cinco juegos, ¿cuál es la probabilidad de que el
equipo A gane un juego de play-off?
Jorge Tuapanta
49
Solución
a) Como x  6, k  4 y p  0,55 entonces:
 5
b* (6, 4, 0.55)   (0,55) 4 (0,45) 64  0,1853
 3
b) Sea G el evento, el equipo A gana la serie de campeonato, entonces:
P(G)  b* (4, 4, 0.55)  b* (5, 4, 0.55)  b* (6, 4, 0.55)  b* (7, 4, 0.55)

 0,0915  0,1647  0,1853  0,1668  0,6083
c) Sea O el evento, el equipo A gana el juego de play-off, entonces:
P(G)  b* (3, 3, 0.55)  b* (4, 3, 0.55)  b* (5, 3, 0.55)
 0,1664  0,2246  0,2021  0,5931
Distribución geométrica: Si pruebas independientes repetidas pueden tener como

resultado un éxito con probabilidad p y un fracaso con probabilidad q=1-p, entonces
la distribución de probabilidad de la variable aleatoria X, el número de la prueba en el
ocurre el primer éxito, es
g ( x; p)  p q x-1 , x  1, 2, 3,...
EJEMPLO
Se sabe que en cierto proceso de fabricación, en promedio, uno de cada 100
artículos está defectuoso. ¿Cuál es la probabilidad de que el quinto artículo que es
inspeccionado sea el primer defectuoso que se encuentra?
Jorge Tuapanta
50
Solución
Como x  5, p  0,01 entonces g (5; 0.01)  (0,01)(0,99)  0,0096

4
TEOREMA: La media y la varianza de una variable aleatoria que sigue la distribución

1 1 p
geométrica son:   , 2 
p p2
DISTRIBUCIÓN DE POISSON
Los experimentos que dan valores numéricos de una variable aleatoria X, el número
de resultados que ocurren durante un intervalo dado o una región específica, se
llaman experimentos de Poisson. Un experimento de Poisson se deriva del
proceso de Poisson y tiene las siguientes propiedades.
1) El número de resultados que ocurren en un intervalo o región específica es

independiente del número que ocurre en cualquier otro intervalo o región del
espacio disjunto.
2) La probabilidad de que ocurra un solo resultado durante un intervalo muy corto o
una región muy pequeña es proporcional a la longitud del intervalo o al tamaño
de la región, y no depende del número de resultados que ocurren fuera de este
intervalo o región.
3) La probabilidad de que ocurra más de un resultado en tal intervalo corto o que
caiga en tal región pequeña es insignificante.
El número X de resultados que ocurren durante un experimento de Poisson se llama

variable aleatoria de Poisson.
Distribución de Poisson: La distribución de probabilidad de la variable aleatoria de

Poisson X, que representa el número de resultados que ocurren en un intervalo
dado o región específica se denota con t, es
Jorge Tuapanta
51
e  t  t 
x
p ( x, t )  , x  0, 1, 2, ...
x!
donde λ es el número promedio de resultados por unidad de tiempo, distancia área o

volumen, y e  2,71828...
r
La distribución acumulada de Poisson está definida por: P (r; t )   p ( x; t )
x0
EJEMPLO 1
Durante un experimento de laboratorio el número promedio de partículas
radioactivas que pasan a través de un contador en un milisegundo es 4. ¿Cuál es la
probabilidad de que 6 partículas entren en el contador en un milisegundo dado?.
Solución
Se tiene que   4, t  1, x  6 entonces:
e 4 (4) 6 6 5
p (6; 4)    p ( x; 4)   p ( x; 4)  0,8893  0,7851  0,1042
6! x0 x0
EJEMPLO 2
Si un banco recibe en promedio 6 cheques malos por día. Determine la probabilidad
de que recibirá:
a) 4 cheques malos cualquier día dado
b) 10 cheques malos durante cualesquiera 2 días consecutivos
Solución
a) Como   6, t  1, x  4 se tiene que:
Jorge Tuapanta
52
e 6 (6) 4 4 3
p (4; 6)    p ( x; 6)   p ( x; 6)  0,2851  0,1512  0,1339
4! x0 x0
b) Dado que   6, t  2, x  10 entonces:
e 12 (12)10
p (10; 12)   P(10,12)  P(9,12)  0,3472  0,2424  0,1048
10 !
EJEMPLO 3
En la inspección de la placa de hojalata producida por un proceso electrónico
continuo, 0.2 imperfecciones se marcan por minuto, en promedio. Encuentre las
probabilidades de marcar:
a) Una imperfección en 3 minutos
b) Al menos dos imperfecciones en 5 minutos
c) Cuando mucho una imperfección en 15 minutos
Solución
a) Como   0,2, t  3, x  1 se tiene que:
e 0.6 (0,6)1
p (1; 0.6)   0,329
1!
b) Dado que   0.2, t  5, x  2 entonces:
P(X  2)  1 - P(X  1)  1 - P(1, 1.0)  1  0,736  0,264
c)   0.2, t  15, x  1
P(X  1)  P(1, 3.0)  0,199
Jorge Tuapanta
53
TEOREMA: Tanto la media como la varianza de la distribución de Poisson p ( x; t )
tienen el valor  t , es decir:      t

2
TEOREMA: Sea X una variable aleatoria binomial con distribución de probabilidad
  permanece constante,

b ( x; n, p) .Cuando n  , p  0, y np n
 p ( x;  )

b ( x; n, p) n
EJEMPLO 1
En ciertas instalaciones industriales los accidentes ocurren con muy poca frecuencia.
Si se sabe que la probabilidad de un accidente en cualquier día dado es de 0,005 y
los accidentes son independientes entre si:
a) ¿Cuál es la probabilidad de que en cualquier periodo dado de 400 días habrá un
accidente en un día?
b) ¿ Cuál es la probabilidad de que haya a lo más tres días con un accidente?
Solución
a) Sea X una v.a. binomial con n  400 , p  0,005 y   (400)(0,005)  2 .

Con la aproximación de Poisson
e 2 (2)1
P(X  1)  p (1; 2)   0,271
1!
b) P(X  3)  P (3; 2)  0,8571
TAREA: Walpole, Myers, Myers, Ye (2007). Probabilidad y Estadística para

Ingeniería y Ciencias. Pag. 166-168 los ejercicios: 5.69; 5.71; 5.75; 5,79; 5.81;
5.82; 5.84; 5.85; 5.86; 5.87; 5.91; 5.93; 5.97; 5.98 y 5.99.
Jorge Tuapanta
54
Jorge Tuapanta
55

Modulo Probabilidad y Estadistica PDF

Cargado por

Información del documento

Descripción original:

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

Modulo Probabilidad y Estadistica PDF

Cargado por

Copyright:

Formatos disponibles

Estadística y Probabilidad

La estadística está relacionada con recolección, procesamiento, análisis e

La Estadística, para su mejor estudio, se ha dividido en dos grandes ramas: La

1.2 Tipos de variables

1.3 Niveles de medición

La medición de las variables puede realizarse por medio de cuatro escalas de

1.4 Distribuciones de frecuencias

El resultado de la medición se resume en la tabla.

Si se plantean las siguientes preguntas:

111111 22222222222 333333333333

Parece que ésta es más fácil de interpretar. No ha desaparecido ninguna

La tabla de frecuencias nos facilita responder a las preguntas planteadas:

¿Cuál fue la respuesta más frecuente?

x f fr Porcentaje F.A Porcentaje

Elaboración de una distribución de frecuencias

Los pasos para elaborar una distribución de frecuencias lo explicaremos con un

271 363 159 176 227 337 295 319 250

PASO 1: Determinar el número de clases

donde i es el intervalo de clase, H el mayor valor, L el menor valor observado y K el

En la práctica éste valor se redondea hacia arriba a algún múltiplo de 10 o de 100.

Para nuestro ejemplo las clases quedarían así:

PASO 4: Distribuir los datos en las diferentes clases

Al organizar los datos en una distribución de frecuencias podemos resumir la

PASO 5: Contar el número de elementos en cada clase

La organización de los datos en una distribución de frecuencias, ha hecho que se

1.5 Gráficas de Distribuciones de frecuencias

FIGURA 1. El histograma muestra los gastos semanales en dólares de 45 familias

FIGURA 2. Polígono de frecuencias de los gastos semanales en dólares de 45 familias

TAREA DE INVESTIGACIÓN: Con un ejemplo explique en que consiste la gráfica

TAREA: RICHARD A. JOHSON, (2012). Probabilidad y Estadística para

1.6 Medidas descriptivas

2. En su cálculo se toman en cuenta todos los valores de la variable.

La mediana es el punto central de una serie de datos ordenados de forma

1. Número impar de datos ordenados de menor a mayor o de mayor a menor: la

La moda es una medida de tendencia central muy importante, porque permite

Los valores p1 , p 2 , p 3 , .. p n , indican la importancia que se quiere dar a cada uno de

los valores que toma la variable x .

Si el profesor sólo tomara en cuenta los exámenes, el alumno no aprobaría. Sin

TAREA DE INVESTIGACION: La media, mediana y moda de datos agrupados

La dispersión mide que tan alejados están un conjunto de valores respecto a su

Se llaman medidas de dispersión aquellas que permiten retratar la distancia de los

Una medida de dispersión se puede utilizar para evaluar la confiabilidad de dos o

AMPLITUD DE VARIACIÓN (RANGO)

Esta es la medida más sencilla de calcular y comprender. Se concentra en el valor

R = Valor máximo - Valor mínimo

En el caso de distribuciones de frecuencias, el rango se obtiene restándole al límite

La ventaja de utilizar el rango como medida de dispersión, es la sencillez de su

La desviación media tiene dos ventajas.

Primero, utiliza en cálculo todos los valores de la muestra.

Segundo, es fácil de comprender, pues representa el promedio en que los valores se

VARIANZA Y DESVIACIÓN ESTÁNDAR

Dada una colección de datos x1 , x 2 , x 3 ,...xn , cuya media aritmética es x , se define la

varianza, como el promedio de las diferencias elevadas al cuadrado de cada uno de

De la fórmula anterior se deduce que:

La desviación estándar de x1 , x 2 , x 3 ,...xn observaciones se define como la raíz

Por lo tanto la varianza y la desviación de una muestra se lo pueden definir como:

Para el caso de datos agrupados en distribuciones de frecuencias, las

X es el punto medio de una clase

n es el número total de observaciones en la muestra

De la producción por hora de un grupo de empleados que ensamblan unidades

R = Valor máximo - Valor mínimo = 12-7 = 5

Para el cálculo de la desviación media, varianza y desviación estándar nos