Estadistica Social

Instituto Profesional Diego Portales
AUTÓNOMO
Asignatura
ESTADÍSTICA
SOCIAL
AUTOR: LUIS FIERRO REYES
1
AUTÓNOMO
AUTOR
Luis Fierro Reyes:
Profesor De Matemáticas, titulado en la Pontificia Universidad Católica de Chile. Posee

una amplia y rica experiencia pedagógica en diversas disciplinas matemáticas como por
ejemplo: Álgebra, Estadística, matemáticas Financiera, programación lineal y otras.
Inicia su carrera impartiendo docencia y especializándose en Educ. de Adultos.

Posteriormente asume como profesor en la enseñanza media formal y paralelamente se
desarrolla en ámbitos como Capacitación, Centro de Formación Técnica y actualmente
ejerce como profesor en el Instituto Profesional Diego Portales casa central
Concepción, dictando Asignaturas de su especialidad en carreras del área de la
Ingeniería, Ciencias Empresariales, Trabajo Social y Tutorías del área de la Educación a
Distancia.
Dentro de su desarrollo curricular encontramos también un constante

perfeccionamiento docente, donde destacan cursos y Post títulos en metodología,
Evaluación y Administración Educacional como también un Diplomado en Estadística
Educacional.
2
AUTÓNOMO
PRIMERA UNIDAD
CORRELACION Y REGRESION LINEAL
3
AUTÓNOMO
INTRODUCCIÓN
La correlación, como su propio nombre indica, es una medida del grado de relación entre dos
o mas variables.
La regresión es un modelo estadístico que sirve para predecir un comportamiento real de una
población mediante un modelo matemático (ecuación).
Antes de fabricar un modelo matemático, es necesario saber si existe una correlación entre
variables, ya que si son incorreladas no tiene mucho sentido tratar de ajustar su relación
mediante una recta o una curva.
4
AUTÓNOMO
OBJETIVOS
1. Determinar e interpretar el coeficiente de correlación lineal entre dos variables
2. Determinar una recta de regresión que ajuste los datos bidimensionales de interés
3. Realizar estimaciones objetivas aplicando modelos de regresión lineal
5
AUTÓNOMO
1. CORRELACIÓN Y REGRESIÓN LINEAL
1.1. Coeficiente de correlación
Basándonos en los conocimientos que ya tenemos del estudio de las variables estadísticas
unidimensionales (de un sólo carácter), podemos calcular medias y desviaciones típicas de cada
carácter por separado mediante las fórmulas ya conocidas:
−
x=
∑x i ⋅ fi
N
−
y=
∑x j ⋅ fj
N
2
⎛ −
⎞
∑ f i ⎜ xi − x ⎟
⎝ ⎠
sx =
N
2
⎛ −
⎞
∑ f j ⎜ x j − x⎟
⎝ ⎠
sy =
N
Definimos ahora la covarianza de dos variables como la media aritmética de los productos de las
desviaciones de cada variable respecto a su media, con lo que su cálculo se pude realizar así:
s xy =
∑ f (x i i − x )( y i − y )
=
N
∑fxy i i i
−x⋅y
N
Que es la fórmula que emplearemos para su cálculo.
Un método sencillo y eficaz que permite realizar análisis de regresión corresponde al de

los mínimos cuadrados. Para su comprensión debemos recordar aspectos fundamentales de
6
AUTÓNOMO
geometría analítica, particularmente en lo que dice relación con la ecuación principal de una recta.
La forma de dicha ecuación es:
y = mx + n Donde:
m : Pendiente o coeficiente direccional
n : Coeficiente de posición
La recta de mínimos cuadrados o recta de regresión que aproxima el conjunto de puntos ( xi , yi )

se puede presentar de las siguientes maneras:
Caso 1: y en función de x
y = a0 + a1 x , donde:
n∑ x ⋅ y − ∑ x ⋅ ∑ y − −
a1 = ; a0 = y − a1 ⋅ x Siendo:
n∑ x 2 − (∑ x )
2
−
x : Media aritmética de x
−
y : Media aritmética de y
O sea:
−
x=
∑x i
−
y=
∑y i
Lo anterior se utiliza cuando y es variable dependiente y la x es variable independiente.
Caso 2: x en función de y.
En este caso podemos escribir:
7
AUTÓNOMO
x = b0 + b1 y , donde:
n∑ x ⋅ y − ∑ x ⋅ ∑ y − −
b1 = ; b0 = x − b1 ⋅ y siendo:
n∑ y 2 − (∑ y )
2
−
x : Media aritmética de x
−
y : Media aritmética de y
O sea:
−
x=
∑x i
−
y=
∑y i
Ejercicio:
Dado el siguiente conjunto de datos:
X 1 3 4 6 8 9 11 14
Y 1 2 4 4 5 7 8 9
Determine:
i) El diagrama de dispersión
ii) La recta de regresión de y sobre x (Estime el valor de y cuando x = 5 , x = 15
iii) La recta de regresión de x sobre y
8
AUTÓNOMO
Desarrollo:
i) Diagrama de Dispersión:
y
10
9
8
7
6
5 y
4
3
2
1
0
0 5 10 15
Ahora, con la tabla de trabajo siguiente:
x y x⋅ y x2 y2
1 1 1 1 1
3 2 6 9 4
4 4 16 16 16
6 4 24 36 16
8 5 40 64 25
9 7 63 81 49
11 8 88 121 64
14 9 126 196 81
Totales 56 40 364 524 256
9
AUTÓNOMO
n=8
∑ x = 56
∑ y = 40
∑ xy = 364
∑ x = 524
2
∑ y = 256
2
(∑ x ) = (56 )
2 2
= 3136
(∑ y ) = (40 )
2 2
= 1600
− 56
x= =7
8
− 40
y= =5
8
Así:
ii) Como:
n∑ x ⋅ y − ∑ x ⋅ ∑ y − −
a1 = ; a0 = y − a1 ⋅ x
n∑ x 2 − (∑ x )
2
8 ⋅ 364 − 56 ⋅ 40 672
a1 = = = 0.636
8 ⋅ 524 − 56 2 1056
a0 = 5 − (0.636 ⋅ 7) = 0.548
y la recta de regresión es:
y = a0 + a1 x
y = 0.548 + 0.636 x
De esta forma, para:
- x = 5 → y = 0.548 + 0.636 ⋅ 5 = 3.73

- x = 15 → y = 0.548 + 0.636 ⋅ 15 = 10
iii) Como:
10
AUTÓNOMO
n∑ x ⋅ y − ∑ x ⋅ ∑ y − −
b1 = ; b0 = x − b1 ⋅ y
n∑ y 2 − (∑ y )
2
Tenemos:
8 ⋅ 364 − 56 ⋅ 40 672
b1 = = = 1.5 ; b0 = 7 − 1.5 ⋅ 5 = −0.5
8 ⋅ 256 − (40)
2
448
y así : La recta de regresión es :
x = b0 + b1 y
x = − 0 .5 + 1 .5 y
Otro ejemplo:
En una empresa de servicios de la región se sospecha que hay una suerte de relación entre el
ausentismo laboral y la edad de los trabajadores. Se desarrolla entonces un modelo de
predicción con una muestra aleatoria de 10 trabajadores que arroja la siguiente información:
Trabajador Edad (x) Días Ausentes (en un año)

1 28 14
2 65 5
3 32 12
4 22 19
5 48 6
6 57 7
7 27 14
8 36 11
9 63 9
10 44 6
Se sugiere:
i) diagrama de dispersión
ii) Recta de mínimos cuadrados ( y sobre x)
iii) Estimaciones de días de ausentismo laboral para trabajadores que tienen 25 , 34 y 50
años de edad
11
AUTÓNOMO
Desarrollo:
i) Diagrama de Dispersión:
70
60
50
40
30
20
10
0
0 5 10 15
Edad (x) Días ausentes x⋅ y x2 y2

(y)
28 14 392 784 196
65 5 325 4225 25
32 12 384 1024 144
22 19 418 484 361
48 8 384 2304 64
57 7 399 3249 49
27 14 378 728 196
36 11 396 1296 121
63 6 378 3965 36
44 9 396 1936 81
Totales 422 105 3850 20000 1273
Se tiene entonces:
12
AUTÓNOMO
n = 10
∑ x = 422
∑ y = 105
∑ xy = 3850
∑ x = 20000
2
∑ y = 1273
2
(∑ x ) = (422)
2 2
= 178084
(∑ y ) = (105)
2 2
= 11025
− 422
x= = 42.2
10
− 105
y= = 10.5
10
Desarrollo:
i) Como :
n∑ x ⋅ y − ∑ x ⋅ ∑ y − −
a1 = ; a0 = y − a1 ⋅ x
n∑ x 2 − (∑ x )
2
10 ⋅ 3850 − 422 ⋅ 105 5810

a1 = = = 0.20
10 ⋅ 20000 − 178084 211916
a0 = 10.5 − (0.20 ⋅ 42.22) = 2.06
y la recta de regresión es:
y = a0 + a1 x
y = 2.06 + 0.20 x
13
AUTÓNOMO
De esta forma, para un trabajador de:
- 25 años de edad : y = 2.06 + 0.20 ⋅ 25 = 7.06

- 34 años de edad ; y = 2.06 + 0.20 ⋅ 34 = 8.86
- 50 años de edad ; y = 2.06 + 0.20 ⋅ 50 = 12.06
Lo que se interpreta:
- Se estima que un trabajador de 25 años tiene un ausentismo de 7,06 dias

- Se estima que un trabajador de 34 años tiene un ausentismo de 8,86 dias
- Se estima que un trabajador de 50 años tiene un ausentismo de 12.06 dias
1.2. Coeficiente de correlación lineal
Todo método de regresión lineal responde básicamente a los siguientes objetivos:
i) Verificar si ambas variables están relacionadas

ii) Determinar que tipo de relación las une
iii) Predecir los valores de una variable a partir de la otra
Conocer el grado de relación existente entre ambas variables permitirá saber si la predicción
realizada por el modelo matemático es buena o mala-
Def. Para medir el grado de relación existente entre la variable independiente y la dependiente
se utiliza generalmente el coeficiente de correlación lineal cuyo método abreviado de cálculo esta
dado por la siguiente relación:
N ∑ xy − (∑ x ) ⋅ (∑ y )
r= ; r ∈[ − 1 , 1 ]
[N ∑ x 2
][
− (∑ z ) ⋅ N ∑ y 2 − (∑ y )
2 2
]
Los criterios de evaluación son los siguientes:
Si :
r =0 , no existe correlación entre las variables

r = −1 , la correlación es perfecta y negativa
r =1 , la correlación es perfecta y positiva
r ∈ ] − 0.5 , 0.5 [ , la correlación es mala
r ∉ ] − 0.5 , 0.5 [ , la correlación es buena
14
AUTÓNOMO
Por ejemplo:
Analizando el caso de ausentismo laboral respecto de la edad de los trabajadores, se tiene:
Edad (x) Días ausentes x⋅ y x2 y2

(y)
28 14 392 784 196
65 5 325 4225 25
32 12 384 1024 144
22 19 418 484 361
48 8 384 2304 64
57 7 399 3249 49
27 14 378 728 196
36 11 396 1296 121
63 6 378 3965 36
44 9 396 1936 81
Totales 422 105 3850 20000 1273
Así:
10 ⋅ 3850 − 422 ⋅ 105 − 5810

r= = = −0.95
[10 ⋅ 20000 − 178084]⋅ [10 ⋅ 1273 − 11025] 6113
luego, el coeficiente de correlación lineal es :
r = −0.95 ∈ ] − 0 .5 , 0 .5 [
Es decir, la correlación es buena y negativa, lo que significa que a mayor edad existe menos
ausentismo laboral.
15
AUTÓNOMO
EJERCICIOS DE AUTOEVALUACIÓN Nº 05
Sean las notas de los ramos A ( x ) y B ( y ) de 10 alumnos del Instituto:
A 4 4 3 5 6 6 6 7 3 4
B 5 5 4 4 3 4 4 7 7 6
1) Calcule los siguientes estadígrafos (valores estadísticos)
−
a) x
−
b) y
c) s xy
d) s x
e) s x
2
f) sy
g)
2
sy
h) r
2) Construya las rectas de regresiones correspondientes
3) Estime la nota que se obtendría en B si se tiene en A:
a) 3,4
b) 5,1
4) Estime la nota que se obtendría en A si se tiene en B:
c) 2,4
d) 4,7
16
AUTÓNOMO
SOLUCIONARIO TEST AUTOEVALUATIVO 5
1)
−
a) x = 4.8
−
b) y = 4.9
c) s xy = 1.28
d) s x = 1.326
e) s x = 1.76
2
f) s y = 1.3
g) s y = 1.69
2
h) r = 0. 43
i) = 0.727
2)
y = 0.727 x + 1.4104
x = 0.757 y + 1.0907
3)
a) 3.9
b) 5.1
4)
a) 2.9
b) 4.6
17
AUTÓNOMO
SEGUNDA UNIDAD
PROBALIDADES
18
AUTÓNOMO
INTRODUCCIÓN
La probabilidad trata de estimar la ocurrencia o no de un suceso. La aplicación de un

Conocimiento como éste permite prever situaciones y crear condiciones para evitar que ocurra en
el caso que se trate de un suceso no deseado, del mismo modo la investigación en este campo
puede ser usada para contribuir a que determinada situación se desarrolle, en la eventualidad que
éste sea deseada. Por ejemplo, en el caso de la producción, la organización social, la ocurrencia de
fenómenos catastróficos, etc.
El abordarla probabilidad, compromete la ocurrencia de sucesos. Sin embargo, la proba-

bilidad puede estar condicionada a aquellos sucesos dependientes e independientes, para lo
cual, se entregan los elementos teóricos necesarios, para que el alumno opere con ellos y
compruebe sus grados de avance en el aprendizaje y consulte a quien administra la tutoría
de la especialidad.
19
AUTÓNOMO
OBJETIVOS
1. Dar a conocer y aplicar la teoría de conjuntos.
2. Llegar a comparar los diversos enfoques y teoremas de probabilidades.
3. Dar características de los elementos principales de las probabilidades.
4. Poder llegar a calcular la probabilidad de un suceso, a partir de las combinaciones de ocu-

rrencia de uno o varios de ellos.
20
AUTÓNOMO
2.1. ELEMENTOS DE TEORÍA DE CONJUNTOS.
Todas las personas manejan una concepción acerca de conjunto, diferentes disciplinas
desde las matemáticas a las ciencias sociales, hacen referencia a este concepto que permite
entender la relación entre los miembros o componentes del mismo. Entonces, definiremos
conjunto, como un grupo de elementos que poseen características comunes.
2.1. RELACIÓN ENTRE TEORÍA DE PROBABILIDAD Y CONJUNTOS.
En la teoría de la probabilidad, se toman todos los posibles resultados de un experimento,

juego, etc., como puntos de un espacio (que puede tener una, dos, tres, etc., dimensiones)
llamado espacio muestra! S.
Si S contiene solamente un número finito de puntos, entonces a cada punto puede aso-
ciarse un número no negativo, llamado probabilidad, tal que la suma de todos los números
correspondientes a todos los puntos de S, sumen uno.
Un suceso es un sistema o conjunto de puntos de S tal como se indica por A, o B en

la Fig. 6-2 llamada diagrama Euler o diagrama Venn.
A S
Así:
• El suceso A ∪ B es el formado por los puntos que están en A o en B (o ambos)

• El suceso A ∩ B es el formado por los puntos que están en A y en B
De esta forma se puede determinar las siguientes probabilidades:
• P( A ∪ B) = P( A) + P( B) (siempre que los sucesos sean mutuamente excluyentes, es

decir no tengan elementos comunes
21
AUTÓNOMO
• P( A ∪ B) = P( A) + P( B) − P( A ∩ B) (si los sucesos tienen elementos comunes)
Con esta concepción, una variable aleatoria es una función definida en cada punto del
Espacio muestra
En el caso de que S tenga un número infinito de puntos, las ideas anteriores pueden
Extenderse por medio de conceptos que necesitan cálculo.
2.2. TEORÍA ELEMENTAL DE LA PROBABILIDAD.
Existen 3 enfoques conceptuales diferentes acerca de la probabilidad, los que determinan el

valor de ella: el clásico, la frecuencia relativa y el subjetivo.
2.2.1. DEFINICIÓN CLÁSICA DE PROBABILIDAD.
Supóngase un suceso A, que de un total de n casos posibles, todos igualmente factibles

(equiprobables) puede presentarse en h de los casos. Entonces, la probabilidad de aparición del
suceso, llamada su ocurrencia, viene dada por:
h
p = P( A) =
n
La probabilidad de no aparición del suceso, llamada su no ocurrencia, viene dada por:
n−h
q = P (− A) = = 1 − p = 1 − P ( A)
h
Asi :
p + q = 1 (100%)
P ( A) + P (− A) = 1
Un ejemplo sencillo:
Sea el experimento aleatorio: Lanzamiento de un dado no sesgado
Calculemos la probabilidad de ocurrencia de los siguientes sucesos:
A: que se obtenga un par
B: que se obtenga un número primo
22
AUTÓNOMO
A ∪ B : que se obtenga un par o un primo
Veamos:
3 1
P ( A) = = , hay 3 casos favorables ( 2 , 3 , 5 ) de entre 6 casos posibles ( 1 , 2 , 3 , 4 , 5 , 6
6 2
)
3 1
P( B) = = , hay 3 casos favorables ( 2 , 4 , 6 ) de entre 6 casos posibles ( 1 , 2 , 3 , 4 , 5 , 6
6 2
)
1 1 1 5
P( A ∪ B) = P( A) + P( B) − P( A ∩ B) = + − =
2 2 6 6
Lo anterior se explica porque A y B no son mutuamente excluyentes (hay un par primo, el 2) Por
esa razón se debe quitar la probabilidad conjunta.
2.2.2. DEFINICIÓN DE PROBABILIDAD COMO FRECUENCIA RELATIVA.
La definición anterior de probabilidad tiene el inconveniente de que las palabras "igualmente

factibles o probables " son poco concretas.
En efecto, puesto que estas palabras parecen ser sinónimas a las de "igual probabilidad", la
definición es circular, porque se está definiendo la probabilidad en términos de ella misma.
Por esta razón, ha sido buscada por algunos una definición de probabilidad estadística de mayor
rigor.
De acuerdo con esto, la probabilidad estimada o probabilidad empírica de un suceso

se toma como la frecuencia relativa de la aparición del suceso, cuando el número de observaciones
es muy grande. La probabilidad por sí misma es el límite de la frecuencia relativa cuando el
número de observaciones crece indefinidamente.
Por ejemplo:
o Si en 1000 lanzamientos de una moneda resultan 529 caras, la frecuencia relativa de

529
caras es = 0.529 .
1000
o Si en otros 1000 lanzamientos resultan 493 caras, la frecuencia relativa en el total de los
529 + 493
2000 lanzamientos es = 0.511 .
2000
De acuerdo con la definición estadística, continuando de esta forma, nos iríamos acercando más y
más al número que puede llamarse la probabilidad de cara en el lanzamiento de una moneda. De los
resultados se deduciría que ésta, sería 0,5 con una cifra significativa. Para obtener más cifras
significativas habrían de hacerse observaciones posteriores.
23
AUTÓNOMO
La definición estadística aunque útil en la práctica, tiene dificultades desde el punto devista
matemático, puesto que puede no existir un número límite. Por esta razón, la moderna teoría de
probabilidad ha sido desarrollada axiomáticamente, en donde la probabilidad es un concepto no
definido, como ocurre con el punto y la línea en geometría.
2.2.3. ANÁLISIS COMBINATORIO.
Para la obtención de probabilidades de sucesos complejos, la enumeración de los casos

resulta a menudo difícil, pesado o ambas cosas. Para facilitar esta tarea es preciso echar mano de
los principios básicos del análisis combinatorio.
Principio fundamental.
Si un suceso puede presentarse de n1 maneras distintas y si cuando estos han ocurrido, otro
suceso puede presentarse de n2 maneras distintas , y así sucesivamente , entonces el número de
maneras en que todos los sucesos pueden presentarse en el orden especificado es n1 ⋅ n 2 ⋅ .....
Ejemplo:
Si hay 3 candidatos para gobernador y 5 para alcalde, los dos cargos pueden ocuparse de
3 ⋅ 5 =15 formas distintas.
2.2.4. FACTORIAL DE n.
El factorial de n se denota por n! y viene definido por:
n != n ⋅ (n − 1) ⋅ (n − 2) ⋅ (n − 3) ⋅ ......... ⋅ 1
Así , 5!K = 5 ⋅ 4 ⋅ 3 ⋅ 2 ⋅ 1 = 120
2.2.5. PERMUTACIONES.
Una permutación de n objetos diferentes tomados de r en r es una ordenación de r objetos

entre los n dados y atendiendo a la situación de cada objeto en la ordenación. El número de
Permutaciones de n objetos tomados de r en r se representa por P(n ,r ), y vienen dado por:
n!
P(n, r ) =
(n − r ) !
En particular, el número de permutaciones de n objetos tomados de n en n es:
P(n, n) = n !
Ejemplo:
El número de permutaciones de las letras a, b, c, d tomadas de dos en dos, es:
24
AUTÓNOMO
4!
P(4,2) = = 12
(4 − 2) !
El número de permutaciones de n objetos formado de grupos de los que n1 son iguales,

n2 son ¡guales, ........ es:
n!
Donde : n = n1 + n 2 + .....
n1!⋅n2 ! ⋅ .......
Ejemplo:
El número total de permutaciones con las letras de la palabra estadística es:
11!
1 !⋅ 2 !⋅ 2 ! ⋅ 2 !1!⋅ 2 !1!
2.2.6. COMBINACIONES.
Una combinación de n objetos diferentes tomados de r en r es una selección de r de los n

objetos sin atender a la ordenación de los mismos. El número de combinaciones de n objetos
tomados de r en r se presenta por C(n,r) y viene dado por:
n!
C (n, r ) =
(n − r ) ! ⋅ r !
Ejemplo:
El número de combinaciones de las letras a, b, c, d tomadas de dos en dos, es:
4!
C (4,2) = =6
(4 − 2) !⋅ 2 !
25
AUTÓNOMO
2.2.7. PROBABILIDAD CONDICIONAL. SUCESOS INDEPENDIENTES Y DEPEN-

DIENTES.
Si A y B son dos sucesos, la probabilidad de que ocurra B dado que ha ocurrido A, se

denota por P ( B / A) y se llama probabilidad condicional de B dado que A se ha presentado.
Si la ocurrencia o no ocurrencia de A, no afecta a la probabilidad de ocurrencia de B

entonces P ( B / A) = P ( B) y se dice que A y B ; son sucesos independientes; si no ocurre
esto, los sucesos se dicen dependientes.
Si se denota por P( A ∩ B el suceso de que ocurra A y B llamado a veces suceso compuesto, se

tiene:
P( A)
P( A ∩ B) =
P( B / A)
En particular,
P( A ∩ B) = P( A) ⋅ P( B) para sucesos independientes
Ejemplo 1:
Sean A, y B respectivameprte, los sucesos cara en el quinto lanzamiento y cara en el

sexto lanzamiento de una moneda. Entonces A, y B; son sucesos independientes, así que la
Probabilidad de cara en ambos lanzamientos quinto y sexto es, suponiendo la moneda bien
hecha,
1 1 1
P( A ∩ B) = P( A) ⋅ P( B) = ⋅ =
2 2 4
Ejemplo 2:
Si la probabilidad de que A viva 20 años es 0,7 y la probabilidad de que B viva 20 años es

0,5, Entonces la probabilidad de que ambos vivan 20 años es:
(0,7) (0,5) = 0,35.
26
AUTÓNOMO
Ejemplo 3:
Supóngase una caja que contenga 3 bolas blancas y 2 bolas negras. Sea A, el suceso de
que "la primera bola extraída sea negra" y B el suceso de que “la segunda bola extraída sea
negra», en extracciones sin remplazamiento. Aquí A y B, son sucesos dependientes.
2 2
P( A) = = es la probabilidad de que la primera bola extraída sea negra,
2+3 5
1 1
P( B / A) = = es la probabilidad de que la segunda bola extraída sea negra,
3 +1 4
dado que la primera extracción fue de bola negra. Entonces la probabilidad de que ambas bolas
extraídas sean negras es:
2 1 1
P( A) ⋅ P( B / A) = ⋅ =
5 4 10
2.2.8. SUCESOS MUTUAMENTE EXCLUYENTES.
Dos o más sucesos se dicen mutuamente excluyentes si la ocurrencia de uno cualquiera

de ellos, imposibilita la ocurrencia de los otros.
Así, si A y B son mutuamente excluyentes, P( A ∩ B) = 0 .
Si P( A ∪ B) denota el suceso de que ocurra A o B o ambos, entonces:
P( A ∪ B) = P( A) + P( B) − P( A ∩ B)
Pero, para sucesos mutuamente excluyentes, se tiene
P( A ∪ B) = P( A) + P( B)
Como ampliación de esto, si E1 , E 2 , E3 ,....... E n , son n sucesos mutuamente excluyentes con

Probabilidades respectivas p1 , p 2 , p3 ,..., p n , entonces:
La probabilidad de ocurrencia de E1 ∪ E 2 ∪ E3 ∪ ........ ∪ E n es:
p1 + p 2 + p3 + ................. + p n
27
AUTÓNOMO
Ejemplo:
Si A es el suceso extracción de un as de una baraja española de cartas y B es el suceso

extracción de un rey, entonces:
4 1
P ( A) = =
40 10
4 1
P( B) = =
40 10
Así , La probabilidad de extracción de un as o un rey en una sola extracción es:
1 1 2 1
P ( A ∪ B ) = P ( A) + P( B) = + = =
10 10 10 5
Puesto que ambos: as y rey no pueden extraerse al mismo tiempo en una sola extracción,
siendo pues, sucesos mutuamente excluyentes.
TEST AUTOEVALUATIVO 5
1. Determinar la probabilidad p , o un estimador de ella, para cada uno de los siguientes sucesos:
a ) La aparición de un número impar en una tirada de un dado equilibrado.
b) La aparición de al menos una cara en dos lanzamientos de una moneda.
c) La aparición de un as, el diez de diamantes o el dos de corazones en una sola extracción

de una baraja de 52 cartas.
d) La aparición de cruz en el siguiente lanzamiento de una moneda, si en 100 lanzamientos

previos aparecieron 56 caras.
2) . ¿De cuántas formas pueden 10 personas estar sentadas en un banco, con capacidad para 4
personas?
3) Hallar el valor de
a) P( 8 , 3 )
b) P ( 6 , 4 )
c) P ( 15 ,1 )
28
AUTÓNOMO
d ) P( 3 , 3 )
4) Se quieren sentar 5 hombres y 4 mujeres en una fila de modo que las mujeres ocupen los
sitios pares. ¿De cuántas formas pueden sentarse?
5) De un total de 5 matemáticos y 7 físicos, se forma un comité de 2 matemáticos y 3 físicos.

¿De cuántas formas puede formarse, si:
a) puede pertenecer á él cualquier matemático y físico,

b) un físico determinado debe pertenecer al comité
c) dos matemáticos determinados no pueden estar en el comité
6) Con 7 consonantes y 5 vocales diferentes, ¿cuántas palabras pueden formarse, que consten
de 4 consonantes y 3 vocales? No es necesario que las palabras tengan significado.
7) Una encuesta sobre 500 estudiantes de una o más asignaturas de álgebra, física y estadística
durante un semestre reveló los siguientes números de estudiantes en las asignaturas indicadas.
o Álgebra :329
o Física : 186
o Estadística :295
o Álgebra y física :83
o Álgebra y estadística :217
o Física y estadística :63
¿Cuántos estudiantes estaban estudiando?
(a) las 3 asignaturas,
(b) álgebra pero no estadística,
(c) física pero no álgebra,
(d) estadística pero no física,
(e) álgebra o estadística pero no física
(f) álgebra pero no física o estadística?
SOLUCIONARIO TEST AUTOEVALUATIVO 4

1)
29
AUTÓNOMO
1
a) p=
2
3
b) p=
4
3
c) p=
26
44
d) p= = 0.44
100
2. La primera plaza puede ocuparse con cualquiera de las 10 personas y, cuando esto se ha
hecho, hay 9 formas para ocupar la segunda plaza, 8 para llenar la tercera y 7 para llenar la
cuarta. Por tanto;
Número de ordenaciones de 10 personas tomadas de 4 en 4 es 10 ⋅ 9 ⋅ 8 ⋅ 7 = 5040 En general.
3.
a ) 336
b) 360
c) 15
d) 6
4. P(5,5) ⋅ P(4,4) = 120 ⋅ 24 = 2280
5.
30
AUTÓNOMO
a ) 350
b) 150
c) 105
6. 35 ⋅ 10 ⋅ 5040 = 1.764.000
7.
(a) las 3 asignaturas: 53
(b) álgebra pero no estadística: 112
(c) física pero no álgebra: 103
(d) estadística pero no física. 232,
(e) álgebra o estadística pero no física : 314
(f) álgebra pero no física o estadística : 82
31
AUTÓNOMO
TERCERA UNIDAD
ELEMENTOS DE VARIABLES ALEATORIAS
32
AUTÓNOMO
INTRODUCCIÓN
Cada suceso se puede asociar con la probabilidad que ocurra o no, así la esperanza
Matemática es un promedio ponderado que también corresponde a la probabilidad de darse o no.
La esperanza, es una variable aleatoria que tiene posibilidad de ocurrencia, los momentos
a su vez, son cálculos que permiten estimar la esperanza.
Para ello, el estudio de la unidad es la secuencia necesaria a seguir, ya que permite

recorrer a qué fenómeno corresponde cada variable aleatoria y las funciones de probabilidad,
tanto las de probabilidad continua, como discreta.
33
AUTÓNOMO
OBJETIVOS
1. Determinar variables aleatorias.
2. Conocer ejemplos sencillos de modelos de distribuciones discretas y continuas.
34
AUTÓNOMO
3.VARIABLES ALEATORIAS.
Una variable aleatoria X es una función definida sobre el espacio muestral S , que asigna
a cada suceso elemental s de S un único número real X ( s ) .
Una variable aleatoria pone etiquetas numéricas a los distintos sucesos elementales, bajo
los que puede materializarse un fenómeno estadístico.
Una variable aleatoria es discreta, si corresponde a un fenómeno de tipo discreto, y es

una variable aleatoria continua, si corresponde a un fenómeno de tipo continuo.
Las variables aleatorias nos permiten hablar de probabilidades de subconjuntos de los

números enteros, naturales o reales, con independencia de que el fenómeno aleatorio en estudio
sea de naturaleza cuantitativa o cualitativa.
3.1. FUNCIÓN DE PROBABILIDAD DISCRETAS.
Algunos fenómenos producen un número finito numerable de sucesos. Un ejemplo son los
fenómenos que pueden manifestarse en la forma de los números naturales o los
números enteros.
Ejemplos:
o El resultado que se obtiene en el lanzamiento de un dado
o el número de clientes que entra en una tienda en una hora
o el número de coches vendidos en Chile en un año
o el número de caras obtenidas en 10.000 lanzamientos de una misma moneda.
Como vemos, algunos de ellos pueden presentar un número reducido de sucesos, y otros
un número de sucesos diferentes verdaderamente elevado, pero todos ellos comparten una
naturaleza discreta.
Cualquier función de probabilidad definida sobre el espacio muestral de uno de estos fenómenos
se denomina función de probabilidad de tipo discreto
En un fenómeno de tipo discreto, el conjunto de sucesos elementales diferentes, s , que forman

parte del espacio muestral S es finito o infinito numerable. Una función de probabilidad de tipo
discreto o función de cuantía es una función P que satisface:
P ( s ) > 0 , para todo s ∈ S
35
AUTÓNOMO
∑ P(s) = 1
3.1. FUNCIONES DE PROBABILIDAD CONTINUAS.
Si el conjunto de sucesos que pueden manifestarse al analizar un fenómeno aleatorio es

infinito no numerable, ya no podemos establecer una asociación entre los sucesos posibles y los
números naturales, o los enteros, puesto que éstos constituyen una infinidad numerable. La
asociación numérica es ahora con los números reales. Ya no podemos hablar de probabilidades en
un punto, del modo como lo hemos hecho en los ejemplos anteriores, puesto que ahora contamos
con una infinidad no numerable de sucesos elementales. A cambio, hablamos ahora de
probabilidades en intervalos de la recta real.
Una función de probabilidad de tipo continuo viene caracterizado por una función f ( x) ,
definida sobre los números reates, denominada función de densidad, tal que:
f ( x) > 0 , para todo x ∈ S
∫ f ( x) dx = 1
3.2. EL MOMENTO Y LA ESPERANZA DE UNA VARIABLE ALEATORIA.

3.2.1. ESPERANZA MATEMÁTICA.
La esperanza matemática de la distribución de probabilidad de una variable aleatoria X,

es quizá la característica más intuitiva de la misma.
La esperanza es un número real que tiene ciertas connotaciones de valor medio de dicha
variable.
La esperanza matemática se calcula combinando todos los valores posibles de la variable

aleatoria, pero no en igualdad de condiciones, sino ponderando cada uno de ellos de acuerdo
con su probabilidad.
Al establecer las ponderaciones indicadas, entendiendo como grado de representatividad

la probabilidad de que dicho valor numérico se manifieste como realización de la variable
aleatoria .Por eso damos más importancia a los valores más probables.
La esperanza matemática de una variable aleatoria de tipo discreto, que se denota por μ
o E ( X ) , se define;
μ = E ( X ) = ∑ P ( x = xi )
36
AUTÓNOMO
mientras que en una distribución de tipo continuo con función de densidad f(x), la esperanza
matemática es:
μ = E ( X ) = ∫ x f ( x) dx (Área bajo una curva)
37
AUTÓNOMO
Un modelo sencillo de distribución discreta es la distribución binomial.
Supongamos que un experimento aleatorio tiene las siguientes características:
o En cada prueba del experimento solo son posibles dos resultados:
El evento A= Éxito y su evento contrario –A= fracaso
o El resultado obtenido en cada prueba es independiente de los resultados obtenidos

anteriormente
o La probabilidad de A es constante y la representamos por p , y no varía de una prueba a

otra.
o La probabilidad de –A es 1 − p y la representamos por q
o El experimento consta de un número n de pruebas.
Cualquier experimento que tenga las características anteriores diremos que sigue el modelo
de una distribución binomial.
A la variable X que expresa el número de éxitos obtenidos en cada prueba del experimento la
llamaremos variable aleatoria binomial.
La variable binomial es una variable discreta, es decir solo puede tomar valores:
0 , 1 , 2 , ............ , n
Como hay que considerar todas las maneras posibles de obtener k -éxitos y n−k
Fracasos, estamos obligados a calcular mediante combinaciones ( n sobre k)
La función de Probabilidad de la variable aleatoria Binomial o también denominada función de

distribución de Bernoulli se define:
n =1
0 ≤ p ≤1
Probabilidad de obtener k éxitos
⎛n⎞
p ( X = k ) = ⎜⎜ ⎟⎟ p k q n − k
⎝k ⎠
Siendo sus parámetros:
38
AUTÓNOMO
Media: μ=n p
Varianza: σ 2 = n pq
Desv. Estándar: n pq
Ejercicios:
i) Una máquina fabrica una determinada pieza y se sabe que produce 7 por 1000 de
piezas defectuosas. Hallar la probabilidad de que al examinar 50 piezas solo haya una
defectuosa.
Sol:
Se trata de una distribución binomial de parámetros B (50, 0.007) y debemos calcular la

probabilidad:
p( X = 1)
Así:
⎛ 50 ⎞
p ( X = 1) = ⎜⎜ ⎟⎟ 0.0071 ⋅ 0.993 49 = 0.248
⎝1⎠
Es decir, un 24.8 %
II) Hallar la probabilidad de que al lanzar una moneda 3 veces , aparezcan:
i) 3 caras
ii) 3 sellos
Sol:
⎛ 3⎞
i) p ( X = 3) = ⎜⎜ ⎟⎟ 0.5 ⋅ 0.5 = 0.125
3 0
⎝ 3⎠
III) hallar la probabilidad de que en una familia con 4 hijos se tenga:
i) al menos un niño
39
AUTÓNOMO
ii) al menos una niña y un niño
1
Sol: Suponemos que la probabilidad de que nazca niño es
2
⎛ 4⎞ ⎛ 1 ⎞
1 3
⎛1⎞ 1
p ( X = 1) = ⎜⎜ ⎟⎟ ⋅ ⎜ ⎟ ⎜ ⎟ =
⎝1⎠ ⎝ 2 ⎠ ⎝2⎠ 4
⎛ 4⎞ ⎛ 1 ⎞ ⎛ 1 ⎞
2 2
3
p ( X = 2) = ⎜⎜ ⎟⎟ ⋅ ⎜ ⎟ ⎜ ⎟ =
⎝ 2⎠ ⎝ 2 ⎠ ⎝ 2 ⎠ 8
⎛ 4⎞ ⎛ 1 ⎞ ⎛ 1 ⎞ 1
3
p ( X = 3) = ⎜⎜ ⎟⎟ ⋅ ⎜ ⎟ ⎜ ⎟ =
⎝ 3⎠ ⎝ 2 ⎠ ⎝ 2 ⎠ 4
⎛ 4⎞ ⎛ 1 ⎞ ⎛ 1 ⎞
4 0
1
p ( X = 4) = ⎜⎜ ⎟⎟ ⋅ ⎜ ⎟ ⎜ ⎟ =
⎝ 4⎠ ⎝ 2 ⎠ ⎝ 2 ⎠ 16
Por lo tanto:
1 3 1 1 15
i) p (al menos un niño)= + + + =
4 8 4 16 16
ii) p (al menos un niño y una niña) =
1 − p (ningun niño) − p (ninguna niña ) =
1 1 7
1− − =
16 16 8
IV) La probabilidad de que un estudiante que ingrese a un Instituto se licencie es 0.4 . Hallar la
probabilidad de que entre 5 estudiantes elegidos al azar:
i) Ninguno se licencie
ii) Uno se licencie
iii) Al menos uno se licencie
40
AUTÓNOMO
iv) Todos se licencien
Sol:
⎛5⎞
i) p ( X = 0) = ⎜⎜ ⎟⎟ (0.4) ⋅ 0.6 = 0.07776
0 5
⎝0⎠
⎛ 5⎞
ii) p ( X = 1) = ⎜⎜ ⎟⎟ (0.4) ⋅ 0.6 = 0.2592
1 4
⎝1⎠
iii) p (al menos uno se licencie) = 1- p( X = 0) = 092224
⎛ 5⎞
iii) p ( X = 5) = ⎜⎜ ⎟⎟ (0.4) ⋅ 0.6 = 0.01024
5 0
⎝ 5⎠
ii) Un vendedor de seguros vende pólizas a 15 personas. De acuerdo a investigación

responsable, la probabilidad de que una persona del grupo de interés viva mas de 30
años es de 0.76. Determine la probabilidad de que al cabo de 30 años vivan:
i) Las 15 personas
ii) Solo 7 de ellas
Sol:
⎛15 ⎞
i) p ( X = 15) = ⎜⎜ ⎟⎟ (0.76) ⋅ 0.24 0 = 0.0163
15
⎝15 ⎠
41
AUTÓNOMO
⎛15 ⎞
ii) p ( X = 15) = ⎜⎜ ⎟⎟ (0.76) 7 ⋅ 0.24 8 = 0.01037
⎝7 ⎠
VI) Si la probabilidad de un artículo defectuoso es 0.1. Determine:
iii) La media
iv) La desviación estándar
Para la distribución de artículos defectuosos de un total de 400:
v) Media: μ = n p = 400 ⋅ 0.1 = 40 , esto es, esperamos 40 artículos defectuosos
Varianza: σ 2 = n p q = 400 ⋅ 0.1 ⋅ 0.9 = 36
vi) Desv. Estándar: n p q = 36 = 6
Observación:
Las medidas anteriores permiten también encontrar coeficientes momentos de :
q− p 0.9 − 0.1
o Sesgo: = = 0.133 , como es positivo, la distribución es sesgada a la
npq 6
derecha
1 − 6 pq 1 − 6 ⋅ (0.1) ⋅ (0.9)
o Curtosis : 3 + = 3+ = 3.01 , la distribución es un poco
npq 36
leptocúrtica con respecto a la normal, o sea , algo más pntiaguda.
42
AUTÓNOMO
4.DISTRIBUCIÓN NORMAL
Es la distribución continua de de probabilidad más importante en el campo de la estadística. Su
gráfica recibe el nombre de curva normal, su forma es la de una campana.
Esta curva permite describir muchos fenómenos que ocurren en la naturaleza, la industria y la
investigación.
Una variable aleatoria (v.a) continua Χ que tiene distribución en forma de campana se llama
variable aleatoria normal.
Concepto: La función de la variable aleatoria Χ , con media μ y varianza σ2, está dada por:
1 ⎛ X −μ ⎞
2
1 − ⎜ ⎟
2⎝ σ ⎠
f (X ) = ⋅e −∞ < x < ∞
2π ⋅ σ
X ~ N (μ ,σ 2 )
43
AUTÓNOMO
4.1Propiedades de la distribución normal
1) El máximo valor de la curva se encuentra en x=μ
2) La curva es simétrica respecto a la recta x=μ
3) La curva es asintótica al eje X
4) El área bajo la curva y sobre el eje X es uno.
5) Si X es una variable aleatoria normal, entonces E(X)=μ y Var(X)=σ2
4.2Áreas bajo la curva
b
P (a < X < b) = ∫ f ( X )dx
a
Sin embargo, resolver esta integral con la función de densidad de la variable aleatoria normal no
es tan simple. Por tal motivo, se recurre a un proceso denominado estandarización basándose en
una variable aleatoria z que tiene μ=0 y σ2=1 y que se denomina distribución normal estándar.
Concepto: Si z es una v.a. normal con μ=0 y σ2=1, tiene función de densidad:
44
AUTÓNOMO
1
1 − Z2
f (Z ) = e 2
-∞ < x < ∞
2π
Z ~ N (0,1)
El proceso de estandarización se realiza de la siguiente forma:
X −μ
Si X ~ N ( μ , σ 2 ), entonces Z = ~ N (0,1)
σ
Ejemplos
1) P(z>1,84)
P ( z > 1.84) = 1 − P ( z ≤ 1.84)

= 1 − 0.9671
= 0.0329
2) P(-1,97<z<0,86)
45
AUTÓNOMO
P(-1,97<z<0,86) = P(z<0,86)- P(z<-197)
= 0,8051-0,0244
= 0,7807
3) P(z>z0)=0,7486
P(z>z0)=0,7486
1-P(z ≤ z0)=0,7486
1-0,7486 = P(z ≤ z0) ⇒ P(z ≤ z0) = 0,2514 ⇒ z0=-067
4) Sea X una v.a normal μ=40 y σ=6, determine:
a) P(X≤x) = 0,45
46
AUTÓNOMO
⎛ z − 40 ⎞
P⎜ z ≤ ⎟ = 0.45
⎝ 6 ⎠
x − 40
= −0.13 ⇒ x = 39,22
6
b) P( X>x )= 0,14
⎛ x − 40 ⎞
1 − P⎜ z ≤ ⎟ = 0,14
⎝ 6 ⎠
⎛ x − 40 ⎞ x − 40
P⎜ z ≤ ⎟ = 0,86 ⇒ = 1,08 ⇒ x = 46,48
⎝ 6 ⎠ 6
EJERCICIOS
I) Usando la tabla determine:
a) P(z<0,83) Resp: 0,7967
47
AUTÓNOMO
b) P(z<-1,27) Resp: 0,1020
c) P(z>0,83) Resp: 0,2033
d) P(z>-1,27) Resp: 0,898
e) P(0,47<z<1,08) Resp: 0,1791
f) P( -1,39<z<1,39) Resp: 0,8354
g) P(z>z1)=0,06 Resp: z1=1,55
h) P(-0,93<z<z1)=0,7235 Resp: z1=1,28
II) Dada la v.a. X distribuida normalmente con media 18 y desviación estándar 2,5 , encuentre:
a) P(x<15) Resp: 0,1151
b) P(x<x1) Resp: x1=16,1
c) P(x<x1) Resp: x1=20,28
d) P(17<x<21) Resp: 0,4009
Problemas de aplicación
1) Cierto tipo de batería dura un promedio de tres años, con una desviación estándar de 0,5
años. Suponiendo que las duraciones de las baterías son normalmente distribuidas,
encuentre la probabilidad de que una determinada batería dure menos de 2,3 años.
Solución:
X ~ N (3, (0,5) 2 ) X = Duración de la batería
48
AUTÓNOMO
X ~ N (3, (0,5) 2 ) X = Duración de la batería
⎛ 2,3 − 3 ⎞
P ( x < 2,3) = P⎜ z < ⎟
⎝ 0,5 ⎠
= P( z < 1,4)
= 0,0808
La probabilidad de que una determinada batería dure menos de 2,3 años es de un 8,08%.
2) Una compañía fabrica focos cuya duración es normalmente distribuida con una media de
800 horas y una desviación estándar de 40 horas. Encuentre la probabilidad de que un
foco dura entre 778 y 834 horas de uso.
Solución
X ~ N (800, (40) 2 ) X = Duración de los focos
⎛ 778 − 800 834 − 800 ⎞

P (778 < x < 834) = P⎜ <z< ⎟
⎝ 40 40 ⎠
= P(−0,55 < z < −0,85)
= P( z < 0,85) − P(−0,55)
= 0,8023 - 0,2912 = 0,511
La probabilidad de que un foco dure entre 778 y 834 horas de uso es de un 51,11%.
49
AUTÓNOMO
3) Una cierta máquina produce resistencias eléctricas que tienen un valor medio de 40 ohms
y una desviación estándar de 2 ohms. Suponiendo que los valores de las resistencias
siguen una distribución normal y que pueden medirse con cualquier grado de precisión.
¿Que porcentaje de las resistencias tendrá un valor que exceda los 43 ohms ?
Solución:
X ~ N (40, (2) 2 ) X = valor de las resistencias eléctricas
⎛ 43 − 40 ⎞
P ( x > 43) = 1 − P⎜ z ≤ ⎟
⎝ 2 ⎠
= 1 − P ( z ≤ 1,5)
= 1 − 0,9332
= 0,0668
El 6,68% de las resistencias tendrá un valor que exceda a 43 ohms.
4) En una empresa las edades de los trabajadores se distribuye normalmente con media 50
años y desviación estándar 5 años.
a) ¿Qué porcentaje de los trabajadores tiene entre 50 y 52,5 años ?
b) ¿Cuál es la probabilidad de qque un trabajador cualquiera no sea mayor de 45 años?
c) ¿Cuál es la probabilidad que un trabajador tenga entre 41 y 58 años?
d) El 20% de los trabajadores están bajo cierta edad ¿Cuál es esa edad?
Solución:
X ~ N (50, (5) 2 ) X = edad de los trabajadores
50
AUTÓNOMO
⎛ 50 − 50 52,5 − 50 ⎞
a) P(50 < x < 52,5) = P⎜ <z< ⎟
⎝ 5 5 ⎠
= P(0 < z < 0,5)
= P( z < 0,5) − P ( z < 0)
= 0,6915 − 0,5
= 0,1915
El 19,15% de los trabajadores tiene entre 50 y 52,5 años.
⎛ 45 − 50 ⎞
b) P ( x ≤ 45) = P⎜ z ≤ ⎟
⎝ 5 ⎠
= P( z ≤ −1)
= 0,1587
La probabilidad de que un trabajador cualquiera no sea mayor de 45 años es de un 15,87 %
⎛ 41 − 50 58 − 50 ⎞
c) P(41 < x < 58) = P⎜ <z< ⎟
⎝ 5 5 ⎠
= P (−1,8 < z < 1,6)
= P ( z < 1,6) − P( z < −1,8)
= 0,9093
La probabilidad que un trabajador tenga entre 41 y 58 años es de un 90,93 %
51
AUTÓNOMO
d) P ( X < x) = 0,20
⎛ x − 50 ⎞ x − 50
P⎜ z ≤ ⎟ = 0,20 ⇒ = -0,85 ⇒ x = 45,75
⎝ 5 ⎠ 5
El 20% de los trabajadores tiene una edad menor o igual a 45,75 años.
52
AUTÓNOMO
EJERCICIOS AUTO EVALUACIÓN
1) Las piezas de pan de centeno distribuidas a las tiendas locales por una cierta pastelería
tienen una longitud promedio de 30 cm y una desviación estándar de 2 cm. Suponiendo que
las longitudes están normalmente distribuidas. ¿Qué porcentaje de las piezas son :
a) De más de 31,7 cm de longitud ?
b) Entre 29,3 y 33,5 cm de longitud ?
c) De una longitud menor que 25,5 cm ?
2) Una máquina despachadora de refrescos está ajustada para servir un promedio de 200
mililitros por vaso. Si la cantidad de refresco está normalmente distribuida con una
desviación estándar de 15 mililitros.
a) ¿Qué fracción de los vasos contendrá más de 224 mililitros?
b) ¿Cuál es la probabilidad de que un vaso contenga entre 191 y 206 mililitros?
3) El diámetro interno ya terminado de un anillo de pistón está normalmente distribuido con
una media de 10 cm y una desviación estándar de 0,03 cm.
a) ¿Qué proporción de los anillos tendrá un diámetro interno que exceda de 10,075
cm ?
b) ¿Cuál es la probabilidad de que un anillo de pistón tenga un diámetro interno entre
9,97 y 10,03 cm ?
c) ¿Para que valor el diámetro interno de un anillo de pistón representará el 15% ?
53
AUTÓNOMO
4) La resistencia a la tensión de cierto componente metálico está normalmente distribuida
con una media de 10.000 Kg/cm2 y una desviación estándar de 0,03 cm.
a) ¿Cuál es la proporción de estos componentes que execeden de 10.150 Kg/cm2 ?
b) Si las especificaciones requieren que todos los componentes tengan una
resistencia a la tensión entre 9.800 y 10.200 Kg/cm2 inclusive, ¿ qué porcentaje
de piezas se esperaría que se desechara?
5) La vida promedio de cierto tipo de motor pequeño es de 10 años con una desviación
estándar de 2 años. El fabricante repone sin cargo todos los motores que fallen dentro
del período de garantía. Si está a reponer sólo el 3% de los motores que fallan, ¿qué tan
larga deberá ser la garantía que otorgue? Suponga que la vida de los motores tienen
distribución normal.
6) Suponga que un consultor está investigando cuánto tiempo necesitarán los obreros de la
fábrica para montar cierta pieza en una planta de automóviles Volvo, y determinó que la
información ( tiempo en segundos ) estaba normalmente distribuida con una media de 75
segundos y una desviación estándar de 6 segundos.
a) ¿Cuál es la probabilidad de que un obrero seleccionado aleatoriamente pueda montar la
pieza en más de 81 segundos ?
b) ¿Cuál es la probabilidad de que un obrero seleccionado aleatoriamente pueda montar la
pieza entre 69 y 81 segundos ?
c) ¿Cuál es la probabilidad de que un obrero seleccionado aleatoriamente pueda montar la
pieza en menos de 62 segundos ?
d) ¿Cuál es la probabilidad de que un obrero seleccionado aleatoriamente pueda montar la
pieza entre 62 y 69 segundos ?
54
AUTÓNOMO
e) ¿Cuántos segundos deben pasar antes de que el 50% de los obreros monten la pieza?
7) El espesor de un lote de 10.000 arandelas de bronce de un cierto tipo fabricadas par una
gran compañía tiene una distribución normal con media 0,0191 pulgadas y desviación
estándar de 0,000425 pulgadas. Compruebe que se puede esperar que el 99,04% de estas
arandelas tengan un espesor entre 0,0180 y 0,202 pulgadas.
8) El tiempo de reacción para un cierto tipo de experimento psicológico está distribuido
normalmente con media 20 segundos y desviación estándar 4 segundos.
a) ¿Cuál es la probabilidad de que una persona tenga un tiempo de reacción entre 14 y 30
segundos ?
b) ¿Cuál es la probabilidad de que una persona tenga un tiempo de reacción entre 25y 30
segundos ?
c) ¿Qué porcentaje de personas tienen un tiempo de reacción de más de 14 segundos?
d) ¿Cuál es el tiempo de reacción de modo que sólo el 1% de todas las personas
reaccionen con mayor rapidez?
9) Un procesador de alimentos envasa café en pequeños tarros, los pesos de los tarros están
normalmente distribuidos con una desviación estándar de 0,3 onzas. Si el 5% de los
tarros pesa más de de 12,492 onzas. ¿Cuál es el promedio de los tarros?
SOLUCIONES EJERCICIOS AUTO EVALUACIÓN
1)
a) El 19,77% de las piezas tiene una longitud de más de 31,7 cm.
b) El 59,67% de las piezas tiene una longitud menos que 25,5 cm.
55
AUTÓNOMO
2)
a) El 5,48% de los vasos contendrá más de 224 mililítros
b) El 5,18% de los vasos tendrá entre 191 y 209 mililítros
3)
a) El 0,62% de los anillos tendrá un diámetro superior a 10,075 cm.
b) El 68,26% de los anillos tendrá un diámetro entre 9,97 y 10,03 cm.
c) El 15% de los anillos tendrá un diámetro de 9,9688 cm.
4)
a) El 6,68% de los componentes exceden de 10.150 Kg/cm2 de resistencia a la tensión.
b) El 4,56% de las piezas se despacharán
5) Deben tener una garantía de a lo más 6,24 años.
6)
a) Existe un 65,87% de probabilidad de que un obrero pueda montar una pieza en menos de 75
seg o en ,más de 81 seg.
b) Existe un 68,26% de probabilidad de que un obrero pueda montar una pieza entre 69 y 81 seg.
c) Existe un 1,5% de probabilidad de que un obrero pueda montar una pieza en menos de 62 seg.
d) Existe un 14,37% de probabilidad de que un obrero pueda montar una pieza entre 62y 69 seg.
e) Deben pasar 75 segundos antes de que el 50% de los obreros monten la pieza.
7)
Se cumple que el 99,04% de las arandelas tiene un espesor entre 0,0180 y 0,202 pulgadas.
8)
a) El 92,7% de las personas tiene un tiempo de reacción entre 14 y 30 segundos.
b) El 9,94% de las personas tiene un tiempo de reacción entre 25 y 30 segundos.
c) El 93,32% de las personas tiene un tiempo de reacción de más de 14 segundos.
d) El tiempo de reacción es de 10,38 segundos.
56
AUTÓNOMO
9) El promedio de los tarros es de 12,3 onzas.
QUINTA UNIDAD
TÉCNICAS DE MUESTREO Y ESTIMACIÓN PUNTUAL
57
AUTÓNOMO
Introducción
Es evidente que un conocimiento previo por parte del investigador de las características de la
realidad de la población mejora o debe mejorar los resultados inferenciales que se pueden
obtener de la obtención de una muestra; parece claro que si bien el método de selección aleatoria
conlleva los mejores resultados, quizá el adecuar la manera de extraer la muestra a las posibles
distintas naturalezas de las poblaciones puede mejorar el rendimiento, aunque sólo fuere a nivel
de costos. No es por tanto lo mismo intentar conocer la altura media de los habitantes de un país,
que el número de errores en una gran contabilidad, dado que la naturaleza de su universo y por
tanto el comportamiento poblacional son distintos. Es por ello, que para distintas "naturalezas"
del problema han de plantearse distintas soluciones, si bien todas, o casi todas, pasan por la
58
AUTÓNOMO
aleatoriedad; de ahí que se establezcan diversas "técnicas" o "métodos" de muestreo, de los que
brevemente enumeramos algunos.
59
AUTÓNOMO
OBJETIVOS
1. conocer diversos tipos de muestreo
2. Aplicar el método de muestreo pertinente a cada situación problemática.
60
AUTÓNOMO
5. Descripción de Técnicas de muestreo sobre una población
La teoría del muestreo tiene por objetivo, el estudio de las relaciones existentes entre la
distribución de un carácter en dicha población y las distribuciones de dicho carácter en todas sus
muestras.
Las ventajas de estudiar una población a partir de sus muestras son principalmente:
Coste reducido:
Si los datos que buscamos los podemos obtener a partir de una pequeña parte del total de
la población, los gastos de recogida y tratamiento de los datos serán menores. Por
ejemplo, cuando se realizan encuestas previas a un referéndum, es más barato preguntar
a 4.000 personas su intención de voto, que a 30.000.000;
Mayor rapidez:
Estamos acostumbrados a ver cómo con los resultados del escrutinio de las primeras
mesas electorales, se obtiene una aproximación bastante buena del resultado final de
unas elecciones, muchas horas antes de que el recuento final de votos haya finalizado;
Más posibilidades:
Para hacer cierto tipo de estudios, por ejemplo el de duración de cierto tipo de bombillas,
no es posible en la práctica destruirlas todas para conocer su vida media, ya que no
quedaría nada que vender. Es mejor destruir sólo una pequeña parte de ellas y sacar
conclusiones sobre las demás.
De este modo se ve que al hacer estadística inferencial debemos enfrentarnos con dos
problemas:
• Elección de la muestra (muestreo), que es a lo que nos dedicaremos en este capítulo.
• Extrapolación de las conclusiones obtenidas sobre la muestra, al resto de la población
(inferencia).
61
AUTÓNOMO
Muestreo aleatorio
Consideremos una población finita, de la que deseamos extraer una muestra. Cuando el proceso de
extracción es tal que garantiza a cada uno de los elementos de la población la misma oportunidad
de ser incluidos en dicha muestra, denominamos al proceso de selección muestreo aleatorio.
El muestreo aleatorio se puede plantear bajo dos puntos de vista:
• Sin reposición de los elementos;
• Con reposición.
5.1 Muestreo aleatorio sin reposición
Consideremos una población E formada por N elementos. Si observamos un elemento particular,
e∈E , en un muestreo aleatorio sin reposición se da la siguiente circunstancia:
1
• La probabilidad de que e sea elegido en primer lugar es ;
N
N
• Si no ha sido elegido en primer lugar (lo que ocurre con una probabilidad de , la
N −1
N
probabilidad de que sea elegido en el segundo intento es de .
N −1
• en el (i+1)-ésimo intento, la población consta de N-i elementos, con lo cual si e no ha sido
N
seleccionado previamente, la probabilidad de que lo sea en este momento es de .
N −i
Si consideramos una muestra de n ≤N elementos, donde el orden en la elección de los mismos
tiene importancia, la probabilidad de elección de una muestra M=(e1,e2,,,en) cualquiera es
62
AUTÓNOMO
P[ M ] = P[(e1 , e2 ,....., en )]
= P[e1 ] ⋅ P[e2 ] ⋅ ⋅ ⋅ P[en / e1 ,e2 ,......,en −1 ]

1 1 1
= ⋅ ⋅⋅⋅
N N − 1 N − (n − 1)
( N − n)!
=
N!
lo que corresponde en el sentido de la definición de probabilidad de Laplace a un caso posible
entre las VN,n posibles n-uplas de N elementos de la población.
Si el orden no interviene, la probabilidad de que una muestra M={e1,e2,…en}⊂E
sea elegida es la suma de las probabilidades de elegir una cualquiera de sus n-uplas, tantas veces
como permutaciones en el orden de sus elementos sea posible, es decir
P[ M ] = P[(e1 , e2 ,....., en )]
= n! ⋅ P[(e1 , e2 ,....., en )]
n! ⋅ ( N − n)!
=
N!
5.2 Muestreo aleatorio con reposición
Sobre una población E de tamaño N podemos realizar extracciones de n elementos, pero de modo
que cada vez el elemento extraído es repuesto al total de la población. De esta forma un
elemento puede ser extraído varias veces. Si el orden en la extracción de la muestra interviene,
la probabilidad de una cualquiera de ellas, formada por n elementos es:
1 1 1 1
⋅ ⋅⋅⋅ = n
N N N N
Si el orden no interviene, la probabilidad de una muestra cualquiera, será la suma de la anterior,
repitiéndola tantas veces como manera de combinar sus elementos sea posible. Es decir,
sea n1 el número de veces que se repite cierto elemento e1 en la muestra;
sea n2 el número de veces que se repite cierto elemento e2;
63
AUTÓNOMO
sea nk el número de veces que se repite cierto elemento ek,
de modo que n=n1+n2+…..nk.
El muestreo aleatorio con reposición es también denominado muestreo aleatorio simple, que
como hemos mencionado se caracteriza por que:
• cada elemento de la población tiene la misma probabilidad de ser elegido, y
• las observaciones se realizan con reemplazamiento. De este modo, cada observación es
realizada sobre la misma población (no disminuye con las extracciones sucesivas).
5.3 Tablas de números aleatorios: Lotería Nacional
Un ejemplo de una tabla de números aleatorios consiste en la lista de los números de Lotería
Nacional premiados a lo largo de su historia, pues se caracterizan por que cada dígito tiene la
misma probabilidad de ser elegido, y su elección es independiente de las demás extracciones.
Un modo de hacerlo es el siguiente. Supongamos que tenemos una lista de números aleatorios de
k=5 cifras (00000-99.999), una población de N=600individuos, y deseamos extraer una muestra
de n=6 de ellos. En este caso ordenamos a toda la población (usando cualquier criterio) de modo
que a cada uno de sus elementos le corresponda un número del 1 al 600. En segundo lugar nos
dirigimos a la tabla de números aleatorios, y comenzando en cualquier punto extraemos un número
t, y tomamos como primer elemento de la muestra al elemento de la población:
⎡t ⋅ N ⎤ ⎡ t ⋅ 600 ⎤
1+ ⎢ k ⎥ = 1+ ⎢
⎣ 10 ⎦ ⎣100.000 ⎥⎦
El proceso se repite tomando los siguientes números de la tabla de números aleatorios, hasta
obtener la muestra de 10 individuos.
Las cantidades
t
u=
10 k
pueden ser consideradas como observaciones de una v.a. U, que sigue una distribución uniforme en
el intervalo [0,1]
64
AUTÓNOMO
SEXTA UNIDAD
NUMEROS INDICES
65
AUTÓNOMO
Introducción
Hasta ahora hemos trabajado con series de valores, que hemos tratado de forma estadística
para conocer descriptivamente sus características.
Existen valores referidos a variables económicas (precios, cantidades producidas, costes,
ingresos,..), variables sociales (nacimientos, defunciones,....) y otros tipos de variables, que
cambian con el tiempo. Cuando para una de estas variables, tomamos una serie de valores
correspondientes a diferentes momentos de tiempo, tenemos una "serie temporal". La
importancia de tales series temporales es enorme, sobre todo en las que se refieren a variables
económicas. Ahora trataremos de estudiar dos instrumentos estadísticos referidos a tales
valores.
El primero de ellos, son los "números índice", que permiten, dada una serie temporal,
poder medir y comparar de forma sencilla los cambios sufridos por la variable a lo largo del
tiempo. Nosotros estudiaremos tan sólo algunos de los aspectos referidos a números índice,
y en particular estudiaremos el más famoso de ellos el IPC.
66
AUTÓNOMO
OBJETIVOS
1. Conocer distintos números índices.
2. Construir números índices según necesidades.
6.1Numero Índice: Es la relación Expresada en porcentaje entre el precio, valor o cantidad de un

artículo o conjunto de artículos en un período de estudio (k) y el precio valor o cantidad del
mismo artículo o conjunto de artículos en un período (o) tomado como base.
Así como la media aritmética o cualquier otro promedio resume un conjunto de valores, un número
índice se utiliza para determinar la variación porcentual en una sola cifra, del precio, valor o
cantidad de un artículo o conjunto de artículos de un período a otro o de un lugar a otro.
67
AUTÓNOMO
6.2 Clasificación: Se clasifican en Simples Relativos, cuando se calculan para una sola variable o
artículo, por ejemplo la variación del precio del petróleo, o del café o del carbón. En agregados
simples de precios, cuando se calculan con base en los precios de un conjunto de artículos y en
ponderados, cuando los precios de cada uno de los artículos que componen el conjunto se
ponderan por las cantidades consumidas.
6.3 Usos: Además de usarse como resumen de la variación de los precios de un período a otro, los
índices son útiles como: a) Medidas que resumen información con fines de planeación. b)
Indicadores de la marcha de los negocios. c) Indicadores de los cambios producidos en los
diferentes sectores de la economía. d) Puntos de referencia para pactar salarios en la
negociación de convenios laborales. e) Deflacionador para hacer ajustes respecto al cambio de la
moneda y hacer comparaciones más o menos reales a lo largo del tiempo.
6.4Construcción: Se debe expresar el precio, valor o cantidad de un artículo o conjunto de

artículos de un período de estudio (k) como porcentaje del precio, valor o cantidad del mismo
artículo o conjunto de artículos en el período (o) tomado como base.
68
AUTÓNOMO
6.5 Factores que deben tenerse presentes al construir un número índice: -Selección de los
datos: Si lo que se trata de medir es la variación en el costo de la educación, se debe tener
presente sólo las variables que afectan directamente el costo de la educación, nada tendrá que
ver (por lo menos, en forma substancial) el costo del mármol o el vinagre o la canela. Se debe
tener presente el peso o importancia relativa de cada variable y la comparabilidad entre los
datos, no es lo mismo el costo de la alimentación en 1950 que el costo de la alimentación en el año
2002.
-Elección del período base: Al elegir el período base debe tenerse presente que haya una
estabilidad relativa. Por ejemplo en Colombia los meses de enero y diciembre no deben utilizarse
como base de comparación, ya que estos son los meses en que generalmente se producen los
aumentos en los precios de variables como la gasolina, el transporte y los servicios públicos.
También debe tenerse presente, que el período tomado como base sea un período reciente, ya que
si es muy distante, se dificulta la consecución de los datos y además no hay uniformidad en la
comparación con los períodos recientes.
-Importancia relativa de las variables o artículos dentro del conjunto: Debe dársele a cada
variable su importancia relativa real dentro del conjunto, ya que no tiene el mismo efecto en el
precio total de un mercado, un alza o baja en el precio del vinagre que un alza o baja en el precio
de la leche. Veamos un ejemplo: Supongamos los siguientes precios para el vinagre y la leche en
los períodos 1990 y 1995.
1990 1995
Leche 100 150
vinagre 80 30
I=
∑P ik
=
150 + 30 180
= (100) = 100%
∑ i0 100 + 80 180
Este índice de 100.0% indica que este conjunto de artículos no se ha presentado alza en los
precios entre los períodos 1990 a 1995, lo cual no es del todo cierto, ya que la leche es un
artículo de más consumo que el vinagre. Cuando avance en la lectura del documento, tendrá
suficientes elementos para la solución del problema de los pesos relativos de las variables en el
valor del índice.
69
AUTÓNOMO
6.6.Índices relativos simples: Los índices relativos simples son los que se calculan para medir la
variación del precio, valor o cantidad de un solo artículo o una sola variable, por ejemplo: Precio o
cantidad de los sacos de café exportados por año en la última década, precio o cantidad de
barriles de petróleo producidos por ECOPETROL por mes en este año etc.
Un índice relativo es la razón del precio, valor o cantidad de un de un artículo en un período (k) al
precio, valor o cantidad del mismo artículo en un período (o) tomado como base. Esta razón se
expresa en porcentaje.
Pik
I= ⋅ 100 : Índice relativo simple de precios
Pi 0
qik
I= ⋅ 100 : Índice relativo simple de cantidad
qi 0
Vik
I= ⋅ 100 : Índice relativo simple de valor
Vi 0
Ejemplo: Suponga que el precio de un artículo cualquiera (huevos por ejemplo) entre 1990 y 1995
fue como sigue:
Año Precio $ Índice

1990 40.0 100.0
1991 60.0 150.0
1992 55.0 137.5
1993 27.5 68.8
1994 35.0 87.5
1995 70.0 175.0
70
AUTÓNOMO
La columna correspondiente a los índices se calculó así:
Pi 90 40
I= ⋅ 100 = ⋅ 100 = 100
Pi 90 40
Pi 91 60
I 91 = ⋅ 100 = ⋅ 100 = 150
Pi 90 40
Pi 92 55
I 92 = ⋅ 100 = ⋅ 100 = 137.5
Pi 90 40
Pi 93 27.5
I 93 = ⋅ 100 = ⋅ 100 = 68.8
Pi 90 40
Pi 94 35
I 94 = ⋅ 100 = ⋅ 100 = 87.5
Pi 90 40
Pi 95 70
I 95 = ⋅ 100 = ⋅ 100 = 175.5
Pi 90 40
Interpretación: El índice de precios para el período 1991 es de 150.0 significa que el precio del
artículo en estudio en este periodo, es el 50% mayor que en el período 1990. El índice de precios
para 1992 de 137.5 indica que el precio en este período es el 37.5% más alto que en el período
1990.Para los períodos 93 y 94 los índices son respectivamente 68.8 y 87.5 quiere decir que el
precio del 93 fue el 31.2% menor que en el período base y que en el período 94 fue el 12.5%
menor que en 1990.
Cuando se calcula un número índice la base puede permanecer fija, como en el caso del ejemplo,
en éste, el precio de cada período de la serie se comparó con el precio del período 1990, que fue
seleccionado como base; en este caso se dice que el índice fue calculado con base fija. Otra
forma de calcular los índices consiste en variar la base de un período a otro, cuando este es el
caso, se dice que los índices se calcularon con base variable.
71
AUTÓNOMO
Ejercicio No 1 – Calcular lo índice relativo simples de precios, con base variable, para todos los
períodos de la serie del ejemplo anterior.
precios Índices de precios agregados: Pueden ser: agregado simple de precios o promedio de
relativos.
72
AUTÓNOMO
6.7. Índice agregado simple de precios: Es la relación expresada en porcentaje entre de la

sumatoria de los precios de los artículos i en un período (k) y la sumatoria de los precios de los
mismos artículos i en un período (o) tomado como base.
I =
∑P ik
⋅ 100
∑P i0
Ejemplo:
Articulo 1990 P10 1991 Pi 91 1992 Pi 92 1993 Pi 93
A(tonelada) 12.0 15.0 18.0 20.0

B(docena) 3.0 4.0 4.0 5.0
C(libra) 5.0 6.0 5.0 7.0
∑ (precios) 20.0 25.0 27.0 32.0
A continuación se calculan los índices agregados simples de precios para todos los períodos de la
serie, tomando como base el periodo 1990.
I 90 =
∑P i 90
⋅ 100 =
20
⋅ 100 = 100%
∑P i0 20
I 91 =
∑P 91
⋅ 100 =
25
⋅ 100 = 125%
∑P i0 20
I 92 =
∑P 92
⋅ 100 =
27
⋅ 100 = 135%
∑P i0 20
I 93 =
∑P 93
⋅ 100 =
32
⋅ 100 = 160%
∑P i0 20
73
AUTÓNOMO
Interpretación: Uno de los tantos usos que se le pueden dar a los números índices, es medir la
variación porcentual de los precios de un artículo o conjunto de artículos de un período a otro. En
este ejemplo, el índice 125.0% para el período 1991, indica que los precios del conjunto de
artículos en 1991 fueron el 25% más altos que los precios del conjunto de artículos en 1990. Para
1992 el precio del conjunto de artículos fue el 35% más alto que en 1990 y en 1993 fue el 60%
mayor que en 1990. Este índice presenta dos problemas: el primero es que el valor del índice se
ve afectado por las unidades de medida en que se dan los precios de los artículos. Si el precio del
artículo A se diera en libras seguramente el valor del índice sería muy diferente. Por esta razón
el índice agregado simple no es recomendable utilizarlo, cuando las variables o artículos se dan en
diferente unidad de medida. El segundo problema que presenta este índice, es que asume que
todos los artículos que componen el conjunto, tienen el mismo peso relativo, lo cual no es cierto en
todos los casos, ya que para una familia es más importante el precio de la leche que el precio de la
canela.
6.8.Promedio simple de precios relativos: En este índice, los precios de los artículos i en el
período (k), se expresan como porcentajes de los precios de los artículos i en el período (o)
tomado como base. A estos precios expresados en porcentaje, se les denomina precios relativos,
porque se calculan haciendo la relación entre los precios del período (k) y los precios del período
(o) tomado como base, para cada uno de los artículos del conjunto. El índice se calcula haciendo el
promedio de los precios relativo con base en el número de variables o artículos que componen el
conjunto, así:
Pik
∑P
I= i0
⋅ 100
N
Precios Precio Relativos

Artículo 1990 Pi 0 1991 Pi1 1992 Pi 2 1993 Pi 3 Pi 0 Pi1 Pi 2 Pi 3
⋅ 100 ⋅ 100 ⋅ 100 ⋅ 100
Pi 0 Pi 0 Pi 0 Pi 0
A(tonelada) 12.0 15.0 18.0 20.0 100.0 125.0 150.0 166.7

B(docena) 3.0 4.0 4.0 5.0 100.0 133.3 133.3 166.7
C(libra) 5.0 6.0 5.0 7.0 100.0 120.0 100.0 140.0
Pik
∑P ⋅ 100 300.0 378.3 383.3 473.4
i0
Pik
∑P
I= i0
⋅ 100 100.0 126.1 127.8 157.8
N
74
AUTÓNOMO
Con este índice, se consigue más uniformidad en la comparación de los precios y del poder
adquisitivo, porque al promediar los precios relativos, se anula el efecto que las distintas
unidades de medida tienen en el valor del índice. Por esta razón este índice se puede utilizar para
medir la variación del precio de un conjunto de artículos cuyos precios se dan en diferente unidad
de medida. Le queda todavía el problema de suponer igual importancia relativa dentro del
conjunto, a todos los artículos que lo componen. Lo cual como ya se dijo no es cierto; en todo
conjunto de artículos, hay uno o algunos que tienen mayor o menor importancia dentro del
conjunto y tienen un mayor o menor efecto en el precio del conjunto. En este ejemplo los precios
relativos, suponen igual importancia dentro del conjunto para los artículos A, B y C y de nota
claramente B, que tiene un precio muy bajo comparado con A, ejerce una gran influencia en el
valor del índice.
Ejercicio No 2- Calcular el índice agregado simple y el promedio de precios relativos, para cada
uno de los períodos de la serie del ejemplo tomando la base variable.
6.9. Índices Ponderados: Cuando se calculan los índices ponderados, se soluciona el problema de
la importancia relativa que debe tener cada uno de los artículos que componen el conjunto, la cual
se expresa en términos de la cantidad de dinero gastada durante el año, en cada uno de los
artículos que componen el conjunto. La cantidad de dinero gastada en cada artículo se obtiene
haciendo el producto del precio por las cantidades consumidas, en el período (k) y en el período
(o) tomado como base.
6.9.1.Índice de precios ponderado por las cantidades consumidas: Es la relación expresada en

porcentaje, entre la sumatoria del producto del precio de los artículos i por las cantidades
consumidas en el período (k) y la sumatoria del producto del precio de los artículos i por las
cantidades consumidas en el período (o) tomado como base. El índice se obtiene mediante la
siguiente expresión:
Ik = ∑P qik ik
⋅ 100
∑P qi0 i0
I k : Índice para el período k

qik : Cantidades consumidas del artículo i en el período k
qi 0 : Cantidades consumidas del artículo i en el período base
Pik : Precio de los artículos i en el período k
Pio : Precio de los artículos i en el período base.
Ejemplo:
75
AUTÓNOMO
Artículo Precio($) Cantidades(q) P90 q90 P91q91 P92 q92

1990 1991 1992 1990 1991 1992
A(tonel) 200.0 250.0 175.0 10 12 14 2000.0 3000.0 2450.0
B(Libra) 10.0 12.0 9.0 20 22 18 200.0 264.0 162.0
C(Unid) 5.0 8.0 7.0 50 55 45 250.0 440.0 315.0
∑ 2450.0 3704.0 2927.0
En la tabla anterior se muestra el procedimiento para calcular el índice de precios ponderado por
las cantidades consumidas, tomando como base el período 1990.
I 90 =
∑P90 q90
⋅ 1000 =
2450
⋅ 100 = 100%
∑Pi 90 q90 2450
I 91 =
∑P91 91q
⋅ 1000 =
3704
⋅ 100 = 151.2%
∑Pi 90 q 90 2450
I 92 =
∑P92 q92
⋅ 1000 =
2927
⋅ 100 = 119.5%
∑Pi 90 q90 2450
Interpretación: Este índice se interpreta de la misma forma que los índices anteriores, es decir,
como un aumento o una disminución porcentual en el precio del conjunto de artículos en el período
(k), respecto del período (o) tomado como base. Por lo tanto, el índice en el 91 igual a 151.2%
indica que el precio del conjunto de artículos, en este período es mayor en el 51.2% que el precio
del conjunto en el período 90 y el índice en el 92 igual a 119,5% indica que el precio en este
período, es mayor en 19.5 % que el precio en el período 90 que se ha tomado como base.
Ejercicio No 3-Calcular el índice ponderado de precios, para cada uno de los períodos de la serie
tomando base variable.
Este índice presenta dos problemas, el primero la falta de uniformidad en la comparación de los
precios, debido al cambio periodo a período, de los precios y las cantidades y el segundo,
dificultad en la construcción del índice, ya que cada período se necesita información diferente,
para las cantidades y para los precios.
76
AUTÓNOMO
6.9.2. Índice de Laspeyres: Este es otro índice ponderado de precios por las cantidades
consumidas, en el cual los precios de los artículos i en el período (k) se ponderan por las
cantidades consumidas en el período tomado como base de comparación.
Lk =
∑P qik i0
⋅ 100
∑P qi0 i0
Ejemplo: La siguiente tabla indica el procedimiento para calcular el índice de Laspeyres, para
todos los períodos de la serie, tomando como base el período 1990.
Articulo Precio($) Cantidades(q)

P90 q90 P91 q90 P92 q 90
1990 1991 1992 1990 1991 1992
A(tonel) 200.0 250.0 175.0 10 12 14 2000.0 2500.0 1750.0
B(libra) 10.0 12.0 9.0 20 22 18 200.0 240.0 180.0
C(unid) 5.0 8.0 7.0 50 55 45 250.0 400.0 350.0
∑ 2450.0 3140.0 2280.0
L90 =
∑P 90 q90
⋅ 100 =
2450
⋅ 100 = 100%
∑P 90 q90 2450
L91 =
∑P 91 90q
⋅ 100 =
3114
⋅ 100 = 128%
∑P 90 q90 2450
L92 =
∑P 92 q90
⋅ 100 =
2280
⋅ 100 = 93.1%
∑P 90 q90 2450
La interpretación es la misma de los índices anteriores, es decir, en el período 91 el precio del

conjunto de artículos es mayor en el 28.2% que en el período 90. En el período 92 el precio del
conjunto es menor en 6.9% que en el período 90.
Este índice presenta más uniformidad en la comparación de los precios, porque las cantidades
permanecen constantes de un período a otro, lo que permite observar sólo el cambio en los
precios. Además es más fácil de construir que el anterior, ya que no hay necesidad de conseguir
información de cantidades consumidas en todos los períodos de la serie.
Una consideración importante que debe tenerse presente, en este índice es que: al ponderar los
precios de los artículos i en el período (k) por las cantidades consumidas en el período base, se
tiende a darle más importancia relativa dentro del conjunto, a los artículos que han subido de
77
AUTÓNOMO
precio, ya que las cantidades consumidas están sujetas a la ley de la oferta y la demanda, que
dice que cuando loa precios suben las cantidades consumidas tienden a bajar.
Ejercicio No 4-Calcular el índice de Laspeyres para todos los períodos de la serie tomando base
variable.
6.9.3.6.9.4.Índice de Paasche: Este es otro índice ponderado, en el cual los precios de los
artículos i en el período (o) tomado como base, se ponderan por las cantidades consumidas en el
período (k).
Pk =
∑P q
ik ik
⋅ 100
∑P q
i0 ik
Ejemplo: La siguiente tabla indica el procedimiento, para calcular el índice de Paasche par cada
uno de los períodos de la serie, tomando como base el período 90.
Articulo Precio($) Cantidad(q)

P90 q 90 P90 q 91 P90 q92 P90 q 91 P90 q92
1990 1991 1992 1990 1991 1992
A(Tonel) 200.0 250.0 175.0 10 12 14 2000.0 2400.0 2800.0 3000.0 2450.0
B(Libra) 10.0 12.0 9.0 20 22 18 200.0 220.0 180.0 264.0 162.0
C(Unid) 5.0 8.0 7.0 50 55 45 250.0 440.0 225.0 440.0 315.0
∑ 2450.0 3060.0 3205.0 3704.0 2927.0
P90 =
∑ Pi 90 qi 90
⋅ 100 =
2450
⋅ 100 = 100%
∑P i 90 qi 90 2450
P91 =
∑P q
i 91 i 91
⋅ 100 =
3704
⋅ 100 = 121%
∑P i 90 qi 91 3060
P92 =
∑P i 92 qi 92
⋅ 100 =
2927
⋅ 100 = 91.3%
∑P i 90 qi 92 3215
78
AUTÓNOMO
El índice 121.0% para el 91 indica que en este período, el precio del conjunto de artículos es
mayor en el 21.0% que en el período base y el índice 91.3% para el período 92 indica que el precio
del conjunto de artículos en este período es menor en 8.7% que el precio del conjunto en el
período base.
Este índice es particularmente útil, porque mide en forma combinada los cambios en los precios y
en los patrones de consumo. Sin embargo no presenta mucha uniformidad en la comparación de
los precios, porque las cantidades son diferentes de un período a otro y resulta imposible atribuir
diferencias entre dos períodos sólo al cambio de los precios.
A diferencia del índice de Laspayres, que tiende a darle mas importancia relativa a los artículos
que han subido de precio, el índice de Paasche tiende a restarle importancia relativa, a los
artículos cuyos precios han aumentado, porque como ya se anotó antes las cantidades consumidas
están sujetas a la ley de la oferta y la demanda.
Ejercicio No 5- Calcular el índice de Paasche para todos los períodos de la serie tomando la base
variable.
6.9.5.Índice ponderado por cantidades fijas: En este índice las cantidades que se utilizan para
ponderar los precios de los artículos i en los períodos (k) y base no son ni las cantidades del
período (k) ni las cantidades del período base, como ocurre con los índices anteriores, se utilizan
las cantidades de un período que a juicio del investigador sea representativo, pueden ser las
cantidades de uno de los períodos en estudio o el promedio de las cantidades consumidas en los
periodos en estudio o unas cantidades hipotéticas diseñadas por el investigador con base en su
experiencia.
Ik =
∑ P Q ⋅ 100
ik
∑P Q i0
Ejemplo: la siguiente tabla indica el procedimiento para calcular el índice ponderado por
79
AUTÓNOMO
cantidades fijas tomando como base el período 1990
Precio($) Cantidad
Artículo (Q) P90 Q P91Q P92 Q
1990 1991 1992
A(Tonel) 200.0 250.0 175.0 12 2400.0 3000.0 2100.0
B(Libra) 10.0 12.0 9.0 20 200.0 240.0 180.0
C(Unid) 5.0 8.0 7.0 50 250.0 400.0 350.0
∑ 2850.0 3640.0 2630.0
Las cantidades fijas Q utilizadas en el ejercicio corresponden al promedio de las cantidades

consumidas en los períodos 1990, 1991 y 1992.
I 90 =
∑P i 90 Q
⋅ 100 =
2850
⋅ 100 = 100%
∑P i 90
Q 2850
I 91 =
∑P i 91 Q
⋅ 100 =
3640
⋅ 100 = 127.7%
∑P i 90
Q 2850
I 92 =
∑P i 92 Q
⋅ 100 =
2630
⋅ 100 = 92.3%
∑P i 90
Q 2850
El índice de 127.7% para el periodo 91, indica que el precio del conjunto de artículos en este
período, fue mayor en el 27.7% que en el período base y 92.3% para el período 92 indica que el
precio en este período fue menor que en el período 90 en el 7.7%.
El principal problema que presenta este índice, es la selección de las cantidades que van a servir
de factor de ponderación de los precios. Cuando se eligen las cantidades, éstas no pueden ser las
de un período irregular, es decir se deben seleccionar de un período normal. Pero ¿qué es un
período normal? La respuesta es difícil, y cada analista tendrá su opinión acerca de lo que es un
período normal, por tanto el valor del índice está muy afectado por la opinión del investigador.
Ejercicio No 6-Calcular el índice de precios ponderado por cantidades fijas para todos los
períodos de la serie tomando la base variable.
80
AUTÓNOMO
6.10.Índice de Fisher: Como ya se dijo anteriormente el índice de Laspeyres, tiende a darle

mayor importancia relativa dentro del conjunto, a los artículos que han subido de precio; de
manera diferente el índice de Paasche, tiende a restarle importancia relativa dentro del conjunto
a loa artículos que han subido de precio. Puede pensarse que el índice de precios debe estar en
medio de estos dos índices, y esta fue la lógica que utilizo Fisher para diseñar su índice ideal
El índice de Fisher se obtiene, calculando la media cuadrática de los índices de Laspeyres y

Paasche así:
Fk = (Lk ) (Pk )
A continuación se indica el cálculo del índice de Fisher para todos los períodos de la serie,
tomando como base el período 1990.
F90 = (L90 ) (P90 ) = (100) (100) = 100%
F91 = (L91 ) (P91 ) = (128.2) (121) = 124.6%
F90 = (L92 ) (P92 ) = (93.1) (91.3) = 92.2%
El índice de Fisher parece ser un mejor indicador del índice de precios que los índices de
Laspeyres y Paasche, pero en la práctica se usa poco, porque es una función del índice de Paasche,
y ya hemos visto que este índice utiliza un conjunto de cantidades para cada período, que resulta
difícil de conseguir. La razón permite concluir que el índice de Fisher no presenta uniformidad
para la comparación de los precios en una serie de mas de dos períodos
Ejercicio No 7-Calcular el índice de Fisher para todos los períodos de la serie tomando la base
variable.
6.11.Uso de un índice como deflacionador: Uno de los tantos usos que tienen los índices, es
como deflacionador para determinar el verdadero incremento en el ingreso de un trabajador o de
las utilidades de una compañía. El procedimiento consiste en eliminar los efectos de las
variaciones de los precios sobre los valores de las ventas, producción, salarios etc. Para la
deflación estadística se utiliza un índice de precios determinado llamado deflactor. Por ejemplo,
si se desea eliminar el efecto de las variaciones de los precios sobre el producto nacional bruto
PNB en un periodo dado, se divide el monto del PNB del periodo dado entre el deflactor, que
81
AUTÓNOMO
puede ser el índice de precios calculado por el DANE de esta forma se obtiene el valor real del
PNB que queda expresado en pesos constantes, los cuales tienen el mismo poder adquisitivo que
en el periodo base. El procedimiento viene expresado por la siguiente relación:
valor actual de bienes y servicios

Valor real de los bienes y servicios =
indice de precios apropiados
Ejemplo: Suponga que el PNB para el año 2002 fue de 5500 miles de millones y que se tiene un
índice de precios de 125.0 (la base es 1995), Calcular el valor de el PNB en pesos constantes de
1995.
5500 miles de millones

V/R en pesos para 1995 = ⋅ 100 = 4400 miles de millones
125
Este procedimiento también se puede utilizar para el cálculo de salarios reales. Para medir el
poder adquisitivo de lo que una compañía paga a sus trabajadores, los salarios en dinero se pueden
deflactar mediante el índice de precios, que puede ser el índice de precios al consumidor
calculado por el DANE o por cualquier otro investigador. Los salarios reales se pueden expresar
así:
salario actual
Salario real = ⋅ 100
indice de precios al consumidor
Si su salario aumento en términos absolutos de $1.500.000.oo en el año 2002 a $2.000.000.oo en

año 2003 y el índice de precios al consumidor calculado por el DANE para el 2002 fue de 106.99.
Calcular a) El porcentaje de aumento nominal de su salario. b) El valor real en pesos de su salario,
de acuerdo al índice de precios al consumidor c) El porcentaje de aumento real de su salario de
acuerdo al índice de precios al consumidor.
2.000.000
a) % de aumento nominal = ⋅ 100 = 133.3%
1.500.000
82
AUTÓNOMO
Este resultado indica que el aumento nominal de su salario fue de 33.3 %
2.000.000
b) Salario real= ⋅ 100 = 1.869.333,6
106.99
Este resultado indica el salario real el año 2003
1.869.333,6
c) % de aumento real = ⋅ 100 = 124.62%
1.500.000
Este resultado indica que su salario realmente aumentó en un 24.62 %
Ejercicio No 8
Defina los siguientes términos
a) Período base (o)

b) Período (k)
c) Índices simples y compuestos
d) Índices ponderados y no ponderados
e) Inflación
f) Delación
g) Índice de precios al consumidor
Ejercicio No 9-La siguiente información corresponde al salario promedio mensual de un conjunto

de trabajadores y el índice de precios al consumidor en la ciudad XYZ.
AÑO Salario en pesos Índice de precio

1984 20.000 100.0
1985 30.000 110.0
83
AUTÓNOMO
1986 40.000 115.0

1987 50.000 130.0
1988 68.000 140.0
1989 90.000 160.0
1990 120.000 185.0
1991 160.000 205.0
a) Utilice como deflactor el índice de precios al consumidor y calcule el salario mensual

promedio en pesos de 1984 para cada año de la serie.
b) Compare el porcentaje de variación real de los salarios en cada periodo con el porcentaje
de variación nominal.
c) Calcule los salarios de todos los años de la seria con pesos de 1991.
84
AUTÓNOMO
ANEXOS
Tablas de distribución de probabilidades: (normal, t –student, y ji-cuadrado)
Tabla Áreas bajo la curva normal

z .00 .01 .02 .03 .04 .05 .06 .07 .08 .09
-3.4 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0002
-3.3 0.0005 0.0005 0.0005 0.0004 0.0004 0.0004 0.0004 0.0004 0.0004 0.0003
-3.2 0.0007 0.0007 0.0006 0.0006 0.0006 0.0006 0.0006 0.0005 0.0005 0.0005
-3.1 0.0010 0.0009 0.0009 0.0009 0.0008 0.0008 0.0008 0.0008 0.0007 0.0007
-3.0 0.0013 0.0013 0.0013 0.0012 0.0012 0.0011 0.0011 0.0011 0.0010 0.0010
-2.9 0.0019 0.0018 0.0017 0.0017 0.0016 0.0016 0.0015 0.0015 0.0014 0.0014
-2.8 0.0026 0.0025 0.0024 0.0023 0.0023 0.0022 0.0021 0.0021 0.0020 0.0019
-2.7 0.0035 0.0034 0.0033 0.0032 0.0031 0.0030 0.0029 0.0028 0.0027 0.0026
-2.6 0.0047 0.0045 0.0044 0.0043 0.0041 0.0040 0.0039 0.0038 0.0037 0.0036
-2.5 0.0062 0.0060 0.0059 0.0057 0.0055 0.0054 0.0052 0.0051 0.0049 0.0048
-2.4 0.0082 0.0080 0.0078 0.0075 0.0073 0.0071 0.0069 0.0068 0.0066 0.0064
-2.3 0.0107 0.0104 0.0102 0.0099 0.0096 0.0094 0.0091 0.0089 0.0087 0.0084
-2.2 0.0139 0.0136 0.0132 0.0129 0.0125 0.0122 0.0119 0.0116 0.0113 0.0110
-2.1 0.0179 0.0174 0.0170 0.0166 0.0162 0.0158 0.0154 0.0150 0.0146 0.0143
-2.0 0.0228 0.0222 0.0217 0.0212 0.0207 0.0202 0.0197 0.0192 0.0188 0.0183
-1.9 0.0287 0.0281 0.0274 0.0268 0.0262 0.0256 0.0250 0.0244 0.0239 0.0233
-1.8 0.0359 0.0352 0.0344 0.0336 0.0329 0.0322 0.0314 0.0307 0.0301 0.0294
-1.7 0.0446 0.0436 0.0427 0.0418 0.0409 0.0401 0.0392 0.0384 0.0375 0.0367
-1.6 0.0548 0.0537 0.0526 0.0516 0.0505 0.0495 0.0485 0.0475 0.0465 0.0455
-1.5 0.0668 0.0655 0.0643 0.0630 0.0518 0.0606 0.0594 0.0582 0.0571 0.0559
-1.4 0.0808 0.0793 0.0778 0.0764 0.0749 0.0735 0.0722 0.0708 0.0694 0.0681
-1.3 0.0968 0.0951 0.0934 0.0918 0.0901 0.0885 0.0869 0.0853 0.0838 0.0823
-1.2 0.1151 0.1131 0.1112 0.1093 0.1075 0.1056 0.1038 0.1020 0.1003 0.0985
-1.1 0.1357 0.1335 0.1314 0.1292 0.1271 0.1251 0.1230 0.1210 0.1190 0.1170
-1.0 0.1587 0.1562 0.1539 0.1515 0.1492 0.1469 0.1446 0.1423 0.1401 0.1379
-0.9 0.1841 0.1814 0.1788 0.1762 0.1736 0.1711 0.1685 0.1660 0.1635 0.1611
-0.8 0.2119 0.2090 0.2061 0.2033 0.2005 0.1977 0.1949 0.1922 0.1894 0.1867
-0.7 0.2420 0.2389 0.2358 0.2327 0.2296 0.2266 0.2236 0.2206 0.2177 0.2148
-0.6 0.2743 0.2709 0.2676 0.2643 0.2611 0.2578 0.2546 0.2514 0.2483 0.2451
-0.5 0.3085 0.3050 0.3015 0.2981 0.2946 0.2912 0.2877 0.2843 0.2810 0.2776
-0.4 0.3446 0.3409 0.3372 0.3336 0.3300 0.3264 0.3228 0.3192 0.3156 0.3121
-0.3 0.3821 0.3783 0.3745 0.3707 0.3669 0.3632 0.3594 0.3557 0.3520 0.3483
-0.2 0.4207 0.4168 0.4129 0.4090 0.4052 0.4013 0.3974 0.3936 0.3897 0.3859
-0.1 0.4602 0.4562 0.4522 0.4483 0.4443 0.4404 0.4364 0.4325 0.4286 0.4247
-0.0 0.5000 0.4960 0.4920 0.4880 0.4840 0.4801 0.4761 0.4721 0.4681 0.4641
85
AUTÓNOMO
Tabla, áreas bajo la curva normal
86
AUTÓNOMO
Tabla t- student
87
AUTÓNOMO
Tabla t- student
Tablas ji-cuadrado
88
AUTÓNOMO
89
AUTÓNOMO
Tablas ji-cuadrado
90

Estadistica Social

Cargado por

Información del documento

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

Estadistica Social

Cargado por

Copyright:

Formatos disponibles

Instituto Profesional Diego Portales

AUTOR: LUIS FIERRO REYES

Luis Fierro Reyes:

Profesor De Matemáticas, titulado en la Pontificia Universidad Católica de Chile. Posee

Inicia su carrera impartiendo docencia y especializándose en Educ. de Adultos.

Dentro de su desarrollo curricular encontramos también un constante

CORRELACION Y REGRESION LINEAL

población mediante un modelo matemático (ecuación).

mediante una recta o una curva.

1. Determinar e interpretar el coeficiente de correlación lineal entre dos variables

3. Realizar estimaciones objetivas aplicando modelos de regresión lineal

1. CORRELACIÓN Y REGRESIÓN LINEAL

1.1. Coeficiente de correlación

Que es la fórmula que emplearemos para su cálculo.

Un método sencillo y eficaz que permite realizar análisis de regresión corresponde al de

m : Pendiente o coeficiente direccional

La recta de mínimos cuadrados o recta de regresión que aproxima el conjunto de puntos ( xi , yi )

Lo anterior se utiliza cuando y es variable dependiente y la x es variable independiente.

En este caso podemos escribir:

Dado el siguiente conjunto de datos:

ii) La recta de regresión de y sobre x (Estime el valor de y cuando x = 5 , x = 15

iii) La recta de regresión de x sobre y

Ahora, con la tabla de trabajo siguiente:

y la recta de regresión es:

De esta forma, para:

- x = 5 → y = 0.548 + 0.636 ⋅ 5 = 3.73

y así : La recta de regresión es :

Trabajador Edad (x) Días Ausentes (en un año)

Edad (x) Días ausentes x⋅ y x2 y2

10 ⋅ 3850 − 422 ⋅ 105 5810

a0 = 10.5 − (0.20 ⋅ 42.22) = 2.06

y la recta de regresión es:

De esta forma, para un trabajador de:

- 25 años de edad : y = 2.06 + 0.20 ⋅ 25 = 7.06

- Se estima que un trabajador de 25 años tiene un ausentismo de 7,06 dias

1.2. Coeficiente de correlación lineal

Todo método de regresión lineal responde básicamente a los siguientes objetivos:

i) Verificar si ambas variables están relacionadas

r =0 , no existe correlación entre las variables

Analizando el caso de ausentismo laboral respecto de la edad de los trabajadores, se tiene:

Edad (x) Días ausentes x⋅ y x2 y2

10 ⋅ 3850 − 422 ⋅ 105 − 5810

luego, el coeficiente de correlación lineal es :

Sean las notas de los ramos A ( x ) y B ( y ) de 10 alumnos del Instituto:

1) Calcule los siguientes estadígrafos (valores estadísticos)

2) Construya las rectas de regresiones correspondientes

3) Estime la nota que se obtendría en B si se tiene en A:

4) Estime la nota que se obtendría en A si se tiene en B:

SOLUCIONARIO TEST AUTOEVALUATIVO 5

La probabilidad trata de estimar la ocurrencia o no de un suceso. La aplicación de un

El abordarla probabilidad, compromete la ocurrencia de sucesos. Sin embargo, la proba-

1. Dar a conocer y aplicar la teoría de conjuntos.

2. Llegar a comparar los diversos enfoques y teoremas de probabilidades.

3. Dar características de los elementos principales de las probabilidades.

4. Poder llegar a calcular la probabilidad de un suceso, a partir de las combinaciones de ocu-

2.1. ELEMENTOS DE TEORÍA DE CONJUNTOS.

2.1. RELACIÓN ENTRE TEORÍA DE PROBABILIDAD Y CONJUNTOS.

En la teoría de la probabilidad, se toman todos los posibles resultados de un experimento,

Un suceso es un sistema o conjunto de puntos de S tal como se indica por A, o B en

• El suceso A ∪ B es el formado por los puntos que están en A o en B (o ambos)

De esta forma se puede determinar las siguientes probabilidades:

• P( A ∪ B) = P( A) + P( B) (siempre que los sucesos sean mutuamente excluyentes, es

• P( A ∪ B) = P( A) + P( B) − P( A ∩ B) (si los sucesos tienen elementos comunes)

2.2. TEORÍA ELEMENTAL DE LA PROBABILIDAD.