Texto Paralelo de Estadistica Final Act

Universidad Rural de Guatemala
Carrera: Ciencias Juridicas
Sede: 025
Estudiante y carne:
Cheryl Keyla Arceli Ríos Rosales 160250037
Semestre y año:
Cuarto semestre año 2017
Docente: Lic. Julio Ochoa
Texto Paralelo de Estadística
Mazatenango Suchitepéquez, 21 de Octubre de 2017

1
Índice
Introduccion..............................................................................................................................2
Objetivos...................................................................................................................................5
Hoja de vida..............................................................................................................................6
1. Estadística Descriptiva.........................................................................................................9
1.1 Introducción a la estadística..............................................................................................9
1.1.1 Conceptos básicos........................................................................................................9
1.1.2 Clasificación de la estadística.....................................................................................9
1.1.3 Tipos de variables......................................................................................................10
1.1.4 Niveles de medición...................................................................................................10
1.1.5 Recopilación de datos................................................................................................12
1.2 Presentación de datos de una sola variable....................................................................13
1.2.1 Distribución de frecuencias......................................................................................22
1.2.2 Presentación gráfica de datos...................................................................................23
1.2.2.1 Gráfica de barras...................................................................................................23
1.2.2.2 Gráfica de pastel.....................................................................................................23
1.2.2.3 Histograma..............................................................................................................24
1.2.2.4 Polígono de frecuencias..........................................................................................25
1.2.2.5 Ojiva.........................................................................................................................26
1.2.2.6 Gráficas lineales......................................................................................................26
2
1.2.2.7 Gráficas de puntos..................................................................................................27
1.3 Análisis descriptivo de datos de una sola variable........................................................27
1.3.1 Medidas de tendencia central...................................................................................27
1.3.1.1 Media aritmética.....................................................................................................28
1.3.1.3 Media geométrica...................................................................................................29
1.3.1.4 Mediana...................................................................................................................30
1.3.1.5 Moda........................................................................................................................31
1.3.2 Medidas de tendencia no central.....................................................................................31
1.3.2.1 Deciles......................................................................................................................32
1.3.2.2 Cuartiles....................................................................................................................32
1.3.2.3 Percentiles (Ejemplos prácticos de todos los casos..................................................32
1.3.3 Medidas de dispersión.....................................................................................................33
1.3.3.1 Medidas de distancia................................................................................................37
1.3.3.2 Medidas de desviación promedio.............................................................................39
1.3.3.3 Medida de dispersión relativa...................................................................................40
1.3.4 Medidas de forma............................................................................................................41
1.3.4.1 Sesgo.........................................................................................................................41
1.3.4.2 Curtosis.....................................................................................................................41
2. Introducción a la probabilidad.............................................................................................42
2.1 Modelos matemáticos y experimentos aleatorios...........................................................43
2.2 Espacios muestrales y eventos........................................................................................45
3
2.2.2 Eventos mutuamente excluyentes................................................................................45
2.2.3 Métodos de enumeración.............................................................................................46
2.2.3.2 diagrama de árbol.....................................................................................................59
2.3 Nociones básicas de probabilidad......................................................................................61
2.3.1 Espacios muéstrales finitos..........................................................................................62
2.3.3 Leyes de probabilidad..................................................................................................62
2.3.3.1 Regla de la adición...................................................................................................66
2.3.3.3 Independencia y regla de la multiplicación..............................................................69
2.3.3. Teorema de Bayes......................................................................................................71
3. Variables aleatorias discretas unidimensionales..................................................................75
3.1 Definición.......................................................................................................................75
3.2 Distribución de probabilidad..........................................................................................75
Ejemplo de la distribución de pesos.................................................................................75
Ejemplo del número de quejas de clientes........................................................................77
3.3 Esperanza y varianza......................................................................................................78
3.5 Distribuciones de probabilidad de variables aleatorias discretas.......................................79
3.5.1 Distribución binomial..................................................................................................80
3.5.2Distribución geométrica...............................................................................................82
3.5.3 Distribución de Poisson...............................................................................................86
9. Aspectos interesantes de la experiencia personal relacionados con los temas de estudio 87
10. Reflexiones de sus metas de enseñanza aprendizaje, principios o filosofía personal. .87
4
11. Ejercicios, técnicas y metodología sugerida para los diferentes documentos del
desarrollo del aprendizaje........................................................................................................87
12. Glosario personal..........................................................................................................87
13. Propuestas para mejorar aspectos de enseñanza-aprendizaje........................................87
14. Conclusiones.................................................................................................................87
15. Recomendaciones..........................................................................................................87
16. Bibliografía...................................................................................................................88
5
INTRODUCCION
La presente investigación se refiere al tema de la Estadística, que se puede definir es la
ciencia cuyo objetivo es reunir una información para facilitar al hombre el estudio
de datos masivos de individuos, grupos, series de hechos, etc. y deducir de ello gracias
al análisis de estos datos unos significados precisos o unas previsiones para el futuro.
También se refiere a la importancia, métodos e importancia de la estadística ya que está
relacionada con el estudio de proceso cuyo resultado es más o menos imprescindible y con la
finalidad de obtener conclusiones para tomar decisiones razonables de acuerdo con tales
observaciones
La Estadística se ocupa de los métodos científicos para recolectar, organizar, resumir,
presentar y analizar datos, así como de sacar conclusiones válidas y tomar decisiones con
base en este análisis, así también realizar predicciones a cerca del conjunto del cual se han
seleccionado dichos datos. El empleo cuidadoso de los métodos estadísticos permite obtener
información precisa de los datos.
6
OBJETIVOS
 Comprenderla importancia del estudio de la estadística, para lo cual es necesario un
recorrido por sus conceptos, métodos e importancia y más definiciones, con el fin de
acercarnos un poco más al tema de la Estadística.
 Conocer sobre el tema con el cual se trabajara a lo largo del semestre
 Aplicar apropiadamente los métodos estadísticos en la recolección de información
y procesos básicos en cálculos estadísticos.
 Adquirir los conocimientos y habilidades sobre el tema, ser capaz de reconocer los
elementos habituales de la estadística
 Aplicar los fundamentos básicos para realizar un buen trabajo en clase
7
HOJA DE VIDA
Nombre y Apellido Completo
Cheryl Keyla Arceli Rios Rosales
Dirección: Km152.5 Carretera al Pacifico
Teléfono: 54695437
Correo Electrónico: CherylRios30@outlook.com
Lugar y fecha de nacimiento: San Bernardino Suchitepéquez 30
de octubre de 1996
Edad: 20
Estado civil: Soltera
Departamento: Suchitepéquez
8
FORMACIÓN ACADEMICA
Bachiller en ciencias y letras, Instituto Privado José Ernesto Monzón (2014-2015)
Cuarto Semestre en Licenciatura en Ciencias Jurídicas y Sociales, Abogacía y Notariado
(2016-2017)
EXPERIENCIA DE TRABAJO
Transportes Oajaca (2014-2016)
 Asistente de Gerente
OTROS CONOCIMIENTOS Y ACTIVIDADES
Participe de la conferencia medicina forense en delitos sexuales; Abordaje y Litigio
9
1. Estadística Descriptiva
1.1 Introducción a la estadística
1.1.1 Conceptos básicos
Ciencia que recoge, organiza, presenta, analiza e interpreta datos con el fin de propiciar la
toma de decisiones más eficaz
1.1.2 Clasificación de la estadística
Por lo general, el estudio de la estadística se divide en dos categorías: la estadística
descriptiva y la estadística inferencial.
Estadística descriptiva
Es la ciencia que “recoge, organiza, presenta, analiza… datos”. Esta parte de la estadística
recibe el nombre de estadística descriptiva.
Estadística descriptiva:
Método para organizar, resumir y presentar datos de manera informativa
El segundo tipo es la estadística inferencial, también denominada inferencia estadística. El
principal interés respecto de la estadística inferencial tiene que ver con encontrar algo
relacionado con la población a partir de una muestra de dicha población.
Estadística inferencial: Métodos empleados para determinar una propiedad de una población
con base en la información de una muestra.
10
1.1.3 Tipos de variables
Son el tipo de variables que como su nombre lo indica expresan distintas cualidades,
características o modalidad. Cada modalidad que se presenta se denomina atributo o
categoría, y la medición consiste en una clasificación de dichos atributos. Las variables
cualitativas puede ser dicotómicas cuando sólo pueden tomar dos valores posibles, como sí y
no, hombre y mujer o ser politómicas cuando pueden adquirir tres o más valores. Dentro de
ellas podemos distinguir:
Variable cualitativa ordinal o variable casi cuantitativa: La variable puede tomar distintos
valores ordenados siguiendo una escala establecida, aunque no es necesario que el intervalo
entre mediciones sea uniforme, por ejemplo: leve, moderado, fuerte.
Variable cualitativa nominal: En esta variable los valores no pueden ser sometidos a un
criterio de orden, como por ejemplo los colores
1.1.4 Niveles de medición
Los datos se clasifican por niveles de medición. El nivel de medición de los datos rige los
cálculos que se llevan a cabo con el fin de resumir y presentar los datos. También determina
las pruebas estadísticas que se deben realizar.
Existen cuatro niveles de medición: nominal, ordinal, de intervalo y de razón. La medición
más baja, o más primaria, corresponde al nivel nominal. La más alta, o el nivel que
proporciona la mayor información relacionada con la observación, es la medición de razón

11
Datos de nivel nominal
En el caso del nivel nominal de medición, las observaciones acerca de una variable
cualitativa sólo se clasifican y cuentan.
En resumen, los datos de nivel nominal poseen las siguientes propiedades:
1. Las categorías de datos se encuentran representadas por etiquetas o nombres.
2. Aun cuando las etiquetas se codifiquen con números, las categorías de datos no tienen
ningún orden lógico
Datos de nivel de intervalo
El nivel de intervalo de medición es el nivel inmediato superior. Incluye todas las
características del nivel ordinal, pero, además, la diferencia entre valores constituye una
magnitud constante.
En resumen, si las distancias entre los números tienen sentido, aunque las razones no,
entonces tiene una escala de intervalo de medición.
Las propiedades de los datos de nivel de intervalo son las siguientes:
1. Las clasificaciones de datos se ordenan de acuerdo con el grado que posea de la
característica en cuestión.
2. Diferencias iguales en la característica representan diferencias iguales en las mediciones
12
Datos de nivel de razón
Todos los datos cuantitativos son registrados en el nivel de razón de la medición. El Nivel de
razón es el más alto. Posee todas las características del nivel de intervalo, aunque, además, el
punto 0 tiene sentido y la razón entre dos números es significativa.
En resumen, las propiedades de los datos de nivel de intervalo de nivel de razón son las
siguientes:
1. Las clasificaciones de datos se ordenan de acuerdo con la cantidad de características que
poseen.
2. Diferencias iguales en la característica representan diferencias iguales en los números
asignados a las clasificaciones.
3. El punto cero representa la ausencia de características y la razón entre dos números es
significativa
1.1.5 Recopilación de datos
Para recoger la información se toma los siguientes datos:
1) Las fuentes de información.
Fuentes Primarias.
Fuentes Secundarias.
2) Los sistemas de recolección.
Los Registros.
13
Las Encuestas.
Encuesta Censal.
Encuesta Muestral.
3) Y las técnicas de recolección.
La Observación.
El Cuestionario.
La Entrevista.
Análisis de Contenidos.
1.2 Presentación de datos de una sola variable
Distribución de frecuencias
La información estadística puede constar de un gran número de observaciones y mientras
mayor sea el número, mayor puede ser la conveniencia y necesidad de presentarla en forma
resumida, la cual puede permitir algunos detalles pero en cambio puede revelar la naturaleza
general de la información. Un resumen de tal distribución se denomina Distribución de
Frecuencias. Puede decirse también, que una distribución es el patrón de variabilidad
mostrado por los datos de una variable. La distribución muestra la frecuencia de cada valor de
la variable.
14
La tabla No.1 resume las edades de 1, 763,000 varones que constituían la fuerza laboral
masculina de cierto país
La tabla No. 1 presenta datos de una variable cuantitativa, por lo cual se trata de una
Distribución de Frecuencia Cuantitativa, por otra parte, la tabla No.2 es una Distribución de
Frecuencias Cualitativas, debido a que el campo de especialización del alumno no puede ser
medidos sino sólo puede ser descrito
Intervalos, marcas de clase y frecuencias
La dificultad de resumir un conjunto de datos, puede ser superada agrupando los diversos
valores en un número reducido de clases llamados intervalos de clase. Cada una de las clases
tiene un extremo o límite superior y uno inferior; el extremo inferior es el menor valor que
puede caer en esta clase y el superior el mayor valor. El punto medio entre el límite superior
de una clase y el límite inferior de la siguiente clase es la frontera superior o límite real
superior de la clase y la frontera inferior o límite real inferior de la siguiente clase. En una
clase dada todos los valores deben ser mayores a la frontera inferior y menores a la frontera
superior. Para evitar ambigüedades, las fronteras se expresan con una cifra decimal más que
los extremos
La diferencia entre las fronteras superior e inferior de una clase se denomina amplitud de
Clase
15
El punto medio entre los dos extremos (o las dos fronteras) de una clase se denomina marca
de clase
El número de datos incluidos en un intervalo de clase se denomina Frecuencia de la clase
Construcción de una distribución de frecuencias para datos cuantitativos
Al construir una distribución de frecuencias para datos cuantitativos es necesario
primeramente decidir cuál va a ser el número de clases. En general, este número depende
fundamentalmente de la naturaleza de los datos a resumir y del objetivo que se persiga con
ese resumen. Sin embargo, es posible dar ciertas guías generales que pueden ser de utilidad
en la determinación del número de clases. En primer lugar, el número de clases no debe ser ni
muy grande ni muy pequeño; un número pequeño de clases puede ocultar la naturaleza
general de los datos y uno muy grande puede ser demasiado detallado como para relevar
alguna información útil. Como regla general, se recomienda que el número de clases esté
entre 5 y 20.La llamada regla de Surges puede dar una aproximación razonable para el
número de clases, siendo esta
K = número de clases
K = 1 + 3.3 Log N
16
Una vez determinado el número de clases, debe decidirse la amplitud de estas. Tomando la
misma amplitud para todas las clases, este valor queda dado por
A = amplitud
A = dato mayor – dato menor
Una vez obtenida la amplitud de las clases se procede a calcular los intervalos y a realizar el
conteo de valores para determinar la frecuencia de cada uno.
Ejemplo:
Las velocidades, en millas por hora, de los conductores de 55 automóviles fueron medidas
con un radar en una calle de cierta ciudad
Construya una distribución de frecuencias para las velocidades de estos 55 automóviles.
Solución:
Primero.
17
Para una mayor facilidad se recomienda ordenar los datos de menor a mayor.
Segundo
Calcular el número de clases.
K = 1 + 3.3 Log (55)
K = 6.743
De acuerdo a la regla de Sturges, deberíamos tener 6 ó 7 clases. Para efectos de cálculos el
valor de K se aproxima el entero más próximo.
K=7
Tercero.
Calcular la amplitud.
Para esto previamente identificamos el dato mayor y el menor, en nuestro caso tales datos son
15 y 63
18
La amplitud debe aproximarse al entero más cercano.
A=7
Cuarto.
Una vez determinado el número de clases y la amplitud, debe elegirse el extremo inferior de
la primera clase. Dado que aquí el valor mínimo es 15, el extremo inferior puede ser 15 o
menos; por consiguiente tomaremos como criterio usar el número 15.
Quinto.
Establecido el extremo inferior, se sumará la amplitud a éste para obtener el valor del límite
inferior de la siguiente clase y así sucesivamente. Para obtener los límites superiores, se le
resta uno al límite inferior posterior. Se tiene que tomar en cuenta que en la última clase esté
contenido el dato mayor.
Sexto.
Corresponde ahora calcular la frontera inferior de la clase. Puesto que los valores están dados
en números enteros y como las fronteras deben darse con un decimal más, tomamos como
frontera inferior el valor de la primera clase inferior menos 0.05 (si los valores se hubieran
dado con un decimal, se le restaría 0.005) y como frontera superior el valor de la primera
clase superior más 0.05 (si los valores se hubieran dado con un decimal, se le sumaría 0.005)
19
Séptimo.
Una vez construidos los diversos intervalos de clase, se cuenta el número de elementos que
cae en cada uno, obteniéndose así las respectivas frecuencias
Tabla No. 3
Distribución de frecuencia
Velocidades de un grupo de conductores en una autopista
Distribución de frecuencia relativa
La distribución de frecuencias es una tabla resumen en la que los datos originales se
condensan o agrupan para facilitar el análisis de los datos. Sin embargo, para ampliar el
análisis, es deseable formar la distribución de frecuencia relativa o la distribución de
porcentaje, dependiendo de si se prefieren fracciones o porcentajes
20
La frecuencia relativa (fr) es la relación entre la frecuencia de un intervalo y el número total
de datos:
fr = f/n
La frecuencia porcentual (fr%) es la expresión en porcentaje de la frecuencia relativa:
(fr%) = fr * 100
Tabla No. 4
Distribución de frecuencias absoluta y relativa
Velocidades de un grupo de conductores en una autopista
Distribuciones de frecuencia acumulada
Otras representaciones de datos que facilitan el análisis y la interpretación son las
distribuciones acumulativas. Éstas pueden desarrollarse a partir de la tabla de distribución de
frecuencia, de la tabla de distribución de frecuencia relativa y de la tabla de distribución de
frecuencia porcentual
La frecuencia acumulada (F)
21
Indica el número de observaciones acumuladas en cada intervalo. Para calcularla, en cada
intervalo se consideran las frecuencias anteriores, de tal forma que el último intervalo
contenga el total de observaciones. Dependiendo de la preferencia o necesidad para presentar
los resultados, esta frecuencia puede calcularse utilizando las frecuencias relativas, en este
caso se denomina frecuencia relativa acumulada (Fr) o bien si se usa la frecuencia porcentual
frecuencia relativa porcentual acumulada (Fr%)
22
1.2.1 Distribución de frecuencias
El primer procedimiento a estudiar para organizar y resumir un conjunto de datos es una tabla
de frecuencias.
Tabla de frecuencias: Agrupación de datos cualitativos en clases mutuamente excluyentes
que muestra el número de observaciones en cada clase.
El número de observaciones en cada clase recibe el nombre de frecuencias de clase
Es posible convertir las frecuencias de clase en frecuencias relativas de clase para mostrar la
fracción del número total de observaciones en cada clase. Así, una frecuencia relativa capta la
relación entre la totalidad de elementos de una clase y el número total de observaciones
23
1.2.2 Presentación gráfica de datos
Una vez elaborada la tabla de distribución de frecuencia es importante construir
su representación visual. Esta representación revela patrones de comportamiento de la
variable en estudio. El tipo de gráfico que se utilice dependerá del tipo de datos y el concepto
a representar.
1.2.2.1 Gráfica de barras
Las gráficas de barras muestran la cantidad de datos que pertenecen a cada categoría
como áreas rectangulares de tamaño proporcional. Cada barra sólida, ya sea vertical u
horizontal representa un tipo de dato
1.2.2.2 Gráfica de pastel
Denominada también gráfica de pastel o gráfica del 100%, se utilizan para mostrar la
cantidad de datos que pertenecen a cada categoría como una parte proporcional de un círculo.
Se forma al dividir un círculo en sectores circulares de manera que:
24
a) Cada sector circular equivale al porcentaje correspondiente al dato o grupo que representa.
b) La unión de los sectores circulares forma el círculo y la suma de sus porcentajes es 100. Es
aconsejable que el número de elementos comparados dentro de un gráfico circular, no sea
mayor de 5, ordenando los segmentos de mayor a menor, iniciando con el más amplio a partir
de las 12 como en un reloj. Una manera sencilla de diferenciar los segmentos es
sombreándolos de claro a oscuro, siendo el de mayor tamaño el más claro y el de menor
tamaño el más oscuro.
1.2.2.3 Histograma
Una de las formas más comunes de representar una distribución de frecuencias es un
histograma. Un histograma es una gráfica que se construye a partir de la tabla estadística,
consiste en rectángulos verticales unidos entre sí, en donde sus lados son los límites reales
inferior y superior de clase y cuya altura es igual a la frecuencia de clase. El criterio para
25
calcular la altura de cada rectángulo es el de mantener la proporcionalidad entre las
frecuencias absolutas (o relativas) de cada intervalo y el área de los mismos
1.2.2.4 Polígono de frecuencias
Consiste en una serie de segmentos que unen los puntos cuyas abscisas son las marcas de
cada clase y cuyas ordenadas son proporcionales a sus frecuencias respectivas
El polígono de frecuencias se construye fácilmente si tenemos representado previamente el
histograma, ya que consiste en unir mediante líneas rectas los puntos del histograma que
corresponden a las marcas de clase. Para representar el polígono de frecuencias en el primer y
último intervalo, suponemos que adyacentes a ellos existen otros intervalos de la misma
amplitud y frecuencia nula, y se unen por una línea recta los puntos del histograma que
corresponden a sus marcas de clase. De este modo, el polígono de frecuencias tiene en común
con el histograma el que las áreas de la gráfica sobre un intervalo son idénticas.
26
1.2.2.5 Ojiva
Una gráfica de distribución de frecuencias acumuladas es llamada una ojiva. Se trazan los
límites reales superiores contra las frecuencias acumuladas. Una distribución de frecuencias
acumuladas nos permite ver cuántas observaciones están por encima de ciertos valores, en
lugar de hacer un mero registro del número de elementos que hay dentro de los intervalos,
esto es lo que refleja la ojiva. Se puede construir una ojiva de una distribución de frecuencias
relativas de la misma manera en que trazamos la ojiva de una distribución de frecuencias
absolutas. Sólo habrá un cambio: la escala del eje vertical.
27
1.2.2.6 Gráficas lineales
Consisten en una serie de puntos trazados en las intersecciones de las marcas de clase y las
frecuencias de cada una, uniéndose consecutivamente con líneas
1.2.2.7 Gráficas de puntos
La representación gráfica por medio de puntos (o gráfica de puntos) es una de las gráficas
más sencillas que se utilizan. Presenta los datos de una muestra mediante la representación de
cada porción de datos con un punto ubicado a lo largo de una escala. Esta escala puede ser
vertical y horizontal. La frecuencia de los valores está representada a lo largo de la otra escala
28
1.3 Análisis descriptivo de datos de una sola variable
1.3.1 Medidas de tendencia central
Informan sobre los valores medios del conjunto de datos. Son indicadores usados para señalar
que porcentaje de datos dentro de una distribución de frecuencias superan estas expresiones,
cuyo valor representa el valor del dato que se encuentra en el centro de la distribución de
frecuencia, es por esto que se les llama "Medidas de Tendencia Central"
1.3.1.1 Media aritmética
Es una medida matemática, un número individual que representa razonablemente el
comportamiento de todos los datos.
Características de la Media:
a. En su cálculo están todos los valores del conjunto de datos por lo que cada uno afecta la
media.
b. La suma algebraica de las desviaciones de los valores individuales respecto a la media es
cero.
c. La suma del cuadrado de las desviaciones de una serie de datos a cualquier número A es
mínimo si A = X
d. Aunque es confiable porque refleja todos los valores del conjunto de datos puede ser
afectada por los valores extremos, y de esa forma llegar a ser una medida menos
representativa, por lo que si la distribución es asimétrica, la media aritmética no constituye un
valor típico
29
1.3.1.2 Media ponderada
La media ponderada toma en cuenta la importancia relativa de las observaciones, así, para
cada uno de los valores de xi se asigna un factor si de peso, que depende de la importancia
que el investigador desee darle
1.3.1.3 Media geométrica
La media geométrica es útil cuando la variable cambia a lo largo del tiempo, esto es, en el
cálculo del promedio de tasas, razones, proporciones geométricas y relaciones de variables.
Se utiliza en Matemáticas Financieras y Finanzas para promediar números índices, tasas de
cambio, etc.
30
Esta media se ve afectada por todos los números y valores extremos pero en menor grado que
la Media Aritmética, su valor siempre es menor que el de ésta.
Según el tipo de datos que se analice será más apropiado utilizar la media aritmética o la
media geométrica.
La media geométrica se suele utilizar en series de datos como tipos de interés anuales,
inflación, etc., donde el valor de cada año tiene un efecto multiplicativo sobre el de los años
anteriores. En todo caso, la media aritmética es la medida de posición central más utilizada.
La media Geométrica de una serie de números es la raíz enésima del producto de esos
números
1.3.1.4 Mediana
Es el valor de la observación que ocupa la posición central de un conjunto de datos ordenados
según su magnitud. Es el valor medio o la media aritmética de los valores medios. La
mediana es un valor de la variable que deja por debajo de él un número de casos igual al que
deja por arriba.
Geométricamente la mediana es el valor de la variable que corresponde a la vertical que
divide al histograma en dos áreas iguales.
31
Cuando determinados valores de un conjunto de observaciones son muy grandes o pequeños
con respecto a los demás, entonces la media aritmética se puede distorsionar y perder su
carácter
representativo, en esos casos es conveniente utilizar la mediana como medida de tendencia
central, es decir que la mediana no presenta el problema de estar influida por los valores
extremos, pero en cambio no utiliza en su cálculo toda la información de la serie de datos (no
pondera cada valor por el número de veces que se ha repetido)
1.3.1.5 Moda
Es el valor de un conjunto de datos que ocurre más frecuentemente, se considera como el
valor más típico de una serie de datos.
Para datos agrupados se define como Clase Modal el intervalo que tiene más frecuencia.
La moda puede no existir o no ser única, las distribuciones que presentan dos o más máximos
relativos se designan de modo general como bimodales o multimodales respectivamente
32
1.3.2 Medidas de tendencia no central
1.3.2.1 Deciles
Son 9 valores que distribuyen la serie de datos, ordenada de forma creciente o decreciente,
en diez tramos iguales, en los que cada uno de ellos concentra el 10% de los resultados.
1.3.2.2 Cuartiles
Son 3 valores que distribuyen la serie de datos, ordenada de forma creciente o decreciente,
en cuatro tramos iguales, en los que cada uno de ellos concentra el 25% de los resultados.
1.3.2.3 Percentiles (Ejemplos prácticos de todos los casos)
son 99 valores que distribuyen la serie de datos, ordenada de forma creciente o decreciente,
en cien tramos iguales, en los que cada uno de ellos concentra el 1% de los resultados
Ejemplo: Vamos a calcular los cuartiles de la serie de datos referidos a la estatura de un
33
grupo de alumnos (lección 2ª). Los deciles y centiles se calculan de igual manera, aunque
haría falta distribuciones con mayor número de datos.
Variable Frecuencias absolutas Frecuencias relativas

(Valor) Simple Acumulada Simple Acumulada
X x x X x
1,20 1 1 3,3% 3,3%
1,21 4 5 13,3% 16,6%
1,22 4 9 13,3% 30,0%
1,23 2 11 6,6% 36,6%
1,24 1 12 3,3% 40,0%
1,25 2 14 6,6% 46,6%
1,26 3 17 10,0% 56,6%
1,27 3 20 10,0% 66,6%
1,28 4 24 13,3% 80,0%
1,29 3 27 10,0% 90,0%
1,30 3 30 10,0% 100,0%

1º cuartil: es el valor 1,22 cm, ya que por debajo suya se situa el 25% de la frecuencia (tal
como se puede ver en la columna de la frecuencia relativa acumulada).
2º cuartil: es el valor 1,26 cm, ya que entre este valor y el 1º cuartil se situa otro 25% de la
frecuencia.
3º cuartil: es el valor 1,28 cm, ya que entre este valor y el 2º cuartil se sitúa otro 25% de la
frecuencia. Además, por encima suya queda el restante 25% de la frecuencia.
Atención: cuando un cuartil recae en un valor que se ha repetido más de una vez (como
ocurre en el ejemplo en los tres cuartiles) la medida de posición no central sería realmente
una de las repeticiones
34
1.3.3 Medidas de dispersión
Estudia la distribución de los valores de la serie, analizando si estos se encuentran más o
menos concentrados, o más o menos dispersos.
Existen diversas medidas de dispersión, entre las más utilizadas podemos destacar las
siguientes:
1.- Rango: mide la amplitud de los valores de la muestra y se calcula por diferencia entre el
valor más elevado y el valor más bajo.
2.- Varianza: Mide la distancia existente entre los valores de la serie y la media. Se calcula
como sumatorio de las diferencias al cuadrado entre cada valor y la media, multiplicadas
por el número de veces que se ha repetido cada valor. El sumatorio obtenido se divide por
el tamaño de la muestra.
La varianza siempre será mayor que cero. Mientras más se aproxima a cero, más
concentrados están los valores de la serie alrededor de la media. Por el contrario, mientras
mayor sea la varianza, más dispersos están.
3.- Desviación típica: Se calcula como raíz cuadrada de la varianza.
4.- Coeficiente de varización de Pearson: se calcula como cociente entre la desviación
típica y la media.
35
Ejemplo: vamos a utilizar la serie de datos de la estatura de los alumnos de una clase
(lección 2ª) y vamos a calcular sus medidas de dispersión.
Variable Frecuencias absolutas Frecuencias relativas

(Valor) Simple Acumulada Simple Acumulada
X x X x x
1,20 1 1 3,3% 3,3%
1,21 4 5 13,3% 16,6%
1,22 4 9 13,3% 30,0%
1,23 2 11 6,6% 36,6%
1,24 1 12 3,3% 40,0%
1,25 2 14 6,6% 46,6%
1,26 3 17 10,0% 56,6%
1,27 3 20 10,0% 66,6%
1,28 4 24 13,3% 80,0%
1,29 3 27 10,0% 90,0%
1,30 3 30 10,0% 100,0%

1.- Rango: Diferencia entre el mayor valor de la muestra (1,30) y el menor valor (1,20).
Luego el rango de esta muestra es 10 cm.
2.- Varianza: recordemos que la media de esta muestra es 1,253. Luego, aplicamos la
fórmula:
Por lo tanto, la varianza es 0,0010
36
3.- Desviación típica: es la raíz cuadrada de la varianza.
Luego:
4.- Coeficiente de variación de Pearson: se calcula como cociente entre la desviación
típica y la media de la muestra.
Cv = 0,0320 / 1,253
Luego,
Cv = 0,0255
El interés del coeficiente de variación es que al ser un porcentaje permite comparar el nivel
37
de dispersión de dos muestras. Esto no ocurre con la desviación típica, ya que viene
expresada en las mismas unidas que los datos de la serie.
Por ejemplo, para comparar el nivel de dispersión de una serie de datos de la altura de los
alumnos de una clase y otra serie con el peso de dichos alumnos, no se puede utilizar las
desviaciones típicas (una viene vienes expresada en cm y la otra en kg). En cambio, sus
coeficientes de variación son ambos porcentajes, por lo que sí se pueden comparar.
1.3.3.1 Medidas de distancia
Una característica fundamental de los sistemas de reconocimiento (de palabra o de locutor)
es la forma en que los vectores característicos son combinados y comparados con los
patrones de referencia.
Para poder realizar estas operaciones es necesario definir una medida de distancia medida
de distancia entre vectores característicos. Definición: Definición: Una distancia entre dos
vectores x e y de un espacio vectorial X es una función a valores reales d(x, y) sobre el
producto Cartesiano , que verifica las propiedades
Algunas de las medidas de distancia más utilizadas son las distancias o métricas inducidas
por las normas en espacios métricas inducidas por las normas en espacios L p . Por ejemplo,
si son las componentes de dos vectores característicos , pueden definirse las siguientes
métricas inducidas por las normas fi , fi2 con i= 1,222, ,D son las componentes de dos
38
vectores característicos , pueden definirse las siguientes métricas inducidas por las normas
LP
Una medida de distancia muy utilizada cuando se emplean como característica los
coeficientes cepstral, que ha probado tener una muy buena performance en tareas de
reconocimiento, es la distancia Euclidea ponderada distancia Euclidea ponderada, definida
como
Una formulación más general, que tiene en cuenta la interacción entre coeficientes a traves
de una matriz de covarianza es la denominada distancia de Mahalanobis, distancia de
39
Mahalanobis definida como
1.3.3.2 Medidas de desviación promedio
La desviación típica o desviación estándar (denotada con el símbolo σ o s, dependiendo
de la procedencia del conjunto de datos) es una medida de dispersión para variables de
razón (variables cuantitativas o cantidades racionales) y de intervalo. Se define como la
raíz cuadrada de la varianza de la variable.
Para conocer con detalle un conjunto de datos, no solo basta con conocer las medidas de
tendencia central, sino que necesitamos conocer también la desviación que presentan los
datos en su distribución respecto de la media aritmética de dicha distribución, con objeto de
tener una visión de los mismos más acorde con la realidad al momento de describirlos e
interpretarlos para la toma de decisiones.
La desviación típica es una medida del grado de dispersión de los datos con respecto al
valor promedio. Dicho de otra manera, la desviación estándar es simplemente el
40
"promedio" o variación esperada con respecto a la media aritmética.
Por ejemplo, las tres poblaciones (0, 0, 14, 14), (0, 6, 8, 14) y (6, 6, 8, 8) cada una tiene una
media de 7. Sus desviaciones estándar poblacionales son 7, 5 y 1, respectivamente. La
tercera población tiene una desviación mucho menor que las otras dos porque sus valores
están más cerca de 7.
La desviación estándar puede ser interpretada como una medida de incertidumbre. La
desviación estándar de un grupo repetido de medidas nos da la precisión de éstas. Cuando
se va a determinar si un grupo de medidas está de acuerdo con el modelo teórico, la
desviación estándar de esas medidas es de vital importancia: si la media de las medidas está
demasiado alejada de la predicción (con la distancia medida en desviaciones estándar),
entonces consideramos que las medidas contradicen la teoría. Esto es coherente, ya que las
mediciones caen fuera del rango de valores en el cual sería razonable esperar que
ocurrieran si el modelo teórico fuera correcto. La desviación estándar es uno de tres
parámetros de ubicación central; muestra la agrupación de los datos alrededor de un valor
central (la media o promedio).
1.3.3.3 Medida de dispersión relativa
Son expresiones en forma de porcentajes de las medidas de dispersión, tal y como fue
puntualizado al final del tema “2.1 Medición de la centralización de variación“.
La dispersión relativa se llama coeficiente de variación y se obtiene dividiendo la medida
de dispersión elegida entre la media del conunto de datos, tal y como se expresa en la
41
siguiente ecuación:
1.3.4 Medidas de forma
medidas de forma permiten comprobar si una distribución de frecuencia tiene
características especiales como simetría, asimetría, nivel de concentración de datos y nivel
de apuntamiento que la clasifiquen en un tipo particular de distribución.
Las medidas de forma son necesarias para determinar el comportamiento de los datos y así,
poder adaptar herramientas para el análisis probabilística
1.3.4.1 Sesgo
1.3.4.2 Curtosis
42
2. Introducción a la probabilidad
La probabilidad es una herramienta de ayuda para la toma de decisiones porque
proporciona una forma de medir, expresar y analizar las incertidumbres asociadas con
eventos futuros de razones entre el número de casos favorables y el número de casos
posibles.
Experimento:
Es como cualquier proceso que pueda generar uno de un conjunto de resultados bien
definidos.
Ejemplo: lanzar una moneda.
Espacio muetral: es el conjunto de todos los resultados que pueda suceder. Ejemplo: cara o
cruz La probabilidad de un resultado experimental es resultado posible que ocurra. Se
deben satisfacer dos requerimientos de probabilidad:
43
1. Los valores de las probabilidades asignados. (0<=P(Ei) <=1)
2. La suma de los posibles resultados experimentales debe ser 1 .(P(Ei)+P(E2)+
…….P(EK)=1
2.1 Modelos matemáticos y experimentos aleatorios
Un Modelo Matemático es un patrón teórico ó experimental que permite
interpretar mediante métodos matemáticos fenómenos reales o problemas
técnicos para hacer inferencia y tomar decisiones.
Los modelos matemáticos son de dos clases:
a) Determinísticos: cuando se tiene plena certeza acerca del funcionamiento y
los resultados del problema.
b) Aleatorios o Estocásticos: cuando sólo se tiene certeza parcial acerca del
funcionamiento y se conocen los resultados probables del modelo.
Un modelo matemático debe ser simple e involucrar las variables que lo hacen
completo.
44
Las leyes de la dinámica clásica de partículas pueden considerarse un modelo
matemático determinístico. El modelo de regresión lineal estadístico es en esencia
un modelo matemático aleatorio.
El modelo de la teoría de probabilidad que veremos mas adelante es justamente el
modelo general de los experimentos aleatorios.
Experimento aleatorio
Es aquel cuyo modelo matemático es de carácter estocástico.
Ejemplos
1) Observar el lanzamiento de una moneda.
2) Contar la caída de gotas de lluvia en 2 placas.
3) Observar el lanzamiento de un dado hexagonal.
4) Medir la duración en horas de una bombilla.
5) Medir la duración de un equipo electrónico.
6) Contar el número de vehículos que pasan por un cruce en lapsos de un
minuto
7) Contar el número de artículos defectuosos en lotes de 50 unidades
Características de un Experimento Aleatorio
a) Que sea repetible en igualdad de condiciones.
b) Que se pueda describir el conjunto de todos los resultados posibles aunque
no se pueda asegurar un resultado en particular.
c) Si se repite un número grande de veces debe aparecer cierta regularidad
estadística.
45
2.2 Espacios muestrales y eventos
Espacio Muestral S es el conjunto de todos los resultados posibles de un experimento
aleatorio. A los ejemplos previos corresponden los siguientes espacios muestrales en
notación de conjuntos:
2.2.1 Suceso y frecuencia relativa
Es cualquier subconjunto de resultados de un espacio muestral S. Los siguientes
son eventos asociados a los espacios muestrales previos
2.2.2 Eventos mutuamente excluyentes
Los eventos mutuamente excluyentes son aquellos en los que si un evento sucede significa
46
que el otro no puede ocurrir. Si bien suelen usarse en teorías científicas, también son parte
de las leyes y los negocios. Como resultado, entender los eventos mutuamente excluyentes
puede ser importante para una variedad de disciplinas.
Fórmula
La fórmula matemática para determinar la probabilidad de los eventos mutuamente
excluyentes es P(A U B) = P(A) + P(B). Dicho en voz alta, la fórmula es "Si A y B son
evento mutuamente excluyentes, entonces la probabilidad de que A o B suceda es
equivalente a la probabilidad del evento A más la probabilidad del evento B".
 Sacar una carta de corazones y una carta de espadas. Son eventos mutuamente
excluyentes, las cartas o son de corazones o son de espadas.
 Sacar una carta numerada y una carta de letras. Son eventos mutuamente
excluyentes, las cartas o son numeradas o son cartas con letra.
 Sacar una carta de tréboles roja. Son eventos mutuamente excluyentes pues las
cartas de tréboles son exclusivamente negras.
No es posible encontrar una sola carta que haga posible que los eventos sucedan a la vez.
2.2.3 Métodos de enumeración
El principio fundamental en el proceso de contar ofrece un método general para contar el
numero de posibles arreglos de objetos dentro de un solo conjunto o entre varios conjuntos.
Las técnicas de conteo son aquellas que son usadas para enumerar eventos difíciles de
cuantificar.
47
Si un evento A puede ocurrir de n1 maneras y una vez que este ha ocurrido, otro evento B
puede n2 maneras diferentes entonces, el número total de formas diferentes en que ambos
eventos pueden ocurrir en el orden indicado, es igual a n1 x n2.
* La técnica de la multiplicación
* La técnica aditiva
* La técnica de la suma o Adicion
* La técnica de la permutación
* La técnica de la combinación.
PRINCIPIO DE LA MULTIPLICACIÓN
Si se desea realizar una actividad que consta de r pasos, en donde el primer paso de la
actividad a realizar puede ser llevado a cabo de N1 maneras o formas, el segundo paso de
N2 maneras o formas y el r-ésimo paso de Nr maneras o formas, entonces esta actividad
puede ser llevada a efecto de. El principio multiplicativo implica que cada uno de los pasos
de la actividad deben ser llevados a efecto, uno tras otro. Si un evento E1 puede suceder de
n1 maneras diferentes, el evento E2 puede ocurrir de n2 maneras diferentes, y así
sucesivamente hasta el evento Ep el cual puede ocurrir de np maneras diferentes, entonces
el total de maneras distintas en que puede suceder el evento “ocurren E1 y E2…..y Ep” es
igual a producto.
N1 x N2 x ..........x Nr maneras o formas
48
PRINCIPIO ADITIVO.
Si se desea llevar a efecto una actividad, la cuál tiene formas alternativas para ser realizada,
donde la primera de esas alternativas puede ser realizada de M maneras o formas, la
segunda alternativa puede realizarse de N maneras o formas ..... y la última de las
alternativas puede ser realizada de W maneras o formas, entonces esa actividad puede ser
llevada a cabo de,
M + N + .........+ W maneras o formas
PRINCIPIO DE LA SUMA O ADICCION
Si una primera operación puede realizarse de m maneras y una segunda operación de n
maneras, entonces una operación o la otra pueden efectuarse de:
m+n maneras.
Regla general del conteo.
si un experimento esta compuesto por k ensayos realizados en un orden definido, donde
el primero tiene n resultados posibles, el segundo posee n2 resultados posibles, el tercero
tiene n3 resultados posibles, etc. entonces el numero de resultados posibles para el
49
experimento es
n X n2 X n3 X ...... nk
Regla fundamental
si un experimento esta integrado por dos ensayos, donde uno de ellos (una sola accion
o elección) tiene m resultados posibles y el otro ensayo tiene n resultados posibles,
entonces cuando los ensayos se realizan juntos, se tiene
m x n
Ejemplos
1. ¿Cuántas palabras de tres letras se pueden formar con cinco consonantes y tres
vocales de modo que cada palabra comience y termine en consonante?
2. C V C
3. --- --- --- 5.3.4 = 60 (regla del producto)
5 3 4
4. Determine el número de enteros de seis dígitos (que no comiencen con cero) en los
que
a. ningún dígito se pueda repetir.
b. 9 9 8 7 6 5
c. --- --- --- --- --- ---
d.
9.9.8.7.6.5 = 136.080 (regla del producto)
50
e. se pueden repetir los dígitos.
9.10.10.10.10.10 = 900.000 (regla del producto)
5. Ana y María vieron a dos hombres alejarse en automóvil frente a una joyería, justo
antes de que sonara una alarma contra robos. Cuando fueron interrogadas por la
policía, las dos jóvenes dieron la siguiente información acerca de la placa (que
constaba de dos letras seguidas de cuatro dígitos). María estaba segura de que la
segunda letra de la placa era una O o una Q, y que el último dígito era un 3 o un 8.
Ana dijo que la primera letra de la placa era una C o una G y que el primer dígito
era definitivamente un 7.
¿Cuántas placas diferentes tendrá que verificar la policía?
6. C/G Q/O 7 0a9 0a9 8ó3
7. ----- ----- ----- ----- ----- -----
8. | | | | | |
2 x 2 x 1 x 10 x 10 x 2 = 800 (regla del producto)
9. Tres pueblos, designados como A, B y C, están intercomunicados por un sistema de
carreteras de doble sentido.
51
a. ¿De cuántas formas puede Juan ir del pueblo A al pueblo C?
2 + 4.3 = 14 (reglas de la suma y del producto)
b. ¿Cuántos trayectos puede hacer Juan del pueblo A al pueblo C y de regreso
al pueblo A?
14.14 = 196 (regla del producto)
c. ¿Cuántos de los trayectos completos de la parte (b) son tales que el viaje de
regreso (del pueblo C al pueblo A) es diferente, al menos parcialmente, de la
ruta que toma Juan del pueblo A al pueblo C? (Por ejemplo, si Juan viaja de
A a C por las rutas R1 y R6 podría regresar por las rutas R6 y R2, pero no
por R1 y R6).
14.13 = 182 (regla del producto)
5. Una biblioteca tiene 40 libros de historia y 50 de filosofía. Si un
estudiante quiere aprender acerca de alguno de estos dos temas, por la regla
de la suma puede elegir entre 40 + 50 = 90 libros.
(Nota: el estudiante no quiere estudiar historia y filosofía, sino historia o
filosofía.)
52
La regla puede ampliarse a más de dos tareas, siempre que ningún par de
ellas pueda ocurrir simultáneamente.
PERMUTACION:
A diferencia de la formula de la multiplicación, se la utiliza para determinar el numero de
posibles arreglos cuando solo hay un solo grupo de objetos. Permutación: un arreglos o
posición de r objetos seleccionados de un solo grupo de n objetos posibles. Si nos damos
cuenta los arreglos a, b, c y b, a, c son permutaciones diferentes, la formula que se utiliza
para contar el numero total de permutaciones distintas es:

FÓRMULA: n P r = n! (n - r)
Ejemplos
1.
a. ¿Cuántas permutaciones existen para las ocho letras a,b,c,d,e,f,g,h?
P8 = 8! = 40.320.
b. ¿Cuántas de las permutaciones de (a) comienzan con la letra a?
53
P7 = 7! = 5.040.
c. ¿Cuántas de las permutaciones de (a) comienzan con la letra a y terminan
con la letra c?
P6 = 6! = 720.
2. ¿De cuántas formas es posible ordenar los símbolos a,b,c,d,e,e,e,e,e de modo que
ninguna e quede junto a otra?
3. e _ e _ e _ e _ e
4. P4 = 4! = 24
a. ¿De cuántas maneras se pueden colocar las letras de VISITING?
Si consideramos que las tres I son distintas, podemos formar P8 palabras.
Así, la permutación VI1SI2TI3NG sería distinta de VI2SI1TI3NG. Pero esto
no es lo que queremos, en realidad no hay diferencia entre esas dos
permutaciones. Como las tres I pueden ubicarse de P3 maneras, cada
palabra se está repitiendo P3 veces. Por lo tanto hay P8/P3 = 8!/3! = 6.720
disposiciones diferentes.
54
b. ¿Cuántas de ellas tienen las tres letras I juntas?
Las restantes 5 letras pueden ordenarse de P5 formas. Las 3 letras I pueden
ubicarse en 6 posiciones diferentes: al principio, al final o en cualquiera de
los 4 espacios entre las otras 5 letras. Así, hay 6.5! = 6! = 720 palabras con
las tres I juntas.
III_ _ _ _ _
_III_ _ _ _
_ _III_ _ _
_ _ _III_ _
_ _ _ _III_
_ _ _ _ _III
4. Dadas las letras a, b, c existen seis formas de disponerlas:
P3 = 3! = 3.2.1 = 6.
Las seis permutaciones son:
abc
acb
bac
bca
55
cab
cba
5, ¿De cuántas formas diferentes se pueden ordenar las letras de la palabra
IMPUREZA?
Solución: Puesto que tenemos 8 letras diferentes y las vamos a ordenar en
diferentes formas, tendremos 8 posibilidades de escoger la primera letra
para nuestro arreglo, una vez usada una, nos quedan 7 posibilidades de
escoger una segunda letra, y una vez que hayamos usado dos, nos quedan 6,
así sucesivamente hasta agotarlas, en total tenemos:
8 ´ 7 ´ 6 ´ 5 ´ 4 ´ 3 ´ 2 ´ 1 = 40320
COMBINACIÓN:
En una permutación, el orden de los objetos de cada posible resultado es diferente. Si el
orden de los objetos no es importante, cada uno de estos resultados se denomina
combinación. Por ejemplo, si se quiere formar un equipo de trabajo formado por 2 personas
seleccionadas de un grupo de tres (A, B y C). Si en el equipo hay dos funciones diferentes,
56
entonces si importa el orden, los resultados serán permutaciones. Por el contrario si en el
equipo no hay funciones definidas, entonces no importa el orden y los resultados serán
combinaciones. Los resultados en ambos casos son los siguientes:
Permutaciones: AB, AC, BA, CA, BC, CB
Combinaciones: AB, AC, BC
Combinaciones: Es el número de formas de seleccionar r objetos de un grupo de n objetos
sin importar el orden.
La fórmula de combinaciones es:
n C r = n! r! (n – r)!
Ejemplos
1. Un estudiante que realiza un examen debe responder 7 de las 10 preguntas. El orden
no importa. ¿De cuántas formas puede responder el examen?
Existen
10 10! 10.9.8
C7 = --- = ------ = 120
7!3! 3.2.1
57
combinaciones posibles de preguntas que puede contestar.
2. Juan quiere dar una fiesta para algunos de sus amigos. Debido al tamaño de su casa,
sólo puede invitar a 11 de sus 20 amigos. ¿De cuántas formas puede seleccionar a
los invitados?
Hay
20 20!
C11 = ---- = 167.960
11!9!
formas de elegir a los 11 amigos.
3. En una reunión de 6 personas, ¿cuántos saludos de mano pueden intercambiarse, si
entre cada 2 personas, se dan la mano una sola vez?
4. 6 6! 6.5
5. C2 = ---- = --- = 15
2!4! 2
6. Una persona que sale de vacaciones desea llevarse 4 libros para leer: dispone de 4
58
novelas policiales y 6 libros de cuentos cortos. ¿De cuántas formas puede hacer la
elección si quiere llevar al menos una novela?
7. 6
8. N C C C --> 4C3 = 80
9. 46
10. N N C C --> C2C2 = 90
11. 4
12. N N N C --> C36 = 24
13.
14. N N N N --> 1
15.
80 + 90 + 24 + 1 = 195
5. ¿De cuántas formas es posible distribuir 12 libros diferentes entre cuatro
niños de modo que
1.
a. cada niño reciba tres libros.
b. 12 9 6 3
c. C3.C3.C3.C3 = 220.84.20.1 = 369.600
d. los dos niños mayores reciban cuatro libros cada uno y los dos
menores reciban dos libros cada uno.
e. 12 8 4 12!8!4!
f. C4.C4.C2 = ------------ = 207.900

59
g. 8!4!4!4!2!2!
2.2.3.2 diagrama de árbol
Un diagrama de árbol es una herramienta que se utiliza para determinar todos los posibles
resultados de un experimento aleatorio. En el cálculo de muchas probabilidades se requiere
conocer el número de objetos que forman parte del espacio muestral, estos se pueden
determinar con la construcción de un diagrama de árbol.
El diagrama de árbol es una representación gráfica de los posibles resultados del
experimento, el cual consta de una serie de pasos, donde cada uno de estos tiene un número
finito de maneras de ser llevado a cabo. Se utiliza en los problemas de conteo y probabilidad.
Para la construcción de un diagrama en árbol se partirá poniendo una rama para cada una de
las posibilidades, acompañada de su probabilidad. Cada una de estas ramas se conoce como
rama de primera generación.
En el final de cada rama de primera generación se constituye a su vez, un nudo del cual
parten nuevas ramas conocidas como ramas de segunda generación, según las posibilidades
del siguiente paso, salvo si el nudo representa un posible final del experimentó (nudo final).
Hay que tener en cuenta que la construcción de un árbol no depende de tener el mismo
número de ramas de segunda generación que salen de cada rama de primera generación y que
la suma de probabilidades de las ramas de cada nudo ha de dar 1.
Existe un principio sencillo de los diagramas de árbol que hace que éstos sean mucho más
útiles para los cálculos rápidos de probabilidad: multiplicamos las probabilidades si se trata
de ramas adyacentes (contiguas), el ejemplo de alumna de la primera facultad, o bien las
60
sumamos si se trata de ramas separadas que emergen de un mismo punto, el ejemplo de
encontrar un alumno.
Ejemplos
Una universidad está formada por tres facultades:
 La 1ª con el 50% de estudiantes.
Las mujeres están repartidas uniformemente, siendo un 60% del total en cada facultad.
¿Probabilidad de encontrar una alumna de la primera facultad?
61
¿Probabilidad de encontrar un alumno varón?
Pero también podría ser lo contrario
2.3 Nociones básicas de probabilidad
Dos enfoques objetivos para responder a cómo se obtiene la probabilidad de un suceso que
presupone que la probabilidad de un suceso es un dato objetivo que la persona conoce o no:
• Probabilidad de un suceso aleatorio (S): cociente entre el número de resultados favorables
del suceso aleatorio y el número total de resultados posibles
• Probabilidad de un suceso: frecuencia relativa del mismo después de haberlo repetido un
número razonablemente grande de veces Procedimientos que sirven para juegos de azar pero
no tanto en la vida diaria; por eso se utilizan las probabilidades subjetivas: derivadas de la
información a disposición o las creencias u opiniones del individuo.
Según la teoría de la probabilidad, la probabilidad debe seguir los siguientes axiomas:
• la probabilidad de un suceso es igual o mayor que 0. No existen probabilidades negativas.
62
• la probabilidad de un suceso seguro es 1. La probabilidad de no ocurrencia es: P(no S)= 1 –
P(S) • si dos sucesos (S1y S2) son mutuamente excluyentes entre sí, la probabilidad de uno u
otro será igual a la suma de sus probabilidades: P(S1ó S2) = P(S1)+ P(S2)
• si la probabilidad de un suceso P(S2) no es igual a 0, entonces P(S1 y S2) = P(S1
asumiendo que S2) x P(S2). La probabilidad de la conjunción de dos sucesos es siempre
menor o igual que la probabilidad de uno de los sucesos considerado aisladamente. Thomas
Bayes añadió una fórmula conocida como teorema de Bayes mediante el cual se puede hallar
la probabilidad de un suceso a la vista de una información nueva. Esta probabilidad
condicional se obtiene: • de la probabilidad inicial, a priori, del suceso
• de la diagnosticidad del dato con respecto al suceso, es decir, en qué medida se asocian
ambos, P(D/H) y P(D/H´)
2.3.1 Espacios muéstrales finitos
Un espacio muestral es finito si su cardinalidad e W s un número natural y es n equiprobable
si todos los resultados de un experimento tienen la misma posibilidad de ocurrir. & La
condición de equiprobabilidad debe justificarse cuidadosamente
63
2.3.3 Leyes de probabilidad
La probabilidad es un método por el cual se obtiene la frecuencia de un suceso determinado
mediante la realización de un experimento aleatorio, del que se conocen todos los resultados
posibles, bajo condiciones suficientemente estables. La teoria de la probabilidad se usa
extensamente en áreas como la estadistica, la fisica, la matematicas, las ciencias y la
filosofia para sacar conclusiones sobre la probabilidad discreta de sucesos potenciales y la
mecánica subyacente discreta de sistemas complejos.
La probabilidad constituye un importante parámetro en la determinación de las diversas
casualidades obtenidas tras una serie de eventos esperados dentro de un rango estadístico.
Existen diversas formas como método abstracto, como la teoria de dempster y la teoria de la
relatividad numerica, esta última con un alto grado de aceptación si se toma en cuenta que
64
disminuye considerablemente las posibilidades hasta un nivel mínimo ya que somete a todas
las antiguas reglas a una simple ley de relatividad.
La probabilidad de un evento se denota con la letra p y se expresa en términos de una
fracción y no en porcentajes, por lo que el valor de p cae entre 0 y 1. Por otra parte, la
probabilidad de que un evento “no ocurra” equivale a 1 menos el valor de p y se denota con
la letra q
Los tres métodos para calcular las probabilidades son la regla de la adición, la regla de la
multiplicación.
Regla de la adición
La regla de la adición o regla de la suma establece que la probabilidad de ocurrencia de
cualquier evento en particular es igual a la suma de las probabilidades individuales, si es que
los eventos son mutuamente excluyentes, es decir, que dos no pueden ocurrir al mismo
tiempo.
P(A o B) = P(A) U P(B) = P(A) + P(B) si A y B son mutuamente excluyente. P(A o B) =
P(A) + P(B) − P(A y B) si A y B son no excluyentes.
Siendo: P(A) = probabilidad de ocurrencia del evento A. P(B) = probabilidad de ocurrencia
del evento B. P(A y B) = probabilidad de ocurrencia simultánea de los eventos A y B.
Regla de la multiplicación
65
La regla de la multiplicación establece que la probabilidad de ocurrencia de dos o más
eventos estadísticamente independientes es igual al producto de sus probabilidades
individuales.
P(A y B) = P(A B) = P(A)P(B) si A y B son independientes. P(A y B) = P(A B) = P(A)P(B|
A) si A y B son dependientes
La regla de Laplace establece que:
 La probabilidad de ocurrencia de un suceso imposible es 0.
 La probabilidad de ocurrencia de un suceso seguro es 1, es decir, P(A) = 1.
Para aplicar la regla de Laplace es necesario que los experimentos den lugar a sucesos
equiprobables, es decir, que todos tengan o posean la misma probabilidad.
 La probabilidad de que ocurra un suceso se calcula así:
P(A) = Nº de casos favorables / Nº de resultados posibles
Esto significa que: la probabilidad del evento A es igual al cocientedel número de casos
favorables (los casos dónde sucede A) sobre el total de casos posibles.-
-Aplicacion:
Dos aplicaciones principales de la teoría de la probabilidad en el día a día son en el análisis
de riesgo y en el comercio de los mercados de materias. Los gobiernos normalmente aplican
métodos probabilísticos en regulacion ambiental donde se les llama “analisis de vias de
dispercion”, y a menudo miden el bienestar usando métodos que son estocásticos por
naturaleza, y escogen qué proyectos emprender basándose en análisis estadísticos de su
probable efecto en la población como un conjunto. No es correcto decir que la estadistica está

66
incluida en el propio modelado, ya que típicamente los análisis de riesgo son para una única
vez y por lo tanto requieren más modelos de probabilidad fundamentales, por ej. “la
probabilidad de otro 11-S”. Una ley de numeros pequeños tiende a aplicarse a todas aquellas
elecciones y percepciones del efecto de estas elecciones, lo que hace de las medidas
probabilísticas un tema político.
Un buen ejemplo es el efecto de la probabilidad percibida de cualquier conflicto generalizado
sobre los precios del petróleo en Oriente Medio – que producen un efecto dominó en la
economía en conjunto. Un cálculo por un mercado de materias primas en que la guerra es
más probable en contra de menos probable probablemente envía los precios hacia arriba o
hacia abajo e indica a otros comerciantes esa opinión. Por consiguiente, las probabilidades no
se calculan independientemente y tampoco son necesariamente muy racionales. La teoría de
las fiansas conducyuales surgió para describir el efecto de este pensamiento de grupo en el
precio, en la política, y en la paz y en los conflictos.
Se puede decir razonablemente que el descubrimiento de métodos rigurosos para calcular y
combinar los cálculos de probabilidad ha tenido un profundo efecto en la sociedad moderna.
Por consiguiente, puede ser de alguna importancia para la mayoría de los ciudadanos
entender cómo se calculan los pronósticos y las probabilidades, y cómo contribuyen a la
reputación y a las decisiones, especialmente en una democracia.
Otra aplicación significativa de la teoría de la probabilidad en el día a día es en la fiabilidad.
Muchos bienes de consumo, como los automoviles y la electrónica de consumo, utilizan la
teoria de la fiabilidad en el diseño del producto para reducir la probabilidad de avería. La
probabilidad de avería también está estrechamente relacionada con la garantia del producto.
67
Se puede decir que no existe una cosa llamada probabilidad. También se puede decir que la
probabilidad es la medida de nuestro grado de incertidumbre, o esto es, el grado de nuestra
ignorancia dada una situación. Por consiguiente, puede haber una probabilidad de 1 entre 52
de que la primera carta en un baraja sea la J de diamantes. Sin embargo, si uno mira la
primera carta y la reemplaza, entonces la probabilidad es o bien 100% ó 0%, y la elección
correcta puede ser hecha con precisión por el que ve la carta. La física moderna proporciona
ejemplos importantes de situaciones determinísticas donde sólo la descripción probabilística
es factible debido a información incompleta y la complejidad de un sistema así como
ejemplos de fenómenos realmente aleatorios
2.3.3.1 Regla de la adición
Esta regla expresa la probabilidad de que ocurran dos o más sucesos a la vez, P
( A U B).
Puede presentarse de dos formas: para conjuntos con intersección y para conjuntos
mutuamente excluyentes. Veamos:
Para conjuntos con Intersección:

Esto se debe a que sumamos la probabilidad de A más
la probabilidad de B , pero como ya habíamos sumado la intersección, entonces la
restamos.
68

Para conjuntos con Mutuamente excluyentes:

En este caso, no hay ningún problema en sumar ambas probabilidades.
Ejemplo1: Se lanzan un dado. Usted gana $3000,pesos si el resultado es par ó divisible
por tres ¿Cuál es la probabilidad de ganar ?
Lo que primero hacemos es definir los sucesos :
Sea A = resultado par : A = { 2, 4, 6 }
Sea B = resultado divisible por 3 : B = { 3, 6 } . Ambos sucesos tienen intersección ?
Luego,

69
Ejemplo 2 : Se tiene una baraja de cartas ( 52 cartas sin jockers), ¿ Cuál es la
probabilidad de sacar una Reina ó un As ?
Sea A = sacar una reina y sea B = sacar un as, entonces :

2.3.3.2 Probabilidad condicional
Es la probabilidad de obtener un suceso, dado que ya ocurrió otro. Es decir, si
tenemos los sucesos A y B que pertenecen a un mismo espacio muestral S , y si la
P (A) es diferente de cero, entonces esta probabilidad que esta designada por :

Para calcular esta probabilidad es necesario conocer tanto la probabilidad marginal de
uno de los sucesos ( P(A) ) como la probabilidad de la intersección de ambos ( o la
probabilidad cuando ocurran los dos sucesos a la vez ).
Ejemplo 3 : La probabilidad de que una persona tenga una cuenta de ahorros es de
0,65 y la probabilidad de que invierta en un CDT y ahorre en una cuenta de
70
ahorros es de 0,30. Se seleccionó una persona al azar y resultó tener una cuenta de
ahorros ¿ Cuál es la probabilidad de que tenga también un CDT ?
Sea A = tener una cuenta de ahorros , B = tener un CDT

2.3.3.3 Independencia y regla de la multiplicación
Dos variables estadísticas son estadísticamente independientes cuando el comportamiento
estadístico de una de ellas no se ve afectado por los valores que toma la otra; esto es cuando
las relativas de las distribuciones condicionadas no se ven afectadas por la condición, y
coinciden en todos los casos con las frecuencias relativas marginales.
Esta definición puede hacerse más operativa, a través de la caracterización siguiente:Dos
variables son estadísticamente independientes cuando para todos los pares de valores se
cumple que la frecuencia relativa conjunta es igual al producto de las frecuencias relativas
marginales.:
para todo i,j :
71
Ejemplo:
Y
1 2 3 ni .
X
5 1 10 5 16
10 2 20 10 32
15 4 40 20 64
n.j 7 70 35 112
comprobemos si se cumple

para el primer par 1,1 tendríamos que cumple
para el segundo par 1,2 tendríamos que cumple
lo comprobaríamos hasta el último……
para el último par 3,3, tendríamos que cumple ,
por tanto X e Y son estadísticamente INDEPENDIENTES
Reglas de Multiplicación
Se relacionan con la determinación de la ocurrencia de conjunta de dos o más eventos. Es
72
decir la intersección entre los conjuntos de los posibles valores de A y los valores de B, esto
quiere decir que la probabilidad de que ocurran conjuntamente los eventos A y B es:
P(A y B) = P(A B) = P(A)P(B) si A y B son independientes
P(A y B) = P(A B) = P(A)P(BA) si A y B son dependientes
P(A y B) = P(A B) = P(B)P(AB) si A y B son dependientes
Distribución de probabilidad normal
Es una distribución de probabilidad continua que es tanto simétrica como mesocurtica. La
curva que representa la distribución de probabilidad normal se describe generalmente como
en forma de campana. Esta distribución es importante en inferencia estadística por tres
razones diferentes:
Se sabe que las medidas producidas en muchos procesos aleatorios siguen esta distribución.
Las probabilidades normales pueden utilizarse generalmente para aproximar otras
distribuciones de probabilidad, tales como las distribuciones binomial y de Poisson.
Las distribuciones estadísticas tales como la media de la muestra y la proporción de la
muestra, siguen a menudo la distribución normal, sin tener en cuenta la distribución de la
población
2.3.3. Teorema de Bayes
El Teorema de Bayes viene a seguir el proceso inverso al que hemos visto en el Teorema
de la probabilidad total:
73
Teorema de la probabilidad total: a partir de las probabilidades del suceso A (probabilidad
de que llueva o de que haga buen tiempo) deducimos la probabilidad del suceso B (que
ocurra un accidente).
Teorema de Bayes: a partir de que ha ocurrido el suceso B (ha ocurrido un accidente)
deducimos las probabilidades del suceso A (¿estaba lloviendo o hacía buen tiempo?).
La fórmula del Teorema de Bayes es:
Tratar de explicar estar fórmula con palabras es un galimatías, así que vamos a intentar
explicarla con un ejemplo. De todos modos, antes de entrar en el ejercicio, recordar que este
teorema también exige que el suceso A forme un sistema completo.
Ejercicio 1º: El parte meteorológico ha anunciado tres posibilidades para el fin de semana:
a) Que llueva: probabilidad del 50%.
b) Que nieve: probabilidad del 30%
c) Que haya niebla: probabilidad del 20%.
74

Según estos posibles estados meteorológicos, la posibilidad de que ocurra un accidente es la
siguiente:
a) Si llueve: probabilidad de accidente del 10%.
b) Si nieva: probabilidad de accidente del 20%
c) Si hay niebla: probabilidad de accidente del 5%.
Resulta que efectivamente ocurre un accidente y como no estábamos en la ciudad no sabemos
que tiempo hizo (nevó, llovío o hubo niebla). El teorema de Bayes nos permite calcular estas
probabilidades:
Las probabilidades que manejamos antes de conocer que ha ocurrido un accidente se
denominan "probabilidades a priori" (lluvia con el 60%, nieve con el 30% y niebla con el
10%).
Una vez que incorporamos la información de que ha ocurrido un accidente, las probabilidades
del suceso A cambian: son probabilidades condicionadas P (A/B), que se
denominan "probabilidades a posteriori".
Vamos a aplicar la fórmula:
75
a) Probabilidad de que estuviera lloviendo:
La probabilidad de que efectivamente estuviera lloviendo el día del accidente (probabilidad a
posteriori) es del 71,4%.
b) Probabilidad de que estuviera nevando:
La probabilidad de que estuviera nevando es del 21,4%.
c) Probabilidad de que hubiera niebla:
La probabilidad de que hubiera niebla es del 7,1%.
3. Variables aleatorias discretas unidimensionales

76
3.1 Definición
Si se analizan las variables desde una perspectiva más formal, entendiéndolas como una
abstracción previa a la realización del experimento, reciben el nombre de variables
aleatorias (v. a.), a cuyos posibles resultados se les asocian probabilidades, que
desempeñan un papel análogo al de las frecuencias relativas.
Así, pueden entenderse los desarrollos que se realizarán a continuación como una revisión de
los temas de la sección de Estadística Descriptiva, donde los experimentos ya realizados son
substituidos por experimentos potenciales, y las frecuencias relativas por probabilidades.
3.2 Distribución de probabilidad
Distribución continua
Una distribución continua describe las probabilidades de los posibles valores de una variable
aleatoria continua. Una variable aleatoria continua es una variable aleatoria con un conjunto
de valores posibles (conocido como el rango) que es infinito y no se puede contar.
Las probabilidades de las variables aleatorias continuas (X) se definen como el área por
debajo de la curva de su PDF. Por lo tanto, solo los rangos de valores pueden tener una
probabilidad diferente de cero. La probabilidad de que una variable aleatoria continua
equivalga a algún valor siempre es cero.
77
Ejemplo de la distribución de pesos
La distribución normal continua puede describir la distribución del peso de hombres adultos.
Por ejemplo, usted puede calcular la probabilidad de que un hombre pese entre 160 y 170
libras.
Gráfica de distribución del peso de hombres adultos
El área sombreada debajo de la curva en este ejemplo representa el rango de 160 a 170 libras.
El área de este rango es 0.136; por lo tanto, la probabilidad de que un hombre seleccionado
aleatoriamente pese entre 160 y 170 libras es de 13.6%. Toda el área por debajo de la curva
equivale a 1.0.
Sin embargo, la probabilidad de que X sea exactamente igual a algún valor siempre es cero,
porque el área por debajo de la curva en un punto individual, que no tiene anchura, es cero.
Por ejemplo, la probabilidad de que un hombre pese exactamente 190 libras es cero. Podría
calcular una probabilidad diferente de cero de que un hombre pese más de 190 libras, menos
de 190 libras o entre 189.9 y 190.1 libras, pero la probabilidad de que pese exactamente 190
libras es cero.
Distribución discreta
78
Describe la probabilidad de ocurrencia de cada valor de una variable aleatoria discreta. Una
variable aleatoria discreta es una variable aleatoria que tiene valores contables, tales como
una lista de enteros no negativos.
Con una distribución de probabilidad discreta, cada valor posible de la variable aleatoria
discreta puede estar asociado con una probabilidad distinta de cero. Por lo tanto, una
distribución de probabilidad discreta suele representarse en forma tabular.
Ejemplo del número de quejas de clientes
Con una distribución discreta, a diferencia de una distribución continua, usted puede calcular
la probabilidad de que X sea exactamente igual a algún valor. Por ejemplo, puede utilizar la
distribución discreta de Poisson para describir el número de quejas de clientes en un día.
Supongamos que el número promedio de quejas por día es 10 y usted desea saber la
probabilidad de recibir 5, 10 y 15 quejas de clientes en un día.
x P (X = x)
5 0.037833
1 0.12511
1 0.034718
Usted también puede visualizar una distribución discreta en una gráfica de distribución para
ver las probabilidades entre los rangos.
Gráfica de distribución del número de quejas de clientes
79
Las barras sombreadas en este ejemplo representan el número de ocurrencias cuando las
quejas diarias de los clientes son 15 o más. La altura de las barras suma 0.08346; por lo tanto,
la probabilidad de que el número de llamadas por día sea 15 o más es 8.35%.
3.3 Esperanza y varianza
1.- La esperanza de una constante es la propia constante E[k] = k
2.- Si X está acotada a ≤ X ≤ b es a ≤ E[X] ≤b
3.- La esperanza E[a.X+b] = a.E[X]+ b y en general, la esperanza de una combinación lineal
de funciones de X es la combinación lineal de las esperanzas.
E[a.g(X)+b.h(X)] = a.E[g(X)]+ b.E[h(X)]
4.- Si g(xi) ≤ h(xi) para todo i es E[g(X)] ≤ E[h(X)]
5.- El valor absoluto de la esperanza de una función de X es menor o igual que la esperanza
del valor absoluto de la función.
6.- Si f(x) = f(-x) o sea si la función de densidad es simétrica su esperanza es cero E[f(x)] = 0
varianza
1º Fórmula alternativa muy útil Var(X) = E[X2] – (E[X])2
2º La varianza de una constante es cero. Var(k) = 0
3º La varianza de una constante por X, la constante sale al cuadrado.
80
Var(aX) = a2.Var(X)
4º Var(aX+b) = a2.Var(X)
3.5 Distribuciones de probabilidad de variables aleatorias discretas
En muchas ocasiones no nos interesa conocer la probabilidad de que la variables aleatoria X
tome exactamente un determinado valor xi, sino que puede interesarnos determinar la
probabilidad de que tome valores menores o iguales que un cierto valor xi. En tales casos es
necesario acumular los distintos valores de la función de probabilidad hasta el valor deseado.
Es lo que se denomina función de distribución y se representa por F (X).
Es decir, ordenados los posibles valores de la variable aleatoria de menos a mayor, se asocia a
cada valor de la misma la probabilidad acumulada hasta ese valor, es decir, que tome valores
menores o iguales a xi
81
3.5.1 Distribución binomial
Sea un experimento aleatorio en el que sólo puedan darse dos posibilidades: que ocurra un
determinado suceso A, que llamaremos éxito, o que no ocurra dicho suceso, o sea que ocurra
su complementario, que llamaremos fracaso, . A ¾ Se conoce la probabilidad de ocurrencia
del suceso A, y por lo tanto la de su complementario
82
Se repite el experimento n veces en las mismas condiciones (independencia). Se define la
variable aleatoria Binomial : X: “nº de veces que ocurre el suceso A (nº éxitos) en n
realizaciones independientes del experimento” 9 Por lo tanto, X: 0, 1, 2 , 3, ……n
83
84
3.5.2Distribución geométrica
En el siguiente artículo se muestro la distribución geométrica, su desarrollo, la varianza,
esperanza, su función característica y su función generadora de momentos.
Esta distribución sirve para calcular la probabilidad de que ocurra un éxito por primera y
única vez en el último ensayo que se realiza del experimento.
Función de densidad:
Sea A un suceso de probabilidad P(A)=p, y sea X la variable aleatoria que expresa el numero
de fracasos que tiene lugar en las repeticiones independientes de pruebas de Benouili, hasta
que ocurre A por primera vez. La variable X toma los valores de 0,1,2,….(numero de
fracasos). Decimos que una variable aleatoria X sigue una distribución geométrica de
parámetros p si su función de probabilidad es
dónde :
P= probabilidad de éxito en cada ensayo
x= ensayos que sean necesarios para obtener un éxito, para x = 1, 2, 3,..
Lo anterior solo se cumple si y solo si:
85
º Las pruebas son idénticas e independientes entre sí.
º La probabilidad de éxito es p y se mantiene constante de prueba en prueba
Función de distribución
La función de densidad de la variable aleatoria geométrica sólo depende del parámetro p, y
presenta siempre una asimetría a la derecha como se puede observar en las siguientes
funciones de densidad.
Función Generadora de Momentos
86
Demostración
Esperanza

Demostración
Varianza
87
Demostración
Por tanto
Función característica
La función característica se calcula teniendo en cuenta que de nuevo aparece la sumación de
los términos de una progresión geométrica, pero esta vez de razón eit q:
88
3.5.3 Distribución de Poisson
Se define la variable aleatoria X como el número de sucesos que ocurren en un intervalo
continuo de tiempo, longitud o espacio, de un tamaño determinado
Sea el número medio de sucesos que ocurren en estos intervalos.
La variable aleatoria así definida sigue una distribución de Poisson de parámetro λ.
Nº de leucocitos en una gota de sangre
Nº de veces que una planta de energía nuclear emite gases radiactivos en un periodo de tres
meses
89
Aspectos interesantes de la experiencia personal relacionados con los temas de estudio.
Las estadísticas constituyen la principal herramienta para tomar decisiones. la valoración y
contratación de deportistas profesionales están definitivamente influenciadas por los datos
estadísticos que muestren su rendimiento. Los anunciantes de sus productos en medios de
comunicación evaluarán la penetración que éstos tengan en los sectores de la sociedad de su
particular interés. Los empresarios que pretendan introducir un nuevo producto, así como los
promotores inmobiliarios de viviendas, oficinas o centros comerciales, deberán efectuar
90
previamente los correspondientes estudios de mercado para los cuales es imprescindible el
aporte de los datos estadísticos.
La información estadística es de gran importancia para el sector privado para planificar sus
actividades empresariales. También es para el sector laboral en procura de sus
reivindicaciones. Más importante es para los gobiernos por tener la responsabilidad de
planificar y ejecutar sus acciones en función del desarrollo económico y social así como para
evaluar su participación y presencia en los mercados internacionales.
Reflexiones de sus metas de enseñanza aprendizaje, principios o filosofía personal.
Todo este tiempo me he esforzado en ser mejor persona y estudiante , para mi ha sido difícil
ser estudiante ya que requiere de mucho compromiso, valor e interés y tiempo. mis días cada
vez se hacen cortos pero de una cosa si estoy muy segura, que todo sacrificio tiene su
recompensa.
91
Ejercicios, técnicas y metodología sugerida para los diferentes documentos del
desarrollo del aprendizaje.
92
Glosario personal.
1. Datos aleatorios: Es la obtención de datos realizada a partir de una población a los
cuales no se les ha dado ninguna prioridad.
93
2. Dato estadístico. Los datos que se considera participan en el estudio estadístico se
conoce como datos estadísticos, mas concretamente, se consideran como los valores que se
pueden obtenerse de la observación para formar la muestra.
3. Diagramas de barras. Se utiliza para representar datos cualitativos y cuantitativos,
con datos de tipo discreto. En el eje x se representan los datos ordenados en clases mientras
que en el eje y se pueden representar frecuencias absolutas o relativas.

4. Distribuciones de frecuencias. Se le conoce con este nombre al conjunto de clases
que aparecen con su frecuencia correspondiente, generalmente mediante una tabla estadística.
5. Diagrama de sectores. Este tipo de diagramas puede ser de dos tipo, se puede
considerar una figura geométrica en la que la información se distribuye dentro de la figura
como puede ser una dona o un anillo en el que cada porción dentro de la figura representa la
información porcentual del total de datos. La segunda opción es la utilización de pasteles en
los que una porción del pastel determinada por sectores individuales la información para ese
sector específico.
6. estadística es una ciencia de las matemáticas encargada del estudio del
comportamiento de una población mediante un estudio cuyo propósito es hacer inferencias a
partir de un subconjunto de datos, llamado muestra, tomados de ella.
94

7. estadística inferencial o inductiva. Sirve extrapolar los resultados obtenidos en el
análisis de los datos y a partir de ello predecir acerca de la población, con un margen de
confianza conocido. Se apoya fuertemente mediante el cálculo de probabilidades.
8. La estadística descriptiva o deductiva. Se construye a partir de los datos y la
inferencia sobre la población no se puede realizar, al menos con una confianza determinada,
la representación de la información obtenida de los datos se representa mediante el uso de
unos cuantos parámetros, tablas y algunas graficas planteadas de tal forma que den
importancia los mismos datos a través de parámetros que caractericen la distribución.
9. Experimento aleatorio. Experimento en el que existen diferencias de una muestra a
otra, cuyas muestras pese ha ser de una misma población son diferentes.
10.La frecuencia absoluta f(xi) se determina como el número de veces que se repite un
dato xi.
11.La frecuencia absoluta acumulada Fi Para un determinado valor se considera como
la frecuencia de cada dato xi mas la suma de los valores anteriores a dicha suma.
95

12.La frecuencia relativa hi es el cociente fi /N , donde N es el número total de datos.
13.La frecuencia relativa acumulada Hi es el cociente Fi /N
14. Histogramas. Los histogramas de frecuencias son gráficas que representan un
conjunto de datos que se emplean para representar datos de una variable cuantitativa. En el
eje horizontal o de las abscisas se representan los valores tomados por la variable, en el caso
de que los valores considerados sean continuos la forma de representar los valores es
mediante intervalos de un mismo tamaño llamados clases. En el eje vertical se representan
los valores de las frecuencias de los datos. Las barras que se levantan sobre la horizontal y
hasta una altura que representa la frecuencia. Un punto importante en el manejo de la
información bajo el uso de histogramas es el hecho de poder comparar, bajo un proceso en
control, que a medida que se crecen las clase tiene aproximadamente la forma de una
campana centrada, es la de una de las distribuciones mas importantes conocidas como
frecuencia normal o gaussiana.
96

Conclusión
Con todo lo aprendido, podemos concluir que la estadística es una rama de la matemática que
está no se encuentra muy visible en lo cotidiano pero que en realidad es de mucha utilidad
para interpretar y ver desde un punto de vista muy general datos que se obtienen. A través de
sus gráficas, medidas de tendencia central y de dispersión podemos ver mas claro y concreto
un conjunto de datos que se nos hacen muy complicados, en resumen son un verdadero
método de ayuda para informar.
97
Recomendaciones
 Es recomendable tomar en cuenta que la estadística es muy importante en la vida
social y laboral del hombre ya que generaliza información.
 Gracias a ello el análisis de cualquier dato puede ser más razonable y exacto.
 Es una herramienta indispensable para la toma de decisiones.
 También es ampliamente empleada para mostrar los aspectos cuantitativos de una
situación
98
Bibliografía.
Libro de Estadística Aplicada a los negocios y la economía Decimotercera edición
99

Texto Paralelo de Estadistica Final Act

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

Texto Paralelo de Estadistica Final Act

Cargado por

Copyright:

Formatos disponibles

Universidad Rural de Guatemala

Carrera: Ciencias Juridicas

Cheryl Keyla Arceli Ríos Rosales 160250037

Cuarto semestre año 2017

Docente: Lic. Julio Ochoa

Texto Paralelo de Estadística

Mazatenango Suchitepéquez, 21 de Octubre de 2017

1.1 Introducción a la estadística..............................................................................................9

1.1.1 Conceptos básicos........................................................................................................9

1.1.2 Clasificación de la estadística.....................................................................................9

1.1.3 Tipos de variables......................................................................................................10

1.1.4 Niveles de medición...................................................................................................10

1.1.5 Recopilación de datos................................................................................................12

1.2 Presentación de datos de una sola variable....................................................................13

1.2.1 Distribución de frecuencias......................................................................................22

1.2.2 Presentación gráfica de datos...................................................................................23

1.2.2.1 Gráfica de barras...................................................................................................23

1.2.2.2 Gráfica de pastel.....................................................................................................23

1.2.2.4 Polígono de frecuencias..........................................................................................25

1.2.2.6 Gráficas lineales......................................................................................................26

1.3 Análisis descriptivo de datos de una sola variable........................................................27

1.3.1 Medidas de tendencia central...................................................................................27

1.3.1.1 Media aritmética.....................................................................................................28

1.3.1.3 Media geométrica...................................................................................................29

1.3.2 Medidas de tendencia no central.....................................................................................31

1.3.2.3 Percentiles (Ejemplos prácticos de todos los casos..................................................32

1.3.3 Medidas de dispersión.....................................................................................................33

1.3.3.1 Medidas de distancia................................................................................................37

1.3.3.2 Medidas de desviación promedio.............................................................................39

1.3.3.3 Medida de dispersión relativa...................................................................................40

1.3.4 Medidas de forma............................................................................................................41

2.1 Modelos matemáticos y experimentos aleatorios...........................................................43

2.2 Espacios muestrales y eventos........................................................................................45

2.2.3 Métodos de enumeración.............................................................................................46

2.2.3.2 diagrama de árbol.....................................................................................................59

2.3 Nociones básicas de probabilidad......................................................................................61

2.3.1 Espacios muéstrales finitos..........................................................................................62

2.3.3 Leyes de probabilidad..................................................................................................62

2.3.3.1 Regla de la adición...................................................................................................66

2.3.3.3 Independencia y regla de la multiplicación..............................................................69

2.3.3. Teorema de Bayes......................................................................................................71

3. Variables aleatorias discretas unidimensionales..................................................................75

3.2 Distribución de probabilidad..........................................................................................75

Ejemplo de la distribución de pesos.................................................................................75

Ejemplo del número de quejas de clientes........................................................................77

3.3 Esperanza y varianza......................................................................................................78

3.5 Distribuciones de probabilidad de variables aleatorias discretas.......................................79

3.5.1 Distribución binomial..................................................................................................80

3.5.3 Distribución de Poisson...............................................................................................86

9. Aspectos interesantes de la experiencia personal relacionados con los temas de estudio 87

desarrollo del aprendizaje........................................................................................................87

12. Glosario personal..........................................................................................................87

13. Propuestas para mejorar aspectos de enseñanza-aprendizaje........................................87

La presente investigación se refiere al tema de la Estadística, que se puede definir es la

ciencia cuyo objetivo es reunir una información para facilitar al hombre el estudio

de datos masivos de individuos, grupos, series de hechos, etc. y deducir de ello gracias

También se refiere a la importancia, métodos e importancia de la estadística ya que está

relacionada con el estudio de proceso cuyo resultado es más o menos imprescindible y con la

La Estadística se ocupa de los métodos científicos para recolectar, organizar, resumir,

información precisa de los datos.

 Comprenderla importancia del estudio de la estadística, para lo cual es necesario un

acercarnos un poco más al tema de la Estadística.