2

CURRÍCULUM VITAE

DATOS PERSONAL:

Nombre y Apellido: Roberto Oscar Cadar

TÍTULOS:

a) Nivel Medio

* Perito Mercantil otorgado por el Colegio Salesiano “Ángel Zerda” en 1974.

b) Nivel Superior

* Licenciado en Administración de Empresas otorgado por la Universidad Católica de Salta en 1983. (Matrícula
Profesional 059 - Consejo Profesional de Ciencias Económicas).
* Profesor en Ciencias Económicas otorgado por la Universidad Nacional de Salta en 1988.

CARGOS DESEMPEÑADOS EN LA DOCENCIA

* Director de Estudios (Titular) del Instituto Superior del Profesorado “José Manuel Estrada” desde 01-04-86 hasta
la fecha.
* Rector (Suplente) del Instituto “José Manuel Estrada” - Niveles Medio y Terciario, desde el 17-02-92 hasta el 24-
09-93.
* Jefe de la carrera de Administración de Empresas (interino) dependiente de la Facultad de Economía y
Administración de la Universidad Católica de Salta desde el 07-03-89 hasta el 01-05 de 1989.
* Supervisor Técnico de la Dirección General de Educación Superior dependiente del Ministerio de Educación de
la Provincia de Salta desde el 27-09-93 hasta el 10-12-95.
* Secretario Académico de la Escuela de Negocios de la U.C.S desde el 2-7-95 hasta el 10-03-97.

OTROS CARGOS DESEMPEÑADOS:

* Secretario Técnico de la Dirección de Estadísticas y Censos de la Universidad Católica de Salta desde el 03-05-
88 hasta el 06-03-89 y del 02-07-89.
* Secretario Regional de la Sociedad Argentina de Estadística desde 1992 hasta la fecha.

ANTECEDENTES DOCENTES:

a) Nivel Medio

- Instituto “José Manuel Estrada”

Profesor Titular en las siguientes asignaturas:
* Estadística Metodológica de 5º año desde el 08-05-80 a la fecha.
* Organización de Empresas de 5º año desde el 09-03-81 al 13-03-83.
* Economía Política de 4º año desde el 17-03-81 al 10-03-85.
* Contabilidad de 1º año desde el 12-03-84 hasta agosto de 1986.

Profesor suplente en las siguientes asignaturas:

* Análisis de Balance de 5º año desde el 14-03-83 al 16-05-83 y desde el 22-06-84 al 05-08-84.
* Organización de Oficinas de 3º año desde el 01-08-83 al 29-11-83.
* Contabilidad de 3º año desde el 22-06-84 al 05-08-84.

- Instituto Privado “Carlos Guido Spano”

* Profesor titular de la asignatura Organización del Comercio y la Empresa desde el 19-08-80 hasta el 28-02-
85.
 3

- Colegio Salesiano “Ángel Zerda”

Profesor titular en las siguientes asignaturas:
* Sistematización Administrativa y Contable de 3º, 4º y 5º año desde marzo de 1982 hasta el 11-12-95.
* Organización del Comercio y de la Empresa desde marzo de 1984 hasta diciembre de 1997.
* Contabilidad y Sistematización Administrativa - Contable de 3er. año desde el 01-02-98 a la fecha.

- Bachillerato Integral “Raúl Scalabrini Ortiz”

* Profesor suplente de la asignatura Probabilidad y Estadística desde el 08-10-90 hasta el 30-12-90.

- Colegio de la “Divina Misericordia”

* Profesor de Contabilidad de 3º año desde marzo a julio de 1991.

b) Nivel Superior No Universitario

Profesor titular en el Instituto Superior del Profesorado “José Manuel Estrada” en las siguientes asignaturas:
* Estadística de 3º año del Profesorado en Ciencias Jurídicas y Contables desde el 01-04-86.
* Metodología y Práctica de la Enseñanza de 4º año de la carrera del Profesorado en Ciencias Jurídicas y
Contables del Instituto del Profesorado “José M. Estrada” desde el 01-04-88 a la fecha.

c) Nivel Superior Universitario

Profesor adjunto a cargo en la Universidad Católica de Salta en las siguientes cátedras:
* Estadística en la carrera de Servicio Social desde 17-03-86 hasta la fecha.
* Estadística en la carrera de Administración de Empresas y la carrera de Economía desde el 18-08-86 hasta la
fecha.
* Estadística en la carrera de Geografía desde el 23-03-87 hasta diciembre de 1991.
* Estadística en la carrera de Ingeniería Industrial desde el 26-03-90 al 31-12-90.
* Estadística en la carrera de Comunicaciones Sociales desde marzo de 1991 hasta la fecha.
* Estadística Aplicada en la carrera de Turismo desde agosto de 1992 hasta la fecha.
* Administración del Personal desde el 15-08-88 al 31-12-88 y desde el 14-08-89 al 31-12-89.
* Métodos y Modelos Decisionales en la carrera de Administración de Empresas desde marzo de 1.994 hasta
la fecha.

ÍNDICE
UNIDAD I: SIGNIFICADO Y ALCANCE DE LA
ESTADÍSTICA .................................................................. 6
1. La Estadística como disciplina científica ....................... 7
2. Aplicaciones de la estadística ....................................... 7
2.1. Aplicación en distintas disciplinas .......................... 7
2.2. Aplicación en la Economía y los Negocios ............. 8
3. La Falsedad estadística ................................................ 8
Actividad Nº 1 .................................................................... 8
UNIDAD II: LA INVESTIGACIÓN ESTADÍSTICA ............ 9
1. Etapas de un trabajo estadístico ................................. 10
2. Variables ..................................................................... 10
3. Datos estadísticos ....................................................... 11
Actividad Nº 2 .................................................................. 12
4. Población y Muestra .................................................... 13
4.1. Población .............................................................. 13
4.2. Población finita y población infinita........................ 14
4.3. Muestra ................................................................. 14
4.4. Parámetro y Estadígrafo ....................................... 15
Actividad Nº 3 .................................................................. 15
5. Objetivos del Análisis Estadístico ................................ 16
5.1. Estadística Descriptiva .......................................... 16
5.2. Estadística Inferencia ............................................ 17
Actividad Nº 4 .................................................................. 18
6. Relevamiento de datos estadísticos ............................ 18
6.1. Concepto .............................................................. 18
6.2. Clases de fuentes................................................. 19
6.3. Experimentos y Encuestas. Métodos de recolec-
cción de datos ....................................................... 20
6.4. El proceso de obtener datos ................................. 20
7. Organización de los datos ........................................... 21
7.1. Corrección ............................................................. 21
7.2. Clasificación .......................................................... 21
7.3. Tabulación ............................................................. 21
Actividad Nº 5 .................................................................. 22
8. Presentación de los datos estadísticos ....................... 22
8.1. Introducción ........................................................... 22
8.2. Cuadros estadísticos ............................................. 23
Actividad Nº 6 .................................................................. 25
8.3. Gráficos Estadísticos............................................. 26
Actividad Nº 7 .................................................................. 33
Actividad Obligatoria ....................................................... 34
UNIDAD III: DISTRIBUCIÓN DE FRECUENCIAS ......... 36
1. Introducción................................................................. 36
2. Series estadísticas ...................................................... 36
3. Distribución de frecuencias ......................................... 36
4. Distribución de frecuencias para variables continuas . 37
4.1. Organización de los datos .................................... 37
4.2. Construcción de las tablas de frecuencias ............ 38
4.3. Tabulación de los datos ........................................ 40
4.4. Marca de clase (xi)................................................ 40
4.5. Distribución de frecuencias relativas simples (fr) .. 40
4.6. Gráficos de distribución de frecuencias simples ... 41
4.7. Algunas situaciones particulares con las tablas de
frecuencias............................................................ 43
4.8. Distribuciones de frecuencias acumuladas ........... 45
5. Distribución de frecuencias para variables discretas .. 47
6. Distribución de frecuencias para variables cualitativas 49
Actividad Nº 8 .................................................................. 50
Actividad Nº 9 .................................................................. 50
Actividad Nº 10 ................................................................ 51
Actividad Nº 11 ................................................................ 51
Actividad Nº 12 ................................................................ 52
Actividad Nº 13 ................................................................ 52
Actividad Nº 14 ................................................................ 53
4
UNIDAD IV: RESUMEN DE INFORMACIÓN A TRAVÉS
DE MEDIDAS DESCRIPTIVAS ....................................... 54
1. Concepto...................................................................... 54
2. Medidas de posición .................................................... 54
2.1. Media aritmética .................................................... 54
2.2. Mediana ................................................................. 58
2.3 Moda ...................................................................... 59
Actividad Nº 15 ................................................................ 60
2.4. Media aritmética, mediana y moda para datos
agrupados .............................................................. 61
Media aritmética combinada .................................. 63
Actividad Nº 16 ................................................................ 63
Actividad Nº 17 ................................................................ 66
Actividad Nº 18 ................................................................ 68
2.5. Otras medidas de posición .................................... 69
Uso de la G para obtener tasas promedio de
crecimiento ............................................................ 70
Actividad Nº 19 ................................................................ 76
3. Medidas de Dispersión ................................................ 77
3.1. Rango .................................................................... 77
Características del Rango...................................... 78
3.2. Desviación Absoluta Promedio .............................. 78
Características de la DM........................................ 78
3.3. Varianza ................................................................ 79
3.4. Desviación típica o estándar.................................. 80
Principales característica de la desviación típica ... 80
3.5. Varianza y desvío típico de una muestra ............... 81
Actividad Nº 20 ............................................................. 81
3.6. Coeficiente de Variación ........................................ 82
Actividad Nº 21 ................................................................ 84
3.7. Varianza y desvío típico para datos agrupados ..... 84
Actividad Nº 22 ................................................................ 85
3.8 Otras medidas de dispersión .................................. 86
4. Formas de la distribución ............................................. 87
4.1. Simetría y Asimetría .............................................. 87
4.2. Distribuciones asimétricas ..................................... 88
4.3. Coeficiente de Asimetría de Pearson .................... 89
4.4. Curtosis ................................................................. 90
Actividad Nº 23 ................................................................ 91
EL GRÁFICO DE CAJA ................................................ 91
Actividad Obligatoria ........................................................ 95
UNIDAD V: TEORIA DE LAS PROBABILIDADES ......... 96
1. Introducción ................................................................. 96
2. Conceptos básicos....................................................... 96
2.1. Evento aleatorio - Esp.muestral - Experimento ..... 96
2.2. Eventos aleatorios simples y compuestos ............. 97
Actividad Nº 24 ................................................................ 97
3. Los tres enfoques de la Probabilidad ........................... 98
3.1. Probabilidad clásica ............................................... 98
3.2. Frecuencia relativa de ocurrencia .......................... 99
3.3. Probabilidad subjetiva ......................................... 100
Actividad Nº 25 .............................................................. 100
4. Axiomas de Probabilidad ........................................... 101
5. Reglas de Probabilidad .............................................. 101
5.1. Eventos mutuamente excluyentes y no excluyen-
tes. Reglas de la adición ...................................... 101
Actividad Nº 26 .............................................................. 104
5.2. Eventos independientes y dependientes. Reglas de
la multiplicación ................................................... 105
Probabilidades conjuntas utilizando tablas de
contingencias ....................................................... 106
Actividad Nº 27 .............................................................. 109
6. Reglas de conteo ....................................................... 110
6.1. Regla de la multiplicación .................................... 110

6.2. Permutaciones .................................................... 111
6.3. Variaciones ......................................................... 111
6.4. Combinaciones ................................................... 112
6.5. Aplicación de permutaciones y combinaciones pa-
ra determinar probabilidades .............................. 113
Actividad Nº 28 .............................................................. 114
7. Teorema de Bayes .................................................... 115
Actividad Nº 29 .............................................................. 116
Ejercicios de Repaso .................................................... 117
Respuestas a los ejercicios de la Unidad V .................. 120
Ejercicios de Repaso .................................................... 122
UNIDAD VI: DISTRIBUCIÓN DE PROBABILIDADES . 124
1. Distribución probabilística ......................................... 124
1.1. Concepto de Función .......................................... 124
1.2. Variable aleatoria ................................................ 124
1.3. Función probabilística ......................................... 125
1.4. Distribución probabilística ................................... 125
Actividad Nº 30 .............................................................. 126
2. Valor esperado .......................................................... 126
3. Media y varianza de la población .............................. 127
3.1. Media de la población ......................................... 127
3.2. Varianza de la población ..................................... 128
Actividad Nº 31 .............................................................. 129
4. Distribuciones de probabilidades discretas ............... 130
4.1. Distribución binominal ......................................... 130
Uso de las tablas................................................. 131
Media y desviac. típica en la distribuc. binomial . 132
Actividad Nº 32 .............................................................. 133
4.2. Distribución de Poisson ...................................... 133
Aproximación de la distribución de Poisson a la
distribución binomial............................................ 134
Actividad Nº 33 .............................................................. 135
4.3. Distribución hipergeométrica .............................. 135
Actividad Nº 34 .............................................................. 136
5. Distribución de probabilidades continuas .................. 137
5.1. Distribución Normal............................................. 137
Actividad Nº 35 .............................................................. 146
5.2. Distribución exponencial ..................................... 146
ACTIVIDAD INTEGRADORA ........................................ 148
Ejercicios de Repaso .................................................... 148
Respuestas a los ejercicios de la Unidad VI ................. 149
Ejercicios de Repaso .................................................... 150
APÉNDICES ................................................................. 151
Apéndice 1 .................................................................... 151
Distribución Probabilísticas Binomiales ......................... 151
Apéndice 2 .................................................................... 153
Probabilidades acumuladas para distribuc.binomiales .. 153
Apéndice 3 .................................................................... 155
Probabilidades Poisson ................................................. 155
Apéndice 4 .................................................................... 159
Apéndice 5 .................................................................... 160
Valores de e  ................................................................ 160
-
UNIDAD VII: DISTRIBUCION EN EL MUESTREO ...... 161
1. Introducción............................................................... 161
2. Importancia de la muestra ......................................... 167
3. Error muestra ............................................................ 162
4. Distribución en el muestreo ....................................... 162
5. Error estándar ........................................................... 162
REFERENCIAS:
5
6. Distribución muestral de medias ................................ 168
7. Distribución muestral de proporciones ....................... 164
8. Teorema del límite central.......................................... 165
Actividad Nº 36 .............................................................. 166
Respuestas a los ejercicios de la Unidad VII ................. 168
UNIDAD VIII................................................................... 169
TEORÍA CLÁSICA DE LA ESTIMACIÓN ..................... 169
1. Introducción ............................................................... 169
2. Estimador y Estimación ............................................. 169
3. Tipos de Estimaciones ............................................... 169
5. Estimaciones puntuales ............................................. 170
Actividad Nº 37 .............................................................. 171
6. Estimación por intervalo ............................................. 171
6.1. Introducción ......................................................... 171
6.2. Nivel e Intervalo de Confianza ............................. 172
6.3. Cálculo de Estimaciones por intervalos para
muestras grandes ................................................ 173
Actividad Nº 38 .............................................................. 176
Respuestas a los ejercicios de la Unidad VIII ................ 177
UNIDAD IX: TEST DE HIPOTESIS ............................... 178
1. Generalidades............................................................ 178
3. Hipótesis exactas e inexactas .................................... 181
4. Pruebas de hipótesis con muestras grandes ............. 181
4.1. Prueba de una media poblacional ....................... 181
4.2. Prueba de la proporción de la población ............. 182
4.3. Prueba para la diferencia de medias ................... 182
5. Error de tipo II. Curva Característica Operativa y Curva
de Potencia de Contraste ........................................... 184
Actividad Nº 39 .............................................................. 187
6. Inferencia para muestras pequeñas. La Distribución “t”
de Student .................................................................. 188
6.1. Introducción ......................................................... 188
6.2. Características..................................................... 188
6.3. Uso de la tabla..................................................... 189
6.4. Inferencia estadística utilizando la distribución t .. 190
6.5. Grados de libertad ............................................... 195
Actividad Nº 40 .............................................................. 196
Respuestas a los ejercicios de la Unidad IX .................. 197
UNIDAD X: LA DISTRIBUCIÓN JI CUADRADA (2) ... 199
1. Características de la distribución ............................... 199
2. Uso de las tablas de  .............................................. 199
2
3. Aplicaciones de  ..................................................... 200
2
3.1. Prueba para la bondad de ajuste ......................... 201
Actividad Nº 41 .............................................................. 206
3.2. Test de Independencia ........................................ 207
3.3. Prueba de Homogeneidad ................................... 209
Actividad Nº 42 .............................................................. 211
3.4. Prueba de una varianza de la población ............. 211
ACTIVIDAD OBLIGATORIA........................................... 213
Respuestas a los ejercicios de la Unidad X ................... 214
APÉNDICES .................................................................. 215
Apéndice 6 ..................................................................... 215
Tabla de números aleatarios ......................................... 215
Apéndice 7 ..................................................................... 216
Valores porcentuales de la distribución t ....................... 216
Apéndice 8 ..................................................................... 217
2
Valores porcentuales de la distribución X ..................... 217
 6

Actividad en el Foro.

Actividad de Reflexión no obligatoria.

Actividad Grupal.

Actividad Individual.

Actividad Obligatoria. Debe ser enviada para su evaluación.

Atención.

Audio

Bibliografía.

Glosario.

Página web - Internet.

Sugerencia.

Video.

UNIDAD I
SIGNIFICADO Y ALCANCE DE LA ESTADÍSTICA
 7

1. La Estadística como disciplina científica

En el lenguaje cotidiano se utiliza la palabra "estadística" como un conjunto de cifras
referido a alguna actividad, por ejemplo: número de accidentes de tránsito durante un
año, cifras de producción de cereales; índices mensuales de precios al consumidor,
etc.

Sin embargo, por "estadística" debe entenderse algo más elaborado y más susceptible
de tratamiento científico. En la actualidad, todas las disciplinas utilizan la información
estadística con el objeto de planificar cursos de acción, y aun cuando se trabaja en
condiciones de incertidumbre, deben tomarse las decisiones correspondientes. La
Estadística, precisamente, proporciona un conjunto de métodos para la preparación de
decisiones acertadas frente a la incertidumbre. Trata de la resolución de problemas, y
en consecuencia, se encuentra dentro de los límites del método científico.

Queda claro, entonces, que hoy en día los métodos estadísticos no se aplican
únicamente para reunir cifras históricas, sino que deben permitir el tratamiento de la
información numérica con fines de obtener conclusiones útiles y elaborar pronósticos.
Por ejemplo, en el nuevo escenario económico, un gerente utiliza los datos de ventas
no sólo para conocer los resultados económicos, sino con el propósito de hacer
estimaciones y analizar tendencias.

De todo lo expuesto, se puede resumir el concepto de Estadística como sigue:

“Es la disciplina que comprende un conjunto de teorías, métodos y técnicas

para obtener, describir e interpretar datos e informaciones con el objeto de
tomar decisiones y predecir fenómenos que pueden expresarse en forma
cuantitativa”.

2. Aplicaciones de la estadística

2.1. Aplicación en distintas disciplinas

Existen dos tipos extremos respecto a la Estadística: una aceptación indiscriminada,

donde se pretende tomar decisiones basándose solamente en métodos estadísticos; o
bien, una desconfianza sistemática en ella, lo que lleva a ignorar muchos hechos de la
realidad. Es por ello que debe adoptarse una actitud intermedia, es decir utilizar los
métodos y técnicas estadísticas como herramientas para el logro de objetivos
buscados. Ningún procedimiento estadístico, en sí mismo, puede conducir
directamente a resultados buscados. La utilización adecuada depende de la habilidad
y exigencias de quienes los emplee1.

Como en todas las disciplinas se realizan trabajos de investigación, los métodos

estadísticos son instrumentos fundamentales de aplicación. Se pueden citar los
siguientes ejemplos:

- En Agricultura, un área relacionada con las Ciencias Biológicas, se utilizan para

determinar los efectos de fertilizantes en la producción de cereales.
- En Medicina, se emplean para determinar los posibles efectos de un nuevo
tratamiento para una determinada enfermedad.
- En Ingeniería Industrial, es fundamental el conocimiento sobre las técnicas
estadísticas de control de calidad.

1
D’Ottone, Horacio, Op. Cit. en la bibliografía.
 8

De la misma manera se puede afirmar que la Estadística es de gran utilidad en

Psicología, Educación, Sociología, Antropología, Geografía, Turismo, Química, etc.

2.2. Aplicación en la Economía y los Negocios

La creciente complejidad de la Economía provoca cada vez mayor incertidumbre para

las operaciones de cualquier empresa, pero como ya se dijo, los administradores
deben igualmente resolver problemas y tomar decisiones. Particularmente, en el
campo de la Administración, la Estadística ha demostrado ser una importante
herramienta en áreas tales como investigación de mercados, evaluación de proyectos,
pronósticos de ventas, etc. En la actualidad, se trata de incluir todos los métodos
relacionados con las decisiones estadísticas en una teoría que las abarque por
completo denominada "teoría de las decisiones".

Se debe puntualizar la importancia de los métodos estadísticos para cualquier

gobierno. Por ejemplo, la obtención de diferentes indicadores como ser el PBI, índices
de precios, tasas de interés, y otros, sirven no sólo para describir el estado actual de la
economía, sino que proporcionan ideas de las tendencias, lo que permite evaluar las
medidas de un plan económico. Estos indicadores también son utilizados por los
distintos sectores económicos que llevarán a decisiones respecto a las operaciones y
políticas de cada uno.
i

3. La Falsedad estadística
La mala utilización de los métodos estadísticos lleva a resultados erróneos que
destruyen el valor de cualquier investigación. Obtención de datos insuficientes,
construcciones inadecuadas de gráficos, datos muestrales no representativos, son
algunas de las situaciones que llevan a interpretaciones engañosas y conclusiones
equivocadas.

Por lo expresado, se requiere de cuidado y prudencia en el manejo de datos

estadísticos. Los errores cometidos son involuntarios en muchos casos, pero también
puede mentirse con estadísticas debido a intereses creados. El primer ministro
británico del siglo XIX, Benjamín Disraeli expresó burlonamente que "existen tres tipos
de falsedades: las mentiras, las mentiras detestables y las estadísticas".

A medida que se avance en el desarrollo de los temas se irán haciendo referencias al

mal uso de la estadística en distintos métodos, técnicas y procedimientos.

Actividad Nº 1

1.a. Busque en el diccionario las distintas acepciones del vocablo

"estadística".
 9

b. De acuerdo a los conceptos desarrollados en el punto 1 de este

módulo y a las acepciones expuestas en (a), construya su propia
definición de estadística y explíquela.

2. Realice un listado de por los menos 5 actividades o ámbitos

empresariales donde la estadística resulte esencial.

3. Ilustre con un ejemplo la aplicación de la estadística en cada una

de las siguientes disciplinas:

a) Geografía
b) Turismo
c) Educación
d) Psicología

4. En los procesos decisorios se utilizan también los modelos

proporcionados por la Investigación operativa y la Econometría.

Investigue cuál es la finalidad de cada una y establezca la relación

con la Estadística.

5. Consulte la bibliografía y elabore un resumen sobre la historia de

la Estadística.

UNIDAD II
LA INVESTIGACIÓN ESTADÍSTICA
 10

1. Etapas de un trabajo estadístico

Toda investigación estadística es un procedimiento sistemático que tiene las
siguientes etapas:

1. Formulación del problema: Debe determinarse en forma precisa el objeto de la

investigación, es decir "el qué" y "el para qué" se investiga. Deben indicarse los
sujetos del estudio (unidades de observación) y las características de interés
(variables).

2. Diseño del experimento: Se denomina "experimento" a la observación planeada

de un fenómeno de cualquier índole con la finalidad de describir su comportamiento
y/o tomar una decisión. Formulado el problema, el investigador debe decidir si
estudia toda la población (universo) o sólo una parte de ella (muestra). En el Primer
caso deberá realizar un censo (enumeración completa de la población). Si elige una
muestra, deberá diseñar el procedimiento adecuado para obtener una muestra
representativa de la población.

3. Relevamiento de datos: Se procede a recopilar los datos de las distintas fuentes

disponibles utilizando los distintos métodos de recolección.

4. Organización y presentación de datos: Los datos organizados y presentados en

cuadros (tablas) y/o gráficos se convierten en información útil para facilitar la lectura
y el análisis de la misma.

5. Análisis: Según sea el objetivo de la investigación, el análisis puede ser descriptivo

o inferencial. (Ver tema 5).

6. Interpretación: Los resultados obtenidos, que están expresados en lenguaje

estadístico, deben ser "traducidos" al lenguaje de la disciplina científica en la cual
se investiga. La interpretación permite la elaboración de conclusiones y la toma de
decisiones.

2. Variables
Cualquier objeto o evento cuyas características son observables constituye un
"fenómeno". En un sentido más amplio se puede decir que un "fenómeno" indica qué
aspectos de la realidad está bajo observación o estudio.

Sea la siguiente información sobre el personal de una universidad.

CARGO Y SEXO
ANTIGÜEDAD
Docentes Administrativos
(en años)
V M V M
0–5 3 5 2 4
5 – 10 18 16 19 11
10 y más 45 60 22 24
TOTAL 66 81 43 39
En la información del cuadro hay 3 características observables: antigüedad, cargo y
sexo. Cada una de ellas constituye una variable.

Una variable es una propiedad o característica de un objeto de estudio que puede

asumir distintos valores. También puede definirse como una característica observable
de un objeto de estudio que se puede describir según un esquema de clasificación y
medición bien definida.
 11

VARIABLE VALORES O CATEGORIA DE VARIABLES

Antigüedad 0-5 5 – 10 10 y más
Cargo Docente – Administrativo
Sexo Varón - Mujer

Las variables se clasifican: en a) cualitativas y b) cuantitativas.

a) Las variables cualitativas, llamadas también "atributos", expresa propiedades de los

fenómenos que se pueden describir cualitativamente y, desde luego, no están
representadas numéricamente. Ej.: Cargo y Sexo. Otros ejemplos: nacionalidad,
nivel instrucción, estado civil, etc.

b) Las variables cuantitativas son las expresiones numéricas de algunas propiedades

de los fenómenos. En la información sobre el personal, la antigüedad es una
variable continua. Otros ejemplos: edad, peso, estatura, etc.

Las variables cuantitativas pueden ser: "discretas" o "continuas":

- Las variables discretas son aquellas que pueden tomar sólo ciertos valores es el
intervalo considerado y no admiten valores intermedios. Generalmente son
valores enteros. Ej.: el número de hijos. Una familia puede tener 0,1, 2... hijos,
pero no algún valor intermedio.
- Las variables continuas son las que pueden tomar cualquier valor en el intervalo
considerado. Ej.: el peso. Una persona que pesa 65 kgs., redondeando a enteras
se puede tener la certeza que su peso es un valor entre 64,5 y 65,5 kgs. Puede
pesar 65 a 65,385 kgs., o cualquier valor entre 64,5 y 65,5 kgs.

Hay muchas variables continuas cuyos valores parecen ser discretos. Por ejemplo, la
edad de una persona. Si alguien dice que cumplió 25 años, en realidad tiene 25 años
más una fracción de año.

Ahora bien, el empleo de fracciones o decimales no significa que necesariamente las

variables sean continuas. En algunas competencias deportivas participantes pueden
recibir calificaciones como 7; 7,5; 8; 8,5. Estos valores son discretos ya que no se
puede calificar entre 7 y 7,5.

En resumen:

- Las observaciones para una variable discreta se obtienen por el proceso de "conteo":
número de acciones vendidas en la Bolsa, unidades de un producto en un inventario,
etc.
- Las observaciones para una variable continua se obtienen por el proceso de
"medición": peso, estatura, temperatura, etc.

3. Datos estadísticos
Un dato es el valor de la variable. Si una persona es "varón", "docente" y tiene una
antigüedad de "6 años" en la universidad, cada uno de estos valores individuales
constituye un dato para cada variable de interés.
 12

De hecho, los datos se presentan con algún tipo de "medición", es decir que los
registros de observaciones deben expresarse en números (o símbolos) de manera que
puedan aplicarse los métodos estadísticos.

Las características cuantitativas pueden transformarse en datos numéricos,

simplemente por medición directa en unidades tales como metro, kilogramos, pesos,
dólares, etc.

Si las características son cualitativas, las observaciones pueden clasificarse como

poseedoras o no de una cualidad o propiedad determinada. Un artículo puede
considerarse como "defectuoso" o "bueno". Pero los atributos pueden expresarse
numéricamente a los efectos de un tratamiento estadístico, por ejemplo, asignar el
valor 0 a los artículos defectuosos y el valor 1 a los artículos buenos.

En muchos casos, los datos cuantitativos también pueden ser tratados

cualitativamente según la naturaleza del problema bajo estudio. La calificación de
exámenes es cuantitativa, pero puede ser tratada como atributo, categorizando la
calificación o resultado como "aprobado" o "desaprobado".

Lo más importante para destacar es que no toda información numérica es considerada

como dato estadístico. La información apropiada para un análisis estadístico debe ser
un conjunto de números que muestren "relaciones significativas", es decir deben ser
cifras que puedan ser comparadas, analizadas e interpretadas. Un número aislado que
no muestre relación significativa no es un dato estadístico2.

Actividad Nº 2

1. Indique si el siguiente enunciado es correcto o incorrecto y

fundamentar la respuesta:

"Las variables discretas son las que asumen valores enteros"

2. Clasifique las siguientes variables:

a) Índices de desocupación de las provincias argentinas.

b) Número de asignaturas aprobadas por alumnos de una carrera
universitaria.
c) Causa de los accidentes de trabajo.
d) Densidad de población de los departamentos de la provincia de
Salta.
e) País de destino de las exportaciones argentinas.
f) Número de ambientes de las viviendas de un barrio.

3. ¿Por qué no cualquier número es un dato estadístico?

4. En diarios o revistas, identifique secciones que incluyan datos

estadísticos

2
Shao, Stephen, op. cit. En la bibliografía.
 13

4. Población y Muestra

4.1. Población

En la investigación estadística es fundamental definir el marco de referencia de

estudio, esto lleva a definir la Población o Universo.

Población es la totalidad de posibles mediciones y observaciones bajo

consideración en una situación dada de un problema.

Cada situación en particular implica definir una población diferente. Si el problema

consiste en analizar las evaluaciones del desempeño de todos los empleados de una
empresa comercial, entonces la población está constituida por las evaluaciones de
todos los empleados de esa empresa. Si el problema consiste solamente en el análisis
del desempeño de los vendedores de la empresa, entonces la población está formada
por las evaluaciones de todos los vendedores de la organización. Es fundamental que
la población quede claramente especificada a fin de identificar los integrantes de la
misma.

Cada elemento de la población se denomina "unidad elemental de observación".

Sobre cada una de ellas se efectuarán las mediciones de las características o
propiedades que pueden ser cuantitativas o cualitativas.

Ejemplo: Durante una auditoría en una librería se revisan las cuentas corrientes de los
clientes a efectos de determinar el saldo promedio.

- La población consiste en todas las cuentas corrientes de los clientes del negocio.
- La variable bajo estudio es el saldo. Es cuantitativa.
- La unidad de observación es cada cuenta individual.

Es fundamental definir cuidadosamente la unidad elemental y su característica

observada. En un estudio sobre viviendas puede interesar el número de habitaciones
de cada una. Pero, ¿qué es una habitación? ¿Un dormitorio, un cuarto de baño, una
cocina? ¿Se incluirán todas las dependencias de la vivienda o sólo algunas? Otro
ejemplo puede ser un análisis sobre la rentabilidad de las pequeñas empresas. En
este caso habrá que precisar qué es una pequeña empresa y qué características se
tendrán en cuenta para considerarla como tal.

Puede ocurrir que distintos investigadores se opongan en las definiciones sobre una
misma cuestión básica. Por ejemplo, si se toma en consideración al “turista” como
unidad de observación para un análisis cualquiera, puede ocurrir que para un
economista, un turista sea la persona que se desplaza de su residencia habitual, ya
que tal desplazamiento lo obliga a realizar gastos de hotelería, transporte, comida, etc.
cualquiera sea la “motivación” del viaje; sin embargo un sociólogo puede considerar
que un “viajante de comercio” o “un director de una S.A." que asiste a una reunión de
trabajo, no es un turista, puesto que la motivación de su viaje es consecuencia de la
actividad laboral.

En resumen, la definición de la población y las características de sus unidades

elementales dependen de la naturaleza del problema que se estudia, lo que importa es
que esa definición sea lo más precisa posible.
 14

4.2. Población finita y población infinita

Se denomina población “finita” a la que incluye un número limitado de

observaciones.

Por ejemplo, el conjunto de salarios de los operarios en una compañía. Algunas

poblaciones finitas incluyen solamente unos cuantos datos, mientras que otras,
consisten en miles o millones de datos. Siempre que sea posible alcanzar el número
total de observaciones, se considera como finita la población.

Población “infinita” es aquella que incluye una gran cantidad de medidas u

observaciones que no pueden alcanzarse por conteo.

Una población de este tipo podría ser todas las baterías posibles que fabricaría un
industrial si continuara trabajando indefinidamente, bajo determinadas condiciones de
operación. Otra población infinita sería todos los resultados posibles al lanzar un dado
en forma continua e indefinida. En las poblaciones infinitas, no puede obtenerse
información completa, por lo que para poder estudiarla se deberá trabajar con una
muestra.

4.3. Muestra

Si las poblaciones que se investigan son infinitas, se dijo que el único procedimiento
posible es el de muestreo; como no puede contarse con todos los elementos de la
población, se toma de la misma una parte. En el caso de poblaciones finitas, el
muestreo sigue siendo el único procedimiento práctico, sobre todo si éstas son muy
grandes y su enumeración completa es prácticamente imposible. Por ejemplo, si se
desea investigar las preferencias de las amas de casa de la ciudad de Salta sobre una
marca de jabón, no será posible entrar en contacto con todas ellas, más bien se
encuestará a una parte de ella, o sea, se obtendrá una muestra.

Una muestra es un conjunto de observaciones tomadas a partir de una

población dada. Es un subconjunto de la población o universo.

Fundamentalmente, una muestra se elige por las siguientes razones:

a) MENOR COSTO. Cuando los datos se obtienen mediante una muestra, los gastos
son menores que si se trabaja con un censo completo.

b) MAYOR RAPIDEZ. Los datos se pueden recopilar y procesar más rápidamente. Esto
es importante si la información se requiere con urgencia.

c) MAYOR ALCANCE. Como se trabaja con una parte de la población, es posible

obtener información más completa y precisa que si se trabaja con un censo.

d) En otros casos, el examen de los elementos requiere de la destrucción de los

mismos, como por ejemplo cuando se desea determinar la calidad de los fósforos;
aquí, el control se debe hacer con una muestra porque si se trabajara con el censo
esto implicaría la destrucción de toda la producción y no quedarían productos
después del examen.

De hecho, toda muestra debe ser representativa del universo que se estudia, para
permitirle al investigador extraer conclusiones en cuanto a las relaciones entre sus
variables y establecer generalizaciones, es decir inferencias válidas a la población.
 15

Existen varios tipos de diseños de muestras, pero todos ellos producen dos categorías
de muestras. Las probabilísticas y las no probabilísticas.

En las muestras probabilísticas todos los elementos de la población tienen una

probabilidad conocida de ser incluidos en la muestra.

Las muestras no probabilísticas son muestras de "juicio" donde el investigador elige

los elementos que, en su opinión, son representativas de la población.

4.4. Parámetro y Estadígrafo

Las características medibles de una población se denominan parámetros. Por

ejemplo, se desea realizar un análisis sobre los resultados de una prueba de ingreso a
todos los aspirantes a las carreras universitarias de Ciencias Económicas en la
provincia de Salta. Suponiendo que se trabaje con la población, se puede obtener un
promedio de todas las calificaciones de los aspirantes en la prueba. Ese promedio
describe una característica del universo, por lo tanto constituye un parámetro.

Si se decide trabajar con una muestra, se selecciona un grupo de aspirantes, se

registran sus calificaciones en la prueba y se obtiene un promedio. En este caso, ese
promedio está calculado sobre una muestra y se denomina estadígrafo o estadístico.
Los estadígrafos son las características medibles de una muestra.

Actividad Nº 3

1) Se ha hecho un estudio para determinar la preferencia de una

marca especial de detergente por parte de las amas de casa de la
ciudad de Salta. Entre las 200 amas de casas entrevistadas, 120
respondieron que preferían esa marca.

a) ¿Cuál es la población?
b) ¿Cuál es la unidad de observación?
c) ¿Qué constituye la muestra?

2) Se lanza una moneda 100 veces y se obtienen 60 caras.

a) ¿Qué constituye la muestra?

b) ¿Qué constituye la población?

3) Durante una semana, en un cine asistieron 1000 espectadores.

Explique las circunstancias bajo las cuales estos 1000
espectadores pueden considerarse.

a) como muestra,
b) como una población.

4) La Municipalidad de Salta está efectuando una encuesta

domiciliaria de opinión sobre el servicio de recolección de
residuos. Con ese objetivo se ha ideado un esquema para realizar
un muestreo aleatorio de las casas en distintos puntos de la
 16

ciudad y planea efectuar encuestas durante los días hábiles de 9 a

14 horas. ¿Producirá este esquema una muestra aleatoria?

5) En cada uno de los siguientes casos, identifique:

1) el objetivo del trabajo,

2) la variable de interés,
3) la población,
4) la muestra,
5) la unidad de observación.

a) Varias veces durante el día un ingeniero de control de calidad,

en una fábrica textil, selecciona diferentes muestras de metros
cuadrados de tela, las examina y registra el número de
imperfecciones que encuentra.

b) El Ministerio de Trabajo investiga la seguridad de las empresas

industriales de la provincia de Salta. A tal efecto registra los
índices de accidentes de trabajo a 50 establecimientos elegidos
al azar.

c) A partir del registro de volantes en un distrito electoral, se toma

una muestra de 60 electores y encuentra que 30 están afiliados
a algún partido político.

5. Objetivos del Análisis Estadístico

Los datos estadísticos se pueden recopilar para fines prácticos (descriptivos) y de
conocimiento científico (inductivos). Según el objetivo, la Estadística puede dividirse en
Estadística Descriptiva y Estadística Inferencial.

5.1. Estadística Descriptiva

La estadística Descriptiva se refiere a aquella parte del estudio que incluye la

obtención, organización, presentación y descripción de información
numérica. El análisis se limita a los datos obtenidos en un caso particular y
no implica ningún tipo de inferencia o generalización.

Por ejemplo, un gerente de ventas desea conocer las aptitudes de cinco vendedores.
Obtiene las ventas realizadas por los mismos durante una semana y las presenta en el
siguiente cuadro:

Vendedor A B C D E
Monto (en miles de $) 18 25 20 15 22

Una medida estadística para describir esta información puede ser la venta media o
media aritmética.
 17

18 + 25 + 20 + 15 + 22
Media = = $ 20
5

En este caso, se utilizan métodos descriptivos, ya que el promedio resume y describe

la información obtenida y no hay ninguna generalización hacia las aptitudes de los
otros vendedores de la compañía.

Los datos pueden presentarse en diversos gráficos, como por ejemplo, un gráfico de
barras.

5.2. Estadística Inferencia

Si el interés del gerente de ventas es conocer las aptitudes de todos los vendedores
de la compañía, deberá recurrir a otros métodos estadísticos. Si carece de tiempo y de
recursos para trabajar con todos los datos, utilizará una muestra como base para
realizar una inferencia o estimación acerca de la venta media de todos los vendedores.
Para ello, deberá aplicar los métodos de la Estadística Inferencial o Inferencia
Estadística.

La Inferencia Estadística es un método mediante el cual se obtienen

generalizaciones o se toman decisiones acerca de una población basadas en
información de una muestra.

Se debe observar que la inferencia estadística se relaciona con la estadística

descriptiva, ya que la información parcial de la muestra es obtenida por métodos
descriptivos. La venta media de $ 20 que es el estadígrafo, podría utilizarse para
estimar la venta media de todos los vendedores de la empresa, es decir obtener una
estimación del parámetro.

Como la Estadística Inferencial trabaja sobre una muestra, también se denomina

Estadística Muestral.

En el ámbito de la administración de empresas, los métodos de inferencias son

fundamentales para la toma de decisiones. Se tomarán a modo de ejemplos dos casos
típicos.

- Un comerciante mayorista recibe un embarque de artículos comprados. Para

determinar la calidad de los mismos, inspecciona 50 unidades y encuentra que 5 son
defectuosas. ¿Rechaza el embarque y lo devuelve al proveedor?
 18

- Se emplean dos programas de capacitación para operarios de una empresa

industrial. Se aplican a dos grupos semejantes y al finalizar el período de
capacitación, se toma una prueba a ambos grupos. En base a la calificación
promedio de cada grupo, ¿podrá evaluarse la efectividad de los dos programas de
capacitación?

Visto los conceptos de ambas ramas de la Estadística, se puede dar una definición
más específica de esta disciplina:

La Estadística se refiere a un conjunto de métodos para manejar la

obtención, presentación y análisis de observaciones numéricas. Sus fines
son describir al conjunto de datos obtenidos (muestra) y tomar decisiones o
realizar generalizaciones acerca de las características de todas las posibles
observaciones bajo consideración. (Población)

Actividad Nº 4

1. Cinco baterías marca "Alfa" y cinco baterías marca "Beta" se

prueban para determinar su duración. Las duraciones para Alfa
son: 27, 38, 37, 35 y 33 meses; para la marca Beta, las
duraciones son: 25, 35, 28, 32 y 30 meses. A partir de las
siguientes conclusiones, identifique las que provienen de métodos
descriptivos y las que provienen de métodos inferenciales:
a) La duración promedio de las 5 baterías Alfa es de 34 meses y
la duración promedio de las 5 baterías marca Beta es de 30
meses.
b) La duración promedio de Alfa es mayor que la de Beta.
c) Probablemente, la duración promedio de todas las baterías Alfa
sea mayor que la duración promedio de todas las baterías
Beta.
d) Si el precio de Alfa es igual al precio de Beta, es preferible
comprar Alfa.

2. Un candidato a ocupar un cargo público asegura que ganará la

elección. Un sondeo de opinión indica que sobre 200 electores 40
votarán por él, 100 favorecerán a su oponente y 15 están
indecisos:
a) ¿Cuál es el parámetro poblacional de interés?
b) ¿Cuál de los estadígrafos debe utilizar para estimar el
parámetro?

3. Proporcione un ejemplo de utilización de Estadística Descriptiva e

Inferencia Estadística aplicada a la Economía y los Negocios.

6. Relevamiento de datos estadísticos

6.1. Concepto

El relevamiento consiste en la recopilación de datos de diversas fuentes.

 19

6.2. Clases de fuentes

a. Fuentes internas y fuentes externas

- Las fuentes internas son las que se encuentran dentro de la organización. Los datos
obtenidos de estas fuentes, denominados internos, son los relacionados
directamente con las actividades de la empresa. Estos datos están registrados en
comprobantes (facturas, recibos, etc.), fichas, registros contables, informes, o bien,
en forma codificada en discos, disquetes o memoria de una computadora. Por
ejemplo: la información que proporciona el departamento de ventas sobre el monto
de ventas de una compañía en un período determinado o los datos sobre la
asistencia de los empleados obtenidos de la Oficina de Personal.

- Las organizaciones necesitan también datos ajenos al funcionamiento y, por lo tanto,

deben recurrir a fuentes externas. Los datos externos pueden obtenerse de distintas
revistas o publicaciones; por ejemplo: una empresa agrícola requiere información
sobre exportaciones de granos puede recurrir a publicaciones de la Sociedad Rural
Argentina. En otras ocasiones, deben prepararse encuestas para recopilar datos no
disponibles en fuentes internas u otras por ejemplo, opiniones de los consumidores
de un nuevo producto.

b. Fuentes primarias y fuentes secundarias

- Las fuentes primarias son fuentes originarias de datos. Se denominan primarias

porque los datos son obtenidos de una publicación editada por el recopilador original.
Como los datos se recopilan por primera vez, se pueden utilizar experimentos
estadísticos y encuestas como métodos de recolección. En el ejemplo sobre las
opiniones de los consumidores de un nuevo producto, la encuesta diseñada por la
empresa constituye una fuente primaria.

- Las fuentes secundarias son aquellas que proporcionan toda la información existente
sobre el tema bajo estudio. Se denominan secundarias porque los datos son
obtenidos de una reimpresión, que es publicada por una persona u organización
distinta al recopilador original.

La utilización de fuentes primarias o secundarias depende de la necesidad y

disponibilidad de datos, como así también del costo y la confiabilidad. Las fuentes
primarias son más costosas, pero pueden ser más confiables. Si se utiliza una
encuesta, ésta debe ser cuidadosamente planteada ya que hay que establecer
objetivos, diseñar la muestra, preparar a los encuestadores, realizar pruebas pilotos;
todo esto lleva tiempo y dinero. Las fuentes secundarias tienen costos de búsqueda
más bajos, pero se debe evaluar la confiabilidad de las mismas, ya que los datos
pueden estar desactualizados, parcialmente publicados o pueden contener errores de
impresión.

Con respecto a publicaciones y revistas, existen una gran variedad de las mismas
confeccionadas por organismos gubernamentales (Ejemplo: publicaciones del INDEC,
del Banco Central, etc.). También se encuentran las estadísticas elaboradas por
Naciones Unidas (a través de sus organismos: FAO, OMS, UNESCO, UNICEF),
Organización de los Estados Americanos y otros organismos internacionales. Se
pueden consultar revistas especializadas de cámaras sectoriales, fundaciones,
institutos de investigaciones y otras entidades que compilan y publican datos sobre las
actividades que les conciernen.
 20

6.3. Experimentos y Encuestas. Métodos de recolección de datos

Un experimento estadístico es un proceso de recolección de datos donde se

ejerce un control sobre algunos o todos los factores que pueden influir
sobre la variable bajo estudio.

Por ejemplo, la administración de una compañía industrial desea conocer si el nuevo

plan de capacitación preparado por el departamento de personal conduce a un
aumento en la productividad. Un experimento para averiguar este problema podría
consistir en seleccionar a un grupo de operarios y hacerlo participar en el nuevo plan
de capacitación, dejando al otro grupo trabajando en las mismas condiciones. Luego,
se compararán las productividades de dos grupos y se evaluará si el plan es o no
efectivo.

Una encuesta estadística es el proceso de recopilación de datos

relacionados con las características de elementos, sin un control especial
que influya sobre la variable de interés.

Considerando el estudio de la productividad (variable bajo estudio) de los operarios, se

pueden obtener datos sobre la productividad durante los últimos meses y además se
puede obtener información sobre el nivel de instrucción, éste es unos datos de
encuesta. Se puede analizar la relación entre el nivel de instrucción y la productividad,
pero debe observarse que no se ejerce ningún control sobre el factor "instrucción".

6.4. El proceso de obtener datos

En las encuestas o experimentos se pueden utilizar distintos métodos. Algunos de

ellos son:

a) Observación directa: Es muy apropiado y eficiente para recopilar ciertos tipos de

datos. Un ejemplo clásico es el estudio sobre el tráfico de vehículos con el objeto de
organizar el tráfico de una ciudad. Los observadores se ubican en un determinado
punto de la ciudad para contar y registrar el número de vehículos que pasan por el
lugar. La cantidad y el tipo de datos que pueden ser recopilados por este método
son limitados. Una limitación puede ser los prejuicios del observador, quien registra
algunos hechos, pasando por alto otros que pueden ser importantes. Los
observadores deben ser entrenados de manera tal que puedan registrar con
precisión los datos relevantes de los fenómenos que se investigan. Por otro lado, la
observación debe ser de suficiente duración para que pueda obtenerse la cantidad
necesaria de datos.

b) Respuestas individuales: Los datos mediante respuestas individuales pueden

obtenerse por entrevistas personales, entrevistas telefónicas o cuestionarios
escritos. El cuestionario está especialmente indicado cuando los datos buscados
requieren respuestas muy concretas, o bien cuando las muestras son muy grandes.
Los datos para el Censo Nacional de Población y Vivienda, por ejemplo, se relevan
mediante un cuestionario. En otras ocasiones, los cuestionarios se envían por
correo, como sería el caso de una revista que desea conocer opiniones de sus
suscriptores acerca de la misma, de esta manera puede recabar los datos en
distintos lugares de un área geográfica determinada.

Si los datos requieren respuestas más matizadas, y mayor número de respuestas por
parte de las personas seleccionadas en la muestra, la entrevista personal sería el
método adecuado.
 21

La decisión de utilizar experimentos o encuestas y alguno de los métodos

mencionados depende de la naturaleza del problema, del costo y el tiempo disponible.
Cualquier encuesta o experimento debe planearse y conducirse con cuidado a efectos
de conseguir datos relevantes, es decir precisos y útiles. Existe la posibilidad de
emplear un método en particular o bien una combinación de dos o más, lo importante
es disponer de datos precisos y útiles.

7. Organización de los datos

7.1. Corrección

Antes de la presentación, será necesario efectuar una corrección de los datos

relevados para evaluar la confiabilidad de los mismos. En las entrevistas y
cuestionarios, son muy comunes errores cometidos por los entrevistadores o por los
respondientes. Puede haber omisiones, respuestas inconsistentes, respuestas
incompletas. Si se han utilizado fuentes secundarias, es necesario verificar que los
datos sean completos y/o actualizados.

Si no se revisan los datos, se corre el riesgo de continuar con una investigación que no
llevará a los resultados deseados y se habrá perdido tiempo y dinero.

7.2. Clasificación

La clasificación implica el establecimiento de grupos o clases para los resultados de

una variable. El criterio de clasificación depende de los objetivos y el método de
estudio. La clasificación es importante para el análisis de relaciones entre variables.

El monto de ventas, por ejemplo, puede clasificarse por año o por sucursal de una
compañía. Los empleados de una empresa pueden clasificarse por categorías o por
nivel de instrucción.

Cuando los datos se tabulan conjuntamente en dos o más sistemas de clasificación se

denominan datos en clasificación cruzada. Por ejemplo, el monto de ventas de las
compañías puede clasificarse por año y sucursal. Los empleados pueden clasificarse
por categoría, sexo y nivel de instrucción.

7.3. Tabulación

La tabulación implica la determinación del número de casos o el valor de los

elementos que se incluyen en cada clase o categoría determinada. En otras palabras,
la tabulación es el proceso que permite un arreglo de los datos en forma resumida de
acuerdo a las clasificaciones.

El siguiente, es un ejemplo de tabulación manual con una tabla de conteo por medio
de marcas.

Edad de los Número de

Conteo
empleados empleados
20 – 25 /// 3
25 – 30 //// /// 8
30 – 35 //// 5
35 y más // 2
 22

18

Los sistemas de computación permiten tabulaciones más extensas en un menor

tiempo.

Actividad Nº 5

1. Nombre publicaciones que proporcionan información estadística.

2. Consulte la bibliografía y confeccione un resumen sobre aspectos

básicos para la confección de cuestionarios.

3. Identifique, al menos, una falla principal en cada una de las

siguientes preguntas diseñadas para obtener información y
redacte nuevamente la pregunta para eliminar la falla:
a) "¿Cuántas veces visitó el Shopping en los últimos 6 meses?"
b) "¿Le viene a la cabeza el nombre de "Pepsi" o de otras marca
cuando escucha la palabra "gaseosa"?"
c) "Indique qué marca de yerba prefiere Ud. y dé 3 razones para
su preferencia".

4. Una compañía elaboró recientemente una nueva bebida sin

alcohol, distribuyéndola embotellada a los supermercados y en
latas a negocios minoristas. Actualmente está examinando los
datos de ventas para observar qué tipo de envase es preferido por
los clientes.
a) ¿Por qué estos datos de ventas son encuesta?
b) ¿Cómo podría Ud. establecer un experimento para estudiar la
preferencia con respecto al envase? Explique.

5. En cada una de las siguientes situaciones, indique si sería

preferible un censo o una muestra para obtener la información
deseada; explique además si serían preferibles cuestionarios o
entrevistas:
a) Un noticiero de TV desea conocer la opinión de los ciudadanos
sobre la reforma de la Constitución.
b) El Consejo Profesional de Ciencias Económicas desea
actualizar los datos de sus matriculados.
c) Una compañía con 500 empleados desea determinar las
actitudes de los empleados hacia las políticas de la empresa.

8. Presentación de los datos estadísticos

8.1. Introducción
 23

La presentación de los datos es la disposición de los mismos de manera tal que se

conviertan en información significativa que permitan su análisis e interpretación.

Las dos técnicas básicas de presentación son los cuadros o tablas y los gráficos.

8.2. Cuadros estadísticos

8.2.1. Concepto

La técnica de los cuadros consiste en arreglos de los datos, divididos por uno o más
sistemas de clasificación, en columnas e hileras.

Cuando el cuadro tiene una sola clasificación se denomina de clasificación simple,

cuando se confecciona con dos o más clasificaciones se llama cuadro de clasificación
cruzada o de doble entrada.

La construcción de una tabla depende de la utilización y del tipo de análisis que se

realice. Para que una tabla sea efectiva debe ser clara y precisa para posibilitar su
lectura. Se deben evitar tablas complicadas y largas. Cuando se desean hacer
comparaciones, las tablas deben ser diseñadas para facilitar las mismas.

En los cuadros de doble entrada debe tenerse especial cuidado en el orden y

disposición de las clasificaciones. Demasiadas divisiones y subdivisiones pueden
tornar confusa la información, siendo preferibles varios cuadros simples en lugar de
uno con clasificación cruzada.

8.2.2. Elementos estructurales

Una tabla completa debe contener los siguientes elementos estructurales o partes:

PRODUCCION ARGENTINA (a) Título

DE PAPEL POR PRINCIPALES TIPOS
(En miles de toneladas) (b) Nota de en-
cabezado

PERIODOS
TIPOS (c) Encabezado
1991 1992 1993(1)
Diario 221 208 198
Impresión 179 170 176 (e) Cuerpo
(d) Columna
Matriz
Industrial 510 508 504
Doméstico 38 36 50
TOTALES 948 922 922
(1) Datos estimados (f)
Notas al pie
Fuente: Unión Industrial Argentina (UIA) (g) Fuente

a) Título: El título describe el contenido de la tabla. Debe ser completo y preciso.

b) Nota del encabezado: Es una aclaración o amplitud del título ya sea para detallar
algún elemento importante o para expresar la unidad de medida de los datos. Se
coloca debajo del título y entre paréntesis.

c) Encabezado: Contiene los títulos de las clasificaciones ubicadas en las columnas.

d) Columna Matriz: Contiene los títulos de las clasificaciones ubicadas en las filas.
e) Cuerpo: Es el contenido de los datos estadísticos arreglados de acuerdo a las
descripciones de los encabezados. Cada dato se consigna en una celda que es la
intersección entre una fila y una columna.
 24

f) Notas al pie: Se utiliza para explicar o aclarar algunos elementos del cuadro.
Ayudan al análisis e interpretación.
g) Fuente: Indica la procedencia de los datos. Permite conocer quién recopiló la
información y evaluar la confiabilidad de la fuente. Además, saber dónde recurrir si
se necesita información adicional sobre el tema.

8.2.3. Consideraciones adicionales sobre los cuadros

1) Es importante que en cada celda se registre algo. Si el dato es cero, este cero debe
ser anotado en la celda. Si la información no está disponible, debe indicarse con ND
o bien con una aclaración al pie. Si la celda se deja en blanco, no se sabe si el dato
es cero, no está disponible o hubo alguna omisión.

2) Cuando en un informe o texto se presentan varias tablas, se hace necesario

numerar las mismas por orden de aparición a fin de facilitar la referencia de las
mismas. El número se coloca antes del título.

3) Cuando se quieren analizar relaciones estadísticas entre variable-dependiente e

independiente, es conveniente ubicar la primera en la columna matriz. La variable
de interés fundamental en una investigación es una variable dependiente. Otras
variables, las cuales se cree que afectan las mediciones de las variables
dependientes, son las variables independientes. Se puede decir que la variable
dependiente está determinada o influenciada por la variable independiente. Por
ejemplo: se desea analizar el desempeño de un grupo de empleados; en este caso
el desempeño es la variable de interés. Además se quiere conocer qué factores
pueden influir sobre el desempeño, pudiéndose considerar la instrucción y el sexo
que serían en este caso las variables independientes.

4) Presentación en porcentajes: Cuando se presentan datos en porcentajes, se

pueden utilizar distintas bases que dependerán del análisis y/o comparación que se
desee realizar sobre los datos.

Ejemplo: Número de empleados por sexo y categoría-Cifras absolutas

Categoría Varones Mujeres Total

Vendedores 60 50 100
Administrativos 40 20 60
Maestranza 20 10 30
Total 120 80 200

Porcentajes conjuntos

Categoría Varones Mujeres Total

Vendedores 30 25 55
Administrativos 20 10 30
Maestranza 10 5 15
Total 60% 40% 100%
Porcentajes verticales

Categoría Varones Mujeres Total

Vendedores 50 62.5 55
 25

Administrativos 33 25 30
Maestranza 17 12.5 15
Total 100% 10% 100%

Porcentajes horizontales

Categoría Varones Mujeres Total

Vendedores 55 45 100%
Administrativos 76 33 100%
Maestranza 67 33 100%
Total 60% 40% 100%

Actividad Nº 6
1. El Centro de Industriales Siderúrgicos presentó el siguiente
informe sobre la producción siderúrgica comparando los meses de
enero y febrero de 1997 y 1998. Los productos considerados son
hierro primario y acero crudo.

Los datos indican que la producción de hierro primario en enero

de 1997 fue de 229.000 toneladas y en enero de 1998 a 256.000
toneladas; para el mes de febrero de cada año fue de 262.000 y
275.000 toneladas respectivamente. Para el acero crudo la
producción total para los meses de enero y febrero de 1997 fue de
500.000 toneladas, correspondiendo el 45% al mes de enero y el
55% al mes de febrero; en el mes de enero de 1998 la producción
aumentó un 15% respecto del mismo mes en 1997, mientras que
en el mes de febrero de 1998 disminuyó un 10% con respecto a
febrero de 1997. La institución aclaró que los datos de 1998 son
provisorios.

Presente todos datos del informe en cuadro con todos los

elementos estructurales asegurando una lectura comprensiva de
las cifras.

2. La compañía Águila estudió los factores que afectaban el

ausentismo de los trabajadores de producción en una de sus
plantas. Se obtuvieron los siguientes resultados clasificados; los
datos se clasificaron por el sexo y record de asistencia.

Records satisfactorios Records no satisfactorios

Hombres: 1920 Hombres: 989
Mujeres: 925 Mujeres: 475

a) Convierta estos datos en porcentajes y preséntelos en una

tabla en forma que pueda estudiarse la relación entre las
variables. ¿Qué base utilizó para el cálculo de porcentajes?
 26

b) ¿Existe alguna indicación de relación estadística entre las

variables de la tabla? Explique.

c) Luego se agregó al análisis la variable "estado civil" y se

obtienen los siguientes resultados.

- Hombres casados 1730 satisfactorios y 630 insatisfactorios.

- Hombres en otro estado civil 190 satisfactorio y 350
insatisfactorio.
- Mujeres casadas 304 satisfactorios y 430 insatisfactorios.
- Mujeres en otro estado civil 621 satisfactorios y 45
insatisfactorio.

Convierta estos datos en porcentajes y preséntelos en una tabla para

estudiar las relaciones causa-efecto entre las variables dependiente
e independiente. ¿Existe una relación estadística entre las tres
variables? Fundamente su respuesta.

8.3. Gráficos Estadísticos

8.3.1. Concepto

En los gráficos, la información se presenta en magnitudes que puedan interpretarse

visualmente. Deben dibujarse en forma sencilla y atractiva que permitan una rápida
comprensión de su contenido.

8.3.2. Partes de un gráfico

Ventas mensuales de la empresa xx Título

(en miles de $) Nota del encabezado

Fuente: Dpto. de Vtas. Fuentes

- Título: Describe el contenido del gráfico.

- Diagrama: Son los distintos trazos con que se presentan los datos. Pueden ser
líneas, barras, etc.
 27

- Escala: En el eje de ordenadas (y) generalmente se miden las magnitudes de los

datos. El eje de las abscisas (x) es frecuentemente usada para colocar la
clasificación.
- Fuente: Indica la procedencia de los datos.

Al igual que los cuadros, en los gráficos se consignan las notas del encabezado y
notas al pie cuando fuese necesario.

8.3.3. Tipos de gráficos

Existen muchos tipos de gráficos. Aquí se considerarán los gráficos más sencillos y de
uso corriente.

a) Simples
I. Lineales
b) Múltiples

a) Simples
GRAFICOS II. De Barras b) Múltiples
c) Compuestas
d) Bidireccionales

III. Circulares

Se desarrollarán algunas características de los gráficos en base a los datos hipotéticos

presentados en los siguientes cuadros:

Cuadro Nº 1
Ventas diarias de la Empresa "Llave" S.R.L.
(en miles de $)
Día Crédito Contado Total
Lunes 5 3 8
Martes 2 2 4
Miércoles 5 2 7
Jueves 11 4 15
Viernes 7 3 10
Sábado 8 5 13
38 19 57

Cuadro Nº 2
 28

Número de ingresantes a 3 carreras

en la U.C.S. en los años 1997-1998
CARRERA 1997 1998
Abogacía 90 108
Adm.de Empresas 40 80
Ingeniería Civil 70 35

I. Gráficos Lineales

Los gráficos lineales vienen representados en los ejes de coordenadas cartesianas

mediante líneas rectas o quebradas. Son útiles para representar series cronológicas,
es decir cuando la observación de un fenómeno se hace a través de tiempo (años,
meses, días, etc.). Cuando hay un gran número de períodos y existen marcadas
fluctuaciones en los datos, este tipo de gráfico es el adecuado.

a) Gráfico lineal simple. Representa una sola serie de datos

b) Gráfico lineal múltiple

Se utiliza para representar dos o más serie de datos. Se deben diferenciar las líneas
con distintos trazos o colores para individualizar cada serie.

GRAFICO Nº 2
 29

Ventas diarias
al contado y a crédito
de la empresa Llave

Si se pretende representar más

de 3 series, el gráfico puede
resultar confuso.

II. Gráfico de barras

Los gráficos de barras son de fácil interpretación. Los datos se representan mediante
barras o rectángulos cuya amplitud es constante y la longitud proporcional al número
de observaciones. Las barras pueden disponerse en forma vertical u horizontal. Dentro
de este tipo de gráfico, se encuentran las siguientes variantes:

a) Gráfico de barras simples: Representa una sola serie de datos. Las ventas totales
por día se grafican dibujando una barra para cada día de la semana con una altura
igual al volumen de ventas. (Gráfico Nº 3).

b) Gráfico de barras múltiples: Representan dos o más series de datos. Son

adecuados para efectuar comparaciones. Las ventas al contado y a crédito de la
semana se muestran en el gráfico Nº 4.

c) Gráficos de barras compuestas: Este procedimiento de representar dos o más

series en el mismo gráfico consiste en dibujar el diagrama de barras dibujadas con
otras de distinto fondo que representarán la segunda (o tercera) serie. Cada barra
tendrá una longitud igual a la suma de los datos de las dos series. En el gráfico Nº
5, cada barra representa el total de las ventas por día y está en dos: la parte rayada
corresponde a las ventas a crédito y la parte de arriba (sin rayar) las ventas al
contado.
 30

d) Gráfico de barras bidireccionales. Se utiliza para indicar cambios porcentuales,

para ilustrar ganancias o pérdidas, producción y ventas sobre lo normal o bajo lo
normal de un período a otro, saldos positivos y negativos, etc. Las barras
bidireccionales pueden disponerse en forma vertical u horizontal.

Se representarán los cambios porcentuales en el número de ingresantes en 1998 con

respecto a 1997.

Adm. de
Carrera Abogacía Ing. Civil
Empresas
Variación +20% +100% -50%
porcentual
 31

Las barras, como se dijo anteriormente, se pueden disponer en forma horizontal. Esta
disposición es utilizada habitualmente para graficar en series de datos que se
presentan en un solo período de tiempo. Al igual que las verticales, pueden ser
simples, múltiples y compuestas.
 32

Una técnica comúnmente usada es disponer los aumentos porcentuales en orden

descendente y las disminuciones en orden ascendente.

III. Gráficos circulares

Los gráficos circulares son adecuados para recalcar la magnitud relativa de los
componentes del total. Consiste en dividir un circuito en sectores cuyas superficies
sean proporcionales a las cantidades correspondientes a cada categoría. Dado que los
sectores circulares dependen de su ángulo central, éstos se determinan estableciendo
la proporcionalidad respecto a 360º, que es el ángulo de la circunferencia. El método
corriente para dibujar este tipo de gráfico es reducir los datos a porcentajes del total.

Utilizando los datos del cuadro Nº 2 respecto a los ingresantes en 1997, se construirá
un gráfico de sectores.

Carrera Ingresante %
Abogacía 90 45
Adm. de 40 20
Empresas
Ing. Civil 70 35
200 100

100% le corresponde 360º

Abogacía

100________360 45 x 360
45 ________ x X= = 162º
100

Adm. de Empresas

100________360 20 x 360
20 ________ x x= = 72º
100

Ing. Civil

100________360 35 x 360 126º

35 ________ x x= =
100 360º
 33

Actualmente la construcción de gráficos se facilita utilizando programas de

computación que poseen una gran variedad de los mismos. Lo importante es
determinar el gráfico adecuado según el tipo de información.

Además de los gráficos desarrollados, los datos pueden presentarse en mapas

estadísticos, pictogramas, gráficos de volúmenes, etc.

8.3.4. La falsedad estadística a través de gráficos

Una de las formas de mentir con la estadística es dibujando gráficos engañosos.

Considérese la siguiente información sobre las ventas de 3 vendedores de una
compañía para ilustrar un ejemplo.

El eje vertical debe comenzar en cero para que se tenga una adecuada representación
de la situación. Los gráficos cuyas escalas de los ejes verticales comienzan en cero
tienden a enfatizar la magnitud de las cifras consideradas, mientras que en los gráficos
que omiten el cero tienden a enfatizar la variación en el número sin considerar la
verdadera magnitud.

Al observar el gráfico (a) puede concluirse erróneamente que el vendedor B tuvo

ventas que apenas superaron la mitad de lo que vendió C. En cambio en el gráfico (b)
muestra la información real ya que destaca que las tres cifras son relativamente
grandes, lo cual resta el énfasis puesto a la variabilidad que muestra el gráfico. (a)

Actividad Nº 7

1. Identificar en diarios y/o revistas gráficos estadísticos distintos a

los desarrollados en el módulo.

2. Cuadro de Ingresos y Egresos de Caja de un Negocio (en miles

de $)
 34

Mes Enero Febrero Marzo Abril Mayo Junio

Ingresos 50 45 70 40 80 100
Egresos 20 30 120 60 100 130

a) Representar en un gráfico lineal los ingresos y egresos

b) Representar gráficamente la comparación de ingresos y
egresos en un diagrama de barras.
c) Obtener los saldos para cada mes y representarlos
gráficamente.

3. Relación egresados por cada 100 ingresantes en la Universidad

Facultad Egresados Facultad Egresados

Agronomía 22 Cs. Exactas y Naturales 12
Arquitectura 24 Farmacia y Bioquímica 27
Ingeniería 19 Ciencias Económicas 12

Representar la información en un gráfico adecuado.

4. Un informe sobre turismo consigna lo siguiente:

- En enero y febrero de 1998 ingresaron a la provincia 15.450 y

12.750 turistas mostrando un aumento del 18% y 12 % con
respecto a los mismos meses del año anterior.

- De los totales de la temporada 1998, el 48% fueron visitantes

extranjeros, el 30% de la región próxima a Salta y el resto de
otros puntos del país.

a) Obtener el número de turistas que ingresaron en enero y

febrero de 1997. Construir un gráfico comparativo.

b) Construir un gráfico para mostrar las cifras referentes a la

procedencia de los turistas.

Actividad Obligatoria

1. Explique la importancia que tiene el análisis estadístico en la

organización donde Ud. trabaja.

2. Describa una aplicación de la estadística en el área donde Ud.

desempeña su trabajo. Especifique

a) Objetivo de la investigación.
b) La población bajo estudio y las variables de interés.
c) Tipos de fuentes de datos disponibles y métodos de recolección
a utilizar.
 35

3. Con referencia al punto 2:

a) Recopile los datos necesarios

b) Organice y presente la información en cuadros y gráficos.
c) Elabore un informe sobre los resultados y conclusiones de su
investigación.
d) Si fuera necesario, indique las dificultades que tuvo para
realizar este trabajo de aplicación.

NOTA: En el caso de que Ud. no trabaje, concurra a cualquier

empresa u organización y realice allí esta actividad de
investigación integradora.
 36

UNIDAD III

DISTRIBUCIÓN DE FRECUENCIAS

1. Introducción
Una de las etapas de la investigación estadística es el análisis de los datos que puede
ser descriptivo o inferencial. Pero también en la investigación puede interesar el
estudio de una, dos o tres, o más variables.

Cuando se trabaja con una sola variable, el análisis es univariado (distribución de

empleados por ingreso); si se trabaja con dos variables, el análisis es bivariado
(distribución de empleados por ingreso y por antigüedad) y el análisis es
multivariado cuando se trabaja con tres o más variables (distribución de empleados
por ingreso, por antigüedad y nivel de instrucción).

Este módulo trataría específicamente el análisis descriptivo para distribuciones

univariadas.

2. Series estadísticas
Una serie estadística es un conjunto de datos numéricos, ordenados y clasificados
según un determinado criterio. Las series pueden clasificarse de la siguiente manera:

Temporales o cronológicas

Espaciales
Series Intemporales
estadísticas De Cualitativas
Frecuencia Discretas
Cuantitativas Continuas

Las series "temporales" son aquellas cuyos valores de la variable se observan en

períodos de tiempos. Por ejemplo, las ventas mensuales de una compañía o la
producción anual de cereales de un país.

En las series intemporales los valores se observan en un período fijo o en un momento

determinado. Si los valores se estudian en función de un espacio geográfico; las series
se denominan "espaciales"; por ejemplo población (número de habitantes) de las
provincias argentinas en 1997.

Las series intemporales de frecuencias son aquellas que se confeccionan cuando se

estudia o analiza la repetición de los valores de una variable. Según sea el tipo de la
variable, estas series pueden ser cualitativas o cuantitativas. Estas series son el
objetivo de estudio de esta unidad.

3. Distribución de frecuencias
Cuando el número de valores que toma la variable es grande, se hace necesario
resumir la información para posibilitar la lectura y la interpretación. Una manera
 37

efectiva de reducir el tamaño de la serie y facilitar su tratamiento es mediante la

confección de distribuciones de frecuencias.

Una distribución de frecuencias es una tabla donde los datos se agrupan en clases
o categorías con sus respectivas frecuencias.

Con estas tablas se puede apreciar mejor la configuración de la información a la vez

que se facilitan los cálculos y el análisis de los datos.

4. Distribución de frecuencias para variables continuas

Supóngase que se analizan los índices mensuales de accidentes de las empresas

industriales de una ciudad determinada. Para el estudio se seleccionan 25
establecimientos y se registra para cada una el número de accidentes por mil horas-
hombre del último mes. Los datos son los siguientes.

2,7 1.8 1.0 2.2 4.1

3.8 4.8 2.5 1.4 4.5
3.1 3.3 3.6 3.0 2.5
5.3 3.3 3.0 5.8 4.4
3.4 2.1 5.6 3.9 3.4

Estos valores constituyen una "serie simple" de datos. Son datos brutos porque
todavía no han sido procesados por métodos estadísticos.

4.1. Organización de los datos

Una primera técnica sencilla de organización es la "ordenación" que consiste en una

disposición de los valores en forma ascendente o descendente.

1.0 2.5 3.1 3.6 4.5

1.4 2.5 3.3 3.8 4.8
1.8 2.7 3.3 3.9 5.3
2.1 3.0 3.4 4.1 5.6
2.2 3.0 3.4 4.4 5.8

Una de las ventajas de este arreglo es la identificación rápida de valores máximos y

mínimos. Sin embargo, la ordenación no resulta práctica para el análisis y pierde
importancia cuando es grande el número de datos.

Otra técnica de organizar los datos para la evaluación del investigador con el objeto de
seleccionar extremos, valores típicos y concentración de valores, es el "arreglo de
tallos y hojas". Se ordenan el (o los) primero(s) dígitos de cada valor, se forman los
tallos, y con los dígitos siguientes se forman las hojas. Para los datos del ejemplo los
dígitos iniciales 1 - 2 - 3 - 4 y 5 son los tallos y los dígitos sucesivos (decimales) son
las hojas.
 38

Índices de accidentes

Tallos Hojas
1 8 0 4
2 7 1 5 2 5
3 8 1 4 3 3 6 0 0 9 4
4 8 1 5 4
5 3 6 8

Al igual que la ordenación, la representación de tallos y hojas tiene una utilidad

limitada cuando es grande el número de datos.

4.2. Construcción de las tablas de frecuencias

La ordenación y el diagrama de tallos y hojas son técnicas que ayudan a la

organización pero no puede reconocerse la configuración de los índices de accidentes
con sólo volcar los registros proporcionados por cada empresa. Para resumir estos
datos en una tabla, primero se deben determinar los intervalos de clase.

Un intervalo para el conjunto de índices puede ser:

2 - 3  intervalo de clase o clase

Definido el intervalo se determina su frecuencia, o sea la cantidad de observaciones

incluida en esa clase. La frecuencia para este intervalo es 3, es decir que en 3
empresas ocurrieron entre 2 y 3 accidentes mensuales.

La confección de las distribuciones depende de la naturaleza y del número de datos.

Los intervalos deben seleccionarse adecuadamente para que la configuración de la
distribución no resulte confusa. Al construir las tablas de frecuencias se pierde un poco
de información, pero las mismas ofrecen ventajas al momento del análisis y la
interpretación.

Entre las pautas para la confección se deben considerar las siguientes:

a) El número de clases no debe ser ni muy grande ni muy pequeño. Cuando hay
muchos intervalos, la amplitud de los mismos es pequeña, por lo tanto cada uno
tendría pocos datos o ninguno. Si hay pocas clases con intervalos amplios, puede
resultar que queden cifras relativamente significativas concentradas en unas
cuantas clases.

b) Los intervalos deben tener la misma amplitud a efectos de poder hacer

comparaciones. En algunas situaciones pueden presentarse intervalos de distinta
amplitud, pero se dificulta la interpretación de la distribución. En otros casos se
debe recurrir a intervalos abiertos.

c) La confección de la distribución debe facilitar el trabajo de análisis, por lo tanto los

intervalos de clase deben ser fáciles de manejar.

Se puede utilizar el siguiente procedimiento para determinar la amplitud de los

intervalos.
 39

1') Obtener el rango o recorrido (R). El rango es la diferencia entre el valor mayor
y el valor menor de la distribución.

R = Valor mayor - Valor menor

Para la distribución de los índices de accidentes, el rango es:

R = 5.8 - 1.0

R = 4.8

2') Seleccionar el número de clases (k). La "regla de Sturges"3 es una pauta que
sirve de orientación para determinar cuántos intervalos debe tener la
distribución:

Número de valores Número apropiado de

de la distribución intervalos
10 a 100 4a8
100 a 1.000 8 a 11
1.000 a 10.000 11 a 14

Para la distribución de la serie se eligen 5 clases.

3') Determinar la amplitud o ancho de la clase (A) dividiendo el rango sobre el

número de intervalos.

R R = 4.8
A=
k k= 5

4.8
A= = 0.96
5

A=1

Por conveniencia y facilidad de lectura, el ancho del intervalo se redondea a 1.

4') Establecer los límites de cada clase a fin de evitar superposiciones de clases
para que ninguna observación caiga dentro de más de una categoría; de
acuerdo a esto, el primer intervalo es "1,0 pero menos de 2,0".

Las 5 clases de la distribución de los accidentes son:

1.0 < 2.0

2.0 < 3.0
3.0 < 4.0
4.0 < 5.0
5.0 < 6.0

3
La fórmula de Sturges establece que k = l + 3.3 long n (siendo n el número de observaciones)
 40

4.3. Tabulación de los datos

Definidos los intervalos de clase, se procede a determinar las frecuencias de clases

(fi). La frecuencia de clase es la cantidad de observaciones que se incluye en cada
intervalo.

Índices de accidentes Conteo Cantidad de empresas fi

1.0 - 2.0 /// 3
2.0 - 3.0 //// 5
3.0 - 4.0 //// //// 10
4.0 - 4.0 //// 4
5.0 - 6.0 /// 3

Las frecuencias obtenidas se denominan "frecuencias absolutas simples".

4.4. Marca de clase (xi)

La marca de clase es el punto medio del intervalo de clase; es el valor que representa
a la clase. Se obtienen sumando el límite inferior y el límite superior de cada clase
dividido entre 2.

Li + Ls
xi =
2

La marca de clase para el primer intervalo es:

1.0 + 2.0
xi =
2

xi = 1.5

Índices de Marca de clase Cantidad de

accidentes xi empresas fi
1.0 – 2.0 1.5 3
2.0 - 3.0 2.5 5

3.0 - 4.0 3.5 10

4.0 - 5.0 4.5 4

5.0 - 6.0 5.5 3

4.5. Distribución de frecuencias relativas simples (fr)

En muchas ocasiones es preferible trabajar con una distribución de frecuencias

relativas. La frecuencia relativa es la proporción o porcentaje del total de datos que se
incluye en cada clase.
 41

La frecuencia relativa se calcula dividiendo la frecuencia absoluta de cada clase entre

el número total de observaciones

fi
fr =
n

Si se expresa en porcentaje

fi
fr = . 100
n

La frecuencia relativa del primer intervalo es:

3 3
fr = o fr= . 100
25 25

fr = 0.12 o 12%

Hay un 12% de las empresas que posee un índice de accidentes entre 1 y 2.

La distribución de frecuencias relativas para los índices de accidentes de las 25

empresas es la siguiente:

Índices de accidentes fr
1.0 – 2.0 0.12 o 12%
2.0 - 3.0 0.20 o 20%
3.0 - 4.0 0.40 o 40%
4.0 - 5.0 0.16 o 16%
5.0 - 6.0 0.12 o 12%
1.00 o 100%

De hecho, la suma de las frecuencias relativas debe ser igual a 1 o al 100%.

4.6. Gráficos de distribución de frecuencias simples

Una distribución de frecuencias simples puede representarse mediante dos gráficos: a)

Histograma; b) Polígono de frecuencias.

a) Histograma

El histograma es un gráfico de barras. Para cada intervalo se dibuja una barra con
altura igual a la frecuencia absoluta simple o frecuencia relativa simple.
 42

b) Polígono de frecuencias

El polígono de frecuencias es un gráfico lineal que se representa con las marcas de

clases. Se construye ubicando sobre cada marca un punto a la altura de la frecuencia
absoluta (o relativa), uniendo luego los puntos resultantes mediante segmentos de
recta.

Obsérvese que el gráfico presenta las marcas de clases de los intervalos anterior al
primero (0.5) y posterior al último (6.5) para que la figura quede cerrada. De hecho,
estas marcas tienen frecuencia cero.

El polígono de frecuencias puede construirse conjuntamente con el histograma en los

mismos ejes con solo unir los puntos medios de los techos de las barras.
 43

4.7. Algunas situaciones particulares con las tablas de frecuencias

a) Distribuciones con intervalos de amplitudes desiguales

En algunos casos se construyen tablas de frecuencias con intervalos de amplitudes

desiguales. Esto sucede cuando la variable de interés tiene algunas observaciones
extremas altas. En lugar de definir pocos intervalos con igual tamaño, pero muy
amplios; o bien muchos intervalos de igual tamaño, pero más estrechos, es frecuente
definir tamaños variables para los intervalos de clase.

La siguiente tabla muestra las ventas semanales de 35 sucursales de una empresa.

Ventas Nº de sucursales
(en miles de $) fi
10 - 20 4
20 - 30 7
30 - 40 12
40 - 60 8
60 - 100 4
35

Obsérvese que las tres primeras clases tienen una amplitud de 10, la tercera clase, 20
y la última tiene una amplitud de 40.

Se debe tener cuidado al representar gráficamente este tipo de distribuciones ya que

se pueden construir gráficos inadecuados, como el siguiente histograma para la
distribución de las ventas.
 44

Aquí hay una deformación, porque se exageran demasiado las áreas de las barras
para los intervalos más anchos.

La forma adecuada consiste en que la altura de cada barra esté representada sobre
una base de "frecuencia por intervalo estándar" (o una base de porcentaje por
intervalo estándar si se trata de una distribución de frecuencias relativas). Se
selecciona una amplitud estándar, en este caso $10 que es la más típica, que se utiliza
para ajustar las frecuencias sobre este intervalo estándar.

Frecuencia por
Nº de intervalos Frecuencia
Intervalos Amplitud intervalo
estandarizados por intervalo
estandarizado
10 - 20 10 1 4 4
20 - 30 10 1 7 7
30 - 40 10 1 12 12
40 - 60 20 2 8 4
60 - 100 40 4 2 2

El histograma apropiado será el siguiente:

 45

b) Intervalos abiertos

Cuando las series de datos tienen observaciones muy extremas, en lugar de intervalos
de tamaños variables, se pueden utilizar intervalos con extremos abiertos.

Ventas Nº de sucursales
(en miles de $) fi
Menos de 20 4
20 - 30 6
30 - 40 10
40 - 50 3
50 y más 2
25

Los intervalos abiertos son aquellos que no tienen definidos uno de los límites. En el
primer intervalo no está definido el límite inferior y en el último, el límite superior.

Las clases abiertas se utilizan con fines de presentación, pero presentan dificultades
para los cálculos, como así también para la representación gráfica.

Por ejemplo, es el histograma de la distribución sólo se hace referencia a las clases

abiertas pero no se las grafica.

4.8. Distribuciones de frecuencias acumuladas

Las distribuciones de frecuencias acumuladas permiten observar cuántas

observaciones se hallan por encima o por debajo de ciertos valores.

Considérese la distribución de frecuencias simples de los índices de accidentes de las

25 empresas.
 46

Índices de Cantidad de Proporción de

accidentes empresas fi empresas fr
1.0 - 2.0 3 0.12
2.0 - 3.0 5 0.20
3.0 - 4.0 10 0.40
4.0 - 5.0 4 0.16
5.0 - 5.6 __3__ 0.12
25

Índices Frecuencias acumuladas (fa)

Menor que 1.0 0
Menor que 2.0 3
Menor que 3.0 8 (3 + 5)
Menor que 4.0 18 (3 + 5 + 10)
Menor que 5.0 22 (3 + 5 + 10 + 4)
Menor que 6.0 25 (3 + 5 + 10 + 4 + 3)

Esta tabla recibe el nombre de distribución de frecuencias acumuladas "menor

que". Por ejemplo, la frecuencia acumulada 18 indica que 18 empresas tienen un
índice de accidentes menor a 4,0.

Ahora se construye la siguiente tabla:

ÍNDICES FRECUENCIAS ACUMULADAS (fa)

1.0 y mayor 25
2.0 y mayor 22 (25-3)
3.0 y mayor 17 (25-8)
4.0 y mayor 7 (25-18)
5.0 y mayor 3 (25-22)
6.0 y mayor 0

Esta tabla recibe el nombre de distribución de frecuencias acumuladas "mayores

que". Por ejemplo, se observa en la información que 17 empresas registran un índice
de 3.0 y más.

También se pueden confeccionar las tablas de frecuencias acumuladas relativas.

 47

Frecuencias acumuladas Frecuencias acumuladas

"menor que" "mayor que"
Índice fa Índice fa
Menor que 1.0 0 1.0 y mayor 1.00
Menor que 2.0 0.12 2.0 y mayor 0.88
Menor que 3.0 0.32 3.0 y mayor 0.68
Menor que 4.0 0.72 4.0 y mayor 0.28
Menor que 5.0 0.88 5.0 y mayor 0.12
Menor que 6.0 1.00 6.0 y mayor 0

Las distribuciones de frecuencias acumuladas se representan gráficamente mediante

un "polígono de frecuencias acumuladas" u "ojiva".

Para una distribución acumulada "menor que" la ojiva será creciente, y para una
distribución acumulada "mayor que" será decreciente.

Mediante las ojivas se puede obtener gráficamente el valor mediano (3,45) que es el
valor que deja dividida la distribución en la mitad (Ver Unidad IV).

5. Distribución de frecuencias para variables discretas

Se registra el número de hijos para cada uno de los 20 empleados de una compañía.
Los datos, ya ordenados, son los siguientes:

1 1 1 2 2
2 2 2 2 2
3 3 3 3 3
4 4 4 5 5

La variable Xi (número de hijos) toma valores entre 1 y 5. Como Xi asume pocos

valores, puede considerarse cada valor de la variable como una clase, o sea:
 48

Nº de hijos (Xi): 1 2 3 4 5

La tabla de frecuencias simples (absolutas y relativas) queda conformada como sigue:

Proporción o porcentaje
Número de hijos (Xi) Nº de empleados (fi)
de empleados (fr)
1 3 15 o 15%
2 7 0.35 o 35%
3 5 0.25 o 25%
4 3 0.15 o 15%
5 2 0.10 o 10%
20 1 100 %

La representación gráfica de esta distribución se realiza en un "gráfico de bastones".

Para cada valor de la variable se dibuja un segmento con altura equivalente a la
frecuencia (absoluta o relativa).

También se puede construir una tabla de frecuencias acumuladas para la distribución

del número de hijos.

Nº de hijos Nº de empleados
(xi) (fa)
Hasta 1 3
Hasta 2 10 (3 + 7)
Hasta 3 15 (3 + 7 + 5)
Hasta 4 18 (3 + 7 + 5 + 3)
Hasta 5 20 (3 + 7 + 5 + 3 + 2)

Las frecuencias acumuladas se representan en un gráfico denominado "escalonado".

En el eje horizontal se marcan los valores de la variable (xi) y se levanta en cada uno
de los puntos un segmento vertical de longitud igual a la frecuencia acumulada
respectiva. Luego, se dibujan los tramos horizontales correspondientes a los intervalos
 49

dentro de los cuales no pueden existir datos, ya que la variable discreta no admite
valores intermedios.

Cuando los valores de una variable discreta son numerosos, el tratamiento para la
construcción de las tablas de frecuencias puede asimilarse al caso de una variable
continua como se estudió en el punto 4.

6. Distribución de frecuencias para variables cualitativas

Se registran los elementos de una población o muestra con respecto a un atributo y los
resultados obtenidos de dichas observaciones se agrupan según las distintas
modalidades que tome al atributo. Por ejemplo, 80 empleados de una compañía
pueden clasificarse según el estado civil.

Porcentaje de
Estado Civil Nº de empleados
empleados
Casado 45 56.25 %
Soltero 23 28.75
Divorciado 7 8.75 %
Viudo 5 6.25 %
80 100 %

Para graficar esta información pueden utilizarse gráficos de barras o circulares como
los desarrollados en la unidad II.
 50

Actividad Nº 8

Una compañía financiera desea analizar la información sobre los

montos de préstamos solicitados por 50 personas. A tal fin, obtiene
los datos de los formularios correspondientes:

Montos (en miles de pesos):

1.85 2.50 2.80 3.40 1.40 1.20 2.45 2.30

2.30 2.80 2.10 2.15 2.20 3.30 2.70 2.40
1.00 1.20 3.80 3.55 2.15 2.10 2.70 2.70
2.35 1.55 1.90 1.45 1.70 3.90 3.60 3.00
2.45 1.95 2.85 1.45 1.55 2.25 3.60 2.60
2.90 2.65 3.15 3.10 1.65 1.70 2.50 2.30
1.85 2.40

a) Identificar la variable bajo estudio y clasificarla.

b) Organizar los datos en una tabla de frecuencias con intervalos de

amplitud 0,50 ($500).

c) Calcular las marcas de clase.

d) Confeccionar una tabla de frecuencias relativas.

e) Construir un histograma de frecuencias relativas.

f) Construir un polígono de frecuencias absolutas.

g) Confeccionar las tablas de frecuencias acumuladas "menos que" y

"más que" tanto absolutas como relativas.

h) Dibujar las ojivas correspondientes.

Actividad Nº 9

El dueño de una frutería recibió un pedido de cajones de manzanas.

Para determinar la calidad, tomó una muestra de 20 cajones y
encontró las siguientes cantidades de manzanas en mal estado en
cada uno.

2 2 3 3 4 0 6 2 6 4
3 2 2 6 4 2 0 2 3 3

a) Identificar las variables bajo estudio y clasificarlas.

b) Construir una tabla de frecuencias absolutas simples.

 51

c) Representar gráficamente la información de (b).

d) Construir una tabla de frecuencias absolutas acumuladas.

e) Representar gráficamente la información de (d).

Actividad Nº 10
La facultad de Administración organizó un curso de Marketing para
profesionales. Con el objeto de planificar las clases, el cuerpo
docente desea conocer las profesiones de los 40 participantes. Los
datos se obtienen de las fichas de inscripción.

Ficha Profesión Ficha Profesión Ficha Profesión

01 Médico 13 Médico 25 Psicólogo
02 Psicólogo 14 Contador 26 Abogado
03 Médico 15 Médico 27 Ingeniero
04 Médico 16 Ingeniero 28 Médico
05 Ingeniero 17 Ingeniero 29 Contador
06 Abogado 18 Médico 30 Abogado
07 Médico 19 Contador 31 Ingeniero
08 Abogado 20 Abogado 32 Médico
09 Odontólogo 21 Contador 33
10 Psicólogo 22 Psicólogo 34 Contador
11 Ingeniero 23 Abogado 35 Médico
12 Arquitecto 24 Médico 36 Abogado

a) Identificar la variable bajo estudio.

b) Confeccionar una tabla de frecuencias absolutas y otra de

frecuencias relativas.

c) Representar gráficamente la información elaborada.

Actividad Nº 11

En una discusión de un grupo de asesores sobre el potencial de

ventas de una compañía, un asesor estableció que es un error creer
que las personas de edad más baja representan un número
relativamente alto para las ventas de uno de los productos
principales de la compañía. Para apoyar su argumento, el asesor citó
los siguientes datos sobre edades de los clientes, basados en un
reciente estudio de investigación de mercados:
 52

Grupo de edad % de clientes

Menos de 16 1
16 – 17 6
18 - 19 8
20 - 19 7
22 - 25 12
26 - 29 14
30 - 39 19
40 - 49 25
50 o más 8
100 %

El asesor dijo que los porcentajes de edad entre 30 y 49 años son

considerablemente mayores que los porcentajes de los grupos de
clientes más jóvenes. "De hecho", hizo notar, las personas de edad
entre 40 y 49 años son los mejores clientes del producto.

¿Está Ud. de acuerdo con esta interpretación de los datos? Si es así,

apoye su argumento citando cifras específicas. Si no, explique por
qué no está de acuerdo con la interpretación del asesor.

Actividad Nº 12
Lea la siguiente distribución de frecuencias:

clases: 100 - 150 150 - 200 200 - 250 300 - 350 350 - 450
fi: 5 9 18 10 8

a) ¿Qué particularidad presenta la tabla?

b) Construir un histograma.

Actividad Nº 13
La siguiente información corresponde a la antigüedad (en años) de
100 docentes universitarios:

Antigüedad Nº de docentes
5-9 9
10 - 14 14
15 - 19 18
20 - 24 32
25 - 29 17
30 - 34 5
35 - 39 5
100
 53

a) ¿Cuál es la amplitud de las clases?

b) Obtener las marcas de clase.

c) Calcular las frecuencias relativas.

d) ¿Cuántos docentes tienen una antigüedad media de 27 años?

e) ¿Qué intervalo tiene la mayor frecuencia?

f) ¿Qué porcentaje de docentes tiene por lo menos 20 años de

antigüedad?

g) ¿Qué porcentaje de docentes tiene a lo sumo una antigüedad de

14 años?

h) ¿Qué porcentaje tiene una antigüedad mínima de 15 años pero no

mayor de 30?

i) Representar gráficamente la información de la tabla.

Actividad Nº 14

La siguiente tabla corresponde a los salarios pagados a 53

periodistas:

Salarios ($) Menos de 300 300-500 500-700 700 y +

Nº de Empleados
10 22 15 6
(fi)

a) ¿Cuántas clases tiene la distribución?

b) ¿Cuántas clases distintas hay?

c) ¿Cómo definiría el 1º intervalo si su amplitud fuera igual al 2º?

d) ¿Qué limitación existe para construir los gráficos? ¿Qué

modificación debe hacerse?
 54

UNIDAD IV
RESUMEN DE INFORMACIÓN A TRAVÉS DE MEDIDAS
DESCRIPTIVAS

1. Concepto

Las medidas descriptivas son valores representativos de una distribución, son cifras
individuales que resumen la información. Se utilizan para describir ciertas
características de los datos, permitiendo una comprensión más precisa. Además, a
partir de estas medidas se podrán realizar inferencias y pronósticos.

El análisis de la información se puede realizar a través de:

- Medidas de posición.
- Medidas de dispersión.
- Medidas de asimetría (sesgo)
- Medidas de apuntamiento (curtosis)

2. Medidas de posición
Estas medidas habitualmente se denominan "promedios". Desde el punto de vista
estadístico un promedio es una medida de tendencia central, es decir tiende a
ubicarse en el centro de la distribución.

Las medidas de posición o localización son:

- Media aritmética - Media geométrica - Cuartiles

- Mediana - Media armónica - Deciles
- Moda - Percentiles

2.1. Media aritmética

2.1.1. Concepto

La media aritmética de un conjunto de observaciones numéricas es la suma

de los valores del conjunto dividida por el número de observaciones.

Siete trabajadores de una compañía perciben los siguientes salarios:

320 360 330 340 355 325 346

El salario medio es:

320 + 360 + 330 + 340 + 355 + 325 + 346 2376

Media = =
7 7

Media = · 339,43
 55

a) Sean x1, x2 ...........xn los N datos correspondientes a una población. La media

población (simbolizada por m) es:

x1 + x2 + ... + xn  xi
= = (1)
N N

b) Sean x1, x2 ..., xn los n datos correspondientes a una muestra. La media muestral
(simbolizada por x) es:

x1 + x2 + ... + xn  xi
= = (2)
N n

xi = representa a cada valor de la distribución.

N = representa al total de observaciones de la población.
n = representa al total de observaciones de la muestra.
 = Suma de los valores de la variable.

2.1.2. Principales características de la media aritmética

a) La media aritmética se calcula con todos los valores de un conjunto. Cada valor del
conjunto afecta el valor de la media. Cuando existen valores extremos, la media
puede llegar a ser menos representativa.

Ejemplo:

Obtener la media de los siguientes valores

8 - 10 - 12 - 15 - 50

8 + 10 + 12 + 15 + 50
= = 19
5

La media está afectada por el valor extremo.

50 En la escuela se puede observar que el promedio tiende hacia los valores altos.

b) La media aritmética está definida algebraicamente. Conociendo dos de los tres

términos de la expresión, se puede determinar el tercero.

Ejemplo:

Durante una semana 5 corredores de seguros vendieron un promedio de 4,8

pólizas. ¿Cuál fue el total de pólizas vendidas?
 56

x = 4.8 n=5  xi (Total) = ?

 xi  xi = n (x)
x=
n  xi = 5 (4,8) = 24 pólizas

c) La media aritmética tiene las siguientes propiedades:

(1) La suma algebraica de los desvíos (d) de los valores de la variable con respecto
a su media es siempre igual a cero.

d= xi - x

(xi - x) = 0
O d=0

Ejemplo: Cuatro operarios perciben los siguientes jornales semanales

25 - 30 - 34 - 41

El jornal medio es x = $32.5

Los desvíos de los valores con respecto a la media son:

(xi) d = (xi – x)
25 25 - 32.5 = - 7.5
30 30 - 32.5 = - 2.5
34 34 - 32.5 = 1.5
41 41 - 32.5 = 8.5
= 0

(2) La suma del cuadrado de las desviaciones con respecto a la media es mínima.
Esto significa que la suma del cuadrado de las desviaciones con respecto a la
media es menor que la suma del cuadrado de las desviaciones con respecto a
cualquier otro valor. Esto es:

 (xi - x )2 es menor que  (xi - cualquier valor)2

Ejemplo: Considerando los datos del ejemplo anterior, cuya media es 32.5, se
elige arbitrariamente el valor 33.

2 2
xi d = xi – x (xi - x) xi d = xi - 33 (xi - 33)
25 - 7.5 56.25 25 -8 64
30 - 2.5 6.25 30 -3 9
34 1.5 2.25 34 1 1
41 8.5 72.25 41 8 64
= 137 = 138
 57

2 2
 (xi - 32.5) <  (xi - 33)

137 < 138

(3) Si a cada valor de la variable se le suma (o se le resta) una constante, la media

queda sumada (o restada) por esa constante.

Si y = xi + c entonces y=x+c

Ejemplo: Los jornales de los cuatro operarios son:

x1 x2 x3 x4
Jornales (xi) = 25 30 34 41

x = $32.5 jornal medio

Supóngase que se decide un aumento de $10 para todos los jornales. Los
nuevos valores son:

Jornales (yi): x1 + c x2 + c x3 + c x4 + c

yi : 25 + 10 30 + 10 34 + 10 41 + 10
yi: 35 40 44 51

La media después del aumento es:

170
y̅ = = $42.5
4

y̅ = x + c
42.5 = 32.5 + 10

(4) Si a cada valor de la variable se le multiplica (o se divide) una constante, la

media queda multiplicada (o dividida) por esa constante.

Si y̅ = xi .c entonces y̅ = x̅ . c
Si y = xi /c entonces y̅ = x̅ /c

2.1.3. Media aritmética ponderada

Cuando los datos de un conjunto de datos tienen distintas importancias en el grupo, al

calcular la media aritmética debe considerarse esta importancia que está expresada
en una ponderación.

La media aritmética se denomina "ponderada" y se obtiene multiplicando

cada valor de la variable (xi) por su ponderación (pi) y la suma de los
productos se divide por el total de las ponderaciones.

Sean x1, x2 ... xn los valores de la variable y p1, p2 ... pn sus ponderaciones
correspondientes. La media ponderada (w) es:

x1 p1 + x2 p2 + ... xn pn
w=
p1 + p2 + .... + pn
 58

xi pi
w= (3) xi: Cada valor de la variable
pi pi: cada ponderación

Un ejemplo práctico es el índice académico de la Universidad Católica de Salta. Cada

asignatura en el plan de estudios tiene asignada un número de "créditos". Estos
créditos indican la importancia de la materia en el plan. El promedio aritmético final de
un egresado se obtiene teniendo en cuenta los créditos, es decir es un promedio
ponderado y no un promedio simple.

Ejemplo: un estudiante de Administración de la U.C.S. obtuvo las siguientes

calificaciones en 3 asignaturas:

Filosofía: 10 (diez); Economía: 6 (seis); Costos: 4 (cuatro)

La calificación media (promedio simple) es:

20
x= = 6,67
7

Pero cada materia tiene el siguiente número de créditos: Filosofía: 2 créditos;

Economía: 3 créditos y Costos: 4 (créditos). La calificación media (índice académico)
de este alumno cambiará ya que será un promedio ponderado:

Asignatura Calificación (xi) Créditos (pi)

Filosofía 10 2
Economía 6 3
Costos 4 4

10 (2) + 6 (3) + 4 (4) 54

Índice académico = w = =
2+3+4 9

w=6

El promedio ha disminuido por el efecto de las ponderaciones. En Costos, la

asignatura de mayor ponderación, el alumno obtuvo una calificación baja.

2.2. Mediana

2.2.1. Concepto

La mediana es el valor que se ubica en el centro de un conjunto de datos ordenados.

La mediana deja dividida a la distribución en dos partes iguales, o sea que tiene tantos
términos inferiores como superiores a ella.

Para el cálculo debe considerarse dos situaciones.

a) Número impar de datos

La mediana es el valor que se ubica en la posición [(n+1)/2].

 59

Los salarios de los 7 trabajadores ordenados de menor a mayor.

320 325 330 340 346 355 360

La mediana se ubica en la posición [(7 + 1)/2] = 4º lugar.

Md = $ 340

b) Número par de datos

La mediana es el valor que se ubica en las posiciones.

(n/2) y [(n + 2)/2]

Los salarios de 8 trabajadores ordenados son:

320 325 330 340 346 355 360 365

La mediana se ubica entre el 4º y 5º lugar, o sea:

340 + 346
(8/2) = 4º y [(8/2)/2] = 5º Md = = $343
2

2.2.2. Principales características de la mediana

a) La mediana no está afectada por valores extremos porque no utiliza todos los
valores para su cálculo.

Ejemplo: Dados los valores 8 10 12 15 50

La mediana es el valor que se ubica en el 3º lugar.

Md = 12

Si el valor 50 se incrementa, la media aritmética si aumenta, pero la mediana sigue

siendo la misma.

b) La mediana no está definida algebraicamente.

c) En algunos casos, como cuando el número de datos es par, la mediana es un valor

aproximado, ya que es el valor medio de los dos valores centrales.

2.3 Moda

2.3.1. Concepto

La moda es el valor que se presenta con la mayor frecuencia.

 60

Ejemplo: Los salarios de 10 trabajadores son:

365 - 320 - 340 - 370 - 380 - 340 - 355 - 340 - 326 - 340

Como el número de trabajadores que percibe $340 es mayor que cualquier otro, la
moda es 340.

2.3.2. Principales características de la moda

a) La moda no está definida algebraicamente.

b) No está afectada por valores extremos.

c) Es una medida adecuada para el análisis de variables cualitativas.

Por ejemplo: estado civil modal, nivel de instrucción modal, etc.

d) En un conjunto de datos puede haber una, dos o más modas y en algunas

distribuciones puede no haber moda ya que no hay ningún valor que se presente
con la mayor frecuencia.

Si la distribución tiene una moda se denomina unimodal, si tiene dos, se denomina

bimodal y si tiene tres o más modas se denomina multimodal.

Actividad Nº 15

1. Un negocio de electrodomésticos que posee diez sucursales

registró el número de heladeras vendidas por cada una durante
una semana.

Sucursal A B C D E F G H I J
Número de
heladeras 4 6 0 7 3 5 2 1 5 5
vendidas

a) Calcular la venta media, la venta mediana y la venta modal.

b) Se estima que para la semana siguiente las ventas aumentarán

un 20% en cada sucursal ¿Cuál es la nueva venta media?

2. Una agencia de turismo recibió un total de $3.800 por parte de los

estudiantes de un colegio en concepto de seña por un viaje de
egresados. Si la seña media por alumno es $95, ¿cuántos
estudiantes participarán del viaje?
 61

3. Una compañía tiene tres productos A, B y C, cuyos márgenes de

utilidades son respectivamente 15%, 13% y 10%. Si las ventas
mensuales correspondientes a cada producto son (en miles de $)
4.0 - 2.5 y 1.8, ¿cuál es el margen medio de ganancia?

4. Cinco jóvenes fueron beneficiados con becas para estudios

universitarios siendo el importe medio de $150 y el importe
mediano de $135.

a) ¿Cuál fue el importe total entregado a los 5 estudiantes?

b) Supóngase que al estudiante que recibía el mayor importe se le
incrementa la beca en $20.

i) ¿Cuál es el nuevo importe medio?

ii) ¿Cuál es el nuevo importe mediano?

5. Un informe sobre el turismo en Salta muestra los siguientes datos:

a) La mayoría de los turistas que visitan Salta provienen de la

provincia de Buenos Aires.
b) Los hoteles de tres estrellas registran un promedio de 2
pernoctes por noche.
c) La mitad de los hoteles de tres estrellas logró un índice de
alojamiento menor que 70% y la otra mitad logró un índice
superior al 70%.

Indicar qué promedio (media, mediana o moda) se utiliza en cada

una de las conclusiones mencionadas.

6. En una discusión salarial, el gerente general de una compañía

sostiene que el salario promedio pagado a los trabajadores es de
$380 por mes. En cambio, el delegado gremial afirma que el
salario prevaleciente es de $350 ¿Quién maneja los verdaderos
valores?

2.4. Media aritmética, mediana y moda para datos agrupados

2.4.1. Media aritmética

Las fórmulas (1) y (2) estudiadas en el punto 2.1.1. se utilizan para calcular la media
aritmética cuando los datos están presentados en una serie simple.

Si cada valor x1, x2, ... xn está agrupado en una tabla con su frecuencia respectiva, f1,
f2, ... fn, la media aritmética se obtiene multiplicando cada valor (xi) por su frecuencia
(fi) y la suma de los productos se divide por el total de observaciones de la muestra o
de la población, o sea:

x1 f1 + x2 f2 + ... + xn fn
=
f1 + f2 + ... + fn
 62

 xi fi  xi fi
= (4) x= (5)
 fi  fi

Media poblacional Media muestral

Como fi = N (en caso de una población) y fi = n (en caso de una muestra), las fórmulas
(4) y (5) se puede expresar como:

 xi fi  xi fi
= (6) x̅ = (7)
N n

Ejemplo: Se toma una muestra de 40 familias para determinar el número medio de

hijos. Los datos se presentan en la siguiente tabla:

Número de hijos Cantidad de familias

xi fi
2 10
3 15
4 9
5 6
40

Utilizando la fórmula (6)

2 (10) + 3 (15) + 4 (9) + 5 (6) 131

x̅ = =
11 + 14 + 9 + 6 40

x̅ = 3.3 hijos

Cuando los datos están agrupados en una tabla con intervalos de clase, el xi de las
fórmulas (6) y (7) representa a la marca de clase de cada intervalo. Para el cálculo de
la media, se multiplica cada marca de clase (xi) por su frecuencia de clase (f i) y la
suma de los productos se divide por el total de observaciones de la distribución.

Ejemplo: Calcular el índice medio de accidentes de la muestra de 25 empresas (Punto

4.4. - Unidad III).

Marca de clase Número de empresas

Índices
xi fi
1-2 1.5 3
2-3 2.5 5
3-4 3.5 10
4-5 4.5 4
5-6 5.5 3
25
 63

1.5 (3) 2.5 (5) + 3.5 (10) + 4.5 (4) + 5.5 (3) 86.5
x̅ = =
25 25

x̅ = 3.5 índice medio de accidentes

Media aritmética combinada

Cuando se analizan distintas muestras (o distintos conjuntos de datos) donde se

obtiene la media aritmética de cada una, y se desea calcular la media para todas las
muestras, la media aritmética se denomina "combinada" (x).

La media combinada se obtiene multiplicando cada media muestral (x) por su tamaño
(n) y dividiendo la suma de los productos por el total de los tamaños de las muestras, o
sea:

x1n1 + x2 n2 + ... + xn. nn

x̿ =
n1 + n2 + ... + nn

 xi . ni xi: media de cada muestra

x̿ = ni: tamaño de cada muestra
 ni

Ejemplo: la empresa A tiene 100 operarios cuyo sueldo medio es de $320, mientras
que la empresa B que tiene 50 operarios tiene un sueldo promedio de $390. ¿Cuál es
el salario medio para los operarios de ambas empresas?

320 (100) + 50 (390) 51.500

x̅ = =
100 + 50 150

x̿ = $ 343.33

Actividad Nº 16
1. Calcular la media aritmética para la siguiente distribución de los
alquileres de 100 locales comerciales.

Nº de locales
Alquileres
fi
200 - 300 22
300 - 400 30
400 - 500 19
500 - 600 10
600 - 700 12
700 - 800 7
100
 64

2. En una empresa hay 15 técnicos, 20 empleados administrativos y

300 operarios. Las edades medias de cada grupo son 42,5 años;
34,5 años y 28,7 años respectivamente. Calcular la edad media
para todos los trabajadores.

3. El promedio general de calificaciones de dos cursos A y B es 7,1.

El curso A tiene 20 alumnos y una calificación media 6,4 y el curso
B tiene una calificación media de 7,5. ¿Cuántos alumnos tiene el
curso B?

2.4.2. Mediana

La mediana para datos agrupados en una tabla de frecuencias con intervalos de clase
es un valor aproximado a la verdadera mediana. Se puede obtener por dos métodos:
a) el método gráfico y b) el método de interpolación.

a) Método gráfico

Como ya se analizó el punto 4.8 de la unidad III, la mediana se puede obtener

gráficamente mediante las ojivas. Las dos ojivas se intersectan en la mitad del total de
las frecuencias (12,5), siendo el valor mediano 3,45, es decir que el 50% de las
empresas tiene un índice menor a 3,45 y el otro 50% tiene un índice mayor a 3,45.

Marca de clase Número de empresas

Índices
fi Fa
1-2 3 3
2-3 5 8
3-4 10 18
4-5 4 22
5-6 3 25
25
 65

b) Método de interpolación

En primer lugar se debe identificar el "intervalo mediano". Observando el gráfico la

mitad del total de datos (n/2 = 12,5) se localiza en la clase 3 - 4, por lo tanto este es el
intervalo que contiene a la mediana.

Hasta el intervalo 2 - 3 hay 11 observaciones; en el intervalo 3 - 4 se incluye desde el

dato número 12 hasta el dato número 18, o sea que los 12.5 primeros datos se
encuentran en esta clase que es el intervalo mediano.

Luego, se aplica la siguiente fórmula:

n/2-fa
Md = Li + ( ) . Ci (9)
fi

Li: límite inferior del intervalo mediano

n: total de datos promediados
fa: frecuencia acumulada anterior al intervalo mediano
fi: frecuencia absoluta simple del intervalo mediano
Ci: amplitud del intervalo mediano.

Esta fórmula se fundamenta en una distribución uniforme de los distintos valores de la

variable dentro del intervalo que contiene la mediana.

Se puede establecer la siguiente relación de proporcionalidad.

AB AD CB . AD
= donde AB =
CB ED ED

Del gráfico se desprende que:

Md = Li + AB

Sustituyendo AB por la expresión hallada

CB . AD
Md = Li +
ED
donde:

CB = n/2 - fa entonces CB = 12.5 - 8 = 4.5

que indica los elementos que faltan para llegar a la mitad del total de datos. Hasta la
clase anterior al intervalo mediano hay 8 observaciones, por lo que faltan 4,5 para la
mitad.

A su vez ED = fi o sea ED = 10. De las 10 observaciones que hay en el intervalo

mediano, se necesitan 4,5 para alcanzar la mitad, por eso se divide n/2 - fa sobre fi que
es una fracción del intervalo de clase.

n/2 - fa 12,5 - 8 4,5

= =
fi 10 10

Por último AD = Ci o sea AD = 1 (amplitud del intervalo). La fracción anterior se

multiplica por la amplitud que da la posición de la mediana dentro del intervalo.
 66

n/2 - fa 4,5
. Ci = .1= 0.45
fi 10

El valor 0.45 se agrega al límite inferior de la clase mediana (Li) para obtener el valor
de la mediana.

n/2-fa
Md = Li + ( ) . Ci
fi

12.5 - 8
Md = 3 + .1
10

Md = 3 + 0.45 = 3.45

Actividad Nº 17

La siguiente distribución corresponde a los alquileres pagados por

100 locales comerciales:

Alquileres Nº de locales
$ fi
200 - 300 22
300 - 400 30
400 - 500 19
500 - 600 10
600 - 700 12
700 - 800 7
100

Obtener la mediana:

a) por el método gráfico

b) por el método de interpolación

2.4.3. Moda

La moda, para una distribución de frecuencias, no puede calcularse exactamente, sino

en forma aproximada.

Los métodos de cálculos son:

 67

a) el método directo;
b) el método de interpolación mediante gráfico y
c) el método de interpolación mediante fórmula.

La tabla de frecuencias de los índices de accidentes de las 25 empresas se utilizará

para ejemplificar la aplicación de los 3 métodos.

de empresas Marca de clase

Índices Nº
fi xi
1-2 3 1.5
2-3 5 2.5
3-4 10 3.5
4-5 4 4.5
5-6 3 5.5
25

Cada uno de los puede dar un valor diferente a la moda.

a) Método directo

La moda directa en una distribución de frecuencias es la marca de clase o punto

medio del intervalo modal. El intervalo modal es el que tiene la mayor frecuencia.

En la distribución de los índices de accidentes el intervalo modal es 3 - 4 porque allí se

concentra la mayor frecuencia que es 10. Como el punto medio 3,5 es el valor que
representa a la clase modal por lo tanto se considera la moda de la distribución.

Mo = 3.5 accidentes

b) Interpolación mediante gráfico

(1) Se construye un histograma

(2) Se dibujan dos líneas diagonalmente en el interior de la barra de la clase modal,

partiendo de las esquinas superiores de la barra a las esquinas superiores de las
barras adyacentes.
 68

(3) Se dibuja una línea perpendicular desde la intersección de las dos diagonales
hasta el eje de las x. La moda se localiza en dicho eje y es 3,4.

Obsérvese que se han empleado los valores y la frecuencia de la clase modal y las
frecuencias de las clases inmediatamente anterior y posterior a la clase modal.

c) Interpolación por fórmula

La fórmula para el cálculo de la moda es:

d1
Mo =Li + (d ) . Ci (10)
1+ d2

Li: Límite inferior del intervalo modal

d1: Diferencia entre la frecuencia de la clase modal y la frecuencia de la clase
premodal (d1= fn - f1)
d2: Diferencia entre la frecuencia de la clase modal y la frecuencia de la clase
posmodal (d2 = fn - f2).
Ci: Amplitud de la clase modal.

Aplicando la fórmula (10) para la distribución de índices de accidentes se tiene:

Li = 3
d1 = 10 - 5 = 5
d2 = 10 - 4 = 6
Ci = 1
5
Mo =3+ ( ) .1
5+ 6
Mo = 3 + 0.45 = 3.45

Mo ~ 3.45 accidentes

Si el gráfico fue dibujado exactamente, la moda calculada mediante fórmula deberá ser
el mismo valor que la moda obtenida el histograma.

Actividad Nº 18
Calcular la moda por los tres métodos desarrollados para la
distribución de alquileres de los 100 locales comerciales.

Nº de locales
Alquileres
fi
200 - 300 22
300 - 400 30
400 - 500 19
500 - 600 10
600 - 700 12
700 - 800 7
100
 69

2.5. Otras medidas de posición

2.5.1. Media Geométrica

La media geométrica (G) se define como la raíz n-ésima de los productos de los
valores de un conjunto de datos.

G = n√x1 . x2 …xn

Ejemplo: Calcular la media geométrica de los valores 5 - 7 - 10 - 12

4 4
G = √(5) (7) (10) (12) = √4.200

G = 8,05

La media geométrica tiene las siguientes características:

(1) Es susceptible de tratamiento algebraico. Si se conocen dos de los tres términos de

la expresión, el tercero puede ser determinado.
n
G = √Producto de n valores

Ejemplo:

Si un conjunto de 5 valores tiene una media geométrica de 3 ¿Cuál es el producto

de los 5 valores?

G=3 n=5

Producto de n valores = Gn

= 35 = 243

(2) El cálculo de G se basa en todos los valores de un conjunto de datos. Cada valor
del conjunto afecta el valor de G. Si uno de los valores es cero, el valor de G es
cero.

Ejemplo: 12 - 8 - 0

3
G = √(12) (8) (0)

G=0

(3) La media geométrica es afectada por los valores extremos pero en menor cantidad
que lo es a la media aritmética.

Ejemplo. Sean los valores 4 - 7 - 25

La media aritmética es:

∑ xi
x= n

36
x= = 12
3
 70

La media geométrica es:

3
G = √(4) (7) (25)

G = 8,9

El valor de G es siempre menor que la media aritmética.

(4) Cuando se obtienen las razones de los valores de un conjunto con respecto a cada
valor inmediato anterior, la media geométrica es el único promedio apropiado para
las razones.

Ejemplo: Las ventas de un negocio durante cuatro meses fueron:

Mes Ventas ($) Razón con respecto al mes anterior (xi)

Enero 1.000 1.10
Febrero 1.100 1.70
Marzo 1.870 1.70
Abril 3.740 2.00

Se calcula la media geométrica de las razones.

3 3
G = √(1.10) (1.70) (2.00) = √3.74

G = 1.5522 o 155.22 %

En el cuadro siguiente se muestran las ventas mensuales basadas en G.

Mes Ventas
E 1.000 -
F 1.100 1.000 (1.5522) = 1.552.20
M 1.870 1.552.20 (1.5522) = 2.409.32
A 3.740 2.409.32 (1.5522) = 3.739.75 = 3.740

Con la media geométrica se llega al último valor (3.740), mientras que si se hubiera
utilizado la media aritmética de las razones, el resultado no hubiera sido consistente.

Cuando un número es obtenido multiplicando el número anterior por la razón

promedio, la secuencia de los números se denomina progresión geométrica. Los
valores de las ventas constituyen una progresión geométrica con una razón promedio
de 155.22%.

Uso de la G para obtener tasas promedio de crecimiento

Considerando la secuencia de valores de una progresión geométrica, se tiene:

Po: Valor del primer período (período base)

Pn: valor del último período
n: número de valores excluyendo el primero de ellos.
G: la razón promedio.
 71

Simbólicamente
Enero (base) = 1.000 Po
Febrero = 1.000 (1.5522) = 1.552.20 Po . G
Marzo = 1.552.20 (1.5522) = 2.409.32 Po G(G) = Po G2
Abril = 2.409,32 (1.5522) = 3.739.75 Po G2 (G) = Po G3

En general, el valor al final del n-ésimo período es:

Po . Gn = Pn

n Pn
G = Po

n P
G = √Pn (12)
o

La tasa promedio de crecimiento (r) es:

r = G - 100% (13)

La base de una razón expresada en % es igual al 100%.

Po = 1.000 Pn = 3.740 n = 3 (se excluye el período base)

G=? r=?

3 3.740
G = √1.000

G = 1.5522 o 155.22 %

r = 155.22 - 100

r = 55.22%

Las ventas tienen una tasa promedio de crecimiento mensual del 55,22%.

2.5.2. Media Armónica

Se define la media armónica (H) como el inverso de la media aritmética de los inversos
de los valores de la variable.

1 n
H= 1 entonces H= 1 (14)
Σ ( x) Σ ( x)

por lo tanto
n
H= 1 1 1
+ +…+
x1 x2 xn

Ejemplo: Dados los valores 2 - 3 - 6 - 8

4 4
H= 1 1 1 1 = 54
2
+ 3
+ +
6 8 48

H = 3.55
 72

La media armónica se obtiene utilizando todos los valores del conjunto, por lo tanto es
afectada por valores extremos, pero en menor cantidad que la media geométrica.

Ejemplo: 4 - 7 - 25

x = 12 G = 8.9

3
H= 1 1 1
4
+ 7
+ 25

H=7

En resumen:

H < G < x̅

El significado de la media armónica se puede ilustrar con el siguiente ejemplo:

Se ha recorrido la distancia Salta - Tucumán a razón de 80 km por hora y el regreso

Tucumán - Salta a razón de 60 km por hora ¿Cuál es el trayecto total de ida y vuelta?

La media aritmética dará como respuesta:

80 + 60
= 70 km/h
2

El resultado es erróneo. El tiempo invertido en recorrer la distancia (D) entre Salta y

Tucumán será: D/80 y el regreso D/60.

La velocidad media de ida y vuelta será:

Espacio 2
H (velocidad media) = Tiempo = 1 1
+
80 60

H = 68.57 km/h

2.5.3. Cuartiles

Así como la mediana divide la distribución en dos partes iguales, los cuartiles dividen a
la distribución en cuatro partes iguales (o casi iguales). Existen tres cuartiles:

- Primer cuartil (Q1) es el valor de la variable por debajo del cual queda el 25% de los
elementos de la serie estudiada.

- Segundo cuartil (Q2) es el valor por debajo del cual queda el 50% de los elementos
de la distribución. El segundo cuartil es igual a la mediana.

- Tercer cuartil (Q3) es el valor por debajo del cual queda el 75% de los elementos de
la distribución.

Para calcular los cuartiles en los datos sin agrupar se debe seguir el siguiente
procedimiento.

1') Ordenar los datos de menor a mayor.

 73

2') Encontrar la posición que ocupa el Q1, Q2 o Q3 a través de las siguientes fórmulas:

n+1 2(n + 1) 3(n + 1)

Orden Q1 = ; Orden Q2 = ; Orden Q3 = ;
4 4 4

3') Buscar el dato que ocupa la posición hallada en el peso anterior.

Ejemplo: Los siguientes datos corresponden a las puntuaciones de 15 exámenes

tomados a postulantes a un cargo en una empresa de servicio.

45 - 47 - 49 - 50 - 52 - 52 - 57 - 60 -
62 - 65 - 65 - 68 - 70 - 74 - 78

* El primer cuartil será:

n+1
Orden Q1 =
4

15 + 1
Orden Q1 = = 4º lugar
4

El dato que ocupa el 4º lugar es 50, o sea:

Q1 = 50 puntos

El 25% de los postulantes tiene una puntuación inferior a 50 puntos:

* El segundo cuartil será:

3(n + 1)
Orden Q3 =
4

3(15 + 1)
Orden Q3 = = 12º lugar
4

El dato que ocupa el lugar número 12 es 68, o sea:

Q3 = 68 puntos

El 75% de los postulantes tiene una puntuación inferior a 68 puntos.

- Si el valor resultante de la posición es un entero, se selecciona el dato

correspondiente al orden del cuartil buscado. Este es el caso del ejemplo anterior.
- Si el punto de posición está a la mitad entre dos puntos de posición, se selecciona la
media de sus valores correspondientes.
- Si el valor del orden no es un entero ni un valor a la mitad entre los otros dos puntos
de posición se utiliza la siguiente regla empírica para aproximarse al cuartil:
redondearlo al punto de posición del entero más cercano y seleccionar el valor de la
observación correspondiente.

Ejemplo: Dados los siguientes valores:

10 20
12 22
14 25
18 27
18 30
 74

n+1 10 + 1
Orden Q1 = = = 2.75
4 4

El 1º cuartil se ubica entre el 2º y 3º lugar, o sea entre los valores 12 y 14. Como el
orden (por redondeo) se acerca a 3, se considera 14 como valor aproximado del 1º
cuartil.

Q1 = 14

3(n + 1) 3(10 + 1)
Orden Q3 = = = 8.75
4 4

El 3º cuartil se ubica entre el 8º y 9º lugar, o sea entre los valores 25 y 27. Como el
orden (por redondeo) se acerca a 8, se considera 25, como valor aproximado del 3º
cuartil.

Q3  25

Cuando los datos están agrupados en una tabla de frecuencias, los cuartiles se
calculan por el mismo procedimiento que el cálculo de la mediana.

1') Se identifica el intervalor que contiene el 1' y el 2' o el 3' cuartil.

2') Luego se utiliza una de las siguientes fórmulas:

n/4 - fa
Q1 = L i +( ) . Ci (15)
f1

2n/4 - fa
Q2 = L i +( ) . Ci (16)
fi

3n/4 - fa
Q3 = L i +( ) . Ci (17)
fi

Li: Límite inferior de la clase a la que pertenece el 1', el 2' o el 3' cuartil

n/4: Orden del 1 cuartil - 2n/4: Orden del 2 cuartil.

2n/4: Orden del 3' cuartil.

fa: Frecuencia acumulada anterior a la clase que contiene el cuartil buscado.

fi: Frecuencia simple de la clase cuartílica.

Ci: Amplitud de la clase cuartílica.

Ejemplo: Calcular el Q1 y el Q3 de la distribución de frecuencias de los índices de

accidentes de las 25 empresas.
 75

Nº de empresas Frecuencia
Índices
fi fa
1-2 3 3
2-3 5 8
3-4 10 18
4-5 4 22
5-6 3 25
25

Orden 1 cuartil Orden 3' cuartil

n 25 3n 3(25)
Q1 = = = 6.75 Q3 = = = 18.75
4 4 4 4

La clase del 1' cuartil se localiza La clase del 3' cuartil se localiza en
en el intervalor 2 - 3. el intervalor 4 - 5.

Luego, se aplica la fórmula (15) Luego se aplica la fórmula (17)

8.25 - 3 18.75 - 18
Q1 = 2 + ( 5
) .1 Q3 = 4 + ( 4
) .1

Q1 = 2.65 Q3 = 4.1875

Una de las aplicaciones importantes de los cuartiles es en la confección del diagrama

de caja que se desarrollará más adelante.

2.5.4. Deciles y Percentiles

- Los deciles (D) dividen a la distribución en diez partes iguales. Así, por ejemplo, el
decil 1 (D1), deja el 10% de los valores por debajo de él; el decil 2 (D2) deja el 20%
de los valores por debajo de él. Análogamente ocurre con los deciles D3, D4... D9.
 76

- Los percentiles (P) dejan dividida a la distribución en cien partes iguales. Los
percentiles se denotan por P1, P2, P3 ... P99. Así, por ejemplo, el P80 deja por debajo
el 80% de los elementos de la distribución.

Debido a que estas medidas no son de uso frecuente en el campo de la

Administración, no se desarrollarán las fórmulas para su cálculo. No obstante, los
procedimientos de dichos cálculos son análogos a los utilizados para la mediana y los
cuartiles.

Actividad Nº 19

1. Dados los siguientes valores:

2 - 7 - 8 - 15 - 10 - 4 - 9 - 10

Calcular:

a) La media geométrica;
b) La media armónica;
c) El tercer cuartil.

2. Según el censo de 1970, la población de la ciudad de Salta era de

176.216 habitantes. De acuerdo a los datos del censo 1991 la
población aumentó a 373.857. Obtener la tasa promedio de
crecimiento anual por cada mil habitantes de la población de la
ciudad.

3. Dada la distribución de los alquileres de los 100 locales

comerciales.

a) Calcular el Q1 y Q3.
b) Interpretar las medias calculadas.

Nº de locales
Alquileres
fi
200 - 300 22
300 - 400 30
400 - 500 19
500 - 600 10
600 - 700 12
700 - 800 7
100
 77

3. Medidas de Dispersión

Las medidas de dispersión describen la variabilidad de las observaciones de

un conjunto de datos con respecto a un valor promedio.

Rango
De distancia Rango inter-cuartil ()
Desviación cuartílica (*)
Absolutas
Medidas * Desviación absoluta promedio
de De desviación * Varianza
Dispersión promedio * Desviación típica
* Desviación intercuartílica (*)

Relativa  Coeficiente de Variación

Considérese el número de pólizas vendidas durante una semana por dos sucursales
de una compañía de seguros.

La media de ambas sucursales es 10 pólizas.

A = 10 B = 10

Si bien ambas sucursales tienen la misma venta media, se puede observar que los
valores de la Sucursal "A" están más dispersos que los valores de la Sucursal "B"
respecto a la media.

3.1. Rango

Es la diferencia entre el valor máximo y el valor mínimo de un conjunto de

datos.

R = xn - x1 (18) xn = valor máximo; x1 = valor mínimo

RA = 14 - 5 = 9 RB = 12 - 8 = 4


Se tratan en el punto 3.8
 78

Características del Rango

1. Es una medida de cálculo sencillo.

2. El rango no está afectado por los valores comprendidos entre el valor máximo o
mínimo, al utilizar los extremos no proporciona una medida efectiva de variabilidad
en relación el valor promedio.

3.2. Desviación Absoluta Promedio

La desviación absoluta promedio es la media aritmética de las desviaciones de los

valores individuales de la distribución con respecto a su promedio (generalmente se
utiliza la desviación media).

 xi - 
D = (19)
N

Los signos de las desviaciones se ignoran, ya que de acuerdo la propiedad de la

media ya estudiada, la suma de los desvíos es cero.

SUCURSAL "A"

xi xi -  Valor absoluto de los desvíos

5 5 - 10 = -5 1
12 11 - 10 = 2 2
8 8 - 10 = -2 0
14 14 - 10 = 4 2
11 11 - 10 = 1 1
 = 0 d = 14

SUCURSAL "B"

xi xi -  Valor absoluto de los desvíos

9 9 - 10 = -1 1
8 8 - 10 = -2 2
10 10 - 10 = 0 0
12 12 - 10 = 2 2
11 11 - 10 = -1 1
 = 0 d = 14

14 6
DA = = 2,8 DB = = 1,2
5 5

Características de la DM

1. El cálculo está basada en todos los valores e indica la dispersión con relación a un
valor promedio.
 79

2. Al ignorarse los signos de las desviaciones, la medida no resulta adecuada para un

manejo matemático.

3.3. Varianza

La varianza es el promedio de los cuadrados de las desviaciones de los

valores de la variable con respecto a su media.

La varianza poblacional se simboliza con sigma cuadrado (2) y la fórmula se expresa:

 (xi - )2
2 = (19)
N

L M M J V
Sucursal A (xi - )  = 50
2
25 4 4 16 1
Sucursal B (xi - )  = 10
2
1 4 0 4 1

50 10
2A = 2B =
5 5

2A = 10 2B = 2

Principales características de la varianza:

1. La varianza es matemáticamente lógica ya que considera los signos de los desvíos,

de allí su ventaja con respecto a la desviación absoluta promedio.
2. La varianza no está expresada en unidades originales, sino en una unidad al
cuadrado. Esto es debido a la operación de elevar al cuadrado las desviaciones.
3. Cuando las varianzas son grandes se hace difícil su interpretación.

Para calcular la varianza se pueden emplear las variantes de la fórmula:

2
Σ x2i Σx Σ xi
(20)  2
= - ( Ni ) (21) 2 = - (μ)2
N N

Para aplicar estas fórmulas se utilizarán los datos de la sucursal B.

xi 9 8 10 12 11  = 50
2
xi 81 64 100 144 121  = 510

Utilizando la Utilizando la
fórmula 20 fórmula 21

510 50 2 510
2 = + (5) 2 = + (10)2
5 5

2 = 102 – 100 2 = 102 - 100

2 = 2 2 = 2
 80

3.4. Desviación típica o estándar

Debido a que la varianza no está expresada en unidades originales y para restaurarlas

se obtiene la raíz cuadrada de esta medida.

La medida así obtenida recibe el nombre de "desviación típica o estándar"

La desviación típica es la raíz cuadrada del promedio de los cuadrados de

las desviaciones de los valores con respecto a su media.

La desviación típica poblacional se simboliza con s (sigma) y la fórmula se expresa.

𝚺 (xi − 𝛍)2
σ= √ (22)
N

La desviación típica de A es La desviación típica de B es:

50 10
σA = √ = √10 σB = √ = √2
5 3

A = 3,2 pólizas B = 1,4 pólizas

La fórmula (22) se puede expresar como:

2
𝚺 x2i Σ xi 𝚺 xi
√ ( ) (23) =√ - (μ)2 (24)
N N N

Principales característica de la desviación típica

1. Como la varianza, la desviación típica se calcula en base a todos los valores. Mide
la dispersión alrededor de la media y no con respecto a ciertos valores como el
rango.

2. La desviación estándar es matemáticamente lógica, ya que al igual que la varianza,

tiene en cuenta los signos positivos y negativos de los desvíos individuales.

3. Como ya se señaló anteriormente, el desvío típico está expresado en unidades

originales lo que facilita su análisis e interpretación.

4. a) Si a cada valor de la variable se le suma (o se le resta) una constante, el desvío

típico no se modifica.
b) Si a cada valor de la variable x lo multiplica (o se lo divide) por una constante, el
desvío típico queda multiplicada (o dividida) por dicha constante.

5. Hasta ahora se hizo referencia a la varianza y el desvío típico poblacional, por

cuanto las fórmulas de ambas medidas calculadas a partir de una muestra tienen la
siguiente variante: el denominador se divide por n-1. La explicación se desarrolla en
el punto 3.5. La varianza y el desvío típico muestrales se simbolizan por S2 y S
respectivamente.
 81

3.5. Varianza y desvío típico de una muestra

La varianza muestral (S2) se obtiene mediante la siguiente fórmula:

Σ (x1 − x̅)2
S2 = (25)
n-1

La desviación típica muestral (S) se obtiene por:

Σ (x1 − x̅)2
S=√ (26)
n-1

El denominador se divide por n-1. Este término se denomina "grados de libertad".

Ejemplo: las edades de una muestra de cinco personas son: 20; 24; 28; 35; 40. La
media es:

Σ x1
x̅ = x̅ = 29.4 años
n

Al calcular la desviación típica muestral, se utiliza una estimación de la medida de la

población. Se introduce un sesgo debido a que el valor  =(x1 - x)2 es un valor mínimo
para cualquier distribución dada. Si a cada elemento se hubiera restado cualquier otro
valor distinto de 29,4 años, la suma de las diferencias sería mayor que  = (x1 - 29.4)2.

Al utilizar en el cálculo la moda muestral como estimador de la media poblacional, por

lo regular se obtendrá una desviación estándar menor que la desviación estándar
poblacional. Este sesgo se puede corregir dividiendo  = (xi - x)2 entre los grados de
libertad n - 1. Debido que la media muestral se usó como estimación de la media
poblacional en el cálculo del desvío muestral, solo cuatro de las edades son libres de
varias, ya que la quinta edad se puede determinar porque  = (xi - x) = 0. Sólo se
requiere de cuatro edades para tener toda la información.

Los grados de libertad en un conjunto de datos indican el número de elementos de

datos que son independientes de los otros y que se constituyen como piezas únicas de
información.

Actividad Nº 20
1. Las ventas de una compañía (en miles de pesos) durante una
semana fueron:

Día L M M J V S
Ventas ($) 8 4 6 7 10 7

a) Obtener las siguientes medidas:

i) Rango;
ii) Desviación absoluta promedio;
iii) Varianza
iv) Desviación típica
 82

b) El gerente estima que las ventas disminuirán un 10% la

próxima semana ¿Qué ocurrirá con el desvío típico?

2. Un productor cinematográfico elige un grupo de extras para una

película. Las edades de los primeros 10 entrevistados son:

50 - 56 - 55 - 49 - 52
57 - 56 - 57 - 56 - 59

El productor quiere extras cuya edad se agrupe estrechamente

alrededor de los 55 años como aceptable, pero que la variabilidad
no supere los 3 años. ¿Cumple este grupo con los requisitos?

3. En uno de los departamentos de producción de una empresa

industrial la producción diaria media por operario era de 374.3
unidades y la desviación típica de la producción diaria por operario
de 34.7 unidades. Se condujo un programa de entrenamiento para
los operarios menos eficientes. Subsecuentemente, la producción
diaria media subió a 421.6 unidades por operario y la desviación
típica se redujo a 29.3 unidades.

Describir los cambios que tuvieron lugar después del

entrenamiento.

4. Se toman las medidas a 80 personas y resulta una estatura media

de 1.70 mts. y una desviación típica de 0.02 mts. Posteriormente
se verifica que el instrumento usado en la medición tenía 3 cm
menos. Ratifique o rectifique los valores mencionados.

3.6. Coeficiente de Variación

Cuando se desea comparar dos distribuciones, las medidas absolutas de dispersión

son útiles si los promedios de ambas son aproximadamente del mismo tamaño y las
unidades de medida de los conjuntos son iguales, de lo contrario la comparación de la
dispersión se hace complicada.

Ejemplo: la media y el desvío típico de los salarios de dos compañías:

Cía. I Cía. II
1 = 400 2 = 200
1 = 65 2 = 48

A simple vista, la Cía. I tiene mayor dispersión que la Cía. II debido a que el desvío
típico es mayor. Pero esta conclusión no es cierta, ya que la desviación típica es
significativa sólo en relación con la media respecto a la cual se calcula.

Para la comparación se requiere una medida relativa que describa una idea general de
la magnitud del desvío estándar en relación con la magnitud de la media. Esta medida
se denomina "coeficiente de variación" que se obtiene dividiendo el desvío típico sobre
la media aritmética.
 83

δ
(27) cv μ Población

S
(28) cv x̅ Muestra

Si se expresa en porcentaje se multiplica por 100

Compañía I Compañía II

65 48
(27) cv 400 (28) cv
200

cv = 0.1625 o 16.25% cv = 0.24 o 24%

La distribución I tiene una variación absoluta mayor que la distribución II, pero la
variación relativa es menor porque es mayor su media aritmética.

Existen dos propiedades:

a) Cuando a cada valor de la variable se le suma (o se le resta) una constante, el cv

disminuye (o aumenta).

Ejemplo: El salario medio de una muestra de trabajadores una compañía es de

$200 con una desviación típica de $ 20.

S 20
cv x̅x cv 200 = 0.10

Se decide aumentar los salarios en $40.

y̅= $ 240 Sy = $20

La nueva media El nuevo desvío

se incrementa a 240 no se modifica

Sy 20
cv ̅y cv 204 = 0.08 el nuevo CV disminuye

b) Cuando a cada valor de la variable se multiplica (o se divide) por una constante, el

cv no se modifica.

Ejemplo: se decide duplicar los salarios originales:

y̅ = $400 Sy̅ = $40

La nueva media también El nuevo desvío también

se duplica se duplica

Sy 400
cv ̅y cv 40 = 0.10 el nuevo CV no se modifica
 84

Actividad Nº 21

1. Una compañía mayorista estaba estudiando la posibilidad de

convertirse en proveedor de 3 minoristas, pero la escasez de
inventario la obligó a seleccionar un solo minorista. El gerente de
crédito de la compañía está evaluando los créditos de los tres. En
los últimos 5 años, sus cuentas por cobrar se han atrasado el
siguiente número promedio de días. El gerente de crédito
considera que la consistencia, además de un promedio mínimo, es
de suma importancia. Basándose en la dispersión relativa. ¿Cuál
minorista será mejor cliente?

López 62.2 61.8 63.4 63.0 61.7

Guzmán 62.5 61.9 62.8 63.0 60.7
Sánchez 62.0 61.9 63.0 63.9 61.5

2. La media de una distribución de un centenar de artículos es 50 y

la suma de los cuadrados de las desviaciones respecto de la
media es 3.600, por lo que el coeficiente de variación es igual a
0.08. ¿Es correcto este enunciado?

3.7. Varianza y desvío típico para datos agrupados

La varianza y la desviación típica para datos de una población agrupados es una tabla
de frecuencias se obtienen con las siguientes fórmulas:

Varianza Desvío típico

𝚺 (xi − 𝛍)2 . fi 𝚺 (xi − 𝛍)2 . fi

σ2 = (29) σ= √ (30)
N N

Si se trata de una muestra, el denominador se divide por n - 1.

Varianza Desvío típico

𝚺 (xi − x̅)2 . fi 𝚺 (xi − x̅)2 . fi

σ2 = (31) σ= √ (32)
n-1 n-1

donde:

x̅i = valor de la clase o punto medio del intervalo

m = media poblacional
x = media muestral
fi = frecuencia de clase.
N = total de observaciones de la población
n = total de observaciones de la muestra.

La desviación al cuadrado para cada clase se multiplica por su frecuencia y la suma de

los productos se divide por N o en n - 1.
 85

La varianza y el desvío típico para la distribución del número de accidentes de la

muestra de 25 empresas, cuya media es 3.5, se obtienen a continuación.

2 2
Índices Marca de Nº de empresas (xi - x) (xi - x) f
2
1-2 1.5 3 (1.5 - 3.5) = 4 4 (3) = 12
2
2-3 2.5 5 (2.5 - 3.5) = 1 1 (5) = 5
2
3-4 3.5 10 (3.5 - 3.5) = 0 0 (10) = 0
2
4-5 4.5 4 (4.5 - 3.5) = 1 1 (4) = 4
2
5-6 5.5 3 (5.5 - 3.5) = 4 4 (3) = 12
25 33

Aplicando las fórmulas (31) y (32).

33 33 33
σ2 = = σ= √ = √1.375
25 - 1 24 25 - 1

σ2 = 1.375 σ = 1.17

Las fórmulas equivalentes de (29) y (30) son:

𝚺x2i . fi 𝚺x2i . fi
σ= √
2 2
σ2 = − μ (33) μ (34)
N N

Las fórmulas equivalentes de (33) y (34) son:

𝚺x2i fi − n x̅ 2 𝚺x2i fi − n x̅ 2
σ2 =
n-1
(35) σ= √ (36)
n-1

Actividad Nº 22

El número de cheques cobrados diariamente en 5 sucursales de un

banco durante 100 días tuvo la siguiente distribución de frecuencias:

Nº de cheques 0-200 200-400 400-600 600-800 800-1000

fi 10 13 17 42 18

El director de operaciones del banco, sabe que una desviación

standard o típica en el cobro de más de 200 cheques diarios crea
problemas de organización y dotación del personal en las sucursales,
debido a una carga de trabajo no uniforme ¿Debe preocuparse en
este momento?
 86

3.8 Otras medidas de dispersión

3.8.1. Rango intercuartil

El rango intercuartil (RI) representa la distancia entre el tercer cuartil (Q 1) y el

primer cuartil (Q3).

RI = Q3 - Q1 (37)

Considérese nuevamente los datos correspondientes a las puntuaciones de 15

exámenes tomados a postulantes (ver punto 2.5.1).

45 - 47 - 49 - 50 - 52 - 57 - 60 - 62 - 65 - 65 - 68 - 70 - 74 - 78

El primer cuartil (Q1) y el tercer cuartil calculados fueron:

Q1 = 50 Q3 = 68

El rango intercuartil es:

RI = 68 - 50

RI = 18 puntos

3.8.2. Desviación cuartílica (QD)(4)

La desviación cuartílica consiste en la división del rango intercuartílico entre

dos.

Q3 − Q1
QD = (38)
2

68− 50
QD =
2

QD = 9 puntos

Las principales características de QD son:

(1) La QD está basada en dos valores: Q1 y Q3. No está afectada por valores
extremos, los cuales son menores que Q1 o mayores que Q3. El 50% de los datos
está entre Q1 y Q3. Una QD baja indica una pequeña variación entre el 50% de los
datos centrales. En cambio, una QD alta significa que la variación entre los elementos
centrales es grande.

(2) La QD tiene el inconveniente de que no está basada en cada valor de una

distribución.

Los cuartiles y el rango intercuartil son utilizados para confeccionar el diagrama de

caja que se trata en el anexo de este módulo, reproduciendo el artículo de la revista
Capacitando en Calidad - N VII del Dpto. de Matemática de la Universidad Nacional
del Sur.

4
Shao, Stephen, op. cit. En bibliografía.
 87

4. Formas de la distribución

4.1. Simetría y Asimetría

Distribución simétrica

Considérese la distribución A

Intervalos fi xi
10 – 20 3 15
20 – 30 5 25
30 – 40 9 35
40 – 50 5 45
50 – 60 3 55
25

Se construye a continuación el polígono de frecuencias.

El polígono se vuelve cada vez más suave y curvo a medida que aumenta el número
de observaciones. El Polígono suavizado recibe el nombre de “curva de frecuencia”.
 88

Se puede observar que la distribución es simétrica por la forma del polígono. En este
caso los valores de la media aritmética, la mediana y la moda son iguales o casi
iguales.

x = 35 Md = 35 Mo = 35

4.2. Distribuciones asimétricas

Se presenta a continuación otras dos distribuciones B y C.

(B) (C)
Intervalos fi xi Intervalos fi xi
10 – 20 3 15 10 – 20 2 15
20 – 30 12 25 20 – 30 3 25
30 – 40 5 35 30 – 40 5 35
40 – 50 3 45 40 – 50 12 45
50 – 60 2 55 50 – 60 3 55
25 25

Se construyen el polígono y la curva de frecuencias para ambas distribuciones y se

calculan los 3 promedios.
 89

En la distribución (B) hay una asimetría (sesgo) hacia la derecha, ya que la media es
mayor que la mediana y ésta mayor que la moda. En este caso x es afectada por
algunos valores extremos altos.

La distribución (C) tiene una asimetría hacia la izquierda. La media es menor que la
mediana y ésta menor que la moda. La media es afectada por valores extremos bajos.

En resumen

4.3. Coeficiente de Asimetría de Pearson

La asimetría puede medirse a través de un coeficiente. Uno de los más utilizados es el

coeficiente de asimetría de Pearson que se obtiene de la siguiente manera:

x̅ − Mo 3 (x̅ − Md
Sk = (39) Sk = (40)
S S

Si Sk = 0 distribución simétrica.
Si Sk < 0 distribución asimétrica negativa.
Si Sk > 0 distribución asimétrica positiva.
 90

Distribución A Distribución B Distribución C

S = 11,9 S = 11,2 S = 11,2

35 - 35 30,6 - 25 39, 4-45

Sk = Sk = Sk =
11,9 11,2 11,2

Sk = 0 Sk = 0.50 Sk = -0.50

Simétrica Positiva Asimétrica negativa

Mientras más marcada sea la asimetría menos representativa es la media, siendo la

mediana una medida más conveniente debido a que no recibe influencias de valores
extremos.

4.4. Curtosis

La curtosis mide el grado de apuntamiento de una distribución, es decir se mide su

grado de pico.

Existen medidas para describir la curtosis que se tratan en el módulo III. Sólo se hará
referencia a que una distribución con respecto al apuntamiento puede ser: leptocúrtica,
mesocúrtica o platocúrtica.
 91

Actividad Nº 23

Dada la siguiente distribución:

Intervalos fi
0 - 200 10
200 - 400 13
400 - 600 17
600 - 800 42
800 - 1000 18
100

a) Calcular la media, la mediana, la moda y el desvío típico.

b) Calcular e interpretar el coeficiente de asimetría.

EL GRÁFICO DE CAJA
Lic. ALICIA QUINTANA

Señor Supervisor, Señor Operario: supongamos que en sus tareas diarias de trabajo haya
tenido que analizar un conjunto de datos y se ha encontrado con la presencia de unos pocos
valores que le han llamado la atención, le han parecido extraños, raros, por ser muy grandes o
muy pequeños en relación al resto de los datos. El problema es que, tal vez, Usted no ha
sabido qué hacer. En el presente artículo se le brinda una solución.

El Gráfico de Caja es una técnica estadística que se construye para cumplir con dos objetivos
principales:

- visualizar las características o propiedades que tiene un conjunto dado de datos.

- detectar la presencia de valores "outliers", o sea valores que resultan ser sospechosos.

INTRODUCCIÓN PREVIA

Para poder iniciar el tema, necesitamos de algunos conceptos previos, a saber:

I. Mediana.
II. Cuartiles.
III. Rango intercuartílico.

I. MEDIANA

La mediana (M) es el valor que divide al conjunto de datos ordenados de menor a mayor en
dos partes iguales. O sea, el 50% de los datos es inferior a M y el otro 50% es superior a M.

Los pasos a seguir para el cálculo son los siguientes:

Paso 1: ordenar los datos de menor a mayor.

Paso 2: hallar el lugar o posición ocupada por la mediana a través de la fórmula (n+1)/2 siendo
la n la cantidad de datos.
 92

Paso 3: buscar la observación que ocupa el lugar encontrado en el paso 2.

Como ilustración veamos los siguientes ejemplos:

Ejemplo 1:

16 18 11 13 8 11 9

Siguiendo el esquema de los pasos, ordenamos los datos de menor a mayor:

8 9 11 11 13 16 18

El lugar que ocupa la mediana es (7+1)/2=4. Por lo tanto, la mediana ocupa el 4º lugar que es
igual a 11.

Ejemplo 2:

16 4 18 11 13 8 9 8

Ordenando los datos de menor a mayor obtenemos:

4 8 8 9 11 13 16 18

El lugar que ocupa la mediana es (8+1) / 2 = 4,5. Como el lugar 4,5 no existe, en estos casos,
cuando la cantidad (n+1)/2 no es un número entero, procedemos de la siguiente manera:
podemos afirmar que la mediana se encuentra entre el 4º y el 5º lugar. Luego, la mediana será
igual al promedio de los valores, que ocupan el 4º y el 5º lugar. O sea, M será igual a (9-
11)/2=10.

II.- CUARTILES

Se trata de valores que dividen al conjunto de datos ordenados de menor a mayor en cuatro
partes iguales (o casi iguales). Existen tres cuartiles que notaremos Q1, Q2 y Q3.

- Q1, llamado cuartil de orden 1, es tal que el 25% de los valores es inferior a él.
- Q2, llamado cuartil de orden 2, es tal que el 50% de los valores es inferior a él. Por lo tanto,
coincide con la mediana.
- Q3, llamado cuartil de orden 3, es tal que el 75% de los valores es inferior a él.

Existen varios métodos para calcular Q1 y Q3. A continuación se exponen los pasos de uno
solo de ellos.

Paso 1: ordenar los datos de menor a mayor.

Paso 2: hallar la posición que ocupa Q1 a través de la fórmula (n+1)/4 siendo n la cantidad de
datos y hallar la posición que ocupa Q3 a través de la fórmula 3(n+1)/4.

Paso 3: buscar la observación que ocupa la posición encontrada en el paso 2 para Q1 y buscar
la observación que ocupa la posición encontrada en el paso 2 para Q3.

Como ilustración, calculemos Q1 y Q3 de los ejemplos dados anteriormente:

Ejemplo 1:

El lugar que ocupa Q1 es (7+1)/4=2. Luego, Q1 ocupa el 2º lugar que es igual a 9.

El lugar que ocupa Q3 es 3(7+1)/4=6. Luego Q3 ocupa el 6º lugar que es igual a 16.

Ejemplo 2:

El lugar que ocupa Q1 es (8+1)/4=2.25. Como el lugar 2.25 no existe, entonces promediamos
los valores que ocupan 2º y 3º posición. Luego, Q1= (8+8)/2=8.
 93

El lugar que ocupa Q3 es 3 (8+1)/4=6.75. Por lo tanto, promediamos los valores que ocupan la
6º y 7º posición. O sea, Q3=(13+16)/2=14.5

III. RANGO INTERCUARTILICO

El rango intercuartílico (R1) representa la distancia entre Q1 y Q3. O sea, R1=Q3-Q1.

EL GRÁFICO DE CAJA. CONCEPTO

El aspecto de un gráfico de caja es como el que se muestra en la figura 1.

Como su nombre lo indica se trata de una caja rectangular de largo igual la rango
intercuartílico. La altura de la caja es arbitraria.

El lado izquierdo representa a Q1 y el lado derecho a Q3. Por lo tanto, la caja contiene el 50%
de los datos.

En el interior de la caja se dibuja una línea vertical que representa a la medicina. De la caja
salen dos líneas horizontales que llegan hasta los valores limítrofes L1 y L2. L1 representa a la
menor observación que es, a su vez mayor o igual que Q1-1.5 * R1. L2 representa a la mayor
observación que es, a su vez, menor que Q3 + 1.5 * R1.

EL GRAFICO DE CAJA COMO METODO PARA ANALIZAR UN CONJUNTO DE DATOS

Permite visualizar las características más importantes de un conjunto de datos, su posición, su

variabilidad y la forma de la distribución.

En cuanto a su posición, cuanto más grandes sean las observaciones, esto se manifiesta con
un desplazamiento de la caja hacia la derecha.

En cuanto a su variabilidad, cuanto más dispersas estén las observaciones, mayor será la
amplitud de la caja.

En cuanto a la forma de la distribución, podemos establecer una regla general para averiguar si
la distribución de los datos es simétrica o no:

- Si la caja interna izquierda es igual a la caja interna derecha (o sea, la mediana se localiza a
la mitad de la caja: entonces la distribución de los datos es simétrica.
- Si la caja interna izquierda es más grande que la caja interna derecha o viceversa, entonces
la distribución de los datos es asimétrica.

EL GRAFICO DE CAJA COMO METODO PARA LA DETECCION DE LOS "OUTLIERS"

En ocasiones, al seleccionar una muestra, se observa que uno o más de los datos parece ser
muy grande o muy pequeño en relación al resto de los datos. Tal medición recibe el nombre de
"outliers" y se presenta un problema. ¿Debemos conservarlo en la muestra o desecharlo?

La presencia de outliers puede deberse a varias causas, entre ellas:

- a algún error de medición o registro. Estos a su vez pueden ser provocados por un
instrumento de medición deficiente, la misma unidad experimental puede estar defectuosa o
tal vez el experimentador registró equivocadamente la medición.
 94

- la presencia de un valor muy grande o muy pequeño en relación al resto de los datos puede
tratarse de un acontecimiento que tiene muy poca probabilidad de ocurrir. No quiere decir
que no ocurre nunca. De hecho, alguna vez ocurre.

Para decidir si un outlier debe ser desechado o conservado en la muestra se deberá

investigar la causa que lo produjo. Si se debió a un error de medición o registro se podrá
eliminar de la muestra. Pero si no puede encontrarse una razón que indique que el
outlier se debió a un error de medición o registro, se ha de mantener en la muestra. Es
peligrosa su eliminación pues ese valor puede contener información importante.

El gráfico de caja permite detectarla la presencia de outliers de la siguiente manera:

Toda observación superior a Q3+1.5 * R1 o inferior a Q1 - 1.5 * R1 es considerada un outlier.

Luego deberá investigarse la causa que lo produjo para decidir su eliminación o conservación.

EJEMPLO

Quiero finalizar este artículo con un ejemplo simple de construcción de un gráfico de caja que
Usted puede realizar a mano pero, hoy en día, existen software estadísticos modernos que los
realizan muy eficientemente.

Los siguientes datos representan 15 mediciones del espesor de las asas de unas latas de
pintura:

29 29 34 35 30 34 30 20 30
35 34 38 34 40 34

Siguiendo los métodos vistos en la primera parte de este artículo calculamos M, Q1, Q3 y R1:

M=34 Q1=30
Q3=35 R1=5

Para la detección de outliers calculamos:

Q1 - 1.5 * R1=30 -1.5 * 5 =22.5

Q3 + 1.5 * R1= 35 + 1.5 *5=42.5

No existen observaciones superiores a 42.5 pero si existe una observación inferior a 22.5 que
es el dato 20. Luego, 20 es considerado un outlier. Para completar la caja, debemos calcular L1
y L2 que resultan ser 29 y 40 respectivamente.

El gráfico de caja correspondiente se expone en la figura 2. Se observa que los datos

presentan una marcada asimetría.

FINAL

Señor Supervisor, Señor Operario: ¿se ha dado cuenta de la utilidad de esta técnica? No sólo
permite hacer resaltar las propiedades más relevantes de los datos sino que lo tranquiliza ante
la duda de considerar a una medición como outlier o no. Sólo resta que Usted investigue la
causa que lo produjo.

Ponga esta herramienta en práctica. Lo ayudará a realizar su trabajo con datos que
representan ¡¡muy bien!! a la población en estudio.
 95

Actividad Obligatoria
Los desempleados, en porcentajes

A continuación se detallan los niveles de desocupación en los 28

distritos urbanos del país, más Río Negro, considerado aparte por el
INDEC como un aglomerado urbano-rural, de acuerdo con el
relevamiento realizado en octubre último.

DESOCUPACIÓN
1) Bahía Blanca 13,4
2) Gran La Plata 14,7
3) Mar del Plata y Batán 17,0
4) GBA y Capital 14,3
5) Catamarca 13,2
6) Corrientes 13,4
7) Gran Córdoba 16,1
8) Río Cuarto 13,1
9) Chaco (Gran Resistencia) 10,1
10) Chubut (Comodoro Rivadavia) 11,8
11) Paraná 12,2
12) Concordia 13,7
13) Formosa 6,3
14) Jujuy (San Salvador, Palpalá) 15,5
15) La Pampa (Sta. Rosa) 9,3
16) La Rioja 9,7
17) Mendoza 6,1
18) Misiones (Posadas) 4,9
19) Neuquén y Plottier 11,3
20) Salta 14,3
21) Gran San Juan 8,6
22) San Luis y El Chorrillo 11,5
23) Santa Cruz (Río Gallegos) 4,6
24) Gran Rosario 13,2
25) Sta. Fe y Sto. Tomé 16,2
26) Santiago del Estero 9,4
27) Tierra del Fuego 10,3
28) Tucumán 15,5
Río Negro 13,9

Con los datos del informe sobre el desempleo, efectuar los siguientes
ejercicios:

1. a) Construir un diagrama de caja.

b) Analizar la información a partir del gráfico elaborado

2. a) Organizar los datos en un diagrama de tallos y hojas.

b) Construir una tabla de frecuencias absolutas simples y una
tabla de frecuencias relativas simples.
c) Construir un histograma de frecuencias relativas.
d) A partir de la serie de frecuencias, calcular la media aritmética,
la mediana, el desvío típico y el coeficiente de variación.
e) Analizar la asimetría de la distribución.
 96

UNIDAD V
TEORIA DE LAS PROBABILIDADES

1. Introducción
Hasta ahora, se ha desarrollado una estadística descriptiva, es decir el tratamiento de
datos consistió en una descripción a través de tablas, gráficas y medidas resumidas
(de posición y de dispersión). Por ejemplo, un negocio posee 100 cuentas por cobrar.
Un auditor toma una muestra de 15 cuentas y obtiene la media y el desvío típico de los
montos. El análisis se limita a la muestra, sin hacer ningún tipo de generalización hacia
la población o sea a las 100 cuentas.

Si el auditor en base a los montos por cobrar de la muestra desea estimar la media de
montos de las 100 cuentas deberá utilizar métodos y técnicas de la inferencia
estadística. Toda conclusión a la que llegue el auditor respecto a las 100 cuentas
estará basado en una generalización que es mucho más amplia que la conclusión que
obtiene de las 15 cuentas; pero esa generalización no es totalmente válida, el auditor
debe determinar “la probabilidad” de que sea verdadera. La inferencia estadística
ayuda a la toma de decisiones en condiciones de incertidumbre, ésta incluye
afirmaciones y generalizaciones sobre la “probabilidad de su validez”. En conclusión,
la teoría de las probabilidades es la base de la estadística inferencial5.

El desarrollo de las teorías de las probabilidades se debe a la atención prestada a los

6
juegos de azar en el siglo XVII en Francia e Inglaterra .

2. Conceptos básicos
Las probabilidades existen porque hay fenómenos aleatorios. Un fenómeno es
aleatorio cuando su ocurrencia está determinada por factores fortuitos o por el azar.
En cambio, en los fenómenos deterministas hay seguridad de la ocurrencia o no de un
hecho.

El resultado de la tirada de una moneda o de un dado es un ejemplo clásico de un

fenómeno aleatorio ya que situaciones aleatorias determinarán si ocurre cara o sello
en la moneda o, los números 1, 2, ..., 6 en el dado. También son ejemplos de
fenómenos aleatorios el número de accidentes de tránsito en una ruta, el resultado de
un partido de fútbol o el número de defectuosos de un producto en un proceso
productivo.

2.1. Evento aleatorio - Espacio muestral - Experimento

a) Evento aleatorio: es uno o varios de los resultados posibles que se obtienen al

hacer algo, es decir son los resultados conseguidos a través de un experimento.
b) Experimento: es un proceso, operación o actividad que producen un evento.
c) Espacio muestral: es el conjunto de todos los resultados posibles de un
experimento. El espacio muestral es un conjunto universal.

Ejemplo:
5
Levin, Richard, Estadística para Administradores. Prentice Hall.
6
Chao, Lincoln, Estadística para las Ciencias Administrativas, Mc. Graw Hill.
 97

Considérese los posibles resultados al arrojar un dado:

- Espacio muestral (U) U = {1, 2, 3, 4, 5, 6}

Todos los posibles resultados

(las 6 caras del dado)

- Experimento: arrojar el dado

- Eventos o Resultados posibles: cada cara del dado.

2.2. Eventos aleatorios simples y compuestos

Un experimento puede implicar muchos y hasta un número infinito de resultados. Ya

sea dijo que un resultado de un experimento constituye un evento aleatorio o suceso
aleatorio. Los eventos pueden ser simples o compuestos.

a) Un evento aleatorio simple es el resultado de un solo ensayo en particular.

Supóngase el experimento de tirar dos monedas para determinar la ocurrencia del

número de caras (c) o sellos (s). El espacio muestral es:

U = {CC; CS; SC; SS},

o sea hay 4 resultados posibles. Cada uno de estos resultados es un evento simple.

b) Un evento compuesto contiene dos o más eventos simples.

En el ejemplo anterior, los resultados de obtener por lo menos una cara son CC;
CS; SC. Esto es un evento compuesto que es un subconjunto del espacio muestral
porque está formado por 3 eventos simples distintos para un mismo resultado.

Cada uno de los eventos simples constituye un punto muestral. En el ejemplo

desarrollado hay 4 puntos muestrales:

CC CS SC SS

Actividad Nº 24

1. Un encuestador entrevista a 4 personas para conocer si está de

acuerdo (S) o no (N) con la reelección presidencial.

a) ¿Cuántos posibles resultados hay?

b) ¿Cuál es el espacio muestral de este experimento?

2. En un establecimiento secundario, se proyecta crear el nivel

superior no universitario. Se estudian 3 posibles orientaciones:
carreras de formación docente (D), carreras de formación técnica
 98

(T) y/o carreras de formación artística (A). Observar el diagrama e

indicar la zona o zonas de los siguientes posibles eventos.

a) que se implementen únicamente carreras técnicas,

b) que no se implementen ninguna de las 3 orientaciones,
c) que no se implementen ni carreras técnicas ni artísticas,
d) que no se implementen carreras docentes,
e) que se implementen las 3 orientaciones.

3. En el experimento de arrojar un dado, se sabe que el espacio

muestral es U = {1, 2, 3, 4, 5 y 6}. Indicar si los siguientes eventos
son simples o compuestos.

a) El evento de obtener un cuatro.

b) El evento de obtener un número par.
c) El evento de obtener un número mayor que 3.
d) El evento de obtener un número menor que 2.

3. Los tres enfoques de la Probabilidad

Los conceptos de probabilidad están relacionados con los 3 enfoques diferentes: el
clásico, el de frecuencia relativa y el subjetivo.

3.1. Probabilidad clásica

La probabilidad clásica, llamada también “teórica” o “matemática”, de que un evento

ocurra se define como:

Número de resultados favorables

P (E) = (1)
Número de resultados posibles

Por ejemplo: ¿Cuál es la probabilidad de que en un mazo de naipes de la baraja

española se obtenga una sota?

4 1
P (E) = = = 0,1
40 10

- El evento (E) es obtener una sota.

- El número de resultados posibles es 40 que es la totalidad de naipes en la baraja
española.
- El número de resultados favorables es 4 ya que en la baraja hay 4 sotas.
 99

Otro ejemplo: Un cliente de una relojería desea comprar un despertador. Tiene la

posibilidad de elegir entre 300 relojes marca A, 12 marca B y 8 marca C. ¿Cuál es la
probabilidad de que compre un reloj marca C?

8
P (C) = = 0,16
50

Obsérvese que en este enfoque todos los posibles resultados se conocen de

antemano, por eso la probabilidad clásica se denomina “probabilidad a priori”. El
espacio muestral está constituido: por resultados equiprobables puesto que cada
resultado tiene la misma probabilidad de ocurrencia. Sin embargo, no en todos los
problemas se pueden indicar de antemano las probabilidades de los experimentos, por
ejemplo, la probabilidad de que una persona viva hasta los 70 años, la probabilidad de
que las ventas de una empresa aumenten en los próximos tres meses, probabilidad de
ocurrencia de un accidente de tránsito, etc. En estos casos son útiles los otros dos
enfoques.

3.2. Frecuencia relativa de ocurrencia

Este enfoque tiene su origen en Inglaterra durante la década de 1800 cuando los
estadísticos intentaban encontrar un fundamento teórico para calcular el riesgo de las
pérdidas en los seguros de vida y comerciales, comenzaron definiendo las
probabilidades de los datos estadísticos referidos a nacimientos y muertes7.

El enfoque de la frecuencia relativa define la probabilidad de dos maneras:

a) Frecuencia relativa observada de un evento en un gran número de ensayos.

Se determinan las frecuencias de que algo ha sucedido en el pasado y mediante
esta cifra se puede estimar la probabilidad de que nuevamente ocurrirá en el futuro.
Se requiere de la observación y recopilación de datos y no está implícita ninguna
suposición de igualdad de probabilidades, por ello este enfoque también se
denomina “probabilidad empírica”. Por lo tanto, de acuerdo a este enfoque, la
probabilidad de que ocurra el evento (E) es:

Número de observaciones de E n (E)

P (E) = = (2)
Tamaño de la muestra n

n (E) = frecuencia n(E)/n = frecuencia relativa

Ejemplo: Una muestra aleatoria de empresas industriales con un total de 10.000

empleados registró 300 accidentes de trabajo en un período de 12 meses. ¿Cuál es
la probabilidad de ocurrencia de accidentes de trabajo durante este año?

300
P (E) = = 0,03
10.000

Este valor de probabilidad está calculado sobre una muestra, por eso es una
estimación del valor verdadero. Además, se hace la suposición de que los
parámetros de seguridad industrial no han variado con respecto al período anterior
en que se tomó la muestra.

b) La proporción de las veces que un evento ocurre en el largo plazo cuando las
condiciones son estables. Esta segunda característica de la probabilidad de
frecuencia relativa indica que a más ensayo hay mayor exactitud. Un ejemplo
clásico es el lanzamiento de una moneda correcta. La probabilidad de que ocurra

7
Levin, Richard op. cit.
 100

cara o sello es 0,50 (1/2). Si se arroja 50 veces, la probabilidad de cara está lejos
de 0,5. Al aumentar el número de lanzamientos, hay una mayor estabilidad y mayor
probabilidad de acercarse a 0,50.

En resumen, si un experimento se realiza n veces con f éxitos, se supone que la

frecuencia relativa f/n tiende a un límite cuando n aumenta. Entonces, la probabilidad
de éxito es:
lim f/n
n→∞

La probabilidad no está dada por este límite, lo que puede hacerse es estimarla a
partir de una muestra grande.

3.3. Probabilidad subjetiva

Los dos enfoques anteriores dan como resultados valores de probabilidad objetivos
porque indican la proporción o porcentaje de ocurrencia del evento a largo plazo. En
cambio, el enfoque subjetivista, la probabilidad de un evento es el grado de confianza
que tiene una persona de que ese evento ocurra en base a la evidencia disponible, es
un juicio personal. Un enfoque personalista es apropiado cuando hay probabilidad de
que el evento ocurra (o no) una única vez o muy pocas veces.

Muchas decisiones administrativas para problemas particulares requieren de

probabilidades subjetivas ya que no existen situaciones idénticas anteriores como
referencias; de esta manera debe contar con toda la información sobre el tema a
efectos de tomar una decisión acertada.

El siguiente ejemplo ilustra muy bien este enfoque. Un juez debe decidir si permite o
no la instalación de una planta de energías nuclear en una zona donde existe una falla
geológica. Puede preguntarse cuál será la probabilidad de que ocurra un grave
accidente nuclear en ese lugar. El hecho de que no haya frecuencia relativa de
evidencia de accidentes anteriores en el lugar no lo exime de tomar la decisión.
Deberá recopilar toda la información posible y actuar con gran sabiduría para
determinar la probabilidad o no de un accidente nuclear8.

Actividad Nº 25

1. Para cada uno de los siguientes casos, indicar cuál de los 3

enfoques es el más apropiado (clásico, de frecuencia relativa o
subjetiva) es el más apropiado para determinar el valor de
probabilidad.

a) La probabilidad de que Ud. efectúe un viaje a Europa este año.

b) La probabilidad de que aparezca un número par al tirar un
dado.
c) La probabilidad de anotar un gol en un partido de fútbol.

8
Levin, Richard, op. cit.
 101

d) La probabilidad de que un producto elegido al azar de un

pedido grande resulte defectuoso.
e) La probabilidad de que salga el 0 en la ruleta.

2. Elabore ejemplos de determinación de probabilidad con los tres

enfoques aplicados a problemas de la Administración o Economía.

4. Axiomas de Probabilidad
Un axioma o postulado es una declaración que se acepta sin prueba. En general, el
valor de probabilidad de un evento está entre 0 y 1.

0 < P (E) < 1

De aquí se desprende que:

a) P (E) > 0: La probabilidad de cualquier evento debe ser siempre un valor positivo.
Cuando la probabilidad es cero, significa que el evento no ocurrirá.

b) P (E) < 1: Significa que la probabilidad de un evento nunca puede ser mayor que 1.

c) P (U) = 1: Significa que hay certeza que el evento ocurrirá. U indica el espacio
muestral que incluye todos los resultados posibles.

P (E) + P (E’) = 1

P (E) probabilidad de que ocurra el evento E.

P (E’) probabilidad de que no ocurra el evento E

por lo tanto,

P (E) = 1 - P (E’) y P (E’) = 1 - P (E)

complemento de complemento de
E E’

P (E) + P (E’) = 1

o P (E u E’) = U (conjunto universal)

5. Reglas de Probabilidad

5.1. Eventos mutuamente excluyentes y no excluyentes. Reglas de la

adición

a) Eventos mutuamente excluyentes

Dos eventos A y B son mutuamente excluyentes cuando la probabilidad de A excluye

la probabilidad de ocurrencia de B y viceversa. Esto significa que ocurre A o B pero no
ambos. Por lo tanto:
 102

P (A o B) = P (A) + P (B)
o P (A u B) = P (A) + P (B) (3)

Esta regla se denomina regla especial de la adición. Como A y B no tienen

elementos en común, entonces A B = 0.

Ejemplos: Determinar la probabilidad de obtener una sota en un rey en las 40 cartas

de la baraja española.

P (S) = probabilidad de sota

P (R) = probabilidad de rey.

P (S o R) = P (S u R) = P (S) + P (R)

4 4 8
= = =
40 40 40

P (S o R) = = 0,02

Utilizando el diagrama de Venn:

P (S) + P (R) = 0,20

P (otra carta) = 1 - P (S u R)
= 1 - 0,20 = 0,80

* La regla de la adición se puede aplicar para tres o más eventos.

b) Eventos no excluyentes

Dos eventos A y B no son mutuamente excluyentes cuando es posible que ocurran

ambos. Por ejemplo si se desea determinar la probabilidad de obtener una sota o una
carta de copa. Los eventos sota y copa pueden ocurrir simultáneamente ya que se
puede obtener una sota de copa. Entonces sota y copa son eventos no excluyentes.
La fórmula (3) debe modificarse para evitar un conteo doble, deberá reducirse la
posibilidad de ocurrencia de sota y copa. Entonces:

P (A o B) = P (A) + P (B) - P (A y B)
o P (A u B) = P (A) + P (B) - P (A n B) (4)

Esta es la regla general de la adición. Pueden ocurrir A o B o ambos. Recordar que si

son mutuamente excluyentes (A n B) = Æ

Ejemplo: P (S) = probabilidad de sota

P (C) = probabilidad de copa

P (S o C) = P (S) + P (C) - P (S y C)

4 10 1 13
= + − =
40 40 40 40
 103

los eventos se intersectan

parcialmente

Otros ejemplos:

- En un negocio de 40 empleados hay 8 cajeros, 20 vendedores, 7 administrativos y 5

empleados de maestranzas. 5 cajeros, 14 vendedores, 4 administrativos y 2 son
empleados de maestranzas son varones.

Sean C = Cajero, A = Administrativo, V = vendedores, M = empleado de

maestranza, H = hombre, F = mujer.

Se elige un empleado al azar. Determinar:

a) la probabilidad de que sea vendedor o administrativo.

b) la probabilidad de que no sea vendedor.
c) la probabilidad de que sea cajero o mujer,
d) la probabilidad de que sea empleado de maestranza o varón.

a) P (V o A) = P (V) + P (A)

20 7 27
= + − = 0,675 (eventos excluyentes)
40 40 40

b) P (V’) = P (C) + P (A) + P (M)

8 7 5 20
= + + = = 0,50 (eventos excluyentes)
40 40 40 40

o bien:

20
P (V’) = 1 − 40 = 0,50

c) P (C o F) = P (C) + P (F) - P (C y F)

8 15 3 20
= + + = = 0,50 (eventos excluyentes)
40 40 40 40

d) P (M o H) = P (M) + P (H) - P (M y H)

5 25 2 28
P (M y H) = + + = = 0,70 (eventos excluyentes)
40 40 40 40

- La probabilidad de que una persona invierta en acciones de la compañía A es 0,20 y

en acciones de la compañía B 0,30 y en ambas A y B, 0,10. Cuál es la probabilidad
de que:

a) Invierta en A o en B o en ambas.
b) Invierta en A o en B pero no en ambas.
c) No invierta en ninguna de las dos.
 104

a) P (A o B) = P (A) + P (B) - P (A y B)
= 0,20 + 0,30 - 0,10 = 0,50 (sucesos no excluyentes)

b) P (A o B) = P (A o B) - P (A y B)
= 0,40 - 0,10 = 0,30 (sucesos excluyentes)

c) P (ni A ni B) = 1 - 0,40 = 0,60

Actividad Nº 26

1. El Sr. Gómez tiene una suma de dinero y piensa gastar el mismo

en tres cosas: en una computadora (C), en vacaciones (V) o en
una video grabadora (G). Las probabilidades de los tres eventos
son respectivamente 0,28; 0,20 y 0,35.

a) ¿Cuál es la probabilidad de que gaste el dinero en una de

estas 3 cosas?
b) ¿Cuál es la probabilidad de que gaste el dinero en otra cosa
distinta (hacer un diagrama de Venn).

2. En una caja hay 30 artículos marca X, 15 marca Y, 35 marca Z.

Entre los artículos X hay 10 defectuosos, entre los artículos Y hay
5 defectuosos y entre los de marca Z hay 8 defectuosos. Sea P
(D) = defectuoso y P (D’) = bueno.

Si se selecciona al azar un producto, cuál es la probabilidad de

que:

a) Sea defectuoso
b) Sea Y o Z.
c) Sea X o defectuoso o ambos
d) Sea Z o bueno o ambos

3. Las probabilidades de que un vendedor de automóviles venda en

una semana cero, uno, dos, tres, cuatro o cinco y más
automóviles son: 0,05; 0,10; 0,18; 0,25; 0,20 y 0,22
respectivamente. Cuál es la probabilidad de que venda en una
semana.

a) dos o más automóviles;

b) tres o menos automóviles.
 105

5.2. Eventos independientes y dependientes. Reglas de la multiplicación

a) Eventos independientes

Dos eventos A y B son independientes cuando la ocurrencia de A no afecta a la

probabilidad de que ocurra B y viceversa.

Si A y B son eventos independientes, la probabilidad de A y B es igual al producto de

sus probabilidades respectivas.

P (A y B) = P (A) P (B) (5) Regla especial de la multiplicación.

o P (A n B) = P (A) P (B)

P (A B) indica que tanto A como B ocurren, por lo tanto la intersección es una

probabilidad conjunta.

Ejemplo: se arroja una moneda dos veces, cuál es la probabilidad de que en cada
tirada aparezca cara.

1 1
Se sabe que P (C) =
2
= 0,50 ; P (S) =
2
= 0,50

Sea C1 = evento de cara en la primera tirada.

C2 = evento de cara en la segunda tirada.

La probabilidad conjunta es:

P (C1 n C2) = P (C1) P (C2)

= (0,50) (0,50) = 0,25

Las probabilidades conjuntas se pueden mostrar a través de un diagrama de árbol.

Considérese el lanzamiento de una moneda.

1 lanzamiento 2 lanzamiento Probabilidades conjuntas

La probabilidad de cara, P (C) = 0,50 y la probabilidad de sello, P (S) = 0,50. Cada una
de estas probabilidades es una probabilidad marginal o incondicional, es decir la
simple probabilidad de que ocurre un evento. Por lo tanto, la probabilidad conjunta en
condiciones de independencia estadística es el producto de las probabilidades
marginales.

Otro ejemplo: Considérese en una baraja española, la probabilidad de que se

obtengan una sota y luego un rey teniendo en cuenta que después de sacar la primera
carta se la repone. Por lo tanto:
 106

P (S n R) = P (S) . P (R)

4 4 1
= x = = 0,01
40 40 100

Obsérvese que la P (R) es la misma que P(S) porque al haber reposición no está
condicionada por la ocurrencia de S.

b) Eventos dependientes

Dos eventos A y B son dependientes cuando la ocurrencia de A afecta la probabilidad

de ocurrencia de B y viceversa.

Si A y B son eventos dependientes, la probabilidad de que ocurran A y B es igual a la

probabilidad de A por la probabilidad de B con la condición de que haya ocurrido A.

P (A n B) = P (A) . P (B/A) (6)

P (B/A) denota la probabilidad condicional de B dado que ocurre A.

La ecuación (6) se denomina regla general de la multiplicación. Es general porque se

aplica tanto a eventos dependientes como independientes. Si los eventos son
independientes P (B/A) = P (B).

De la fórmula (6) se obtiene la probabilidad condicional P (B/A):

P (A ∩ B)
P (B/A) = (7)
P (A)

Ejemplo: Considérese el mismo ejemplo anterior de obtener una sota y luego un rey
en una baraja española, pero en este caso al sacar la primera carta no se la repone.
Por lo tanto.

P (S o R) = P (S) . P (R / S)

4 4 16 4
= x = = = 0,0103
40 39 1560 390

En este caso la P (R) si está condicionada por P (S) debido a que no hubo reposición.
Al sacar la primera carta P(S) = 4/40, al sacar la segunda quedan 39, por lo tanto
P(R/S) = 4/39.

Probabilidades conjuntas utilizando tablas de contingencias

Para determinar las probabilidades conjuntas también se pueden utilizar una tabla de
contingencia.

En la asignatura Contabilidad de la carrera de Contador Público de la Universidad

Norte se analiza el rendimiento de los alumnos de 1º año considerando si provienen
de colegios secundarios con carreras comerciales o de otras carreras.

Sea: B = rendimiento bueno B’= rendimiento pobre

C = provienen de colegios de carreras comerciales.
C = provienen de colegios con otras carreras.
 107

Se muestran las probabilidades conjuntas en la siguiente tabla:

CARRERA
Rendimiento C C’ Total
B 0,08 0,12 0,20
B’ 0,32 0,48 0,80
Total 0,40 0,60 1,00

- En cada celda se anotan las probabilidades conjuntas P(B n C); P (B’n C); P (B n
C’); P (B’ n C).

- El total de cada fila y de cada columna son las probabilidades marginales P (C) =
0,60; P (C’) = 0,40; P (B)= 0,20; P (B’) = 0,80.

A través de esta tabla se puede determinar si los eventos rendimiento y carrera son
independientes o no. En este caso son independientes ya que cada probabilidad
conjunta es igual al producto de las probabilidades marginales. Esto indica que el
rendimiento no tiene nada que ver con la carrera secundaria.

Se puede demostrar de la siguiente manera:

P (B) = 0,20

P (B ∩ C) 0,08
P (B/C) = = = 0,20
P (C) 0,40

P (B/C) = P (B)

Supóngase que se analiza la misma situación en la Universidad Sur. Se confeccional

la siguiente tabla de contingencia o de probabilidades conjuntas:

CARRERA
Rendimiento C C’ Total
B 0,15 0,05 0,20
B’ 0,25 0,55 0,80
Total 0,40 0,60 1,00

En este caso, los eventos son dependientes, es decir que el rendimiento si depende
de la carrera. Las probabilidades conjuntas no son iguales al producto de las
probabilidades marginales.

Esta situación de dependencia se puede comprobar de la siguiente manera:

P (B) = 0,20

P (B C) 0,15
P (B/C) = = = = 0,375
P (C) 0,40

P (B/C) ≠ P (B)
 108

Los ejemplos anteriores sirvieron para analizar la dependencia o independencia de los

eventos. En el siguiente ejemplo se verá cómo se confecciona una tabla de
contingencia.

Se presentan 100 postulantes, 40 mujeres (M) y 60 varones (V) para un examen de

admisión a distintos cargos en una empresa. De las mujeres aprobaron (A) el 90%,
mientras que el 20% de los varones desaprobaron (D) el examen.

P (M) = 0,40 P (V) = 0,60

P (A/M) = 0,90 P (A/V) = 0,80

P (D/M) = 0,10 P (D/V) = 0,20

Ahora se construirá una tabla:

Resultado
A D Total
Sexo
M 0,36 0,04 0,40
V 0,48 0,12 0,60
Total 0,84 0,16 1,00

Determinar

a) P (A) b) P (V n D) c) P (V/A) d) P (A/V)

e) Si sexo y calificación son independientes.

a) P (A) = 0,84 b) P (V n D) = 0,12

P (V ∩ C) 0,48
c) P (V/A) = = = 0,57
P (A) 0,84

P (A ∩ V) 0,48
d) P (A/V) = = = 0,80
P (V) 0,60

P (M ∩ A) 0,36
e) P (M) = 0,40 P (M/A) = = = 0,43
P (A) 0,84

P (M/A) = P (M)
no son independientes.
 109

Actividad Nº 27

1. Una bolsa contiene 30 tarjetas: 8 blancas, 10 rojas, 12 azules. Se

extraen dos tarjetas sin reemplazos, ¿Cuál es la probabilidad de
extraer?

a) ¿Dos tarjetas azules una después de la otra?

b) ¿Una blanca y una roja después?
c) ¿Dos del mismo color?

2. Resolver el ejercicio anterior con reposición de tarjetas.

3. Dos divisiones de productos distintos de una empresa son Alfa y

Beta. Se estima que la probabilidad de que productos Alfa tenga
un margen de utilidad del 10% este año es 0,30; la probabilidad
de que Beta tenga un margen de utilidad del 10% es 0,20 y la
probabilidad de que ambos productos tengan un margen de
utilidad del 10% es 0,06:

a) ¿Cuál es la probabilidad de que ambos productos tengan la

utilidad del 10%?
b) ¿Cuál es la probabilidad de que Beta tenga el margen de
utilidad del 10% dado que Alfa alcanza ese criterio de
ganancia?
c) Aplicar una prueba apropiada para determinar si el logro de
utilidades de ambos productos es estadísticamente
independiente.

4. Un profesor de estadística sabe por experiencia anterior que un

alumno que estudia regularmente la asignatura tiene una
probabilidad de aprobar del 0,80, mientras que el alumno que no
lo hace regularmente tiene una probabilidad del 0,20 de aprobar.
El docente sabe que el 60% de los estudiantes estudian
regularmente. Si un estudiante aprueba la asignatura, ¿cuál es la
probabilidad de que haya estudiado regularmente? Sea A =
aprobó, R= Estudia regularmente.

5. La siguiente tabla de probabilidad conjunta muestra las reacciones

de los votantes ante un nuevo decreto presidencial:

REACCIÓN
A FAVOR NEUTRAL EN CONTRA
AFILIACION TOTAL
(F) (N) (C)
P.J.(J) 0,30 0,05 0,05 0,40
UCR (R) 0,125 0,075 0,15 0,35
OTROS (O) 0,125 0,025 0,10 0,25
TOTAL 0,55 0,15 0,30 1,00

I) Con referencia a la tabla determinar las siguientes

probabilidades:

a) de que el votante esté en contra,

b) de que el votante sea afiliado del P.J. y esté en contra,
c) de que el votante sea afiliado a otros partidos políticos.
 110

d) de que el votante esté a favor del decreto dado que

pertenece a la U.C.R.
e) de que el votante sea del P.J. o de la U.C.R.
f) de que el votante sea de la U.C.R. o sea neutral.

II) ¿Son afiliación y reacción eventos independientes?

6. Reglas de conteo
En el enfoque clásico para determinar la probabilidad se requiere del número total de
posibles resultados. En problemas sencillos es posible contar todos los posibles
resultados, pero en otros se necesita del uso de los métodos de combinatoria
(permutaciones, variaciones y combinaciones).

6.1. Regla de la multiplicación

Esta regla puede considerarse bajo dos situaciones:

a) Si se realizan un cierto número (n) de operaciones o actos, y cada operación o acto

puede realizarse en el mismo número de formas (k), el número total de posibles
resultados para n operaciones o actos:

(k) . (k) ... (k) = kn

Ejemplo: se lanzan 4 monedas para determinar cuántas caras salen. Hay 4 actos y
cada uno tiene dos posibles resultados (formas): cara o sello. Entonces, el total de
posibles resultados para los 3 actos es:

kn = 24 = 16 posibles resultados

Listando los resultados se tiene:

CCCC SCCC SSCS SCSC

CCCS CCSS SCSS CSCS 16

CCSC SSSS CSSS CSSC Resultados

CSCC SSSC SSCC SCCS

b) Si hay n actos u operaciones que pueden realizarse en k1, k2, .... kn formas,
respectivamente, el número total de posibles resultados diferentes para los n actos
u operaciones es:

(k1) . (k2) .... (kn)

Ejemplo: Un menú consta de 3 comidas, 2 tipos de bebidas y 2 tipos de postres.

¿De cuántas formas posibles puede seleccionarse dicho menú?

(3) (2) (2) = 12 formas posibles

 111

Diagrama de árbol

6.2. Permutaciones

Una permutación es un arreglo ordenado de todos los n elementos de un conjunto.

nPn = n (n-1) (n-2) (n-3) ... (3) (2) (1)

nPn = n! (8)

n! factorial de n
Si n = 0, 0! = 1

Ejemplo: Encontrar el número total de permutaciones del conjunto de letras a b c

tomadas todas a la vez.

3P3 = 3! = 3 x 2 x 1 = 6 permutaciones

abc bac cab

acb bca cba

6.3. Variaciones

Una variación es una forma especial de permutación. Se refiere a un arreglo ordenado

de r elementos tomados de conjunto de n elementos. Es un arreglo de una parte de
los elementos.

El número total de posibles variaciones es:

 112

n!
nVr = (9)
(n - r)!

Ejemplo: Encontrar el número total de variaciones del conjunto de letras abc tomadas
de dos a la vez:

n=3 r=2

3! 3x2x1
3V2 = = = 6
(3 - 2)! 1

o 3V2 = 3x2 = 6

6 formas posibles. Obsérvese que

ab ac bc como aquí interesa el orden, ab
ba ca cb no es lo mismo que ba-

Otro ejemplo: En un concurso hay 3 premios (primero, segundo y tercero) para 10

participantes. ¿De cuántas formas pueden obtenerse los 3 premios?

n = 10 r = 3. Hay 10 formas de obtener el primer premio, 9 de obtener el segundo y 8

el tercero. Por lo tanto:

10V3 = (10) (9) (8) = 720 formas posibles

10! (10) (9) (8) (7)!

o bien 10V3 = = = 720
(10 - 3)! 7!

6.4. Combinaciones

Una combinación es un arreglo de r elementos tomados de un conjunto de n

elementos sin importar el orden.

El número total de posibles combinaciones es:

n!
nCr = (10)
r! (n - r)!

Ejemplo: Encontrar el número total de combinaciones del conjunto de letras abc

tomadas de a dos a la vez.

n=3 r=2

3! (3) (2) (1)

3C3 = = = 3
2! (3 - 2)! (2) (1)

ab - ac - bc ⟹ 3 formas posibles

Obsérvese que como aquí no interesa el orden ab = ba

Otro ejemplo: Entre 15 personas, se desea formar una comisión de 5 miembros. ¿De
cuántas maneras posibles puede formarse dicha comisión?
 113

15!
15C5 = = 3.003
5! (15 - 5)!

El número total de combinaciones posibles de un conjunto de n elementos tomados

todos a la vez es igual a 1.

nCn =1

6.5. Aplicación de permutaciones y combinaciones para determinar

probabilidades

Sea el siguiente problema:

Una caja contiene 15 tarjetas, 6 rojas y 9 verdes. Se sacan 4 tarjetas aleatoriamente.

Determinar la probabilidad de que:

a) Sean 4 rojas o 4 verdes.

b) Sean 2 rojas y 2 verdes.

1) Se deben calcular el número total de posibles resultados (combinaciones) de sacar

4 tarjetas entre las 15.

15!
15C4 = = 1.365
4! 11!

2) A continuación se resuelven los puntos a y b.

a) El número de combinación de 4 rojas tomadas de las 6 tarjetas rojas es:

6!
6C4 = = 15
4! 2!

El número de combinaciones de 4 tarjetas verdes tomadas de las 9 verdes es:

9!
9C4 = = 126
4! 5!

Por regla de la adición, el número total de combinaciones de 4 rojas o 4 verdes

es:

6C4 + 9C4 = 15 + 126 = 141

La probabilidad de sacar 4 rojas y 4 verdes es:

C C 141
R (4R o 4 V) = 6 4 + 9 4 = 1.365 = 0,103
15C4

b) El número de combinaciones de 2 rojas entre 6 tarjetas de ese color es:

6!
6C2 = = 15
2! 4!

El número de combinaciones de 2 verdes entre 9 tarjetas de ese color es:

9!
9C2 = = 36
2! 7!
 114

Por regla de la multiplicación, el número total de combinaciones de 2 rojas y 2

verdes es:

- 6C2 . 9C2 = 15 . (36) = 540

La probabilidad de sacar 2 rojas y 2 verdes es:

C C 540
P (2R o 2V) = 6 2 + 9 2 = 1.365 = 0,396
C
15 4

Actividad Nº 28

1. Una prueba consiste en 10 preguntas de verdadero/falso. ¿De

cuántas formas posibles puede resolverse la prueba?

2. Un contratista de construcción ofrece casas con cinco distintos

tipos de ambientes, tres tipos de techos y dos tipos de pisos. ¿De
cuántas maneras puede elegir un comprador una casa?

3. El presidente, vicepresidente, secretario y tesorero de una

determinada asociación, se elegirán de entre 10 candidatos.
Determinar el número de maneras distintas que esos puestos
pueden ocuparse.

4. Un profesor recomienda doce textos en la bibliografía de su

materia. Siete de los libros son de autores nacionales y el resto de
autores extranjeros: Si el profesor indica a los alumnos la lectura
de 3 libros:

a) ¿De cuántas formas posibles pueden seleccionar 3 libros de

autores nacionales o 3 de autores extranjeros;
b) ¿de cuántas formas pueden seleccionar 2 libros de autores
nacionales y 1 de autor extranjero.

5. Una compañía tiene dos puestos disponibles y los asignará

eligiendo al azar 2 personas de una lista de 2 mujeres y 2
hombres, todos ellos con una larga trayectoria dentro de la
compañía.

a) ¿Cuál es la probabilidad de que al menos una mujer sea

seleccionada?
b) ¿Cuál es la probabilidad de que ninguna de las mujeres sea
seleccionada?
 115

7. Teorema de Bayes
La regla de Thomas Bayes (1702-1761) es una técnica para calcular probabilidades
condicionales. La importancia de Bayes radica en el uso de probabilidades subjetivas
para tomar decisiones en condiciones de incertidumbre. Su interés se centró en el
desarrollo de un método para encontrar la probabilidad de una causa específica
cuando se observa un efecto particular. El evento B ha ocurrido, cuál es la
probabilidad de que la causa sea A1 o A2.

Sea la siguiente ecuación:

P (A1) . P(B/A1) = P (B) P (A1/B)

P(A1 ) . P(B/A1)
P (A1/B) = P(B)
(11)

Si hay n eventos mutuamente excluyentes A1 A2,...An que pueden causar el evento B

(efecto), entonces B puede ser determinado por una de las causas, la probabilidad de
que el evento B ocurra es:

P(B)= P [(A1 n B) U P (A2 n B) U....U + P (An n Bn)]

Como los eventos son mutuamente excluyentes, entonces (Ai n B) y (Aj n B) son
también mutuamente excluyentes. Por regla especial de la adición.

P(B)= P (A1 n B) + P (A2 n B) +...+ P (An n B)

Por regla general de la multiplicación:

P(B)= P (A1) P (B/A1) + P (A2) P (B\A2) +...+ P (An) P (B/An)

Sustituyendo en (11)

1P(A n B)
P (A1/B) = P(A ) . P(B/A ) + P(A ) . P(B/A (12)
1 1 2 2) + … + P(An ) . P(B/An)

P(A1 ) . n B)
P (A1/B) = P(B)
(13) igual a la fórmula (7)

En resumen: Conociendo P(B/A1) puede calcularse P(A1/B).

Ejemplo: Los productos de un negocio son comprados a 3 proveedores X, Y, Z. El

50% de los artículos se compran en X, el 30% a Y y 20% a Z. Se sabe que X se
retrasa en los pedidos el 3% de las veces, Y, el 5% de las veces, y Z el 2%. Se recibe
un pedido retrasado, cuál es la probabilidad de que sea del proveedor Y?

R = retraso P (R/X) = 0,03 P(R/Y) = 0,05 P (R/Z)= 0,02

P(Y) . P (R/Y) P(R n Y)

P(Y/R) = P (X). P(R/X) + P(Y) P(R/Y) + P(Z) P(R/Z ) = P(R)

0,50 (0,05) 0,025

= =
0,30 (0,03) + 0,50 (0,05) + 0,20 (0,02) 0,038

P(Y/R) = 0,658
 116

Con el uso de las tablas de probabilidades conjuntas se simplifica el cálculo de

probabilidades condicionales para el teorema de Bayes.

Se constituye la tabla para el ejemplo anterior:

R = retraso R’= sin retraso

Proveedor R R’ Total
X 0,009 0,291 0,30
Y 0,025 0,475 0,50
Z 0,004 0,196 0,20
Total 0,038 0,962 1,00

P (Y n R) 0,025
P(Y/R) = = = 0,658
P (R) 0,38

El teorema de Bayes es, en un sentido, lo que se espera que haga el médico al

diagnosticar un paciente. El médico conoce los síntomas de cada enfermedad P(B/Ai)
y la frecuencia relativa de cada enfermedad P (Ai). Lo que el médico observa en el
paciente es un síntoma y debe determinar (diagnosticar) la probabilidad de que ese
9
paciente tenga una enfermedad particular, dado ese síntoma P(Ai/B) .

Actividad Nº 29

1. Una vendedora a domicilio sabe por experiencia que de todas las

visitas realizadas el 15% dieron como resultado grandes ventas
(G), el 30% pequeñas ventas (S) y el 55% no fueron ventas (N).
De aquellos que hicieron grandes compras, el 75% viven en zona
céntrica (C); de los que realizaron pequeñas compras, el 50% vive
en zona céntrica y el 30% que no realizó compras vive en esa
zona.

Si la siguiente visita se realiza en la zona céntrica, ¿Cuál es la

probabilidad de una gran venta? ¿Una venta pequeña?, ¿Ninguna
venta?

2. Hay 3 cajas iguales (I, II, III) que contienen alhajas de oro. La caja
I contiene un anillo, la II un reloj y dos pulseras y la III un anillo,
dos pulseras y dos relojes. Se selecciona al azar una caja y extrae
una alhaja. Si la alhaja es un reloj, ¿cuál es la probabilidad de que
provenga de la caja I? ¿De la caja II? ¿De la caja III?

9
Mills, Richard, Estadística para Economía y Administración. Ed. Mc Graw-Hill.
 117

Ejercicios de Repaso

1. Una compañía telefónica está considerada la conveniencia de

distribuir los fondos de una campaña promocional tendiente a
incrementar las llamadas a larga distancia en una provincia. La
siguiente tabla contiene los mercados en los que, en opinión de la
empresa, vale la pena centrar las promociones:

Segmentos del mercado Costo de la Campaña

A $ 350.000
B $ 550.000
C $ 250.000
D $ 200.000
E $ 250.000

Se cuenta con $800.000 para destinarlos a esas campañas:

a) Preparar una lista mutuamente excluyente de los eventos

posibles de la decisión referente a los gastos.
b) Suponer que la compañía decidió destinar la totalidad de los
$800.000. Cambia esto la respuesta de (b)? Fundamentar.

2. De 100 postulantes que se presentaron a una empresa, 40 tenían

experiencia anterior (E) y 30 profesionales (F). Sin embargo, 20 de
los solicitantes reunían ambos requisitos y ya han sido incluidos
en los conteos anteriores.

a) Elaborar un diagrama de Venn que describa esta población.

b) ¿Cuál es la probabilidad de que un solicitante elegido al azar
tenga experiencias previa o sea profesional?
c) ¿Cuál es la probabilidad de que un solicitante tenga
experiencia previa o sea profesional pero no ambas cosas?
d) ¿Cuál es la probabilidad de que un solicitante elegido al azar
sea profesional, dado que tiene experiencia anterior?

3. Un canillita ofrece 3 diarios: Tribuno, Nación y Clarín. Posee 10

ejemplares del diario Tribuno, 7 del diario Nación y 4 del diario
Clarín. Un comprador adquiere 3 ejemplares, ¿Cuál es la
probabilidad de que:

a) los 3 sean de distintos diarios?

b) los 3 sean del mismo diario?

4. Los empleados de una universidad fueron clasificados de acuerdo

a su edad y ocupación. Los resultados se dan en el siguiente
cuadro:

X X Y Z
Edad
21 - 30 31 - 40 41 - 50 51 y más
Ocupación
Administrativo 2 24 16 17
Docentes 1 40 36 28
Personal de
Apoyo
16 20 14 2
 118

Considerando que se selecciona un empleado al azar, obtener la

probabilidad de que el elegido:

a) Sea administrativo o tenga 51 años o más.

b) No sea docente.
c) Sea docente dado que tiene entre 41 y 50 años.

5. Un hombre de 40 años contrata un seguro diferido a 20 años. Su

mujer tiene la misma edad. Se sabe que la probabilidad de que un
hombre de 40 años sobreviva 20 años es 0,80 y la probabilidad de
que una mujer de 40 años sobreviva 20 años es 0,90. ¿Cuál es la
probabilidad de que por lo menos uno esté vivo para que cobre el
seguro?

6. Un gerente bancario estudia la relación entre la condición de

empleo al momento de un préstamo y el hecho de que si después
del préstamo se vuelve o no moroso. Elige al azar 100 cuentas, y
obtiene los siguientes resultados:

Condición de empleo
Condición del
Préstamo Con Empleo Sin empleo
Total
(E) (E’)
Moroso (M) 10 8 18
No moroso (M’) 60 22 82
Total 70 30 100

a) Confeccionar una tabla de probabilidades conjuntas.

b) Obtener las siguientes probabilidades indicando el significado
de cada una:

i) P (M) iv) P (M’ o E’)

ii) P (M’ y E’) v) Son condición de préstamos y
iii) P (M / E) condición de empleo independiente.

7. De un grupo de 20 personas, 10 hablan francés (F), 8 hablan

inglés (I) de los cuales 3 también hablan francés y 5 no hablan
ninguno de estos idiomas. Se selecciona un individuo al azar.

a) ¿Cuál es la probabilidad de que hable francés?

b) ¿Cuál es la probabilidad de que hable inglés?
c) ¿Cuál es la probabilidad de que no hable ninguno de estos
idiomas?
d) ¿Cuál es la probabilidad de que hable francés e inglés?
e) ¿Cuál es la probabilidad de que hable francés sabiendo que
habla inglés?
f) ¿Cuál es la probabilidad de que hable inglés sabiendo francés?
g) ¿Cuál es la probabilidad de que hable francés o inglés o
ambas?

8. Sean los siguientes eventos:

A1: la familia tiene auto.

A2: la familia no tiene auto.
B1: el ingreso familiar es menor que $4.000.
B2: el ingreso familiar está entre $4.000 y $8.000.
 119

B3: el ingreso familiar es mayor que $8.000 y en la población bajo

estudio se tiene:

P (A1) = 0,70 P (B2) = 0,45 P (B3) = 0,08

P (A1 / B2) = 0,85 P (A1 / B3) = 0,90

Hallar: a) P (B3 y A1) b) P (A1 o B3)

c) P (B2 / A1) d) P (A1 /B2)

9. Para contribuir a la selección de empleados idóneos para el

desempeño de un puesto determinado, el departamento de
personal toma una prueba de aptitud a todos los solicitantes. A fin
de determinar la efectividad de la prueba, se contrastó con una
muestra de solicitantes que reprobaron y se los puso a prueba
durante un lapso de tiempo corto. Se encontró que del 30% que
pasaron la prueba sólo el 80% fueron satisfactorios y de aquellos
que no pasaron la prueba, el 10% fueron satisfactorios.

a) Determinar la probabilidad de que un solicitante sea

satisfactorio para este puesto.
b) Determinar la probabilidad de que un solicitante sea
satisfactorio habiendo sido reprobado.

10) Indicar si los siguientes enunciados son correctos o incorrectos (C

o I).

a) ( ) El resultado de un experimento se llama actividad.

b) ( ) Si A y B son eventos mutuamente excluyentes, entonces
P (A B) =
c) ( ) La probabilidad clásica supone que todos los resultados
posibles de un experimento tienen igual probabilidad de
presentarse.
d) ( ) Si A y B son estadísticamente dependientes, entonces P (A
y B) = P (A) . P (B).
e) El teorema de Bayes es la fórmula de la probabilidad
condicional en condiciones de dependencia estadística.
 120

Respuestas a los ejercicios de la Unidad V

Puntos 1 y 2

1. a) 16
SSSS, SSSN, SSNS, SNSS, NSSS, SSNN, SNNS, SNSN
b) (U) = NSNS, NNSS, NSSN, NNNS, NNSN, NSNN, SNNN, NNNN

2. a) 6 b) 8 c) 5 y 8 d) 4 - 6 - 7 y 8 e) 1

3. a) Simple; b) Compuesto; c) Compuesto; d) Compuesto.

Punto 3

1. a) Subjetiva; b) Clásica; c) Frecuencia relativa; d) Frecuencia relativa; e) Clásica.

Puntos 4 y 5.1

1. a) P (C o V o G) = 0,83

b) P (otra cosa distinta)=

=0,17 o bien 1-0,83= 0,17

0,17

2. a) P (D) = 23/30
b) P (Y o Z) = 5/8
c) P (X o D) = 43/80 (eventos no excluyentes)
d) P (Z o D’) = 13/16 (eventos no excluyentes)

3. a) P (2 o más) = 0,85 b) P (3 o menos) = 0,33

Punto 5.2

1. a) P (A1 n A2) = 22/145 = 0,152

b) P (B1 n R2) = 8/87 = 0,092

c) P (A1 n B2) u P (R1 n R2) u P (A1 n A2) = 0,32

2. a) 0,16 ; b) 0,09 ; c) 0,34

3. a) P (Alfa y Beta) = 0,06

0,06
b) P (Beta/Alfa) = 0,30 = 0,20

c) ¿P (Beta) = P (Beta/Alfa)?

P (Beta) = 0,20
P (Beta/Alfa) = 0,20
son independientes
 121

P (R n A) 0,48
4. P (R/A) = P (A)
= 0,56 = 0,86

5. I) a) P (C) = 0,30 b) P (J y C) = 0,05

c) P (O) = 0,25 d) P (F/R) = 0,36

e) P (J o R) = 0,75 f) P (R o N) = 0,425

II) O son independientes

Punto 6

1. kn = (2)10 = 1024

2. (5) (3) (2) = 30

3. 10V4 = 5040

4. a) 7C3 + 5C3 = 45 ; b) 7C2 . 5C1 = 26.

2C1 + 2C2 2 1 2C2 1

5. 4C2 = 6. a) = 6= 3 b) = 6
4C2 4C2

Punto 7

1.
C C’ Total
G 0,1125 0,0375 0,15
S 0,15 0,15 0,30
N 0,165 0,385 0,55
Total 0,4275 0,5725 1,00

P (G/C) = 0,26 P (S/C) = 0,35 P (N/C) = 0,39

2. a) P (I/R) = 0 b) P (II/R) = 0,45 c) P (III/R) = 0,55

 122

Ejercicios de Repaso

1. a) Hay 17 subconjuntos que pueden abarcarse con el presupuesto

ABCDE

A,C - A,D - A,E - B,C - B,D - B,E - C,D-

C,E - D,E - A,C,D - A,D,E - C,D,E-

b) Los únicos subconjuntos donde se gasta todo el presupuesto

son B,C - A,C,D - B,E - A,C,E.

2. a)
b) P (E o F) = 0,50

c) P (E o F) = 0,30

d) P (F \ E) = 0,50

3. a) 280/1330 = 0,21 b) 159/1330 = 0,12.

4. a) P (A o Z) = 0,41; b) P (A o S) = 0,51; c)P (D/Y) = 0,24

5. 0,98

6. a)
E E’ Total
M 0,10 0,08 0,18
M’ 0,60 0,22 0,82
Total 0,70 0,30 1,00

b) i) Prob. de moroso = 0,18

ii) Prob. de no moroso y sin empleo = 0,22
iii) Prob. de moroso dado que tiene empleo = 0,14
iv) Prob. de no moroso o sin empleo = 0,90
v) No son independientes.

7.

a) P (F) = 0,5
b) P (I) = 0,4
c) P (I’ n F’) = 0,25
d) P (F n I) = 0,15
e) P (F / I) = 0,375
f) P (I / F) = 0,30
g) P (F o I) = 0,75
 123

8.
B1 B2 B3 Total
A1 0,2455 0,3825 0,072 0,70 a) 0,072
A2 0,2245 0,0675 0,008 0,30 b) 0,072
Total 0,47 0,45 0,08 1,00 c) 0,072
d) 8,85

9. a)
Satisf. (S)
0,80 0,24
Aprobaron (A)
0,30 0,06

No satisf. (S’)
0,20
Satisf. (S)
0,10 0,07

Reprobaron (R)
0,70 0,63

No Satisf. (S’)
0,90 1,00

b) P (S) = 0,31 c) P (S / R) = 0,10

10. a) I b) C c) C d) I e) C
 124

UNIDAD VI
DISTRIBUCIÓN DE PROBABILIDADES

1. Distribución probabilística

1.1. Concepto de Función10

Se define una función como una asociación especial entre un elemento (x) de un
conjunto y un elemento (y) de otro conjunto, donde cada elemento x se relaciona con
uno y sólo uno de los elementos y.

x e y consideran un par ordenado (x,y). Por ejemplo, un par ordenado (5,3) que se
muestra en el siguiente gráfico. El primer elemento del par se representa en el eje
horizontal y el otro en el eje vertical.

Cada par ordenado está representado por un punto en el plano. Los dos conjuntos de
elementos representan a todos los posibles valores que x e y pueden tomar; cualquier
regla que defina una relación entre ellos será una ecuación. Considérese y = x + 2; y
es una función de x. Al asignar un valor a x le corresponde uno y solo un valor de y;
por ej.: x=6; y=8.

Se utiliza f para designar función y la notación funcional es f(x) (valor de f en x). La

ecuación x+2 puede expresarse como f(x) = x+2 o sea y = f(x).

1.2. Variable aleatoria

Las letras x e y se consideran “variables”. El valor de variable y se obtiene cuando se

sustituye el valor de la variable x en la función. Entonces x es la variable
independiente e "y" la variable dependiente.

La mayoría de las funciones en estadística son funciones probabilísticas. A cada

evento aleatorio se le asigna un número y dicho número es “el valor de la variable
aleatoria”.

Si los valores que toma un símbolo tal como x están asociados con los
eventos aleatorios de un experimento, y depender de ocurrencias aleatorias,
a ese símbolo se le denominan “variable aleatoria”.

Por ejemplo, sea X el número de caras al arrojar 2 monedas:

10
Chao, Lincoln, op. cit.
 125

Espacio muestral Valor de la variable aleatoria (X)

SS 0 (ninguna cara)
CS 1 (una cara)
SC 1 (una cara)
CC 2 (dos caras)

1.3. Función probabilística

Una función probabilística es una regla que asigna una fracción probabilística a cada
uno de los valores de la variable aleatoria.

La función probabilística para el número de caras al lanzar 3 monedas es la siguiente:

Espacio muestral X P (X) probabilidad

SS 0 1/4
CS
SC 1 2/4
CC 2 1/4
1,0

1.4. Distribución probabilística

Las funciones probabilísticas también se denominan “distribuciones probabilísticas”, ya

que la probabilidad total (1 o 100%) se distribuye entre todos los posibles valores de la
variable aleatoria.

Una distribución probabilística es una distribución de probabilidades donde

cada fracción probabilística está asociada con uno de los posibles valores
diferentes de la variable aleatoria.

De acuerdo a la naturaleza de la variable aleatoria, las distribuciones probabilísticas

pueden ser discretas o continuas.

La distribución probabilística es una distribución de frecuencias relativas a largo plazo.

La distribución probabilística es una distribución teórica mientras que la distribución de
frecuencias relativas es una distribución empírica.
 126

Actividad Nº 30

1. Cuatro tarjetas marcadas con los números 1 - 2 - 3 y 4 se colocan

en una caja y se mezclan. Sea X la variable aleatoria que indica el
número de la tarjeta que se extrae con reemplazo. Obtener la
distribución probabilística de X.

2. Un vendedor ofrece dos modelos de video grabadoras R y S. La

preferencia de ambos modelos es la misma: el 50% de los
posibles compradores prefieren R y el otro 50% prefieren S. Hay
en existencia 3 videos de cada modelo y supóngase que en un
sólo día se venden 3 videos:

a) ¿Cuál es la probabilidad de que en un cierto día se vendan 3

videos del mismo modelo?
b) Definir la variable aleatoria de este experimento.
c) Definir los eventos simples y sus valores correspondientes de
la variable aleatoria.
d) ¿Cuál es la distribución probabilística de X?

2. Valor esperado
La media a largo plazo de una variable aleatoria x se denomina valor esperado y se
simboliza E(X).

Para una variable aleatoria discreta el valor esperado es igual a la suma de los
distintos valores multiplicados por sus probabilidades correspondientes:

n
E (X) =  Xi P (Xi) (14)
i=1

 xi P (xi) = x1 P(x2) + x2 P(x2) + ... + Xn P(xn)

El valor esperado llamado también esperanza matemática de una variable aleatoria es

un promedio ponderado, donde las probabilidades correspondientes son utilizadas
como ponderación.

Ejemplo: En el ejemplo del lanzamiento de las 2 monedas, el valor esperado de X es:

1 2 1
E(X) = 0 +1 +2 =1
4 4 4

El valor esperado 1 es un promedio a largo plazo, esto significa que a medida que el
número de tiradas se acerque al infinito, el promedio de las tiradas estarán cercanas a
1.

Otro ejemplo: un inversor tiene un millón de pesos para una inversión. X indica la
cantidad de dinero con la que terminará.
 127

X (millones) P (X)
1 0,2
2 0,3
3 0,2
4 0,2
5 0,1
1,0

¿Cuál es la ganancia esperada de este inversor?

E(X) =  xi P (xi)
E(X) = 1 (0,2) + 2 (0,3) + 3 (0,2) + 4 (0,2) + 5 (0,1)
E(X) = 2,7 millones.

Ganancia esperada = 2,7 - 1= 1,7 millones

3. Media y varianza de la población

3.1. Media de la población

Ya se estudió en el módulo 3 que la media de una población ( m ) se obtiene de la

siguiente manera:

xi
= (15)
N

Esta fórmula se empleará cuando la población sea finita. Si la población es infinita, la

fórmula anterior no puede utilizarse para el cálculo de la media poblacional. En este
caso la manera de trabajar las poblaciones infinitas es conociendo los valores
probabilísticos de cada valor de la misma, por lo tanto estas poblaciones se manejan
como distribuciones probabilísticas. La media de una población infinita se obtiene
calculando la media de la distribución probabilística.

En resumen: Cualquier distribución probabilística, continua o discreta, se denomina

distribución de la población.

Ejemplo: Se marcan 4 números (1 - 2 - 3 y 4) en un conjunto de tarjetas. El 30% de

las tarjetas están marcadas con 1; el 20% con 2; el 10% con 3 y el 40% con 4. Las
tarjetas se mezclan en una bolsa, se saca una y se anota su número. Luego se la
repone, antes de sacar la siguiente y así sucesivamente. ¿Cuál es la media de x?
(Obsérvese que la población es infinita debido a que hay reposición de las tarjetas).

x: 1 2 3 4 Distribución
P(x): 0,30 0,20 0,10 0,40 probabilística

La media de X es el valor esperado E (X)

= E(X) = 1 (0,30) + 2 (0,20) + 3 (0,10) + 4 (0,40)

E(X) = 2,6

Se calcula de esta manera debido a que cada número tiene distinta probabilidad de
salir.
 128

En caso de que cada número tuviera la misma probabilidad de salir (1/4) la media
sería:

3.2. Varianza de la población

Si la población es finita, la varianza se calcula de la siguiente manera:

(Xi -  )2
2 = (16)
N

(Xi -  )2
Y el desvío típico √2 = (17)
N

Para una población infinita, es necesario utilizar la distribución probabilística para

obtener la varianza. La notación “promedio de” es reemplazado por el signo de “valor
esperado” para expresar la varianza de la población, porque el valor esperado es el
promedio a largo plazo de la variable. Por lo tanto:

2 = E (x -  )2

(X -  )2 = X 2 - 2  X + 2

Entonces E (x -  )2 = E (X2 - 2  X + 2) =

= E (X2) - E (2  X) + E (2)

Como 2  y  son constantes, el valor esperado del producto de una constante por una
variable es igual a la constante multiplicada por el valor esperado de la variable o sea:
E (2  X) = 2  E(X). Además E (2) = 2.

Por lo tanto:

E (X -)2 = E (X2) - 2  E (X) + 2

= E (X2) - 2   + 2

= E (X2) - 2 2 + 2

En consecuencia 2 = E (X2) - 2 =  x2 P (X) - 2

Ejemplo: Obtener la varianza de x correspondiente al problema de las tarjetas:

2 2
X P(x) x x P (x)
1 0,30 1 0,30
2 0,20 4 0,80
3 0,10 9 0,90
4 0,40 16 6,40
8,40
 129

Recordar que  = E (X) = 2,6

entonces:
2 = X2 P (x) - 2

2 = 8,40 - (2,6) 2

2 = 1,64

y el desvío típico es  = √1,65 = 1,28

Actividad Nº 31

1. Una empresa está evaluando dos proyectos de inversión cuyos

valores actuales netos y tasas de retornos son iguales. No
obstante, se sabe que un proyecto es más conveniente que otro
desde el punto de vista del riesgo que está relacionado con la
dispersión relativa (a mayor dispersión, mayor riesgo). Las
siguientes cantidades, expresadas en moneda constante,
corresponden a los flujos de fondos anuales de los dos proyectos
con sus respectivas probabilidades de ocurrencia. Decidir qué
proyecto es más conveniente.

Proyecto 1 Proyecto 2
Flujos Prob. Flujos Prob.
$ 1.200 0,05 $ 1.700 0,10
$ 2.800 0,15 $ 1.200 0,15
$ 1.000 0,25 $ 3.100 0,18
$ 3.000 0,35 $ 1.500 0,30
$ 2.000 0,20 $ 2.500 0,27

2. Se ha determinado que las ventas de una revista en quioscos

tiene la siguiente distribución probabilística:

Número de revistas (x) 100 - 150 - 200 - 250 - 300 - 350

P (x) 0,05 - 0,10 - 0,25 - 0,30 - 0,20 - 0,10

Calcular el valor esperado y las varianza de las ventas de la

revista.
 130

4. Distribuciones de probabilidades discretas

4.1. Distribución binominal

La distribución binominal es una distribución discreta de probabilidad que es útil en la

aplicación para la toma de decisiones. El proceso de interés describe datos resultantes
de un experimento denominado proceso de Bernoulli. El proceso de Bernoulli es un
proceso de muestreo en las siguientes características:

a) Hay solamente dos posibles resultados que son mutuamente excluyentes en cada
ensayo u observación: éxito y fracaso (ocurrencia o no).
b) Los ensayos son estadísticamente independientes.
c) La probabilidad de éxito (p), permanece constante de un ensayo a otro, esto
significa que el proceso es estacionaria.

Para determinar la probabilidad de un evento se requiere:

1) el número de éxitos u ocurrencias (x),

2) el número de ensayos u observaciones (n),
3) la probabilidad de éxito en cada ensayo (p)

La fórmula que se aplica es:

P ( x ÷ n÷ p) = nCx px qn-x (18)

q = 1-p

La obtención de la fórmula (18) se puede demostrar con el siguiente ejemplo del

número de caras (x) en el lanzamiento de 3 monedas:

Resultados x Distribución probabilística P (x)

SSS 3
1 1
0 (1 – p)3 = 4 = 8
SSC
SCS 2
1 1 3
CSS 1 3 (p) (1 – p) = 3 2 4 = 8
SCC
2
CCS 1 1 3
2 3 (p)2 (1 – p) = 3 2 4 = 8
CSC
3
CCC 1 1/8
2 (p)3 = =
2 1

Cara Sello

p = (éxito)= 1/2 (1-p) o q (fracaso) = 1/2

Para X = 0 hay solamente un posible resultado

P (X = 0) = P (SSS)
= (1-p) (1-p) (1-p) = (1-p)3 = 1/8

Para X = 1 hay 3 posibles resultados

P (SSC) = (1-p) (1-p) . p = (1-p)2 . p

P (SCS) = (1-p) (p) (1-p) = (1-p)2 . p

 131

P (CSS) = p (1-p) (1-p) = (1-p)2 . p

Como hay 3 posibles resultados

P (X = 1) = 3 (p) (1-p)2 = 3/8

y lo mismo para P (X = 2) y P (x = 3).

El total de posibles resultados para cada valor de x para una muestra de 3 elementos
no es otra cosa que una combinación de x elementos entre 3 elementos.

Entonces:

X Combinaciones
0 3C0 = 1
1 3C1 = 3
2 3C2 = 3
3 3C3 = 1

Por lo tanto si tenemos:

P (x=2 ÷ n=3 ÷ p=1/2) = 3C2 (1/2)2 (1/2) = 3/8

P (x ÷ n÷ p) = nCx px qn-x

La distribución binomial de este ejemplo se puede graficar de la siguiente manera:

Ejemplo: La selección argentina de fútbol jugará 10 partidos durante una gira. Se

sabe que en la región donde se realizarán los partidos el 20% de los días son
lluviosos. ¿Cuál es la probabilidad de que 3 partidos se jueguen bajo la lluvia?

x=3 n = 10 p = 0,20 q = 0,80

P (x =3 ó n =10 ó p = (0,20) = 10C3 (0,20)3 (0,80)7

10!
P (x = 3) = 3! 7!
(0,20)3 (0,80)7 = 0,20133

Uso de las tablas

El cálculo de las probabilidades con la fórmula de la binomial resulta tedioso sobre

todo cuando n es grande. Esto se simplifica utilizando las tablas de la distribución
 132

binomial (Tablas 1 y 2 del Anexo). La tabla 1 corresponde a las distribuciones de

probabilidades individuales y la 2 a la distribución de probabilidades acumuladas.

Para cada tamaño de la muestra se consignan los valores de probabilidades para cada
número de éxitos (x) que se ubican en la columna y las probabilidades de éxito (p) que
se ubican en la fila. El valor de probabilidad está en la intersección de x y p.

Sean los siguientes ejercicios utilizando el mismo ejemplo:

a) ¿Cuál es la probabilidad de que 5 partidos se jueguen en la lluvia?

P (x = 5 n =10 p = (0,20) = 0,02642 según tabla 1

b) Calcular la probabilidad de que no más de dos partidos se jueguen en la lluvia, o

sea:

P (x<2 n =10 p=0,20) = P (x = 0) + P (x = 1) + P (x = 2)

= 0,10737 + 0,26844 + 0,30199

= 0,6778 según tabla 1

En lugar de sumar las probabilidades individuales, se puede utilizar la tabla 2 que

contiene las probabilidades acumuladas:

P (x<2 n=10 p=0,20) = 0,6778 según tabla 2

c) ¿Cuál es la probabilidad de que a lo sumo 4 partidos se jueguen en la lluvia?

P (x<4 n=10 p=0,20) = 0,96721 según tabla 2

d) Determinar la probabilidad de que 3 o más partidos se jueguen en la lluvia, o sea:

P (x > 3 n=10 p=0,20)

Usando la tabla 2 obtenemos la probabilidad de que hasta 2 partidos se jueguen

bajo la lluvia.

P (x< 2 n=10 p=0,20) = 0,6778

por lo tanto P (x > 3) = 1 - P (x < 2)

= 1 - 0,6778 = 0,3222

Media y desviación típica en la distribución binomial

La distribución binomial tiene un valor esperado o medio () y una desviación típica
().

=np n = número de ensayos

p = probabilidad de éxito
q = probabilidad de fracaso
 = √n p q 1 - p.
 133

Ejemplo: Se sabe que el 10% de los productos fabricados por una compañía son
defectuosos.

Se toma una muestra aleatoria de 25 artículos, ¿cuál es el número esperado de

defectuosos (promedio de largo plazo)? ¿Cuál es la desviación típica?

 = 25 (0,20) = 5 artículos
 = √(25) (0,20) (0,80) = √4 = 2

Actividad Nº 32

1. En un barrio de la ciudad de Salta el 40% de las familias no tiene

teléfono. Se toma una muestra de 15 familias. Determinar la
probabilidad de que:

a) 7 familias no tengan teléfono.

b) Ninguna familia tengan teléfono.
c) A lo sumo 5 familias no tenga teléfono.
d) Por lo menos 8 familias no tengan teléfono.
e) No más de 3 familias sí tenga teléfono.
f) Entre 8 y 10 familias tengan teléfono.

2. En una empresa nueva sólo el 35% de los empleados tiene el

legajo completo. Si en un control se revisan 15 legajos, calcular 
y .

4.2. Distribución de Poisson

Esta distribución se llama así por el francés Siméon Dennis Poisson (1781-1840) quien
desarrolló esta distribución.

Puede utilizarse la distribución de Poisson para determinar la probabilidad de que

ocurra un número de eventos, en un continuo de tiempo o espacio.

El proceso de Poisson es similar al proceso de Bernoulli, pero los eventos no ocurren

en ensayos fijos, sino en un continuo (por ejemplo, en un intervalo de tiempo), como
ser la distribución de llamadas telefónicas que están en un conmutador, la demanda
de servicios de asistencia médica, etc. Estos casos pueden ser descriptos por una
variable discreta. El número de pacientes que llega a una guardia médica en un
intervalo de tiempo será 0, 1, 2, 3 o algún número entero.

El proceso de Poisson, como el de Bernoulli es estacionario y los eventos son

independientes.

Para determinar la probabilidad de un evento en un proceso de Poisson sólo se

requiere el número promedio a largo plazo de eventos para el intervalo de tiempo o
 134

dimensión específica. La media se representa por la letra griega l (lambda). La fórmula

para el cálculo de probabilidad de X ocurrencias en la distribución de Poisson es:
x 
 e
P (x  ) = (19)
X!
donde:

X: número de éxitos (u ocurrencias)

l: número medio de ocurrencias por intervalo de tiempo
e: constante 2,7183 base del sistema de logaritmos naturales.

Ejemplo: En un banco de la ciudad de Salta, en promedio cinco personas utilizan un

cajero automático cada hora. ¿Cuál es la probabilidad de que en una hora elegida
aleatoriamente, 2 personas utilicen el cajero automático?
2 -5
(5) (2,7183)
P (X=2  = 5) = 2!
= 0,0842

Uso de tablas

En forma alternativa, y para facilitar los cálculos, se puede utilizar la tabla de

probabilidades de Poisson (Tabla 3). En las filas se consignan los valores de l y en las
columnas el número de ocurrencias (x). La intersección de l y X indica el valor de
probabilidad buscada.

Ejemplo: Considerando el ejercicio anterior, cuál es la probabilidad de que:

a) ¿una persona utilice el cajero?

b) ¿no más de dos personas utilicen el cajero?

Utilizando la tabla 3

a) P (x = 1  = 5) = 0,0337

b) P (x < 2  = 5)= P (x = 0) + P (x =1) + P (x =2)

= 0,0067 + 0,0337 + 0,0842
= 0,1246

Aproximación de la distribución de Poisson a la distribución binomial

Si el número de ensayos (n) en el proceso de Bernoulli, es grande, los cálculos se

vuelven tediosos. La distribución de Poisson puede usarse como aproximación de la
binomial si se cumplen dos requisitos:

1) n grande
2) p pequeño

Una regla para una buena aproximación es trabajar con un n > 30 y n p < 5.

Ejemplo: un informe indica que en el 10% de las empresas industriales se producen

graves accidentes de trabajo. Si se toma una muestra de 30 empresas, ¿cuál es la
probabilidad de que en 5 de ellas hayan ocurrido graves accidentes de trabajo?
 135

- Utilizando la binomial

P (x = 5 n = 30 p = 0,10) = 0,10230

- Utilizando Poisson

 = np
 = 30 (0,10) = 3

P (x = 5  = 3) = 0,1008

La diferencia entre los dos valores es de 0,0015 por lo que la aproximación es buena.

Así como  define la media de la distribución de Poisson, la desviación típica de esta

distribución es √ 

Actividad Nº 33

1. Una tienda recibe 4,2 reclamos de clientes por semana.

Determinar la probabilidad de que en una semana elegida al azar:

a) Ningún cliente haga un reclamo.

b) No menos de 5 clientes hagan reclamos.
c) No más de 1 cliente haga un reclamo.

2. El 2% de operarios de una fábrica padecen de problemas en la

vista. En 100 operarios elegidos al azar, ¿cuál es la probabilidad
de que a lo sumo 5 tengan problemas en la vista?

4.3. Distribución hipergeométrica

Cuando el muestreo es sin reemplazo para cada uno de los elementos tomados de
una población, no es aplicable el proceso de Bernoulli, ya que hay un cambio
sistemático en la probabilidad de éxito mientras se extraen elementos de la población.

En este caso, la distribución discreta de probabilidad apropiada es la distribución

hipergeométrica.

Para la determinación de las probabilidades hipergeométricas se requiere conocer:

X: número designado de éxitos

N: número de elementos de la población
T: número total de éxitos en la población
n: número de elementos de la muestra

Luego aplicar la siguiente fórmula:

 136

N-T T
Cn-x Cx
P (x) = N (20)
Cn

Ejemplo: Una biblioteca posee 10 textos de Estadística, de los cuales 6 son de autores
extranjeros. Si se eligen al azar 5 textos, ¿cuál es la probabilidad de que 2 de ellos
sean de autores extranjeros?

X=2 T=6
N = 10 n=5

10 - 6 6 4! 6!
C5 - 2 C2 C3 C2
4 6
P (x = 2) = 10 = 10 = 3! 1!10!2! 4!
C5 C5
5! 5!

(4) (15)
= = 0,24
252

Debe observarse que la distribución hipergeométrica es una aplicación del análisis

combinatorio desarrollado en el punto 6.4. Se resolverá el ejercicio (a) que se utilizó
como ejemplo en esa oportunidad utilizando la fórmula (20).

Tarjetas rojas Tarjetas verdes

X=4 X=4
N = 15 N = 15
T=6 T=9
n=4 n=4

15 - 6 6 15 - 9 9
C4 - 4 C4 C4 - 4 C4
P (4 rojas o 4 verdes) = 15 + 15
C4 C4

9 6 6 9
C0 C4 C0 C4
= 15 + 15
C4 C4

15 126 141
= + =
1365 1365 1365

= 0,103

Actividad Nº 34

1. Un producto industrial se embarca en lotes de 20 unidades. Para

reducir el número de unidades defectuosas enviados a los
clientes, se implementó un programa de inspección que consiste
en tomar una muestra de 5 unidades de cada lote y rechazar el
lote si se observa más de un artículo defectuoso. Si un lote
 137

contiene 4 artículos defectuosos, ¿cuál es la probabilidad de que

sea aceptado?

2. En el departamento de ventas de una compañía hay 15

empleados de los cuales 10 tienen legajo incompleto. Si se
controla una muestra de 5 legajos, determinar la probabilidad de
que 3 estén incompletos.

5. Distribución de probabilidades continuas

5.1. Distribución Normal

5.1.1. Naturaleza e Importancia

La variable aleatoria normal es de naturaleza continua ya que su espacio muestral

consiste en un número infinito de valores reales y la variable puede asumir cualquier
valor de una gama de ellos.

La distribución normal es la más conocida y la más usada de las distribuciones

teóricas. Muchas variables aleatorias parecen seguir un patrón de distribución que es
semejante a la distribución normal, como ser peso, estatura y otras relacionadas con la
producción de procesos físicos (dimensiones y rendimientos). Si bien no todas las
poblaciones se distribuyen normalmente, muchas distribuciones pueden aproximarse a
la normal a medida que aumenta el tamaño de la muestra.

5.1.2.- Características

Puede describirse a la distribución normal como una curva regular en forma

acampanada que está definida por la media y por la desviación estándar de la variable
aleatoria x. Es simétrica alrededor de su media; la altura y la dispersión están dadas
por la desviación estándar.

Matemáticamente puede describirse de la siguiente manera:

1
P(x) = e-1/2 ⟦(x- μ ∖ σ⟧ 2 (21)
 √2 𝜋

para -  < x < + 

 138

x = valor de la variable aleatoria continua.

 = la media o valor esperado de x
 = desviación estándar de x
 = constante 3,1416...
e = base de los logaritmos naturales 2,718.

De acuerdo a lo expuesto, se resumen a continuación las características de la

distribución normal.

1') Como la curva normal presenta una distribución probabilística de una variable
continua es imposible referirse a algún punto en particular sobre la curva como
probabilidad de x. Para determinar probabilidades, se deben establecer intervalos,
como por ejemplo, el intervalo entre a y b indica el área sombreada bajo la curva
que proporciona la probabilidad de que la variable aleatoria tome cualquier valor
entre a y b. El área total bajo la curva es igual a 1. La ecuación (20) se define
como una función probabilística de densidad. El término “densidad” es obtenido de
la física, donde la palabra se usa para designar “probabilidad”.

2') La curva normal tiene forma de campana. El componente exponencial da la forma

general de la curva.

3') La curva tiene un solo pico (por lo tanto es unimodal) y es simétrica con respecto a
su media (  ).

4') Una curva normal está definida por tres constantes ( y 2) y dos parámetros, la  y
 de x.

5') Como x es una variable continua, puede asumir cualquier valor real entre -  y + .
La curva normal no toca el eje de las x. Cuando, x aumenta o disminuye
apartándose de la media, la curva es asintótica al eje x.

5.1.3. Regla de la Normal

Ya se dijo que el área bajo la curva normal es igual a 1, cualquiera sea el valor de y el
valor de . Esto significa que los valores bajo la curva son valores de probabilidades.

Si los valores de una población se distribuyen normalmente puede aplicarse la

denomina “regla de la normal” que se enuncia a continuación.

1') Aproximadamente el 68% de los valores de una población se encuentran dentro de

1 desviación estándar respecto de la media, o sea

 + 1  = 68% de los casos.

2') Aproximadamente el 95,5% de los valores de una población se encuentran dentro

de 2 desviaciones estándar respecto de la media, o sea:

 + 2  = 95,5% de los casos

 139

3') Aproximadamente el 99,7% de los valores de una población (casi el 100%) se

encuentran dentro de 3 desviaciones estándar respecto de la media, o sea:

 + 3  = 99,7% de los casos

Ejemplo: La distribución de los salarios de los vendedores de una tienda es normal

con m =$300 y s =$10. El negocio cuenta con 80 vendedores.

Aplicando la regla de la normal, se tiene:

1')  + 1  o 300 + 10 = 68% de los casos

290 <  < 310

Aproximadamente 54 vendedores (0,68.80) tienen un salario entre 190 por 310

pesos.

2')  + 2  o 300 + 2 (10) = 95,5% de los casos

280 <  < 320

Aproximadamente 76 vendedores (0,955 x 80) tienen un salario entre 280 y 320

pesos.

3')  + 3  o 300 + 3 (10) = 97,7% de los casos

270 <  < 330

Aproximadamente 78 vendedores (0,977 x 80) tienen un salario entre 270 y 330

pesos.
 140

5.1.4. Importancia de los parámetros

Los dos parámetros, media (  ) y desviación típica (  ) determinan la forma y

ubicación de la curva normal. Si las distribuciones tienen la misma media pero con
diferentes desviaciones típicas, las curvas tienen el mismo centro. Cuando s es
pequeña la curva tiende a ser leptocúrtica (alto apuntamiento). Si es más grande la
curva tiende a ser más achatada (Ver figura F).

Cuando las distribuciones tienen la misma desviación típica, pero con medias distintas,
las formas de las curvas son iguales, pero la curva se mueve a lo largo del eje de las
x.

5.1.5. Distribución normal estándar

Para calcular probabilidades dentro de un intervalo es necesario conocer la

distribución probabilística. Como hay tantas variables normales no es práctico
desarrollar una distribución probabilística distinta para cada una. Este problema se
soluciona debido a que existe una distribución probabilística aplicable a cada una de
las posibles variables normales que se denomina “distribución normal estándar”.
Esta distribución probabilística de la variable normal estándar Z, se define como:

x-
Z= (22)

 
donde:

x = valor de la variable aleatoria de interés.

 = media de la distribución de la variable aleatoria.
 = desviación típica de la distribución.
Z = es la diferencia entre el valor observado de X y su media, expresada
en términos de su desviación típica. El valor de Z es igual al número
de desviaciones típicas de x respecto de la media.

Considérese el ejemplo de la distribución de salarios con  = 300 y  = 10. ¿Cuál es la

probabilidad de que un vendedor seleccionado al azar tenga un salario mayor o igual
que $320?

x = 320. Aplicando la ecuación (2) se transforma x en Z.

320 - 300
Z= =2
10

Cambiando la pregunta, ¿Cuál es la probabilidad de que el salario de un vendedor

seleccionado aleatoriamente sea mayor o igual que 2 desviaciones típicas a partir de
su media?
 141

Como Z se expresa la desviación del valor observado de X a partir de la media, el

control de la distribución de Z no representa ninguna desviación, la media de Z es
igual a cero (0). Como Z está expresada en unidades de desviaciones típicas, la
desviación típica de Z es igual a 1. La distribución se define completamente por la
media 0 y el desvío típico 1. Hay una y solamente una distribución probabilística para
la variable estándar Z.

En el ejemplo anterior el valor 2 significa 2 desviaciones típicas por encima de la

media o bien Z es igual a 2.

Si el área bajo la curva es igual 1 (o 100%) entonces P(X > ) = 0,50 y P (X < ) =
0,50.

Volviendo al ejemplo:

320 - 300
Z= =2
10

Por regla de la normal  + 2 s = 0,955 (95,5%) de los valores. Como la curva normal
es simétrica,

 + 2 s = 0,4775
 - 2 s = 0,4775

(Ver figura)

Se pide la probabilidad de que un vendedor tenga un salario mayor o igual a 320, o la

probabilidad de que Z > 2.

El valor de probabilidad entre 0 y Z o 0 y 2 es igual a 0,4775. Como P

( > 300) = 0,5, para conocer el valor de probabilidad de x > 320 o Z > 2 se debe restar
 142

0,5 - 0,4775 = 0,0225. Esto significa que existe una probabilidad de 0,0225 (o del
2,25%) que un vendedor gane un salario igual o mayor que 320.

5.1.6. Cálculo de probabilidades. Uso de la tabla

El valor de probabilidad para cualquier valor de x puede obtenerse usando la tabla 4.

La tabla proporciona los valores de probabilidad de 0 a Z.

Por ejemplo:

- Si Z = 1,50, el valor de probabilidad es 0,4332.

- Si Z = 1,56, el valor de probabilidad es 0,4406.

Las puntuaciones de Z se listan en la columna del lado izquierdo y en el renglón

superior. La columna del lado izquierdo tiene el dígito de las unidades y décimos,
mientras que en el renglón superior se halla el dígito de los dos centésimos.

Z 0,00 ... 0,06

1,5 0,4332 0,4406

Por ejemplo la probabilidad de que Z > 1,50 es 0,0668 (0,5 - 0,4332) y la probabilidad
de que Z < -1,56 es 0,0594 (0,5 - 0,4406).

Con el siguiente ejercicio se analizarán distintos casos para obtener valores de

probabilidades para x con la distribución normal.

La factura mensual de teléfono por casa en una zona céntrica se distribuye

normalmente con una media de $80 y una desviación típica de $6. Si se selecciona
aleatoriamente una factura, determinar la probabilidad de que la misma:

a) sea de $70 y menos

b) esté entre $78,50 y $82,50;
c) esté entre $85 y $95;
d) sea de $75 de más;
e) sea igual a $90;

a) P (x < 70)
x-
Z=


70 - 80
Z= = -1,67


Área entre 0 y -167 = 0,4525 y

como el área entre -  y 0 es 0,50.

P (x < 70) = 0,50 - 0,4525 = 0,0475

 143

b) P (78,50 < x < 82,50)

78,50 - 80
Z= = -0,25
6

82,59 - 80
Z= = -0,42
6

Área entre 0 y -0,25 = 0,0987

Área entre 0 y 0,42 = 0,1628

P (78,50 < x < 82,50) = 0,0987 + 0,1628 = 0,2615

c) P (85 < x < 95)

85 - 80
Z= = -0,83
6
6

95 - 80
Z= = -2,5
6

Área entre 0 y 2,5 (entre 80 y 95) = 0,4938

Área entre 0 y 0,83 (entre 80 y 85) = 0,2967

P (85 < x < 95) = 0,4938 - 0,2967 = 0,1971

d) P (x > 75)

75 - 80
Z= = -0,83
6

Área entre 0 y -0,83 = 0,2967

Área entre 0 y + = 0,50

P (x > 75) = 0,2967 + 0,50 = 0,7967

e) P (x = 90)

Se estableció que como se trabaja con una distribución probabilística continua es

imposible determinar la probabilidad de un valor en particular, sino que deben
establecerse intervalos. En el caso de P(X = 90) se deberá buscar P (89,5 < X <
90,5). Es el mismo caso de (c).

90,5 - 80
Z= = 1,75
6

89,5 - 80
Z= = 1,58
6

Área entre 0 y 1,75 = 0,4599

Área entre 0 y 1,58 = 0,4429

P (X = 90) = 0,4599 - 0,4429 = 0,017

 144

5.1.7. Aproximaciones de la Normal a otras distribuciones

Una de las importancias que la distribución normal es que puede aproximarse a otras
distribuciones.

Se estudiarán a continuación las aproximaciones de una distribución continua como la

normal a distribuciones discretas como la binomial y Poisson.

I) Aproximación normal a la binomial

Cuando el número de observaciones (n) es grande, puede utilizarse la distribución

probabilística normal a las probabilidades binomial. Una regla conveniente es la que
indica que las aproximaciones son aceptables cuando n>30 y np>5.

Al usar la normal como base de aproximación a la binomial.

 = np (número promedio de éxitos u ocurrencias).

 = √npq (desviación estándar del número de éxitos).

Como la distribución normal es continua los valores de X deben ajustarse mediante

una corrección de continuidad, ya que un evento discreto representa un intervalo
continuo desde un límite exacto superior.

Ejemplo: En un barrio de la ciudad de Salta el 20% de las casas no poseen gas

natural. Si se investigan 30 casas de ese barrio, cuál es la probabilidad de que 50 más
no haya gas natural.

- Se utilizará primeramente la distribución binomial.

P (X>5\n=30\p=0,20) = 0,7448

- Aproximación de la normal

n = 30 np = 30 (0,20) = 6

se cumplen los dos criterios de aproximación.

 = np = 6  = √npq = √30 (0,20) (0,80)

 = 2,2

Si bien se busca P (X > 5) al utilizar la corrección de continuidad P (X > 4,5).

El evento discreto 5 casas representa el intervalo continuo entre 4,5 y 5,5.

En general: Cuando P (X > Xi) se resta

y Cuando P (X < Xi) 0,5

Cuando P (X < Xi) se suma

y cuando P (X > Xi) 0,5

En el ejercicio como P (x > xi) se resta 0,5 (5 - 0,5 = 4,5).

 145

45,5 - 6
Z= = -0,68
2,2

Área entre 0 y -0,68 = 0,2518

Área entre 0 y + = 0,50

P (X > 5) = 0,2518 + 0,5 = 0,7518

La diferencia entre el valor obtenido por la binomial y el obtenido por la normal es

solamente 0,007 por lo que la aproximación es buena.

II) Aproximación normal a la distribución de Poisson

Cuando la media de la distribución de Poisson es grande, puede aproximarse la

distribución normal a probabilidad de Poisson. Una regla que indica una buena
aproximación es considerar > 10.

Recordar que  -  y  = √

Ejemplo: En un banco, en promedio 10 personas utilizan el cajero automático cada

hora. Determinar la probabilidad de que no más de 5 personas utilicen el cajero en una
hora seleccionada al azar.

- Utilizando Poisson (tabla 3)

P (x < 5 \  =10) = P (X=0) + P (X=1) + P (X=2) + P (X=3) +

+ p (X=4) + P (X = 0,5)

= 0 + 0,0005 + 0,0023 + 0,0076 + 0,0189 +

+ 0,0378 = 0,0671

- Utilizando la Normal

m =  = 10 se cumple el criterio de aproximación P(x < 5), al aplicar la corrección de

continuidad P (x>5,5), se suma 0,5 debido a que P(X < x1).

 = 20  = √10 = 3,16

5,5 - 10
Z= = -1,42
3,16

Área entre 0 y -1,42 = 0,4222

P (X < 5,5) = 0,5 - 0,4222 =0,0778

La diferencia entre los valores de probabilidad calculados con ambas distribuciones

es muy pequeña, lo que indica una aproximación aceptable.
 146

Actividad Nº 35

1. Las exportaciones de productos agrícolas de nuestro país se

distribuyen normalmente con un promedio de 8.000 millones de
dólares anuales y un desvío típico de 1.000 millones.

Hallar:

a) P (X > 10.000)

b) P (X < 7.000)

c) P (X = 6.000)

d) P (9.000 < X < 11.000)

e) P (6.000 < X < 8.500)

f) P (X > 9.000 o X < 8.000)

2. El 20% de los clientes de un negocio son morosos. Si se toma una

muestra de 60 clientes, ¿Cuál es la probabilidad de que a lo sumo
5 sean morosos?

3. Un conmutador recibe en promedio 12 llamadas por minuto. Hallar

la probabilidad de que lleguen por lo menos 6 llamadas en un
minuto.

5.2. Distribución exponencial

El modelo de probabilidad exponencial tiene su origen en el proceso de Poisson. Una

probabilidad de Poisson se relaciona con la probabilidad de ocurrencia de un número
específico de éxitos en una unidad especificada finita, donde el número de éxitos es la
variable aleatoria. Al invertir los papeles de una variable de Poisson y su unidad
especificada finita, se tiene un modelo de probabilidad exponencial. Una variable
"exponencial" x es el intervalor de tiempo, o espacio requerido para obtener un
11
número específico de éxitos .

En su libro, Kazmier establece que si se presentan eventos en el contexto de un

proceso Poisson, la longitud de tiempo o el espacio entre eventos sucesivos tiene una
"distribución exponencial de probabilidad". Al ser el tiempo y el espacio son continuos,
una medición de este tipo es una variable aleatoria continua. Para cualquier variable
continua, no se pregunta, por ejemplo, ¿"cuál es la probabilidad de que la primera
solicitud de servicio llegue exactamente en un minuto?, sino que se debe determinar
un intervalo dentro del cual debe ocurrir el evento; por lo tanto la pregunta sería
"¿cuál es la probabilidad de que la primera solicitud de servicio llegue en un minuto?".
La distribución exponencial se aplica cuando interesa el tiempo (o espacio) hasta la
ocurrencia del primer evento, o el tiempo entre dos eventos sucesivos, o bien el
tiempo que transcurre hasta que se presenta el primer evento, después de cualquier
12
punto en el tiempo elegido al azar .

11
Chou, Ya Lun "Análisis Estadístico" Ed. Mc Graw-Hill.
12
Kazmier, Leonard "Estadística Aplicada a la Administración y a la Economía" Serie Sahaon "Ed. Mc. Graw-Hill".
 147

La probabilidad exponencial de que ocurra el primer evento dentro del intervalo

designado de tiempo o espacio es:

P (t < t) = 1 - e−𝜆 (23)

La probabilidad exponencial de que el primer evento no ocurra dentro del intervalo

designado de tiempo o espacio es:

P (T > t) = e−𝜆 (24)

representa el número promedio de ocurrencias para el intervalo de interés.

Ejemplo 1

Una empresa mayorista recibe 8 pedidos de compra por hora es promedio. Determinar
la probabilidad de que se reciba el primer pedido dentro de un lapso de quince
minutos.

Promedio por hora =8

= Promedio por quince minutos: 2

P (T < 15') = 1 - e−2

= 1 - 0,13534

= 0,8647

Los valores de e-l se pueden obtener de la tabla V.

Ejemplo 2:

Considerando el ejemplo anterior, ¿cuál es la probabilidad de que el primer pedido no

llegue durante la primera hora?

 = 8 por hora

P(T>8) = e−8

= 0,00034

El valor esperado de una distribución exponencial es E(T) = 1/  y la varianza en V(T)

= 1/ 2.
 148

ACTIVIDAD INTEGRADORA

En promedio, 6 personas utilizan un cajero bancario automático cada

hora. Determinar la probabilidad de que:

1. Cuando menos pasen 10 minutos entre las llegadas de dos

clientes.

2. Después de que salga un cliente, no llegue otro cuando menos 20

minutos.

3. De que llegue un segundo cliente antes de que pase un minuto

después de que el primer cliente comienza su transacción
bancaria.

Ejercicios de Repaso

1. Una empresa dedicada a la investigación de mercados efectúa

una encuesta postal sabiendo que la probabilidad de contestar es
de 0,20.

Si se enviaron 20 cartas, hallar la probabilidad de:

a) 8 respuestas,
b) no más de 3 respuestas,
c) por lo menos 16 sin respuestas.

2. La DGI ha clausurado en promedio 6,4 negocios por mes.

Encontrar la probabilidad de que:

a) Ningún negocio sea clausurado durante una semana.

b) Entre 3 y 5 negocios sean clausurados durante un mes.

3. La compañía “Click” fábrica encendedores de cigarrillos. Un

componente importante de este producto es una pequeña rueda
de acero dentada que gira y crea la chispa para el encendido.
Esta rueda de acero está fabricada con un acero comprado por la
compañía "Click". La característica más importante del acero es
su dureza. El departamento de ingeniería industrial ha
especificado que los lingotes de acero deben tener una dureza de
cuando menos 425 Unidades Brinell (UB). Es también conveniente
que el material sea uniforme. Se ha decidido comprar todo este
material a un solo proveedor, ya que ello implica ahorro en costos.
La lista de posibles proveedores se redujo a dos firmas A y B.

a) La dureza media de los lingotes producidos por A es de 510,2

UB, mientras que la dureza media de los lingotes de B es 492,8
Ub. ¿Es la calidad de B inferior a la de A? Explicar la
respuesta, aclarando cuál es la interpretación del término
“calidad”.
 149

b) La dureza de los lingotes producidos por cada proveedor está

distribuida normalmente. La desviación típica de la dureza de
los lingotes de A es 53,9 UB y la desviación típica de la dureza
de los lingotes de B es 31,4 Ub. ¿Qué forma presenta mayor
uniformidad? Explicar.
c) ¿Cuál es la proporción de lingotes con 425 o más UB
producidas por cada proveedor?
d) Sobre la base de la información anterior, ¿qué firma
seleccionaría Ud? Fundamentar la respuesta.
e) ¿Qué otros factores además de la calidad, consideraría al
hacer la selección del proveedor?

4) La duración de las pilas fabricadas por la compañía “Luxor”

está normalmente distribuida con = 795 minutos y =37 minutos.

a) ¿Cuál es la probabilidad de que una pila dura entre 775 y 820

minutos?
b) ¿Cuál es la probabilidad de que una pila dure más de 800
minutos?
c) ¿Existe una probabilidad de 0,95 de que una pila dure menos
de cuántos minutos?
d) El 50% de las pilas duran entre —— y ——. Usar límites
simétricos alrededor de la media.

5) La media de las puntuaciones de los exámenes de 80 postulantes

es de 75 con un desvió típico de 8. La distribución es normal. El
departamento de personal determinó que aquellos postulantes
que hayan obtenido 60 puntos o más pasarán a una entrevista.
¿Cuántos de ellos serán entrevistados?

Respuestas a los ejercicios de la Unidad VI

Punto 1

1) X: 1 2 3 4
P(X): 1/4 1/4 1/4 1/4 = 4/4 = 1

2) a) 0,25;
b) Número de videos del mismo modelo.
c) Eventos simples RRR - RRS - RSR - SRR - SSR - SRS - RSS - SSS
Valor de X 1 0 0 0 0 0 0 1
d) X = 0 1
P(X) = 6/8 2/8

Punto 2 y 3

1) CV1= 38,2% - CV2= 33,51% - Conviene el 2.

2) E(X)= 240 2 = 4.150 = 64,4

Punto 4.1.

1) a) P(X=7) = 0,17708; b) P(X=0) = 0,00047; c) P(X 5) =0,40321

d) P(X 8) = 0,21311; e) P(X 3) = 0,00193; f) P(8 X 10) = 0,56962
 150

2) = mp= 5,25 = 1,85 (Aprox. Posson a la Binamial)

Punto 4.2.

1) a) 0,0150; b) 0,4101; c) 0,078

2) 0,9834

Punto 5

1) a) 0,0228; b) 0,1587; c) 0,0005; d) 0,1574; e) 0,6687 f) 0,6587

2) P(X 5,5)= 0,0179 (Aprox. Normal a la Binomial)

3) P(X 5,5)= 0,9686 (Aprox. Normal a Posson)

Ejercicios de Repaso

1) a) 0,02216; b) 0,41145; c) 0,62965

2) a) 0,2019; b) 0,3375

3) a) No, porque ambos cumplen las especificaciones.

b) B
c) A= 0,9429 B= 0,9846
d) B cumple con todas las condiciones
e) precio, condiciones de pago, etc.

4) a) 0,4572; b) 0,4443;

c) 855,9 minutos, d) Entre 770 y 820 minutos.

5) 78 postulantes.
 151

APÉNDICES
Apéndice 1

Distribución Probabilísticas Binomiales

Las anotaciones en la tabla son valores de (nx) px qn - x

n=5
x .1 .2 .3 .4 .5 .6 .7 .8 .9
0 .59049 .32768 .16807 .07778 .03125 .01024 .00243 .00032 .00001
1 .32805 .40960 .36015 .25920 .15625 .07680 .02835 .00640 .00045
2 .07290 .20480 .30870 .34560 .31250 .23040 .13230 .05120 .00810
3 .00810 .05120 .13230 .23040 . 31250 .34560 .30870 .20480 .07290
4 .00045 .00640 .02835 .07680 .15625 .25920 .36015 .40960 .32805
5 .00001 .00032 .00243 .01024 .03125 .07776 .16807 .32768 .59049
n = 10
x .1 .2 .3 .4 .5 .6 .7 .8 .9
0 .34868 .10737 .02825 .00605 .00098 .00010 .00001 .00000 .00000
1 .38742 .26844 .12106 .04031 .00977 .00157 .00014 .00000 .00000
2 .13971 .30199 .23347 .12093 .04395 .01062 .00145 .00007 .00000
3 .05740 .20133 .26683 .21499 .11719 .04247 .00900 .00079 .00001
4 .01116 .08808 .20012 .25082 .20508 .11148 .03676 .00551 .00014
5 .00149 .02642 .10292 .20066 .24609 .20066 .10292 .02642 .00149
6 .00014 .00551 .03676 .11148 .20508 .25082 .20012 .08808 .01116
7 .00001 .00079 .00900 .04247 .11719 .21499 .26683 .20133 .05740
8 .00000 .00007 .00145 .01062 .04395 .12093 .23347 .30199 .19371
9 .00000 .00000 .00014 .00157 .00977 .04031 .12106 .26844 .38742
10 .00000 .00000 .00001 .00010 .00098 .00605 .02825 .10737 .34866
n = 15
x .1 .2 .3 .4 .5 .6 .7 .8 .9
0 .20589 .03518 .00475 .00047 .00003 .00000 .00000 .00000 .00000
1 .34315 .13194 .03052 .00470 .00043 .00002 .00000 .00000 .00000
2 .26690 .23090 .09156 .02194 .00320 .00025 .00001 .00000 .00000
3 .12851 .25014 .17004 .06339 .01389 .00165 .00008 .00000 .00000
4 .04284 .18760 .21862 .12678 .04166 .00742 .00058 .00001 .00000
5 .01047 .10318 .20613 .18594 .09164 .02449 .00298 .00010 .00000

6 .00194 .04299 .14724 .20660 .15274 .06121 .01159 .00067 .00000

7 .00028 .01382 .08113 .17708 .19638 .11806 .03477 .00345 .00003
8 .00003 .00345 .03477 .11806 .19638 17708. .08113 .01382 .00028
9 .00000 .00067 .01159 .06121 .15274 .20660 .14724 .04299 .00194
10 .00000 .00010 .00298 .02449 .09164 .18594 .20613 .10318 .01047

11 .00000 .00001 .00058 .00742 .04166 .12678 .21862 .18760 .04284

12 .00000 .00000 .00008 .00165 .01389 .06339 .17004 .25014 .12850
13 .00000 .00000 .00001 .00025 .00320 .02194 .09156 .23090 .26689
14 .00000 .00000 .00000 .00002 .00043 .00470 .03052 .13194 .34315
15 .00000 .00000 .00000 .00000 .00003 .00047 .00475 .03518 .20589
n = 20
x .1 .2 .3 .4 .5 .6 .7 .8 .9
0 .12158 .01153 .00080 .00004 .00000 .00000 .00000 .00000 .00000
1 .27017 .05765 .00684 .00049 .00002 .00000 .00000 .00000 .00000
2 .28518 .13691 .02785 .00309 .00018 .00000 .00000 .00000 .00000
3 .19012 .20536 .07160 .01235 .00109 .00004 .00000 .00000 .00000
4 .08978 .21820 .13042 .03499 .00462 .00027 .00001 .00000 .00000
5 .03192 .17456 .17886 .07465 .01479 .00129 .00004 .00000 .00000

6 .00887 .10910 .19164 .12441 .03696 .00485 .00022 .00000 .00000

7 .00197 .05455 .16426 .16588 .07393 .01456 .00102 .00001 .00000
8 .00036 .02216 .11440 .17971 .12013 .03550 .00386 .00009 .00000
 152

9 .00005 .00739 .06537 .15974 .16018 .07099 .01201 .00046 .00000

10 .00001 .00203 .03082 .11714 .17620 .11714 .03082 .002303 .00001

11 .00000 .00046 .01201 .07099 .16018 .15794 .06537 .00739 .00005

12 .00000 .00009 .00386 .03550 .12013 .17971 .11440 .02216 .00036
13 .00000 .00001 .00102 .01456 .07393 .16586 .16426 .05455 .00197
14 .00000 .00000 .00022 00485 .03696 .12441 .19164 .10910 .00887
15 .00000 .00000 .00004 .00129 .01479 .07465 .17886 .17456 .03192

16 .00000 .00000 .00001 .00027 .00462 .03499 .13042 .21820 .08978

17 .00000 .00000 .00000 .00004 .00109 .01235 .07160 .20536 .19012
18 .00000 .00000 .00000 .00000 .00018 .00309 .02785 .13691 .28518
19 .00000 .00000 .00000 .00000 .00002 .00049 .000684 .05765 .27017
20 .00000 .00000 .00000 .00000 .00000 .00004 .00080 .01153 .12158
n = 25
x .1 .2 .3 .4 .5 .6 .7 .8 .9
0 .07179 .00378 .00013 .00000 .00000 .00000 .00000 .00000 .00000
1 .19942 .02361 .00144 .00005 .00000 .00000 .00000 .00000 .00000
2 .26589 .07084 .00739 .00038 .00001 .00000 .00000 .00000 .00000
3 .22650 .13577 .02428 .00194 .00007 .00000 .00000 .00000 .00000
4 .13841 .18668 .05723 .00710 .00038 .00001 .00000 .00000 .00000
5 .06459 .19601 .10302 .01989 .00158 .00005 .00000 .00000 .00000

6 .02392 .16335 .14717 .04420 .00528 .00023 .00000 .00000 .00000

7 .00722 .11084 .17119 .07999 .01433 .00092 .00002 .00000 .00000
8 .00180 .06235 .16508 .11998 .03223 .00312 . 00008 .00000 .00000
9 .00038 .02944 .13363 .15108 .06089 .00884 . 00035 .00000 .00000
10 .00007 .01178 .09164 .16116 .09742 .02122 . 00132 .00001 .00000

11 .00001 .00401 .05355 .14561 .13284 .04341 .00422 .00006 .00000

12 .00000 .00117 .02678 .11395 .15498 .07597 .01148 .00029 .00000
13 .00000 .00029 .01148 .07597 .15498 .11395 .02678 .00117 .00000
14 .00000 .00006 .00422 .04341 .13284 .14651 .05355 .00401 .00001
15 .00000 .00001 .00132 .02122 .09742 .16116 .09164 .01178 .00007

16 .00000 .00000 .00035 .00884 .06089 .15108 .13363 .02944 .00038

17 .00000 .00000 .00008 .00312 .03223 .11998 .16508 .06235 .00180
18 .00000 .00000 .00002 .00092 .01433 .07999 .17119 .11084 .00721
19 .00000 .00000 .00000 .00023 .00528 .04420 .14717 .16334 .02392
20 .00000 .00000 .00000 .0005 . 00158 .01989 .10302 .19601 .06459

21 .00000 .00000 .00000 .00001 .00038 .00710 .05723 .18668 .13841

22 .00000 .00000 .00000 .00000 .00007 .00194 .02428 .13577 .22650
23 .00000 .00000 .00000 .00000 .00001 .00038 .00739 .07083 .26589
24 .00000 .00000 .00000 .00000 .00000 .00005 .00144 .02361 .19941
25 .00000 .00000 .00000 .00000 .00000 .00000 .00013 .00378 .07179
n = 30
x .1 .2 .3 .4 .5 .6 .7 .8 .9
0 .04239 .00124 .00002 .00000 .00000 .00000 .00000 .00000 .00000
1 .14130 .00928 .00029 .00000 .00000 .00000 .00000 .00000 .00000
2 .22766 .03366 .00180 .00004 .00000 .00000 .00000 .00000 .00000
3 .23609 .07853 .00720 .00027 .00000 .00000 .00000 .00000 .00000
4 .17707 .13252 .02084 .00120 .00003 .00000 .00000 .00000 .00000
5 .10230 .17228 .04644 .00415 .00013 .00000 .00000 .00000 .00000

6 .04736 .17946 .08293 .01152 .00055 .00001 .00000 .00000 .00000

7 .01804 .15382 .12185 .02634 .00190 .00004 .00000 .00000 .00000
8 .00576 .11056 .15014 .05049 .00545 .00017 .00000 .00000 .00000
9 .00157 .06756 .15729 .08227 .01332 .00063 .00001 .00000 .00000
10 .00037 .03547 .14156 .11518 .02798 .00200 .00003 .00000 .00000

11 .00007 .01612 .11031 .13962 .05088 .00545 .00013 .00000 .00000

12 .00001 .00638 .07485 .14737 .08055 .01294 .00046 .00000 .00000
 153

13 .00000 .00221 .04442 .13604 .11153 .02687 .00150 .00001 .00000

14 .00000 .00067 .02312 .11013 .13543 .04894 .00425 .00004 .00000
15 .00000 .00018 .01057 .07831 .14446 .07831 .01057 .00018 .00000

16 .00000 .00004 .00425 .04894 .13543 .11013 .02312 .00067 .00000

17 .00000 .00001 .00150 .02687 .11153 .13604 .04442 .00221 .00000
18 .00000 .00000 .00046 .01294 .08055 .14737 .07485 .00638 .00001
19 .00000 .00000 .00013 .00545 .05088 .13962 .11031 .01612 .00007
20 .00000 .00000 .00003 .00200 .02798 .11518 .14156 .03547 .00037

21 .00000 .00000 .00001 .00063 .01332 .08227 .152729 .03756 .00157

22 .00000 .00000 .00000 .00017 .00545 .05049 .15014 .11056 .00576
23 .00000 .00000 .00000 .00004 .00190 .02634 .12186 .15382 .01804
24 .00000 .00000 .00000 .00001 .00055 .01152 .08293 .17946 .04736
25 .00000 .00000 .00000 .00000 .00013 .00415 .04644 .17228 .10230

26 .00000 .00000 .00000 .00000 .00003 .00120 .02084 .13252 .17706

27 .00000 .00000 .00000 .00000 .00000 .00027 .00720 .07853 .23609
28 .00000 .00000 .00000 .00000 .00000 .00004 .00180 .03366 .22765
29 .00000 .00000 .00000 .00000 .00000 .00000 .00029 .00928 .14130
30 .00000 .00000 .00000 .00000 .00000 .00000 .0002 .00124 .04239

Apéndice 2

Probabilidades acumuladas para distribuciones binomiales

x
n
CP (x) = ∑ ( ) pk qn-k
k
k-o

n=5
x .1 .2 .3 .4 .5 .6 .7 .8 .9
0 .59049 .32768 .16807 .07778 .03125 .01024 .00243 .00032 .00001
1 .91854 .73728 .52822 .33696 .18750 .08704 .03078 .00672 .00046
2 .99144 .91208 .83692 .68256 .50000 .31744 .16308 .05792 .00856
3 .99954 .99328 .96922 .91296 .81260 .66304 .47178 .26272 .08146
4 .99999 .99968 .99757 .98976 .96875 .92224 .83193 .67232 .40951
5 ****** ****** ****** ****** ****** ****** ****** ****** ******
n = 10
x .1 .2 .3 .4 .5 .6 .7 .8 .9
0 .34868 .10737 .02825 .00605 .00098 .00010 .00001 .00000 .00000
1 .73610 .37581 .14931 .04636 .01074 .00168 .00014 .00000 .00000
2 .92981 .67780 .38278 .16729 .05469 .01229 .00159 .00008 .00000
3 .98720 .87913 .64961 .38228 .17187 .05476 .01059 .00086 .00001
4 .99636 .96721 .84973 .63310 .37695 .16624 .04735 .00637 .00015
5 .99985 .99363 .95265 .83376 .62305 .36690 .15027 .03279 .00163

6 .99999 .99913 .98941 .94524 .82812 .61772 .35039 .12087 .01280

7 ****** .99992 .99841 .98770 .94531 .83271 .61722 .32220 .07019
8 ****** .99999 .99985 .99832 .98926 .95364 .85069 .62419 .26390
9 ****** ****** .99999 .99989 .99902 .99395 .97175 .89262 .65132
10 ****** ****** ****** ****** ****** ****** ****** ****** ******
n = 15
x .1 .2 .3 .4 .5 .6 .7 .8 .9
0 .20589 .03518 .00475 .00047 .00003 .00000 .00000 .00000 .00000
1 .54904 .16713 .03527 .00517 .00049 .00003 .00000 .00000 .00000
2 .81594 .39802 .12683 .02711 .00369 .00028 .00001 .00000 .00000
3 .94444 .64816 .29687 .09050 .01758 .00193 .00009 .00000 .00000
4 .98728 .83577 .51549 .21728 .05923 .00935 .00067 .00001 .00000
 154

5 .997775 .93895 .72162 .10321 .15088 .03383 .00365 .00011 .00000

6 .99969 .98194 .86885 .60981 .30362 .09505 .01524 .00078 .00000

7 .99996 .99576 .94998 .78689 .50000 .21310 .05001 .00424 .00003
8 ****** .99921 .98475 .90495 .69638 .39019 .13114 .01806 .00031
9 ****** .99989 .99634 .96616 .84912 .59678 .27838 .06105 .00225
10 ****** .99999 .99932 .99065 .94076 .78272 .48451 .16423 .01272

11 ****** ****** .99991 .99807 .98242 .90949 .70313 .35184 .05556

12 ****** ****** .99999 .99972 .99631 .97288 .87317 .60197 .18406
13 ****** ****** ****** .99997 .99951 .99482 .96743 .83287 .45096
14 ****** ****** ****** ****** .99997 .99953 .95525 .96841 .79411
15 ****** ****** ****** ****** ****** ****** .99999 ****** ******
n = 20
x .1 .2 .3 .4 .5 .6 .7 .8 .9
0 .12158 .01153 .00080 .00004 .00000 .00000 .00000 .00000 .00000
1 .39175 .06918 .00764 .00052 .00002 .00000 .00000 .00000 .00000
2 .67693 .20608 .03548 .00361 .00020 .00001 .00000 .00000 .00000
3 .86705 .41145 .10709 .01596 .00129 .00005 .00000 .00000 .00000
4 .95682 .62965 .23751 .05095 .00591 .00032 .00001 .00000 .00000
5 .98875 .80421 .41637 .12560 .02069 .00161 .00004 .00000 .00000

6 .99761 .91331 .60801 .25001 .05766 .00647 .00026 .00000 .00000

7 .99958 .96786 .77227 .41589 .13159 .02103 .00128 .00002 .00000
8 .99994 .99002 .88667 .59560 .25172 .05653 .00514 .00010 .00000
9 .99999 .99740 .95203 .75533 .41190 .12752 .01714 .00056 .00000
10 ****** .99943 .98285 .87248 .58810 .24466 .04796 .00259 .00001

11 ****** .99990 .99486 .94347 .74828 .10440 .11333 .00998 .00006

12 ****** .99998 .99872 .97897 .86841 .58410 .22773 .03214 .00042
13 ****** ****** .99973 .99353 .94234 .74999 .39199 .08669 .00239
14 ****** ****** .99995 .99838 .97930 .87440 .58363 .19579 .01125
15 ****** ****** .99999 .99968 .99409 .94904 .76249 .37035 .04317

16 ****** ****** ****** .99995 .99871 .98403 .89291 .58855 .13295

17 ****** ****** ****** .99999 .99980 .99638 .96451 .79391 .32307
18 ****** ****** ****** ****** .99998 .99947 .99236 .93082 .60825
19 ****** ****** ****** ****** ****** .99996 .99920 .98847 .87842
20 ****** ****** ****** ****** ****** ****** .99999 .99999 .99999
n = 25
x .1 .2 .3 .4 .5 .6 .7 .8 .9
0 .07179 .00378 .00013 .00000 .00000 .00000 .00000 .00000 .00000
1 .27121 .02739 .00157 .00005 .00000 .00000 .00000 .00000 .00000
2 .53709 .09822 .00896 .00043 .00001 .00000 .00000 .00000 .00000
3 .76359 .23399 .03324 .00237 .00008 .00000 .00000 .00000 .00000
4 .90200 .42067 .09047 .00947 .00046 .00001 .00000 .00000 .00000
5 .96660 .61669 .19349 .02936 .00204 .00005 .00000 .00000 .00000

6 .99052 .78003 .34065 .07357 .00732 .00028 .00000 .00000 .00000

7 .99774 .89088 .51185 .15355 .02164 .00121 .00002 .00000 .00000
8 .99954 .95322 .67693 .27353 .05388 .00433 .00010 .00000 .00000
9 .99992 .98267 .81056 .42462 .11476 .01317 .00045 .00000 .00000
10 .99999 .99444 .90220 .58577 .21218 . 03439 . 00178 .00001 .00000

11 ****** .99846 .95575 .73228 .34502 .07780 .00599 .00008 .00000

12 ****** .99963 .98252 .84623 .50000 .15377 .01747 .00037 .00000
13 ****** .99992 .99400 .92219 .65498 .26772 .04425 .00154 .00000
14 ****** .99998 .99822 .96560 .78782 .41422 .09780 .00555 .00001
15 ****** .99999 .99954 .98683 .88524 .57538 .18943 .01733 .00008

16 ****** ****** .99990 .99567 .94612 .72646 .32307 .04677 .00046

17 ****** ****** .99998 .99879 .97835 .84644 .48815 .10912 .00226
18 ****** ****** .99999 .99971 .99268 .92643 .65934 .21966 .00948
 155

19 ****** ****** .99999 .99994 .99796 .97063 .80650 .38331 .03340

20 ****** ****** .99999 .99999 .99954 .99052 .90962 .57932 .09799

21 ****** ****** .99999 .99999 .99992 .99763 .96675 .76600 .23641

22 ****** ****** .99999 .99999 .99999 .99956 .99103 .90177 .46290
23 ****** ****** .99999 .99999 .99999 .99994 .99842 .97260 .72879
24 ****** ****** .99999 .99999 ****** .99999 .99986 .99621 .92820
25 ****** ****** .99999 .99999 ****** .99999 .99999 .99999 .99999
n = 30
x .1 .2 .3 .4 .5 .6 .7 .8 .9
0 .04239 .00124 .00002 .00000 .00000 .00000 .00000 .00000 .00000
1 .18369 .01052 .00031 .00000 .00000 .00000 .00000 .00000 .00000
2 .41135 .04418 .00211 .00005 .00000 .00000 .00000 .00000 .00000
3 .64744 .12271 .00932 .00031 .00000 .00000 .00000 .00000 .00000
4 .82450 .25523 .03015 .00151 .00003 .00000 .00000 .00000 .00000
5 .92681 .42751 .07659 .00566 .00016 .00000 .00000 .00000 .00000

6 .97417 .60697 .15952 .01718 .00072 .00001 .00000 .00000 .00000

7 .99221 .76079 .28138 .04352 .00261 .00005 .00000 .00000 .00000
8 .99798 .87135 .43152 .09401 .00806 .00022 .00000 .00000 .00000
9 .99954 .93891 .58881 .17629 .02189 .00086 .00001 .00000 .00000
10 .99991 .97438 .73037 .29147 .04937 .00285 .00004 .00000 .00000

11 .99998 .99050 .84067 .43109 .10024 .00830 .00016 .00000 .00000

12 ****** .99689 .91552 .57846 .18080 .02124 .00063 .00000 .00000
13 ****** .99909 .95994 .71450 .29233 .04811 .00212 .00001 .00000
14 ****** .99977 .98306 .82463 .42777 .09706 .00637 .00005 .00000
15 ****** .99994 .99362 .90294 .57223 .17537 .01694 .00023 .00000

16 ****** .99999 .99787 .95188 .70767 .28549 .04005 .00090 .00000

17 ****** .99999 .99937 .97875 .81920 .42153 .08447 .00311 .00000
18 ****** ****** .99983 .99169 .89975 .56891 .15932 .00949 .00002
19 ****** ****** .99996 .99714 .95063 .70852 .26963 .02562 .00009
20 ****** ****** .99999 .99914 .97861 .82371 .41119 .06109 .00045

21 ****** ****** .99999 .99977 .99193 .90598 .56848 .12865 .00202

22 ****** ****** .99999 .99994 .99738 .95647 .71862 .23921 .00778
23 ****** ****** .99999 .99998 .99928 .98281 .84047 .39303 .02583
24 ****** ****** .99999 .99999 .99983 .99433 .92340 .57248 .07319
25 ****** ****** .99999 .99999 .99997 .99848 .96984 .74476 .17549

26 ****** ****** .99999 .99999 .99999 .99968 .99067 .87728 .35256

27 ****** ****** .99999 .99999 ****** .99994 .99788 .95581 .58864
28 ****** ****** .99999 .99999 ****** .99999 .99968 .98947 .81630
29 ****** ****** .99999 .99999 ****** .99999 .99997 .99875 .95760
30 ****** ****** .99999 .99999 ****** .99999 .99999 .99999 .99999

Apéndice 3

Probabilidades Poisson


x 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
0 .9048 .8187 .7408 .6703 .6065 .5488 .4966 .4493 .4066 .3679
1 .0905 .1637 .2222 .2681 .3033 .3293 .3476 .3595 .3659 .3679
2 .0045 .0164 .0333 .0536 .0758 .0988 .1217 .1438 .1647 .1839
3 .0002 .0011 .0033 .0072 .0126 .0198 .0284 .0383 .0494 .0613
4 .0000 .0001 .0002 .0007 .0016 .0030 .0050 .0077 .0111 .0153
 156

5 .0000 .0000 .0000 .0001 .0002 .0004 .0007 .0012 .0020 .0031
6 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0002 .0003 .0005
7 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0001

x 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0
0 .3329 .3012 .2725 .2466 .2231 .2019 .1827 .1653 .1496 .1353
1 .3662 .3614 .3543 .3452 .3347 .3230 .3106 .2975 .2842 .2707
2 .2014 .2169 .2303 .2417 .2510 .2584 .2640 .2678 .2700 .2707
3 .0738 .0867 .0998 .1128 .1255 .1378 .1496 .1607 .1710 .1804
4 .0203 .0260 .0324 .0395 .0471 .0551 .0636 .0723 .0812 .0902

5 .0045 .0062 .0084 .0111 .0141 .0176 .0216 .0260 .0309 .0361
6 .0008 .0012 .0018 .0026 .0035 .0047 .0061 .0078 .0098 .0120
7 .0001 .0002 .0003 .0005 .0008 .0011 .0015 .0020 .0027 .0034
8 .0000 .0000 .0001 .0001 .0001 .0002 .0003 .0005 .0006 .0009
9 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0001 .0001 .0002

x 2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9 3.0
0 .1225 .1108 .1003 .0907 .0821 .0743 .0672 .0608 .0550 .0498
1 .2572 .2438 .2306 .2177 .2052 .1931 .1815 .1703 .1396 .1494
2 .2700 .2681 .2652 .2613 .2565 .2510 .2450 .2384 .2314 .2240
3 .1890 .1966 .2033 .2090 .2138 .2176 .2205 .2225 .2237 .2240
4 .0992 .1082 .1169 .1254 .1336 .1414 .1488 .1557 .1622 .1680

5 .0417 .0476 .0538 .0602 .0668 .0735 .0804 .0872 .0940 .1008
6 .0146 .0174 .0206 .0241 .0278 .0319 .0362 .0407 .0455 .0504
7 .0044 .0055 .0068 .0083 .0099 .0118 .0139 .0163 .0188 .0216
8 .0011 .0015 .0019 .0025 .0031 .0038 .0047 .0057 .0068 .0081
9 .0003 .0004 .0005 .0007 .0009 .0011 .0014 .0018 .0022 .0027

10 .0001 .0001 .0001 .0002 .0002 .0003 .0004 .0005 .0006 .0008
11 .0000 .0000 .0000 .0000 .0000 .0001 .0001 .0001 .0002 .0002
12 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0001

x 3.1 3.2 3.3 3.4 3.5 3.6 3.7 3.8 3.9 4.0
0 .0450 .0408 .0369 .0334 .0302 .0273 .0247 .0224 .0202 .0183
1 .1397 .1304 .1217 .1135 .1057 .0984 .0915 .0850 .0789 .0733
2 .2165 .2087 .2008 .1929 .1850 .1771 .1692 .1615 .1539 .1465
3 .2237 .2226 .2209 .2186 .2158 .2125 .2087 .2046 .2001 .1954
4 .1734 .1781 .1823 .1858 .1888 .1912 .1931 .1944 .1951 .1954

* Ejemplo : P(X = 5 l = 2.5) = 0.0668.

5 .1075 .1140 .1203 .1264 .1322 .1377 .1429 .1477 .1522 .1563
6 .0555 .0608 .0662 .0716 .0771 .0826 .0881 .0936 .0989 .1042
7 .0246 .0278 .0312 .0348 .0385 .0425 .0466 .0508 .0551 .0595
8 .095 .0111 .0129 .0148 .0169 .0191 .0215 .0241 .0269 .0298
9 .0033 .0040 .0047 .0056 .0066 .0076 .0089 .0102 .0116 .0132

10 .0010 .0013 .0016 .0019 .0023 .0028 .0033 .0039 .0045 .0053
11 .0003 .0004 .0005 .0006 .0007 .0009 .0011 .0013 .0016 .0019
12 .0001 .0001 .0001 .0002 .0002 .003 .0003 .0004 .0005 .0006
13 .0000 .0000 .0000 .0000 .0001 .0001 .0001 .0001 .0002 .0002
14 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0001
x 4.1 4.2 4.3 4.4 4.5 4.6 4.7 4.8 4.9 5.0
0 .0166 .0150 .0136 .0123 .0111 .0101 .0091 .0082 .0074 .0067
1 .0679 .0630 .0583 .0540 .0500 .0462 .0427 .0395 .0365 .0337
2 .1393 .1323 .1254 .1188 .1125 .1063 .1005 .0948 .0894 .0842
3 .1904 .1852 .1798 .1743 .1687 .1631 .1574 .1517 .1460 .1404
4 .1951 .1944 .1933 .1917 .1898 .1875 .1849 .1820 .1789 .1755

5 .1600 .1633 .1662 .1687 .1708 .1725 .1738 .1747 .1753 .1755
6 .1093 .1143 .1191 .1237 .1281 .1323 .1362 .1398 .1432 .1462
 157

7 .0640 .0686 .0732 .0778 .0824 .0869 .0914 .0959 .1002 .1044
8 .0328 .0360 .0393 .0428 .0463 .0500 .0537 .0575 .0614 .0653
9 .0150 .0168 .0188 .0209 .0232 .0255 .0280 .0307 .0334 .0363

10 .0061 .0071 .0081 .0092 .0104 .0118 .0132 .0147 .0164 .0181
11 .0023 .0027 .032 .0037 .0043 .0049 .0056 .0064 .0073 .0082
12 .0008 .0009 .0011 .0014 .0016 .0019 .0022 .0026 .0030 .0034
13 .0002 .0003 .0004 .0005 .0006 .0007 .0008 .0009 .0011 .0013
14 .0001 .0001 0001 .0001 .0002 .0002 .0003 .0003 .0004 .0005

15 .0000 .0000 .0000 .0000 .0001 .0001 .0001 .0001 .0001 .0002

x 5.1 5.2 5.3 5.4 5.5 5.6 5.7 5.8 5.9 6.0
0 .0061 .0055 .0050 .0045 .0041 .0037 .0033 .0030 .0027 .0025
1 .0311 .0287 .0265 .0244 .0255 .0207 .0191 .0176 .0162 .0149
2 .0793 .0746 .0701 .0659 .0618 .0580 .0544 .0509 .0477 .0446
3 .1348 .1293 .1239 .1185 .1133 .1082 .1033 .0985 .0938 .0892
4 .1719 .1681 .1641 .1600 .1558 .1515 .1472 .1428 .1383 .1339

5 .1753 1748 .1740 .1728 .1714 .1697 .1678 .1656 .1632 .1606
6 .1490 .1515 .1537 .1555 .1571 .1584 .1594 .1601 .1605 .1606
7 .1086 . 1125 .1163 .1200 .1234 .1267 .1298 .1326 .1353 .1377
8 .0692 . 0731 .0771 .0810 .0849 .0887 .0925 .0962 .0998 .1033
9 .0392 .0423 .0454 .0486 .0519 .0552 .0586 .0620 .0654 .0688

10 .0200 .0220 .0241 .0262 .0285 .0309 .0334 .0359 .0386 .0413
11 .0093 .0104 .0116 .0129 .0143 .0157 .0173 .0190 .0207 .0225
12 .0039 .0045 .0051 .0058 .0065 .0073 .0082 .0092 .0102 .0113
13 .0015 .0018 .0021 .0024 .0028 .0032 .0036 .0041 .0046 .0052
14 .0006 .0007 .0008 .0009 .0011 .0013 .0015 .0017 .0019 .0022

15 .0002 .0002 .0003 .0003 .0004 .0005 .0006 .0007 .0008 .0009
16 .0001 .0001 .0001 .0001 .0001 .0002 .0002 .0002 .0003 .0003
17 .0000 .0000 .0000 .0000 .0000 .0001 .0001 .0001 .0001 .0001

x 6.1 6.2 6.3 6.4 6.5 6.6 6.7 6.8 6.9 7.0
0 .0022 .0020 .0018 .0017 .0015 .0014 .0012 .0011 .0010 .0009
1 .0137 .0126 .0116 .0106 .0098 .0090 .0082 .0076 .0070 .0064
2 .0417 .0390 .0364 .0340 .0318 .0296 .0273 .0258 .0240 .0223
3 .0848 .0806 .0765 .0726 .0688 .0652 .0617 .0584 .0552 .0521
4 .1294 .1249 .1205 .1162 .1118 .1076 .1034 .0992 .0952 .0912

5 .1579 .1549 .1519 .1487 .1454 .1420 .1385 .1349 .1314 .1277
6 .1605 .1601 .1595 .1586 .1575 .1562 .1546 .1529 .1511 .1490
7 .1399 .1418 .1435 .1450 .1462 .1472 .1480 .1486 .1489 .1490
8 .1066 .1099 .1130 .1160 .1188 .1215 .1240 .1263 .1284 .1304
9 .0723 .0757 .0791 .0825 .0858 .0891 .0923 .0954 .0985 .1014

10 .0441 .0469 .0498 .0528 .0558 .0558 .0618 .0649 .0679 .0710
11 .0245 .0265 .0285 .0307 .0330 .0353 .0377 .0401 .0426 .0452
12 .0124 .0137 .0150 .0164 .0179 .0194 .0210 .0227 .0245 .0262
13 .0058 .0065 .0073 .0081 .0089 .0098 .0108 .0119 .0130 .0142
14 .0025 .0029 .0033 .0037 .0041 .0046 .0052 .0058 .0064 .0071

15 .0010 .0012 .0014 .0016 .0018 .0020 .0023 .0026 .0029 .0033
16 .0004 .0005 .0005 .0006 .0007 .0008 .0010 .0011 .0013 .0014
17 .0001 .0002 .0002 .0002 .0003 .0003 .0004 .0004 .0005 .0006
18 .0000 .0001 .0001 .0001 .0001 .0001 .0001 .0002 .0002 .0002
19 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0001 .0001
 158


x 7.1 7.2 7.3 7.4 7.5 7.6 7.7 6.8 7.9 8.0
0 .0008 .0007 .0007 .0006 .0006 .0005 .0005 .0004 .0004 .0003
1 .0059 .0054 .0049 .0045 .0041 .0038 .0035 .0032 .0029 .0027
2 .0208 .0194 .0180 .0167 .0156 .0145 .0134 .0125 .0116 .0107
3 .0492 .0464 .0438 .0413 .0389 .0366 .0345 .0324 .0305 .0286
4 .0874 .0836 .0799 .0764 .0729 .0696 .0663 .0632 .0602 .0573

5 .1241 .1204 .1167 .1130 .1094 .1057 .1021 .0986 .0951 .0916
6 .1468 .1445 .1420 .1394 .1367 .1339 .1311 .1282 .1252 .1221
7 .1489 .1486 .1481 .1474 .1465 .1454 .1442 .1428 .1413 .1396
8 .1321 .1337 .1351 .1363 .1373 .1382 .1388 .1392 .1395 .1396
9 .1042 .1070 .1096 .1121 .1144 .1167 .1187 .1207 .1224 .1241

10 .0740 .0770 .0800 .0829 .0858 .0887 .0914 .0941 .0967 .0993
11 .0478 .0504 .0531 .0558 .0585 .0613 .0640 .0667 .0695 .0722
12 .0283 .0303 .0323 .0344 .0366 .0388 .0411 .0434 .0457 .0481
13 .0154 .0168 .0181 .0196 .0211 .0227 .0243 .0260 .0278 .0296
14 .0078 .0086 .0095 .0104 .0113 .0123 .0134 .0145 .0157 .0169

15 .0037 .0041 .0046 .0051 .0057 .0062 .0069 .0075 .0083 .0090
16 .0016 .0019 .0021 .0024 .0026 .0030 .0033 .0037 .0041 .0045
17 .0007 .0008 .0009 .0010 .0012 .0013 .0015 .0017 .0019 .0021
18 .0003 .0003 .0004 .0004 .0005 .0006 .0006 .0007 .0008 .0009
19 .0001 .0001 .0001 .0002 .0002 .0002 .0003 .0003 .0003 .0004

20 .0000 .0000 .0001 .0001 .0001 .0001 .0001 .0001 .0001 .0002
21 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0001

x 8.1 8.2 8.3 8.4 8.5 8.6 8.7 8.8 8.9 9.0
0 .0003 .0003 .0002 .0002 .0002 .0002 .0002 .0002 .0001 .0001
1 .0025 .0023 .0021 .0019 .0017 .0016 .0014 .0013 .0012 .0011
2 .0100 .0092 .0086 .0079 .0074 .0068 .0063 .0058 .0054 .0050
3 .0269 .0252 .0237 .0222 .0208 .0195 .0183 .0171 .0160 .0150
4 .0544 0517 .0491 .0466 .0443 .0420 .0398 .0377 .0357 .0337
5 . 0882 .0849 .0816 .0784 .0752 .0722 .0692 .0663 .0635 .0607
6 . 1191 .1160 .1128 .1097 .1066 .1034 .1003 .0972 .0941 .0911
7 . 1378 .1358 .1338 .1317 .1294 .1271 .1247 .1222 .1197 .1171
8 . 1395 .1392 .1388 .1382 .1375 .1366 .1356 .1344 .1332 .1318
9 .1256 .1269 .1280 .1290 .1299 .1306 .1311 .1315 .1317 .1318

10 .1017 .1040 .1063 .1084 .1104 .1123 .1140 .1157 .1172 .1186
11 .0749 .0776 .0802 .0828 .0853 .0878 .0902 .0925 .0948 .0970
12 .0505 .0530 .0555 .0579 .0604 .0629 .0654 .0679 .0703 .0728
13 .0315 .0334 .0354 .0374 .0395 .0416 .0438 .0459 .0481 .0504
14 .0182 .0196 .0210 .0225 .0240 .0256 .0272 .0289 .0306 .0324

15 .0098 .0107 .0116 .0126 .0136 .0147 .0158 .0169 .0182 .0194
16 .0050 .0055 .0060 .0066 .0072 .0079 .0086 .0093 .0101 .0109
17 .0024 .0026 .0029 .0033 .0036 .0040 .0044 .0048 .0053 .0058
18 .0011 .0012 .0014 .0015 .0017 .0019 .021 .0024 .0026 .0029
19 .0005 .0005 .0006 .0007 .0008 .0009 .0010 .0011 .0012 .0014

20 .0002 .0002 .0002 .0003 .0003 .0004 .0004 .0005 .0005 .0006
21 .0001 .0001 .0001 .0001 .0001 .0002 .0002 .0002 .0002 .0003
22 .0000 .0000 .0000 .0000 .0001 .0001 .0001 .0001 .0001 .0001

x 9.1 9.2 9.3 9.4 9.5 9.6 9.7 9.8 9.9 10.0
0 .0001 .0001 .0001 .0001 .0001 .0001 .0001 .0001 .0001 .0000
1 .0010 .0009 .0009 .0008 .0007 .0007 .0006 .0005 .0005 .0005
2 .0046 .0043 .0040 .0037 .0034 .0031 .0029 .0027 .0025 .0023
3 .0140 .0131 .0123 .0115 .0107 .0100 .0093 .0087 .0081 .0076
 159

4 .0319 .0302 .0285 .0269 .0254 .0240 .0226 .0213 .0201 .0189

5 .0581 .0555 .0530 .0506 .0483 .0460 .0439 .0418 .0398 .0378
6 .0881 .0851 .0822 .0793 .0764 .0736 .0709 .0682 .0656 .0631
7 .1145 .1118 .1091 .1064 .1037 .1010 .0982 .0955 .0928 .0901
8 .1302 .1286 .1269 .1251 .1232 .1212 .1191 .1170 .1148 .1126
9 .1317 .1315 .1311 .1306 .1300 .1293 .1284 .1274 .1263 .1251

10 .1198 .1210 .1219 .1228 .1235 .1241 .1245 .1249 .1250 .1251
11 .0991 .1012 .1031 .1049 .1067 .1083 .1098 .1112 .1125 .1137
12 .0752 .0776 .0779 .0822 .0844 .0866 .0888 .0908 .0928 .0948
13 .0526 .0549 .0572 .0594 .0617 .0640 .0662 .0685 .0707 .0729
14 .0342 .0361 .0380 .0399 .0419 .0439 .0459 .0479 .0500 .0521

15 .0208 .0221 .0235 .0250 .0265 .0281 .0297 .0313 .0330 .0347
16 .0118 .0127 .0137 .0147 .0157 .0168 .0180 .0192 .0204 .0217
17 .0063 .0069 .0075 .0081 .0088 .0095 .0103 .0111 .0119 .0128
18 .0032 .0053 .0039 .0042 .0046 .0051 .0055 .0060 .0065 .0071
19 .0015 .0017 .0019 .0021 .0023 .0026 .0028 .0031 .0034 .0037

20 .0007 .0008 .0009 .0010 .0011 .0012 .0014 .0015 .0017 .0019
21 .0003 .0003 .0004 .0004 .0005 .0006 .0006 .0007 .0008 .0009
22 .0001 .0001 .0002 .0002 .0002 .0002 .0003 .0003 .0004 .0004
23 .0000 .0001 .0001 .0001 .0001 .0001 .0001 .0001 .0002 .0002
24 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0001 .0001

Apéndice 4


z .00 .01 .02 .03 .04 .05 .06 .07 .08 .09
0 .0000 .0040 .0080 .0120 .0160 .0199 .0239 .0279 .0319 .0359
1 .0398 .0438 .0478 .0517 .0557 .0596 .0636 .0675 .0714 .0753
2 .0793 .0832 .0871 .0910 .0948 .0987 .1026 .1064 .1103 .1141
3 .1179 .1217 .1255 .1293 .1331 .1368 .1406 .1443 .1480 .1517
4 .1554 .1591 .1628 .1664 .1700 .1736 .1772 .1808 .1844 .1879

5 .1915 .1950 .1985 .2019 .2054 .2088 .2123 .2157 .2190 .2224
6 .2257 .2291 .2324 .2357 .2389 .2422 .2454 .2486 .2518 .2549
7 .2580 .2612 .2642 .2673 .2704 .2734 .2764 .2794 .2823 .2852
8 .2881 .2910 .2939 .2967 .2995 .3023 .3051 .3078 .3106 .3133
9 .3159 .3186 .3212 .3238 .3264 .3289 .3315 .3340 .3365 .3389

1.0 .3413 .3438 .3461 .3485 .3508 .3531 .3554 .3577 .3599 .3621
1.1 .3643 .3665 .3686 .3708 .3729 .3749 .3770 .3790 .3810 .3830
1.2 .3849 .3869 .3888 .3907 .3925 .3944 .3962 .3980 .3997 .4014
1.3 .4032 .4049 .4066 .4082 .4099 .4115 .4131 .4147 .4162 .4177
1.4 .4192 .4207 .4222 .4236 .4251 .4265 .4279 .4292 .4306 .4319

1.5 .4332 .4345 .4357 .4370 .4382 .4394 .4406 .4418 .4429 .4441
1.6 .4452 .4463 .4474 .4484 .4495 .4505 .4515 .4525 .4535 .4545
 160

1.7 .4554 .4564 .4573 .4582 .4591 .4599 .4608 .4616 .4525 .4633
1.8 .4641 .4649 .4656 .4664 .4671 .4678 .4686 .4693 .4699 .4706
1.9 .4713 .4719 .4725 .4732 .4738 .4744 .4750 .4756 .4751 .4767

2.0 .4772 .4778 .4783 .4788 .4793 .4798 .4803 .4808 .4812 .4817
2.1 .4821 .4826 .4830 .4834 .4838 .4842 .4846 .4850 .4854 .4857
2.2 .4861 .4864 .4868 .4871 .4875 .4878 .4881 .4884 .4887 .4890
2.3 .4893 .4896 .4898 .4901 .4904 .4906 .4909 .4911 .4913 .4916
2.4 .4918 .4920 .4922 .4925 .4927 .4929 .4931 .4932 .4934 .4936

2.5 .4938 .4940 .4941 .4943 .4945 .4946 .4948 .4949 .4951 .4952
2.6 .4953 .4955 .4956 .4957 .4959 .4960 .4961 .4962 .4963 .4964
2.7 4965 4966 4967 4968 4969 4970 4971 4972 4973 .4974
2.8 .4974 .4975 .4976 .4977 .4977 .4978 .4979 .4979 .4980 .4981
2.9 .4981 .4982 .4983 .4983 .4984 .4984 .4985 .4985 .4986 .4986

3.0 .4987

3.5 .4997

4.0 .4999
* Ejemplo: para z = 1.96, el área sombrada es 0.4750 del área de 1.000.

Apéndice 5

Valores de e-

l e-  e-
0.0 1.00000 2.5 .08208
0.1 .90484 2.6 .07427
0.2 .81873 2.7 .06721
0.3 .74082 2.8 .06081
0.4 .67032 2.9 .05502

0.5 .60653 3.0 .04979

0.6 .54881 3.2 .04076
0.7 .49659 3.4 .03337
0.8 .44933 3.6 .02732
0.9 .40657 3.8 .02237

1.0 .36788 4.0 .01832

1.1 .33287 4.2 .01500
1.2 .30119 4.4 .01228
1.3 .27253 4.6 .01005
1.4 .24660 4.8 .00823

1.5 22313 5.0 .00674

1.6 .20190 5.5 .00409
1.7 .18268 6.0 .00248
1.8 .16530 6.5 .00150
1.9 .14957 7.0 .00091

2.0 .13534 7.5 .00055

2.1 .12246 8.0 .00034
2.2 .00180 8.5 .00020
2.3 .10026 9.0 .00012
2.4 .09072 10.0 .00005
 161

UNIDAD VII
DISTRIBUCION EN EL MUESTREO13

1. Introducción
Luego de haber estudiado la teoría de las probabilidades como base de la inferencia
estadística, se desarrollará la distribución en el muestreo que es un tema fundamental
para entender el proceso de inferencia estadística.

Se analizarán los puntos básicos para el estudio de la “Estimación” y el “Test de

Hipótesis”.

2. Importancia de la muestra
En la unidad I (módulo 1) se expusieron algunas características importantes de una
muestra. Se hizo referencia a la necesidad de que una muestra debe ser
representativa para que pueda ser usada con fines de realizar inferencias acerca de la
población.

Los métodos para seleccionar muestras son muchos, dependiendo del objetivo del
estudio, del tiempo, del dinero y de la naturaleza de los elementos individuales de la
población. En este módulo no se desarrollará este tema, sino que el mismo será
investigado por el alumno a través de la guía propuesta en las actividades de pág. …..
No obstante, se hará la diferencia entre “muestras probabilísticas” y “muestras no
probabilísticas”.

Una muestra “probabilística” es aquella en la que los sujetos de la muestra se eligen

sobre la base de probabilidades conocidas. En cambio, una muestra “no probabilística”
está basada en los puntos de vista subjetivos de una persona que utiliza su
conocimiento y su opinión para identificar los elementos de la población que serán
incluidos en una muestra, por ello se denomina también “muestreo de juicio”.

Las muestras probabilísticas son preferidas porque la selección de los elementos es

objetiva y el error muestral puede ser medido en términos de probabilidad. Si bien una
muestra de juicio es fácil de obtenerla y su costo es bajo, no permite medir el error
muestral.

Recuérdese que los valores que describen características de la muestra se denominan

“estadígrafos” y los valores que describen características de una población se
denominan “parámetros”. Los símbolos a utilizar son:

Muestra Población
Medida
(Estadígrafo) (Parámetro)
Media x 
Desviación típica s 
Proporción p p
Números de elementos n N

13
Shao, Stephen: “Estadística para Economía y Administración de Empresas”, Herrero Hnos.
 162

3. Error muestra
La diferencia entre el resultado obtenido de una muestra y el resultado el cual
deberíamos haber obtenido de la población se llama “error muestral”. El error muestral
es medido por el error estándar del estadígrafo, en términos de probabilidad, bajo la
curva normal (ver punto 5). Esta medida indica “la precisión” de la estimación de la
población basada en una muestra. Mientras más pequeño sea el error muestral, mayor
precisión hay en la estimación.

Debe hacerse notar que hay errores que se cometen en las encuestas, en las
tabulaciones de datos, en los cálculos, etc. que no son debidos a la muestra por eso
se denominan errores “no muestrales”.

4. Distribución en el muestreo

Cuando el tamaño de la muestra (n) es más pequeño que el tamaño de la población

(N), pueden extraerse dos o más muestras de la misma población. De cada muestra,
puede ser calculado un estadígrafo. Una distribución del estadígrafo obtenida de las
muestras se denomina “distribución en el muestreo del estadígrafo”. Por ejemplo, de
una población de tamaño 3, con los elementos A, B y C, es posible extraer 3 muestras
de tamaño 2 (sin reposición). Si se calcula la media de cada muestra, habrá 3 medias
muestrales. Estas 3 medidas forman una distribución que se denomina “distribución de
medias muestrales” o “distribución muestral de medias”.

5. Error estándar
La desviación estándar de una distribución muestral de un estadígrafo, se denomina
“error estándar del estadígrafo”. Por ejemplo, la desviación típica de la distribución
muestral de medias se denomina “error estándar de la media”.

La “desviación estándar” se refiere a los valores originales, mientras que el “error

estándar” se refiere a valores calculados. Los estadígrafos son valores calculados a
partir de una muestra.

6. Distribución muestral de medias

Tómese como ejemplo, esta población finital pequeña compuesta por los jornales de 4
trabajadores de una empresa industrial.

Trabajador A B C D
Jornal ($) 2 5 6 3

 Xi 16
La media es  = = = $4
N 4
2
(x -  )
La desviación típica es = = $ 1,58
N

A continuación se obtendrá todas las muestras posibles de tamaño 2 y se calculará la

media para cada una (El muestreo es sin reposición).
 163

4!
nCr = 4C2 = = 6 combinaciones posibles
2! 2!

Medias
Muestras Jornales
muestrales
A-B 2–5 3,5
A-C 2–6 4,0
A-D 2–3 2,5
B-C 5–6 5,5
B-D 5–3 4,0
C-D 6-3 4,5
24,0

El total de las 6 medias muestrales es 24, por lo tanto, la media de las medias
muestrales es:

X = 24/6 = $ 4

Esta media es igual a la media de la población.

Las medias muestrales pueden presentarse en la siguiente distribución:

Media Número de medias

Muestrales (X) muestrales (f)
2,5 1
3,5 1
4,0 2
4,5 1
5,5 1
6

La media de esta distribución puede calcularse:

24
X= = $4
6

El desvío típico de la distribución muestral de medias (Simbolizado por x) se puede

obtener por la fórmula:

 x2 f 10 - 1
2 = √ n
= x2 = √ - 42 ; x = 0,83 = 0,91
6

El desvío típico obtenido es el “error estándar de la media”, que en la práctica se

calcula por:

x = (1)
√n

Si la población es finita, se agrega el factor de corrección, o sea:

 N-n
x = √ (2)
√n N-1
 164

En el ejemplo  = 1,58 ; N = 4 ; n= 2

1,58 4-2
x = √ = 0,91
√2 4-1

En resumen:

La distribución de las medias obtenidas de todas las muestras posibles, se denomina

distribución muestral de medias. La media de esta distribución es igual a la media
poblacional y la desviación típica es igual al error estándar de la media. El error
estándar disminuye a medida que aumenta el tamaño de la muestra.

7. Distribución muestral de proporciones

La distribución en el muestreo de la proporción es un conjunto de proporciones de
todas las muestras posibles del mismo tamaño, extraídas de una población.

Hay 4 empleados en una empresa, A, B, C y D. Los empleados A y B son

profesionales universitarios; C y D son no profesionales. Supóngase los 4 empleados
como una población.

Desígnese con el valor 1 a un profesional y con 0 a un no profesional.

Empleado X La proporción de los profesionales es

A 1
2
B 1 p= = 0,50 parámetro y el desvío típico:
4
C 0
D 0
2  = √p.q = √0,50 (0,50) = 0,50
Se obtendrán todas las muestras posibles (sin reposición) de tamaño 3 y se calculará
la proporción de profesionales.

Muestra Proporción muestral

ABC 2/3 = 0,67
ABD 2/3 = 0,67
ACD 1/3 = 0,33
BCD 1/3 = 0,33
2,00

La media de las proporciones muestrales es:

2
p= = 0,50  igual a la proporción de la población.
4

El error estándar de la proporción obtenida por la fórmula 22 (Módulo 3) es:

p = 0,17

El cálculo del error estándar de la proporción se simplifica por:

 165

p.q p.q N-n

(3) p = √ p = √ (4)
n n N-1

para poblaciones finitas

0,50 (0,50) 4 - 3
p = √ = 0,17
3 4-1

8. Teorema del límite central

Como resulta impracticable obtener todas las medias muestrales la distribución normal
se utiliza para aproximar las probabilidades de las medias muestrales en un a
distribución muestral. La normalidad de la distribución muestral de medias queda
establecida en el “teorema del límite central” cuyo enunciado dice:

- Si una población es bastante grande y está normalmente distribuida, la distribución

de las medias muestrales también será normal.
- Si una población no está normalmente distribuida, la distribución muestral de medias
se aproximará a una distribución normal si el tamaño es suficientemente grande.

La distribución normal de las medias muestrales tiene una media igual a E(X) y el error
estándar sx. Si se desconocen los valores de  y x, pueden estimarse a partir de X y
S. El erro estándar estimado a partir de S, se obtiene por:

S
S= (5)
√n

Ejemplo:

La media de las cuentas a cobrar de 1.500 clientes en una tienda es de $250 y una
desviación típica de $45. ¿Cuál es la probabilidad de seleccionar una muestra
aleatoria de 100 cuentas con una media de $260 y más?

x-μ x-μ
Z= = (6)
p √n  / √n

260 - 250 10
Z= = = 2,22
45 √100 4,5

Area entre 0 y 2,22 = 0,486

0,50 - 0,4868 = 0,0132
P (X ³ $ 260) = 0,0132

Cuando N es grande y el tamaño de la muestra n, es pequeña, el factor de corrección

N-n
√
N-1

se aproxima a 1, por lo tanto puede obviarse y utilizar sólo

 166

 p.q
x = o p = √
√n n

según corresponda para el cálculo del error estándar.

Actividad Nº 36

1. Contestar las siguientes preguntas:

a) ¿Cuáles son las principales características de una muestra?

b) ¿Qué diferencia hay entre un parámetro y un estadígrafo?
c) ¿Qué diferencia hay entre error muestral y erro no muestral?
d) ¿A qué se denomina distribución en el muestreo?
e) ¿Qué mide el error estándar? ¿Cómo se obtiene este error?
f) ¿Por qué es importante el teorema del límite central?

2. Las pólizas vendidas por 5 vendedores de seguros durante un

período dado son:

Vendedor A B C D E
Pólizas Vendidas 2 3 4 5 1

I) Considerar los 5 vendedores como una población.

a) Obtener la media aritmética y la desviación típica.

II) Elegir todas las muestras posibles de tamaño 2 (sin

reposición).
a) Obtener las medias de todas las muestras posibles.
b) Construir un a distribución muestral de medias.
c) Obtener la media de la distribución muestral y el error
estándar de la media.

3. Con los datos de la población del ejercicio (2), elegir todas las
muestras posibles de tamaño 3 (sin reposición) y realizar las
mismas actividades consignadas en el punto II.

4. La duración promedio de 2.000 baterías producidas por una

compañía es de 38 meses y una desviación típica es de 8 meses.
¿Cuál es la probabilidad de seleccionar una muestra al azar de 50
baterías con una duración de por lo menos 35 meses?

5. De 50.000 familias en una ciudad, el 30% no tiene televisión por

cable. Determinar la probabilidad de seleccionar una muestra
aleatoria de 500 familias con una proporción de 33% o más.

6. Consultar la bibliografía consignada en el programa y desarrollar

la siguiente guía de estudio sobre el tema Métodos de Muestreo.

a) Efectúe una lectura global sobre el tema de referencia.

 167

b) Lea atentamente el tema "Muestras Probabilísticas".

b.1. Conteste: a qué se denomina "muestra probabilística".
b.2. Cuáles son los 4 tipos de muestras probabilísticas?

c) Lea el tema "Muestreo Simple al Azar".

c.1. Explique el procedimiento de este tipo de muestreo.
c.2. Supóngase que los 70 alumnos de una carrera reciben
números de identificación del 01 al 70. Se desea
entrevistar a 10 de ellos eligiéndolos aleatoriamente.
Utilizando la tabla de números aleatorios, ¿cuáles serán
los seleccionados? (Ver Anexo I)
c.3. ¿Cuáles son las principales ventajas y desventajas de este
tipo de muestreo?

d) Lea el tema sobre "Muestreo sistemático"

d.1. Explique el procedimiento de este tipo de muestreo.
d.2. ¿Cómo seleccionaría la muestra del punto c.2.? ¿por este
método?
d.3. ¿Cuáles son las ventajas y desventajas del muestreo
sistemático?

e) Lea el tema "Muestreo Estratificado".

e.1. Explique en qué consiste este diseño de muestra.
e.2. Supóngase que de un total de 1.000 empleados de una
gran compañía, se desea obtener una muestra de 100
para una investigación. El número total de empleados se
distribuye según su instrucción.

Instrucción Nº de Trabajadores

Primaria 50
Secundaria 500
Superior No Univ. 150
Superior Univ. 300
1.000

a) ¿Cómo seleccionaría la muestra estratificada

proporcional?
b) ¿Cómo seleccionaría la muestra estratificada no
proporcional?
c) ¿Cuál de las dos es más apropiada?

e.3. Señale ventajas y desventajas de este diseño de muestra.

f) Lea el tema "Muestreo por Conglomerados"

f.1. ¿En qué consiste este tipo de muestreo?
f.2. ¿Qué diferencias hay con el muestreo estratificado?
f.3. Determine ventajas y desventajas.

g. Lea el tema "Muestras no Probabilísticas".

g.1. A qué se denomina "muestras no probabilísticas?
g.2. Explique cuál es la diferencia con las muestras
probabilísticas?
g.3. Señale, en general, ventajas y desventajas.
 168

Respuestas a los ejercicios de la Unidad VII

1) Consultar el marco teórico del módulo y de la bibliografía.

2) I)  = 3  = 1,41

II) a) 10 muestras

b) Media 1,5 2,0 2,5 3,0 3,5 4,0 4,5

Nº de muestras 1 1 2 2 2 1 1 = 10

c) Media: 3 pólizas Error estándar de la media = 0,87

3) a) 10 muestras

b) Media 2,0 2,33 2,67 3,0 3,33 3,67 4,0

Nº de muestras 1 1 2 2 2 1 1 = 10

c) Media: 3 pólizas Error estándar de la media = 0,58

4) P (X ³ 35 meses) = 0,9960

5) P (X ³ 0,33) = 0,0668
 169

UNIDAD VIII
TEORÍA CLÁSICA DE LA ESTIMACIÓN

1. Introducción
Por lo general, los parámetros de la población son desconocidos y se hace necesario
estimarlos a partir de valores muestrales (estadígrafos). El empresario recurre a las
estimaciones por cuanto sus decisiones se basan en una información incompleta y con
una gran incertidumbre. La estimación, una de las bases de la inferencia estadística,
permitirá la generalización respecto de las características de la población a partir de la
información de las muestras.

2. Estimador y Estimación
- Un estimador es un estadígrafo con el cual se estima un parámetro poblacional. La
media muestral (X), por ejemplo, puede ser un estimador para la media población
(m).

- Estimación es un valor específico observado de un estadígrafo. Supóngase que se

toma una muestra de focos y se prueban para determinar la duración media que es
X = 4.000 hs. Si nos servimos de este valor específico para estimar la duración
media de todos los focos, el valor 4.000 hs. será una estimación.

3. Tipos de Estimaciones
Una estimación de un parámetro puede ser expresada de dos maneras: “por punto” y
“por intervalo”.

- Una estimación puntual es un número único que se utiliza para estimar el parámetro.
Si en el ejemplo anterior se afirma que la duración media de los focos es de 4.000
hs., se está haciendo una estimación puntual. Este tipo de estimación es insuficiente
ya que hay un acierto o una equivocación. Si la estimación de 4.000 hs. es
equivocada, no se conoce el grado de error y no hay seguridad de la confiabilidad de
la estimación. Si el margen es de solamente de 50 hs., 4.000 hs. puede ser una
buena estimación, pero si el error es de 500 hs., se rechazará como estimación. Esta
14
estimación debe incluir una estimación del error .

- “La estimación por intervalos” es una gama o recorrida de valores dentro del cual se
puede esperar que esté el parámetro. Si la estimación de la duración de los focos se
expresa como entre 3.950 hs. y 4.050 hs., es una estimación por intervalo. Este tipo
de estimación indica el error por el grado de su intervalo y por la probabilidad de que
el verdadero parámetro se encuentre dentro de él.

4. Propiedades de un buen estimador

La calidad de un estadígrafo como estimador se puede evaluar de acuerdo a los

siguientes criterios:

14
Levin, Richard, “Estadística para Administración”. Ed. Prentice-Hall.
 170

a) Insesgabilidad. Se dice que un estadígrafo es un estimador insesgado de la

población si el valor esperado de su distribución muestral es igual al parámetro
poblacional.

X es un estimador insesgado de , ya que E(X) = 

p es un estimador insesgado de P, ya que E(p) = P

b) Consistente. Debido al error de muestreo, un estimador, generalmente, no es

idéntico al parámetro a estimar. Un estimador es consistente si al aumentar el
tamaño de la muestra, se logra una seguridad casi absoluta de que el valor del
estadígrafo se acerca mucho más al valor del parámetro de la población.

c) Eficiencia. La eficiencia hace referencia al tamaño del error estándar del

estadígrafo. Un estimador es más eficiente que otro si el primero tiene un error
estándar menor. Un estimador con esta propiedad tiene mayor probabilidad de
lograr una estimación más cercana al parámetro poblacional.

d) Suficiencia. Un estimador es suficiente si utiliza la información de la muestra, de

modo tal que ningún otro estimador proporcione más información de esta muestra
referente al parámetro de la población.

5. Estimaciones puntuales
La media muestral es el mejor estimador de m. Cumple con todas las propiedades
mencionadas en el punto anterior. Si la muestra es grande su distribución muestral
puede aproximarse a una distribución normal. Al conocer la distribución muestral de X
se puede realizar una estimación basada en la muestra.

Recordar que la X se obtiene con la fórmula ya conocida:

Xi
x=
n

En cuanto a la varianza, se utilizó la siguiente fórmula al estudiar las medidas de

dispersión (unidad IV).

2
2
(x - x )
S =
n

Pero al utilizar S2 como estimador de 2, la fórmula anterior se vuelve:

2
2
(x - x )
S = (7)
n-1

Al usar n-1, se obtiene un estimador insesgado de s. Si se hubiera trabajado sólo con

n, el valor tendría algún sesgo.

Ejemplo: Una compañía desea conocer el número de pólizas vendidas durante por los
vendedores. Obtiene los siguientes datos durante una semana con una muestra de 20
vendedores.

1 2 2 3 3 3 4 4 55
5 6 6 7 8 8 9 10 10 10
 171

111
x= =5,6 S2 = 8,26 S = √8,26 = 2,9
20

Actividad Nº 37
Ejercicios - Puntos 1 al 5

1. Contestar las siguientes preguntas:

a) Diferenciar entre “estimador” y “estimación”.

b) Explicar la ventaja que tiene una estimación por intervalo sobre
el estimación puntual.

2. Indicar si los siguientes enunciados son correctos (C) o

incorrectos (I).
a) ____Se dice que un estimador es eficiente del parámetro
poblacional, con un tamaño creciente de la muestra, se tiene
casi la certidumbre de que el valor del estadístico se acerca
más al parámetro poblacional.
b) ____El intervalo es una gama de valores que se usan para
estimar la forma de la distribución de una población.
c) ____Cuando se elige un estimador del parámetro poblacional,
la propiedad más importante para evaluar su calidad es la
insesgabilidad.

3. El propietario de una sala de espectáculos está considerando la

posibilidad de ampliar su capacidad y necesita conocer el número
promedio de personas que asisten a los distintos espectáculos y la
variación de dicho número. La asistencia a 9 espectáculos
seleccionados, aleatoriamente (en miles) fue:

13,0 8,5 14 20,5 7,6 12,5 20,6 14,2 10,2

Obtener las estimaciones puntuales de la media y la varianza de

la población.

6. Estimación por intervalo

6.1. Introducción

Ya se definió en el punto 3 que la estimación por intervalo indica un grado de error. Si

se estima la duración media de los focos fabricados por una compañía, se puede
seleccionar una muestra de 300 unidades a través de un control de calidad cuya x =
4.000 hs. Se sabe que la desviación típica de la población es de 1.500 hs.

Si se utiliza x para estimar , se hace necesario un dato sobre la incertidumbre que

acompaña a esta estimación, o sea establecer un intervalo donde posiblemente se
encuentre la media poblacional desconocida. Por lo expresado, se necesita obtener “el
error estándar de la media”.
 172

Por el teorema del límite central, la distribución muestral de medias se aproxima a una
distribución normal. Recuérdese que la dispersión de la distribución muestral se mide
a través del error estándar. Como n = 300 es una muestra bastante grande, se puede
aplicar el teorema de referencia.

 1500
El error estándar de la media es: x = o = 86,6 hs.
√n √300

Ese resultado es el error estándar que acompaña a la estimación. Es decir, la duración

media verdadera de todos los focos puede estar en el intervalo entre 3.913,4 y
4.086,6. No obstante, falta determinar la probabilidad de que la verdadera duración de
los focos se halle en el intervalo.

Por regla de la normal (Unidad VII) hay una probabilidad de 0,683 de que la media de
una muestra de tamaño 300 se encuentre dentro de un error estándar positivo y
negativo de . En otras palabras el 68,3% de todas las medias muestrales se
encuentra a un error estándar positivo o negativo de . En el ejemplo de la duración de
focos, hay una confianza del 68,3% de que la duración se encuentre en el intervalo
3.913,4 o 4.086,6 (4.000 ± 1 ). Análogamente:

- 3.826,9 a 4.173,2 hs. con el 95,5% de confianza (4.000 ± 2 ).

- 3.740,2 a 4.259,8 hs. con el 99,7% de confianza (4.000 ± 3 ).

6.2. Nivel e Intervalo de Confianza

- La probabilidad asociada a una estimación por intervalo se denomina nivel de

confianza. Por ejemplo 80%; 90%; 95%; 99% y otros. El nivel de confianza se
expresa como 1 - .

- El intervalo de confianza es la estimación, es decir el recorrido dentro del cual se

espera que se encuentre el parámetro. Como estamos trabajando con una
distribución normal estándar, la diferencia entre el valor de x y su media, expresada
en términos de su desviación típica está dada por z. El valor de z es igual al número
de desviaciones típicas. Por lo tanto, los intervalos de confianza se expresan como:

x + zsx límite superior de intervalo de confianza

x - zsx límite inferior de intervalo de confianza

Si se estima la duración media de los focos con 90%(*) el intervalo de confianza es:

4000 + 1,64 (86,6) = 3.858 a 4.142

(*) Para 1 - a = 90%, z = 1,64 (ver la tabla)

Una proporción 1 - a del área bajo la curva normal estándar queda entre -z a /2 y z
a /2.

Si 1 -  = 90%  = 0,10 y  / 2 = 0,05.

 173

Interpretación

La estimación obtenida anteriormente no significa que haya una probabilidad de 0,90

de que la duración media de todos los focos se encuentre dentro del intervalo
establecido, sino que debe interpretarse así:

“Si se seleccionan muchas muestras aleatorias de tamaño 300 y se calcula el

intervalo de confianza de todas esas muestras, en el 90% de ellas, la media
de la población se encuentra dentro de ese intervalo”.

Valores de z para los coeficientes de confianza más utilizados:

1 -  50% 68,27% 90% 95% 95,45% 99% 99,73%

Z 0,6745 1,00 1,645 1,96 2,00 2,58 3,00

6.3. Cálculo de Estimaciones por intervalos para muestras grandes

6.3.1. Estimación de una media poblacional

Si se conoce el desvío estándar de la población, el error estándar se calcula como:

x
x =
√n

por lo tanto el intervalo de confianza para estimar m se obtiene de la siguiente manera:

x – z  / 2 x ≤  ≤ x + z  / 2 x (8)

Si el desvío estándar de la población se desconoce, se utiliza el desvío estándar de la

muestra, S para estimar .

De acuerdo a lo estudiado en el punto 5 de la unidad, se estima por:

2
(x - x )
S= √
n

En este caso, el error estándar de la media se obtiene:

S
Sx = (9)
√n
siendo los límites de confianza x + Sx

Ejemplo: El Dpto. de Personal de una empresa está interesada en estimar el número

promedio de días que los empleados faltaron por razones particulares. Un análisis de
los legajos de 49 trabajadores elegidos al azar dio una media de 12 días. Si el desvío
estándar poblacional es de 2,5 días, determinar el intervalo de confianza del 95% para
el verdadero promedio.

x±z
12 ± 1,96 (2,5 / 49)
12 ± 1,96 (0,36) 11,3  12,7
 174

Determinación del tamaño de la muestra para la estimación

En la distribución normal

 ± z x =  ± E y E = z

E = es el error muestral o sea la diferencia entre x y m

En el problema anterior E = 1,96 (0,36) = 0,7

 z.
E=z. y √n =
√n n

z . σ2
n= ( E ) (10)

donde:

E: error muestral máxima que se acepta.

z: se establece mediante el nivel de confianza.
: desvío estándar de la población que si se desconoce se puede estimar por .

Ejemplo: Supóngase que el Jefe de Personal desea estimar la media de inasistencia

utilizado la misma desviación típica y con el mismo nivel de confianza pero acepta
como error máximo 0,5. El tamaño de la muestra que deberá elegir es:

(1,96)2 . (2,5)2
n= ( (0,5)2
) = 96,04 = 96 trabajadores

6.3.2. Estimación de la proporción de la población

Para construir un intervalo de confianza para estimar la proporción poblacional se

debe utilizar la distribución binomial. Como los cálculos de probabilidades binomiales
son complejos, se puede aproximar por medio de una distribución normal que puede
servir para aproximar la distribución muestral. Para aproximarse debe cumplir que:

n ≥ 30 y np ≥ 5, donde  = np y  = √n.p.q.

La proporción de éxitos en la muestra se expresa por p. Como np es igual al número

medio de éxitos, se divide np entre n para obtener sólo a proporción p. La media de la
distribución muestral de proporciones es:

p = p

Análogamente, se modifica la desviación típica dividiendo √n.p.q. entre n para

convertir número de éxitos en proporción de éxitos. La desviación estándar de la
proporción de éxitos se representa por:

p.q
p = √ error estándar de la proporción
n

Si se desconoce la proporción de la población:

p.q
Sp = √ (11)
n
 175

Por lo tanto el intervalo de confianza para estimar la proporción de la población p es;

p – z  / 2 p ≤ p ≤ p + z  / 2 p (12)

Si se desconoce la proporción de la población:

p ± z  / 2 Sp

Ejemplo: Otro problema del jefe del personal es estimar la verdadera proporción de
legajos de los empleados que están incompletos. Elige una muestra de 50 legajos y
encuentra 14 incompletos. Determinar el intervalo de confianza del 99% para p.

14
p= = 0,28
50

p – z  / 2 Sp

10,28 (0,72)
0,28 ± 2,58 . √
50

0,12 ≤ p ≤ 0,44

Determinación del tamaño de la muestra para estimar la proporción de la población

p.q p.q E
E = z p = z . √ o √ =
n n z

donde:
p.q E2
= 2
n z
z2 . p. q
n= (13)
E2

Ejemplo: Supóngase que para la estimación del ejercicio anterior, el jefe desea un
error no mayor de 0,10. El tamaño de la muestra será:

(2,58)2 . (0,28) - (0,72)

n= = 134,2
(0,10)2

n = 134 legajos

6.3.3. Estimación de la diferencia entre dos medias

Si dos medias muestrales x1 y x2 son independientes, el procedimiento para construir

el intervalo de confianza para d (delta), verdadera entre las dos medias poblaciones 1
y 2 es similar a los anteriores.

D – z  / 2 D ≤ 𝛿 ≤ D + z  / 2 2 (13)

Siendo D = x1 - x2

D = error estándar de la diferencia de medias

 176

𝜎12 𝜎22
D = √ n1
+ n2
(15)

se puede estimar a partir de S2 cuando se desconoce la varianza de la población.

Ejemplo: se desde estimar la verdadera diferencia de medias en la duración de dos

marcas de baterías. Se obtiene los siguientes datos.

Marca A Marca B
Tamaño de la muestra n1 = 100 n2 = 100
Media muestral x1 = 38 meses x2 = 35 meses
Varianza poblacional 𝜎12 = 36 meses 𝜎12 = 25 meses

Obtener el intervalo de confianza del 95% para 𝛿 , verdadera diferencia de las dos
medias:

𝜎12 𝜎22
D–z/2 √ + D = 38 – 35 = 3
n1 n2

36 25
03 ± √1,96 +
100 100

03 ± 1,96 (0,78)

1,5 ≤ 𝛿 ≤ 4,5 meses

Actividad Nº 38
Ejercicios del punto 6

1. Una fábrica de golosinas desea estimar el peso medio de los

paquetes de caramelos envasados automáticamente por una
máquina. De la producción de un día se sacó una muestra de 120
paquetes y se obtuvo una media de 855 gramos y un desvío típico
de 47 gramos. Estimar m con un nivel de confianza de 99%.

2. La oficina de Extensión Universitaria de una Universidad desea

estimar la proporción de ingresantes que estudiarán carreras
humanistas. Selecciona aleatoriamente una muestra 80 fichas de
inscripción y encontró que 12 ingresantes estudiarán dichas
carreras. Estimar p con un nivel de confianza de 95%.

3. Un examen estándar se aplica a un grupo de estudiantes de nivel

superior universitario y a un grupo de estudiantes de nivel superior
no universitario. Se obtienen los siguientes docentes:

Sup. Univ. Sup. No Univ.

Muestra n1 = 72 n2 = 36
Puntuación media x1 = 84 x2 = 80
Varianza s12 = 40 s12 = 64
 177

Determinar el intervalo de confianza del 90% para la verdadera

diferencia de medias entre las puntuaciones medias de ambos
grupos de estudiantes.

4. Supóngase que es la estimación de ejercicio 1, se pretende que el

error de la estimación no sea mayor a 3 gramos. ¿Cuál debe ser
el tamaño de la muestra para dicha estimación?

5. Si en el ejercicio 2, se desea un error máximo de 2,5%, ¿cuál

debe ser el tamaño de la muestra para la estimación?

6. Se realiza un estudio sobre el ingreso de los operarios de una

gran compañía metalúrgica. Una muestra de 100 operarios dio
como resultado ingreso medio de $520 y una desviación típica de
$30. De esos 100 trabajadores, se encontró que 20, tenían un
ingreso menor a $350.
a) Estimar con el 95% de confianza, la verdadera media de
ingreso de todos los operarios.
b) Estimar con el 95% de confianza, la verdadera proporción de
operarios con ingresos menores de $350.

Respuestas a los ejercicios de la Unidad VIII

Puntos 1 al 5

1) Consultar el marco teórico del módulo.

2) a) I ; b) I ; c) I

3)  = 13,5  = 4,6

Punto 6

1) 843,9  866,1

2) 0,07 p 0,23

3) 1,49  6,51

4) n = 16,34

5) n = 784

6) a. 514,12  525,88

b. 0,12 p 0,28
 178

UNIDAD IX
TEST DE HIPOTESIS

1. Generalidades
Una hipótesis estadística es una declaración tentativa acerca del valor del parámetro
de una población. Mediante las pruebas de hipótesis se pueden tomar decisiones
sobre una media poblacional, sobre una proporción de la población o cualquier otro
parámetro, basándose en la información proporcionada por una muestra. La
afirmación es tentativa debido a que los verdaderos valores de los parámetros se
desconocen.

2. Procedimiento de las pruebas de hipótesis

Los pasos esenciales en este procedimiento son:

(1) Identificación de la distribución de la población

Es necesario conocer la distribución teórica de la variable aleatoria que se estudia, ya

que la decisión sobre la hipótesis se toma en base a las probabilidades de
ocurrencias.

Cualquier procedimiento estadístico que requiere identificar la distribución

probabilística se denomina “enfoque paramétrico”, de lo contrario se denomina
“enfoque no paramétrico”.

(2) Planteamiento de las hipótesis

Se confrontan dos tipos de hipótesis: a) la “hipótesis nula” que se simboliza por H0 y b)

la “hipótesis alternativa” simbolizada por H1.

La hipótesis nula es una declaración tentativa de que el parámetro de la población es

igual a un valor específico. El nombre de “nula” expresa la idea de que “no hay
diferencia”. Por ejemplo;

H0:  = 10

La hipótesis alternativa es una afirmación tentativa de que el parámetro de la

población tiene un valor diferente del especificado en la hipótesis nula:

H1:  = 10

El valor de H1 se obtiene a partir de una muestra que se utiliza para apoyar esta
hipótesis. Obsérvese que H1 se planteó “como distinto”, esto significa que si los datos
muestrales muestran un valor muy bajo o un valor muy alto se rechaza H0. Como la
hipótesis alternativa no indica la dirección de la diferencia, esta prueba se denomina
de “dos colas o de dos extremos”.

H1 puede especificar una sola dirección, es decir una alternativa unilateral.

H1:  > 10 o H1:  < 10

 179

En estos casos, H0 se rechaza solo si el valor muestral indica un valor muy alto (H1 >
10) o solo si el valor de la muestra es muy bajo (H1 < 10). Como aquí se especifica la
dirección, la prueba se denomina “un extremo” o “de una cola”.

(3) Especificación del nivel de significación

La finalidad de un test de hipótesis no es poner en tela de juicio el valor de un

estadígrafo, sino emitir un juicio sobre “la diferencia” que hay entre ese valor y el
supuesto parámetro poblacional. El nivel de significación es el estándar estadístico
que se determina para rechazar H0. Si se especifica, por ejemplo, un nivel del 5%,
entonces se rechaza H0 sólo si el resultado muestral es tan diferente del valor
hipotético que una diferencia de esa magnitud o mayor, pudiera ocurrir aleatoriamente
con una probabilidad del 0,05 o menos.

Al usar un nivel de significación del 5%, existe una probabilidad del 0,05 de rechazar
H0 si ésta es verdadera. Este error se denomina de “tipo I” que es siempre igual al
nivel de significación.

El error de tipo I se simboliza por  (alfa)

Se incurre en error de tipo II si se acepta H0 siendo falsa. Este error se simboliza por 
(beta).

(4) Planteo de la regla de decisión

Para tener un criterio de decisión se requiere establecer:

a) el estadístico de prueba y
b) la región crítica.

a) El estadístico de prueba es una variable aleatoria, cuyo valor se utiliza para decidir
de rechazar o aceptar H0. Un estadígrafo muestral como la media aritmética, la
puntuación z o cualquier otra variable pueden ser estadísticos de prueba.

b) La región crítica es el conjunto de valores para el estadístico de prueba que llevará

el rechazo de H0.

Desde luego, la región de no rechazo es el conjunto de valores para el estadístico de

prueba que llevará a aceptar H0. Ambas regiones están separadas por un valor crítico
(C).

región de aceptación valor crítico región de rechazo

Las reglas de decisión pueden ser:

 180

Rechazar H0 si el valor del Rechazar H0 si el valor del Rechazar H0 si el valor

estadístico de prueba es  estadístico de prueba es  del estadístico de
que C o  que C (Test de que C. prueba es  que C.
dos colas) (Test de una cola) (Test de una cola)

(5) Toma de decisiones

La decisión de aceptar o rechazar H0 lleva a cuatro posibles resultados:

- Si H0 es verdadera y se rechaza, se comete error de tipo I. La probabilidad de

cometer este error es .

- Si H0 es verdadera y se acepta la decisión es correcta y la probabilidad de tomar

esta decisión es 1- .

- Si H0 es falsa y se acepta, se comete error de tipo II. La probabilidad de cometer este

tipo de error se denomina .

- Si H0 es falsa y se rechaza la decisión es correcta. La probabilidad de tomar este

decisión es 1- .

En resumen:

H0 H0
Decisión
Verdadera Falsa
Decisión correcta
Rechazar H0 Error de tipo I ()
(1- )
Decisión correcta
Aceptar H0 Error de tipo II ()
(1- )

Debe tenerse cuenta que los dos tipos de error están relacionados inversamente. En
los gráficos se representan las áreas de  y .

Cuando a disminuye, la recta vertical se traslada hacia la derecha, aumenta el área de

. Cuando la recta vertical se traslada hacia la izquierda, a aumenta a medida que el
área de  disminuye.
 181

 está comprendida sólo cuando H0 es verdadera.

 está comprendida sólo cuando H1 es verdadera.

3. Hipótesis exactas e inexactas

Una hipótesis es exacta cuando se especifica un valor único para el parámetro
poblacional:

Ejemplo: H0 :  = 100 H1:  = 90

Una hipótesis es inexacta cuando se especifica un conjunto de valores que puede

tomar el parámetro:

Ejemplo: H0:   100 H  < 100

4. Pruebas de hipótesis con muestras grandes

4.1. Prueba de una media poblacional

El gerente de una compañía de teléfonos asegura que el importe medio de las facturas
por el servicio de uso familiares a lo sumo de $90. La distribución de los importes es
normal con = $ 25. La oficina de facturación eligió al azar 100 facturas y encontró una
media de $98. Con un nivel de significación del 5%, probar la aseveración del gerente.

1. La distribución en normal.

2. Las hipótesis quedan planteadas así:

H0:  90
H1:  90

3. a = 0,05. El valor crítico z es 1,645 que es el valor normal estándar.

4. Regla de decisión

Se utilizará como estadístico de prueba, la puntuación z.

Rechazar H0 si z  1,645

x - 𝜇
z=
 / √n
Como Z > 1,645 se rechaza H0 es decir
109 - 90
z= = 86,6 hs. la afirmación del gerente.
25 /√100
 182

Se puede utilizar también como estadístico de prueba, la media crítica XCR.

XCR = 𝜇 ± z x (16)

XCR 90 + 1,645 (2,5) = 94,11

Rechazar H0 si X es mayor que la media crítica.

Como la media muestral 98 es mayor que XCR se rechaza H0.

Desde luego, empleando cualquiera de los dos estadísticos de prueba lleva a la misma
decisión.

4.2. Prueba de la proporción de la población

Un gerente de comercialización sostiene que el 80% de los clientes de la empresa

están conformes con un nuevo servicio que brinda la compañía. Una consultora
entrevistó a 200 clientes y 148 de ellos están conformes con el servicio. Probar la
hipótesis de que la proporción es menor con a = 0,01.

148
H0: p = 0,80 p= = 0,74 hs.
200
H1: p 0,80

 = 0,01 - z crítico = - 2,33 Rechazar H0 si z  - 2,33

p -p
z= p.q
√
n

0,74 - 0,80
z= = -2,12
0,80 (0,20)
√
200

Se acepta H0 ya que z > - 2,33.

4.3. Prueba para la diferencia de medias

Esta prueba tiene como finalidad decidir si la diferencia entre dos medias obtenidas de
muestras independientes es lo suficientemente grande que indiquen que las muestras
se tomaron a partir de poblaciones distintas o si dicha diferencia es tan pequeña que
se debe al azar. La H0 de interés no sólo se refiere a que las medias muestrales se
obtuvieron de poblaciones con medias iguales, sino que las dos muestras se
obtuvieron de la misma población. Esto significa que 1 = 2.
 183

Las hipótesis se plantean de la siguiente manera:

H0: 1 - 2 = 0 ó 1 = 2

H1: 1 - 2  0 ó 1  2

El estadístico de prueba utilizando la puntuación z es:

(x1 - x2 )−(1 - 2 )
z=
D

Como 1 - 2 = 0 , entonces:

x1 - x2
z= (17) D = x1 - x2
D

Recordar que el error estándar de la diferencia de medias es:

𝜎12 𝜎22
D = √ +
n1 n2

Ejemplo: se desea probar si la duración promedio de las baterías marca A es igual a

la duración promedio de las baterías marca B. Con este propósito se toman de 100
baterías de cada marca, cuyas medias son xA = 38 meses y xB= 35 meses. Las
varianzas poblacionales son respectivamente 𝜎A2 = 36 meses y 𝜎B2 = 25 meses.
Utilizar  = 0,05.

H0: 1 = 2 (no hay diferencias en las duraciones de ambas marcas).

H1: 1  2 (si existe diferencias entre las duraciones de A y B).

La prueba es de dos colas. Con  =0,05, el valor crítico en 1,96.

Rechazar H0 si z  1,96 ó
z  -1,96

Aplicando el estadístico de prueba:

38 - 35 3 3
z= = =
36 25 √0,61 0,78
√ +
100 100

z = 3,85

Como z es > 3,84, se rechaza H0, las duraciones de A y B son distintas.

El problema anterior se podría haber planteado como prueba de una cola si se

deseaba probar que la duración de A es mayor que la de B. Entonces:

H0: 1 = 2 H1: 1 > 2

 184

El valor crítico es 1,645. Como z > 1,645, se rechaza H0 y se concluye que la duración
de las baterías A es mayor que B.

5. Error de tipo II. Curva Característica Operativa y Curva de

Potencia de Contraste

Ya se estableció que  es el error de tipo II, o sea la probabilidad de aceptar H0

cuando es falsa. En el problema del punto 4.1, la regla de decisión era:

Rechazar H0 si z  1,645. Esta regla puede replantearse como:

Aceptar H0 si z < 1,645.

Para obtener  es necesario trabajar con la media crítica, o sea xCR = 94,11.

Aceptar H0 si la media muestral es menor que 94,11.

 = P (x < 94,11 /  = 98)

94,11 - 98
z= = -1,56
2,5

Area entre 0 y -1,56 = 0,4406

Área entre 0 y  = 0,50

0,5 - 0,4406 = 0,0594 = 0,06

P (error de tipo II) = 0,06

por lo tanto 1 -  = 1 - 0,06 = 0,94

El valor 0,06 indica, entonces, la probabilidad de aceptar H0 cuando H1 es verdadera

es decir  = 98.

El valor 0,94 significa la probabilidad de rechazar correctamente H0. El valor 1-  se

denomina “potencia de contraste” o “potencia de prueba”.

Al mantener constantes el nivel de significación y el tamaño de muestra de la muestra,

 disminuye a medida el valor de la media alternativa se aleja del valor de H0. Esta
probabilidad aumenta al acercarse el valor alternativo al valor de H0. La probabilidad
 185

de aceptar H0 con diversos valores alternativos de la media verdadera se puede

graficar mediante una curva denominada “de característica operativa” (CO).

Para el ejemplo anterior, considérense los siguientes valores alternativos de 92; 95; 98
y 100.

94,11 - 92
z= = 0,84 Área entre 0 y 0,84 = 0,2995
2,5

 = P (x 94,11) = 0,50 + 0,2995 = 0,7995 = 0,80

1 -  = 1 - 0,80 = 0,20

94,11 - 95
z= = 0,36 Área entre 0 y – 0,36 = 0,1406
2,5

 = P (x  94,11) = 0,50 - 0,1406 = 0,3594 = 0,36

1 -  = 1 - 0,36 = 0,64

94,11 - 98
z= = 1,56 Área entre 0 y – 1,56 = 0,4406
2,5

 = P (x < 94,11) = 0,50 - 0,4406 = 0,0594 = 0,06

1 -  = 1 - 0,06 = 0,94
 186

94,11 - 100
z= = − − 2,36 Área entre 0 y – 2,36 = 0,4909
2,5

 = P (x < 94,11) = 0,5 - 0,4909 = 0,0091 = 0,01

1-  = 1- 0,01 = 0,99

Valor de m = valor de CO 1-  = Potencia

90 0,95 0,05
92 0,80 0,20
95 0,36 0,64
98 0,06 0,94
100 0,01 0,99

 = Probabilidad de aceptación de H0

1 -  = Probabilidad de rechazo de H0.

La curva CO queda graficada de la siguiente forma:

Rechazar H0 cuando es falsa significa decidir correctamente un valor alto de 1-  de

muestra que la prueba está funcionando bien (ya que se rechaza H0 cuando es falsa).
Si 1 -  es bajo significa que la prueba no funciona bien, puesto que no está
rechazando H0 cuando es falsa.

El valor 1-  mide la eficacia de la prueba, es por ello que se denomina “potencia de

contraste” o “poder de la prueba”. La curva de potencia de contraste muestra la
probabilidad de rechazar H0 con distintos valores de la media verdadera.
 187

Valores críticos para los niveles de significación más utilizados

a 0,10 0,05 0,01

z crítico (1 cola) 1,28 1,645 2,33
z crítico (2 colas) 1,645 1,96 2,58

Actividad Nº 39

Ejercicios - Puntos 1 al 5

1. Contestar las siguientes preguntas:

a) ¿Cuál es la finalidad de la prueba de hipótesis?

b) ¿Qué diferencia hay entre un enfoque paramétrico y un
enfoque no paramétrico?
c) Explicar brevemente los pasos para el procedimiento de prueba
de hipótesis.

2. Completar los siguientes conceptos:

a) Cuando la prueba de hipótesis tiene una sola región de

rechazo, se dice que la prueba es de..........................................
b)  expresa y el error de tipo ............................................. y
significa
...............................................................................................
c) En la prueba de diferencias entre dos medias, la hipótesis nula
se plantea como H0: 1 = 2 , esto indica que 1 - 2 = .......
...............................................................................................

3. El propietario de un cine sabe que una película de gran éxito se

exhibirá un promedio de 84 días en cada ciudad, y la desviación
estándar es de 10 días. El dueño quería comparar la popularidad
de la película en su ciudad con la que alcanzó en otras ciudades
del país. Seleccionó aleatoriamente 36 cines de la ciudad y
descubrió que exhibieron la película un promedio de 81 días.
 188

a) probar las hipótesis para ver si el promedio de días de

exhibición bajó, con un nivel de significación del 5%. Utilizar xCR
y z.
b) Obtener la probabilidad de cometer error de tipo II y la potencia
de contraste.

4. Un fabricante de salsa de tomate está a punto de decidir si

producir una marca nueva con más condimento. El departamento
de investigación aplicó una encuesta a 200 familias y averiguó que
la salsa sería comparada por 120 de ellas. Un estudio hecho el
año pasado reveló que el 55% de las familias comprarían la nueva
marca. ¿Con un nivel de significación del 1%, deberá la compañía
concluir que hay un mayor interés en la nueva salsa
condimentada?

5. Dos laboratorios de investigación han producido

independientemente dos medicamentos que dan alivio a los que
sufren artritis. El primer fármaco fue probado en un grupo de 90
enfermos, dando un promedio de 8,5 horas de alivio, con una
desviación estándar de 1,8 horas. El segundo fue probado en 80
enfermos y produjo un promedio de 7,9 horas de alivio con una
desviación estándar de 2,1 horas.

Con un nivel de significación de 0,05, probar si hay diferencia en

los dos medicamentos.

6. Dado los siguientes valores alternativos de m para el ejercicio 3:

84, 83, 81y 78.
a) determinar los valores de  y 1 -  ;
b) graficar las curvas de CO y de potencia de contraste.

6. Inferencia para muestras pequeñas. La Distribución “t” de

Student

6.1. Introducción

Hasta el momento se han manejado estimaciones de distribuciones normales donde la

desviación típica de la población es conocida. No obstante, se presentan problemas de
inferencia estadística para muestras pequeñas (n < 30) cuando s es desconocida.

Este caso fue resuelto a principios de siglo cuando W.S. Gosset, utilizando el
seudónimo de “Student”, publicó una distribución teórica que lleva el nombre de
Distribución t de Student.

6.2. Características15

La distribución t se basa en la consideración de que la población a partir de la cual se

obtiene la muestra es normal o aproximadamente normal. Se pueden mencionar las
siguientes características:

15
Caho, Lincoln: “Introducción a la Estadística”. C.E.C.S.A.
 189

- La distribución t es continua, acampanada y simétrica, pero a diferencia de la

distribución normal tiene mayor variabilidad. La curva t está más extendida en la
parte de las colas y es más achatada en el centro.

- A medida que aumenta el tamaño de la muestra, la curva t se acerca a una curva

normal. Cuando n tiende a infinito, la curva t se vuelve idéntica a la curva normal. En
otras palabras, el estimador s se acerca a ; si el n se acerca a N, s se acerca a  y
no existen diferencias entre t y z.

- Mientras que z contiene sólo una variable aleatoria que es x, ya que n y s son
constantes, la razón t contiene dos variables aleatorias que son x y s, estas
variables son independientes unas de las otras.

En resumen, t tiene una media igual a 0 (cero) y una desviación típica generalmente
mayor que 1. Esta desviación tiende a 1 cuando n tiende a infinito. Por lo tanto,
mientras el valor z tiene solamente una distribución, el valor t tiene una familia de
distribuciones, donde cada una tiene la misma media pero una desviación típica
diferente que depende del valor n.

El único parámetro de la distribución t es el número de grados de libertad (gl) que es

igual a n-1. Entonces, la curva t está definida cuando está dado el tamaño de la
muestra y en consecuencia el número de gl. (ver punto 6.7.).

6.3. Uso de la tabla

Los valores críticos para probar hipótesis o efectuar estimaciones utilizando la

distribución t se pueden obtener de la tabla del Anexo II. En los dos renglones
superiores se consignan los valores de probabilidad que se utilizan con mayor
frecuencia para realizar inferencias.

En el renglón Q se encuentran las probabilidades iguales al área de la cola superior o

de la cola inferior para los grados de libertad que deben utilizarse para las pruebas de
una cola. En el renglón 2Q se encuentran las probabilidades iguales a la suma de
ambas áreas (colas superior e inferior) que son utilizadas para pruebas de dos colas (y
para las estimaciones de parámetros por intervalo). Los valores para los gl se listan en
la primera columna. El valor resultante de la intersección del número de gl
especificado y el valor de probabilidad establecido corresponden al valor crítico.

Ejemplo Nº 1: Obtener el valor crítico t para una prueba de una cola con n = 10 y a
=0,05.

El número de gl = n-1 o sea 9. Se utiliza el valor de Q = 0,05 (1 renglón) ya que es una

prueba de un extremo tgl = tg = 1,833

Ejemplo Nº 2: Obtener el valor crítico t para una prueba de dos colas con n = 10 y a =
0,10 tgl = tg = 2,262.
 190

Obsérvese que el valor de 0,10 en el renglón 2Q es equivalente al valor de 0,05 en el

renglón Q.

Ejemplo Nº 3: Obtener los valores críticos t para cada uno de los siguientes casos.

a) n = 15  = 0,01 para prueba de una cola

t14 = 2,624

b) n = 20  = 0,05 para prueba de dos colas

t19 = 2,093

6.4. Inferencia estadística utilizando la distribución t

6.4.1. Prueba para la media poblacional

Si la muestra es pequeña, el valor de s puede desviarse mucho, si se utiliza la

puntuación z hay una gran probabilidad de que se cometa un serio error. En este caso,
corresponde usar el estadístico de prueba perteneciente a la distribución t.

x-𝜇 x-𝜇
t= = (18)
Sx s / √n

El valor calculado se compara con el valor crítico t (tabla) y se toma la decisión.

Ejemplo Nº 1: Un fabricante de baterías para automóviles afirma que la duración

promedio de las mismas es de 38 meses. Se toma una muestra de 16 baterías y se
encuentra que la duración media es de 35 meses con un desvío típico de 6,2 meses.

Probar la hipótesis con un nivel de significación del 5% de que la duración promedio

de las baterías es menor que la establecida por el fabricante.

- Planteo de la hipótesis

H0:  = 38 meses
H1:  < 38 meses

Prueba de una cola. El valor crítico de t

con  = 0,05 y con gl = 16-1 = 15 es
igual a -1,753 (extremo izquierdo).

- Regla de decisión

Rechazar H0 si t a -1,753

- Estadístico de prueba

35 - 38
t= = 1,935
6,2 / √16

Como el valor -1,935 es menor al valor crítico, se rechaza H0 y se concluye que la

duración de las baterías es menor.

Ejemplo Nº 2: Considerar el mismo ejercicio anterior, pero probar que la duración

promedio es distinta a la especificada por el fabricante.
 191

- Planteo de hipótesis

En este caso la prueba es de dos colas:

H0:  = 38
H1:   38

El valor crítico de t para 15 grados de libertad con  =0,50 es t15 = 2,131.

- Regla de decisión

Rechazar H0 si t  2,131 o t  -2,131

- Estadístico de prueba

t = -1,935

En este caso, se acepta H0 ya que t es mayor que 2,131.

6.4.2. Estimación de la media poblacional

El método de construir el intervalo de confianza para estimar  es el mismo empleado

para una distribución normal, excepto que se trabaja con valores de t en lugar de
valores de z.

El intervalo de confianza con 1 -  para estimar m en base a la media de una muestra

pequeña es:

x – tgl /2 Sx    x + t tgl /2 Sx (19)

Ejemplo: El propietario de una librería desea estimar el importe medio de las cuentas
por cobrar. Para tal fin selecciona una muestra de 12 fichas de clientes y se registran
los siguientes saldos (en $).

180 240 150 320 215 80

90 170 350 270 100 240

Estimar  con un nivel de confianza del 99%.

Se obtienen la media y el desvío típico.

2
∑x ∑ (x-x)
 x  s=√
n n-1
 192

x = $ 200,42 s = $ 88,17

t con 11 grados de libertad es t11,0,01 = 3,106

88,17
x ± tgl a/2 . Sx 200,42 ± 3,106 = $121,27 a $279,57
√12

121,27  279,57

6.4.3. Prueba de la diferencia entre dos medias

a) Muestras independientes

Dos muestras son independientes cuando las observaciones de una no están

relacionadas con las observaciones de las otras.

Al probar la hipótesis debe suponerse que las varianzas de las dos poblaciones son
2 2
idénticas o sea 𝜎1 = 𝜎2 , es decir la varianza de la diferencia de medias es:

𝜎12 + 𝜎22 1 1
𝜎D2 = + 𝜎12 = ( + ) (20)
n1 n2 n1 n2

Para obtener la varianza de la diferencia de medias, es necesario estimar. Por lo tanto:

2 1 1
SD = S2 ( + ) (21)
n1 n2

El estimador S2 se obtiene de la siguiente manera:

2
2
2 (n1 - 1)S + (n2 - 1)S2
S = (22)
n1 + n2 −2

Por lo tanto, el error estándar de la diferencia de dos medias muestrales se obtiene

sustituyendo la ecuación (21) por la siguiente:
2
2
(n1 - 1)S + (n2 - 1)S2 1 1
SD =√ n1 + n2 −2
.( +
n1 n2
) (23)

El estadístico de prueba utilizado es:

x1 - x2
z= (24)
SD

Ejemplo: una fábrica produce dos marcas distintas de tubos fluorescentes A y B. De

cada marca se toma una muestra de 15 unidades y se calcula la duración media y la
varianza muestral de cada una los resultados son:

Marca A Marca B
Muestra n1 = 15 n2 = 15
Duración media x1 = 1.600 hs. x2 = 1.570 hs.
2 2
Varianza S = 14.4000 hs.
1 S2 = 12.100 hs
 193

Probar la hipótesis de que no hay diferencias entre las duraciones de ambas marcas
con  = 0,05.

Se trata de una prueba de dos colas, entonces:

H0: 1 = 2 (no hay diferencias entre las duraciones de A y B)

H1: 1 2 (si hay diferencias entre las duraciones de A y B)

El número de grados de libertad es n1 + n2 - 2, es decir:

15 + 15 - 2 = 28

t26,0,05 = 2,048

Rechazar H0 si t  2,048 ó t  -2,048

Empleando el estadístico de prueba:

1600 - 1570 30
t= = = 0,714
(15 - 1) . 14.400 + (15 - 1) . 12.100 1 1 42,03
√ ( + )
14 + 14 - 2 15 15

t < 2,048 es decir que la diferencia entre las duraciones de A y B no es significativa,

por lo tanto se acepta H0. Dicha diferencia es debida al azar.

b) Muestras dependientes

En muchos casos, las observaciones se muestran por pares donde cada observación
de una muestra se relaciona con una observación de la otra muestra, por lo tanto se
dice que las muestras son dependientes.

El procedimiento para probar hipótesis de diferencias de dos medias de muestras

dependientes requiere los siguientes datos:

1') D: que es la diferencia entre dos observaciones entre cada par coincidente.

2') D: media de D para n, observaciones:

∑D
D (25)
n

3') El desvío típico de D:

∑ D2
SD =√ n
- D2 (26)
 194

4') El error estándar de D:

SD
SD = (27)
√n - 1

5') El estadístico de prueba:

D
t= (28)
SD

Ejemplo: Diez trabajadores de una fábrica son entrenados con un nuevo método de
trabajo. Se desea saber si con dicho entrenamiento la productividad ha aumentado. A
continuación se muestran las producciones (en unidades) de cada uno del
entrenamiento.

Trabajador Después (L) Antes (A) D=L–A D2

1 85 80 5 25
2 92 90 2 4
3 94 95 -1 1
4 88 80 8 64
5 82 79 3 9
6 95 88 7 49
7 94 90 4 16
8 82 87 -5 25
9 85 86 -1 1
10 89 84 5 25

 = 27  = 219

27 219
D = 2,7 SD =√ - (2,7)2 = 3,82
10 10

3,82
SD = = 1,273 error estándar
√10 - 1

H0: 1 = 2 (no hay diferencia entre la productividad antes y después

del entrenamiento).

H1: 12 (el entrenamiento ha aumentado la productividad)

Si se prueba con  = 0,01, el valor crítico es:

t9,0,01 = 2,821

Rechazar H0 si t  2,821:

Se acepta H0, el entrenamiento no aumentó la productividad de los trabajadores.

 195

6.4.4. Estimación de la diferencia de dos medias muestrales

El intervalo de confianza (1- ) para estimar la diferencia entre dos medias muestrales
se obtiene:

D – tgl /2 SD    D + t tgl /2 SD (29)

Ejemplo Nº 1: Considerar el problema de muestras independientes del punto 4-3 (a).

Estimar d con el 95% de confianza.

D ± tgl, a/2 SD

30 ± 2,048 (42,03) = – 56,1 a 116,1

Como el límite inferior es negativo se considera 0, por lo tanto,

0  116.1

Ejemplo Nº 2: Considerar el problema de muestras dependientes del punto 4.3.(b).

Estimar d con el 99% de confianza.

2,7 ± 3,250 (1,273) = -1,4 a 6,8

0  6,8

6.5. Grados de libertad16

Los grados de libertad se refieren al número de valores que puede variar libremente en
un conjunto de datos bajo ciertas condiciones. Por ejemplo, la suma de 4 valores de
como resultado 15.

a + b + c + d = 15

Si a = 4; b = 6; c = 3, el valor de d queda determinado automáticamente, ya que:

4 + 6 + 3 + d = 15
d = 15 - 13 = 2

El número de valores que puede variar libremente en el conjunto es 2. Por lo tanto, si

hay n elementos y la suma de ellos es un valor fijo, el número de grados de libertad es
igual a n-1.

Cuando se estudió la varianza muestral como estimador de la varianza poblacional, se

determinó que en la fórmula, la suma del cuadrado de las desviaciones  (x -x)2 se
divide entre el tamaño de la muestra menos 1. Dados los siguientes valores x1, x2, x3,
x4 y x5 cuya x = 8. Libremente asignamos valores para x1, x2, x3 y x4:

x1 = 10 ; x2 = 6 ; x32 = 9 ; x4 = 7

El valor de la varianza queda determinado automáticamente, ya que el quinto valor es

fijo.

(x - x) = 0 (10-8) + (6-8) + (9-8) + (7-8) + (x5 -8) = 0

16
Shao, Stephen – op. Cit.
 196

2 + (-2) + 1 + (-1) + (x5 -8) = 0

x5 = 8

En el cálculo de la varianza interesan las desviaciones de n-1 elementos, o sea:

2
2
∑ (x-x)
S =
n-1

2 2 2 2 2
2 (10 - 8) + (6 - 8) + (9 - 8) + (7 - 8) + (8 - 8)
S =
4

S2 = 2,5

Actividad Nº 40

Ejercicios del punto 6

1. Contestar las siguientes preguntas:

a) ¿Cuál es la utilidad de la distribución t?

b) ¿Cuáles son las semejanzas y diferencias entre la distribución
normal y una distribución t?

2. El jefe de personal de una compañía afirma que el promedio de

horas trabajadas en una semana por los trabajadores
administrativos es de 23 horas. Al tomar al azar 10 tarjetas reloj
las horas extras registradas durante una semana en cada una
eran:

Tarjeta A B C D E F G H I J
Horas extras 18 22 20 15 24 18 19 21 22 20

Probar la hipótesis del jefe de personal con un nivel de

significación del 5%.

3. Con los datos del problema anterior, determinar el intervalo de

confianza del 95% para estimar .

4. Dos máquinas producen pernos idénticos. Las longitudes tienen la

misma varianza, pero se sospecha que la longitud promedio de los
pernos de la máquina I no es igual a los de los fabricados por la
máquina II. Se toman dos muestras independientes y se obtienen
los siguientes datos:
 197

Máquina I Máquina II
Tamaño de la muestra n1= 8 n2= 10
Promedio muestral (en pulgadas) x1 = 2,6 x2 = 2,5
2 2
Varianza muestral S1 = 0,0054 S2 = 0,0046

a) Indicar los datos que existe una diferencia significativa entre las
dos medias con a = 0,01.
b) Obtener el intervalo de confianza del 99% para la verdadera
diferencia de las dos medias poblacionales.

5. Se desea determinar si un grupo de 10 estudiantes puede

desempeñarse bien en Matemática y en Física. Las calificaciones
de una evaluación de la siguiente nómina no son independientes.

Estudiante A B C D E F G H I J
Matemática 84 55 85 98 80 55 80 64 91 85
Física 84 57 90 97 74 53 75 63 90 82

a) Probar la hipótesis de que la puntuación media en Matemática

es la misma que en Física contra la hipótesis alternativa de que
son diferentes con él  = 0,005.
b) Determinar el intervalo de confianza del 95% para la verdadera
diferencia de las medias.

Respuestas a los ejercicios de la Unidad IX

Puntos 1 al 5

1) Consultar el marco teórico del módulo y de la bibliografía

2) a) una cola

b) error de tipo II y significa la probabilidad de aceptar H siendo falsa.

c) No hay diferencia entre las medias.

3) a) Z = - 1,8 XCR = 81,3 Rechazar H (Test de 1 cola)

b)  = 0,43 1 -  = 0,57

4) Z = 1,44 Aceptar H0 (Test de 1 cola)

5) Z = 1,99 Aceptar H0 (Test de 2 colas)

6) Valores alternativos de 1 84 83 81 78
 C 0,95 0,85 0,43 0,02
1- Potencia 0,05 0,15 0,57 0,98
 198

Punto 6

1) Consultar el marco teórico del módulo y de la bibliografía.

2) t = - 3,8 Rechazar H0 (Test de 1 cola)

3) 18,1   21,7

4) a) t = 3,03 Rechazar H

b) 0,003  0,197

5) a) t = 1,19 Aceptar H

b) -1,08 3,48 o 0  3,48

 199

UNIDAD X

LA DISTRIBUCIÓN JI CUADRADA (2)

1. Características de la distribución
La función de densidad de probabilidad para ji cuadrada se representa
matemáticamente con la siguiente ecuación:

f (X2) = (k) (2) (gl / 2) -1 (e-X2/2) (30)

donde k depende sólo de gl, es decir de los grados de libertad, 2 es ji cuadrada, y es

la base de los logaritmos naturales. No se tratará el desarrollo de la ecuación anterior,
sino que se hará referencia a las características de 2 que permitirán su aplicación
para la inferencia estadística. Estas características son las siguientes:

1') 2 es una variable aleatoria que no puede asumir valores negativos.

2') La distribución 2 tiene un sólo parámetro: los grados de libertad (gl).
3') La distribución 2 es continua y unimodal. Al igual que z y t, el área bajo la curva
c2 representa probabilidades.
4') La distribución 2 tiene sesgo a la derecha. A medida que aumenta gl, el sesgo es
menor, y se aproxima a una distribución normal.
5') La media de 2 está dada por los grados de libertad, E (2) = gl. La varianza es el
doble de los grados de libertad, Var (2) = 2 gl.
6') La ecuación representa una familia de distribuciones. Hay una distribución
diferente para cada grado de libertad.

2. Uso de las tablas de 2

Ya se estableció que la curva 2 representa probabilidades. Para cada posible valor de

gl puede construirse una tabla de probabilidades. No obstante, puede utilizarse la
tabla 2.

La tabla del Anexo III muestra los valores críticos 2 que se denota por 2(gl,a). El
subíndice tiene dos números, gl indica los grados de libertad y a indica el porcentaje
cortado bajo la cola superior de la distribución.
 200

Las probabilidades más comúnmente utilizadas se consignan en el encabezamiento

de la tabla, siendo representadas por el área de la cola superior de la curva. En la
columna izquierda se muestran los grados de libertad. El valor por una gl y para una
probabilidad dada constituye el valor crítico 2 que corta la cola superior (o lado
derecho) bajo la curva. Por ejemplo el valor 2 que corta el 5% de la distribución con 8
grados de libertad es:

2(8,0,05) = 15,507

El gráfico también muestra el valor que corta el 5% inferior del área bajo la curva (o el
95% superior de la distribución) con 8 grados de libertad.

2 (8,0,95) = 2,732

3. Aplicaciones de 2
Existen problemas donde deben realizarse inferencias acerca de la distribución de
toda una población en base a observaciones muestrales donde las hipótesis de las
pruebas no son aseveraciones acerca del parámetro de una población, sino verificar
hipótesis tales como “una moneda es regular” o “las variables desempeño e
instrucción son independientes”. Los datos son categorizados y los resultados se
muestran en forma de conteo. Por ejemplo, los salarios de los empleados de una
compañía representados a través de una tabla de frecuencias. Cada frecuencia se
anota en una celda o clase. Las frecuencias observadas de la muestra se denotan por
f01 f02, ....f0n. La suma de todas las frecuencias observadas es igual al tamaño de la
muestra, o sea:

f01 + f02 + .... + f0n = n

Estos valores observados, se comparan con frecuencias esperadas o teóricas f e1, fe2 +
... + fen que se obtienen de distribuciones teóricas específicas, también en este caso:

f e1 + f e2 + .... + fen = n

La prueba consiste en determinar si las frecuencias observadas concuerdan o

discrepan con las esperadas.

El estadístico de prueba es:

2
(f01-fe)
 =∑
2
(31)
fe

El numerador es la diferencia al cuadrado, la cual sólo puede tomar valores positivos.

Mientras menor sea la diferencia, menor será el valor de 2. Los valores pequeños de
2 indican concordancia, mientras que los valores grandes indican discrepancia, entre
los dos conjuntos frecuencias. Debe observarse que es común que estas pruebas son
de una sola cola.
 201

Los valores calculados del estadístico de prueba 2 se basan en datos discretos, pero
la distribución 2 es continua. Si las fe son grandes, la distribución del estadístico de
prueba puede aproximarse a la distribución de 2. Una regla práctica es que la fe para
cada clase debe ser por lo menos 5. Las categorías que no cumplen este criterio
deben combinarse con otras adyacentes cuando sea posible.

El estadístico de prueba (31) se utiliza para las pruebas de bondad de ajuste, de

independencia y de homogeneidad. La distribución 2 también se utiliza para probar el
valor de un parámetro, como es “la prueba de la varianza”. (punto 3.4.)

3.1. Prueba para la bondad de ajuste

En esta prueba, H0 especifica una distribución uniforme (todos los valores posibles de
una variable aleatoria son igualmente probables), binomial, Poisson, etc. Se elige una
muestra y se prueba si la distribución muestral sigue a la distribución teórica
especificada en H0. La hipótesis alternativa afirma que la muestra no ha sido tomada
de la distribución específica.

La prueba implica n observaciones que se clasifican en k clases o categorías, donde

en cada celda se anotan las frecuencias observadas que se comparan con las
esperadas a través de los cálculos, utilizando el estadístico de prueba de 2.

El valor que se requiere de la estadística 2 para rechazar o aceptar H0 depende del

nivel de significación y de los grados de libertad (gl). Para la prueba de bondad de
ajuste, los grados de libertad son iguales al número de categorías o clases menos 1,
es decir:

gl = k - 1 (32)

Si el valor del estadístico de prueba es mayor o igual al valor crítico se dice que el
ajuste es malo y se rechaza H0. Si el valor 2 es pequeño, se dice que el ajuste es
bueno y se acepta H0.

Ejemplo: Una empresa dedicada a estudios de mercados está interesada en las

preferencias de las amas de casa de 4 zonas de la ciudad respecto a una marca de
arroz. Selecciona una muestra al azar de 200 amas de casas con los siguientes
resultados:

ZONA A B C D TOTAL
Preferencias (f0) 35 43 64 58 200

Estas preferencias constituyen las frecuencias observadas. Bajo la hipótesis de que pA

= pB = pC = pD todas estas probabilidades son iguales a 1/4. Entonces las frecuencias
esperadas son cada una igual a 50 (1/4.200).

Planteando las hipótesis:

H0: Las preferencias están distribuidas de manera uniforme en las cuatro zonas.

H1: Las preferencias no están distribuidas de manera uniforme en las cuatro zonas.

Las categorías son 4, por lo tanto los grados de libertad son 3, ya que:

k=4 gl = k - 1 gl = 4 - 1 = 3
 202

Utilizando un nivel de significación del 5%, el valor crítico con 3 grados de libertad es:

2 (3,0,05) = 7,814

Rechazar H0 si 2 es mayor o igual a 7,814.

Los cálculos para obtener 2 se muestran a continuación:

2
Zona f0 fe f0-fe (f0-fe)2 f0-fe) / fe
A 35 50 -15 225 4,5
B 43 50 -7 49 0,98
C 64 50 14 196 3,92
D 58 50 8 64 1,28
10,68

2
(f0-fe)
 =∑
2
= 10,68
fe

Como 2 es mayor que 7,814, se rechaza H0 es decir no hay uniformidad en las

preferencias en las 4 zonas.

En el cálculo de las frecuencias teóricas, puede haber restricciones adicionales. Si la

media de la muestra X se utiliza para estimar m para obtener las frecuencias
esperadas, esta restricción reduce el número de grados de libertad en 1.

En general, si hay m estimaciones muestrales utilizadas para m parámetros

desconocidos en el cálculo de frecuencias teóricas, el número de grados de libertad
está aún más reducido por m, es decir:

gl = k - 1 - m (33)

Ejemplo: una consultora desea demostrar que la distribución de los índices de

accidentes de trabajo en empresas industriales es normal. Selecciona una muestra de
50 establecimientos y la distribución de índices se muestra en la siguiente tabla de
frecuencias.

Índices frecuencias observadas (9)

1 - 1,5 6
1,5 - 2,0 10
2,0 - 2,5 18
2,5 - 3,0 9
3,0 - 3,5 7
50
 203

Se calculan la media y el desvío típico a través de las fórmulas estudiadas en el

módulo 3.

∑ xf
X  X = 2,3
n

2
∑ (x - x) f
S=√ S = 0,60
n-1

- Planteo de hipótesis

H0: la distribución de frecuencias tiene distribución normal.

H1: la distribución de frecuencias no sigue una distribución normal.

- El número de clases está dado por el número de intervalos, o sea k = 5.

- Cálculo de las frecuencias esperadas. Como se desconocen  y , se utilizarán x

como estimación puntual de  y S como estimación de .

En primer lugar se debe encontrar la probabilidad de un valor de x dentro de los

intervalos de clase. Como la normal es una distribución de una variable continua que
puede tomar valores de - a +, P(x < 1,0) y P(x > 3,5) no son igual a 0. Debido a que
P0 = Pe = n, no pueden ignorarse las colas de la curva. Por lo tanto, las clases
pueden definirse de la siguiente manera:

Menos de 1,5
1,5 - 2,0
2,0 - 2,5
2,5 - 3,0
3,0 y más

Los límites de clase se transforman a valores de z y se utiliza la para calcular las

frecuencias teóricas.

Desv.est.normal Área de clase Frec. esp.

Li Ls ZLi ZLs P(ZLi  Zls) 50 (Área de Clase)
- 1,5 - -1,33 0,0918 4,6
1,5 2,0 -1,33 -0,5 0,2167 10,8
2,0 2,5 -0,5 0,33 0,3208 16,0
2,5 3,0 0,33 1,17 0,2497 12,5
3,0  1,17  0,121 6,1
  1,0000 50,0

* Li = Límite inferior Ls = Límite superior

* ZLi y ZLs son las desviaciones estándares normales.

Li - 2,3 Ls - 2,3
ZLi = ZLs =
0,6 0,6
 204

Por ej.: ZLs en la primera clase

1,5 - 2,3
ZLs = = - 1,33
0,6

* P (ZLi  Z  ZLs) representa el área de la clase.

Por ejemplo la probabilidad para el área de la primera clase.

Área entre 0 y -1,33 = 0,4082 - según tabla 4

Área entre - y 1,33 = 0,5 - 0,4082 = 0,0918

P (- z  1,5) = 0,0918

* Las frecuencias teóricas se obtienen multiplicando n por el área de la clase.

n . P (ZLi  Z ZLs)

La frecuencia esperada de la 1º clase es:

50 (0,0918) = 4,59 = 4,6

- Grados de libertad. Recordar que:

gl = k - 1 - m

k = es el número de clases
m = es el número de parámetros a estimar

En nuestro ejemplo:

k=5
m = 2, ya que son dos los parámetros desconocidos a estimar  y .

Por lo tanto:

gl = 5 - 1 - 2 = 2 grados de libertad.

- Determinación del nivel de significación (  )

Para esta prueba  = 0,05

- Valor crítico

Para X22,0,05 = 5,991

 205

- Regla de decisión

Rechazar H0 si X2  5,991

Aceptar H0 si X2  5,991

- Cálculo de X2

Frecuencias Frecuencias 2 f0 f2e

(f0 - fe)
Observadas (f0) Esperadas (fe) fe
6 4,6 1,96 0,426
10 10,8 0,64 0,059
18 16,0 4 ,00 0,25
9 12,5 12,25 0,98
7 6,1 0,81 0,133
50 50,0 1,848

X2 = 1,848

Como X2 es menor que el valor crítico, se acepta H0, lo que indica que la distribución
de frecuencias sigue una distribución normal.

Considérese el siguiente problema. Un estudio sobre la propiedad de parcelas de

tierra es una zona durante un período de 10 años proporcionó la siguiente información.
Cuando una parcela cambia de dueño debido a un juicio hipotecario o abandono se
clasifica como “traspaso”. Una muestra de 50 parcelas aportó los siguientes datos.

Número de Traspasos (x) 0 1 2 3 4 5 6 7 8 9

Número de Parcelas (f0) 6 9 11 8 7 4 2 2 1 0 = 50

Se plantea la hipótesis de que la distribución de traspasos se ajusta a una distribución

de Poisson.

- En primer lugar se determinará el valor de l para probar la hipótesis.

x f0 137
X   = 2,74
n 50

x = 2,74

- Luego, se obtendrán las frecuencias esperadas con base a la distribución de Poisson

con  = 1,8.

Número de Traspasos P (x) con  =2,7 Frecuencias esperadas

(*) (tabla 3) (fe) n.P (*)
0 0,0672 3,4
1 0,1815 9,1
2 0,2450 12,3
3 0,2205 11,0
4 0,1488 7,4
5 0,0804 4,0
6 0,0362 1,8
7 0,0139 0,7
8 0,0047 0,2
9 0,0014 0,1
50,0
 206

(*) Diferencia por redondeo de datos.

- Con la información obtenida se plantean las hipótesis:

H0: La distribución de traspasos se ajusta a una distribución de Poisson.

H1: La distribución no se ajusta a la distribución de Poisson.

f0 f2e
x f0 Fe
fe
0 6 15 3,4 12,5 0,5
1 9 9,1 0,001
2 11 12,3 0,137
3 8 11,0 0,818
4 7 7,4 0,022
5 4 4,0
6 2 9 1,8 6,8
7 2 0,7 0,712
8 1 0,2
9 0 0,1
2,189

X2 = 2,189

Obsérvese que para cumplir el requisito de que cada f e sea de cuando menos 5, se
combinaron las dos primeras y las cinco últimas categorías por lo que K = 5

Como se estima el parámetro en base a una muestra, gl = 3, ya que:

gl = k - m - 1

gl = 5 - 1 - 1 = 3

- Si se utiliza un nivel de significación del 1%, el valor crítico es X23,0,01 = 11,3449.

Como la regla de decisión es:

Rechazar H0 si X2 > 11,3449

Aceptar H0 si X2 < 11,3449

Se acepta H0, por lo tanto la distribución de traspasos de las parcelas se ajusta a una
variable con distribución de Poisson.

Actividad Nº 41

Ejercicios del punto 1

1. El número de accidentes fatales en una ruta durante una semana

se distribuye de la siguiente forma:
 207

Día D L M M J V S
Nº de accidentes 28 12 10 7 8 11 24

Probar la hipótesis de que tanto, el sábado como el domingo tiene

el 25% y cada uno de los otros 5 días el 10% de todos los
accidentes fatales con a = 0,025.

2. Un fabricante de heladeras ofrece tres líneas básicas de su

producto que pueden describirse en términos comparativos de su
precio como “bajo”, “intermedio” y “alto”. Antes de llevar a cabo
una campaña de promoción para resaltar las virtudes de las
heladeras de precio alto, los porcentajes de ventas de las 3
categorías eran de 45%, 30% y 25%. De una muestra aleatoria de
50 heladeras que se vendieron después de la promoción, el
número de productos que se vendieron en cada categoría fue 15,
15 y 20. Probar la H0 de que el patrón histórico de ventas no
difiere del patrón histórico, utilizando el 5% como nivel de
significación.

3. Se desea probar si la distribución de jornales de operarios de una

industria es normal. Una distribución de frecuencias de jornales de
40 operarios, elegidos aleatoriamente, es la siguiente:

Jornales ($) Nº de operarios

10 – 20 6
20 – 30 10
30 – 40 14
40 – 50 7
50 – 60 3
40

Utilizar con  = 0,01 para probar la hipótesis.

3.2. Test de Independencia

En los tests de independencia existen dos variables categóricas y la prueba consiste

en suponer que ambas variables son estadísticamente independientes.

La independencia implica saber que la categoría en la que se clasifica una

observación con respecto a una variable, no tiene ningún efecto sobre la probabilidad
de caer también en alguna de las diversas categorías de las otras variables17. Dicho
de otra manera, el problema es determinar si existe alguna relación entre dos
conjuntos de atributos de una población.

La prueba X2 de independencia tiene una metodología parecida a la prueba de bondad

de ajuste. La misma se explicará con el siguiente problema.

En una empresa se desea conocer si hay alguna relación entre la asistencia de los
empleados y el sexo. La asistencia se clasifica en “satisfactoria” (S) y “no satisfactoria”
(NS). Para la prueba se toma una muestra de 100 empleados.

17
Kazmier, Leonard: “Estadística Aplicada a la Economía y Administración”, Ed. Mc. Gral. Hill.
 208

1') Planteo de Hipótesis

H0: Sexo y Asistencia son variables independientes.

H1: Sexo y Asistencia son variables dependientes.

2') Las frecuencias observadas de la muestra se anotan en una tabla de contingencia

(o de clasificación doble) de dimensión r . k, donde:

r = el número de renglones.
k = el número de columnas.

Sexo
V M Total
Asistencia
S 45 25 70
NS 15 15 30
Total 60 40 100

La tabla tiene dos categorías de renglón (V y M) y dos de columnas (S y NS), por

lo tanto es una tabla de 2 x 2.

3') Las f0 deben compararse con las frecuencias esperadas. La fe de cada celda de la
tabla debe ser proporcional al total de f0 es la frecuencia total del renglón y f k es la
frecuencia total de la columna, la frecuencia esperada se determina como:

∑ fr . ∑ fr
f0 = (33)
n

La tabla de frecuencias esperadas para el problema del ejemplo queda

confeccionada así:

Sexo
V M Total
Asistencia
S 42 28 70
NS 18 12 30
Total 60 40 100

La fe de la primera celda (S y V) se obtiene:

(60)(70)
fe = = 42
100

4') Los grados de libertad para la prueba de independencia se determinan por la

siguiente fórmula:

gl = (r - 1) (k - 1) (34)

Para este problema r = 2 y k = 2

gl = (2-1) . (2-1) = 1

5') Si se usa a = 0,05, el valor crítico es:

X2(1,0,05) = 3,841, por lo tanto la regla de decisión es:

 209

Rechazar H0 si X2  3,841
Aceptar H0 si X2 < 3,841

6') El estadístico de prueba es el mismo que se utilizó para la bondad de ajuste o sea:

2
(f0-fe)
x =∑ 2
fe

En este caso, se eleva el cuadrado la diferencia entre f0 y fe de cada celda y se

divide entre la fe de dicha celda.

2 2 2 2
2 (45 - 42) (25 - 28) (15 - 18) (15 - 12)
x = + + + =1,789
42 28 18 12

X2 = 1,786 es menor que el valor crítico. Se aceptar H0 y se demuestra que la

asistencia y el sexo son independientes, es decir no hay ninguna relación.

3.3. Prueba de Homogeneidad

Esta prueba para X2 es una extensión del test de independencia donde también se
trabaja con datos clasificados cruzadamente y se utiliza el mismo estadístico de
prueba. Las diferencias entre ambas pruebas son las siguientes:

1) Las pruebas de independencia tienen como objetivo decidir si dos variables son
independientes, mientras que las pruebas de homogeneidad se aplican cuando se
desea saber si diferentes muestras provienen de la misma población.
2) El test de independencia supone una sola muestra obtenida de una sola población;
la prueba de homogeneidad suponen dos o más muestras independientes, donde
cada una procede de cada una de las poblaciones distintas bajo estudio.
3) El aspecto anterior implica que en la prueba de independencia, todas las
frecuencias marginales son cantidades al azar, mientras que en el criterio de
homogeneidad, los totales de los renglones (o filas) son tamaños de muestras que
son números elegidos.

Considérese el siguiente problema. Los técnicos de un establecimiento que fabrica

fiambres y embutidos deben decidir la adopción de un nuevo proceso para elaborar
jamón cocido tipo A. Eligen 200 piezas obtenidas mediante le proceso nuevo y 200
mediante el proceso tradicional. Los resultados son:

Piezas (1) (2)

Total
Proceso Defectuosos Buenas

Nuevo (a) 22 178 200

Tradicional (b) 36 164 200
Total 58 342 400

La hipótesis nula puede plantearse como que las dos muestras proceden de la misma
población, es decir que las dos clasificaciones son homogéneas en lo que respecta al
estado de las piezas. Esto significa que no hay diferencia entre los dos métodos.

S se define:
p1a: probabilidad de nuevo y defectuoso
p2a: probabilidad de nuevo y buena
p1b: probabilidad de tradicional y defectuosa
p2b: probabilidad de tradicional y buena.
 210

p1a = p1b
H0
p2a = p2b

Con la expresión alternativa de H0 se puede determinar porque se denomina

homogeneidad. Al decir homogéneas se entiende que las cosas son iguales o tiene
algo en común.

Ahora, se estiman las proporciones de defectuosas y buenas, es decir: 58/400 y

342/400. Las frecuencias esperadas, por ejemplo, para el método nuevo son:
18
58/400 (200) = 29 342/400 (200) = 171

Las frecuencias esperadas se muestran en el siguiente cuadro:

Piezas
Defectuosos Buenas Total
Proceso
Nuevo (a) 29 171 200
Tradicional (b) 29 171 200
Total 58 342 400

En resumen:

p1a = p1b
H0 Los métodos son iguales
p2a = p2b

H1: alguna igualdad no se cumple. Los métodos son diferentes.

Los grados de libertad son: gl: (r-1) (k-1)

gl: (2-1) (2-1) = 1

Si  = 0,01, entonces el valor crítico de X2 = 6,634, por lo tanto:

Rechazar H0 si X2  6,634

Aceptar H0 si X2 < 6,634

Aplicando el estadístico de prueba:

2 2 2 2
(22 - 29) (178 - 171) (36 - 29) (164 - 171)
X2 = + + + =3,952
29 29 29 171

X2 = 3,952

Se acepta H0.

18
fe = ∑ fr ∑ fk/n
 211

Actividad Nº 42

Ejercicios del punto 2

1. Un centro Comercial tiene 5 divisiones. De una muestra aleatoria

de 500 clientes se obtuvo la siguiente clasificación doble:

DIVISION DE COMPRAS
Ropa y Comesti- Electro-
Tipo de Pago Bazar Juguetes Total
Calzado bles doméstico
Contado efectivo 10 15 5 5 15 50
Contado Cheque 20 15 5 15 5 60
Tarjeta de crédito 70 75 25 20 50 240
Cuenta Corriente 50 45 15 10 30 150
Total 150 150 10 50 100 500

¿Con un nivel de significación del 0,05, son tipo de pago y tipo de

compra independientes?

2. Se eligen 3 muestras aleatorias de docentes de los 3 niveles. La

primera contiene 300 docentes de nivel primario; la segunda
contiene 200 de nivel medio, y la tercera, 100 de nivel superior. A
cada docente se le pide una opinión sobre la reforma educativa y
las opciones son “a favor” y “en contra” “muestral”.

Docentes A Favor Neutral En Contra Total

Nivel Primario 182 85 33 300
Nivel Medio 68 60 72 200
Nivel Superior 32 53 15 100
Total 282 198 120 600

Probar con un nivel de significación del 0,05, si hay uniformidad en

las opiniones.

3.4. Prueba de una varianza de la población

Para una población con distribución normal, el estadístico de prueba

2
2
(n-1)S
X = (36)
𝜎2

se distribuye como X2 con (n-1) grados de libertad.

Como n y 2 son constantes, la distribución muestral de S2 está asociada con

distribución X2 cercanamente. A partir de S2, puede probarse la hipótesis para una
varianza poblacional aplicando ji cuadrada.
 212

La prueba puede ser de una cola o de dos colas y las hipótesis pueden plantearse

H0: 2 = 02 ó H0: 2 = 02

H1: 2 > 02 H1: 2  02

ó H1: 2 <  02

Desde luego, H0 puede también ser una hipótesis inexacta como H0: 2 02 o H0:2
02.

Dado un nivel de significación (a) y especificando los grados de libertad se puede

tomar la decisión comparando el valor del estadístico de prueba con el valor crítico.

Ejemplo: los salarios de los empleados de una compañía se distribuyen normalmente.

Se afirma que la desviación típica de la población no es superior a $100. Una muestra
de 15 salarios dio como resultado una media de $670 y un desvío típico (S) de $125.

Probar la hipótesis con a = 0,05 de que 2 es mayor que 02

H0: 2  10.000 H1: 2 > 10.000

gl = 15 -1 = 14

X214,0,05 = 23,68

Rechazar H0 si X2  23,684
Aceptar H0 si X2 < 23,684

14 (15.625)
X2 = = 21,875
10.000

Se acepta H0.

Considérese el problema anterior suponiendo que la varianza poblacional es igual a

100 y se desea probar que 2 es distinto de 100.

En este caso se plantea una hipótesis de dos colas.

H0: 2 = 100 H1: 2  100

Para  = 0,05 y gl = 14, los valores críticos son:

X214,0,025 = 26,118 y X214,0,975= 5,628

 213

Rechazar H0 si X2  26,118 o X2  5,628.

14 (15.625)
X2 = = 21,875
10.000

Se acepta H0.

Construcción del intervalo de confianza para estimar

El estadígrafo S2 es un buen estimador de 2, por lo tanto el intervalo de confianza (1-

) para estimar 2 se obtiene:

2 2
(n-1)S (n-1)S
2 ≤ 𝜎2 ≤ 2 (37)
Xgl.∝ Xgl.∝

Ejemplo: Estimar la varianza poblacional para la distribución de salarios con base a la

varianza muestral S2 = 15.625 con el 95% de confianza.

14 (15.625) 14 (15.625)
≤ 𝜎2 ≤
26,118 26,118
8.375,45 ≤ 𝜎 2 ≤ 38.868,16
91,52 ≤ 𝜎 2 ≤ 197,15

ACTIVIDAD OBLIGATORIA
Ejercicios punto 3

1. Cuando un proceso de producción está funcionando

adecuadamente, la varianza de las medidas de las unidades
producidas es de 4 cm. Se sugiere que el proceso de producción
se encuentra ahora fuera de control. Se selecciona una muestra
de 7 unidades producidas y se obtiene las siguientes medidas en
centímetros.

9 10 13 12 8 6 12

a) Obtener S2.
b) Probar la hipótesis de que el proceso de producción sigue
funcionado adecuadamente, con  = 0,05.
c) Determinar el intervalo de confianza del 95% para estimar 2.

2. Una fábrica de neumáticos para camiones afirma que la duración

media de los productos es de 26.000 km y un desvío típico de 340
km. Sin embargo, se sospecha que la variabilidad aumentó. Se
toma una muestra de 16 neumáticos, se prueban bajo ciertas
condiciones hasta que se desgastan y se encuentra que la media
se mantiene, pero el desvío es de 350 km.

a) Probar la hipótesis con  = 0,10.

b) Determinar el intervalo de confianza con el 90% para estimar
2.
 214

Respuestas a los ejercicios de la Unidad X

Punto 1

1) 2 = 14,45 Aceptar H0

2) 2 = 7 Aceptar H0

3) 2 = 0,24 Aceptar H0

Punto 2

1) 2 = 25,8 Rechazar H0 (Prueba de independencia)

2) 2 = 77,5 Rechazar H0 (Prueba de homogeneidad)

Punto 3

1) a) S = 6,33

b) 2 = 9,495 Aceptar H0

c) 2,632  30,69

2) a) 2 = 15,89 Aceptar H0

b) 82362,17 2  214.912,28

286,99  463,59

 215

APÉNDICES

Apéndice 6

Tabla de números aleatarios

61 19 69 04 46 26 45 74 77 74 51 92 43 37 29 65 39 45 95 93 42 58 26 05 27
15 47 44 52 66 95 27 07 99 53 59 36 78 38 48 82 39 61 01 18 33 21 15 94 66
94 55 72 85 73 67 89 75 43 87 54 62 24 44 31 91 19 04 25 92 92 92 74 59 73
24 48 11 62 13 97 34 40 87 21 16 86 84 87 67 03 07 11 20 59 25 70 14 66 70
23 52 37 83 17 73 20 88 98 37 68 93 59 14 16 26 25 22 96 63 05 52 28 25 62

04 49 35 24 94 75 24 63 38 24 45 86 25 10 25 61 96 27 93 35 65 33 71 24 72
00 54 99 76 54 64 05 18 81 59 96 11 96 38 96 54 69 28 23 91 23 28 72 95 29
35 96 31 53 07 26 89 80 93 54 33 35 13 54 62 77 97 45 00 24 90 10 33 93 33
59 80 80 83 91 45 42 72 68 42 83 60 94 97 00 13 02 12 48 92 78 56 52 01 06
46 05 88 52 36 01 39 00 22 86 77 28 14 40 77 93 91 08 36 47 70 61 74 29 41

32 17 90 05 97 87 37 92 52 41 05 56 70 70 07 86 74 31 71 57 85 39 10 18 38
69 23 46 14 06 20 11 74 52 04 15 95 66 00 00 18 74 39 24 23 97 11 89 63 38
19 56 54 14 30 01 75 87 53 79 40 41 92 15 85 66 67 43 68 06 84 96 28 52 07
45 15 51 49 38 19 47 60 72 46 43 66 79 45 43 59 04 79 00 33 20 82 66 95 41
94 86 43 19 94 36 16 81 08 51 34 88 88 15 53 01 54 03 54 56 05 01 45 11 76

98 08 62 48 26 45 24 02 84 04 44 99 90 88 96 39 09 47 34 07 35 44 13 18 80
33 18 51 62 32 41 94 15 09 49 89 43 54 85 81 88 69 54 19 94 37 54 87 30 43
80 95 10 04 06 96 38 27 07 74 20 15 12 33 87 25 01 62 52 98 94 62 46 11 71
79 75 24 91 40 71 96 12 82 96 69 86 10 25 91 74 85 22 05 39 00 38 75 95 79
18 63 33 25 37 98 14 50 65 71 31 01 02 46 74 05 45 56 14 27 77 93 89 19 36

74 02 94 39 02 77 55 73 22 70 97 79 01 71 19 52 52 75 80 21 80 81 45 17 48
54 17 84 56 11 80 99 33 71 43 05 33 51 29 69 56 12 71 92 55 36 04 09 03 24
11 66 44 98 83 52 07 98 48 27 59 38 17 15 39 09 97 33 34 40 88 46 12 33 56
48 32 47 79 28 31 24 96 47 10 02 29 53 68 70 32 30 75 75 46 15 02 00 99 94
69 07 49 41 38 87 63 79 19 76 35 58 40 44 01 10 51 82 16 15 01 84 87 69 38

09 18 82 00 97 32 82 53 95 27 04 22 08 63 04 83 38 98 73 74 64 27 85 80 44
90 04 58 54 97 51 98 15 06 54 94 93 88 19 97 91 87 07 61 50 68 47 66 46 59
73 18 95 02 07 47 67 72 62 69 62 29 06 44 64 27 12 46 70 18 41 36 18 27 60
75 76 87 64 90 20 97 18 17 49 90 42 91 22 73 95 37 50 58 71 93 82 34 31 78
54 01 64 40 56 66 28 13 10 03 00 68 22 73 98 20 71 45 32 95 07 70 61 78 13

08 35 86 99 10 78 54 24 27 85 13 66 15 88 73 04 61 89 75 53 31 22 30 84 20
28 30 60 32 64 81 33 31 05 91 40 51 00 78 93 32 60 46 04 75 94 11 90 18 40
53 84 08 62 33 81 59 41 36 28 51 21 59 02 90 28 46 66 87 95 7 76 22 07 91
91 75 75 37 41 61 61 36 22 69 50 26 39 02 12 55 78 17 65 14 83 48 34 70 55
89 41 59 26 94 00 39 75 83 91 12 60 71 76 46 48 94 97 23 06 94 54 13 74 03

77 51 30 38 20 86 83 42 99 01 68 41 48 27 74 51 90 81 39 60 72 89 35 55 07
19 50 23 71 74 69 97 92 02 88 55 21 02 97 73 74 28 77 52 51 65 34 46 74 15
21 81 85 93 13 93 27 88 17 57 05 68 67 31 56 07 08 28 50 46 31 85 33 84 52
51 47 46 64 99 68 10 72 36 21 94 04 99 13 45 42 83 60 91 91 08 00 74 54 49
99 55 96 83 31 62 53 52 41 70 69 77 71 28 30 74 81 97 81 42 43 86 07 28 34

33 71 34 80 07 93 58 47 28 69 51 92 66 47 21 58 30 32 98 22 93 14 84 36 43
85 27 48 68 93 11 30 32 92 70 28 83 43 41 37 73 51 59 04 00 71 14 84 36 43
 216

Apéndice 7

Valores porcentuales de la distribución t

Q = .4 .25 .1 .05 .025 .01 .005 .0025 .001 .0005

2Q = .8 .5 .2 .1 .05 .02 .01 .005 .002 .001
1 .325 1.000 3.078 6314 12.706 31.821 63.657 127.32 318.21 636.62
2 .289 .816 1.886 2920 4.303 6.965 9.925 14.089 22.327 31.598
3 .277 .765 1.638 2353 3.182 4.541 5.841 7.453 10.214 12.924
4 .271 .741 1.533 2.132 2.776 3.747 4.604 5.598 7.173 8.610

5 .267 .727 1.476 2.015 2.571 3.365 4.032 4.773 5.893 6.869
6 .265 .718 1.440 1.943 2.447 3.143 3.707 4.317 5.208 5.959
7 .263 .711 1.415 1.895 2.365 2.998 3.499 4.029 4.785 5.408
8 .262 .706 1.397 1.860 2.306 2.896 3.355 3.833 4.501 5.401
9 .261 .703 1.383 1.833 2.262 2.821 3.250 3.690 4.297 4.781

10 .260 .700 1.372 1.812 2.228 2.764 3.169 3.581 4.144 4.587
11 .260 .697 1.363 1.796 2.201 2.718 3.106 3.497 4.025 4.437
12 .259 .695 1.356 1.782 2.179 2.681 3.055 3.428 3.930 4.318
13 .259 .694 1.350 1.771 2.160 2.650 3.012 3.372 3.852 4.221
14 .258 .692 1.345 1.761 2.145 2.624 2.977 3.326 3.787 4.140

15 .258 .691 1.341 1.753 2.131 2.602 2.947 3.286 3.733 4.073
16 .258 .690 1.337 1.746 2.120 2.583 2.921 3.252 3.686 4.015
17 .257 .689 1.333 1.740 2.110 2.567 2.898 3.222 3.646 3.965
18 .257 .688 1.330 1.734 2.101 2.552 2.878 3.197 3.610 3.922
19 .257 .688 1.328 1.729 2.093 2.539 2.861 3.174 3.579 3.883

20 .257 .687 1.325 1.725 2.086 2.528 2.845 3.153 3.552 3.850
21 .257 .686 1.323 1.721 2.080 2.518 2.831 3.135 3.527 3.819
22 .256 .686 1.321 1.717 2.074 2.508 2.819 3.119 3.505 3.792
23 .256 .685 1.319 1.714 2.069 2.500 2.807 3.104 3.485 3.767
24 .256 .685 1.318 1.711 2.064 2.492 2.797 3.091 3.467 3.745

25 .256 .684 1.316 1.708 2.060 2.485 2.787 3.078 3.450 3.725
26 .256 .684 1.315 1.706 2.056 2.479 2.779 3.067 3.435 4.707
27 .256 .684 1.314 1.703 2.052 2.473 2.771 3.057 3.421 3.690
28 .256 .683 1.313 1.701 2.048 2.467 2.763 3.047 3.408 3.674
29 .256 .683 1.311 1.699 2.045 2.462 2.756 3.038 3.396 3.659

30 .256 .683 1.310 1.697 2.042 2.457 2.750 3.030 3.385 3.646
40 .255 .681 1.303 1.684 2.021 2.423 2.704 2.971 3.307 3.551
60 .254 .679 1.296 1.671 2.000 2.390 2.660 2.915 3.232 3.460
120 .254 .677 1.289 1.658 1.980 2.358 2.617 2.860 3.160 3.373
 .253 .674 1.282 1.645 1.960 2.326 2.576 2.807 3.090 3.291
 217

Apéndice 8

Valores porcentuales de la distribución X2

Q
0.995 0.990 0.975 0.950 0.900 0.750 0.500
v
-10 -9 -9 -8
1 392704.10 157088.10 982069.10 393214.10 0.0157908 0.1015308 0.454936
2 0.0100251 0.0201007 0.0506356 0.102587 0.210721. 0.575364 1.38629
3 0.0717218 0.114832 0.215795 0.351846 0.584374 1.212534 2.36597
4 0.206989 0.297109 0.484419 0.710723 1.063623 1.92256 3.35669

5 0.411742 0.554298 0.831212 1.145476 1.61031 2.67460 4.35146

6 0.675727 0.872090 1.23734 1.63538 2.20413 3.45460 5.34812
7 0.989256 1.239043 1.68987 2.16735 2.83311 4.254485 6.34581
8 1.34441 1.64650 2.17973 2.73264 3.48954 5.07064 7.34412
9 1.73493 2.08790 2.70039 3.32511 4.16816 5.89883 8.34283

10 2.15586 2.55821 3.24697 3.94030 4.86518 6.73720 9.34182

11 2.60322 3.05348 3.81575 4.57481 5.57778 7.58414 10.3410
12 3.07382 3.57057 4.40379 5.22603 6.30380 8.43842 11.3403
13 3.56503 4.10692 5.00875 5.89186 7.04150 9.29907 12.3398
14 4.07467 4.66043 5.62873 6.57063 7.78953 10.1653 13.3393

15 4.60092 5.22935 6.26214 7.26094 8.54676 11.0365 14.3389

16 5.14221 5.81221 6.90766 7.96155 9.31224 11.9122 1.3385
17 5.69722 6.40776 7.56419 8.67176 10.0852 12.7919 16.3382
18 6.26480 7.01491 8.23075 9.39046 10.8649 13.6753 17.3379
19 6.84397 7.63273 8.90652 10.1170 11.6509 14.5620 18.3377

20 7.43384 8.26040 9.59078 10.8508 12.4426 15.4518 19.3374

21 8.03365 8.89720 10.28293 11.5913 13.2396 16.3444 20.3372
22 8.64272 9.54249 10.9823 12.3380 14.0415 17.2396 21.3370
23 9.26043 10.19567 11.6886 13.0905 14.8480 18.1373 22.3369
24 9.88623 10.8564 12.4012 13.8484 15.6587 19.0373 23.3367

25 10.5197 11.5240 13.1197 14.6114 16.4734 19.9393 24.3366

26 11.1602 12.1981 13.8439 15.3792 17.2919 20.8434 25.3365
27 11.8076 12.8785 14.5734 16.1514 18.1139 21.7494 26.3363
28 12.4613 13.5647 15.3079 16.9279 18.9392 22.6572 27.3362
29 13.1211 14.2565 16.0471 17.7084 19.7677 23.5666 28.3361

30 13.7867 14.9535 16.7908 18.4927 20.5992 24.4776 29.3360

40 20.7065 22.1643 24.4330 26.5093 29.0505 33.6603 39.3353
50 27.9907 29.7067 32.3574 34.7643 37.6886 42.9421 49.3349
60 35.5345 37.4849 40.4817 43.1880 46.4589 52.2938 59.3347

70 43.2752 45.4417 48.7576 51.7393 55.3289 61.6983 69.3345

80 51.1719 53.5401 57.1532 60.3915 64.2778 71.1445 79.3343
90 59.1963 61.7541 65.6466 69.1260 73.2911 80.6247 89.3342
100 67.3276 70.0649 74.2219 77.9295 82.3581 90.1332 99.3341

x -2.5758 -23263 -19600 -16449 -1.2816 -0.6745 0.0000

 218

Q
0.250 0.100 0.050 0.025 0.010 0.005 0.001
v
1 1.32330 2.70554 3.84146 5.02389 6.63490 7.87944 10.828
2 2.77259 4.60517 5.99146 7.37776 9.21034 10.5966 13.816
3 4.10834 6.25139 7.81472 9.34840 11.3449 12.8382 16.266
4 5.38527 7.77944 9.48773 11.1433 13.2767 14.8603 18.467

5 6.62568 9.23636 11.0705 12.8325 15.0863 16.749 20.515

6 7.84080 10.6446 12.5916 14.4494 16.8119 18.5476 22.458
7 9.03715 12.0170 14.0671 16.0128 18.4753 20.2777 24.322
8 10.2189 13.3616 15.5073 17.5445 20.0902 21.9550 26.125
9 11.3888 14.6837 16.9190 19.0228 21.6660 23.5894 27.877

10 12.5489 15.9872 18.3070 20.4832 23.2093 25.1882 29.588

11 13.7007 17.2750 19.6751 21.9200 24.7250 26.7568 31.264
12 14.8454 18.5493 21.0261 23.3367 26.2170 28.2995 32.909
13 15.9839 19.8119 22.3620 24.7356 27.6882 29.8195 34.528
14 17.1169 21.0641 23.6848 26.1189 29.1412 31.3194 36.123

15 18.2451 22.3071 24.9958 27.4884 30.5779 32.8013 37.697

16 19.3689 23.5418 26.2962 28.8454 31.9999 34.2672 39.252
17 20.4887 24.7690 27.5871 30.1910 33.4087 35.7185 40.790
18 21.6049 25.9894 28.8693 31.5264 34.8053 37.1565 42.312
19 22.7178 27.2036 30.1435 32.8523 36.1909 38.5823 43.820

20 23.8277 28.4120 31.4104 34.1696 37.5662 39.9968 45.315

21 24.9348 29.6151 32.6706 35.4789 38.9322 41.4011 46.797
22 26.0393 30.8133 33.9244 36.7807 40.2894 42.7957 48.268
23 27.1413 32.0069 35.1725 38.0756 41.6384 44.1813 49.728
24 28.2412 33.1962 36.4150 39.3641 42.9798 45.5585 51.179

25 29.3389 34.3816 37.6525 40.6465 44.3141 46.9279 52.618

26 30.4346 35.5632 38.8851 41.9232 45.6417 48.6417 54.052
27 31.5284 36.7412 40.1133 43.1945 46.9629 49.6449 55.476
28 32.6205 37.9159 41.3371 44.4608 48.2782 50.9934 56.892
29 33.7109 39.0875 42.5570 45.7223 49.5879 52.3356 58.301

30 34.7997 40.2560 43.7730 46.9792 50.8922 53.6720 59.703

40 45.6160 51.8051 55.7585 59.3417 63.6907 66.7660 73.402
50 56.3336 63.1671 67.5048 71.4202 76.1539 79.4900 86.661
60 66.9815 74.3970 79.0819 83.2977 88.3794 91.9517 99.607

70 77.5767 85.5270 90.5312 95.0232 100.425 104.215 112.317

80 88.1303 96.5782 101.879 106.629 112.329 116.321 124.839
90 98.6499 107.565 113.145 118.136 124.116 128.299 137.208
100 109.141 118.498 124.342 129.561 135.807 140.169 149.449

x +0.6745 +1.2816 +1.6449 +1.9600 +2.3263 +2.5758 +3.0902

Esta tabla se reproduce gracias a la amable autorización de los apoderados de Biometrika,

tomado de The Biometrika Tables for Statisticians, Vol. 1, 3ª. Ed., por E. S. Pearson y H. O.
Hartley (Eds.), Biometrika, 1966.
219

nr