RESUMEN RMA-05

DATOS Y AZAR I

Nombre
Curso

Profesor
 ESTADÍSTICA

Estadística

Descriptiva Inferencial
Realiza la recolección, síntesis y Realiza el estudio sobre un
análisis de los datos, calculando subconjunto de la población y luego se
información global de una población o extienden las conclusiones a toda la
de una muestra. población.

Población Ejemplo
Estudiantes
Conjunto que poseen una o Preuniversitario
más características comunes. Pedro de
(finitas o infinitas) Valdivia.

Muestra Ejemplo
Estudiantes
Subconjunto de una población. Preuniversitario
Nota: Para que el estudio de una Pedro de
muestra tenga una mayor Valdivia que
validez, la muestra debe ser viven en
representativa y aleatoria. Valdivia.

Página 2
Definición Tipo Subtipo Ejemplo
Variable cualitativa
Nominal
Son aquellas variables que  Estado civil.
No admite un
no son medibles  Sexo.
orden objetivo.
numéricamente, viene dada
por atributos de calidad.
Ordinal
 Nivel educacional.
Ejemplo Se pueden
 Rango militar.
Estado civil ,nivel de estudio, jerarquizar.
Variable etc.

Característica que Variable cuantitativa Discreta  Número de hijos.

se asocia a los Son aquellas variables en Cuando son  Número de
elementos de una que cada observación es numerables. mascotas.
población o una resultado de una medición
muestra. numérica o conteo y por lo
tanto tiene un valor
expresado por un número
Continua
real.
Es susceptible de
 Peso.
tomar cualquier
Ejemplo  Estatura.
valor real en un
Peso, temperatura, número
intervalo.
de personas en un salón,
etc.

Página 3
 Medidas de
tendencia central

Media Aritmética o Mediana Moda

Dato con mayor
Promedio Dato que ocupa la posición central de frecuencia absoluta o
la muestra. dato que más se repite.

Para datos no agrupados Mediana

x n + x n+1
x + x2 + x3 + ... + xn Si n es un número par  Me = 2 2

x = 1 2
n xn+1
Si n es un número impar  Me =
2

Para datos organizados en tabla

x1  f1 + x2  f2 + x3  f3 + ... + xn  fn
x =
n

Para datos agrupados en intervalos

c1  f1 + c2  f2 + c3  f3 + ... + cn  fn
x =
f1 + f2 + f3 + ... + fn

Para datos agrupados en Para datos agrupados en

intervalos: intervalos:

n D1
 Fi-1 Mo = Li + ·A
Me = Li + 2 ·A D1 + D2
fi

Página 4
Observaciones:

 Datos para estimar la mediana para datos agrupados en intervalos:

Li : Límite inferior del intervalo donde se ubica la mediana.

n : Total de datos.
fi : Frecuencia absoluta del intervalo que contiene a la mediana.
Fi – 1 : Frecuencia acumulada del intervalo que antecede al intervalo que
contiene a la mediana.
A : Amplitud del intervalo donde se encuentra la mediana.

 Datos para estimar la moda para datos agrupados en intervalos:

Li : Límite inferior del intervalo modal.

D1 : Diferencia entre las frecuencias absolutas del intervalo modal y la del
intervalo superior, donde:

 fi Frecuencia absoluta del intervalo modal.

 fi-1 Frecuencia absoluta del intervalo anterior al modal.
Donde D1 = fi – fi - 1

D2 : Diferencia entre las frecuencias absolutas del intervalo modal y la del

intervalo inferior.

 fi Frecuencia absoluta del intervalo modal.

 fi+1 Frecuencia absoluta del intervalo posterior al modal
Donde D2 = fi – fi + 1

A : Amplitud del intervalo modal.

Página 5
  Ejemplo:
Calcular media, moda y mediana en la siguiente tabla:

Intervalo Marca de Clase Frecuencia F. Acumulada

Absoluta
[a, b[ x f x·f F

[13 – 15[ 14 7 98 7
[15 – 17[ 16 8 128 15
[17 – 19[ 18 5 90 20
[19 – 21[ 20 3 60 23
[21 – 23[ 22 2 44 25
f = 25 x · f = 420

Media aritmética:

x  f 420
x  = = 16,8
f 25

Moda:

D1 (8  7) 1 2
Mo = Li + · A = 15 + · 2 = 15 + · 2 = 15 + = 15,5
D1 + D2 (8  7) + (8  5) 1+3 4

Mediana:

n 25
 Fi-1  7
12,5  7 11
Me = Li + 2 · A = 15 + 2 · 2 = 15 + · 2 = = 15 + = 16,375
fi 8 8 8

Página 6
 Medidas de Posición

(Cuantiles)

Cuartiles Quintiles Deciles Percentiles

Cada intervalo Cada intervalo Cada intervalo Cada intervalo

agrupa el 25% de agrupa el 20% de agrupa el 10% de agrupa el 1% de los
los datos. los datos. los datos. datos.

(4 partes iguales) (5 partes iguales) (10 partes iguales) (100 partes iguales)

Método para determinar una medida de posición para datos no

agrupados:

1° Ordenar los datos en forma creciente.

2° Determinar el lugar que ocupa la medida de posición buscada.
3° Respecto a la posición, tenemos dos posibles resultados:
Número entero: el valor será el dato que ocupa ese lugar.
Número decimal: el valor será el promedio entre el dato que se
encuentra a la izquierda de la posición con el dato que se encuentra a
la derecha.

Cuartil Quintil Decil Percentil

N+1 N+1 N+1 N+1

PQi = i · PKi = i · PDi = i · PPi = i ·
4 5 10 100

Página 7
 MEDIDAS DE DISPERSIÓN

Desviación estándar o Rango Varianza

típica
Diferencia entre el 2
(x) mayor y el menor de
los datos.

Para datos no agrupados: Para datos no agrupados:

(x1  x)2+(x2  x)2+... +(xn  x)2 (x1  x)2+(x2  x)2+... +(xn  x)2
= 2 =
n n

Para datos agrupados en tablas: Para datos agrupados en tablas:

f1(x1  x)2+f2 (x2 x)2+... +fn(xn x)2 f1(x1  x)2+f2 (x2  x)2+... +fn(xn x)2
= 2 =
f1 + f2 + f3 + ... + fn f1 + f2 + f3 + ... + fn

Para datos agrupados en intervalos: Para datos agrupados en intervalos:

f1(C1  x)2+f2 (C2  x)2+... +fn(Cn  x)2 f1(C1  x)2+f2 (C2  x)2+... +fn(Cn  x)2
= 2 =
f1 + f2 + f3 + ... + fn f1 + f2 + f3 + ... + fn

PROPIEDADES

1. 0
2. 2 =    = 0 ó  = 1
3. 2 <   0 <  < 1
4. 2 >    > 1
5. (x + c) = (x), donde c es una constante
6. (cx) = c (x)

Página 8
 REPRESENTACION GRAFICA
Se utiliza para variables de
tipo cualitativas y
cuantitativas discretas.
Gráfico de barras Consiste en una serie de
barras cuyas alturas
representan la frecuencia
absoluta de éstos.

Se utiliza en variables de
tipo cualitativa y cuantitativa
discreta. Consiste en un
Gráfico circular círculo dividido en secciones
proporcionales al tamaño de
la muestra y la frecuencia de
los datos.

Se utiliza para representar a

los datos agrupados en
intervalos. Se elabora
Histograma representando a los datos en
el eje horizontal y a las
frecuencias en el eje
vertical.

Se utiliza en datos
agrupados en intervalos.
Para confeccionarlo,
Polígono de debemos unir con una recta
frecuencia los puntos donde se
intersectan la marca de
clase y la frecuencia de los
intervalos.

Se representa uniendo
Polígono de puntos referidos al límites
frecuencias superior y frecuencia
acumuladas u acumulada de cada
ojivas intervalo. Para “anclar” la
ojiva al eje horizontal, se
posiciona en el límite inferior
del primer intervalo.

Página 9
 Gráfico Caja y Bigote

Xmin Q1 Q2 Q3 Xmáx

Muestra Simétrica Muestra Positivamente Muestra Negativamente

Asimétrica Asimétrica

Página 10
 COMBINATORIA

Fila: P(n) = n!
n! = 1 · 2 · 3 · … · n
0! = 1

Si
Permutación Circular: Pc(n) = (n – 1)!

Con r elementos repetidos K

veces cada uno.

n!
PR(n) =
K1!  K2!  ...  Kr

¿Intervienen
n!
todos los Sin repetición Vrn =
elementos? (n  r)!
Si
Variación

n
VR = nr
Con repetición r
¿Importa
el orden?
No
Sin repetición n n!
C =
r (n  r)!  r!

Combinación
No
n n+r-1
Con repetición CR = CR
r r

OBSERVACIÓN:

Cnn = 1 Cn0 = 1 n 
Cnk =  
k 

Página 11
 PROBABILIDADES

Concepto Ejemplo

Experimento aleatorio “Lanzar un dado”

Espacio muestral E = {1, 2, 3, 4, 5, 6}

A = Obtener un número par = {2, 4, 6}

Evento o suceso
B = Obtener un n° impar = {1, 3, 5}

Evento cierto C = Obtener un menor que 20 = {1, 2, 3, 4, 5, 6}

Evento imposible D = Obtener un múltiplo de 10 = 

Eventos mutuamente
AB=
excluyentes
Eventos independientes La ocurrencia de uno no afecta la ocurrencia del
otro.

Eventos complementarios AB= y AB=E

PROBABILIDAD CLÁSICA O REGLA DE LAPLACE

Número de casos favorables

P(A) =
Número de casos totales

Observaciones:

 0  P(A)  1, o bien, 0%  P(A)  100%

 P(A ocurra) + P(A no ocurra) = 1

Página 12
 DIAGRAMA DE VENN

Los diagramas de Venn permiten visualizar la cantidad de elementos de un evento y de esta

forma determinar fácilmente su probabilidad clásica.

A B
0 9
5
3
2 6
4
7
1 8

Probabilidad
Probabilidad Diagrama de Venn
Clásica

A B
0
9
5
3
2 6
4 6
P( A  B )
7 10
1 8

A B
0 5 9
P(A  B) 3
2 6
4 2
7
10
1 8

Página 13
 A B

P(A – B) 0 9
5
3
2 1
6
4 10
7
1 8

A B
0
5 9
3
2 6 3
P(B – A) 2 4 10
7
1 8

PROBABILIDAD EMPÍRICA

Número de veces que ocurrió el evento A

P(A) =
Número de veces que se realizó el experimento

LEY DE LOS GRANDES NÚMEROS

“Si un experimento aleatorio se repite un gran número de veces, la probabilidad empírica

de A se aproximará a la probabilidad teórica de que ocurra A”

Página 14
 TRIÁNGULO DE PASCAL

El Triángulo de Pascal es una regularidad que nos permite calcular fácilmente probabilidades
de experimentos aleatorios que consisten en dos eventos equiprobables complementarios,
como por ejemplo, lanzamiento de monedas (cara o sello), cantidad de hijos en una familia
(hombre o mujer), cantidad de respuestas correctas en una evaluación (verdadero o falso),
etc.

Observaciones:

 En cada fila, el primero y el último coeficiente, siempre son un número 1.

 Para obtener los otros coeficientes simplemente se suman los dos coeficientes que
están inmediatamente arriba en la fila anterior.
 En cada fila existe una simetría respecto al valor central de ésta.
 La suma de todos los coeficientes de una fila siempre corresponde a una potencia de
2.
 Para el cálculo de probabilidades los “casos totales” son la suma de la última fila a
considerar.
 Los números así obtenidos son los números combinatorios.
 Se relacionan con el binomio de Newton.

Ejemplo:

Lanzamiento de 4 monedas.

1
1 1
1 2 1
1 3 3 1
1 4 6 4 1
0 4 1 3 2 2 3 1
C S C S C S C S C S0
4

Página 15
 Tomar el coeficiente que está Probabilidad
Probabilidad pedida Coeficiente
justo sobre clásica
4
P(3 Caras) C3S1 C34 = 4
16

1
P(4 Sellos) C0S4 C44 = 1
16

6
P(2 Caras) C2S2 C24 = 6
16

PROBABILIDAD DE EVENTOS

Eventos Excluyentes

 AB= P(A  B) = P(A) + P(B)

 No hay elementos comunes.

P(A o B)

Eventos NO excluyentes
P(A  B) = P(A) + P(B) – P(A  B)
 Hay elementos comunes.

Página 16
 Eventos Independientes

 Un evento no influye en la
P(A  B) = P(A) · P(B)
ocurrencia del otro.

P(A y B) Eventos Dependientes

 El segundo evento queda

determinado por la ocurrencia
P(A  B) = P(A) · P(B|A)
del primero.

 P(B/A) se lee, la probabilidad

de B habiendo ocurrido A.

Observaciones:

 Si de la expresión P(A  B) = P(A) · P(B|A) se despeja P(B|A), se obtiene la forma

para determinar la Probabilidad Condicional.

P(A  B)
P(B/A) =
P(A)

 La probabilidad condicional también se puede obtener reduciendo el espacio muestral

a la condición dada y luego aplicar probabilidad clásica.

Página 17