Documentos de Académico
Documentos de Profesional
Documentos de Cultura
UNIVERSIDAD NACIONAL
AUTÓNOMA DE HONDURAS
TAREA INDIVIDUAL
Sección: 0901
Estudiante:
Alexis Josué Vásquez Núñez..........................................................................2019100
CIUDAD UNIVERSITARIA
vo I
.................20191006536
IA
IO DE 2022
Medidas de Ten
Central y Disp
de Tendencia
y Dispersión
Ejemplo
Una compañía compara los precios de artículos idénticos vendidas en sus tiendas.
Los precios son los siguientes:
1
2
3
4
5
6
7
8
9
10
$ 0.98
$ 1.05
$ 1.08
$ 1.08
$ 1.09
$ 1.14
$ 1.22
$ 1.24
$ 1.33
$ 1.55
Mediana $ 1.115
Media $ 1.176
Moda 1.08
Debido a que los datos están ligeramente sesgados, la mediana puede ser un poco
mejor que la media, pero en realidad no hay una diferencia notoria.
Ejemplo
Histograma
80
72
70 63
60 58
50
40 36
30 27
20 18
12 14
10
0
100 - 150 - 200 - 250 - 300 - 350 - 400 - 450 -
149.99 199.99 249.99 299.99 349.99 399.99 449.99 499.99
36
18
400 - 450 -
449.99 499.99
Ejemplo
0.04
0.06
0.12
0.14
0.15
0.17
0.17
0.18
0.19
0.21
0.21
0.22
0.24
0.25
Media 0.166
Varianza 0.0034
Desviación Estandar 0.058
Con estos datos podemos observas que la media de datos se encuentra
entre 0.166 con una varianza de 0.0034 y una desviación estandar de
0.058.
Ejemplo
Clase Frecuencia
700 799 4
800 899 7
900 999 8
1000 1099 10
1100 1199 12
1200 1299 17
1300 1399 13
1400 1499 10
1500 1599 9
1600 1699 7
1700 1799 2
1800 1899 1
100
Histograma
18 17
16
14 13
12
12
10 10
10
8
8 7
6
4
4
2
0
700 - 799 800 - 899 900 - 999 1000 - 1100 - 1200 - 1300 - 1400 -
1099 1199 1299 1399 1499
Ancho de Clase =
Concatenar
istograma 700 - 799
800 - 899
7
900 - 999
1000 - 1099
13
1100 - 1199
10 1200 - 1299
9
1300 - 1399
7 1400 - 1499
1500 - 1599
2 1600 - 1699
1 1700 - 1799
1800 - 1899
00 - 1300 - 1400 - 1500 - 1600 - 1700 - 1800 -
99 1399 1499 1599 1699 1799 1899
Moda
Limite Inf = 1200
d1= 5
d2= 4
Ancho de Clase = 100
TABLA DE DATOS NO AGRUPADOS
2.0 3.8 4.1 4.7 5.5
3.4 4.0 4.2 4.8 5.5
3.4 4.1 4.3 4.9 5.5
3.8 4.1 4.7 4.9 5.5
87.2
HACER:
1) La gráfica
2) La interpretación de los datos
3) Varianza (tal como el video de lab.)
4) Desviación estándar (tal como el video de lab.)
Varianza 0.40248
Desviación Estandar 0.63441311
Concatenar
Histograma
9
8
8
7
6
5
5
4
4
3
2
2
1
1
0
0
2 - 2.5 2.6 - 3.1 3.2 - 3.7 3.8 - 4.3 4.4 - 4.9 5 - 5.5
MARCA
DE (f*x) µMedia (x-µ) (x-µ)²
CLASE
2.25 2.25 4.29 -2.04 4.1616
2.85 0 4.29 -1.44 2.0736
3.45 6.9 4.29 -0.84 0.7056
4.05 32.4 4.29 -0.24 0.0576
4.65 23.25 4.29 0.36 0.1296
5.25 21 4.29 0.96 0.9216
85.8 8.0496
Concatenar
2 - 2.5
2.6 - 3.1
3.2 - 3.7
3.8 - 4.3
4.4 - 4.9
5 - 5.5
ORDENAMIENTO DE D
Valor
máximo 17 15.2
valor
mínimo 15.2 1.8 15.4
clases 6 1 15.6
A. INT. CL. 0.3 3 15.6
15.6
TABLA DE DATOS AGRUPADOS
FR.ACUM
FR
(Frecuenci
(Frecuenci
a FRE
No. clases LI LS FA a abs.
absoluta+e ACUM RE
/total de la
l valor
frecuencia)
siguiente)
Histograma
12 11
10
8
6
6 5
4 3 3
2
2
0
15.2 - 15.4 15.5 - 15.7 15.8 - 16 16.1 - 16.3 16.4 - 16.6 16.7 - 16.9
(f*marca
Marca de de clase)
Frecuencia
clase(LI Frecuencia Media (ẋ) X- Media (ẋ) (x-ẋ)²
*(x-ẋ)²
+LS)/2 absoluta*
MCLASE
Concatenar
15.2 - 15.4
15.5 - 15.7
15.8 - 16
16.1 - 16.3
16.4 - 16.6
16.7 - 16.9
Histograma
12
11
10
6
6
5
4
3 3
2
2
0
15.2 _ 15.4 15.5 _ 15.7 15.8 _ 16 16.1 _ 16.3 16.4 _ 16.6 16.7 _ 16.9
REALIZAR LA INTERPRETACIÓN DE LOS DATOS :
Se presenta el peso de 30 personas en unidad de
Kilogramos
50 56 58 63 64 Cantidad de Datos =
50 56 58 63 64 Valor Minimo =
53 57 59 63 65 Valor Maximo =
55 58 60 63 65 Rango =
56 58 60 63 68 Ancho de Clase =
56 58 61 64 68 Clases=
1. Se pide que realice la tabla de distribución de frecuencia con datos agrupados, considere que deb
Frecuencia
Frecuencia Frecuencia Abs. Punto
Lim. Inf. Lim. Sup Frec. * X
Absoluta Relativa Acumulad Medio (X)
50 53 3 0.1 a3 51.5 154.5
54 57 6 0.2 9 55.5 333
58 61 9 0.3 18 59.5 535.5
62 65 10 0.33333333 28 63.5 635
66 69 2 0.06666667 30 67.5 135
30 1 1793
Concatenar
Histograma 50 - 53
12 54 - 57
10 58 - 61
10 9 62 - 65
8 66 - 69
6
6
4 3
2
2
0
50-53 54-57 58-61 62-65 66-69
4 3
2
2
0
50-53 54-57 58-61 62-65 66-69
Frec. *
(X - (X -
Media (X -
Media) Media)2
Media)2
59.7666667 -8.2666667 68.3377778 205.013333
59.7666667 -4.2666667 18.2044444 109.226667
59.7666667 -0.2666667 0.07111111 0.64
59.7666667 3.73333333 13.9377778 139.377778
59.7666667 7.73333333 59.8044444 119.608889
573.866667
Mediana Moda
9 LM0 62
30 d1 1
9 d2 8
58 W 4
4
oncatenar
Probabilidad de
idad de Evento
Ejemplo
No 1 2 3 4 5 6
1 1,1 1,2 1,3 1,4 1,5 1,6
2 2,1 2,2 2,3 2,4 2,5 2,6
3 3,1 3,2 3,3 3,4 3,5 3,6
4 4,1 4,2 4,3 4,4 4,5 4,6
5 5,1 5,2 5,3 5,4 5,5 5,6
6 6,1 6,2 6,3 6,4 6,5 6,6
Datos 36
P(1)= 0/36 0
P(2)= 1/36 0.02777778
P(5)= 4/36 0.11111111
P(6)= 5/36 0.13888889
P(7)= 6/36 0.16666667
P(10)= 3/36 0.08333333
P(11)= 2/36 0.05555556
Ejemplo
Una compañía de seguros sabe por la información de datos registrados que los
hombres de 40 años de edad, 60 de cada 100,000 morirán en un periodo de un
año.
Quiere decir que hay un 30% de posibilidad de sacar as o un corazón de una baraja.
raja.
Ejemplo
Cual es la probabilidad el elegido sea mujer o la edad este por arriba de 35 años.
Quiere decir que hay un 60% de posibilidad de que el elegido sea mujer o mayor de 35 años.
35 años.
o mayor de 35 años.
Probabilid
condicional
dependencia es
babilidad
cional bajo
ncia estadística
Ejemplo
Suponga que una persona saca una bola de color, cual es la probabilidad de que tenga puntos.
P(B|A) = P(BA)/P(A)
P(P|C) = P(CP)/P(C)
(3/10)/(4/10) 3/4 0.75
Suponga que una persona saca una bola de color, cual es la probabilidad de que tenga franjas.
P(C|F) = P(FC)/P(C)
(1/10)/(4/10) 1/4 0.25
Suponga que una persona saca una bolsa de gris, cual es la probabilidad de que tenga puntos.
P(P|G) = P(PG)/P(G)
(2/10)/(6/10) 1/3 0.33333333
Suponga que una persona saca una bola de gris, cual es la probabilidad de que tenga franjas.
P(F|G) = P(FG)/P(G)
(4/10)/(6/10) 2/3 0.66666667
Suponga que una persona saca una bola de puntos, cual es la probabilidad de que tenga gris.
P(G|P) = P(GP)/P(P)
(2/10)/(5/10) 2/5 0.4
que tenga puntos.
ue tenga franjas.
P(CF) = P(C|F)*P(F)
P(CF)/P(F)*5/10
(1/10)/(5/10)*5/10 1/10 0.1
P(GP) = P(G|P)*P(P)
P(GP)/P(P)*5/10
(2/10)/(5/10)*5/10 2/10 0.2
P(GF) = P(G|F)*P(F)
P(GF)/P(F)*5/10
(4/10)/(5/10)*5/10 4/10 0.4
Probabilidad m
bajo condicio
dependencia es
lidad marginal
ondiciones de
ncia estadística
Ejemplo
P(C) = P(CP)+P(CF)
(3/10)+(1/10) 4/10 0.4
Variables Alea
es Aleatorias
Ejemplo
Una variable aleatoria es una especia de valor o magnitud que cambia de una ocurrencia a otra sin segui
predecible.
Por ejemplo: Una clínica para tratamiento del cáncer de mama no se tiene manera de saber con exactitu
van a ser atendidas en un día cualquiera, de modo que el número de mujeres del día siguiente es una var
Los valores de una variable son los valores numéricos correspondientes a cada posible resultado del exp
Si los registros diarios de la clínica indican que los valores de la variable aleatoria van desde 100 hasta 1
entonces esta es una variable aleatoria discreta.
“Hmmm, qué extraño”, piensa usted. Luego pide a una amiga que lance la moneda 20 veces; ella obtien
cruces. De modo que ahora, en total, usted tiene 22 caras y 8 cruces de un total de 30 lanzamientos.
¿Qué esperaba? ¿Algo cercano a 15 caras y 15 cruces (mitad y mitad)? Suponga ahora que una máquina
obtiene 792 caras y 208 cruces de un total de 1,000 lanzamientos de 5
la misma moneda. Con este resultado, usted podría sospechar que la moneda está alterada, debido a que
modo que esperaba.
Tabla 5-5
Distribución de Variable Aleatoria
probabilidad por número tome estos (1) * (2)
aleatoria (1)
de mujeres examinadas valores (2)
100 0.01 1.00
101 0.02 2.02
102 0.03 3.06
103 0.05 5.15
104 0.06 6.24
105 0.07 7.35
106 0.09 9.54
107 0.10 10.70
108 0.12 12.96
109 0.11 11.99
110 0.09 9.90
111 0.08 8.88
112 0.06 6.72
113 0.05 5.65
114 0.04 4.56
115 0.02 2.30
108.02
Tabla 5-4
Distribución de
probabilidad por Probabilidad
Examinadas
número de mujeres de que la
(valor de la
examinadas variable
variable
aleatoria
aleatoria)
tome este
valor
100 0.01
101 0.02
102 0.03
103 0.05
104 0.06
105 0.07
106 0.09
107 0.10
108 0.12
109 0.11
110 0.09
111 0.08
112 0.06
113 0.05
114 0.04
115 0.02
1.00
xaminadas al día."
Uso del valor e
en la toma de d
valor esperado
a de decisiones
Ejemplo Problema de vendedor al mayoreo:
Veamos el caso de un vendedor al mayoreo de frutas y legumbres que comercia con frambuesas. Este pr
vida útil muy limitada: si no se vende el día que llega, ya no tiene valor. Una caja de frambuesas cuesta
recibe $50 por ella. Éste no puede especificar el número de cajas que un cliente pedirá en cualquier día
análisis de registros pasados ha producido la información que presentamos en la tabla 5-6.
Tabla 5-8
Pérdida esperada
Probabilidad
al tener en Perdida
Posibles de que se Pérdida
existencia 10 cajas condiciona
solicitudes tengan estas esperada
l
solicitudes
10 0 0.15 0.00
11 30 0.20 6.00
12 60 0.40 24.00
13 90 0.25 22.50
1.00 52.50
Tabla 5-10
Pérdida esperada
Probabilidad
al tener en Perdida
Posibles de que se Pérdida
existencia 10 cajas condiciona
solicitudes tengan estas esperada
l
solicitudes
10 40 0.15 6.00
11 20 0.20 4.00
12 0 0.40 0.00
13 30 0.25 7.50
1.00 17.50
Pérdida mínima esperada.
cia con frambuesas. Este producto tiene una
caja de frambuesas cuesta $20 y el vendedor
nte pedirá en cualquier día dado, pero su
n la tabla 5-6.
10 0 20 40 60
11 30 0 20 40
12 60 30 0 20
13 90 60 30 0
Tabla 5-9
Pérdida esperada Probabilid
al tener en ad de que
Posibles Perdida Pérdida
existencia 11 cajas se tengan
solicitudes condicional esperada
estas
solicitudes
10 20 0.15 3.00
11 0 0.20 0.00
12 30 0.40 12.00
13 60 0.25 15.00
1.00 30.00
Tabla 5-11
Pérdida esperada Probabilid
al tener en ad de que
Posibles Perdida Pérdida
existencia 10 cajas se tengan
solicitudes condicional esperada
estas
solicitudes
10 60 0.15 9.00
11 40 0.20 8.00
12 20 0.40 8.00
13 0 0.25 0.00
1.00 25.00
Distribución B
ción Binomial
Ejemplo
Calculemos, para utilizar este lenguaje en un problema sencillo, las posibilidades de obtener exactamen
en tres lanzamientos de una moneda no alterada. Simbólicamente, expresamos los valores de la forma s
Aunque esta fórmula pueda parecer un tanto complicada, se le puede utilizar con bastante facilidad. El s
calcula de la manera siguiente: 3! significa 3 * 2 * 1, o 6. Para calcular 5!, multiplicamos 5 * 4 * 3 * 2 *
definen 0! igual a 1.
Ensayos o intentos N 3
éxitos R 2
prob. Éxito P 0.5
ACUM 0 0.375
38%
Por tanto, existe una probabilidad de 0.375 de obtener dos caras en tres lanzamientos de una moneda no
sibilidades de obtener exactamente dos caras (en cualquier orden)
resamos los valores de la forma siguiente:
brimos que
Recuerde que, a lo largo del tiempo, ocho décimos de los tubos se llenan de manera correcta (éxitos). Si
probabilidad de obtener exactamente tres tubos de seis (la mitad de una caja) llenos de manera correcta,
nuestros símbolos de esta forma:
Ensayos o intentos N 6
éxitos R 3
prob. Éxito P 0.8
ACUM 0 0.08192
8%
an de manera correcta (éxitos). Si queremos calcular la
a caja) llenos de manera correcta, podemos definir
Ejemplo Problema de vendedor al mayoreo:
Hasta este momento, nos hemos referido a la distribución binomial sólo en términos de la fórmula binom
cualquier otra distribución, también se puede expresar de manera gráfica.
Para ilustrar varias de tales distribuciones, considere la siguiente situación. Es frecuente que los emplea
Farmacia Kerr y hay cinco empleados en ella. El propietario ha estudiado la situación durante cierto per
probabilidad de 0.4 de que cualquier empleado llegue tarde y que las llegadas de los mismos son indepe
podríamos trazar una distribución binomial de probabilidad que ejemplifique las probabilidades desde q
lleguen tarde simultáneamente? Para hacerlo, necesitaríamos utilizar la fórmula binomial donde:
Para r = 0 Para r = 3
Ensayos o intentos N 5 Ensayos o intentos
éxitos R 0 éxitos
prob. Éxito P 0.4 prob. Éxito
ACUM 0 0.07776
8%
Para r = 1 Para r = 4
Ensayos o intentos N 5 Ensayos o intentos
éxitos R 1 éxitos
prob. Éxito P 0.4 prob. Éxito
ACUM 0 0.2592
26%
Para r = 2 Para r = 5
Ensayos o intentos N 5 Ensayos o intentos
éxitos R 2 éxitos
prob. Éxito P 0.4 prob. Éxito
ACUM 0 0.3456
35%
∑ 1
minos de la fórmula binomial, pero ésta, al igual que
Para r = 3
N 5
R 3
P 0.4
ACUM 0 0.2304
23%
Para r = 4
N 5
R 4
P 0.4
ACUM 0 0.0768
8%
Para r = 5
N 5
R 5
P 0.4
ACUM 0 0.01024
1%
Ejemplo
Suponga que estamos investigando la seguridad de una peligrosa intersección. Los registros poli iacos i
accidentes mensuales en esta intersección. El número de accidentes está distribuido de acuerdo con una
Departamento de Seguridad de Tránsito desea que calculemos la probabilidad de que en cualquier mes o
accidentes. Podemos utilizar la tabla 4a del apéndice para evitar el tener que calcular e elevadas a poten
fórmula:
Para x = 0
X 0
MEDIA 5
ACUMILADO 0 0.00674
Para x = 1
X 1
MEDIA 5
ACUMILADO 0 0.03369
Para x = 2
X 2
MEDIA 5
ACUMILADO 0 0.08422
Para x = 3
X 3
MEDIA 5
ACUMILADO 0 0.14037
Para x = 4
X 4
MEDIA 5
ACUMILADO 0 0.17547
∑ 0.44049 44%
Nuestros cálculos responderán a varias preguntas. Quizá deseemos conocer la probabilidad de tener 0, 1
Podemos averiguar esto sumando la probabilidad de tener exactamente 0, 1 y 2 accidentes, de la siguien
P(0) = 0.006738
P(1) = 0.033690
P(2) = 0.084224
P(0 o 1 o 2) = 0.12465
Tomaremos medidas para mejorar la seguridad de la intersección si la probabilidad de que ocurran más
excede 0.65. ¿Debemos tomar medidas? Para resolver este problema, necesitamos calcular la probabilid
luego restar el resultado de 1.0 para obtener la probabilidad de más de tres accidentes. Empezamos así:
P(0) = 0.00674
P(1) = 0.03369
P(2) = 0.08422
P(3) = 0.14037
P(3 o menos) = 0.26503
Como la probabilidad de Poisson de que ocurran tres o menos accidentes es de 0.26511, la probabilidad
debe ser 0.73489 (1.00000 _ 0.26511). Debido a que 0.73489 es mayor que 0.65, es necesario tomar me
la intersección.
Los registros poli iacos indican una media de cinco
uido de acuerdo con una distribución de Poisson, y el
e que en cualquier mes ocurran exactamente 0, 1, 2, 3 o 4
cular e elevadas a potencias negativas. Aplicando la