Probabilidad y estadistica

Manual semestral Ago – Dic 2022

Por: Ulises Perez Lopez s20006816

Contenido
1 Unidad Estadística Descriptiva ................................................................ 4
1.1Conceptos: ........................................................................................... 5
1.1.1 Estadística. ................................................................................................. 5
1.1.2 Estadística descriptiva e Inferencial. ........................................................ 5
1.1.3 Población, muestra. ................................................................................... 5
1.1.4 Parámetro, estadígrafo. ............................................................................. 6
1.1.5 Dato. ........................................................................................................... 6
1.1.6 Constante, Variable. ................................................................................... 6
1.1.7 Tipos de variable. ....................................................................................... 7
1.2 Distribuciones de Frecuencia. .......................................................... 10
1.2.1 Recolección y organización de datos. .................................................... 10
1.2.2 Límites de clase. ...................................................................................... 10
1.2.3 Límites reales de clase. ........................................................................... 10
1.2.4 Marcas de clase........................................................................................ 10
1.2.5 Tamaño de clase. ..................................................................................... 11
1.2.6 Frecuencias acumuladas. ........................................................................ 11
1.2.7Frecuencias relativas. ............................................................................... 11
1.2.8 Frecuencias relativas acumuladas. ......................................................... 11
1.2.9 Tablas de frecuencias.............................................................................. 12
1.3 Representación gráfica de los datos. (Definición y ejemplos). ...... 15
1.3.1 Gráfica de Barras. .................................................................................... 15
1.3.2 Histograma. .............................................................................................. 17
1.3.3 Polígono de Frecuencias. ........................................................................ 17
1.3.4 Ojiva. ......................................................................................................... 18
1.3.5 Ojiva Porcentual....................................................................................... 19
1.3.6 Gráfica Circular. ....................................................................................... 19
1.4 Medidas de Tendencia Central (Datos agrupados y no agrupados,
definición y ejemplos). ............................................................... 26
1.4.1 Media Aritmética. ..................................................................................... 26
1.4.2 Mediana. ................................................................................................... 27
1.4.3 Moda. ........................................................................................................ 28
1.4.4 Medidas de dispersión ............................................................................ 28
1.5 Medidas de Dispersión (Datos agrupados y no agrupados,
definición y ejemplos). ............................................................... 34

1
 1.5.1 Rango. ...................................................................................................... 34
1.5.2 Desviación Media. .................................................................................... 35
1.5.3 Desviación estándar. ............................................................................... 36
1.5.4 Varianza. ................................................................................................... 37
1.5.5 Coeficiente de Variación. ......................................................................... 38
1.5.6 Cuantiles. ................................................................................................. 51
Unidad 2: FUNDAMENTOS DE LA TEORÍA DE PROBABILIDAD. ............ 53
2.1 Análisis Combinatorio. ..................................................................... 59
2.1.1 Principio multiplicativo............................................................................ 59
2.1.2 Permutaciones. ........................................................................................ 60
2.1.3 Combinaciones. ....................................................................................... 63
2.2 Introducción a la probabilidad. ......................................................... 73
2.2.1 Concepto. ................................................................................................. 73
2.2.2 Probabilidad Simple. ................................................................................ 73
2.2.3 Regla de la Adición. ................................................................................. 76
2.2.4 Regla de la Multiplicación. ...................................................................... 77
Unidad 3: DISTRIBUCIONES DE PROBABILIDAD DISCRETAS Y
CONTINUAS. ............................................................................................... 78
3.1 Valor Esperado. ................................................................................. 78
3.2 Distribución Binomial. ...................................................................... 79
3.3 Distribución hipergeométrica. ......................................................... 83
3.4 Distribución de Poisson. ................................................................... 84
3.5 Distribución Normal. ......................................................................... 85
Unidad 4: TÉCNICAS DE MUESTREO........................................................ 87
4.1 Introducción al muestreo. ................................................................. 88
4.2 Diseño de Muestreo........................................................................... 88
4.3 Tipos de muestreo ............................................................................. 88
4.3.1 Aleatorio simple. ...................................................................................... 88
4.3.2 Sistemático............................................................................................... 90
4.3.3 Estratificado. ............................................................................................ 91
4.3.4 Conglomerados. ...................................................................................... 91
Unidad 5: INFERENCIA ESTADÍSTICA ...................................................... 93
5.1 INFERENCIA ESTADÍSTICA .............................................................. 94
Unidad 6: REGRESIÓN LINEAL Y CORRELACIÓN ................................... 95
6.1 Conceptos básicos. ........................................................................... 96
6.2 Correlación. ....................................................................................... 96
2
 6.3 Regresión Lineal. ............................................................................... 96
6.4 Método de Mínimos cuadrados. ....................................................... 97
BIBLIOGRAFÍAS:....................................................................................... 121

3
1 unidad Estadística Descriptiva

4
1.1Conceptos:

1.1.1 Estadística.
Rama de la ciencia que estudia las reglas para
diseñar, planear, recolectar, capturar, organizar,
presentar, procesar y analizar los datos obtenidos
al realizar varios ensayos repetidos de un
experimento y para inferir conclusiones acerca de
este último. Proporciona, además, los métodos
para el diseño estadístico de experimentos y la
toma de decisiones cuando aparecen situaciones
de incertidumbre. Algunos autores establecen que
la Estadística no es una ciencia ya que algunas de
las reglas que emplea son empíricas.

1.1.2 Estadística descriptiva e Inferencial.

Estadística descriptiva:
También se le conoce como deductiva, es el
método para obtener, de un conjunto de datos,
conclusiones sobre los mismos y que no
sobrepasan el conjunto de cono- cimientos que
proporcionan esos datos.

Estadística inferencial:
Es el método y conjunto de técnicas que se utilizan
para obtener conclusiones que sobrepasan los
límites de los conocimientos aportados por los
datos

1.1.3 Población, muestra.

Por población estadística, o simplemente población,
debe entenderse el total de elementos de un grupo
que se estudia, por ejemplo, las manzanas
producidas en la huerta "La manzana de oro”, o el
total de empleados de una empresa.
Una población puede clasificarse como finita
cuando e| número de elementos que Ia componen
es limitado; o infinita, cuando el número de sus
5
elementos es muy grande.

Una muestra puede ser grande o pequeña en

función del número de elementos que contenga.
Convencionalmente se dice que una muestra es
grande si tiene 30 elementos o más.

Una muestra es un conjunto de elementos extraídos

de un conjunto mayor (la población), a fin de
conocer de manera aproximada las características
de la población de donde proviene.

El conocimiento exacto de una población requiere

un estudio detallado, mientras que una muestra sólo
permite obtener resultados aproximados, pero su
tiempo y costo de realización, por Io general, son
menores que en el estudio de la población.
1.1.4 Parámetro, estadígrafo.

El parámetro estadístico es un valor, un número,

que resume y permite interpretar los datos
extraídos en el estudio de una muestra estadística.
Imaginemos que hablamos de una población
determinada que queremos analizar.

El estadígrafo suele utilizarse para estimar el

parámetro, que es la medida descriptiva inherente
al conjunto de la población. Todos estos conceptos
son usados por los profesionales de las
estadísticas a la hora de desarrollar su labor.

1.1.5 Dato.
El dato es la representación de una variable
cualitativa o cuantitativa. De ese modo, se le asigna
un número, letra o símbolo.

1.1.6 Constante, Variable.

Una constante es un elemento de datos con
nombre con un valor predefinido, mientras que una
variable es un elemento de datos con nombre cuyo
valor puede cambiar durante el curso de la
6
 ejecución de un programa. Las variables pueden
ser globales o locales.

1.1.7 Tipos de variable.

Variables cuantitativas:

Son las variables que se pueden contar o medir, por lo que se tienen dos tipos:

Variable cuantitativa discreta:

Es un tipo de variable que no puede presentar valores intermedios dentro de un

conjunto. Por ejemplo, el número de televisores existentes en una vivienda (0, 1,
2, 3...), es decir contamos las variables.

Variable cuantitativa continua:

La variable continua puede tomar cualquier valor comprendido entre dos números,
es decir, podemos medir la variable.

Variables cualitativas:

Son las que describen una característica, un atributo o categoría.

Variables aleatorias:

Una variable aleatoria es una función que asocia cada elemento de un espacio
muestral a un número real. Este concepto se utiliza en estudios estadísticos.

Se distinguen cuatro tipos de variables aleatorias: discreta, continua, binomial y

normal.

Ejercicio en clase:

Indíquese en cada uno de los casos siguientes si se trata de una variable o una
constante.
a) Número de días del mes de agosto
Constante
b) Edad de los estudiantes de primer año de una universidad
Variable

7
 c) Tiempo requerido para completar un ejercicio
Variable
d) Eda en que una persona adquiere el derecho a votar
Constante
e) Calificaciones obtenidas en un examen que contiene 100 preguntas
Variable
f) Máxima calificación posible ene el examen anterior
Constante
g) Cantidad de dinero gastado anualmente en libros por estudiantes
Variable

Imagínese una firma industrial comprometida en la producción de artículos

metálicos para la industria espacial entre sus productos hay tornillos para los
cuales existen estrechos márgenes de tolerancia respecto a la anchura. Como una
parte de los procedimientos de control de calidad se selecciona cierto número de
tornillos de la producción diaria y se les mide cuidadosamente.

A. Los tornillos seleccionados para su estudio constituyen:

a) Población
b) Estadígrafo.
c) Parámetro
d) Muestra

B. Las anchuras de todos estos tornillos constituyen:

a) Estadígrafo
b) Variables
c) Parámetro
d) Muestra

C. La medida de cada tornillo constituye:

a) Dato
b) Muestra
c) Estadígrafo
d) Población

D. La anchura promedio de los tornillos constituye:

a) Parámetro
b) Estadígrafo
c) Variable
d) Dato
e)
E. Si desea generalizar el resultado obtenido mediante la muestra para aplicarlo
8
 a:
a) Dato
b) Variable
c) Estadígrafo
d) Población
F. La anchura medida de todos los tornillos producidos en un día constituye:
a) Parámetro
b) Variable
c) Dato
d) Población

9
1.2 Distribuciones de Frecuencia.
Las distribuciones de frecuencias son tablas en que se dispone las modalidades
de la variable por filas. En las columnas se dispone el número de ocurrencias por
cada valor, porcentajes, etc. La finalidad de las agrupaciones en frecuencias es
facilitar la obtención de la información que contienen los datos.

1.2.1 Recolección y organización de datos.

Datos.
Son los distintos valores que obtenemos para cada individuo. Si lanzamos una
moneda al aire tres veces obtendremos tres datos; por ejemplo: cruz, cara, cruz.

Recolección de datos.
La recolección de datos La recolección de datos se refiere al uso de una gran
diversidad de técnicas y herramientas que pueden ser utilizadas por el analista
para desarrollar los sistemas de información, los cuales pueden ser Ia entrevista,
Ia encuesta, el cuestionario, Ia observación, el diagrama de flujo y el diccionario de
datos. Todos estos instrumentos se aplicarán en un momento en particular, con Ia
finalidad de buscar información que será útil a una investigación en común.

1.2.2 Límites de clase.

Cada clase está delimitada por el límite inferior de la clase y el límite superior de la
clase.
En una distribución de frecuencias agrupadas el límite inferior de una clase
pertenece al intervalo, pero el límite superior no pertenece intervalo, se cuenta
en el siguiente intervalo.

1.2.3 Límites reales de clase.

Son números que se emplean para formar las clases. El menor de ellos se llama
límite real inferior (Lri) Y el mayor, el límite real el superior de la clase (Lrs)

1.2.4 Marcas de clase.

Se define como marca de clase al punto medio del intervalo que representa il
dicha clase. Si el intervalo que se considera es el que tiene como extremos (y,'_I,
y). entonces " I I la marca de clase está dada por y,= Y¡-I +Y¡, donde i=l. 2 m.2

10
1.2.5 Tamaño de clase.

El tamaño de clase se obtiene al dividir el rango entre el número de clases, y se

representa con la letra c

1.2.6 Frecuencias acumuladas.

La frecuencia acumulada es el resultado de sumar sucesivamente las frecuencias
absolutas o relativas, desde el menor al mayor de sus valores.

1.2.7Frecuencias relativas.
La frecuencia relativa es una medida estadística que se calcula como el cociente
de la frecuencia absoluta de algún valor de la población/muestra (fi) entre el total
de valores que componen la población/muestra (N).
Para calcular la frecuencia relativa antes es necesario calcular la frecuencia
absoluta. Sin ella no podríamos obtener la frecuencia relativa. La frecuencia
relativa se representa con las letras hi y su fórmula de cálculo es la siguiente:

N = Número total de observaciones de la muestra

1.2.8 Frecuencias relativas acumuladas.

Para hallar la frecuencia relativa acumulada no tendríamos más que ir acumulando
las frecuencias relativas. Esta se denomina con las letras Hi.

Supongamos que las notas de 20 alumnos de primer curso de economía son las
siguientes:
1,2,8,5,8,3,8,5,6,10,5,7,9,4,10,2,7,6,5,10.

Por tanto, tenemos:

Xi = Variable aleatoria estadística, nota del examen de primer curso de

economía. N = 20 fi = Número de veces que se repite el suceso (en este caso, la

nota del examen).

11
Hi = Proporción que representa el valor i-ésimo en la muestra.

1.2.9 Tablas de frecuencias.

La tabla de frecuencias (o distribución de frecuencias) es una tabla que muestra
la distribución de los datos mediante sus frecuencias. Se utiliza para variables
cuantitativas o cualitativas ordinales.
La tabla de frecuencias es una herramienta que permite ordenar los datos de
manera que se presentan numéricamente las características de la distribución de
un conjunto de datos o muestra.

Construcción de la tabla de frecuencias

Cabe distinguir entre:

• Tabla de frecuencias con datos no agrupados.

• Tabla de frecuencias con datos agrupados.

Construcción de una tabla de frecuencias con datos no agrupados

• En la primera columna se ordenan de menor a mayor los diferentes

valores que tiene la variable en el conjunto de datos.
• En las siguientes columnas (segunda y tercera) se ponen las
frecuencias absolutas y las frecuencias absolutas acumuladas.
• Las columnas cuarta y quinta contienen las frecuencias relativas y
las frecuencias relativas acumuladas.
• Adicionalmente (opcional) se pueden incluir dos columnas (sexta y
séptima), representando la frecuencia relativa y la frecuencia relativa
acumulada como tanto por cien. Estos porcentajes se obtienen
multiplicando las dos frecuencias por cien.

12
13
Clase e Intervalo de clase

Clase. Es el número de subconjuntos en que se han agrupado los datos. Cada

clase se puede denominar mediante una letra, un número o alguna característica
del subconjunto.
Intervalo de clase. Es un conjunto de elementos que forman a una clase,
conteniendo un límite inferior y un límite superior.
Frecuencias
En estadística, el número de veces que ocurre un cierto suceso. También se
denomina frecuencia absoluta, en contraposición con la frecuencia relativa, que
consiste en la proporción de veces que ocurre dicho suceso con relación al
número de veces que podría haber ocurrido.

14
1.3 Representación gráfica de los datos. (Definición y ejemplos).
Las tablas estadísticas representan toda la información de modo esquemático y
permanecen preparadas para los cálculos posteriores. Los gráficos estadísticos
nos transmiten dicha información de modo más expresivo, nos permitirán, con un
únicamente golpe de vista, comprender que se nos habla, mirar sus propiedades
más relevantes, inclusive sacar alguna conclusión sobre la conducta de la
muestra donde se está llevando a cabo el análisis.

Los gráficos estadísticos resultan muy útiles para equiparar diversas tablas de
frecuencia.

1.3.1 Gráfica de Barras.

Es una representación cartesiana, en la que en el eje de abscisas figuran las

distintas modalidades o atributos y en el eje de ordenadas los valores de las
correspondientes frecuencias, levantando rectángulos de áreas proporcionales a
las frecuencias absolutas. Los rectángulos tendrán de base la unidad y de altura
la frecuencia absoluta de cada valor. Los rectángulos no tienen por qué ir
solapados.
Se utiliza para la representación de variables cuantitativas discretas, cada valor
de la variable se representa por un punto sobre el eje OX y sobre él se dibuja una
barra de longitud igual o proporcional a su frecuencia absoluta. Si la frecuencia
absoluta que se utiliza es la acumulativa, el diagrama de barras que se obtiene
es: diagrama de barras acumulativo.
Ejemplos:

15
 Título del gráfico
6

0
Categoría 1 Categoría 2 Categoría 3 Categoría 4

Serie 1 Serie 2 Serie 3

16
1.3.2 Histograma.
Un histograma es la representación gráfica a modo de barras, que simboliza el
reparto de un grupo de datos. Sirven para obtener una "primera vista" general, o
panorama, del reparto poblacional, o de la muestra, en relación con una
característica, cuantitativa y continua.
El histograma, una de las 7 Herramientas simples de la Calidad. Además, es un
medio eficaz para transmitir a otras personas datos acerca de un proceso de
manera estricta e inteligible.
Otra aplicación del histograma es la comparación de los resultados de un proceso
con las especificaciones antes establecidas. En esta situación, por medio del
histograma, puede determinarse en qué nivel el proceso está produciendo buenos
resultados.

1.3.3 Polígono de Frecuencias.

Un polígono de frecuencia es el nombre que tiene el tipo de gráfico que se hace
desde un histograma de frecuencia, en los que se usan columnas verticales para
manifestar las frecuencias, el polígono se crea al juntar los puntos de vista de
máxima elevación en estas columnas.
Esta clase de gráfico esta especialmente pensado para equiparar 2 sets de
datos. Se puede utilizar al instante que se desee hacer una representación de
una proporción de distribuciones diferentes o además una categorización cruzada
de una variable continua cualitativa con una cuantitativa o una que sea
cuantitativa que sea discreta en el mismo dibujo.
En las ciencias sociales, las ciencias naturales y las ciencias económicas, es
donde más se usa a menudo dichos histogramas, debido a que se aplican para
lograr realizar toda clase de comparación sobre los resultados de un definido
proceso.
Comúnmente se usa con frecuencias absolutas, empero además se usa con
frecuencias relativas.
Ejemplos:

17
 Título del gráfico
6
5
4
3
2
1
0
Categoría 1 Categoría 2 Categoría 3 Categoría 4

Serie 1 Serie 2 Serie 3

1.3.4 Ojiva.
La ojiva es un polígono de frecuencias acumuladas, es decir, en las abscisas se
colocan los límites superiores de cada intervalo de clase y en las ordenadas se
coloca la frecuencia acumulada (absoluta o relativa) de la clase.
Nos sirve para Calcular el número o el porcentaje de observaciones que
corresponden a un intervalo determinado de la variable.

Se puede hacer tanto con los datos agrupados en intervalos o con los datos sin
agrupar. Se prefiere para el tratamiento de datos cuantitativos. Dada su ventaja
de representar frecuencias acumuladas, las ojivas se convierten en una
herramienta vital para el análisis estadístico.

18
1.3.5 Ojiva Porcentual.
La ojiva porcentual, u ojiva relativa, es la gráfica de las frecuencias relativas
acumuladas. Es decir, en la ojiva porcentual se representan las frecuencias
relativas acumuladas en lugar de las frecuencias absolutas acumuladas.

1.3.6 Gráfica Circular.

El diagrama circular (también llamado gráfica circular, gráfica de pastel o
diagrama de sectores) sirve para representar variables cualitativas o discretas.
Se utiliza para representar la proporción de elementos de cada uno de los valores
de la variable.
Consiste en partir el círculo en porciones proporcionales a la frecuencia relativa.
Entiéndase como porción la parte del círculo que representa a cada valor que
toma la variable.

Ejemplos:
Ventas

1er trim. 2º trim. 3er trim. 4º trim.

19
 Ejercicio 1
Interva Calificacion F X F F Fr L L F
lo es a r en R R r
% S a
1 40-49 5 44 5 5/30=0. 16.66 39 49 5/30=0.1
.5 16 % .5 .5 6
2 50-59 5 54 5+5=1 5/30=0. 16.66 49 59 10/30=0.
.5 0 16 % .5 .5 33
3 60-69 3 64 10+3= 3/30=0. 10% 59 69 13/30=0.
.5 13 10 .5 .5 43
4 70-79 7 75 13+7= 7/30=0. 23.33 69 79 20/30=0.
.5 20 23 % .5 .5 66
5 80-89 5 84 20+5= 5/30=0. 16.66 79 89 25/30=0.
.5 25 16 % .5 .5 83
6 90-99 5 94 25+5= 5/30=0. 16.66 89 99 30/30=1
.5 30 16 % .5 .5
Amplitu 3 0.9997 99.97
d9 0

Con los datos anteriores graficar

a) Barras
b) Histograma
c) Polígono de frecuencias
d) Ojiva
e) Ojiva porcentual
f) Grafica Circular

20
21
 Fr ( % ) Grados
16.66% 60°
16.66% 60°
10% 36°
23.33% 84°
16.66% 60°
16.66% 60°

22
23
 Histograma
16
14
12
10
8
Fr

6
4
2
0
0.095 0.145 0.195 0.245 0.295
LR

Poligono de frecuencias
16 15

14 12
12 10
10 8
8
F

6 5

4
2 0 0
0
0.07 0.12 0.17 0.22 0.27 0.32 0.37
X

OJIVA
60
50
50 45

40 33
FA

30
18
20
8
10
0
0
0.045 0.095 0.145 0.195 0.245 0.295
LRS

24
-

25
1.4 Medidas de Tendencia Central (Datos agrupados y no agrupados,
definición y ejemplos).
Las medidas de tendencia central sirven para conocer en qué lugar se ubica el
elemento promedio, o típico del grupo. Imaginemos que queremos saber qué
grupo de música es el favorito de la clase. Para ello, podemos utilizar la moda.

Las medidas de tendencia central sirven para comparar e interpretar el valor de

una misma variable en distintas ocasiones. Imaginemos que valor medio de una
variable no es representativa, por lo que podemos complementar con el valor
mediano para extraer una imagen fiel.

1.4.1 Media Aritmética.

La media aritmética o promedio destaca por representar el reparto equitativo, el

equilibrio, la equidad. Es el valor que tendrán los datos, si todos ellos fueran
iguales. O, también, el valor que correspondería a cada uno de los datos de la
distribución si su suma total se repartirá por igual.

Datos no agrupados:

Fórmula:

Ejemplo:

26
 Datos agrupados:

Fórmula:

Ejemplo:

Intervalo marca frec. Absoluta xf

4-10 7 4 28
11- 17 14 10 140
18-24 21 7 147

la medida aritmética = (28+140+147) / 21 = 15

1.4.2 Mediana.
Esta es una de las medidas de tendencia central para datos no
agrupados también conocida como promedio aritmético: esta es el valor
encontrado en el centro del conjunto de los datos luego de haber
sido ordenados.

Se le llama también media posicional, y no es relevante si los datos están

ordenados en forma ascendente o descendente; independientemente de ello, la
mediana corresponderá al mismo valor.
Datos no agrupados:
Tenemos el siguiente conjunto de números: 3,5,7,12,23,28,31

Si te das cuenta, hay 7 números en este conjunto y todos están organizados en

orden ascendente. El número medio viene a ser el cuarto que está en la lista, que
es el número 12; allí la mediana es 12.

Se puede obtener con el método artesanal que es el ir tachando números en cada

orilla hasta llegar al dato del centro, o también se puede hacer la siguiente
operación: el número de datos + 1 / 2.

27
En el ejemplo anterior podríamos hacerlo de la siguiente forma:

Tenemos el siguiente conjunto: 3,5,7,12,23,28,31

Hay 7 datos +1=8/2 es 4. Al contar en el conjunto el número que ocupa

la posición 4 es el 12. Así que la mediana es 12.

Datos agrupados:

Se encuentra en el intervalo donde la frecuencia acumulada llega hasta la mitad

de la suma de las frecuencias absolutas. Tenemos que buscar el intervalo en el
que se encuentre. N / 2. N es la suma o total de datos

Li-1 es el límite inferior de la clase donde se encuentra la mediana.

N / 2 es la semisuma de las frecuencias absolutas.
Fi-1 es la frecuencia acumulada anterior a la clase mediana.
fi es la frecuencia absoluta del intervalo mediano.
ti es la amplitud de los intervalos.

1.4.3 Moda.
Esta medida sirve para identificar cuando un dato aparece continuamente, como
también durante un periodo de tiempo determinado. Es en sí el dato que más
aparece en un grupo, también pudiendo existir dos modas, conociéndose, así
como bimodal o, cuando hay más de dos modas recibe la denominación de
multimodal, que es cuando el máximo número de repeticiones se da para tres o
más números.

1.4.4 Medidas de dispersión

Datos no agrupados:
Para calcular la moda se deben escribir los números del conjunto y luego escribir
el número o los números que se repiten mayor cantidad de veces. En un conjunto
con los siguientes componentes: 4, 5, 8, 8, 7, 6, 8; la moda es el número 8 al ser el
número que se repite más.

28
Datos agrupados:

Es el valor que representa la mayor frecuencia absoluta. En tablas de

frecuencias con datos agrupados, hablaremos del intervalo modal. Tenemos que
usar el intervalo de mayor frecuencia absoluta y también recuerda que a veces
hay más de una moda.

En el ejemplo anterior el intervalo modal es 11-17 porque tiene una frecuencia de

10 y es la más alta.

Li Extremo inferior del intervalo modal (intervalo que tiene mayor frecuencia
absoluta).
fi Frecuencia absoluta del intervalo modal.
fi-1 Frecuencia absoluta del intervalo anterior al modal.
fi+1 Frecuencia absoluta del intervalo posterior al modal.
t Amplitud de los intervalos.
moda = 11 + (10-4) x 7
(10-4) +(10-7)
moda = 11 + 42
9
moda = 15.6

EJEMPLO DE MEDIA, MEDIANA Y MODA CON DATOS AGRUPADOS:

29
30
Trabajo en clase:
Ejercicios De Medidas De Tendencia (No Agrupados)
Dado los siguientes ejercicios hallar la media aritmética, media y moda.
1) 5 , 8 , 6 ,3 , 10

5 + 8 + 6 + 3 + 10 32
𝑥̅ = = = 6.4
5 5

Mediana 3,5,6,8,10 Mediana = 6

Moda: No hay

2) 10 , 8 , 4 , 3 , 9 , 10
10 + 8 + 4 + 3 + 9 + 10 44
𝑥̅ = = = 7.3
6 6

Mediana 3,4,8,9,10,10 Mediana 8+9 = 8.5

2

Moda: 10

3) 25 , 32 , 45 , 36 , 41

25 + 32 + 45 + 36 + 41 179
𝑥̅ = = = 35.8
5 5

Mediana 25,32,36,41,45 Mediana= 36

Moda: No hay

31
Ejercicio Medidas De Tendencia (Agrupados)
Mediante la siguiente distribución de frecuencia hallar la media aritmética,
mediana y moda.

Fases f x Fx
10-14 6 12 72
15-19 18 ∑ 𝑓𝑖 17 306
20-24 12 fm 22 264
25-29 14 27 378
N=50 1020

𝑥̅∑ 𝑓𝑥̅ = 1020 = 20.4

𝑁 50

𝑁 50
( −∑ 𝑓𝑖) ( 2 −24)
Mediana: 𝐿𝑟𝑖 + 2 𝑐 = 19.5 + 5 = 19.5
𝑓𝑚 12
𝑁 50
= = 25
2 2

∆1 12
Moda: 𝐿𝑟𝑖 + ( )𝑐 = 14.5 + ( ) 5 = 17.93
∆1+∆2 12+6

32
 Agrupados
Mediante la siguiente distribución de frecuencia hallar la media aritmética,
mediana y moda.

Fases f x Fx
30-39 5 34.5 172.5
40-49 7 44.5 311.5
50-59 10 54.5 545
60-69 15 64.5 967.5
70-79 13 74.5 968.5
80-89 10 84.5 845
590-99 6 94.5 567
N=66 4377

𝑥̅∑ 𝑓𝑥̅ = 4377 = 66.31

𝑁 66

𝑁 66
( −∑ 𝑓𝑖) ( 2 −22)
Mediana: 𝐿𝑟𝑖 + 2 𝑐 = 59.5 + 10 = 66.83
𝑓𝑚 15
𝑁 66
𝐶𝑙𝑎𝑠𝑒 𝑚𝑒𝑑𝑖𝑎𝑛𝑎 = = 33
2 2

∆1 5
Moda: 𝐿𝑟𝑖 + ( )𝑐 = 59.5 + ( ) 10 = 66.64
∆1+∆2 5+2

33
1.5 Medidas de Dispersión (Datos agrupados y no agrupados,
definición y ejemplos).
Las medidas de dispersión son números que indican si una variable se mueve
mucho, poco, más o menos que otra. La razón de ser de este tipo de medidas es
conocer de manera resumida una característica de la variable estudiada. En este
sentido, deben acompañar a las medidas de tendencia central. Juntas, ofrecen
información de un sólo vistazo que luego podremos utilizar para comparar y, si
fuera preciso, tomar decisiones.

1.5.1 Rango.
El rango, recorrido o amplitud, en estadística, es la diferencia (resta) entre el valor
máximo y el valor mínimo de un conjunto de datos provenientes de una muestra o
de una población. Si se representa al rango con la letra R y a los datos
mediante x, la fórmula para el rango es simplemente:

R = xmáx – xmín

Donde xmáx es el valor máximo de los datos y xmin es el mínimo.

Ejemplo:

En una escala del 0 al 20, un grupo de 16 estudiantes de matemáticas I obtuvo las

siguientes calificaciones (puntos) en un examen parcial:

16, 10, 12, 8, 9, 15, 18, 20, 9, 11, 1, 13, 17, 9, 10, 14

Solución:

Lo primero que hay de hacer para encontrar el recorrido es ordenar los datos de
forma creciente o decreciente. Por ejemplo en orden creciente se tiene:
1, 8, 9, 9, 9, 10, 10, 11, 12, 13, 14, 15, 16, 17, 18, 20

Mediante la fórmula dada al comienzo: R = xmáx – xmín

R = 20 – 1 puntos = 19 puntos.

34
1.5.2 Desviación Media.

La desviación media de un conjunto de datos es la media aritmética de los valores

absolutos de lo que se desvía cada valor respecto a la media aritmética.

La fórmula de la desviación media es la siguiente:

Donde:

• x̄: media aritmética de los datos.

• x1, x2, x3, …, xn: datos.
• xi: cada uno de los datos.
• n: número de datos.
Recuerda calcular la media aritmética x̄ antes de aplicar la fórmula de la
desviación media. Su fórmula es esta:

La desviación media también es llamada desviación promedio de la media o

desviación absoluta promedio. Es una medida de dispersión poco usada debido a
la dificultad de hacer cálculos con la función valor absoluto.

Ejemplo:
Calcular la desviación media de los siguientes datos: 2, 4, 6 y 8.

Solución:
Empezamos calculando la media aritmética de los datos, teniendo en cuenta que
tenemos 4 datos (n = 4).

El valor de la media aritmética es de 5.

Ahora aplicamos la fórmula de la desviación media:

35
El valor de la desviación media, es de 2.

1.5.3 Desviación estándar.

La desviación estándar es un índice numérico de la dispersión de un conjunto de

datos (o población). Mientras mayor es la desviación estándar, mayor es la
dispersión de la población. La desviación estándar es un promedio de las
desviaciones individuales de cada observación con respecto a la media de una
distribución. Así, la desviación estándar mide el grado de dispersión o variabilidad.

EJEMPLOS:
1.- Calcular la desviación estándar de las siguientes puntuaciones de un jugador
de baloncesto en los últimos partidos:

• Puntuaciones: 18, 20, 20, 22, 20, 20

• Calculamos la media aritmética ():

• Número de valores: 6

• Media Aritmética = (18 + 20 + 20 + 22 + 20 + 20) / 6 = 120 / 6 = 20

• Calculamos la Desviación Estándar:

•
• σ2 = [(18-20)2 + (20-20)2 + (20-20)2 + (22-20)2 + (20-20)2 + (20-20)2] / 6 =
16 / 6 = 8 /3 = 2,67

36
 • Desviación estándar: σ = √ 2,67 = 1,63

2.- Calcular la desviación estándar de las siguientes puntuaciones de otro jugador

de baloncesto en los últimos partidos:

• Puntuaciones: 10, 32, 24, 26, 40, 30

• Calculamos la media aritmética ():

• Número de valores: 6

• Media Aritmética = (10 + 32 + 24 + 26 + 40 + 24) / 6 = 156 / 6 = 26

• Calculamos la Desviación Estándar:

• σ2 = [(10-26)2 + (32-26)2 + (24-26)2 + (26-26)2 + (40-26)2 + (24-26)2] / 6 =

(256 + 36 + 4 + 0 + 196 + 4) / 6 = 82,67

• Desviación típica: σ = √ 82,67 = 9,09

1.5.4 Varianza.
La varianza, junto con la desviación estándar, son medidas de dispersión de datos
u observaciones. La dispersión de estos datos indica la variedad que estos
presentan, es decir, si todos los valores en un conjunto de datos son iguales,
entonces no hay dispersión, pero en cambio, si no todos son iguales entonces hay
dispersión.

EJEMPLO:
Supongamos que se tienen los ingresos anuales de cinco empresas distintas,
pertenecientes a un mismo empresario, los cuales son:

• Empresa A: 2.500 $
• Empresa B: 1.800 $
• Empresa C: 2.300 $
• Empresa D: 3.000 $
• Empresa E: 2.700 $
Entonces calculamos la media de los ingresos, simplemente sumando cada cifra y
dividiéndolo entre el número total de empresas, lo cual da como resultado: 2.460$.

37
 Datos Promedio Datos –
Promedio
Dato 1 2500 2460 40 1600

Dato 2 1800 2460 -660 435600

Dato 3 2300 2460 -160 25600

Dato 4 3000 2460 540 291600

Dato 5 2700 2460 240 57600

Total 812000

La varianza de la población es la sumatoria de las diferencias de los datos con el

promedio al cuadrado, dividido en n, en este caso es 5.

S2 =812000/5 = 203000

σ2=162400

Al sacar la raíz cuadrada a este resultado obtenemos la desviación estándar,

siendo ésta 402 $ de diferencia entre los ingresos de las cinco empresas.

1.5.5 Coeficiente de Variación.

El coeficiente de variación, también denominado coeficiente de variación de

Pearson es una medida estadística que nos informa acerca de la dispersión
relativa de un conjunto de datos.
Su cálculo se obtiene de dividir la desviación típica entre el valor absoluto
de la media del conjunto y por lo general se expresa en porcentaje para su
mejor comprensión.

38
 Ejemplo:

Una población de alumnos tiene una estatura media de 160 cm con una
desviación estándar de 16 cm. Estos mismos alumnos, tienen un peso medio de
70 kg con una desviación estándar de 14 kg. ¿Cuál de las 2 variables presenta
mayor variabilidad relativa?

Solución:

Vamos a comparar la dispersión de 2 variables, la estatura y el peso, usando el

coeficiente de variación.

Podemos que ver que CVP > CVE , por eso, el peso de esta población de alumnos
tiene mayor variabilidad relativa que la estatura.

39
Ejercicios en clase:
Medidas de dispersión (Datos no agrupados)

Mediante los siguientes datos hallar rango, desviación media (D.M.) ,desviación
estándar (s), varianza (s2) |Coeficiente de variación
1) 2, 5 , 7, 4, 3
R= Xmax – Xmin = 7 -2 =5

∑𝑋 −𝑋 7.2 |𝑋 − 𝑋|
𝐷. 𝑀. = = = 1.44
𝑛 5
|2 − 4.2| = 2.2

𝑓𝑥̅ |5 − 4.2| = 0.8

𝑥̅∑ =
2+5+7+4+3
=
21
= 4.2
𝑁 5 5 |7 − 4.2| = 2.8

|4 − 4.2| = 0.2
|3 − 4.2| = 1.2

∑ 𝑋 − 𝑋= 7.2

(∑ 𝑋 − 𝑋)
2 |𝑋 − 𝑋| 2
𝑠=√
𝑛−1 |2 − 4.2|2 = 4.84

14.8 |5 − 4.2|2 = 0.64

𝑠=√ 𝑠 = √3.7 𝑠 = 1.92
4 |7 − 4.2|2 = 7.84
|4 − 4.2|2 = 0.04

𝑠2 = 3.7 |3 − 4.2|2 = 1.44

∑ 𝑋 − 𝑋= 14.8
𝑠
𝐶. 𝑉. = ( ) ∗ 100
𝑥̅
1.92
𝐶. 𝑉. = ( ) ∗ 100
4.2
𝐶. 𝑉. = 45.79 %

40
2) 10, 12, 15, 10, 13

R= Xmax – Xmin = 15 - 10 =5

∑𝑋 − 𝑋 8
𝐷. 𝑀. = = = 1.6 |𝑋 − 𝑋|
𝑛 5
|10 − 12| = 2
|12 − 12| = 0
𝑥̅∑ 𝑓𝑥̅𝑁= 10+12+15+10+13 60
= 5= 12 |15 − 12| = 3
5
|10 − 12| = 2
|13 − 12| = 1
∑ 𝑋 − 𝑋= 8
2
(∑ 𝑋 − 𝑋) |𝑋 − 𝑋| 2
𝑠=√
𝑛−1 |10 − 12|2 =4
18 |12 − 12|2 =0
𝑠=√ 𝑠 = √4.5 𝑠 = 2.12 |15 − 12|2 =9
4 |10 − 12|2 =4
|13 − 12|2 =1
𝑠2 = 4.5
∑ 𝑋 − 𝑋= 18
𝑠
𝐶. 𝑉. = ( ) ∗ 100
𝑥̅
2.12
𝐶. 𝑉. = ( ) ∗ 100
12
𝐶. 𝑉. = 17.67 %

3) 28, 32, 24, 16, 22, 25

R= Xmax – Xmin = 32 -16 =16

|𝑋 − 𝑋|
∑𝑋 − 𝑋 23
𝐷. 𝑀. = = = 3.83 |28 − 24.5| = 3.5
𝑛 6 |32 − 24.5| = 7.5
|24 − 24.5| = 0.5
𝑥̅∑ 𝑓𝑥̅𝑁= 28+32+24+16+22+25 147 |16 − 24.5| = 8.5
= 6= 24.5
6 |22 − 24.5| = 2.5
|25 − 24.5| = 0.5
∑𝑋 − 𝑋 = 23

41
 2
(∑ 𝑋 − 𝑋)
𝑠=√
𝑛−1 |𝑋 − 𝑋| 2
147.5 |28 − 24.5|2 = 12.25
𝑠=√ 𝑠 = √29.5 𝑠 = 5.43 |32 − 24.5|2 = 56.25
5
|24 − 24.5|2 = 0.25
2 |16 − 24.5|2 = 72.25
𝑠 = 29.5
|22 − 24.5|2 = 6.25
𝑠 |25 − 24.5|2 = 0.25
𝐶. 𝑉. = ( ) ∗ 100
𝑥̅ ∑ 𝑋 − 𝑋= 147.5
5.43
𝐶. 𝑉. = ( ) ∗ 100
24.5
𝐶. 𝑉. = 22.16 %

Mediante las siguientes distribuciones de frecuencia. Hallar:

D.M. b)S y S2 C) C.V.
Clases f x fx
10-14 12 12 144
15-19 16 17 272
20-24 14 22 308
25-29 8 27 216
N=50 ∑ 𝑓𝑥̅ = 940
|𝑋 − 𝑋|
∑𝑋 − 𝑋 220.8
𝐷. 𝑀. = = = 4.4 12 |28 − 18.8| = 3.5
𝑛 50 10 |32 − 18.8| = 7.5
𝑓𝑥̅ 940
12 |24 − 18.8| = 0.5
𝑥̅∑ = = 18.8 12|16 − 18.8| = 8.5
𝑁 50 12 |22 − 18.8| = 2.5
12 |25 − 18.8| = 0.5
2 ∑𝑋 − 𝑋 = 23
(∑ 𝑋 − 𝑋)
𝑠 =√
𝑛−1 |𝑋 − 𝑋| 2
14.8 |2 − 18.8|2 = 4.84
𝑠=√ 𝑠 = √3.7 𝑠 = 1.92 |5 − 4.2|2 = 0.64
4
|7 − 4.2|2 = 7.84
|4 − 4.2|2 = 0.04
𝑠2 = 3.7
|3 − 4.2|2 = 1.44
|3 − 4.2|2 = 1.44
48
∑ 𝑋 − 𝑋= 14.8
 𝑠
𝐶. 𝑉. = ( )
𝑥̅
1.92
𝐶. 𝑉. = ( )
4.2
𝐶. 𝑉. = 45.79 %

D.M. b)S y S2 C) C.V.

Clases f x fx
20-29 8 24.5 196
30-39 13 34.5 448.5
40-49 15 44.5 667.5
50-59 12 54.5 654
60-69 7 64.5 451.5
N=55 ∑ 𝑓𝑥̅ = 2417.5
|𝑋 − 𝑋|
∑𝑋 − 𝑋 557.03
𝐷. 𝑀. = = = 10.12 08 |24.5 − 43.95| = 155.63
𝑛 55 13 |34.5 − 43.95| = 122.90
𝑓𝑥̅ 2417.5
15 |44.5 − 43.95| = 8.18
𝑥̅∑ = = 43.95 12|54.5 − 43.95| = 126.54
𝑁 55 07 |64.5 − 43.95| = 143.81
∑𝑋 − 𝑋 = 557.03
2
(∑ 𝑋 − 𝑋)
𝑠=√
𝑛−1 |𝑋 − 𝑋| 2
8482.6 08 |24.5 − 43.95|2 = 3026.83
𝑠=√ 𝑠 = √154.42 𝑠 = 12.41 13 |34.5 − 43.95|2 = 1162.04
55
15 |44.5 − 43.95|2 = 4.46
2 12 |54.5 − 43.95|2 = 1334.47
𝑠 = 154.42
07 |64.5 − 43.95|2 = 2954.80
𝑠 ∑𝑋 − 𝑋 = 8482.6
𝐶. 𝑉. = ( ) ∗ 100
𝑥̅
12.41
𝐶. 𝑉. = ( ) ∗ 100
43.95
𝐶. 𝑉. = 28.25 %
D.M. b)S y S2 C) C.V.

Clases f x fx
40-44 12 42 504
45-49 21 47 987
50-54 19 52 988
55-59 18 57 1026
60-64 10 62 620
N=80 ∑ 𝑓𝑥̅ = 4125
|𝑋 − 𝑋|
∑𝑋 − 𝑋 421.11
𝐷. 𝑀. = = = 5.26 12 |42 − 51.56| = 114.75
𝑛 80 21 |47 − 51.56| = 95.81
𝑓𝑥̅ 4125
19 |52 − 51.56| = 8.31
𝑥̅∑ = = 51.56 18|57 − 51.56| = 97.87
𝑁 80 10 |62 − 51.56| = 104.37
∑𝑋 − 𝑋 = 421.11

2
(∑ 𝑋 − 𝑋)
𝑠=√
𝑛−1 |𝑋 − 𝑋| 2
3154.66 12 |42 − 51.56|2 = 1097.29
𝑠=√ 𝑠 = √39.43 𝑠 = 6.27 21 |47 − 51.56|2 = 437.14
80
19 |52 − 51.56|2 = 3.63
2 18 |57 − 51.56|2 = 532.19
𝑠 = 39.43
10 |62 − 51.56|2 = 1089.41
𝑠 ∑𝑋 − 𝑋 = 3154.66
𝐶. 𝑉. = ( ) ∗ 100
𝑥̅
𝐶. 𝑉. = ( 6.27 ) ∗ 100
51.56
𝐶. 𝑉. = 12.17 %
1.5.6 Cuantiles.
Los cuantiles son estadísticos de localización que sirven para estudiar o analizar lo
que sucede con algún porcentaje de datos en particular, cuando se han ordenado
previamente los datos. Los cuantiles se dividen en Cuartiles, deciles y percentiles;
y se calculan teniendo en cuenta también, las tres formas en que se presentan los
datos.
Fórmula:

Trabajo en clase:

Mediante la siguiente distribución de frecuencia hallar:

a) Mediana Clases f
b) Cuartil: Q1 y Q2 40-44 12
c) Decil :D1 y D5
d) Percentil: P25 y P70 45-49 21
50-54 19
55-59 18
60-64 10
• Mediana N=80
𝑁
( − ∑ 𝑓𝑖)
𝑀𝑒 = 𝐿𝑟𝑖 + 2 𝐶
𝑓𝑚
(40 − 33)
= 49.5 + 5
19
= 49.5 + 1.84 = 51.34
𝑁 80
= = 40
2 2

• Cuartiles
𝑁
( − ∑ 𝑓𝑖)
(20 − 0)
𝑄1 = 𝐿𝑟𝑖 + 4 𝐶 = 39.5 + 5 = 39.5 + 8.33 = 47.83
𝑓𝑞 12
𝑁 80
= = 20
4 4
3𝑁
( − ∑ 𝑓𝑖) (60 − 52)
4
𝑄3 = 𝐿𝑟𝑖 + 𝐶 = 54.5 + 5 = 54.5 + 2.2 = 56.72
𝑓𝑞 18
3𝑁 3(80)
= = 60
4 4

• Decil
( 𝑁 − ∑ 𝑓𝑖) (8 − 0)
𝐷1 = 𝐿𝑟𝑖 + 10 𝐶 = 39.5 + 5 = 39.5 + 3.33 = 42.83
𝑓𝑑 12
𝑁 80
= =8
10 10
5𝑁
( − ∑ 𝑓𝑖) (40 − 33)
10
𝐷5 = 𝐿𝑟𝑖 + 𝐶 = 49.5 + 5 = 49.5 + 1.84 = 51.34
𝑓𝑑 19
5𝑁 5(80)
= = 40
10 10

• Percentil
25𝑁
( − ∑ 𝑓𝑖)
100 (20 − 0)
𝑃25 = 𝐿𝑟𝑖 + 𝐶 = 39.5 + 5 = 39.5 + 8.33 = 47.83
𝑓𝑝 12
25𝑁 25(80)
= = 20
100 100
70𝑁
( − ∑ 𝑓𝑖)
100 (56 − 52)
𝑃70 = 𝐿𝑟𝑖 + 𝐶 = 54.5 + 5 = 54.5 + 1.1 = 55.61
𝑓𝑝 18
70𝑁 70(80)
= = 56
100 100
Unidad 2: FUNDAMENTOS DE LA TEORÍA DE
PROBABILIDAD.

58
2.1 Análisis Combinatorio.
El análisis combinatorio estudia las distintas formas de agrupar y ordenar los
elementos de un conjunto, sin tener en cuenta la naturaleza de estos elementos.
Los problemas de arreglos y combinaciones pueden parecer aburridos y quizá se
piense que no tienen utilidad, pero los teoremas del análisis combinatorio son la
base del cálculo de la probabilidad. La probabilidad se encarga de los arreglos y
las combinaciones que determinan el número de formas diferentes en que un
acontecimiento puede suceder. El análisis combinatorio tiene aplicaciones en el
diseño y funcionamiento de la tecnología computacional, así como también en las
ciencias. La teoría combinatoria se aplica en las áreas en donde tengan relevancia
las distintas formas de agrupar elementos.

2.1.1 Principio multiplicativo.

La notación factorial se usa para calcular el producto de los primeros n números
naturales, es decir, los enteros positivos, comenzando desde el 1 hasta el valor de
n. Se denota mediante un signo de admiración y se llama n factorial:

n! = 1⋅2⋅3…. (n-1) ⋅n

Calcular la factorial de un número es sencillo, por ejemplo, el producto de los seis

primeros números naturales se expresa mediante:

6! = 1⋅2⋅3⋅4⋅5⋅6 = 720

Ejemplos:
Trabajo en clase:

A) 6! = 6 ∗ 5 ∗ 4 ∗ 3 ∗ 2 ∗ 1 = 720
B) 2! = 2 ∗ 1 = 2
C) 4! = 4 ∗ 3 ∗ 2 ∗ 1 = 24
D) 2! 3! = 2! * 3! = 2 * 6 = 12
E) 2! = 2 * 1 = 2

F) 3! = 3 * 2 = 6
6! 6∗ 5∗ 4!
G) = = 30
4! 4!
10! 10∗ 9!
H) = = 10
9! 4!
2! 6! (2!)( 6∗ 5!)
I) = = 6 =2
5! 3! (5!)( 3∗ 2!) 8
12! 10! (12∗ 11∗ 10∗ 9!)( 10∗ 9∗ 8!)
J) = = 118800
8! 9! (8!)( 9!)

2.1.2 Permutaciones.
Una permutación es una organización o una lista de objetos, en la que el orden
sí es importante. Las permutaciones son usadas cuando estamos contando sin
reemplazar los objetos y el orden sí importa. Si es que el orden no importa,
usamos las combinaciones.

En general P(n, k) significa el número de permutaciones de n objetos de los

cuales tomamos k objetos. Alternativamente, la fórmula de permutaciones es
expresada en la siguiente manera:

en donde:

•n representa al número total de elementos en un conjunto

 •k representa al número de objetos seleccionados
•! es el símbolo de factorial
Para resolver problemas de permutaciones, tenemos que recordar que el
factorial (denotado como “!“) es igual al producto de todos los números enteros
positivos menores o iguales al número que precede al factorial. Por ejemplo, 4!
=1×2 ×3×4=24.

EJEMPLOS:
Trabajo en clase:

1) 𝑃5 = 5! = 120
2) 𝑃3 = 3! = 6
3! 3⋅2⋅1
3) 3𝑃2 = (3−2)! = =3⋅2=6
1
5! 5⋅4⋅2!
4) 5𝑃3 = (5−3)! = = 5 ⋅ 4 ⋅ 3 = 60
2!
5) 4𝑃 = 4!
=
4⋅3⋅2⋅1
=
24
= 24
4 (4−4)! 0! 1

6) 6𝑃 = 6! = 6⋅5⋅4⋅3⋅2⋅1 = 720 = 720

6 (6−6)! 0! 1

7) 8𝑃 = 8! = 8! = 8∗7∗6∗5∗4∗3! = 720 = 720

5 (8−5)! 3! 0! 1

8) 8𝑃 = 8! = 8! = 8∗7∗6∗5∗4∗3∗2! = 720 =
6 (8−6)! 2! 2! 1
20160
9) Hay un tren cuyos 7 asientos se mantienen vacíos
de cuantas maneras pueden sentarse 3 pasajeros
7! 7! 7 ∗ 6 ∗ 5 ∗ 4!
𝑝
7 3 = = = = 210
(7 − 3)! 4! 4!
10) De cuantas maneras 3 fresadoras, 4 tornos, 4
taladros y 2 cepillos pueden ordenarse en fila en un
taller, de modo que el mismo tipo de máquinas
queden juntas
3𝑓 4𝑡 4𝑡 2𝑐
3! 4! 4! 2!

3! ∗ 4! ∗ 4! ∗ 2! ∗ 4! = 165888

11) En el concurso de belleza de miss América se

suelen escoger primero 15 semifinalistas y luego se
eligen 5 finalistas ¿de cuantas maneras se pueden
ocupar las 5 primeras posiciones entre las 15
semifinalistas?
15! 15! 15 ∗ 14 ∗ 13 ∗ 12 ∗ 11 ∗ 10!
15𝑝5 = = =
(15 − 5)! 10! 10!
= 360860
2.1.3 Combinaciones.
Una combinación, es un arreglo de elementos en donde no nos interesa el lugar o
posición que ocupan los mismos dentro del arreglo. En una combinación nos
interesa formar grupos y el contenido de los mismos.
La fórmula para determinar el número de combinaciones es:

Ejemplo 1: ¿Cuántos equipos de voleibol se pueden formar a partir de 9 jugadores

disponibles?

Solución: Se requieren 6 jugadores para formar un equipo de voleibol, por lo que,

en este caso se tiene que.

n=9
r=6

de manera que

Ejemplos:
1) a. Si se cuenta con 14 alumnos que desean colaborar en una campaña pro
limpieza del Tec, cuantos grupos de limpieza podrán formarse si se desea que
consten de 5 alumnos cada uno de ellos,
b..sí entre los 14 alumnos hay 8 mujeres, ¿cuántos de los grupos de limpieza
tendrán a 3 mujeres?,
c. ¿cuántos de los grupos de limpieza contarán con 4 hombres por lo menos?

Solución:
a. n = 14, r = 5

14C5 = 14! / (14 – 5)!5! = 14! / 9!5!

= 14 x 13 x 12 x 11 x 10 x 9! / 9!5!
= 2002 grupos

Trabajo en clase:
1. 6𝐶2
6! 6! 6 ∗ 5 ∗ 4! 30
= = = = 15
2! − (6 − 2)! 2! ∗ 4! 2! − 4! 2
6!
2. 6𝐶6
 6! 6!
= = =1
6! (6 − 6)! 6! ∗ 0! 6!

3. 6𝐶4
 6! 6! 6 ∗ 5 ∗ 4! 30
= = = = 15
4! (6 − 4) 4! ∗ 2! 4! ∗ 2! 2

4. 8𝐶8
8! 8! 8!
= = =1
8! (8 − 8)! 8! ∗ 0! 8!
5. 𝟓𝑪𝟓
5! 5! 5! 5!
5𝐶5 = = = = =1
5! (5 − 5)! 5! ∗ 0! 5! ∗ 1 5!

6. (𝟖 )
𝟓
8 8! 8! 8 ∗ 7 ∗ 6 ∗ 5! 336
( )= = = = = 56
5 5! (8 − 5)! 5! ∗ 3! 5! ∗ 3! 6

7. (𝟓 )
𝟑
5 5! 5! 5 ∗ 4 ∗ 3! 20
( )= = = = = 10
3 3! (5 − 3)! 3! ∗ 2! 3! ∗ 2! 2

8. (𝟕 )
𝟕
7 7! 7! 7! 7!
( )= = = = =1
7 7! (7 − 7)! 7! ∗ 0! 7! ∗ 1 7!

9. (𝟒 )
𝟒
4 4! 4! 4! 4!
( )= = = = =1
4 4! (4 − 4)! 4! ∗ 0! 4! ∗ 1 4!

Sea el conjunto (A, B, C) ¿De cuantas maneras podemos seleccionar a?

a) 1 elemento
b) elementos
c) elementos
a) 𝐶 = 3! = 3! = 3∗2!
=
3
=3
3 1 1!(3−1)! 1!∗2! 1!∗2! 1

b) 𝐶 = 3!
=
3!
=
3∗2!
=
3
=3
3 2 2!(3−2)! 2!∗1! 2!∗1! 1
 3! 6
c) 𝐶 = 3!
=
3! = = =1
3 3 3!(3−3)! 3!∗1! 3! 6

En los laboratorios “ELKO” hay 3 plazas vacantes de un total de 33 solicitudes de empleo, sólo 14 se han
considerado aceptables, en bases en las entrevistas practicadas por el departamento de personal.
¿De cuántas maneras pueden asignarse las 3 plazas?

Si todos los empleos son de la misma categoría, Si un empleo es de gerente de

ventas, uno es de agente visitador para las ciudades de Puebla y Tlaxcala y otro
de agente visitador para las ciudades de Tampico y Cd. Madero.

14! 14! 14 ∗ 13 ∗ 12 ∗ 11!

14𝐶3 = = = = 364
3! (14 − 3)! 3! ∗ 11! 3! ∗ 11!

14! 14! 14 ∗ 13 ∗ 12 ∗ 11!

14𝑃3 = = = = 2184
(14 − 3)! 11! 11!
El congreso anglo mexicano de administración pública debe elegir el futuro comité ejecutivo que regirá a esa
institución durante el próximo año.
La comisión directiva se forma con 6 integrantes y este año han sido propuestos 7 representantes
mexicanos y 4 ingleses para ser electos. Se pide determinar de cuántas maneras se pueden integrar
la comisión en los siguientes casos:
Si en la comisión debe haber 4 mexicanos y 2 ingleses.
Si en la comisión debe haber como mínimo 2 ingleses y 2 mexicanos.

a)

Los mexicanos se pueden escoger de:

7! 7! 7 ∗ 6 ∗ 5 ∗ 4!
7𝐶4 = = = = 35
4! (7 − 4)! 4! ∗ 3! 4! ∗ 3!

Los ingleses se pueden escoger de:

4! 4! 4 ∗ 3 ∗ 2! 12
4𝐶2 = = = = =6
2! (4 − 2)! 2! ∗ 2! 2! ∗ 2! 2

Conjuntamente

7𝐶4 ∗ 4𝐶2 = (35)(6) = 210

 Se pueden presentar los casos:

2 ingleses y 4 mexicanos: 7𝐶4 ∗ 4𝐶2 = (35)(6) =

210

7! 7! 7 ∗ 6 ∗ 5 ∗ 4!
7𝐶4 = = =
4! (7 − 4)! 4! ∗ 3! 4! ∗ 3!
= 35
4! 4! 4 ∗ 3 ∗ 2! 12
4𝐶2 = = = =
2! (4 − 2)! 2! ∗ 2! 2! ∗ 2! 2
=6

2) 3 ingleses y 3 mexicanos: 7𝐶3 ∗ 4𝐶3 = (35)(4) = 140

7! 7! 7 ∗ 6 ∗ 5 ∗ 4! 210
7𝐶3 = = = = = 35
3! (7 − 3)! 3! ∗ 4! 3! ∗ 4! 6

4! 4! 4 ∗ 3! 4
4𝐶3 = = = = =4
3! (4 − 3)! 3! ∗ 1! 3! ∗ 1! 1

3) 4 ingleses y 2 mexicanos: 7𝐶2 ∗ 4𝐶4 =

(21)(1) = 21

7! 7! 7 ∗ 6 ∗ 5! 42
7𝐶2 = = = = = 21
2! (7 − 2)! 2! ∗ 5! 2! ∗ 5! 2

4! 4! 4! 4!
4𝐶4 = = = = =1
4! (4 − 4)! 4! ∗ 0! 4! ∗ 0! 4!

Conjuntamente

7 𝐶
4 ∗ 4𝐶2 + 7𝐶3 ∗ 4𝐶3 + 7𝐶2 ∗ 4𝐶4 = 210 + 140 + 21 = 371

10. En una clase de 35 alumnos se quiere elegir un comité formado por 3 alumnos
¿Cuántos comités diferentes se pueden formar?
 35! 35! 35 ∗ 34 ∗ 33 ∗ 32!
35𝐶3 = = =
3! (35 − 3)! 3! ∗ 32! 3! ∗ 32!
39,270
= = 6,545
6

La compañía financiera “Tlaloc” ha decidido diversificar sus inversiones

adquiriendo acciones en 2 corporaciones. La corporación “A” esta formada por 10
empresas y la corporación “B” por 5.
10! 10!
10C5= = = 120
3!(10−3)! 3!7!
5! 5!
5C3= = = 10
3!(5−3)! 3!2!
10C3*5C3=120*10=1200

En una clase de 35 alumnos se quiere elegir un comité formado por 3 alumnos.

¿Cuántos comités diferentes se pueden
35!
formar?
35C3= 30! 35∗34∗33∗32! 39,270
= = = = 6545
3!(35−3)! 3!32! 3!32! 6

11. Mario tenía mucha sed, así que fue a la panadería a comprar un jugo. Quien lo
atiende le dice que en dos tamaños: grande y pequeño, y cuatro sabores:
manzana, naranja, limón y uva. ¿De cuantas maneras puede Mario escoger el
jugo? ¿Y cuáles son?

Manzana GM

Naranja GN
Jugo
grande
Limón GL

Uva GU

Manzana PM

Naranja PN
Jugo
pequeño
Limón PL

Uva PU

2 𝑡𝑎𝑚𝑎ñ𝑜𝑠 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑡𝑒𝑠 × 4 𝑠𝑎𝑏𝑜𝑟𝑒𝑠 𝑑𝑖𝑠𝑖𝑡𝑖𝑛𝑡𝑜𝑠 = 8 𝑓𝑜𝑟𝑚𝑎𝑠 𝑑𝑖𝑠𝑡𝑖𝑛𝑡𝑎𝑠

2×4 = 8
12. En un proceso de manufactura hay 6 operaciones distintas que se indican con
A, B, C, D, E y F. En general no existe una secuencia fija para las operaciones
 con la salvedad de que A deba efectuarse al principio y F al final.
¿Cuántas secuencias pueden ocurrir?

𝐴 − 4 ∗ 3 ∗ 2 ∗ 1 − 𝐹 = 24 𝑆𝑒𝑐𝑢𝑒𝑛𝑐𝑖𝑎𝑠

13. El gerente de un restaurante ha programado el menú para el siguiente

domingo, como entrada los comensales pueden elegir entre F y S, como plato
fuerte C, P o L, como postre T o H y finalmente Café o Té. ¿Cuál es el número
completo de comidas que ofrece el restaurante? ¿Cuáles son?
2 ∗ 3 ∗ 2 ∗ 2 = 24 𝑐𝑜𝑚𝑖𝑑𝑎𝑠
A2= Té
A1= Café
14. La agencia PIPZA famosa por el éxito de sus campañas de promoción
publicitaria para lanzar nuevos productos, ha obtenido la exclusividad respecto
a una línea de polvos para preparar prostres dietéticos con bajas calorías y
diversos sabores.

A estos efectos la agencia ha decidido organizar un concurso nacional destinado a

adivinar el nombre futuro de esa línea de productos, las condiciones del concurso
son:
Los nombres que se propongan deben ser de 4 letras
Ninguna letra debe repetirse
La 1era y 3era letra debe ser consonantes
La 2da y 4ta letra debe ser vocal
¿Cuántas nombres distintos debe proponer para estar en el concurso? Nota: Se
consideran 28 letras del alfabeto.
23 ∗ 5 ∗ 22 ∗ 4 = 10120 𝑛𝑜𝑚𝑏𝑟𝑒𝑠 28 𝑙𝑒𝑡𝑟𝑎𝑠 − 5 𝑣𝑜𝑐𝑎𝑙𝑒𝑠 = 23 𝑙𝑒𝑡𝑟𝑎𝑠

15. Calcular cuantos números enteros de tres dígitos se pueden formar con los
dígitos: 2, 3, 4, 5, 6, 7, 8, si los dígitos no pueden repetirse.

(7 𝑜𝑝𝑐𝑖𝑜𝑛𝑒𝑠)(6 𝑜𝑝𝑐𝑖𝑜𝑛𝑒𝑠)(5 𝑜𝑝𝑐𝑖𝑜𝑛𝑒𝑠) = 210

Respuesta: 210 números

16. David debe ir desde su casa al Liseo, pero antes debe pasar por la casa de su
amigo, para ir a la casa de su amigo le sirven 3 autobuses y para ir de la casa
de su amigo al Liseo le sirven 2 autobuses. ¿De cuantas maneras puede
trasladarse?
(3 𝑎𝑢𝑡𝑜𝑏𝑢𝑠𝑒𝑠)(2 𝑎𝑢𝑡𝑜𝑏𝑢𝑠𝑒𝑠) = 6

Respuesta: 6 maneras
17. Erica tiene a su disposición 4 blusas, 3 pantalones y 3 pares de zapatos, todos
de diferentes colores. ¿De cuantas maneras diferentes puede vestirse usando
dichas prendas y cuáles son esas maneras?
Blusas: Azul, roja, amarilla y verde
Pantalones: Negro, blanco y azul
Zapatos: Negros y blancos

Z. Negros ANN Z. Negros RNN

P. negro P. negro
Z. Blancos ANB Z. Blancos RNB
Blusa Z. Negros ABN Blusa Z. Negros RBN
P. Blanco P. Blanco
azul Z. Blancos ABB roja Z. Blancos RBB
Z. Negros AAN Z. Negros RAN
P. Azul P. Azul
Z. Blancos AAB Z. Blancos RAB

Z. Negros AmNN
P. negro
Z. Blancos AmNB
Blusa
Z. Negros AmBN
amarill P. Blanco
Z. Blancos AmBB
a
Z. Negros AmAN
P. Azul
Z. Blancos AmAB

Respuesta: 16 maneras
18. Una persona desea construir su casa para lo cual considera que pueda
construir los cimientos de su casa de cualquiera de dos maneras (concreto o
block de cemento, mientras que las paredes las puede hacer de adobe,
adobón o ladrillo, el techo puede ser de concreto de lámina galvanizada y por
ultimo los acabados los puede realizar de una sola manera. ¿De cuantas
maneras diferentes puede construir su casa y cuáles son?

Concreto Acabado CACA

Adobe
Lamina Acabado CALA
Concreto Acabado CAdCA
Concreto Adobón
Lamina Acabado CAdLA
Concreto Acabado CLCA
Ladrillo
Lamina Acabado CLLA

Concreto Acabado BACA

Adobe
Lamina Acabado BALA
Concreto Acabado BAdCA
Block Adobón
Lamina Acabado BAdLA
Concreto Acabado BLCA
Ladrillo
Lamina Acabado BLLA

Respuesta: 12 maneras
19. En una ciudad los números de teléfono constan de 5 cifras, cada uno se llena
con uno de los 10 dígitos. ¿Cuántos números diferentes pueden formarse?

(10 𝑑𝑖𝑔𝑖𝑡𝑜𝑠)(10 𝑑𝑖𝑔𝑖𝑡𝑜𝑠))(10 𝑑𝑖𝑔𝑖𝑡𝑜𝑠))(10 𝑑𝑖𝑔𝑖𝑡𝑜𝑠))(10 𝑑𝑖𝑔𝑖𝑡𝑜𝑠)

= 100000

Respuesta: 100000 números

20. En una asamblea de accionistas, hay 6 personas que han solicitado la palabra.
¿de cuantas maneras distintas pueden hablar si no se ha establecido ningún
sistema de prioridad?

(6 𝑝𝑒𝑟𝑠. )(5 𝑝𝑒𝑟𝑠. )(4 𝑝𝑒𝑟𝑠. )(3 𝑝𝑒𝑟𝑠. )(2 𝑝𝑒𝑟𝑠. )(1 𝑝𝑒𝑟𝑠. ) = 720

Respuesta: 720 maneras

21. En un proceso de manufacturas hay 6 operaciones distintas, que se indican

con letras mayúsculas. No existe una frecuencia de las operaciones, con la
salvedad de que “A” debe efectuarse al inicio y “F” al final. ¿Cuántas
 secuencias pueden ocurrir?

(1 𝑜𝑝𝑒. )(4 𝑜𝑝𝑒. )(3 𝑜𝑝𝑒. )(2 𝑜𝑝𝑒. )(1 𝑜𝑝𝑒. )(1 𝑜𝑝𝑒. ) = 24

Respuesta: 24 secuencias

2.2 Introducción a la probabilidad.

2.2.1 Concepto.
La probabilidad refiere a la posibilidad de ocurrencia de un fenómeno. Esta
circunstancia da cuenta de una medida de posibilidad de ocurrencia de un
determinado escenario en función de un número de escenarios totales posibles.
Es un concepto propio de la estadística y sirve para el análisis de diversos
aspectos de la realidad. Algunas de las disciplinas que se valen con fruición de
este tipo de conceptualizaciones son las finanzas o la meteorología. Si bien
pueden parecer áreas del conocimiento totalmente distintas y cada una ubicada en
las antípodas de la otra, lo cierto es que tienen muchas cosas en común; la más
importante de todas es la imposibilidad de tener un enfoque mecanicista para
comprenderlas, circunstancia que hace que se necesite continuamente el análisis
de probabilidades

2.2.2 Probabilidad Simple.

La probabilidad simple es un valor entre 0 y 1. De manera que cuanto más
probable sea de que ocurra un evento determinado, mayor será la probabilidad
simple de dicho evento. Y al revés, cuanto menos probable sea de que suceda un
evento, menor será su probabilidad simple.

La probabilidad simple también se llama probabilidad marginal.

La fórmula de la probabilidad simple es igual al número de casos favorables de un

experimento dividido entre el número total de posibles resultados del experimento.
 EJEMPLO:

Trabajo en clase:
1.- Sea la tirada de un dado hallar la probabilidad de que caiga un numero 3.
1
𝑝(3) = = .17 = 17%
6
𝑆 = {1,2,3,4,5,6

2.- En una caja metemos 7 bolas naranjas, 4 verdes y 9 azules. ¿Cuál es la

probabilidad de que…?
a) Se saque una bola naranja.
7
𝑝(𝑁) = = .35 = 35%
20
b) Se saque una bola verde.
4
𝑝(𝑉) = = .2 = 20%
20
c) Se saque una bola azul.
9
𝑝(𝐴) = = .45 = 45%
20
d) Se saque una bola roja.
𝑝(𝑅) = 0%

3.- Sea el nacimiento de un bebe, ¿Cuál es la probabilidad de que sea niño?

1
𝑝(𝑁𝑖ñ𝑜) = = .50 = 50%
2

4.- Sea el lanzamiento de una moneda, ¿Cuál es la probabilidad de que caiga

cara?
 1
𝑝(𝐶𝑎𝑟𝑎) = = .50 = 50%
2

5.- En la tirada de un dado corriente hallar:

a) El espacio muestral.
𝑆 = {1,2,3,4,5,6
b) El evento “A” en que aparezca un numero par en la
tirada del dado.
𝐴 = {2,4,6
c) La probabilidad de que aparezca un 5.
1
𝑝(5) = = .16 = 16%
6

6.- Sea el caso de lanzar una moneda 2 veces:

a) El espacio muestral.
𝑆 = {𝐴𝑆, 𝑆𝐴, 𝑆𝑆, 𝐴𝐴
b) El evento “B” donde todos los resultados son iguales.
𝐵 = {𝑆𝑆, 𝐴𝐴
c) La probabilidad de que los resultados sean iguales.
2
𝑝(𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑠𝑒𝑎 𝑖𝑔𝑢𝑎𝑙) = = .5 = 50%
4
d) La probabilidad de que caigan 2 soles
1
𝑝(𝑆𝑆) = = .25 = 25%
4

7.- Se tiene una caja con 3 lápices rojos, 4 verdes y 2 azules, ¿Cuál será la
probabilidad de que al sacar un lápiz este sea…?
a) Rojo
3
𝑝(𝑅) = = .33 = 33%
9
b) Verde
4
𝑝(𝑉) = = .44 = 44%
9
c) Azul
2
𝑝(𝐴) = = .22 = 22%
9
d) Blanco
𝑝(𝐵) = 0%
2.2.3 Regla de la Adición.
La regla de la adición o regla de la suma establece que la probabilidad de ocurrencia
de cualquier evento en particular es igual a la suma de las probabilidades
individuales, si es que los eventos son mutuamente excluyentes, es decir, que dos
no pueden ocurrir al mismo tiempo.
P(A o B) = P(A) U P(B) = P(A) + P(B) si A y B son mutuamente excluyente. P(A o B)
= P(A) + P(B) − P(A y B) si A y B son no excluyentes. Siendo: P(A) = probabilidad de
ocurrencia del evento A. P(B) = probabilidad de ocurrencia del evento B. P(A y B) =
probabilidad de ocurrencia simultánea de los eventos A y B.

EJEMPLO 1 :

Supongamos que se extrae una carta de una baraja de 52 cartas. ¿Cuál es la

probabilidad de que la carta sea o un rey o una figura negra? (Evento no
mutuamente excluyente)

Solución: Hay 52 sucesos o eventos simples. Sean los sucesos o eventos

Hay 4 reyes. A = Que la carta sea un rey.
Hay 6 figuras negras B = Que la carta sea una figura negra

P ( A U B ) =P( A ) + P( B ) – P( A ∩ B )
P(A U B)= 4/52 + 6/52 – 2/52 = 8/52= 0.15

EJEMPLO 2 :
Del ejemplo 1 calcular. ¿Cuál es la probabilidad de extraer una espada o un trébol?
(Eventos mutuamente excluyentes)

Solución: Hay 52 sucesos o eventos simples. Sean los sucesos

Hay 13 espadas. A = Que la carta sea espada.
Hay 13 tréboles. B = Que la carta sea trébol.

P(A U B)= P(A) + P (B)= 13/52 + 13/52 = 26/52

P(A U B)= 0.50

Ejemplo 3 : Consideremos un juego el cual debe elegirse una carta de una baraja de 52 cartas.
Ganaremos $ 10 si la carta es negra o es un rey. ¿Cuál es la probabilidad de ganar?
(Evento no mutuamente excluyente)

Solución: Hay 52 sucesos o eventos simples. Sean los sucesos o eventos

Hay 26 cartas negras. A = Que la carta sea un rey.
Hay 4 reyes. B = Que la carta sea una negra

P ( A U B ) =P( A ) + P( B ) – P( A ∩ B )
P(A U B)= 4/52 + 26/52 – 2/52 = 28/52
2.2.4 Regla de la Multiplicación.
La regla de la multiplicación establece que la probabilidad de que ocurran dos
eventos cualesquiera, A y B, se puede calcular como:

P (A y B) = P (A) * P (B | A)

La barra vertical | significa «dado». Por tanto, P (B | A) se puede leer como «la
probabilidad de que ocurra B, dado que ha ocurrido A».

Si los eventos A y B son independientes, entonces P (B | A) es simplemente igual

a P (B) y la regla se puede simplificar a:

P (A y B) = P (A) * P (B)

Ejemplo 1: bolas en una urna

Una urna contiene 4 bolas rojas y 3 bolas verdes. Bob seleccionará al azar 2 bolas
de la urna, sin reemplazo. ¿Cuál es la probabilidad de que elija 2 bolas rojas?

Solución: La probabilidad de que seleccione una bola roja en el primer intento es 4/7.
Una vez que se retira esa bola, la probabilidad de que seleccione una bola roja en el segundo
intento es 3/6. Por lo tanto, la probabilidad de que seleccione 2 bolas rojas se puede calcular como:

P (ambos rojos) = 4/7 * 3/7 ≈ 0.2249

Ejemplo 2: Cartas en una baraja

Una baraja de cartas contiene 26 cartas negras y 26 cartas rojas. Debbie
seleccionará al azar 2 cartas de la baraja, sin reemplazarlas. ¿Cuál es la
probabilidad de que elija 2 tarjetas rojas?

Solución: La probabilidad de que seleccione una tarjeta roja en el primer intento es 26/52.
Una vez que se retira esa tarjeta, la probabilidad de que seleccione una tarjeta roja en el segundo
intento es de 25/51. Por lo tanto, la probabilidad de que seleccione 2 tarjetas rojas se puede
calcular como:

P (ambos rojos) = 26/52 * 25/51 ≈ 0,2451

Unidad 3: DISTRIBUCIONES DE PROBABILIDAD
DISCRETAS Y CONTINUAS.
3.1 Valor Esperado.
En matemáticas, el valor esperado, también conocido como la esperanza
matemática, consiste en el promedio a largo plazo del valor de una variable
aleatoria.

En cierto modo, corresponde al valor de la variable aleatoria que esperaríamos

obtener, en promedio, tras repetir un experimento aleatorio muchas veces (de allí
el nombre de “valor esperado”).

Cálculo de la esperanza matemática

La esperanza matemática se calcula utilizando la probabilidad de cada suceso. La

fórmula que formaliza este cálculo se enuncia como sigue:

Dónde:
• X = valor del suceso.
• P = Probabilidad de que ocurra.
• i = Periodo en el que se da dicho suceso.
• N = Número total de periodos u observaciones
EJEMPLOS:

Se lanza una moneda al aire hasta que salga cara lanzamientos:

Si sale cara en el primer lanzamiento, se ( 𝑐 ) pagan$200

Si sale cara en el segundo lanzamiento, se o hasta realizar tres pagan $400 Si
sale cara en el tercer lanzamiento, se pagan $500
Si no sale cara en ningún lanzamiento el jugador pierde $60
3.2 Distribución Binomial.
La distribución binomial está asociada a experimentos del siguiente tipo:
- Realizamos n veces cierto experimento en el que consideramos sólo la
posibilidad de éxito o
fracaso.
- La obtención de éxito o fracaso en cada ocasión es independiente de la
obtención de éxito o
fracaso en las demás ocasiones.
- La probabilidad de obtener éxito o fracaso siempre es la misma en cada ocasión.

-Si realizamos n veces un experimento en el que podemos obtener éxito, E, con

probabilidad p y
fracaso, F, con probabilidad q (q = 1 − p), diremos que estamos ante una
distribución binomial de
parámetros n y p, y lo representaremos por Bin(n;p). En este caso la probabilidad
de obtener k éxitos
viene dada por:

EJEMPLO:

La probabilidad de que a un cliente nuevo le guste la matehamburguesa de Jorge

es de 0,8. Si llegan 5 clientes nuevos a la cafetería, ¿cuál es la probabilidad de
que solo a 3 de ellos les guste la matehamburguesa?

Solución:

Antes de aplicar la fórmula, verificamos que se trate de un experimento binomial.

Para ello, tiene que cumplir con las 4 condiciones que mencionamos arriba.
Efectivamente, se trata de un experimento binomial.
En este caso, vamos a centrarnos en los clientes a los que les gusta esta
hamburguesa, por ello diremos que:

X = número de clientes nuevos de 5 a los que les gusta la matehamburguesa

Entonces consideramos un éxito si al cliente le gusta esta hamburguesa.

Aplicaremos la fórmula binomial:

Ahora colocamos los valores de n, k y p. Recuerda que n es el número de

ensayos, k el número de éxitos y p la probabilidad de éxito.
Reemplazamos estos valores en la fórmula:

La respuesta sería 0,2048.

Trabajo en clase:

1) Supóngase que en una escuela superior el 20% de los estudiantes ya están en

último año. Se selecciona al azar un comité de 20 estudiantes. Hallar la
probabilidad de que el comité este formado por:
a) Ningún alumno de último año.
b) 11 alumnos de último año.
c) 5 o menos alumnos de último año.
d) Más de 10 alumnos de último año.
Solución:
Datos a)
20
p= 0.2 P(x sea 0) = ∙ 0.20 ∙
( )
n= 20 0
0.820-0
q= 0.8 20!
P(x sea 0) = ( )∙
x= 0!(20−0)!
Alumnos 0.20 ∙ 0.820-0
P(x sea 0) = 1 ∙ 0.20 ∙ 0.820-0
P(x sea 0) = 0.0115 =
1.15%
 b)
20
P(x = 11) = ( ) ∙ 0.211 ∙ 0.820-11
11
20!
P(x = 11) = ( ) ∙ 0.211 ∙ 0.820-11
11!(20−11)!

P(x = 11) = 167,960 ∙ 0.211 ∙ 0.820-11

P(x = 11) = 0.00046 = 0.046%

c)
P(x ≤ 5) = (P(x = 5) + P(x = 4) + P(x = 3) + P(x = 2) + P(x =
1) + P(x = 0))
P(x = 5) = 0.1745 = 17.45%
P(x = 4) = 0.2181 = 21.81%
P(x = 3) = 0.2053 = 20.53%
P(x = 2) = 0.1369 = 13.69%
P(x = 1) = 0.0576 = 05.76%
P(x = 0) = 0.0115 = 01.15%

d)
P(x > 10) = P(x ≥ 11) = 1- P(x ≤ 10)
P(x = 9) = 0.0073 = 00.73%
P(x = 8) = 0.0221 = 02.21%
P(x = 7) = 0.0545 = 05.45%
P(x = 6) = 0.1090 = 10.90%
P(x = 5) = 0.1745 = 17.45%
P(x = 4) = 0.2181 = 21.81%
P(x = 3) = 0.2053 = 20.53%
P(x = 2) = 0.1369 = 13.69%
P(x = 1) = 0.0576 = 05.76%
P(x = 0) = 0.0115 = 01.15%
0.9968 = 99.68%
1-0.9968 = 0.0032
P(x > 10) = 0.32%

2) Imaginemos que un 80% de personas en el mundo han visto el partido de la

final del último mundial de futbol. Tras el evento, 4 amigos se reúnen a conversar
¿Cuál es la probabilidad de que 3 de ellos hallan visto el partido?
 n
P(x) = ) px qn-x
(x
Datos 4!
( )=
n= 4 4 3!(4−3)!
P(x=3) = ( ) ∙ 0.83 ∙ 0.24-3
4∙𝟑∙𝟐∙𝟏
x= 3 3 ( )=
4! 𝟑 ∙ 𝟐 ∙ 𝟏 ∙ (𝟒−𝟑)
p= 0.8 P(x=3) = ( )∙ 0.83 ∙ 0.24-3
3!(4−3)!
q= 0.2
P(x=3) = 4 ∙ 0.83 ∙ 0.24-3
4!
P(x=3) = 0.4096 = 40.96% ( )=4
3!1!

3) De todas las flores plantadas por una empresa de jardinería el 90% sobrevive.
Si se plantan 10 flores ¿Cuál es la probabilidad de que 9 o más sobrevivan?
n
P(x) = ) px qn-x
(x
Datos
n= 10 10
P(x=9) = ) ∙ 0.99 ∙ 0.110-9
x= 9 o mas (
9
10!
p= 0.9 P(x=9) = ( ) ∙ 0.99 ∙ 0.110-9
9!(10−9)!
q= 0.1
P(x=9) = 10 ∙ 0.99 ∙ 0.110-9
P(x=9) = 0.3874 = 38.74%
10
P(x=10) = ( ) ∙ 0.910 ∙ 0.110-10
10
10!
P(x=10) = ( ) ∙ 0.910 ∙
10!(10−10)!

0.110-10
P(x=10) = 1 ∙ 0.910 ∙ 0.110-10
P(x=10) = 0.3486 = 34.86%
P(x ≥9) = P(x=9) + P(x=10)
P(x ≥9) = 0.3874 + 0.3486 = 0.7360
P(x ≥9) = 38.74% + 34.86% = 73.60%
3.3 Distribución hipergeométrica.
La distribución hipergeométrica es especialmente útil en todos aquellos casos en
los que se extraigan muestras o se realicen experiencias repetidas sin devolución
del elemento extraído o sin retornar a la situación experimental inicial.
Es una distribución fundamental en el estudio de muestras pequeñas de
poblaciones pequeñas y en el cálculo de probabilidades de juegos de azar. Tiene
grandes aplicaciones en el control de calidad para procesos experimentales en los
que no es posible retornar a la situación de partida

Sea x una variable binomial.

-Si de una población seleccionamos una muestra, estamos hablando de una
DISTRIBUCIÓN HIPERGEOMÉTRICA y su función esta dada por:

En donde:

N=tamaño de la población
n= tamaño de la muestra
k= éxitos de la población
x=éxitos de la muestra

Ejemplo:
3.4 Distribución de Poisson.
La distribución de Poisson es una distribución de probabilidad discreta y se
emplea para describir procesos que pueden ser descritos con una variable
aleatoria discreta. Describe situaciones en las cuales los clientes llegan de manera
independiente durante un cierto intervalo de tiempo y el número de llegadas
depende de la magnitud del intervalo. La distribución de Poisson juega un rol
importante en complementar la distribución exponencial en la teoría de colas o
modelo de líneas de espera.

Sea x una variable binomial.

-Si el número de experimentos n tiende a infinito (mayor que 69) emplearemos la
DISTRIBUCIÓN DE POISSÓN cuya función esta dada por:

EJEMPLO:

La veterinaria de Jorge recibe un promedio de μ = 4 pacientes por día. Sabiendo

que el número de pacientes que llegan en un día sigue una distribución de
Poisson, calcular:
 a) la probabilidad de que lleguen 3 pacientes en un día.
Calculamos la probabilidad de que lleguen 3 pacientes en un día, es decir, f(3).
Además, el enunciado nos indica que llegan en promedio 4 pacientes por día, es
decir, μ = 4.

La probabilidad de que lleguen 3 pacientes en un día es de 0,1954 o 19,54 %.

b) la probabilidad de que lleguen 5 pacientes en un día.

Calculamos la probabilidad de que lleguen 5 pacientes en un día, es decir, f(5).

Además, el enunciado nos indica que el enunciado que llegan en promedio 4
pacientes por día, es decir, μ = 4.

La probabilidad de que lleguen 5 pacientes en un día es de 0,1563 o 15,63 %.

3.5 Distribución Normal.

La distribución normal (en ocasiones llamada distribución gaussiana) es la
distribución continua que se utiliza más comúnmente en estadística, es un modelo
que aproxima el valor de una variable aleatoria a una situación ideal, dependiendo
de la media y la desviación típica.

Dada una variable aleatoria X, decimos que la frecuencia de sus observaciones

puede aproximarse satisfactoriamente a una distribución normal tal que:
Variable aleatoria X aproximada a una distribución normal.

Donde los parámetros de la distribución son la media o valor central y la

desviación típica:

Parámetros de una distribución normal.

En otras palabras, estamos diciendo que la frecuencia de una variable aleatoria X

puede representarse mediante una distribución normal.

EJEMPLO:

La vida media de una lámpara, según el fabricante, es de 68 meses, con una

desviación típica de 5. Se supone que se distribuye según una distribución
normal En un lote de 10.000 lámparas. a) ¿Cuántas lámparas superarán
previsiblemente los 75 meses?. b) ¿Cuántos lámparas se estropearán antes de 60
meses?

a)

t = (75 -68)/5 = 1,4

P (X > 75) = (t > 1,4) = 1 - P (t ≤ 1,4) = 1 - 0,9192 = 0,0808

Luego, el 8,08% de las lámparas (808 lámparas) superarán los 75 meses

b)

t = (60 -68)/5 = -1,6

P (X ≤ 60) = (t ≤ -1,6) = P (t> 1,6) = 1 - P (t ≤ 1,6) = 0,0548

Luego, el 5,48% del lote (548 lámparas) no llegarán probablemente a durar 60

meses
Unidad 4: TÉCNICAS DE MUESTREO.
4.1 Introducción al muestreo.
El muestreo es el proceso mediante el cual se selecciona un grupo de
observaciones que pertenecen a una población. Esto, con el fin de realizar
un estudio estadístico.

El muestreo, en otras palabras, es el procedimiento mediante el cual se toman a

ciertos individuos que pertenecen a una población que está siendo sujeto de un
análisis.

El muestreo es necesario por el hecho de que las poblaciones pueden ser

demasiado grandes y no es factible (económica y materialmente hablando) tomar
datos de todos los individuos.

El objetivo es que la muestra sea representativa. Es decir, que sus indicadores

como la media de edad, el ingreso promedio, el porcentaje de hombres y de
mujeres, entre otros, sea el mismo, o muy similar al de la población.

4.2 Diseño de Muestreo.

El diseño de la muestra es la fase de un proyecto de generación de estadística
básica donde se define el esquema de muestreo a utilizar, se determina el tamaño
y procedimiento de selección de la muestra y, en el caso del muestreo
probabilístico, se calculan los factores de expansión y los estimadores que se
requieren para la generación de resultados.

4.3 Tipos de muestreo

Los tipos de muestreo pueden distinguirse en función de distintos criterios. Así,
según la técnica para seleccionar el subgrupo, se pueden diferenciar los siguientes:

4.3.1 Aleatorio simple.

Todos los individuos de la población tienen la misma probabilidad de ser elegidos
como parte de la muestra. Tiene ventajas, como el hecho de que es fácil de llevar
a cabo a través de sistemas informáticos. Sin embargo, se requiere el listado
completo de toda la población y, si la muestra es muy pequeña, la selección
podría no ser representativa.

EJEMPLO:

1. Un gobierno quiere estudiar el ingreso promedio por núcleo

familiar. Para realizar la muestra, el equipo de investigación sigue los
pasos del muestreo aleatorio simple:
 • Se selecciona a todas las familias que habitan en Ciudad de México.
• Se determina que se necesitarán 1.000 elementos para hacer la
muestra.
• Se elabora una lista de las 2.756.319 familias que habitan en Ciudad de
México.
• A cada familia se le asigna un número comenzando por el 1 hasta llegar
al 2.756.319.
• Se escogen 1.000 números al azar utilizando un programa informático,
por ejemplo, 4.258, 102.548 y 167.

2. Un grupo de investigadores quiere realizar una encuesta sobre el

trabajo de profesores universitarios de España. Para realizar la muestra,
se siguen los pasos del muestreo aleatorio simple:

• Se selecciona a todos los profesores universitarios del país.

• Se determina que de 122.910 profesores universitarios se necesitarán
385 individuos para elaborar la muestra.
• Se elabora una lista de todos los profesores españoles.
• A cada profesor se le asigna un número comenzando por el 1.
• Se escogen 385 números al azar utilizando un cuadro estadístico, por
ejemplo: 1.345, 20.672 y 118.456.

3. Un grupo de investigadores está estudiando la profesionalización de

los deportes femeninos. Para realizar la muestra, se siguen los pasos del
muestreo aleatorio simple:

• Se selecciona a todas las mujeres que se dedican de manera

profesional a un deporte.
• Se determina que de las 4.567 deportistas profesionales se necesitarán
355 individuos para elaborar la muestra.
• Se elabora una lista de todas las deportistas profesionales.
• A cada una se le asigna un número comenzando por el 1.
• Se escogen 355 números al azar utilizando un cuadro estadístico, por
ejemplo, 654, 2.549 y 318.

4. Un equipo de marketing está realizando un estudio sobre las

preferencias de los consumidores. Para seleccionar a los individuos que
conformarán la muestra, se siguen los pasos del muestreo aleatorio simple:
 • Se selecciona como población objetivo a los clientes habituales de un
centro comercial.
• Se determina que de los 2.375 clientes habituales se necesitarán 330
individuos para elaborar la muestra.
• Se realiza una lista de todos los clientes.
• A cada uno se le asigna un número.
• Se escogen 330 números al azar con un programa informático, por
ejemplo, 354, 298 y 1.568.

4.3.2 Sistemático.
Se elige una observación al azar y, para seleccionar el resto de la muestra, se
utilizan intervalos numéricos regulares. Es decir, supongamos que tengo una
población de 10.000 y, aleatoriamente, selecciono la observación 600, después de
lo cual puedo considerar intervalos de 30 observaciones. En este caso, tomaría las
observaciones 600, 630, 660, 690, 720, 750, 780, y así sucesivamente.

EJEMPLO:
Supongamos que necesitamos extraer una muestra de 10 personas a partir de
una población total de 100 y el primer individuo seleccionado para la muestra es el
número 3. A partir de este, mediante un intervalo de 4 decidido por el investigador,
se seleccionarán los próximos individuos hasta completar la muestra, de manera
que serán los números 7, 11, 15, etc.

Ejemplo de muestreo sistemático con intervalo de 4.

4.3.3 Estratificado.
Se divide a la población en estratos, que son grupos que comparten
características en común y son más homogéneos, inclusive, que la población en
su conjunto. Entonces, se selecciona una muestra, ya sea de manera aleatoria o
sistemática, dentro de cada estrato. El objetivo es lograr una representatividad de
cada estrato.
EJEMPLO:

En una fábrica que consta de 600 trabajadores queremos tomar una muestra de
20. Sabemos que hay 200 trabajadores en la sección A, 150 en la B, 150 en la C y
100 en la D.

4.3.4 Conglomerados.
Consiste en crear grupos más pequeños que la población, los cuales reflejen o
compartan todas las características de esta. Luego, elegimos alguno de los
conglomerados como muestra y lo analizamos de forma detallada.

EJEMPLO:

1. Un grupo de investigadores quiere estudiar las características de

las maquinarias que se utilizan en distintas fábricas. Para realizar la
muestra, se siguen los pasos del muestreo por conglomerados:

• Se seleccionan todas las máquinas de las fábricas de una ciudad como

población objetivo. Cada fábrica será un conglomerado.
• Se calcula que de 87 fábricas se necesitarán 5 conglomerados para
elaborar la muestra.
• Se realiza una lista de todas las fábricas.
• Se seleccionan 5 fábricas utilizando un método de sorteo y se
analizarán todas las maquinarias que se encuentren en esas fábricas.

2. Un equipo de investigación de marketing quiere conocer las

características de los clientes que acuden a centros comerciales. Para
realizar la muestra, se siguen los pasos del muestreo por conglomerados:
 • Se selecciona a todos los clientes de centros comerciales como
población objetivo. Cada centro comercial será un conglomerado.
• Se calcula que de 456 centros comerciales que hay en el país, se
necesitarán 23 conglomerados para elaborar la muestra.
• Se realiza una lista de todos los centros comerciales.
• Se seleccionan 23 centros comerciales al azar y se entrevistará a todos
los clientes que acudan a estos lugares.

3. Unos estudiantes de literatura tienen que hacer una investigación

sobre el mercado editorial. Para realizar la muestra estadística, se siguen
los pasos del muestreo por conglomerados:

• Se seleccionan todas las editoriales de las ciudades de un país como

población objetivo. Cada ciudad será un conglomerado.
• Se calcula que de las 23 ciudades, se necesitarán 5 conglomerados
para elaborar la muestra.
• Se realiza una lista de las ciudades.
• Se seleccionan 5 ciudades al azar y con un muestreo aleatorio simple se
escogen 3 editoriales por ciudad.

4. Un grupo de investigadores quiere conocer las características de las

personas que trabajan en el sector empresarial. Para realizar la muestra
representativa, se siguen los pasos del muestreo por conglomerados:

• Se selecciona a todos los empleados de empresas de un mismo país

como población objetivo. Cada empresa será un conglomerado.
• Se calcula que de las 2457 empresas que hay en el país se necesitarán
62 conglomerados para elaborar la muestra.
• Se realiza una lista de las empresas.
• Se seleccionan 62 empresas al azar y con un muestreo aleatorio simple
se escoge a 30 empleados de cada una.
Unidad 5: INFERENCIA ESTADÍSTICA
5.1 INFERENCIA ESTADÍSTICA
La inferencia estadística es el conjunto de métodos y técnicas que permiten
inducir, a partir de la información empírica proporcionada por una muestra, cual es
el comportamiento de una determinada población con un riesgo de error medible
en términos de probabilidad.

Los métodos paramétricos de la inferencia estadística se pueden dividir,

básicamente, en dos: métodos de estimación de parámetros y métodos de
contraste de hipótesis. Ambos métodos se basan en el conocimiento teórico de la
distribución de probabilidad del estadístico muestral que se utiliza como estimador
de un parámetro.

La estimación de parámetros consiste en asignar un valor concreto al parámetro o

parámetros que caracterizan la distribución de probabilidad de la población.
Cuando se estima un parámetro poblacional, aunque el estimador que se utiliza
posea todas las propiedades deseables, se comete un error de estimación que es
la diferencia entre la estimación y el verdadero valor del parámetro. El error de
estimación es desconocido por lo cual es imposible saber en cada caso cual ha
sido la magnitud o el signo del error; para valorar el grado de precisión asociado
con una estimación puntual se parte de dicha estimación para construir un
intervalo de confianza. En síntesis, un intervalo de confianza está formado por un
conjunto de valores numéricos tal que la probabilidad de que éste contenga al
verdadero valor del parámetro puede fijarse tan grande como se quiera. Esta
probabilidad se denomina grado de confianza del intervalo, y la amplitud de éste
constituye una medida del grado de precisión con el que se estima el parámetro.
Unidad 6: REGRESIÓN LINEAL Y CORRELACIÓN
6.1 Conceptos básicos.

La regresión y la correlación se emplea en diversas disciplinas como la sociología,

la biomedicina, las ingenieras, la economía, entre otras., están estrechamente
relacionadas comprendiendo una forma de estimación, se suelen utilizar para
resolver una gran cantidad de problemas, mientras que la regresión se encarga de
la relación que hay entre variables, la correlación mide el grado de relación lineal
entre dos o más variables, dando como resultado la fuerza y sentido de la relación.

En otras fuentes consultadas, nos dice que el análisis de correlación da como

resultado un número que resumen el grado de la correlación entre dos variables, y
el análisis de regresión da una ecuación matemática que describe dicha relación,
los datos que son necesarios provienen de observaciones de variables
relacionadas.
6.2 Correlación.
La correlación estadística constituye una técnica estadística que nos indica si dos
variables están relacionadas o no.
Por ejemplo, considera que las variables son el ingreso familiar y el gasto familiar.
Se sabe que los aumentos de ingresos y gastos disminuyen juntos. Por lo tanto,
están relacionados en el sentido de que el cambio en cualquier variable estará
acompañado por un cambio en la otra variable.
De la misma manera, los precios y la demanda de un producto son variables
relacionadas; cuando los precios aumentan la demanda tenderá a disminuir y
viceversa.

6.3 Regresión Lineal.

La regresión lineal es una técnica de análisis de datos que predice el valor de
datos desconocidos mediante el uso de otro valor de datos relacionado y
conocido. Modela matemáticamente la variable desconocida o dependiente y la
variable conocida o independiente como una ecuación lineal. Por ejemplo,
supongamos que tiene datos sobre sus gastos e ingresos del año pasado. Las
técnicas de regresión lineal analizan estos datos y determinan que tus gastos son
la mitad de tus ingresos. Luego calculan un gasto futuro desconocido al reducir a
la mitad un ingreso conocido futuro.
6.4 Método de Mínimos cuadrados.

Es un procedimiento de análisis numérico en la que, dados un conjunto de datos

(pares ordenados y familia de funciones), se intenta determinar la función continua
que mejor se aproxime a los datos (línea de regresión o la línea de mejor ajuste),
proporcionando una demostración visual de la relación entre los puntos de los
mismos. En su forma más simple, busca minimizar la suma de cuadrados de las
diferencias ordenadas (llamadas residuos) entre los puntos generados por la
función y los correspondientes datos.

Este método se utiliza comúnmente para analizar una serie de datos que se
obtengan de algún estudio, con el fin de expresar su comportamiento de manera
lineal y así minimizar los errores de la data tomada.

La creación del método de mínimos cuadrados generalmente se le acredita al

matemático alemán Carl Friedrich Gauss, quien lo planteó en 1794 pero no lo
publicó sino hasta 1809. El matemático francés Andrien-Marie Legendre fue el
primero en publicarlo en 1805, este lo desarrolló de forma independiente.

Su expresión general se basa en la ecuación de una recta y = mx + b. Donde m es

la pendiente y b el punto de corte, y vienen expresadas de la siguiente manera:

Σ es el símbolo sumatoria de todos los términos, mientas (x, y) son los datos en
estudio y n la cantidad de datos que existen.

El método de mínimos cuadrados calcula a partir de los N pares de datos

experimentales (x, y), los valores m y b que mejor ajustan los datos a una recta.
Se entiende por el mejor ajuste aquella recta que hace mínimas las distancias d de
los puntos medidos a la recta.

Teniendo una serie de datos (x, y), mostrados en un gráfico o gráfica, si al

conectar punto a punto no se describe una recta, debemos aplicar el método de
mínimos cuadrados, basándonos en su expresión general:
Cuando se haga uso del método de mínimos cuadrados se debe buscar una línea
de mejor ajuste que explique la posible relación entre una variable independiente y
una variable dependiente. En el análisis de regresión, las variables dependientes
se designan en el eje y vertical y las variables independientes se designan en el
eje x horizontal. Estas designaciones formarán la ecuación para la línea de mejor
ajuste, que se determina a partir del método de mínimos cuadrados.

EJEMPLO:

Para entender con claridad la aplicación del método veamos un ejemplo:

Encontrar la recta que mejor se ajusta a los siguientes datos:

Veamos el gráfico:

Necesitamos encontrar una recta y = mx + b. Debemos aplicar el método de

mínimos cuadrados. Como ya sabemos entonces, primero centraremos el valor (x
∙ y):
Segundo por las expresiones de m y b debemos encontrar el valor x²:

Ahora podemos obtener los valores de las sumatorias de cada columna:

Sustituimos en cada una de las expresiones:

La recta obtenida con el método de los mínimos cuadrados es la siguiente:

Observemos el gráfico:
Vemos que la recta corta al eje y en 11,48 y en el eje x en 13,57. Por lo tanto, si
queremos saber dónde corta en el eje x igualamos la ecuación y = 0:

Despejamos x:

TRABAJO EN CLASE:

Con los datos sobre las temperaturas en dos días diferentes en una ciudad,
determinar el tipo de correlación que existe entre ellas mediante el coeficiente de
PEARSON.

Solución:

Se calcula la media aritmética

Se llena la siguiente tabla:

Se aplica la fórmula:

Existe una correlación moderada

 BIBLIOGRAFÍAS:

UNIDAD 1: Estadística descriptiva

Islas Salomón, C. A. Colín Uribe, M. P. y Morales Téllez, F. (2018). Probabilidad y

estadística. México, D.F, Grupo Editorial Éxodo.
Recuperado de https://elibro.net/es/ereader/bibliotecauv/128557?page=22.

Distribución de frecuencias. (s. f.). Distribución de Frecuencias. Recuperado 16 de

agosto de 2022, de
https://www.uv.es/webgid/Descriptiva/3_distribucin_de_frecuencias.html#:%
7E:text=Las%20distribuciones%20de%20frecuencias%20son,informaci%C3
%B3n%20que%20contienen%20los%20datos.

Estadística básica: ¿Qué es una tabla de frecuencias? (s. f.). GCFGlobal.org.

Recuperado 16 de agosto de 2022, de
https://edu.gcfglobal.org/es/estadistica-basica/que-es-una-tabla-
defrecuencias/1/

límites de clase. (s. f.). Diccionario de Matemáticas | Superprof. Recuperado 16 de

agosto de 2022, de
https://www.superprof.es/diccionario/matematicas/estadistica/limitesclase.ht
ml#:%7E:text=Qu%C3%A9%20significa%20l%C3%ADmites%20de
%20clase%20en%20Matem%C3%A1ticas&text=En%20una%20distribuci%
C3%B3n%20de%20frecuencias,cuenta%20en%20el%20siguiente%20interv
alo.

Sanjuán, F. J. M. (2021, 11 febrero). Frecuencia acumulada. Economipedia.

Recuperado 16 de agosto de 2022, de
https://economipedia.com/definiciones/frecuencia-acumulada.html

0..Guerra Bustillo, C. W. (2003). Estadística. Ciudad de la Habana, Cuba: Editorial

Félix Varela. Recuperado de
https://elibro.net/es/ereader/bibliotecauv/71785?page=16.
3 Distribución de frecuencias. (s. f.). Distribución de Frecuencias. Recuperado 16

de agosto de 2022, de

https://www.uv.es/webgid/Descriptiva/3_distribucin_de_frecuencias.html#:%

7E:tex
 t=Las%20distribuciones%20de%20frecuencias%20son,informaci%C3%B3n

%20qu e%20contienen%20los%20datos.

Estadística básica: ¿Qué es una tabla de frecuencias? (s. f.). GCFGlobal.org.

Recuperado 16 de agosto de 2022, de https://edu.gcfglobal.org/es/estadistica-

basica/que-es-unatabla-de-frecuencias/1/ límites de clase. (s. f.). Diccionario de

Matemáticas | Superprof. Recuperado 16 de agosto de 2022, de

https://www.superprof.es/diccionario/matematicas/estadistica/limitesclase.html#:

%7E:text=Qu%C3%A9%20significa%20l%C3%ADmites%20de%20clase%20en

%20Matem%C3%A1ticas&text=En%20una%20distribuci%C3%B3n%20de%20fr

ecuencias,cuenta%20en%20el%20siguiente%20intervalo.

Sanjuán, F. J. M. (2021, 11 febrero). Frecuencia acumulada. Economipedia.

Recuperado 16 de agosto de 2022, de

https://economipedia.com/definiciones/frecuenciaacumulada.html

Representación gráfica de datos. (s. f.). Representación grafica.

http://recursostic.educacion.es/descartes/web/materiales_didacticos/Estadis

tica_3es o/graficos_estadisticos_mgc.html

Representaciones gráficas de datos estadísticos. (s. f.). Representaciones gráficas

de datos estadísticos. Recuperado 28 de agosto de 2022, de

https://www.cuvsi.com/2015/04/representaciones-graficas-de-datos.html

M., A., Sustaita, I. J. C., T., S., A., N., & Ramírez, G. (2022, 20 marzo). ¿Que es

una histograma? | Superprof. Material Didáctico - Superprof.

 https://www.superprof.es/apuntes/escolar/matematicas/estadistica/descriptiv

a/histog rama.html

Consultores, A. (2022, 28 febrero). Histograma – Herramientas de la Calidad.

Aiteco Consultores. https://www.aiteco.com/histograma/

López, J. F. (2022, 24 noviembre). Medidas de tendencia central .

Economipedia. https://economipedia.com/definiciones/medidas-de-tendencia-
central.html

Media aritmética. (s. f.).

http://geogebra.es/gauss/materiales_didacticos/primaria/actividades/estadist

ica_y_probabilidad/medidas/media_aritmetica/actividad.html

Sandino, P. J. C. (2022, 27 noviembre). Medidas de tendencia central para datos

agrupados. http://juliocesarsandino.blogspot.com/2016/01/medidas-de-

tendencia-central-para-datos.html

Euroinnova Business School. (2022, 10 noviembre). magister en matematicas

aplicadas. https://www.euroinnova.mx/blog/medidas-de-tendencia-central-

para-datos-no-agrupados

Zapata, F. (2020, 9 abril). ¿Qué es el rango en estadística? (Con ejemplos).

Lifeder. https://www.lifeder.com/rango-estadistica/

(2022, 15 julio). Desviación media, ejemplos y ejercicios | Matemóvil. MateMovil.

https://matemovil.com/desviacion-media-ejemplos-y-ejercicios/

Untitled Document. (s. f.).

http://www.cca.org.mx/cca/cursos/estadistica/html/m11/desviacion_estandar

.htm
Calcular la desviación estándar paso a paso (artículo). (s. f.). Khan Academy.

https://es.khanacademy.org/math/probability/data-distributions-

a1/summarizing-spread-distributions/a/calculating-standard-deviation-step-

by-step

Ejemplos de Desviación Estándar. (s. f.).

https://www.matematicas10.net/2017/02/ejemplos-de-desviacion-

estandar.html

Riquelme, M. (2022, 12 septiembre). 𝖣 Varianza en Estadística (Uso, definición y

formula) | 2022. Web y Empresas.

https://www.webyempresas.com/varianza/

Sanjuán, F. J. M. (2022, 24 noviembre). Coeficiente de variación. Economipedia.

https://economipedia.com/definiciones/coeficiente-de-variacion.html

(2022a, julio 15). Coeficiente de variación, ejemplos y ejercicios | Matemóvil.

MateMovil. https://matemovil.com/coeficiente-de-variacion-ejemplos-y-

ejercicios/

UNIDAD 2: FUNDAMENTOS DE LA TEORÍA DE PROBABILIDAD

Tarea de Analisis combinatorio :: Mate Discretas. (s. f.).

https://matediscretasjoaquin.webnode.es/trabajos/unidad-4-analisis-

combinatiorio/tarea-de-analisis-combinatorio/

Zapata, F. (2020b, octubre 12). Notación factorial: concepto, ejemplos y ejercicios.

Lifeder. https://www.lifeder.com/notacion-factorial/
(2022a, junio 3). Ejercicios de Permutaciones Resueltos y para Resolver.

Neurochispas. https://www.neurochispas.com/wiki/ejercicios-de-

permutaciones/

Ramón, I. J. M. (2022, 27 noviembre). 1.5 Combinaciones.

http://probabilidadyestadisticaitsav.blogspot.com/2012/05/15-

combinaciones.html

Definición de Probabilidad - Qué es y Concepto. (s. f.).

https://economia.org/probabilidad.php

Estadística, P. Y. (2021, 10 noviembre). 𝖣 Probabilidad simple: definición, fórmula

y ejemplos. Probabilidad y Estadística.

https://www.probabilidadyestadistica.net/probabilidad-simple/

(2017, 15 marzo). REGLA DE ADICIÓN EN PROBABILIDAD. Padlet.

https://padlet.com/camilalugo29/wallstreet23/wish/17923808

Statologos: El sitio web para que aprendas estadística en Stata, R y Phyton.

(2021, 7 mayo). La regla general de la multiplicación (explicación y

ejemplos). Statologos: El sitio web para que aprendas estadística en Stata,

R y Phyton. https://statologos.com/regla-general-de-multiplicacion/

UNIDAD 3: DISTRIBUCIONES DE PROBABILIDAD DISCRETAS Y

CONTINUAS

4.3 Media o valor esperado y desviación típica - Introducción a la estadística |

OpenStax. (s. f.). https://openstax.org/books/introducci%C3%B3n-

estad%C3%ADstica/pages/4-2-media-o-valor-esperado-y-desviacion-tipica
Distribución de Poissón - Probabilidad y Estadistica. (s. f.).

https://sites.google.com/site/probabilidad2cv9fabianmartinez/segundo-

departamentas/distribucion-de-poisson

https:\/\/matemovil.com\/author\/jorge\/#author. (2020, 23 abril). Distribución

binomial, ejercicios resueltos | Matemóvil. MateMovil.

https://matemovil.com/distribucion-binomial-ejercicios-resueltos/

Valencia, A. F. (s. f.). EJERCICIOS DE DISTRIBUCIÓN HIPERGEOMETRICA.

https://es.slideshare.net/alexanderfloresvalencia/ejercicios-de-distribucin-

hipergeometrica

Attention Required! | Cloudflare. (s. f.). https://www.gestiopolis.com/que-es-la-

distribucion-de-poisson/

https:\/\/matemovil.com\/author\/jorge\/#author. (2022, 15 julio). Distribución de

Poisson | Matemóvil. MateMovil. https://matemovil.com/distribucion-de-

poisson/

EstadÃstica. (s. f.). https://www.tuveras.com/estadistica/normal/ejemplos.htm

UNIDAD 4: TÉCNICAS DE MUESTREO

Westreicher, G. (2022, 24 noviembre). Muestreo. Economipedia.

https://economipedia.com/definiciones/muestreo.html

10 Ejemplos de Muestreo Aleatorio Simple. (s. f.).

https://www.ejemplos.co/muestreo-aleatorio-simple/

Editorial Grudemi. (2022, 9 junio). Muestreo sistemático. Enciclopedia Económica.

https://enciclopediaeconomica.com/muestreo-sistematico/
muestreo aleatorio estratificado. (s. f.). Diccionario de Matemáticas | Superprof.

https://www.superprof.es/diccionario/matematicas/estadistica/muestreo-

estratificado.html

10 Ejemplos de Muestreo por Conglomerados. (s. f.).

https://www.ejemplos.co/muestreo-por-conglomerados/

UNIDAD 5: INFERENCIA ESTADÍSTICA

INFERENCIA ESTADÍSTICA. (s. f.). http://www.ub.edu/aplica_infor/spss/cap4-

1.htm

UNIDAD 6: REGRESIÓN LINEAL Y CORRELACIÓN

Hidalgo, U. A. D. E. de. (2019, 5 enero). Análisis de Regresión y Correlación Lineal

| XIKUA Boletín Científico de la Escuela Superior de Tlahuelilpan.

https://repository.uaeh.edu.mx/revistas/index.php/xikua/article/view/3558

La Correlación Estadística. (s. f.). https://explorable.com/es/la-correlacion-

estadistica

(2022a, febrero 22). 𝖣El Método de mínimos cuadrados: definición y ejemplos☑.

Mi Profe. https://miprofe.com/minimos-cuadrados/

¿Qué es la Regresión lineal? - Regresión lineal - AWS. (s. f.). Amazon Web

Services, Inc. https://aws.amazon.com/es/what-is/linear-regression/