Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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.
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
1.1.5 Dato.
El dato es la representación de una variable
cualitativa o cuantitativa. De ese modo, se le asigna
un número, letra o símbolo.
Variables cuantitativas:
Son las variables que se pueden contar o medir, por lo que se tienen dos tipos:
La variable continua puede tomar cualquier valor comprendido entre dos números,
es decir, podemos medir la variable.
Variables cualitativas:
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.
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
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.
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.
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.
10
1.2.5 Tamaño de clase.
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:
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.
11
Hi = Proporción que representa el valor i-ésimo en la muestra.
12
13
Clase e Intervalo de clase
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.
15
Título del gráfico
6
0
Categoría 1 Categoría 2 Categoría 3 Categoría 4
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.
17
Título del gráfico
6
5
4
3
2
1
0
Categoría 1 Categoría 2 Categoría 3 Categoría 4
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.
Ejemplos:
Ventas
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
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.
Datos no agrupados:
Fórmula:
Ejemplo:
26
Datos agrupados:
Fórmula:
Ejemplo:
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.
27
En el ejemplo anterior podríamos hacerlo de la siguiente forma:
Datos agrupados:
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.
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:
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
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
Moda: No hay
2) 10 , 8 , 4 , 3 , 9 , 10
10 + 8 + 4 + 3 + 9 + 10 44
𝑥̅ = = = 7.3
6 6
Moda: 10
3) 25 , 32 , 45 , 36 , 41
25 + 32 + 45 + 36 + 41 179
𝑥̅ = = = 35.8
5 5
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
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
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
Ejemplo:
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
R = 20 – 1 puntos = 19 puntos.
34
1.5.2 Desviación Media.
Donde:
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).
35
El valor de la desviación media, es de 2.
EJEMPLOS:
1.- Calcular la desviación estándar de las siguientes puntuaciones de un jugador
de baloncesto en los últimos partidos:
• Número de valores: 6
•
• 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
• Número de valores: 6
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
Total 812000
S2 =812000/5 = 203000
σ2=162400
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:
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
|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
∑ 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 %
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 %
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:
• 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.
n! = 1⋅2⋅3…. (n-1) ⋅n
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 donde:
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
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
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
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!
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?
a)
7! 7! 7 ∗ 6 ∗ 5 ∗ 4!
7𝐶4 = = = = 35
4! (7 − 4)! 4! ∗ 3! 4! ∗ 3!
Conjuntamente
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
4! 4! 4 ∗ 3! 4
4𝐶3 = = = = =4
3! (4 − 3)! 3! ∗ 1! 3! ∗ 1! 1
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
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
2×4 = 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
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.
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 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?
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?
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
(1 𝑜𝑝𝑒. )(4 𝑜𝑝𝑒. )(3 𝑜𝑝𝑒. )(2 𝑜𝑝𝑒. )(1 𝑜𝑝𝑒. )(1 𝑜𝑝𝑒. ) = 24
Respuesta: 24 secuencias
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
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
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 :
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)
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)
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».
P (A y B) = P (A) * P (B)
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:
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:
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:
EJEMPLO:
Solución:
Trabajo en clase:
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%
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
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.
EJEMPLO:
EJEMPLO:
a)
b)
EJEMPLO:
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.
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:
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.
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.
EJEMPLO:
Veamos el gráfico:
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 aplica la fórmula:
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.
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.
https://economipedia.com/definiciones/frecuenciaacumulada.html
http://recursostic.educacion.es/descartes/web/materiales_didacticos/Estadis
tica_3es o/graficos_estadisticos_mgc.html
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
a/histog rama.html
http://geogebra.es/gauss/materiales_didacticos/primaria/actividades/estadist
ica_y_probabilidad/medidas/media_aritmetica/actividad.html
agrupados. http://juliocesarsandino.blogspot.com/2016/01/medidas-de-
tendencia-central-para-datos.html
aplicadas. https://www.euroinnova.mx/blog/medidas-de-tendencia-central-
para-datos-no-agrupados
Lifeder. https://www.lifeder.com/rango-estadistica/
https://matemovil.com/desviacion-media-ejemplos-y-ejercicios/
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
https://www.matematicas10.net/2017/02/ejemplos-de-desviacion-
estandar.html
https://www.webyempresas.com/varianza/
https://economipedia.com/definiciones/coeficiente-de-variacion.html
MateMovil. https://matemovil.com/coeficiente-de-variacion-ejemplos-y-
ejercicios/
https://matediscretasjoaquin.webnode.es/trabajos/unidad-4-analisis-
combinatiorio/tarea-de-analisis-combinatorio/
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/
http://probabilidadyestadisticaitsav.blogspot.com/2012/05/15-
combinaciones.html
https://economia.org/probabilidad.php
https://www.probabilidadyestadistica.net/probabilidad-simple/
https://padlet.com/camilalugo29/wallstreet23/wish/17923808
R y Phyton. https://statologos.com/regla-general-de-multiplicacion/
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/distribucion-binomial-ejercicios-resueltos/
https://es.slideshare.net/alexanderfloresvalencia/ejercicios-de-distribucin-
hipergeometrica
distribucion-de-poisson/
poisson/
https://economipedia.com/definiciones/muestreo.html
https://www.ejemplos.co/muestreo-aleatorio-simple/
https://enciclopediaeconomica.com/muestreo-sistematico/
muestreo aleatorio estratificado. (s. f.). Diccionario de Matemáticas | Superprof.
https://www.superprof.es/diccionario/matematicas/estadistica/muestreo-
estratificado.html
https://www.ejemplos.co/muestreo-por-conglomerados/
1.htm
https://repository.uaeh.edu.mx/revistas/index.php/xikua/article/view/3558
estadistica
Mi Profe. https://miprofe.com/minimos-cuadrados/
¿Qué es la Regresión lineal? - Regresión lineal - AWS. (s. f.). Amazon Web