RESUMEN RMA-05

PROBABILIDADES Y
ESTADÍSTICA
Nombre
Curso

Profesor
 ESTADÍSTICA

Estadística

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

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

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

Página 2
Definición Tipo Subtipo Ejemplos

Nominal

 Listado
 Nómina  Estado civil
 Los resultados no se  Sexo
Variable pueden jerarquizar
cualitativa

 Característica o
atributo. Ordinal
 No medible.
 Nivel
 Orden intuitivo educacional
Variable  Los resultados se  Rango militar
pueden jerarquizar

Discreta
 Número de hijos
 Los datos se pueden  Número de
Variable medir mascotas
cuantitativa

 Resultado de
una medición o Continua
conteo.  Los datos se pueden  Masa
medir  Estatura

Página 3
 MEDIDAS DE TENDENCIA CENTRAL
Para datos discretos

Si n es el número de datos de la muestra.

Sea X = xi el valor que toma la variable para todo i = 1, 2, ….., n

Sea fi la frecuencia i- ésima con la cual se repite el valor X = xi en el conjunto de datos,

válido para i = 1, 2, ….n.

Para datos continuos tabulados

Si n es el número de intervalos o clases presentes.

Sea ci la de clase representativo para el intervalo o clase i-ésima, válido para todo i = 1,
2, ….n.

Sea fi la frecuencia del i-ésimo intervalo, para todo i = 1, 2, ….n.

x1 + x2 + x3 + ... + xn
Datos no agrupados x =
n
Media x1  f1 + x2  f2 + x3  f3 + ... + xn  fn
Datos agrupados en x =
Aritmética f1 + f2 + f3 + ... + fn
tabla
o Promedio
Datos agrupados en c1  f1 + c2  f2 + c3  f3 + ... + cn  fn
x =
intervalos f1 + f2 + f3 + ... + fn

 Si n es un número par:
Mediana x n + x n+1
Datos no agrupados Me = 2 2

Dato que ocupa la 2

y datos agrupados en
posición central de tabla
la muestra.  Si n es un número impar:
Me = x n1
2

Dato(s) que más se repite(n)

Moda
Datos no agrupados Cuando los datos se agrupan en una tabla de
y datos agrupados en intervalos, se habla de intervalo modal y
Dato(s) con mayor
tabla corresponde al intervalo de mayor
frecuencia
absoluta. frecuencia.

Página 4
  Ejemplo:
Calcular la media en la siguiente tabla:

Intervalo Marca de Clase Frecuencia F. Acumulada

Absoluta
[a, b[ x f x·f F

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

Media aritmética:
x  f 420
x  = = 16,8
f 25

MEDIDAS DE POSICIÓN
(CUANTILES)
 3 valores

Cuartiles  4 partes aproximadamente iguales

 Cada parte representa el 25 % de los datos

 4 valores

Quintiles  5 partes aproximadamente iguales

 Cada parte representa el 20 % de los datos

 9 valores

Deciles  10 partes aproximadamente iguales

 Cada parte representa el 10 % de los datos

 99 valores

Percentiles  100 partes aproximadamente iguales

 Cada parte representa el 1 % de los datos

OBS.: Los datos deben estar ordenados de menor a mayor.

Página 5
 Método para determinar una Medida de Posición
1° Ordenar los datos de menor a mayor.

2° Determinar el lugar que ocupa la posición buscada con la forma correspondiente:

Cuartil Quintil Decil Percentil

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

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

3° Determinar la medida de posición con uno de los dos posibles resultados:

Número entero Número decimal

La medida de posición buscada será el La medida de posición buscada será el
dato que ocupa ese lugar. promedio entre el dato que se encuentra
a la izquierda de la posición con el dato
que se encuentra a la derecha.

MEDIDAS DE DISPERSIÓN
RANGO: diferencia entre el mayor y menor valor de la variable

Página 6
 REPRESENTACIÓN GRÁFICA

Se utiliza para variables de tipo

cualitativas y cuantitativas
Gráfico de
discretas. Consiste en una serie de
Barras barras cuyas alturas representan la
frecuencia absoluta de éstos.

Se utiliza en variables de tipo

cualitativa y cuantitativa discreta.
Gráfico Consiste en un círculo dividido en
Circular secciones proporcionales al tamaño
de la muestra y la frecuencia de los
datos.

Se utiliza para la representación de

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

Se utiliza en datos agrupados en

intervalos. Para confeccionarlo,
Polígono de debemos unir con una recta los
Frecuencia puntos donde se intersectan la
marca de clase y la frecuencia de
los intervalos.

Polígono de Se representa uniendo puntos

Frecuencias referidos al límite superior y
frecuencia acumulada de cada
Acumuladas intervalo. Para “anclar” la ojiva al
u Ojivas eje horizontal, se posiciona en el
límite inferior del primer intervalo.

Página 7
 GRÁFICO DE CAJA Y BIGOTES

Xmin Q1 Q2 Q3 Xmáx

Muestra Simétrica Muestra Positivamente Muestra Negativamente

Asimétrica Asimétrica

En una distribución simétrica el gráfico de caja con bigotes presenta las siguientes
características.

 En teoría el promedio, la mediana y la moda son valores coincidentes.

 En teoría la magnitud de los bigotes es la misma.

25% Mediana 25%

%

Mínimo Q1 Q3 Máximo

50%

En un gráfico de caja con bigotes con distribución asimétrica positiva, se tienen las
siguientes características.

 La mediana muestral es el mejor estimador de tendencia central. Para una

función de densidad de probabilidades sesgada a la derecha se tiene que:
moda < mediana < media aritmética.
 Los valores mayores de la muestra son más heterogéneos a diferencia de los
valores menores, que resultan estar distribuidos en forma más compacta.
 La longitud del bigote derecho es mayor a la longitud del bigote izquierdo.

Página 8
 En un gráfico de caja con bigotes con distribución asimétrica negativa, se tienen
las siguientes características.

 La mediana muestral es el mejor estimador de tendencia central. Para una

función de densidad de probabilidades sesgada a la izquierda se tiene que:
media aritmética < mediana < moda.
 Los valores menores de la muestra son más heterogéneos a diferencia de los
valores mayores, que resultan estar distribuidos en forma más compacta.

El rango intercuartil se calcula mediante la diferencia entre el tercer cuartil y el

primer cuartil, por ende, acumula un 50% de la información de la muestra. En el
grafico queda representado por la longitud de la caja.

Página 9
 PROBABILIDADES

Concepto Ejemplo

Experimento cuyo resultado

Experimento no se puede predecir,
Lanzar un dado.
Aleatorio existiendo un conjunto de
resultados posibles.

Resultados posibles del

Espacio muestral Experimento Aleatorio.
U = {1, 2, 3, 4, 5, 6}

A =
Obtener un número par
Subconjunto del Espacio A =
{2, 4, 6}
Evento o Suceso Muestral. B =
Obtener un número impar
B =
{1, 3, 5}
C =
Obtener un número menor que
Evento Cierto El propio Espacio Muestral. 20
C = {1, 2, 3, 4, 5, 6}
D = Obtener un múltiplo de 10
Evento Imposible No tiene elementos.
D=
Eventos
No tienen elementos
Mutuamente comunes.
AB=
Excluyentes
Eventos Obtener sello al lanzar una moneda y
La ocurrencia de uno no
Independientes afecta la ocurrencia del otro
obtener un número par al lanzar un
dado.

No tienen elementos
Eventos
comunes y juntos completan AB=U y AB=
Complementarios el Espacio Muestral.

Página 10
 PROBABILIDAD CLÁSICA O REGLA DE LAPLACE

Para un espacio muestral finito con distribución uniforme:

Número de casos favorables

P(A) =
Número de casos totales

Observaciones:
 0  P(A)  1, o bien, 0%  P(A)  100%
 P(A ocurra) + P(A no ocurra) = 1

DIAGRAMA DE VENN

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

forma determinar fácilmente su probabilidad clásica.

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

Página 11
 Probabilidad
Probabilidad Diagrama de Venn
Clásica

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

A B
0 5 9
P(A  B) 3
2 6
4 2
7
10
1 8

A B
0 9
5
P(A – B) 3
2 1
6
4 10
7
1 8

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

Página 12
 PROBABILIDAD EMPÍRICA

Número de veces que ocurrió el evento A

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

LEY DE LOS GRANDES NÚMEROS

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

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

Página 13
 TRIÁNGULO DE PASCAL

Para variables dicotómicas, con resultados equiprobables y eventos independientes.

Ejemplo:

En el experimento aleatorio “lanzar 4 monedas”, la probabilidad de obtener:

a) 3 caras

b) 4 sellos

c) 2 caras

1
1 1
1 2 1
1 3 3 1
1 4 6 4 1
C0S4 C1S3 C2S2 C3S1 C4S0

Tomar el coeficiente que está Probabilidad

Probabilidad pedida Coeficiente
justo sobre clásica
4
P(3 Caras) C3S1 C34 = 4
16

1
P(4 Sellos) C0S4 C44 = 1
16

6
P(2 Caras) C2S2 C24 = 6
16

Página 14
 PROBABILIDAD DE EVENTOS

Eventos Excluyentes

 AB= P(A  B) = P(A) + P(B)

P(A o B)  No hay elementos comunes.

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

Eventos Independientes

P(A  B) = P(A) · P(B)

 Un evento no influye en la ocurrencia del
otro

Eventos Dependientes

 La ocurrencia del primer evento influye en

P(A y B) la ocurrencia del segundo, es decir, con la
ocurrencia del primero se ve afectado el
espacio muestral para la ocurrencia del P(A  B) = P(A) · P(B/A)
segundo.

 P(B/A), se lee, la probabilidad de B

habiendo ocurrido A.

Página 15