Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Cuaderno Mat 1135 F (4) - Pginas-1-60
Cuaderno Mat 1135 F (4) - Pginas-1-60
MAT 1135 F
ESTADÍSTICA I, PARALELO F
HORARIO:
𝑴𝑨𝑹𝑻𝑬𝑺 𝟏𝟎𝟑𝟎 − 𝟏𝟐𝟎𝟎
} 𝑽𝑰𝑹𝑻𝑼𝑨𝑳
𝑱𝑼𝑬𝑽𝑬𝑺 𝟏𝟎𝟑𝟎 − 𝟏𝟐𝟎𝟎
TEMAS:
1. INTRODUCIÓN
2. DISTRIBUCIÓN DE FRECUENCIAS
3. MEDIDORES DE TENDENCIA CENTRAL
4. MEDIDORES DEL GRADO DE DISPERSIÓN
5. MOMENTOS
6. INTRODUCCIÓN A PROBABILIDADES
7. DISTRIBUCIÓN BINOMIAL, POISSON Y NORMAL
8. TEORÍA DEL MUESTREO
9. ESTIMACIÓN DE PARÁMETROS
10. TOMA DE DECISIONES, PRUEBAS DE HIPÓTESIS
11. MUESTRAS PEQUEÑAS, DISTRIBUCIÓN T DE STUDENT, CHI CUADRADO Y F DE
FISHER
12. PRUEBA DEL CHI CUADRADO
13. TEORÍA DE CURVAS
14. TEORÍA DE LA CORRELACIÓN
15. VARIANZAS
TEXTO: ESTADÍSTICA
AUTOR: COLECCIÓN SCHAUM
CALIFICACIONES:
PRÁCTICAS: 25%
2 PARCIALES: 35%
FINAL + (LABORATORIO, PROYECTO): 40%
TOTAL: 100%
CAPÍTULO 1
INTRODUCCIÓN
a) 40, 45, 50, 60, 70, 80, 90, 100 Hay variabilidad
b) 70, 75, 76, 78, 80, 81 No hay mucha variabilidad
c) 78, 79, 80, 81, 82 Poca variabilidad
a) 𝑅𝑎 = 100 − 40 = 60
b) 𝑅𝑏 = 81 − 70 = 11
c) 𝑅𝑐 = 82 − 78 = 4
Se puede concluir que los datos de a) tienen gran variabilidad y el de menos variabilidad
es c)
𝑋̅𝑎 = 80
𝑋̅𝑏 = 80
𝑋̅𝑐 = 80
No sabríamos cuál es el mejor grupo, pero como tenemos el rango, concluimos que el
grupo c) es el mejor porque no hay mucha variabilidad entre ellos, 𝑅𝑐 = 4 y su promedio
es 80
Por otra parte, si tuviéramos gran cantidad de datos, por ejemplo 100 datos de pesos de
estudiantes en lb, no sabríamos cómo analizar, en este caso, quisiéramos saber cuántos
debajo, medio y pesados o “gordos”. Existe una forma de hacerlo, averiguando o
clasificándolos en 3 o más categorías: así podemos decir que existe 15 delgados, 60 de
peso intermedio y 25 gordos. Además podríamos obtener una gráfica como la que sigue:
FRECUENCIA
60
25
15
Esta gráfica, llamada histograma, es más elocuente porque a simple vista muestra cómo
se distribuyen los datos.
También veremos cómo se pueden tomar decisiones, decisiones estadísticas, en base a
la información que se dispone y decir que una vacuna es mejor que la otra o que un
grupo es mejor que otro, todo en base a los datos estadísticos.
Otra forma importante es encontrar modelos matemáticos o ecuaciones que
representen a los datos experimentales, así:
Y
ENFERMEDADES
PULMONARES
𝑎1 𝑌 = 𝑎0 + 𝑎1 𝑋
Ecuación que
representa bien a los
datos experimentales
X: Datos
𝑎0 experimentales
CONSUMO DE CIGARRILLO X
CAPÍTULO II
DISTRIBUCIÓN DE FRECUENCIAS
DATOS CRUDOS
Son los datos como vienen o como se los colecta, no tiene un orden, por ejemplo el peso
de 40 estudiantes (en lb)
DATOS ORDENADOS
Los datos ordenados son aquellos que siguen un orden, empezando por el menor y
terminando por el mayor o viceversa. Así para el ejemplo en uso, se puede ordenar, lo
primero, por ejemplo ordenando del menor al mayor, en forma rápida es encontrar
estos valores, por un procedimiento, de ubicar en fila el valor más bajo y en columna el
más alto:
138 164 150 132 144 125 149 157 125
146 138 140 147 136 148 152 145 136
168 126 138 176 163 119 154 165 119
146 173 142 147 135 154 140 135 135
161 145 135 142 150 156 145 128 128
168 173 150 176 163 156 154 165
Ya se tiene los valores más bajo, 119, y el más alto, 176. Por lo tanto, se puede construir
la tabla de datos ordenados:
119…
DATOS ORDENADOS
176
DISTRIBUCIÓN DE FRECUENCIAS
Si se tiene muchos datos, no se puede hacer ningún análisis sólo con los datos crudos u
ordenados, para esto es mejor clasificar la información adecuadamente, separando en
categorías o clases y contabilizando la frecuencia con cada uno de estos, esta
clasificación se llama distribución de frecuencias y se la representa en una tabla con dos
columnas básicas: las categorías o clases y las frecuencias en cada una de ellas. Así por
ejemplo:
Distribución de Frecuencias
CATEGORÍAS O CLASES FRECUENCIAS fi
118 – 126 3
127 – 135 5
136 – 144 9
145 – 153 12
154 – 162 5
163 – 171 4
172 – 180 2
TOTAL=N 40
Estos son los límites reales. Ahora si ya se puede ubicar al estudiante que tiene el peso
de 135.4 y este cae o se lo contabiliza en la clase real 126.5 – 135.5. Estos nuevos límites
se llaman límites reales inferior y superior, es decir L.R.I y L.R.S de clase respectivamente.
Entonces, la tabla de distribución de frecuencias sería:
MARCA DE CLASE
La marca de clase es el punto medio de cada clase o intervalo de clase, así para el
(126+118) (163+171)
ejemplo es = 122,…, = 167, y la tabla queda así:
2 2
REGLA 1. Determinar los números máximo y mínimo de los datos crudos y luego
calcular el RANGO
REGLA 2. Dividir el RANGO en un número de clases definido por uno mismo, este
resultado es aproximadamente igual al tamaño de clase, c. Normalmente el
número de clases varía entre 5 y 20 clases dependiendo de la cantidad de datos
que se tiene, entonces:
𝑅𝐴𝑁𝐺𝑂
𝑐≅
𝑁° 𝑑𝑒 𝑐𝑙𝑎𝑠𝑒𝑠
EJEMPLO:
REGLA 1
𝑀Á𝑋 = 176
𝑀Í𝑁 = 119
C=es una referencia, se puede escoger un número próximo a este valor. Por ejemplo:
𝑐=9
En base a este número se puede construir la tabla de distribución de frecuencias que
incluya al valor mínimo y al máximo, respetando el tamaño de clases (7 clases para
este ejemplo)
Distribución de Frecuencias
L.I. L.S. CLASES CONTEO FRECUENCIA
118 126 118–126 III 3
127 135 127–135 IIII 5
136 144 136–144 IIII IIII 9
145 153 145–153 IIII IIII II 12
154 162 154–162 IIII 5
163 171 163–171 IIII 4
172 180 172–180 II 2
∑ 40
Distribución de Frecuencias
L.I. L.S. CLASES CONTEO FRECUENCIA
118 127 118–127 III 3
127 136 127–136 IIII 5
136 145 136–145 IIII IIII 9
145 154 145–154 IIII IIII II 12
154 163 154–163 IIII 5
163 172 163–172 IIII 4
172 180 172–180 II 2
∑ 40
Distribución de Frecuencias
L.I. L.S. CLASES CONTEO FRECUENCIA
111 120 111–120 I 1
121 130 121–130 III 3
131 140 131–140 IIII IIII 10
141 150 141–150 IIII IIII IIII 14
151 160 151–160 IIII 5
161 170 161–170 IIII 5
171 180 171–180 II 2
∑ 40
HISTOGRAMA Y POLÍGONO DE
FRECUENCIAS
14
12
10
8
fi
6
0
122 131 140 149 158 167 176
Marca de clase (x)
La suma total de todos los valores menores que el límite real superior de una clase
dada y se la denomina Frecuencia Acumulada e incluye la frecuencia de la última
clase. Para nuestro ejemplo:
Distribución de Frecuencias Acumuladas
Límite Real Superior de clase Frecuencia Acumulada Menor que
117,5 0
126,5 0+3=3
135,5 3+5=8
144,5 8+9=17
153,5 17+12=29
162,5 29+5=34
171,5 34+4=38
180,5 38+2=40
35
30
25
20
15
10
5
0
117,5 126,5 135,5 144,5 153,5 162,5 171,5 180,5
Límite Real Superior
0,8
0,6
0,4
0,2
0
117,5 126,5 135,5 144,5 153,5 162,5 171,5 180,5
L.R.S
80,0%
60,0%
40,0%
20,0%
0,0%
117,5 126,5 135,5 144,5 153,5 162,5 171,5 180,5
L.R.S.
EJERCICIO
a) Hallar el Rango
b) Distribución de frecuencias con 7 clases
c) Obtener las frecuencias acumulada, relativa, relativa acumulada y relativa
acumulada expresada en %
d) Graficar el Histograma y el Polígono de Frecuencias
e) Obtener la OJIVA menor que
CAPÍTULO III
MEDIDORES DE TENDENCIA CENTRAL
Un medidor de tendencia central de todos los datos:
. … . . .. .. . . .... Medidor de
.. . .. . .. .. .. tendencia central
… .. .. . .. . . . .. … .
. . ... . . .. ..
. .. . .
Media aritmética . .
Mediana
Moda
Cuartiles, Deciles y Percentiles
MEDIA ARITMÉTICA
𝑥1 + 𝑥2 + 𝑥3 + ⋯ + 𝑥𝑁 ∑𝑵
𝒊=𝟏 𝒙𝒊
𝑋̅ = =
𝑁 𝑵
EJEMPLO
1, 2, 3, 4, 5, 6
1 + 2 + 3 + 4 + 5 + 6 21
𝑋̅ = = = 3.5
6 6
𝑓1 𝑥1 + 𝑓2 𝑥2 + 𝑓3 𝑥3 + ⋯ + 𝑓𝑛 𝑥𝑛 ∑𝑛𝑖=1 𝑓𝑖 𝑥𝑖 ∑𝒏𝒊=𝟏 𝒇𝒊 𝒙𝒊
𝑋̅ = = 𝑛 =
𝑓1 + 𝑓2 + 𝑓3 + ⋯ + 𝑓𝑛 ∑𝑖=1 𝑓𝑖 𝑵
EJEMPLO
3 3 1 2 2 3
⏞ , 2,2,2
1,1,1 ⏞ ,⏞ ⏞ , 6,6,6
⏞ , 5,5
3 , 4,4 ⏞
1+1+1+2+2+2+3+4+4+5+5+6+6+6
𝑋̅ =
14
Pero
∑𝑛𝑖=1 𝑓𝑖 𝑥𝑖 3 ∗ 1 + 3 ∗ 2 + 1 ∗ 3 + 2 ∗ 4 + 2 ∗ 5 + 3 ∗ 6
𝑋̅ = = = 3.42
∑𝑛𝑖=1 𝑓𝑖 3+3+1+2+2+3
Entonces:
Xi fi fi*Xi
1 3 3
2 3 6
3 1 3
4 2 8
5 2 10
6 3 18
∑ 14 ∑fi*Xi=48
∑ 𝑓𝑖 𝑋𝑖 48
𝑋̅ = = = 3.42
∑ 𝑓𝑖 14
En algunos problemas los valores de las variables x puede tener un determinado peso o
ponderación, es decir para (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) sus ponderaciones podrían ser en el promedio:
𝑤1 𝑥1 + 𝑤2 𝑥2 + ⋯ + 𝑤𝑛 𝑥𝑛 ∑ 𝒘𝒊 𝑿𝒊
𝑋̅ = =
𝑤1 + 𝑤2 + ⋯ + 𝑤𝑛 ∑ 𝒘𝒊
EJEMPLO
Si el examen final de una materia pesa 3 veces más que los dos parciales, cuál será la
calificación del estudiante sabiendo que el 1er y 2do parcial obtuvo 70 y 90 de nota y un
final de 85
𝑤1 𝑥1 + 𝑤2 𝑥2 + 𝑤3 𝑥3 1 ∗ 70 + 1 ∗ 90 + 3 ∗ 85
𝑋̅ = =
𝑤1 + 𝑤2 + 𝑤3 1+1+3
70 + 90 + 255
𝑋̅ = = 83
5
∑ 𝑋𝑖 ∑ 𝑑𝑖
𝑋̅ = → 𝑋̅ = 𝐴 +
𝑁 𝑁
∑ 𝑓𝑖 𝑋𝑖 ∑ 𝑓𝑖 𝑑𝑖
𝑋̅ = → 𝑋̅ = 𝐴 +
𝑁 𝑁
Xi di=Xi-A=Xi-3
1 -2
2 -1
A→ 3 0
4 1
5 2
6 3
∑ ∑di=3
∑ 𝑑𝑖 3
𝑋̅ = 𝐴 + = 3 + = 3.5
𝑁 6
Demostración
∑ 𝑑𝑖
𝑋̅ = 𝐴 +
𝑁
Partimos de
∑𝑋
𝑋̅ = 𝑁 𝑖 «1»
Sabemos que:
𝑑𝑖 = 𝑋𝑖 − 𝐴
Entonces
𝑋𝑖 = 𝐴 + 𝑑𝑖
∑ 𝑋𝑖 = ∑(𝐴 + 𝑑𝑖 )
∑ 𝑋𝑖 = ∑ 𝐴 + ∑ 𝑑𝑖
∑ 𝑋𝑖 = 𝑁𝐴 + ∑ 𝑑𝑖 «2»
Demostrar:
∑ 𝑓𝑖 𝑋𝑖 ∑ 𝑓𝑖 𝑑𝑖
𝑋̅ = =𝐴+
𝑁 𝑁
∑ 𝑓𝑖 𝑢𝑖
𝑋̅ = 𝐴 + ( )𝑐
𝑁
Donde:
𝑐 = 𝑡𝑎𝑚𝑎ñ𝑜 𝑑𝑒 𝑐𝑙𝑎𝑠𝑒
EJEMPLO
Usando los datos de la tabla de distribución de frecuencias de los pesos de 40
estudiantes:
∑ 𝑓𝑖 𝑋𝑖 5879
𝑋̅ = = = 146.97
𝑁 40
∑ 𝑓𝑖 𝑑𝑖 −86
𝑋̅ = 𝐴 + = 149 + = 146.85
𝑁 40
∑ 𝑓𝑖 𝑢𝑖 −9
̅ =𝐴+(
𝑿 ) 𝑐 = 149 + ( ) ∗ 9 = 𝟏𝟒𝟔. 𝟗𝟕
𝑁 40
MEDIANA
La mediana de un juego de números ordenados en orden de magnitud es el valor medio
o la media aritmética de dos valores medianos
EJEMPLO
1,2,3,4, 5, 6,7,8,9
𝑀𝑒𝑑𝑖𝑎𝑛𝑎 = 5
OTRO EJEMPLO
5+6
𝑀𝑒𝑑𝑖𝑎𝑛𝑎 = = 5.5
2
Donde:
𝐿1 = 𝐿í𝑚𝑖𝑡𝑒 𝑟𝑒𝑎𝑙 𝑖𝑛𝑓𝑒𝑟𝑖𝑜𝑟 𝑑𝑒 𝑙𝑎 𝑐𝑙𝑎𝑠𝑒 𝑞𝑢𝑒 𝑐𝑜𝑛𝑡𝑖𝑒𝑛𝑒 𝑎 𝑙𝑎 𝑚𝑒𝑑𝑖𝑎𝑛𝑎
𝑁 = 𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑑𝑎𝑡𝑜𝑠
∑ 𝑓𝑖 = 𝑆𝑢𝑚𝑎 𝑑𝑒 𝑓𝑟𝑒𝑐𝑢𝑒𝑛𝑐𝑖𝑎𝑠 𝑖𝑛𝑓𝑒𝑟𝑖𝑜𝑟 𝑎 𝑙𝑎 𝑓𝑟𝑒𝑐𝑢𝑒𝑛𝑐𝑖𝑎 𝑑𝑒 𝑙𝑎 𝑚𝑒𝑑𝑖𝑎𝑛𝑎
𝑓𝑚𝑒𝑑 = 𝐹𝑟𝑒𝑐𝑢𝑒𝑛𝑐𝑖𝑎 𝑑𝑒 𝑙𝑎 𝑚𝑒𝑑𝑖𝑎𝑛𝑎
𝑐 = 𝑡𝑎𝑚𝑎ñ𝑜 𝑑𝑒 𝑐𝑙𝑎𝑠𝑒
EJEMPLO
CLASES f Xi F
118–126 3 122 3
127–135 5 131 8
136–144 9 140 17
Mediana→ 145–153 12 149 29
154–162 5 158 34
163–171 4 167 38
172–180 2 176 40
∑ N=40
Aplicando la fórmula:
𝑁
( 2 − ∑ 𝑓𝑖 )
𝑀𝑒𝑑𝑖𝑎𝑛𝑎 = 𝐿1 + ∗𝑐
𝑓𝑚𝑒𝑑
𝐿1 = 144.5 ∑ 𝑓𝑖 = 17
𝑁 40
= = 20 𝑓𝑚𝑒𝑑 = 12
2 2
𝑐=9
Reemplazando en la fórmula:
(20 − 17)
𝑀𝑒𝑑𝑖𝑎𝑛𝑎 = 144.5 + ∗9
12
𝑴𝒆𝒅𝒊𝒂𝒏𝒂 = 𝟏𝟒𝟔. 𝟕𝟓
HISTOGRAMA
14
Mediana=146.75
12
12
10
8 9
fi
6
4 5 5
4
2 3
2
0
122 131 140 149 158 167 176
Marca de clase (x)
𝑀𝑒𝑑𝑖𝑎𝑛𝑎 = 144.5 + 𝑥
Interpolando: 𝑥 =?
153.5 − 144.5 → 12
𝑥→3
(153.5 − 144.5) ∗ 3 9 ∗ 3
𝑥= = = 2.25
12 12
Es decir:
𝑀𝑒𝑑𝑖𝑎𝑛𝑎 = 144.5 + 2.25 = 146.75
ANÁLISIS
(153.5 − 144.5) ∗ 3
𝑀𝑒𝑑𝑖𝑎𝑛𝑎 = 144.5 +
12
MODA
La moda de un juego de números es el valor que ocurre con mayor frecuencia, es decir
es el valor más común; la moda puede no existir y si existe puede que no sea única.
EJEMPLO
1, 2,2, 3,3, 4,4, 5,5,5, 6,7,8,9,10
𝑀𝑜𝑑𝑎 = 5
OTRO EJEMPLO
𝑀𝑜𝑑𝑎1 = 3 𝑦 𝑀𝑜𝑑𝑎2 = 7
OTRO EJEMPLO
1,2,3,4,5,6,7,8,9,10,11
∆1
𝑀𝑜𝑑𝑎 = 𝐿1 + ( )𝑐
∆1 + ∆2
Donde:
𝐿1 = 𝐿í𝑚𝑖𝑡𝑒 𝑟𝑒𝑎𝑙 𝑖𝑛𝑓𝑒𝑟𝑖𝑜𝑟 𝑞𝑢𝑒 𝑐𝑜𝑛𝑡𝑖𝑒𝑛𝑒 𝑎 𝑙𝑎 𝑚𝑜𝑑𝑎
∆1 = 𝐷𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎 𝑒𝑛𝑡𝑟𝑒 𝑙𝑎 𝑓𝑟𝑒𝑐𝑢𝑒𝑛𝑐𝑖𝑎 𝑑𝑒 𝑙𝑎 𝑚𝑜𝑑𝑎 𝑦 𝑙𝑎 𝑓𝑟𝑒𝑐𝑢𝑒𝑛𝑐𝑖𝑎 𝑖𝑛𝑓𝑒𝑟𝑖𝑜𝑟
(𝑎𝑛𝑡𝑒𝑟𝑖𝑜𝑟 ) 𝑐𝑜𝑛𝑡𝑖𝑔𝑢𝑎 𝑎 𝑙𝑎 𝑓𝑟𝑒𝑐𝑢𝑒𝑛𝑐𝑖𝑎 𝑑𝑒 𝑙𝑎 𝑚𝑜𝑑𝑎
∆2 = 𝐷𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎 𝑒𝑛𝑡𝑟𝑒 𝑙𝑎 𝑓𝑟𝑒𝑐𝑢𝑒𝑛𝑐𝑖𝑎 𝑑𝑒 𝑙𝑎 𝑚𝑜𝑑𝑎 𝑦 𝑙𝑎 𝑓𝑟𝑒𝑐𝑢𝑒𝑛𝑐𝑖𝑎 𝑠𝑢𝑝𝑒𝑟𝑖𝑜𝑟
(𝑝𝑜𝑠𝑡𝑒𝑟𝑖𝑜𝑟 ) 𝑐𝑜𝑛𝑡𝑖𝑔𝑢𝑎 𝑎 𝑙𝑎 𝑓𝑟𝑒𝑐𝑢𝑒𝑛𝑐𝑖𝑎 𝑑𝑒 𝑙𝑎 𝑚𝑜𝑑𝑎
𝑐 = 𝑡𝑎𝑚𝑎ñ𝑜 𝑑𝑒 𝑐𝑙𝑎𝑠𝑒
EJEMPLO
∆1
𝑀𝑜𝑑𝑎 = 𝐿1 + ( )𝑐
∆1 + ∆2
𝐿1 = 144.5 ∆2 = 12 − 5 = 7
∆1 = 12 − 9 = 3 𝑐=9
3
𝑀𝑜𝑑𝑎 = 144.5 + ( )9
3+7
𝑴𝒐𝒅𝒂 = 𝟏𝟒𝟕. 𝟐
RESUMEN:
𝑀𝑒𝑑𝑖𝑎𝑛𝑎 = 146.75
𝑀𝑜𝑑𝑎 = 147.2
HISTOGRAMA
14
Media=146.97 Moda=147.2
12
Mediana=146.75 12
10
8 9
fi
6
4 5 5
4
2 3
2
0
122 131 140 149 158 167 176
Marca de clase (x)
Si un juego de datos está ordenado en orden de longitud, el valor medio que divide el
juego de datos que divide en 2 partes iguales es la mediana. Extendiendo esta idea si los
datos dividimos en 4 partes iguales, cada uno de estos se llaman 1er, 2do, 3er cuartil,
denotados por 𝑄1 , 𝑄2 , 𝑄3 respectivamente. Si los datos los dividimos en 10 partes
iguales, estos se llaman 1er, 2do,…, 9no decil y se los denota por 𝐷1 , 𝐷2 , 𝐷3 , … , 𝐷9
respectivamente. Finalmente, si los datos se dividen en 100 partes iguales, estos se
llaman 1er, 2do, 3er,…, 99mo percentil y se los denota por 𝑃1 , 𝑃2 , 𝑃3 , … , 𝑃99
respectvamente.
EJEMPLO (PRÁCTICA)
CLASES f Xi F
118–126 3 122 3
127–135 5 131 8
𝑸𝟏 → 136–144 9 140 17
𝑸𝟐 → 145–153 12 149 29
𝑸𝟑 → 154–162 5 158 34
163–171 4 167 38
172–180 2 176 40
∑ N=40
𝑸𝟏 =?
𝑁 40
= = 10
4 4
Interpolando:
𝑄1 = 𝐿1 + 𝑥
(144.5 − 135.5) → 9
𝑥 →2
(144.5 − 135.5) ∗ 2 9 ∗ 2
𝑥= = =2
9 9
Es decir:
𝑸𝟏 = 135.5 + 2 = 𝟏𝟑𝟕. 𝟓
𝑸𝟐 =?
𝑁 40
= = 10 → 𝑄1
4 4
𝑁 40
2 ∗ ( ) = 2 ∗ ( ) = 20 → 𝑄2 → 𝑀𝑒𝑑𝑖𝑎𝑛𝑎 = 146.75
4 4
𝑸𝟑 =?
𝑁
3 ∗ ( ) = 30 → 𝑄3 → 𝐼𝑛𝑡𝑒𝑟𝑝𝑜𝑙𝑎𝑐𝑖ó𝑛
4
𝑄3 = 𝐿3 + 𝑥
(162.5 − 153.5) → 5
𝑥 →1
(162.5 − 153.5) ∗ 1 9 ∗ 1
𝑥= = = 1.8
5 5
𝑸𝟑 = 153.5 + 1.8 = 𝟏𝟓𝟓. 𝟑
CAPÍTULO 4
MEDIDORES DE DISPERSIÓN
El grado de desviación que existe entre datos y su media o algún valor de referencia se
llama dispersión respecto de esta media.
Ejemplos
5 𝑋̅ = 60 90
50 𝑋̅ = 60 70
55 𝑋̅ = 60 65
Si bien, los 3 ejemplos tienen el mismo promedio, varía el GRADO DE DISPERSIÓN
MEDIDORES DEL GRADO DE DISPERSIÓN:
RANGO
Es un medidor elemental del GRADO DE DISPERSIÓN, es la diferencia del máximo y el
mínimo.
Para los ejemplos dados
𝑅1 = 90 − 5 = 85
𝑅2 = 70 − 50 = 20
𝑅3 = 65 − 55 = 10
DESVIACIÓN MEDIA
La desviación media, DM, de un juego de números [N] 𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑁 viene definida
como:
|𝑥1 − 𝑥̅ | + |𝑥2 − 𝑥̅ | + |𝑥3 − 𝑥̅ | + ⋯ + |𝑥𝑁 − 𝑥̅ |
𝐷𝑀 =
𝑁
∑𝑁
𝑖=1|𝑥𝑖 − 𝑥̅ |
𝐷𝑀 =
𝑁
|𝑥𝑖 − 𝑥̅ | = 𝑉𝑎𝑙𝑜𝑟 𝑎𝑏𝑠𝑜𝑙𝑢𝑡𝑜 𝑥̅ = 𝑀𝑒𝑑𝑖𝑎 𝑎𝑟𝑖𝑡𝑚é𝑡𝑖𝑐𝑎
EJEMPLO
1 2 3 4 5 6 7
𝑋1 𝑋2 𝑋3 𝑿𝟒 𝑋5 𝑋6 𝑋7
Promedio de dispersión de distancia o valor respecto a la media 𝑋̅
EJEMPLO
Encontrar la DM de:
1 2 3 4 5 6
∑ 𝑋𝑖 21
𝑋̅ = = = 3.5
𝑁 6
̅ = 𝑿𝒊 − 𝟑. 𝟓 |𝑿𝒊 − 𝑿
𝑿𝒊 𝑿𝒊 − 𝑿 ̅ | = |𝑿𝒊 − 𝟑. 𝟓|
1 -2.5 2.5
2 -1.5 1.5
3 -0.5 0.5
4 0.5 0.5
5 1.5 1.5
6 2.5 2.5
N=6 ̅| = 9
∑ |𝑿 𝒊 − 𝑿
∑𝑁
𝑖=1|𝑥𝑖 − 𝑥̅ | 9
𝐷𝑀 = = = 1.5
𝑁 6
Si 𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑛 se presenta con frecuencias 𝑓1 , 𝑓2 , 𝑓3 , … , 𝑓𝑛 respectivamente,
entonces DM viene definida por:
𝑓1 |𝑥1 − 𝑥̅ | + 𝑓2 |𝑥2 − 𝑥̅ | + 𝑓3 |𝑥3 − 𝑥̅ | + ⋯ + 𝑓𝑛 |𝑥𝑛 − 𝑥̅ |
𝐷𝑀 =
𝑓1 + 𝑓2 + 𝑓3 + ⋯ + 𝑓𝑛
∑𝑛𝑖=1 𝑓𝑖 |𝑥𝑖 − 𝑥̅ | ∑𝑁
𝑖=1 𝑓𝑖 |𝑥𝑖 − 𝑥̅ |
𝐷𝑀 = 𝑛 =
∑𝑖=1 𝑓𝑖 𝑁
EJEMPLO
𝑿𝒊 𝒇𝒊 𝒇𝒊 𝑿𝒊 𝑿𝒊 − 𝑿̅ |𝑿 𝒊 − 𝑿
̅ | 𝒇𝒊 |𝒙𝒊 − 𝒙
̅|
1 3 3 -2.57 2.57 7.71
2 2 4 -1.57 1.57 3.14
3 1 3 -0.57 0.57 0.57
4 3 12 0.43 0.43 1.29
5 2 10 1.43 1.43 2.86
6 3 18 2.43 2.43 7.29
∑ N=14 50 22.86
∑ 𝑓𝑖 𝑋𝑖 50
𝑋̅ = = = 3.57
𝑁 14
∑𝑁
𝑖=1 𝑓𝑖 |𝑥𝑖 − 𝑥̅ | 22.86
𝐷𝑀 = = = 𝟏. 𝟔𝟑
𝑁 14
Esta segunda fórmula se puede usar para calcular DM de datos agrupados, donde fi
representa la frecuencia de clase y Xi representa la marca de clase.
DESVIACIÓN ESTÁNDAR
∑(𝑋𝑖 − 𝑋̅)2
𝑠=√
𝑁
𝒔 = 𝟏. 𝟕𝟎
∑ 𝑓𝑖 (𝑋𝑖 − 𝑋̅)2
𝑠=√
𝑁
EJEMPLO
111 22 3 444 55 66
𝑿𝒊 𝒇𝒊 𝒇𝒊 𝑿𝒊 𝑿𝒊 − 𝑿̅ (𝑿 𝒊 − 𝑿
̅ )𝟐 𝒇𝒊 (𝑿𝒊 − 𝑿̅ )𝟐
1 3 3 -2.57 6.60 19.80
2 2 4 -1.57 2.46 4.92
3 1 3 -0.57 0.32 0.32
4 3 12 0.43 0.18 0.54
5 2 10 1.43 2.04 4.08
6 3 18 2.43 5.90 17.70
∑ N=14 50 47.36
∑ 𝑓𝑖 𝑋𝑖 50
𝑋̅ = = = 3.57
𝑁 14
𝐷𝑀 = 𝟏. 𝟔𝟑
VARIANZA
La varianza de un juego de datos viene definida como el cuadrado de la desviación
estándar y se la representa por s2, es decir:
También
∑ 𝑓𝑖 (𝑋𝑖 − 𝑋̅ )2 ∑ 𝑓𝑖 (𝑋𝑖 − 𝑋̅ )2
𝑠= √ → 2
𝑠 =
𝑁 𝑁
𝑠 = 1.70 → 𝑠 2 = 2.89
𝑠 = 1.84 → 𝑠 2 = 3.38
EJEMPLO
Se tiene los coeficientes de Inteligencia de 480 niños de una escuela.
a) Encontrar la media
b) Calcular la desviación estándar usando el método de la codificación
c) El % de estudiantes dentro del intervalo 𝑋̅ ± 𝑠
2
∑ 𝑓𝑢2 ∑ 𝑓𝑢 3404 236 2
𝑠 = 𝑐√ −( ) = 4√ −( )
𝑁 𝑁 480 480
𝒔 = 𝟏𝟎. 𝟒𝟔
c) % estudiantes dentro 𝑋̅ ± 𝑠
Intervalo: 95.96 ± 10.46 → desde 85.50 hasta 106.42
HISTOGRAMA
90
80
70
60
50
40 85
66 72
30
54
20 45
38
28 27
10 4 9 16 18 11 5 2
0
70 74 78 82 86 90 94 98 102 106 110 114 118 122 126
88 – 84 → 45
88 – 85.5 → x
(88 − 85.5) ∗ 45
𝑥=
(88 − 84)
PROPIEDADES
Muestra buena
Población Muestra
Media poblacional Media muestral
𝑥̅ = 58𝑘𝑔
µ=60 kg
2
𝑁1 𝑠12 + 𝑁2 𝑠22
𝑠 =
𝑁1 + 𝑁2
Esta definición se puede extender a más de 2 juegos:
𝑋̅
M1 𝑠12
Población 𝑋̅
M2 𝑠22
µ=60 kg
𝑋̅
M3
𝑠32
CAPÍTULO 5
MOMENTOS
Como:
EJEMPLO: Si r=1
EJEMPLO: Si r=2
EJEMPLO: Si r=2
∑𝑛𝑖=1(𝑋𝑖 − 𝐴)𝑟
𝑚´𝑟 =
𝑁
CASOS ESPECIALES
i) Si A=0
∑𝑛𝑖=1(𝑋𝑖 − 0)𝑟 ∑𝑛𝑖=1 𝑋𝑖 𝑟
𝑚´𝑟 = =
𝑁 𝑁
Momento de orden r con respecto al origen (𝑋̅ 𝑟 )
ii) Si A=𝑋̅
∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅)𝑟
𝑚´𝑟 =
𝑁
Momento de orden r con respecto a la media aritmética (𝑚𝑟 )
EJEMPLO Si r=1
∑ 𝑓𝑖 𝑋´𝑖 ∑ 𝑓𝑖 𝑋𝑖
𝑋´ = 𝑋̅ = = = 𝑋̅
𝑁 𝑁
EJEMPLO Si r=2
∑𝑛𝑖=1 𝑓𝑖 (𝑋𝑖 − 𝑋̅ )2
𝑚2 =
𝑁
Momento de 2do orden con respecto a la media aritmética (varianza)
iii) MOMENTO DE ORDEN r CON RESPECTO A CUALQUIER ORIGEN A
∑𝑛𝑖=1 𝑓𝑖 (𝑋𝑖 − 𝐴)𝑟
𝑚´𝑟 =
𝑁
i) 𝑚2 = 𝑚2´ − 𝑚1´2
ii) 𝑚3 = 𝑚3´ − 3𝑚1´ 𝑚2´ + 2𝑚1´3
iii) 𝑚4 = 𝑚4´ − 4𝑚1´ 𝑚3´ + 6𝑚1´2 𝑚2´ − 3𝑚1´4
Demostración de i)
𝑚2 = 𝑚2´ − 𝑚1´2
Entonces:
∑(𝑋𝑖 − 𝑋̅)2
𝑚2 =
𝑁
Donde:
𝑑𝑖 = 𝑋𝑖 − 𝐴
𝑋𝑖 = 𝑑𝑖 + 𝐴 «1»
∑ 𝑋𝑖 = ∑ 𝑑𝑖 + ∑ 𝐴
∑ 𝑋𝑖 ∑ 𝑑𝑖 ∑ 𝐴
= +
𝑁 𝑁 𝑁
𝑁𝐴
𝑋̅ = 𝑑̅ +
𝑁
𝑋̅ = 𝑑̅ + 𝐴 «2»
Restando las ecuaciones «1» y «2»
𝑋𝑖 = 𝑑𝑖 + 𝐴
𝑋̅ = 𝑑̅ + 𝐴
(𝑋𝑖 − 𝑋̅) = (𝑑𝑖 − 𝑑̅ )
Sustituyendo en 𝑚2
2
∑(𝑑𝑖 − 𝑑̅)
𝑚2 =
𝑁
Desarrollando el 2do miembro
𝑑𝑖 = 𝑋𝑖 − 𝐴
2
∑(𝑋𝑖 − 𝐴)2 ∑ 𝑑𝑖
𝑚2 = −( )
𝑁 𝑁
2
∑(𝑋𝑖 − 𝐴)2 ∑(𝑋𝑖 − 𝐴)
𝑚2 = −( )
𝑁 𝑁
𝒎𝟐 = 𝒎´𝟐 − 𝒎´𝟐
𝟏 𝒍. 𝒒. 𝒒. 𝒅.
USOS DE MOMENTOS
El momento de 3er orden con respecto a la media (𝑋̅), sirve para ver si la distribución
de frecuencia es simétrica
SESGO
Si 𝑎3 = 0 Existe simetría
∑ 𝑓𝑖 (𝑋𝑖 − 𝑋̅ )3
𝑚3 𝑁
𝑎3 = 3 = 3
𝑠 ∑ 𝑓𝑖 (𝑋𝑖 − 𝑋̅ )2
(√ )
𝑁
𝑎3 < 0 𝑎3 = 0 𝑎3 > 0
CURTOSIS
Si 𝑎4 = 3
∑ 𝑓𝑖 (𝑋𝑖 − 𝑋̅ )4
𝑚4 𝑁
𝑎4 = 4 = 4
𝑠 ∑ ( ̅ )2
𝑓 𝑋 − 𝑋
(√ 𝑖 𝑖
)
𝑁
𝑎4 > 3 𝑎4 = 3 𝑎4 < 3
CAPÍTULO 6
Espacio
muestral
Sello (0) Cara (1)
2DO EXPERIMENTO. Lanzamiento de 2 monedas
Resultados posibles:
Y
(1,1)
(0,1)
Espacio
muestral
X
(0,0) (1,0)
y x
1,1,0
11 12 13 14 15 16
21 22 23 24 25 26
31 32 33 34 35 36
Espacio
41 42 43 44 45 46 muestral
51 52 53 54 55 56
61 62 63 64 65 66
1 1
1 1
2. Lanzamiento de 2 monedas
1
, 1,1
1
, 0,0
1
, 0,1
1
, 1,0
3. Lanzamiento de 3 monedas
1
1,1,1
…
1
0,0,0
4. Lanzamiento de 2 dados
1
{1,1}
…
1
{ , }
1. ∑ 1 0 1
2. ∑ 1,1 1,0 0,1 0,0 1
3. ∑ 1,1,1 0,0,0 ⏟ 1
4. ∑ {1,1} {1, } { , } ⏟ 1
SUCESOS
Un suceso “A” es un resultado particular de cada experimento en el espacio muestral.
La probabilidad de obtener un suceso A particular dentro del Espacio Muestral es igual
a:
{ } ∑
EJEMPLO 1
¿Cuál es la probabilidad de obtener como suma “7” cuando se lanza 2 dados?
Entonces:
{ } ∑
Por lo tanto
{ } {1, } { , } { , } { , } { , } { ,1}
1 1 1 1 1 1
{ }
{ }
EJEMPLO 2
¿Cuál es la probabilidad de obtener una cara y un sello cuando se lanza al aire 2
monedas?
{ } ∑ , , 0,1 1,0
1 1 1
{ }
TEOREMA DE LA SUMA
EXPERIMENTO
A1 A2
𝐴 𝐴
Entonces:
{ }
{ } ∑
Tenemos:
{ } { } { }
{ } ∑ ∑ ∑
{ } { } { } { }
Este es el teorema de la suma, que dice la probabilidad de que aparezca A 1 o A2 o
simultáneamente A1, A2
Caso particular
Si A1 y A2 son distintos, o independientes, en el experimento:
A1 A2
𝐴 𝐴
Entonces:
{ } { } { }
Es decir
{ } 0
TEOREMA DE LA MULTIPLICACIÓN
En un determinado experimento podemos estar interesados en que se presentan
simultáneamente ambos {A1 A2} Para encontrar esta probabilidad recurrimos a una
probabilidad condicional.
EJEMPLO
Supongamos que tenemos una bolsa con 10 fichas de igual tamaño: 5 rojas, 3 blancas y
2 azules. Sacamos una ficha al azar, los sucesos serán: A sacar una ficha roja o una azul
y el suceso B sacar una ficha roja o una blanca.
● ● ● ● ●
● ●
{ }
10
{ }
10
{ }
10
10 { }
{ | }
{ }
10
Despejando
{ } { | } { }
{ } { | } { }
Caso Particular
A1 y A2 son independientes
A1, ni A2 dependen entre sí
{ | } { }
{ , } { } { }
EJEMPLOS
11 12 13 14 15 16
21 22 23 24 25 26
31 32 33 34 35 36
41 42 43 44 45 46
51 52 53 54 55 56
61 62 63 64 65 66
{ } { } { }
{ }
{ }
{ , }
{ , }
{ } {11 1 } {1 } 00
0
{ } {1 1 } {1 1} 01
0
{ } {1 1 0} {1 } 00
0
∑ 1
0 0 0
ANÁLISIS COMBINATORIO
Principio fundamental
Si una operación puede efectuarse de “m” maneras (cuando ha sido efectuada por
cualquiera de esas maneras) y una segunda operación puede efectuarse de “n”
maneras; las dos operaciones se podrán efectuar de “m x n” maneras porque cada
manera de la primera operación podrá asociarse con cada manera de la segunda
operación, entonces un total de “m x n” maneras en total.
EJEMPLO
Una persona debe hacer un viaje a La Paz ida y vuelta (Oruro a La paz – La Paz a Oruro)
Para hacer este viaje existen 10 empresas, esta persona no puede volver en la misma
empresa. ¿De cuántas maneras puede hacer este viaje esta persona?
Aplicando el principio:
OTRO EJEMPLO
SOLUCIÓN
Considerando sólo 2 estudiantes (1er, 2do)
Y las sillas enumeradas por: 1, 2, 3 y 4
(1,2) (1,3) (1,4)
(2,1) (2,3) (2,4)
(3,1) (3,2) (3,4)
(4,1) (4,2) (4,3)
Los primeros atrasados se pueden sentar de 12 maneras (4x3)
PERMUTACIONES
EJEMPLO
1ER MÉTODO
A B C D
Selección Ordenación
AB BA
AC CA
AD DA
BC CB
BD DB
CD DC
2DO MÉTODO
Aplicando el principio fundamental
Generalizando:
, , , , , , , ,
1 1
1 1
⏟ 1 1
Caso particular
1 1
COMBINACIONES
Una combinación es una variación donde sólo se admite la selección.
EJEMPLO
SOLUCIÓN
A B C D
Selección
AB
AC
AD
BC
BD
CD
NOMENCLATURA
El número de combinaciones de n elementos tomados de r en r es:
( )
La fórmula de es:
Es decir:
Finalmente
NNNNNNNNNNNNN
EEEEEEEEEEEEEEEE
NNNNNNNNNNNNN E.M.
NNNNNNNNNNNNN
{ }
1
( )( )
{ } 0 00
( )
1
EJEMPLO 2
¿Cuál es la probabilidad de que una mano de Bridge contenga un As?
( )( )
1 1 0
( )
1
Otro caso particular
Permutaciones de n elementos cuando , , , son exactamente iguales
1 1 0
Ahora, si 3 elementos son “a” y 2 son “b”
¿Cuántas permutaciones diferentes se obtienen?
⏟ ⏟
⏟
...
…
⏞ ⏟
1 0 10
10
Entonces
Generalizando
EJEMPLO 3
Si se arroja una moneda al aire cinco veces. ¿Cuál es la probabilidad de obtener 3 caras
(C) y 2 sellos (S)?
SOLUCIÓN
E.M.
C C C S S
C C S S C
…
S C C C S
⏟{ } { }
Por lo tanto:
1 1 1 1 1 1 1
{ } ( ) ( ) ( ) ( )
1 1 1 1 1 1
( ) ( ) ( ) ( ) ( ) ( )
1 1 1 1
10 ( ) ( ) ( ) ( )
PRÁCTICA
̅ ∑
Población
µ=E(x) Muestra
Promedio Poblacional 𝑃𝑟𝑜𝑚𝑒𝑑𝑖𝑜
𝑥̅
𝑚𝑢𝑒𝑠𝑡𝑟𝑎𝑙
(Buena muestra)
( ) ∑ Caso discreto
( ) ∫ Caso continuo
( ) ̅ ∑ ̅
⏟
Sabemos:
∑ ̅ ̅ ̅ ̅
̅ ( ) ̅ ( ) ̅ ( )
⏟ ⏟ ⏟
̅ ̅ ̅
∑ ̅ ̅
Población
𝑠 𝐸 𝑥 𝑥̅ Muestra Varianza
∑ 𝑓𝑖 𝑥𝑖 𝑥̅ Muestral
Varianza Poblacional
𝑠
𝑁
(Buena muestra)
RESUMEN
Media poblacional=µ
∑ Caso discreto
∫ Caso continuo
Varianza=s2
̅ ∑ ̅ Caso discreto
̅ ∫ ̅ Caso continuo
∑ ∑ 1
∫ ∫ 1
2.
∑ ( ) ∑
∫ ∫
3.
∫ ∫
∫ ∫
∫ ∫
∫ ∫ ∫ ∫
⏟ ⏟
∫ ∫
⏟ ⏟
EJEMPLO
4. VAR (c)=Varianza(0)=0
̅ ( )
( )
Entonces
( ) 0 0
5. VAR (cx)=?
( )
( )
( ( ))
( ( ) )
( )
EJEMPLO
6. VAR(x+y)=?
PRÁCTICA
EJERCICIO
Se tiene:
X 1 2 3 4 5
P(x) 0.2 0.3 0.1 0.3 0.1
Encontrar:
a) E(X)
b) E(x2)
c) δ2
d) δ
SOLUCIÓN
a)
1 0 0 01 0 01
b)
∑ 1 0 0 01 0 01
c)
d)
√1
PRÁCTICA
Darse un ejemplo y hallar
a) E(x)
b) E(x2)
c) δ2 (2 métodos)
d) δ
, , , , , , , ,10,11,1
Función de frecuencias f(x)
Es una relación entre el valor x y su probabilidad, mejor dicho función de frecuencias
de la variable aleatoria x es una función de x, f(x), que nos da probabilidad de que x
tome un valor particular en su recorrido o campo de acción.
Es decir: f(x) es la probabilidad de que x tome un valor particular dentro su espacio
muestral (E.M.)
Así, para el ejemplo del lanzamiento de los dados:
1
11 12 13 14 15 16
21 22 23 24 25 26
31 32 33 34 35 36
41 42 43 44 45 46
51 52 53 54 55 56 E.M.
61 62 63 64 65 66
11
11
10 1
1
10 1
Gráficamente
x(v.a.)
Si x=3
∑
Si x=4
∑
Si x=5
∑
1 10
y=f(x)=función de frecuencia
14
12
10
8
(f/N)=f(x)
6
4
2
0
122 131 140 149 158 167 176
x (v.a.)
OJIVA
1
0,8
0,6
F(x)=∑f(t)
0,4
0,2
0
122 131 140 149 158 167 176
v.a.
CONCLUSIÓN
Una función de frecuencia, f(x), o se llama función de frecuencias f(x), si se cumple las
siguientes condiciones:
ii) ∑ 1
iii) ∑ { }
0
1
Por lo tanto:
0,0 0 0
1
1
1,0 1 0
1
0,1 0 1
1
1 1
1,1 1 1
1
, , , ,
a b
Definición
Una función f(x) de frecuencias continuas de una variable aleatoria x continua es
aquella función que cumple las siguientes condiciones:
i) 0
ii) ∫ 1
∑ ∑ ∫ 1
iii) ∫ { }
EJEMPLO
Si X < 0, entonces 0
Así:
ii) ∫ 1
∫ 1 0 1
iii) ∫ { }
∫ ∫ {1 }
∫ 0,
LA FUNCIÓN DE DISTRIBUCIÓN
∫ 0 0
i) , , , 0
ii) ∫
⏟ ∫ , , , 1
iii) ∫ ∫ , , , { , , }
EJEMPLO
, 0 0, 0
i) , 0
ii) ∫ ∫ , 1
∫∫ , ∫∫
∫∫ , 1 1
∫∫ , 1 1 1
iii) ∫ ∫ , , , { , , }
∫∫
∫∫ 0,