Cuaderno Mat 1135 F (4) - Pginas-1-60

UNIVERSIDAD TÉCNICA DE ORURO
FACULTAD NACIONAL DE INGENIERÍA

DEPARTAMENTO DE MATEMÁTICA
MAT 1135 F
ESTADÍSTICA I, PARALELO F
DOCENTE: RENÉ ANTEZANA GARCÍA
AUXILIAR: UNIV. ANDREA HUANCA GRÁGEDA
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%
ESTADÍSTICA I - MAT 1135 F ING. RENÉ ANTEZANA GARCÍA

CAPÍTULO 1
INTRODUCCIÓN
Definición de estadística: Es el estudio de la variabilidad de los datos de la información.

Ejemplo:
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
Un medidor primitivo o primera mano, es el rango, por definición es:
𝑅𝑎𝑛𝑔𝑜 = 𝑅 = 𝑀á𝑥 − 𝑀í𝑛
Así para los ejemplos
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)
Si fueran CALIFICACIONES y se quisieran comparar, solamente usando el medidor Rango,

y si además obtenemos de media para cada caso, obtenemos lo siguiente:
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
120 140 160

PESOS (LB)
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
Cerraremos la materia hablando de un tema importante que es el análisis de la

variabilidad de los datos, llamado ANOVA

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)
138 164 150 132 144 125 149 157

DATOS
146 138 140 147 136 148 152 145
CRUDOS
168 126 138 176 163 119 154 165
146 173 142 147 135 154 140 135
161 145 135 142 150 156 145 128
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
119 135 138 142 146 149 154 164

125 135 138 144 146 150 156 165
126 135 140 145 147 150 157 168
128 136 140 145 147 152 161 173
132 138 142 145 148 154 163 176
Con estos ya se puede encontrar el rango:

𝑅 = 𝑀á𝑥 − 𝑀í𝑛 = 176 − 119
𝑹 = 𝟓𝟕
Este rango ya nos da una idea del grado de dispersión de la información, es decir, se
puede afirmar que sí existe una dispersión notoria.

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
Aquí, en esta tabla de distribución de frecuencias, se han categorizado o se han dividido

en 7 clases. Ya se puede analizar un poco, así podemos decir que hay 3 personas
delgadas, en la clase 118 – 126; la mayoría de un peso regular, 145 – 153, son 12 y existen
2 personas con mayor peso, etc.
INTERVALOS DE CLASES Y LÍMITES DE CLASE
El símbolo que define una clase, como 118 – 126, en la tabla y del ejemplo, se llama
intervalo de clase. Y los números 118 y 126 se llaman límites de clase, donde 118 es el
límite inferior, L.I., y 126 el límite superior, L.S.
LÍMITES REALES DE CLASE
La tabla 1, por ejemplo, no expresa claramente los verdaderos o límites reales de clase;
así, si algún estudiante tiene un peso, por decir de 135.4 lb, a este estudiante no se lo
podría ubicar porque no existe en la tabla, ya que los límites son en esa clase 127 – 135
y el que lo sigue es 136 – 144, este número o peso está entre estas dos clases, pero no
definida, entonces, es mejor tener los límites reales para resolver este problema. Para
esto graficamos lo siguiente a partir de las clases de forma horizontal.

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:
CATEGORÍAS O CLASES FRECUENCIAS fi CLASES CON LÍMITES REALES

117
118 – 126 3 117.5 – 126.5
127 – 135 5 126.5 – 135.5
136 – 144 9 135.5 – 144.5
145 – 153 12 144.5 – 153.5
154 – 162 5 153.5 – 162.5
163 – 171 4 162.5 – 171.5
172 – 180 2 171.5 – 180.5
181
L.I. – L.S. 40 L.R.I. – L.R.S.
TAMAÑO O AMPLITUD DE CLASE, c

El tamaño o amplitud de clase es la diferencia entre los límites reales de clase superior
e inferior. A continuación un ejemplo: 126.5 − 117.5 = 9 = 𝑐 otro ejemplo: 𝑐 =
144.5 − 135.5 = 9 y así sucesivamente
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
CLASES FRECUENCIAS fi MARCAS

118 – 126 3 122
127 – 135 5 131
136 – 144 9 140
c=9
145 – 153 12 149
154 – 162 5 158
163 – 171 4 167
172 – 180 2 176
TOTAL=N 40
REGLAS GENERALES PARA OBTENER TABLAS DE DISTRIBUCIÓN DE FRECUENCIAS
 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
El estudiante o investigador define el # de clases, dependerá de la cantidad o

información o datos crudos que se tenga (5 a 20 clases)
 REGLA 3. Contabilizar el número de datos o frecuencias que caen en cada clase

o intervalo
EJEMPLO:
REGLA 1
𝑀Á𝑋 = 176
𝑀Í𝑁 = 119
𝑅𝐴𝑁𝐺𝑂 = 176 − 119 = 57

REGLA 2
𝑅𝑎𝑛𝑔𝑜 57
𝑐≅ = = 8.14
𝑁° 𝑑𝑒 𝑐𝑙𝑎𝑠𝑒𝑠 7
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)
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
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

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

El histograma es un conjunto de rectángulos cuyo eje de las X es igual al tamaño de
clase, siendo el centro de las bases la marca de clase. La altura de estos rectángulos
es igual o equivalente a las frecuencias de clase.
Su Polígono de Frecuencias es una línea quebrada que se obtiene de los puntos
medios superiores de cada rectángulo; para nuestro ejemplo:
HISTOGRAMA Y POLÍGONO DE
FRECUENCIAS
14
12
10
8
fi
6
0
122 131 140 149 158 167 176
Marca de clase (x)
DISTRIBUCIÓN DE FRECUENCIAS RELATIVAS

La frecuencia relativa de una clase es la Frecuencia de la clase dividida por el número
total de datos. La tabla que contiene estas Frecuencias Relativas se la conoce como
Distribución de Frecuencias Relativas. Para nuestro ejemplo:

Distribución de Frecuencias Relativas

CLASES MARCA f Frecuencia Relativa (f.r.) Frecuencia Relativa % (f.r.%)
118–126 122 3 3/40=0,075 (3/40)*100%=7,5%
127–135 131 5 5/40=0,125 (5/40)*100%=12,5%
136–144 140 9 9/40=0,225 22,50%
145–153 149 12 12/40=0,30 30%
154–162 158 5 0,125 12,50%
163–171 167 4 0,10 10%
172–180 176 2 0,05 5%
∑ 40 1 100%
DISTRIUCIÓN DE FRECUENCIAS ACUMULADAS (OJIVA)
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
La tabla presentada se llama ahora Distribución de Frecuencias Acumuladas; la

gráfica que muestra la Frecuencias Acumulada menor que cualquier límite de clase
superior versus el límite real superior de clase se llama Polígono de frecuencias
acumuladas o simplemente OJIVA.
OJIVA MENOR QUE

40
Frecuencia Acumulada, F
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

DISTRIBUCIÓN DE FRECUENCIAS ACUMULADAS RELATIVAS EXPRESADA EN

PORCENTAJE %
La Frecuencia acumulada dividida sobre la Frecuencia total se llama Frecuencia
acumulada Relativa. Si se expresa en % esta se llamará distribución de Frecuencias
Relativas expresada en porcentaje %
Su tabla, en este caso, se llamará Distribución de Frecuencias Acumuladas Relativas

expresada en %.
La OJIVA definida anteriormente es la misma cambiando solamente la ordenada por

Frecuencia Acumulada Relativa expresada en %
Distribución de Frecuencias Acumuladas Relativas en %

CLASES MARCA f F F.r.a. F.r.a.%
118–126 122 3 3 3/40=0,075 (3/40)*100%=7,5%
127–135 131 5 8 8/40=0,2 (8/40)*100%=20,0%
136–144 140 9 17 17/40=0,425 42,5%
145–153 149 12 29 29/40=0,725 72,5%
154–162 158 5 34 34/40=0,85 85,0%
163–171 167 4 38 38/40=0,95 95,0%
172–180 176 2 40 40/40=1 100,0%
40
OJIVA MENOR QUE

1
Frec. Rel., f.r.
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
OJIVA MENOR QUE

100,0%
Frec. Rel en %
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
DATOS CRUDOS DE PESOS, EN KG, DE LOS ESTUDIANTES DE LA MATERIA DE MAT 1135F

50 55 62 60 52 60 55 64 60 74
65 50 58 65 55 58 62 54 68 60
70 82 66 70 57 61 67 72 75 62
65 60 68 75 64 52 69 58 40 58
76 55 56 65 66 56 61 60 68 80
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
La media aritmética o simplemente media de un juego de n números (𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑛 )

viene definida por:
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
Sí (𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑛 ) se presenta con frecuencias (𝑓1 , 𝑓2 , 𝑓3 , … , 𝑓𝑛 ) respectivamente,

entonces la media aritmética viene definida por:
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
MEDIA ARITMÉTICA PONDERADA
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
PROPIEDADES DE LA MEDIA ARITMÉTICA
Si A es una media aritmética asumida (o cualquier valor) y si definimos 𝑑𝑖 = 𝑋𝑖 − 𝐴,

entonces las medias aritméticas definidas anteriormente se pueden escribir como:
∑ 𝑋𝑖 ∑ 𝑑𝑖
𝑋̅ = → 𝑋̅ = 𝐴 +
𝑁 𝑁
∑ 𝑓𝑖 𝑋𝑖 ∑ 𝑓𝑖 𝑑𝑖
𝑋̅ = → 𝑋̅ = 𝐴 +
𝑁 𝑁

Así, para los ejemplos anteriores:

1, 2, 3, 4, 5, 6
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»
Reemplazando «2» en «1»

𝑁𝐴 + ∑ 𝑑𝑖 𝑁𝐴 ∑ 𝑑𝑖
𝑋̅ = = +
𝑁 𝑁 𝑁
∑ 𝒅𝒊
̅ =𝑨+
𝑿
𝑵
PRÁCTICA
Demostrar:
∑ 𝑓𝑖 𝑋𝑖 ∑ 𝑓𝑖 𝑑𝑖
𝑋̅ = =𝐴+
𝑁 𝑁

MEDIA ARITMÉTICA PARA DATOS AGRUPADOS

La media aritmética para datos agrupados se puede calcular utilizando la fórmula
anteriormente vista:
∑ 𝑓𝑖 𝑋𝑖
𝑋̅ =
𝑁
Donde 𝑋𝑖 representa la marca de clase y 𝑓𝑖 la frecuencia de clase. De la misma manera

se puede utilizar la fórmula:
∑ 𝑓𝑖 𝑑𝑖
𝑋̅ = 𝐴 +
𝑁
Donde A es cualquier número (o cualquier marca de los datos agrupados) y 𝑓𝑖 las

frecuencias de clases.
Finalmente, se puede utilizar la siguiente fórmula:
∑ 𝑓𝑖 𝑢𝑖
𝑋̅ = 𝐴 + ( )𝑐
𝑁
Donde:
𝑢𝑖 = 0, ±1, ±2, ±3, …
𝑐 = 𝑡𝑎𝑚𝑎ñ𝑜 𝑑𝑒 𝑐𝑙𝑎𝑠𝑒
EJEMPLO
Usando los datos de la tabla de distribución de frecuencias de los pesos de 40
estudiantes:
CLASES f Xi fi*Xi di=Xi-149 fi*di Ui=di/c fi*Ui

118–126 3 122 366 -27 -81 -3 -9
127–135 5 131 655 -18 -90 -2 -10
136–144 9 140 1260 -9 -81 -1 -9
A→ 145–153 12 149 1788 0 0 0 0
154–162 5 158 790 9 40 1 5
163–171 4 167 668 18 72 2 8
172–180 2 176 352 27 54 3 6
∑ N=40 5879 0 -86 -9
∑ 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
1,2,3,4, 5,6, 7,8,9,10
5+6
𝑀𝑒𝑑𝑖𝑎𝑛𝑎 = = 5.5
2
Para datos agrupados, la mediana es la interpolación de los datos para encontrar la

mediana:
𝑁
( 2 − ∑ 𝑓𝑖 )
𝑀𝑒𝑑𝑖𝑎𝑛𝑎 = 𝐿1 + ∗𝑐
𝑓𝑚𝑒𝑑
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
EJEMPLO
Pesos de 40 estudiantes: tabla de frecuencias
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
1, 2,2, 3,3,3, 4,4, 6,6, 7,7,7, 8,9,10
𝑀𝑜𝑑𝑎1 = 3 𝑦 𝑀𝑜𝑑𝑎2 = 7
OTRO EJEMPLO
1,2,3,4,5,6,7,8,9,10,11
𝑁𝑜 𝑡𝑖𝑒𝑛𝑒 𝑚𝑜𝑑𝑎 𝑜 𝑒𝑠 𝐴𝑀𝑂𝐷𝐴𝐿
Para datos agrupados, la moda viene definida por:
∆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
EJEMPLO
Peso de los 40 estudiantes

CLASES f Xi
118–126 3 122
127–135 5 131
136–144 9 140
Moda→ 145–153 12 149
154–162 5 158
163–171 4 167
172–180 2 176
∑ N=40

∆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:
𝑀𝑒𝑑𝑖𝑎 𝑎𝑟𝑖𝑡𝑚é𝑡𝑖𝑐𝑎 = 146.97
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)
CUARTILES, DECILES Y PERCENTILES
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)
Usando el ejemplo de los 40 estudiantes, encontrar:
𝑄1 , 𝑄2 , 𝑄3 , 𝐷1 , 𝐷2 , 𝐷5 , 𝐷9 , 𝑃1 , 𝑃26 , 𝑃50 , 𝑃67 , 𝑃99
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
111 22 3 444 55 666
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
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
La desviación estándar de un juego de números 𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑛 viene definida por:
(𝑋1 − 𝑋̅ )2 + (𝑋2 − 𝑋̅)2 + ⋯ + (𝑋𝑛 − 𝑋̅)2

𝑠=√
𝑁
∑(𝑋𝑖 − 𝑋̅)2
𝑠=√
𝑁
Este medidor es el más importante de todos los medidores de grado de dispersión

EJEMPLO
Encontrar la desviación estándar, “s” de:

1 2 3 4 5 6
∑ 𝑋𝑖 21
𝑋̅ = = = 3.5
𝑁 6
̅ = 𝑿𝒊 − 𝟑. 𝟓 (𝑿𝒊 − 𝑿
𝑿𝒊 𝑿𝒊 − 𝑿 ̅ )𝟐 = (𝑿𝒊 − 𝟑. 𝟓)𝟐
1 -2.5 6.25
2 -1.5 2.25
3 -0.5 0.25
4 0.5 0.25
5 1.5 2.25
6 2.5 6.25
N=6 ∑(𝑿𝒊 − 𝑿 ̅ )𝟐 = 𝟏𝟕. 𝟓
∑(𝑋𝑖 − 𝑋̅)2 17.5

𝑠= √ =√
𝑁 6
𝒔 = 𝟏. 𝟕𝟎
Comparando con DM=1.5, vemos que son semejantes

Si el juego de datos 𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑛 se presenta con frecuencias 𝑓1 , 𝑓2 , 𝑓3 , … , 𝑓𝑛
respectivamente, entonces la desviación estándar se define por:
𝑓1 (𝑋1 − 𝑋̅ )2 + 𝑓2 (𝑋2 − 𝑋̅)2 + ⋯ + 𝑓𝑛 (𝑋𝑛 − 𝑋̅ )2

𝑠=√
𝑓1 + 𝑓2 + ⋯ + 𝑓𝑛
∑ 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
𝑋̅ = = = 3.57
𝑁 14
∑ 𝑓𝑖 (𝑋𝑖 − 𝑋̅)2 47.36

𝑠=√ =√ = 𝟏. 𝟖𝟒
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:
∑(𝑋𝑖 − 𝑋̅ )2 ∑(𝑋𝑖 − 𝑋̅)2

𝑠=√ → 2
𝑠 =
𝑁 𝑁
También
∑ 𝑓𝑖 (𝑋𝑖 − 𝑋̅ )2 ∑ 𝑓𝑖 (𝑋𝑖 − 𝑋̅ )2
𝑠= √ → 2
𝑠 =
𝑁 𝑁
Para los ejemplos anteriores:
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

MARCA, Xi Frecuencia, fi Ui=di/c fu fu2

70 4 -6 -24 144
74 9 -5 -45 225
78 16 -4 -64 256
82 28 -3 -84 252
86 45 -2 -90 180
90 66 -1 -66 66
A→ 94 85 0 0 0
98 72 1 72 72
102 54 2 108 216
106 38 3 114 342
110 27 4 108 432
114 18 5 90 450
118 11 6 66 396
122 5 7 35 245
126 2 8 16 128
∑ N=480 236 3404
a) Media
∑ 𝑓𝑢 236
𝑋̅ = 𝐴 + 𝑐 = 94 + 4 ∗ ( )
𝑁 480
̅ = 𝟗𝟓. 𝟗𝟔
𝑿
b) Desviación estándar
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

Para la 5ta clase (𝑋̅ − 𝑠 = 85.5)
88 – 84 → 45
88 – 85.5 → x
(88 − 85.5) ∗ 45
𝑥=
(88 − 84)
Para la 10ma clase (𝑋̅ + 𝑠 = 106.42)

108 – 104 → 38
106.42 – 104 → y
(106.42 − 104) ∗ 38
𝑦=
(108 − 104)
Por lo tanto, se obtiene:

(88 − 85.5) ∗ 45 (106.42 − 104) ∗ 38
+ 66 + 85 + 72 + 54 + = 328.115
4 4
328.115
∗ 100% = 𝟔𝟖. 𝟑𝟓%
480
PROPIEDADES
Muestra buena
Población Muestra
Media poblacional Media muestral
𝑥̅ = 58𝑘𝑔
µ=60 kg
Ahora supongamos que tenemos 2 juegos de números consistentes en N1 y N2, que

tienen varianzas dadas por 𝑠12 y 𝑠22 respectivamente y la misma media, la varianza
ponderada de ambos juegos está dada por:
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
Si 𝑋1 , 𝑋2 , 𝑋3 , … , 𝑋𝑛 son los n valores asumidos por la variable X, entonces podemos

definir:
1) MOMENTOS DE ORDEN r CON RESPECTO AL ORIGEN
Como:
∑ 𝑋𝑖𝑟 𝑋1𝑟 + 𝑋2𝑟 + ⋯ + 𝑋𝑛𝑟

𝑋̅𝑟 = =
𝑁 𝑁
EJEMPLO: Si r=1
∑ 𝑋𝑖1 ∑ 𝑋𝑖 𝑋11 + 𝑋21 + ⋯ + 𝑋𝑛1 𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛

𝑋̅1 = 𝑋̅ = = = =
𝑁 𝑁 𝑁 ⏟ 𝑁
𝑀𝑒𝑑𝑖𝑎 𝐴𝑟𝑖𝑡𝑚é𝑡𝑖𝑐𝑎
(𝑃𝑅𝑂𝑀𝐸𝐷𝐼𝑂)
O momento de primer orden respecto al origen
EJEMPLO: Si r=2
∑ 𝑋𝑖2 𝑋12 + 𝑋22 + ⋯ + 𝑋𝑛2

𝑋̅2 = =
𝑁 𝑁
Es un momento de segundo orden respecto al origen
2) MOMENTO DE ORDEN r CON RESPECTO A LA MEDIA ARITMÉTICA
∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅)𝑟 (𝑋1 − 𝑋̅)𝑟 + (𝑋2 − 𝑋̅)𝑟 + ⋯ + (𝑋𝑛 − 𝑋̅ )𝑟

𝑚𝑟 = =
𝑁 𝑁
EJEMPLO: Si r=2
∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅)2 (𝑋1 − 𝑋̅)2 + (𝑋2 − 𝑋̅)2 + ⋯ + (𝑋𝑛 − 𝑋̅)2

𝑚2 = =
𝑁 ⏟ 𝑁
𝑉𝑎𝑟𝑖𝑎𝑛𝑧𝑎=𝑠 2
Momento de 2do orden con respecto a la media (𝑋̅)
OTRO EJEMPLO: Si r=3
∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅)3 (𝑋1 − 𝑋̅)3 + (𝑋2 − 𝑋̅)3 + ⋯ + (𝑋𝑛 − 𝑋̅)3

𝑚3 = =
𝑁 ⏟ 𝑁
𝑃𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 (𝑋𝑖 −𝑋̅)3

3) MOMENTO DE ORDEN r RESPECTO A CUALQUIER ORIGEN A
∑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 )
PARA DATOS AGRUPADOS
Si 𝑋1 , 𝑋2 , 𝑋3 , … , 𝑋𝑛 son los valores asumidos por la variable X, que se representan

con frecuencias 𝑓1 , 𝑓2 , 𝑓3 , … , 𝑓𝑛 respectivamente, entonces podemos definir:
i) MOMENTO DE ORDEN r CON RESPECTO AL ORIGEN
EJEMPLO Si r=1
∑ 𝑓𝑖 𝑋´𝑖 ∑ 𝑓𝑖 𝑋𝑖
𝑋´ = 𝑋̅ = = = 𝑋̅
𝑁 𝑁
Momento de 1er orden con respecto al origen
ii) MOMENTO DE ORDEN r CON RESPECTO A LA MEDIA ARITMÉTICA

∑𝑛𝑖=1 𝑓𝑖 (𝑋𝑖 − 𝑋̅ )𝑟
𝑚𝑟 =
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

RELACIONES ENTRE MOMENTOS

Existen las siguientes relaciones entre momentos con respecto a 𝑚´𝑟 y 𝑚𝑟 :
i) 𝑚2 = 𝑚2´ − 𝑚1´2
ii) 𝑚3 = 𝑚3´ − 3𝑚1´ 𝑚2´ + 2𝑚1´3
iii) 𝑚4 = 𝑚4´ − 4𝑚1´ 𝑚3´ + 6𝑚1´2 𝑚2´ − 3𝑚1´4
𝑚1´ = momento de 1er orden con respecto a cualquier origen

𝑚2 = momento de 2do orden respecto a la media aritmética
Demostración de i)
𝑚2 = 𝑚2´ − 𝑚1´2
Entonces:
∑(𝑋𝑖 − 𝑋̅)2
𝑚2 =
𝑁
Donde:
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
∑(𝑑𝑖2 − 2𝑑𝑖 𝑑̅ + 𝑑̅2 )

𝑚2 =
𝑁
∑ 𝑑𝑖2 − 2𝑑̅ ∑ 𝑑𝑖 + ∑ 𝑑̅2
𝑚2 =
𝑁

∑ 𝑑𝑖2 − 2𝑑̅ ∑ 𝑑𝑖 + 𝑁𝑑̅2

𝑚2 =
𝑁
∑ 𝑑𝑖2 ∑ 𝑑𝑖 𝑁𝑑̅2
𝑚2 = − 2𝑑̅ +
𝑁 𝑁 𝑁
∑ 𝑑𝑖2
𝑚2 = − 2𝑑̅2 + 𝑑̅2
𝑁
∑ 𝑑𝑖2
𝑚2 = − 𝑑̅2
𝑁
Sabemos que:
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.
Cálculo de momentos para datos agrupados

Se puede usar la siguiente fórmula para calcular los momentos de orden r con
respecto al origen mediante la siguiente ecuación:
∑ 𝑓𝑖 𝑢𝑖 𝑟
𝑚𝑟´ = 𝑐 𝑟
𝑁
DEMOSTRACIÓN
∑ 𝑓𝑖 (𝑋𝑖 − 𝐴)𝑟
𝑚𝑟´ =
𝑁
Sabemos
Entonces:
∑ 𝑓𝑖 𝑑𝑖 𝑟
𝑚𝑟´ =
𝑁
También
𝑑𝑖 = 𝑢𝑖 𝑐
Finalmente:
∑ 𝑓𝑖 (𝑢𝑖 𝑐)𝑟 ∑ 𝑓𝑖 𝑢𝑖𝑟 𝑐 𝑟 ∑ 𝑓𝑖 𝑢𝑖𝑟
𝑚𝑟´ = = = 𝑐𝑟
𝑁 𝑁 𝑁
∑ 𝒇𝒊 𝒖𝒓𝒊
𝒎´𝒓 =𝒄 𝒓
𝒍. 𝒒. 𝒒. 𝒅.
𝑵

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
Sirve para ver el grado de apuntamiento de distribución
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
TEORÍA ELEMENTAL DE PROBABILIDADES

Las probabilidades se pueden definir desde dos puntos de vista:
1) Punto de vista matemático mediante ocasiones, o sucesos
2) Punto de vista frecuencial como lo hacen los estadísticos
Nosotros, los ingenieros, diferenciamos probabilidad como una combinación de
ambos, es decir desde el punto de vista matemático y frecuencial.
ESPACIO MUESTRAL
Para entender esto usemos algunos ejemplos:
1ER EXPERIMENTO. Lanzamiento de una moneda
Resultados posibles:
Espacio
muestral
Sello (0) Cara (1)
2DO EXPERIMENTO. Lanzamiento de 2 monedas
Y
(1,1)
(0,1)
Espacio
muestral
X
(0,0) (1,0)
Donde: (x, y) → x=1ra moneda y=2da moneda

3ER EXPERIMENTO. Lanzamiento de 3 monedas
(x, y, z)
z
0,0,1
0,1,1 1,0,1 Espacio

muestral
0,0,0 1,1,1
1,0,0 0,1,0
y x
1,1,0

4TO EXPERIMENTO. Lanzamiento de 2 dados

Resultados posibles
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
Espacio muestral. Conjunto de todos los posibles resultados de un experimento
DEFINICIÓN DE PROBABILIDADES EN EL ESPACIO MUESTRAL

Antes de discutir la probabilidad de alguna combinación de resultados experimentales
posibles, es necesario asignar probabilidades a cada uno de los puntos de la muestra o
del espacio muestral. Teniendo en cuenta que la interpretación de la probabilidad se
trabajará en términos frecuenciales, la probabilidad asignada en un determinado
punto muestral deberá ser aproximadamente igual a la proporción de veces que se
obtenga un punto muestral o espere obtener un número grande de repeticiones del
experimento.
Tal interpretación frecuencial de la probabilidad requiere que las probabilidades no
sean negativos y que sumadas las probabilidades asignadas a los puntos muestral sea
igual a 1. Las probabilidades se definirán desde el punto de vista frecuencial, es decir
las veces aparece un resultado particular respecto al N° total de resultados del E.M.
Para los ejemplos anteriores:

1. Lanzamiento de una moneda
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
{ , }
Entonces la probabilidad, definida desde el punto de vista frecuencial, es obtenida a

partir de las veces que aparece algo particular respecto del total.
Como se ha definido, desde el punto de vista frecuencial, entonces NO PUEDE HABER

PROBABILIDAD NEGATIVA; también, en base al espacio muestral, concluimos que la
suma de probabilidades debe ser igual a “1”, es decir que las probabilidades pueden
variar de “0” a “1”
Para los ejemplos:
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
{ }
TEOREMAS DE LA SUMA Y MULTIPLICACIÓN
En la práctica, normalmente o a veces, se quiere encontrar las probabilidades de más

de un suceso. Para hacerlo simple, podemos querer determinar la probabilidad de los
sucesos A1 y A2 en un determinado experimento. A veces se requiere obtener la
probabilidad de que aparezca uno u otro suceso o ambos. También, a veces se
requiere obtener la probabilidad que se presente los dos sucesos.

TEOREMA DE LA SUMA
En algunos experimentos, podemos estar interesados en saber si al menos uno de los

dos sucesos, A1 y A2, se presenta al realizar el experimento; designaremos a este
suceso como la suma de A1 + A2 y su probabilidad por P {A1 + A2}. Esto implica que por
lo menos uno de los dos sucesos ocurrirá, si se presenta A1 pero no A2, o si se presenta
A2 pero no A1, o si ambos A1 y A2 se presentan.
Entonces se formula
EXPERIMENTO
A1 A2
𝐴 𝐴
Entonces:
{ }
Se debe contabilizar los sucesos: A1 y A2
Por lo tanto, aplicamos la definición de probabilidad
{ } ∑
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.
Se pide encontrar la probabilidad de que aparezca { | }, es decir la probabilidad de

sacar “A” condicionado a sacar “B”
● ● ● ● ●
● ●
{ }
10
{ }
10
{ }
10
Ahora la probabilidad condicional
10 { }
{ | }
{ }
10

Despejando
{ } { | } { }
{ } { | } { }
Caso Particular
A1 y A2 son independientes
A1, ni A2 dependen entre sí
{ | } { }
{ , } { } { }
EJEMPLOS
1. Si se arrojan dos dados, ¿cuál es la probabilidad de obtener un total de 7

puntos o un total de 11 puntos?
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
{ } { } { }
{ }
{ }
2. Si se arrojan dos dados, ¿cuál es la probabilidad de que cada uno de ellos

muestre 5,6 como mínimo?
Datos independientes
1 2 3 1 2 3
4 5 6
1ER DADO 2DO DADO 4 5 6
{ , } { } { }
{ , }
{ , }

ANÁLISIS DE PROBABILIDADES EN UNA DISTRIBUCIÓN DE FRECUENCIAS

Para el ejemplo de los 40 estudiantes
Clase (Suceso Frec. Rel. Frec. Frec. Ac.

Frecuencia Marca
o evento) P(x)=f(x) Ac. Rel.
A1 118 – 126 3 0.075 122 3 0.075
A2 127 – 135 5 0.125 131 8 0.2
A3 136 – 144 9 0.225 140 17 0.425
A4 145 – 153 12 0.3 149 29 0.725
A5 154 – 162 5 0.125 158 34 0.85
A6 163 – 171 4 0.1 167 38 0.95
A7 172 – 180 2 0.05 176 40 1
{ } {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?

SOLUCIÓN (IR, VOLVER)
(1,2) (1,3) (1,4) (1,5) (1,6) (1,7) (1,8) (1,9) (1,10)

(2,1) (2,3) (2,4) (2,5) (2,6) (2,7) (2,8) (2,9) (2,10)
(3,1) (3,2) (3,4) …
…
(10,1) (10,2) (10,3) (10,4) (10,5) (10,6) (10,7) (10,8) (10,9)
Respuesta. Este viaje puede hacerse de 90 maneras diferentes (10x9=90)
Aplicando el principio:
 La primera operación (ir) de debe hacer de m=10 maneras

 La segunda operación (volver) se puede efectuar de n=9 maneras
 Las dos operaciones se pueden efectuar de 10 0 maneras
El principio fundamental se puede aplicar a más de 2 operaciones
OTRO EJEMPLO
3 estudiantes llegan a la clase atrasados, donde sobran 4 asientos ¿de cuántas

maneras, estos estudiantes, pueden sentarse en estos 4 asientos?
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)
Sobran dos asientos S1 y S2

(1er, 2do, 3er)
(1, 2, S1) (1, 3, S1) (1, 4, S1) (1, 2, S2) (1, 3, S2) (1, 4, S2)
(2, 1, S1) (2, 3, S1) (2, 4, S1) (2, 1, S2) (2, 3, S2) (2, 4, S2)
(3, 1, S1) (3, 2, S1) (3, 4, S1) (3, 1, S2) (3, 2, S2) (3, 4, S2)
(4, 1, S1) (4, 2, S1) (4, 3, S1) (4, 1, S2) (4, 2, S2) (4, 3, S2)
Los 3 estudiantes atrasados se pueden sentar de 24 maneras

Aplicando el principio fundamental:

 La primera operación (1er atrasado sentándose) se puede efectuar de m=4
maneras
 La segunda operación (2do atrasado sentándose) se puede efectuar de n=3
maneras
 Las dos operaciones se podrán efectuar se 1 maneras
 Una tercera operación (3er atrasado sentándose) se podrá efectuar de r=2
maneras
 Las tres operaciones se podrán efectuar de
maneras
PERMUTACIONES
Se entiende por permutaciones a todos los arreglos (o variaciones) diferentes que se

pueden lograr con n objetos diferentes.
En una permutación se permiten una selección y luego una ordenación. El N° de

permutaciones diferentes de n objetos tomados de r en r se representa por:
EJEMPLO
Encontrar el N° de permutaciones de 4 objetos tomados de 2 en 2
1ER MÉTODO
A B C D
Selección Ordenación
AB BA
AC CA
AD DA
BC CB
BD DB
CD DC
Entonces el N° de permutaciones de 4 objetos tomados de 2 en 2 es igual a 12

maneras:
1
2DO MÉTODO
Aplicando el principio fundamental
 1ra operación: llenar la “casilla 1”, se puede efectuar de m=4 maneras

 2da operación: llenar la “casilla 2”, se puede efectuar de n=3 maneras
 Las dos operaciones de pueden efectuar de 1 maneras

OTRA FORMA DE ANALIZAR
 La 1ra casilla se puede llenar de 4 maneras

 Sobrarán 3 objetos (4 – 1=3)
 La 2da casilla se puede llenar de 3 maneras
 Las 2 casillas se pueden llenar 4(4 – 1)=4x3=12 maneras
Generalizando:
Permutaciones de n elementos tomados de r en r:
, , , , , , , ,
Escoger “r” objetos (r casillas)
Casilla 1 Casilla 2 … Casilla r-1 Casilla r
 La “casilla 1” se puede llenar de n maneras

 Sobran (n-1) objetos
 La “casilla 2” se puede llenar de (n – 1) maneras
 Las dos casillas se pueden llenar de n*(n – 1) maneras
 Sobran (n – 2) objetos
 La “casilla 3” se puede llenar de (n – 2) maneras
 Las tres casillas se pueden llenar de n*(n – 1)* (n – 2) maneras
 Sobran (n – 3) objetos
…
 Para la última casilla (casilla r) sobran (n – r+1) objetos

 La “casilla r” se puede llenar de (n – r+1) maneras
 Las “r” casillas de pueden llenar de n*(n – 1)* (n – 2)*…* (n – r+1)
Y esto es el N° de permutaciones de n objetos tomados de r en r, es decir:
1 1
1 1
⏟ 1 1

Para el ejemplo anterior

1 1
Caso particular
1 1
COMBINACIONES
Una combinación es una variación donde sólo se admite la selección.
EJEMPLO
Encontrar el N° de combinaciones de 4 objetos tomados de 2 en 2
SOLUCIÓN
A B C D
Selección
AB
AC
AD
BC
BD
CD
Entonces el N° de combinaciones de 4 objetos tomados de 2 en 2 es igual a 6 maneras:
NOMENCLATURA
El número de combinaciones de n elementos tomados de r en r es:
( )
La fórmula de es:
Es decir:

Pero, sabemos que:
Finalmente
Recordando la fórmula de las combinaciones de n elementos tomados de r en r,

podemos hablar de nuevo de probabilidades, cuando el E.M. es grande y no se puede
visualizar rápidamente.
EJEMPLO 1
Considerando una mano de “BRIDGE” formada por 13 cartas escogidas de una baraja
ordenada. ¿Cuál es la probabilidad de que dicha mano contenga 7 espadas
directamente?
SOLUCIÓN
Identificamos el Espacio Muestral (E.M.)
NNNNNNNNNNNNN
EEEEEEEEEEEEEEEE
NNNNNNNNNNNNN E.M.
NNNNNNNNNNNNN
Suceso A: Mano de 13 cartas con 7 espadas y 6 no espadas

Suceso A: (E E N N E E E N N E E N N)
{ }
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
Para resolver este problema nos apoyamos en un ejemplo:

Permutaciones de 5 elementos tomados de 5 en 5 (todos son diferentes)
1 1 0
Ahora, si 3 elementos son “a” y 2 son “b”
¿Cuántas permutaciones diferentes se obtienen?
⏟ ⏟
⏟
Generando las siguientes opciones:
Entonces, en este caso P=10

Si queremos a las permutaciones de 5 elementos tomados de 5 en 5, es decir
1 0. A partir de este caso particular, hacemos que todos los “a” y “b” sean
diferentes y decimos que respetamos las posiciones del elemento “a” y del elemento
“b”:
⏟ ⏟
⏞ ⏟

...
…
⏞ ⏟
Entonces, el número total de permutaciones

⏟1 1 1 10 1 0
1 0 10
10
Permutaciones de 5 elementos donde 3 de ellos son “a” y 2 son “b”

O también:
5=n 3=n1 2=n2
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
⏟{ } { }

Pero sabemos que:
Por lo tanto:
1 1 1 1 1 1 1
{ } ( ) ( ) ( ) ( )
1 1 1 1 1 1
( ) ( ) ( ) ( ) ( ) ( )
1 1 1 1
10 ( ) ( ) ( ) ( )
PRÁCTICA
Un par de monedas se arroja al aire 200 veces ¿cuál es la probabilidad de que en

exactamente x de las 200 lanzadas salgan dos caras? (x=N° lista*2)
ESPERANZA MATEMÁTICA (VALOR ESPERADO)=E(x)

La frase “valor esperado de x” es sinónimo de Promedio. Este valor se representa por
E(x) o también se llama esperanza matemática de x
Así:
∑
̅
p(x1) p(x2) p(x3) p(xn) Probabilidad
̅ ∑
Población
µ=E(x) Muestra
Promedio Poblacional 𝑃𝑟𝑜𝑚𝑒𝑑𝑖𝑜
𝑥̅
𝑚𝑢𝑒𝑠𝑡𝑟𝑎𝑙
(Buena muestra)

En concepto de esperanza matemática se puede extender a cualquier ø(x), es decir
( ) ∑ Caso discreto
( ) ∫ Caso continuo
Así por ejemplo: ̅
( ) ̅ ∑ ̅
⏟
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

Algunos resultados con esperanzas matemáticas

x,y,z son variables aleatorias c=ctte
1.
∑ ∑ 1
∫ ∫ 1
2.
∑ ( ) ∑
∫ ∫
3.
∫ ∫
Si “x” y “y” son independientes

Aplicando el teorema de la multiplicación
{ } { } { }
,
∫ ∫
∫ ∫
Sabemos que la suma de todas las probabilidades es 1
∫ ∫ ∫ ∫
⏟ ⏟

∫ ∫
⏟ ⏟
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
FUNCIÓN DE FRECUENCIAS f(x)

Variable aleatoria (DISCRETA)
Una variable aleatoria (v.a.) es una variable (discreta) de valores numéricos definida en
un espacio muestral (E.M.)
EJEMPLO
Experimento: Lanzamiento de 2 dados
, , , , , , , ,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
Lanzamiento de dos dados

6/36
5/36
4/36
3/36
2/36
1/36
0
2 3 4 5 6 7 8 9 10 11 12
x(v.a.)
Función de Distribución (función acumulativa), F(x)

La función de distribución se define como:
∑
Para el ejemplo del experimento del lanzamiento de 2 dados

Si x=2
∑ 1
Si x=3
∑
Si x=4
∑

Si x=5
∑
1 10
De esa manera con el resto de las posibles alternativas: 6, 7, 8, 9, 10, 11, 12

Gráficamente
Análisis (Para los 40 pesos de los estudiantes)
Clases fi Marca x (v.a.) Frecuencia relativa f.r. (fi/N)=f(x)

118-126 3 122 3/40=0.075=f(122)=f(118-126); p(122)
127-135 5 131 5/40=0.125=f(131) = p(131)
136-144 9 140 9/40=0.225=f(140) = p(140)
145-153 12 149 12/40=0.30=f(149) = p(149)
154-162 5 158 5/40=0.125=f(158) = p(158)
163-171 4 167 4/40=0.100=f(167) = p(167)
172-180 2 176 2/40=0.050=f(176) = p(176)
40

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.)
Frecuencia relativa acumulada

Frecuencia acumulada ∑
f.r.a.=F(x)=Función de Distribución=
0 0/40=0.00
0+3=5 3/40=0.075
3+5=8 8/40=0.20
8+9=17 17/40=0.43
29 0.725
34 0.85
38 0.95
40 40/40=1.0
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:
PARA EL CASO DE UNA VARIABLE ALEATORIA X DISCRETA

i) 0

ii) ∑ 1
iii) ∑ { }
FUNCIONES DE FRECUENCIAS CONJUNTAS

A la función , que da tales probabilidades se le llama función de frecuencias
conjuntas de las dos variables aleatorias: x e y
Ejemplo: Sea “x”, por ejemplo, el número de espadas que se obtiene al extraer una
segunda carta sin que se haya repuesto la primera. En este caso, , viene definida
por la siguiente tabla de valores:
, , { } { } { }
Cuando y son independientes, por el teorema de la multiplicación, entonces:
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

VARIABLES NO RELACIONADAS EN SENTIDO PROBABILÍSTICO
Si las variables , , , , son independientes, entonces la función de frecuencias

conjuntas , , , , puede descomponerse de la forma:
, , , ,
FUNCIÓN DE FRECUENCIAS DE VARIABLE CONTINUA

X es una variable continua
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) ∫ { }
Donde: a y b son 2 valores cualesquiera de la variable X con a<b
EJEMPLO
Para que se cumpla i) es necesario que k sea positivo e igual a 1 y que X ≥ 0
Si X < 0, entonces 0

Así:
ii) ∫ 1
∫ 1 0 1
iii) ∫ { }
∫ ∫ {1 }
∫ 0,
LA FUNCIÓN DE DISTRIBUCIÓN
∫ 0 0

FUNCIONES DE FRECUENIAS CONTINUAS Y CONJUNTAS
Definición: Una función de frecuencias continua y conjuntas de n variables aleatorias

, , , es una función , , , que posee las siguientes propiedades:
i) , , , 0
ii) ∫
⏟ ∫ , , , 1
iii) ∫ ∫ , , , { , , }
EJEMPLO
, 0 0, 0
i) , 0
ii) ∫ ∫ , 1
∫∫ , ∫∫
∫∫ , 1 1
∫∫ , 1 1 1

iii) ∫ ∫ , , , { , , }
∫∫
∫∫ 0,

Cuaderno Mat 1135 F (4) - Pginas-1-60

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Cuaderno Mat 1135 F (4) - Pginas-1-60

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD TÉCNICA DE ORURO

FACULTAD NACIONAL DE INGENIERÍA

DOCENTE: RENÉ ANTEZANA GARCÍA

AUXILIAR: UNIV. ANDREA HUANCA GRÁGEDA

ESTADÍSTICA I - MAT 1135 F ING. RENÉ ANTEZANA GARCÍA

Definición de estadística: Es el estudio de la variabilidad de los datos de la información.

Un medidor primitivo o primera mano, es el rango, por definición es:

𝑅𝑎𝑛𝑔𝑜 = 𝑅 = 𝑀á𝑥 − 𝑀í𝑛

Así para los ejemplos

Si fueran CALIFICACIONES y se quisieran comparar, solamente usando el medidor Rango,

ESTADÍSTICA I - MAT 1135 F ING. RENÉ ANTEZANA GARCÍA

120 140 160

Cerraremos la materia hablando de un tema importante que es el análisis de la

ESTADÍSTICA I - MAT 1135 F ING. RENÉ ANTEZANA GARCÍA

138 164 150 132 144 125 149 157

119 135 138 142 146 149 154 164

Con estos ya se puede encontrar el rango:

ESTADÍSTICA I - MAT 1135 F ING. RENÉ ANTEZANA GARCÍA

Aquí, en esta tabla de distribución de frecuencias, se han categorizado o se han dividido

ESTADÍSTICA I - MAT 1135 F ING. RENÉ ANTEZANA GARCÍA

CATEGORÍAS O CLASES FRECUENCIAS fi CLASES CON LÍMITES REALES

TAMAÑO O AMPLITUD DE CLASE, c

CLASES FRECUENCIAS fi MARCAS

REGLAS GENERALES PARA OBTENER TABLAS DE DISTRIBUCIÓN DE FRECUENCIAS

ESTADÍSTICA I - MAT 1135 F ING. RENÉ ANTEZANA GARCÍA

El estudiante o investigador define el # de clases, dependerá de la cantidad o

 REGLA 3. Contabilizar el número de datos o frecuencias que caen en cada clase

𝑅𝐴𝑁𝐺𝑂 = 176 − 119 = 57

ESTADÍSTICA I - MAT 1135 F ING. RENÉ ANTEZANA GARCÍA

HISTOGRAMA Y POLÍGONO DE FRECUENCIAS

DISTRIBUCIÓN DE FRECUENCIAS RELATIVAS

ESTADÍSTICA I - MAT 1135 F ING. RENÉ ANTEZANA GARCÍA

Distribución de Frecuencias Relativas

DISTRIUCIÓN DE FRECUENCIAS ACUMULADAS (OJIVA)

La tabla presentada se llama ahora Distribución de Frecuencias Acumuladas; la

OJIVA MENOR QUE

ESTADÍSTICA I - MAT 1135 F ING. RENÉ ANTEZANA GARCÍA

DISTRIBUCIÓN DE FRECUENCIAS ACUMULADAS RELATIVAS EXPRESADA EN

Su tabla, en este caso, se llamará Distribución de Frecuencias Acumuladas Relativas

La OJIVA definida anteriormente es la misma cambiando solamente la ordenada por

Distribución de Frecuencias Acumuladas Relativas en %

OJIVA MENOR QUE

OJIVA MENOR QUE

ESTADÍSTICA I - MAT 1135 F ING. RENÉ ANTEZANA GARCÍA

DATOS CRUDOS DE PESOS, EN KG, DE LOS ESTUDIANTES DE LA MATERIA DE MAT 1135F

ESTADÍSTICA I - MAT 1135 F ING. RENÉ ANTEZANA GARCÍA

La media aritmética o simplemente media de un juego de n números (𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑛 )

Sí (𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑛 ) se presenta con frecuencias (𝑓1 , 𝑓2 , 𝑓3 , … , 𝑓𝑛 ) respectivamente,

ESTADÍSTICA I - MAT 1135 F ING. RENÉ ANTEZANA GARCÍA

MEDIA ARITMÉTICA PONDERADA

PROPIEDADES DE LA MEDIA ARITMÉTICA

Si A es una media aritmética asumida (o cualquier valor) y si definimos 𝑑𝑖 = 𝑋𝑖 − 𝐴,

ESTADÍSTICA I - MAT 1135 F ING. RENÉ ANTEZANA GARCÍA

Así, para los ejemplos anteriores:

Reemplazando «2» en «1»

ESTADÍSTICA I - MAT 1135 F ING. RENÉ ANTEZANA GARCÍA

MEDIA ARITMÉTICA PARA DATOS AGRUPADOS

Donde 𝑋𝑖 representa la marca de clase y 𝑓𝑖 la frecuencia de clase. De la misma manera

Donde A es cualquier número (o cualquier marca de los datos agrupados) y 𝑓𝑖 las

𝑢𝑖 = 0, ±1, ±2, ±3, …

CLASES f Xi fi*Xi di=Xi-149 fi*di Ui=di/c fi*Ui

ESTADÍSTICA I - MAT 1135 F ING. RENÉ ANTEZANA GARCÍA

CLASES f Xi fiXi di=Xi-149 fidi Ui=di/c fi*Ui