Estadistica

Herramientas Matemáticas III
ESTADISTICA
Prof. Apessetche Dora

dora.apessetche@ues21.edu.ar
* Berenson M. y Levine D. Estadística Básica en
Administración. Conceptos y Aplicaciones.
Sexta México, Prentice Hall, 1996.
* Notas de clase.
* Seminario de estadística
* Lecturas canvas
* Bibliografía básica
Prof. Dora Apessetche 2

* 1er Parcial Q semana del 29/04 – 03/05
* 2do Parcial Q semana del 10/06 – 14/06
* Recuperatorio 01/07 – 05/07
* semana del Tercer nota: Evaluación en
experimenta:
* Tercer semana de cursado (Estadística descriptiva)
* Sexta semana de cursado (Probabilidades)
* Novena semana de cursado (Distribución binomial)
* Doceava semana de cursado ( Distribución Normal)
* Parciales Q y Examen 3er nota

* La estadística esta constituida por el conjunto
de técnicas y métodos que permiten estudiar y
determinar de una muestra debidamente
representativa de una población, los valores
estadísticos a fin de poder inferir sobre los
parámetros poblacionales con un cierto grado
de bondad
* ¿Qué es la Estadística?

* Población: Conjunto de elementos que
constituyen el sistema de estudio
* Muestra: es un subconjunto de la Población
Ejemplos
“Se desea saber la “Se desea conocer el
diferencia de presión numero de viviendas de la
sanguínea entre hombres ciudad de Córdoba que
y mujeres de Argentina” tienen cloacas”
* Población y muestra
* Una muestra debidamente representativa debe
representar las mismas características de la
población
Ejemplos
Para saber la audiencia Para conocer el numero de viviendas de la
de un programa de tv se ciudad de Córdoba que tienen cloacas se
interroga al azar 1000 eligen 500 viviendas de Alta Córdoba
abonados telefónicos
* Muestra debidamente
representativa

* Los valores en estudio, que en la muestra
toman el nombre de ESTADISTICOS en la
población se los denomina PARAMETROS
* Estadístico Muestra
* Parámetro Población
Bondad: es el margen de seguridad con que se realiza la

inferencia de acuerdo a los estudios realizados sobre la
muestra
* Parámetro y Estadístico
* Variable: es una característica o atributo de interés sobre el
cual los elementos de una población difieren. Se denota con
X, Y, Z, etc.
* Categorías: son los valores que asume la variable.
* Dato: Es cada realización de las categorías de la variable
Ejemplos
X: género, con categorías V o M.

Y: Nivel de escolaridad con categorías primario, sec., universitario.
Z: Peso de los adulto con categorías en [50kg; 150kg]
W: Cantidad de TV por hogar, con categorías 0, 1, 2, etc.
* Variable y tipos de variables

Variables Variables
cualitativas cuantitativas
Nominales Discretas
Ordinales Continuas
* Clasificación de las variables

* Nominales: Cuando los * Discretas: Los datos
valores que adopta la discretos son los
variable en estudio valores resultados de
puede ser clasificada de un conteo.
acuerdo a la categoría.
* Continuas: Asumen
* Ordinales: Están cualquier valor dentro
constituidos por los de un intervalo
valores relativos continuo
asignados por denotar
cierto orden
* Clasificación de las variables

1. Clasificar las variables de acuerdo a su categoría
Variable Categoría
Cantidad de alumnos con 0,1,2,3…..
celular por curso
Genero de alumnos Femenino, masculino
Equipo de futbol favorito Boca, River, Belgrano…
Desempeño en el trabajo Malo, bueno, regular, muy
bueno, excelente.
Numero de accidentes 0,1,2,3
automovilísticos anuales en
un ciudad
Peso de los alumnos [35kg, 100kg]
* Actividad 1
Población (N)
Muestra (n)
Posición Dispersión
Rango o Desvío Coeficiente

Media Moda Mediana Desvío medio Varianza
recorrido Estándar de Variación
* Parámetros y estadísticos

Media
Aritmétic
a
Población Muestra
μ x

N
xi
x
n
 1
1 i
N x
n
* Medidas de Posición

* Se define como mediana de una distribución al
valor de la misma que ocupa el punto medio
Me=
Si n es
impar
Mediana
(Me)
Si n es
par
Me=
* Mediana
* Se define como moda de una distribución al
valor que mas veces se repite.
* Moda

Los salarios de siete empleados de la Empresa A,
fueron los siguientes (en miles de pesos):
28, 34, 25, 32, 30, 26, 29.

Calcular las medidas de posición e interpretar.
* Actividad 2

Variable N Media Mediana Q1 Q2 Q3
Salario 7 29,14 29 26 29 32
* Respuesta

* Años mas tarde Félix fue a buscar trabajo a una
empresa poderosa.
* La dirección de la empresa está a cargo del Sr.
Artilugio, su hermano y seis parientes. La fuerza
laboral la forman 10 operarios.
* La empresa va muy bien, y se necesita un operario
más.
* El Sr. Artilugio durante la entrevista comenta a
Félix, que el sueldo promedio de la empresa es
$60000. Félix comienza a trabajar
* El engañoso promedio

* Al cabo de un mes de trabajo, Félix muy molesto se dirige
al Sr Artilugio y le reclama: ¡ Ud. Me ha engañado,
ninguno de los operarios gana mas de $20000.
* El Sr. Artilugio le demuestra que no lo ha engañado:
* Yo gano……………………………………………… $480000
* Mi hermano………………………………………. $200000
* Parientes 6 x $50000 $300000
* Capataces 5 x $40000 $200000
* Operarios 10 x $20000 $200000
* Total: $1380000

* ¿Qué es $20000?

Cuartiles
Q1 Q2 Q3
25% 25% 25% 25%
Q1 Q2 Q3
𝑄
1= 𝑋
( 14 𝑁+ 14 )
𝑄
2=𝑋
( 12 𝑁 + 12 )
𝑄
3= 𝑋
( 34 𝑁+ 34 ) * Cuartiles
* Cuando el numero de observaciones es mayor
que 15 se genera una serie de frecuencia.
* Frecuencia absoluta: Es el numero de veces
que la variable toma determinado valor. Se
representa como fi
* Distribución de frecuencia
* Existen tres maneras de resumir la información en tablas y
gráficos, se le llaman tipos de distribución.
Distribuciones
Distribución de tipo II Distribución de tipo III o

Distribución simple o de tipo I
(mayor a 15 y menor a 30 Intervalos de clases
(menor a 15 elementos)
elementos) (mayor a 30 elementos)
* Distribución de datos

* Los siguientes valores corresponden a las tallas de
alumnas de un curso expresadas en centímetros:
150 158 171 159 151 152 171 171 170 170 156 156 155
154 159 157 156 155 154 150 151 156
Generar una distribución de frecuencias y calcular la
media aritmética, mediana y moda,
* Actividad 3

Nº Talla
1 150
2 150
3 151
4 151
5 152
6 154
7 154
8 155
9 155
10 156
11 156
12 156
13 156
14 157
15 158
16 159
17 159
18 170
19 170
20 171
21 171
22 171

Clase frecuencia Media:
xi fi xi * fi
150 2 300
151 2 302
152 1 152
3482
154 2 308
x  158,27
155 2 310 22
156 4 624
157 1 157
Mediana
158 1 158
159 2 318 Me=

170 2 340 Mo= 156
171 3 513
22 3482

Frec. Relativa Frec. Relativa
Clase frecuencia Frec. Acumulada Frecuencia desacumulada
xi fi fr % fa fd xi * f i
150 2 0.09 9% 2 22-2=20 300
151 2 0.09 9% 4 22-4=18 302
152 1 0.045 5% 5 22-5=17 152
154 2 0.09 9% 7 22-7=15 308
155 2 0.09 9% 9 22-9=13 310
156 4 0.18 18% 13 22-13=9 624
157 1 0.045 5% 14 22-14=8 157
158 1 0.045 5% 15 22-15=7 158
159 2 0.09 9% 17 22-17=5 318
170 2 0.09 9% 19 22-19=3 340
171 3 0.136 14% 22 22-22=0 513
22 0.991 3482

Frecuencia acumulada: Es el valor dado por la
suma de su frecuencia mas las frecuencias de
las clases que la anteceden.
Frecuencia desacumulada : Se define como la

diferencia entre el total de observaciones y su
frecuencia acumulada.

Las siguientes series tienen la misma amplitud, la misma media y la misma mediana
1 1 1
1 2 8
2 5 8
3 7 9
3 9 10 10
10 10
17 11 10
17 13 11
18 15 11
18 17 12
20 20 20

Amplitud: 20-1=19
Media:
Mediana: Me= 10
* Medidas de dispersión
Desvío medio: DM
Es el promedio de los valores absolutos de las desviaciones con
respecto a la media
Clase frecuencia Media

xi fi
DM=
150 2 158,27 -8,27 8,27 16,54
151 2 158,27 -7,27 7,27 14,54
152 1 -6,27 6,27 6,27
154 2 -4,27 4,27 8,54
155 2 -3,27 3,27 6,54
156 4 -2,27 2,27 9,08
157 1 -1,27 1,27 1,27
158 1 -0,27 0,27 0,7
159 2 0,73 0,73 1,46
170 2 11,73 11,73 23,46
171 3 12,73 12,73 38,19
22 126,59
* Desvío medio
Varianza: es el promedio de los desvíos cuadráticos medios
∑ ( 𝑥 − 𝜇 )2 . 𝑓 𝑖
𝑉𝑎𝑟 ( 𝑥 ) = → 𝑃𝑜𝑏𝑙𝑎𝑐𝑖 ó 𝑛
𝑁
∑ ( 𝑥 − ´𝑥 )2 . 𝑓 𝑖
𝑉𝑎𝑟 ( 𝑥 ) = → 𝑀𝑢𝑒𝑠𝑡𝑟𝑎
𝑛 −1
Clase frecuencia Media
xi fi
150 2 158,27 -8,27 8,27 16,54 68,3929 136,7858
151 2 158,27 -7,27 7,27 14,54 52,8529 105,7058
152 1 -6,27 6,27 6,27 39,3129 39,3129
154 2 -4,27 4,27 8,54 18,2329 36,4658
155 2 -3,27 3,27 6,54 10,6929 21,3858
156 4 -2,27 2,27 9,08 5,1529 20,6116
157 1 -1,27 1,27 1,27 1,6129 1,6129
158 1 -0,27 0,27 0,7 0,0729 0,0729
159 2 0,73 0,73 1,46 0,5329 1.0658
170 2 11,73 11,73 23,46 137,5929 275,1858
171 3 12,73 12,73 38,19 162,0529 486,1587
22 126,59 1124,7831

* Varianza
2
𝜎 =√ 𝑉𝑎𝑟 ( 𝑥 ) =

𝑁 √
( 𝑥 − ´𝑥 ) . 𝑓 𝑖
Muestra
→ 𝑃𝑜𝑏𝑙𝑎𝑐𝑖 ó 𝑛
Es un valor que indica el grado de dispersión que posee una

distribución con respecto a la media
* Desvío estándar o desvío típico

define como coeficiente de variación en una distribución al
Se
cociente entre su desvío estandar sobre el valor de su media.
Expresado en porcentaje

Ejemplo
Se tiene dos distribuciones, una correspondiente a los pesos variables de los
paquetes de arroz de 500 grs de dos cerealeras:
La cerealera A con media de 495 grs y un desvío estándar de 10 grs
La cerealera B con media de 502 grs y un desvío estándar de 6 grs
* Coeficiente de Variación

Cuando el numero de observaciones es mayor a 20 es conveniente
tomar intervalos de clases, teniendo en cuenta:
1) El numero de intervalos z debe cumplir 5< z <16, se adopta el
valor aproximado de
2) La amplitud del intervalo es
3) Todo intervalo está definido por su limite inferior y su limite
superior:
4) Los valores de un intervalo no deben coincidir con sus limites

5) No debe haber ningún intervalo con frecuencia 0, excepto en los
intervalos extremos
* Intervalo de clases
Con los datos de la actividad 3 armar una distribución de
intervalos de clase
Nº Talla
1 150
2 150
3 151
4 151
5 152
6 154
7 154
8 155
9 155
10 156
11 156
12 156
13 156
14 157
15 158
16 159
* Actividad 4
17 159
18 170
19 170
20 171
21 171
22 171

El primer intervalo debe contener a 150 y no coincidir con el

limite del intervalo, entonces li=149,5 y limite superior
Ls=154,5
Numero de [Li - Ls) Frecuencia

Intervalo
1 [149,5-154,5) 7
2 [154,5- 159,5) 10
3 [159,5 – 164,5) ?
4 [164,5 – 169,5) ?
5 [169,5 – 174,5)

El coeficiente intelectual (CI) de 100 estudiantes se distribuye
según la siguiente tabla:
Intervalo Frecuencia Marca de Frecuencia Frecuencia Frecuencia
clase relativa acumulada desacumulada
[100-110) 12 110 0,12 12 100-12=88
[110-120) 34 115 0,34 46 100-46=54
[120-130) 38 125 0,38 84 16
[130-140) 13 135 0,13 97 3
[140-150) 3 145 0,03 100 0
𝑙𝑠+ 𝐿𝑖
𝑥 𝑚=
2
* Actividad 5

Media:
Mediana:

Clase medial es la clase que contiene al elemento n/2

n = Numero total de elementos de la distribución
fa = Es la frecuencia acumulada de la clase anterior a la
clase mediana
fm= frecuencia de la clase medial
Δx= amplitud de intervalo
Li: Limite inferior de la clase medial
Moda:

d1= la diferencia entre la frecuencia del intervalo modal y la

frecuencia del intervalo que le antecede
d2= la diferencia entre la frecuencia del intervalo modal y la
frecuencia del intervalo que le sucede
* Medidas de posición
Intervalo Frecuencia Marca de Frecuencia Frecuencia Frecuencia
clase relativa acumulada desacumulada
[100-110) 12 110 0,12 12 100-12=88
[110-120) 34 115 0,34 46 fa 100-46=54
fm
[120-130) 38 125 0,38 84 16
[130-140)
[130-140) 13
13 135
135 0,13
0,13 97
97 3
3
[140-150)
[140-150) 3
3 145
145 0,03
0,03 100
100 0
0
𝑥 =121,7
´

Mo=
Mo=121,38
Me=
Me=121,05

Desvío medio Varianza
2
DM= ∑ ( 𝑥𝑚− 𝜇 ) . 𝑓 𝑖
𝑉𝑎𝑟 ( 𝑥 ) = → 𝑃𝑜𝑏𝑙𝑎𝑐𝑖 ó 𝑛
𝑁
2
∑ ( 𝑥 𝑚 − 𝑥´ ) . 𝑓 𝑖
𝑉𝑎𝑟 ( 𝑥 ) = → 𝑀𝑢𝑒𝑠𝑡𝑟𝑎
𝑛− 1
* Medidas de dispersión
Histograma para los coeficientes intelectuales
38
34
13
12
105 115 125 135 145 150

C.I
* Gráficos estadísticos
Histograma para los coeficientes intelectuales
38
34
13
12
105 115 125 135 145 150

C.I
Polígono de Frecuencias para los coeficientes intelectuales
38
34
13
12
105 115 125 135 145 150

C.I
Gráfico de torta
[140-150)
[100-110)
3%
12%
[130-140)
13%
[110-120)
[120-130) 34%
38%
 Serie Simple: 20; 26; 29; 29; 30; 32; 50 (Salarios de la Empresa B)
 Serie de frecuencia: Salarios Frec.
20 1
26 1
29 2
30 1
32 1
50 1
Salarios Frec. Frec. Frec. Frec. Relativa Frec.
Relativa Acumulada Acumulada Desacumulada
20 1 0,14 1 0,14 7-1 = 6
26 1 0,14 2 0,28 7- 2 = 5
29 2 0,29 4 0,56 7-4 = 3
30 1 0,14 5 0,70 7-5 = 2
32 1 0,14 6 0,84 7-6 = 1
50 1 0,14 7 0,98 7-7 = 0

Gráfico de tortas para los salarios
(14% ) (14% )
(14% )
(14% )
(14% )
(29% )
20 26 29 30 32 50

Frecuencias Acumuladas vs. Frecuencias Desacumuladas
5
F re c u e n c ia s
0
19 23 28 32 37 41 46 50
Salarios
frecuencias
frecuencias
Media <Mdn < Moda
Asimetría hacia la izquierda

Moda < Mdn < Media
Asimetría hacia la derecha

frecuencias
Media=Moda=Mediana
* Distribución simétrica
68%
Media
un un
desvío desvío
* Regla empírica
95%
Media
dos desvíos dos desvíos
* Regla empírica
100%
Media
tres desvíos tres desvíos
* Regla empírica
Una empresa desea contratar personal para sus diversas áreas. Se
presentaron 125 aspirantes resultando una edad promedio de 36 años
con una desviación de 2 años. Si las edades se distribuyen en forma
simétrica y la empresa decidió, que solo empleará a personas menores
a 38 años, responde:
a) ¿Qué porcentaje de aspirantes estarán en condiciones de conseguir el
trabajo?
b) ¿Qué cantidad de personas fueron excluidas?

Resolución
16% 68% 16%
34 36 38 Años
Candidatos al puesto de trabajo

Resolución
16% 68% 16%
34 36 38 Años
Candidatos al puesto de trabajo
a) 84% de los candidatos estarán en condiciones de conseguir el

trabajo.
b) 16% de 125 = 20 personas serán excluidas.

Probabilidad
Mide el grado de ocurrencia de un suceso o evento.

Experimento Aleatorio
e.a
proceso
tiene es resultado
Cjto de reglas repetible azar
“Arrojar un dado”

Espacio Muestral
e.a
resultados
Ejemplo:
e.a: arrojar un dado.
= { 1; 2; 3; 4; 5; 6 } y # =6

Sucesos o Eventos
e.a A
Ejemplo: simple compuesto

e.a: arrojar un dado.
= { 1; 2; 3; 4; 5; 6 } y # =6
A= salió par = {2; 4; 6} y # A = 3
B = salió par o mayor que 4 = {2; 4; 5; 6} y # B = 4
C= salió par y mayor o igual a 4 = { 4;6 } y # C =2

Representación Gráfica
e.a: arrojar un dado

Diagrama de Venn
1 3
2 4
5 pto.muestral
6

Operaciones entre Eventos
A; B
Interseccíon Unión Complemento
A’
A y B ocurren Ocurre al menos uno de No ocurre A
simultáneamente ellos
“y” “o”

Definición de Probabilidad
Clásica Frecuentista Subjetiva Axiomática

(Laplace) (Kolmogorov)
Frecuencia relativa Experiencia

s previas
10 lanzamientos, 2 veces salió par :

Definición Axiomática (Kolmogorov)
Una medida de probabilidad es una función donde a cada evento A le

corresponde un número real que satisface los siguientes axiomas:
si y solo si

Relaciones entre Eventos
Complementarios: P(A) + P(A’) = 1
Mutuamente excluyentes: =0
Independientes:Dos eventos se dice independientes cuando la

ocurrencia de uno no afecta la probabilidad de la ocurrencia del otro.
= P(A) . P(B)
Ejemplo: Se arroja un dado 2 veces
A = primer tiro sale par ; B = segundo tiro sale 3, =0,083

Probabilidad Condicional
Si A y B son dos eventos tales que P (B) > 0, la probabilidad de A dado

que ocurrió B es:
Nota: Si A y B son independientes, P(A / B) = P(A)


que ocurrió B es:
Ejemplo 1: Se arroja un dado y se observa que salió par, ¿cuál es la

probabilidad que sea el número 2?
P(2/salió par) =


que ocurrió B es:
Ejemplo 1: Se arroja un dado y se observa que salió par, ¿cuál es la

probabilidad que sea el número 2?
P(2/salió par) = 0,33


que ocurrió B es:
Ejemplo 2: En una población con 10 personas, 4 tienen caries , 5 son

consumidores habituales de caramelos y 2 de los que tienen caries
consumen caramelos . Si se elige una persona al azar, ¿cuál es la
probabilidad de que tenga caries dado que es consumidor habitual
de caramelos?


que ocurrió B es:
Ejemplo 2: En una población con 10 personas, 4 tienen caries , 5 son

consumidores habituales de caramelos y 2 de los que tienen caries
consumen caramelos . Si se elige una persona al azar, ¿cuál es la
probabilidad de que tenga caries dado que es consumidor habitual
de caramelos?
P( A / B )=0.4

Regla Aditiva y Multiplicativa
 Del tercer axioma de Kolmogorov:
 De la prob. condicional:

Modelos Probabilísticos basados en
probabilidades condicionales
A1; A2; …;An particiones de  y sea B un

evento
Probabilidad Teorema de
Compuesta Bayes
 
B B
A1 A2 … An A1 A2 … An

A1; A2; …;An particiones de  , y sea B un

evento
Probabilidad Teorema de
Compuesta Bayes
P (B) P (A2/B)
 
B B
A1 A2 … An A1 A2 … An

A1; A2; …;An particiones de  , B un evento
Probabilidad
Compuesta
P
(
B
)

P
(B
/
A
1
)P
(
A
1
)
P(
B
/
A
2)
P
(
A
2
).
.
.

P(
B
/
A
n)
P
(
A
n
)
Teorema de Bayes
P(
B/A
2)
P(
A2
)
P
(
A2/
B)
P(
B/A
1
)P
(
A1
)
P(
B/A
2)
P(
A2
)
..
.P
(
B/)
A
nP
()
An
P(
B/A
)P
(A)
P
(
A2/
B) 2 2
P(
B)

Aplicaciones
1) En una población, de los varones, el 4% son daltónicos. De las

mujeres, el 2% son daltónicas. De la población el 53% son mujeres. Se
extrae una persona al azar.
a. ¿Cuáles son las particiones del espacio muestral?
b. ¿Qué probabilidad hay de que sea daltónico?

Aplicaciones

extrae una persona al azar.
b. ¿Cuál es la probabilidad de que sea daltónico?
P(D) = P (D/V) P(V) + P(D/M) P(M)

P(D) = 0,04 x 0,47 + 0,02 x 0,53
P(D) = 0,029

Aplicaciones

extrae una persona al azar y resultó ser daltónico.
b. ¿Cuál es el evento que ocurrió?
c. ¿Qué probabilidad hay de que sea varón?

Seminario 5: Ejercicio 10
45% 55% a.
D
“regla multiplicativa”
10% 8%
b. P
(
D
)
P
(
D/
M
)
1P
(
M
1)

P
(D
/
M)
P
(
2M
)
2
“prob. compuesta”
c.
“teo. Bayes”

Variables Aleatorias
Definición: Es una función X, que asocia a cada uno de los resultados

de un e.a con un número real.
Ω
R

Ejemplo 1: Se arroja una moneda
Cara
Seca

Ejemplo 1: Se arroja una moneda y se cuenta la cantidad de caras.

X
Ω
Cara 1
Seca 0
Ω={ cara; seca} X = 0;1

Ejemplo 2: Se arrojan dos monedas, una de 10 centavos y otra de 5

centavos
Ω ={ (C10;C5); (C10;S5);(S10;C5);(S10;S5)} ; X = 2; 1; 0
Ejemplo 3: Se arroja un dado dos veces y se observa la suma de sus

caras.
Ω= { (1;1) ; (1;2); …;(6;6)} ; X= 2;3;4;5;6;7;8;9;10;11;12

Ejemplo 4: Un centro de salud tiene 4 pacientes sicóticos de los

cuales 2 son varones. Se extraen 2 pacientes al azar contándose la
cantidad de varones sicóticos.
Ω={(M1;M2)} (M1;V1); (M1;V2);(M2;V1);(M2;V2);(V1;V2)} ; X = 0;1;2

 Discretas: los valores que asume X constituyen un conjunto finito

o infinito numerable.
Ejemplos:
X = 0;1 conjunto finito.
X = 0; 1; 2; 3; 4; 5; … conjunto infinito numerable.
 Continuas: los valores que asume X pertenecen a un intervalo de

números reales. Ejemplo X = [0;1]

Distribución de una Variable Aleatoria Discreta
En el ejemplo 2: Se arrojan dos monedas, una de 10 centavos y otra de 5

contándose la cantidad de caras.
Ω ={ (C10;C5); (C10;S5);(S10;C5);(S10;S5)}
X = 0; 1; 2 v.a discreta
La Función de Distribución de X es:
P(X=0)= ¼=0,25
P(X=1)=2/4 = 0,50
P(X=2)=1/4=0,25

Gráfico de la Distribución de una Variable Aleatoria
Discreta
Gráfico de la Distribución para el ejemplo 4
0,70
0,57
Probabilidades
0,43
0,30
0,17
-1 0 1 2
X
Valor Esperado de una Variable Aleatoria Discreta
La Esperanza Matemática

En el ejemplo 2: Se arrojan dos monedas, una de 10 centavos y otra

de 5 contándose la cantidad de caras.
X= 0;1;2, su Función de Distribución es:
P(X=0)= ¼=0,25
P(X=1)=2/4 = 0,50
P(X=2)=1/4=0,25
E(X)=¿?

En el ejemplo 2: Se arrojan dos monedas, una de 10 centavos y otra

de
5 contándose la cantidad de caras.
X= 0;1;2, su Función de Distribución es:
P(X=0)= ¼=0,25
P(X=1)=2/4 = 0,50
P(X=2)=1/4=0,25
E(X)= 0. 0,25 + 1.0,5 +2 . 0,25 = 1
“Se esperaría que al arrojarse dos monedas, una de 10 centavos

y otra de 5, salga una cara”

En el ejemplo 4: Un centro de salud tiene 4 pacientes sicóticos de los
cuales 2 son varones. Se extraen 2 pacientes al azar contándose la
cantidad de varones sicóticos.
X = 0;1;2 , su Función de Distribución es:
P(X=0)=1/6 = 0,17
P(X=1)=4/6= 0,66
P(X=2)=1/6= 0,17
E(X) = 0. 0,17 + 1 . 0,66 + 2 . 0,17 = 1

Seminario 6, Ejercicio 1: Considere que se ganan $1; $2; $3; $4; $5 y $6

cuando en un dado aparecen respectivamente las caras 1;2;3;4;5 y 6. En
una tirada de dados, indique que suma de dinero se esperaría ganar.


Ω = {1; 2; 3; 4; 5; 6} ; X = $1;$2;$3;$4;$5;$6


Ω= {1; 2; 3; 4; 5; 6} ; X = $1;$2;$3;$4;$5;$6
Su Función de Distribución es: P(X=$1)=P(X=$2) = …=P(X=$6)= 1/6
E(X) = $3,50

Varianza de una Variable Aleatoria Discreta

Seminario 6, Ejercicio 1: X = $1;$2;$3;$4;$5;$6 y E(X) = $3,50.

Seminario 6, Ejercicio 1: X = $1;$2;$3;$4;$5;$6 y E(X) = $3,50.
V(X)= 2,905

Distribuciones de Variables Aleatorias
Funciones de
Distribuciones
P(X)
V.A. Discretas V.A. Continuas
Binomial Poisson Hipergeométrica Normal

Distribución Binomial
Experimento Aleatorio Binomial
 n-ensayos identicos.
 Ensayos independientes.
 Cada ensayo tiene 2 resultados posibles: E o F.
 P(E) = p y P(F) = q = 1-p.
 Se define la v.a discreta X= cantidad de éxitos obtenidos en n-

ensayos
X= 0;1;2;3;4;…;n. Decimos que X ~B(n;p)

Ejemplo 1: Se arroja una moneda 6 veces con una probabilidad de

0,40 de que salga cara.

0,40 de que salga cara.
 6-ensayos
 Cada tirada es independiente de la tirada anterior
 E= sale cara y F= sale seca.
 P(E) = 0,40 y P(F)= 0,60
 X = 0; 1;2;3;4;5;6. Decimos que X~B(6;0,40)

Fórmula:
E(X) = np
V (X)= npq


0,40 de que salga cara. ¿Cuál es la probabilidad de que salgan 2
caras?
E(X) = 2,4 y V(X)= 1,44

Ejemplo 3: La probabilidad de dar al blanco con una bala de un rifle es

de 0,10. Se disparan 10 balas. ¿Cuál es la probabilidad de dar al
blanco 5 veces?

Ejemplo 3: La probabilidad de dar al blanco con una bala de un rifle es

de 0,10. Se disparan 10 balas. ¿Cuál es la probabilidad de dar al
blanco 5 veces?
P(x=5) = 0,001
E(X) = 1 y V(x) = 0,90

Seminario 7-Ejercicio 2
Debido a las altas tasas de interés, una empresa reporta que el 30% de
sus cuentas por cobrar de otras empresas están vencidas. Si un
contador toma una muestra aleatoria de 5 de esas cuentas determine
la probabilidad de que:
a. Ninguna de la cuentas estén vencidas
b. Exactamente 2 estén vencidas.
c. Exactamente el 20% de las cuentas estén vencidas.

Seminario 7-Ejercicio 2
n=5; E= cuenta esté vencida con probabilidad de 0,30.
Cada cuenta vencida es independiente del estado de la cuenta anterior.
X= 0;1;2;3;4;5
a. P(X=0)=
b. P(X=2)=
c. P(X=1)=
a. P(X=0)=0,16
b. P(X=2)=0,31
c. P(X=1)=0,36

Distribución de Poisson
X = cantidad de éxitos observados en un intervalo de tiempo con tasa de

ocurrencia λ.
X= 0;1;2;3;….
Fórmula:
Decimos que v.a X~ Po(λ)
E(X) = V(X) = λ

Ejemplo: Las lesiones laborales graves que ocurren en una planta

metalúrgica tiene una media anual de 2.7. Dado que las condiciones de
seguridad serán iguales en la planta durante el próximo período:
a. ¿Cuál es la probabilidad de que no existan accidentes de este tipo?
b. ¿Cuál es la probabilidad de que se produzca un accidente?
c. ¿Cuál es la probabilidad de que la cantidad de accidentes sean a lo

sumo 2?

X = cantidad de lesiones graves ocurridos en un año.
X= 0;1;2;3;4;5;…
X ~Po (2,7) y E(X) = V(X) = 2,7
a.
b.

X = cantidad de lesiones graves ocurridos en un año.
X= 0;1;2;3;4;5;…
X ~Po (2,7) y E(X) = V(X) = 2,7
c.

Distribución Hipergeométrica
 Población finita de tamaño N.
 M de ellos cumplen con una condición determinada.
 Se extraen n elementos de esa población.
 n/N ≥ 0,04.
 X = cantidad de observaciones que tienen la condición

determinada en n.
 X~Hi(N;M;n)

N
M

Fórmula:

Ejemplo 1: En una canasta hay 15 manzanas de las cuales exactamente

5 están machucadas. Se extraen 7 manzanas al azar. ¿Cuál es la
probabilidad de que 3 manzanas estén machucadas?
10
X~Hi(15; 5; 7) 5
n=7

P(x=3) = 0,33

Distribución Hipergemométrica
Ejemplo 2: Un centro de salud mental tiene 20 pacientes de los cuales 2

están a punto de obtener el alta. Si se seleccionan 3 pacientes al azar,
¿cuál es la probabilidad de que entre ellos estén los dos pacientes de
obtener el alta?

Distribución Hipergemométrica
Ejemplo 2: Un centro de saludo mental tiene 20 pacientes de los cuales 2

están a punto de obtener el alta. Si se seleccionan 3 pacientes al azar,
¿cuál es la probabilidad de que entre ellos estén los dos pacientes de
obtener el alta?
X~Hi(20;2;3) y P(X=2) = 0,016

Aproximación de la Binomial a la Poisson
B ( n , p ) ≈ Po(λ)
n.p
Grande > 20
Chico <0,05

Aproximación de la Binomial a la Poisson
Ejemplo: Supongamos que el 3% de los pernos hechos en una máquina

son defectuosos y que aparecen al azar durante la producción. Se
empaquetan en cajas de 50 pernos, ¿cuál es la probabilidad de que en
cierta caja contenga 4 pernos defectuosos?
X ~B(50;0,03) ≈ Po (1,5)
P(X=4)=0,0459 ≈ P(X=4) = 0,047

Aproximación de la Hipergeométrica a la Binomial
Hi( N , M ,n ) ≈ B( n, p)
≤ 0,05 N M/N

Distribución Normal
X ~ N (µ; σ2)
0,15
0,11
0,08
0,04
0,00
-8,23 -1,61 5,00 11,61 18,23
X
Características Generales
 Forma acampanada.
 Simétrica respecto a su media.
 Queda determinada por su media y varianza (ó D.E).
 Cada combinación de la media y varianza especifica una dist.
Normal única.
 Los extremos de la campana se extiende por todo el eje de las
abscisas.
 El área total bajo la curva es 1 o el 100%. P = área.
 La probabilidad de que la v.a continua asuma un único valor es
0.
Área Bajo la Curva
0,20
0,15
0,10
0,05
p=1 ó 100%
0,00
-5,00 0,00 5,00 10,00 15,00
X
Área Bajo la Curva
0,20
0,15
0,10
0,05
P=0,5
0,00
-5,00 0,00 5,00 10,00 15,00
X
Área Bajo la Curva
0,20
0,15
0,10
0,05
p=0,68
0,00
-5,00 0,00 5,00 10,00 15,00
X
Área Bajo la Curva
0,15
0,11
0,08
0,04 p=0
0,00
-8,23 -1,61 5,00 11,61 18,23
X
Distribución Normal Estándar
Z ~ N ( 0; 1)
0,40
0,30
0,20
0,10
0,00
-5,00 -2,50 0,00 2,50 5,00
Z
Normal(0,1): p(evento)=0,9332 Normal(0,1): p(evento)=0,0228

0,40 0,40
0,30 0,30
0,20 0,20
0,10 0,10
0,00 0,00
-5,00 -2,50 0,00 2 2,50 5,00
-5,00 -2,50 0,00 1,5 2,50 5,00
Z Z
Normal(0,1): p(evento)=0,6827 Normal(0,1): p(evento)=0,7606

0,40 0,40
0,30 0,30
0,20 0,20
0,10 0,10
0,00 0,00
-5,00 -2,50 -1 0,00 1 2,50 5,00 -5,00 -2,50 -1 0,00 1,40 2,50 5,00
Z Z
Estandarización
X ~ N(5;4)
0,20
0,15
0,10
0,05
p=¿?
0,00
-5 0 5 6 10 15
X
Estandarización
X ~ N(5;4) Z ~ N(0;1)
0,20 0,40
0,15 0,30
0,10 0,20
0,05 0,10
p=¿?
0,00 0,00
6
-5 0 5 10 15 -5,00 -2,50 0,00 2,50 5,00
X Z
Estandarización
X ~ N(5;4) Z ~ N(0;1)
0,20 0,40
0,15 0,30
0,10 0,20
0,05 0,10
p=¿?
0,00 0,00
-5 0 5 6 10 15 -5,00 -2,50 0,00 2,50 5,00
X Z
Estandarización
X ~ N(5;4) Z ~ N(0;1)
0,20 0,40
0,15 0,30
0,10 0,20
0,05
p=¿? 0,10
0,00 0,00
-5 0 5 6 10 15 -5,00 -2,50 0,00 2,50 5,00
X Z
Estandarización
X ~ N(5;4) Z ~ N(0;1)
0,20 0,40
0,15 0,30
0,10 0,20
0,05 0,10
p=¿?
0,00 0,00
-5 0 5 6 10 15 -5 -3 0 0,5 3 5
X Z
Estandarización
X ~ N(5;4) Z ~ N(0;1)
0,20 0,40
0,15 0,30
0,10 0,20
0,05 0,10
p=¿? 0,69
0,00 0,00
-5 0 5 6 10 15 -5 -3 0 0,5 3 5
X Z
Estandarización
X ~ N(5;4) Z ~ N(0;1)
0,20 0,40
0,15 0,30
0,10 0,20
0,05 0,10
0,69 0,69
0,00 0,00
-5 0 5 6 10 15 -5 -3 0 0,5 3 5
X Z
Estandarización
Ejemplo 1: Las notas de un curso se comporta de acuerdo a una

distribución normal con media 5 y varianza 16.
a. ¿Cuál es el valor estandarizado para la nota 7?
b. ¿Cuál es el valor estandarizado para la nota 2?
c. ¿Cuál es la probabilidad de encontrar notas entre 2 y 7?

Estandarización
Ejemplo 1: Las notas de un curso se comporta de acuerdo a una

distribución
normal con media 5 y varianza 16.
a. ¿Cuál es el valor estandarizado para la nota 7?
b. ¿Cuál es el valor estandarizado para la nota 2?
c. ¿Cuál es la probabilidad de encontrar notas entre 2 y 7?
X~N(5;16)
 z = 0,5
 z= -075
Estandarización
X ~ N(5;16) Z ~ N(0;1)
0,10 0,40
0,08 0,30
0,05 0,20
0,03 0,10
0,46
0,00 0,00
2 -5 -3 -0,75 0 0.5 3 5
-15 -5 5 7 15 25
Notas Notas estandarizadas
Estandarización
Ejemplo 2: Un criterio para seleccionar personas de “alto coeficiente

intelectual”, consiste en elegir solo el 5% más inteligente de los
individuos que se someten a una prueba de inteligencia. Se sabe
que las puntuaciones de la prueba, se comporta de acuerdo a una
distribución normal con media 500 y desviación estándar de 100,
¿qué puntuación será el límite para rechazar o aceptar un
candidato?
Estandarización
0,004 0,40
0,003 0,30
Densidad
0,002 0,20
0,001 0,10
95% 5% 95% 5%
0,000 0,00
0 250 500 750 1000 -5,00 -2,50 0,00 2,50 5,00
Puntuaciones Puntuaciones estandarizadas
Estandarización
0,004 0,40
0,003 0,30
Densidad
0,002 0,20
0,001 0,10
95% 5% 95% 5%
0,000 0,00
1,64
0 250 500 750 1000 -5,00 -2,50 0,00 2,50 5,00
Puntuaciones Puntuaciones estandarizadas
Estandarización
La puntuación estandarizada para la puntuación límite es de 1.64.
La puntuación original es:
Luego, un criterio para seleccionar personas con alto coeficiente

intelectual será utilizando un límite de 664 puntos en la prueba de
inteligencia.
Aproximación de la Binomial a la Normal
grande
np
npq
cerca de
0,5
Aproximación de la Binomial a la Normal
Ejemplo: La probabilidad de que un fusible funcione es de 0,70. Se

seleccionan 1000 fusibles, ¿cuál es la probabilidad de tener más de 27
fusibles defectuosos?
X~B(1000; 0,30) X~N(300;210)

P(x>27)=1 P(x>27)=1
Aproximación de la Poisson a la Normal
>5
Muestreo
Aleatorio
Aleatorio simple Estratificado Conglomerado Sistemático
Leer: Willianm J. Stevenson: Capítulo 6, pág. 184-201

Muestreo Aleatorio Simple
M.A.S
Características
 Se dispone de un registro de todos los individuos de la

población.
 Se realiza un sorteo.
 Todos los individuos de la población tienen la misma

probabilidad de ser seleccionado
Muestreo Estratificado
Características
 Se divide a la población en subconjuntos llamados estratos.
 Los estratos son pocos y de tamaños grandes.
 Cada estrato “dentro” es lo más homgéneo posible.
 Cada estrato “entre” es lo más heterogéneo posible.
 Se seleccionan individuos de cada estrato a través del M.A.S.

Muestreo por Conglomerado
Características
 Se divide a la población en subconjuntos llamados

conglomerados.
 Los conglomerados son muchos y de tamaños pequeños.
 Cada conglomerado “dentro” es lo más heterogéneo posible.
 Cada conglomerado “entre” es lo más homgéneo posible.
 Se seleccionan conglomerados a través del M.A.S.

Muestreo Sistemático
Características
 Los individuos de la población se acomodan en una secuencia .
 Se seleccionará de la secuencia cada N/n elemento.
 El punto de inicio se determina a través del M.A.S.
Ejemplo: 12.500 expedientes de una empresa fueron ordenados

alfabéticamente, se decide obtener una muestra de 350 de ellos a través
de
un muestreo sistemático. Se seleccionarán cada 12. 500/350= 36
expediente.
Se sortea el punto de inicio y resulta el expediente 18:
18-54-90-126-162…
Parámetros y Estimadores
Característica Poblacional : Parámetro. Generalmente desconocido.
Característica Muestral: Estimador.
Estimador “estima” a un parámetro.
Definición: La distribución de probabilidad de un estimador recibe el

nombre de distribución de muestreo.
Distribución de Muestreo para la Media Muestral
Teorema Central del Límite
N es
infinito
de una población de media µ y desvío estándar σ, se extraen todas
Si
las muestras posibles del mismo numero de elementos n cada una de
ellas, y de cada muestra obtenemos su media, la distribución de
todas esas medias tendrá una distribución del tipo normal;
independientemente del tipo de distribuciones que posea la
población, con una media igual a la media poblacional µ y con un
desvío estándar σ menor al desvío estándar poblacional, denominado
error muestral estándar cuyo valor es igual a:

n
N es infinito
.
.
.
n
n
N es infinito
.
.
. n
n
N es infinito
n
Si n es grande
.
.
. n
n
N es finito y n/N>0,05
.
. factor de
n correcció
.
n
Aplicación
Ejemplo: El número de alumnos por año que ingresan a las escuelas tiene
media 600 con desvió 300. Si se toma una muestra aleatoria de 25 escuelas,
¿cuál es la probabilidad de que la media de la muestra sea inferior a 550?
0,007
0,005
0,003
0,002
0,000
300 450 550 600 750 900
Aplicación
0,007
0,005
0,003
Estandarización de
0,002 550:
0,000
300 450 550 600 750 900
Aplicación
Normal(0,1): p(evento)=0,2033
0,40
0,007
0,30
0,005
0,003 0,20
0,002 0,10
0,000 0,00
300 450 550 600 750 900 -5,00 -2,50 -0,83 0,00 2,50 5,00
Error Estándar
Error Estándar
Estandarizaciones
Un valor de la variable aleatoria X: ~

N(0;1)
Un valor de la variable aleatoria X : ~

N(0;1)
Estimación de Parámetros
estim
a
puntual Intervalar: I.C
L.I L.S
Ejemplo: Se desea estimar puntual e intervalarmente (con el 95% de

confianza) la media de una población. Se sabe que el desvío es 2.
Se toma una muestra de tamaño 35 resultando una media de 7.
Ejemplo: Se desea estimar puntual e intervalarmente (con el 95 % de

confianza) la media de una población. Se sabe que el desvío es 2.
Se toma una muestra de tamaño 35 resultando una media de 7.
La estimación puntual de µ es 7.

 La estimación intervalar de µ (con el 95% de confianza):
0,40
0,30
0,20
0,10
0,95
0,00
-5,00 -z 0,00 z 5,00
 La estimación intervalar de µ: 0,40
0,30
0,20
0,10
0,95
6,34 7 7,66
0,00
-5,00 -z 0,00 z 5,00
Interpretación de los Intervalos de Confianza
Intervalos de confianza para la media con el 95%
0 25 50 75 100
Intervalos
Error Máximo de Estimación
6,34 7 7,66
E = 0,66
Error Máximo de Estimación
6,34 7 7,66
E = 0,66
Determinación del Tamaño Muestral
Se necesita conocer:
 Varianza o desvío poblacional.
 Error máximo de estimación permitido.
 Nivel de confianza.
Ejemplo: Una compañía desea estimar el peso promedio de sus cajas.

Se desea que la media de la muestra no difiera en más de 2 kg. con la
verdadera media. Se sabe que el desvío poblacional es de 10 kg.
Para un nivel de confianza del 90% ¿qué tamaño de muestra se debe
usar?

usar? 0,40
0,30
0,20
0,10
0,90
0,00
-5,00 -z 0,00 z 5,00

usar? 0,40
0,30
0,20
0,10
0,90
n = 67,24≈67 0,00
-5,00 -z 0,00 z 5,00

Idioma

Estadistica

Cargado por

Información del documento

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

Estadistica

Título original:

Cargado por

Copyright:

Formatos disponibles

Herramientas Matemáticas III

Prof. Apessetche Dora

Prof. Dora Apessetche 2

* Parciales Q y Examen 3er nota

Prof. Dora Apessetche 3

Prof. Dora Apessetche 4

Prof. Dora Apessetche 6

Bondad: es el margen de seguridad con que se realiza la

X: género, con categorías V o M.

* Variable y tipos de variables

Prof. Dora Apessetche 8

* Clasificación de las variables

* Clasificación de las variables

Rango o Desvío Coeficiente

Prof. Dora Apessetche 12

Prof. Dora Apessetche 13

Prof. Dora Apessetche 15

28, 34, 25, 32, 30, 26, 29.

Prof. Dora Apessetche 16

Prof. Dora Apessetche 17

Prof. Dora Apessetche 18

Prof. Dora Apessetche 19

Prof. Dora Apessetche 20

25% 25% 25% 25%

Distribución de tipo II Distribución de tipo III o

Prof. Dora Apessetche 23

Prof. Dora Apessetche 24

Prof. Dora Apessetche 25

159 2 318 Me=

Prof. Dora Apessetche 26

150 2 0.09 9% 2 22-2=20 300

151 2 0.09 9% 4 22-4=18 302

152 1 0.045 5% 5 22-5=17 152

154 2 0.09 9% 7 22-7=15 308

155 2 0.09 9% 9 22-9=13 310

156 4 0.18 18% 13 22-13=9 624

157 1 0.045 5% 14 22-14=8 157

158 1 0.045 5% 15 22-15=7 158

159 2 0.09 9% 17 22-17=5 318

170 2 0.09 9% 19 22-19=3 340

171 3 0.136 14% 22 22-22=0 513

Prof. Dora Apessetche 27

Frecuencia desacumulada : Se define como la

Prof. Dora Apessetche 28

Clase frecuencia Media

Prof. Dora Apessetche 31

Es un valor que indica el grado de dispersión que posee una

* Desvío estándar o desvío típico

4) Los valores de un intervalo no deben coincidir con sus limites

Prof. Dora Apessetche 35

El primer intervalo debe contener a 150 y no coincidir con el

Numero de [Li - Ls) Frecuencia

Prof. Dora Apessetche 36

Prof. Dora Apessetche 37

Clase medial es la clase que contiene al elemento n/2

d1= la diferencia entre la frecuencia del intervalo modal y la

Prof. Dora Apessetche 39

105 115 125 135 145 150

105 115 125 135 145 150

105 115 125 135 145 150

 Serie de frecuencia: Salarios Frec.