II-240 Prob y Estadistica Descriptiva v19

2% 1
1.1- CONCEPTOS GENERALES DE LA

ESTADISTICA
• Lo que no se mide no existe
• Lo que se no se mide no se controla
• Lo que no se mide no se puede

mejorar
2
ESTADISTICA
Qué es Estadística?
• Ciencia formal, exacta y numérica aplicada sobre un
hecho o situación para analizar ordenadamente una
serie de datos darles algún significado a quien los utiliza.
• Es la herramienta fundamental que permite llevar a
cabo la investigación científica de algo de interés.
• Es utilizada por empresas, instituciones de gobierno y
organizaciones sociales para aplicarlas en sus disciplinas
de acción como ciencias sociales, de la economía, la
salud, los negocios y otras.
3
ESTADISTICA
¿Dónde está presente la
Medicina Agricultura
Estadística?
Farmacia Religion
Biología Economía
Política Ingeniería
Mercadeo Derecho
Deportes TODO LADO!!

4
ESTADISTICA
Mapa total de donde se usa la Estadística
1. Ciencias actuariales 24. Estadísticas de consultoría
2. Física estadística 25. Estadística de la educación, la enseñanza, y la formación
3. Estadística industrial 26. Estadística en comercialización o mercadotecnia
4. Estadística espacial 27. Cienciometría
5. Matemática estadística 28. Estadística del medio ambiente
6. Estadística en medicina 29. Estadística en epidemiología
7. Estadística en medicina veterinaria y zootecnia 30. Minería de datos (aplica estadística y reconocimiento de
8. Estadística en nutrición patrones para el conocimiento de datos)
9. Estadística en agronomía 31. Econometría (estadística económica)
10. Estadística en planificación 32. Estadística en ingeniería
11. Estadística en investigación 33. Geografía y sistemas de información geográfica, más
12. Estadística en restauración de obras específicamente en análisis espacial
13. Estadística en literatura 34. Demografía
14. Estadística en astronomía 35. Estadística en psicología (psicometría)
15. Estadística en antropología (antropometría) 36. Calidad y productividad
16. Estadística en historia 37. Estadísticas sociales (para todas las ciencias sociales)
17. Estadística militar 38. Cultura estadística
18. Geoestadística 39. Encuestas por muestreo
19. Bioestadística 40. Análisis de procesos y quimiometría (para análisis de datos en
química analítica e ingeniería química)
20. Estadísticas de negocios
41. Confiabilidad estadística
21. Estadística computacional
42. Procesamiento de imágenes
22. Estadística en ciencias de la salud
43. Estadísticas deportivas
23. Investigación de operaciones
5
1.3 ANALISIS ESTADISTICO DE DATOS
Recordemos la definición de Estadística
• Ciencia formal, exacta y numérica aplicada
sobre un hecho o situation, se usa para
analizar ordenadamente una serie de datos
darles algún significado a quien los utiliza.
6
Cómo se “analiza ordenadamente una seria de datos”?
• Haciendo análisis descriptivo y exploratorio de los datos.
• O sea observar y ordenar los datos en tablas, gráficos,
diagramas y demás ayudas de ordenamiento de datos.
• Es trabajar profunda e inductivamente con los datos analizados
en forma descriptiva.
• De esta forma se establecen los 5 pasos para hacer un análisis
estadístico de dato:
7
La Estadística tiene en dos enfoques:
– Estadística Descriptiva
Descripción, visualización y resumen de los datos obtenidos para un
estudio especifico. El resumen de datos puede ser numérico o gráfico
– Estadística Inferencial
Dedicada a la generación de modelos, patrones, inferencias y
predicciones de algún fenómeno bajo estudio
Sinónimos de Describir: explicar, detallar, especificar, delinear, dibujar

Sinónimos de Inferir: concluir, deducir, derivar, predecir, desprender
8
1.2 ATRIBUTOS Y VARIABLES
1.2-Qué es un dato?
Es la información concreta de algo de interés y que permite su
estudio (analizar, estudiar o conocer sobre ese algo)
• El algo: Puede ser cualquier cosa como por ejemplo personas,
animales, plantas, objetos, hechos, elementos, etc..
• La información concreta: es un atributo o característica del
algo de interés y puede ser en forma de cifra, letra o palabra.
Este atributo, por tanto puede ser diferente de un algo a otro
algo.
9
1.2-Qué es un dato?
• Ejemplos:
–Algos: las tortugas que desovan en una playa
determinada, los jugadores que han sigo campeones
de goleo en el campeonato de un país, la cosecha de
aguacates de una región especifica, el lote de cervezas
producidas en un mes en una fabrica, etc.
–Atributos: la cantidad de tortugas, el número de goles
anotados por cada jugador, la cantidad kilogramos de
aguacates buenos recogidos, …….
10
1.2-Qué es una Variable?
Es un atributo de interés de algo por cuanto
representa una seria de información concreta
con variaciones pues no todos los atributos son
iguales (variación).
Ejemplo: la cantidad de goles no va ser igual de
un jugador a jugador, en el caso del jugador de
más goles de una campeonato a otro.
11
Tipos de Variable?
a. Cualitativas: donde su medición se describe como
una etiqueta o un nombre. Ejemplo: tipo de sexo
( masculino o femenino), marca de auto (Toyota,
Honda, Chevrolet)
b. Cuantitativas: donde su medición pueden darse en
valores numéricos con los que pueden realizarse
operaciones matemáticas
En el ejemplo anterior de los jugadores campeones de goleo en un
campeonato de futbol, cuáles seria datos cualitativos y cuáles
cuantitativos?
12
Clases de Variables Cuantitativas?
• Discretas: son valores numéricos enteros (0, 1, 2, 3, 4,
5,....,40). Ejemplos: burbujas por envase, alumnos que
reprobaron el curso de Estadística, piezas defectuosas
producidas y tienen a ser finitos.. Pueden ser negativos.
• Continuas: son valores numéricos enteros y fraccionarios y
tienden a ser infinitos (5.0, 4.99, 4.98, 5.0, 5.01, 5.0, 4.96).
Ejemplos: diámetro en pulgadas de un engranaje, longitud de
cable usado en un circuito eléctrico de carro, altura de la
población. Pueden ser negativos.
13
1.3 NIVELES DE MEDICION
NIVEL NOMINAL
• Es cuando la variable de interés consiste en categorías
de nombres o etiquetas que NO permite hacer un
ordenamiento de dichas categorías (o sea cual
categoría es mas o menos que otra).
• No guardan orden lógico entre ellas.
• Solo permite el conteo de los elementos de cada
categoría de esa variable de interés. A partir del conteo
si podrá ordenar y graficar.
• Ejemplo: sexo, marcas de un articulo, estado civil, etc
14
NIVEL ORDINAL
• Es cuando la variable de interés consiste en categorías de
nombres, etiquetas o hasta números que SI permite hacer
un ordenamiento de dichas categorías o sea permite
distinguir una relación entre cada categoría
• Guardan orden lógico entre ellas.
• Sin embargo no hay unidades que permiten dimensionar
cuan diferentes son entre las distintas categorías.
• Solo permite el conteo de los elementos de cada categoría
de esa variable de interés. A partir del conteo si podrá
ordenar y graficar.
• Ejemplo: malo, bueno, regular, excelente, etc
15
NIVEL DE INTERVALO
• Es cuando la variable de interés consiste en categorías de
valores numéricos principalmente que permiten
diferenciar o dimensionar entre cada categoría.
• Hay una unidad de medición común y constante.
• Este nivel o escala de medición no tiene un punto de inicio
natural o intrínseco. El cero es un punto elegido
arbitrariamente y no representa la ausencia de la condición
• De igual forma permite el conteo y podrá ordenar y
graficar.
• Ejemplo: temperatura en grados °C o °F, etc
16
NIVEL DE RAZON
• Es cuando la variable de interés consiste en categorías
de valores numéricos principalmente que permiten
diferenciar o dimensionar entre cada categoría.
• Hay una unidad de medición común y constante.
• Poseen un cero natural y lógico.
• De igual forma permite el conteo y podrá ordenar y
graficar.
• Ejemplo: escalas de peso y longitud, etc
17
POR QUE SON IMPORTANTES???
• Porque indican los cálculos y la actividades gráficas que
se pueden realizar con ellos para poder explorar,
organizar, resumir y presentar (pruebas paramétricas).
• Mientras que las pruebas estadísticas en ingeniería
exigen mediciones de escala de intervalo o de razón, las
ciencias de la conducta requieren estadísticas basadas
en escalas de medición nominales y ordinales (pruebas
no paramétricas).
18
1.4 POBLACIONES Y MUETREO ESTADISTICO
Población
• Es el conjunto de elementos que poseen una
característica común que se estudia.
• Es el conjunto de todos los elementos de interés
en determinado estudio.
• La cantidad de elementos en una población es
finitamente grande (se conoce su cantidad total de
elementos) o infinitamente tan grande (no se
conoce la cantidad de elementos que la compone).
• Ejemplos ??
19
Población Homogéneas
• Son las poblaciones donde los elementos que la componen
poseen características comunes o iguales.
Población Heterogéneas
Son las poblaciones donde los elementos que la componen
poseen características diferentes.
En estadística, la idea es que las características puedan
diferenciarse fácilmente unas de otras.
20
MUESTREO
• El proceso de muestreo es el que permite
obtener información de una población
obteniendo una cantidad pequeña de datos de
esa población de forma que se tomen como
representativos de dicha población.
• La muestra tomada se hace prestando interés a
los atributos que se desean estudiar y que
determinan la variable de interés
21
1.6-FRECUENCIA DE DATOS
CONSTRUCCION DE CUADROS O MATRICES DE DATOS Y
DISTRIBUCION DE FRECUENCIAS
• El proceso de muestreo es el que permite obtener
información de una población obteniendo los datos deben
registrarse conforme se van dando en formatos previamente
diseñados según la variable a la que se le requiere medir y
controlar su grado de variación.
• Posteriormente dicha información debe montarse en tablas o
cuadros también previamente diseñadas, iniciando el proceso
de descripción de datos para generar información relevante
sobre la variabilidad de estudio.
• Como primer análisis de los datos esta la frecuencia que es la
cantidad de veces que se repite un determinado valor de una
variable 22
MERMA DE ROLLOS DE PAPEL HIGIENICO
FRECUENCIA ABSOLUTA Y RELATIVA Fecha Kg Fecha Kg
•Frecuencia Absoluta (FA): es el dato numérico 01-jun 6 26-jun 22
02-jun 10 27-jun 8
contabilizado de la variable de interés. 03-jun 9 28-jun 11
•Frecuencia Relativa (FR): es el cociente de 04-jun 3 29-jun 14
05-jun 4 30-jun 10
dividir la frecuencia absoluta entre el total de 06-jun 18 01-jul 20
07-jun 12 02-jul 6
datos disponibles en términos porcentuales. 08-jun 2 03-jul 15
•Importante explorar los datos y determinar el 09-jun
10-jun
16
15
04-jul
05-jul
17
10
dato máximo y mínimo de la variable de interés 11-jun 6 06-jul 9
12-jun 8 07-jul 10
13-jun 12 08-jul 9
Ejemplo: 14-jun 22 09-jul 8
Seguido se muestra la cantidad de desecho o merma 15-jun 4 10-jul 7
16-jun 8 11-jul 11
generado diariamente en Kg en la producción de 17-jun 7 12-jul 12
rollos de papel higiénico durante 50 días por manejo 18-jun 23 13-jul 7
19-jun 8 14-jul 4
del producto. 20-jun 5 15-jul 18
21-jun 7 16-jul 3
22-jun 5 17-jul 19
-Variable de interés: -Kg de merma 23-jun 6 18-jul 14
24-jun 13 19-jul 4
-Dato máximo y dato mínimo -son 23 y 2 25-jun 7 20-jul 23
16
Fecha Kg Fecha Kg
01-jun 6 26-jun 22
02-jun 10 27-jun 8
03-jun 9 28-jun 11
04-jun 3 29-jun 14
05-jun 4 30-jun 10
06-jun 18 01-jul 20
07-jun 12 02-jul 6
08-jun 2 03-jul 15
09-jun 16 04-jul 17
10-jun 15 05-jul 10
11-jun 6 06-jul 9
12-jun 8 07-jul 10
13-jun 12 08-jul 9
14-jun 22 09-jul 8
15-jun 4 10-jul 7
16-jun 8 11-jul 11
17-jun 7 12-jul 12
18-jun 23 13-jul 7
19-jun 8 14-jul 4
20-jun 5 15-jul 18
21-jun 7 16-jul 3
22-jun 5 17-jul 19
23-jun 6 18-jul 14
24-jun 13 19-jul 4
25-jun 7 20-jul 16
24
MATRIZ DE FRECUENCIAS ABSOLUTA Y RELATIVA DE MERMA DIARIA
Dato Km Cantidad Frec. Dato Km Cantidad Frec.
Merma Veces- Frec. Relativa Merma Veces- Frec. Relativa (FR)
Abs (FA) (FR) Abs (FA)
2 1 0,02 14 2 0,04
3 2 0,04 15 2 0,04
4 4 0,08 16 2 0,04
5 2 0,04 17 1 0,02
6 4 0,08 18 2 0,04
7 5 0,1 19 1 0,02
8 5 0,1 20 1 0,02
9 3 0,06 21 0 0
10 4 0,08 22 2 0,04
11 2 0,04 23 1 0,02
12 3 0,06 Total Gral 50 1
13 1 0,02
25
FRECUENCIA ACUMULADA – Absoluta y Relativa
– Se acostumbra usar la Frecuencia Acumulada pues permite ver
como se concentra los datos o sea donde prestar atención pues
son donde están la mayoría de los casos donde es mas fácil e
importante tomar decisiones.
– Frecuencia Absoluta Acumulada: es la suma frecuencia
absoluta del renglón con la frecuencia acumulada absoluta del
renglón anterior.
– Frecuencia Relativa Acumulada: es la suma frecuencia relativa
del renglón con la frecuencia acumulada relativa del renglón
anterior (también es puede calcular dividiendo la frecuencia
acumulada absoluta entre el total de la frecuencia absoluta).
Las frecuencias acumuladas no se totalizan pues el último dato de
una columna de frecuencia acumulada es el total
26
Dato Km Cantidad Frec. Frec. Abs. Frec. Rel. MERMA DE ROLLOS DE PAPEL HIGIENICO
Merma Veces- Frec. Relativa Acum Acum. Fecha Kg Fecha Kg
Abs (FA) (FR) (FAA) (FRA)
2 1 2,0% 1 2,0% 01-jun 6 26-jun 22
02-jun 10 27-jun 8
3 2 4,0% 3 6,0%
03-jun 9 28-jun 11
4 4 8,0% 7 14,0%
04-jun 3 29-jun 14
5 2 4,0% 9 18,0% 05-jun 4 30-jun 10
6 4 8,0% 13 26,0% 06-jun 18 01-jul 20
7 5 10,0% 18 36,0% 07-jun 12 02-jul 6
8 5 10,0% 23 46,0% 08-jun 2 03-jul 15
9 3 6,0% 26 52,0% 09-jun 16 04-jul 17
10 4 8,0% 30 60,0% 10-jun 15 05-jul 10
11-jun 6 06-jul 9
11 2 4,0% 32 64,0%
12-jun 8 07-jul 10
12 3 6,0% 35 70,0% 13-jun 12 08-jul 9
13 1 2,0% 36 72,0% 14-jun 22 09-jul 8
14 2 4,0% 38 76,0% 15-jun 4 10-jul 7
15 2 4,0% 40 80,0% 16-jun 8 11-jul 11
16 2 4,0% 42 84,0% 17-jun 7 12-jul 12
17 1 2,0% 43 86,0% 18-jun 23 13-jul 7
19-jun 8 14-jul 4
18 2 4,0% 45 90,0%
20-jun 5 15-jul 18
19 1 2,0% 46 92,0%
21-jun 7 16-jul 3
20 1 2,0% 47 94,0% 22-jun 5 17-jul 19
21 0 0,0% 47 94,0% 23-jun 6 18-jul 14
22 2 4,0% 49 98,0% 24-jun 13 19-jul 4
23 1 2,0% 50 100,0% 25-jun 7 20-jul 16
Total Gral 50 100,0% 27
MATRIZ DE FRECUENCIAS ABSOLUTA Y RELATIVA DE MERMA DIARIA
Dato Km Cantidad Frec. Frec. Abs. Frec. Rel. Dato Km Cantidad Frec. Frec. Abs. Frec. Rel.
Merma Veces- Frec. Relativa Acum Acum. Merma Veces- Frec. Relativa Acum Acum.
Abs (FA) (FR) (FAA) (FRA) Abs (FA) (FR) (FAA) (FRA)
2 1 0,02 1 0,02 14 2 0,04 38 0,76
3 2 0,04 3 0,06 15 2 0,04 40 0,8
4 4 0,08 7 0,14 16 2 0,04 42 0,84
5 2 0,04 9 0,18 17 1 0,02 43 0,86
6 4 0,08 13 0,26 18 2 0,04 45 0,9
7 5 0,1 18 0,36 19 1 0,02 46 0,92
8 5 0,1 23 0,46 20 1 0,02 47 0,94
9 3 0,06 26 0,52 21 0 0 47 0,94
10 4 0,08 30 0,6 22 2 0,04 49 0,98
11 2 0,04 32 0,64 23 1 0,02 50 1
12 3 0,06 35 0,7 Total Gral 50 1
13 1 0,02 36 0,72
28
1.6-FRECUENCIA DE AGRUPACION DE DATOS
AGRUPACION DE DATOS – CUADROS O MATRICES Y

DISTRIBUCION FRECUENCIAS
• La agrupación de los datos se hace para facilitar el
análisis estadístico sobre todo cuando la cantidad
de datos de una muestra es muy grande.
• Permite ver la concentración de los datos en
varios grupos o rangos de valor. También
llamados intervalos de clases.
• .
29
AGRUPACION DE DATOS – CUADROS O MATRICES Y

DISTRIBUCION FRECUENCIAS
• La agrupación de datos se hace definiendo rangos de
valores que no necesariamente son del mismo tamaño
(amplitud del rango) y/o la cantidad de intervalos de clase
o rangos a manejar.
• Para establecer la cantidad de rangos o intervalos a
agrupar se hace basado en la experiencia del analista que
busca determinar una cantidad de grupos o rangos más
fácil de manejar. Es común que estos sean de 5 a 10
grupos.
30
CANTIDAD DE GRUPOS O RANGOS

• Sin embargo para grandes cantidades de datos se pueden usar las
siguientes fórmulas:
-Para la Cantidad o Número de clases o rangos agrupados:
2ᴷ = n
Donde K es el numero o cantidad de clases y “n” el total de
datos (muestra) de la variables de interés.
- Por la Regla de Sturges:
K= 1 + 3,322 log n
K y n igual igual que en la anterior
PARA LA AMPLITUD O TAMANO DE GRUPO O CLASE O RANGO
Tamaño grupo = (dato mayor – dato menor)/K
31
AGRUPACION DE DATOS – CUADROS O MATRICES Y DISTRIBUCION

FRECUENCIAS
CUADRO O MATRIZ DE DATOS AGRUPADOS
– De igual forma que sin agrupar, se aplica el mismo análisis de datos
basados en la frecuencia absoluta y relativa solo que aplicado a los
grupos creados de forma que se hace el conteo de la cantidad de datos
que caen en un grupo o rango de datos especifico.
– Ejemplo: usando el mismo ejemple de la merma de higienico para
agrupar datos:
• Por Sturges: K= 1+3,322*log(50)=1+3,322*1,699=6,64
• 2ᴷ=n = 50 o sea 25=32 o 26=64 se escoge cualquiera, usaremos k=5,
pero pudo usarse cualquiera.
Luego para tamano de grupo=(maximo-minimo)/K=(23-2)/5=4.2 y se
tomara 4
32
Fecha Kg Fecha Kg
01-jun 6 26-jun 22
02-jun 10 27-jun 8
03-jun 9 28-jun 11
04-jun 3 29-jun 14
05-jun 4 30-jun 10
06-jun 18 01-jul 20
07-jun 12 02-jul 6
08-jun 2 03-jul 15
09-jun 16 04-jul 17
10-jun 15 05-jul 10
11-jun 6 06-jul 9
12-jun 8 07-jul 10
13-jun 12 08-jul 9
14-jun 22 09-jul 8
15-jun 4 10-jul 7
16-jun 8 11-jul 11
17-jun 7 12-jul 12
18-jun 23 13-jul 7
19-jun 8 14-jul 4
20-jun 5 15-jul 18
21-jun 7 16-jul 3
22-jun 5 17-jul 19
23-jun 6 18-jul 14
24-jun 13 19-jul 4
25-jun 7 20-jul 16
33
TABLA FRECUENCIAS AGRUPADA
Grupos FA FR FAA FRA

2a6 13 26% 13 26%
7 a 11 19 38% 32 64%
12 a 16 10 20% 42 84%
17 a 21 5 10% 47 94%
22 a 26 3 6% 50 100%
Totales 50 100%
34
Ejemplo de agrupación de datos:

Seguido datos de una muestra de una encuesta sobre el nivel
de servicio en general de la clínica de salud de una población.
Variable FA FR FAA FRA Contento Contento Muy contento
Muy contento Descontento Descontento
Contento Muy contento Muy contento
Contento Descontento Muy contento
Descontento Muy contento Muy descontento
Descontento Muy contento Descontento
Muy contento Contento Descontento
Contento Contento Contento
Contento Contento Contento
Contento Muy contento Muy descontento
35
AGRUPACION DE DATOS – MATRICES Y DISTRIBUCION FRECUENCIAS

MATRIZ DE DATOS AGRUPADOS
Variable FA FR FAA FRA
Muy Contento 9 30% 9 30%

Contento 12 40% 21 70%
Descontento 7 23% 28 93%
Muy descontento 2 7% 30 100%
TOTALES 30 100%
36
FRECUENCIA ACUMULADA – Absoluta y Relativa

Las tablas de frecuencias tambien pueden hacer del mayor al menor
Variable FA FR FAA FRA
Muy descontento 2 7% 2 7%
Descontento 7 23% 9 30%
Contento 12 40% 21 70%
Muy contento 9 30% 30 100%
TOTALES 30 100%
Importante que siempre el ultimo renglón o grupo de datos siempre debe dar el 100%
en frecuencia relativa acumulada o el total de datos en términos absolutos
37
Ejemplo de agrupación de datos:

Seguido datos de una muestra de una encuesta sobre la calificación
dada al personal de la central telefónica de un banco. Complete la
tabla de frecuencias de esa calificación dada
38
1.7- PRESENTACION GRAFICA DE LA
INFORMACION
CONSTRUCCION DE GRAFICOS Y DIAGRAMAS
ESTADISTICOS BASICOS DE LOS DATOS
• Los gráficos y diagramas son una herramienta que
permiten hacer un análisis visual de los datos procesados
conjuntamente en una figura bidimensional que permite
generar información importante para la toma de
decisiones, según el tipo de gráfico que se emplea.
• Se pueden hacer a mano pero la gran variedad de
opciones de graficar dificulta su construcción por lo que
el uso de excel facilita esto.
39
INFORMACION
GRAFICO DE LINEAS
• Es una figura que muestra en el eje horizontal a fecha por secuencia y en el
eje vertical los Kg. Consiste en marcar cada par de dato y luego unirlos por
líneas rectas. Sirve para visualizar el comportamiento de los datos , picos
bajos y altos y tendencias. Debe haber una secuencia lógica para usar estos
datos
40
INFORMACION
GRAFICO DE DISPERSION
• Es cuando los datos se dan en pares donde un dato depende del
otro o uno es una variable independiente (eje x) y la otra la
dependiente (eje y). En esto no hay una secuencia clara y lógica.
Horas x 80 79 83 84 78 60 82 85 79 84 80 62
Produccion y 300 302 315 330 300 250 300 340 315 330 310 240
41
INFORMACION
DIAGRAMA DE BARRAS
• Es un gráfico para desplegar datos cualitativos y sus frecuencias (también
cuantitativos). Por medio de barras rectangulares muestra
proporcionalmente a su altura o largo la frecuencia de datos específicos
obtenidos (puede ser la absoluta o la relativa). El ancho de las barras de ser
el mismo y deben estar uniformemente espaciadas.
• Se usa solo para datos de frecuencias o frecuencias acumuladas
• Eje el mismo caso de la merma de higiénico.
42
2. DESCRIPCION DE LOS DATOS
DIAGRAMA BARRAS EJEMPLO
Usando el mismo ejemplo de la merma de los rollos de papel higiénico se
decide establecer 6 grupos o rangos de datos de amplitud igual para todas de
3 Kg. Las tablas matrices resultantes serian:
Merma en Rolos Papel Hig
Fecha KG Clases Fecha KG Clases
01-jun 6 05 a 08 26-jun 22 21 o mas
02-jun 10 09 a 12 27-jun 8 05 a 08 Clases Frecuencia Frecuencia Frec. Acum. Frec. Relat.
03-jun 9 09 a 12 28-jun 11 09 a 12
04-jun 3 00 a 04 29-jun 14 13 a 16
Absoluta Relativa Absoluta Acumulada
05-jun 4 00 a 04 30-jun 10 09 a 12 01 a 04 7 14.0% 7 14.0%
06-jun 18 15 a 20 01-jul 20 15 a 20
07-jun 12 09 a 12 02-jul 6 05 a 08 05 a 08 16 32.0% 23 46.0%
08-jun 2 00 a 04 03-jul 15 13 a 16
09-jun 16 13 a 16 04-jul 17 15 a 20 09 a 12 12 24.0% 35 70.0%
10-jun 15 13 a 16 05-jul 10 09 a 12
11-jun 6 05 a 08 06-jul 9 09 a 12 13 a 16 7 14.0% 42 84.0%
12-jun
13-jun
8
12
05 a 08
09 a 12
07-jul
08-jul
10
9
09 a 12
09 a 12
17 a 20 5 10.0% 47 94.0%
14-jun 22 21 o mas 09-jul 8 05 a 08 21 o mas 3 6.0% 50 100.0%
15-jun 4 00 a 04 10-jul 7 05 a 08
16-jun 8 05 a 08 11-jul 11 09 a 12 Total general 50 100.0%
17-jun 7 05 a 08 12-jul 12 09 a 12
18-jun 23 21 o mas 13-jul 7 05 a 08
19-jun 8 05 a 08 14-jul 4 00 a 04
20-jun 5 05 a 08 15-jul 18 15 a 20
21-jun 7 05 a 08 16-jul 3 00 a 04
22-jun 5 05 a 08 17-jul 19 15 a 20
23-jun 6 05 a 08 18-jul 14 13 a 16
24-jun 13 13 a 16 19-jul 4 00 a 04 43
25-jun 7 05 a 08 20-jul 16 13 a 16
2. DESCRIPCION DE LOS DATOS
Grafica Barras para Ejemplo Merma
en Rollos de Papel Higiénico
44
3. MEDIDAS DE POSICION Y DISPERSION
PARA LA TOMA DE DECISIONES
Contenido
a. Medidas para datos acumulados en partes:
Cuantiles
b. Medidas de posición
c. Medidas de dispersión
d. Medidas para los datos agrupados: promedio y
desviación estándar y coeficiente de variación
45
3.1 – MEDIDAS PARA DATOS ACUMULADOS EN PARTES IGUALES
CUANTILES
• Medida de posición que divide un grupo de datos en partes iguales de
acuerdo a su frecuencia acumulada donde permite observar los datos
que delimitan cada parte.
• Los cuantiles más comunes con los cuartiles (en 4 partes) y los
percentiles (en 100 partes). A veces se usan también los quintiles (en 5
partes) y los deciles (en 10 partes):
o Cuartiles: los más usados son el cuartil 1 (1er.Q) y el cuartil 3
(3er.Q) que se ubican en el dato que representa el 25% y el 75%
de la frecuencia acumulada (el 2do.Q es el 50% que es lo mismo
que la mediana). En excel es la fórmula =cuartil.inc(rango, # de
cuartil). El cuartil 2 es la mediana.
46
CUANTILES
o Quintiles: Aquí los quintiles más comunes son el Quintil 3 o sea el
60% y por tanto la cantidad de los datos que están en el 40% .
También el Quintil 4 o sea 80% .
o Deciles: Se menciona aquí entonces como decil 6 que equivale a o
sea el 60%.
o Percentiles: divide y ubica la cantidad de datos en 100 partes y se
menciona entonces como percentil 30, 60 u 80 o sea 30%, 60% y
80% . En excel es la fórmula =percentil.inc(rango, #percentil en
decimales 0.1 a 1)
47
CUANTILES
Ejemplo de manejo de los cuantiles
• Se debe montar un cuadro o matriz de frecuencia de datos
acumulados absoluta y relativa.
• Observando la columna del cuadro de la Frecuencia Acumulada
Relativa, se identifican los porcentajes del cuantil de interés que
finalmente viene dado por dato correspondiente aproximada (si no ve
directo o están agrupados) que representa ese porcentaje.
• Ejemplo: Seguido datos de las visita diarias realizadas durante el
primer semestre del año 2007 a la pagina web de una institución
gubernamental del país. Determine las variables donde se dan el
cuartil 1, cuartil 3, percentil 40 y percentil 80
48
CUANTILES Ejemplo de manejo de los cuantiles
46 31 44 38 38 34 28 61
45 32 45 38 38 33 28 62
45 32 45 38 38 33 28 64
47 30 42 36 39 35 26 52
47 31 43 37 39 35 26 53
46 31 44 37 38 34 27 55
48 30 42 35 40 35 24 52
48 30 42 36 40 35 25 52
47 31 43 37 39 34 27 53
47 31 43 37 38 34 27 54
47 30 42 36 40 35 26 52
49 30 40 35 40 35 22 49
49 30 41 35 40 35 22 50
48 30 41 35 40 35 23 50
45 33 45 38 38 33 29 72
• Se debe determinar la tabla de frecuencias y en este lo que se ocupa la
columna de Frecuencia Acumulada Relativa (FAR)
49
CUANTILES
Ejemplo de manejo de
los cuantiles
Los datos ya están
ordenados y es solo
hacer el conteo de
veces de cada dato
(frecuencia absoluta) y
luego se determina la
frecuencia relativa y
frecuencia acumulada
relativa resultando en la
siguiente tabla
50
Dato Frec. Frec. Frec. Dato Frec. Frec. Frec.
Visitas Absoluta Relativa Acum. Visitas Absoluta Relativa Acum.
diarias Relativa diarias Relativa
22 2 1.67% 1.67% 41 2 1.67% 65.00%
23 1 0.83% 2.50% 42 4 3.33% 68.33% Cuartil 3 = 75%
24 1 0.83% 3.33% 43 3 2.50% 70.83%
O sea el dato para el 75% es
25 1 0.83% 4.17% 44 2 1.67% 72.50%
26 3 2.50% 6.67% 45 6 5.00% 77.50% entre 44 y 45 visitas diarias
27 3 2.50% 9.17% 46 2 1.67% 79.17% pues por ahí ronda la
28 3 2.50% 11.67% 47 5 4.17% 83.33% prevalencia del 75% de los
29 1 0.83% 12.50% 48 3 2.50% 85.83%
datos.
30 7 5.83% 18.33% 49 3 2.50% 88.33%
31 5 4.17% 22.50% 50 2 1.67% 90.00%
32 2 1.67% 24.17% 52 4 3.33% 93.33%
33 4 3.33% 27.50% 53 2 1.67% 95.00%
Cuartil 1 = 25%
34 4 3.33% 30.83% 54 1 0.83% 95.83% O sea el dato para el 25% es
35 12 10.00% 40.83% 55 1 0.83% 96.67% entre 32 y 33 visitas pues por
36 3 2.50% 43.33% 61 1 0.83% 97.50%
37 4 3.33% 46.67% 62 1 0.83% 98.33%
ahí ronda la prevalencia del
38 10 8.33% 55.00% 64 1 0.83% 99.17% 25% de los datos.
39 3 2.50% 57.50% 72 1 0.83% 100.00%
40 7 5.83% 63.33% Total 120 36.67%
51
Dato Frec. Frec. Frec. Dato Frec. Frec. Frec.
Visitas Absoluta Relativa Acum. Visitas Absoluta Relativa Acum.
diarias Relativa diarias Relativa
22 2 1.67% 1.67% 41 2 1.67% 65.00% Percentil 80 = 80%
23 1 0.83% 2.50% 42 4 3.33% 68.33%
27 3 2.50% 9.17% 46 2 1.67% 79.17%
prevalencia del 80% de los
28 3 2.50% 11.67% 47 5 4.17% 83.33%
29 1 0.83% 12.50% 48 3 2.50% 85.83% datos (es igual a decir Quintil
30 7 5.83% 18.33% 49 3 2.50% 88.33% 4 o decil 8).
31 5 4.17% 22.50% 50 2 1.67% 90.00%
32 2 1.67% 24.17% 52 4 3.33% 93.33%
33 4 3.33% 27.50% 53 2 1.67% 95.00% Percentil 40 = 40%
34 4 3.33% 30.83% 54 1 0.83% 95.83%
38 10 8.33% 55.00% 64 1 0.83% 99.17%
39 3 2.50% 57.50% 72 1 0.83% 100.00%
prevalencia del 40% de los
40 7 5.83% 63.33% Total 120 36.67% datos (es igual a decir Quintil
2 o Decil 4). 52
3.2- MEDIDAS DE POSICION O TENDENCIA CENTAL
Son medidas obtenidas de los datos que suelen situarse hacia el
centro de la distribución de los datos.
• Promedio o Media . Es el valor obtenido por la suma de todos
sus valores dividida entre el total de datos.
• Su símbolo es la letra y también se usa µ.

• En excel la fórmula es =promedio (rango)
• Ejemplo: 41-35-34-44-37-32-34-37-39-33
Son 10 datos entonces el promedio es :
= (41+35+34+44+37+32+34+37+39+33)/10 = 366/10 = 36.6 53
• Mediana. Se obtiene luego de ordenar los datos de mayor a menor y es el
dato que se encuentra exactamente a la mitad de los datos. Si la cantidad
de datos analizados es un número par, la mediana es el promedio de los
dos datos que están a la mitad y si es impar es el dato que esta
exactamente a la mitad. En excel se determinar por la formula
=mediana(rango).
• Ejemplo1: 41-35-34-44-37-32-34-37-39-33
Ordenando: 32-33-34-34-35-37-37-39-41-44
Mediana: son 10 datos o sea par y la mitad es entre el dato 5 y dato 6 o
se entre 35 y 37 y seria entones la media de esos dos (35+37)/2= 72/2=
36 es la mediana.
• Ejemplo2: 41-35-34-44-37-32-34-37-39-33-38
Ordenando: 32-33-34-34-35-37-37-38-39-41-44
Mediana: son 11 datos o sea impar y la mitad de es 5.5 o sea el dato 654
es la mitad y en este caso 37 es la mediana
MODA
• Es el dato más repetitivo de la muestra, por lo que para determinarlo debe hacerse
un conteo por cada valor y es el que más datos tiene. Si hubiera más de dos datos
que se repite entonces la moda serian esos números.
• Ejemplo: 41-35-34-44-37-32-34-37-39-33
Contando por cada dato:
32-33-(34-34)-35-(37-37)-39-41-44
Entonces la moda de estos datos son 34 y 37.
• El cuadro o matriz de frecuencias ayuda a determinar la moda de una muestra de
datos (frecuencia absoluta)
• En excel se determiner mediante la formula =moda(rango) y =moda.varios(rango)
55
3.3- MEDIDAS DE DISPERCION
• Muestran el grado de variabilidad de una
distribución, calculado por formulas determinadas
de los datos medidos. Dan si las diferentes
puntuaciones de una variable están muy alejadas o
muy cercanas del promedio.
• Cuanto mayor sea ese valor, mayor será la
variabilidad y los datos serán mas dispersos; cuanto
menor sea, será más homogénea al promedio.
56
• La variabilidad reconoce que los procesos no
producen resultados idénticos todas la veces.
• La variabilidad puede ser causada por fuerzas
causadas en el proceso o fluctuaciones de minuto
en el mismo proceso
57
Rango
• El rango es por así decirlo la longitud de los datos y por tanto
se determina por la diferencia entre el valor máximo menos el
valor mínimo de una muestra de datos:
Rango = Máximo – Mínimo
• En excel se determinan con =min(rango) y =max(rango)
• Ejemplo:
Entonces41-35-34-44-37-32-34-37-39-33
Rango = 44 – 32 = 12
58
Desviación estándar
• La desviación estándar informa sobre la dispersión de
los datos respecto al valor del promedio; cuanto mayor
sea su valor, más dispersos estarán los datos.
• Se puede decir que la desviación estándar es “la
distancia promedio de cada dato con respecto al
promedio”.
• Su símbolo es
la letra S o
también la σ
59
Desviación estándar
• Ejemplo de los mismos datos anteriores:
41-35-34-44-37-32-34-37-39-33
• En excel la fórmula es =desvest(rango)
60
Varianza
• Es un valor en unidades cuadráticas pues mide la dispersión de los
valores respecto a su valor central (el promedio) pero elevado al
cuadrado.
• Los valores cuadritos de las diferencias entre cada punto de los datos y
el promedio se usa para eliminar el efecto de una diferencia negativa,
pues lo que interesa es tomar este concepto más como una distancia
entre cada punto al promedio que como una resta aritmética.
• En excel la fórmula es =var(rango).
• Siguiendo el mismo ejemplo de los datos anterior: S² = (3.81)² = 14.52

61
Coeficiente de Variación (salta)
• A veces resulta difícil usar la desviación estándar como parámetro de
variación cuando se trata de poblaciones de diferentes unidades de
medición por lo que usar el Coeficiente de variación resulta una mejor
medida y se calcula así:
 CV = (S/ )*100 para muestras o
 CV = (σ/µ)*100 para poblaciones

Ejemplo: del mismo ejemplo de la merma de papel higiénico
agrupado calcular el coeficiente de variación.
Como = 36,60 y S=3,81 entonces CV= (3,81/36,6)*100 = 10,41%
62
3.4 – MEDIDAS PARA DATOS AGRUPADOS
Como determiner los valores más importante de posición y dispesión
cuando los datos ya se entregan organizados y ordenados en Tablas
Agrupadas de Frecuencias??
Rango Frec. Frec. Rel. Frec. Abs. Frec. Rel.
Abs. (FR) Acum Acum.
(FA) (FAA) (FRA)
02 a 06 13 0,26 13 0,26
07 a 11 19 0,38 32 0,64
17 a 21 7 0,14 39 0,78
12 a 16 8 0,16 47 0,94
22 a 26 3 0,06 50 1
Total general 50 1,00
63
3.4 – MEDIDAS POSICION Y DISPERSION PARA DATOS AGRUPADOS
Promedio de Datos Agrupados
• Se aproximará la media o promedio de los datos agrupados en cuadros
de matriz de frecuencias por rangos o clases determinando primero el
promedio de cada rango (también llamados marca de clase) o sea :
i. Promedio de cada rango: Xi= (lím. Sup. + lím. Inf.).
2
O también: Promedio rango Xi = (lím. Sup. – lím. Inf.) + Lím. Inf.
2
ii. Se obtiene el promedio utilizando la fórmula:
Donde fᵢ es la frecuencia absoluta de cada rango y Xᵢ es el

promedio de cada rango calculado en el punto anterior
64
• Ejemplo:
Rango Frec. Promedio Promedio
Abs. del grupo Agupado
(FA)
02 a 06 13 4,0 52
07 a 11 19 9,0 171
12 a 16 8 14,0 112
17 a 21 7 19,0 133
22 a 26 3 24,0 72
Total general 50 Suma: 540
Promedio: 10,80
65
• Ejemplo:
Rango Frec. Promedio Promedio
Abs. del grupo Agupado
(FA)
02 a 06 13 4,0 52
07 a 11 19 9,0 171
12 a 16 8 14,0 112
17 a 21 7 19,0 133
22 a 26 3 24,0 72
Total general 50 Suma: 540
Promedio: 10,80
66
Varianza de Datos Agrupados
• Se aproximará la varianza de los datos agrupados en cuadros de matriz
de frecuencias por rangos o clases determinando primero el promedio
de cada rango (también llamados marca de clase) o sea:
Donde fᵢ es la frecuencia absoluta de cada rango y Xᵢ es el

promedio de cada rango o marca de clase calculado en el punto
anterior y es el promedio de los datos agrupados determinado
en el titulo anterior.
67
• Ejemplo:
Rango Frec. Promedio Promedio Diferencia Diferencia Dif. Cuad.
Abs. del grupo Agupado Pr. Grupo - Cuadratica Agrup.
(FA) Promedio
02 a 06 13 4,0 52 -6,80 46,24 601,12
07 a 11 19 9,0 171 -1,80 3,24 61,56
12 a 16 8 14,0 112 3,20 10,24 81,92
17 a 21 7 19,0 133 8,20 67,24 470,68
22 a 26 3 24,0 72 13,20 174,24 522,72
Total general 50 Suma: 540 Suma: 1.215,28
Promedio: 10,80 Varianza: 24,80
Desv. Estandar: 4,98
68
• Solución:
Grupos FA Xi FAi * Xi (Xi - X) (Xi - X)2 FAi (Xi - X)2
2a6 13 4 52 -6,8 46,24 601,12
7 a 11 19 9 171 -1,8 3,24 61,56
12 a 16 8 14 112 3,2 10,24 81,92
17 a 21 7 19 133 8,2 67,24 470,68
22 a 26 3 24 72 13,2 174,24 522,72
Total 50 Suma 540 Suma 1738,00
Promedio 10,8 Varianza 35,47
Desv. Esta 5,96
CV 55,14%
69
Comparación contra los resultados calculados de los dato individuales:
Fecha KG Fecha KG Fecha KG
01-Jun 6 17-Jun 7 03-JulDatos
15 Agrupados:
02-Jun 10 18-Jun 23 04-Jul 17
03-Jun 9 19-Jun 8 05-Jul 10
04-Jun 3 20-Jun 5 06-Jul 9
05-Jun 4 21-Jun 7 07-Jul 10
06-Jun 18 22-Jun 5 08-Jul 9
07-Jun 12 23-Jun 6 09-Jul 8
08-Jun 2 24-Jun 13 10-Jul 7
09-Jun 16 25-Jun 7 11-Jul 11
10-Jun 15 26-Jun 22 12-Jul 12
11-Jun 6 27-Jun 8 13-Jul 7
12-Jun 8 28-Jun 11 14-Jul 4
13-Jun 12 29-Jun 14 15-Jul 18
14-Jun 22 30-Jun 10 16-Jul 3
15-Jun 4 01-Jul 20 17-Jul 19
16-Jun 8 02-Jul 6 18-Jul 14
19-Jul 4
Datos individuales: 20-Jul 16
Promedio: 10,40
Varianza: 30,04
Desv. Estandar: 5,48 70
4. PROBABILIDAD
Conceptos Generales-Importancia-Uso
Habitualmente hemos oído frases como:
• Irá a llover el día de hoy?
• Se espera que la inflación no alcance el 3%.
• Un partido político espera obtener al menos 40% mas de
diputados en las próximas elecciones nacionales.
• Es posible que la tasa de desempleo alcance más del 28% a
fin de año.
• Se espera que nuestra selección nacional clasifique al
mundial
• Tengo que ganarme la lotería del Gordo Navideño de este
año.
71
4. PROBABILIDAD
• Aquí hay un interés por algo y una incertidumbre sobre el
resultado que ese algo puede tener y el cual no puede
predecirse con exactitud.
• Lo vemos en la vida diaria de cada persona pero en los
negocios, en la industria, en el gobierno toman importantes
decisiones mediante razonamientos similares.
• En la empresas de seguros, estas compañías se basan la
probabilidad de ocurrencia de una accidente automovilístico o
de robo para determinar los costos de los seguros y los
deducibles.
72
4. PROBABILIDAD
• La definición de probabilidad surge debido al deseo del ser
humano por conocer con certeza los eventos que sucederán
en el futuro.
• La probabilidad es una ciencia o herramienta importante para
determinar las diversas posibilidades de que ocurra un evento
deseado dada las diversas circunstancias en que se desarrolla
• Una posibilidad es un resultado favorable del evento deseado
y pueden haber tantos resultados favorables que den con el
evento deseable como indeseables que no resultaran en el
evento deseado.
73
4. PROBABILIDAD
• La medición de lo posible es un escenario que se da como un
valor de fracción o un número entre 0 y 1 (incluidos el 0 y el
1).
• A este valor se le denomina probabilidad.
• La problemática aquí es como hacer para poder conocer ese
valor posible o sea como saber la probabilidad de un evento
para poder tomar una decisión sobre un evento.
• El ser humano algunas veces se siente seguro de como va a
suceder un evento de interés y alrededor de eso toma sus
decisiones.
• Otras veces no se siente muy seguro pero debido al grado de
interés sobre el evento lo obliga a buscar como dar con ese
valor posible 74
4. PROBABILIDAD
Considere las siguientes situaciones o eventos de interés y asígneles el
posible valor de ocurrencia de acuerdo a esta escala de valores entre 0 y
1 (0 es imposible que suceda y 1 es seguro que suceda):
100%
50%
??
??
40%
50%
??
??
??
75
4. PROBABILIDAD
• Qué criterio empleo para estimar ese valor de probabilidad?
• Hay tres formas en que una persona estima valores de
probabilidad
1. Criterio teórico que es basado en aspectos de simetría o
proporción sobre los eventos de interés
2. Criterio Empírico que se basa en recurrir a información
confiable proveniente de encuestas, trabajos de
investigación o datos recolectados a través del tiempo
3. Criterios subjetivos que recurrir a las creencias o
percepciones del asunto de interés
76
4. PROBABILIDAD
• Marque con una X en la casilla correspondiente al criterio que
usted empleo para estimar un valor de probabilidad a los
eventos o situaciones anteriores:
77
4. PROBABILIDAD
Los eventos pueden ser:
o Evento cierto. Si se realiza siempre. Ejemplo: Al
introducirnos en el mar, en condiciones normales, es
seguro que nos mojaremos.
o Evento imposible. Si nunca se realiza. Ejemplo: Al lanzar
un dado una sola vez, es imposible que salga un 10.
o Evento aleatorio o probable. Si no se puede precisar de
antemano el resultado. Ejemplos:
• Al introducirnos al mar, nos hundiremos completamente si
avanzamos 5 metros?
• ¿Al lanzar un dado, saldrá el número 3?
78
4. PROBABILIDAD
Experimento aleatorio.
• Es el proceso de observar un fenómeno cuyos posibles
resultados son inciertos pero se sabe de antemano todos los
posibles resultados del experimento.
• Un experimento puede repetirse en condiciones idénticas un
sinnúmero de veces.
• Proceso basado en criterios teóricos y/o empíricos Ejemplos:
lanzamiento de una moneda, la lotería, llenado de botella
refresco, etc.
Resultado deseable:
Serie resultados que se desean alcanzar de una situación o
evento.
Resultado no deseado:
Serie de resultados de una situación cuyos resultados no son los
deseados. Es lo contrario al evento deseado. 79
4. PROBABILIDAD
Espacio muestral y Evento Deseado.
• Se define como el conjunto de todos los resultados posibles que se
pueden obtener al realizar las acciones para dar con el evento deseado
(S). Ejemplo:
a) Experimento: LANZAR UNA MONEDA UNA VEZ Y QUE SALGA CRUZ
b) Experimento: LANZAR DOS MONEDAS UNA VEZ Y QUE SALGA CARA UNA
VEZ
c) Experimento: LANZAR LA MONEDA DOS VECES Y QUE SALGA CARA AL

MENOS UNA VEZ
80
4. PROBABILIDAD
• Defina los espacios muestrales y los posibles eventos o
sucesos deseados:
– El Lanzamiento de tres monedas al aire :
• Obtener dos coronas
• Obtener al menos dos escudos
– El Lanzamiento de dos dados al aire:
• Obtener un tres
• Obtener al menos un cinco.
– Un juego de naipes completo
• Obtener una carta con diamante
• Obtener una carta con ocho
• Obtener una carta con un numero tres o menos
81
4. PROBABILIDAD
82
4. PROBABILIDAD
• La medición de los valores de probabilidad: de un evento aleatorio
se da como un valor entre 0 y 1 lo que se puede representar como
un porcentaje (donde 0 es evento imposible y 1 es evento seguro).
La representación de este valor como porcentaje (%) es la más
empleada
• Se escribe la siguiente formula usada para calcular la probabilidad
de ocurrencia de un evento deseado que llamaremos evento A
• Para determinar el numero total de posibles resultados se puede

usar la formula (hay otras) : n(s)=nᴷ
donde n(s) es la cantidad total de resultados posibles , n=resultados
que se pueden dar (escenario) y K es la cantidad de veces que se hace
el experimento
83
4. PROBABILIDAD
• Ejemplos de desarrollo y cálculo de probabilidades:
• Determine las probabilidades de los ejemplos de la
diapositiva trasanterior
• Cuál es la probabilidad de que salga un número par en el
lanzamiento de un dado?. En terminología de probabilidad
se escribe:
 Espacio muestral S = 1, 2, 3, 4, 5, 6 o sea n(S)=6
 Evento deseado A = sale número par = 2, 4, 6 o sea
n(A)= 3
 Entonces P(A) = n(A)/n(S) = 3/6 = 0.5
84
4. PROBABILIDAD
85
4. PROBABILIDAD
Axiomas y Teoremas
4.2- Regla de la Suma de Probabilidades
Considere el siguiente ejemplo:
– Se tienen 10 pacientes en un hospital que presentan varios síntomas que
se están investigando y determinar que tienen y como curarlos: 2
pacientes tienen Fiebre, otros 3 pacientes tienen Fiebre y Comezón, 4
pacientes más que tienen Comezón y un paciente que no nuestra ningún
síntoma de estos.
– Se selecciona aleatoriamente un paciente: qué probabilidad hay que el
paciente tenga solamente Fiebre o solamente Comezón?
– Solución (ver diapositiva siguiente usando Diagramas de Venn):
• Resultados que se pueden dar: F, C o sin síntoma.
• Espacio muestral: S={F, F, FC, FC, FC, C, C, C, C, sin}
• Se asigna la probabilidad a cada resultado: P=1/10 (porque son 10
elementos y cada uno tiene la misma probabilidad de ser elegido)
• Se determina la probabilidad del evento deseado: P(F o C) = P(F) +
P(C)= 2/10 + 4/10 = 6/10 86
4. PROBABILIDAD
Axiomas y Teoremas
Usando Diagramas de Venn para resolver este problema:
S
FC
FC
FC C
F C
F C
C
Otra forma de interpretar esta evento es decir que es

unir el el evento de P(F) con el de P(C) que se escribe
así: P(F o C) = P( F U C) = P(F) + P(C) 87
4. PROBABILIDAD
Axiomas y Teoremas
Se define la Regla de la Suma de las Probabilidades:
P(A U B) = P(A) + P(B) – P(A ⋂ B)
Si A y B no tienen elementos iguales o sea son disjuntos
entonces P(A ⋂ B) = 0 y por tanto la formula queda
P(A U B) = P(A) + P(B)
Más generalizada:
P(A U B U C U…..N) = P(A) + P(B) + P(C) + …… + P(N)

Siempre y cuando los eventos A, B, C, …. N sean disjuntos (no
tiene elementos en común
88
4. PROBABILIDAD
Axiomas y Teoremas
EJEMPLOS
1. Considere el lanzamiento de un dado una sola vez.
Calcule la probabilidad de:
a) Salga un número par o un número impar
b) Salga un numero par y un número impar
c) Salga un número primo
d) Salga un número par o un número primo
89
2.-En un momento dado, en una clase de un curso
de estética hay 10 alumnas con pelo claro y 18
con pelo oscuro. La clase la completan 15
hombres de los cuales una tercera parte son de
pelo claro. Si se escoge un estudiante al azar:
a.Encontrar la probabilidad que el estudiante
sea hombre.
b.Encontrar la probabilidad que sea una persona
con pelo de color oscuro
c. Encontrar la probabilidad que sea un alumno
hombre o mujer.
d.Encontrar la probabilidad de que sea una
mujer o una persona de pelo claro 90
91
4. PROBABILIDAD
Axiomas y Teoremas
EJEMPLOS
1. En una escuela de idiomas hay 81
estudiantes. Se sabe que 65 estudian
ingles, 43 francés y 12 mandarín.
Además se sabe que 30 estudian
ingles y francés, 7 ingles y mandarín, 7
en francés y mandarín y finalmente 5
estudian los tres idiomas. Si se escoge
un estudiante al azar, cuál es
probabilidad de que estudie:
a) Mandarín solamente
b) Ingles y fránces solamente
92
4. PROBABILIDAD
Axiomas y Teoremas
4.3 Principios del Conteo y la Probabilidad de Sucesos Compuestos
• Se tiene una ruleta de 4 posiciones (verde, roja y azul, negra), una
moneda y un dado que son sucesos independientes entre si.
• Determine el espacio muestral de eventos posibles actuando
como sucesos o eventos compuestos de por ejemplo:
a) Girar la ruleta y luego tirar la moneda.
b) Tirar la moneda y luego el dado.
c) Girar ruleta, luego tirar la moneda y finalmente tirar el dado.
93
4. PROBABILIDAD
Axiomas y Teoremas
Como se puede observar por el método del
árbol de probabilidad resulta impractico al
menos estimar el espacio muestral o la
cantidad de eventos posibles totales de un
suceso compuesto según el grado de
complicación que este tenga o mas bien gama
de probabilidades que implica
Sin embargo observando estos resultados se

puede concluir que el Principio Fundamental de
Conteo de Resultados posibles:
S = n₁ * n₂ * n₃ * ….. * nκ
Donde n son los resultados de cada suceso
independiente entre si y κ el numero total de
sucesos
94
4. PROBABILIDAD
Axiomas y Teoremas
Encontrar el número de resultados del espacio
muestral de:
• Lanzar cuatro dados.
Resultado (n): 6 , Veces (k): 4 entonces : n(s)= nᴷ=6⁴= 1,296
• Girar una ruleta de 5 secciones iguales, luego

tirar un dado y finalmente tirar una moneda.
S=n(ruleta)*n(dado)*n(moneda)=5*6*2=60
• Lanzar una moneda 7 veces.

Resultado (n):2 , veces (k):7, entonces : n(s)= nᴷ=2⁷= 128
95
4. PROBABILIDAD
Axiomas y Teoremas
La Regla de la Multiplicación de la Probabilidad de Sucesos
Compuestos
• La probabilidad de que N eventos independientes
cualesquiera ocurran sucesiva o simultáneamente esta dada
por la formula:
P(A, B, C, …, N)=P(A y B y C y …. y N)=P(A)*P(B)*P(C)*….*P(N)
Del ejemplo de sucesos
compuestos ruleta y
moneda se observa la
aplicación de este regla
96
4. PROBABILIDAD
Axiomas y Teoremas
Ejemplos Regla de Multiplicación
Encontrar el numero de resultados del espacio muestral y determine las probabilidades de
cada suceso del experimento compuesto de:
1. Del ejemplo de lanzar dos monedas:
a) determinar la probabilidad de obtener dos resultados diferentes si se tiran las dos
monedas una sola vez.
b) determinar la probabilidad de obtener esos mismos resultados diferentes en forma
seguida si se tiran las dos monedas primero una vez y luego otra vez.
2. Del ejemplo de lanzar dos dados:
a) determinar la probabilidad de obtener la pareja 4 y 5 si los dos dados se tiran una
sola vez y
b) determinar la probabilidad de obtener esos mismos resultados si los dos dados se
tiran primero una vez y luego otra vez.
3. Del ejemplo de girar la ruleta de 4 secciones iguales (v,r,a,n), tirar una moneda y tirar un
dado:
a) determinar la probabilidad de obtener rojo-corona-3 si estos se tiran una sola vez y
b) determinar la probabilidad de obtener esos mismos resultados si estos se tiran
primero una vez y luego otra vez
97
4. PROBABILIDAD
Axiomas y Teoremas
Ejemplos Regla de Multiplicación
Respuestas:
1-) S = { CC, CE, EC, EE} con valor de probabilidad de cada evento P=1/4 y Evento Deseado:
E={CE, EC} entonces :
a)P(resultados diferentes 1vez)= P(CE) o P(EC)= P(CE) + P(EC)= ¼ + ¼ = ½ .
b)P(resultados diferentes 2veces)= P(result.difer. 1vez) y P(result.difer. 1vez)=
P(resultados diferentes 2veces)= P(result.difer. 1vez) x P(result.difer. 1vez)= ½ x ½= ¼
2-) S: 36 resultados totales con valor de probabilidad de cada evento P=1/36 y evento
deseado E={45, 54} entonces:
c) P(4 y 5-1vez)= P(45) o P(54)= P(45) + P(54) = 1/36 + 1/36 = 2/36
d)P(4 y 5-2veces)= P(4 y 5 1vez) y P(4 y 5 1vez)= P(4 y 5 1vez) x P(4 y 5 1vez)= 2/36 x 2/36=
P(4 y 5-2veces)= 4/1.296
3-) S: 48 resultados totales con varlos de probabilidad de cada evento P=1/48 y evento
deseado E={Rojo-Corona-3} entonces:
e)P(RC3-1 vez)= 1/48
f) P(RC3-2veces)= P(RC3 1 vez) y P(RC3 1 vez)= P(RC3 1 vez) x P(RC3 1 vez)= 1/48 x 1/48=
P(RC3-2veces)= 1/2.304
98
4. PROBABILIDAD
Probabilidad Condicional
PROBABILIDAD CONDICIONAL (dependencia sencilla)
• Es la probabilidad de que ocurra un evento dado que ya
ocurrió otro evento. Aquí hay dependencia porque se plantea
de forma que la ocurrencia del primer evento influye en los
posibles resultados que de puede tener el segundo evento.
• Para interpretarla considere el ejemplo que se tiran dos dados
uno amarillo y otro verde. Se busca la probabilidad de los
números sumados de los dados tirados que den 8 o más:
 Cuáles serian los resultados si los dado se tiran de una sola
vez y luego,
 cuales serian los resultados si suponemos que primero se
tira el dado amarillo y sale 5?
99
4. PROBABILIDAD
100
4. PROBABILIDAD
101
4. PROBABILIDAD
Ejemplo:
En un momento dado, en una clase de un curso de estética
hay 8 alumnas con pelo rubio, 10 con pelo oscuro y 3 pelo
pelirrojo. La clase la completan 10 hombres de los cuales la
mitad son de pelo rubio y el resto de pelo oscuro. Si se escoge
un estudiante al azar:
a. Encontrar la probabilidad que sea un alumno mujer o una
persona con pelo color rubio
b. Ahora considere que en un momento dado en la clase
solo habían llegado todas las mujeres (los hombres aun
no), cual es la probabilidad de que la estudiante tengo
pelo color pelirrojo?
102
4. PROBABILIDAD
PROBABILIDAD CONDICIONAL (dependencia compuesta)
• Es la probabilidad de que dos eventos dependientes entres si
ocurran en forma sucesiva o simultanea.
• Esta dada por la regla de la multiplicación de dos eventos
dependientes y también se define como la probabilidad
conjunta de sucesos dependientes:
103
4. PROBABILIDAD
Teorema de Bayes
TEOREMA DE BAYES
• Es un método para calcular situaciones de varias
probabilidades condicionales.
• Versión Sencilla:
104
4. PROBABILIDAD
Teorema de Bayes
TEOREMA DE BAYES
• Es un método para calcular situaciones de varias
probabilidades condicionales.
• Versión dos eventos:
105
4. PROBABILIDAD
Teorema de Bayes
TEOREMA DE BAYES
• Ejemplo 1
• Entre las mujeres de 40 años que se hacen un examen
mamario en un laboratorio especifico, el 1% llega a tener
cáncer. Se sabe que el 80% de las mujeres con cáncer dio
positivo en su examen de mama. Sin embargo, el 9.6% de las
mujeres sin cáncer dieron positivo. Juana se hizo el examen
en ese laboratorio y dio positivo. Qué probabilidad tiene
Juana de que realmente tenga cáncer y que le recomendaría
hacer?
• Planteamiento
Evento A1: tiene cáncer Evento A2: no tiene cáncer Evento +: examen dio +
106
107
4. PROBABILIDAD
Teorema de Bayes
TEOREMA DE BAYES
• Ejemplo 2
108
4. PROBABILIDAD
Teorema de Bayes
TEOREMA DE BAYES
• Ejemplo:
• Un Doctor dispone de tres equipos electrónicos para realizar
ecosonogramas. El uso que le da a cada equipo es de 25% al
primero, 35% el segundo en y 40% el tercero. Se sabe que los
aparatos tienen probabilidades de error de 1%, 2% y 3%
respectivamente. Un paciente busca el resultado de una ecografía y
observa que tiene un error. Determine la probabilidad de que esa
ecografía provenga del primer aparato.
109
110
4. PROBABILIDAD
Teorema de Bayes
111
4. PROBABILIDAD
Permutaciones y Combinaciones
PERMUTACIONES
Es una técnica de conteo que permite determinar la cantidad
total de sucesos compuestos sencillos que son independientes y
donde el orden posicional es fundamental porque igualmente
cuenta (el orden si hace diferencia).
a) Permutación simple: cuando los n elementos o sucesos que

la componen son de resultados diferentes y no se pueden
repetir los elementos:
nPn = n*(n-1)*(n-2)*(n-3)*….*1 = n! (0!=1)
112
4. PROBABILIDAD
Ejemplo permutación simple
En un sorteo se darán 4 premios distintos a 4 ganadores también
diferentes, para lo cual meten los nombres de los 4 ganadores una
urna y al primero que saquen se le dará el primer premio y así
sucesivamente. Cuantos son los posibles resultados que se pueden
dar?
Esto implica un experimento sin restitución o sea dependientes
entre si y el orden posicional importa pues los premios son
distintos. Determinar el conteo de las distintas formas de
premiación que se puedan dar.
Solución: ₄P ₄= 4! = 4x3x2x1=24
113
4. PROBABILIDAD
b) Permutación con repetición Es cuando alguno de los
elementos o sucesos que la componen son iguales o
repetidos :
donde n₁, n₂, n₃, … , nᵣ son las veces que se repiten de los
elementos que se repiten y donde n₁ + n₂ + n₃ + … + nᵣ <=
n
114
4. PROBABILIDAD
Ejemplo permutación con repetición
i. De cuantas distintas formas se pueden acomodar la seis
primeras letras del alfabeto.
ii. Si sustituye la “f” por la “a”, cual seria su conteo?
iii. Si sustituye la letra “f” por la “a” y la “b” por la “e”?
i. Inicialmente es: (a, b, c, d, e, f) entonces la solución es:

₆P₆ = 6! = 720.
ii. Luego “f” por “a”: (a,b,c,d,e,a) entonces
₆P₆ (₂)= 6!/2! = 720/2 = 360
iii. Finalmente “f” por “a” y “e” por “b” (a,e,c,d,e,a) entonces
₆P₆ (₂, ₂)= 6!/(2!*2!) = 720/4=180 115
4. PROBABILIDAD
c) Permutaciones generalizadas Es el número de formas en
que se pueden distribuir una cantidad de r elementos de
un grupo de n elementos donde r es menor que n y no se
pueden repetir los elementos:
116
4. PROBABILIDAD
Ejemplo:
En un sorteo se darán 2 premios distintos a 4 posibles
candidatos diferentes para lo cual meten los nombres de los
4 candidatos en una urna y al primero que saquen se le
dará el primer premio y así sucesivamente. Cuántos son los
posibles resultados que se pueden dar?
• Esto implica un experimento sin restitución o sea de
resultados dependientes entre si.
• Solución: n=4 candidatos y r= 2 premios
nPr = n!/n-r)! =
₄P₂ = 4!/(4 -2)! = 4!/2! = 12
117
4. PROBABILIDAD
COMBINACIONES
Es el número de formas de seleccionar r objetos de un grupo de
n elementos cuando una diferencia en el orden de los elementos
no establece un arreglo distinto (o sea el orden de los elementos
no hace diferencia en el resultado y no se pueden repetir los
elementos).
La fórmula de combinación es
118
4. PROBABILIDAD
Ejemplo Combinaciones:
• El certamen nacional de inicio de año llamado 90 minutos por
la vida participan los llamados cuatro equipos grandes del país:
Saprissa, Alajuela, Heredia y Cartago. Cuántos juegos se
deberían jugar realmente en dicho certamen?
Solución: ₄C₂ = 4!/[2!(4 -2)!] = 4*3*2*1/[(2*1)*(2*1)] = 6
• Cuántos juegos son los que se juegan en un torneo completo

sea de Verano o Invierno completo sin contar las semifinales y
finales?
Solución: ₁₂C₂= 12!/[2!*(12-2)!]=132/2=66
119
4. PROBABILIDAD
Ejemplos a desarrollar:
a) ¿De cuántas distintas formas pueden estacionarse 7 vehículos
en un estacionamiento donde todos los vehículos caben, el
orden si hace diferencia y un vehículo no se puede repetir .
Tienen que estacionarse los 7 vehículos.
120
4. PROBABILIDAD
b) Se tienen en una bolsa 3 naranjas, 5 peras, 3 manzanas y 6
limones . Si las frutas del mismo tipo son practicamente iguales
o sea no se distinguen entre sí, ¿de cuántas posibles formas
pueden ordenarse?
17 = 3,55687E+14 = 3,5569E+14 = 114 354 240

3 5 3 6 6 120 6 720 3110400
121
4. PROBABILIDAD
c) Calcular la cantidad máxima de grupos tomados de 6 en 6 de un
total de 18 elementos ninguno repetido donde el orden no
hace diferencia?
18 = 6,40237E+15 = 6,4024E+15 = 18 564

6 12 0 0 720 5E+08 1 1 3,4488E+11
122
4. PROBABILIDAD
d) Cuántos números se pueden formar entre todos los numeros 4
mil y los 7 mil, usando solo los números 2, 4 y 6 en las ultimas
tres cifras; en los cuales entran todos los elementos, el orden si
hace diferencia y no se repiten los elementos? Cuantos seria si
solo fueran entre el numero 4.000 y 7.000?
123
5.DISTRIBUCIONES DE PROBABILIDAD
124
Introducción a la Distribución de Probabilidades
– Una distribución de probabilidad indica toda la gama de
valores calculados cada uno en términos de probabilidad
que pueden representarse al llevar a cabo un experimento.
– Es una herramienta fundamental puesto que se puede
diseñar un escenario de acontecimientos futuros
considerando las tendencias actuales de diversos
fenómenos naturales.
– Importante es considerar que el conjunto de posibles
resultados que puede tener un experimento pueden ser
valores cuantitativos como cualitativos
125
• Por lo tanto, todos esos distintos valores que puede tener un
experimento son generados en forma aleatoria y se les
denomina como variables aleatorias , porque puede tomar
diferentes valores al azar. Hay dos tipos de variables
aleatorias:
• Variable Discreta: porque teniendo valores cuantitativos o
cualitativos solo puede tomar números enteros y finitos (0, 1,
2, 3, 4, 5,....,40). En el caso de ser cualitativos, a estos se les
puede asociar en forma lógica un conjunto de números.
Ejemplo: el lanzamiento de dos monedas, donde se puede
asociar a cada resultado a la cantidad de escudos, alumnos
que reprobaron el curso de Probabilidad, etc.
126
• Variable Continua: porque son estrictamente cuantitativos y
pueden tomar valores de números enteros y/o fraccionarios y
hasta alcanzar una cantidad infinita: (5.0, 4.99, 4.98, 5.0, 5.01,
5.0, 4.96). Ejemplos: diámetro en pulgadas de un engranaje,
longitud de cable usado en un circuito eléctrico de carro
127
REGLAS GENERALES DE CUALQUIER FUNCION DE
DISTRIBUCION DE PROBABILIDAD
• Cada uno de los valores de probabilidad asociados
a cada uno de las variables discretas Xi serán
mayores o iguales a cero pero menores a 1 [0 <=
P(Xi) =0]
• La sumatoria de todas la probabilidades asociadas
debe ser siempre igual a 1 o sea ΣP(Xi)=1
128
5.DISTRIBUCIONES DE PROBABILIDAD DE
VARIABLE DISCRETA
DISTRIBUCION DE VARIABLE DISCRETA
• Es generada solo variables cuantitativas o
cualitativas donde al final son solo números
enteros y de cantidad finita o casi infinita
129
VARIABLE DISCRETA
Determine la tabla y el grafico de funciones de probabilidad (o
sea todos lo posibles resultados y la probabilidad de cada uno)
de los siguientes experimentos:
1. El experimento de la lanzar dos moneda al aire y los
resultados de interés es que salga escudo.
2. El lanzamiento de un dado donde el interés es los distintos
resultados que se pueden dar.
3. El experimento de lanzar dos dados, uno verde y otro rojo
donde lo que interesa es la suma de sus resultados
4. Los datos de la merma o desperdicio diaria en 50 días en la
producción de rollos de papel higiénico Grupos
2a6
Cant (FA)
13
7 a 11 19
12 a 16 10
17 a 21 5 130
22 a 26 3
131
VARIABLE DISCRETA
132
VARIABLE DISCRETA
133
VARIABLE DISCRETA
ASIGNACION DE PROBABILIDD AL LANZAMIENTO DE DOS DADOS Y LO QUE LA SUMA DE
ELLOS
134
VARIABLE DISCRETA
MERMA O DESPERDICIO DIARIO EN
PRODUCCCION 50 DIAS DE PAPEL HIGIENICO
Grupos Cant (FA) Lim.Inf Lim.Sup Xi P(X)
2a6 13 2 6 4 0,26
7 a 11 19 7 11 9 0,38
12 a 16 10 12 16 14 0,20
17 a 21 5 17 21 19 0,10
22 a 26 3 22 26 24 0,06
TOTALES 50 1
135
VARIABLE DISCRETA
5.2-DISTRIBUCION DE VARIABLE DISCRETA
• Media o Promedio de una distribución de la variable discreta (μ).
Representa el valor promedio ponderado de los valores de probabilidad que
puede tomar la variable discreta x por su probabilidad asignada.
• Varianza de la variable discreta (σ²). Representa las sumatoria de todas las
medidas de las distancias promedio de la media y cada unos de los valores
de la variable discreta x por su probabilidad correspondiente elevada al
cuadrado
En estos casos, la media o promedio viene a convertirse en lo que se

llama “la esperanza matemática” o más bien el número esperado. 136
VARIABLE DISCRETA
Ejemplo de la media y varianza de cada variable discreta de los
ejemplos anteriores:
137
VARIABLE DISCRETA
Ejemplo de la media y varianza de cada variable discreta de los
ejemplos anteriores:
Grupos Cant (FA) Xi P(X) µ (X - µ) (X - µ)2 P(x)*(X - µ)2
2a6 13 4 0,26 1,04 -6,6 43,56 11,33
7 a 11 19 9 0,38 3,42 -1,6 2,56 0,97
12 a 16 10 14 0,20 2,8 3,4 11,56 2,31
17 a 21 5 19 0,10 1,9 8,4 70,56 7,06
22 a 26 3 24 0,06 1,44 13,4 179,56 10,77
TOTALES 50 1 10,6 Varianza 32,44

Promedio Desv. Estandard 5,70
P(X)
0.40
0.35
0.30
0.25
0.20
0.15
0.10
0.05
0.00
4 9 14 19 24 138
VARIABLE DISCRETA
Ejemplo de la media y desviación estandar de una variable
discreta:
• Según estadísticas de una planta de fabricación de autos,
la probabilidad de que el motor de un auto nuevo de
cierto modelo y marca sufra de algún desperfecto en los
primeros 12 meses de uso es de 2%. Si se prueban tres
automóviles de esta marca y modelo, determine el
número esperado o promedio de autos que no sufrirán
algún desperfecto en los primeros doce meses de uso.
Determinelo por medio de construir la tabla de
distribución de probabilidades y su grafico de esta prueba.
139
140
VARIABLE DISCRETA
141
VARIABLE DISCRETA
Cuadro Distrib.Probab. Calculo Promedio y Varianza Dist. Prob.
X Cant P(X) Promedio Dif a Prom. Varianza
0 1 0,000008 0 -2,94 6,915E-05
1 3 0,001176 0,001176 -1,94 0,0044
2 3 0,057624 0,115248 -0,94 0,0509
3 1 0,941192 2,823576 0,06 0,0034
1,000000 2,94 Varianza 0,0588
Desv. Stand 0,2425
El valor esperado de que un auto de tres revisados no falle en 12 meses

es de 2.94 o sea los tres autos. La desv. standard es 0.243 autos
1,000000 0,941192
0,800000
0,600000
0,400000
0,200000
0,057624
0,000008 0,001176
0,000000
0 1 2 3
142
5.1- DISTRIBUCIONES DE PROBABILIDAD
BINOMIAL
• Antes, el Ensayo de Bernoulli:
– Bernoullí en sus investigaciones definió basadas dos
posibles dos resultados: el suceso A, llamado éxito, o su
contrario llamado fracaso (donde éxito no necesariamente
se refiere a un evento deseable pero si de interés).
– Ejemplos: artículo defectuoso o artículo no defectuoso,
pasa corriente o no pasa corriente, escudo o corona,
Toyota o no Toyota, sí o no, 0 ó 1.
– Por lo tanto, la probabilidad de éxito es p y la probabilidad
de no éxito es q o sea q=1-p (regla de la probabilidad)
– Un ensayo Bernoulli es de variable aleatoria discreta.
143
BINOMIAL
Ahora, un experimento Binomial consiste en una serie de pruebas
repetidas de n ensayos Bernoulli, pero asegurándose que estos siguen
las siguientes condiciones:
i. los n ensayos se realizan bajos las mismas situaciones
(repetibilidad),
ii. el resultado de cada ensayo individual no es afectado o no depende
del resultado de algún otro ensayo (independencia),
iii. la probabilidad de éxito p es la misma siempre en cada ensayo y
por tanto también la probabilidad q de no éxito (consistencia).
Por la tanto, en un experimento binomial (de variable discreta), el
número total de resultados posibles será conforme al principio de
conteo 2ᶯ, y así entonces si:
• n=2 entonces hay 2²=4 resultados (éxito o fallo: ee, ef, fe, ff).
• n=3 entonces hay 2³=8 resultados (éxito o fallo: eee, eef, efe, eff, fee,
144
fef, ffe, fff).
BINOMIAL
Lo complejo de estos experimentos es cuando lo que interesa obtener
en n ensayos, x resultados de éxito sabiendo que p es la probabilidad
de éxito y q la de fracaso. Esto se logró resolver por medio de los
cálculos matemáticos lógicos de los principios fundamentarles de
conteo mediante la fórmula:
145
BINOMIAL
Uso de excel con la Distribucion Binomial
• Existe excel una formula que permite determinar la Función de
Distribución de Probabilidad Binomial pues esto pueden haber
situaciones con tanta cantidad de éxitos como de ensayos que complica
usar la formula de la binomial. La fórmula de excel es:
=DISTR.BINOM.N(num_éxito;ensayos,prob_exito, acumulado)
• donde num_éxitos es x, ensayos es n y prob_éxito es la p. Si se quiere la

probabilidad exacta entonces se pone 0 o en acumulado y si se quiere la
probabilidad acumulada se pone 1 o verdadero y siempre es acumulado
de izquierda a derecha)
146
BINOMIAL
1.- El lanzar una moneda al aire 5 veces donde interesa que salga
escudo, puede tratarse como un experimento binomial ?
• Si, porque se puede definir que si sale escudo es éxito (si le asignamos
1) y si no fracaso (si le asignamos 0) y por tanto p=1/2 y q=1/2.
• Una serie de 5 lanzamientos pueden dar cualquier resultado: pueden
salir 0 escudos o 1 escudo o 2 coronas, o etc…. O sea al final pueden
salir cualquier combinación de solo seis resultados por lo tanto los
valores de la variable discreta serán X = (0,1,2,3,4,5)
2.- Tener 3 bolas rojas y 7 azules en una bolsa y se quiere sacar bolas
rojas en 10 veces reponiendo, puede tratarse como un experimento
binomial ?
• Si, porque se puede definir que si sale bola roja es éxito (y le
asignamos 1) y si no fracaso (y le asignamos 0) y por tanto p=3/10 y
q=7/10.
• La variable aleatoria discreta X puede ser 0 (no salió roja), 1 (salió una
roja),…, o sea cualquier combinación de resultados X=(0,1,2,3,…, 10) 147
BINOMIAL
Ejemplo:
Se tienen 3 bolas rojas y 7 azules en una bolsa y se quieren sacar bolas
rojas en 10 veces reponiendo, determinar:
a) La probabilidad de obtener 0 bolas rojas y exactamente 10 bolas rojas
b) La probabilidad de obtener exactamente 6 bolas rojas
c) La probabilidad de obtener menos de 4 bolas rojas
d) La probabilidad de obtener 6 o más bolas rojas
148
BINOMIAL
149
BINOMIAL
Promedio y Varianza de la Distribución Binomial
• Del mismo ejemplo de las bolas rojas y azules se hace el calculo del
promedio y varianza de acuerdo a las formulas vista para variables
aleatorias discretas
150
BINOMIAL
Promedio y Varianza de la Distribución Binomial
• De los resultados se puede concluir, para mayor facilidad de calculo que:
Media : μ = np
Varianza: σ² = npq
De acuerdo a los datos del ejemplo de las 3 bolas rojas y 7 azules con
rojo éxito y 10 ensayos con P(roja)=0.3.
Media: μ = np = 10 * 0.3 = 3.0
Varianza: σ² = npq = 10 * 0.3 * 0.7 = 2.1
Desv. Estandar: σ = raiz(2.1) = 1.4
151
BINOMIAL
Ejemplo de Distribución Binomial
Sea el caso de una droga con la que se sabe que una dosis de
1g/100 ml dada a ratones experimentales logra la muerte en el
25% de los casos. Aplicando esta dosis a cien ratones se desea
saber cual es la probabilidad de que mueran veinte de ellos.
• Corroborando:
– Éxito: muerte de ratones, Fracaso: sobreviven.
– Independencia: la muerte de un ratón no influye en la
siguiente
– P=0.25 que es constante siempre
• Entonces: P(x= 20)= +DISTR.BINOM.N(20; 100; 0,25;
0)=0,0493
152
BINOMIAL
Ejemplo
Del ejercicio del motor de un auto nuevo de cierto modelo y marca donde se
sabe que la posibilidad que un motor sufra de algún desperfecto en los
primeros 12 meses de uso es de 2%. Si se prueban tres automóviles de esta
marca y modelo, determine la tabla de distribución de probabilidades de esta
prueba y encuentre el número esperado o promedio de autos que no sufrirán
algún desperfecto en los primeros doce meses de uso.
Promedio de auto sin desperfecto=

np = 3*0,98= 2,94
153
HIPERGEOMETRICA
• La Distribución de Probabilidad de Variable Discreta
Hipergeométrica, se trata de experimentos donde se tienen
N cantidad de individuos u objetos, de los cuales algunos
elementos de ellos tienen una característica especifica “k”
donde se quiere que en un número de “n” ensayos, se
seleccionen una serie de “x” resultados exitosos de la
característica “k” “sin hacer restitución” (condición 1) .
• Para determinar probabilidades de algunos sucesos de este
tipo de experimentos se hace mediante el uso de
combinaciones pues los “n” ensayos se hacen sobre
elementos que no siempre son los mismos (condición 2).
154
HIPERGEOMETRICA
• La fórmula del calculo de valores de probabilidad para la
Distribución Hipergeométrica es:
• Recordando que lo valores entre paréntesis son fórmulas

de combinaciones de la forma:
• En excel se puede calcular esta distribución de probabilidad

mediante el comando:
155
HIPERGEOMETRICA
• Ejemplo:
En una caja hay 10 bolas de las cuales dos están premiadas
(un mismo premio). Se extraen aleatoriamente 4 bolas sin
reemplazo. Calcular la probabilidad de que en esta
muestra:
a. no salga bola con premio,
b. salga una bola con premio,
c. salga una bola con premio o ninguna,
d. salgan una bola premiada o mas
156
HIPERGEOMETRICA
157
HIPERGEOMETRICA
Ejemplo:
En una Asamblea legislativa se debe nombrar un comité
especial de 5 diputados para estudiar un proyecto importante
para el país. Para eso debe escogerlo del total de 57 diputados.
Si la asamblea legislativa la componen 31 hombres y la
elección se hace al azar, hallar la probabilidad de que:
a) El comité lo compongan 2 mujeres
b) El comité esta formado en su mayoría por mujeres (pero no
todas mujeres)
158
HIPERGEOMETRICA
N(problacion)= 57 n(nuestra)= 5 K(caracteristica especial: mujer)= 57-31=26
a) X: lo compongan 2 mujeres osea X=2
P(X=2)= +distrib.hipergeom.(2;5;26;57;0)= 0,3489
b) X: lo compongan en su mayoria mujeres o sea para ser mayoria deben ser

3 o 4 mujeres o sea 3<=X<=4
P(3<=X<=4)= P(X<=4)-P(X<=2)=
P(3<=X<=4)= distrib.hipergeom.(4;5;26;57;1) - distrib.hipergeom.(2;5;26;57;1)
P(3<=X<=4)= 0,9843 - 0,5849 = 0,3994
159
POISSON
• La Distribución de Poisson son experimentos que suceden
esporádicamente sin explicación clara o evidente pero que pueden
enmarcarse como sucesos que claramente ocurren aleatoriamente y
por tanto su variable aleatoria X se establece como el número de
sucesos exitosos que suceden en cierto periodo de tiempo (es
instantáneo) o espacio (es puntual: y puede ser de área, volumen,
longitud o peso).
• Se deben verificar tres condiciones para clasificar como proceso
Poisson, siempre siendo de variable aleatoria discreta:
– Sucesos puntuales: porque suceden en un periodo de tiempo o
espacio.
– Sucesos independientes: porque la ocurrencia de un suceso dada
en cierto tiempo o espacio no afecta al siguiente
– Tasa de ocurrencia constante: porque la tasa de ocurrencia de un
suceso es la misma en todo momento.
160
POISSON
Son ejemplos de esta distribución:
– Llegada de pacientes a una cola o fila de espera
– Los accidentes de una ruta
– Los éxitos buscados son expresados por unidad de área, tiempo,
pieza, etc.
– # de defectos de una tela por m2
– # de aviones que aterrizan en un aeropuerto por día, hora, minuto,
etc.
– # de bacterias por c m2 de cultivo
– # de llamadas telefónicas a un conmutador por hora, minuto, etc.,
etc.
– # de llegadas de embarcaciones a un puerto por día, mes, etc., etc.
161
POISSON
Para determinar la probabilidad de que ocurran sucesos Poisson
es mediante la fórmula de probabilidad puntual:
Donde:
• P(X, λ) = probabilidad de que ocurran x éxitos, cuando la tasa de
ocurrencia es el número promedio de ocurrencia o sea λ.
• λ = tasa de occurrencia o sea la media o promedio de éxitos por
unidad de tiempo, área o producto y también λ=np.
• e = 2.7183 (base de logaritmo neperiano o natural).
• X = variable aleatoria para el número de éxitos que se desea que
ocurra 162
POISSON
• Así mismo usando excel, la distribución de Poisson se establece mediante
la fórmula:
=POISSON(x, media, acumulado)
• De igual forma como cualquier función de distribución de probabilidad se
determinan la media y la varianza como:
Media: μx =λ
Varianza: σ²x = λ
• Ejemplo: Se sabe que una sustancia radiactiva emite en promedio 2.5
partículas por segundo. Se desea encontrar la probabilidad de que:
a) El número de emisiones en un segundo sea x=0,1,2,3,4,5.
b) Se emita a lo máximo una partícula en 1 segundo.
c) Se emita una partícula en 3 segundos.
d) Se emitan entre 3 hasta 6 partículas inclusive en 2 segundos.
e) Construir la gráfica de distribución individual y acumulada de λ=2.5
163
POISSON
164
POISSON
165
POISSON
Ejemplo de Poisson:
Se está investigando la seguridad de una peligrosa intersección
de calles. Los registros del Departamento de Tránsito indican
una ocurrencia media de 5 accidentes mensuales en esa
intersección y se desea estimar la probabilidad de que en
cualquier mes ocurran exactamente 3 accidentes.
• Es un proceso de Poisson, hay una secuencia de llegada (por
mas que exista un choque múltiple, siempre hay uno que
choca primero). Además:
– λ = 5 accidentes por mes y x = 3 accidentes por mes
– Entonces P(x=3) = Poisson (3; 5; 0)= 0,1404
166
POISSON
Ejemplo:
Un banco recibe en promedio 6 cheques falsos al día, suponiendo
que el número de cheques falsos sigue una distribución de
Poisson, hallar:
a) Probabilidad de que se reciban cuatro cheques falsos en un
día.
b) Probabilidad de que se reciban menos de 30 cheques falsos
en una semana
R e s p u e s ta s :
a ) λ = 6 ch e q u e s f also s/ d ia P ( X = 4 ) = p o i s o n .d i s ( 4 ;6 ;0 ) = 0,1339
X = 4 ch e q u e s falso s e n u n d ia
167
5.4- DISTRIBUCIONES DE PROBABILIDAD DE
VARIABLE CONTINUA
• Algunos experimentos aleatorios son numerosos o extremadamente
numerosos, siendo en realidad infinitos y continuos.
• No son clara y tajantemente separados entre si.
• Su espacio muestral S puede quedar representado entonces por un
intervalo infinitesimal: [a ; b] o del tipo [-infinito ; a], (b ; infinito] o
hasta [-infinito ; infinito].
• Son mediciones de peso, la estatura (longitud), el ángulo, la cantidad
de azúcar en una naranja, el pH de una solución, el tiempo que tarda
la policía en atender una llamada al 911, etc.
• Al igual que la discreta, la asignación de probabilidades de
ocurrencia de estos casos dan lugar a diversas distribuciones de
probabilidad de variable continua; donde la Distribución de
Probabilidad Normal es la más importante, pues permite modelar
muchas situaciones en distintas áreas de estudio
168
VARIABLE CONTINUA
• Considere el siguiente ejemplo ilustrativo del Conde Buffon, con el
experimento que lleva su nombre, como precursor de quien definió
una variable continua, que es el de marcar dos líneas paralelas
separadas a una distancia “a” y se lanzan varias alfileres sobre las
líneas trazadas y se mide la distancia que hay del centro del alfiler a
la línea superior.
• De esta forma podemos determinar que el espacio muestral S viene
dado por el intervalo S= [ 0 , a ] donde la cantidad de valores que
puede tomar es prácticamente infinito pero dentro del rango [ 0 , a]
169
VARIABLE CONTINUA
ASIGNACION DE LOS VALORES DE PROBABILIDAD CORRESPONDIENTE
A VARIABLES ALEATORIA CONTINUAS
• A diferencia de las variables discretas; las variables continuas
pueden tomar una cantidad infinita de valores.
• Estos se presentan como intervalos de valores de variable aleatoria X
a los que se les puede asociar una distribución de probabilidad o
mas bien una función de distribución de probabilidades.
Obviamente cada uno de estos valores de probabilidad serán
valores entre 0 y 1. Y también la suma de todos los valores de la
función de probabilidad continua e infinitos es igual a 1.
170
VARIABLE CONTINUA
MEDIA Y VARIANZA DE UNA DISTRIBUCION DE VARIABLE CONTINUA
• De igual forma a como se estableció para la variable discreta, los
valores establecidos para la media y varianza de una Distribución de
Probabilidad de Variable Continua son en forma de integral por su
ingrediente de infinito:
Media: μ = ∫xf(x) dx
Varianza: σ² = ∫(x – μ)²f(x) dx
Donde f(x) es el función de probabilidad de la variable continua.
• Aplicando esto a que los valores de variable continua se pueden
manejar por intervalos y aplicando en la integrales, tenemos que:
Media: μ = (a + b)/2
Varianza: σ² = (b –a)²/(2√3)
171
NORMAL
DISTRIBUCION DE PROBABILIDAD NORMAL
• Es la distribución estrella de variables continuas porque su modelo
permite ajustarse a muchas situaciones de la vida real en distintas
áreas de estudio.
• Fue desarrollada a partir del experimento de los balines que se
dejan caer sobre un plano con pines que cambian la ruta de caída de
los balines en forma aleatoria, pues están colocados simétricamente
equidistantes. Este experimento (Galton) se establece de forma que
cada balín tiene un 50% de probabilidad de escoger una de las dos
rutas que tiene, conforme va bajando los niveles hasta el ultimo.
• Al tabular los datos de frecuencia de cada ruta hasta el final, estos
se dan conforme se muestra seguido, si este experimento se repite
n veces, donde entre más grande sea n, más se enmarcan estos
gráficos en esa forma simétrica:
172
NORMAL
DISTRIBUCION DE PROBABILIDAD NORMAL
• Además entre más niveles se agregan, las barras se van haciendo
cada vez mas pequeñas y más delgadas, dando a la curva una forma
de campana (Campana de Gauss, como se le conoce a la curva de
Distribución Normal):
https://www.mathsisfun.com/data/quincunx.html
173
NORMAL
LA FUNCION DE DISTRIBUCION NORMAL
• Para calcular la probabilidad de este modelo se estableció
matemáticamente la siguiente fórmula:
Donde x es la variable continua, μ es la media de la distribución

de probabilidad y σ es la desviación estándar y f(x) es la
probabilidad.
• Esta es la fórmula que da la forma de la campana de la
probabilidad y es también el área debajo de este curva cuando es
acumulada y como es sabido, toda el área seria de valor 1.
• La media μ viene a ubicarse exactamente abajo del punto más
alto de la curva y la desviación estándar σ es por definición lo que
se desvian los datos de esa media en forma simétrica. 174
NORMAL
175
NORMAL
LA FUNCION DE DISTRIBUCION NORMAL ESTANDAR
• Se había indicado que las variables continuas por su condición de
tomar valores infinitos, es mejor agrupar esos valores de x por
intervalos de valores deseados, lo que de igual forma, la
probabilidad también se determinará como una función acumulada
para ese intervalo deseado.
• Esto se dá al determinar la integral de la fórmula de la diapositiva
tras-anterior donde asignando los valores de μ=0 y de σ=1 (esto
ubica la curva en el puro eje y pues ahí x=0) y se conoce como la
Función de Distribución Estandarizada, donde su variable aleatoria
es denota como Z (siempre sobre el eje horizontal).
• En excel , usando la formula =DISTR.NORM.ESTAND(Z) nos da el
valor acumulado de la variable Z siempre de izquierda a derecha de
la curva, para el valor de μ=0 y σ=1.
176
NORMAL
LA FUNCION DE DISTRIBUCION NORMAL ESTANDAR
• En situaciones de Distribución Normal, los experimentos o eventos
aleatorios dan lugara a medidas que toman la variable X que
permiten calcular su media µ y desviación estándar σ
correspondiente.
• La fórmula que convierte esa media y desviación estándar a los
valores estándar de media μ=0 y desviación estándar σ=1 que
estandarizan todos los experimentos o eventos normales y que por
deducción matemática es:
• Donde x es la variable aleatoria continua, μ y σ los valores calculados

o deseados de la muestra.
• Una vez obtenido el valor de z se puede obtener el valor de
probabilidad acumulado deseado como “mayor o menor que”. 177
NORMAL
LA FUNCION DE DISTRIBUCION NORMAL ESTANDAR ACUMULADA
• Ejemplo: para los valores de Z menor o igual a: -3, -1, 0, 2, 3 y 3.5;
determinar con excel los valores probabilidad acumulados como
sigue:
=DISTR.NORM.ESTAND(-3)=0.0013 =DISTR.NORM.ESTAND(2)=0.9772
=DISTR.NORM.ESTAND(-1)=0.1586 =DISTR.NORM.ESTAND(3)=0.9987
=DISTR.NORM.ESTAND(0)=0.5000 =DISTR.NORM.ESTAND(3.5)=0.9998
178
NORMAL
LA FUNCION DE DISTRIBUCION NORMAL NO ESTANDAR
Ejemplo de uso de la estandarización de la Normal:
• Se tiene el proceso de llenado de CocaCola de 1000 ml que sigue la
distribución normal con media igual a 1000 ml y varianza de 225 ml 2.
Calcule los valores de probabilidad correspondiente para que la
variable aleatoria x tome valores de:
a) Entre 985 y 1,015
b) Menor a 995
c) Mayor o igual a 1,005
d) Entre 984 y 1,007
179
NORMAL
180
NORMAL
181
NORMAL
LA FUNCION DE DISTRIBUCION NORMAL INVERSA
• Esto es cuando en lugar de necesitar encontrar valores de la
probabilidad, se requiere más bien determinar valores de la variable
aleatoria x según un porcentaje de proporción o probabilidad
deseada.
• Para eso se usa la fórmula inversa en excel en sus dos versiones:
a) =INV.NORM.ESTAND(probabilidad) que da el valor de z
correspondiente a la probabilidad acumulada deseada de
izquierda a derecha. Se despeja la x de la fórmula original de z y
queda la fórmula
b)=INV.NORM(probabilidad,media,desviación_estándar) que da el
valor de la variable aleatoria x correspondiente a la probabilidad
acumulada deseada.
182
NORMAL
Ejemplo:
• Encontrar los valores del área sombreada de la curva de distribución
normal estandar para la variable Z o para la probabilidad:
183
NORMAL
a) P= P(1.74) - P(-1.74)= =DISTR.NORM.ESTAND(1.74) - DISTR.NORM.ESTAND(-1.74)= 0,95907 - 0,04093 = 0,9181
b) Z= =INV.NORM.ESTAND(0,087)= -1,36
c) P= P(0.86)= DISTR.NORM.ESTAND(0.86)= 0,805
d) P(cola izq)= 1 - P(cola der) = 1- 0.793= 0,207 entonces Z=INV.NORM.ESTAND(0,207)= -0,817
e) P= 1 - P(2.18)= 1 - DISTR.NORM.ESTAND(2.18)= 1 - 0,985 0,015
f) P(cola der)= 0.50 - 0.11 = 0.39 y P(cola izq) = 0.5 - 0.33= 0.17
Entonces Z1 = INV.NORM.ESTAND(0.17)= -0,954
Z2 = INV.NORM.ESTAND(1 - 0.39)= 0,279
184
NORMAL
• Ejercicio No 1
• Se tiene el proceso de llenado de CocaCola de 1000 ml que sigue la
distribución normal con media igual a 1000 ml y varianza de 225
ml2. Calcule los valores correspondientes para la variable según las
probabilidades dadas de:
a) El tercer cuartil.
b) Lograr una probabilidad del 80% alrededor del valor de la
media.
185
NORMAL
186
NORMAL
187
NORMAL
Ejercicio No 2
Un vendedor que maneja frecuentemente de Boston a Nueva York
descubre que el tiempo que conduce es una variable aleatoria que
tiene una distribución normal con  = 4.3 horas y  = 18 minutos.
Determine las probabilidades de que este viaje dure:
a. Más de 4.5 horas
b. Menos de 3,9 horas
SOLUCION. Se deben convertir los 18 minutos a hara usar las mismas unidades o
sea σ=18/60 = 0,3 horas
a) Z= (4,5 – 4,3)/0,3 = 0,667 o sea
P(X>4,5)= 1- DISTR.NORM.ESTAND.N(0,667;1)=
1-0,748 entonces P(X>4,5)=0,252
Z=(3,9 – 4,3)/0,3 = -1,333 o sea P(X<4,0)= DISTR.NORM.ESTAND.N(-1,333;1)=

P(X<4,0)= 0,0912<
188
NORMAL
Ejercicio No 3
Las longitudes de las sardinas que recibe una enlatadora tiene una
media de 4.64 pulgadas y una desviación estándar de 0.25 pulgadas.
Si la distribución de esas longitudes es aproximadamente normal que
porcentaje de las sardinas medirá:
a) Menos de 4.00 pulgadas
b) Cual de 4.40 a 4.80 pulgadas de longitud.
SOLUCION. Que porcentaje es pedir que probabilidad entonces
a) Z= (4,0 – 4,64)/0,25 = -0,64/0,25=-2,56 o sea P(X<4,0)=
DISTR.NORM.ESTAND.N(-2,56;1)= entonces P(X<4,0)=0,00523
b) Z1=(4,40 – 4,64)/0,25 = -0,24/0,25=-0,96 o sea P(X<4,40)=

DISTR.NORM.ESTAND.N(-0,96;1)=0,1685
Z2=(4,8 -4,64)/0,25 = 0,16/0,25=0,64 o sea P(x<4,8)=
DISTR.NORM.ESTAND.N(0,96;1)=0,7389
Finalmente P(4,4<X<4,8)= P(x<4,8) - P(X<4,40)= 0,7389-0,1685 = 0,5704
189
NORMAL
Ejercicio No 4
En una afamada escuela de administración de empresas los índices de
calificación de sus 730 estudiantes sigue la distribución normal, con un
promedio de 2.83 y coeficiente de variación del 49.82%.
a) Cuantos estudiantes tendrán notas de entre 2.00 y 3.00
b) Que nota de calificación corresponde al percentil 21 de los
estudiantes de la escuela.
SOLUCION. Como CV=0,4982=σ/µ entonces σ=0,4982*2,83=1,409

a) Z1= (2,0 – 2,83)/1,404 = -0,83/1,409=-0,5911 o sea P(X<2,0)=
DISTR.NORM.ESTAND.N(-0,5911;1)= entonces P(X<2,0)=0,277
Z2= (3,0 – 2,83)/1,404 = 0,17/1,404=0,121 o sea P(X<3,0)=
DISTR.NORM.ESTAND.N(0,121;1)= entonces P(X<3,0)=0,548
Finalmente P(2,0<x<3,0)=0,548-0,277=0,271
La cantidad de estudiantes sería 0,271 * 730 = 197.8
b) Con P=0,21 entonces el valor Z para esta probabilidad es
INV.NORMAL.ESTAND(0,21)=-0,806. 190
Finalmente X=Zσ + µ = -0,806*1,404 + 2,83 = 1,694

II-240 Prob y Estadistica Descriptiva v19

Cargado por

Información del documento

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

II-240 Prob y Estadistica Descriptiva v19

Cargado por

Copyright:

Formatos disponibles

2% 1

1.1- CONCEPTOS GENERALES DE LA

• Lo que se no se mide no se controla

• Lo que no se mide no se puede

Deportes TODO LADO!!

Sinónimos de Describir: explicar, detallar, especificar, delinear, dibujar

AGRUPACION DE DATOS – CUADROS O MATRICES Y

AGRUPACION DE DATOS – CUADROS O MATRICES Y

CANTIDAD DE GRUPOS O RANGOS

AGRUPACION DE DATOS – CUADROS O MATRICES Y DISTRIBUCION

TABLA FRECUENCIAS AGRUPADA

Grupos FA FR FAA FRA

Ejemplo de agrupación de datos:

AGRUPACION DE DATOS – MATRICES Y DISTRIBUCION FRECUENCIAS

Variable FA FR FAA FRA

Muy Contento 9 30% 9 30%

FRECUENCIA ACUMULADA – Absoluta y Relativa

Variable FA FR FAA FRA

Ejemplo de agrupación de datos:

• Su símbolo es la letra y también se usa µ.

• En excel la fórmula es =desvest(rango)

• En excel la fórmula es =var(rango).

• Siguiendo el mismo ejemplo de los datos anterior: S² = (3.81)² = 14.52

 CV = (σ/µ)*100 para poblaciones

Donde fᵢ es la frecuencia absoluta de cada rango y Xᵢ es el

Donde fᵢ es la frecuencia absoluta de cada rango y Xᵢ es el

c) Experimento: LANZAR LA MONEDA DOS VECES Y QUE SALGA CARA AL

• Para determinar el numero total de posibles resultados se puede

Otra forma de interpretar esta evento es decir que es

P(A U B U C U…..N) = P(A) + P(B) + P(C) + …… + P(N)

Sin embargo observando estos resultados se

• Girar una ruleta de 5 secciones iguales, luego

• Lanzar una moneda 7 veces.

a) Permutación simple: cuando los n elementos o sucesos que

nPn = n*(n-1)*(n-2)*(n-3)*….*1 = n! (0!=1)

i. Inicialmente es: (a, b, c, d, e, f) entonces la solución es:

• Cuántos juegos son los que se juegan en un torneo completo

17 = 3,55687E+14 = 3,5569E+14 = 114 354 240

18 = 6,40237E+15 = 6,4024E+15 = 18 564

En estos casos, la media o promedio viene a convertirse en lo que se

TOTALES 50 1 10,6 Varianza 32,44

El valor esperado de que un auto de tres revisados no falle en 12 meses

• donde num_éxitos es x, ensayos es n y prob_éxito es la p. Si se quiere la

Promedio de auto sin desperfecto=

• Recordando que lo valores entre paréntesis son fórmulas

• En excel se puede calcular esta distribución de probabilidad

b) X: lo compongan en su mayoria mujeres o sea para ser mayoria deben ser

Donde x es la variable continua, μ es la media de la distribución

• Donde x es la variable aleatoria continua, μ y σ los valores calculados

c) P= P(0.86)= DISTR.NORM.ESTAND(0.86)= 0,805

d) P(cola izq)= 1 - P(cola der) = 1- 0.793= 0,207 entonces Z=INV.NORM.ESTAND(0,207)= -0,817

e) P= 1 - P(2.18)= 1 - DISTR.NORM.ESTAND(2.18)= 1 - 0,985 0,015

Z=(3,9 – 4,3)/0,3 = -1,333 o sea P(X<4,0)= DISTR.NORM.ESTAND.N(-1,333;1)=

b) Z1=(4,40 – 4,64)/0,25 = -0,24/0,25=-0,96 o sea P(X<4,40)=

SOLUCION. Como CV=0,4982=σ/µ entonces σ=0,4982*2,83=1,409

También podría gustarte

nPn = n(n-1)(n-2)(n-3)….*1 = n! (0!=1)