Manual de Estadistica

5/29/2017 Manual de
Probabilidad y
Estadstica
Eddy Zahid Cruz Castillo
Mecatronica
DMT-2A
ndice
Probabilidad y Estadstica ........................................................................................... 1
Competencias .......................................................................................................... 1
Objetivo de aprendizaje: .......................................................................................... 1
UNIDAD I: ESTADISTICA DESCRIPTIVA ................................................................... 2
Objetivo de la Unidad de Aprendizaje ...................................................................... 2
1.1.Introduccin a la estadstica2
1.1.1 Conceptos ................................................................................................... 3
1.1.2 Conceptos de estadstica descriptiva...4
1.1.3 Clasificar datos cualitativos y cuantitativos..7
1.2.Poblacin, muestra y muestre..9
1.2.1 Conceptos ................................................................................................... 9
1.2.2 Tcnicas de muestreo..10
1.2.3 Identificar el proceso del diseo de una muestra11
1.3.Distribucin de frecuencias y su representacin

grfica112
1.3.1 Distribucin de Frecuencia ..................................................................... 12
1.3.2 Conceptos y elementos de la distribucin de frecuencias ................ 13
Medidas de Tendencia Central, Localizacin y Dispersin. ....................................... 26
1. Medidas de Centralizacin26
a) Media Aritmtica..26
b) Mediana .................................................................................................... 27
c) Moda.......................................................................................................... 28
2. Medidas de Posicin ................................................................................. 29

a) Cuartiles......................................................................................................... 29
b) Deciles .......................................................................................................... 33
c) Percentiles ................................................................................................... 37
3. Medidas de Dispersin .............................................................................. 40
a) Rango ........................................................................................................... 40
b) Desviacin Media........................................................................................ 42
c) Varianza ....................................................................................................... 43
d) Desviacin Tpica o Estndar. .................................................................. 45
Utilizacin de Excel para Medidas de Tendencia Central, Localizacin y Dispersin. 48
1. Medidas de Centralizacin ........................................................................ 48
a) Media Aritmtica.48
b)Mediana ........................................................................................................... 49
c)Moda ................................................................................................................. 51
2. Medidas de Posicin ................................................................................ 52
a) Cuartiles ......................................................................................................... 52
b) Deciles ............................................................................................................ 54
c) Percentiles ...................................................................................................... 55
3. Medidas de Dispersin ............................................................................. 57
a) Desviacin Media .......................................................................................... 57
b) Varianza ......................................................................................................... 58
c) Desviacin Tpica o Estndar. .................................................................... 60
UNIDAD 2: Probabilidad y Estadstica ....................................................................... 62
Competencias ........................................................................................................ 62
Objetivo de aprendizaje: ........................................................................................ 62
Objetivo ................................................................................................................. 63
2.1Conjuntos ................................................................................................ 63
2.1.1. Teora de conjuntos................................................................................ 63
2.1.2 Conceptos: ................................................................................................ 64
Universo ................................................................................................. 64
Poblacin ............................................................................................... 64
Muestra .................................................................................................. 64
Conjunto Vaco...65
Subconjunto........................................................................................... 65
Notacin ................................................................................................. 66
2.1.2 Diagramas de Venn ................................................................................. 66
Orgenes ................................................................................................ 67
Construccin de un Diagrama de Venn ............................................ 68
2.1.3 Operaciones entre conjuntos: ................................................................ 71
Unin ...................................................................................................... 71
Interseccin. .......................................................................................... 71
Diferencia. .............................................................................................. 71
Complemento. ....................................................................................... 72
2.2 Probabilidad Bsica y Condicional..73
2.2.1 Conceptos................................................................................................ 58
Experimento aleatorio .......................................................................... 58
Espacio muestral59
Punto muestral o suceso elemental................................................... 59
Suceso o evento ................................................................................... 60
Sucesos mutuamente excluyentes .................................................... 60
Sucesos complementarios61
Sucesos independientes...61
Sucesos dependientes..62
2.2.2 Mtodos para el clculo de probabilidad ............................................. 62
Aproximacin de la probabilidad.63
Mtodo clsico de la probabilidad (requiere resultados igualmente

probables). ............................................................................................. 63
Probabilidades subjetivas..64
2.2.3 Tcnicas de conteo ................................................................................ 64
Diagrama de rbol..64
Principio de la Multiplicacin ............................................................... 67
Principio Aditivo67
Principio de la Suma o Adicin ........................................................... 68
Regla general del conteo. ................................................................... 69
Regla fundamental.69
Permutacin .......................................................................................... 72
Combinacin.......................................................................................... 75
2.2.4 Conceptos de probabilidad condicional80
Probabilidad condicionada .................................................................. 80
Probabilidad conjunta .......................................................................... 81
Eventos dependientes e independientes .......................................... 81
2.2.5.Teoremas elementales de probabilidad y probabilidad

condicional.83
Teorema ................................................................................................. 83
2.2.6 Proceso de clculo de probabilidad condicional............................... 83
Probabilidad condicionada .................................................................. 83
2.3. Distribuciones Discretas de Probabilidad.85

2.3.1 Caractersticas y mtodos de las distribuciones.............................. 85
Binomial ................................................................................................. 85
Clculo de probabilidades en una distribucin binomial.86
Hipergeomtrica.................................................................................... 87
Poisson................................................................................................... 90
Caractersticas de los procesos que producen una distribucin de

la probabilidad de Poisson .................................................................. 91
Clculo de probabilidades mediante la distribucin de Poisson ... 92
2.4 Distribuciones Continuas de Probabilidad .............................................. 94
2.4.1 Identificar el concepto de variable aleatoria continua ...................... 94
Variable Aleatoria Continua94
2.4.2 Caractersticas y mtodos de las distribuciones ............................... 94
Distribucin de probabilidad normal94
Chi cuadrada ......................................................................................... 95
Propiedades de las distribuciones chii-cuadrada ............................ 96
Clculo de Probabilidad.98
F de fhiser..99
2.5 Distribuciones Muestrales..................................................................... 103
2.5.1 Conceptos.............................................................................................. 103
Distribucin muestral.103
Error estndar...104
Teorema de lmite central o teorema central del lmite104
2.5.2 Caractersticas y el mtodo de clculo de probabilidades de la

distribucin t de Student........................................................................... 104
UNIDAD III: ESTADISTICA INFERENCIAL ............................................................. 106
3.1 Estimacin .............................................................................................. 106

3.1.1 Puntual ................................................................................................... 106
3.1.2 Por intervalo .......................................................................................... 107
3.2 Prueba de Hiptesis ................................................................................ 107
3.2.1 Hiptesis ................................................................................................ 107
3.2.2 Hiptesis Nula (H0) .............................................................................. 107
3.2.3 Hiptesis alternativa (H1) .................................................................... 107
3.2.4 Error Tipo I y II ...................................................................................... 108
Error de Tipo I ..................................................................................... 108
Error de tipo II...................................................................................... 108
3.3 Diagrama de Dispersin ......................................................................... 110
3.4 Coeficiente de Relacin .......................................................................... 110
3.4.1 Propiedades .......................................................................................... 111
3.5 Proceso de Regresin Lineal y su Interpretacin. ................................... 112
3.5.1 Objetivo .................................................................................................. 112
3.5.2 Coeficiente de correlacin [r] .............................................................. 112
3.5.3 Ecuacin de regresin lineal............................................................... 113
3.6 Pronostico en Regresin Lineal ............................................................... 114
3.7 Diseo Estadstico de Experimentos ....................................................... 114
3.8 Identificar los elementos de ANOVA (Anlisis de varianza):115
3.8.1 Fuentes de variacin ............................................................................. 115
3.8.2 Suma de Cuadrados ............................................................................. 115
Suma de los cuadrados en regresin..115
3.8.3 Cuadrado medio .................................................................................... 116
3.8.4 Estadstico de Prueba .......................................................................... 116
3.8.5 Tabla Anova ........................................................................................... 117
Anexo 1: Variables Cuantitativas y Cualitativas. ...................................................... 118

Anexo 2: Tabla de Distribucin de Frecuencias para datos Agrupados ................... 120
Anexo 3: Medidas de Centralizacin ....................................................................... 122
Anexo 4: Medidas de Posicin ................................................................................ 124
Anexo 5: Medidas de Dispersin ............................................................................. 126
Anexo 6: Diagramas de Venn .................................................................................. 128
Anexo 7: Operaciones entre Conjuntos. .................................................................. 130
Anexo 8: Diagrama de rbol.................................................................................... 132
Anexo 9: Principio de Multiplicacin ........................................................................ 134
Anexo 10: Principio de Suma o Adicin ................................................................... 135
Anexo 11: Probabilidad Combinada ........................................................................ 136

Mecatrnica Manual de Probabilidad y Estadstica
Probabilidad y Estadstica
Competencia y objetivo general de la materia de Probabilidad y Estadstica para los

alumnos que cursan el segundo tetramestre en la carrera de mecatrnica.
Competencias
Plantear y solucionar problemas con base en los principios y teoras de fsica, qumica
y matemticas, a travs del mtodo cientfico para sustentar la toma de decisiones en los
mbitos cientfico y tecnolgico.
Objetivo de aprendizaje:
El alumno resolver problemas estadsticos mediante el procesamiento de datos, as
como el anlisis y estimacin de parmetros para fundamentar la toma de decisiones.
1|Pgina
UNIDAD I: ESTADISTICA DESCRIPTIVA
Objetivo de la Unidad de Aprendizaje

El alumno realizar el procesamiento de datos para contribuir a la toma de decisiones.
1.1. Introduccin a la estadstica
La Probabilidad y la Estadstica son dos campos distintos, aunque relacionados entre

s. Utilizando la Probabilidad se obtiene la frecuencia de un suceso determinado mediante la
realizacin de un experimento aleatorio, del que se conocen todos los resultados posibles,
bajo condiciones suficientemente estables.
La teora de la probabilidad se usa extensamente en reas tales como: Fsica,

Matemtica, Economa, Ingeniera y Filosofa, para obtener conclusiones sobre la probabilidad
de sucesos potenciales y la mecnica subyacente sistemas complejos.
La Estadstica es una ciencia formal que estudia la recoleccin, anlisis e interpretacin

de datos de una muestra representativa, ya sea para ayudar en la toma de decisiones o para
explicar condiciones regulares o irregulares de algn fenmeno o estudio aplicado. Sin
embargo, la Estadstica es ms que eso, es decir, es el vehculo que permite llevar a cabo el
proceso relacionado con la investigacin cientfica.
La Probabilidad y Estadstica puede utilizarse para optimizar el uso del material y la

fuerza de trabajo. Al investigar el desarrollo de nuevos productos, stas permiten comprender
los fenmenos sujetos a distintas variaciones y predecirlos, as como tambin controlarlos de
manera eficiente.
2|Pgina
1.1.1 Conceptos
1. Estadstica:
Es la ciencia que trata de la recopilacin, organizacin, presentacin, anlisis e
interpretacin de datos numricos con el fin de realizar una toma de decisin ms efectiva.
Otros autores tienen definiciones de la Estadstica semejantes a las anteriores.
Para Chacn esta se define como la ciencia que tiene por objeto el estudio cuantitativo
de los colectivos; otros la definen como la expresin cuantitativa del conocimiento dispuesta
en forma adecuada para el escrutinio y anlisis.
La ms aceptada, sin embargo, es la de Minguez, que define la Estadstica como La

ciencia que tiene por objeto aplicar las leyes de la cantidad a los hechos sociales para medir
su intensidad, deducir las leyes que los rigen y hacer su prediccin prxima.
2. Estadstica descriptiva e inferencial y sus aplicaciones.
a) Estadstica descriptiva: Es una coleccin de mtodos para la organizacin, resumen

y presentacin de datos.
Los mtodos estadsticos tradicionalmente se utilizan para propsitos descriptivos,

para organizar y resumir datos numricos. La estadstica descriptiva, por ejemplo, trata
de la tabulacin de datos, su presentacin en forma grfica o ilustrativa y el clculo de
medidas descriptivas.
b) Estadstica inferencial: Consiste de un conjunto de tcnicas para obtener, con

determinado grado de confianza, informacin de una poblacin con base en la
informacin de una muestra.
3|Pgina
Ahora bien, las tcnicas estadsticas se aplican de manera amplia en

mercadotecnia, contabilidad, control de calidad y en otras actividades; estudios de
consumidores; anlisis de resultados en deportes; administradores de instituciones; en
la educacin; organismos polticos; mdicos; y por otras personas que intervienen en
la toma de decisiones.
1.1.2 Conceptos de estadstica descriptiva
1. Dato
Es una representacin simblica (numrica, alfabtica, algortmica, entre otros) de un
atributo o caracterstica de una entidad. Los datos describen hechos empricos, sucesos y
entidades. Los datos aisladamente pueden no contener informacin relevante.
2. Variable estadstica
Es una caracterstica de un elemento en una poblacin en estudio. Por ejemplo, si la
poblacin consta de personas, los siguientes son ejemplos de variables que podran ser de
inters: edad, peso, sexo, estatura, etc. Veremos a continuacin algunos criterios bajo los
cuales las variables pueden ser clasificadas.
a) Cuantitativas: Cuando se realiza una medicin y el resultado es un nmero.

La edad, el peso y la estatura son ejemplos de variables cuantitativas en una poblacin
de personas
De acuerdo al nmero total de sus posibles valores, una variable cuantitativa

puede ser clasificada como:
Discreta: Cuando solo puede tomar un nmero discreto (es decir, finito o
numerable) de valores.
Continua: Cuando puede tomar cualquier valor dentro de un intervalo (a, b) de

la recta real.
4|Pgina
b) Cualitativas: Cuando solamente registran una cualidad o atributo del objeto

o persona en estudio. El sexo y el estado civil son variables cualitativas.
Escala nominal:
Una variable se llama nominal cuando sus posibles valores no tienen alguna relacin
de orden o magnitud entre ellos. Bsicamente los valores de este tipo de variables son
etiquetas sin un orden entre ellos.
Por ejemplo, si estamos estudiando una poblacin humana, a la variable sexo podemos
asignarle dos posibles valores: F para femenino, y M para masculino. Los smbolos F y M son
etiquetas arbitrarias, y no existe un orden en ellas ni podemos realizar operaciones aritmticas.
La religin o la nacionalidad son tambin ejemplos de variables nominales.
Escala ordinal:
En esta escala los valores de la variable tienen un orden, pero no se pueden hacer
operaciones aritmticas entre estos valores pues no hay nocin de distancia entre ellos.
Por ejemplo, para calificar las caractersticas de un objeto podemos suponer los
siguientes valores: 0=Psimo, 1=malo, 2=Regular, 3=Bueno, 4=Excelente. En este caso la
escala de medicin es ordinal pues existe un orden entre sus valores, pero no se puede decir,
por ejemplo, que dos valores regulares hacen un valor excelente
3. Poblacin
Es el conjunto de cosas, personas, animales o situaciones que tiene una o varias
caractersticas o atributos comunes
La poblacin en una empresa puede estar definida por la produccin de tornillos en un

da determinado; por el personal de guardia en un turno de trabajo; por las rdenes de pedido
de un artculo producido; por los productos defectuosos en una produccin, etc. Poblacin
Finita: Es el conjunto compuesto por una cantidad limitada de elementos, como el nmero de
especies, el nmero de estudiantes, el nmero de obreros.
5|Pgina
Ilustracin 1
a) Poblacin Infinita: Es la que tiene un nmero extremadamente grande de

componentes, como el conjunto de especies que tiene el reino animal.
Ilustracin 2
4. Muestra:
Es un conjunto de sujetos tomados de una poblacin. Ya que la muestra es parte de
una poblacin, se debe tener cuidado que sea representativo de la poblacin, es decir que las
caractersticas esenciales de la poblacin estn reflejadas en la muestra. Una muestra puede
ser, los tornillos con un tipo de rosca, el personal que estaba de guardia en la entrada, los
artculos de una cierta utilidad, los que tienen un tipo definido de defecto.
6|Pgina
La siguiente figura 1.1 muestra cmo se visualiza una muestra dentro de una poblacin.
Ilustracin 3
1.1.3 Clasificar datos cualitativos y cuantitativos
Prctica #1: Clasificar datos cualitativos y cuantitativos
Ejercicio. Determine si cada una de las siguientes variables es cualitativa o cuantitativa.

Si es cualitativa, diga si su escala de medicin es nominal u ordinal. Si es cuantitativa, diga si
es discreta o continua.
a) Apreciacin o punto de vista acerca de una idea o propuesta usando la escala: De
Acuerdo, En desacuerdo, Indiferente.
________________________________________
b) Cantidad de hombres en la carrera de mecatrnica.

________________________________________
c) Evaluacin de un curso de acuerdo a las siguientes categoras: Acreditado, No

Acreditado, Ausente.
________________________________________
d) Nmero de hijos en una familia.

________________________________________
e) Salario en unidades monetarias.

________________________________________
f) Nivel de salario en alguna de las categoras: A, B, C, D, E, F.

________________________________________
g) Longitud de un tornillo.
________________________________________
7|Pgina
h) Preferencia sexual.
________________________________________
i) Lugar de nacimiento de una persona

________________________________________
NOTA: Si quieres resolver ms ejercicios en base a este tema, v al Anexo I.
8|Pgina
1.2. Poblacin, muestra y muestreo
1.2.1 Conceptos
1. Censo
En ocasiones resulta posible estudiar cada uno de los elementos que componen la
poblacin, realizndose lo que se denomina un censo, es decir, el estudio de todos los
elementos que componen la poblacin.
Si la numeracin de elementos, se realiza sobre la poblacin accesible o estudiada, y

no sobre la poblacin terica, entonces el proceso recibe el nombre de marco o espacio
muestral.
2. Parmetro
Son valores constantes que definen una poblacin. Los parmetros suelen notarse con
letras griegas (, ). Los parmetros estadsticos sirven para sintetizar la informacin dada por
una tabla o por una grfica.
Por ejemplo, supngase que se est estudiando la poblacin, constituida por la

produccin semanal de una determinada pieza; un parmetro puede ser el promedio
poblacional de produccin semanal.
3. Muestreo
Es una herramienta de la investigacin cientfica. Su funcin bsica es determinar que
parte de una realidad en estudio (poblacin o universo) debe examinarse con la finalidad de
hacer inferencias sobre dicha poblacin. El error que se comete debido a hecho de que se
obtienen conclusiones sobre cierta realidad a partir de la observacin de slo una parte de
ella, se denomina error de muestreo. Obtener una muestra adecuada significa lograr una
versin simplificada de la poblacin, que reproduzca de algn modo sus rasgos bsicos.
9|Pgina
4. Estadstico
Valores calculados de los datos de una muestra y estiman a los parmetros de una
poblacin. Ejemplo, promedio muestral de produccin de una pieza determinada.
1.2.2 Tcnicas de muestreo
1. Probabilstico
Los mtodos de muestreo probabilsticos son aquellos que se basan en el principio de
equiprobabilidad. Es decir, aquellos en los que todos los individuos tienen la misma
probabilidad de ser elegidos para formar parte de una muestra y, consiguientemente, todas
las posibles muestras de tamao n tienen la misma probabilidad de ser seleccionadas. Slo
estos mtodos de muestreo probabilsticos nos aseguran la representatividad de la muestra
extrada y son, por tanto, los ms recomendables.
a) Aleatorio simple: El muestreo aleatorio simple (M.A.S.) es la tcnica de muestreo en

la que todos los elementos que forman el universo y que, por lo tanto, estn descritos
en el marco muestral, tienen idntica probabilidad de ser seleccionados para la
muestra.
b) Sistemtico: Se ordenan previamente los individuos de la poblacin; despus se

elige uno de ellos al azar, a continuacin, a intervalos constantes, se eligen todos los
dems hasta completar la muestra.
Por ejemplo, si tenemos una poblacin formada por 100 elementos y queremos extraer
una muestra de 25 elementos, en primer lugar, debemos establecer el intervalo de
seleccin que ser igual a 100/25 = 4. A continuacin elegimos el elemento de
arranque, tomando aleatoriamente un nmero entre el 1 y el 4, y a partir de l
obtenemos los restantes elementos de la muestra. 2, 6, 10, 14, 98
10 | P g i n a
c) Estratificado: Se divide la poblacin total en clases homogneas, llamadas estratos;

por ejemplo, por grupos de edades, por sexo. Hecho esto la muestra se escoge
aleatoriamente en nmero proporcional al de los componentes de cada clase o estrato.
d) Conglomerado: En el muestreo por conglomerados, en lugar de seleccionar a todos

los sujetos de la poblacin inmediatamente, el investigador realiza varios pasos para
reunir su muestra de la poblacin. por ejemplo, si queremos estudiar qu proporcin
de la poblacin X fuma, podemos dividir el total de la poblacin en provincias y
seleccionar algunas de ellas para ser estudiadas.
En el muestreo aleatorio estratificado, se realiza el muestreo en todos los estratos de

la poblacin, mientras que en el muestreo por conglomerados el investigador slo
selecciona aleatoriamente un nmero de conglomerados de la coleccin de
conglomerados de toda la poblacin. Por lo tanto, slo se realiza una muestra sobre
una cantidad de conglomerados.
2. No probabilstico
A veces, para estudios exploratorios, el muestreo probabilstico resulta excesivamente
costoso y se acude a mtodos no probabilsticos, aun siendo conscientes de que no sirven
para realizar generalizaciones (estimaciones inferenciales sobre la poblacin), pues no se
tiene certeza de que la muestra extrada sea representativa, ya que no todos los sujetos de la
poblacin tienen la misma probabilidad de ser elegidos por lo que puede traer como
consecuencia proporcionar informacin errnea.
1.2.3 Identificar el proceso del diseo de una muestra

Actividad #2
Realizar la practica entregada por su maestra(o) en dnde identifique tipo de variable,
tamao de muestra y la tcnica de muestreo a usar.
11 | P g i n a
1.3. Distribucin de frecuencias y su representacin grfica
1.3.1 Distribucin de Frecuencia
Introduccin
En estadstica existe una relacin con cantidades, nmeros agrupados o no, los cuales
poseen entre s caractersticas similares. Existen investigaciones relacionadas con los precios
de los productos de la dieta diaria, la estatura y el peso de un grupo de individuos, los salarios
de los empleados, los grados de temperatura del medio ambiente, las calificaciones de los
estudiantes, etc., que pueden adquirir diferentes valores gracias a una unidad apropiada, que
recibe el nombre de variable. La representacin numrica de las variables se denomina dato
estadstico.
La distribucin de frecuencia es una disposicin tabular de datos estadsticos,

ordenados ascendente o descendentemente, con la frecuencia (fi) de cada dato. Las
distribuciones de frecuencias pueden ser para datos no agrupados y para datos agrupados o
de intervalos de clase.
1. Distribucin de frecuencia de clase o de datos Agrupados

Es aquella distribucin en la que las disposiciones tabulares de los datos estadsticos
se encuentran ordenados en clases y con la frecuencia de cada clase; es decir, los datos
originales de varios valores adyacentes del conjunto se combinan para formar un intervalo de
clase. No existen normas establecidas para determinar cundo es apropiado utilizar datos
agrupados o datos no agrupados; sin embargo, se sugiere que cuando el nmero total de
datos (N) es igual o superior 50 y adems el rango o recorrido de la serie de datos es mayor
de 20, entonces, se utilizar la distribucin de frecuencia para datos agrupados, tambin se
utilizar este tipo de distribucin cuando se requiera elaborar grficos lineales como el
histograma, el polgono de frecuencia o la ojiva.
12 | P g i n a
La razn fundamental para utilizar la distribucin de frecuencia de clases es

proporcionar mejor comunicacin acerca del patrn establecido en los datos y facilitar la
manipulacin de los mismos. Los datos se agrupan en clases con el fin de sintetizar, resumir,
condensar o hacer que la informacin obtenida de una investigacin sea manejable con mayor
facilidad.
2. Distribucin de frecuencia para datos no Agrupados

Es aquella distribucin que indica las frecuencias con que aparecen los datos
estadsticos, desde el menor de ellos hasta el mayor de ese conjunto sin que se haya hecho
ninguna modificacin al tamao de las unidades originales. En estas distribuciones cada dato
mantiene su propia identidad despus que la distribucin de frecuencia se ha elaborado. En
estas distribuciones los valores de cada variable han sido solamente reagrupados, siguiendo
un orden lgico con sus respectivas frecuencias.
1.3.2 Conceptos y elementos de la distribucin de frecuencias
La distribucin de frecuencias agrupadas o tabla con datos agrupados se emplea si las

variables toman un nmero grande de valores o la variable es continua.
1. Clase
Son los valores agrupados en intervalos que tengan la misma amplitud denominados
clases. A cada clase se le asigna su frecuencia correspondiente.
Se ordenan en forma ascendente y se utiliza para determinar el nmero de clases

utilizados. Como se muestra a continuacin. Se determinan con el nmero 1,2,3,4. n, donde
n puede tender a infinito nmero de clases.
13 | P g i n a
N de Clase Inteligencia en CI
1 86-90
2 91-95
3 96-100
4 101-105
5 106-110
6 111-115
Donde:
Es el nmero de cada clase.
2. Lmites de la clase
Cada clase est delimitada por el lmite inferior de la clase y el lmite superior de la
clase.
Inteligencia
N de Clase Lmite Inferior Limite Superior
en CI
1 86-90 86 90
2 91-95 91 95
3 96-100 96 100
4 101-105 101 105
5 106-110 106 110
6 111-115 111 115
Donde:
Lmite Inferior (L.i)
Limite Superior (L.i)
14 | P g i n a
3. Amplitud de la clase
La amplitud de la clase es la diferencia entre el lmite superior e inferior de la clase.
Se obtiene mediante la resta del Limite Superior (LS Mximo Valor de la Muestra)
menos el Lmite Inferior (LI Mnimo Valor de la Muestra) y es representada mediante la letra
A Mayscula. Aunque cabe destacar que algunos autores lo denominan rango.
Se obtiene con la siguiente formula:
Donde:
LS= Lmite Superior
LI= Lmite Inferior
A= Amplitud de la clase.
4. Marca de clase
La marca de clase es el punto medio de cada intervalo y es el valor que representa a
todo el intervalo para el clculo de algunos parmetros.
Para esta frmula es de vital importancia conocer la amplitud de la clase, ya que,

obteniendo la amplitud, se dividir entre 2.
( )
=
2
Donde:
LS= Lmite Superior
15 | P g i n a
LI= Lmite Inferior
5. Frecuencias
Una distribucin de frecuencias o tabla de frecuencias es una ordenacin en forma
de tabla de los datos estadsticos, asignando a cada dato su frecuencia correspondiente.
a) Frecuencia de Clase o Absoluta
Realizar el conteo de datos dentro de las clases o bien por datos individuales, es decir,
todos aquellos datos contenidos entre ese intervalo de clase o bien el conteo de cada dato por
separado, a este tipo de frecuencia se le conoce como Frecuencia Absoluta o de Clase y es
representada mediante la letra fi.
Donde la suma de las frecuencias absolutas nos dar como resultado al nmero total
de datos, que se representa con la letra N mayscula.
1 + 2 + 2 + =
Para indicar resumidamente esta frmula, se utiliza la letra griega (sigma mayscula)
que se lee suma o sumatoria.
=
=1
Para la utilizacin de datos no agrupados veamos una aplicacin. Para ello

enlistaremos el procedimiento a realizar:
Paso 1) Ordenar los Datos en forma ascendente o descendente.
Paso 2) Identificar los Datos
16 | P g i n a
Paso 3) Iniciar el Conteo
Ejemplo:
Durante el mes de julio, en una ciudad se han registrado las siguientes temperaturas
mximas:
Paso 1) Ordenar en forma Paso 2) Identificar los Datos

ascendente o descendente
Se colocan cada uno de los datos
32 31 28 29 33 32 31 30 31 31 diferentes obtenidos.
27 28 29 30 32 31 31 30 30 29 Xi
29 30 30 31 30 31 34 33 33 29 27
28
29
27 28 28 29 29 29 29 29 30 30
30
30 30 30 30 30 31 31 31 31 31
31
31 31 31 32 32 32 33 33 33 34
32
33
34
Paso 3) Iniciar el Conteo
En la primera columna de la tabla

Xi fi
colocamos la variable ordenada de menor 27 1
28 2
a mayor y en la segunda anotamos la
29 5
frecuencia absoluta. La sumatoria de la 30 7
frecuencia absoluta fi es igual a nmero 31 8
32 3
de datos N 33 3
34 1
30
Actividad #3
Se encuestaron a hogares para determinar el nmero de personas que habitan y
estos fueron los datos obtenidos:
17 | P g i n a
2 3 4 5 6 7 5 4 6 3
1 7 2 4 5 6 8 6 4 6
2 3 1 4 6 5 6 5 7 5
Realizar la Frecuencia Absoluta fi de acuerdo al procedimiento antes mencionado.
b) Frecuencia Absoluta Acumulada
Cuando se obtiene la frecuencia absoluta, es necesario realizar una suma de las

frecuencias absolutas para lograr el resultado final de todos los datos, es representado
mediante Fi.
Se realiza la suma de los valores de la frecuencia absoluta, sumando + ( + 1),,

es decir se suma el valor de la fi ms el valor debajo del mismo y se coloca del lado derecho.
Ejemplo:
Tomando como base el ejemplo anterior obtengamos la frecuencia absoluta

Acumulada Fi
Xi fi Fi
27 1 1 Como se puede observar y para determinar si el resultado
28 2 3
29 5 8 obtenido es correcto debe de coincidir con la sumatoria de la
30 7 15 frecuencia absoluta fi.
31 8 23
32 3 26
33 3 29
34 1 30
30
Actividad #4
De acuerdo a la Actividad #3 realiza la frecuencia absoluta acumulada
18 | P g i n a
2 3 4 5 6 7 5 4 6 3
1 7 2 4 5 6 8 6 4 6
2 3 1 4 6 5 6 5 7 5
Realizar la Frecuencia Absoluta fi de acuerdo al procedimiento antes mencionado.
c) Frecuencia Relativa
Se obtiene mediante el cociente entre la frecuencia absoluta de un determinado

valor y el nmero total de datos.
Se puede expresar en tantos por ciento y se representa por ni
Donde:
ni= Frecuencia Relativa
fi= Frecuencia Absoluta
N= Nmero total de Datos
Para obtener la frecuencia relativa es necesario seguir el siguiente procedimiento
1) Es necesario tener la frecuencia absoluta

2) Realizar una divisin de la frecuencia absoluta con respecto al Nmero total de
datos
3) La Sumatoria total de la frecuencia relativa debe ser igual a 1
19 | P g i n a
Ejemplo:
Tomando como base el ejemplo anterior obtengamos la frecuencia Relativa ni
Xi fi Fi ni
27 1 1 0.033 4) Como se puede observar para determinar si el
28 2 3 0.066
29 5 8 0.166 resultado obtenido es correcto la sumatoria debe ser igual a
30 7 15 0.233 1 o muy prximo a 1.
31 8 23 0.266
32 3 26 0.100
33 3 29 0.100
34 1 30 0.033
30 0.997
1 2 5 7
= = 0.033 = = 0.066 = = 0.166 = = 0.166
30 30 30 30
8 3 3 1
= = 0.266 = = 0.100 = = 0.100 = = 0.033
30 30 30 30
Actividad #5
De acuerdo a la Actividad #4 realiza la frecuencia relativa
2 3 4 5 6 7 5 4 6 3
1 7 2 4 5 6 8 6 4 6
2 3 1 4 6 5 6 5 7 5
Realizar la Frecuencia Relativa ni de acuerdo al procedimiento antes mencionado.
20 | P g i n a
d) Frecuencia Relativa Acumulada
La frecuencia relativa acumulada es el cociente entre la frecuencia acumulada de

un determinado valor y el nmero total de datos. Se puede expresar en tantos por ciento y
se representa por la letra Ni.
La frmula para determinar es la siguiente:
Donde:
Ni= Frecuencia Relativa Acumulada
Fi= Frecuencia Absoluta Acumulada
1) Es necesario tener la frecuencia absoluta acumulada

2) Realizar una divisin de la frecuencia absoluta acumulada con respecto al
Nmero total de datos
3) La Sumatoria total de la frecuencia relativa acumulada debe ser igual a 1
Ejemplo:
Tomando como base el ejemplo anterior obtengamos la frecuencia Relativa ni
Xi fi Fi ni Ni
27 1 1 0.033 0.033 1) Como se puede observar para determinar si el
28 2 3 0.066 0.099
29 5 8 0.166 0.265 resultado obtenido es correcto la sumatoria debe
30 7 15 0.233 0.498 ser igual a 1 o muy prximo a 1.
31 8 23 0.266 0.764
32 3 26 0.100 0.864
33 3 29 0.100 0.964
34 1 30 0.033 0.997
30 0.997 0.997
21 | P g i n a
1 3 8 15
= = 0.033 = = 0.099 = = 0.265 = = 0.498
30 30 30 30
23 26 29 1
= = 0.764 = = 0.864 = = 0.964 = = 0.997
30 30 30 30
Actividad #6
De acuerdo a la Actividad #5 realiza la frecuencia relativa
2 3 4 5 6 7 5 4 6 3
1 7 2 4 5 6 8 6 4 6
2 3 1 4 6 5 6 5 7 5
Realizar la Frecuencia Relativa ni de acuerdo al procedimiento antes mencionado.
e) Frecuencia Relativa Porcentual
La frecuencia relativa es aquella que resulta de dividir cada uno de los fi de las
clases de una distribucin de frecuencia de clase entre el nmero total de datos (N) de la
serie de valores. Estas frecuencias se designan con las letras fi, si cada fi se multiplica
por 100 se obtiene la frecuencia relativa porcentual y es representada mediante fi%.
Se obtiene mediante la frmula:
% = (1)(100)
Donde:
fi%= Frecuencia Relativa Porcentual
22 | P g i n a
ni= Frecuencia Relativa
100= Para obtener el porcentaje
1) Es necesario tener la frecuencia absoluta

2) Realizar una multiplicacin le la frecuencia absoluta por 100
3) La Sumatoria total de la frecuencia relativa porcentual debe ser igual a 100%
Ejemplo:
Tomando como base el ejemplo anterior obtengamos la frecuencia Relativa

Porcentual fi%
Xi fi Fi ni Ni fi
27 1 1 0.033 0.033 3.33% 4) Como se puede observar para
28 2 3 0.066 0.099 6.66%
29 5 8 0.166 0.265 16.66% determinar si el resultado obtenido es
30 7 15 0.233 0.498 23.33% correcto la sumatoria debe ser igual a
31 8 23 0.266 0.764 26.66%
32 3 26 0.100 0.864 10.00% 100% o muy prximo a 100%.
33 3 29 0.100 0.964 10.00%
34 1 30 0.033 0.997 3.33%
30 0.997 0.997 99.7%
% = (1)(100)
% = (0.033)(100) = 3.33% % = (0.066)(100) = 6.66%
% = (0.166)(100) = 16.66% % = (0.233)(100) = 23.33%
% = (0.266)(100) = 26.66% % = (0.100)(100) = 10.00%
% = (0.100)(100) = 10.00% % = (0.033)(100) = 3.33%
Actividad #7
De acuerdo a la Actividad #6 realiza la frecuencia relativa porcentual
2 3 4 5 6 7 5 4 6 3
1 7 2 4 5 6 8 6 4 6
2 3 1 4 6 5 6 5 7 5
23 | P g i n a
f) Frecuencia Relativa Acumulada Porcentual
LA frecuencia relativa porcentual se obtiene multiplicando la frecuencia relativa

acumulada Ni por 100 y se representa mediante Fi%. Como se muestra en la siguiente
frmula:
% = (1)(100)
Donde:
Fi%= Frecuencia Relativa Acumulada Porcentual
Ni= Frecuencia Relativa Acumulada
100= Para obtener el porcentaje
Realizar la Frecuencia Relativa Porcentual fi% de acuerdo al procedimiento antes

mencionado.
1) Es necesario tener la frecuencia absoluta acumulada

2) Realizar una multiplicacin le la frecuencia absoluta acumulada por 100
3) La Sumatoria total de la frecuencia relativa porcentual acumulada debe ser igual
a 100%
Ejemplo:
Tomando como base el ejemplo anterior obtengamos la frecuencia Relativa

Porcentual Acumulada Fi%
24 | P g i n a
Xi fi Fi ni Ni fi Fi
27 1 1 0.033 0.033 3.33% 3.33%
28 2 3 0.066 0.099 6.66% 9.99%
29 5 8 0.166 0.265 16.66% 26.50%
30 7 15 0.233 0.498 23.33% 49.80%
31 8 23 0.266 0.764 26.66% 76.40%
32 3 26 0.100 0.864 10.00% 86.40%
33 3 29 0.100 0.964 10.00% 96.40%
34 1 30 0.033 0.997 3.33% 99.70%
30 0.997 99.7%
4) Como se puede observar para determinar si el resultado obtenido es correcto la

sumatoria debe ser igual a 100% o muy prximo a 100%.
% = (1)(100)
% = (0.033)(100) = 3.33% % = (0.099)(100) = 9.99%
% = (0.265)(100) = 26.50% % = (0.498)(100) = 49.80%
% = (0.764)(100) = 76.40% % = (0.864)(100) = 86.40%
% = (0.964)(100) = 96.40% % = (0.997)(100) = 99.70%
Actividad #8
De acuerdo a la Actividad #7 realiza la frecuencia relativa porcentual acumulada
2 3 4 5 6 7 5 4 6 3
1 7 2 4 5 6 8 6 4 6
2 3 1 4 6 5 6 5 7 5
Realizar la Frecuencia Relativa Porcentual Acumulada Fi% de acuerdo al

procedimiento antes mencionado.
NOTA: Si deseas aprender ms, puedes ir directamente al Anexo #2 para realizar

ejercicios de tablas de distribucin de frecuencias, tanto de datos agrupados, como de datos
no agrupados.
25 | P g i n a
Medidas de Tendencia Central, Localizacin y

Dispersin.
Cada medida de tendencia central proporciona un valor numrico, el cual es el ms

representativo de todos los datos, es decir, el estudio de la tendencia generalizada de que
los datos se agrupen en su mayora alrededor de un valor calculado.
Entre los parmetros estadsticos encontramos los de centralizacin, de posicin y

de dispersin.
1. Medidas de Centralizacin
Nos indica en torno a qu valor (centro) se distribuyen los datos.
a) Media Aritmtica
La media es el valor promedio de la distribucin. Se obtiene sumando el total de
cada uno de los datos y se divide en el Nmero de datos N. Se representa por
1 + 2 + 3
=

Donde:
= Media Aritmtica
D1= Datos adquiridos
N= Nmero total de datos.
26 | P g i n a
Ejemplo #1
Un grupo de 6 amigas tienen distintas edades. Son las siguientes: 2 de ellas tienen
28 aos y otras 2 tienen 32 aos, el resto tienen 29 y 30 aos respectivamente. Calcula la
media aritmtica del grupo.
Primero se enuncian los datos obtenidos:
28 28 32 32 29 30
Despus sustituimos los datos en la formula
28 + 28 + 32 + 32 + 29 + 30
=
6
= 29.83
es 29.83
Eso quiere decir que la media aritmtica ""
b) Mediana
Es la puntuacin de la escala que separa la mitad superior de la distribucin y la
inferior, es decir, divide la serie de datos en dos partes. Se representa por Me
Se resuelve con la siguiente formula:

=
2
Donde:
Me= Mediana
27 | P g i n a
Ejemplo#2
Un grupo de 6 amigas tienen distintas edades. Son las siguientes: 2 de ellas

tienen 28 aos y otras 2 tienen 32 aos, el resto tienen 29 y 30 aos
respectivamente. Calcula la media aritmtica del grupo.
Se calcula ordenando los datos en forma ascendente y se busca el punto medio,

contando de lado izquierdo a derecho y buscar el punto medio, y se cuenta de lado derecho
a izquierdo.
28 28 29 30 32 32
Como se puede observar son dos datos que se encuentran justamente a la mitad,
ambos se suman y se dividirn entre dos.
28 28 29 30 32 32
Traemos la formula y sustituimos los valores para obtener la mediana
29 + 30
=
2
= 29.5
Eso quiere decir que la mediana me es 29.5
c) Moda
La moda es el valor que ms se repite en una distribucin de frecuencias. Es
representado por Mo. Puede darse la ocasin donde la moda sean dos y se va a conocer
como bimodal, y en cambio cuando la moda sean tres o ms datos que se repiten de
manera igual se le conocer como multimodal.
28 | P g i n a
Ejemplo#3
Un grupo de 6 amigas tienen distintas edades. Son las siguientes: 2 de ellas

tienen 28 aos y otras 2 tienen 32 aos, el resto tienen 29 y 30 aos
respectivamente. Calcula la media aritmtica del grupo.
Para calcular la moda l es necesario ordenar de forma ascendente los datos

recaudados y determinar cul es el mayor de veces que se repite un dato.
28 28 29 30 32 32
El nmero que mayor se repite, es decir, la moda Mo es 32
NOTA: Si deseas aprender un poco ms ve al Anexo #3 donde encontrars ms

ejercicios de todo en conjunto.
2. Medidas de Posicin
Dividen un conjunto de datos con el nmero de individuos. Cada uno se va a
representar mediante porcentaje y eso depende el nombre de la media de posicin.
a) Cuartiles
Dividen la serie de datos en cuatro partes iguales. Cada parte representa un 25% y
se representa con la letra C, aunque muchos autores tambin la mencionan como Q.
La frmula para obtener cada uno de estas medidas de posicin depender si el

estudio estadstico es de datos agrupados o de datos no agrupados.
Para obtener cuartiles en datos no agrupados lo obtendremos mediante la siguiente

frmula:
29 | P g i n a
( + 1)
=
4
Donde:
Q= Cuartil
K= N de Cuartil
N= Nmero de Datos totales
Ejemplo #1
Se obtuvieron los siguientes datos en desorden los cuales son los siguientes.
Calcula el Cuartil N-1
3 8 7 6 5 2 1 7 8 9
El primer paso es ordenar los datos en forma ascendente:
3 8 7 6 5 2 1 7 8 9
1 2 3 4 5 6 7 8 9 10
Sustituyendo la formula general:
( + 1)
=
4
Se quiere obtener el cuartil N-1
1 (10 + 1)
1 =
4
11
1 =
4
1 = 2.75 = 3 = 25%
Esto quiere decir que la posicin del cuartil N-1 es en la posicin 3, es decir el 25%.
30 | P g i n a
3 8 7 6 5 2 1 7 8 9
1 2 3 4 5 6 7 8 9 10
En cambio, para obtener cuartiles en datos agrupados lo obtendremos mediante la

siguiente formula:

= + ( 1)
4

Donde:
Li= Lmite Inferior del Cuartil analizado
K=Nmero de Cuartil
N=Nmero de Datos
fi= Frecuencia Absoluta del cuartil analizado
Fi-1= Frecuencia absoluta acumulada menos una frecuencia del

cuartil analizado.
A= Amplitud
Ejemplo #1:
Para la obtencin de lo solicitado por la Sr. Iliana Tavarez Leal se opt por realizar
un estudio estadstico donde se incluya inicialmente la tabla de distribucin de frecuencias
de datos agrupados donde los resultados estadsticos se ordenan en clases y con la
frecuencia de cada clase, es decir, los datos originales se combinan para formar un intervalo
de clase donde el primer paso para desarrollarse es el acomodo de los datos en forma
ascendente. La razn fundamental de utilizar la distribucin de frecuencias de clases es
proporcionar mejor comunicacin acerca del patrn establecido en los datos y facilitar la
manipulacin de los mismos.
31 | P g i n a
546 835 899 899 901 985 986 997 1003 1010
1025 1114 1200 1235 1252 1282 1285 1301 1381 1381
1382 1450 1450 1580 1581 1591 1670 1670 1770 2013
2181 2185 2185 2223 2228 2228 2325 2370 2770 2770
2882 2993 2993 3185 3225 3271 3452 4381 4562 4689
Para calcular el cuartil en este estudio estadstico, utilizaremos la segunda frmula

y utilizaremos la tabla de frecuencias.
DATOS fi Fi
546-804 1 1
805-1063 10 11
1064-1322 7 18
1323-1581 7 25
1582-1840 4 29
1841-2099 1 30
2100-2358 7 37
2359-2617 1 38
2618-2876 2 40
2877-3135 3 43
3136-3394 3 46
3395-3653 1 47
3654-3912 0 47
3913-4171 0 47
4172-4430 1 48
4431-4689 2 50
En base a la formula siguiente calcularemos el cuartil N2

= + ( 1)
4

El primer paso es calcular la ubicacin del cuartil
32 | P g i n a
2 50
2 = ( )
4
100
2 = ( )
4
2 = 25
25 18 7
2 = 1323 + ( ) 258 2 = 1323 + ( ) 258 2 = 1323 + (1) 258
7 7
2 = 1323 + 258
2 = 1581
Con este dato nos percatamos que las ganancias son en un 50% superiores a $1581
e inferiores en 50% de $1581. Por lo que las ganancias adquiridas eran idnticas a la media
aritmtica.
b) Deciles
Dividen la serie de datos en diez partes iguales. Cada parte representa un 10% y se
representa con la letra D.

Para obtener deciles en datos no agrupados lo obtendremos mediante la siguiente

frmula:
( + 1)
=
10
33 | P g i n a
Donde:
D= Decil
K= N de Decil
Ejemplo #1
Calcula el Decil N-3
3 8 7 6 5 2 1 7 8 9
3 8 7 6 5 2 1 7 8 9
1 2 3 4 5 6 7 8 9 10
( + 1)
=
10
Se quiere obtener el Decil N3
3 (10 + 1)
3 =
10
33
3 =
10
3 = 3.3 = 4 = 30%
Esto quiere decir que la posicin del decil N3 es el 4 como se muestra en la

siguiente tabla.
3 8 7 6 5 2 1 7 8 9
1 2 3 4 5 6 7 8 9 10
34 | P g i n a
En cambio, para obtener deciles en datos agrupados lo obtendremos mediante la

siguiente formula:

= + ( 1)
4

Donde:
Li= Lmite Inferior del Decil analizado
K=Nmero de Decil
N=Nmero de Datos
fi= Frecuencia Absoluta del decil analizado
Fi-1= Frecuencia absoluta acumulada menos una frecuencia del decil

analizado.
A= Amplitud
Ejemplo#2
Con el Ejemplo anterior del estudio estadstico para datos agrupados se realiz el
decil N3
DATOS fi Fi
546-804 1 1
805-1063 10 11
1064-1322 7 18
1323-1581 7 25
1582-1840 4 29
1841-2099 1 30
2100-2358 7 37
2359-2617 1 38
2618-2876 2 40
2877-3135 3 43
3136-3394 3 46
3395-3653 1 47
3654-3912 0 47
35 | P g i n a
3913-4171 0 47
4172-4430 1 48
4431-4689 2 50
En base a la formula siguiente calcularemos el decil N3

= + ( 1)
4

El primer paso es calcular la ubicacin del decil
3 50
3 = ( )
4
150
3 = ( )
4
3 = 15
15 11 4
3 = 1064 + ( ) 258 3 = 1064 + ( ) 258 3 = 1064 + (0.5714) 258
7 7
3 = 1064 + 147.47
3 = 1211.42
Con este dato nos percatamos que las ganancias son en un 70% superiores a
$1211.42 e inferiores en 30% de $1211.42.
36 | P g i n a
c) Percentiles
Dividen la serie de datos en cien partes iguales. Cada parte representa un 1% y se
representa con la letra P.

Para obtener percentiles en datos no agrupados lo obtendremos mediante la

siguiente frmula:
( + 1)
=
100
Donde:
P= Percentil
K= N de Percentil
Ejemplo #1
Calcula el Percentil N15
3 8 7 6 5 2 1 7 8 9
3 8 7 6 5 2 1 7 8 9
1 2 3 4 5 6 7 8 9 10
37 | P g i n a
( + 1)
=
100
Se quiere obtener el Percentil N15
15 (10 + 1)
15 =
10
15 11
15 =
100
165
15 =
100
3 = 1.65 = 2 = 15%
Esto quiere decir que la posicin del Percentil N15 es el 2 como se muestra en la
siguiente tabla.
3 8 7 6 5 2 1 7 8 9
1 2 3 4 5 6 7 8 9 10
En cambio, para obtener percentiles en datos agrupados lo obtendremos mediante

la siguiente formula:

= + ( 1)
4

Donde:
Li= Lmite Inferior del percentil analizado
K=Nmero de percentil
N=Nmero de Datos
fi= Frecuencia Absoluta del percentil analizado
38 | P g i n a
Fi-1= Frecuencia absoluta acumulada menos una frecuencia del decil

analizado.
A= Amplitud
Ejemplo#3
Con el Ejemplo anterior se realiz el percentil N45
Para calcular el percentil en este estudio estadstico, utilizaremos la segunda

frmula y utilizaremos la tabla de frecuencias.
En base a la formula siguiente calcularemos el percentil N45

= + ( 1)
4

El primer paso es calcular la ubicacin del percentil
DATOS fi Fi
546-804 1 1
805-1063 10 11
1064-1322 7 18
1323-1581 7 25
1582-1840 4 29
1841-2099 1 30
2100-2358 7 37
2359-2617 1 38
2618-2876 2 40
2877-3135 3 43
3136-3394 3 46
3395-3653 1 47
3654-3912 0 47
3913-4171 0 47
4172-4430 1 48
4431-4689 2 50
39 | P g i n a
45 50
45 = ( )
100
2250
45 = ( )
100
45 = 22.5
22.5 18 4.5
45 = 1323 + ( ) 258 45 = 1323 + ( ) 258
7 7
45 = 1323 + (0.6428) 258
45 = 1323 + 165.85
45 = 1488.85
Con este dato nos percatamos que las ganancias son en un 55% superiores a
$1488.85 e inferiores en 45% de $1488.85.

3. Medidas de Dispersin
Las medidas de dispersin nos informan sobre cuanto se alejan del centro los
valores de la distribucin.
a) Rango
Es la diferencia entre el mayor y el menor de los datos de una distribucin
estadstica. Se obtiene restando el Limite Superior Ls con respecto al Lmite Inferior Li.
Se representa por la letra R
40 | P g i n a
Donde:
R= Rango
Ls: Limite Superior
Li: Lmite Inferior
Ejemplo:
Obtener el rango del precio de 50 restaurantes de la ciudad
50 38 43 56 51 36 25 33 41 44
34 39 49 37 40 50 50 35 22 45
44 38 14 44 51 27 44 39 50 35
31 34 48 48 30 42 26 35 32 63
36 38 53 23 39 45 37 31 39 53
Para obtener el rango es necesario conocer el lmite superior y el lmite inferior,

para ello nos vamos en nuestra tabla de distribucin de frecuencias.
Una vez realizado el paso anterior, arrastramos la formula y obtenemos el rango
= 63 14
= 49
41 | P g i n a
b) Desviacin Media
Es la media aritmtica del cuadrado de los valores absolutos de las desviaciones
respecto a la media. Se representa con D.
Se obtiene mediante la siguiente formula:
(1 ) + (2 ) + ( ) + ( )
=

Donde:
D =Desviacin Media
Xn= Dato Infinito
= Media
Procedimiento:
1) Primero se obtiene la media que es el promedio de todos los datos

2) Se utiliza cada dato restndole la media y sumar cada resultado por separado.
3) Dividirlo entre el nmero de datos.
Ejemplo:
Hallar la desviacin media de la serie de nmeros siguientes:
12 6 7 3 15 10 18 5
1) Primero se obtiene la media que es el promedio de todos los datos.
1 + 2 + 3
=

12 + 6 + 7 + 3 + 15 + 10 + 18 + 5 76
= = = 9.5
8 8
42 | P g i n a
(1 ) + (2 ) + ( ) + ( )
=

(12 9.5) + (6 9.5) + (7 9.5) + (15 9.5) + (10 9.5) + (18 9.5) + (5 9.5)
=


(12 9.5) + (6 9.5) + (7 9.5) + (15 9.5) + (10 9.5) + (18 9.5) + (5 9.5)
=
8
= 4.25
c) Varianza
Es la media aritmtica del cuadrado del cuadrado de las desviaciones respecto a la
media. Se representa con .2 .
(1 ).2 + (2 ).2 + ( ) + ( ).2

.2 =

Donde:
.2 =Varianza
Xn= Dato Infinito
= Media
43 | P g i n a
Procedimiento:

2) Se utiliza cada dato restndole la media y sumar cada resultado por separado
elevado al cuadrado. (Vea la formula)
Ejemplo:
Hallar la varianza de la serie de nmeros siguientes:
12 6 7 3 15 10 18 5
1 + 2 + 3
=

12 + 6 + 7 + 3 + 15 + 10 + 18 + 5 76
= = = 9.5
8 8
(1 ).2 + (2 ).2 + ( ) + ( ).2
.2 =

(12 9.5)2 + (6 9.5)2 + (7 9.5)2 + (3 9.5)2 +

(15 9.5)2 + (10 9.5)2 + (18 9.5)2 + (5 9.5)2
2 =

6.25 + 12.25 + 6.25 + 42.25 +

= 30.25 + .25 + 72.25 + 20.25
2
8
44 | P g i n a
190
2 =
8
2 = 23.75
d) Desviacin Tpica o Estndar.

Es la de la raz cuadra de la varianza. Se representa con .
(1 ).2 + (2 ).2 + ( ) + ( ).2

=

= .2
Donde:
=Desviacin Tpica o Estndar
.2 =Varianza
Xn= Dato Infinito
= Media
Procedimiento:

2) Se utiliza cada dato restndole la media y sumar cada resultado por separado
elevado al cuadrado (Vea la formula)
45 | P g i n a

4) Sacar raz cuadrada del resultado.
Ejemplo:
Hallar la varianza de la serie de nmeros siguientes:
12 6 7 3 15 10 18 5
1 + 2 + 3
=

12 + 6 + 7 + 3 + 15 + 10 + 18 + 5 76
= = = 9.5
8 8
(1 ).2 + (2 ).2 + ( ) + ( ).2

=

(12 9.5)2 + (6 9.5)2 + (7 9.5)2 + (3 9.5)2 +

(15 9.5)2 + (10 9.5)2 + (18 9.5)2 + (5 9.5)2
=


6.25 + 12.25 + 6.25 + 42.25 +
30.25 + .25 + 72.25 + 20.25
=
8
46 | P g i n a
190
=
8
= 23.75
= 4.83

47 | P g i n a
Utilizacin de Excel para Medidas de Tendencia

Central, Localizacin y Dispersin.
1. Medidas de Centralizacin
Nos indica en torno a qu valor (centro) se distribuyen los datos.
a) Media Aritmtica
La media es el valor promedio de la distribucin. Se obtiene sumando el total de
cada uno de los datos y se divide en el Nmero de datos N. Se representa por
Procedimiento
1) Colocar los datos a utilizar en

forma de columnas.
2) Ordenarlo en el ms pequeo al
ms grande.
Seleccionar el Rango de
Datos
En la pestaa Inicio> Editar

buscar y filtrar y
seleccionar la primera
opcin.
48 | P g i n a
Quedara de la siguiente
manera. De menor a
mayor.
Para calcular la media

aritmtica se utiliza la
siguiente formula
= (1: 6)
Donde se coloca en la
barra de frmulas y el
B1:B6 es el rango de
datos.
b) Mediana
Es la puntuacin de la escala que separa la mitad superior de la distribucin y la
inferior, es decir, divide la serie de datos en dos partes. Se representa por Me
Procedimiento

forma de columnas.
49 | P g i n a
ms grande.
Datos

buscar y filtrar y
opcin.
manera. De menor a
mayor.
Para calcular la mediana se utiliza la siguiente formula
= (1: 6)
Donde se coloca en la barra de frmulas y el B1:B6 es el rango de datos.
50 | P g i n a
c) Moda
La moda es el valor que ms se repite en una distribucin de frecuencias. Es
representado por Mo. Puede darse la ocasin donde la moda sean dos y se va a conocer
como bimodal, y en cambio cuando la moda sean tres o ms datos que se repiten de
manera igual se le conocer como multimodal.
Procedimiento

forma de columnas.
ms grande.
Datos

buscar y filtrar y
opcin.
manera. De menor a
mayor.
51 | P g i n a
Para calcular la moda se utiliza la siguiente formula
= (1: 6)
Donde se coloca en la barra de frmulas y el B1:B6 es el rango de datos.
2. Medidas de Posicin
Dividen un conjunto de datos con el nmero de individuos. Cada uno se va a
representar mediante porcentaje y eso depende el nombre de la media de posicin.
a) Cuartiles
Dividen la serie de datos en cuatro partes iguales. Cada parte representa un 25% y
se representa con la letra C, aunque muchos autores tambin la mencionan como Q.
Procedimiento

forma de columnas.
52 | P g i n a
ms grande.
Datos

buscar y filtrar y
opcin.
manera. De menor a
mayor.
Para calcular los cuartiles se utiliza la siguiente formula
= (1: 6,1)
Donde se coloca en la barra de frmulas y el B1:B6 es el rango de datos y

posteriormente se coloca la coma y se pone el nmero de cuartil que se
quiere escoger.
53 | P g i n a
b) Deciles
Dividen la serie de datos en diez partes iguales. Cada parte representa un 10% y se
representa con la letra D.
Procedimiento

forma de columnas.
ms grande.
Datos

buscar y filtrar y
opcin.
manera. De menor a
mayor.
Para calcular los deciles se utiliza la siguiente formula
= (1: 6,0.10)
54 | P g i n a
NOTA: Se utiliza percentil debido a que no existe una frmula de 10 en 10 y

solo se utilizan los percentiles con mltiplos de 10 es decir de
0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9,1

quiere escoger.
c) Percentiles
Dividen la serie de datos en cien partes iguales. Cada parte representa un 1% y se
representa con la letra P.
Procedimiento

forma de columnas.
55 | P g i n a
ms grande.
Datos

buscar y filtrar y
opcin.
manera. De menor a
mayor.
Para calcular los percentiles se utiliza la siguiente formula
= (1: 6,0.10)

quiere escoger.
56 | P g i n a
3. Medidas de Dispersin
Las medidas de dispersin nos informan sobre cuanto se alejan del centro los
valores de la distribucin.
a) Desviacin Media
Es la media aritmtica del cuadrado de los valores absolutos de las desviaciones
respecto a la media. Se representa con D.
Procedimiento

forma de columnas.
ms grande.
Datos

buscar y filtrar y
opcin.
57 | P g i n a
manera. De menor a
mayor.
Para calcular la desviacin media se utiliza la siguiente formula
= (1: 6)

quiere escoger.
b) Varianza
Es la media aritmtica del cuadrado del cuadrado de las desviaciones respecto a la
media. Se representa con .2 .
Procedimiento

forma de columnas.
58 | P g i n a
ms grande.
Datos

buscar y filtrar y
opcin.
manera. De menor a
mayor.
Para calcular la varianza se utiliza la siguiente formula
= (1: 6)

quiere escoger.
59 | P g i n a
c) Desviacin Tpica o Estndar.

Es la de la raz cuadra de la varianza. Se representa con .
Procedimiento

forma de columnas.
ms grande.
Datos

buscar y filtrar y
opcin.
60 | P g i n a
manera. De menor a
mayor.
Para calcular la Desviacin Tpica o Estndar se utiliza la siguiente formula
= (1: 6)

quiere escoger.
61 | P g i n a
UNIDAD 2: Probabilidad y Estadstica
Competencia y objetivo general de la materia de Probabilidad y Estadstica para los

alumnos que cursan el segundo tetramestre en la carrera de mecatrnica.
Competencias
Plantear y solucionar problemas con base en los principios y teoras de fsica,
qumica y matemticas, a travs del mtodo cientfico para sustentar la toma de decisiones
en los mbitos cientfico y tecnolgico.
Objetivo de aprendizaje:
El alumno resolver problemas estadsticos mediante el procesamiento de datos,
as como el anlisis y estimacin de parmetros para fundamentar la toma de decisiones.
62 | P g i n a
Objetivo
El alumno determinar las probabilidades de datos estadsticos para contribuir a la
toma de decisiones.
2.1 Conjuntos
2.1.1. Teora de conjuntos
La teora de conjuntos es una rama de las matemticas que estudia las propiedades
de los conjuntos: colecciones abstractas de objetos, consideradas como objetos en s
mismas. Los conjuntos y sus operaciones ms elementales son una herramienta bsica en
la formulacin de cualquier teora matemtica.
Sin embargo, la teora de los conjuntos es lo suficientemente rica como para

construir el resto de objetos y estructuras de inters en matemticas: nmeros, funciones,
figuras geomtricas, ...; y junto con la lgica permite estudiar los fundamentos de esta. En
la actualidad se acepta que el conjunto de axiomas de la teora de Zermelo-Fraenkel es
suficiente para desarrollar toda la matemtica.
Adems, la propia teora de conjuntos es objeto de estudio per se, no slo como
herramienta auxiliar, en particular las propiedades y relaciones de los conjuntos infinitos.
En esta disciplina es habitual que se presenten casos de propiedades indemostrables o
contradictorias, como la hiptesis del continuo o la existencia de un cardinal inaccesible.
Por esta razn, sus razonamientos y tcnicas se apoyan en gran medida en la lgica
matemtica.
El desarrollo histrico de la teora de conjuntos se atribuye a Georg Cantor, que

comenz a investigar cuestiones conjuntistas puras en la segunda mitad del siglo XIX,
precedido por algunas ideas de Bernhard Bolzano e influenciado por Richard Dedekind. El
descubrimiento de las paradojas de la teora cantoriana de conjuntos propici los trabajos
de Bertrand Russell, Ernst Zermelo, Abraham Fraenkel y otros a principios del siglo XX.
63 | P g i n a
2.1.2 Conceptos:
Universo
Se denomina Universo estadstico a un conjunto, finito o infinito de seres vivos,
elementos o cosas, sobre los cuales estn definidas caractersticas que interesa analizar.
Se habla de universo de personas, fabricas, ros, familias, automviles, etc.
Poblacin
Se llama poblacin estadstica a la coleccin de todas las posibles mediciones que
pueden hacerse de una caracterstica en estudio. Observe que una poblacin va a estar
constituidas por datos o valores.
Se habla de la poblacin de estaturas, ingresos, opiniones etc. a poblacin puede

ser finita o infinita de acuerdo al nmero de datos o valores que lo integran.
Muestra
Una muestra es una parte o porcin de una poblacin pueden seleccionarse
diferentes muestras.
64 | P g i n a
Ejemplo de Estadstica clasificacin: Universo, Poblacin y muestra:

1) Se desea realizar un estudio acerca de la estructura por edades de los
habitantes de una ciudad, caracterstica principal en estudio: la edad
Universo: Todos los habitantes de la ciudad.

Poblacin: Todas las edades individuales de cada uno de los habitantes de la
ciudad.
Muestra: Las edades correspondientes a los habitantes de un barrio o sector de la
ciudad.
Conjunto Vaco
Es aquel conjunto que no tiene ningn elemento. Se representa por el smbolo
Ejemplo: Sea A el conjunto de las personas mayores de 200 aos
Subconjunto
Se dice que un conjunto A es subconjunto de un conjunto B, o bien que A
est incluido en B si y slo si cada elemento que pertenece a pertenecer tambin a B.
A est incluido en B y se anota A B.
Ejemplo:
A = {1, 3, 5}
B = {1, 2, 3, 4, 5, 6, 7}
65 | P g i n a
Entonces A B.
Si A no es subconjunto de B se escribe A B.
Notacin
Llamaremos elemento a cada uno de los objetos que forman parte de un conjunto,
estos elementos tienen carcter individual, tienen cualidades que nos permiten
diferenciarlos, y cada uno de ellos es nico, no habiendo elementos duplicados o repetidos.
Los representaremos con una letra minscula: a, b, c,
/ : Se usa para expresar si un elemento pertenece o no a un conjunto.
: Se usa para expresar que un conjunto, y, por lo tanto, todos sus elementos, forman parte
de otro conjunto mayor.
U / : El primer smbolo indica el conjunto universal, es el conjunto de todas las cosas sobre
las que estemos tratando. As, si hablamos de nmeros enteros entonces U es el conjunto
de los nmeros enteros, si hablamos de ciudades, U es el conjunto de todas las ciudades,
este conjunto universal puede mencionarse explcitamente, o en la mayora de los casos se
da por supuesto dado el contexto que estemos tratando, pero siempre es necesario
demostrar la existencia de dicho conjunto previamente.
El otro conjunto, se le llama conjunto vaco y cumple que todos los elementos
posibles no estn contenidos en l, es decir x, x.
2.1.2 Diagramas de Venn

Un diagrama de Venn es una representacin
pictrica de conjuntos en el plano. El conjunto universal U
se representa por un rectngulo, cualquier otro conjunto
se representa con un crculo. Una operacin se representa
mediante el sombreado de los elementos del conjunto.
66 | P g i n a
Orgenes
Los diagramas de Venn tienen el nombre de su creador, John Venn, matemtico y
filsofo britnico. Estudiante y ms tarde profesor en el Caius College de la Universidad de
Cambridge, desarroll toda su produccin intelectual entre esas cuatro paredes.
Venn introdujo el sistema de representacin que

hoy conocemos en julio de 1880 con la publicacin de su
trabajo titulado De la representacin mecnica y
diagramtica de proposiciones y razonamientos en el
Philosophical Magazine and Journal of Science,
provocando un cierto revuelo en el mundo de la lgica
formal. Aunque la primera forma de representacin
geomtrica de silogismos lgicos se atribuye comnmente
a Gottfried Leibniz, y fue luego ampliada por George Boole
y Augustus De Morgan, el mtodo de Venn superaba en
claridad y sencillez a los sistemas de representacin
anteriores, hasta el punto de convertirse con el tiempo en
un nuevo estndar.
Venn fue el primero en formalizar su uso y en ofrecer un mecanismo de

generalizacin para los mismos.
Ms adelante desarroll algo ms su nuevo mtodo en su libro Lgica simblica,

publicado en 1881 con el nimo de interpretar y corregir los trabajos de Boole en el campo
de la lgica formal. Aunque no tuvo demasiado xito en su empeo, su libro se convirti en
una excelente plataforma de ejemplo para el nuevo sistema de representacin. Sigui
usndolo en su siguiente libro sobre lgica (Los principios de la lgica emprica, publicado
en 1889), con lo que los diagramas de Venn fueron a partir de entonces cada vez ms
empleados como representacin de relaciones lgicas.
La primera referencia escrita al trmino "diagrama de Venn" de la que se tiene

constancia es muy tarda (1918), en el libro A Survey of Symbolic Logic, de Clarence Irving
Lewis.
67 | P g i n a
Ventanal en el comedor del Gonville and Caius College, Cambridge, conmemorando

la estancia de Venn y su principal creacin.
Los diagramas de Venn se emplean hoy da para ensear matemticas elementales

y para reducir la lgica y la Teora de conjuntos al clculo simblico puro. Se suelen usar
tambin en el aula diagramas de Venn de dos o tres conjuntos como herramienta de
sntesis, para ayudar a los estudiantes a comparar y contrastar dos o tres de elementos; en
este uso, se incluyen dentro de cada elemento las caractersticas exclusivas, y en las
intersecciones, las comunes con los otros.
Construccin de un Diagrama de Venn

1.- Se analiza el problema planteado e inicialmente se dibuja el universo.
Universo
2.- Se colocan las variables a utilizar de manera que se representan mediante

crculos
U
3.- Posteriormente se colocan el nmero de datos mencionado en el problema.
68 | P g i n a
Ejemplo: Utilizando el diagrama de Venn realizar el siguiente ejercicio.
Se tienen 3 juegos de video: llamados A, B y C. Un nio juega los tres, 3 nios
juegan A o B, 3 nios juegan A o C, 4 nios juegan B o C. Si sabemos que 8 nios juegan
el juego A, 12 el juego B y 10 el C, entonces:
1.- Se analiza el problema planteado e inicialmente se dibuja el universo
2.- Se colocan las variables a utilizar de manera que se representan mediante
crculos
A B
69 | P g i n a
3.- Posteriormente se colocan el nmero de datos mencionado en el problema.
A B
8 3 13
2
3 6
U
13
C
Ahora bien, contestemos las siguientes preguntas:
a) Cuntos nios juegan a lo ms los tres juegos?
R=1
b) Cuntos nios usan los juegos A o B?
R=3
c) Cuntos usan B o C?
R=4
d) Cuntos nios juegan solo el juego C?
R=10
e) Cuntos nios solo juegan un juego y solo un juego?
R=30
NOTA: Ve al Anexo #6 si quieres resolver ms problemas.
70 | P g i n a
2.1.3 Operaciones entre conjuntos:

Existen unas operaciones bsicas que permiten manipular los conjuntos y sus
elementos, similares a las operaciones aritmticas, constituyendo el lgebra de conjuntos:
Unin
La unin de dos conjuntos A y B es el conjunto A B que contiene cada elemento
que est por lo menos en uno de ellos. Es decir, todos los elementos que se encuentran en
A y B.
Interseccin.
La interseccin de dos conjuntos A y B es el conjunto A B que contiene todos los
elementos comunes de A y B. Es decir, donde se unen A y B
Diferencia.
La diferencia entre dos conjuntos A y B es el conjunto B -- A que contiene todos los
elementos de B que no pertenecen a A. Es decir, todo B excepto aquellos elementos que
se encuentren en A.
71 | P g i n a
Complemento.
El complemento de un conjunto A es el conjunto A que contiene todos los
elementos (respecto de algn conjunto referencial) que no pertenecen a A.
Ejercicios resueltos
1.- Sean A = {1,2,3,4}; B = {2,4,6,8}; C = {3,4,5,6}
Hallar
a) A U B;
b) A U C;
c) B U C;
d) B U B
Solucin:
A U B = {1,2,3,4,6,8}
72 | P g i n a
Es decir, se colocan los nmeros en orden ascendente para determinar la unin que
existe entre ambos si repetir los datos.
A U C = {1,2,3,4,5,6}
B U C = {2,4,6,3,5}
B U B = {2,4,6,8}
2.- Dado el conjunto
A = {6,2,8,4,3}
Encontrar todos los subconjuntos de A que se puedan construir con sus elementos,
es decir el conjunto potencia.
2A = {{6}, {2}, {8}, {4}, {3}, {6,2}, {6,8}, {6,4}, {6,3}, {2,8}, {2,4}, {2,3}, {8,4}, {8,3}, {4,3},
{6,2,8}, {6,2,4}, {6,2,3}, {6,8,4}, {6,8,3}, {6,4,3}, {2,8,4}, {2,8,3}, {8,4,3}, {6,2,8,4},
{6,2,8,3},
{2,8,4,3,}, {6,8,4,3,}, {6,2,4,3,}, {6,2,8,4,3}, {}
2.2 Probabilidad Bsica y Condicional
La probabilidad es la posibilidad que existe entre varias

posibilidades, que un hecho o condicin se produzcan. La
probabilidad, entonces, mide la frecuencia con la cual se
obtiene un resultado en oportunidad de la realizacin de un
experimento sobre el cual se conocen todos los resultados
posibles gracias a las condiciones de estabilidad que el
contexto supone de antemano.
73 | P g i n a
La gran aliada de la probabilidad es la llamada teora de la probabilidad, ya que gracias

a lo que esta postula y sostiene, es que los seres humanos podemos anticiparnos a que
algunos sucesos potenciales ocurran finalmente. La mencionada teora es muy utilizada y
consultada por disciplinas como ser la estadstica, la filosofa, las matemticas y la ciencia,
para sacar conclusiones respecto de los sucesos potenciales que las ocupan.
La teora de la probabilidad es un modelo matemtico que se ocupa de analizar los

fenmenos aleatorios; esto implica la contraposicin respecto de los fenmenos ya
determinados, que son aquellos en los cuales el resultado del experimento que se realiza,
atendiendo a determinadas condiciones, produce un resultado nico y previsible, que se
repetir la cantidad de veces que ste vuelva a hacerse, siempre y cuando se respeten las
mismas condiciones.
2.2.1 Conceptos
Probabilidad del latn, y ms exactamente en la palabra probabilista, que est formada
por la unin del verbo probare que puede traducirse como comprobar, el sufijo bilis que
equivale a posibilidad y el tambin sufijo tal que lo que viene a indicar es una cualidad.
Con origen en el latn probabilista, probabilidad es una palabra que permite resaltar
la caracterstica de probable (es decir, de que algo pueda ocurrir o resultar verosmil). Se
encarga de evaluar y permitir la medicin de la frecuencia con la que es posible obtener un
cierto resultado en el marco de un procedimiento de carcter aleatorio.
Experimento aleatorio
Conjunto de pruebas cuyos resultados estn determinados nicamente por el azar. En

los experimentos aleatorios no se puede predecir el resultado, ya que ste depende del azar.
58 | P g i n a
Ejemplo: Si lanzamos un dado tampoco podemos determinar el resultado que vamos a

obtener.
Espacio muestral
Conjunto de todos los resultados posibles de un experimento aleatorio. Es el conjunto

de todos los posibles resultados de una experiencia aleatoria, lo representaremos por E (o
bien por la letra griega ).
Ejemplo:
Espacio muestral de una moneda:
E = {C, X}.
Espacio muestral de un dado:
E = {1, 2, 3, 4, 5, 6}.
Punto muestral o suceso elemental
El resultado de una sola prueba de un experimento muestrales. Cada uno de los

elementos que forman parte del espacio muestral.
59 | P g i n a
Ejemplo: Al tirar un dado un suceso elemental es sacar 5.
Suceso o evento
Cualquier subconjunto de puntos muestrales. Un suceso es cada uno de los resultados

posibles de una experiencia aleatoria.
Ejemplo:
Al lanzar una moneda salga cara.
Al lanzar un dado se obtenga 4.
Sucesos mutuamente excluyentes
Sucesos o eventos que no pueden ocurrir simultneamente. Son aquellos en los que
si un evento sucede significa que el otro no puede ocurrir.
Ejemplo:
Sacar una carta de corazones y una carta de espadas. Son eventos mutuamente
excluyentes, las cartas o son de corazones o son de espadas.
60 | P g i n a
Sucesos complementarios
Dos sucesos o eventos mutuamente excluyentes cuya unin es el espacio muestral
Ejemplo:
Si lanzamos un dado y llamamos suceso A obtener un nmero menor o igual que 4 y

llamamos B al suceso obtener un nmero mayor que 4, los sucesos A y B son
complementarios.
Sucesos independientes
Sucesos o eventos que no tienen relacin entre s; la ocurrencia de uno no afecta la

ocurrencia del otro. Son independientes cuando la probabilidad de que suceda A no se ve
afectada porque haya sucedido o no B.
Ejemplo:
Al lazar dos dados los resultados son independientes.
61 | P g i n a
Sucesos dependientes
Sucesos o eventos que s tienen relacin entre s; la ocurrencia de uno s afecta la

ocurrencia del otro. Son dependientes cuando la probabilidad de que suceda A se ve afectada
porque haya sucedido o no B.
Ejemplo:
Extraer dos cartas de una baraja, sin reposicin, son sucesos dependientes
2.2.2 Mtodos para el clculo de probabilidad

Hay diferentes formas para definir la probabilidad de un suceso. Se exponent trees
embolus:
62 | P g i n a
Aproximacin de la probabilidad
Realiza (u observa) un procedimiento un gran nmero de veces y cuenta las ocasiones
que el suceso A ocurre en realidad. Con base en estos resultados reales, P(A) se estima de la
siguiente manera:

() =
.
Mtodo clsico de la probabilidad (requiere resultados igualmente

probables).
Supn que un procedimiento dado tiene n sucesos simples distintos, cada uno de los
cuales tiene la misma probabilidad de ocurrir. Si un suceso puede ocurrir de N maneras
mutuamente excluyentes e igualmente probables, y m de ellas poseen una caracterstica A.

() =

Ejemplo 1: P (de que salgan dos caras al tirar 2 monedas)
1
() =
4
P (de que salga una cara al tirar 2 monedas)
2 1
() = =
4 2
63 | P g i n a
Probabilidades subjetivas.
P(A), la probabilidad del suceso A, se obtiene simplemente suponiendo o estimando su
valor con base en el conocimiento de las circunstancias relevantes.
Se refiere a la probabilidad de ocurrencia de un suceso basado en la experiencia previa,

la opinin personal o la intuicin del individuo. En este caso despus de estudiar la informacin
disponible, se asigna un valor de probabilidad a los sucesos basado en el grado de creencia
de que el suceso pueda ocurrir. Se obtiene con la siguiente formula:
Ejemplo:
Cul es la probabilidad de que haya vida en Marte?
2.2.3 Tcnicas de conteo

El principio fundamental en el proceso de contar ofrece un mtodo general para contar
el nmero de posibles arreglos de objetos dentro de un solo conjunto o entre varios conjuntos.
Las tcnicas de conteo son aquellas que son usadas para enumerar eventos difciles de
cuantificar.
Si un evento A puede ocurrir de n1 maneras y una vez que este ha ocurrido, otro evento
B puede n2 maneras diferentes entonces, el nmero total de formas diferentes en que ambos
eventos pueden ocurrir en el orden indicado, es igual a n1 x n2.
Diagrama de rbol
Un diagrama de rbol es una herramienta que se utiliza para determinar todos los
posibles resultados de un experimento aleatorio. En el clculo de la probabilidad se requiere
conocer el nmero de elementos que forman parte del espacio muestral, estos se pueden
determinar con la construccin del diagrama de rbol.
64 | P g i n a
El diagrama de rbol es una representacin grfica de los posibles resultados del

experimento, el cual consta una serie de pasos, donde cada uno de los pasos tiene un nmero
finito de maneras de ser llevado a cabo. Se utiliza en los problemas de conteo y probabilidad.
Para la construccin de un diagrama en rbol se partir poniendo una rama para cada
una de las posibilidades, acompaada de su probabilidad. Cada una de esta rama se conoce
como rama de primera generacin.
En el final de cada rama de primera generacin se constituye a su vez, un nudo del

cual parten nuevas ramas conocidas como ramas de segunda generacin, segn las
posibilidades del siguiente paso, salvo si el nudo representa un posible final del experimento
(nudo final).
Hay que tener en cuenta que la construccin de un rbol no depende de tener el mismo
nmero de ramas de segunda generacin que salen de cada rama de primera generacin y
que la suma de probabilidades de las ramas de cada nudo ha de dar 1.
Ejemplos:
1.- Si planeamos hacer un viaje de vacaciones y estamos indecisos de ir a Acapulco,

Huatulco, Cancn o Ixtapa, y no sabemos si ir en autobs, avin o automvil, de
cuantas maneras diferentes podramos arreglar uno de los viajes?
65 | P g i n a
Autobus
Acapulco Avin
Automvil
Autobus
Huatulco Avin
Automvil
DESICIN
Autobus
Cancn Avin
Automvil
Autobus
Iztapa Avin
Automvil
En el diagrama de rbol nos damos cuenta de que existen 12 maneras diferentes de

arreglar el viaje. La respuesta que obtuvimos es de 4 x 3 = 12, especficamente, el producto
del nmero de lugares y nmeros de transportes.
66 | P g i n a
Principio de la Multiplicacin
Si una operacin se puede efectuar de n1 maneras y para cada una de ellas se puede
efectuar una segunda operacin de n2 maneras y as sucesivamente hasta la operacin nr,
entonces el nmero de maneras en que el proceso puede realizarse ser el producto.
n1 n2...nr.
Ejemplo:
Si se lanza un dado legal 4 veces Cuntos resultados puede haber?
Cada vez que se lance un dado puede haber 6 resultados posibles, por lo que al lanzarlo 4
veces habr:
(6)(6)(6)(6) = 64 = 1,296 resultados
Principio Aditivo
Si se desea llevar a efecto una actividad, la cual tiene formas alternativas para ser
realizada, donde la primera de esas alternativas puede ser realizada de M maneras o formas,
la segunda alternativa puede realizarse de N maneras o formas ..... y la ltima de las
alternativas puede ser realizada de W maneras o formas, entonces esa actividad puede ser
llevada a cabo de,
M + N + .........+ W maneras o formas
Ejemplo:
Una persona desea comprar una lavadora de ropa, para lo cul ha pensado que puede
seleccionar de entre las marcas Whirpool, Easy y General Electric, cuando acude a hacer la
compra se encuentra que la lavadora de la marca W se presenta en dos tipos de carga ( 8 u
11 kilogramos), en cuatro colores diferentes y puede ser automtica o semiautomtica,
mientras que la lavadora de la marca E, se presenta en tres tipos de carga (8, 11 o 15
kilogramos), en dos colores diferentes y puede ser automtica o semiautomtica y la lavadora
67 | P g i n a
de la marca GE, se presenta en solo un tipo de carga, que es de 11 kilogramos, dos colores
diferentes y solo hay semiautomtica. Cuntas maneras tiene esta persona de comprar una
lavadora?
Solucin:
M = Nmero de maneras de seleccionar una lavadora Whirpool
N = Nmero de maneras de seleccionar una lavadora de la marca Easy
W = Nmero de maneras de seleccionar una lavadora de la marca General Electric
M = 2 x 4 x 2 = 16 maneras
N = 3 x 2 x 2 = 12 maneras
W = 1 x 2 x 1 = 2 maneras
M + N + W = 16 + 12 + 2 = 30 maneras de seleccionar una lavadora
Principio de la Suma o Adicin

Un suceso A se puede realizar de m maneras diferentes, y otro suceso B se puede
realizar de n maneras diferentes, adems, si ocurre uno no puede ocurrir el otro, el total de
formas en que puede ocurrir A o B es m + n. Es decir, aqu ocurre A o ocurre B. El o indica
suma.
Ejemplo:
De cuntas formas se puede proteger del fro una persona que tiene 3 chompas y 3
casacas? Sabiendo que no se puede poner casaca y chompa a la vez.
Para enfrentar el fro, la persona se puede poner casaca o chompa, es decir, tiene 3 +
3 = 6 opciones diferentes para protegerse del fro.
68 | P g i n a
Regla general del conteo.

Si un experimento est compuesto por k ensayos realizados en un orden definido,
donde el primero tiene n resultados posibles, el segundo posee n2 resultados posibles, el
tercero tiene n3 resultados posibles, etc. entonces el nmero de resultados posibles para el
experimento es
n X n2 X n3 X ...... nk
Ejemplo:
En muchos estados (USA), en las placas del automvil se usan tres letras
seguidas de tres numerales, para obtener el nmero de placas. Si se supone que
puede usarse cualquiera de las 26 letras del alfabeto ingles para ocupar cada uno de
los tres caracteres y que puede utilizarse cualquiera de los dgitos del 0 al 9 para ocupar
los tres ltimos caracteres.
Cuntos nmeros de placas diferentes son posibles?
Solucin: Para la primera letra hay 26 opciones posibles (n1 = 26), 26 para la
segunda (n2 = 26) y 26 para la tercera (n3 = 26). De manera semejante hay 10 opciones
posibles para el numeral que se usara para los caracteres cuarto (n4 = 10), quinto (n5
= 10) y sexto (n6 = 10). En consecuencia, al usar la regla general de conteo (formula
A -2), Se
Encuentra que hay:

26 26 26 10 10 10 = 17,576,000
Regla fundamental
Si un experimento est integrado por dos ensayos, donde uno de ellos (una sola
accin o eleccin) tiene m resultados posibles y el otro ensayo tiene n resultados posibles,
entonces cuando los ensayos se realizan juntos, se tiene m x n.
Ejemplo:
Las bases el robo

Los sistemas comunes para alarma tienen un cdigo que consta de cuatro dgitos. Los
dgitos (0 hasta el 9) pueden estar repetidos, aunque deber ingresarse en el orden correcto.
Suponga que usted planea tener acceso intentando cdigos hasta encontrar el correcto.
69 | P g i n a
Cuntos cdigos diferentes posibles puedes encontrar?
Solucin
Hay 10 valores posibles para cada uno de los cuatro dgitos; entonces, el nmero de
cdigos posibles destinado s es de:
10 10 10 10 10 = 10,000
Aunque 10,000 cdigos pueden intentarse en alrededor 11 horas, los sistemas de

alarma normalmente se disearon para que el sistema rechace intentos subsecuentes
despus de unas cuantas entradas incorrectas. Adems de los problemas morales y legales
de ser ladrn profesional.
Ejemplos
1. Cuntas palabras de tres letras se pueden formar con cinco consonantes y

tres vocales de modo que cada palabra comience y termine en consonante?

= 5 3 4 = 60 ( )
5 3 4
2. Determine el nmero de enteros de seis dgitos (que no comiencen con cero)

en los que
a) Ningn dgito se pueda repetir.
9 8 7 6 5 = 2 2 8 7 6 5 = 136,080 ( )
b) Se pueden repetir los dgitos.
9 10 10 10 10 10 = 9 10 10 10 10 = 900,000 ( )
3. Ana y Mara vieron a dos hombres alejarse en automvil frente a una joyera,
justo antes de que sonara una alarma contra robos. Cuando fueron interrogadas por la
70 | P g i n a
polica, las dos jvenes dieron la siguiente informacin acerca de la placa (que
constaba de dos letras seguidas de cuatro dgitos). Mara estaba segura de que la
segunda letra de la placa era una O o una Q, y que el ltimo dgito era un 3 o un 8. Ana
dijo que la primera letra de la placa era una C o una G y que el primer dgito era
definitivamente un 7.
Cuntas placas diferentes tendr que verificar la polica?
7 09 09 83
= 800 ( )
2 2 1 10 10 2
4. Tres pueblos, designados como A, B y C, estn intercomunicados por un

sistema de carreteras de doble sentido.
a) De cuntas formas puede Juan ir del pueblo A al pueblo C?
2 + 4.3 = 14 (reglas de la suma y del producto)
b) Cuntos trayectos puede hacer Juan del pueblo A al pueblo C y de regreso

al pueblo A?
14.14 = 196 (regla del producto)
c) Cuntos de los trayectos completos de la parte(b) son tales que el viaje de

regreso (del pueblo C al pueblo A) es diferente, al menos parcialmente, de
la ruta que toma Juan del pueblo A al pueblo C? (Por ejemplo, si Juan viaja
71 | P g i n a
de A a C por las rutas R1 y R6 podra regresar por las rutas R6 y R2, pero
no por R1 y R6).
14.13 = 182 (regla del producto)
5. Una biblioteca tiene 40 libros de historia y 50 de filosofa. Si un estudiante quiere

aprender acerca de alguno de estos dos temas, por la regla de la suma puede elegir
entre 40 + 50 = 90 libros.
(Nota: el estudiante no quiere estudiar historia y filosofa, sino historia o filosofa.)
La regla puede ampliarse a ms de dos tareas, siempre que ningn par de ellas pueda
ocurrir simultneamente.
Permutacin
A diferencia de la frmula de la multiplicacin, se la utiliza para determinar el nmero

de posibles arreglos cuando solo hay un solo grupo de objetos. Permutacin: un arreglos o
posicin de r objetos seleccionados de un solo grupo de n objetos posibles. Si nos damos
cuenta los arreglos a, b, c y b, a, c son permutaciones diferentes, la frmula que se utiliza para
contar el nmero total de permutaciones distintas es:
FRMULA:
= ! ( )
!
=
( )!
Dnde:
n: Es el nmero de cosas que se puede elegir

r: La cantidad que quieres elegir.
Ejemplos
1)
a) Cuntas permutaciones existen para las ocho letras a,b,c,d,e,f,g,h?
72 | P g i n a
8 = 8! = 8 7 6 5 4 3 2 1 = 40,320
Usando la frmula:
! ( )
Donde r disminuye progresivamente con cada parntesis hasta llegar a 1
8 = 8! (8 1)(8 2)(8 3)(8 4)(8 5)(8 6)(8 7)
8 = 8! = 8 7 6 5 4 3 2 1 = 40,320
b) Cuntas de las permutaciones de (a) comienzan con la letra a?
7 = 7! = 7 6 5 4 3 2 1 = 5,040
c) Cuntas de las permutaciones de (a) comienzan con la letra a y terminan con la

letra c?
6 = 6! = 6 5 4 3 2 1 = 720
2) De cuntas formas es posible ordenar los smbolos a,b,c,d,e,e,e,e,e de modo que

ninguna e quede junto a otra?
e_e_e_e_e
4 = 4 3 2 1 = 24
3) De cuntas maneras se pueden colocar las letras de VISITING?
Si consideramos que las tres I son distintas, podemos formar P8 palabras. As,
la permutacin VI1SI2TI3NG sera distinta de VI2SI1TI3NG. Pero esto no es lo que
queremos, en realidad no hay diferencia entre esas dos permutaciones. Como las tres
I pueden ubicarse de P3 maneras, cada palabra se est repitiendo P3 veces.
73 | P g i n a
8 8! 8 7 6 5 4 3 2 1 = 40,320 40320
= = = = 6720
3 3! 321 6
a) Cuntas de ellas tienen las tres letras I juntas?
Las restantes 5 letras pueden ordenarse de P5 formas. Las 3 letras I pueden

ubicarse en 6 posiciones diferentes: al principio, al final o en cualquiera de los 4
espacios entre las otras 5 letras.
III_ _ _ _ _
_III_ _ _ _
_ _III_ _ _
_ _ _III_ _
_ _ _ _III_
_ _ _ _ _III
6 = 6! = 6 5 4 3 2 1 = 720
4) Dadas las letras a, b, c existen seis formas de disponerlas:
3 = 3! = 3 2 1 = 6
Las seis permutaciones son:

abc
acb
bac
bca
cab
cba
5) De cuntas formas diferentes se pueden ordenar las letras de la

palabra IMPUREZA?
Solucin: Puesto que tenemos 8 letras diferentes y las vamos a ordenar en

diferentes formas, tendremos 8 posibilidades de escoger la primera letra para nuestro
74 | P g i n a
arreglo, una vez usada una, nos quedan 7 posibilidades de escoger una segunda letra,
y una vez que hayamos usado dos, nos quedan 6, as sucesivamente hasta agotarlas,
en total tenemos:
8 = 8! = 8 7 6 5 4 3 2 1 = 40,320
Combinacin
En una permutacin, el orden de los objetos de cada posible resultado es diferente. Si

el orden de los objetos no es importante, cada uno de estos resultados se denomina
combinacin. Por ejemplo, si se quiere formar un equipo de trabajo formado por 2 personas
seleccionadas de un grupo de tres (A, B y C). Si en el equipo hay dos funciones diferentes,
entonces si importa el orden, los resultados sern permutaciones. Por el contrario si en el
equipo no hay funciones definidas, entonces no importa el orden y los resultados sern
combinaciones. Los resultados en ambos casos son los siguientes:
Permutaciones: AB, AC, BA, CA, BC, CB

Combinaciones: AB, AC, BC
Combinaciones: Es el nmero de formas de seleccionar r objetos de un grupo de n

objetos sin importar el orden.
La frmula de combinaciones es:
= !
!
= =( )
! ( )!
Dnde:
n: Es el nmero de cosas que se puede elegir

r: La cantidad que quieres elegir.
Ejemplos
1. Un estudiante que realiza un examen debe responder 7 de las 10 preguntas. El

orden no importa. De cuntas formas puede responder el examen?
75 | P g i n a
Existen
10! 10 9 8 720
310 = 3!
= 321
= 6
= 120
2. Juan quiere dar una fiesta para algunos de sus amigos. Debido al tamao de
su casa, slo puede invitar a 11 de sus 20 amigos. De cuntas formas puede
seleccionar a los invitados?
!
=
! ( )!
20!
=
11! (20 11)!
20
20!
11 =
(11!)(9!)
20
20 19 18 17 16 15 14 13 12 11 10 9 8 7 6 5 4 3 2 1
11 =
(11 10 9 8 7 6 5 4 3 2 1)(9 8 7 6 5 4 3 2 1)
20
2.4329020081018
11 =
(39,916,800)(362880)
20
2.4329020081018
11 =
(39,916,800)(362880)
20
2.4329020081018
11 =
1.4485008381013
20
11 = 16790 11 .
3. En una reunin de 6 personas, cuntos saludos de mano pueden intercambiarse,

si entre cada 2 personas, se dan la mano una sola vez?
!
=
! ( )!
6!
=
2! (6 2)!
76 | P g i n a
6! 654321 720 720

26 = = = = = 15
(2!)(4!) (2 1)(4 3 2 1) (24)(24) 48
4. Una persona que sale de vacaciones desea llevarse 4 libros para leer: dispone
de 4 novelas policiales y 6 libros de cuentos cortos. De cuntas formas puede hacer
la eleccin si quiere llevar al menos una novela?
6
N C C C --> 4C3 = 80
46
N N C C --> C2C2 = 90
4
N N N C --> C36 = 24
N N N N --> 1
80 + 90 + 24 + 1 = 195
5. De cuntas formas es posible distribuir 12 libros diferentes entre cuatro

nios de modo que
A) Cada nio reciba tres libros.

12 9 6 3
C3.C3.C3.C3 = 220.84.20.1 = 369.600
Nio 1
!
=
! ( )!
12!
=
3! (12 3)!
12! 12 11 10 9 8 7 6 5 4 3 2 1 479,001,600 479,001,600

312 = = = =
(3!)(9!) (3 2 1)(9 8 7 6 5 4 3 2 1) (6)(362,880) 2,177,280
=
Nio 2
77 | P g i n a
!
=
! ( )!
9!
=
3! (9 3)!
9! 987654321 479,001,600 362,880

39 = = = = =
(3!)(6!) (3 2 1)(6 5 4 3 2 1) (6)(720) 4320
Nio 3
!
=
! ( )!
6!
=
3! (6 3)!
6! 654321 720 720

36 = = = = =
(3!)(3!) (3 2 1)(3 2 1) (6)(6) 36
Nio 4
!
=
! ( )!
3!
=
3! (3 3)!
3! 321 6 6
33 = = = = =
(3!)(0) (3 2 1) (6) 6
(220)(84)(20)(1) = ,
b) Los dos nios mayores reciban cuatro libros cada uno y los dos menores reciban dos
libros cada uno.
Dos nios mayores
!
=
(
! )!
12!
=
4! (12 4)!
78 | P g i n a
12! 12 11 10 9 8 7 6 5 4 3 2 1 479,001,600 479,001,600

412 = = = =
(4!)(8!) (4 3 2 1)(8 7 6 5 4 3 2 1) (24)(40,320) 967,680
=
!
=
! ( )!
8!
=
4! (8 4)!
8! 87654321 40,320 40,320

48 = = = = =
(4!)(4!) (4 3 2 1)(4 3 2 1) (24)(24) 576
Dos nios menores

!
=
! ( )!
4!
=
2! (4 2)!
4! 4321 24 24
24 = = = = =
(2!)(2!) (2 1)(2 1) (2)(2) 4
(495)(70)(6) = ,
79 | P g i n a
2.2.4 Conceptos de probabilidad condicional
Probabilidad condicionada
Probabilidad condicional es la A, sabiendo que tambin sucede otro evento B. La

probabilidad condicional se escribe P(A|B), y se lee la probabilidad de A dado B.
Como la probabilidad est ligada a nuestra ignorancia sobre los resultados de la

experiencia, el hecho de que ocurra un suceso, puede cambiar la probabilidad de los dems.
El proceso de realizar la historia clnica, explorar y realizar pruebas complementarias ilustra
este principio.
Se llama probabilidad del suceso B condicionado a A y se representa por P(B/A) a la

probabilidad del suceso B una vez ha ocurrido el A.
( )
() =
()
Esta definicin es consistente, es decir cumple los axiomas de probabilidad.
Cuando ocurre un suceso cambia el espacio muestral, por eso cambia la probabilidad.
A veces es ms fcil calcular la probabilidad condicionada teniendo en cuenta este cambio de
espacio muestral.
Ejemplo:
Calcular la probabilidad de obtener un 6 al tirar un dado sabiendo que ha salido par.
1
6
( )= 6 =
3
6
80 | P g i n a
Probabilidad conjunta
Dada la experiencia aleatoria con espacio muestral y dos eventos A y B, se define
un nuevo evento llamado conjuncin de A y B, que se denota AB, de la siguiente manera:
AB ocurre siempre que ocurra A y ocurra B, es decir, que ocurran ambos simultneamente.
La probabilidad de AB, que simboliza P(A B), se le llama probabilidad conjunta de A y B.
Ejemplo:
1.- La probabilidad de sacar dos lpices negros es :
2 1 1
= ( )( ) =
5 4 10
2.- Desde una tmbola en la que slo hay 5 bolitas, 2 negras y 3 rojas, se extraen dos,
de una en una y sin reposicin. Entonces, la probabilidad de que ambas resulten negras es:
2 1 1
= ( )( ) =
5 4 10
Solucin: Los eventos de extraccin son independientes, por lo tanto, la probabilidad

pedida ser el producto de cada una de las probabilidades individuales. La 1 extraccin tiene
2 casos favorables de un total de 5 bolas. Su probabilidad es 2/5. La 2 extraccin tiene 1 caso
favorable de un total de 4 bolas que quedan. Su probabilidad es 1/4 .As, la probabilidad pedida
es:
Eventos dependientes e independientes

Eventos Dependientes
Dos eventos son dependientes si el resultado del primer evento afecta el resultado del
segundo evento as que la probabilidad es cambiada. En el ejemplo anterior, si la primera
canica no es reemplazada, el espacio muestral para el segundo evento cambia y as los
eventos son dependientes. La probabilidad de que ambos eventos ocurran es el producto de
las probabilidades de los eventos individuales:
81 | P g i n a
( ) = () ()
Ejemplo:
Una caja contiene 4 canicas rojas, 3 canicas verdes y 2 canicas azules. Una canica es
eliminada de la caja y no es reemplazada. Otra canica se saca de la caja. Cul es la
probabilidad de que la primera canica sea azul y la segunda canica sea verde?
Ya que la primera canica no es reemplazada, el tamao del espacio muestral para la

primera canica (9) es cambiado para la segunda canica (8) as los eventos son dependientes.
( ) = () ()
2 3 6 1
= ( )( ) = =
9 8 72 12
Eventos Independientes
Dos eventos son independientes si el resultado del segundo evento no es afectado por
el resultado del primer evento. Si A y B son eventos independientes, la de que ambos eventos
ocurran es el producto de las probabilidades de los eventos individuales.
( ) = () ()
Ejemplo:
Una caja contiene 4 canicas rojas, 3 canicas verdes y 2 canicas azules. Una canica es
eliminada de la caja y luego reemplazada. Otra canica se saca de la caja. Cul es la
probabilidad de que la primera canica sea azul y la segunda canica sea verde?
Ya que la primera canica es reemplazada, el tamao del espacio muestral (9) no

cambia de la primera sacada a la segunda as los eventos son independientes.
( ) = () ()
82 | P g i n a
2 3 6 2
= ( )( ) = =
9 9 81 27
2.2.5. Teoremas elementales de probabilidad y probabilidad

condicional
Teorema
La palabra Teorema proviene del latn theorma, es una verdad no obvia, pero si
demostrable. Los teoremas surgen a raz de propiedades intuitivas y tiene carcter
exclusivamente deductivo, por lo cual se requiere de un tipo de razonamiento lgico
(demostracin) para ser aceptados con el carcter de verdades absolutas.
Hay algunos resultados importantes del clculo de probabilidades que son conocidos
bajo los nombres de teorema de la probabilidad compuesta, teorema de la probabilidad total y
teorema de Bayes, los cuales puede consultar en el siguiente link.
2.2.6 Proceso de clculo de probabilidad condicional

Probabilidad condicionada
Como la probabilidad est ligada a nuestra ignorancia sobre los resultados de la

experiencia, el hecho de que ocurra un suceso, puede cambiar la probabilidad de los dems.
El proceso de realizar la historia clnica, explorar y realizar pruebas complementarias ilustra
este principio.
La probabilidad de que ocurra el suceso A si ha ocurrido el suceso B se

denomina probabilidad condicionada y se define
( )
() =
()
Cuando ocurre un suceso cambia el espacio muestral, por eso cambia la probabilidad.
A veces es ms fcil calcular la probabilidad condicionada teniendo en cuenta este cambio de
espacio muestral.
83 | P g i n a
Ejemplo
Una mujer es portadora de la enfermedad de Duchenne Cul es la probabilidad de

que su prximo hijo tenga la enfermedad?
Segn las leyes de Mendel, todos los posibles genotipos de un hijo de una madre
portadora (xX) y un padre normal (XY) son xX, xY, XX, XY y tienen la misma probabilidad.
: (, , , )
El suceso A={hijo enfermo} corresponde al genotipo xY, por tanto, segn la de

probabilidad
1
() = = 0.25
4
La mujer tiene el hijo y es varn
Qu probabilidad hay de que tenga la enfermedad?
Se define el suceso B = {ser varn} = {xY, XY}
La probabilidad pedida es p(A|B) y aplicando la
() = 0.5
p(B) = 0,5; A B = {xY}; p(A B) = 0,25; p(A|B) = 0,25/0,5 = 0,5
Si sabemos que es varn, l ha cambiado, ahora es B. Por lo tanto se puede calcular

p(A|B) aplicando la de probabilidad al nuevo espacio muestral
p(A|B) = 1/2 = 0,5
84 | P g i n a
2.3. Distribuciones Discretas de Probabilidad
Se denomina variable aleatoria discreta aquella que slo puede tomar un nmero finito
de valores dentro de un intervalo. Por ejemplo, el nmero de componentes de una caja de
sensores, puede ser 4 o 5 o 6 piezas, pero nunca 5,75 5,87.
2.3.1 Caractersticas y mtodos de las distribuciones

Binomial
Una distribucin binomial o de Bernoulli tiene las siguientes caractersticas:
1. En cada prueba del experimento slo son posibles dos resultados: xito y fracaso.
2. La probabilidad de xito es constante, es decir, que no vara de una prueba a otra.

Se representa por p.
3. La probabilidad de fracaso tambin es constante, Se representa por q,
q=1p
3. El resultado obtenido en cada prueba es independiente de los resultados obtenidos

anteriormente.
5. La variable aleatoria binomial, X, expresa el nmero de xitos obtenidos en

la n pruebas. Por tanto, los valores que puede tomar X son: 0, 1, 2, 3, 4, ..., n.
La distribucin binomial se expresa por B(n, p)
85 | P g i n a
Clculo de probabilidades en una distribucin binomial

( = ) = ( )

Donde:
n= Es el numero de pruebas
k= Es el numero de exitos
p= Es el numero de probabilidad
q= Es la probabilidad de f racaso
El numero combinatorio
!
( )=
! ( )!
Ejemplo:
A) La lt ima novela de un autor ha tenido un gran xito, hasta el punt o

de que el 80% de los lect ores ya la han ledo. Un grupo de 4 amigos
son af icionados a la lectura:
Cul es la probabilidad de que en el grupo hayan ledo la novela 2

personas?
(4, 0.2)
( 0.8)
86 | P g i n a
( 0.2)
4
( = 2) = ( ) 0.82 0.242
2
4
( = 2) = ( ) 0.82 0.22
2
43
( = 2) = ( ) 0.64 0.04
2
( = 2) = 6 0.64 0.04 = .
Y cmo mximo 2?
( 2) = ( = 0) + ( = 1) + ( = 2)
4 4 4
( ) 0.80 0.24 + ( ) 0.81 0.23 + ( ) 0.82 0.22 = 0.1808
0 1 2
Hipergeomtrica
Los experimentos que tienen este tipo de distribucin tienen las siguientes caractersticas:
a) Al realizar un experimento con este tipo de distribucin, se esperan dos tipos de

resultados.
b) Las probabilidades asociadas a cada uno de los resultados no son constantes.
c) Cada ensayo o repeticin del experimento no es independiente de los dems.
d) El nmero de repeticiones del experimento (n) es constante.

(, ) =

87 | P g i n a
Donde:
(, ): Probabilidad de obtener x objetos defectuosos de entre n seleccionados
: Muestras de n objetos en donde hay x que son defectuosos y n-

x buenos
= : Todas las muestras posibles de seleccionar de n objetos tomadas de

entre N objetos en total = espacio muestra
Ejemplo:
En una urna o recipiente hay un total de N objetos, entre los cuales hay una
cantidad a de objetos que son defectuosos, si se seleccionan de esta urna n objetos al azar, y
sin reemplazo, cul es la probabilidad de obtener x objetos defectuosos?
Solucin:
Considerando que en la urna hay un total de 10 objetos, 3 de los cuales son defectuosos, si
de seleccionan 4 objetos al azar, cul es la probabilidad de que 2 sean defectuosos?
:10 objetos en total

:3 objetos defectuosos
:4 objetos seleccionados en muestra
:2 objetos defectuosos deseados en la muestra
Tambin se utilizar la frmula de combinaciones.

!
=
! ( )!
En conjunto con la frmula de hipergeometria podremos obtener el resultado a este

problema.
88 | P g i n a

(, ) =

3 2 103 42 3 2 7 2
( = 2, = 4) = =
10 4 10 4
Utilizando la frmula de combinaciones se obtiene el siguiente resultado.

!
=
! ( )!
3! 7!

2! (3 2)! 2! (7 2)!
=
10!
4! (10 4)!
3! 7! 3 2 1! 7 6 5!

2! (1)! 2! (5)! 2! (1)! 2! (5)!
= =
10! 10 9 8 7 6!
4! (6)! 4! (6)!
3276 4!
=
10 9 8 7 (2!)(2!)
Donde:
3276
: Probabilidad asociada a cada muestra de 4 objetos que se seleccionaron, con lo
10987
que se demuestra que las probabilidades no son constantes
4!
:Formas o maneras de obtener 2 objetos defectuosos entre los 4 seleccionados =
(2!)(2!)
muestras de 4 objetos entre los que 2 son defectuosos
89 | P g i n a
Como se observa en el desarrollo de la solucin del problema, la pretensin es

demostrar que las probabilidades asociadas a cada uno de los resultados no son constantes.
Luego la probabilidad de obtener 2 objetos defectuosos entre los 4 seleccionados al

azar sera:
3276 4! 252 24 6048

= = = 0.30
10 9 8 7 (2!)(2!) 5040 4 20160
Poisson
La distribucin de Poisson se emplea para describir varios procesos, entre otros la

distribucin de las llamadas telefnicas que llagan a un conmutador, la demanda
(necesidades) de servicios en una institucin asistencial por parte de los pacientes, los arribos
de los camiones y automviles a la caseta de cobro y el nmero de accidentes en un cruce.
Los ejemplos citados tienen un elemento en comn, pueden ser descritos por una variable
aleatoria discreta que asume valores enteros (0,1,2,3,4,5 y as sucesivamente).
La Distribucin de Poisson se llama as en honor a Simen Dennis Poisson (1781-

1840), francs que desarroll esta distribucin basndose en estudios efectuados en la ltima
parte de su vida.
El nmero de enfermos que llegan a un consultorio en cierto intervalo de tiempo ser

de 0,1,2,3,4,5 o algn otro nmero entero. De manera anloga, si se cuenta el nmero de
automviles que llegan a una caseta de cobro durante un periodo de diez minutos, el nmero
ser entero.
90 | P g i n a
Caractersticas de los procesos que producen una distribucin de

la probabilidad de Poisson
El nmero de vehculos que pasan por una caseta de cobro en las horas de mayor
trfico sirve como ejemplo para mostrar las caractersticas de una distribucin de probabilidad
de Poisson.
El promedio (media) de los arribos de vehculos por hora de gran trfico puede
estimarse a partir de los datos anteriores del trfico.
Si dividimos las horas de gran trfico en periodos (intervalos) de un segundo cada uno,
encontraremos que los siguientes enunciados son verdaderos:
a) La probabilidad de que exactamente un vehculo llegue por segundo a una caseta

individual es un nmero muy pequeo y es constante para que cada intervalo de
un segundo.
b) La probabilidad de que dos o ms vehculos lleguen en un intervalo de un segundo
es tan reducida que podemos asignarle un valor cero.
c) El nmero de vehculos que llegan en determinado intervalo de un segundo es
independiente del momento en que el intervalo de un segundo ocurre durante la
hora de gran trfico.
d) El nmero de llegadas en cualquier intervalo de un segundo no depende del
nmero de arribos de cualquier otro intervalo de un segundo.
Ahora bien, podemos generalizar partiendo de las cuatro condiciones que hemos
descrito en este ejemplo, si estas condiciones se cumplen nos apoyaremos en una distribucin
de probabilidad de Poisson para describirlos
91 | P g i n a
Clculo de probabilidades mediante la distribucin de Poisson
La distribucin de Poisson, segn hemos sealado, se refiere a ciertos procesos que

pueden ser descritos con una variable aleatoria discreta. La letra X suele representar esa
variable y puede adems asumir valores enteros (0,1,2,3 etc..) . Utilizamos la letra X
mayscula para representar la variable aleatoria y la x minscula para designar un valor
especfico que puede asumir la X mayscula. La probabilidad de exactamente x ocurrencias
en una distribucin de Poisson se calcula mediante la frmula:
P(x) = l x * e-l / x!
l x = Lambda
(nmero medio de ocurrencias por intervalo de tiempo) elevada a la potencia x.
e-l = e= 2.71828 elevado a la potencia de lambda negativa.
x! = x factorial.
Ejemplo
Supngase que estamos investigando la seguridad de un crucero muy peligroso. Los

archivos de la polica indican una media de cinco accidentes por mes en l. El nmero de
accidentes est distribuido conforme a la distribucin de Poisson, y la divisin de seguridad en
carreteras quiere calcular la probabilidad de exactamente 0,1,2,3 y 4 accidentes en un mes
determinado.
Aplicando la frmula anterior:
P(0) = (5)0 (e-5) /0! = 0.00674
P(1) = (5)1 (e-5) /1! = 0.03370
P(2) = (5)2 (e-5) /2! = 0.08425
P(3) = (5)3 (e-5) /3! = 0.14042
P(4) = (5)4 (e-5) /4! = 0.17552
92 | P g i n a
Para saber cul es la probabilidad en 3 o menos, sumaremos las probabilidades de

0,1,2,3 lo que ser igual a :
P(0) = 0.00674
P(1) = 0.03370
P(2) = 0.08425
P(3) = 0.14042
P(3 o menos) = 0.26511
Dado que la probabilidad de que haya 3 o menos accidentes es de 0.26511 entonces

la probabilidad de que ocurran ms de tres debe ser
= 1 0.26511 = 0.73489.
93 | P g i n a
2.4 Distribuciones Continuas de Probabilidad

La distribucin de probabilidad conocida como distribucin normal es, por la cantidad
de fenmenos que explica, la ms importante de las distribuciones estadsticas. A la
distribucin normal tambin se la denomina con el nombre de campana de Gauss, pues al
representar su funcin de probabilidad, sta tiene forma de campana.
2.4.1 Identificar el concepto de variable aleatoria continua

Variable Aleatoria Continua
Es aquella que puede asumir un nmero infinito de valores dentro de un determinado
rango. Por ejemplo, el peso de una persona podra ser 80.5, 80.52, 80.525, dependiendo de
la precisin de la bscula.
2.4.2 Caractersticas y mtodos de las distribuciones

Distribucin de probabilidad normal
La Normal es la distribucin de probabilidad ms importante. Multitud de variables
aleatorias continuas siguen una distribucin normal o aproximadamente normal.
Una de sus caractersticas ms importantes es que casi cualquier distribucin de

probabilidad, tanto discreta como continua, se puede aproximar por una normal bajo ciertas
condiciones. La distribucin de probabilidad normal y la curva normal que la representa, tienen
las siguientes caractersticas:
La curva normal tiene forma de campana y un solo pico en el centro de la distribucin.

De esta manera, la media aritmtica, la mediana y la moda de la distribucin son iguales y se
localizan en el pico. As, la mitad del rea bajo la curva se encuentra a la derecha de este
punto central y la otra mitad est a la izquierda de dicho punto.
La distribucin de probabilidad normal es simtrica alrededor de su media.
94 | P g i n a
La curva normal desciende suavemente en ambas direcciones a partir del valor

central. Es asinttica, lo que quiere decir que la curva se acerca cada vez ms al eje X pero
jams llega a tocarlo. Es decir, las colas de la curva se extienden de manera indefinida en
ambas direcciones.
Para indicar que una variable aleatoria (v.a.) sigue una distribucin normal de media
y desviacin estndar usaremos la expresin: X N(,).
Chi cuadrada
En estadstica, la distribucin de Pearson, llamada tambin ji cuadrada(o) o chi
cuadrado(a) ( 2 ), es una distribucin de probabilidad continua.
En realidad la distribucin ji-cuadrada es la distribucin muestral de 2 O sea que si se

extraen todas las muestras posibles de una poblacin normal y a cada muestra se le calcula
su varianza, se obtendr la distribucin muestral de varianzas.
Para estimar la varianza poblacional o la desviacin estndar, se necesita conocer el

estadstico 2 . Si se elige una muestra de tamao n de una poblacin normal con varianza 2 ,
el estadstico:
( 1) 2
2
95 | P g i n a
Tiene una distribucin muestral que es una distribucin chi-cuadrada con gl=n-
1 grados de libertad y se denota X 2 (X es la minscula de la letra griega chi). El estadstico ji-
cuadrada esta dado por:
Formula para obtener la probabilidad mediante chi cuadrada
( 1) 2
2 =
2
Donde:
= Es el tamao de la muestra
2 = La varianza muestral
2 = La varianza de la poblacin de donde se extrajo la muestra.
Es estadstico chi cuadrada tambin se pude dar por la siguiente expresin:
2
( )2
=
2
Propiedades de las distribuciones chii-cuadrada

1. Los valores de 2 son mayores o iguales que 0.
2. La forma de una distribucin 2 depende del gl=n-1. En consecuencia, hay un
nmero infinito de distribuciones 2 .
3. El rea bajo una curva ji-cuadrada y sobre el eje horizontal es 1.
4. Las distribuciones 2 no son simtricas. Tienen colas estrechas que se
extienden a la derecha; esto es, estn sesgadas a la derecha.
5. Cuando n>2, la media de una distribucin 2 es n-1 y la varianza es 2(n-1).
6. El valor modal de una distribucin 2 se da en el valor (n-3).
La siguiente figura ilustra tres distribuciones 2 . Note que el valor modal aparece en el
valor (n-3) = (gl-2).
96 | P g i n a
La funcin de densidad de la distribucin X2 esta dada por:

1 21
() = 2 2
2 2 (
2)
La tabla que se utilizar para estos apuntes es la del libro de probabilidad y estadstica
de Walpole, la cual da valores crticos 2 . (gl) para veinte valores especiales de . Para
denotar el valor crtico de una distribucin X2 con gl grados de libertad se usa el smbolo 2 .
(gl); este valor crtico determina a su derecha un rea de bajo la curva X2 y sobre el eje
horizontal. Por ejemplo para encontrar 2 .0.05 (6) en la tabla se localiza 6 gl en el lado
izquierdo y = 0.05 a o largo del lado superior de la misma tabla.
97 | P g i n a
Clculo de Probabilidad
El clculo de probabilidad en una distribucin muestral de varianzas nos sirve para

saber cmo se va a comportar la varianza o desviacin estndar en una muestra que proviene
de una distribucin normal.
Ejemplos:
1. Suponga que los tiempos requeridos por un cierto autobs para alcanzar un de sus
destinos en una ciudad grande forman una distribucin normal con una desviacin
estndar = 1 minuto. Si se elige al azar una muestra de 17 tiempos, encuentre la
probabilidad de que la varianza muestral sea mayor que 2.
Solucin:
Primero se encontrar el valor de Chi-cuadrada correspondiente a s2=2 como

sigue:
El valor de 32 se busca adentro de la tabla en el rengln de 16 grados de libertad

y se encuentra que a este valor le corresponde un rea a la derecha de 0.01. En
consecuencia, el valor de la probabilidad es P(s2>2)
En el siguiente link podr practicar ms ejemplos

http://www.itchihuahua.edu.mx/academic/industrial/estadistica1/cap03b.html
98 | P g i n a
F de fhiser
Usada en teora de probabilidad y estadstica, la distribucin F es una distribucin de

probabilidad continua. Tambin se le conoce como distribucin F de Snedecor (por George
Snedecor) o como distribucin F de Fisher-Snedecor (porRonald Fisher).
La necesidad de disponer de mtodos estadsticos para comparar las varianzas de dos

poblaciones es evidente a partir del anlisis de una sola poblacin. Frecuentemente se desea
comparar la precisin de un instrumento de medicin con la de otro, la estabilidad de un
proceso de manufactura con la de otro o hasta la forma en que vara el procedimiento para
calificar de un profesor universitario con la de otro.
Intuitivamente, podramos comparar las varianzas de dos poblaciones 12 , y 22 , ,

12 12
utilizando la razn de las varianzas muestrales 22
. Si 22
es casi igual a 1, se tendr poca
evidencia para indicar que 12 , y 22 no son iguales. Por otra parte, un valor muy grande o muy
12
pequeo para , proporcionar evidencia de una diferencia en las varianzas de las
22
poblaciones.
La variable aleatoria F se define como el cociente de dos variables aleatorias ji-

cuadrada independientes, cada una dividida entre sus respectivos grados de libertad. Esto es:

1
=

2
Donde:
y son variables aleatorias chii-cuadrada independientes con grados de

libertad 1 y 2 respectivamente.
Sean U y V dos variables aleatorias independientes que tienen distribucin ji cuadradas

con 1 y 2 grados de libertad, respectivamente. Entonces la distribucin de la variable
aleatoria
99 | P g i n a

1
=

2
est dada por:
(1 + 2) 1 1 (1 )1
[ 2 ] (2) . 2 2
() =
1 2 1 (1+2)2
( 2 ) ( 2 ) (1 + 2 ) .
0<<
y se dice que sigue la distribucin F con 1 grados de libertad en el numerador

y 2 grados de libertad en el denominador.
La media y la varianza de la distribucin F son:
= 2 2 para 2 > 2
2
2 22(1+22)
= 1(22)2 (24) para 2 > 4
La variable aleatoria F es no negativa, y la distribucin tiene un sesgo hacia la derecha.

La distribucin F tiene una apariencia muy similar a la distribucin chii-cuadrada; sin embargo,
se encuentra centrada respecto a 1, y los dos parmetros 1 y 2 proporcionan una flexibilidad
adicional con respecto a la forma de la distribucin.
Si 12 y 22 son las varianzas muestrales independientes de tamao n1 y n2 tomadas

de poblaciones normales con varianzas 12 , y 22 , respectivamente, entonces:
100 | P g i n a
12
2 22 1 2 1 2
1 2
= 2 1 = 2 2=( ) ( )
5 2 1 2 2
2
2
Para manejar las tablas de Fisher del libro de Introduccin a la Inferencia Estadstica
del autor Genther, se tendr que buscar primero los grados de libertad dos para luego
localizar el rea correspondiente, relacionndola con los grados de libertad uno, para calcular
el valor de F.
Las tablas tienen la siguiente estructura:
El valor de 30.4 es el correspondiente a una Fisher que tiene 3 grados de libertad uno
y 6 grados de libertad dos con un rea de cero a Fisher de 0.995. Si lo vemos graficamente:
Como nos podemos imaginar existen varias curvas Fisher, ya que ahora su forma
depende de dos variables que son los grados de libertad.
101 | P g i n a
Ejemplos:
1. Encontrar el valor de F, en cada uno de los siguientes casos:
a. El rea a la derecha de F, es de 0.25 con 1 =4 y 2 =9.

b. El rea a la izquierda de F, es de 0.95 con 1 =15 y 2 =10.
c. El rea a la derecha de F es de 0.95 con 1 =6 y 2 =8.
d. El rea a la izquierda de F, es de 0.10 con 1 =24 y 2 =24
Solucin:
a. Como el rea que da la tabla es de cero a Fisher, se tiene que localizar primero los
grados de libertad dos que son 9, luego un rea de 0.75 con 4 grados de libertad uno.
b. En este caso se puede buscar el rea de 0.95 directamente en la tabla con sus
respectivos grados de libertad.
c. Se tiene que buscar en la tabla un rea de 0.05, puesto que nos piden un rea a la
derecha de F de 0.95.
102 | P g i n a
d. Se busca directamente el rea de 0.10, con sus respectivos grados de libertad.
2.5 Distribuciones Muestrales

Una estadstica muestral proveniente de una muestra aleatoria simple tiene un patrn de
comportamiento (predecible) en repetidas muestras. Este patrn es llamado la distribucin
muestral de la estadstica. Si conocemos la distribucin muestral podemos hacer inferencia.
Las distribuciones muestrales adoptan diferentes formas segn las estadsticas investigadas
y las caractersticas de la poblacin estudiada.
2.5.1 Conceptos
Distribucin muestral
Es lo que resulta de considerar todas las muestras posibles que pueden ser tomadas
de una poblacin. Su estudio permite calcular la probabilidad que se tiene, dada una sola
muestra, de acercarse al parmetro de la poblacin. Mediante la distribucin muestral se
puede estimar el error para un tamao de muestra dado.
103 | P g i n a
Error estndar
Es la desviacin estndar de la distribucin muestral de un estadstico. El trmino se
refiere tambin a una estimacin de la desviacin estndar, derivada de una muestra particular
usada para computar la estimacin.
Teorema de lmite central o teorema central del lmite

Indica que, en condiciones muy generales, si Sn es la suma de n variables
aleatorias independientes y de varianza no nula pero finita, entonces la funcin de
distribucin de Sn se aproxima bien a una distribucin normal (tambin llamada distribucin
gaussiana, curva de Gauss o campana de Gauss). As pues, el teorema asegura que esto
ocurre cuando la suma de estas variables aleatorias e independientes es lo suficientemente
grande.
2.5.2 Caractersticas y el mtodo de clculo de probabilidades

de la distribucin t de Student
104 | P g i n a
105 | P g i n a
UNIDAD III: ESTADISTICA INFERENCIAL

3.1 Estimacin
Se llama estimacin al conjunto de tcnicas que permiten dar un valor aproximado de
un parmetro de una poblacin a partir de los datos proporcionados por una muestra. Por
ejemplo, una estimacin de la media de una determinada caracterstica de una poblacin de
tamao N podra ser la media de esa misma caracterstica para una muestra de tamao n.
Ejemplos:
Luego de un concierto de rock: Concurrieron cerca de cinco mil fanticas.

Sobre un dueo de fundo: Posee alrededor de dos mil vacunos.
En una construccin: El largo de este alambre se aproxima a 18 metros.
3.1.1 Puntual
Una estimacin puntual del valor de un parmetro poblacional desconocido (como
puede ser la media , o la desviacin estndar ), es un nmero que se utiliza para aproximar
el verdadero valor de dicho parmetro poblacional. A fin de realizar tal estimacin, tomaremos
una muestra de la poblacin y calcularemos el parmetro muestral asociado ( para la media,
s para la desviacin estndar, etc.). El valor de este parmetro muestral ser la estimacin
puntual del parmetro poblacional.
106 | P g i n a
Por ejemplo, supongamos que la compaa Sonytron desea estimar la edad media de
los compradores de equipos de alta fidelidad. Seleccionan una muestra de 100 compradores
y calculan la media
3.1.2 Por intervalo

A veces es conveniente obtener unos lmites entre los cuales se encuentre el parmetro
con un cierto nivel de confianza, en este caso hablamos de estimacin por intervalos.
3.2 Prueba de Hiptesis

Una prueba de hiptesis examina dos hiptesis opuestas sobre una poblacin: la
hiptesis nula y la hiptesis alternativa. La manera en que se configuran estas hiptesis
depende de lo que se intenta demostrar.
3.2.1 Hiptesis
Una prueba de hiptesis es una prueba estadstica que se utiliza para determinar si
existe suficiente evidencia en una muestra de datos para inferir que cierta condicin es vlida
para toda la poblacin.
3.2.2 Hiptesis Nula (H0)

La hiptesis nula establece que un parmetro de poblacin es igual a un valor. La
hiptesis nula suele ser una afirmacin inicial que los investigadores especifican basndose
en investigaciones previas o en su conocimiento.
3.2.3 Hiptesis alternativa (H1)

La hiptesis alternativa establece que el parmetro de poblacin es diferente del valor
del parmetro de poblacin en la hiptesis nula. La hiptesis alternativa es lo que usted podra
pensar que es cierto o espera probar que es cierto.
107 | P g i n a
3.2.4 Error Tipo I y II

Cuando usted realiza una prueba de hiptesis, puede cometer dos tipos de errores:
tipo I y tipo II. Los riesgos de estos dos errores estn inversamente relacionados y son
determinados por el nivel de significancia y la potencia de la prueba. Por lo tanto, usted debe
determinar qu error tiene consecuencias ms graves para su situacin antes de definir sus
riesgos.
Ninguna prueba de hiptesis es 100% cierta. Puesto que la prueba se basa en

probabilidades, siempre existe la posibilidad de sacar una conclusin incorrecta.
Error de Tipo I
Si rechaza la hiptesis nula cuando sta es verdadera, usted comete un error de tipo I.
La probabilidad de cometer un error de tipo I es , que es el nivel de significancia que usted
establece para su prueba de hiptesis. Un de 0.05 indica que usted est dispuesto a aceptar
una probabilidad de 5% de que est equivocado cuando rechaza la hiptesis nula. Para reducir
este riesgo, debe utilizar un valor ms bajo para . Sin embargo, si utiliza un valor ms bajo
para alfa, significa que tendr menos probabilidades de detectar una diferencia verdadera, si
es que realmente existe.
Error de tipo II
Cuando la hiptesis nula es falsa y usted no la rechaza, comete un error de tipo II. La
probabilidad de cometer un error de tipo II es , que depende de la potencia de la prueba.
Puede reducir su riesgo de cometer un error de tipo II al asegurarse de que la prueba tenga
suficiente potencia. Para ello, asegrese de que el tamao de la muestra sea lo
suficientemente grande como para detectar una diferencia prctica cuando sta realmente
exista.
108 | P g i n a
Ejemplo de error de tipo I y tipo II

Para entender la interrelacin entre los errores de tipo I y tipo II, y para determinar cul
error tiene consecuencias ms severas segn sea su caso, considere el siguiente ejemplo.
Un investigador mdico desea comparar la eficacia de dos medicamentos. Las hiptesis

nula y alterna son:
Hiptesis nula (H0): 1= 2

Los dos medicamentos tienen la misma eficacia.
Hiptesis alternativa (H1): 1 2
Los dos medicamentos no tienen la misma eficacia.
Un error de tipo I se produce si el investigador rechaza la hiptesis nula y concluye que los
dos medicamentos son diferentes cuando, en realidad, no lo son. Si los medicamentos tienen
la misma eficacia, el investigador podra considerar que este error no es muy grave, porque
de todos modos los pacientes se beneficiaran con el mismo nivel de eficacia
independientemente del medicamento que tomen. Sin embargo, si se produce un error de tipo
II, el investigador no rechaza la hiptesis nula cuando debe rechazarla. Es decir, el investigador
concluye que los medicamentos son iguales cuando en realidad son diferentes. Este error
puede poner en riesgo la vida de los pacientes si se pone en venta el medicamento menos
efectivo en lugar del medicamento ms efectivo.
Cuando realice las pruebas de hiptesis, considere los riesgos de cometer errores de tipo
I y tipo II. Si las consecuencias de cometer un tipo de error son ms graves o costosas que
cometer el otro tipo de error, entonces elija un nivel de significancia y una potencia para la
prueba que reflejen la gravedad relativa de esas consecuencias.
109 | P g i n a
3.3 Diagrama de Dispersin

En las distribuciones bidimensionales a cada individuo le corresponden los valores de
dos variables, las representamos por el par (xi, yi).
Si representamos cada par de valores como las coordenadas de un punto, el conjunto

de todos ellos se llama nube de puntos o diagrama de dispersin.
Sobre la nube de puntos puede trazarse una recta que se ajuste a ellos lo mejor posible,
llamada recta de regresin.
Ejemplo
Las notas de 12 alumnos de una clase en Matemticas y Fsica son las siguientes:
3.4 Coeficiente de Relacin

El coeficiente de correlacin lineal es el cociente entre la covarianza y el producto de
las desviaciones tpicas de ambas variables.
El coeficiente de correlacin lineal se expresa mediante la letra r.
110 | P g i n a
3.4.1 Propiedades
1. El coeficiente de correlacin no vara al hacerlo la escala de medicin. Es decir, si
expresamos la altura en metros o en centmetros el coeficiente de correlacin no vara.
2. El signo del coeficiente de correlacin es el mismo que el de la covarianza.
Si la covarianza es positiva, la correlacin es directa.
Si la covarianza es negativa, la correlacin es inversa.
Si la covarianza es nula, no existe correlacin.
3. El coeficiente de correlacin lineal es un nmero real comprendido entre 1 y 1.
1 r 1
4. Si el coeficiente de correlacin lineal toma valores cercanos a 1 la correlacin

es fuerte e inversa, y ser tanto ms fuerte cuanto ms se aproxime r a 1.
5. Si el coeficiente de correlacin lineal toma valores cercanos a 1 la correlacin

es fuerte y directa, y ser tanto ms fuerte cuanto ms se aproxime r a 1.
6. Si el coeficiente de correlacin lineal toma valores cercanos a 0, la correlacin

es dbil.
7. Si r = 1 1, los puntos de la nube estn sobre la recta creciente o decreciente.

Entre ambas variables hay dependencia funcional.
111 | P g i n a
3.5 Proceso de Regresin Lineal y su Interpretacin.

El pronstico de regresin lineal simple es un modelo ptimo para patrones de
demanda con tendencia (creciente o decreciente), es decir, patrones que presenten una
relacin de linealidad entre la demanda y el tiempo.
Existen medidas de la intensidad de la relacin que presentan las variables que son
fundamentales para determinar en qu momento es conveniente utilizar regresin lineal.
3.5.1 Objetivo
El objetivo de un anlisis de regresin es determinar la relacin que existe entre una
variable dependiente y una o ms variables independientes. Para poder realizar esta relacin,
se debe postular una relacin funcional entre las variables.
Cuando se trata de una variable independiente, la forma funcional que ms se utiliza

en la prctica es la relacin lineal. El anlisis de regresin entonces determina la intensidad
entre las variables a travs de coeficientes de correlacin y determinacin.
3.5.2 Coeficiente de correlacin [r]

El coeficiente de correlacin, comnmente identificado como r o R , es una medida de
asociacin entre las variables aleatorias X y Y, cuyo valor vara entre -1 y +1.
112 | P g i n a
El clculo del coeficiente de correlacin se efecta de la siguiente manera:
Dnde t hace referencia a la variable tiempo y x a la variable demanda.
3.5.3 Ecuacin de regresin lineal

= +
= Pronostico de Periodo t
= Interseccin de line con el eje
= Pendiente Positiva o Negativa
= Periodo de Tiempo
113 | P g i n a
Dnde:
= Promedio de la variable dependiente (Ventas o Demanda)
= Promedio de la Variable Independiente (Tiempo)
Donde:
3.6 Pronostico en Regresin Lineal

El modelo de pronstico de regresin lineal permite hallar el valor esperado de una
variable aleatoria a cuando b toma un valor especfico. La aplicacin de este mtodo implica
un supuesto de linealidad cuando la demanda presenta un comportamiento creciente o
decreciente, por tal razn, se hace indispensable que previo a la seleccin de este mtodo
exista un anlisis de regresin que determine la intensidad de las relaciones entre las variables
que componen el modelo.
3.7 Diseo Estadstico de Experimentos

Una prueba o serie de pruebas en las cuales se introducen cambios deliberados en las
variables de entrada que forman el proceso, de manera que sea posible observar e identificar
las causas de los cambios en la variable de salida
114 | P g i n a
2.8 Identificar los elementos de ANOVA (Anlisis de varianza):
3.8.1 Fuentes de variacin

El anlisis de la varianza permite contrastar la hiptesis nula de que las medias de K
poblaciones (K >2) son iguales, frente a la hiptesis alternativa de que por lo menos una de
las poblaciones difiere de las dems en cuanto a su valor esperado. Este contraste es
fundamental en el anlisis de resultados experimentales, en los que interesa comparar los
resultados de K 'tratamientos' o 'factores' con respecto a la variable dependiente o de inters.
3.8.2 Suma de Cuadrados

En el anlisis de varianza (ANOVA), la suma total de los cuadrados ayuda a expresar
la variacin total que se puede atribuir a diferentes factores. Por ejemplo, usted hace un
experimento para probar la efectividad de tres detergentes para ropa.
La suma total de los cuadrados = suma de los cuadrados del tratamiento (SST) + suma
de los cuadrados del error residual (SSE)
La suma de los cuadrados del tratamiento es la variacin atribuida a, o en este caso

entre, los detergentes para ropa. La suma de los cuadrados del error residual es la variacin
atribuida al error.
El convertir la suma de los cuadrados en cuadrados medios al dividir entre los grados
de libertad le permitir comparar estas relaciones y determinar si existe una diferencia
significativa debido al detergente. Mientras mayor sea esta relacin, ms afectarn los
tratamientos el resultado.
Suma de los cuadrados en regresin

En la regresin, la suma total de los cuadrados ayuda a expresar la variacin total de
las Y. Por ejemplo, usted recoge datos para determinar un modelo que explique las ventas
generales en funcin de su presupuesto de publicidad.
La suma total de los cuadrados = suma de los cuadrados de la regresin (SSR) + suma
de los cuadrados del error residual (SSE)
115 | P g i n a
La suma de los cuadrados de la regresin es la variacin atribuida a la relacin entre

las X y las Y o, en este caso, entre el presupuesto de publicidad y las ventas. La suma de los
cuadrados del error residual es la variacin atribuida al error.
Al comparar la suma de los cuadrados de la regresin con la suma total de los

cuadrados, se determina la proporcin de la variacin total que es explicada por el modelo de
regresin (R2, el coeficiente de determinacin). Mientras ms grande sea este valor, mejor
ser la relacin que explique las ventas en funcin del presupuesto de publicidad.
3.8.3 Cuadrado medio

En ANOVA, los cuadrados medios se utilizan para determinar si los factores
(tratamientos) son significativos.
El cuadrado medio del tratamiento se obtiene dividiendo la suma de los cuadrados del
tratamiento entre los grados de libertad. El cuadrado medio del tratamiento representa la
variacin entre las medias de las muestras.
El cuadrado medio del error (MSE) se obtiene dividiendo la suma de los cuadrados del
error residual entre los grados de libertad. El MSE representa la variacin dentro de las
muestras.
Por ejemplo, usted hace un experimento para probar la efectividad de tres detergentes
para ropa. Recolecta 20 observaciones para cada detergente. La variacin entre las medias
del Detergente 1, Detergente 2 y Detergente 3 se representa mediante el cuadrado medio del
tratamiento. La variacin dentro de las muestras se representa mediante el cuadrado medio
del error.
3.8.4 Estadstico de Prueba

Cada estadstico F es una relacin de cuadrados medios. El numerador es el cuadrado
medio del trmino. El denominador es escoge de manera que el valor esperado del cuadrado
medio del numerador difiera del valor esperado del cuadrado medio del denominador solo por
el efecto de inters. El efecto de un trmino aleatorio est representado por el componente de
varianza del trmino. El efecto de un trmino fijo est representado por la suma de los
116 | P g i n a
cuadrados de los componentes del modelo asociados con ese trmino dividida entre sus
grados de libertad. Por lo tanto, un estadstico F alto indica un efecto significativo.
Cuando todos los trminos del modelo son fijos, el denominador para cada estadstico
F es el cuadrado medio del error (MSE). Sin embargo, para los modelos que incluyen trminos
aleatorios, el MSE no siempre es el cuadrado medio correcto. Los cuadrados medios
esperados (EMS) pueden utilizarse para determinar qu es apropiado para el denominador.
3.8.5 Tabla Anova

Es costumbre presentar el ANLISIS DE LA VARIANZA en forma de tabla:
A esta tabla se le suele denominar tabla ANOVA, (del ingls Analysis of

Variance).
De amera anloga al anlisis de regresin, al cociente de la variabilidad explicada
por los tratamientos respectos de la variabilidad total, se denomina coeficiente de
determinacin:

2 = =

117 | P g i n a
Anexo 1: Variables Cuantitativas y Cualitativas.

1) Determine si cada una de las siguientes variables es cualitativa o cuantitativa. Si es
cualitativa, diga si su escala de medicin es nominal u ordinal. Si es cuantitativa, diga si es
discreta o continua.
a) El deporte favorito
________________________________________
b) Medalla de plata ganada en una competicin deportiva.
________________________________________
c) Peso de 5 amigos
________________________________________
d) Color de ojos de 10 amigos

________________________________________
e) Nmero de mascotas de 3 amigos.

________________________________________
f) Lugar que ocupan 10 amigos en la cola del cine

________________________________________
g) Tiempo que se tarda en recorrer 1 km.

________________________________________
h) Participantes de una yincana

________________________________________
i) Primer apellido de los habitantes del pueblo.

________________________________________
j) Pluviosidad de una ciudad.

________________________________________
118 | P g i n a
2) Determine si cada una de las siguientes variables es cualitativa o cuantitativa. Si es

cualitativa, diga si su escala de medicin es nominal u ordinal. Si es cuantitativa, diga
si es discreta o continua.
a) Nmero de hermanos
________________________________________
b) Peso en kg de los recin nacidos en un da en Espaa.

_______________________________________
c) Color de los ojos.

________________________________________
d) Nmero de empleados de una fbrica.

________________________________________
e) Bondad de una persona.

________________________________________
f) Velocidad de un vehculo
________________________________________
g) Nmero de goles marcados por un equipo de futbol en la liga.

________________________________________
h) Profesin de una persona.

________________________________________
i) Temperaturas registradas en un observatorio cada hora.

________________________________________
119 | P g i n a
Anexo 2: Tabla de Distribucin de Frecuencias para

datos Agrupados
Realiza las siguientes tablas de distribucin de frecuencias de forma de datos

agrupados.
1) A 40 estudiantes se les pidi que estimen el nmero de horas que habran

dedicado a estudiar la semana pasada (tanto en clase como fuera de ella),
obtenindose los siguientes resultados:
36 30 47 60
32 35 40 50
54 35 45 52
48 58 60 38
32 35 56 48
30 55 49 39
58 50 65 35
56 47 37 56
58 50 47 58
55 39 58 45
2) En un centro comercial, se consult la edad a todas las personas que entraban

entre las 12:00 h y 12:30 h.Los resultados obtenidos fueron los siguientes:
15 73 1 65
16 3 42 36
42 3 61 19
36 47 30 45
29 73 69 34
23 22 21 33
27 55 58 17
4 17 48 25
36 11 4 54
70 51 3 34
26 10
120 | P g i n a
3) El nmero de reprobados de cada grupo de ingeniera en mecatrnica de la

UTT. Los resultados obtenidos son los siguientes.
8 15 20 12 6
10 13 14 7 9
12 19 7 13 9
14 15 9 12 12
20 16 10 14 9
14 16 17 13 19
13 18 12 7 16
7 10 10 16 15
18 10 20 8 8
10 12 15 6 18
4) El salario de un nmero de personas elegidas al azar por da fue el siguiente:
96 171 202 178 147

102 153 197 127 82
141 149 206 175 123
128 144 168 109 167
95 163 206 175 130
143 187 166 139 149
108 119 150 154 114
135 191 137 129 158
157 185 90 116 172
111 148 213 130 165
121 | P g i n a
Anexo 3: Medidas de Centralizacin
Realice los siguientes ejercicios de acuerdo a lo que se le indique.
1) Buscar la media, la mediana y la moda de los siguientes nmeros:
25 15 28 29 25 26 21 26
2) Buscar la media, la mediana y la moda de los siguientes nmeros:
15 16 19 15 14 16 20 15 17
3) En un estudio que se realiz en un asilo de ancianos, se tom las edades de

los envejecientes que pueden caminar sin dificultades. Buscar la media, la
mediana y la moda de las siguientes edades.
69 73 65 70 71 74 65 69 60 62
4) Se escogi un saln de clases de cuarto grado, con un total de 25 estudiantes,

y se les pidi que calificaran del 1 al 5 un programa televisivo.
(5 = Excelente 4 = Bueno 3 = Regular 4 = No muy bueno 1 = Fatal)
Estos fueron los resultados:
1 3 3 4 1
2 2 2 5 1
4 5 1 5 3
5 1 4 1 2
2 1 2 3 5
Buscar la media, la moda y la mediana
5) Se le pregunta a un grupo de personas acerca de la cantidad de libros que ley

durante el ao 2015. Calcular la media, moda y mediana.
122 | P g i n a
4 3 2 7 10 8 2 9
3 6 8 1 1 9 2
123 | P g i n a
Anexo 4: Medidas de Posicin

Realiza los siguientes ejercicios contestando lo que se te pide de acuerdo a las formulas con
datos no agrupados.
1) La cuenta de la luz (en pesos) del mes de marzo de 15 familias escogidas

aleatoriamente se muestra a continuacin.
250 560 340 780 890

960 470 340 540 440
120 340 550 440 450
Calcula lo siguiente:
3 = 80 =
1 = 8 =
5 = 45 =
25 = 85 =
2) Sabiendo la edad de 55 personas obtenidas a travs de una encuesta realizada por
alumnos de la UTT determine lo que se te pide.
27 23 41 38 44 29 35 26 18 22 24
25 36 22 52 31 30 22 45 28 18 20
18 28 44 25 29 28 24 36 21 23 32
26 33 25 27 25 34 32 23 54 38 23
31 23 26 48 16 27 27 33 29 29 28
Con los datos anteriores obtener:
2 = 60 =
3 = 7 =
9 = 15 =
35 = 45 =
124 | P g i n a
3) Sabiendo los salarios de los trabajadores por semana de los egresados de la UTT,
algunos haciendo estadas y otros por supuesto cumpliendo su funcin de ingenieros.
Llena la siguiente tabla de distribucin de frecuencias y despus contesta lo que se te
pide.
Salario N de fi Fi ni Ni fi% Fi%

Semanal Trabajadores
500-1000 5
1001-1500 8
1501-2000 10
2001-2500 17
2501-3000 13
3001-3500 11
3501-4000 5
4001-4500 3
Determina lo siguiente:
2 = 50 =
3 = 9 =
4 = 35 =
75 = 85 =
125 | P g i n a
Anexo 5: Medidas de Dispersin

Calcula la media, desviacin media, varianza y desviacin tpica de los siguientes ejercicios.
1) El nmero de veces que come pasta durante una semana un grupo de tres
amigos:
2 4 3
2) Los litros de agua que beben al da un grupo de cuatro amigos:
2 1 3 2
3) El nmero de horas que Carmen ha visto la tele durante cada da de la semana
pasada es:
3 2 3 3 2 6 3
4) Las veces que se cepilla Mara los dientes al da durante una semana:
1 1 2 2 3 3 3 3 4 4 2 2 5 1
5) Las notas de los exmenes de matemticas realizados durante el curso por Pablo son:
7 5 6 8 7 8 8 9 10 10
6) El nmero de horas que dedican los grupos de alumnos formados en una clase al
realizar un trabajo de investigacin sobre de Geometra:
5 5 12 13 15 15 15 20 20 23
7) Las estaturas en centmetros de un grupo de cinco amigos:
126 | P g i n a
150 160 164 158 183

8) El nmero de veces que va al cine en un mes cada componente de un grupo de once
amigos es:
2 2 2 3 1 2 1 3 1 1 4
9) Un pediatra obtuvo la siguiente tabla sobre los meses de edad de 50 nios de su

consulta en el momento de andar por primera vez, adems realizar la tabla de distribucin
de frecuencias.
Meses Nios
9 1
10 4
11 9
12 16
13 11
14 8
15 1
10) El resultado de lanzar dos dados 120 veces viene dado por la tabla, adems de realizar la
tabla de distribucin de frecuencias.
Sumas Veces
2 3
3 8
4 9
5 11
6 20
7 19
8 16
9 13
10 11
11 6
12 4
127 | P g i n a
Anexo 6: Diagramas de Venn

Realiza los siguientes diagramas de Venn
1.- De un total de 120 personas encuestadas, 25 personas hablas ingls y francs, 40

solo hablan francs y 20 no hablan ninguno de estos idiomas. Obtenga el nmero de
personas que habla solo uno de estos idiomas.
A) 65 B)75 C)85 D)80 E)70.
2. De un grupo de personas que van a comer a un restaurante se sabe que tres

personas piden sopa, tres piden carne, tres piden jugo, y solo una persona pide sopa,
carne y jugo. El nmero de personas que pidieron sopa y carne, y no pidieron jugo es:
A) 0 B)1 C)2 D)3
3. De un grupo de estudiantes bachilleres que piensan presentar el examen de

admisin a una universidad se sabe que 1/3 se presentar a medicina, 7/12 se
presentar a psicologa y 1/8 se presentar a ambas carreras. Si el resto, que son 15
estudiantes, aun no deciden a qu carrera presentarse, el nmero total de estudiantes
es:
A) 84 B)72 C)63 D)90.
4. De un grupo de estudiantes que aprobaron el curso de Aritmtica o el curso de

Algebra, se sabe que el nmero de mujeres que aprobaron solo Algebra es la quinta
parte del nmero de mujeres que aprobaron solo Aritmtica. El nmero de estudiantes
que aprobaron Aritmtica y Algebra excede en 5 al nmero de estudiantes hombres
que aprobaron solo Aritmtica y este ltimo es igual al nmero de estudiantes hombres
que aprobaron solo Algebra.
Cul es la mnima cantidad de estudiantes que aprobaron solo algebra?
A) 6 B)8 C)7 D)5 E)9
128 | P g i n a
5. De 76 estudiantes que pueden matricularse en los cursos de algebra, geometra y

calculo. Se sabe que 42 se matricularon en algebra, 30 en geometra y 28 en calculo.
Uno se matriculo en los tres cursos. SI todos tomaron al menos un curso, el nmero de
estudiantes que se matriculo solo en 2 de los cursos fue:
A) 22 B)18 C)20 D)24
6. Sobre una poblacin de113 personas se determin que los que van solamente al
cine son el doble de los que van nicamente al teatro y los que van a ambos lugares
son la sexta parte de los que van a un solo ligar. Si ocho personas no van al cine ni al
teatro. Cuntas personas van al teatro?
A) 45 B)90 C)60 D)105 E)75
129 | P g i n a
Anexo 7: Operaciones entre Conjuntos.

Realiza las siguientes Diagramas de Veen sombreando lo que se te indique
A A B
B
( )
A B A B
( ) ( )
A B A B
( ) ( )
A B A B
130 | P g i n a
( ) ( ).
A A B
B
C C
( ) ( )
A B A B
C C
( ) ( )
A B A B
C C
( ) ( )
A B
A B
C
C
131 | P g i n a
Anexo 8: Diagrama de rbol

Realiza los siguientes diagramas de rbol de acuerdo a lo que se te indique.
1) Un mdico general clasifica a sus pacientes de acuerdo a: su sexo (masculino o

femenino), tipo de sangre (A, B, AB u O) y en cuanto a la presin sangunea (Normal,
Alta o Baja). Mediante un diagrama de rbol diga en cuantas clasificaciones pueden
estar los pacientes de este mdico?
2) Un hombre tiene tiempo de jugar ruleta cinco veces como mximo, l empieza a jugar
con un dlar, apuesta cada vez un dlar y puede ganar o perder en cada juego un
dlar, l se va a retirar de jugar si pierde todo su dinero, si gana tres dlares (esto es
si completa un total de cuatro dlares) o si completa los cinco juegos, mediante un
diagrama de rbol, diga cuntas maneras hay de que se efectu el juego de este
hombre.
132 | P g i n a
3) Una familia quiere salir de vacaciones y sus opciones para viajar son en avin, autobs
o en su propio automvil, a su vez ellos se pueden hospedar en un hotel, un hostal o
bien en la casa de sus familiares.
De cuantas maneras posibles se pueden ir de viaje?
4) En la Universidad Tecnolgica de Tamaulipas Norte, se tiene miedo de que el Ingeniero

Erasto les imparta clases. EL ingeniero Erasto puede dar las materias de Control de
Motores, Robtica y Circuitos Elctricos, mas sin embargo los Ingenieros Ampudia y el
Ingeniero Mximo tambin pueden dar esas clases. De cuantas maneras posibles les
impartira clases el Ingeniero Erasto?
133 | P g i n a
Anexo 9: Principio de Multiplicacin

1) Dos viajeros llegan a una ciudad en la que hay 3 hoteles De cuntas maneras pueden
hospedarse si cada uno debe estar en un hotel diferente?
2) Hay 10 aviones que vuelan entre las ciudades de Mxico y Monterrey De cuntas
maneras puede ir una persona de Mxico a Monterrey y regresar en un avin diferente?
3) Si se lanza un dado legal 4 veces Cuntos resultados puede haber?
4) Si se tiene una caja con 5 tornillos de diferente longitud y se extraen 3 tornillos de uno
en uno con sustitucin Cuntas formas hay de seleccionar los tornillos?.
5) Juan el alumno ms inteligente del saln se saca un premio al final del ao, el premio
consiste en vacaciones todo pagado a cualquiera de 3 posibles lugares que le gustaria
ir, usando cualquiera de los 2 medios de transporte disponibles, y acompaado de uno
de los 3 familiares que lo pueden acompaar, cuantas posibilidades diferentes se le
presentan a Juan?
134 | P g i n a
Anexo 10: Principio de Suma o Adicin

1) Una persona desea realizar un viaje. Al investigar los itinerarios le indican que hay 3
rutas si utiliza autobs y 2 rutas si utiliza avin Cuntas rutas hay disponibles para
realizar el viaje?
2) Un individuo va a comer en un restaurante y al ver el men observa que hay 3 guisos

de carne de res, 4 de aves, 2 de verduras y uno de pescado De cuntas formas puede
ordenar su guiso?
135 | P g i n a
Anexo 11: Probabilidad Combinada

Realiza los siguientes enunciados de acuerdo a la tabla dada.
1. Se encuestaron a un grupo de personas que se atendieron en diversas tiendas ubicadas e

en los cuatro puntos cardinales y de esas personas fueron atendidas tanto mal, bien y regular.
Desarrolla los siguientes ejercicios de acuerdo a lo visto en clase.
MAL BIEN REGULAR TOTAL

NORTE 120 50 100
SUR 100 30 165
ESTE 36 75 85
OESTE 70 80 40
TOTAL
1) De todas las encuestas Cul es la probabilidad de encontrar la tienda Norte?
2) De todas las encuestas Cul es la probabilidad de encontrar la tienda Sur?
3) De todas las encuestas Cul es la probabilidad de encontrar la tienda que te

atendieron bien?

atendieron mal?

atendieron mal en la tienda Norte?

atendieron regular en la tienda Oeste?
7) De todas las encuestas Cul es la probabilidad de encontrar la tienda Este que te

atendieron regular o te atendieron bien?
8) De todas las encuestas Cul es la probabilidad de encontrar la tienda Norte que te

atendieron mal o te atendieron bien?
136 | P g i n a
9) De todas las encuestas Cul es la probabilidad de encontrar la tienda Sur que te

atendieron regular o te atendieron bien?
10) De todas las encuestas Cul es la probabilidad de encontrar la tienda Norte te atienda
bien o regular?
137 | P g i n a
1. Se encuestaron a un grupo de personas que se atendieron en diversas tiendas ubicadas e

en los cuatro puntos cardinales y de esas personas fueron atendidas tanto mal, bien y regular.
Desarrolla los siguientes ejercicios de acuerdo a lo visto en clase.
MATEMATICAS ESTADISTICA INGLES TOTAL

A 15 10 20
B 17 17 15
C 12 25 18
D 15 20 23
TOTAL
1) De todas las encuestas Cul es la probabilidad de que al tomar un examen saque uno
del grupo B?
de estadstica?

atendieron bien?
de matematicas?

atendieron mal en la tienda Norte?
6) De todas las encuestas Cul es la probabilidad de que al tomar un examen saquen

uno del grupo B y de Matemticas?
7) De todas las encuestas Cul es la probabilidad de que al tomar un examen sauqe uno
del C e Ingles?
del grupo A y Estadstica?
138 | P g i n a
del grupo B o C?
del grupo C o D?
de Ingles o Estadstica?
del grupo B o Matemticas?
del grupo A o Ingles?
de Matemticas dado que es del grupo D?
del grupo B dado que es de Estadstica?
139 | P g i n a

Manual de Estadistica

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Manual de Estadistica

Uploaded by

Copyright:

Available Formats

5/29/2017 Manual de

Probabilidad y Estadstica ........................................................................................... 1

Objetivo de aprendizaje: .......................................................................................... 1

UNIDAD I: ESTADISTICA DESCRIPTIVA ................................................................... 2

Objetivo de la Unidad de Aprendizaje ...................................................................... 2

1.1.1 Conceptos ................................................................................................... 3

1.1.2 Conceptos de estadstica descriptiva...4

1.1.3 Clasificar datos cualitativos y cuantitativos..7

1.2.Poblacin, muestra y muestre..9

1.2.1 Conceptos ................................................................................................... 9

1.2.2 Tcnicas de muestreo..10

1.2.3 Identificar el proceso del diseo de una muestra11

1.3.Distribucin de frecuencias y su representacin

1.3.1 Distribucin de Frecuencia ..................................................................... 12

1.3.2 Conceptos y elementos de la distribucin de frecuencias ................ 13

Medidas de Tendencia Central, Localizacin y Dispersin. ....................................... 26

2. Medidas de Posicin ................................................................................. 29

3. Medidas de Dispersin .............................................................................. 40

d) Desviacin Tpica o Estndar. .................................................................. 45

Utilizacin de Excel para Medidas de Tendencia Central, Localizacin y Dispersin. 48

1. Medidas de Centralizacin ........................................................................ 48

2. Medidas de Posicin ................................................................................ 52

3. Medidas de Dispersin ............................................................................. 57

a) Desviacin Media .......................................................................................... 57

c) Desviacin Tpica o Estndar. .................................................................... 60

UNIDAD 2: Probabilidad y Estadstica ....................................................................... 62

Objetivo de aprendizaje: ........................................................................................ 62

2.1.1. Teora de conjuntos................................................................................ 63

2.1.2 Conceptos: ................................................................................................ 64

2.1.2 Diagramas de Venn ................................................................................. 66

Construccin de un Diagrama de Venn ............................................ 68

2.1.3 Operaciones entre conjuntos: ................................................................ 71

2.2 Probabilidad Bsica y Condicional..73

Experimento aleatorio .......................................................................... 58

Punto muestral o suceso elemental................................................... 59

Suceso o evento ................................................................................... 60

Sucesos mutuamente excluyentes .................................................... 60

2.2.2 Mtodos para el clculo de probabilidad ............................................. 62

Mtodo clsico de la probabilidad (requiere resultados igualmente

2.2.3 Tcnicas de conteo ................................................................................ 64

Principio de la Multiplicacin ............................................................... 67

Principio de la Suma o Adicin ........................................................... 68

Regla general del conteo. ................................................................... 69

2.2.4 Conceptos de probabilidad condicional80

Probabilidad condicionada .................................................................. 80

Probabilidad conjunta .......................................................................... 81

Eventos dependientes e independientes .......................................... 81

2.2.5.Teoremas elementales de probabilidad y probabilidad

2.2.6 Proceso de clculo de probabilidad condicional............................... 83

Probabilidad condicionada .................................................................. 83

2.3. Distribuciones Discretas de Probabilidad.85

Clculo de probabilidades en una distribucin binomial.86

Caractersticas de los procesos que producen una distribucin de

Clculo de probabilidades mediante la distribucin de Poisson ... 92

2.4 Distribuciones Continuas de Probabilidad .............................................. 94

2.4.1 Identificar el concepto de variable aleatoria continua ...................... 94

Variable Aleatoria Continua94

2.4.2 Caractersticas y mtodos de las distribuciones ............................... 94

Distribucin de probabilidad normal94

Chi cuadrada ......................................................................................... 95

Propiedades de las distribuciones chii-cuadrada ............................ 96

2.5 Distribuciones Muestrales..................................................................... 103

2.5.1 Conceptos.............................................................................................. 103

Teorema de lmite central o teorema central del lmite104