UNIVERSIDAD DE GUAYAQUIL

Trabajo de Probabilidad y
Estadstica

Realizado por:
Mateo Espinoza Alarcon

Catedrtico:
Ing. Lorenzo Cevallos

Curso:
N3A

Carrera:
Ing. Networking &
telecomunicaciones

Guayaquil-Ecuador

2015

Unidad 1: Estadstica descriptiva

1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
1.10

Introduccin a la estadstica
Tipos de datos y escalas de produccin
Diferencia entre poblacin, muestra, parmetro y estimador
Medidas de tendencia central y dispersin (datos no agrupados)
Datos agrupados y tablas de frecuencia
Medidas de tendencia central y dispersin (datos agrupados)
Medidas de forma y posicionamiento
Grficas estadsticas (histograma, ojiva, pastel, diagrama de cajas)
Tipos de muestreo y elaboracin de cuestionarios
Recopilacin, tabulacin, procesamiento de datos y elaboracin de
informes

Unidad 2: Introduccin a la probabilidad

2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8

2.9
2.10
2.11
2.12
2.13
2.14
2.15

Probabilidad clsica, emprica y subjetiva

Experimento, evento, espacio muestral y punto muestral
Eventos exhaustivos, independientes y mutuamente excluyentes
Reglas de probabilidad (complementaria, aditiva, multiplicativa,
condicional)
Tcnicas de conteo y probabilidad
Teorema de probabilidad total y teorema de Bayes
Variables aleatorias discretas, anlisis univariado
Funcin de probabilidad, distribucin acumulada, esperanza
matemtica, varianza y funcin generadora de momentos de una
variable aleatoria discreta
Variables aleatorias discretas (Anlisis bivariado)
Funcin de probabilidad conjunta, valor esperado conjunto o
esperanza matemtica conjunta covarianza, correlacin
Distribucin discretas de probabilidades: Distribucin uniforme,
distribucin hipergeomtrica, distribucin de Poisson
Variables aleatorias continuas, anlisis univariado
Funcin de densidad, funcin acumulada, esperanza matemtica,
varianza de una variable aleatoria continua
Variables aleatorias continuas, anlisis bivariado
Funcin de densidad, valor esperado conjunto o esperanza
matemtica conjunta, covarianza, correlacin

2.16 Distribucin uniforme, distribucin normal, distribucin gamma,

distribucin exponencial, distribucin beta
Unidad 3: Distribucin mustrales
3.1
3.2
3.3
3.4
3.5

Teorema limite central

Aproximacin de la distribucin normal a la binomial
Distribucin t de student y Ji cuadrado
Estimacin puntual para la media y proporciones
Intervalos de confianza para la media, varianza y proporciones

Unidad 4: Estadstica inferencial

4.1
4.2
4.3
4.4
4.5
4.6
4.7

Pruebas de hiptesis
Potencia de prueba y curva OC
Error tipo I y error tipo II
Prueba de hiptesis para media, varianza y proporciones
Modelo de regresin lineal simple
Modelo de regresin lineal mltiple
Tabla de ANOVA de regresin

Para qu sirve la estadstica?

- Analizar
- Pronosticar
- Medir

Informacin

Informacin
Base de
datos

Encuesta
Base de
datos
Variable
cualitativa

Variable
cuantitativa

Anlisis

Anlisis

Media
Moda
Variables
cuantitativas

Estadsticas

Varianza
Datos
estadisticos
Grficos
estadisticos

La Estadstica
Es una parte de las matemticas que nos ayuda a observar hechos, fenmenos leyes,
siempre y cuando estn dentro de la lgica para eso es necesario realizar
experimentos con las muestras u objetos a investigar. La estadstica es de gran
ayuda en la actualidad ya que con ella podemos determinar qu porcentaje de un
suceso o experimento es factible o no.
Mendehall, W Beaver, R Beaver, B (2006): La estadstica es una rama de las
matemticas que tiene aplicaciones en cada toda faceta de nuestra vida. Es un
lenguaje nuevo y poco conocido para casi todas las personas, pero, al igual que
cualquier idioma nuevo, la estadstica puede parecer agobiante a primera vista.
David Ruiz Muoz. (2002 y 2004) La Estadstica es la ciencia cuyo objetivo es
reunir una a informacin cuantitativa concerniente a individuos, grupos, series de
hechos, etc. y deducir de ello gracias al anlisis de estos datos unos significados
precisos o unas previsiones para el futuro adems se trata de la recopilacin,
organizacin presentacin, anlisis e interpretacin de datos numricos con el fin
de realizar una toma de decisin ms efectiva".
Murria R. Spiegel, (1991) "La estadstica estudia los mtodos cientficos para
recoger, organizar, resumir y analizar datos, as como para sacar conclusiones
vlidas y tomar decisiones razonables basadas en tal anlisis.

Estadstica Inferencial
Al obtener y formular inferencias (predicciones) acerca de una poblacin, esta se la
hace en base a la informacin obtenida en una muestra.
Calmaestra, L. (2005). Estadstica inferencial realiza el estudio descriptivo sobre
un subconjunto de la poblacin llamado muestra y, posteriormente, extiende los
resultados obtenidos a toda la poblacin
Barreto. A, (2012) Estadstica inferencial se define como aquellos mtodos que
implican hacer estimacin de una caracterstica de la poblacin o de toma de
decisiones respecto a una poblacin con base solo en resultados obtenidos de una
muestra.
Humberto Llins Solano, Carlos Rojas lvarez. (2005), "La estadstica
inferencial abarca aquellos mtodos y conjuntos de tcnicas que se utilizan para
4

obtener conclusiones sobre las leyes de comportamiento de una poblacin

basndose en los datos de muestras tomadas de esa poblacin".

Estadstica Descriptiva
Es cuando la informacin se la obtiene utilizando todos los datos de la poblacin.
Crdova Enrique S. (2006): La estadstica descriptiva est formada por
procedimientos empleados para resumir y describir las caractersticas importantes
de un conjunto de ediciones.
Castro, G (1998): La estadstica descriptiva es la encargada de estudiar a toda una
poblacin mediante censos.
Humberto Llins Solano (2003), "La estadstica descriptiva se compone de
aquellos mtodos que incluyen tcnicas para recolectar, presentar, analizar e
interpretar datos"

Media poblacional
Poblacin
Media muestral

Muestra
Variable Aleatoria (Al Azar)

Datos tomados al azar

() Datos ordenados

Centralizacin

Dispersin
Variables
cuantitativas

Estadsticas
Posicin

Forma
Datos Tomados Al Azar
#
X1
X2
X3
X4
X5
X6
X7
X8
X9
X10
X11
X12
X13
X14
X15
X16
X17
X18
X19
X20

Edad
22
22
23
21
19
20
19
22
27
22
18
19
20
19
23
19
19
19
20
19

Talla
162
149
162
164
163
180
169
160
168
169
185
163
157
152
150
164
164
168
175
149

Sexo

X21
X22
X23
X24
X25
X26
X27
X28
X29
X30
X31
X32
X33
X34
X35
X36
X37
X38
X39
X40

M
F
M
M
F
M
M
F
M
M
M
M
F
F
F
F
M
M
M
F

20
22
19
19
22
20
18
19
20
20
19
19
20
20
19
20
20
20
19
20

152
154
164
150
169
169
162
166
170
146
156
175
159
160
155
154
163
155
168
165

F
F
M
F
M
M
F
M
M
F
F
M
F
M
F
F
F
F
M
M

Datos ordenados
#
X(1)
X(2)
X(3)
X(4)
X(5)
X(6)
X(7)
X(8)
X(9)
X(10)
X(11)
X(12)
X(13)
X(14)
X(15)
X(16)
X(17)
X(18)
X(19)
X(20)
X(21)
X(22)
X(23)
X(24)
X(25)
X(26)
X(27)
X(28)
X(29)
X(30)
X(31)
X(32)
X(33)
X(34)
X(35)
X(36)
X(37)
X(38)
X(39)
X(40)

Edad
18
18
19
19
19
19
19
19
19
19
19
19
19
19
19
19
19
20
20
20
20
20
20
20
20
20
20
20
20
20
21
22
22
22
22
22
22
23
23
27

Talla
162
185
149
150
152
155
156
163
163
164
164
164
166
168
168
169
175
146
152
154
155
157
159
160
163
165
169
170
175
180
164
149
154
160
162
169
169
150
162
168

Sexo
F
M
F
F
F
F
F
F
M
F
M
M
M
M
M
M
M
F
F
F
F
F
F
M
F
M
M
M
M
M
M
F
F
F
M
M
M
F
M
M

Poblacin Objetiva
Es un conjunto bien definidos de elementos que son sujetos a alguna medicin.
Mendehall, W Beaver, R Beaver, B (2006): Una poblacin es el conjunto de
mediciones de inters para el investigador.
Ordoez. M, (2014) La poblacin objetiva se refiere a todo el grupo de personas u
objetos que les interesan a los investigadores para la generalizacin de las
conclusiones. La poblacin objetiva por lo general tiene diversas caractersticas y
tambin es conocida como la poblacin terica.
Gutirrez Gonzlez (2005), " Se llama poblacin al conjunto de todos los
elementos de un tipo particular cuyo conocimiento es de inters".

Unidades de Investigacin
Es un elemento o elementos de la poblacin objetiva a las que se les efecta alguna
medicin.
La unidad de investigacin ms fcil es la edad.

Claudio Navarro (2006) Una unidad experimental es el individuo u objeto en el

que se mide una variable. Resulta una sola medicin o datos cuando una variable se
mide en realidad en una unidad experimental.
Quintana. C, (1996) La unidad estadstica es la unidad de inters en los estudios
estadstico y es el objeto de nuestra observacin de la cual se deriva la informacin
bsica para el anlisis.
Olga Vladimirovna Panteleeva. (2005), " Se llama muestra a cualquier
subconjunto de la poblacin".
Muestra
Es un subconjunto de n unidades de investigacin tomados de la poblacin objetiva.
Argibay. J, (2009) Nos referimos a varios temas, uno tiene que ver con las tcnicas
de muestreo empleados, y de manera estas no se asegura la calidad de la muestra.

ngel Serrano (2006): Una muestra es un subconjunto de mediciones

seleccionado de la poblacin de inters.
Gloria Zavala (2015): Una muestra es una X cantidad de personas que se toman
de nuestra poblacin objetiva para investigar.
Observacin
Son cada uno de los valores incluidos en la muestra. (Datos recomendados)
Quevedo, F (2010): Llamaremos unidad de observacin a la unidad fsica que nos
interesa estudiar u observar con fines de investigacin.
Ronald Escalada (1995): Son todos los valores que sern sometidos a estudios
para nuestra investigacin.
Santiago Fernndez (2002). " La observacin es la primera fase estadstica, el cual
cumple con los procedimientos del funcionamiento establecidos, debido a la
responsabilidad que implica el hecho de que estos datos son la base de todos los
estudios posteriores".

Parmetros y Estimadores
Parmetro
Es una cantidad de nmeros calculada a partir de los elementos de la poblacin.
Rafael Rodrguez (2004): Las mediciones descriptivas numricas asociadas con
una poblacin de mediciones se llaman parmetros; las calculadas a partir de
mediciones mustrales reciben el nombre de estadsticas.
Argote. C, (2009) Un buen habito de realizar el ejercicio de comparacin de dos
medidas es conocer claramente las caractersticas de la muestra como el tipo de
diseo utilizado para la obtencin de datos.
Antonio Vargas Sabadas. (1995), "Se llama parmetro al valor correspondiente
a una estadstica inferencial en la poblacin".

Estimador o estadstico
Es una cantidad de nmeros calculada a partir de los elementos de una muestra.
La altura media de los alumnos de probabilidad y estadstica del paralelo N3A.
3

Esto implica que son una muestra representativa de la poblacin.

Si un estadstico se usa para aproximar un parmetro a este se le denomina como
estimador.
Jaime, (2011); "Un estimador es un valor que puede calcularse a partir de los datos
mustrales y que proporciona informacin sobre el valor del parmetro que en el
cual se obtienen a partir de las observaciones de la variable y sus probabilidades
que determinan perfectamente la distribucin de esta, as como las caractersticas
de la poblacin".
Arnau. J, (1996) A continuacin, utilizando el sobreindice MCG para simbolizar,
mnimos cuadrados generalizados vamos a desarrollar de una forma muy breve las
propiedades que se deben reunir los estadsticos MCG es el mejor estimador lineal
insesgado del verdadero vector de parmetros.
Antonio Elizalde (2001): Se denominan estadsticas cuando se calculan a partir de
mediciones mustrales.

Continuas

Histogramas

Cuantitativas
Discretas

Grfico de barras
Xi

Variables
Ordinales

Escala Likert

Nominales

Grafico de barras

Cualitativas

Variables cualitativas
Si sus valores (modalidades) no se pueden asociar naturalmente a un nmero, no se
pueden hacer operaciones algebraicas con ellas y se clasifican en:
Rosario Delgado de la Torre. (2004),"La Variable Cualitativa es una variable que
corresponde a una caracterstica (o carcter) cualitativa y toma dos o ms valores
(categoras); pero estos valores estn predeterminados y son una asignacin
numrica a las modalidades de la variable, que no son medibles en s mismas".
Marcos Sandoval (2006): Las variables cualitativas miden una cualidad o
caracterstica en cada unidad experimental.
Jaime Flores (1991): Las variables cualitativas son las que almacenan informacin
no numrica, generalmente son cualidades, caractersticas u opiniones.
Nominales
Son aquellas en las que sus valores no se pueden ordenar.
Ej: La religin, el grupo sanguneo y la nacionalidad.
Jimnez, F. (2006) Son variables expresadas en unidades monetarias corrientes
en funcin de soles corrientes o a precios de mercado actuales. Por ejemplo, si un
cuaderno cuesta cinco soles en 1995, el valor nominal o corriente de diez cuadernos
ser de 50 soles.
Quevedo, F (2010): Asumen nombres, por ejemplo, la variable estado civil
asumir los valores: casado, soltero, viudo, divorciado. Ntese que los valores
asumidos son nombres o palabras que bien podran estar dispuestos en distinto
orden.
Arturo Cabezas (2005): Son las variables que almacenan informacin sin orden
especfico.
Ordinales
Es cuando sus valores se pueden ordenar.
Ej: El grado de satisfaccin, la mejora de un tratamiento.

Pablo Jimnez (2010): Asumen nombres o palabras con un cierto orden implcito.
Por ejemplo, la variable grado de intensidad de un sntoma asumir los valores:
alto, mediano, bajo. Los valores asumidos por esta variable guardan entre s
una relacin de orden.
Mayra Ortega (1998): Son las variables que almacenan informacin que llevan un
orden especfico.
Guaragna, B. Fridman, A. (2011) Permiten determinar un orden jerrquico
entre las unidades perteneciente a las diferentes categoras. Podemos mencionar
variables ordinales tales como nivel de educacin, clase social, cargo de empresa.

Variables Cuantitativas o Numricas

Este tipo de variables son aquellas en las que sus valores son numricos, es decir
tiene sentido hacer operaciones algebraicas con letras:
Camacho. J, (2008) En la investigacin clnica frecuentemente se miden
numerosas variables en los individuos incluidos en el estudio. Muchas veces interesa
determinar si existe relacin entre algunas de esas variables.
Francisco Orellana (2006): Las variables cuantitativas miden una cantidad
numrica en cada unidad experimental.
Flora Gutierrez (2010): Las variables cuantitativas son las que almacenan valores
numricos, ya sean enteros o decimales.
Discretas
Si toman valores puntuales.
Ej: El nmero de hijo, nmero de mquinas con problemas.
Fausto Sanchez (2010): Asumen valores numricos enteros que generalmente
son resultado de recuentos.
Rey, C. Ramil, M. (2007) las discretas son aquellas que puede tomar un numero
finito (o infinito numerable) de valores.
Katherine Salazar (2009): Este tipo de variable cuantitativa se manejan valores
especficos y concretos.
6

Continuas
Si entre 2 valores son posibles infinitos valores intermedios.
Ej: Edad, tiempo de vida de un equipo electrnico.
Quevedo, F (2010): Pueden asumir cualquier valor numrico, que generalmente
es resultado de una medicin. Dada la naturaleza de su escala de valor, siempre es
posible encontrar, entre dos valores, un tercero.
Arturo Hernndez (1994): Este tipo de variable cuantitativa se manejan valores
que pueden ser enteros o decimales, y se los almacena mediante intervalos que van
de X a Y.
Sarria, A. Guardia, J. Freixa, l. (1999) Si las variables, por lo menos
tericamente, pueden tomar los infinitos valores posibles en un intervalo fijado,
recibe el nombre de variables continuas.

Tabla de frecuencia (Anlisis de variables cuantitativas)

Anlisis univariado
Para variables cuantitativas discretas se requiere conocer los siguientes trminos:
Clase, marca de clase (continuas), frecuencia absoluta, frecuencia relativa,
frecuencia acumulada, frecuencia relativa acumulada.
Jaime Rivadeneira (2006): Resultan datos univariado cuando se mide una sola
variable en una sola unidad experimental.
Jorge, O (2009) Las tablas de frecuencia o histograma estn formados por un
conjunto de rectngulo que representa la frecuencia de cada categora, siendo estos
las frecuencias de valores observados.
Sergio Castro (1997): Se da este tipo de anlisis cuando se realiza un estudio
exhaustivo de las variables individualmente.
Clase
Son intervalos de igual longitud que son exhaustivos y mutuamente excluyentes.
Rodrguez. L (2007). son los valores agrupados en intervalos con la misma
amplitud.
7

Jos Mara Cordero, Santiago Fernndez, Alejandro Crdova. (2002), " Una
clase es cada uno de los diferentes grupos que se forman al reunir los valores
correlativos o prximos de la variable o las modalidades parecidas o similares del
atributo".
Pedro Snchez Mndez (1997): Son los valores que o intervalos que se
encuentran en una muestra.
Marca clase
Es el punto medio de cada una de las clases (V. Cuantitativas continuas).
Rodrguez, L (2007): Es el valor central del intervalo de la clase i.
Arellano Ulloa Vctor M. , Vernica Quijada Monroy. (2006), " Una marca de
clase es el punto medio de cada intervalo de clase".
Fernndez, S. Cordero, J. Crdoba, J. (2002) Para poder operar
matemticamente con estas distribuciones es preciso considerar un valor concreto
de la variable en cada clase que sea representativo, este valor se conoce como marca
de clase. Normalmente se tom el valor que se calcula hallando la media aritmtica
de los lmites del intervalo.
Frecuencia absoluta
Nmero de observaciones que se pueden clasificar en cada clase.
Leopoldo Salavarria (2015): Es la cantidad de veces que se repite un intervalo o
valor.
Gutirrez Gonzlez, Eduardo y Olga Vladimirovna Panteleeva. (2005), " La
construccin de los intervalos de clase de emplea para estudiar de una forma
simplificada la distribucin de datos, por lo tanto, despus de construir los
intervalos de clase se procede a contar la cantidad de datos que caen en cada una de
ella, a dicha cantidad se le llama frecuencia de clase o frecuencia de clase o
frecuencia absoluta y se simboliza por ni, en donde i representa el nmero de la
clase".
CBES. (2008) Es el nmero de veces que se repite ese dato, tambin se presenta
la frecuencia absoluta de un intervalo que se refiere al nmero de datos que
pertenecen a ese intervalo.
8

Frecuencia relativa
Se la obtiene dividiendo la frecuencia absoluta de clase i para el total de
observaciones.
Moreno. H, Hilario. N, (2013) La frecuencia relativa se presenta en porcentaje y
se conforma con los datos de la frecuencia absoluta. Su smbolo es Fr.
DR. Anah Alvarado(2015): Es la cantidad porcentual de cada uno de los
intervalos.
Elsevier Inc. (2007), " La frecuencia relativa es una frecuencia de un valor dividida
entre el nmero total de datos del conjunto de stos".
Frecuencia acumulada
Resulta de sumar la frecuencia acumulada de la clase i-1 con la frecuencia de la clase
i.
A. R, (2008) Es la suma de las frecuencias absolutas de todos los datos anteriores,
incluyendo tambin la del dato mismo del cual se desea su frecuencia acumulada.
Pablo Noriega (2012): Es la cantidad de cada una de los datos que
progresivamente aumenta hasta completar el total de la muestra.
Eduardo Gutirrez Gonzlez (2005), " Se llama frecuencia acumulada a la funcin
que representa la suma de la frecuencia por clase, y se simboliza por F".
Frecuencia relativa acumulada
Se lo obtiene dividiendo la frecuencia acumulada de la clase i para el total de
observaciones.
Alejandro Crdova. (2002), "La frecuencia relativa acumulada de un dato es igual
a la suma de las frecuencias relativas de todos los datos menores o iguales que dicho
valor"
Jorge Alarcon (2010): Es la cantidad porcentual que aumenta progresivamente
hasta completar el total de la muestra.
Vargas, A (1995) Llamamos frecuencia absoluta acumulada en el valor x, a la suma
de las frecuencias absolutas de los valores menores o iguales a x; y la
representaremos por N.
9

Para las variables cualitativas se necesita:

1. Tabla de frecuencia
2. Grfico de barras
3. Explicacin

Edad

Frecuencia
absoluta

Frecuencia
relativa

Frecuencia
acumulada

18
19
20
21
22
23
27

2
15
13
1
6
2
1

0,05
0,375
0,325
0,025
0,15
0,05
0,025

2
17
30
31
37
39
40

Sexo
M (1)
F (2)

Frecuencia absoluta
21
19

Frecuencia
relativa
acumulada
0,05
0,425
0,75
0,775
0,925
0,975
1

Frecuencia relativa
21/40 = 53%
19/40 = 47%

De una muestra tomada al azar de 40 alumnos del paralelo N3A de la carrera de

ingeniera en Networking, el 53% de los encuestados pertenece al sexo
masculino y el 47% al sexo femenino.

Grfica de tabla de frecuencia de

sexo de una muestra tomada al
azar
0,54
0,52
0,5
0,48
0,46
0,44
M

10

Para variables cuantitativas continuas

Tiempo de meses de vida de un electrodomstico
Tiempo de
vida

Marca de
clase

Frecuencia
absoluta

Frecuencia
relativa

Frecuencia
acumulada

[0-6]
[6-12]
[12-18]
[18-24]
[24-30]
[30-36]
[36-42]

(0+6)/2=3
(6+12)/2=9
(12+18)/2=15
(18+24)/2=21
(24+30)/2=27
(30+36)/2=33
(36+42)/2=39

2
6
8
16
10
7
1

0,04
0,12
0,16
0,32
0,20
0,14
0,02

2
8
16
32
42
49
50

Frecuencia
relativa
acumulada
0,04
0,16
0,32
0,64
0,84
0,98
1

Histograma de frecuencias relativas

Histograma de tiempo de meses

de vida de un electrodomstico
0,35

0,32

0,30
0,25
0,20
0,20

0,16

0,15

0,14

0,12

0,10
0,05

0,04

0,02

0,00
0-6

06-12

12-18

18-24

24-30

30-36

36-42

Histograma de frecuencia relativa

Es un grfico bidimensional en cuyo eje de las x se encuentran las clases y en el eje
de las y las frecuencias relativas.
Sheldon M. Ross. (2007), " Histograma en el que se muestran grficamente las
frecuencias relativas de cada dato del conjunto".
Mario Benavides (2002): Un histograma de frecuencia relativa, para un conjunto
de datos cuantitativo es una grfica de barras en la que la altura de la barra muestra
con qu frecuencia (medida como proporcin o frecuencia relativa) las mediciones
caen en una clase o subintervalo particular. Las clases o subintervalos se grafican a
lo largo del eje horizontal.
11

Andrs Sarmiento (1996): Un histograma de frecuencia relativa es la manera de

representar la incidencia de cierto dato en una variable, se asigna las frecuencias
relativas a la distribucin vertical y los intervalos a la distribucin horizontal.
Polgono de frecuencia relativa (Solo variables cuantitativas).- Es un grfico
bidimensional en cuyo eje de las x se encuentra la marca de clase y y frecuencia
relativa.

Polgono de frecuencia relativa

0,35
0,32

0,30
0,25
0,20

0,20
0,16

0,15
0,10
0,05

0,14

0,12

0,04

0,02

0,00
3

15

21

27

33

39

Rodrguez, L (2007): Es una manera de representar el perfil de la distribucin de

los datos. Se obtiene uniendo mediante segmentos de recta los puntos (marca de
clase, frecuencia), para cerrar el polgono se puede agregar un punto a cada lado con
frecuencia 0.
Elsevier Inc. (2007)," El polgono de frecuencia es el grfico de los valores distintos
y sus frecuencias, en el que se conectan los puntos del grfico mediante rectas".
Richard I. Levin, David S. Rubin (2004) Los polgonos de frecuencias son otra
forma de representar grficamente distribuciones tanto de frecuencias como de
frecuencias relativas.

Ojiva
Es un grfico que presenta en el eje horizontal la caracterstica cuantitativa que se
est investigando y en el eje vertical la frecuencia relativa acumulada.
Llins, H. Cabrera, J. Flrez, K. (2012) La ojiva, llamada tambin polgono de
frecuencias acumuladas (o polgono de frecuencias relativas acumuladas), se
12

construye a partir de tablas de frecuencias (acumuladas o relativas acumuladas).

Las ojivas ofrecen un medio grafico para interpolar o aproximar el nmero o
porcentaje de observaciones menores o iguales que un valor especfico.
Rodrguez, L (2007): Este grfico se usa para representar la frecuencia
acumulada, absoluta o relativa. Se lo obtiene uniendo segmentos de recta que se
extienden entre los extremos de las clases y usando los valores de la frecuencia
acumulada.
Vladimiro Panteleeva. (2005), " Los polgonos de frecuencia que se elaboran con
las frecuencias acumuladas o las frecuencias relativas acumuladas se llaman ojivas".

Ojiva
1,2
1

0,98

30-36

36-42

0,84

0,8
0,64

0,6
0,4

0,32
0,2
0

0,16
0,04
0-6

Edad

18
19
20
21
22
23
27

06-12

12-18

18-24

24-30

Frecuencia Frecuencia Frecuencia Frecuencia

absoluta
relativa acumulada relativa
acumulada
2
0,05
2
0,05
15
0,375
17
0,425
13
0,325
30
0,75
1
0,025
31
0,775
6
0,15
37
0,925
2
0,05
39
0,975
1
0,025
40
1
40
1

13

0,4

Grfica de tabla de frecuencia de

edad

0,35

0,375

0,3

0,325

0,25
0,2
0,15
0,15
0,1
0,05
0,05

0,025

0,05

0,025

23

27

0
18

Talla

146
149
150
152
154
155
156
157
159
160
162
163
164
165
166
168
169
170
175
180
185

19

20

21

22

Frecuencia Frecuencia Frecuencia Frecuencia

absoluta
relativa acumulada relativa
acumulada
1
0,025
1
0,025
2
0,05
3
0,075
2
0,05
5
0,125
2
0,05
7
0,175
2
0,05
9
0,225
2
0,05
11
0,275
1
0,025
12
0,3
1
0,025
13
0,325
1
0,025
14
0,35
2
0,05
16
0,4
3
0,075
19
0,475
3
0,075
22
0,55
4
0,1
26
0,65
1
0,025
27
0,675
1
0,025
28
0,7
3
0,075
31
0,775
4
0,1
35
0,875
1
0,025
36
0,9
2
0,05
38
0,95
1
0,025
39
0,975
1
0,025
40
1
40
1
14

Tabla de frecuencia de la talla

0,12

0,1
0,1

0,1

0,08
0,0750,075

0,075

0,06
0,05 0,05 0,05 0,05 0,05

0,04

0,02 0,025

0,05

0,0250,0250,025

0,05

0,0250,025

0,025

0,0250,025

0
146 149 150 152 154 155 156 157 159 160 162 163 164 165 166 168 169 170 175 180 185

15

Preguntas
1. Qu porcentaje de componentes tiene un tiempo de vida menor a 14
meses?
De una muestra tomada al azar de 50 electrodomsticos, el 16% de los
artefactos estudiados tuvo un tiempo de vida menor a 14 meses.
2. Qu porcentaje de componentes tiene un tiempo de vida superior a 21
meses?
De una muestra tomada al azar de 50 electrodomsticos, el 36% de los
artefactos estudiados tiene un tiempo de vida superior a los 21 meses.
3. Qu porcentaje de componentes tiene un tiempo de vida entre 21
meses y 32 meses?
De una muestra tomada al azar de 50 electrodomsticos, el 20% de los
artefactos estudiados tiene un tiempo de vida entre los 21 y 32 meses.
4. Cul es el tiempo de vida de los componentes de tal forma que la mitad
dure menos de ese valor?
5. Cul es el tiempo de vida de los componentes de tal forma que un 25%
dure menos de ese valor?
Reglas generales para formar intervalos en variables cuantitativas
continuas.
1. - Rango: X(max) X(min)
2.- Nmero de intervalos :
Formula de Esturgues.
ni = 1 + 3.32 log(n)
N= es el tamao de la muestra u observaciones.
3.- Ancho del intervalo:
i=

R
ni

16

4.- Clculo del nuevo rango o :

R = ni i
Si hay diferencia, se resta la diferencia del nuevo rango.
Si hay una diferencia de 3 se le resta 1 al menor y se suma 2 al mayor.
Ejercicio
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
54
32
58
58

30
35
35
50
50

47
45
56
65
47

60
52
48
35
58

32
48
30
56
55

35
58
55
47
39

40
60
49
37
58

50
38
39
56
43

= () () = 65 30 =
= 1 + 3.32 (40) = 6.32 =
=

35
=
= 5.83 =

= = 6 6 =

1.- Se determina cual es la variable a analizar y que tipo de variable es:

De una muestra de 40 estudiantes que fueron encuestados al azar, se necesita
conocer el rango de la cantidad de horas que estudian tanto dentro como fuera de
clases, por lo cual determinamos que nuestra variable a estudiar ser Horas de
estudio.
La variable Horas de estudio almacena la cantidad de hora que estudian la muestra
de 40 estudiantes encuestados al azar, por lo que se determina que el tipo de
variable ser cuantitativa, como se necesita conocer el rango de la cantidad de
horas, el tipo de variable ser cuantitativa continua.
17

2.- Se toman los datos de la muestra y se los ordena

Horas de estudio

Horas de estudio

X1
X2
X3
X4
X5
X6
X7
X8
X9
X10
X11
X12
X13
X14
X15
X16
X17
X18
X19
X20
X21
X22
X23
X24
X25
X26
X27
X28
X29
X30
X31
X32
X33
X34
X35
X36
X37
X38
X39
X40

36
54
32
58
58
30
35
35
50
50
47
45
56
65
47
60
52
48
35
58
32
48
30
56
55
35
58
55
47
39
40
60
49
37
58
50
38
39
56
43

X(1)
X(2)
X(3)
X(4)
X(5)
X(6)
X(7)
X(8)
X(9)
X(10)
X(11)
X(12)
X(13)
X(14)
X(15)
X(16)
X(17)
X(18)
X(19)
X(20)
X(21)
X(22)
X(23)
X(24)
X(25)
X(26)
X(27)
X(28)
X(29)
X(30)
X(31)
X(32)
X(33)
X(34)
X(35)
X(36)
X(37)
X(38)
X(39)
X(40)

30
30
32
32
35
35
35
35
36
37
38
39
39
40
43
45
47
47
47
48
48
49
50
50
50
52
54
55
55
56
56
56
58
58
58
58
58
60
60
65

18

3.- Con los clculos anteriormente realizados se realiza la tabla de

frecuencia de la variable cuantitativa continua.
Horas
estudio
[29-35)
[35-41)
[41-47)
[47-53)
[53-59)
[59-65]

Marca Frecuencia Frecuencia Frecuencia

de clase absoluta
relativa acumulada
32
38
44
50
56
62

4
10
2
10
11
3
40

0,1
0,25
0,05
0,25
0,275
0,075
1

4
14
16
26
37
40

Frecuencia
relativa
acumulada
0,1
0,35
0,4
0,65
0,925
1

4.- Realizada la tabla de frecuencia, se realizan las grficas (Histograma,

Polgono y Ojiva).

Histograma

Horas de estudio
0,3
0,275

0,25
0,25

0,25

0,2
0,15

0,1
0,1
0,075

0,05
0,05
0
[29-35)

[35-41)

[41-47)

19

[47-53)

[53-59)

[59-65]

Polgono

Horas de estudio

0,3

0,275

0,25

0,25

0,25

0,2
0,15
0,1

0,1
0,075

0,05

0,05

0
32

38

44

50

56

62

Ojiva
Horas de estudio

1,2
1

0,925

0,8
0,65

0,6
0,4

0,35

0,4

[35-41)

[41-47)

0,2
0

0,1
[29-35)

[47-53)

[53-59)

[59-65]

5.- Se interpretan los resultados obtenidos de nuestro estudio:

De la muestra tomada al azar de 40 estudiantes, a los cuales se les ha consultado la
cantidad de horas que estudian, tanto dentro como fuera de clases, se obtuvieron los
siguientes resultados, el 10% de los estudiantes dedicaron entre 29 a 35 horas a
estudiar la semana anterior, el 25% de los estudiantes dedicaron entre 35 a 41 horas
a estudiar la semana anterior, el 5% de los estudiantes dedicaron entre 41 a 47 horas
a estudiar la semana anterior, el 25% de los estudiantes dedicaron entre 47 a 53
horas a estudiar la semana anterior, el 27,5% de los estudiantes dedicaron entre 53
a 59 horas a estudiar la semana anterior y el 7,5% de los estudiantes dedicaron entre
59 a 65 horas a estudiar la semana anterior.
Por lo que llegamos a la conclusin que el 65% de la muestra dedic entre 47 a 65
horas a estudiar la semana anterior, y un 35% le dedic de 29 a 47 horas a estudiar
la semana pasada, lo que demuestra que en la muestra de 40 estudiantes tomada al
azar, hay 24 estudiantes que se esfuerzan ms en sus estudios para un mejor
aprendizaje.
20

Estimadores

Centralizacin
Media
Mediana
Moda

Dispersin

Varianza

Desviacin
estandar
=
Coeficiente de variacin

= = %

Posicin

Forma
Coeficiente
asimetra
Curtosis

Cuantiles
Deciles
Percentiles
Cuartiles
Q1= Primer cuartil
Q2= Segundo cuartil
Q3= Tercer cuartil

de

Media

La media depende de la muestra ya que es una variable aleatoria es la suma de los

datos dividido para el nmero total de datos menos uno.

= 20,20,19,18,21,19,22,23,19,20,20
() = 18,19,19,19,20,20,20,20,21,22,23
=

20 + 20 + 19 + 18 + 21 + + 20
= 20,09
11

21

Rigoberto Perez. (2010), "Llamamos media aritmtica de la variable

estadstica que denotamos por x, al valor de la expresin".

Prez. (1995) Descubri cuatro tcnicos existentes para calcular el tamao de

la muestra requerida en la estimacin de la media aritmtica de una distribucin log
normal con base en la amplitud del intervalo de confianza.

lvarez, R. (2007) La media aritmtica poblacional es uno de los parmetros

que ms veces se estima en estudios estadsticos.
Mediana
Si la mediana es par:

=
(+) =

Si la mediana es impar:

=
() =

() = 18,19,19,19,20,20,20,20,21,22
() =

(1) + (+1) 20 + 20
=
=
2
2

Xavier Garca (2004): La mediana m de un conjunto de n mediciones es el

valor de x que cae en la posicin media cuando las mediciones son ordenadas de
menor a mayor.

Daniela Acevedo (2003): La mediana es el valor que se encuentra en la mitad

de nuestros datos, existen dos formas de hallarla, una para datos pares y otra para
impares.

Rigoberto Perez. (2010), "Llamamos media aritmtica de la variable

estadstica que denotamos por x, al valor de la expresin".

22

Moda
=
= 20

Mendehall, W Beaver, R Beaver, B (2006): La moda es la categora

que se presenta con ms frecuencia o el valor de x que se presenta con ms
frecuencia.

Rigoberto Perez. (2010), "Llamamos moda o valor modal de una distribucin,

que denotamos por Mo, al valor de la variable que ms veces se repite".

Andrade, A. (2003) La moda es la medida de posicin que indica la magnitud

del valor que se presenta con ms frecuencia en una serie de datos; es pues, el valor
de la variable que ms se repite en un conjunto de datos. De las medias de posicin
la moda es la que se determina con mayor facilidad, ya que se puede obtener por
una simple observacin de los datos en estudio, puesto que la moda es el dato que
se observa con mayor frecuencia. La moda se designa con las letras Mo.

Los estimadores solo se aplican en variables cuantitativas

Distribucin normal representada por campana de Gauss

23

Dispersin
Varianza
Varianza es una medida de dispersin la sumatoria del dato menor la media
dividida para la cantidad de datos menor a uno.
1
( )2
n1

Klever Morales (2006): La varianza de una muestra de n mediciones es la

suma de las desviaciones cuadradas de las mediciones alrededor la media dividida
entre (n - 1).

Jos Mara Cordero (2002), "La varianza se puede definir como la media
aritmtica de las desviaciones de los valores obtenidos de la variable con respecto a
su media aritmtica elevadas al cuadrado".

Prez, R. Covadonga Caso, Ro, M. Lopez, A. (2012) Llamamos varianza,

que denotamos por S^2 x, a la derivacin cuadrtica media respecto a la media
aritmtica de los valores de la variable.
Desviacin estndar
Se considera desviacin estndar al resultado de la varianza sacndole la raz
cuadrada.
= 2

Salking, Nell J. (1999) La desviacin estndar es la medida de variabilidad de

uso ms comn. La desviacin estndar es la cantidad promedio en que cada uno de
los personajes, individuales varia respecto a la medida del conjunto de puntajes.
Cuanto mayor es la desviacin estndar, ms variable es el conjunto de puntajes.

Santiago Alarcn (2015): La desviacin estndar se obtiene sacando la raz

cuadrada de la varianza, el valor que se obtiene es una medida que indica la
variacin de todos los datos en referencia a la media.

Mario F. Triola. (2004), "La desviacin estndar es una medida de variacin

de todos los valores con respecto a la media".

24

Coeficiente de variacin
Es la desviacin estndar dividida para la media de la muestra y su resultado es
convertido a porcentaje.
. =

Rodrguez, L (2007): Es un nmero que se usa para comparar la variabilidad

de los datos de diferentes grupos. Es una medida adimensional.

Hernndez, E. (2006) Coeficiente de variacin: La variacin real o dispersin

determinada a partir de la desviacin estndar u otra medida de dispersin, es
llamada la dispersin absoluta.

Michael J. Evans, Jeffrey S. Rosenthal. (2005), "El coeficiente de variacin

de una medida poblacional con media no nula se define como /, donde es la
media poblacional y la desviacin estndar de la poblacin".

Ejercicios
Media

=
=1

22 + 37 + 28 + 33 + 35 + 28
75

= 35.69
Mediana
() =

() =

(1) + (+1) 29 + 35
=
=
2
2

Moda
= 35 29
Varianza
25

2 =

1
[(21 35,69)2 + (22 35,69)2 + + (74 35,69)2 + (80 35,69)2 ]
74
= 124.05

Derivacin estndar
= 2 = 11.137
Coeficiente de variacin
. =

11.137
=
= 0.3120

35.69

0
1
2
3
4
5

12
9
7
6
3
3
40

0
9
14
18
12
15
68

Media

=
=1

68
= 1.7
40

Varianza

2
( )2
=

=1

2 =

214
(1,7)2 = 5,35 2,89 = 2,46
40

Desviacin estndar
= 2
= 2,46 = 1,57
26

0
1
4
9
16
25

0
9
28
54
48
75
214

Coeficiente de variacin
=

1,57
= 0,92261 = 92%
1,7

Tabla
Clase
[1,65-2,05)
[2,05-2,45)
[2,45-2,85)
[2,85-3,25)
[3,25-3,65)
[3,65-4,05)

4
5
13
17
8
3
50

1,85
2,25
2,65
3,05
3,45
3,85

7,40
11,25
34,45
51,85
27,60
11,55
144,1

3,4225
5,0625
7,0225
9,3025
11,9025
14,8225

13,69
25,3125
91,2925
158,1425
95,22
44,4673
428,25

144,1
= 2,882
50

2 =

428,125
(2,882)2 = 0,256576
50

= 0,256 = 0,506
=

0,50653315
= 17,578% = 18%
2,882

Clase
21
22
24
25
26
27
28
29
30
31
32
33

1
1
2
1
4
4
4
6
3
3
3
5

441
484
576
625
676
729
784
841
900
961
1024
1089

21
22
48
25
104
108
112
174
90
93
96
165
27

441
484
1152
625
2704
2916
3136
5046
2700
2883
3072
5445

34
35
36
37
38
39
40
41
42
43
45
46
49
50
54
60
61
63
74
80

3
6
1
3
4
2
1
5
2
1
1
1
1
1
1
1
1
1
1
1
75

102
210
36
111
152
78
40
205
84
43
45
46
49
50
54
60
61
63
74
80
2677

1156
1225
1296
1369
1444
1521
1600
1681
1764
1849
2025
2116
2401
2500
2916
3600
3721
3969
5476
6400

3468
7350
1296
4107
5776
3042
1600
8405
3528
1849
2025
2116
2401
2500
2916
3600
3721
3969
5476
6400
106149

2677
= 35,693
75

2 =

106149
(35,69)2 = 141,543
75

= 141,543 = 11,897
=

11,897
= 0,33 = 33%
35,69

Clase
[19-28)
[28-37)
[37-46)
[46-55)
[55-64)
[64-73)
[73-82)

23,5
32,5
41,5
50,5
59,5
68,5
77,5

16
32
18
4
3
0
2
75

376
1040
747
202
178,5
0
155
2698,5

28

552,25
1056,25
1722,25
2550,25
3540,25
4692,25
6006,25

8836
33800
31000,5
10201
10620,75
0
12012,5
106470,75

2698,5
= 35,98
75

2 =

106470,76
(35,98)2 = 125,0496
75

Estimadores de posicin
=
=
Percentiles del orden i
Es aquel que divide a los datos en 100 partes igual.
= 1 99

Miguel silva (2004) Un percentil es otra medida de posicin relativa y se usa

con ms frecuencia para conjuntos grandes de datos.

Cstor Guisande Gonzlez. (2006), Los percentiles son los 99 puntos que
dividen la distribucin en 100 partes, tales que dentro de cada una est incluido el
1% de los valores de la distribucin.

Carlos Mndez (1995): Un percentil permite mostrar un conjunto de datos

extenso con ms precisin.
Deciles
Es aquel que divide los elementos de la muestra en 10 grupos con frecuencias
similares.

Rodrguez, L (2007): Son nmeros que dividen a los datos de la muestra en

grupos de tamao aproximado a 10%.

Cstor Guisande Gonzlez. (2006), "Los deciles son 9 puntos que dividen la
distribucin en 10 partes, tales que dentro de cada una est incluido el 10% de los
valores de la distribucin".

Barreto. A, (2012) En el mbito del anlisis de la distribucin del ingreso de

las familias, es comn que la curva de Lorenzo se construya a partir de datos
agrupados en subconjuntos de tamao o por ciento, denominamos deciles de
hogares.
29

Cuartiles
Es aquel que divide los elementos de la muestra en 4 grupos con frecuencia
similares.

Maximiliano Escobedo (2006): Un conjunto de n mediciones en la variable x

se ha acomodado en orden de magnitud. El cuartil inferior (primer cuartil), Q1, es el
valor de x que es mayor a un cuarto de las mediciones y es menor que los restantes
tres cuartos. El segundo cuartil es la mediana. El cuartil superior (tercer cuartil), Q3,
es el valor de x que es mayor a tres cuartos de las mediciones y es menor que el
restante un cuarto.

Cceres, R (2007) Los cuartiles dividen al conjunto de datos en cuarto partes

iguales en cuanto al nmero de datos, en cada una de ellas hay un 25% de datos. En
caso de que el nmero de datos no sea divisible por cuatro, los grupos no podrn
tener todos exactamente el mismo nmero de datos.

Cstor Guisande Gonzlez. (2006), "Los cuartiles son los tres valores de la
variable que dividen la distribucin en partes iguales, es decir, en 4 intervalos,
dentro de cada cual est incluido el 25% de los valores de la distribucin".
Cuantil
Se define el cuantil del orden como un valor de la variable por debajo de la cual se
encuentra una frecuencia acumulada . Entre los casos particulares tenemos los
percentiles, deciles, cuartiles. Para encontrar percentiles, deciles y cuartiles se aplica
una formula.

Nettleton, D. (2003) La tcnica de cuantiles genera tantas categoras como

deseamos, en funcin del rango de valor de valores de la variable para definir los
cuantiles, tenemos que especificar a la tcnica cuantos queremos, y para cad uno el
porcentaje de los casos que deseamos incluir

Cstor Guisande (2006), "Los cuantiles se definen al orden k como los valores
de la variable, supuesta sta ordenada de menor a mayor, que la deividen en k partes
con la misma frecuencia de observaciones. Por lo tanto existirn k-1 cuantiles de
orden k".

30

Rodrguez, L (2007): Son nmeros que distribuyen los datos ordenados de la

muestra en grupos de aproximadamente tamao con el propsito de resaltar su
ubicacin relativa. Estos nmeros se denominan cuantiles en forma genrica.
(,) = () + 0, ((+1) () )


( + 1)
() = (
) = 1 99
100

()
(1)
(2)
(3)
(4)
(5)
(6)
(7)
(8)
(9)
(10)

Talla
1,65
1,60
1,64
1,69
1,81
1,68
1,60
1,70
1,70
1,76

Hallar los percentiles 25, 50 y 75

1) P(25) = x (

1125
100

) = 2,75

x(2,75) = 1,60 + 0,75(1,64 1,60) = 1,63

P(25) = 1,63
1150

2) Q2 = 50% = P(50) = (

100

) = 5,5

X(5,5) = (1,68 + 0,5)(1,69 1,68) = 1,685

P(50) = 1,69
1175

3) Q3 = 75% = P(75) = (

100

) = 8,25

X(8,25) = (1,70 + 0,25)(1,76 1,70) = 1,715

P(75) = 1,72

31

Talla
1,60
1,60
1,64
1,65
1,68
1,69
1,70
1,70
1,76
1,81

Diagrama de Cajas y Bigotes

Es una medida de dispersin asociado a la mediana, es la diferencia entre el primer
y tercer cuartil.
=

= 3 1

Correa. A, Burgos. C,(2012) Este diagrama muestra que la

distribucin de la finura es simtrica con respecto al valor central
promedio debido a que la longitud de ambos rectngulos alrededor de
cada mediana es igual en la mayora de la operarios .
Rodrguez, L (2007): Es un dispositivo grfico que se usa para
expresar en forma resumida, algunas medidas estadsticas de posicin.
Antoni Uchupelli (1994): Es un grfico que permite analizar la
posicin de los datos y tambin donde existe una mayor incidencia de
los mismos, observando el tamao de los cuartiles y de los bigotes.
Rango Intercuartil
Es una medida de dispersin asociado a la mediana, es la diferencia entre el
primero y tercer cuartil.
= 3 1
= 1.715 1.63
= 0.085
32

 = 3 1

David M. Levine, Mark L. Berenson, Timothy C. Krehbiel. (2006), "El

rango intercuartil (tambien llamado dispersin media) es la diferencia entre el
tercer y primer cuartil de un conjunto de datos, mide la dispersin en la mitad (parte
central) de los datos, as que no se ve influido por los valores extremos".

Prez. F, (2012) Por su parte el rango intercuartil se obtiene de la diferencia

entre el primer y tercer cuartil y, sirve para indicar la duracin o tiempo que le toma
a un cohete completar una transicin dada.

Tigre, M. (2008) En estadstica descriptiva, se le llama rango intercuartlico o

rango intercuartil, a la diferencia entre el tercer y el primer cuartil de una
distribucin. Es una medida de la dispersin estadstica, a diferencia del rango, se
trata de un estadstico robusto.
Valores alejados
Son valores observados que se apartan del resto de la muestra, para ello utilizamos
2 reglas:
1.- Si el valor de x, tomado de la muestra, es menor que 1 1,5(3 1 ) o lo mismo
que 1 1,5 , entonces es alejado por defecto.
2.- Si el valor de x, tomado de la muestra, es menor que 3 + 1,5(3 1 ) o lo mismo
que 3 + 1,5 , entonces es alejado por exceso.

Martn, Miguel, Horna, Olivia, Nedel, Flvio, Navarro, Albert.

(2010), "Podramos hablar de un efecto revelador de valores alejados de la media
haciendo "invisibles" los que estn a pocas desviaciones estndar".

Ximenez, P. (2004) Son valores observados que se apartan demasiado del

resto de la muestra, dando como resultado una muestra alejada de la realidad.

Gutirrez. A, (2010) Es una dispersin grande es una propiedad indeseada

del estimador, pues en generalmente en la prctica, tenemos solo una muestra

33

Estimadores de forma
1) Asimetra
AS = 0 Simetra
AS > 0 Simetra hacia la derecha
AS < 0 Simetra hacia la izquierda

Distribucin en forma simtrica

Se encuentran mayormente agrupados hacia la izquierda de la distribucin normal,
o agrupados hacia la derecha de la distribucin normal.
2) Curtosis
2 = 2 =

2
1
( )
1

3 = =

3
( )

. 3
4

4 = = [

2
4
8
2

( )
] 3
. 4

-2
0
4
-2

( )
4
0
16
4
24
34

( )
-8
0
64
-8
48

( )
16
0
256
16
288

2+4+8+2
=4
4

1
2 = [(2 4)2 + (4 4)2 + (8 4)2 + (2 4)2 ] = 8
3
= 2 = 8 = 2,83
2 = 2 = 8

3 = = (

48
) = 0,53
4(2,83)3

288
4 = (

) 3 = 1,88
4(2,83)4

Antonio Rial Boubeta, Varela Mallou Jesus. (2014), " La Asimetra

informa del grado en que las observaciones se reparten proporcional y
equitativamente por encima y por debajo del punto central (ms alto) de la
distribucin".

Corea. L, Morales. A, (2000) La convergencia a la distribucin normal de los

promedios de variables aleatorias poisson, igual e independiente distribuidas, est
en funcin de su parmetro a mayor valor del mismo, ms rpida es la
convergencia.

Santander, K. (2005) La simetra (tambin denominada sesgo) de una

distribucin de frecuencias hace referencia al grado en que valores de la variable,
equidistantes a un valor que se considere centro de la distribucin, poseen
frecuencias similares.

35

La curtosis
Es el apuntamiento de la distribucin normal

Antonio Rial Boubeta, Varela Mallou Jesus. (2014), "La Curtosis es una
medida que se relaciona con la frecuencia de aparicin de valores centrales en una
distribucin".

Pea, F. (2008) La Curtosis es una medida de la forma. As, las medidas de

Curtosis tratan de estudiar la proporcin de la varianza que se explica por la
combinacin de datos extremos respecto a la media en contraposicin con datos
poco alejados de la misma. Una mayor Curtosis implica una mayor concentracin de
datos muy cerca de la media de la distribucin coexistiendo al mismo tiempo con
una relativamente elevada frecuencia de datos muy alejados de la misma.

Ramrez. L, (2008) Este se puede tomar como un indicador de la magnitud de

la variabilidad. Esta aproximacin a la distribucin normal, expresada
principalmente por la asimetra.

36

POSICIN
Cuantiles
Deciles
Percentiles
Cuartiles

Q1 primer cuartil
Q2 segundo cuartil
Q3 tercer cuartil

Media
X =
=1
X=

20+20+19+18+21+20
11

X=20.09
Medida
Impar

()=20

()
Par

()=

1+ 1
2

= (+2)=20

Moda
M = Valor 8 valores que ms se repite
M =20

Campana de Gauss
16

25
18

17

18

24
19

25

20

20

30

La campana de gauss nos da a conocer la distribucin de nuestros datos tomados de

una muestra estos sean hacia la derecha o hacia la izquierda. Donde se encuentre
acumulado los datos.

37

Gurdia, J. Freixa, M. Per, M. Turbany, J. (2008) La distribucin normal es

un modelo terico de probabilidad que se puede utilizar cuando trabajamos con
variables aleatorias continuas, aunque tambin lo utilizamos en variables aleatorias
discretas que tienen un rango de valores suficientemente amplio. Recibe el nombre
de campana de Gauss.

Gonzlez, K. (2007) Campana de Gauss, es una representacin grfica de la

distribucin normal de un grupo de datos. stos se reparten en valores bajos,
medios y altos, creando un grfico de forma acampanada y simtrica con respecto a
un determinado parmetro. Se conoce como curva o campana de Gauss o
distribucin Normal.

Catmull, E. (2014) Un concepto ligeramente menos obvio es el de la distribucin

normal o campana de gauss, aunque muchos comprendemos intuitivamente su
significado. En el colegio nos suelen calificar de acuerdo con una campana de gauss:
unas pocas personas sacan, malas notas, otras pocas sacan notas excelentes y el
resto queda amontonado en el centro.
Ejercicio
Edad
18

20

19

20

23

21

20

19

19

20

Media =1 =20.09 =20

Mediana =20
Moda =20
Dispersin
1

Varianza = 1 =( )
1

2 =10 =((18 20.09)2 + (19 20.09)2(23 20.09)2 )

2 = 2.09

38

Desviacin estndar S= 2
S=2.09
S=1.44

Coeficiente de varianza CV = dec, %

1.44

CV= 20.05 =0.072=7.2%

Estimacin de edades, mejores actrices
Media =

21+22+.+80
75

= 35.69

Mediana = 33
Moda = 35.29
1

Varianza =14 [(21 35.69)2 ] =11.13

Desviacin estndar S= (11.13) = 3.33

11.13

Coeficiente varianza = CV = dec % CV = 35.69 = 0.311 = 3.1%

Estimacin tabla de frecuencia o datos cuantitativas discretas
clase
0
1
2
3
4
5

X=

Fi
12
9
7
6
3
3
40

Xi Fi
0
9
14
18
12
15
68

=1

68

X=40 = 1.7
2 =
2 =

=1

214
40

- 2

1.72 = 2.46

S = 2 =2.46 = 1.37

C.V = =

1.57
1.7

=92%
39

0
1
4
9
16
25

Fi Xi^2
0
9
28
54
48
75
214

Continuas
Clase

X=

Xi

Fi

Xi Fi

[1,65-2,05]

1,85

7,4

3,4225

13,69

[2,05-2,45]

2,25

11,25

5,0625

25,3125

[2,45-2,85]

2,65

13

34,45

7,0225

91,2925

[2,85-3,25]

3,05

17

51,85

9,3025

158,1425

[3,25-3,65]

3,45

27,6

11,9025

95,22

[3,65-4,05]

3,85

11,55

14,8225

44,4675

50

144,1

144.1
50

2 =

= 2.88

428.125
50

2.882 = 0.26

S = 2 =0.26 = 0.51

C.V = =

0.51
2.88

=0.177 = 17.7%

40

Fi Xi^2

428,125

Estimadores De Posicin
Clase

Marca de clase
Continuas
Frecuencia absoluta
Discretas

25%

50%

75%

Percentiles de orden i
Es el porcentaje dado por las observaciones de datos ordenadas de menor a mayor.
1 2 3 4 5 6 7 8 9
1 2 3 4 5 6 7 8 9 10 11

Vivo. M, Soria. E, (2001) En forma intuitiva podemos decir que es un valor tal
que supera un determinado porcentaje de los miembros de la poblacin esta sirve
para comprar las variables.

Vilar J (2005) Sea , , ,, un conjunto de n valores ordenados de menor a

mayor, se denomina percentil o al valor perteneciente al conjunto de datos que
cumple el p% de los datos sin menores que l.

Jara, L. (2006) El percentil es una medida de tendencia central usada en

estadstica que indica, una vez ordenados los datos de menor a mayor, el valor de la
variable por debajo del cual se encuentra un porcentaje dado de observaciones en
un grupo de observaciones.
41

DECILES
Se refiere en dividir los datos en diez partes iguales con alguna relacin de orden.

Barreto. A, (2012) En el mbito del anlisis de la distribucin del ingreso de

las familias, es comn que la curva de Lorenzo se construya a partir de datos
agrupados en subconjuntos de tamao o por ciento, denominamos deciles de
hogares.

Richard I. Levin, David S. Rubin (2004) Los deciles tienen nombres

especiales, dependiendo del nmero de partes iguales en que dividen a los datos.
Los fractiles que los dividen en 10 partes iguales se llaman deciles.

Hernndez, (2003) Decil se refiere a cada uno de los 9 valores que dividen un
grupo de datos (clasificados con una relacin de orden) en diez partes iguales, y de
manera que cada parte representa un dcimo de la poblacin. En resumen, los
deciles son cada uno de los nueve valores que dividen un conjunto de datos en diez
grupos con iguales efectivos.
CUARTILES
Los cuartiles son tres valores Q1, Q2, Q3 que dividen a un conjunto de datos
ordenados.

Moore. D, (2005) Estas ordenan los datos de menor a mayor y busca el lugar
que ocupa cada cuartil mediante

.
4

K = 1, 2,3.

Cceres, R (2007)Los cuartiles dividen al conjunto de datos en cuarto partes

iguales en cuanto al nmero de datos, en cada una de ellas hay un 25% de datos. En
caso de que el nmero de datos no sea divisible por cuatro, los grupos no podrn
tener todos exactamente el mismo nmero de datos.

Mendoza, B. (2002) Los cuartiles son los tres valores que dividen al conjunto
de datos ordenados en cuatro partes porcentualmente iguales. La diferencia entre
el tercer cuartil y el primero se conoce como rango intercuartlico. Se representa
grficamente como la anchura de las cajas en los llamados diagramas de cajas.

42

Cuantiles
Son puntos tomados a intervalos regulares de una variable aleatoria.

Canaviri. D, (2012) Intenta modelar el efecto X sobre toda la distribucin de

Y Z-fz continuas, montona. El i-esimo cuartil de Z en un nmero Qzi que satisface
F (Q Z T) =T.

Nettleton, D. (2003) La tcnica de cuantiles genera tantas categoras como

deseamos, en funcin del rango de valor de valores de la variable para definir los
cuantiles, tenemos que especificar a la tcnica cuantos queremos, y para cada uno el
porcentaje de los casos que deseamos incluir.

Suarez, A. (2000) Se define el cuantil de orden alfa como un valor de la variable

por debajo de la cual se encuentra una frecuencia acumulada alfa.
Entre los casos particulares tenemos los percentiles, deciles y cuartiles.

Q1 (primer cuartil)= 25% 25

Percentiles

Q2 (segundo cuartil)=50%
Q3 (tercer cuartil)=75% 75

Edades
20, 20, 20, 21, 22, 23,25

Q2=50%=21
Q1=25%=20

P50 =

(8)5
100

=4 = 21

Q3=75%=23

Frmula para hallar cuartil, percentil, deciles

, = + 0. (+1 )

43

Frmulas para hallar posicin

= ((+1))

i=1.99

100

X1
X2
X3
X4
X5
X6
X7
X8
X9
X10

1,65
1,6
1,64
1,69
1,81
1,68
1,6
1,7
1,7
1,76

Datos ordenadas
X(1)
X(2)
X(3)
X(4)
X(5)
X(6)
X(7)
X(8)
X(9)
X(10)

1,6
1,6
1,64
1,65
1,68
1,69
1,7
1,7
1,76
1,81

= (1125)
100

= (2) + 0.75((3) (2) )

= 1.60+0.75 (1.64-1.60)
=1.63
Dz= (70) = (1170) =(7.7)
100

= (7) + 0.7((8) (7) )

= 1.70+0.7 (1.70-1.70)
=1.70
(70) = (1175) =(8.25)
100

= (8) + 0.25((9) (8) )

= 1.70+0.25 (1.76-1.70)
=1.715

44

DIAGRAMA DE CAJA Y BIGOTE

24

16
Q1

Q2

28

40

Q3

Correa. A, Burgos. C,(2012) Este diagrama muestra que la distribucin de la

finura es simtrica con respecto al valor central promedio debido a que la longitud
de ambos rectngulos alrededor de cada mediana es igual en la mayora de la
operarios.

Otamendi, F. Daz, A. (2011) El diagrama de caja muestra los tres cuartiles,

que son los valores que cubren el 25%, el 50% y el 75% de los datos. La caja incluye
el 50% central de los datos. Tambin se incluye como un punto la media y como
asterisco los valores o excesivamente altos o excesivamente bajos en relacin con la
media y la variabilidad normal de los datos, marcada por los bigotes de las cajas.

Espinoza, C. (2004) Los diagramas de Caja-Bigotes son una presentacin visual

que describe varias caractersticas importantes, al mismo tiempo, tales como la
dispersin y simetra.

45

Q1-(1.5*RI)

Q3+ (1.5*RI)

1.60

1.81
1.63

1.685

1.713

Rango Intercuartil
RI=Q3-Q1
RI=1.725-1.63
RI=0.085
Es la resta del tercer cuartil menos el primer cuartil de una distribucin.

Prez. F, (2012) Por su parte el rango intercuartil se obtiene de la diferencia

entre el primer y tercer cuartil y, sirve para indicar la duracin o tiempo que le toma
a un cohorte completar una transicin dada.

David M. Levine, Mark L. Berenson, Timothy C. Krehbiel (2004)El

rango intercuartil (tambin llamado dispersin media) es la diferencia entre el
tercer y primer cuartil de un conjunto de datos.
El rango intercuartil mide la dispersin en la mitad (parte central) de los datos, as
que no se ve influido por los valores extremos.

Tigre, M. (2008) En estadstica descriptiva, se le llama rango intercuartlico o

rango intercuartil, a la diferencia entre el tercer y el primer cuartil de una
distribucin. Es una medida de la dispersin estadstica, a diferencia del rango, se
trata de un estadstico robusto.

Valor Alejado
Gutirrez. A, (2010) Es una dispersin grande es una propiedad indeseada
del estimador, pues en generalmente en la prctica, tenemos solo una muestra.

Prez, V. Figueroa, E. Duran. J, (2006) Los valores alejados originados por

pequeas

desviaciones

experimentales,
46

pueden

introducir

distorsiones

importantes en los valores medios y sobre todo en los criterios de precisin, por lo
que deben ser revisados y eliminados, si as correspondiesen, antes de ejecutar la
evaluacin de los datos.

Ximenez, P. (2004) Son valores observados que se apartan demasiado del

resto de la muestra, dando como resultado una muestra alejada de la realidad.
ESTIMACIN POR FORMA
Asimetra AS
Curtosis RC
Asimtrica

Distribucin en Forma Simetra

La distribucin en forma simtrica no muestra con claridad y precisin donde se
encuentra nuestra muestra en la poblacin si a la derecha, izquierda o en la media.
Corea. L, Morales. A, (2000) La convergencia a la distribucin normal de los
promedios de variables aleatorias poisson, igual e independiente distribuidas, est
en funcin de su parmetro a mayor valor del mismo, ms rpida es la
convergencia.
Alpzar, A. Magno, C. (2004) El grado de agudeza de una distribucin de puntos.
Santander, K. (2005) La simetra (tambin denominada sesgo) de una
distribucin de frecuencias hace referencia al grado en que valores de la variable,

47

equidistantes a un valor que se considere centro de la distribucin, poseen

frecuencias similares.
Datos
Matemtica
1

2 = 2 1 ( )2
Asimetra
( )3

3 = = 4
Curtosis
4 = = [

( )4
4

]3

Xi

X=

2+4+8+2
4

Xi-x

(Xi-X)2

(Xi-X)3

-2

-8

16

16

64

256

-2

-8

16

24

48

288

=4

2 =3 =((2 4)2 + (4 4)2 + (8 4)2 + (2 4)2 )

2 = 8
S= 2
S=8
S=2.83
=

(Xi-X)4

48
4(2.83)3

= 0.53
288

= 4(2.83)4 3
= -1.88

48

Anlisis Bivariado
Variable De Cuantitativo
Anlisis de correlacin de Pearson
Variable Cualitativo
Tablas de contingencia estadstico 2 cori cuadrada

r=

Correlacin positiva lineal

Correlacin negativa
lineal

No hay correlacin

Correlacin

Anlisis bivariado es cuando se est hablando de dos variables tiene como fi

encontrar si es que existe un tipo de relacin entre estas dos variables.

Ramrez. V, Hernndez. O, Garca. M, (2007) Los anlisis bivariado

mostraron ventajas sobre los univariado en su habilidad de prediccin
usando la metodologa de validacin cruzada al usar el anlisis bivariado o

49

cualquiera involucrado estas dos variables comparando con sus respectivos anlisis
univariado.

Martn, Miguel, Horna, Olivia, Nedel, Flvio, Navarro, Albert (2010)

El anlisis bivariado: consiste este en la representacin, cuantificacin y
comparacin de las variabilidades observadas en una propiedad en funcin de las
existencia de un factor externo que puede introducir una variabilidad atribuido al
factor y adicionarle a la propia de la variable bajo un concepto estrictamente
aleatorio.

Irwin y Miller, M. (1992) El Anlisis Bivariado Implica el anlisis comparativo

de dos variables una de las cuales modifica a la otra. Al considerar dos variables, la
construccin de las tablas de distribucin de frecuencias Bivariadas.
Altura

Peso

1,55

45KG

1,5

60KG

1,51

60KG

1,85

70KG

1,55

70KG

1,62

68KG
1

= 1 (( )( ))
= 2
= 2

= =1

= =1
1

2 = 1 =1( )2
1

2 = 1 =1( )2
=
1

= 1 (( )( ))
1

= 1 ( )2
Si tienes una muestra con la clasificacin de los estudiantes de primer parcial y
segundo parcial
50

Primer parcial
60
74
66
34
60
66
57
71
39
57

Segundo parcial
72
82
75
46
73
74
70
82
60
61

r=

= 10
= 58.4
= 69.5
2 = 166.48
2 = 121.83
= 166.48 =12.90
= 121.83 =110.4
1

= 1 (( )( ))
= 134.11
134.11

r=12.9011.04 = 0.06

Signo de La Covariancia
El signo de la covarianza nos muestra directamente el tipo de correlacin lineal es
positiva, negativa.

Rodrguez. L, (2007) Es importante que se mida la correlacin entre variables

cuyas asociaciones tenga algn significado de inters. As mismo si las variables no
estn correlacionadas linealmente, pudiera ser que tengan algn otro tipo de
correlacin.

51

Richard L. Scheaffer, Mendenhall, W. Lyman Ott (2007) Manera que

cada muestra posible de tamao n tenga la misma probabilidad de ser seleccionada,
el procedimiento de muestreo se denomina muestreo aleatorio simple.

Benjumea, J.(2006) La covarianza de una Variable Estadstica Bidimensional,

tambin llamada varianza conjunta de las dos variables, es el parmetro estadstico
ms representativo de una distribucin bidimensional.

Matriz de Varianza y Covarianza

En la matriz de podemos observar la covarianza de dos elementos.

Ato, M. (1990) Aunque la matriz de correlacin entre variables debe constituir

se con coeficientes de correlacin de PEARSON ha habido muchos intentos de
aplicar el anlisis Factorial a matrices constituidas con otros coeficientes de
correlacin fundamentalmente el coeficiente phi y el coeficiente de correlacin
tetracorico.

Rodrguez. L, (2007) Es una matriz simtrica con la que se pueden representar

ordenadamente las varianzas y las covarianzas entre las variables.

Mendenhall, W. (2008) En estadstica y teora de la probabilidad, la matriz de

covarianza es una matriz que contiene la covarianza entre los elementos de un
vector. Es la generalizacin natural a dimensiones superiores del concepto de
varianza de una variable aleatoria escalar.

[ ] = [

12
1 2

1 =

1 =

2 =

2 =

1 2
]
22

166.48 134.11
]
134.11 121.83

52

MATRIZ DE CORRELACIN
Matriz de correlaciones nuestra r est conformada por filas y columnas.

Montgomery, Douglas, C. (2008) El anlisis factorial se puede utilizar para

estudiar series numricas o de valores cuantitativos para un determinado nmero
de variables cuantitativas y mayor de dos. Por ejemplo, tres caractersticas o ms
para series numricas con igual nmero de datos.

Aguirre, A. (1994) la correlacin en el modelo, como dijo, puede indicar la

presencia de parmetros superfluos. Estos parmetros redundantes y no estn
necesariamente entre aquellos para los cuales aparece el coeficiente de variacin.

Cobo, P. (1997) Los coeficientes de un filtro fijo pueden obtenerse del cociente
de la matriz de correlacin cruzada entre la salida ideal y la entrada y la matriz de
autocorrelacion de la entrada.
1,1
[ ] = [

2,1

[rij ] =

1,2
2,2 ]

Sxi xj
Sxi Sxj

r1,2 = Sx1 x2 =

134.11
Sx1 Sx2 12.9011.04

S
Sx12
1,1 = x1 x1 = 2 =1
Sx1 Sx1 Sx1

S
Sx22
2,2 =S x2Sx2 =
=1
x2 x2 Sx22

S
134.11
2.1 =S x1Sx2 =12.9011.04
x1 x2

Existe una dependencia lineal positiva entre estas dos variables lo podemos
colaborar en la figura resuelta anterior lo que no da a conocer una pendiente lineal.

53

Tipos de Muestreo
1.- Muestreo aleatorio simple (MAS)
2.- Muestreo sistemtico
3.- Muestreo estratificado
4.- Muestreo por conglomerado
Muestreo Aleatorio Simple (Mas)
MS tabla de nmeros aleatorios
RAM # (0-1)
A
50
20
155

B
45
5

C
60
5
50%

El muestreo aleatorio simple es el ms comn y el ms recomendado a utilizar este

consiste.
Nivel de Confianza
El nivel de confianza en una encuesta a realizarse, es la que nos permite determinar
un grado exacto de confiabilidad en nuestra investigacin a realizar, es de gran
utilidad para determinar el nivel mnimo o mximo de perdida de informacin.

Freedman, D. (1993) El nivel de confianza del 95% nos informa sobre el

proceso de muestreo. Lo primero que hay que darse cuenta es que el intervalo de
confianza depende de la muestra. Si la muestra hubiese sido diferente, el intervalo
de confianza tambin sera diferente.

Walpole, R. (1999) El nivel de confianza se indica por 1- y habitualmente se

da en porcentaje (1-) %. Hablamos de nivel de confianza y no de probabilidad (la
probabilidad implica eventos aleatorios) ya que una vez extrada la muestra, el
intervalo de confianza estar definido al igual que la media poblacional.

Rial, A. Valera, J. (2014) El nivel de confianza (1-) es la probabilidad de

que el intervalo que hemos creado incluye dentro de si el valor del parmetro
poblacional.
54

Formula
2 /2

= 2 (1)+ 2
n= tamao necesario de la muestra
Z= margen de error
P= probabilidad de que el evento ocurra
Q= probabilidad de que el evento NO ocurra
E= error de estimacion
N= tamao de la poblacin
Ejemplo:

2 /2
2 (1)+ 2
(1.96)2 (0.25)43700

= (0.05)2(47001)+(1.90)2

0.25

41969.48
110.15

= 380.82

2 = 2 0.05 (1.96)2
2 = (0.05)2
= 43700
= 0.25

Martin. F, (2011) El muestreo aleatorio simple en sentido estricto se denomina

muestra aleatoria simple a la obtenida mediante el procedimiento de muestreo
aleatorio con reemplazamiento, a la unidad de muestreo independencia y
probabilidades iguales de pertenecer a la muestra.

Spiegel, Murray, R. (2009) En esta tcnica, cada miembro de la poblacin

tiene la misma probabilidad de ser seleccionado como sujeto. Todo el proceso de
toma de muestras se realiza en un paso, en donde cada sujeto es seleccionado
independientemente de los otros miembros de la poblacin.

Tamayo, M. Tamayo. (2004) El elemento ms comn para obtener una

muestra representativa es la seleccin al azar aleatoria, es decir, que cada uno de los
individuos de una poblacin tiene una misma posibilidad de ser elegido. Si no se
cumple este requisito se dice que la muestra es viciada, por lo que si cada uno de los

55

elementos de la poblacin no tiene la misma posibilidad de ser elegido se habla

entonces se habla de una muestra viciada.

Muestreo Sistemtico
El muestreo sistemtico este lo utilizamos cuando nuestra poblacin es de gran
tamao en este se elige un numero al azar de 1 a k.

Vivanco. M, (2005) El muestreo sistemtico es una variante del muestreo

simple. El procedimiento de seleccin es sistemtico a partir de un elemento elegido
al azar que opera como arranque aleatorio para la seleccin automtica del conjunto
de elemento que compone la muestra. El primer elemento seleccionado condiciona
los siguientes, que son elegidos a partir del arranque aleatorio y segn su salto de
amplitud constante.

Robert F. Drury (1979) Muestreo Sistemtico: La cantidad de trabajo

necesario para extraer una muestra simple al azar puede ser bastante considerable
cuando el nmero de unidades que hay que seleccionar es grande. Este tipo de
muestreo se denomina muestreo sistemtico. No es exactamente igual al muestreo
simple al azar, pero es un mtodo aceptable de muestreo ya que se conoce la
probabilidad de seleccin de cualquier elemento y se pueden calcular los errores de
muestreo.

Devore, Jay L. (2008) Es una tcnica dentro de la categora de muestreos

probabilsticos y que por lo tanto requiere tener un control preciso del marco
muestral de individuos seleccionables junto con la probabilidad de que sean
seleccionados consistente en escoger un individuo inicial de forma aleatoria entre
la poblacin y, a continuacin, seleccionar para la muestra a cada ensimo individuo
disponible en el marco muestral.
Muestreo Estratificado
El muestreo estratificado este se divide en partes previa la que se va a estudiar aqu
utilizamos tcnicas del muestreo sistemtico.

Buckley, R. Cample, J, (2005) Este mtodo de muestreo es normalmente el

ms eficiente para obtener una muestra que represente al total de la poblacin.
56

Elena Abascal, E. Ildefonso Grande, E. (2005) El muestreo estratificado

se ha diseado para reducir los errores mustrales. Es adecuado cuando en la
poblacin que se desea estudiar se pueden definir varios grupos o estratos sin
solapamientos de manera que el comportamiento respecto a la variable objeto del
estudio sea semejante en los componentes de un estrato.

Larson, Harold, (1995) Esta tcnica, perteneciente a la familia de muestreos

probabilsticos, consiste en dividir toda la poblacin objeto de estudio en diferentes
subgrupos o estratos disjuntos, de manera que un individuo slo puede pertenecer
a un estrato. Una vez definidos los estratos, para crear la muestra se seleccionan
individuos empleando una tcnica de muestreo cualquiera a cada uno de los estratos
por separado. Si por ejemplo empleamos muestreo aleatorio simple en cada estrato,
hablaremos de muestreo aleatorio estratificado (M.A.E. en adelante) .
Muestreo por Conglomerado
El muestreo por conglomeracin este se usa cuando la poblacin a estudiar est
dividida natural mente.

Contreras, (1995) En el muestreo por conglomerados las unidades mustrales

no son elementos individuales de la poblacin, sino grupos de elementos. En el
muestreo por conglomerados se selecciona aleatoriamente una coleccin de
conglomerados. Se muestrean entonces todos los elementos individuales de todos
los conglomerados elegidos. A veces, es necesario elegir conglomerados dentro de
los conglomerados. Se dice entonces que se trata de un muestreo en etapas
mltiples.

Gabin. M, (2005) El muestreo por conglomerados se divide a la poblacin en

grupos y luego se selecciona una muestra aleatoria de estos grupos.

Quintana, C. (1996) El muestreo por conglomeracin es opuesto al muestreo

estratificado en sentido de que primero se seleccionan al azar grupos o
conglomerados de elementos de la poblacin y luego se toman todos los elementos
de cada conglomerado para constituir la muestra global.

57

SEGUNDO PARCIAL

58

Tcnicas de conteo
Cuando el nmero de posibles resultados de un experimento es finito, su espacio
muestral es finito y su cardinal es un nmero natural. Pero si el experimento es
combinado, el cardinal puede ser tan grande, que sera del todo absurdo pretender
enumerarlos todos, por ser un proceso lento y tedioso.

(Ximena Anadrade, 2008) Sea un experimento que se tiene que realizar en K

diferentes etapas, cada una se puede hacer de formas distintas, entonces el
experimento completo se lo puede hacer sin ningn reparo.

(Carlos Siguencia , 2004) Suponga que se encuentra al final de una lnea de

ensamble final de un producto y que un supervisor le ordena contar los elementos
de un lote que se ha manufacturado hace unas horas y del que se desconoce el
nmero de productos que lo constituyen, de inmediato usted empezar a contar un
producto tras otro y al final informar al supervisor que son, 48, 54 u otro nmero
cualquiera.

(Gustavo Rocha Beltran, 2004) cuando el nmero de posibles resultados de

un experimento es fi nito, su espacio muestral es fi nito y su cardinal es un nmero
natural. Si el experimento es simple, el espacio muestral es unidimensional,
constituido por puntos mustrales con una sola componente, y el cardinal es
simplemente el nmero de posibles resultados del experimento, los que se pueden
enumerar fcilmente.
Ejercicio
Se tiene un nfora con 7 canicas negras, 2 rojas y 3 amarillas.
1- De cuantas formas se pueden extraer las 3 canicas?

!
!()!

!
!!

=
2- De cuantas formas se pueden sacar 3 canicas negras?

!
=
! ( )!
59

3- De cuantas formas se pueden sacar 2 canicas negras y 2 amarillas?

+

!
!
( )+( ) =
+
=

! ( )! ! ( )!
4- De cuantas formas se pueden sacar 1 canica de cada color?
+ +

!
!
!
( )+ ( )+ ( ) =
+
+
=

! ( )! ! ( )! ! ( )!
Si un elemento consiste en lanzar 3 monedas y observar que lados salen, liste
los elementos del conjunto .
=
= {(, , ); (, , ); (, , ); (, , ); (, , ); (, , ); (, , ); (, , )}
Un experimento consiste en lanzar de datos, identifique el conjunto
=

(1,1)

(1,2)

(1,3)

(1,4)

(1,5)

(1,6)

(2,1)

(2,2)

(2,3)

(2,4)

(2,5)

(2,6)

(3,1)

(3,2)

(3,3)

(3,4)

(3,5)

(3,6)

(4,1)

(4,2)

(4,3)

(4,4)

(4,5)

(4,6)

(5,1)

(5,2)

(5,3)

(5,4)

(5,4)

(5,6)

(6,1)

(6,2)

(6,3)

(6,4)

(6,5)

(6,6)

Regla Multiplicativa
Si en un experimento pueden ocurrir los eventos A y B, entonces
P(A B) = P(A)P(B|A), dado que P(A)>0.
As la probabilidad de que ocurran A y B es igual a la probabilidad de que ocurra A
multiplicada por la probabilidad condicional de que ocurra B, dado que ocurre A.
60

Como los eventos A B y B a son equivalentes, del teorema anterior se sigue que
tambin podemos escribir.

Jorge

Larrea

(2009)

Si

un

conjunto A tiene m elementos

un

conjunto B posee n elementos y formamos parejas de elementos elegidos de los

conjuntos A y B en el orden indicado, tendremos (m) (n) parejas posibles.

Pedro Gimnez (2006) Principio de multiplicacin Si un procedimiento puede

efectuarse de n formas distintas y un segundo procedimiento puede realizarse de m
formas diferentes, entonces el total de formas en que puede efectuarse el primer
procedimiento seguido del segundo es el producto n m.

Carlos Torres (2012) Regla de multiplicacin. Si una operacin se puede llevar

a cabo en n1 formas, y si para cada una de stas se puede realizar una segunda
operacin en n2 formas, entonces las dos operaciones se pueden ejecutar juntas
n1n2 formas.
Combinaciones
Una combinacin es un arreglo donde el orden NO es importante. La notacin para
las combinaciones es C(n,r) que es la cantidad de combinaciones de n elementos
seleccionados, r a la vez. Es igual a la cantidad de permutaciones de n elementos
tomados r a la vez dividido por r factorial. Esto sera P(n,r)/r! en notacin
matemtica.

M.C. Prez, F. (2012) Combinaciones. En ocasiones nos interesa el nmero de

formas de seleccionar r objetos de n sin importar el orden. Estas selecciones se
llaman combinaciones.

Rincn, L. (2006) Ahora que no nos interesa el orden, observamos que cada
uno de los arreglos de la formula anterior, est siendo contado k! veces, las veces
en que los mismos k elementos pueden ser permutados unos con otros, siendo que
el conjunto de elementos es el mismo. Para obtener arreglos en donde el orden no
importa, debemos entonces dividir por k!. La frmula a la que hemos llegado se
llama combinaciones de n en k.

61

Suarez, M. (2012) COMBINACIONES En muchas situaciones no interesa el

orden de los resultados, sino slo el nmero de maneras en las que r objetos pueden
seleccionarse a partir de n cosas, sin consideracin de orden. Si dos subconjuntos se
consideran iguales debido a que simplemente se han reordenado los mismos
elementos, entonces se trata de combinaciones.
Permutaciones
Se llama permutaciones de m elementos (m = n) a las diferentes agrupaciones de
esos m elementos de forma que S entran todos los elementos. S importa el orden.
No se repiten los elementos.

M.C. Ramrez, F. (2012) Permutaciones. Algunas ocasiones nos interesa

encontrar un espacio muestral que contiene como elementos a todas las posibles
ordenaciones o arreglos de un grupo de objetos. Por ejemplo, podemos querer saber
cuntos arreglos diferentes son posibles para sentar a 5 personas alrededor de una
mesa los diferentes arreglos se llaman permutaciones.

Sandoval, L. (2006) La pregunta bsica acerca del total de formas en que

podemos poner en orden lineal (uno detrs de otro y por lo tanto no hay repeticin)
n objetos distintos tiene como respuesta la factorial de n, denotado por n! y definido
como sigue: n! = n(n 1)(n 2) 3 2 1. A este nmero tambin se le conoce como
las permutaciones de n objetos y se usa la notacin P(n) = n!. Adicionalmente y por
conveniencia se define 0! = 1.

Patio, R. (2002) Es todo arreglo de elementos en donde nos interesa el lugar

o posicin que ocupa uno de los elementos que construye dicho arreglo.
Si se seleccionan r objetos de un conjunto de n objetos distintos, cualquier arreglo
(orden) de estos objetos se conoce como permutacin.

Experimento Estadstico y Espacio Muestral

Experimento
Se puede considerar un experimento a toda forma de evento de laboratorio o que no
est ligada al mismo siempre y cuando se base ciertas condiciones especficas, para
poder obtener un resultado de icho experimento el cual pude ser variado.

62

Chipa, J. (2015) Al hablar de experimentos se hace de la manera ms amplia

posible, es decir, no slo incluyen hechos asociados a situaciones experimentales en
un laboratorio, sino tambin se contemplan cualesquiera otras situaciones que den
origen a sucesos de inters.

Luceo, A. Gonzlez, J. (2006) Decimos que un experimento es aleatorio

cuando al realizarse bajo condiciones especficas existe ms de un posible resultado
del experimento, se conoce de antemano cuales son todos los posibles resultados,
en cada realizacin del experimento, se conoce el resultado concreto que ocurrir
entre todos los posibles.

Ministerio de educacin, cultura y deporte (2003) Experimento

designa todo acto que proporciona datos. El adjetivo aleatorio conduce a aquellos
actos cuyos resultados son imprescindibles, frente a los deterministas cuyos
resultados siempre sern los mismos.
Espacio Muestral del Experimento
Se considera todo espacio de donde todos los resultados posibles de una muestra de
nuestro experimento se pueden dar, de manera independiente de las otras.

Chipia. J, (2005) De un experimento aleatorio, es el conjunto de todos los

posibles resultados al realizar el experimento.

Pinilla. V. (2009) Espacio Muestral. Es el conjunto de todos los posibles

resultados de un experimento; constituye el conjunto universal de todas las
observaciones. Se suele denotar por la letra S.

Juarez. A, Inzunsa. S, (2009) El espacio muestral es el conjunto de todos los

posibles resultados de un experimento aleatorio. El nmero de elementos del
espacio muestral, constituye el total de resultados posibles que tiene el
experimento.

63

Eventos
Son sucesos que conlleva el experimento tratado el cual se puede dar en un
experimento aleatorio, quiere decir que no se puede predecir lo que realmente
puede suceder con os elementos de nuestro conjunto.

Carlos Andrade, (2008) Un Evento es un resultado particular de un

experimento aleatorio. En trminos de conjuntos, un evento es un subconjunto del
espacio muestral. Por lo general se le representa por las primeras letras del
alfabeto.

Rafael Daz, (2004) En la [teora de la probabilidad], un evento o suceso es un

subconjunto de un espacio muestral, es decir, un conjunto de posibles resultados
que se pueden dar en un experimento aleatorio. Son aquellos hechos en los que no
se sabe con certeza lo que va a suceder, dependen del azar y no se puede determinar
sus resultados aun repitindolo en varias ocasiones .

Rodolfo Vaqurizo, (2013) Un evento es un subconjunto del espacio muestral

de un experimento aleatorio. Los eventos normalmente se denotan con las letras
maysculas A, B, C; y tienen la caracterstica de ser subconjuntos de S ((A, B, C) S).

Muestro con Reposicin y Muestreo sin Reposicin

Se pude considerar al igual que el muestreo simple donde nos indica que cada
elemento tiene la misma posibilidad de elegid, dando as una independencia ala cada
objeto escogido entre nuestros conjuntos experimentales.

Kai Lai Chung (1983) El muestreo con reposicin se extraen sucesivamente

y es denominado muestreo aleatorio simple, que se caracteriza porque: cada
elemento del universo tiene la misma probabilidad de ser elegido, y las
observaciones se realizan con reemplazamiento. De este modo, cada observacin es
realizada sobre el mismo universo (no disminuye con las extracciones sucesivas).y
se garantiza la independencia entre las unidades seleccionadas que representa cada
extraccin.

64

Ernesto Camao, (2001) Este muestreo nos indica que siempre que se
extraiga un elemento de nuestro conjunto el mismo no ser devuelto o no se lo
repondr a diferencias del muestreo con reposicin donde s se devuelve el
elemento tomado, dando por conclusin que cada elemento de nuestro conjunto
tiene la posibilidad de ser escogido sola una vez.
El muestreo sin reposicin. Es cada vez que se hace una extraccin, es decir que la
unidad seleccionada no se devuelve al universo. Por lo tanto, no se permite que una
misma unidad sea seleccionada ms de una vez. Esto hace variar la probabilidad de
obtener una determinada muestra: La regla fundamental no es directamente
aplicable, pero el razonamiento de descomposicin funciona como el caso anterior
dando el resultado.

Michael J. (2004) La distribucin hipergeometrica se aplica en todo contexto

que implique un muestreo sin reposicin de un conjunto finito de N, y cuando cada
elemento del conjunto tenga o no una determinada caracterstica. Si se remplaza la
bola seleccionada antes de procesar la extraccin de la siguiente bola, realizando un
muestreo con reposicin, resulta evidente que el nmero de bolas obtenidas en n,
extracciones seguidas de una distribucin binomial.
Ejercicios
Si un experimento consiste en lanzar un dado y observar en nmero que
queda en la cara superior del mismo.
= {1,2,3,4,5,6}
E1 = Que salga el nmero 1

P(E1 ) =

1
6

E2 = Que salga el nmero 2

P(E2 ) =

1
6

E3 = Que salga un nmero par

P(E3 ) =

3
1
=
6
2

Si un experimento consiste en lanzar tres monedas y observar que lados salen

23 = 8
= {(, , ); (, , ); (, , ); (, , ); (, , ); (, , ); (, , ); (, , )}

65

(1 ) =

1 =

2 =
3 =

1
8
(2 ) =
(3 ) =

7
8

4
1
=
8
2

Si un experimento consiste sacar 5 cartas de un mazo de 52 cartas.

1 = 4

(1 ) =

4 48
(4) ( 1 )
52
)
5

4!
48!
(4! 0!) (1! 47!)
=
= 0,0000185
52!
(
)
5! 47!

2 = 3 2
4 4 44
4!
4!
44!
(3) (2) ( 0 )
(3! 1!) (2! 2!) (0! 44!)
(2 ) =
=
= 0,00000923
52
52!
( )
(
)
5
5! 47!
3 = 5
13 39
13!
39!
)( 0 )
(
) (0! 39!)
(3 ) = 5
= 5! 8!
= 0,000495
52
52!
( )
(
)
5
5! 47!
(

Se tiene un grupo de 12 estudiantes de los cuales 5 son de la Espol, 4 de la

catlica, y dos restantes de la UG. Se eligen al azar 4 estudiantes de este grupo.
1 = 4

(1 ) =

5 7
(4) (0)
12
(4)

5!
7!
(4! 1!) (0! 7!)
=
= 0,010
12!
(4! 8!)

2 = 4 .
(2 ) =

66

3 = 3
(3 ) = 1 ( )
5 7
5!
7!
(4) (0)
(4! 1!) (0! 7!)
( ) =
=
= 0,01
12
12!
(4)
(4! 8!)
(3 ) = 1-0.01 = 0,99
En un grupo de 15 personas: 7 leen la revista A; 5 leen la revista B y 6 ninguna
revista. Encuentre la probabilidad que al elegir al azar una persona, esta lea al
menos 1 revista.
Representacin Grfica
15 Personas

A
0.2
0.27
0.47

TOTAL
Lean A
Lean B
Lean A y B

4
2
3
9

0.13
0.4
0.53

= P(E) = 0.6

67

TOTAL
0.33
0.67
1

Si la Probabilidad que Juan valla al estadio, al cine o a estudiar son

respectivamente, 0.3, 0.2, 0.4. Cul es la probabilidad de que no haya algunas
de estas 3 actividades?
P (AuBuC) = (0.3 + 0.2 +0.4) =0.9
1-0.9 = 0.1
P(E)= 0.1

Ley De Complemento
Esta ley nos indica que parada conjunto sean estos A y B el complemento entre ellos
ser lo que esta fuera de estos conjuntos es decir lo que esta fuera de nuestro espacio
muestral.

Vilma Morales, (2010) Dado un evento A, el complemento de A se define como

el evento formado por todos los puntos mustrales que no estn en A.

El

complemento de A se representa con AC , conocido con Diagrama de Venn que ilustra

el concepto de un complemento.

Leonardo Mendoza , (2012) Sea A un evento definido sobre el espacio

muestral (, ) y AC su complemento entonces la probabilidad de AC =1-P(A).

Ramon Macias , (2008) Otra propiedad que se deriva de las anteriores es

cuando se busca la probabilidad del complemento de un evento E, que denotaremos
como ~E: Si E es un evento y ~E su complemento, entonces P(~E) = 1 P(E).

Ley Aditivo De Probabilidad

Cuando hablamos de adictivo nos referimos que un evento se adhiere a otro, pero
esto no quiere decir que los dos eventos pueden ser elegidos al mismo tiempo, aqu
podemos aplicar la suma de los eventos considerados en nuestro experimento.

Scientia & Technica (2009) La ley aditiva de la probabilidad simplifican el

clculo de probabilidades, la primera, denominada regla aditiva, se aplica a uniones
de 2 ms eventos. La ley aditiva o regla de la suma para eventos mutuamente
excluyentes o desarticulados, es decir, que no pueden suceder al mismo tiempo y

68

que no tienen puntos en comn, se aplica sumando las probabilidades de los eventos
considerados.

Kolobar aritmetinih, (2002)Sean A y B dos eventos no excluyentes, X E

, para cualesquiera dos elementos x e y en el dominio. As, por ejemplo, cualquier
transformacin lineal es aditiva. Cuando el dominio son los nmeros reales, esta
funcin corresponde a la ecuacin funcional de Cauchy .

Guillermo Mendoza, (2004) Para dos eventos E y F, la suma E+F representa

la unin de E y F, y EF representa su interseccin. Los eventos E y F son mutuamente
excluyentes si no se intersecan, es decir, si la ocurrencia de un evento prohbe la
ocurrencia del otro.

Probabilidad Condicional
Las variables de nuestro conjunto se encuentran condicionadas, porque nos hace
referir que para que suceda un evento en el segundo conjunto debemos saber que
paso en el conjunto anterior, no puede suceder nada en el segundo conjunto si es
que no ha pasado algo en el primero ya que estn sujetos a condiciones de
anticipacin de los eventos.

Montes. F, (2007) La probabilidad condicional se refiere a que un evento B

ocurra, cuando ya se sabe que ha ocurrido un evento A, este se llama probabilidad
condicional y se denota por P(B/A). el smbolo que se denota por lo general y se lee
la probabilidad de que ocurra B dado que ocurri A o simplemente la probabilidad
de B, dado A.

Roberto Rodriguez, (2007) No tiene por qu haber una relacin causal o

temporal entre A y B. A puede preceder en el tiempo a B, sucederlo o pueden ocurrir
simultneamente. A puede causar B, viceversa o pueden no tener relacin causal.

Gloria Roco Bautista Mendoza, (2002) La probabilidad de que un

evento B ocurra cuando se sabe que ya ocurri un evento A se llama probabilidad
condicional y se denota por P(B/A) que por lo general se lee como probabilidad de
que "ocurra B dado que ocurri A".

69

Ejercicio
Tenemos una encuesta de 120 personas las cuales se necesitan saber con
respeto a los hbitos de lectura
LE GUSTA LEER
40
50
90

HOMBRE
MUJER
TOTAL

NO LE GUSTA LEER
20
10
30

TOTAL
60
60
120

Se pide:
a) Cul es la probabilidad que sea mujer?
b) Cul es la probabilidad de que una persona elegida al azar le guste leer y
sea mujer?
c) Cul es la probabilidad que una persona elegida que le guste leer al azar
dado que es una mujer?
60

P (M) = 120 = 0.5

50

P (L, M) = 120 = 42
P () =

()
()

0.42
0.5

= 0.84

En una empresa hay 200 empleados, de los cuales 150 son graduados. 60
empleados realizan trabajo de administracin. De estos ltimos, 40 son
graduados. Si se toma al azar un empleado, encuentre la probabilidad que:
a) Sea graduado y no realiza trabajo de administracin.
b) Sea graduado dado que no realiza trabajo de administracin.
c) No sea graduado dado que realiza trabajo de administracin.

GRADUADO
NO GRADUADO
TOTAL

SON DE
ADMINISTRACIN
40
20
60

NO SON DE
ADMINISTRACIN
110
30
140

70

TOTAL
150
50
200

P (GNA) = = .
.

P () = . = . ; () =

P () = . = . ; ( ) =

= .

= . ; () =

= .

Eventos Independientes
Un evento es independiente de otro, ya que en cada experimento no se depender
de que suceda del otro as que se puede realizar un nmero indeterminado de
experimentos y cada uno de ellos sus valores o sucesos dependern de ellos mismos.

Clara Merchan, (2009) Los eventos independientes pueden incluir la

repeticin de una accin como lanzar un dado ms de una vez, o usar dos
elementos aleatorios diferentes, como lanzar una moneda y girar una ruleta.
Muchas otras situaciones tambin pueden incluir eventos independientes. Para
calcular correctamente las probabilidades, necesitamos saber si un evento influye
en el resultado de otros eventos.

Alexis Requena, (2007) Dos o ms eventos son independientes cuando la

ocurrencia o no-ocurrencia de un evento no tiene efecto sobre la probabilidad de
ocurrencia del otro evento (o eventos). Un caso tpico de eventos independiente es
el muestreo con reposicin, es decir, una vez tomada la muestra se regresa de nuevo
a la poblacin donde se obtuvo.

Alejandro Neira, (2009)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 probabilidad de que ambos eventos ocurran es el
producto de las probabilidades de los eventos individuales.

Sistemas Exhaustos Y Excluyentes

Se considera a estos eventos la unin de varios eventos anteriormente planteados,
a los cuales la unin de todos ellos nos dar como resultado el espacio muestral, que
se necesitaran para realizar un experimento ms detallado y con mayor
profundidad.

71

M.C. Guardado France, (2014)Los teoremas que restan nos dicen como calcular las
probabilidades de sucesos cuando tenemos que el suceso seguro est descompuesto
en una serie de sucesos incompatibles de los que conocemos su probabilidad. Para
ello necesitamos introducir un nuevo concepto.
Santiago Montesdeoca, (2001)Se trata de una coleccin de sucesos A1 , A2 , A3 , A4 .
Tales que la unin de todos ellos forman el espacio muestral, y sus intersecciones
son disjuntas. Todo suceso B, puede ser descompuesto en componentes de dicho
sistema.
Eduardo Vliz, (2004)Eventos independientes son aquellos que no afectan en el
resultado del otro. Cumplen la propiedad: P(AB) = P(A)P(B).
Ejercicios
En una fbrica se tiene 4 lneas de produccin, la lnea 1 produce el 40% de los
artculos, la line 2 el 25% y la lnea 3 el 15%. Se sabe que la probabilidad de
que un artculo producido en la lnea 1 presenta defecto es de 0.02; las
probabilidades de que los artculos presentan defectos cuando fueron
producidos en las lneas 2,3 o 4 son 0.04; 0.08; 0.05 respectivamente.
Cul es la probabilidad de que un artculo elegido al azar presente defectos?

L1

L2

40%

25%

L3

25%

L4

1 = 0.4
2 = 0.25
3 = 0.15
72

20%

4 = 0.2
A= Artculos Aprobados
P( ) = 0.02
1
P( ) = 0.04
2
P( ) = 0.08
3
P( ) = 0.05
4
P (A) = P(1 ) P ( ) + P(2 ) P ( ) + P(3 ) P ( ) +
1

P(4 ) P ( )
4

P (A) = 0.4 x 0.02 + 0.25 x 0.04 + 0.15 x 0.08 + 0.2 x 0.05

P (A) = 0.04
Si el artculo elegido presenta efectos Cul es la probabilidad que se haya
producido en la lnea 3?
( )

P( 3) = ()3

P( 3 ) = (0.15 0.08)
0.012

P( 3) = 0.04 = 0.3

En una fbrica se tiene 4 lneas de produccin, la lnea 1 produce el 40% de los

artculos, la line 2 el 25% y la lnea 3 el 15%. Se sabe que la probabilidad de
que un artculo producido en la lnea 1 presenta defecto es de 0.02; las
probabilidades de que los artculos presentan defectos cuando fueron
producidos en las lneas 2,3 o 4 son 0.04; 0.08; 0.05 respectivamente.
Cul es la probabilidad de que un artculo elegido al azar presente defectos?

73

1 = 0.4
2 = 0.25
3 = 0.15
4 = 0.2
A= Artculos Aprobados
P( ) = 0.02
1
P( ) = 0.04
2
P( ) = 0.08
3
P( ) = 0.05
4
P (A) = P(1 ) P ( ) + P(2 ) P ( ) + P(3 ) P ( ) +
1

P(4 ) P ( )
4

P (A) = 0.4 x 0.02 + 0.25 x 0.04 + 0.15 x 0.08 + 0.2 x 0.05

P (A) = 0.04
Si el artculo elegido presenta efectos Cul es la probabilidad que se haya
producido en la lnea 3?
( )

P( 3) = ()3

74

P( 3 ) = (0.15 0.08)
0.012

P( 3) = 0.04 = 0.3

En un a aula el 70 % de los alumnos son mujeres. De ellas el 10 % son

fumadoras. De los varones, son fumadores el 20 %. Qu porcentaje de
fumadores hay en total?
Mujeres = 0.7
Hombres = 0.3
P() = 0.1
P( ) = 0.2

P (F) = P( ) P() + P( ) P( )
P (F) = 0.7 x 0.1 + 0,3 x 0.2
P (F) = 0.13

75

Sucesos
Sucesos son considerados como las posibles relaciones que podemos establecer
entre las mismas, estos sucesos pueden contener una infinidad de sucesos ligados a
un suceso principal como tambin no se puede encontrar ningn suceso en el miso.

Alejandro Sanchez , (2002) Al definir los sucesos hablamos de las diferentes

relaciones que pueden guardar dos sucesos entre s, as como de las posibles
relaciones que se pueden establecer entre los mismos. Vamos a ver ahora cmo se
refleja esto en el clculo de probabilidades.

Juan Miguel Marn Diazaraque, (2014) Por supuesto los sucesos son ms
generales que los elementales, ya que son conjuntos que pueden contener no a uno
slo, sino a una infinidad de sucesos elementales (y tambin no contener ninguno).

Jorge Rendon Aviles , (1999) Suceso de un fenmeno o experimento

aleatorio es cada uno de los subconjuntos del espacio muestral E. Todos estos
subconjuntos del espacio muestral E los llamamos sucesos.

Eventos Mutuamente Excluyentes

Para este tipo de eventos son podemos referir que son excluyentes, porque al
realizar un experimento tenemos las posibilidades de que una opcin salga y la otra
no, ya que no se puede representar las dos opciones al mismo tiempo es la una o es
la otra, pero no las dos.

Obagi. J, (2003) La unin de eventos cualquiera puede expresar como la unin

de varios eventos mutuamente excluyentes, basndose en su repaso de la teora de
conjuntos que compruebe la anterior afirmacin.

Richard I. Levin, David S. Rubin (2004) Se dice que los eventos son
mutuamente excluyente si uno de ellos puede tener lugar a un tiempo, que de una
manera parecida, usted puede pasar o reprobar una materia antes de que termine
el curso o desertar y no obtener calificaciones".

76

David M. Mark, L. Berenson, C .(2004) Son eventos excluyente al tirar una

moneda al aire, y pedir cara o cruz, el resultado no puede ser al mismo tiempo los
dos solo uno.

Teorema De Bayes
Con bayes podemos deducir la probabilidad de que un suceso ocurra, porque
utilizamos probabilidades que anteriormente fueron analizadas con un suceso
inicial, solo cuando intervienen sucesos adicionales se deber volver a realizar
clculos en dicha probabilidad.

MC. Rita Luna Gandara, (2003)A partir de que ha ocurrido el suceso B (ha
ocurrido un accidente) deducimos las probabilidades del suceso A (estaba
lloviendo o haca buen tiempo?). El teorema de Bayes parte de una situacin en la
que es posible conocer las probabilidades de que ocurran una serie de sucesos Ai.

Mario Orlando Surez Ibujes, (2005)El teorema de Bayes se utiliza para

revisar probabilidades previamente calculadas cuando se posee nueva informacin.
Desarrollado por el reverendo Thomas Bayes en el siglo XVII, el teorema de Bayes
es una extensin de lo que ha aprendido hasta ahora acerca de la probabilidad
condicional.
Comnmente se inicia un anlisis de probabilidades con una asignacin inicial,
probabilidad a priori. Cuando se tiene alguna informacin adicional se procede a
calcular las probabilidades revisadas o a posteriori.

Eliseo Martnez H, (2003) Supongamos que para un todo el posible resultado

de un fenmeno aleatorio, existen dos escenarios que son antagnicos y
complementarios. Es decir que puede ocurrir el escenario A, o el escenario
complementario , donde la unin de ambos cubre todos los posibles resultados.
Para ambos escenarios, tenemos definida una probabilidad, a saber, P(A) y P().

77

Variables Aleatorias
Este tipo de variables toman valores ya sean reales como no reales y sirven para
medir algn experimento de forma aleatoria es decir sin importar el orden de la
muestra.

Pea Snchez de Rivera, (2008) Las variables aleatorias suelen tomar

valores reales, pero se pueden considerar valores aleatorios como valores lgicos,
funciones... El trmino elemento aleatorio se utiliza para englobar todo ese tipo de
conceptos relacionados. Un concepto relacionado es el de proceso estocstico, un
conjunto de variables aleatorias ordenadas (habitualmente por orden o tiempo).

Eduardo Manrique, (2011) En probabilidad y estadstica, una variable

aleatoria o variable estocstica es una variable estadstica cuyos valores se obtienen
de mediciones en algn tipo de experimento aleatorio. Formalmente, una variable
aleatoria es una funcin, que asigna eventos a nmeros reales.

Estadstica y Variables Aleatorias, (2006) Una variable aleatoria es una

variable que toma valores numricos determinados por el resultado de un
experimento aleatorio. No hay que confundir la variable aleatoria con sus posibles
valores.
Distribucin de una Variable Discreta
Este tipo de variables pueden medir sucesos concretos en los cuales el nmero de
veces que se repite dicho suceso tiene un valor significativo a la hora de hacer
nuestra representacin experimental.

Hctor Chvez Velarde, (2001) Diremos que una variable aleatoria es

discreta si su recorrido es finito o infinito numerable. Generalmente, este tipo de
variables van asociadas a experimentos en los cuales se cuenta el nmero de veces
que se ha presentado un suceso o donde el resultado es una puntuacin concreta.

Martnez Gmez, Mnica, (2004) Se dice que hemos definido una variable
aleatoria para un experimento aleatoria cuando hemos asociado un valor numrico
a cada resultado del experimento. Existen varios tipos de variables aleatorias, una
variable aleatoria es discreta cuando solo puede tomar unos ciertos valores enteros
en un numero finito de valores o infinito numerable.
78

Montero Alonso, (2004) Es un modelo terico que describe la forma en que

varan los resultados de un experimento aleatorio, es decir, nos da todas las
probabilidades de todos los posibles resultados que podran obtenerse cuando se
realiza un experimento aleatorio. Se clasifican como discretas o continuas.
Ejercicio
En un lote de 5 artculos, 3 son defectuosos y 2 son aceptables. Se toma una
muestra aleatoria sin remplazo de dos artculos. Encuentre la distribucin de
la variable aleatoria, calidad de productos defectuosos que se obtiene en la
muestra.
= {a, b, c, d, e}
a, b, c = artculos defectuosos.
d, e = artculo no defectuoso.
= {(a,b);(a,c);(a,d);(a,e);(b,c);(b,d);(b,e);(c,d);(c,e);(d,e)}
(Valor )

x (Valor X)

(a, b)
(a, c)
(a, d)
(a, e)
(a, c)
(b, d)
(b, e)
(c, d)
(c, e)
(d, e)

2
2
1
1
2
1
1
1
1
0

X = Cantidad de artculos defectuosos.

P (X=0) + P(X=1) + P(X=2)
1

F(x) = P(X=x) = 10 +

6
10

3
10

=1

P (X = 0) = 10
6

P (X = 1) = 10
3

P (X = 2) = 10
79

Regla De Correspondencia
Mide el proceso de vinculacin que tiene el conjunto A con respecto al conjunto B,
esto quiere decir que para cada valor del elemento A existe un nico valor en el
conjunto B no puede existir repeticin en dichos sucesos.

Josseline Cardenas M, (2004) Es el proceso que vincula a cada elemento de

un conjunto determinado con otro elemento nico de otro conjunto determinado
Donde dichos conjuntos pueden ser el de una funcin.

Carloss Idrovo Alvarez, (2000)Una regla de correspondencia consiste

en asignar un elemento nico de un cierto conjunto a cada elemento nico de
otro conjunto. Este concepto es de uso frecuente cuando se trabaja con funciones
matemticas.

Nayelli Manzanarez Gmez, (2009) El Anlisis de Correspondencias es una

tcnica estadstica que se utiliza para analizar, desde un punto de vista grfico, las
relaciones de dependencia e independencia de un conjunto de variables categricas
a partir de los datos de una tabla de contingencia.

Funcin Acumulada
Esta distribucin mide el grado de distribucin que tiene un variable aleatoria
cualquiera, dando como resultado que solo puede tomar valores entre 0 y 1, estos
valores son fijos no puede tomar ms de dicho valor.

Cecilia Rosas, (2009) La funcin de distribucin acumulada Fx de una V.A. X es

definida para cada nmero real x, La funcin de distribucin acumulada nicamente
puede tomar valores entre cero y uno.

Gutirrez Martnez, (2004) La funcin de distribucin acumulada describe

el comportamiento probabilstico de una variable aleatoria X asociada a un
experimento aleatorio y se representan, Para estudiar la funcin de distribucin
distinguiremos entre el caso discreto y el caso continuo.

Gonzales Chvez, (2007) Una funcin que ofrece la probabilidad total de

obtener un resultado de una variable aleatoria que vara desde el valor ms bajo
posible para la variable aleatoria hasta cualquier valor especfico de inters.
80

Valores Esperados
Es valor que nos proporciona la realizacin de un experimento el cual ser el
deseado y en el cual muchos profesionales se basan para tomar decisiones a la hora
de implementar un nuevo experimento.

ngel Merizalde, (2012) El valor esperado es un concepto fundamental en el

estudio de las distribuciones de probabilidad. Desde hace muchos aos este
concepto ha sido Aplicado ampliamente en el negocio de seguros y en los ltimos
veinte aos ha Sido aplicado por otros profesionales que casi siempre toman
decisiones en Condiciones de incertidumbre.

Blatt Frank J, (1992) El valor que se espera obtener de un experimento

estadstico se llama el valor esperado. Tambin llamado "esperanza matemtica".
Tambin lo llamamos "media" y esta es la palabra que vamos a seguir usando.

Young Hugh D., (1968) Cuando la variable aleatoria es discreta, la esperanza

es igual a la suma de la probabilidad de cada posible suceso aleatorio multiplicado
por el valor de dicho suceso. Por lo tanto, representa la cantidad media que se
"espera" como resultado de un experimento aleatorio cuando la probabilidad de
cada suceso se mantiene constante y el experimento se repite un elevado nmero de
veces.
Varianza
Es una medida de dispersin con la cual se puede determinar el grado de cambio
que tendr la muestra o el estudio estadstico y su valor se expresa elevado al
cuadrado.

Fisher R. A., (1919) Est medida en unidades distintas de las de la variable. Por
ejemplo, si la variable mide una distancia en metros, la varianza se expresa en
metros al cuadrado. La desviacin estndar es la raz cuadrada de la varianza, es una
medida de dispersin alternativa expresada en las mismas unidades de los datos de
la variable objeto de estudio.

Ricard Boqu, Alicia Maroto, (1998) Es una potente herramienta

estadstica, de gran utilidad tanto en la industria, para el control de procesos, como
en el laboratorio de anlisis, para el control de mtodos analticos.
81

Milena Delgado, (1999) La varianza puede interpretarse como un momento

de la distribucin de probabilidad. La varianza de una variable aleatoria discreta-

Experimento Binomial
Es la que se puede expresar matemticamente que se utiliza en conjunto con la
variable aleatoria discreta cuando el nmero de resultados positivos de la muestra
es factible.

Moreno, Francis, (1993) Cuando se dispone de una expresin matemtica, es

factible calcular la probabilidad de ocurrencia exacta correspondiente a cualquier
resultado especfico para la variable aleatoria. La distribucin de probabilidad
binomial es uno de los modelos matemticos (expresin matemtica para
representar una variable) que se utiliza cuando la variable aleatoria discreta es el
nmero de xitos en una muestra compuesta por n observaciones.

Pablo Antonio Martn lvarez, (2001) Llamamos experiencia aleatoria

dicotmica a aquella que slo puede tener dos posibles resultados A y A'.
Usualmente A recibe el nombre de xito, adems representaremos como p = p(A) y
q = 1-p=p(A').

Hamza K., (1995)

La distribucin binomial es una distribucin de

probabilidad discreta que cuenta el nmero de xitos en una secuencia de n ensayos

de Bernoulli independientes entre s, con una probabilidad fija p de ocurrencia del
xito entre los ensayos. Un experimento de Bernoulli se caracteriza por ser
dicotmico, esto es, slo son posibles dos resultados. A uno de estos se denomina
xito y tiene una probabilidad de ocurrencia p y al otro, fracaso, con una
probabilidad q = 1 - p.
Se sabe que la probabilidad de un artculo producido no cumple las
especificaciones es de 0.04, se observa 15 artes elegidos al azar.
Cul es la probabilidad de que 3 de ellos, no cumplan las
especificaciones?
La probabilidad de que por lo menos 2 nos cumplen las especificaciones.
n= 15
82

q = 1-0.04 = 0.96
p=0.04
X= Tres nos cumplen con las especificaciones
P(X=3) = (
)

!
(. ) (. ) = .
! ( )!
P (X 2) = 1-P (X<2)
1-P (X =0) + P(X<1)
P(X=0) = (
) (. ) (. ) = .

P(X=1) = (
) (. ) (. ) = .

Distribucin Binomial Negativa

Es considera tambin distribucin geomtrica de la distribucin binominal negativa,
donde se realizan repetidamente procesos experimentales en los cuales hemos
tenido un resultado desfavorable al requerido, tambin se dice que se realiza
independientemente cada experimento porque el uno no tiene nada que ver con el
otro.

White Harvey E, (1972)

Esta distribucin puede considerarse como una

extensin o ampliacin de la distribucin geomtrica. La distribucin binomial

negativa es un modelo adecuado para tratar aquellos procesos en los que se repite
un determinado ensayo o prueba hasta conseguir un nmero determinado de
resultados favorables.

Young Hugh D, (1968) La distribucin binomial negativa o distribucin de

Pascal es una generalizacin de la distribucin geomtrica donde la variable
aleatoria X es el nmero de ensayos Bernoulli efectuados hasta que se tienen r
xitos, con una probabilidad constante de xito p.

Weinberg Steven, (1977) Se determina la definicin de distribucin binomial

negativa como extensin de la distribucin geomtrica, en donde se analizan varios
eventos antes de lograr un nmero determinado de xitos.
83

Ejercicios
La probabilidad de que un equipo funcione correctamente es de 0.97, se
prueban equipos hasta encontrar 3 que funcionen correctamente. Cul es la
probabilidad de que se necesiten 8 pruebas para lograr el objetivo?
P (X=8) = (83
) (0.97)3 (0.03)5
31
7
( ) (0.97)3 (0.03)5
2
7!
(0.97)3 (0.03)5 = 0.0000004657
2! 5!

Distribucin Geomtrica
Podremos considerar que con esta distribucin podemos realizar un experimento a
la vez, esto quiere decir que cada vez que realicemos un experimento y obtengamos
un resultado, al querer realizar otra vez el mismo proceso esta distribucin no
guardara el resultado quiere decir que cada proceso ser como uno nuevo con
respecto al primero tambin se la conoce como la distribucin sin memoria.

Alonso. J, (2008) la distribucin geomtrica es sin memoria. Esto significa que

si intentamos repetir el experimento hasta el primer xito, entonces dado el primer
xito todava no ha ocurrido, la distribucin de probabilidad condicional del nmero
de ensayo adicionales no dependen de cuantos fallos se hallan observado.

ADS Quality, (2003) tambin llamada distribucin de pascal. Distribucin de

probabilidad de una variable aleatoria definida, en el marco del proceso de
Bernouilli, como el nmero de unidades de un tipo que aparecen en un muestreo
antes de que aparezca la primera del otro tipo.

Snchez. P, (2006) Supongamos u experimento aleatorio y consideremos en

relacin con el suceso A de probabilidad p y sea el suceso contrario, cuya
probabilidad ser q=1-p. se dice que obtener el suceso A se considera como un xito,
y caso contrario, un fracaso.

84

Ejercicio
Se sabe que la probabilidad de un artculo que falle durante un ao de uso es
de 0.1, determine:
a) La probabilidad de que el sptimo articulo observado sea el segundo
que falle durante el primer ao.
p= 0.1
q= (1- 0.1) = 0.9
r=2
x=7
X=que es sptimo articulo observado sea el segundo que falle durante el ao.
P(X=7) = (71
) (0.1)2 (0.9)5 = 0.0354
21
b) Si se observa 10 de estos artculos elegido al azar Cul es la
probabilidad de que 4 fallan durante el primer ao de uso?
n= 10
p=0.1
q=1-0.1=0.9
X= La probabilidad de que 4 fallen en el primer ao de uso
X=4
P (X=4) = (10
) (0.1)4 (0.9)6 = 0.0112
4

Distribucin Hipergeometrica
Este tipo de distribuciones se utilizan cuando el tamao de experimento a realizar
supera en gran cantidad a cualquier otra, es primordial utilizarla solo en grandes
extensiones de informacin.
85

Griful. E, Canela, M. (2010) A la vista de los clculos. El procedimiento

correcto en estos casos se utiliza la distribucin hipergeometrica puesto que el
tamao de lote es suficientemente grande.

Prat, A (2005) La distribucin de probabilidad de un modelo probabilstico

conocido como modelo hipergeometrica ya que muestra como las situaciones se
adapta conceptualmente es decir, que sera correcto basarnos en dicho modelo para
hacer las inferencias necesarias en los tres casos descritos.

Mode, E. (1990) Supongamos que tenemos un universo finito de N objetos, cada

uno de los cuales pertenece a una de dos categoras mutuamente excluyentes,
llamadas xitos y fracasos, y simbolizadas por 1 y 0, respectivamente
Supongamos que tenemos Np unos y Nq ceros con p+q=1.
Ejercicio
Se tiene un grupo de 20 estudiante, 8 de los cuales son de la Universidad de
Guayaquil Cul es la probabilidad de que al dividir 4 estudiantes al azar sean
de la universidad de Guayaquil?
N= 20
a=8
n=4
X= 3 sean de la universidad de Guayaquil
X=3
P (X=3) =
(

8!
12!
)(
)
3! 5! 1! 19!
20!
(
)
4! 16!

(83) (208
43 )
(20
4)

(83)(12
1)
(20
4)

= 0.14

Funcin De Densidad Para Continuas

Este tipo de funciones pueden tomar valores infinitos, motivo por el cual pueden ser
representadas como curva por su grado de dificultad que puede tomar su clculo al
tomar valores tan extensos.

86

Meza, J. (2010)A diferencia de las variables aleatorias discretas, las variables

aleatorias continuas pueden adoptar infinitos valores en un intervalo. Esto complica
algo

la matemtica necesaria, pero por que no necesitaremos utilizar esta

matemtica. La funcin de densidad de probabilidad de una variable aleatoria

continua puede representarse grficamente mediante una curva.
Delgado, R. (2007) La funcin F recibe el nombre de funcin de densidad de la v.a.
X y juega un papel anlogo para el caso continuo, al de la funcin de probabilidad del
caso discreto.
Poblacin, F. Serna, G. (2015) A pesar de que las distribuciones discretas tienen la
funcin de probabilidad y las distribuciones continuas tienen la funcin de densidad
de probabilidad, ambas tienen caractersticas comn a travs de la funcin de
distribucin (F).
Ejercicio realizado en clase
Supongamos que el tiempo de en aos de vida de cierto equipo puede ser
modelado como una variable aleatoria simple:
a) Determine el valor de K para que la funcin sea de densidad
F(x){

;
;

() =

| =

b) Cul es la probabilidad de que el equipo funcione por menos de un

ao?
87

P ( ) = ()

=
| =

c) Determine la probabilidad de que un equipo funcione entre ao y

medio ao

P ( ) =

| = .

d) Cul es la probabilidad de que un equipo funcione por lo menos

ao y medio?

P ( ) =

| = .

e) Determine la distribucin acumulada del trabajo de vida del equipo

() =

() =

| = [ ]

() =

f) Determine el promedio del tiempo que forman los componentes y la

varianza

E(x) = ( )

( )

| =

= [ ] ( )

( ) =

( )

= [] =

88

()

= .

Distribucin Uniforme Continuas

Esta distribucin puede tratar tanto con variables discretas y continuas, no existe
ningn inconveniente que le impida hacerlo esto quiere decir que las
representaciones de los sucesos sern constantes.

Mateo Santiago Encalada, (2004) La distribucin o modelo uniforme puede

considerarse como proveniente de un proceso de extraccin aleatoria. El
planteamiento radica en el hecho de que la probabilidad se distribuye
uniformemente a lo largo de un intervalo.

Redondo, A. Francisco, L. (2002) Lo que caracteriza a las distribuciones

uniformes, tanto si trata de variables discretas o continuas, es la constancia en la
probabilidad de presentacin de los sucesos. En el caso de un dado, la probabilidad
de obtener cualquier resultado es, constamente 1/6.

Rius, F. Warnberg, J. (2014) Se dice que v.a. X posee una distribucin

uniforme en el intervalo [a, b]

X- U (a, b) la probabilidad de que al hacer un

experimento aleatorio, el valor X este comprendido en cierto subintervalo de [a,b]

depende nicamente de la longitud del mismo, no de su posicin.

89

Bibliografa
William Mendehall, Robert Beaver, Barbara Beaver (2006). La estadstica en Introduccin a la
probabilidad y estadstica. (Pg. 3). Mexico DF, Mexico: Cengage Learning.
William Mendehall, Robert Beaver, Barbara Beaver (2006). Estadstica inferencial en
Introduccin a la probabilidad y estadstica. (Pg. 4). Mxico DF, Mxico: Cengage Learning.
William Mendehall, Robert Beaver, Barbara Beaver (2006). Estadstica descriptiva en
Introduccin a la probabilidad y estadstica. (Pg. 4). Mxico DF, Mxico: Cengage Learning.
William Mendehall, Robert Beaver, Barbara Beaver (2006). Poblacin objetiva en Introduccin a
la probabilidad y estadstica. (Pg. 8). Mxico DF, Mxico: Cengage Learning.
William Mendehall, Robert Beaver, Barbara Beaver (2006). Unidades de investigacin en
Introduccin a la probabilidad y estadstica. (Pg. 8). Mexico DF, Mexico: Cengage Learning.
William Mendehall, Robert Beaver, Barbara Beaver (2006). Muestra en Introduccin a la
probabilidad y estadstica. (Pg. 8). Mexico DF, Mexico: Cengage Learning.
William Mendehall, Robert Beaver, Barbara Beaver (2006). Parmetro en Introduccin a la
probabilidad y estadstica. (Pg. 53). Mexico DF, Mexico: Cengage Learning.
William Mendehall, Robert Beaver, Brbara Beaver (2006). Estadsticas en Introduccin a la
probabilidad y estadstica. (Pg. 53). Mxico DF, Mxico: Cengage Learning.
William Mendehall, Robert Beaver, Brbara Beaver (2006). Variables cualitativas en
Introduccin a la probabilidad y estadstica. (Pg. 10). Mxico DF, Mxico: Cengage Learning.
William Mendehall, Robert Beaver, Barbara Beaver (2006). Variables cuantitativas en
Introduccin a la probabilidad y estadstica. (Pg. 10). Mxico DF, Mxico: Cengage Learning.

William Mendehall, Robert Beaver, Barbara Beaver (2006). Anlisis univariado en Introduccin
a la probabilidad y estadstica. (Pg. 9). Mexico DF, Mexico: Cengage Learning.
William Mendehall, Robert Beaver, Barbara Beaver (2006). Histograma de frecuencia relativa en
Introduccin a la probabilidad y estadstica. (Pg. 25). Mexico DF, Mexico: Cengage Learning.
William Mendehall, Robert Beaver, Barbara Beaver (2006). Media en Introduccin a la
probabilidad y estadstica. (Pg. 54). Mexico DF, Mexico: Cengage Learning.
William Mendehall, Robert Beaver, Barbara Beaver (2006). Moda en Introduccin a la
probabilidad y estadstica. (Pg. 55). Mexico DF, Mexico: Cengage Learning.
William Mendehall, Robert Beaver, Barbara Beaver (2006). Mediana en Introduccin a la
probabilidad y estadstica. (Pg. 55). Mexico DF, Mexico: Cengage Learning.
William Mendehall, Robert Beaver, Barbara Beaver (2006). Varianza en Introduccin a la
probabilidad y estadstica. (Pg. 62). Mexico DF, Mexico: Cengage Learning.
William Mendehall, Robert Beaver, Barbara Beaver (2006). Percentiles en Introduccin a la
probabilidad y estadstica. (Pg. 77). Mexico DF, Mexico: Cengage Learning.

90

William Mendehall, Robert Beaver, Barbara Beaver (2006). Cuartiles en Introduccin a la

probabilidad y estadstica. (Pg. 78). Mexico DF, Mexico: Cengage Learning.
William Mendehall, Robert Beaver, Barbara Beaver (2006). Variables cuantitativas en
Introduccin a la probabilidad y estadstica. (Pg. 10). Mxico DF, Mxico: Cengage Learning.
Luis Rodrguez Ojeda, Msc (2007). Marca de clase en Probabilidad y estadstica bsica para
ingenieros. (Pg. 13). Guayaquil, Ecuador: ESPOL ICM.
Luis Rodrguez Ojeda, Msc (2007). Polgono en Probabilidad y estadstica bsica para ingenieros.
(Pg. 18). Guayaquil, Ecuador: ESPOL ICM.
Luis Rodrguez Ojeda, Msc (2007). Ojiva en Probabilidad y estadstica bsica para ingenieros.
(Pg. 18). Guayaquil, Ecuador: ESPOL ICM.
Luis Rodrguez Ojeda, Msc (2007). Coeficiente de variacin en Probabilidad y estadstica bsica
para ingenieros. (Pg. 25). Guayaquil, Ecuador: ESPOL ICM.
Luis Rodrguez Ojeda, Msc (2007). Decires en Probabilidad y estadstica bsica para ingenieros.
(Pg. 25). Guayaquil, Ecuador: ESPOL ICM.
Luis Rodrguez Ojeda, Msc (2007). Cantiles en Probabilidad y estadstica bsica para ingenieros.
(Pg. 24). Guayaquil, Ecuador: ESPOL ICM.
Luis Rodrguez Ojeda, Msc (2007). Diagrama de caja en Probabilidad y estadstica bsica para
ingenieros. (Pg. 31). Guayaquil, Ecuador: ESPOL ICM.
Fernando Quevedo Ricardi (2010). Observacin en Estadstica aplicada a la investigacin en
salud. (Pg. 1). Chile: Medwave
Fernando Quevedo Ricardi (2010). Variables cualitativas nominales en Estadstica aplicada a la
investigacin en salud. (Pg. 2). Chile: Medwave
Fernando Quevedo Ricardi (2010). Variables cualitativas ordinales en Estadstica aplicada a la
investigacin en salud. (Pg. 2). Chile: Medwave
Fernando Quevedo Ricardi (2010). Variables cuantitativas discretas en Estadstica aplicada a la
investigacin en salud. (Pg. 2). Chile: Medwave
Fernando Quevedo Ricardi (2010). Variables cuantitativas continas en Estadstica aplicada a la
investigacin en salud. (Pg. 2). Chile: Medwave

(s.f.).
Alejandro Neira . (2009). Probabilidades Para Universitarios. Bogota: NORIEGA.
Alejandro Sanchez . (2002). Probabilidad Total . Mexico: Pearson Educacion.
Alexis Requena. (2007). Probabilidaes. Mexico: Pearson.
Alonso Zambrano . (2008). Probabilidades. Revista de la ESPOL, 29.
Angel Merizalde. (2012). Valores Espeados y Varianza . Caracas: MASLIBROS.
Antonio Vargas Sabadas. (1995). Estadstica descriptiva e inferencial. Cuenca: Universidad de
Castilla - La Mancha.

91

Blatt Frank J. (1992). Modern Physics. New York: McGraw-Hill.

Carlos Andrade . (2008). PROBABILIDADES. Mexico: Noriega.
Carlos Siguencia . (25 de Abril de 2004). Tecnologico de Monterrey. Obtenido de
http://www.mty.itesm.mx/dmti/materias/ma2006-1/recursos/ma2006-03.pdf
Carloss Idrovo Alvarez. (2000). Definiciones Probabilisticas. Bucaramanga: MASLIBROS.
David M. Levine, Mark L. Berenson, Timothy C. Krehbiel. (2006). Estadstica para
administracin. Pearson Educacin.
Dr. Christiam Gonzales Chvez. (2007). Probabilidad de Distribucion. Guadalajaraa:
MASLIBROS.
Dr. Mauro Gutierrez Martinez . (2004). Funcionees de la Probabilidad. Puerto Rico: NORIEGA.
Dra. Luz M. Rivera. (9 de Marzo de 2001). UNIVESIDAD INTERAMERANA DE PUERTO RICO.
Obtenido de http://ponce.inter.edu/cremc/estadistica.htm
Eduardo Manrique . (2011). Diseo Probabilistico. Bogota: MASLIBROS.
Eduardo Vliz. (2004). Introduccin a Probabilidad. Mexico: NORIEGA.
Eliseo Martnez H. (2003). Estadistica para Igenieria. Antofagasta: NORIEGA.
Espinoza M. (20 de 05 de 2015). Espinoza M. Espinoza M. Guayaquil, Guayas, Ecuador: Mateo.
Estadistica y Variables Aleatorias . (2006). Guadalajara: NORIEGA.
Fisher R. A. (1919). The Correlation Between Relatives on the Supposition of Mendelian
Inheritance. Inglaterra: Pearson Education.
Gloria Roco Bautista Mendoza. (2002). Ciencias Estadisticas. Colombia: Universidad de
Colombia.
Guillermo Trujano Mendoza . (2004). Investigacion de Operaciones. Mexico : Pearson
Educacion.
Gustavo Rocha Beltran. (2004). Probabilidad y Estadisticas. Guadalajara: UNAM.
Hamza K. (1995). The smallest uniform upper bound on the distance between the mean and the
median of the binomial and Poisson distributions. Alemania: Pearson Education.
HECTOR EUGENIO CHAVEZ VELARDE. (2001). Distribuciones de probabilidad discreta. Panama:
MASLIBROS.
Jefferson Sanchez. (2008). Introduccion a las Probabilidaes . Mexico: Alianza Editorial.
Jorge Rendon Aviles . (1999). Probabilidad Total. Cali: NORIEGA.
Josseline Cardenas M. (2004). Probabilidad y su Regla de Correspondencia. Caracas:
MASLIBROS.
Juan Miguel Marn Diazaraque. (4 de Agosto de 2014). Universidad Carlos III de Madrid.
Obtenido de
http://portal.uc3m.es/portal/page/portal/dpto_estadistica/personal/juan_miguel_ma
rin_diazaraque
92

Kolobar aritmetinih funkcij. (2002). Ring of arithmetical functions. Rusia.

Leonardo Hernndez Mendoza . (2012). Folleto de Estadsticas. Guayaquil: ESPOL.
M.C. Rigoberto Guardado France . (2014). Metodos y Aplicaciones. California: Universidad de
Baja California.
Manuel Vivanco. (2005). Muestreo Estadistico. Diseo Y Aplicaciones. Santiago, Chile:
Universitaria, S.A.
Mario Orlando Surez Ibujes. (2005). Probabilidad Total y Teorema de Bayes. Mexico:
NORIEGA.
Martn, Miguel, Horna, Olivia, Nedel, Flvio, Navarro, Albert. (2010). Fundamentos de
estadstica en ciencias de la salud. Servei de Publicacions de la Universitat Autnoma
de Barcelona.
Martnez Gmez, Mnica. (2004). Distribuciones de Probabilidad para Variables Aleatorias
Discretas. Valencia: Universidad Politcnica de Valencia.
Mateo Santiago Encalada. (6 de Julio de 2004). UNIVERSIDAD DE VALENCIA. Obtenido de
http://www.uv.es/ceaces/base/modelos%20de%20probabilidad/uniforme.htm
MC. Rita Luna Gandara. (15 de Julio de 2003). Probabilidad y Estadistica. Obtenido de
http://www.itch.edu.mx/academic/industrial/sabaticorita/
Mendehall, W. -B.-B. (2006). Introduccin a la probabilidad y estadstica. Cengage Learning.
Mg. Cecilia Rosas Meneses. (2009). Funcion de Distribucion Acumulada . Mexico: MASLIBROS.
Milena Delgado. (1999). Analisis Biodimencional. Francia : Pearson Education.
MONTEREY INSTITUTO. (2009). Folleto de Estadistica. Chicago: Pearson Educacion.
Montero Alonso. (2004). Sistemas Aleatorios . Granada : UNIVERSIDAD DE GRANADA .
MORENO, Francis. (1993). Estadstica Inferencial. Loja: Universidad Particular de Loja.
Nayelli Manzanarez Gmez. (22 de Mayo de 2009). UNIVERSIDAD NACIONAL AUTONOMA DE
MEXICO. Obtenido de
http://www.dcb.unam.mx/users/angellbs/htm/GRUPO1/ARCHIVOS_VARIOS_G1/PyE_
T3.pdf
Pablo Antonio Martn lvarez. (2001). La Distribucin Binomial. Madrid: Ministerio de
Educacin, Cultura y Deporte.
Pea Snchez de Rivera. (2008). Fundamentos de Estadstica . Guadalajara: Alianza Editorial.
Rafael Daz. (2004). Introduccin a la Probabilidad. Venezuela: NORIEGA.
Ramon Macias . (2008). Analisis Probabilistico. Bogota: NORIEGA.
Ricard Boqu, Alicia Maroto. (1998). EL ANLISIS DE LA VARIANZA. Tarragona: SmeyersVerbeke.
Roberto Rodriguez. (2007). Estadistica Para Todos . Lima : Pearson Educacion.
Rodolfo Vaqurizo. (2013). Estadistica General. Cali: NORIEGA.
93

Santiago Montesdeoca. (2001). Probabilidad Condicional Total . Bogota: NORIEGA.

Vilma Morales. (2010). Evento y sus Probabilidades. Chile: MAS LIBROS.
Walter L. Martnez Vaca. (2003). Estadistica Descriptiva con enfasis en Salud Publica. La
Holguera.
Weinberg Steven. (1977). The First Three Minutes, Bantam Book. Australia: Chapman and Hal.
White Harvey E. (1972). Modern College Physics. Nostrand Reinhold: Pearson Education.
Wilfredo Caballero A. (1975). Introduccion a la Estadisticas. San Jose, Costa Rica: IICA. Matilde
de la Cruz.
Ximena Anadrade. (9 de Marzo de 2008). UNIVERSIDAD NACIONAL DE COLOMBIA . Obtenido
de
http://www.unalmed.edu.co/~estadist/esta_inv/APENDICE.%20TECNICAS%20DE%20C
ONTEO).pdf
Young Hugh D. (1968). Optics and Modern Physics. Alemania: McGraw-Hill.
Young Hugh D. (1968). Optics and Modern Physics. New York: McGraw-Hill.

94

Tabla de contenido
Para qu sirve la estadstica? ............................................................................................ 3
La Estadstica ............................................................................................................................ 4
Estadstica Inferencial............................................................................................................. 4
Estadstica Descriptiva ........................................................................................................... 5
Datos Tomados Al Azar .......................................................................................................... 6
Poblacin Objetiva ................................................................................................................... 2
Unidades de Investigacin .................................................................................................... 2
Muestra ................................................................................................................................... 2
Observacin........................................................................................................................... 3
Parmetros y Estimadores .................................................................................................... 3
Parmetro ............................................................................................................................... 3
Estimador o estadstico ...................................................................................................... 3
Variables cualitativas .............................................................................................................. 5
Nominales............................................................................................................................... 5
Ordinales ................................................................................................................................ 5
Variables Cuantitativas o Numricas .................................................................................. 6
Discretas ................................................................................................................................. 6
Continuas ............................................................................................................................... 7
Tabla de frecuencia (Anlisis de variables cuantitativas) ............................................. 7
Anlisis univariado .............................................................................................................. 7
Clase ........................................................................................................................................ 7
Marca clase ............................................................................................................................ 8
Frecuencia absoluta ............................................................................................................ 8
Frecuencia relativa............................................................................................................... 9
Frecuencia acumulada ........................................................................................................ 9
Frecuencia relativa acumulada......................................................................................... 9
Histograma de frecuencias relativas ................................................................................ 11
Histograma de frecuencia relativa ................................................................................. 11
Ojiva ........................................................................................................................................... 12
Preguntas ................................................................................................................................. 16
Ejercicio ................................................................................................................................ 17
Estimadores ............................................................................................................................. 21
Media ..................................................................................................................................... 21

Moda ...................................................................................................................................... 23
Los estimadores solo se aplican en variables cuantitativas ...................................... 23
Distribucin normal representada por campana de Gauss ........................................ 23
Dispersin ................................................................................................................................ 24
Varianza ................................................................................................................................ 24
Desviacin estndar .......................................................................................................... 24
Coeficiente de variacin ................................................................................................... 25
Ejercicios .............................................................................................................................. 25
Estimadores de posicin.................................................................................................. 29
Percentiles del orden i ...................................................................................................... 29
Deciles ................................................................................................................................... 29
Cuantil ................................................................................................................................... 30
Diagrama de Cajas y Bigotes ...................................................................................................... 32
Rango Intercuartil ................................................................................................................... 32
Valores alejados ................................................................................................................. 33
Distribucin en forma simtrica ......................................................................................... 34
La curtosis ........................................................................................................................... 36
POSICIN ................................................................................................................................. 37
Campana de Gauss ............................................................................................................ 37
Ejercicio ................................................................................................................................ 38
Estimadores De Posicin ..................................................................................................... 41
Percentiles de orden i ....................................................................................................... 41
DECILES ............................................................................................................................... 42
CUARTILES .......................................................................................................................... 42
Cuantiles ............................................................................................................................... 43
DIAGRAMA DE CAJA Y BIGOTE ........................................................................................ 45
Rango Intercuartil................................................................................................................... 46
Valor Alejado ........................................................................................................................... 46
ESTIMACIN POR FORMA .................................................................................................. 47
Distribucin en Forma Simetra...................................................................................... 47
Anlisis Bivariado .................................................................................................................. 49
Signo de La Covariancia ...................................................................................................... 51
Matriz de Varianza y Covarianza ........................................................................................ 52
MATRIZ DE CORRELACIN ................................................................................................ 53

Tipos de Muestreo ................................................................................................................. 54

Muestreo Aleatorio Simple (Mas) ................................................................................... 54
Nivel de Confianza ............................................................................................................. 54
Muestreo Sistemtico ....................................................................................................... 56
Muestreo Estratificado ...................................................................................................... 56
Muestreo por Conglomerado .......................................................................................... 57
Ejercicio ................................................................................................................................ 59
Regla Multiplicativa ................................................................................................................ 60
Combinaciones ....................................................................................................................... 61
Permutaciones ........................................................................................................................ 62
Experimento Estadstico y Espacio Muestral ................................................................. 62
Experimento......................................................................................................................... 62
Espacio Muestral del Experimento ................................................................................ 63
Eventos ..................................................................................................................................... 64
Muestro con Reposicin y Muestreo sin Reposicin ................................................... 64
Ejercicios .............................................................................................................................. 65
Ley De Complemento ............................................................................................................ 68
Ley Aditivo De Probabilidad ................................................................................................ 68
Probabilidad Condicional..................................................................................................... 69
Ejercicio ................................................................................................................................. 70
Eventos Independientes ....................................................................................................... 71
Sistemas Exhaustos Y Excluyentes .................................................................................. 71
Ejercicios .............................................................................................................................. 72
Sucesos .................................................................................................................................... 76
Eventos Mutuamente Excluyentes .................................................................................... 76
Teorema De Bayes ................................................................................................................. 77
Variables Aleatorias........................................................................................................... 78
Distribucin de una Variable Discreta .......................................................................... 78
Ejercicio ................................................................................................................................ 79
Regla De Correspondencia .................................................................................................. 80
Funcin Acumulada............................................................................................................... 80
Valores Esperados ................................................................................................................. 81
Varianza ................................................................................................................................ 81
Experimento Binomial........................................................................................................... 82

Distribucin Binomial Negativa ...................................................................................... 83

Ejercicios .............................................................................................................................. 84
Distribucin Geomtrica ...................................................................................................... 84
Ejercicio ................................................................................................................................ 85
Distribucin Hipergeometrica ............................................................................................. 85
Ejercicio ................................................................................................................................... 86
Funcin De Densidad Para Continuas.............................................................................. 86
Distribucin Uniforme Continuas ...................................................................................... 89