Apuntes Estadistica Uts

UNIDADES TECNOLGICAS DE SANTANDER
APUNTES DOCENTES
ASIGNATURA: ESTADSTICA
PROFESOR: GERMN ERNESTO RINCN REY
DEPARTAMENTO DE CIENCIAS BSICAS
VERSIN 11
FECHA: 2014
Pgina1

TABLA DE CONTENIDO
ARREGLO Y PRESENTACIN DE DATOS ...................................................................................... 9

1.1
ASPECTOS GENERALES DE LA ESTADSTICA ..................................................................... 9
1.1.1
LOS FENMENOS ................................................................................................................ 9
1.1.2
DEFINICIN DE ESTADSTICA .......................................................................................... 9
1.1.3
IMPORTANCIA DE LA ESTADSTICA ............................................................................... 9
1.1.4
DIVISIN DE LA ESTADSTICA .......................................................................................... 9
1.1.5
ESTADSTICA DESCRIPTIVA ............................................................................................. 9
1.1.6
INFERENCIA ESTADSTICA .............................................................................................. 10
1.1.7
FASES DE UNA INVESTIGACIN ESTADSTICA ......................................................... 10
1.2
CONCEPTOS BSICOS ............................................................................................................. 11
1.2.1
DATO...................................................................................................................................... 11
1.2.2
ELEMENTO ........................................................................................................................... 11
1.2.3
POBLACIN.......................................................................................................................... 12
1.2.4
COMO SE DEFINE UNA POBLACIN ............................................................................. 12
1.2.5
TAMAO DE UNA POBLACIN ........................................................................................ 12
1.2.6
CLASES DE POBLACIONES ............................................................................................. 12
1.2.6.1
Poblaciones Finitas ............................................................................................ 13
1.2.6.2
Poblaciones infinitas .......................................................................................... 13
1.2.7
CARACTERSTICAS OBSERVABLES EN UNA POBLACIN ...................................... 13
1.2.7.1
CARACTERSTICAS CONSTANTES ............................................................. 13
1.2.7.2
CARACTERSTICAS VARIABLES .................................................................. 13
1.2.8
CENSO................................................................................................................................... 14
1.2.9
MUESTRA ............................................................................................................................. 14
1.2.10
TAMAO DE LA MUESTRA ............................................................................................... 15
1.2.11
PARMETRO........................................................................................................................ 15
1.2.12
ESTADSTICO ...................................................................................................................... 15
1.2.13
TIPOS DE ESTUDIOS ESTADSTICOS ........................................................................... 15
1.2.14
UNIDAD DE OBSERVACIN O DE INVESTIGACIN .................................................. 15
1.2.15
ESTADSTICAS .................................................................................................................... 15
1.3
ARREGLO DE DATOS DE VARIABLE CONTINUA ................................................................ 16
1.3.1
INTRODUCCIN .................................................................................................................. 16
VERSIN 11
FECHA: 2014
Pgina2

1.3.2
CONCEPTO DE CLASE O CATEGORA ......................................................................... 16
1.3.3
CLASE ESTADSTICA O CATEGORA ESTADSTICA .................................................. 16
1.3.4
AMPLITUD DE CLASE ........................................................................................................ 16
1.3.5
CARACTERSTICAS DE LOS CONJUNTOS DE CLASES ESTADSTICAS .............. 16
1.3.6
NMERO DE CLASES ........................................................................................................ 17
1.3.7
EJEMPLO PRCTICO ......................................................................................................... 17
1.3.8
LOS TIPOS DE FRECUENCIAS ....................................................................................... 19
1.3.9
LA TABLA MENOR QUE ..................................................................................................... 20
1.3.10
REPRESENTACIN GRFICA DE LA SITUACIN EN ESTUDIO ............................. 20
1.3.10.1 EL HISTOGRAMA ............................................................................................. 20

1.3.10.2 EL POLGONO DE FRECUENCIAS .............................................................. 20
1.3.10.3 COMO INTERPRETAR UN HISTOGRAMA O UN POLGONO DE
FRECUENCIAS.................................................................................................................... 22
1.3.10.4 LA OJIVA ............................................................................................................. 22
1.3.11
1.4
LA INTERPOLACIN........................................................................................................... 23
ARREGLO DE DATOS DE VARIABLE DISCRETA ................................................................ 24
1.4.1
EJEMPLO PRCTICO ......................................................................................................... 24
1.4.2
REPRESENTACIN GRFICA.......................................................................................... 25
1.4.2.1
HISTOGRAMA .................................................................................................... 25
1.4.2.2
POLGONO DE FRECUENCIAS ..................................................................... 26
1.4.2.3
OJIVA.................................................................................................................... 27
1.5
ARREGLO DE DATOS PARA VARIABLE DISCRETA EN CLASES DE AMPLITUD
CERO 28
1.6
2
ARREGLO DE DATOS CUALITATIVOS ................................................................................... 29
MEDIDAS DE TENDENCIA CENTRAL, DE POSICIN Y DE DISPERSIN ............................. 31

2.1
MEDIDAS DE TENDENCIA CENTRAL ..................................................................................... 31
2.1.1
FORMAS ESTADSTICAS DE DESCRIBIR UN FENMENO ....................................... 31
2.1.2
CONCEPTO DE MEDIDA EN ESTADSTICA .................................................................. 31
2.1.3
PARMETROS Y ESTADSTICOS ................................................................................... 31
2.1.4
CLASES DE MEDIDAS EN ESTADSTICA ...................................................................... 31
2.1.5
LAS MEDIDAS DE TENDENCIA CENTRAL .................................................................... 31
2.1.6
LAS MEDIDAS DE DISPERSIN ...................................................................................... 31
2.1.7
MEDIDAS PARA POBLACIONES Y MEDIDAS PARA MUESTRAS ............................ 32
VERSIN 11
FECHA: 2014
Pgina3

2.1.8
CLASES DE MEDIDAS DE TENDENCIA CENTRAL ...................................................... 32
2.1.9
LA MEDIA ARITMTICA ..................................................................................................... 32
2.1.10
MEDIA ARITMTICA PARA DATOS NO AGRUPADOS ................................................ 32
2.1.11
MEDIA ARITMTICA PARA DATOS AGRUPADOS ....................................................... 33
2.1.12
SIGNIFICADO DE LA MEDIA ARITMTICA .................................................................... 34
2.1.13
MEDIA ARITMTICA PONDERADA ................................................................................. 34
2.1.14
PROPIEDADES DE LA MEDIA ARITMTICA ................................................................. 35
2.1.15
LA MEDIA GEOMTRICA ................................................................................................... 35
2.1.16
CLCULO DE LA MEDIA GEOMTRICA ........................................................................ 35
2.1.17
PROPIEDADES DE LA MEDIA GEOMTRICA ............................................................... 38
2.1.18
USOS DE LA MEDIA GEOMTRICA ................................................................................ 38
2.1.19
LA MEDIANA ......................................................................................................................... 38
2.1.20
INTERPRETACIN DE LA MEDIANA .............................................................................. 38
2.1.21
SMBOLO DE LA MEDIANA ............................................................................................... 38
2.1.22
CLCULO DE LA MEDIANA PARA DATOS NO AGRUPADOS ................................... 39
2.1.23
CLCULO MEDIANA PARA DATOS AGRUPADOS ...................................................... 40
2.1.24
MEDIDAS DE TENDENCIA NO CENTRAL O DE POSICIN ....................................... 42
2.1.24.1 LOS CUARTILES............................................................................................... 42

2.1.24.2 LOS PERCENTILES ......................................................................................... 44
2.1.25
PROPIEDADES DE LA MEDIANA, CUARTILES Y PERCENTILES ............................ 45
2.1.26
LA MODA .............................................................................................................................. 46
2.1.27
PROPIEDADES DE LA MODA ........................................................................................... 48
2.2
CASOS ESPECIALES DE LA MEDIANA .................................................................................. 49
2.2.1
DISTRIBUCIONES DE FRECUENCIAS DE VARIABLE DISCRETA CON
AMPLITUD IGUAL A CERO ............................................................................................................... 49
2.3
MEDIDAS DE DISPERSIN ....................................................................................................... 51
2.3.1
CONCEPTO DE DISPERSIN .......................................................................................... 52
2.3.2
DISPERSIN Y VARIABILIDAD ........................................................................................ 52
2.3.3
IMPORTANCIA DE LA DISPERSIN ............................................................................... 52
2.3.4
CLASES DE MEDIDAS DE DISPERSIN........................................................................ 53
2.3.5
EL RANGO ............................................................................................................................ 53
2.3.6
CARACTERSTICAS DEL RANGO ................................................................................... 54
VERSIN 11
FECHA: 2014
Pgina4
2.3.7
EL RANGO INTERCUARTLICO........................................................................................ 54
2.3.8
LA DESVIACIN MEDIA ..................................................................................................... 54
2.3.9
LA VARIANZA ....................................................................................................................... 56
2.3.10
LA DESVIACIN ESTNDAR ............................................................................................ 58
2.3.11
EL COEFICIENTE DE VARIACIN ................................................................................... 60
2.3.12
DESIGUALDAD DE CHEBYSHEV..................................................................................... 62
REGRESIN Y CORRELACIN ....................................................................................................... 63

3.1
3.1.1
INTRODUCCIN .................................................................................................................. 63
3.1.2
CONCEPTO DE REGRESIN ........................................................................................... 63
3.1.3
IMPORTANCIA DE LA REGRESIN ................................................................................ 63
3.1.4
VARIABLES DEPENDIENTES E INDEPENDIENTES .................................................... 63
3.1.5
GRFICO DE DISPERSIN ............................................................................................... 64
3.1.6
TIPOS DE RELACIN ENTRE DOS O MS VARIABLES ............................................ 64
3.1.7
LA REGRESIN LINEAL .................................................................................................... 70
3.2
REGRESIN ................................................................................................................................. 63
LA CORRELACIN ...................................................................................................................... 72
3.2.1
EL COEFICIENTE DE CORRELACIN ............................................................................ 73
3.2.2
EL COEFICIENTE DE DETERMINACIN........................................................................ 73
PRINCIPIOS DE PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD .......................... 75

4.1
PRINCIPIOS DE PROBABILIDAD ............................................................................................. 75
4.1.1
Tipos de fenmenos: ............................................................................................................ 75
4.1.1.1
Fenmenos determinsticos .............................................................................. 75
4.1.1.2
Fenmenos aleatorios ....................................................................................... 75
4.1.2
Concepto de Experimento Aleatorio: ................................................................................. 75
4.1.3
Definiciones de probabilidad: .............................................................................................. 75
4.1.4
Necesidad de la probabilidad: ............................................................................................. 75
4.1.5
Conceptos Bsicos de Probabilidades .............................................................................. 75
4.1.5.1
Espacio Muestral ................................................................................................ 76
4.1.5.2
Resultado o punto muestral .............................................................................. 76
4.1.5.3
Evento o suceso ................................................................................................. 76
4.1.5.4
Simbologa de las probabilidades :
4.1.5.5
Propiedades fundamentales de las probabilidades ...................................... 76
VERSIN 11
.......................................... 76
FECHA: 2014
Pgina5

4.1.6
Mtodos de asignacin de probabilidades ........................................................................ 76
4.1.6.1
Mtodo Clsico ................................................................................................... 76
4.1.6.2
Mtodo Emprico o de la Frecuencia Relativa ............................................... 77
4.1.6.3
Mtodo Subjetivo ................................................................................................ 77
4.1.7
Muestreo ................................................................................................................................ 77
4.1.7.1
Muestreo de caja o de urna .............................................................................. 77
4.1.8
Ensayos ................................................................................................................................. 78
4.1.9
Diagrama de rbol ................................................................................................................ 78
4.1.9.1
4.1.10
Limitaciones del diagrama de rbol: ................................................................ 78
Tcnicas de conteo .............................................................................................................. 78
4.1.10.1 Principio Fundamental del Conteo (PFC) ...................................................... 78

4.1.10.2 Permutaciones ................................................................................................... 78
4.1.10.3 Combinaciones .................................................................................................. 78
4.1.11
Clasificacin de los sucesos ............................................................................................... 79
4.1.12
Operaciones con probabilidades ........................................................................................ 79
4.1.12.1 Suma de Probabilidades .................................................................................. 79

4.1.12.2 Complemento ..................................................................................................... 79
4.1.12.3 Probabilidad Conjunta ....................................................................................... 79
4.1.12.4 Probabilidad condicional ................................................................................... 80
4.1.13
Teorema de Bayes ............................................................................................................... 80
4.1.14
DISTRIBUCIONES DE PROBABILIDAD .......................................................................... 82
4.1.14.1 Concepto de Variable Aleatoria: ...................................................................... 82

4.1.14.2 Tipos de Variables Aleatorias: .......................................................................... 82
4.1.14.3 Distribucin de probabilidad de una Variable Aleatoria Discreta ............... 83
4.1.14.4 Valor esperado de una variable aleatoria discreta ....................................... 83
4.1.14.5 Desviacin estndar de una variable aleatoria discreta .............................. 84
4.1.15
Modelos de Distribuciones de probabilidad ...................................................................... 84
4.1.15.1 Distribucin de probabilidad Binomial ............................................................ 85

4.1.15.2 Distribucin de probabilidad de Poisson ........................................................ 85
4.1.15.3 La Distribucin Normal ...................................................................................... 85
4.1.15.4 Propiedad de la distribucin normal ............................................................... 86
5
BIBLIOGRAFA ..................................................................................................................................... 89
VERSIN 11
FECHA: 2014
Pgina6
VERSIN 11
FECHA: 2014
Pgina7
Introduccin
La estadstica es una herramienta de mxima utilidad para todos aquellos que tienen que tomar decisiones,
en condiciones de riesgo, porque suministra un mtodo cientfico para recolectar y luego extraer informacin
de los datos relacionados con una situacin o fenmeno que sea del inters de la persona o equipo de
personas que buscan optimizar el uso de los recursos de las unidades econmicas o sociales que dirigen.
Para facilitar y agilizar el proceso de enseanza-aprendizaje de la asignatura de Estadstica, es conveniente
contar con un material de apoyo cercano al desarrollo del programa institucional de esta asignatura y
ubicado en el contexto en el cual ejercern su actividad los egresados de los programas de tecnologa
La finalidad de estos Apuntes de Estadstica es reducir la dependencia exagerada de los notas que toman
los estudiantes en clase, suministrando un material de apoyo conceptual para la asignatura de Estadstica,
que sea gil, intuitivo y veraz, que se convierta en una gua clara y amigable para adquirir las competencias
de la asignatura.
Estos apuntes, se desarrollan de manera paralela al programa de la asignatura, por lo que. lo mismo que
ste, se compone de cuatro unidades: las tres primeras se refieren a la estadstica descriptiva y la cuarta a
los fundamentos del clculo de probabilidades.
VERSIN 11
FECHA: 2014
Pgina8

1 ARREGLO Y PRESENTACIN DE DATOS
1.1
1.1.1
ASPECTOS GENERALES DE LA ESTADSTICA
LOS FENMENOS
Un fenmeno es cualquier manifestacin de las actividades humanas o de la naturaleza que puede ser
percibido por los sentidos o la razn. Algunos ejemplos de fenmenos son los siguientes:
El crecimiento de una planta
El comportamiento del clima
Las ventas por periodo de una empresa
Las personas, por da, que son afectadas por una enfermedad
Los accidentes de trnsito en diferentes lugares de una ciudad
La variacin mensual del costo de vida
Palabras sinnimas de fenmeno son: suceso, hecho o acontecimiento
LOS FENMENOS PRODUCEN INFORMACIN
Por muchos motivos los seres humanos desean poseer informacin sobre el comportamiento de diversos
fenmenos y para ello realizan registros sobre el estado de estos fenmenos en diferentes momentos o
espacios.
Estos registros o mediciones generan diversos volmenes de datos y para que estos datos se conviertan en
informacin se deben procesar de diferentes maneras. Una de las formas como se pueden tratar los datos
para extraer la informacin que ellos contienen es utilizando las tcnicas estadsticas
1.1.2
DEFINICIN DE ESTADSTICA
Es una ciencia que estudia cmo debe emplearse informacin para facilitar la toma de decisiones en
situaciones prcticas que se manifiestan bajo incertidumbre
1.1.3
IMPORTANCIA DE LA ESTADSTICA
La actividad ms importante para las personas que trabajan en las organizaciones empresariales es la toma
de decisiones. Dado el enorme aumento de la disponibilidad de datos (gracias a los sistemas de
informacin), y dada la complejidad creciente de las operaciones empresariales, los procesos de decisin se
ven sometidos a presiones extraordinarias.
Una de las tcnicas ms valiosa que ayudan en los procesos de toma de decisiones es la Estadstica. Por lo
que es indispensable que los hombres y mujeres que dirigen organizaciones o que de alguna manera
participan en la toma de decisiones estn familiarizados con las tcnicas estadsticas para poder determinar
cuando se puede examinar un problema existente mediante la aplicacin del anlisis estadstico.
1.1.4
DIVISIN DE LA ESTADSTICA
La Estadstica se divide en dos grandes ramas:

La Estadstica Descriptiva
La Inferencia Estadstica
1.1.5
ESTADSTICA DESCRIPTIVA
Son los conocimientos y mtodos que tratan de la recoleccin, organizacin y presentacin numrica y
VERSIN 11
FECHA: 2014
Pgina9

grfica de los datos.
Los anlisis que se hacen con las herramientas de la estadstica descriptiva se limitan, nicamente, al
conjunto de datos que se recolectaron
1.1.6
INFERENCIA ESTADSTICA
Son los conocimientos y mtodos que permiten:
Sacar conclusiones sobre el comportamiento total de un fenmeno basndose nicamente en la

informacin recolectada sobre una parte de ese mismo fenmeno. Estas conclusiones se obtienen bajo
incertidumbre.
Estimar el comportamiento futuro de un fenmeno
1.1.7
FASES DE UNA INVESTIGACIN ESTADSTICA
1. Planeamiento
Fin de la investigacin
Definir la poblacin
Unidad de investigacin
Naturaleza o clase de los datos
Fuentes de la informacin
Procedimiento para recolectar los datos
Diseo de instrumentos
Presupuesto
2. Recoleccin de los datos
3. Crtica y codificacin
4. Tabulacin, grficas y medidas
5. Anlisis e interpretacin
VERSIN 11
FECHA: 2014
Pgina10

1.2
1.2.1
CONCEPTOS BSICOS
DATO
En trminos generales un dato es un registro o anotacin que se hace del estado de un fenmeno en un
momento determinado
1.2.2
ELEMENTO
En general, un elemento es una parte indivisible de un todo o un componente indivisible o bsico de un

cuerpo. Pero, en estadstica se llama elemento a las entidades que tienen una o varias caractersticas cuyo
estado nos interesa registrar. El registro del estado de estas caractersticas es lo que constituye los datos.
Estos elementos pueden ser individuos, objetos o sucesos.
Los individuos pueden ser personas o seres vivos animales o vegetales. Los sucesos pueden ser, por
ejemplo, los accidentes de trnsito, los encuentros deportivos, los recorridos que realiza un vehculo o los
das del ao
Personas
Individuos
Otros seres
vivos
Elementos
Cosas
(Lo que observamos)
Sucesos
Ejemplos de sucesos:
Accidentes
Eventos sociales o deportivos
Los das, los meses, los aos
Los viajes
Los recorridos de un vehculo
DEPARTAMENTO DE CIENCIAS BSICAS Las entrevistas

VERSIN 11
FECHA: 2014
Objetos tangibles
Entidades
intangibles
Pgina11
Ejemplos de elementos
En una investigacin sobre el comportamiento de los los salarios de trabajadores los elementos son los
trabajadores (personas), y la caracterstica que se observa a cada elemento es el valor de su salario.
En una investigacin sobre comportamiento de las ventas de una comercializadora los elementos
podran ser las facturas (un objeto), y la caracterstica observada es el valor de cada factura.
Tambin, En una investigacin sobre comportamiento de las ventas de una comercializadora los
elementos podran ser los meses (un suceso), y la caracterstica observada el valor de las ventas de
cada mes
En una investigacin sobre los accidentes de trnsito los elementos son los accidentes (un suceso), y la
caracterstica observada podra ser el nmero de personas lesionadas por accidente observado
Los fenmenos se producen cuando el estado de las caractersticas observadas vara, usualmente, de un
elemento a otro
1.2.3
POBLACIN
Todos los elementos que presentan una caracterstica comn

Es el conjunto de todos los elementos que hacen parte de una situacin que se est estudiando y sobre la
cual se intenta sacar conclusiones
Las poblaciones se deben definir con toda claridad de tal manera que no exista confusin sobre si un
determinado elemento pertenece o no a la poblacin
1.2.4
COMO SE DEFINE UNA POBLACIN
Las poblaciones se deben definir con toda claridad de tal manera que no exista confusin sobre si un
determinado elemento pertenece o no a la poblacin. Para facilitar esta definicin, en muchos casos, las
palabras que la componen se pueden ordenar de acuerdo a la siguiente sintaxis:
TODOS(AS) + DESCRIPCIN DEL ELEMENTO + CONDICIN RESTRICTIVA
Significa que una definicin de poblacin debe empezar por la palabra Todos o Todas seguida de una
descripcin del elemento que se est observando ms una restriccin al alcance de la palabra Todos(as)
Ejemplo: En un estudio del nivel salarial de los operarios del sector de confecciones de la ciudad, una
definicin de poblacin podra ser la siguiente:
Todos los operarios del sector de confecciones de la ciudad
1.2.5
TAMAO DE UNA POBLACIN
Es el nmero total de elementos que componen una poblacin. El tamao de una poblacin se suele
representar por la letra N
EJEMPLO:
Para indicar que una poblacin tiene 670 elementos se indica as: N = 670
1.2.6
CLASES DE POBLACIONES
Las poblaciones se dividen en dos clases:

Poblaciones finitas
Poblaciones infinitas
VERSIN 11
FECHA: 2014
Pgina12

1.2.6.1 Poblaciones Finitas
Son las poblaciones a las cuales se les pueden determinar fcilmente el nmero de elementos que las
componen, es decir, su tamao
EJEMPLO:
Situacin o fenmeno: La edad de los estudiantes de las UTS
Poblacin: Todos los estudiantes de las UTS
Tipo de poblacin: Finita, porque fcilmente se pueden contabilizar sus elementos acudiendo a la oficina de
la institucin que registra estos datos
1.2.6.2 Poblaciones infinitas
Son las poblaciones que fsicamente es imposible numerarlas o determinar su tamao
Son las poblaciones que aunque se puede determinar su tamao, no es conveniente hacerlo por razones
econmicas o de tiempo
EJEMPLO:
Situacin: Accidentes por da en un cruce de calles de la ciudad
Poblacin: Todas los das mientras exista este cruce
Tipo de poblacin: Infinita. Es imposible determinar cuntos elementos tiene esta poblacin
EJEMPLO:
Situacin: Nmero promedio de hijos por pareja de un barrio de la ciudad
Poblacin: todas las parejas que habitan en el barrio
Tipo de poblacin: Infinita. Es muy costoso o demanda mucho tiempo determinar su tamao
1.2.7
CARACTERSTICAS OBSERVABLES EN UNA POBLACIN
A los elementos de una poblacin se les observan sus caractersticas o la intensidad con que se presenta
una magnitud.
De acuerdo con su comportamiento las caractersticas que se observan en los elementos de una poblacin
se pueden clasificar en constantes o variables
1.2.7.1 CARACTERSTICAS CONSTANTES
Una caracterstica es constante cuando el valor que presenta esta caracterstica no vara de un elemento a
otro o vara muy poco; por ejemplo, la estatura de una persona adulta observada en los ltimos 20 meses o
la profesin de un graduado universitario.
1.2.7.2
CARACTERSTICAS VARIABLES
Es una caracterstica que cambia frecuentemente de valor cuando se observa en algunos o en todos los
elementos de la poblacin.
Es un smbolo que puede tomar diversos valores dentro de un conjunto determinado de valores que
reciben el nombre de dominio de la variable.(Significado matemtico)
La estadstica solamente estudia las caractersticas variables Estas caractersticas variables, comnmente
denominadas variables, pueden ser de dos clases:
Variables cualitativas o categricas
Variables cuantitativas
Variables cualitativas o categricas: Son las que describen el estado de la caracterstica nicamente
mediante palabras. Se refieren a atributos, cualidades, actitudes o preferencias de los elementos que se
estn estudiando
EJEMPLOS:
VERSIN 11
FECHA: 2014
Pgina13
Las profesiones u ocupaciones de un grupo de personas: Abogado, maestro, panadero, ingeniero, etc.
El estado civil de un grupo de personas: Soltero, casado, unin libre, etc.
El sabor de las naranjas de una cosecha: dulce, inspido, cido
El color favorito de un grupo de individuos: Blanco, rojo, verde, etc.
Pasatiempos de un grupo de estudiantes: Deportes, lectura, reuniones sociales, labores manuales, etc.
La calidad de un producto: Bueno, regular o defectuoso
Como se puede observar, en los ejemplos, cada una de estas variables se expresa a travs de dos o ms
modalidades o categoras: soltero, casado, unin libre; bueno, regular, defectuoso.
Los datos que se registran cuando las variables son cualitativas o categricas corresponden a la cantidad o
proporcin de elementos que caen dentro de cada categora que toma la variable, por ejemplo: el nmero de
abogados o de maestros, el nmero de individuos que prefieren el color blanco, la proporcin de productos
defectuosos.
Las variables categricas se pueden a su vez subdividir en variables nominales y variables ordinales.
Variables Nominales: Son las que no tienen una forma particular de organizar sus categoras. Por ejemplo,
no existe una forma comn de ordenar los colores o el estado civil de las personas.
Variables ordinales: Cuando existe una forma comn de organizar las categoras que toma la variable. Por
ejemplo: las modalidades como se puede expresar la calidad de un producto se pueden ordenar como
bueno, regular, defectuoso o al contrario, en defectuoso, regular, bueno. Las categoras con las que se
califica el servicio que presta una EPS se pueden ordenar como psimo, malo, regular, bueno o excelente.
Variables cuantitativas: Son las que se describen por medio de nmeros, por ejemplo, la edad de los
empleados de una empresa, las personas que visitan por da un museo, los saldos de las cuentas por
cobrar de una empresa, el peso de los paquetes que moviliza una empresa transportadora, el nmero de
vehculos que vende un concesionario, etc.
Las variables cuantitativas se pueden clasificar, tambin, en discretas o continuas:
Variables cuantitativas discretas: Son las que nicamente pueden tomar valores enteros tales como el
nmero de vehculos que vende un concesionario o el nmero de personas que asisten a una sala de cine
Variables cuantitativas continuas: Son las que se refieren a mediciones de magnitudes fsicas o a
caractersticas apreciables en unidades monetarias y admiten valores fraccionarios o decimales tales como
el peso de los paquetes que moviliza una transportadora, los saldos de las cuentas de ahorro de una entidad
financiera o el tiempo que dura el recorrido de un bus urbano.
Variables cuantitativas categricas: Cuando se quiere facilitar el manejo de los datos o aumentar la
comprensin de un fenmeno, las variable cuantitativas se pueden convertir en categricas, como cuando
las personas que miden menos de 1.50 metros se clasifican como de estatura pequea, las personas que
miden entre 1.50 metros y menos de 1.70 se clasifican como de estatura mediana y las personas que miden
1.70 metros o ms se clasifican como de estatura alta.
1.2.8
CENSO
Es cuando se observa y registra el estado de una caracterstica examinado a todos los elementos de una
poblacin
Los censos rara vez se realizan debido al tiempo que demandan y a la cantidad de recursos que necesitan
por lo que se recurre a tomar datos del estado de la variable en algunos de los elementos de la poblacin
1.2.9
MUESTRA
VERSIN 11
FECHA: 2014
Pgina14

Es cuando se observa y registra el estado de una caracterstica variable examinado a una parte de los
elementos que pertenecen a una poblacin
Las muestras deben ser representativas y para esto se requiere que las caractersticas de la poblacin estn
representadas en la muestra, en la misma proporcin en que estn incluidas en la poblacin.
1.2.10 TAMAO DE LA MUESTRA
Es el nmero de elementos que componen la muestra. Se suele indicar con la letra n
EJEMPLO:
Para indicar que una muestra tiene 350 elementos se indica as: n = 350
1.2.11 PARMETRO
Es el resultado de una medida o clculo que se hace utilizando los datos relacionados con el valor que toma
una caracterstica variable cuando se observan todos los elementos de una poblacin, es decir, cuando se
hace un censo. Por ejemplo, la edad promedio de los nios que cursan primer grado, este ao, en todas las
escuelas oficiales de la ciudad. El parmetro siempre es un valor constante.
1.2.12 ESTADSTICO
Es el resultado de una medida o clculo que se hace utilizando los datos relacionados con el valor que toma
una caracterstica variable cuando se observan algunos de los elementos de una poblacin, o sea, una
muestra. Por ejemplo, la edad promedio de los nios de primer grado de algunas escuelas oficiales de la
ciudad escogidas al azar. El estadstico es un valor que vara de muestra en muestra
1.2.13 TIPOS DE ESTUDIOS ESTADSTICOS
Los estudios estadsticos pueden ser experimentales y de observacin
En los estudios estadsticos experimentales el investigador controla o manipula una o varias variables con
el fin de determinar su comportamiento en determinadas condiciones
En los estudios estadsticos de observacin el investigador registra el estado de la caracterstica variable
que le interesa sin ejercer ninguna influencia sobre ella. El estudio estadstico de observacin mas comn es
la encuesta.
1.2.14 UNIDAD DE OBSERVACIN O DE INVESTIGACIN
Se llama Unidad de Observacin o de Investigacin a alguno de los siguientes conceptos:
Al nombre genrico, que se le da a los elementos cuya caracterstica se est registrando
A la entidad que se investiga o de la que se recolectan los datos
Al soporte de donde se extraen los datos
1.2.15 ESTADSTICAS
Es cualquier conjunto ordenado de datos como por ejemplo las estadsticas de un torneo de ftbol, las
estadsticas de ventas de una empresa o las estadsticas de accidentes
VERSIN 11
FECHA: 2014
Pgina15

1.3
1.3.1
ARREGLO DE DATOS DE VARIABLE CONTINUA
INTRODUCCIN
Para visualizar las caractersticas de una situacin representada por un conjunto de datos o establecer el
patrn de comportamiento de esta situacin, los datos se deben organizar de alguna manera. La Estadstica
propone una metodologa que consiste en agrupar los datos recolectados en conjuntos de categoras o
clases estadsticas y con este conjunto construir una tabla que se llama Distribucin de Frecuencias
1.3.2
CONCEPTO DE CLASE O CATEGORA
En general, una clase o categora es un conjunto de elementos que tienen una o varias caractersticas en
comn, por ejemplo, las personas que compiten en algn deporte pertenecen a la clase de los deportistas,
las personas mayores de 60 aos pertenecen a la clase de la tercera edad
1.3.3
CLASE ESTADSTICA O CATEGORA ESTADSTICA
En estadstica se llama clase, nicamente, a un conjunto de datos que estn dentro de un intervalo
determinado de valores. Por ejemplo, para datos correspondientes a ingresos de personas podemos crear
una clase de las personas que tienen ingresos entre $500.000 y $800.000. Toda clase estadstica tiene, por
lo tanto, un lmite inferior ( $500.000 ), y un lmite superior ( $800.000 )
1.3.4
AMPLITUD DE CLASE
Es la distancia o diferencia que hay entre los lmites de una clase. En el ejemplo anterior la amplitud de la
clase de ingresos es de $300.000. Es decir, que para calcular la amplitud de clase se resta del lmite
superior de la clase el lmite inferior.
Para expresar estas ideas en smbolos, llamamos A a la amplitud de la clase, LS al lmite superior de la clase
y LI al lmite inferior de la clase, expresando aritmticamente la amplitud de la clase as:
A = LS LI
Para el ejemplo: A = LS - LI = $800.000 - $500.000 = $300.000
Entonces, para visualizar las caractersticas de un conjunto de datos, la Estadstica propone que se agrupen
estos datos en intervalos de valores o clases
1.3.5
CARACTERSTICAS DE LOS CONJUNTOS DE CLASES ESTADSTICAS
Un conjunto de clases o categoras es considerado como un conjunto de clases estadstico s todas las
clases, del conjunto, tienen, simultneamente, las siguientes tres caractersticas:
Amplitud constante
Mutuamente excluyentes
Exhaustivas
Amplitud constante se refiere a que la amplitud de todas las clases de un conjunto de clases en que se
agrupa un determinado grupo de datos debe ser la misma para todo el conjunto.
Conjunto de clases mutuamente excluyentes se refiere a que cualquier dato, de un grupo de datos en
estudio, debe corresponder nicamente a una sola clase
VERSIN 11
FECHA: 2014
Pgina16

Conjunto de clases exhaustivas cuando el conjunto de clases puede contener a todos los datos de una
muestra.
1.3.6
NMERO DE CLASES
Una de las primeras inquietudes que surge cuando se van a agrupar un conjunto de datos en clases
estadsticas es en cuantas clases es conveniente o adecuado agrupar estos datos. Hay varios criterios para
resolver este problema:
El nmero de clases es determinado por una circunstancia deseable u obligante
Determinar el nmero de clases de clases orientndose por una norma emprica de la estadstica
Determinar el nmero de clases utilizando la expresin emprica: No.C = 2 K
Determinar el nmero de clases utilizando la expresin emprica: No.C = 1 + 3,3 log( n )
Otros criterios
El primer caso se presenta, por ejemplo, cuando el estudio actual se va a comparar con un estudio anterior o
un estudio realizado por otro investigador. Entonces, para facilitar las comparaciones entre los dos estudios,
es deseable que los datos del estudio actual se agrupen con el mismo nmero de clases del estudio anterior
La norma emprica de la estadstica indica que el nmero de clases en que se deben agrupar cualquier
conjunto de datos debe ser como mnimo 5 6 clases y como mximo alrededor de 20 clases
En la expresin No.C = 2K, No.C es abreviatura de nmero de clases y K indica las clases en que, segn
esta expresin, se deben agrupar los datos.
Por ejemplo, para un estudio contiene 155 datos esta expresin funciona as:
S K = 6 clases, entonces, No.C = 26 = 64 como 64 < 155 el nmero de clases igual a 6 no es conveniente
S K = 7 clases, entonces, No.C = 27 = 128 como 128< 155 el nmero de clases igual a 7 no es conveniente
S K = 8 clases, entonces, No.C = 28 = 256 como 256> 155 el nmero de clases igual a 8, segn este
procedimiento, es al ms adecuado para agrupar los 155 datos del estudio.
En la expresin No.C = 1 + 3,3 log( n ), No,C es tambin, abreviatura de nmero de clases, log se refiere
a logaritmo con base 10 y n es la cantidad de datos que se desean agrupar
Por ejemplo, para el estudio de 155 datos se tiene: No.C = 1 + 3,3 log(155) = 8,23, quiere decir que el
nmero conveniente de clases, para agrupar estos 155 datos es de 8 clases
Otros criterios pueden ser, por ejemplo, nmeros de clases que hacen que los lmites de las clases sean
muy fciles de establecer o que las clases automticamente queden mutuamente excluyentes.
1.3.7
EJEMPLO PRCTICO
La siguiente tabla se refiere a los galones de gasolina corriente que tanquearon la semana pasada, en un
autoservicio, una muestra de vehculos escogidos al azar
3,8
2,8
4,8
6,1
1,7
4,7
5,3
3,0
2,8
3,3
4,9
1,9
2,0
6,9
3,0
6,4
2,5
5,0
3,9
2,6
1,8
2,6
2,0
2,0
2,9
4,0
5,6
2,0
3,6
2,7
2,3
2,6
2,2
4,1
4,5
3,1
3,0
3,4
2,9
Este ejemplo es til para fines de aprendizaje, porque en situaciones reales, se suelen manejar volmenes
de datos muy superiores al del presente ejemplo
MTODO ESTADSTICO
VERSIN 11
FECHA: 2014
Pgina17

Como se dijo al comienzo de este tema, para describir una situacin representada por un conjunto de datos,
como el anterior, la estadstica propone agrupar los datos en un conjunto de clases o categoras y con este
conjunto construir una tabla que se llama Tabla de Frecuencias o Distribucin de Frecuencias. Para realizar
este proceso se deben resolver, en primera instancia, las siguientes preguntas:
En cuntas clases o categoras es ms conveniente o se desea agrupar las datos recolectados?
Cul es el tipo de variable relacionada con la situacin o fenmeno en estudio?
Cmo se construyen estas clases o categoras?
Cmo se construye una Distribucin de Frecuencias?
Para resolver estas preguntas se propone el siguiente procedimiento:
PROCEDIMIENTO PARA PRINCIPIANTES
1. Para establecer el nmero de clases:
Por conveniencia
Norma emprica
Frmulas exponencial o logartmica
2. Tipo de variable relacionada con la situacin en estudio
(Revisar el tema en el mdulo CONCEPTOS BSICOS)
3. Construccin de las clases o categoras
Existen muchas formas para realizar este paso. A continuacin se propone una de ellas:
Determinar los valores mximo y mnimo del conjunto de datos: Xmax y Xmin
Calcular el Rango, R = Xmax Xmin
Calcular la amplitud de las clases A = R/ No.C
Modificar la amplitud teniendo en cuenta los decimales de los datos ( Amod )
Ajustar el rango ( Rmod ), para que coincida con la nueva amplitud modificada
Ajustar Xmin o Xmax o ambos para que coincidan con el rango modificado
Fijar el limite inferior de la primera clase
Construir los lmites de las clases
Verificar que las clases cumplan con las tres caractersticas de las clases estadsticas
4. Construccin de la Distribucin de frecuencias
Establecer el nmero de observaciones dentro de cada clase ( FA ) ( tabla de conteo )
Calcular la frecuencia relativa ( FR )
Ajustar la frecuencia relativa para que la suma de igual a 1
Calcular la frecuencia relativa acumulada ( FRA)
DESARROLLO DEL EJEMPLO
1. Determinar el nmero de clases
El nmero de clases se puede determinar de acuerdo a los siguientes criterios.
Por conveniencia: Cuando exista alguna circunstancia que haga conveniente o deseable un
determinado nmero de clases
Norma emprica: Se puede escoger cualquier nmero de clases entre 6 y 20 dependiendo del criterio
o preferencia personal del analista y se hacen varios tanteos hasta encontrar un nmero de clases
satisfactorio
Aplicando las frmulas exponencial o logartmica
Aplicando la frmula No.C = 2k

Para K = 5 entonces 25 = 32 < 39 quiere decir que 5 no es un nmero conveniente de clases
Para K = 6 entonces 26 = 64 > 39 quiere decir que 6 es el nmero conveniente de clases
Aplicando la frmula No.C = 1 + 3,3log(n) = 1 + 3,3log (39) = 6,25 quiere decir que el nmero de clases
conveniente es de 6
2. Tipo de variable: En este caso es una variable continua
VERSIN 11
FECHA: 2014
Pgina18

3. Construccin de las clases o categoras: Estos pasos se presentan en la siguiente tabla y son especficos
para variable continua
TABLA No.1
ARREGLO DE DATOS CONTINUOS EN 6 CLASES
Xmax
Xmin
R
No.C
= 6,9
= 1,7
= 5,2
=
6
A
= 0,86667 Xmin = 1,5
Amod =
0,9
Rmod =
5,4
Rmod-R =
0,2
Xmin se refiere al lmite inferior de la primera clase

4. Construccin de la Distribucin de Frecuencias: El resultado de este proceso se presenta en la tabla No.2:
TABLA No.2
DISTRIBUCIN DE FRECUENCIAS
TABLA No.3
Menor
FA
FAA
FR
FRA
Que
FRA
9
9
0,23
0,23
1,5
0
14
23
0,36
0,59
2,4
0,23
6
29
0,15
0,74
3,3
0,59
5
34
0,13
0,87
4,2
0,74
2
36
0,05
0,92
5,1
0,87
3
39
0,08
1,00
6,0
0,92
39
1,00
6,9
1,00
La tabla No.2 recibe el nombre de DISTRIBUCIN DE FRECUENCIAS o TABLA DE FRECUENCIAS y los
detalles de su construccin sern explicados por el docente en la exposicin que haga sobre este tema y el
significado de las columnas FA, FR y FRA se expone a continuacin
No.
1
2
3
4
5
6
1.3.8
CLASES
1,5
2,4
2,4
3,3
3,3
4,2
4,2
5,1
5,1
6,0
6,0
6,9
LOS TIPOS DE FRECUENCIAS
Los tipos de frecuencias que se presentan en la tabla No.2 son los siguientes:
Frecuencia Absoluta FA: Es la cantidad de datos de la muestra que corresponden a cada clase. Se
obtiene por conteo
Frecuencia Absoluta Acumulada FAA: Se obtiene, para cada clase, sumando la frecuencia absoluta de
la clase, FA, con la frecuencia absoluta de la clase anterior
Frecuencia Relativa FR: Se calcula, para cada clase, dividiendo la frecuencia absoluta de la clase, FA,
entre el total de datos de la muestra. Es prctico que los valores de la frecuencia relativa se tomen con
dos decimales y su suma se ajuste para que d exactamente uno
Frecuencia Relativa Acumulada FRA: Se calcula, para cualquier clase, sumando la frecuencia relativa
de la clase, FR, con la frecuencia relativa de la clase anterior
LECTURA DE LA DISTRIBUCIN DE FRECUENCIAS
Esta tabla permite describir la situacin histrica de la venta de gasolina en esta estacin de servicio, por
ejemplo, la mayora de los vehculos de la muestra, un 36%, tanquearon entre 2,4 y 3,3 galones de
gasolina, el 5% de los vehculos de la muestra tanquearon entre 5,1 y 6,0 galones de gasolina y fue la clase
con menor frecuencia de tanqueo. Solamente tres vehculos de la muestra tanquearon ms de 6,0 galones.
VERSIN 11
FECHA: 2014
Pgina19

1.3.9
LA TABLA MENOR QUE
Es una tabla auxiliar que se construye a partir de las distribuciones de frecuencias acumuladas, FAA y FRA,
con el fin de facilitar la descripcin de la situacin utilizando estas frecuencias. Esta tabla se encuentra al
lado de la tabla de distribucin de frecuencias y se utiliz, en este caso, la columna de frecuencia relativa
acumulada.
Observando esta tabla se puede ver que el 59% de los vehculos de la muestra tanquearon menos de 3,3
galones de gasolina o que el 13% de los vehculos de la muestra tanquearon mas de 5,1 galones
1.3.10 REPRESENTACIN GRFICA DE LA SITUACIN EN ESTUDIO
La Estadstica Descriptiva utiliza tres tipos de grficos para representar cualquier situacin o fenmeno en
estudio:
El histograma
El polgono de frecuencias
La ojiva
Estos grficos permiten visualizar de manera fcil y rpida los resultados que se presentan en la distribucin
de frecuencias
1.3.10.1 EL HISTOGRAMA
Es un grfico de frecuencia absoluta, FA o la frecuencia relativa, FR, donde las clases se representan
mediante rectngulos. El siguiente histograma se refiere al ejemplo prctico y se utiliz la frecuencia relativa
HISTOGRAMA
0,40
0,36
FRECUENCIA RELATIVA
0,35
0,30
0,25
0,23
0,20
0,15
0,13
0,15
0,08
0,10
0,05
0,05
0,00
1.5
2.4
3.3
4.2
5.1
6.0
6.9
GALONES
1.3.10.2 EL POLGONO DE FRECUENCIAS

Se hace a partir del histograma uniendo las marcas de clase proyectadas sobre el lado superior de los
rectngulos y agregando, para cerrar la figura, dos clases adicionales, una, por encima del lmite superior de
la clase ms alta y la otra, por debajo del lmite inferior de la clase ms baja
Para construir el polgono de frecuencias necesitamos introducir el concepto de Marca de Clase
MARCA DE CLASE
Es el punto medio de una clase. Se calcula sumando los lmites de cada clase y dividiendo este total por 2.
El smbolo que usualmente se utiliza para representar la marca de clase es Xi
VERSIN 11
FECHA: 2014
Pgina20
La expresin matemtica de la marca de clase es:

Xi =
Donde LS es el lmite superior de la clase y LI es el lmite inferior de la clase. Por ejemplo, para construir la
marca de clase de la primera clase se procede as:
Xi =
= 1,95
Las marcas de clase se utilizan, tambin, cuando se requiere representar todos los valores de una clase por
un solo nmero. Por ejemplo, 1,95 galones representa todos los valores de la muestra que se encuentran
entre 1,5 galones y 2,4 galones
Se puede construir, entonces, con las marcas de clase, una tabla auxiliar de clculos que permita elaborar
fcilmente el polgono de frecuencias, como se presenta a continuacin:
TABLA AUXILIAR DE CLCULOS
Marca de
No.
CLASES
clase
FR
0
0,6
1,5
1,05
0,00
1
1,5
2,4
1,95
0,23
2
2,4
3,3
2,85
0,36
3
3,3
4,2
3,75
0,15
4
4,2
5,1
4,65
0,13
5
5,1
6,0
5,55
0,05
6
6,0
6,9
6,45
0,08
7
6,9
7,8
7,35
0,00
Obsrvese que la tabla tiene ahora 8 clases porque se han agregado dos clases, la nmero cero y la nmero
7. A estas clases se les llama clases falsas porque no hay observaciones para ellas; su finalidad es
presentar el polgono de frecuencias como una figura cerrada
POLGONO DE FRECUENCIAS
0,40
0,36
FRECUENCIA RELATIVA
0,35
0,30
0,23
0,25
0,20
0,15
0,15
0,13
0,08
0,10
0,05
0,05
0,00
0,00
0,00
1,05
1,95
2,85
3,75
4,65
5,55
6,45
7,35
GALONES
Tanto el histograma como el polgono de frecuencias permiten visualizar algunas de las caractersticas de la
situacin o fenmeno que se est estudiando, tales como:
El rango de los datos
VERSIN 11
FECHA: 2014
Pgina21
Alrededor de qu valores tienden a agruparse los datos

Valores de la muestra que se presentan con ms o menos frecuencia
A qu lado de la grfica parecen agruparse ms los datos
Los dems detalles de la construccin del polgono de frecuencias sern explicados por el docente en la
exposicin que haga sobre este tema
1.3.10.3 COMO INTERPRETAR UN HISTOGRAMA O UN POLGONO DE FRECUENCIAS

Los histogramas y los polgonos de frecuencias facilitan a las personas que tienen que tomar decisiones
sobre una determinada situacin una visin rpida del comportamiento y caractersticas de la situacin que
se estudia. Algunas de las preguntas que se pueden responder observando estas grficas son:
Cul es el rango de los datos?
En qu clases se concentran el mayor nmero de datos?
Cul clase contiene menos datos?
Qu valores de la muestra se presentan con ms o menos frecuencia?
A qu lado de la grfica parecen concentrarse ms los datos?
Se presentan huecos o clases vacas?
Se presentan valores aislados de los dems?
La grfica presenta subidas o bajadas bruscas o suaves?
Cuntos picos tiene la grfica?
Es simtrica la grfica?
1.3.10.4 LA OJIVA
La ojiva es un grfico de frecuencias acumuladas que describe que cuantas unidades o qu porcentaje de
unidades se encuentran por encima o por debajo de un determinado valor de la variable.
Este grfico se construye a partir de la tabla MENOR QUE, utilizando la frecuencia absoluta acumulada, FAA
o la frecuencia relativa acumulada, FRA. En el grfico que se presenta a continuacin se utiliz la frecuencia
relativa acumulada.
OJIVA
FRECUENCIA RELATIVA ACUMULADA
1,2
1,00
1
0,87
0,92
0,74
0,8
0,59
0,6
0,4
0,23
0,2
0
0
1,5
2,4
3,3
4,2
5,1
6,0
6,9
GALONES
Los detalles sobre la construccin de estos grficos sern explicados por el docente en la exposicin que
haga sobre este tema
VERSIN 11
FECHA: 2014
Pgina22

1.3.11 LA INTERPOLACIN
En general, la interpolacin, es un mtodo de clculo para establecer el valor de la ordenada de un valor de
la variable que se encuentra dentro de otros valores ya calculados en una tabla. En el caso de la
Estadstica Descriptiva, se utiliza para calcular valores de la frecuencia absoluta acumulada, FAA o de la
frecuencia relativa acumulada, FRA, correspondientes a valores de la variable que no se encuentran en la
tabla MENOR QUE, pero que estn dentro de los valores mnimo y mximo recolectados en el estudio.
Por ejemplo, si se quiere saber qu porcentaje de los vehculos tanquearon mas de 4,8 galones de gasolina,
al buscar este valor en la tabla MENOR QUE se detecta que aunque no est tabulado, se encuentra entre
los valores de la variable 4,2 y 5,1 galones. Con esta informacin se pueden disponer los datos existentes y
los buscados de la siguiente manera:
X0 =4,2
X1 = 4,8
X2 = 5,1
Y0 = 0,74
Y1= ?
Y2 = 0,87
La expresin matemtica que permite realizar el clculo de interpolacin es la siguiente:

Y1= Y0 +
(1 0 )
(Y2 - Y0)
(2 0 )
Reemplazando los smbolos por los valores se tiene:

Y1= 0,74 +
(
(
( 0,87 - 0,74 ) = 0,827 0,83
Esto quiere decir que el 83% de los vehculos de la muestra tanquearon menos de 4,8 galones, pero, como
se quiere saber es que porcentaje tanque ms de 4,8 galones, se debe restar el resultado anterior de 1
1 - 0,83 = 0,17 = 17% que es, entonces, porcentaje de vehculos de la muestra que tanquearon mas de
4,8 galones
VERSIN 11
FECHA: 2014
Pgina23

1.4
ARREGLO DE DATOS DE VARIABLE DISCRETA
PROCEDIMIENTO PARA PRINCIPIANTES

1. Para establecer el nmero de clases:
Por conveniencia
Norma emprica
Frmulas exponencial o logartmica
2. Tipo de variable relacionada con la situacin en estudio
(Revisar el tema en el mdulo CONCEPTOS BSICOS)
3. Construccin de las clases o categoras
Este procedimiento es especfico para variable discreta como se muestra a continuacin:
Determinar los valores mximo y mnimo del conjunto de datos: Xmax y Xmin
Calcular el Rango, R = Xmax Xmin
Calcular la amplitud de las clases A = R/ No.C
Modificar la amplitud eliminando la parte decimal del nmero calculado en el paso anterior ( Amod )
Utilizar Xmin como el lmite inferior de la primera clase
Construir los lmites de las clases
Al construir las clases con este procedimiento automticamente quedan con las tres condiciones de las
clases estadsticas, es decir, de amplitudes constantes, mutuamente excluyentes y exhaustivas.
4. Construccin de la Distribucin de frecuencias
Establecer el nmero de observaciones dentro de cada clase ( FA ) ( tabla de conteo )
Calcular la frecuencia relativa ( FR )
Ajustar la frecuencia relativa para que la suma de igual a 1
Calcular la frecuencia relativa acumulada ( FRA)
1.4.1
EJEMPLO PRCTICO
Una muestra de 41 das del nmero de transacciones que se realizan por da en un cajero automtico se
presenta en la siguiente tabla:
73
83
87
47
80
68
56
91
81
84
76
79
78
54
36
71
62
49
90
67
60
64
91
77
51
41
87
72
63
45
91
66
63
52
61
67
74
68
75
57
85
DESARROLLO DEL EJEMPLO

1. Establecer el nmero de clases
Por conveniencia: No existe, en este caso, ninguna circunstancia que haga conveniente o deseable
un determinado nmero de clases
Norma emprica: Se puede escoger cualquier nmero de clases entre 5 y 20 dependiendo del criterio
o preferencia personal del analista y se hacen varios tanteos hasta encontrar un nmero de clases
satisfactorio
Aplicando las frmulas exponencial o logartmica: Utilizando la expresin logartmica se tiene:
No.C = 1 + 3,3 log (41) = 6,3 que indica que un nmero conveniente de clases para esta cantidad de datos
es de 6 clases.
2. Tipo de variable: En este caso es una variable discreta
3. Construccin de las clases o categoras: Los pasos se presentan encuentran en la siguiente tabla y son
especficos para variable discreta
VERSIN 11
FECHA: 2014
Pgina24
Xmax =
Xmin =
R
=
No.C =
A
=
Amod =
91
36
55
6
9,16667
9
En el clculo anterior se puede observar que para construir la amplitud modificada, se borra toda la parte
decimal de la amplitud, A, calculada
Cuando la amplitud modificada es un nmero impar, las marcas de clase, que se utilizan para representar a
las clases, son valores fraccionarios, como ocurre en este ejemplo; esta situacin es incmoda porque no
refleja la realidad en los casos de variable discreta, por lo que se prefiere agrupar los datos en clases que
sean de amplitud par, como se presenta a continuacin, para el mismo ejemplo, donde la amplitud se cambi
de 9 transacciones por da a 8 transacciones por da, esto hace que el nmero de clases pase de 6 a 7
Amod = 8
4. Construccin de la Distribucin de Frecuencias: El resultado de este proceso se presenta en la tabla No.4:
TABLA No.4
TABLA No.5
Menor
No.
CLASES
FA
FR
FRA
Que
FRA
1
36
44
2
0,05
0,05
36
0
2
45
53
5
0,12
0,17
45
0,05
3
54
62
6
0,14
0,31
54
0,17
4
63
71
9
0,22
0,53
63
0,31
5
72
80
9
0,22
0,75
72
0,53
6
81
89
6
0,15
0,90
81
0,75
7
90
98
4
0,10
1,00
90
0,90
41
1,00
99
1,00
Se observa, tambin, que el lmite inferior de cada clase es igual al lmite inferior de la clase anterior ms
uno. Tambin se puede ver que el lmite superior de la ltima clase, (98), no coincide con el Xmax, (91), de
los datos y el lmite inferior de la primera clase es el Xmin (36), de los datos.
Las clases construidas de esta manera se llaman CLASES CERRADAS, porque en cada clase se
contabilizan todos los datos incluidos entre los dos lmites de la clase. Sin embargo, estas clases, como se
puede observar, son de amplitudes constantes, mutuamente excluyentes y exhaustivas.
Tambin se observa que la tabla MENOR QUE, se construye de manera un poco distinta a como se hizo
para el caso de variable continua, ntese que el ltimo valor de la columna Menor Que, no es igual al lmite
superior de la ltima clase, sino a se valor ms uno.
1.4.2
REPRESENTACIN GRFICA
1.4.2.1 HISTOGRAMA
Para el caso de variable discreta el histograma, recibe tambin el nombre de DIAGRAMA DE
FRECUENCIAS y en l las clases se encuentran separadas, como se ve en el siguiente grfico:
VERSIN 11
FECHA: 2014
Pgina25
DIAGRAMA DE FRECUENCIAS
Frecuencia Relativa
0,25
0,22
0,22
0,2
0,15
0,14
0,15
0,12
0,1
0,1
0,05
0,05
0
36 44
45 53
54 62
63 71
72 80
81 89
90 98
Nmero de transacciones
Con frecuencia, en lugar de identificar cada clase con sus lmites de clase, es ms prctico utilizar la marca
de clase, como se muestra en este grfico, a continuacin
Diagrama de Frecuencias
Frecuencia relativa
0,25
0,22
0,22
0,20
0,15
0,14
0,15
0,12
0,10
0,10
0,05
0,05
0,00
40
49
58
67
76
85
94
Ahora es mucho ms fcil leer el diagrama de frecuencias, por ejemplo, en el 14% de los das de la muestra
se realizaron 58 transacciones, el nmero de transacciones por da menos frecuente, en la muestra, fue de
40 transacciones por da
1.4.2.2 POLGONO DE FRECUENCIAS
Se construye de la misma manera, a partir del diagrama de frecuencias y las marcas de clase, como se hizo
en el caso de variable continua. Ntese que en esta grfica se presenta una distorsin debido a que las
clases no son adyacentes
VERSIN 11
FECHA: 2014
Pgina26
Polgono de Frecuencias
Frecuencia Relativa
0,25
0,22
0,22
0,2
0,15
0,14
0,15
0,12
0,10
0,1
0,05
0,05
0
0,00
0
31
40
49
58
67
76
85
94
103
Nmero de Transacciones
1.4.2.3 OJIVA
Cuando la variable es discreta, como en este caso, la ojiva se construye de forma diferente, porque la
variable slo toma valores enteros, aunque, aqu tambin, este grfico se construye a partir de la tabla
MENOR QUE
Frecuencia Relativa Acumulada
OJIVA
1,2
1,00
1
0,9
0,75
0,8
0,53
0,6
0,31
0,4
0,17
0,2
0,05
36
45
54
63
72
81
90
99
Los detalles sobre la construccin de este grfico sern explicados por el docente en la exposicin que haga
sobre este tema
VERSIN 11
FECHA: 2014
Pgina27
ARREGLO DE DATOS PARA VARIABLE DISCRETA EN CLASES DE AMPLITUD

CERO
1.5
Cuando el intervalo de valores que toma la variable es reducido y la variable es discreta, es ms prctico
agrupar los datos en clases de amplitud cero, como se muestra en el siguiente caso. Aqu X simboliza los
valores que toma la variable que son al mismo tiempo las clases estadsticas. Estas clases cumplen con las
tres caractersticas de una clase estadstica: son de amplitud constante, son mutuamente excluyentes y son
exhaustivas
EJEMPLO
Se tom una muestra de 60 facturas registrando el nmero de errores por factura. Los resultados se
presentan en la siguiente tabla:
1
2
0
4
2
0
0
1
3
1
2
0
1
1
0
1
0
3
2
1
0
0
3
1
X
0
1
2
3
4
FA
25
19
10
4
2
60
FR
0,42
0,31
0,17
0,07
0,03
1,00
0
0
1
0
3
2
FAA
25
44
54
58
60
0
1
0
0
1
2
1
4
1
1
0
0
FRA
0,42
0,73
0,90
0,97
1,00
MENOR
QUE
0
1
2
3
4
5
0
0
2
0
2
1
0
0
2
0
2
1
1
0
0
1
0
1
FRA
0
0,42
0,73
0,90
0,97
1,00
30
25
No. de facturas
25
19
20
15
10
10
4
0
0
No. de errores
VERSIN 11
FECHA: 2014
Pgina28

1.6
ARREGLO DE DATOS CUALITATIVOS
Cuando la variable es cualitativa, el arreglo y presentacin de datos estadstico es limitado. Slo se pueden
construir distribuciones de frecuencias con las frecuencias absolutas y relativas y diagramas de frecuencias.
Adicionalmente, se utilizan en estos casos otros tipos de grficos como se presenta en el siguiente ejemplo:
EJEMPLO
Se interrog a una muestra de clientes de una cafetera sobre el tipo de bebida gaseosa que prefieren
obtenindose los siguientes resultados:
Cocacola
Postobn
Quatro
Sprite
Cocacola
Quatro
Pepsicola
Link
Cocacola
Quatro
Pepsicola
Seven Up
Cocacola
Postobn
Pepsicola
No.
1
2
3
4
5
6
7
Cocacola
Pepsicola
Postobn
Cocacola
Link
Postobn
Cocacola
Pepsicola
Postobn
Cocacola
CLASES
Cocacola
Link
Pepsicola
Postobn
Quatro
Seven Up
Sprite
FA
10
3
6
8
4
1
3
35
Link
Cocacola
Sprite
Cocacola
Postobn
Postobn
Quatro
Pepsicola
Postobn
Sprite
FR
0,29
0,09
0,17
0,23
0,11
0,03
0,08
1,00
Frecuencia Relativa
0,35
0,3
0,29
0,23
0,25
0,2
0,17
0,15
0,11
0,09
0,1
0,08
0,03
0,05
0
Cocacola
Link
Pepsicola Postobn Quatro Seven Up

Tipo de bebida
VERSIN 11
Sprite
FECHA: 2014
Pgina29
Seven Up
0,03
0,08
Sprite
0,29
0,11
Coca cola
Quatro
Postobn
0,23
Link
Pepsicola
0,09
0,17
VERSIN 11
FECHA: 2014
Pgina30

2 MEDIDAS DE TENDENCIA CENTRAL, DE POSICIN Y DE
DISPERSIN
2.1
2.1.1
MEDIDAS DE TENDENCIA CENTRAL
FORMAS ESTADSTICAS DE DESCRIBIR UN FENMENO
Anteriormente se vio que los fenmenos o hechos se pueden describir con tablas y grficos pero, tambin se
pueden describir con nmeros
2.1.2
CONCEPTO DE MEDIDA EN ESTADSTICA
En estadstica se llama medida a un clculo u operacin que se realiza sobre un conjunto de datos para
extraer alguna informacin
EJEMPLOS
Calcular la estatura promedio de un grupo de personas
Hallar la diferencia entre el mayor y el menor valor de un conjunto de datos
Establecer el valor que ms se repite dentro de un conjunto de datos
2.1.3
PARMETROS Y ESTADSTICOS
En la unidad anterior se vio que los clculos o medidas que se realizan con los datos referidos a una
situacin pueden clasificarse de dos maneras:
Parmetros: Cuando el clculo se realiza con todos los datos de la poblacin. Los parmetros son valores
constantes
Estadsticos: Cuando el clculo se realiza con una parte de los datos de la poblacin, es decir, una
muestra. Los estadsticos son variables
2.1.4
CLASES DE MEDIDAS EN ESTADSTICA
En estadstica existen tres clases de medidas:

Las medidas de tendencia central
Las medidas de tendencia no central o de posicin
Las medidas de dispersin
2.1.5
LAS MEDIDAS DE TENDENCIA CENTRAL
Son tres valores, con cada uno de los cuales, se pretende describir, parcialmente, el comportamiento de una
muestra o de una poblacin.
Las medidas tendencia central, reciben este nombre porque al representar el resultado de un clculo en un
grfico de una distribucin de frecuencias (histograma o polgono de frecuencias), el valor calculado siempre
se sita hacia el centro de la grfica.
2.1.6
LAS MEDIDAS DE DISPERSIN
Las medidas de dispersin son clculos o valores que indican que tan concentrados estn los datos
alrededor de un valor especial que se toma como referencia
VERSIN 11
FECHA: 2014
Pgina31

2.1.7
MEDIDAS PARA POBLACIONES Y MEDIDAS PARA MUESTRAS
Las medidas de tendencia central y de dispersin pueden clasificarse como Parmetros o Estadsticos,
segn sea que los datos utilizados correspondan a una poblacin o a una muestra.
Los clculos de las medidas de tendencia central y de dispersin para poblaciones, en algunos casos, son
diferentes de los clculos de las medidas de tendencia central y de dispersin para muestras, por lo que se
utilizan, en estos casos, smbolos diferentes para cada tipo de medida.
2.1.8
CLASES DE MEDIDAS DE TENDENCIA CENTRAL
Existen tres clases de medidas de tendencia central:

La media aritmtica o promedio
La mediana
La moda
2.1.9
LA MEDIA ARITMTICA
Existen dos tipos de media aritmtica: la Media Aritmtica Simple y la Media Aritmtica Ponderada. A la
media aritmtica simple se le llama usualmente La Media y la forma de calcularla depende de s los datos
estn o no agrupados en clases.
2.1.10 MEDIA ARITMTICA PARA DATOS NO AGRUPADOS
La media aritmtica, para datos no agrupados, se calcula sumando los valores registrados de la variable en
estudio y dividiendo entre el total de estos valores registrados. La expresin matemtica de este clculo
tiene dos presentaciones: una s los datos registrados corresponden a una poblacin y otra s los datos
corresponden a una muestra, tal como se indica a continuacin.
Xi
N
Para Poblaciones
Xi Para Muestras
n
El significado de los smbolos es el siguiente:

Es la letra del alfabeto griego mu, simboliza la media aritmtica calculada para una poblacin
Se lee equis trazo o equis barra, simboliza la media aritmtica calculada para una muestra
N Es el nmero de valores que toma la variable, en estudio, en la poblacin

n Es el nmero de valores que toma la variable, en estudio, en la muestra
Es cada uno de los valores que toma la variable en la muestra o en la poblacin
VERSIN 11
FECHA: 2014
Pgina32

EJEMPLO
Las comisiones que un vendedor ha recibido en los 6 primeros meses del ao se presentan en la siguiente
tabla:
MES
Ingresos
(Miles de $ )
Enero
Febrero
Marzo
Abril
Mayo
Junio
800
950
920
1000
830
900
Calcular la media aritmtica

interpretar el significado
La expresin para calcular la media aritmtica indica

que se deben sumar todos los valores que toma la
variable y dividir por el nmero de datos
=
800 9 0 9 0
000 830 900

6
= $900 miles
Como esta forma de clculos es poco prctica se

suman, mejor, los datos en columna como se muestra a
continuacin
SOLUCIN:
MES
Ingresos
(Miles de $ )
Enero
Febrero
800
950
Marzo
Abril
Mayo
Junio
920
1000
830
900
Interpretacin: La media aritmtica es el mismo

promedio y es como s en cada uno de los 6 meses el
comisionista hubiera ganado $900.000
Suma
= 5400

00
6
= $900
5400
2.1.11 MEDIA ARITMTICA PARA DATOS AGRUPADOS

La media aritmtica se calcula sumando los productos de las marcas de clase por sus respectivas
frecuencias absolutas y dividiendo esta suma por el nmero total de datos registrados
=
XiFAi
N
Para Poblaciones
XiFAi
n
Para Muestras
el significado de los smbolos es el siguiente:

Es la letra del alfabeto griego mu, simboliza la media aritmtica calculada para una poblacin
Se lee equis trazo o equis barra, simboliza la media aritmtica calculada para una muestra
N Es el tamao de la poblacin
n Es el tamao de la muestra
Es la marca de clase de cada una de las clases en que se han agrupado los datos
Es la frecuencia absoluta de cada una de las clases en que se han agrupado los datos
EJEMPLO
Una muestra del valor de las facturas, en miles de pesos, que se cancelan con tarjetas de crdito en una
cadena de almacenes de modas se presenta en la siguiente tabla:
VERSIN 11
FECHA: 2014
Pgina33
Como se debe calcular la marca de clase de cada clase y

multiplicar cada uno de esto valores por su respectiva
frecuencia absoluta, estas operaciones es ms prctico
realizarlas en forma tabular, como se muestra a
continuacin:
Ventas
No. de
(Miles de $) Facturas
30
36
25
36
42
48
54
60
42
48
54
60
66
38
49
51
32
29
Ventas
No. de
224
Calcular la media aritmtica
interpretar el significado
30
36
42
48
54
36
42
48
54
60
60
66
Xi
XiFAi
25
38
49
51
32
33
39
45
51
57
825
1.482
2.205
2.601
1.824
29
63
224
1.827
10.764
SOLUCIN:
El total de la cuarta columna es = 10.764 y el total de datos, n, es 224, por lo que la media aritmtica
buscada es:
=
0.76
= $48.054 miles
Interpretacin: El valor de promedio de cada factura pagada con tarjeta de crdito es de $48.054 miles, que
es como si cada factura fuera de este valor
2.1.12 SIGNIFICADO DE LA MEDIA ARITMTICA
La media aritmtica o promedio calculada para un conjunto de datos significa que al remplazar el valor
promedio por cada uno de los datos se obtiene el mismo resultado general
2.1.13 MEDIA ARITMTICA PONDERADA
Existen situaciones en las cuales los datos registrados sobre una situacin traen in formacin adicional que
indica que estos valores no tienen la misma importancia relativa, como se presenta en el siguiente caso:
EJEMPLO
Las notas obtenidas por un estudiante en 3 quices de un corte y las notas finales, del semestre, extradas del
polgrafo correspondiente, se presentan en la siguiente tabla:
PRUEBA
Quiz No.1
Quiz No.2
Quiz No.3
Promedio
NOTA
3.5
4.1
2.4
3.3
ASIGNATURA
A
B
C
NOTA
FINAL
4.9
3.1
3.0
CRDITOS
2
4
3
En el caso de los quices no existe ninguna informacin que permita pensar que estas tres notas tienen
diferente nivel de importancia, por lo que su promedio se puede calcular utilizando la frmula de la media
para datos no agrupados, lo que no ocurre para el caso del polgrafo donde, por ejemplo, la nota de la
asignatura B vale el doble que la nota de la asignatura A; en casos como este, para calcular el promedio, se
VERSIN 11
FECHA: 2014
Pgina34

utiliza una variante de la media aritmtica que recibe el nombre de Media Aritmtica Ponderada o Promedio
Ponderado, cuya expresin matemtica es la siguiente:
p
X i Wi
Wi
Media aritmtica ponderada
Es el smbolo de la media ponderada

xi Representa los valores que toma la variable. En el ejemplo, las notas (4.9, 3.1 y 3.0)
Representa el valor relativo de cada uno de los datos, llamados Factores de Ponderacin. En el
ejemplo, los crditos de cada una de las asignaturas (2, 4 y 3)
p
Aplicando la frmula al ejemplo se tiene:

NOTA
FINAL
ASIGNATUR
A
A
B
C
Suma
Xi
4,9
3,1
3.0
Xi Wi = 31.2
CRDITOS
Wi
2
4
3
9
XiW i
9,8
12,4
9.0
31,2
Wi = 9
P = 3.47
S para este caso del polgrafo el promedio se calculara como media aritmtica simple, ignorando la
informacin de los crditos, este clculo dara 3.7 que es diferente del promedio ponderado que da un valor
de 3.47
2.1.14 PROPIEDADES DE LA MEDIA ARITMTICA
El clculo de la media aritmtica tiene en cuenta todos los valores de la variable en estudio registrados
A todas las variables cuantitativas se les puede calcular la media aritmtica
Un conjunto de datos slo tiene una media
La media permite hacer comparaciones entre poblaciones o muestras
La media se puede trabajar matemticamente
La media es afectada por los valores extremos
No se puede calcular la media en distribuciones de frecuencias que tienen clase de extremo abierto
2.1.15 LA MEDIA GEOMTRICA
En muchas situaciones los datos se presentan en valores relativos tales como porcentajes o proporciones.
En tales casos el procedimiento de clculo de la media, que se ha estado utilizando hasta ahora, puede
apartarse de los resultados reales s la variabilidad de los datos es alta.
2.1.16 CLCULO DE LA MEDIA GEOMTRICA
Existe, entonces, una expresin matemtica especial para calcular promedios en los casos en que los datos
provengan de tasas de inters, porcentajes o nmeros ndices, entre otros. A este expresin matemtica se
le llama la media geomtrica y se suele representar por la letra G
G =
n ( FC1)( FC 2)( FC3)......... ...( FCn)
G Es el smbolo de la media geomtrica
VERSIN 11
FECHA: 2014
Pgina35

FC1, FC2..FCn se llaman Factores de Crecimiento
El ndice de la raz depende del nmero de factores de crecimiento. S los factores de crecimiento son 2, la
raz es cuadrada, s los factores de crecimiento son 6 la raz es sexta y as sucesivamente.
Los factores de crecimiento, FCi, se determinan con la siguiente expresin:
FC = 1 +
00
Como el valor en porcentaje se llama comnmente Tasa, la expresin, ms apropiada, para el Factor de
Crecimiento es:
FC = 1 +
00
EJEMPLO
La rentabilidad de un ttulo valor ha estado variando en las ltimas semanas como se presenta en la
siguiente tabla:
Semana
Rentabilidad
1
2
3%
1%
Para aplicar la frmula, las tasas de

rentabilidad se deben convertir a factores de
crecimiento
3
-2%
4
0,7%
5
1,5%
6
1%
A qu tasa promedio semanal ha estado
variando la rentabilidad de este ttulo?
Semana
Rentabilidad
FC
1
2
3
4
5
6
3%
1%
-2%
0,7%
1,5%
1%
1,03
1,01
0,98
1,007
1,015
1,01
Con los factores de crecimiento, de la tercera columna, se calcula G

G = 6(1.03)(1.01)(0.98)(1.007)(1.015)(1.01)
G = 1.008557 (Factor de crecimiento promedio)
Como las unidades de este clculo son Factores de Crecimiento, para convertir este resultado en tasa, se
despeja sta de la ltima frmula
FC = 1 +
00
====>Tasa = ( FC 1 )x100
Por lo tanto:
Tasa promedio = (1.00856 1 ) x 100 = 0.856% 0.9%
Respuesta: El ttulo ha estado aumentado a una tasa promedio del 0.9% semanal
Cuando los datos se presentan en valores absolutos, pero, se debe calcular un porcentaje promedio, los
factores de crecimiento se determinan como se indica en el siguiente ejemplo:
EJEMPLO
Las ventas anuales de una empresa, en millones de pesos, se presentan en la tabla No.1. A qu tasa
promedio anual estn variando las ventas de esta empresa?
VERSIN 11
FECHA: 2014
Pgina36

TABLA No.1
AO
Ventas
(Millone
s)
2001
2002
68
75
2003
2004
2005
2006
2007
TABLA No.2
32
59
73
92
108
Obsrvese que se pide la tasa promedio de

crecimiento, que es un valor relativo y no la
venta promedio anual, que es un valor
absoluto.
Para convertir las ventas, que son valores
absolutos, en factores de crecimiento, se
divide el valor de un periodo cualquiera entre
el valor del periodo inmediatamente anterior.
Por ejemplo, el factor de crecimiento del ao
2004 se consigue dividiendo 59 entre 32
Los dems clculos se muestran en la tabla
No.2
Obsrvese que no se puede calcular el factor de crecimiento
del ao 2001 porque no se conocen las ventas del ao 2000.
AO
Ventas
(Millone
s)
2001
2002
2003
2004
2005
68
75
32
59
73
1,1029
0,4267
1,8438
1,2373
2006
2007
92
108
1,2603
1,1739
FC
Con los datos de la tercera columna, FC, se calcula G

G = 6(1.1029)(0.4267)(1.8438)(1.2373)(1.2603)(1.1739)
G = 1.08017 (Factor de Crecimiento promedio)
Tasa Promedio = (1.08017 1) x 100 = 8.017%
Respuesta: Las ventas estn creciendo a una tasa promedio
del 8% anual
Tambin se puede calcular la media geomtrica para el caso de valores que varan en funcin del tiempo y
slo se conocen los valores inciales y finales del periodo, como se puede ver en el siguiente ejemplo:
EJEMPLO
Una persona invirti $25 millones a 3 aos, recibiendo al final de este periodo la suma de $33,306 millones
A qu tasa promedio mensual creci esta inversin?
La expresin de la media geomtrica para casos como este es la siguiente:
G=
valor final
valor inicial
Donde n es el nmero de periodos de tiempo durante el intervalo de la inversin

Para el caso del ejemplo la expresin se aplica as:
G=
36 33.306
= 1.00800 (Factor de Crecimiento promedio)
Como la tasa que se pide es mensual el nmero de periodos es 36, por lo tanto, el ndice de la raz es 36
Para calcular la tasa promedio se aplica la expresin:
Tasa = ( FC 1 )x100
VERSIN 11
FECHA: 2014
Pgina37

Tasa promedio = (1.008 1) x 100
Tasa promedio = 0.8%
Es decir, la inversin est creciendo, en promedio al 0.8% mensual.
2.1.17 PROPIEDADES DE LA MEDIA GEOMTRICA
La media geomtrica siempre es menor o igual a la media aritmtica, es decir: G
2.1.18 USOS DE LA MEDIA GEOMTRICA
La media geomtrica se utiliza para calcular promedios de cantidades expresadas en porcentajes o en
proporciones
2.1.19 LA MEDIANA
La mediana es el valor que ocupa la posicin central de un conjunto de datos cuando estos estn ordenados
de menor a mayor.
Para aclarar este concepto veamos el siguiente ejemplo:
EJEMPLO
La siguiente tabla presenta las notas obtenidas por una muestra de estudiantes en un examen
ESTUDIANTE
R. Martnez
P. Ardila
M. Castellanos
A. Manjarrs
O. Len
NOTA
4.3
1.7
3.8
4.8
3.5
ESTUDIANTE
L. Rueda
J. Zrate
G. Torres
Z. Bentez
NOTA
2.9
4.0
1.2
4.7
Ordenando estos datos de menor a mayor donde el menor est en el extremo izquierdo y el mayor en el
extremo derecho de la fila se tiene:
1.2
1.7
2.9
3.5
3.8
4.0
4.3
4.7
4.8
El nmero que ocupa la posicin central es 3.8 porque por debajo de l hay 4 datos y por encima otros 4, por
lo tanto, 3.8 es el valor mediano
2.1.20 INTERPRETACIN DE LA MEDIANA
El docente que tom la muestra podra describir el comportamiento de los estudiantes en la prueba diciendo
que la mitad de las notas de la muestra se encuentran por debajo de 3.8 o por encima de 3.8
Alternativamente, el docente podra haber utilizado el promedio o media aritmtica para describir el
comportamiento de los estudiantes en la muestra, como se vio anteriormente, pero, la mediana, entonces, es
otra manera de describir una situacin que es diferente de la media aritmtica
2.1.21 SMBOLO DE LA MEDIANA
El smbolo utilizado, en estas notas, para representar la mediana es:
una equis con una onda en la parte superior que se lee equis mediana
VERSIN 11
FECHA: 2014
Pgina38
El clculo de la mediana para el caso de las notas se expresa as:

= 3.8
2.1.22 CLCULO DE LA MEDIANA PARA DATOS NO AGRUPADOS
Nmero impar de datos
Cuando en nmero de datos que componen la muestra es impar, como en el ejemplo de las notas, la
mediana se puede calcular por simple inspeccin como se hizo anteriormente. Pero, para situaciones que
representen un mayor nmero de datos existe una expresin matemtica que es la siguiente.
= Xn+1
2
Esta expresin indica que el valor mediano ocupa la posicin (n + 1)/2 cuando los datos estn ordenados en
orden ascendente
Para aplicar esta expresin es preciso ordenar, entonces, los datos en orden ascendente e indicar la
posicin u orden de cada dato como se muestra a continuacin:
X1
1.2
X2
1.7
X3
2.9
X4
3.5
X5
3.8
X6
4.0
X7
4.3
X8
4.7
X9
4.8
Los Xi indican la posicin de cada dato, por ejemplo, X 7 indica que 4.3 ocupa la sptima posicin cuando
los datos estn ordenados de forma ascendente
Como el nmero de datos es 9, entonces (n+1)/2 es igual a 5, esto quiere decir que el valor mediano es el
valor que ocupa la quinta posicin cuando los datos estn ordenados de menor a mayor
= X = 3.8
tal como se haba establecido anteriormente por simple inspeccin
Nmero par de datos
Cuando el nmero de datos sin agrupar es par, la expresin para calcular la mediana es la siguiente.
=
X n / 2 X n / 21
2
Esto quiere decir que el valor mediano es el resultado de promediar los valores que ocupan las posiciones
X n / 2 y X n / 21
Para explicar esta expresin veamos el siguiente ejemplo:
EJEMPLO
Una muestra de las estaturas, en metros, de 10 estudiantes de una clase se presentan en la siguiente tabla:
ESTUDIANTE
ESTATURA
ESTUDIANTE
ESTATURA
M. Rodrguez
1.75
G. Lpez
1.69
L. Snchez
1.68
H. Nez
1.57
D. Rojas
1.81
T. Garca
1.77
J. Acevedo
1.65
R. Orduz
1.62
F. Daz
1.73
P. Pinzn
1.71
Al ordenar estos datos de forma ascendente e indicar la posicin de cada uno de ellos se llega a la siguiente
tabla:
VERSIN 11
FECHA: 2014
Pgina39
X1
1.57
X2
1.62
X3
1.65
X4
1.68
X5
1.69
X6
1.71
X7
1.73
X8
1.75
X9
1.77
X10
1.81
Como se puede observar, en esta ocasin, no existe un valor nico que se localice en el centro del conjunto
de datos ordenado, los valores X5 y X6 ocupan el centro de este conjunto y la mediana se localiza en el
punto medio entre estos dos datos , por lo que para establecer su valor se promedian 1.69 y 1.71 as:
=
X5 X6
2
1.69 1.71
= 1.70
2
Este valor se interpreta como que la mitad de los estudiantes de esta muestra miden menos de 1.70 metros
se deja al lector de estas notas, que como ejercicio, verifique que la expresin de la mediana para nmero
par de datos produce el mismo resultado anterior
2.1.23 CLCULO MEDIANA PARA DATOS AGRUPADOS
Recordemos que cuando se habla de datos agrupados nos referimos a datos agrupados en clases
Se presentan dos casos para el clculo de la mediana
Primer Caso
La frecuencia absoluta acumulada, FAA, hasta alguna de las clases, de la distribucin de frecuencias,
coincide con la cantidad total de datos dividida entre 2, es decir, ( n / 2), como se puede ver en el siguiente
ejemplo:
EJEMPLO
Los ingresos en una semana, en millones de pesos, de una muestra de tabernas se presenta en la siguiente
tabla:
clase
No.
1
2
3
4
5
6
7
Ingresos
(Millones de $)
1,6
1,9
1,9
2,2
2,2
2,5
2,5
2,8
2,8
3,1
3,1
3,4
3,4
3,7
Suma
No. De
tabernas
6
11
18
25
29
20
11
120
FAA
6
17
35
60
89
109
120
Como se puede observar el nmero de datos de la muestra n es 120, por lo tanto, n/2 es 60 y este valor
coincide con la frecuencia absoluta acumulada, FAA, hasta la cuarta clase. En este caso la mediana es igual
al lmite superior de la cuarta clase, es decir:
= Lmite superior de la clase = $2.8 millones
Este valor se puede interpretar diciendo que la venta mnima de la mitad de las tabernas de la muestra fue
de $2.8 millones
Segundo caso
El clculo del total de datos de la muestra dividido entre 2, n/2, no coincide con el valor de la frecuencia
absoluta acumulada, FAA, de ninguna de las clases
VERSIN 11
FECHA: 2014
Pgina40
Para calcular la mediana en este caso se utiliza la siguiente frmula de interpolacin:
n / 2 FAAi 1
FAi
= + A
es el lmite inferior de la clase que contiene la mediana

A es la amplitud de las clases
es la cantidad total de datos de la muestra dividida entre 2
es la frecuencia absoluta acumulada hasta la clase anterior a la clase que contiene la mediana
es la frecuencia absoluta de la clase que contiene la mediana
Para saber cul es la clase que contiene la mediana se compara n/2, el tamao de la muestra dividido entre
2, con las frecuencias absolutas acumuladas, FAA, de la distribucin de frecuencias. La mediana se
encuentra en la clase cuya frecuencia absoluta acumulada, FAA, sea inmediatamente superior a n/2. A esta
clase, en trminos de la expresin anterior, se le llama la clase i, y la clase anterior a esta se le llama la clase
i-1
Para aclarar estos conceptos revisemos el siguiente ejemplo:
EJEMPLO
Los saldos de los depsitos al finalizar un mes en las cuentas de ahorro de un nmero de cuentahabientes,
de los bancos locales, escogidos al azar, se presentan en la siguiente tabla:
Clase
No.
1
2
3
4
5
6
7
8
9
SALDO
MENSUAL
(Miles de $)
0
300
300
600
600
900
900
1.200
1.200 1.500
1.500 1.800
1.800 2.100
2.100 2.400
Mas de 2.400
No. De
depsitos
25
36
51
42
37
30
22
19
17
FAA
25
61
112
154
191
221
243
262
279
clase i - 1
clase i
El nmero total de datos de la muestra es 279 depsitos, por lo tanto, n/2 es $139.5 miles. El valor, de la
frecuencia absoluta acumulada, FAA; inmediatamente superior a ste es $154 miles, es decir, que la clase
en la que se encuentra la mediana es la cuarta clase que va de $900 a $1.200 miles. Esta es entonces la
clase i. La clase anterior a sta es la tercera clase y su frecuencia absoluta acumulada hasta aqu es $112
miles.
Reemplazando estos datos en la expresin de la mediana se obtiene lo siguiente:
139.5 112
= $1.096 miles
42
= 900 + 300
esto quiere decir que la mitad de los clientes de la muestra tenan un saldo, al final del mes observado,
inferior a $1.096.000
VERSIN 11
FECHA: 2014
Pgina41

2.1.24 MEDIDAS DE TENDENCIA NO CENTRAL O DE POSICIN
2.1.24.1 LOS CUARTILES
Los cuartiles son tres valores que se determinan o calculan a partir de un conjunto de datos, con la
particularidad de que dividen el conjunto de datos en cuatro partes iguales cuando este conjunto est
ordenado en forma ascendente. Estos valores son:
Primer cuartil o Q1: Es el valor por debajo del cual se encuentran la cuarta parte de los datos o 25% de los
datos cuando estn ordenados de menor a mayor
Segundo cuartil o Q2: Es el valor por debajo del cual se encuentran la mitad de los datos o 50% de los
datos cuando estn ordenados de menor a mayor, es decir, es la misma mediana
Tercer cuartil o Q3: Es el valor por debajo del cual se encuentran las tres cuartas partes de los datos o 75%
de los datos cuando estn ordenados de menor a mayor
Precisemos estas ideas con el siguiente ejemplo:
EJEMPLO
El nmero de clientes que atendieron en un da once vendedores de un centro comercial escogidos al azar
se presenta en la siguiente tabla
15
20
Nmero de clientes atendidos por vendedor

10
23
8
3
13
18
28
32
Este conjunto de datos ordenando de menor a mayor se muestra en la siguiente tabla:

3
Nmero de clientes atendidos por vendedor

10
13
15
18
20
23
28
32
Q1
Q2
Q3
Como se puede observar los nmeros 8, 15 y 23 dividen el conjunto en cuatro partes iguales. Estos valores
reciben, respectivamente, los nombres de Primer Cuartil, Segundo Cuartil y Tercer Cuartil
CUARTILES PARA DATOS NO AGRUPADOS
Revise el material CUARTILES Y PERCENTILES PARA DATOS NO AGRUPADOS, de estos mismos
apuntes
CUARTILES PARA DATOS AGRUPADOS
Primer caso:
La frecuencia absoluta acumulada hasta alguna de las clases coincide con el valor de la operacin
Qi x n
Donde:
00
Qi es el valor del cuartil que se pretende calcular, es decir: 25, 50 o 75
n es el tamao de la muestra
En este caso el cuartil buscado es igual al lmite superior de la clase
VERSIN 11
FECHA: 2014
Pgina42

EJEMPLO:
Las utilidades por accin del portafolio de inversiones de una empresa se presenta en la siguiente tabla:
UTILIDAD POR
ACCIN
1300
1400
1500
1600
1700
1800
1900
1400
1500
1600
1700
1800
1900
2000
Clculo del primer cuartil:
No. DE
ACCIONE
S
FAA
100
175
230
190
150
130
125
100
275
505
695
845
975
1100
00
00
00
= 275
Como 275 es la FAA hasta la segunda clase,

entonces, el primer cuartil es igual al lmite
superior de esa clase, es decir:
Q1 = 1.500
Una interpretacin: El 25% de las acciones, de
este portafolio, dan una utilidad inferior a
$1.500
1100
Segundo caso:
La frecuencia absoluta acumulada, FAA, hasta cualquiera de las clases no coincide con el valor de la
operacin Qixn/100
En este caso, el clculo del cuartil se hace de manera parecida al segundo caso del clculo de la mediana.
La expresin que se utiliza es la siguiente:
Qxn / 100 FAAi 1
FAi
= + A
Es el cuartil que se quiere calcular.

Es el lmite inferior de la clase que contiene el cuartil
Es el producto del valor del cuartil que se quiere calcular por el tamao n de la muestra dividido
entre 100. Q toma el valor de 25, 50, 75, segn que el cuartil que se pretenda calcular sea Q1, Q2 o Q3,
respectivamente Esta operacin se utiliza para localizar la clase donde se encuentra el cuartil.
Es la frecuencia absoluta acumulada hasta la clase anterior a la clase que contiene el cuartil
Es la frecuencia absoluta de la clase que contiene el cuartil
EJEMPLO
Utilizando el mismo ejemplo del primer caso
UTILIDAD POR
ACCIN
Clculo del tercer cuartil:
No. DE
ACCIONE
S
FAA
1300
1400
1500
1600
1700
1800
1400
1500
1600
1700
1800
1900
100
175
230
190
150
130
100
275
505
695
845
975
1900
2000
125
1100
1100
00
00
00
= 825
El tercer cuartil se encuentra en la clase cuya

FAA es inmediatamente superior a 825. A esta
clase se le llama clase i .Reemplazando en la
Clase i-1 frmula se tiene:
Clase i
8 69
]
Q3 = 1700 +100 [
0
Q3 = $1787
VERSIN 11
FECHA: 2014
Pgina43
Interpretacin: El 75% de las acciones tienen una utilidad inferior a $1787

2.1.24.2 LOS PERCENTILES
Los percentiles son valores que dividen un conjunto de datos en 100 partes iguales, cuando este conjunto
est ordenado de menor a mayor
Un percentil, por lo tanto, es un valor por debajo del cual se encuentra un determinado porcentaje de los
datos. Por ejemplo:
P30 = 200 que se lee: Percentil 30 igual a 200, quiere decir que por debajo del valor 200, del conjunto
ordenado de datos, se encuentran el 30% de los datos.
PERCENTILES PARA DATOS NO AGRUPADOS
Revise el material CUARTILES Y PERCENTILES PARA DATOS NO AGRUPADOS, en estos mismos
apuntes
PERCENTILES PARA DATOS AGRUPADOS
Primer caso:
Pxn
La frecuencia absoluta acumulada hasta alguna de las clases coincide con el valor de la operacin: 00
Donde:
P es el percentil que se quiere calcular
n es el tamao de la muestra.
S el percentil que se quiere calcular es igual al lmite superior de la clase cuya frecuencia absoluta
acumulada, FAA, coincide con el valor de la operacin

, entonces, el valor del percentil buscado es
00
igual al lmite superior de la clase
EJEMPLO
La siguiente tabla se refiere a una muestra, al azar, del tiempo que duraron las llamadas telefnicas
realizadas por el personal de oficina de una empresa
Duracin llamadas
No. de
en minutos
Llamadas
Clculo el percentil 20: P20

FAA
00
0,0
2,0
46
46
2,0
4,0
4,0
6,0
67
44
113
157
6,0
8,0
Mas de
8,0
10,0
10,0
31
25
17
230
188
213
230
0 30
00
= 46
Como 46 es la FAA hasta la primera clase,

entonces, el percentil 20 es igual al lmite
superior de esa clase, es decir:
P20 = 2.0
Interpretacin: el 20% de las llamadas, de la
muestra, duraron menos de 2.0 minutos
Segundo caso:
La frecuencia absoluta acumulada, FAA, hasta cualquiera de las clases no coincide con el valor de la
operacin 00
En este caso, el clculo del percentil se hace de manera parecida al segundo caso del clculo de la
mediana. La expresin que se utiliza es la siguiente:
VERSIN 11
FECHA: 2014
Pgina44

Pxn / 100 FAAi 1
FAi
Pi = + A
es el lmite inferior de la clase que contiene la mediana

es la operacin que se hace para saber en qu clase se encuentra el percentil
es la frecuencia absoluta acumulada hasta la clase anterior a la clase que contiene el percentil
es la frecuencia absoluta de la clase que contiene el percentil
Para saber cul es la clase que contiene el percentil se compara la operacin 100 con las frecuencias
absolutas acumuladas, FAA, de la distribucin de frecuencias. El percentil se encuentra en la clase cuya
frecuencia absoluta acumulada, FAA, sea inmediatamente superior al valor de esta operacin. A esta clase,
en trminos de la expresin anterior, se le llama la clase i, y la clase anterior a esta se le llama la clase i-1
Para aclarar estos procedimientos utilizamos el ejemplo de las llamadas telefnicas
EJEMPLO
Duracin llamadas
en minutos
No. de
Llamadas
FAA
0,0
2,0
2,0
4,0
46
67
46
113
4,0
6,0
8,0
Mas de
6,0
8,0
10,0
10,0
44
31
25
17
157
188
213
230
230
Clculo del Percentil 70, P70:
00
Clase i 1
Clase i
70 30
00
= 161
El percentil buscado se encuentra en la

clase cuya FAA es inmediatamente
superior a 161. A esta clase se le llama
clase i. Reemplazando en la frmula se
tiene:
P70 = 6.0 +2.0 [
6
3
Interpretacin: El 70% de las llamadas, de la

P70 = 6.26 minutos
muestra, fue inferior a 6.26 minutos
EJEMPLO
Para el mismo ejemplo de la duracin de las llamadas Cul fue la duracin mnima del 40% de las
llamadas?
El valor que se pide es menor que el 40% de las llamadas, por lo tanto, este valor es superior al 60% de las
llamadas de la muestra, lo que quiere decir que se requiere calcular el percentil 60
2.1.25 PROPIEDADES DE LA MEDIANA, CUARTILES Y PERCENTILES
A la mediana, cuartiles y percentiles no los afectan los valores extremos

La mediana, cuartiles y percentiles se pueden calcular en distribuciones de frecuencias que tengan clases
de extremo abierto
Los clculos de la mediana, cuartiles y percentiles son ms complejos que los de las dems medidas de
tendencia central
La mediana, cuartiles y percentiles no se pueden operar matemticamente
Para calcular la mediana, cuartiles y percentiles los datos deben estar ordenados
VERSIN 11
FECHA: 2014
Pgina45

2.1.26 LA MODA
La moda, de un conjunto de datos, es el valor que ms se repite dentro de ese conjunto.
SMBOLO DE LA MODA
El smbolo que se va a utilizar, en esta notas, para representar la moda es:
que se lee equis moda
MODA PARA DATOS NO AGRUPADOS

Cuando los datos no estn agrupados la moda se establece a simple vista.
EJEMPLO
Una muestra de las edades de la ltima promocin de graduados se presenta en la siguiente tabla:
25
21
19
23
22
27
20
26
22
24
21
22
28
20
30
23
21
22
19
28
22
19
25
31
22
18
21
24
22
26
A simple vista, el valor que ms se repite es 22

aos por lo que ste es el valor modal, es
decir:
= 22 aos
Interpretacin: la edad ms comn en la
muestra de egresados es 22 aos
Observacin: En este caso hay un solo valor
modal
EJEMPLO
Los puntajes alcanzados, en una escala de 100 puntos, en las pruebas de ingreso, por los aspirantes a
trabajar en una empresa se presentan en la siguiente tabla:
71
36
57
68
68
51
85
39
70
57
50
45
55
68
49
57
57
40
68
25
A simple vista se puede establecer que los

puntajes que ms se repiten son el 57 y el 68,
con una frecuencia de 4 puntajes, por lo que el
conjunto de datos tiene 2 modas, es decir:
= 57 puntos
= 68 puntos
Cuando un conjunto de datos tiene ms de
una moda, como en este caso, se llama
conjunto de dato Polimodal
Interpretacin: Cuando un conjunto de datos tiene ms de una moda, esta medida de tendencia central no
es til para describir el comportamiento de los datos
EJEMPLO
El tiempo, en horas, que gastan los buses de una empresa de transportes en realizar el viaje entre dos
ciudades determinadas, en una muestra de recorridos escogidos al azar, se presenta en la siguiente tabla:
6,8
5,7
7,0
6,5
5,5
6,3
7,4
6,7
6,1
5,6
6,6
5,8
6,4
5,1
6,0
5,9
6,2
6,9
5,4
7,5
A simple vista se puede establecer que

ninguno de los datos se repite por lo que este
conjunto de datos no tiene moda. Por lo tanto,
no se puede utilizar la moda para describir el
comportamiento de los datos de esta muestra
MODA PARA DATOS AGRUPADOS

Primer caso: Datos de variable discreta agrupados en clases de amplitud igual a cero
En este caso la moda corresponde al valor de la variable que tiene la frecuencia ms alta
VERSIN 11
FECHA: 2014
Pgina46

EJEMPLO
Una muestra del nmero de motocicletas que vende por semana un distribuidor se presenta en la siguiente
tabla:
No. de
Motos
No. de
Semanas
0
1
2
3
4
5
6
1
3
5
12
19
16
10
ms de 6
La ms alta frecuencia corresponde a 19

semanas y el valor de la variable para esta
frecuencia es de 4 motos por semana, por lo
que la moda es 4, es decir:
= 4 motocicletas por semana
Interpretacin: El volumen de venta ms
frecuente es de 4 motos por semana
Segundo caso: Datos de variable cualitativa

Aqu, tambin, la moda corresponde al valor de la variable que tiene la ms alta frecuencia
EJEMPLO
Se pregunt a una muestra de profesionales, escogidos al azar, por la marca de celular que utilizan y el
resultado se presenta en la siguiente tabla:
Marca de
Celular
No. de
Profesionales
Sony
Motorola
L. G.
18
32
15
Nokia
Samsung
iPhone
Otras marcas
47
30
10
5
La ms alta frecuencia corresponde a la marca

Nokia, por lo tanto, esta es la moda, es decir:
= Nokia
Interpretacin: La marca de celular que con
ms frecuencia utilizan los profesionales, de la
muestra, es Nokia
Como se puede observar se puede calcular la
moda para datos de variable cualitativa
Tercer caso: Datos de variable discreta o continua agrupados en clases de amplitud mayor que cero
Se aplica la frmula como se muestra en el siguiente ejemplo
EJEMPLO
Utilizando un radar de carretera los agentes de trnsito tomaron una muestra de la velocidad, en kilmetros
por hora, a la que se desplazan los vehculos al pasar por un puente. Los resultados estn en la siguiente
tabla:
VERSIN 11
FECHA: 2014
Pgina47

Clase
No.
Velocidad
(Kmts / hora)
No. de
Vehculos
1
2
3
Hasta
40
50
40
50
60
7
36
44
4
5
6
7
60
70
80
Mas de
70
80
90
90
61
55
19
14
En este caso, la moda se encuentra en la

clase que tiene la ms alta frecuencia. Esta
clase es la No.4 que corresponde al intervalo
de 60 a 70 kilmetros por hora. Para saber en
qu punto de este clase se encuentra la moda
se aplica la siguiente expresin:
= LI + A[
LI es el lmite inferior de la clase que contiene la moda

es la diferencia entre la frecuencia absoluta de la clase que contiene la moda y la frecuencia absoluta de
la clase anterior a la clase que contiene la moda
es la diferencia entre la frecuencia absoluta de la clase que contiene la moda y la frecuencia absoluta de
la clase posterior a la clase que contiene la moda
Aplicando la frmula al ejemplo se tiene:
= 61 44 = 17
= 60 + 10[
] = 67.39 Kmts / hora
7 6
= 61 55 = 6
Interpretacin: Lo ms comn es que los
vehculos de la muestra se desplacen por el
puente a 67.39 Kmts / hora
2.1.27 PROPIEDADES DE LA MODA
La moda se puede calcular en situaciones de variables cualitativitas y cuantitativas

A la moda no la afectan los valores extremos
La moda se puede calcular en distribuciones de frecuencias que tengan clases de extremo abierto
Existen conjuntos de datos que no tienen moda o que tienen ms de una moda
La moda no se puede operar matemticamente
VERSIN 11
FECHA: 2014
Pgina48

2.2 CASOS ESPECIALES DE LA MEDIANA
2.2.1
DISTRIBUCIONES DE FRECUENCIAS DE VARIABLE DISCRETA CON AMPLITUD IGUAL A

CERO
Para calcular la mediana, cuando se tienen distribuciones de frecuencia con amplitud igual a cero y datos
correspondientes a variable discreta se tiene dos casos
PRIMER CASO
La frecuencia acumulada hasta cualquiera de las clases es diferente de n/2
Este caso se presenta cuando ninguno de los valores de la columna de frecuencias relativas acumuladas o
FAA coincide con el tamao de la muestra dividida entre 2, es decir, n/2
EJEMPLO
La siguiente tabla se refiere a una muestra del nmero de computadores que vendieron en un mes 112
tiendas de tecnologa del pas escogidos al azar
No. De unidades No. De
vendidas
tiendas
0
1
1
12
2
18
3
23
4
21
5
19
6
18
112
La distribucin de frecuencias acumuladas de este ejemplo se presenta en la siguiente tabla, donde se
encuentra que n/2 es igual a 112/2 = 56
vendidas
tiendas
FAA
0
1
1
1
12
13
2
18
31
3
23
54
4
21
75
5
19
94
6
18
112
112
Como se observa ningn valor de FAA coincide con n/2
en este caso la mediana se encuentra en la clase cuya FAA sea ms prxima por arriba a n/2. Este valor es
75, entonces, la mediana se encuentra en la clase 4 (LI=4 y LS=4),. Por lo tanto la mediana es 4, es decir:
= 4
SEGUNDO CASO
Algn valor de la frecuencia absoluta acumulada coincide con n/2
Este caso se da cuando en la distribucin de frecuencias de la frecuencia absoluta acumulada, FAA, algn
valor de esta columna, es igual al tamao de la muestra dividido por 2, es decir, n/2
VERSIN 11
FECHA: 2014
Pgina49

EJEMPLO
Se tom una muestra del nmero de estufas elctricas que vendieron en el ao una muestra de
distribuidores escogidos al azar
vendidas
distribuid.
10
12
11
18
12
17
13
22
14
15
15
10
94
n/2 es igual a 94/2 = 47
vendidas
distrbiud.
FAA
10
12
12
11
18
30
12
17
47
13
22
69
14
15
84
15
10
94
94
Como se puede ver un valor de la columna FAA coincide con n/2. En este caso la mediana se encuentra
entre las clases 12 y 13 y para calcularla se promedian estos dos valores.
= (12 +13)/2 = 12.5
Este resultado se puede interpretar de dos maneras as:

La mitad de los distribuidores de la muestra vendieron 12 o menos unidades
La mitad de los distribuidores de la muestra vendieron 13 o ms unidades
VERSIN 11
FECHA: 2014
Pgina50

2.3
MEDIDAS DE DISPERSIN
Se haba dicho anteriormente que el objetivo de las medias de tendencia central es describir (parcialmente),
el comportamiento de un conjunto de datos que pertenezcan a una muestra o a una poblacin. Sin embargo,
esta capacidad descriptiva de las medidas de tendencia central es parcial porque es necesario
complementarla con otra caracterstica de las muestras y poblaciones que es la dispersin.
Para introducir el concepto de dispersin se presenta el siguiente caso:
EJEMPLO
Las ventas mensuales, en millones de pesos, de dos empresas se presentan en las siguientes tablas:
CREACIONES ARMANY
DISEOS GALAXIA
VENTAS
VENTAS
MENSUALES
No. De
MENSUALES
No. De
(MILLONES)
MESES
(MILLONES)
MESES
6
10
14
10
14
11
10
14
13
14
18
32
14
18
16
18
22
19
18
22
11
22
26
12
22
26
10
26
30
7
26
30
10
30
34
5
30
34
7
86
34
38
5
86
35
30
Meses
25
20
15
ARMANY
10
GALAXIA
5
0
4
12 16 20 24 28 32 36 40
Millones de pesos
Al calcular la venta promedio mensual

de estas dos muestras se encuentra que
es igual para ambas con un valor de
$19,395 millones, por lo que se podra
pensar que ambas empresas tienen un
comportamiento similar en cuanto a las
ventas. Sin embargo, si se comparan
sus polgonos de frecuencias como se
hace en el grfico de la izquierda, se
puede ver que sus ventas siguen
patrones de comportamiento muy
diferentes.
La diferencia se encuentra, entonces, en
que las dos muestras tienen diferente
dispersin de sus datos alrededor de
la media.
Los ventas de Diseos Galaxia son
menos dispersas que las ventas de
Creaciones Armany
VERSIN 11
FECHA: 2014
Pgina51

2.3.1
CONCEPTO DE DISPERSIN
Se llama DISPERSIN al grado de variabilidad o de dispersin de un conjunto de datos alrededor de algn

valor que se toma como referencia. Usualmente se toma como referencia alguna de las medidas de
tendencia central.
2.3.2
DISPERSIN Y VARIABILIDAD
La variabilidad hace referencia a qu tan diferentes son entre s los datos de una muestra o una poblacin.
La dispersin y la variabilidad son conceptos sinnimos como se puede ver en los siguientes ejemplos:
1
3,8
NOTAS DE UNA MUESTRA DE 10 ESTUDIANTES

2
3
4
5
6
7
8
9
3,8
3,8
3,8
3,8
3,8
3,8
3,8
3,8
10
3,8
En este caso todas las notas son iguales, por lo tanto, no hay ninguna variabilidad y ninguna dispersin
1
3,8

2
3
4
5
6
7
8
9
4,7
3,8
3,8
3,8
3,8
3,8
3,8
3,8
10
3,8
Ahora hay una nota diferente a las dems, por lo tanto, existe una pequea variabilidad entre los datos y una
pequea dispersin con respecto a la primera muestra
1
3,0

2
3
4
5
6
7
8
9
3,5
3,8
2,5
3,8
3,7
4,7
3,8
3,9
10
1,9
En esta ltima muestra, hay un aumento notorio en la variabilidad entre los datos y en la dispersin con
respecto a la muestra anterior
Es preciso resaltar, que la dispersin es un concepto relativo, siempre se evala comparando una muestra o
poblacin con algn valor de referencia o con otra muestra o poblacin
2.3.3
IMPORTANCIA DE LA DISPERSIN
Para que una medida de tendencia central sea representativa de los datos que la originaron se requiere que
su valor sea similar a los datos de esa muestra o poblacin que pretende describir, como se puede ver en el
siguiente ejemplo:
MUESTRA DE BAJA DISPERSIN
NOTAS DE UNA MUESTRA DE 10
ESTUDIANTES
1
2
3
4
5
6
7
8
9 10
3,2 3,5 3,8 3,5 3,8 3,7 3,6 3,8 3,9 3,5
= 3,6
MUESTRA DE ALTA DISPERSIN

ESTUDIANTES
1
2
3
4
5
6
7
8
9 10
0,1 3,5 0,7 5,0 1,0 4,7 4,9 3,8 3,9 0,9
= 2,9
Como se puede observar, en la muestra de baja dispersin, el valor del promedio es similar o est cerca de
los valores de la muestra, en cambio, en la muestra de alta dispersin, ninguno de los valores de la muestra
es parecido al valor de la media. Por lo tanto, el promedio de la primera muestra es verdaderamente
representativo de los datos de esta muestra y el de la segunda muestra no lo es.
VERSIN 11
FECHA: 2014
Pgina52
El concepto de dispersin, entonces, es importante porque entre mayor sea la dispersin de un conjunto de
datos, menor es la fuerza representativa que tiene la medida de tendencia central calculada con esos datos
2.3.4
CLASES DE MEDIDAS DE DISPERSIN
Las medidas de dispersin que se van a estudiar en estos apuntes son las siguientes:
El Rango
El Rango Intercuartlico
La Desviacin Media
La Varianza
La desviacin Estndar
2.3.5
EL RANGO
Es la diferencia o distancia entre el mayor valor, de un conjunto de datos y el valor menor. Este concepto ya
se haba mencionado para agrupar los datos en clases estadsticas, por lo tanto se utilizar para enunciarlo
el mismo smbolo, es decir la letra R, es decir,
R = Xmax - Xmin
EJEMPLO
Calcular el rango de los siguientes conjuntos de datos
ESTUDIANTES
ESTUDIANTES
1
2
3
4
5
6
7
8
9 10
1
2
3
4
5
6
7
8
9 10
3,2 3,5 3,8 3,5 3,8 3,7 3,6 3,8 3,9 3,5
0,1 3,5 0,7 5,0 1,0 4,7 4,9 3,8 3,9 0,9
R = 3,9 - 3,2 = 0,7
R = 5,0 - 0,1 = 4,9
La dispersin de la muestra de la izquierda, medida por el rango, es menor que la dispersin de la muestra
de la derecha
El clculo anterior se realiz con muestras de datos que no estn agrupados. Cuando los datos ya estn
agrupados en clases el rango se establece restando del valor del lmite superior de la clase mas alta el valor
del lmite inferior de la clase mas baja. En smbolos:
R = LS clase ms alta - LI clase ms baja
EJEMPLO
Una muestra de las facturas que se cancelan con tarjetas de crdito en una cadena de almacenes de modas
se presenta en la siguiente tabla
Ventas
No. de
30
36
42
48
36
42
48
54
25
38
49
51
54
60
32
60
66
29
R = LS clase ms alta - LI clase ms baja

R = 66 - 30 = $36 miles
Como no se tiene el rango de otro conjunto de datos o un valor de
referencia, para comparar, entonces, no se puede decir s este
conjunto de datos es o no disperso
224
VERSIN 11
FECHA: 2014
Pgina53

2.3.6
CARACTERSTICAS DEL RANGO
Es fcil de entender y de calcular

Da una idea rpida de la dispersin
En el clculo nicamente se tienen en cuenta los valores mximo y mnimo
Vara mucho de una muestra a otra
No se puede calcular con distribuciones de frecuencia que tienen clases de extremo abierto
2.3.7
EL RANGO INTERCUARTLICO
Una de las desventajas del rango es que solamente se tienen en cuenta, para su clculo, los valores
mximo y mnimo, por lo que no indica como estn distribuidos internamente los datos. Esta desventaja se
puede corregir con el rango intercuartlico
Para simbolizar el rango intercuartlico se utiliza, en estas notas, RQ y se calcula restando la diferencia entre
el primero y el tercer cuartil, es decir:
RQ = Q3 - Q1
Este rango muestra la dispersin de la porcin ms central de los datos que abarca el 50% del total
EJEMPLO
Las distancias en kilmetros, recorrida en un da por dos muestras de vehculos se presentan en la siguiente
tabla
MUESTRA A
MUESTRA B
Distancia
No. De
(Kilmetros) Vehculos
Distancia
(Kilmetros)
No. De
Vehculos
25
35
45
55
35
45
55
65
3
7
12
15
25
35
45
55
35
45
55
65
3
7
11
19
65
75
75
85
10
6
65
75
75
85
7
6
53
R = Xmax - Xmin = 60 Kmts
Q1 = 47,7 Kmts
53
R = Xmax - Xmin = 60 Kmts
Q3 = 67,75 Kmts
RQ = 20,05Kmts
Q1 = 48,0 Kmts
Q3 = 64,9 Kmts
RQ = 16,9 Kmts
Como se ve, aunque las dos muestras tienen el mismo rango, R, el rango intercuartlico es diferente, lo que
indica que la muestra B es menos dispersa que la muestra A
2.3.8
LA DESVIACIN MEDIA
Es la diferencia promedio, en valor absoluto, de los datos de la muestra o poblacin con respecto a su propia
media. La forma de la expresin de clculo vara dependiendo de que se trate de datos no agrupados o
datos agrupados
El smbolo que se utiliza en estos apuntes para la desviacin media son las iniciales DM
Desviacin media para datos no agrupados
VERSIN 11
FECHA: 2014
Pgina54
DM =
Dnde:
DM: Smbolo de la desviacin media
: Cada uno de los datos de la muestra
: La media aritmtica de la muestra
n: El nmero de datos
|
|
La razn por la cual se extrae el valor absoluto es porque los nmeros tienen una propiedad que consiste en
que la suma de las diferencias de un conjunto de nmeros con respecto a su media siempre da igual a cero
EJEMPLO
Una muestra, al azar, del tiempo, en minutos, que duran las llamadas que se hacen desde un telfono, se
presenta en la siguiente tabla
3
14 24
9
7
12
Hallar la desviacin media de esta muestra
= 11,5
3
14
24
9
7
12
-8,5
2,5
12,5
-2,5
-4,5
0,5
8,5
2,5
12,5
2,5
4,5
0,5
31
3
DM = 6
= 5,2 minutos
Interpretacin: En promedio, la diferencia de cada llamada con respecto a la media es de 5,2 minutos
Desviacin media para datos agrupados
Dnde:
DM : smbolo de la desviacin media
| |
: La marca de clase de la clase i
DM =
: La media aritmtica de la muestra

: La frecuencia absoluta de la clase i
n: El nmero de datos
EJEMPLO
La siguiente tabla es una muestra, en miles de pesos, del valor del arriendo mensual de vivienda del estrato
tres.
Datos
Tabla de Clculo
Valor arriendo
(miles de pesos)
200
220
240
260
280
300
320
220
240
260
280
300
320
340
No. De
vivienda
s
12
15
23
22
20
18
15
Valor arriendo
(miles de
pesos)
200
220
240
260
280
300
320
125
= $271,92 miles
220
240
260
280
300
320
340
12
15
23
22
20
18
15
210
230
250
270
290
310
330
-61,920
-41,920
-21,920
-1,920
18,080
38,080
58,080
125
DM =
61,92
41,92
21,92
1,92
18,08
38,08
58,08
743,04
628,8
504,16
42,24
361,6
685,44
871,2
3836,48
3836 8
VERSIN 11
= $30,7 miles
FECHA: 2014
Pgina55
En promedio, los arriendos de la muestra, se diferencian de la media en $30,7 miles

La desviacin media tiene en cuenta, para su clculo, todos los datos de la muestra y es fcil de interpretar.
Pero, la operacin del valor absoluto para soslayar la propiedad anteriormente mencionada de los de los
nmeros, da una descripcin incompleta de la situacin. Obsrvese que no se sabe s la diferencia de $30,7
miles, del ejemplo anterior, es por encima o por debajo de la media.
Parta evitar este inconveniente existe otra medida de dispersin que aprovecha otra propiedad de los
nmeros que consiste en que todo nmero elevado al cuadrado tiene signo positivo. Esta medida de
dispersin es la varianza.
2.3.9
LA VARIANZA
La Varianza, al igual que la desviacin media utiliza, para medir la dispersin, las desviaciones de los datos
con respecto a la media, pero, en este caso, estas desviaciones se elevan al cuadrado. Por lo tanto, se
puede decir que la varianza es el promedio de las desviaciones, de los datos, con respecto a la media
elevadas al cuadrado.
Para el clculo de la varianza, lo mismo que para las medidas de dispersin estudiadas anteriormente, se
debe tener en cuenta s los datos estn o no agrupados, pero, adicionalmente, el clculo de la varianza es
ligeramente diferente segn se trate con poblaciones o muestras, por lo que se utilizan smbolos diferentes
para indicar cada una de estas dos situaciones
VARIANZA POBLACIONAL
Es la varianza que se calcula utilizando todos los datos de una poblacin
Smbolo:
Varianza poblacional para datos no agrupados
=
( )2
Dnde :
= Cada dato de la poblacin
= La media de la poblacin
N = El tamao de la poblacin
EJEMPLO
Los siguientes datos corresponden a los puntajes obtenidos por los aspirantes a un cargo en una empresa
Tabla de clculo
PUNTAJES
60
81
77
72
91
90
= 78,5 puntos
60
-18,5
342,25
81
77
72
91
90
2,5
-1,5
-6,5
12,5
11,5
6,25
2,25
42,25
156,25
132,25
68
6
=
113,58 puntos al
cuadrado
681,5
Varianza poblacional para datos agrupados
= Es la marca de clase de c/u de las clases en que se agrupa la
( )2
poblacin
=
= La media de la poblacin
VERSIN 11
FECHA: 2014
Pgina56

= Es la frecuencia absoluta de cada clase
N = El tamao de la poblacin
EJEMPLO
En un programa sobre riesgo cardiovascular, se registr el peso en kilogramos de todos los empleados de
una empresa
Datos
Tabla de clculo
Peso
en
Peso en
No. de
(
)
(
)
Kilogramos
Kilogramos Empleados
39
49
5
44
-30,2
912,04
4560,20
39
49
5
49
59
11
54
-20,2
408,04
4488,44
49
59
11
59
69
50
64
-10,2
104,04
5202,00
59
69
50
69
79
31
74
-0,2
0,04
1,24
69
79
31
79
89
27
84
9,8
96,04
2593,08
79
89
27
89
99
18
94
19,8
392,04
7056,72
89
99
18
99 109
9
104
29,8
888,04
7992,36
99 109
9
151
31894,04
151
= 74,2 kilogramos
3 89 0
= 211,22 Kilogramos al cuadrado
Ntese que si la poblacin es infinita no se puede calcular la varianza poblacional porque el valor de N sera
infinito.
VARIANZA MUESTRAL
Es la varianza que se calcula sobre los datos de una muestra. El clculo con respecto a la varianza
poblacional difiere en que, el divisor de la expresin ya no es N, el tamao de la poblacin, ahora es (n 1),
que es el tamao de la muestra, n, menos una unidad.
Smbolo:
Varianza muestral para datos no agrupados
Dnde:
( )2
: Es cada uno de los datos de la muestra
=
: Es la media de la muestra
n : Es el tamao de la muestra
La razn por la cual se divide entre n - 1 es porque, de esta manera, s2, es un estimador insesgado de la
varianza de la poblacin de la cual se extrajo la muestra. El concepto de estimador insesgado se estudia en
el curso de Estadstica Inferencial.
VERSIN 11
FECHA: 2014
Pgina57

EJEMPLO
Los saldos de las cuentas de ahorro, de empleados, de una muestra de las cuentas de ahorro de una
cooperativa, escogidas al azar, se presentan en la siguiente tabla:
SALDOS DE LAS CUENTAS EN

MILES DE PESOS
157
62
234
532
200
Tabla de clculo
(
157
62
234
532
200
90
90
= $212,5 miles
-55,5
-150,5
21,5
319,5
-12,5
-122,5
3080,25
22650,25
462,25
102080,25
156,25
15006,25
3. 3
(6
= 28.687,10 miles de
pesos al cuadrado
143.435,50
Varianza muestral para datos agrupados
Dnde:
( )2
: Es la marca de clase de c/u de las clases en que se agrupa la muestra
=
( )
: Es la media aritmtica de la muestra
:Es la frecuencia absoluta de cada clase
n : Es el tamao de la muestra
EJEMPLO
Una muestra del tiempo, en horas, que demora el almacn de materiales de una fbrica en surtir los pedidos
que recibe:
Datos
Tabla de clculo
Tiempo
No. de
Tiempo
(Horas)
pedidos
(Horas)
0
2
2
4
10
16
0
2
2
4
10
16
1
3
-5,3
-3,3
28,09
10,89
280,90
174,24
4
6
8
10
6
8
10
12
33
45
26
10
4
6
8
10
6
8
10
12
33
45
26
10
5
7
9
11
-1,3
0,7
2,7
4,7
1,69
0,49
7,29
22,09
55,77
22,05
189,54
220,90
140
140
= 6,3 horas
=(
9 3 0
0
943,40
= 6,8 horas al cuadrado
Como se puede observar, en los ejemplos anteriores, todas las unidades de la desviacin estndar estn
elevadas al cuadrado por lo que es difcil interpretar el significado del valor de la varianza; esta en una de las
razones por las cuales, para medir la dispersin, se prefiere otra medida que es la Desviacin Estndar
2.3.10 LA DESVIACIN ESTNDAR
Conocida tambin como Desviacin Tpica, la desviacin estndar es la raz cuadrada de la varianza. Los
smbolos que se utilizan son , para clculo de la dispersin en poblaciones y s, para el clculo de la
dispersin en muestras
VERSIN 11
FECHA: 2014
Pgina58

DESVIACIN ESTNDAR PARA POBLACIONES
Datos no agrupados
=
Datos agrupados
()2
= =
( )2
DESVIACIN ESTNDAR PARA MUESTRAS

Datos no agrupados
s= =
Datos agrupados
( )2
(
s= =
( )2
(
Las tablas de clculo para la desviacin estndar son idnticas a las que se utilizan para la varianza, con un
clculo adicional: extraer la raz cuadrada de la varianza
EJEMPLO
En un ejemplo anterior se vio que los puntajes de los aspirantes a un cargo, en una empresa fueron:
60
PUNTAJES
81 77 72 91
y se calcul que:
= 113,58 puntos al cuadrado
Por lo tanto,
= = 113 58 = 10,7 puntos
90
EJEMPLO
En otro caso se estableci que el tiempo, en horas, que demora el almacn de materiales de una fbrica en
surtir los pedidos que recibe
Tiempo
No. de
Y se calcul que:
(Horas)
pedidos
0
2
4
6
8
2
4
6
8
10
10
12
10
16
33
45
26
= 6,8 horas al cuadrado
Por lo tanto:
s=
= 6 8 = 2,6 horas
10
140
Aunque es indispensable que se conozca, a ciencia cierta, como se obtienen la cifras de los clculos de la
media aritmtica y la desviacin estndar, en la prctica, la tecnologa disponible permite que estas
operaciones se hagan de forma ms rpida y segura utilizando las funciones estadsticas de las calculadoras
cientficas o de las hojas electrnicas de los programas de computador, por lo que se debe consultar, por lo
menos, en los manuales de las calculadoras, los detalles de la forma como se ejecutan estas funciones.
VERSIN 11
FECHA: 2014
Pgina59

2.3.11 EL COEFICIENTE DE VARIACIN
Para introducir el concepto del coeficiente de variacin se analiza la siguiente situacin:
En la seccin de materiales livianos del almacn de materiales de una fbrica se tom una muestra del peso
de elementos de esa seccin escogidos al azar, lo mismo se hizo en la seccin de materiales pesados, de la
misma bodega y para ambas muestras se calcul su peso promedio y la desviacin estndar. Los resultados
son los que se presentan a continuacin:
SECCIN DE MATERIALES LIVIANOS
SECCIN DE MATERIALES PESADOS
= 4 Kilos
= 50 Kilos
S = 2 Kilos
S = 2 kilos
La primera impresin que se obtiene de una observacin desprevenida de estos resultados es que las dos
muestras tienen la misma dispersin porque sus desviaciones estndar son iguales. Sin embargo, si se
examina con ms atencin, se puede ver que en el caso de la seccin de materiales livianos, la desviacin
estndar equivale a la mitad del peso promedio de los materiales de la muestra. En cambio, en la seccin de
materiales pesados la desviacin estndar equivale nicamente a 1/25 del peso promedio de los paquetes.
Por lo que comparadas las dos desviaciones estndar con la magnitud de su respectivo promedio, es mucho
ms alta la dispersin de la seccin de materiales livianos.
De este anlisis se concluye que la desviacin estndar en casos como el del ejemplo, no permite comparar
la dispersin de dos muestras y se puede agregar que esta dificultad se presenta cuando las medias de las
muestras que se estn comparando son muy diferentes entre s.
Para resolver este inconveniente, la estadstica dispone de un indicador para medir la dispersin. Este
indicador es el Coeficiente de Variacin y se calcula con la siguiente expresin:
COEFICIENTE DE VARIACIN PARA
POBLACIONES
COEFICIENTE DE VARIACIN DE MUESTRAS

SMBOLO : CV
SMBOLO : CV
CV =
CV =
El coeficiente de variacin es un nmero sin dimensiones por lo que se puede expresar en fracciones
decimales o en porcentaje
EJEMPLO
Se tomaron muestras de las ventas diarias, en miles de pesos, de dos vendedores de una empresa. Cul
de las dos muestras es ms dispersa?
VENTAS DEL VENDEDOR A
500
450
390
600
290
400
VENTAS DEL VENDEDOR B

440
80
25
= $438,6 miles
23
90
10
= $47,5 miles
S = $96,5 miles
CV = 0,22
57
$33,1 miles
CV = 0,70
VERSIN 11
FECHA: 2014
Pgina60

Como se puede notar, la desviacin estndar del vendedor A es mayor que la desviacin estndar del
vendedor B; sin embargo, las ventas de la muestra del vendedor A son menos dispersas que las ventas de la
muestra del vendedor B, porque el coeficiente de variacin de las ventas del vendedor A es menor que el
coeficiente de variacin de las ventas del vendedor B
EJEMPLO
Una muestra de las ventas por da de un almacn de ropa de moda y un gran distribuidor textil se presentan
en la siguientes tablas. Cul de los dos promedios de ventas por da es ms confiable?
JEANS AND BREECHES
VENTAS POR DA
(Millones de pesos)
DISTRIMODA
VENTAS POR DA
(Millones de pesos)
Ventas
No. de
Ventas
No. de
por da
das
por da
das
0,9
1,1
1,3
1,5
1,7
1,9
2,1
1,1
1,3
1,5
1,7
1,9
2,1
2,3
3
9
16
23
29
20
11
9,2
10,3
11,4
12,5
13,6
14,7
10,3
11,4
12,5
13,6
14,7
15,8
12
16
25
19
10
9
91
111
Solamente se necesita establecer la marca de clase de ambas tablas y el resto de los clculos se realizan
directamente aplicando las funciones estadsticas de las calculadoras cientficas
JEANS AND BREECHES
VENTAS POR DA
(Millones de pesos)
DISTRIMODA
VENTAS POR DA
(Millones de pesos)
Ventas
No. de
por da
das
Xi
Ventas
No. de
por da
das
Xi
0,9
1,1
1,3
1,5
1,7
1,1
1,3
1,5
1,7
1,9
3
9
16
23
29
1,0
1,2
1,4
1,6
1,8
9,2
10,3
11,4
12,5
13,6
10,3
11,4
12,5
13,6
14,7
12
16
25
19
10
9,75
10,85
11,95
13,05
14,15
1,9
2,1
2,1
2,3
20
11
2,0
2,2
14,7
15,8
15,25
91
111
= 12,26428571
CV = 0,13255294
= 1,706306306
CV = 0,17868609
S = 1,62566714
S = 0,30489321
Respuesta: Es ms confiable el promedio diario de Distrimoda porque tiene el menor coeficiente de variacin
VERSIN 11
FECHA: 2014
Pgina61

2.3.12 DESIGUALDAD DE CHEBYSHEV
Es una regularidad que se presenta en todas las distribuciones de frecuencias y consiste en que, sin
importar la forma de la distribucin de frecuencias, la porcin mnima de datos que se encuentra en un
intervalo comprendido entre K desviaciones estndar por debajo y por encima de la media aritmtica es:
1 -
Donde K es cualquier nmero mayor que 1

Los lmites de este intervalo se encuentran, por lo tanto, por debajo y por encima de la media aritmtica. Al
lmite que est por debajo de la media se le llama lmite inferior o LI y al lmite que est por encima se le
llama lmite superior o LS. Las expresiones para estos lmites son:
LI = -Ks
LS = + Ks
Donde s es la desviacin estndar de la distribucin de frecuencias
EJEMPLO
Una muestra del tiempo que tienen que esperar los afiliados a una EPS para que los atiendan en el servicio
de urgencias de una clnica dio una media aritmtica de 32 minutos, con una desviacin estndar de 8,3
minutos. Entre qu intervalo de tiempo tuvieron que esperar como mnimo el 80% de los afiliados de la
muestra?
2
Esa porcin mnima es precisamente 1 1/K , por lo tanto:

0,80 = 1 -
Despejando K de la anterior ecuacin se encuentra que K = 2,24

Entonces, los lmites del intervalo que se pregunta son:
LI = -Ks = 32 - 2,24(8,3) = 13,4 minutos
LS = + Ks= 32 + 2,24(8,3) = 50,6 minutos
La respuesta es que, por lo menos, el 80% de los afiliados a la EPS, de la muestra, tuvieron que esperar
entre 13,4 minutos y 50,6 minutos para ser atendidos en el servicio de urgencias
VERSIN 11
FECHA: 2014
Pgina62

3 REGRESIN Y CORRELACIN
3.1
3.1.1
REGRESIN
INTRODUCCIN
En muchas circunstancias de las actividades administrativas o cotidianas se encuentra que el

comportamiento de dos o ms hechos o situaciones parece estar relacionado de alguna manera, como por
ejemplo en los siguientes casos:
El nmero de vehculos que circulan por las vas de una ciudad y los ndices de contaminacin de la
misma
La tasa de desempleo y las ventas del comercio
Las ventas de licor y el nmero de accidentes de trnsito
Las horas de tutoras y el nmero de estudiantes que reprueban los parciales
El nmero de apartamentos construidos en un determinado periodo y las ventas de muebles
El nmero de personas que se movilizan en bus y las ventas de motos y el estado del clima
Existe una tcnica para establecer matemticamente la relacin que puede existir entre situaciones como
las sealadas anteriormente. Estas situaciones reciben el nombre de variables
3.1.2
CONCEPTO DE REGRESIN
Es un mtodo de clculo para establecer la relacin matemtica que existe entre dos o ms situaciones o
variables, que la observacin o el sentido comn indican que tienen comportamientos que estn
relacionados
3.1.3
IMPORTANCIA DE LA REGRESIN
Este mtodo aplicado al anlisis estadstico permite predecir matemticamente el comportamiento de una
variable a partir del comportamiento conocido de otra u otras variables. Esta relacin entre las variables se
establece a travs de una ecuacin que se llama Ecuacin de Regresin
3.1.4
VARIABLES DEPENDIENTES E INDEPENDIENTES
Al establecer la relacin entre dos variables se encuentra que el comportamiento de una variable depende
del comportamiento de otra u otras variables o que la manifestacin de una variable ocurre primero que la
manifestacin de otra u otras variables. A la variable que ocurre primero o que determina el comportamiento
de otra se le llama Variable Independiente y se suele representar por la letra X y a la otra variable se le
llama Variable Dependiente y se suele representar por la letra Y
EJEMPLOS:
Tasa de desempleo y ventas del comercio: La variable independiente o variable x es la tasa de desempleo
y la variable dependiente o variable y es las ventas del comercio
Accidentes de trnsito y ventas de licor: La variable independiente es las ventas de licor y la variable
dependiente los accidentes de trnsito
El nmero de personas que se movilizan en bus puede depender de las ventas de motocicletas y del
estado del clima, por lo que el nmero de personas que utilizan el servicio de bus es la variable
dependiente y las otras dos son las variables independientes
VERSIN 11
FECHA: 2014
Pgina63

3.1.5
GRFICO DE DISPERSIN
Es la representacin grfica, en el plano cartesiano, en forma simultnea, de los valores que toman la
variable independiente (x) y la variable dependiente (y)
EJEMPLO
Se tomaron datos sobre el kilometraje recorrido por un vehculo y el consumo de gasolina, en galones, como
se presenta en la siguiente tabla:
Kilmetros
X
30
50
10
40
60
20
Galones
Y
5,95
8,55
2,35
9,25
13,85
6,75
La representacin grfica de los valores de esta tabla en el plano cartesiano, recibe el nombre de Grfico de
Dispersin como se muestra a continuacin:
Grfico de dispersin
Galones consumidos
16
14
12
10
8
6
4
2
0
0
10
20
30
40
50
60
70
Kilmetros recorridos
3.1.6
TIPOS DE RELACIN ENTRE DOS O MS VARIABLES
La relacin entre dos o ms variables que como dijimos anteriormente matemticamente recibe el nombre
de regresin se puede clasificar de dos formas:
Atendiendo a la cantidad de variables que se relacionan se clasifica en Regresin Univariada o Regresin

Multivariada
VERSIN 11
FECHA: 2014
Pgina64
Atendiendo a la representacin grfica de la ecuacin de regresin se clasifica en Regresin Lineal o

Regresin Curvilnea
Esta clasificacin se puede visualizar en la siguiente grfica:
TIPOS DE REGRESIN
Regresin Univariada
Se presenta cuando slo interviene una variable independiente
Regresin Multivariada
Se presenta cuando interviene ms de una variable independiente
Regresin lineal
Se presenta cuando la representacin grfica de la ecuacin de regresin es una lnea recta.
Regresin Curvilnea
Se presenta cuando la representacin grfica de la ecuacin de regresin es una curva
Tanto la regresin lineal como la curvilnea tienen dos formas de manifestarse: en forma directa o en forma
inversa
Regresin Lineal Directa
Ocurre cuando al aumentar el valor de la variable independiente aumenta, proporcionalmente, el valor de la
variable dependiente. Por lo tanto, una recta parece describir de manera apropiada la relacin entre estas
variables, como se puede ver en el siguiente grfico
VERSIN 11
FECHA: 2014
Pgina65
Y
5
4
3
9
7
5
10
9
8
7
Variable Y
X
8
13
6
24
18
20
6
5
4
3
2
1
0
0
10
15
20
25
30
Variable X
10
9
8
variable Y
La curva de regresin
(una recta), que mejor
describe la relacin
entre estas dos
variables, se presenta
en la grfica de la
izquierda
6
5
4
3
2
1
0
0
10
15
20
25
30
Variable X
VERSIN 11
FECHA: 2014
Pgina66

Regresin Lineal Inversa
Ocurre cuando al aumentar el valor de la variable independiente disminuye el valor de la variable
dependiente en una proporcin similar
Y
9
24
11
6
14
30
25
20
Variable Y
X
19
3
16
24
8
15
10
5
0
0
10
15
20
25
30
Variable X
La curva de regresin (una recta), que mejor describe la relacin entre estas dos variables, se presenta en la
siguiente grfica:
30
25
variable Y
20
15
10
5
0
0
10
15
20
25
30
Variable X
VERSIN 11
FECHA: 2014
Pgina67
Regresin Curvilnea Directa

Ocurre cuando al aumentar de valor la variable independiente, la variable dependiente aumenta mas que
proporcionalmente
Y
12
21
6
7
17
8
25
20
Variable Y
X
16
18
8
12
17
10
15
10
5
0
0
10
15
20
Variable X
La curva de regresin, que mejor describe la relacin entre estas dos variables, se presenta en la siguiente
grfica
25
Variable y
20
15
10
5
0
0
10
15
20
Variable X
VERSIN 11
FECHA: 2014
Pgina68

Regresin Curvilnea Inversa
Ocurre cuando al aumentar de valor la variable independiente, la variable dependiente disminuye de valor en
forma ms que proporcional
Y
2
9
7
18
2
20
18
16
14
Variable Y
X
14
5
10
2
20
12
10
8
6
4
2
0
0
10
15
20
25
Variable X
La curva de regresin, que mejor describe la relacin entre estas dos variables, se presenta en la siguiente
grfica:
20
18
16
Variable Y
14
12
10
8
6
4
2
0
0
10
15
20
25
Variable X
VERSIN 11
FECHA: 2014
Pgina69

Ninguna relacin
Ocurre cuando la relacin entre la variable dependiente e independiente no se puede describir con ningn
tipo de curva
Y
8
5
4
3
10
7
12
10
Variable Y
X
13
2
15
5
4
7
0
0
10
12
14
16
Variable X
3.1.7
LA REGRESIN LINEAL
Cuando los puntos del grfico de dispersin se pueden relacionar con una recta que pase lo mas cerca
posible de todos ellos, a esta recta se le llama Recta de Mnimos Cuadrados, porque la suma de las
distancias al cuadrado, de los puntos del grfico a esta recta es mnima
Esta recta tiene por ecuacin Y = A + B X, donde A es el punto donde la recta corta al eje Y, y B es la
pendiente de la recta. El proceso para determinar el valor de los parmetros A y B es complejo, pero, el
estudiante interesado lo puede consultar en cualquier texto de estadstica. En el curso, se determinarn
utilizando las funciones de las calculadoras cientficas.
EJEMPLO
Se compar el tiempo total que realmente dura encendido, de forma intermitente, un celular, con la duracin
de su batera, obteniendo los valores que se presentan en la siguiente tabla:
celular
encendido
(segundos)
360
270
480
120
440
230
160
duracin
batera
(horas)
3,2
3,5
1,9
3,9
2,3
3,2
4,1
Como el tiempo de duracin de la batera depende del tiempo total, que de forma intermitente dura
encendido el celular, la variable dependiente es el tiempo de duracin de la batera y la variable
independiente el tiempo en segundos que dura encendido el celular, como se presenta a continuacin
VERSIN 11
FECHA: 2014
Pgina70

X
celular
encendido
(segundos)
360
270
480
120
440
230
160
Y
duracin
batera
(horas)
3,2
3,5
1,9
3,9
2,3
3,2
4,1
El grfico de dispersin de estos datos es el siguiente:

4,5
Dracin de la batera en horas
4,0
3,5
3,0
2,5
2,0
1,5
1,0
0,5
0,0
0
100
200
300
400
500
600
Duracin del celular encendido en segundos
Duracin de la batera en
horas
Trazando una recta que pase lo ms cerca posible de todos los puntos, el grfico queda as:
4,5
4,0
3,5
3,0
2,5
2,0
1,5
1,0
0,5
0,0
0
100
200
300
400
500
600
Duracin del celular encendido en segundos
Entre ms tiempo dure el celular encendido menos tiempo durar la batera por lo que la relacin entre las
dos variables en inversa y la pendiente de la recta es, por lo tanto negativa. Adicionalmente, se observa que
la relacin entre las dos variables es de tipo lineal, donde los parmetros de la recta de regresin son:
VERSIN 11
FECHA: 2014
Pgina71
A =
B =
4,7764201
-0,0055024
Y la ecuacin de regresin que relaciona las dos variables es:

Y = 4,7764201 - 0,0055024X
Para un tiempo de encendido total intermitente del celular de 500 segundos, la duracin que se puede
esperar de la batera es:
Y = 4,7744201 - 0,0055024(500)
Y = 2 horas
3.2 LA CORRELACIN
El inters del analista no est solamente en establecer la forma como se relacionan dos variables, sino,
tambin, en medir que tan fuerte es el grado de esta relacin.
La regresin univariada es un caso extrao, lo comn es que en comportamiento total de una variable
dependiente sea el resultado de la interaccin de varias variables dependientes, como se muestra en las
siguientes grficas:
VOLUMEN DE TRFICO
CLIMA
COSTO DE
REPARACIN
DE VAS
TOPOGRAFA DEL TERRENO

CALIDAD DE LOS MATERIALES USADOS
KILOMETRAJE RECORRIDO
TIPO DE VEHCULO
MARCA
CONSUMO DE
COMBUSTIBLE
DE UN
VEHCULO
ESTADO MECNICO
ESTILO DE CONDUCCIN
TOPOGRAFA DE LA VA
EDAD DEL VEHCULO
VERSIN 11
FECHA: 2014
Pgina72

Como es lgico pensar, la influencia que tiene cada una de estas variables independientes en el
comportamiento total de la variable dependiente no es igual para todas las variables independientes. Habr
algunas variables independientes que determinan, en buena medida, el comportamiento de la variable
independiente y, tambin, habr algunas variables independientes cuya influencia en el costo de reparacin
de vas o en el consumo de combustible, para estos ejemplos, es muy reducida.
Para cualquier observador que analice estas situaciones, es de capital importancia determinar cules son las
variables que ejercen un efecto notable en el comportamiento de otra, es decir, establecer la fuerza o
intensidad con la que una variable independiente y otra dependiente estn relacionadas. A esta fuerza o
intensidad se le llama Correlacin
3.2.1
EL COEFICIENTE DE CORRELACIN
Es una medida del grado en que una variable independiente influye en una variable dependiente
Este grado de la relacin entre dos variables se mide con un indicador que recibe el nombre de coeficiente
de correlacin.
El coeficiente de correlacin es un nmero adimensional que se representa por la letra r y toma valores entre
-1 y +1. El significado de estos valores que toma r es el siguiente:
S r = -1 r = +1 la correlacin entre las variables es perfecta, es decir, la fuerza de la relacin entre la

variable independiente y la variable dependiente, es la mxima posible. Esto quiere decir, que el
comportamiento de la variable dependiente depende completamente del comportamiento de la variable
dependiente
S r> 0, es decir, es positiva, la relacin entre las variables es directa
S r < 0, es decir, es negativa, la relacin entre las variables es inversa
S 0,9 r < 1 -1 < r - 0,9 la correlacin entre las variables se considera ptima
S r = 0 no existe correlacin entre las variables
Como el coeficiente de correlacin es un nmero adimensional se puede expresar tambin en porcentaje. Se
suele preferir valores de coeficientes de correlacin superiores al 90%
Relacin entre el coeficiente de correlacin y la pendiente de la recta de regresin

S la relacin entre las variables dependiente e independiente es directa el coeficiente de correlacin r y la
pendiente de la recta de regresin son ambos de signo positivo
S la relacin entre las variables dependiente e independiente es inversa el coeficiente de correlacin r y la
pendiente de la recta de regresin son ambos de signo negativo
EJEMPLO
Para el mismo caso de la duracin de la batera del celular, el valor del coeficiente de regresin es:
r
= -94%
Que significa que la correlacin entre las dos variables es inversa y ptima
3.2.2
EL COEFICIENTE DE DETERMINACIN
El coeficiente de determinacin es el cuadrado del coeficiente de correlacin y explica el porcentaje de

cambio de la variable dependiente que se puede explicar por el cambio de la variable independiente. Por
ejemplo, un coeficiente de determinacin de 64% entre los litros de licor vendidos los fines de semana y el
nmero de accidentes de trnsito, en esos das, significa que el 64% de los accidentes de trnsito de los
fines de semana se pueden explicar por las ventas de licor
Para el mismo caso que estamos estudiando de la duracin de la batera del celular, el coeficiente de
determinacin es:
VERSIN 11
FECHA: 2014
Pgina73

r2 =
88%
Que significa que el 88% de las variaciones en la duracin de la batera del celular se deben a las
variaciones en el tiempo total que demora el celular prendido de forma intermitente
VERSIN 11
FECHA: 2014
Pgina74

4 PRINCIPIOS DE PROBABILIDAD Y DISTRIBUCIONES DE
PROBABILIDAD
4.1
4.1.1
PRINCIPIOS DE PROBABILIDAD
Tipos de fenmenos:
4.1.1.1 Fenmenos determinsticos

Una accin produce un solo resultado posible
Se puede pronosticar con precisin lo que va a ocurrir
Qu distancia recorre un cuerpo en cada libre en un tiempo determinado?
A qu temperatura se evapora el agua al nivel del mar?
Qu le ocurre a un material ferroso en un ambiente hmedo?
4.1.1.2 Fenmenos aleatorios
Una accin produce varios resultados posibles, conocidos, de los cuales ocurre solo uno
Los resultados ocurren AL AZAR

En qu numero caer la lotera?
Qu resultado tendr una nueva empresa?
Cuntos productos saldrn defectuosos de un lote de produccin?
Qu numero saldr al lanzar un dado?
Fenmenos determinsticos hay certidumbre. Siempre se sabe que va a ocurrir, s se realiza una actividad
en unas condiciones determinadas
Fenmenos aleatorios hay incertidumbre. Cuando se realiza una actividad no se sabe cul de los posibles
resultados va a ocurrir.
4.1.2
Cualquier accin que tenga varios resultados posibles conocidos de los cuales ocurre solo uno
Lanzar una moneda
Iniciar una empresa
Medir alguna caracterstica de las piezas que salen de produccin
Cuntas veces se avera una mquina en el mes
Qu va a responder una persona sobre un tema que se le pregunte
4.1.3
Definiciones de probabilidad:
Medida numrica de la posibilidad de que ocurra un resultado determinado en un experimento aleatorio

Medida numrica de la incertidumbre
4.1.4
Concepto de Experimento Aleatorio:
Necesidad de la probabilidad:
Medir la posibilidad o el riesgo de que algo ocurra o no ocurra

Cuantificar la incertidumbre
4.1.5
Conceptos Bsicos de Probabilidades
VERSIN 11
FECHA: 2014
Pgina75

4.1.5.1 Espacio Muestral
Lista de TODOS los posibles resultados de un experimento aleatorio
Smbolo S
Ejemplos de espacio muestral:

Lanzar una moneda
Lanzar un dado
El peso de estudiantes de un saln de clase
Lanzar un par de dados
Sacar, al azar, una ficha de una caja que tiene varias fichas de colores
Ingresos de profesionales recin egresados
Formas de describir el espacio muestral

Con palabras espacio cualitativo
Con nmeros enteros espacio discreto
Intervalos de valores espacio continuo
4.1.5.2 Resultado o punto muestral

Cada uno de los elementos de un espacio muestral
4.1.5.3 Evento o suceso
Es un subconjunto del espacio muestral compuesto por uno o ms resultados del espacio muestral
4.1.5.4
Simbologa de las probabilidades :
4.1.5.5
Propiedades fundamentales de las probabilidades
si x = cualquier suceso
La suma de las probabilidades de todos los resultados de s debe siempre dar exactamente 1
4.1.6
Mtodos de asignacin de probabilidades
Mtodo Clsico
Mtodo Emprico o de la Frecuencia Relativa
Mtodo Subjetivo
4.1.6.1 Mtodo Clsico

Supuesto: resultados equiprobables
Momento del clculo: a priori (probabilidades tericas)
Para un suceso E cualquiera:
Ejemplos :
VERSIN 11
FECHA: 2014
Pgina76
Calcular la probabilidad de que salga cara al lanzar una moneda

Calcular la probabilidad de que salga un 4 al lanzar un dado
Calcular la probabilidad de que la suma de los puntos al lanzar un par de dados sea mayor que 7
Calcular la probabilidad de sacar una ficha verde de una caja que contiene 2 fichas verdes, una
roja y 3 blancas
4.1.6.2 Mtodo Emprico o de la Frecuencia Relativa

Mtodo de clculo: a posteriori (probabilidades empricas)
La probabilidad de que ocurra un suceso E cualquiera es igual a su frecuencia relativa
Ejemplo: Tiempo que demora una capa de pintura en secarse

Horas por
muestra
0 - 0,5
0,5 - 1,0
1,0 - 1,5
1,5 - 2,0
2,0 - 2,5
2,5 - 3,0
Mas de 3,0
Suma
No. de
muestras
10
22
15
10
7
5
3
72
FR
0,14
0,30
0,21
0,14
0,10
0,07
0,04
1,00
S x = tiempo de secado en horas
???
Prctica: De una caja que contiene 10 fichas numeradas del cero al nueve se extrae una ficha al azar.
Cul e s la probabilidad de que la ficha seleccionada sea un nmero mayor que 6?
4.1.6.3 Mtodo Subjetivo

Sucesos que no han ocurrido antes
Sucesos que han ocurrido muy pocas veces
Sucesos que ocurren siempre en diferentes condiciones
4.1.7
Muestreo
Concepto de muestra: Se examina el estado de la variable observando parte de los elementos de una
poblacin
Muestreo: Tcnicas para seleccionar las muestras
Muestreo: experimento aleatorio
4.1.7.1 Muestreo de caja o de urna

Concepto: Se extraen de una caja, completamente al azar, uno o ms elementos y se registra el estado
de la caracterstica observada
Muestreo con remplazamiento
Muestreo sin remplazamiento
VERSIN 11
FECHA: 2014
Pgina77

4.1.8
Ensayos
Concepto: Cada uno de los intentos o pruebas con los que se realiza un experimento aleatorio
Principio del muestreo : Simultneamente = En sucesin
4.1.9
Diagrama de rbol
Tcnica grfica para establecer el espacio muestral

4.1.9.1 Limitaciones del diagrama de rbol:
Muestreo de ms de 3 ensayos
Caja con muchos elementos diferente
4.1.10 Tcnicas de conteo
Fin: calcular el tamao del espacio muestral y calcular el tamao de un suceso

Se usan:
Principio fundamental del conteo
Permutaciones
Combinaciones
4.1.10.1 Principio Fundamental del Conteo (PFC)

Muestreo con remplazamiento y sin remplazamiento (ya visto)
Muestreo ordenado
Frmula
4.1.10.2 Permutaciones
Muestreo ordenado y desordenado
Condicin: muestreo sin remplazamiento
Concepto de permutacin
Frmula para el clculo del nmero de permutaciones
A
A
A
A
A
A
Ejemplo: de una caja que tiene 4 fichas marcadas con las letras A, B, C y D se extraen 3 fichas sin
reemplazamiento
B
B
C
C
D
D
C
D
B
D
B
C
B
B
B
B
B
B
A
A
C
C
D
D
C
D
A
D
A
C
C
C
C
C
C
C
A
A
B
B
D
D
B
D
A
D
A
B
D
D
D
D
D
D
A
A
B
B
C
C
B
C
A
C
A
B
4.1.10.3 Combinaciones
Condicin: muestreo sin remplazamiento
Concepto de combinacin
Frmula para el clculo del nmero de combinaciones
VERSIN 11
FECHA: 2014
Pgina78
COMBINACIONES
A
4.1.11 Clasificacin de los sucesos

Un solo ensayo:
Sucesos mutuamente excluyentes
Sucesos compatibles
Ms de un ensayo:
Sucesos independientes
Sucesos dependientes
4.1.12 Operaciones con probabilidades
Suma de probabilidades
Complemento
Multiplicacin o Probabilidad Conjunta
Divisin o Probabilidad Condicional
4.1.12.1 Suma de Probabilidades

La probabilidad de que ocurra el suceso A el suceso B:
Sucesos compatibles:
Sucesos mutuamente excluyentes:
4.1.12.2 Complemento
S se tiene un suceso A cuya probabilidad de ocurrencia () se conoce, la probabilidad de que no ocurra
el suceso A es: () = 1 ()
Ejemplo: la probabilidad de que al lanzar un par de dados, la suma de las caras sea un nmero mayor
que 8 es:
A = Suma de las caras > 8 () = 8
= Suma de las caras 18
() = 1
( ) = 1
3
8
4.1.12.3 Probabilidad Conjunta

Sucesos independientes
S A y B son sucesos independientes la probabilidad de que ocurran el suceso A y el suceso B
simultneamente o en sucesin:
( ) = () ()
VERSIN 11
FECHA: 2014
Pgina79

Sucesos Dependientes
S A y B son sucesos dependientes la probabilidad de que ocurran el suceso A y el
simultneamente o en sucesin:
suceso B
( ) = () ()
4.1.12.4 Probabilidad condicional
Condicin: un solo ensayo
Significado: Para dos sucesos A y B cualquiera
La probabilidad de que ocurra el suceso A s el suceso B ya ocurri:
( ) =
( )
() ()
=
()
()
Ejemplo
Una fbrica tiene en existencia, repuestos comprados a 3 proveedores, con la calidad y cantidad que se
muestran en la siguiente tabla:
CALIDAD
Primera
Segunda
TOTAL
A
20
10
30
PROVEEDOR
B
12
8
20
C
6
4
10
TOTAL
38
22
60
S se escoge un repuesto al azar y sale de segunda Cul es la probabilidad de que sea del proveedor C?
4.1.13 Teorema de Bayes
VERSIN 11
FECHA: 2014
Pgina80
VERSIN 11
FECHA: 2014
Pgina81

4.1.14 DISTRIBUCIONES DE PROBABILIDAD
4.1.14.1 Concepto de Variable Aleatoria:
Es una regla que asigna a cada uno de los resultados de un espacio muestral un nmero.
Es un resultado que depende de la interaccin de un alto nmero de factores
Ejemplo:
Lanzar 2 monedas
ESPACIO
MUESTRAL
C C
C S
S C
S S
X =
No. de caras
2
1
1
0
Ejemplo:
Tiempo en minutos que demora un vehculo en recorrer un tramo de la autopista
si x = duracin del recorrido en minutos
4.1.14.2 Tipos de Variables Aleatorias:

Discretas = Un nmero finito de valores
Continuas = Un nmero infinito de valores
VERSIN 11
FECHA: 2014
Pgina82

4.1.14.3 Distribucin de probabilidad de una Variable Aleatoria Discreta
Es una tabla que contiene todos los valores que toma la variable aleatoria y sus correspondientes
probabilidades
Ejemplo:
Lanzar 2 monedas
S X = Nmero de caras
X =
No. de caras
2
1
1
0
X
0
1
2
TOTAL
P(x)
1/4
2/4
1/4
4/4 =1
Ejemplo:
De una caja que tiene 4 fichas numeradas del cero al tres, se extraen al azar 2 fichas sin reemplazamiento.
S x = suma de los nmeros de las fichas extradas, establecer la distribucin de probabilidad de esta v.a.
4.1.14.4 Valor esperado de una variable aleatoria discreta

Es el valor promedio que se espera que tome una variable aleatoria, discreta, despus de un gran nmero
de ensayos
VERSIN 11
FECHA: 2014
Pgina83

Para representar este valor esperado se usa la letra
o ( )
Ejemplo:
Hallar el valor esperado del nmero de caras al lanzar 2 monedas
x
0
1
2
P(x)
1/4
2/4
1/4
TOTAL
xP(x)
0
2/4
2/4
4/4
El nmero esperado de caras al lanzar 2 monedas es una cara por lanzamiento

4.1.14.5 Desviacin estndar de una variable aleatoria discreta
Se calcula con la expresin:
Dnde:
Ejemplo:
Calcular la desviacin estndar de la v.a. x = Nmero de caras al lanzar 2 monedas
2
x
0
1
2
x
0
1
4
P(x)
1/4
2/4
1/4
suma
x P(x)
0
2/4
4/4
6/4
4.1.15 Modelos de Distribuciones de probabilidad

Son determinadas funciones de densidad de probabilidad que se utilizan para calcular probabilidades, si el
experimento aleatorio se realiza en unas condiciones determinadas
Modelos de distribuciones de probabilidad discretas
Modelos de distribuciones de probabilidad continuas
VERSIN 11
FECHA: 2014
Pgina84

4.1.15.1 Distribucin de probabilidad Binomial
Condiciones:
Los resultados se pueden dividir en 2 categoras: xito o Fracaso
Estos resultados son mutuamente excluyentes y estadsticamente independientes
La probabilidad p de xito permanece constante en todos los ensayos
Se conoce n, el nmero de ensayos
Ejemplo : lanzar una moneda n veces
4.1.15.2 Distribucin de probabilidad de Poisson
Condiciones:
Es el nmero de veces que ocurre la variable aleatoria en un intervalo definido de tiempo o sector
definido de espacio (rea o volumen)
Los sucesos ocurren de manera completamente aleatoria
Los intervalos de tiempo o sectores de espacio no se superponen y son independientes
La probabilidad de que ocurra un evento es proporcional al tamao del intervalo de tiempo o sector del
espacio
4.1.15.3 La Distribucin Normal
Parmetros de la distribucin normal:
Caractersticas:
Unimodal
VERSIN 11
FECHA: 2014
Pgina85
Simtrica
Medidas de tendencia central sobre el eje de simetra
Rango : de - a +
Asinttica con respecto al eje x
rea total bajo la curva = 1 dividida en dos partes iguales
Ejemplo:
ir
0,25
0,2
0,15
0,1
0,05
4
4,4
4,8
5,2
5,6
6
6,4
6,8
7,2
7,6
8
8,4
8,8
9,2
9,6
10
10,4
10,8
11,2
11,6
12
12,4
12,8
13,2
13,6
14
14,4
14,8
15,2
15,6
16
4.1.15.4 Propiedad de la distribucin normal

La porcin de rea comprendida entre el mismo nmero de desviaciones estndar, medidas a partir de la
media, es la misma para todas las curvas normales
Ejemplo:
VERSIN 11
FECHA: 2014
Pgina86
VERSIN 11
FECHA: 2014
Pgina87
2.10 Aproximacin de la distribucin normal a la Binomial
Condiciones para aproximar una distribucin normal a una distribucin binomial
Parmetros de la nueva distribucin normal
VERSIN 11
FECHA: 2014
Pgina88

5 BIBLIOGRAFA
LEVIN, Richard, et al. Estadstica para Administracin y Economa Sptima edicin. PEARSON
EDUCATION. Mxico. 2004
MARTNEZ B, Ciro. Estadstica y Muestreo. Dcimo Tercera edicin. Editorial ECOE
LIND, Douglas; MARCHAL, William y WATHEN, Samuel. Estadstica Aplicada a los Negocios y la
Economa Dcimo Quinta edicin. Editorial McGraw Hill
ANDERSON, David; SWEENEY, Dennis y WILLIANS, Thomas. Estadstica para Administracin y
Economa. 11 edicin. Editorial CENGAGE LEARNING
VERSIN 11
FECHA: 2014
Pgina89

Apuntes Estadistica Uts

Hochgeladen von

Dokumentinformationen

Originalbeschreibung:

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Apuntes Estadistica Uts

Hochgeladen von

Copyright:

Verfügbare Formate

UNIDADES TECNOLGICAS DE SANTANDER

PROFESOR: GERMN ERNESTO RINCN REY

DEPARTAMENTO DE CIENCIAS BSICAS

UNIDADES TECNOLGICAS DE SANTANDER

ARREGLO Y PRESENTACIN DE DATOS ...................................................................................... 9

ASPECTOS GENERALES DE LA ESTADSTICA ..................................................................... 9

LOS FENMENOS ................................................................................................................ 9

DEFINICIN DE ESTADSTICA .......................................................................................... 9

IMPORTANCIA DE LA ESTADSTICA ............................................................................... 9

DIVISIN DE LA ESTADSTICA .......................................................................................... 9

ESTADSTICA DESCRIPTIVA ............................................................................................. 9

INFERENCIA ESTADSTICA .............................................................................................. 10

FASES DE UNA INVESTIGACIN ESTADSTICA ......................................................... 10

CONCEPTOS BSICOS ............................................................................................................. 11

COMO SE DEFINE UNA POBLACIN ............................................................................. 12

TAMAO DE UNA POBLACIN ........................................................................................ 12

CLASES DE POBLACIONES ............................................................................................. 12

Poblaciones Finitas ............................................................................................ 13

Poblaciones infinitas .......................................................................................... 13

CARACTERSTICAS OBSERVABLES EN UNA POBLACIN ...................................... 13

CARACTERSTICAS CONSTANTES ............................................................. 13

CARACTERSTICAS VARIABLES .................................................................. 13

TAMAO DE LA MUESTRA ............................................................................................... 15

TIPOS DE ESTUDIOS ESTADSTICOS ........................................................................... 15

UNIDAD DE OBSERVACIN O DE INVESTIGACIN .................................................. 15

ARREGLO DE DATOS DE VARIABLE CONTINUA ................................................................ 16

DEPARTAMENTO DE CIENCIAS BSICAS

UNIDADES TECNOLGICAS DE SANTANDER

CONCEPTO DE CLASE O CATEGORA ......................................................................... 16

CLASE ESTADSTICA O CATEGORA ESTADSTICA .................................................. 16

AMPLITUD DE CLASE ........................................................................................................ 16

CARACTERSTICAS DE LOS CONJUNTOS DE CLASES ESTADSTICAS .............. 16

NMERO DE CLASES ........................................................................................................ 17

EJEMPLO PRCTICO ......................................................................................................... 17

LOS TIPOS DE FRECUENCIAS ....................................................................................... 19

LA TABLA MENOR QUE ..................................................................................................... 20

REPRESENTACIN GRFICA DE LA SITUACIN EN ESTUDIO ............................. 20

1.3.10.1 EL HISTOGRAMA ............................................................................................. 20

ARREGLO DE DATOS DE VARIABLE DISCRETA ................................................................ 24

EJEMPLO PRCTICO ......................................................................................................... 24

POLGONO DE FRECUENCIAS ..................................................................... 26

ARREGLO DE DATOS CUALITATIVOS ................................................................................... 29

MEDIDAS DE TENDENCIA CENTRAL, DE POSICIN Y DE DISPERSIN ............................. 31

MEDIDAS DE TENDENCIA CENTRAL ..................................................................................... 31

FORMAS ESTADSTICAS DE DESCRIBIR UN FENMENO ....................................... 31

CONCEPTO DE MEDIDA EN ESTADSTICA .................................................................. 31

PARMETROS Y ESTADSTICOS ................................................................................... 31

CLASES DE MEDIDAS EN ESTADSTICA ...................................................................... 31

LAS MEDIDAS DE TENDENCIA CENTRAL .................................................................... 31

LAS MEDIDAS DE DISPERSIN ...................................................................................... 31

MEDIDAS PARA POBLACIONES Y MEDIDAS PARA MUESTRAS ............................ 32

DEPARTAMENTO DE CIENCIAS BSICAS

UNIDADES TECNOLGICAS DE SANTANDER

CLASES DE MEDIDAS DE TENDENCIA CENTRAL ...................................................... 32

LA MEDIA ARITMTICA ..................................................................................................... 32

MEDIA ARITMTICA PARA DATOS NO AGRUPADOS ................................................ 32

MEDIA ARITMTICA PARA DATOS AGRUPADOS ....................................................... 33

SIGNIFICADO DE LA MEDIA ARITMTICA .................................................................... 34

MEDIA ARITMTICA PONDERADA ................................................................................. 34

PROPIEDADES DE LA MEDIA ARITMTICA ................................................................. 35

LA MEDIA GEOMTRICA ................................................................................................... 35

CLCULO DE LA MEDIA GEOMTRICA ........................................................................ 35