Esta Di Stica

Lo real es objetivo (Hegel, Filosofo Aleman)
Estadstica
Lic. Adm. Eco. Pablo Mauricio Moscoso Ontiveros
Introduccin a la Estadstica Descriptiva
La estadstica descriptiva es una ciencia que analiza series de datos (por ejemplo, edad de una
poblacin, altura de los estudiantes de una escuela, temperatura en los meses de verano, etc) y trata
de extraer conclusiones sobre el comportamiento de estas variables.
Las variables pueden ser de dos tipos:

Variables cualitativas o atributos: no se pueden medir numricamente (por
ejemplo: nacionalidad, color de la piel, sexo).
Variables cuantitativas: tienen valor numrico (edad, precio de un producto,
ingresos anuales).
Las variables tambin se pueden clasificar en:
Variables unidimensionales: slo recogen informacin sobre una caracterstica
(por ejemplo: edad de los alunmos de una clase).
Variables bidimensionales: recogen informacin sobre dos caractersticas de la poblacin (por
ejemplo: edad y altura de los alumnos de una clase).
Variables pluridimensionales: recogen informacin sobre tres o ms

caractersticas (por ejemplo: edad, altura y peso de los alumnos de una clase).
Por su parte, las variables cuantitativas se pueden clasificar en discretas y
continuas:
Discretas: slo pueden tomar valores enteros (1, 2, 8, -4, etc.). Por ejemplo: nmero de hermanos
(puede ser 1, 2, 3....,etc, pero, por ejemplo, nunca podr ser 3,45).
Continuas: pueden tomar cualquier valor real dentro de un intervalo. Por ejemplo, la velocidad de
un vehculo puede ser 80,3 km/h, 94,57 km/h...etc.
Cuando se estudia el comportamiento de una variable hay que distinguir los siguientes conceptos:
Individuo: cualquier elemento que porte informacin sobre el fenmeno que se estudia. As, si
estudiamos la altura de los nios de una clase, cada alumno es un individuo; si estudiamos el precio
de la vivienda, cada vivienda es un individuo.
Pgina 2
Estadstica
Poblacin: conjunto de todos los individuos (personas, objetos, animales, etc.) que porten
informacin sobre el fenmeo que se estudia. Por ejemplo, si estudiamos el precio de la vivienda en
una ciudad, la poblacin ser el total de las viviendas de dicha ciudad.
Muestra: subconjunto que seleccionamos de la poblacin. As, si se estudia el precio de la
vivienda de una ciudad, lo normal ser no recoger informacin sobre todas las viviendas de la
ciudad (sera una labor muy compleja), sino que se suele seleccionar un subgrupo (muestra) que se
entienda que es suficientemente representativo.
Distribucin de frecuencia
La distribucin de frecuencia es la representacin estructurada, en forma de tabla, de toda la

informacin que se ha recogido sobre la variable que se estudia.
Variable
(Valor)
x
X
1
X
2.
.
Xn
.
-1
X
n
Frecuencias absolutas
Simple
Acumulad
x
Xaa
n1
n1
n2
n1 + n2
...
...
n1 + n2
nn-1
+..+
nn
nn
n
-1
Frecuencias relativas
Simple
Acumulad
x
xa
f1 = n1 / n
f1
f2 = n2 / n
f1 + f2
...
...
f1 + f2
fn-1 = nn-1 /
+..+f
n
fn = nn / n
n-f 1
Siendo X los distintos valores que puede tomar la variable.

Siendo n el nmero de veces que se repite cada valor.
Siendo f el porcentaje que la repeticin de cada valor supone sobre
el total
Veamos un ejemplo:
Medimos la altura de los nios de una clase y obtenemos los siguientes resultados (cm):
Alumno
x
Estatura
x
Alumno 1
1,25
Alumno 2
1,28
Alumno 3
1,27
Alumno 4
1,21
Alumno
x
Estatura
x
Alumno 11
Alumno 12
Alumno 13
Alumno 14
Pgina 3
1,23
1,26
1,30
1,21
Alumno
x
Alumno 21
Alumno 22
Alumno 23
Alumno 24
Estatura
x
1,21
1,29
1,26
1,22
Estadstica
Alumno 5
1,22
Alumno 6
1,29
Alumno 7
1,30
Alumno 8
1,24
Alumno 9
1,27
Alumno 10
1,29
Alumno 15
Alumno
1,28
1,30
16
Alumno 17
Alumno 18
Alumno 19
Alumno 20
1,22
1,25
1,20
1,28
Alumno 25
Alumno
26
Alumno 27
Alumno 28
Alumno 29
Alumno 30
1,28
1,27
1,26
1,23
1,22
1,21
Si presentamos esta informacin estructurada obtendramos la siguiente tabla de

frecuencia:
Variable
(Valor)
x
1,
20
1,
21
1,
22
1,
23
1,
24
1,
25
1,
26
1,
27
1,
28
1,
29
1,
30
Simple
Acumulad
x
xa
1
1
4
5
4
9
2
1
1
1
1
2
2
1
4
3
1
7
3
2
0
4
2
4
3
2
7
3
3
0
Simple
Acumulad
x
xa
3,3%
3,3%
13,3%
16,6%
13,3%
30,0%
6,6%
36,6%
3,3%
40,0%
6,6%
46,6%
10,0%
56,6%
10,0%
66,6%
13,3%
80,0%
10,0%
90,0%
10,0%
100,0%
Si los valores que toma la variable son muy diversos y cada uno de ellos se repite muy pocas veces,
entonces conviene agruparlos por intervalos, ya que de otra manera obtendramos una tabla de
frecuencia muy extensa que aportara muy poco valor a efectos de sntesis. (tal como se ver en la
siguiente leccin).
Pgina 4
Distribuciones de frecuencia agrupada
Supongamos que medimos la estatura de los habitantes de una vivienda y obtenemos los siguientes
resultados (cm):
Habitante
x
Estatura
x
Habitante 1
1,15
Habitante 2
1,48
Habitante 3
1,57
Habitante 4
1,71
Habitante 5
1,92
Habitante 6
1,39
Habitante 7
1,40
Habitante 8
1,64
Habitante 9
1,77
Habitante
10
1,49
Habitante
x
Habitante 11
Estatura
x
Habitante 12
Habitante 13
Habitante 14
Habitante 15
Habitante 16
Habitante 17
Habitante 18
Habitante 19
Habitante 20
1,53
1,16
1,60
1,81
1,98
1,20
1,42
1,45
1,20
1,98
Habitante
x
Habitante 21
Habitante 22
Habitante 23
Habitante 24
Habitante 25
Habitante 26
Habitante 27
Habitante 28
Habitante 29
Habitante 30
Estatura
x
1,21
1,59
1,86
1,52
1,48
1,37
1,16
1,73
1,62
1,01
Si presentramos esta informacin en una tabla de frecuencia obtendriamos una tabla de 30 lneas
(una para cada valor), cada uno de ellos con una frecuencia absoluta de 1 y con una frecuencia
relativa del 3,3%. Esta tabla nos aportara escasa imformacin
En lugar de ello, preferimos agrupar los datos por intervalos, con lo que la informacin queda ms
resumida (se pierde, por tanto, algo de informacin), pero es ms manejable e informativa:
Estatura
Cm
Simple
Acumulada
Pgina 5
Simple
Acumulada
x
1,01 - 1,10
1,11 - 1,20
1,21 - 1,30
1,31 - 1,40
1,41 - 1,50
1,51 - 1,60
1,61 - 1,70
1,71 - 1,80
1,81 - 1,90
1,91 - 2,00
x
1
x
1
x
3,3%
x
3,3%
3
3
2
6
4
3
3
2
3
4
7
9
15
19
22
25
27
30
10,0%
10,0%
6,6%
20,0%
13,3%
10,0%
10,0%
6,6%
10,0%
13,3%
23,3%
30,0%
50,0%
63,3%
73,3%
83,3%
90,0%
100,0%
El nmero de tramos en los que se agrupa la informacin es una decisin que debe tomar el analista:
la regla es que mientras ms tramos se utilicen menos informacin se pierde, pero puede que menos
representativa e informativa sea la tabla.
Medidas de posicin central
Las medidas de posicin nos facilitan informacin sobre la serie de datos que estamos analizando.
Estas medidas permiten conocer diversas caractersticas de esta serie de datos.
Las medidas de posicin son de dos tipos:

a) Medidas de posicin central: informan sobre los valores medios de la serie de
datos.
b) Medidas de posicin no centrales: informan de como se distribuye el resto de
los valores de la serie.
a) Medidas de posicin central
Las principales medidas de posicin central son las siguientes:
1.- Media: es el valor medio ponderado de la serie de datos. Se pueden calcular diversos tipos de
media, siendo las ms utilizadas:
a) Media aritmtica: se calcula multiplicando cada valor por el nmero de veces que se repite.
La suma de todos estos productos se divide por el total de datos de la muestra:
Pgina 6
Xm = (X1 * n1) + (X2 * n2) + (X3 * n3) + .....+ (Xn-1 * nn-1) + (Xn * nn)
-------------------------------------------------------------------------n
b) Media geomtrica: se eleva cada valor al nmero de veces que se ha repetido. Se multiplican
todo estos resultados y al producto fiinal se le calcula la raz "n" (siendo "n" el total de datos de la
muestra).
Segn el tipo de datos que se analice ser ms apropiado utilizar la media aritmtica o la media
geomtrica.
La media geomtrica se suele utilizar en series de datos como tipos de inters anuales, inflacin, etc.,
donde el valor de cada ao tiene un efecto multiplicativo sobre el de los aos anteriores. En todo caso,
la media aritmtica es la medida de posicin central ms utilizada.
Lo ms positivo de la media es que en su clculo se utilizan todos los valores de la serie, por lo que no
se pierde ninguna informacin.
Sin embargo, presenta el problema de que su valor (tanto en el caso de la media aritmtica como
geomtrica) se puede ver muy influido por valores extremos, que se aparten en exceso del resto de la
serie. Estos valores anmalos podran condicionar en gran medida el valor de la media, perdiendo sta
representatividad
2.- Mediana: es el valor de la serie de datos que se sita justamente en el centro de la muestra (un
50% de valores son inferiores y otro 50% son superiores).
No presentan el problema de estar influido por los valores extremos, pero en cambio no utiliza en su
clculo toda la informacin de la serie de datos (no pondera cada valor por el nmero de veces que
se ha repetido)
3.- Moda: es el valor que ms se repite en la muestra.
Ejemplo: vamos a utilizar la tabla de distribucin de frecuencias con los datos de la estatura de los
alumnos que vimos en la leccin 2.
Variable
(Valor)
x
1,
20
1,
21
Simple
Acumulad
x
xa
1
1
4
5
Pgina 7
Simple
Acumulad
x
xa
3,3%
3,3%
13,3%
16,6%
1,
22
1,
23
1,
24
1,
25
1,
26
1,
27
1,
28
1,
29
1,
30
4
2
1
2
3
3
4
3
3
9
1
1
1
2
1
4
1
7
2
0
2
4
2
7
3
0
13,3%
6,6%
3,3%
6,6%
10,0%
10,0%
13,3%
10,0%
10,0%
30,0%
36,6%
40,0%
46,6%
56,6%
66,6%
80,0%
90,0%
100,0%
Vamos a calcular los valores de las distintas posiciones centrales:
1.- Media aritmtica:

Xm =
(1,20*1) + (1,21*4) + (1,22 * 4) + (1,23 * 2) + ......... +(1,29 * 3) + (1,30 * 3)

-------------------------------------------------------------------------30
Luego:
Xm = 1,253
Por lo tanto, la estatura media de este grupo de alumnos es de 1,253 cm.
2.- Media geomtrica:

X=
((1,20^ 1) * (1,21^4) * (1,22^ 4) * .....* (1,29^3)*

(1,30^3)) ^ (1/30)
Luego:
Xm = 1,253
En este ejemplo la media aritmtica y la media geomtrica coinciden, pero no tiene siempre por qu
ser as.
3.- Mediana:
La mediana de esta muestra es 1,26 cm, ya que por debajo est el 50% de los valores y por arriba el
otro 50%. Esto se puede ver al analizar la columna de frecuencias relativas acumuladas.
En este ejemplo, como el valor 1,26 se repite en 3 ocasiones, la media se situara exactamente entre
el primer y el segundo valor de este grupo, ya que entre estos dos valores se encuentra la divisin
entre el 50% inferior y el 50% superior.
4.- Moda:
Pgina 8
Hay 3 valores que se repiten en 4 ocasiones: el 1,21, el 1,22 y el 1,28, por lo tanto esta seria cuenta
con 3 modas.
Estudia la distribucin de los valores de la serie, analizando si estos se
Medidas de posicin no central
Medidas de posicin no centrales

Las medidas de posicin no centrales permiten conocer otros puntos caractersticos de la distribucin
que no son los valores centrales. Entre otros indicadores, se suelen utilizar una serie de valores que
dividen la muestra en tramos iguales:
Cuartiles: son 3 valores que distribuyen la serie de datos, ordenada de forma creciente o
decreciente, en cuatro tramos iguales, en los que cada uno de ellos concentra el 25% de los
resultados.
Deciles: son 9 valores que distribuyen la serie de datos, ordenada de forma creciente o decreciente,
en diez tramos iguales, en los que cada uno de ellos concentra el 10% de los resultados.
Percentiles: son 99 valores que distribuyen la serie de datos, ordenada de forma creciente o
decreciente, en cien tramos iguales, en los que cada uno de ellos concentra el 1% de los resultados.
Ejemplo: Vamos a calcular los cuartiles de la serie de datos referidos a la estatura de un grupo de
alumnos (leccin 2). Los deciles y centiles se calculan de igual manera, aunque hara falta
distribuciones con mayor nmero de datos.
Variable
(Valor)
x
1,
20
1,
21
1,
22
1,
23
1,
24
1,
25
1,
26
1,
27
1,
28
1,
29
1,
30
Simple
Acumulad
x
xa
1
1
4
5
4
9
2
1
1
1
1
2
2
1
4
3
1
7
3
2
0
4
2
4
3
2
7
3
3
0
Simple
Acumulad
x
xa
3,3%
3,3%
13,3%
16,6%
13,3%
30,0%
6,6%
36,6%
3,3%
40,0%
6,6%
46,6%
10,0%
56,6%
10,0%
66,6%
13,3%
80,0%
10,0%
90,0%
10,0%
100,0%
1 cuartil: es el valor 1,22 cm, ya que por debajo suya se situa el 25% de la frecuencia (tal como se
puede ver en la columna de la frecuencia relativa acumulada).
2 cuartil: es el valor 1,26 cm, ya que entre este valor y el 1 cuartil se situa otro 25% de la
frecuencia.
3 cuartil: es el valor 1,28 cm, ya que entre este valor y el 2 cuartil se sita otro 25% de la
Pgina 9
frecuencia. Adems, por encima suya queda el restante 25% de la frecuencia.

Atencin: cuando un cuartil recae en un valor que se ha repetido ms de una vez (como ocurre en el
ejemplo en los tres cuartiles) la medida de posicin no central sera realmente una de las repeticiones.
Medidas de dispersin
encuentran ms o menos concentrados, o ms o menos dispersos.
Existen diversas medidas de dispersin, entre las ms utilizadas podemos

destacar las siguientes:
1.- Rango: mide la amplitud de los valores de la muestra y se calcula por diferencia entre el valor
ms elevado y el valor ms bajo.
2.- Varianza: Mide la distancia existente entre los valores de la serie y la media. Se calcula como
sumatorio de las diferencias al cuadrado entre cada valor y la media, multiplicadas por el nmero de
veces que se ha repetido cada valor. El sumatorio obtenido se divide por el tamao de la muestra.
La varianza siempre ser mayor que cero. Mientras ms se aproxima a cero, ms concentrados estn
los valores de la serie alrededor de la media. Por el contrario, mientras mayor sea la varianza, ms
dispersos estn.
3.- Desviacin tpica: Se calcula como raz cuadrada de la varianza.

4.- Coeficiente de variacin de Pearson: se calcula como cociente entre la
desviacin tpica y la media.
Ejemplo: vamos a utilizar la serie de datos de la estatura de los alumnos de una clase (leccin 2) y
vamos a calcular sus medidas de dispersin.
Variable
(Valor)
x
1,
20
1,
21
1,
22
1,
23
1,
24
1,
25
1,
26
1,
27
Simple
Acumulad
x
xa
1
1
4
5
4
9
2
1
1
1
1
2
2
1
4
3
1
7
3
2
0
Simple
Acumulad
x
xa
3,3%
3,3%
13,3%
16,6%
13,3%
30,0%
6,6%
36,6%
3,3%
40,0%
6,6%
46,6%
10,0%
56,6%
Pgina
10
10,0%
66,6%
1,
28
1,
29
1,
30
4
3
3
2
4
2
7
3
0
13,3%
10,0%
10,0%
80,0%
90,0%
100,0%
1.- Rango: Diferencia entre el mayor valor de la muestra (1,30) y el menor valor (1,20). Luego el
rango de esta muestra es 10 cm.
2.- Varianza: recordemos que la media de esta muestra es 1,253. Luego, aplicamos la frmula:
Por lo tanto, la varianza es 0,0010
3.- Desviacin tpica: es la raz cuadrada de la varianza.
Luego:
4.- Coeficiente de variacin de Pearson: se calcula como cociente entre la

desviacin tpica y la media de la muestra.
Cv = 0,0320 / 1,253
Luego,
Cv = 0,0255
El inters del coeficiente de variacin es que al ser un porcentaje permite comparar el nivel de
dispersin de dos muestras. Esto no ocurre con la desvacin tpica, ya que viene expresada en las
mismas unidas que los datos de la serie.
Por ejemplo, para comparar el nivel de dispersin de una serie de datos de la altura de los alumnos de
una clase y otra serie con el peso de dichos alumnos, no se puede utilizar las desviaciones tpicas (una
viene vienes expresada en cm y la otra en kg). En cambio, sus coeficientes de variacin son ambos
porcentajes, por lo que s se pueden comparar.
Medidas de forma: Grado de concentracin
Las medidas de forma permiten conocer que forma tiene la curva que representa la serie de datos
de la muestra. En concreto, podemos estudiar las siguientes caractersticas de la curva:
Pgina
11
a) Concentracin: mide si los valores de la variable estn ms o menos

uniformemente repartidos a lo largo de la muestra.
b) Asimetra: mide si la curva tiene una forma simtrica, es decir, si respecto al centro de la
misma (centro de simetra) los segmentos de curva que quedan a derecha e izquierda son
similares.
c) Curtosis: mide si los valores de la distribucin estn ms o menos

concentrados alrededor de los valores medios de la muestra.
a) Concentracin
Para medir el nivel de concentracin de una distribucn de frecuencia se pueden utilizar distintos
indicadores, entre ellos el Indice de Gini.
Este ndice se calcula aplicando la siguiente frmula:
IG
----------------------------
(pi - qi)
pi
(i toma valores entre 1 y n- 1)
En donde pi mide el porcentaje de individuos de la muestra que presentan un valor igual o inferior al
de xi.
pi =
n1 + n2 + n3 + ... +
ni
-------------------------- x 100
-n
Pgina
12
Mientras que qi se calcula aplicando la siguiente frmula:

(X1*n1) + (X2*n2) + ... + (Xi*ni)
-------------------------------------------- x 100
qi =
(X1*n1) + (X2*n2) + ... + (Xn*nn)
El Indice Gini (IG) puede tomar valores entre 0 y 1:

IG = 0 : concentracin mnima. La muestra est unifomemente repartida a lo largo de todo su rango.
IG = 1 : concentracin mxima. Un slo valor de la muestra acumula el 100% de los resultados.
Ejemplo: vamos a calcular el Indice Gini de una serie de datos con los sueldos de los empleados de
una empresa (millones pesetas).
Empleados
(Frecuencias
absolutas)
(Millones)
Simple
Acumulad
x
x
xa
3,
1
1
5
0
0
4,
1
2
5
2
2
6,
8
3
0
0
8,
5
3
0
5
10
3
3
,0
8
15
1
3
,0
9
20
1
4
,0
0
Sueldos
Simple
x
25,0%
30,0%
20,0%
12,5%
7,5%
2,5%
2,5%
Acumulad
xa
25,0%
55,0%
75,0%
87,5%
95,0%
97,5%
100,0%
Calculamos los valores que necesitamos para aplicar la frmula del Indice de Gini:
X
n
i
x
x i
3,5
1
0
4,5
1
2
6,0
8
8,0
5
10,0
3
15,0
1
25,0
1
n
x i
1
0
2
2
3
0
3
5
3
8
3
9
4
0
p
x i
25,
0
55,
0
75,
0
87,
5
95,
0
97,
5
100,
0
Xi * ni
Xi * ni
x
x
35
,0
54
,0
48
,0
40
,0
30
,0
15
,0
25
,0
Pgina
13
35
,0
89
,0
147,0
187,0
217,0
232,0
257,0
q
x i
13,
6
34,
6
57,
2
72,
8
84,
4
90,
3
100,
0
pi xqi
10,8
3
18,9
7
19,5
3
15,8
4
11,1
97,6
02
pi (entre 1 y n-1)
=
x
435,
0
x
x
(pi - qi) (entre 1 y
n-1
)=
x
83,9
9
Por lo tanto:
IG = 83,99 / 435,0 = 0,19
Un Indice Gini de 0,19 indica que la muestra est bastante uniformemente repartida, es decir, su
nivel de concentracin no es excesivamente alto.
Ejemplo: Ahora vamos a analizar nuevamente la muestra anterior, pero considerando que hay ms
personal de la empresa que cobra el sueldo mximo, lo que conlleva mayor concentracin de renta
en unas pocas personas.
Empleados
(Frecuencias
absolutas)
(Millones)
Simple
Acumulad
x
x
xa
3,
1
1
5
0
0
4,
1
2
5
0
0
6,
8
2
0
8
8,
5
3
0
3
10
3
3
,0
6
15
0
3
,0
6
20
4
4
,0
0
Sueldos
Simple
x
25,0%
25,0%
20,0%
12,5%
7,5%
0,0%
10,0%
Acumulad
xa
25,0%
50,0%
70,0%
82,5%
90,0%
90,0%
100,0%
En este caso obtendramos los siguientes datos:
X
n
i
x
x i
3,5
1
0
4,5
1
0
6,0
8
8,0
5
10,0
3
15,0
0
25,0
4
x
x
n
x i
1
0
2
0
2
8
3
3
3
6
3
6
4
x 0
p
x i
25,
0
50,
0
70,
0
82,
5
90,
0
90,
0
100,
x0
Xi * ni
Xi * ni
x
x
35
45
48
40
30
0
10
0
Pgina
14
35
80
12
8
16
8
19
8
19
8
29
8
q
x i
11,
7
26,
8
43,
0
56,
4
66,
4
66,
4
100,
x0
pi xqi
13,2
6
23,1
5
27,0
5
26,1
2
23,5
6
23,5
60,0
x0
pi (entre 1 y n-1)
=
407,
5
(pi - qi) (entre 1 y

n-1
)=
136,
69
El Indice Gini sera:

IG = 136,69 / 407,5 = 0,34
El Indice Gini se ha elevado considerablemente, reflejando la mayor concentracin de rentas que
hemos comentado.
Medidas de forma: Coeficiente de Asimetra
b) Asimetra
Hemos comentado que el concepto de asimetra se refiere a si la curva que forman los valores de la
serie presenta la misma forma a izquierda y derecha de un valor central (media aritemtica)
Para medir el nivel de asimetra se utiliza el llamado Coeficiente de Asimetra de

Fisher, que viene definido:
Los resultados pueden ser los siguientes:

g1 = 0 (distribucin simtrica; existe la misma concentracin de valores a la derecha y a la izquierda
de la media)
Pgina
15
g1 > 0 (distribucin asimtrica positiva; existe mayor concentracin de valores a la derecha de la

media que a su izquierda)
g1 < 0 (distribucin asimtrica negativa; existe mayor concentracin de valores a la izquierda de la
media que a su derecha)
Ejemplo: Vamos a calcular el Coefiente de Asimetra de Fisher de la serie de datos referidos a la
estatura de un grupo de alumnos (leccin 2):
Variable
(Valor)
x
1,
20
1,
21
1,
22
1,
23
1,
24
1,
25
1,
26
1,
27
1,
28
1,
29
1,
30
Simple
Acumulad
x
xa
1
1
4
5
4
9
2
1
1
1
1
2
2
1
4
3
1
7
3
2
0
4
2
4
3
2
7
3
3
0
Simple
Acumulad
x
xa
3,3%
3,3%
13,3%
16,6%
13,3%
30,0%
6,6%
36,6%
3,3%
40,0%
6,6%
46,6%
10,0%
56,6%
10,0%
66,6%
13,3%
80,0%
10,0%
90,0%
10,0%
100,0%
Recordemos que la media de esta muestra es 1,253
((xi - x)^3)*ni
x
((xi - x)^2)*ni
x
0,000110
0,030467
Luego:
(1/30) * 0,000110
g1 =
------------------------------------------(1/30) * (0,030467)^(3/2)
Pgina
16
= - 0,15
Por lo tanto el Coeficiente de Fisher de Simetra de esta muestra es -0,1586, lo que quiere decir
que presenta una distribucin asimtrica negativa (se concentran ms valores a la izquierda de la
media que a su derecha).
Medidas de forma: Coeficiente de Curtosis
c) Curtosis
El Coeficiente de Curtosis analiza el grado de concentracin que presentan los valores alrededor
de la zona central de la distribucin.
Se definen 3 tipos de distribuciones segn su grado de curtosis:
Distribucin mesocrtica: presenta un grado de concentracin medio alrededor de los valores
centrales de la variable (el mismo que presenta una distribucin normal).
Distribucin leptocrtica: presenta un elevado grado de concentracin alrededor

de los valores centrales de la variable.
Distribucin platicrtica: presenta un reducido grado de concentracin alrededor
de los valores centrales de la variable.
Pgina
17
[Escribir el ttulo del documento][Seleccionar fecha]
El Coeficiente de Curtosis viene definido por la siguiente frmula:
Los resultados pueden ser los siguientes:
g2 = 0 (distribucin mesocrtica).
g2 > 0 (distribucin leptocrtica).
g2 < 0 (distribucin platicrtica).
Ejemplo: Vamos a calcular el Coefiente de Curtosis de la serie de datos referidos a la estatura de
un grupo de alumnos (leccin 2):
Variable
(Valor)
x
1,
20
1,
21
1,
22
1,
23
1,
24
1,
25
1,
26
1,
27
1,
28
1,
29
1,
30
Simple
Acumulad
x
xa
1
1
4
5
4
9
2
1
1
1
1
2
2
1
4
3
1
7
3
2
0
4
2
4
3
2
7
3
3
0
Simple
Acumulad
x
xa
3,3%
3,3%
13,3%
16,6%
13,3%
30,0%
6,6%
36,6%
3,3%
40,0%
6,6%
46,6%
10,0%
56,6%
10,0%
66,6%
13,3%
80,0%
10,0%
90,0%
10,0%
100,0%
Recordemos que la media de esta muestra es 1,253
((xi - xm)^4)*ni
x
((xi - xm)^2)*ni
x
0,000049
67
0,03046667
Luego:
Pgina
18
(1/30) * 0,00004967
g2 ------------------------------------=
-3=-1,39
((1/30) * (0,03046667))^2
Por lo tanto, el Coeficiente de Curtosis de esta muestra es -1,39, lo que quiere decir que se trata
de una distribucin platicrtica, es decir, con una reducida concentracin alrededor de los valores
centrales de la distribucin.
Distribuciones bidimensionales
Las distribuciones bidimensionales son aquellas en las que se estudian al mismo tiempo dos variables
de cada elemento de la poblacin: por ejemplo: peso y altura de un grupo de estudiantes; superficie y
precio de las viviendas de una ciudad; potencia y velocidad de una gama de coches deportivos.
Para representar los datos obtenidos se utiliza una tabla de correlacin:
X/Y
x
1
x
2
.....
xn-1
xn
y
1
n1,1
n2,1
x
nn-1,1
nn,1
y
2
n1,2
n2,2
x
nn-1,2
nn,2
...
..x
x
x
x
x
ym-1
n1,m-1
n2,m-1
x
ym
n1,m
n2,m
x
nn-1,m-1
nn,m-1
nn-1,m
nn,m
Las "x" representan una de las variables y las "y" la otra variable. En cada interseccin de una valor
de "x" y un valor de "y" se recoge el nmero de veces que dicho par de valores se ha presentado
conjuntamente.
Ejemplo: Medimos el peso y la estatura de los alumnos de una clase y obtenemos los siguientes
resultados:
Alumno
x
Alumno
1
Alumno
2
Alumno
3
Alumno
4
Alumno
5
Estatur
a x
Pes
ox
1,25
32
1,28
33
1,27
31
1,21
34
1,22
32
Alumno
x
Alumno1
1
Alumno1
2
Alumno1
3
Alumno1
4
Alumno1
5
Estatur
a x
Pes
ox
1,25
31
1,28
35
1,27
34
1,21
33
1,22
33
Pgina 19
Alumno
x
Alumno2
1
Alumno2
2
Alumno2
3
Alumno2
4
Alumno2
5
Estatur
a x
Pes
ox
1,25
33
1,28
32
1,27
34
1,21
34
1,22
35
Alumno
6
Alumno
7
Alumno
8
Alumno
9
Alumno1
0
1,29
31
1,30
34
1,24
32
1,27
32
1,29
35
Alumno1
6
Alumno1
7
Alumno1
8
Alumno1
9
Alumno2
0
1,29
31
1,30
35
1,24
32
1,27
31
1,29
33
Alumno2
6
Alumno2
7
Alumno2
8
Alumno2
9
Alumno3
0
1,29
31
1,30
34
1,24
33
1,27
35
1,29
34
Esta informacin se puede representar de un modo ms organizado en la siguiente tabla de

correlacin:
Estatura / Peso
1,21 cm
1,22 cm
1,23 cm
1,24 cm
1,25 cm
1,26 cm
1,27 cm
1,28 cm
1,29 cm
1,30 cm
31
kg0
0
0
32
kg0
1
0
33
kg1
1
0
34
kg2
0
0
35
kg0
1
0
0
1
0
2
0
3
0
2
1
0
1
1
0
0
1
1
0
0
1
1
0
0
0
0
2
0
1
2
0
0
0
1
1
1
1
Tal como se puede ver, en cada casilla se recoge el nmero de veces que se presenta conjuntamente
cada par de valores (x,y).
Tal como vimos en las distribuciones unidimensionales si una de las variables (o las dos) presentan
gran nmero de valores diferentes, y cada uno de ellos se repite en muy pocas ocasiones, puede
convenir agrupar los valores de dicha variable (o de las dos) en tramos.
Pgina 20
Distribuciones marginales
Al analizar una distribucin bidimensional, uno puede centrar su estudio en el comportamiento de

una de las variables, con independencia de como se comporta la otra. Estaramos as en el anlisis de
una distribucin marginal.
De cada distribucin bidimensional se pueden deducir dos distribuciones marginales: una
correspondiente a la variable x, y otra correspondiente a la variable y.
Distribucin marginal de X
X
ni.
x
1
x
2
..
xn-1 ..
.x
n
1
n
.2
..
..
nn1.n
n
n
. de Y
Distribucin marginal
Y
n.j
y
y1
2
..
ym-1 ..
y.
n
.
n
1
....
2
n.m
-1
n.m
Ejemplo: a partir del ejemplo que vimos en la leccin anterior (serie con los pesos y medidas de los
alumnos de una clase) vamos a estudiar sus distribuciones marginales.
Estatura / Peso
1,21 cm
1,22 cm
1,23 cm
1,24 cm
1,25 cm
1,26 cm
1,27 cm
31
kg0
0
0
0
1
0
2
32
kg0
1
0
2
1
0
1
Pgina 21
33
1kg
1
0
1
1
0
0
34
2kg
0
0
0
0
0
2
35
kg0
1
0
0
0
0
1
1,28 cm
1,29 cm
1,30 cm
0
3
0
1
0
0
1
1
0
0
1
2
1
1
1
Las variables marginales se comportan como variables unidimensionales, por lo que pueden ser
representadas en tablas de frecuencias.
a) Distribucin marginal de la variable X (estatura)

Obtenemos la siguiente tabla de frecuencia:
Variable
(Estatura)
Simple
Acumulad
a
xx
xx
xx
1,
3
3
21
1,
3
6
22
1,
0
6
23
1,
3
9
24
1,
3
1
25
2
1,
0
1
26
2
1,
6
1
27
8
1,
3
2
28
1
1,
6
2
29
7
1,
3
3
30
0
Simple
Acumulad
a
xx
xx
10,0%
10,0%
10,0%
20,0%
0,0%
20,0%
10,0%
30,0%
10,0%
40,0%
0,0%
40,0%
20,0%
60,0%
10,0%
70,0%
20,0%
90,0%
10,0%
100,0%
b) Distribucin marginal de la variable Y (peso)

Obtenemos la siguiente tabla de frecuencia:
xVariable
(Peso)
xx
31
32
33
34
35
Simple
Acumulad
a
xx
xx
6
6
6
7
5
6
1
2
1
8
2
5
3
0
Simple
Acumulad
a
xx
xx
20,0%
20,0%
20,0%
23,3%
16,6%
Coeficiente de correlacin lineal
Pgina 22
20,0%
40,0%
60,0%
83,3%
100,0%
En una distribucin bidimensional puede ocurrir que las dos variables guarden algn tipo de relacin
entre si.
Por ejemplo, si se analiza la estatura y el peso de los alumnos de una clase es muy posible que
exista relacin entre ambas variables: mientras ms alto sea el alumno, mayor ser su peso.
El coeficiente de correlacin lineal mide el grado de intensidad de esta posible relacin entre
las variables. Este coeficiente se aplica cuando la relacin que puede existir entre las varables es
lineal (es decir, si representaramos en un gfico los pares de valores de las dos variables la nube de
puntos se aproximara a una recta).
No obstante, puede que exista una relacin que no sea lineal, sino exponencial, parablica, etc. En
estos casos, el coeficiente de correlacin lineal medira mal la intensidad de la relacin las variables,
por lo que convendra utilizar otro tipo de coeficiente ms apropiado.
Para ver, por tanto, si se puede utilizar el coeficiente de correlacin lineal, lo mejor es representar los
pares de valores en un grfico y ver que forma describen.
El coeficiente de correlacin lineal se calcula aplicando la siguiente frmula:
Es decir:
Numerador: se denomina covarianza y se calcula de la siguiente manera: en cada par de valores
(x,y) se multiplica la "x" menos su media, por la "y" menos su media. Se suma el resultado obtenido
de todos los pares de valores y este resultado se divide por el tamao de la muestra.
Denominador se calcula el produto de las varianzas de "x" y de "y", y a este produto se le calcula
la raz cuadrada.
Los valores que puede tomar el coeficiente de correlacin "r" son: -1 < r < 1
Si "r" > 0, la correlacin lineal es positiva (si sube el valor de una variable sube el de la otra). La
correlacin es tanto ms fuerte cuanto ms se aproxime a 1.
Por ejemplo: altura y peso: los alumnos ms altos suelen pesar ms.
Si "r" < 0, la correlacin lineal es negativa (si sube el valor de una variable disminuye el de la otra).
La correlacin negativa es tanto ms fuerte cuanto ms se aproxime a -1.
Pgina 23
Por ejemplo: peso y velocidad: los alumnos ms gordos suelen correr menos.
Si "r" = 0, no existe correlacin lineal entre las variables. Aunque podra existir otro tipo de
correlacin (parablica, exponencial, etc.)
De todos modos, aunque el valor de "r" fuera prximo a 1 o -1, tampoco esto quiere decir
obligatoriamente que existe una relacin de causa-efecto entre las dos variables, ya que este
resultado podra haberse debido al puro azar.
Ejemplo: vamos a calcular el coeficiente de correlacin de la siguiente serie de datos de altura y
peso de los alumnos de una clase:
Alumn
o x
Alumno
1
Alumno
2
Alumno
3
Alumno
4
Alumno
5
Alumno
6
Alumno
7
Alumno
8
Alumno
9
Alumno
10
Estatur
a x
Pes
ox
1,25
32
1,28
33
1,27
34
1,21
30
1,22
32
1,29
35
1,30
34
1,24
32
1,27
32
1,29
35
Alumn
o x
Alumno
11
Alumno
12
Alumno
13
Alumno
14
Alumno
15
Alumno
16
Alumno
17
Alumno
18
Alumno
19
Alumno
20
Estatur
a x
Pes
ox
1,25
33
1,28
35
1,27
34
1,21
30
1,22
33
1,29
34
1,30
35
1,24
32
1,27
33
1,29
33
Aplicamos la frmula:
(1/30) * (0,826)
r=
-------------------------------------------------------(((1/30)*(0,02568)*((1/30)*(
51,366)))^(1/2)
Luego,
r=
0,719
Pgina 24
Alumn
o x
Alumno
21
Alumno
22
Alumno
23
Alumno
24
Alumno
25
Alumno
26
Alumno
27
Alumno
28
Alumno
29
Alumno
30
Estatur
a x
Pes
ox
1,25
33
1,28
34
1,27
34
1,21
31
1,22
32
1,29
34
1,30
34
1,24
31
1,27
35
1,29
34
Por lo tanto, la correlacin existente entre estas dos variables es elevada (0,7) y de signo postivo.
Regresin lineal
Representamos en un grfico los pares de valores de una distribucin bidimensional: la variable "x"
en el eje horizontal o eje de abcisa, y la variable "y" en el eje vertical, o eje de ordenada. Vemos que
la nube de puntos sigue una tendencia lineal:
El coeficiente de correlacin lineal nos permite determinar si, efectivamente, existe relacin
entre las dos variables. Una vez que se concluye que s existe relacin, la regresin nos permite
definir la recta que mejor se ajusta a esta nube de puntos.
Una recta viene definida por la siguiente frmula:
y = a + bx
Donde "y" sera la variable dependiente, es decir, aquella que viene definida a partir de la otra
variable "x" (variable independiente). Para definir la recta hay que determinar los valores de los
parmetros "a" y "b":
El parmetro "a" es el valor que toma la variable dependiente "y", cuando la variable
independiente "x" vale 0, y es el punto donde la recta cruza el eje vertical.
El parmetro "b" determina la pendiente de la recta, su grado de inclinacin.
Pgina 25
La regresin lineal nos permite calcular el valor de estos dos parmetros, definiendo la recta que
mejor se ajusta a esta nube de puntos.
El parmetro "b" viene determinado por la siguiente frmula:
Es la covarianza de las dos variables, dividida por la varianza de la variable "x". El parmetro
"a" viene determinado por:
a = ym - (b * xm)
Es la media de la variable "y", menos la media de la variable "x" multiplicada por el parmetro "b"
que hemos calculado.
Ejemplo: vamos a calcular la recta de regresin de la siguiente serie de datos de altura y peso de los
alumnos de una clase. Vamos a considerar que la altura es la variable independiente "x" y que el
peso es la variable dependiente "y" (podamos hacerlo tambin al contrario):
Alumn
o x
Alumno
1
Alumno
2
Alumno
3
Alumno
4
Alumno
5
Alumno
6
Alumno
7
Alumno
8
Alumno
9
Alumno
10
Estatur
a x
Pes
ox
1,25
32
1,28
33
1,27
34
1,21
30
1,22
32
1,29
35
1,30
34
1,24
32
1,27
32
1,29
35
Alumn
o x
Alumno
11
Alumno
12
Alumno
13
Alumno
14
Alumno
15
Alumno
16
Alumno
17
Alumno
18
Alumno
19
Alumno
20
Estatur
a x
Pes
ox
1,25
33
1,28
35
1,27
34
1,21
30
1,22
33
1,29
34
1,30
35
1,24
32
1,27
33
1,29
33
El parmetro "b" viene determinado por:

Pgina 26
Alumn
o x
Alumno
21
Alumno
22
Alumno
23
Alumno
24
Alumno
25
Alumno
26
Alumno
27
Alumno
28
Alumno
29
Alumno
30
Estatur
a x
Pes
ox
1,25
33
1,28
34
1,27
34
1,21
31
1,22
32
1,29
34
1,30
34
1,24
31
1,27
35
1,29
34
b=
(1/30) * 1,034
--------------------------------
= 40,265
(1/30) * 0,00856
Y el parmetro "a" por:

a = 33,1 - (40,265 * 1,262) = -17,714
Por lo tanto, la recta que mejor se ajusta a esta serie de datos es:
y = -17,714 + (40,265 * x)
Esta recta define un valor de la variable dependiente (peso), para cada valor de la variable
independiente (estatura):
Estatura
x
1,2
0
1,2
1
1,2
2
1,2
3
1,2
4
1,2
5
1,2
6
1,2
7
1,2
8
1,2
9
1,3
0
Peso
x
30,
6
31,
0
31,
4
31,
8
32,
2
32,
6
33,
0
33,
4
33,
8
34,
2
34,
6
PROBABILIDADES
1.1.
Generalidades
A diario, siempre se estn tomando decisiones y en la mayor parte de los casos, se lo

hace en condiciones de incertidumbre y con informacin insuficiente de las
condiciones actuales o de las consecuencias que podran ocasionar esta decisin.
Por ejemplo, los inversionistas tienen que decidir si deben invertir en un valor o en
una accin tomando en cuenta sus expectativas sobre rendimientos futuros. Los
exportadores, al decidir ubicar su producto en un mercado nuevo, se enfrentan a la
incertidumbre de si tendrn xito.
Debido a la existencia de incertidumbre al tomar decisiones, es necesario que todos
los riesgos implcitos conocidos se evalen de forma cientfica, siendo por lo tanto
Pgina 27
importante utilizar la teora probabilstica, a menudo conocida como ciencia de la

incertidumbre.
El utilizar probabilidades en la toma de decisiones, permite analizar los riesgos y minimizar el
azar, con informacin limitada. Siendo por lo tanto el objetivo de este tema, explicar los
mtodos con los que se puede medir la posibilidad de sucesos inciertos.
1.2.
- Definicin de probabilidad
Para obtener conocimientos del mundo que nos rodea, normalmente se toman
muestras y a partir de las mismas, se estima la probabilidad de que ocurran
determinados sucesos, siendo la probabilidad la verosimilitud numrica de que
ocurra un suceso incierto. Esta probabilidad, es un valor ente 0 y 1, asignado a un
fenmeno para indicar su posibilidad de ocurrir, cuanto ms probable sea el suceso
ms cerca de 1 ser la probabilidad asignada:
0P(A) 1
donde (A) es un suceso cualquiera.
PROBABILIDAD: Es la verosimilitud numrica de que ocurra un suceso

incierto, cuyo valor est entre 0 y 1.
La probabilidad de la certidumbre es 1 y la probabilidad de la imposibilidad es 0.

Ejemplo: la probabilidad de escoger un alumno de administracin en la Carrera de
Administracin es 1, la probabilidad de que una persona tenga mas de 130 aos es 0.
En la definicin de probabilidad se emplean los trminos de evento, suceso y experimento,
veamos el significado de cada uno de estos trminos:
Experimento: toda accin o actividad bien definida que produce un resultado nico y
bien definido.
Evento o suceso: cada uno de los resultados posibles de un experimento. Al conjunto
de todos los resultados posibles del experimento se denomina espacio muestral.
Ejemplos:
EXPERIMENTO
Inspeccionar un artculo
EVENTO O SUCESO
Defectuoso
No defectuoso
Cara
Cruz
Lanzar una moneda
1.3.
Importancia de la probabilidad
La teora de la probabilidad, se remonta a los juegos de azar, sin embargo en la

actualidad, es importante en muchos asuntos de negocios, para tomar decisiones en
condiciones de incertidumbre, por ejemplo: en caso de seguros, donde es necesario
conocer anlisis actuarial, que est basado en la teora de la probabilidad. Las primas
de seguros, dependen de las tablas de mortalidad, que tambin se basan en esta teora.
Estimacin de produccin de productos defectuosos. Estimacin de errores en la
emisin de facturas. Tiempo promedio de permanencia en un hospital o clnica.
Pgina 28
1.4.
Enfoques de la probabilidad
Existen tres formas para enfocar la probabilidad:

Enfoque clsico o a priori
Enfoque de la frecuencia relativa
Enfoque subjetivo
1.4.1.
Enfoque clsico o a priori
Es el que ms se relaciona con los juegos de azar, se basa en la consideracin

de que todos los resultados de un experimento son igualmente posibles. La
probabilidad de que ocurra un evento es igual al nmero de resultados
favorables entre el nmero total de resultados posibles.
Nmero de resultados favorables
Probabilidad de un evento = -------------------------------------------Nmero de resultados posibles
N(A)
P(A) = ----N
Ejemplo:
El experimento consiste en lanzar un dado. Determinar la probabilidad de obtener un
cinco:
Solucin:
El nmero de resultados favorables o eventos es 1, puesto que solamente existe una cara
con un cinco en un dado.
El nmero de resultados posibles o eventos es 6: 1,2,3,4,5,6
Por lo tanto la probabilidad pedida es:
1
P(cinco) = --------6
P(cinco) = 0,167
La probabilidad de obtener un cinco es de 16,7%.
En el enfoque clsico, los eventos deben tener la misma posibilidad de ocurrir, adems
deben ser mutuamente excluyentes y exhaustivos en forma colectiva. Se dice que son
mutuamente excluyentes si slo uno de varios eventos puede ocurrir cada vez. Son
exhaustivos en forma colectiva si se puede incluir todos los resultados posibles.
1.4.2.
Enfoque de la frecuencia relativa
En este enfoque se utilizan datos pasados obtenidos en observaciones empricas, tomando

en cuenta la frecuencia con que ha ocurrido un suceso en el pasado y se estima la
probabilidad de que vuelva a ocurrir a partir de esos datos histricos.
Pgina 29
Nmero de veces que el evento ocurri en el pasado

Probabilidad de un evento = ---------------------------------------------------------Nmero total de observaciones
n(A)
P(A) = -----N
Ejemplo:
En el semestre pasado, en la asignatura de Estadstica II, se inscribieron 400 alumnos, de los
cuales 100 aprobaron y 120 abandonaron. Determinar la probabilidad de aprobacin, de
abandonos y de reprobacin:
Solucin:
Nmero de aprobados
P(aprobacin) = -------------------------------------------------------------Total de alumnos inscritos en Estadstica II
100
P(aprobacin) = -----------------400
P(aprobacin) = 0,25
La probabilidad de aprobar es de 25%
Nmero de abandonos
P(abandonos) = -------------------------------------------------------------Total de alumnos inscritos en Estadstica II
120
P(abandonos) = -----------------400
P(abandonos) = 0,3
La probabilidad de abandonar es de 30%
Nmero de reprobados
P(reprobacin) = -------------------------------------------------------------Total de alumnos inscritos en Estadstica II
180
P(reprobacin) = -----------------400
P(reprobacin) = 0,45
La probabilidad de reprobar es de 45%
1.4.3.
Enfoque subjetivo
En muchas ocasiones no se dispone de datos histricos, debiendo por lo tanto calcular la

probabilidad de acuerdo a nuestro mejor criterio, constituyendo ste el enfoque subjetivo:
Pgina 30
Ejemplo:
Estimar la posibilidad de que Aurora juegue en la Liga Profesional
Estimar la probabilidad de que llueva en un da soleado
EJERCICIOS:
1. En el lanzamiento de un dado
a) Cul es la probabilidad de que caiga un cuatro
b) Qu concepto de probabilidad se ilustra con esto
c) Los eventos son igualmente probables y mutuamente excluyentes? Explicar
2. Hay 52 cartas en una baraja normal
a) Determinar la probabilidad de que la primera carta que se saque sea de
corazones
b) Determinar la probabilidad de que la primera carta que se saque sea un as
de corazones
c) Qu concepto de probabilidad se ilustra en a y b?
3. En los ltimos 150 das, Ana Vargas ha estado llegando tarde durante 100 das.
a) Cul es la probabilidad de que llegue tarde hoy?
b) Qu enfoque se utiliza?
4. Qu enfoque de probabilidad ser el ms adecuado en cada una de las siguientes
condiciones?
a) Tirar una moneda y anotar el resultado
b) Estimar la probabilidad de que las ventas de la Taquia aumenten este ao,
dada la previsin econmica del gobierno
c) Estimar la probabilidad de que se inicie el bloque general de carreteras en
nuestro pas
5. Definir y poner tres ejemplos de experimentos, resultados y conjuntos, adems de
tres ejemplos de sucesos que sean mutuamente excluyentes, colectivamente
exhaustivos, independientes y complementarios.
1.5.
Tablas de Frecuencias y Tablas de Probabilidades
Las tablas de Frecuencias y de Probabilidades, permiten resumir datos y calcular

probabilidades. Por ejemplo, en un estudio sobre la preferencia de un nuevo sabor de
dentfrico, se obtuvieron los siguientes resultados:
TABLA DE FRECUENCIA
PREFERENCIA
NIOS
JOVENES
ADULTOS
TOTAL
LE GUSTA
100
120
80
300
NO LE GUSTA
80
60
130
270
INDIFERENTE
160
90
180
430
TOTAL
340
270
390
1000
Se puede apreciar que esta tabla, tiene 3 filas y 3 columnas, las filas contienen el grupo
etreo y las columnas su preferencia por el nuevo sabor. Los totales de cada categora se
muestran al final, tanto de las filas como de las columnas. Los valores del margen derecho
indican los totales de las preferencias y los valores del margen inferior los totales de los
grupos etreos. El valor de cada celda, indica el nmero de observaciones pertenecientes a
cada categora, as por ejemplo la ultima celda, muestra que 180 adultos son indiferentes al
nuevo sabor, de todos los que los indiferentes, 180 son adultos; de todos los adultos a 180
les es indiferente el nuevo sabor.
A partir de esta tabla, es posible construir la siguiente tabla de probabilidades, donde cada
valor de la tabla de frecuencias se divide entre el nmero total de observaciones:
TABLA DE PROBABILIDADES
Pgina 31
PREFERENCIA
NIOS
JOVENES
ADULTOS
TOTAL
LE GUSTA
0,1
0,12
0,08
0,3
NO LE GUSTA
0,08
0,06
0,13
0,27
INDIFERENTE
0,16
0,09
0,18
0,43
TOTAL
0,34
0,27
0,39
El valor de cada celda, constituye la probabilidad conjunta de ambos sucesos, es decir la

probabilidad de la preferencia y el grupo etreo. As por ejemplo, la probabilidad de gustarle
el nuevo sabor a un nio es de 10%, la probabilidad de que a un adulto no le guste el nuevo
sabor es de 13%.
Se denomina probabilidad conjunta [P(A B)] a la probabilidad de que dos o ms
sucesos ocurran al mismo tiempo.
Los valores del margen derecho y del inferior, indican la probabilidades

marginales. As por ejemplo: la probabilidad de que les guste el sabor es de 30%
y de que no les guste es de 27%.
Se denomina probabilidad marginal a la probabilidad de ocurrencia de un solo
suceso.
EJERCICIOS:
6. Teniendo la siguiente tabla de distribucin de frecuencias de ventas en miles de
dlares por productos y por empresas, determinar las probabilidades conjuntas y
marginales, interpretando los resultados:
EMPRESA
PIL ANDINA
VAQUITA
ANGOSTURA
VENTAS (MILES DE $US)

LECHE
YOGURTH
MANTEQUILLA
200
120
50
300
0
20
450
200
0
7. Teniendo la siguiente tabla de distribucin de frecuencias de las ventas de leche por

zona y por empresa, determinar las probabilidades conjuntas y marginales,
interpretando los resultados
ZONA
EMPRESA
NORTE
CENTRAL
SUD
PIL ANDINA
280
400
40
VAQUITA
10
12
8
ANGOSTURA
10
20
170
8. Teniendo la siguiente tabla de distribucin de frecuencias de alumnos por sexo y por

carrera, determinar las probabilidades conjuntas y marginales, interpretando los
resultados
CARRERA
MUJERES
VARONES
AUDITORIA
3500
2000
ADMINISTRACIN
2500
2100
ECONOMIA
500
700
Pgina 32
1.6.
Teora Coordinatoria
Se utiliza para poder determinar el espacio muestral y/o el nmero de eventos favorables.
1.6.1.
Tcnica multiplicativa
Esta tcnica expresa lo siguiente: si

Si una eleccin consta de k pasos, donde el primero puede realizarse de n1 maneras, en
cada una de stas el segundo paso puede efectuarse de n 2 maneras,...., y, en cada una de
stas, el k-simo puede hacerse en nk maneras, entonces la eleccin ser efectuada en
n1*n2*n3...*nk maneras
Ejemplo:
Si una muchacha tiene 3 blusas: blanca, azul y verde; 3 faldas: lila, rosada y violeta y dos
pares de zapatos: negro y caf; sin importar cmo se ver vestida, de cuntas formas
diferentes puede combinar su ropa:
Solucin:
n1= 3 blusas
n2= 3 faldas
n3 = 2 pares de zapatos
Utilizando la frmula se tiene:
n1*n2*n3 = 3 * 3 *2
n1*n2*n3 = 18
Si se usa el diagrama de rbol, se tiene:
Blusas
blanca
azul
Faldas
Zapatos
negro
caf
blanca, lila, negro

blanca, lila, caf
rosada
negro
caf
blanca,rosada, negro
blanca, rosada, caf
violeta
negro
caf
blanca, violeta, negro

blanca, violeta, caf
lila
negro
caf
azul, lila, negro

azul, lila, caf
rosada
negro
caf
verde
General
lila
azul, rosada, negro

azul, rosada, caf
violeta
negro
caf
azul, violeta, negro

azul, violeta, caf
lila
negro
caf
verde, lila, negro

verde, lila, caf
rosada
negro
Pgina 33
verde, rosada, negro
violeta
1.6.2.
caf
verde, rosada, caf
negro
caf
verde, violeta, negro

verde, violeta, caf
Permutaciones
Son arreglos de n elementos tomados de r en r donde interesa el orden.
Siendo su frmula:
n!
nPr = -----------(n r)!
Ejemplo:
Existen 10 automviles para ser expuestos, pero solamente 4 espacios de exhibicin. De
cuntas maneras pueden colocarse estos 10 automviles en los 4 espacios de exhibicin?
Solucin:
Para el primer espacio existen 10 posibilidades, para el segundo solamente nueve (uno ya se
utiliz), para el tercero 8 ( se utilizaron do) y para el cuarto 7 (se utilizaron 3). Se tiene:
10 * 9 * 8 *7 = 5040
es decir:
Pr=
1.6.3.
10
10!
P 4 = --------------- = 5040
( 10 4 ) !
Combinaciones
Son arreglos de n elementos tomados de r en r donde no interesa el orden

Su frmula es:
n!
n C r = --------------( n r)! r!
Ejemplo:
De cuntas maneras diferentes puede seleccionar una mesa directiva de 4 personas, si se
dispone de 10 personas para ser elegidas?
Solucin:
En este caso, no es importante el orden, puesto que cualquiera puede ocupar cualquier lugar
en la mesa directiva, por lo tanto las combinaciones posibles sern.
n = 10
r =4
10!
C
=
-------------------10
4
(10 4 )! 4!
= 210
EJERCICIOS:
9. Cuntos nmeros de 3 cifras se pueden formar con los dgitos del 0 al 9,
a) si se permite la repeticin
b) si no se permite la repeticin
10. Si en la Liga del Futbol Profesional existen 10 equipos y tienen que jugar un
Pgina 34
campeonato, cuntos partidos deben programarse, si tiene que jugar todos contra
todos?
11. Calcular el nmero de formas en que un capataz puede escoger 10 de 20

trabajadores para asignarles trabajo en tiempo extra
12. Un inversionista desea eliminar 5 de las opciones de inversin de su portafolio
vendiendo 3 acciones y dos bonos. En cuntas formas se pueden vender estos
valores, si entre los 20 ttulos que hay en el portafolio 15 son acciones y el resto
bonos?
13. Un curso, est compuesto por 10 mujeres y 15 varones. Se debe elegir una mesa
directiva de 5 personas. Determinar la probabilidad de que en la mesa directiva
estn:
a)
b)
c)
d)
Exactamente 2 mujeres
Por lo menos 2 mujeres
Cuando mucho 2 mujeres
Ninguna mujer
14. El gerente general de una multinacional de comida rpida prefiere ubicar el negocio
en la zona central. Siete de los 12 miembros del consejo de administracin estn de
acuerdo con l pero los restantes prefieren otra zona. Cul es la probabilidad de que
si se debe seleccionar a 4 para conformar un comit y decidir la ubicacin del
negocio, todos estn de acuerdo con el gerente general?
1.7.
Reglas Bsicas de Probabilidad
Una vez definida la probabilidad de un evento y descrito los diferentes enfoques, es

necesario aplicar las dos reglas bsicas para el clculo de la probabilidad.
Regla de adicin o de suma

Regla de multiplicacin
1.7.1.
Regla de adicin o de suma
Se utiliza para encontrar la probabilidad de la unin de dos o ms sucesos. Existen

dos variantes:
a)Si los sucesos son mutuamente excluyentes, la regla de la suma indica que
se debe sumar la probabilidad del suceso A a la probabilidad del suceso B
P(A o B) = P(A) + P(B)
b)Si los sucesos no son mutuamente excluyentes, se debe sumar la

probabilidad del suceso A a la probabilidad del suceso B y restar la
probabilidad conjunta de ambos sucesos A y B.
P(A o B) = P(A) + P(B) P(A B)
Ejemplo:
Pgina 35
De acuerdo a un estudio realizado en la Facultad de Ciencias Econmicas, a 500

titulados, se encontr que 180 tenan menos de 22 aos, de los cuales, 30 eran de
administracin, 100 de Auditora y 50 de Economa. De los que tenan ms de 22 aos,
60 eran de administracin, 240 de Auditora y 20 de Economa. Si se elige una persona
al azar, determinar la probabilidad de que:
a) Sea de administracin o Economa
b) Tenga menos de 22 aos o sea de Auditora
c) Tenga ms de 22 aos o sea de Administracin
d) Sea de Economa o tenga menos de 22 aos
Solucin:
Los datos se pueden resumir en la siguiente tabla de frecuencia:
CARRERA
EDAD
ADMINISTRACIN
MENOS DE 22 AOS
30
MAS DE 22 AOS
60
TOTAL
90
AUDITORIA
100
240
340
ECONOMIA TOTAL
50
180
20
320
70
500
a) P(Administracin o Economa) = P(Administracin) + P(Economa)

= 90/500 + 70/500
= 0.18 + .14
= 0.32
La probabilidad de que sea un administrador o un economista es de 32%
b) P(Menos de 22 aos o Auditora)= P(Menos de 22 aos) + P(Auditora)
P(Menos de 22 aos y Auditora)
= 180/500 + 340/500 100/500
= 0.36 + 0.68 - 0.2
= 0.84
La probabilidad de que tenga menos de 22 aos o sea de Auditora es de 84%
c) P(Ms de 22 aos o Adm.) =
P(Ms de 22 aos) +P(Administracin)

P(Ms de 22 y Administracin)
= 320/500 + 90/500 60/500
= 0.64 + 0.18 0.12
= 0.7
La probabilidad de que tenga ms de 22 aos o sea de Administracin es de 70%

d) P(Economa o Menos de 22 aos) = P(Economa) +P(Menos de 22 aos)
- P (Economa y Menos de 22 aos)
= 70/500 + 180/500 - 50/500
= 0.14 + 0.36 0.10
= 0.40
La probabilidad de que sea de Economa o tenga menos de 22 aos es de 40%
Resumiendo se tiene la siguiente tabla de probabilidad:
CARRERA
EDAD
MENOS DE 22 AOS
MAS DE 22 AOS
TOTAL
ADMINISTRACION
0,06
0,12
0,18
Pgina 36
AUDITORIA
0,20
0,48
0,68
ECONOMIA
0,10
0,04
0,14
TOTAL
0,36
0,64
1,00
1.7.2.
Regla de multiplicacin
Se utiliza para determinar la probabilidad conjunta de que ocurran dos sucesos. Existen dos
clases: en caso de independencia y en caso de dependencia.
1.7.2.1.
Regla de la multiplicacin en caso de independencia de sucesos
La probabilidad conjunta de que los sucesos A y B puedan ocurrir resulta de multiplicar la probabilidad
de que el suceso A ocurra por la probabilidad de que el suceso B ocurra:
P (A y B) = P (A) * P(B)
Ejemplo 1:
En el lanzamiento de dos monedas, determinar la probabilidad de que las dos sean
caras.
Solucin:
La probabilidad de que la primera moneda sea cara es de . La probabilidad de que
la segunda moneda sea cara es tambin , no importando que la primera haya sido
cara, por lo tanto, se tendr
:
P(cara y cara) = P(cara) * P(cara)
P(cara y cara) = *
P(cara y cara) = o 0,25
Ejemplo 2:
La probabilidad de que un esposo est vivo a la edad de 60 aos es de 30%, la
probabilidad que la esposa est viva a la edad de 60 aos es de 45%. Suponiendo
independencia de sucesos, determinar la probabilidad de que:
a) Ambos estn vivos a la edad de 60 aos
b) Por lo menos uno de ellos est vivo a la edad de 60 aos
c) Ninguno de ellos est vivo a la edad de 60 aos
Solucin:
a) Ambos estn vivos a la edad de 60 aos
Si P(A) es igual a la probabilidad de que la esposa est viva a la edad de 60 aos:
P(A) = 0,45
Si P(B) es igual a la probabilidad de que el esposo est vivo a la edad de 60 aos:
P(B) = 0,30
Como existe independencia se sucesos y se pide la probabilidad de que ambos estn vivos a la edad de
60 aos, se tiene:
P(A y B) = P(A) * P(B)
P(A y B) = 0.45 * 0.30
Pgina 37
P(A y B) = 0,135
La probabilidad de que ambos estn vivos a la edad de 60 aos es de 13,5 %.
b) Por lo menos uno de ellos est vivo a la edad de 60 aos
El decir por lo menos uno de ellos est vivo a la edad de 60 aos, significa que el
esposo est vivo o la esposa est viva o ambos estn vivos a la edad de 60 aos, es
decir:
Est vivo el esposo:
P(A y B) = P(A) * P(B)

P(A y B ) = 0,55 * 0.30
P(A y B) = 0,165
La esposa est viva:
P(A y B) = P(A) * P(B)

P(A y B) = 0,45 * 0.70
P(A y B) = 0,315
Los dos estn vivos:
P(A y B) = P(A) * P(B)
P(A y B) = 0,45 *0.30
P(A y B) = 0,135
Como se pide la unin de estos 3 eventos, se tiene:
P(por lo menos uno est vivo) = 0,165 + 0,31115 + 0,135
P(por lo menos uno est vivo) = 0,45
Por lo tanto, la probabilidad de que por lo menos uno est vivo a la edad de 60 aos
es de 45%
c) Ninguno de ellos est vivo a la edad de 60 aos
P(Esposo muera y la Esposa muera) = P( A y B)
P( A y B) = P(A) * P(B)
= 0,55 * 0,70
= 0,385
La probabilidad de que ninguno est vivo a la edad de 60 aos es de 38,5%.
1.7.2.2.
Regla de la multiplicacin en caso de dependencia de sucesos
Se utiliza para determinar la probabilidad conjunta de dos sucesos, sabiendo que el

segundo depende del primero, de donde resulta ser igual a la Probabilidad del primer
suceso, multiplicado por la probabilidad del segundo sabiendo que ha ocurrido el
primero.
Pgina 38
P(A y B) = P(A) * P(B/A)

O bien:
P(A y B) = P(B) * P(A/B)
Es decir:
P(A y B) = P(A) * P(B/A) = P(B) * P(A/B)
Ejemplo:
Existen 15 televisores a la venta en una determinada casa comercial, de los cuales 5 tienen
algn defecto de fabricacin. Determinar la probabilidad de que los dos primeros televisores
en ser vendidos tengan algn defecto de fabricacin
Solucin:
El primer televisor defectuosos en ser vendido, constituye el suceso A, por lo que P(A) =
5/15, porque 5 de los 15 son defectuosos. El segundo televisor defectuoso en ser vendido
constituye el suceso B, por lo que P(B/A) = 4/14, puesto que solamente quedaron 4
defectuosos despus de haber vendido el primer televisor defectuoso de los 14 que
quedaban. Por lo tanto, la probabilidad de 2 televisores defectuosos se tiene:
P(A y B) = P(A) * P(B/A)
P(A y B) = 5/15 * 4/14
P(A y B) = 0,095
La probabilidad de que los dos primeros televisores en ser vendidos tengan algn defecto de
fabricacin es de 9,5%
A la probabilidad de cierto suceso, dado que antes ha ocurrido ya otro determinado suceso,
se denomina probabilidad condicional
La probabilidad de que el suceso B ocurra, dado que o sabiendo que ha

ocurrido el suceso A [P(B/A)] se denomina probabilidad condicional
Es igual:
P( A Y B )
P(B/A) = ------------------P(A)
Ejemplo 2:
Teniendo la siguiente tabla de probabilidades, determinar la probabilidad de:
a) Ser de Administracin sabiendo que tiene ms de 22 aos
b) Tener ms de 22 aos, sabiendo que es de Auditora
c) Ser de Economa sabiendo que tiene menos de 22 aos
CARRERA
EDAD
ADMINISTRACIN(M) AUDITORIA(D) ECONOMIA(E)

MENOS DE 22 AOS (A)
0,06
0,20
0,10
Pgina 39
TOTAL
0,36
MAS DE 22 AOS (B)
0,12
0,18
0,48
0,68
0,04
0,14
0,64
1,00
Solucin:
a) Ser de Administracin sabiendo que tiene ms de 22 aos
P(M/B) =
P(M/B) =
P( M Y B)
---------------------P(B)
0,12 / 0,64
P(M/B) = 0,1875
La probabilidad de que sea de administracin sabiendo que tiene ms de 22 aos es de
18,75%
b) Tener ms de 22 aos, sabiendo que es de Auditora
P(B/D) =
P( B y D)
---------------------P(D)
P(B/D) =
0,48 / 0,68
P(B/D) =
0,71
La probabilidad de que tenga ms de 22 aos, sabiendo que es de Auditora es de 71%

c) Ser de Economa sabiendo que tiene menos de 22 aos
P(E/A) =
P( E y A)
---------------------P(A)
P(E/A) =
0,10 / 0,36
P(E/A) =
0,036
La probabilidad de que sea de Economa, sabiendo que tiene menos de 22 aos es de 3,6%.
EJERCICIOS:
15. La probabilidad de que un estudiante apruebe Mercado es de 50%, de que apruebe
Estadstica es de 60% y de que apruebe Finanzas es de 40%. Determinar la
probabilidad de que:
a) Apruebe una materia
b) Apruebe por lo menos una materia
c) Apruebe cuando mucho una materia
d) Repruebe las tres
16. Las probabilidades de que un estudiante apruebe Estadstica es de 60%, de que
apruebe Contabilidad es de 50%. De que apruebe ambas es de 30%. Determinar la
probabilidad de que apruebe Contabilidad, sabiendo que ha aprobado Estadstica.
Pgina 40
17. Una empresa de investigaciones de Mercado hizo una encuesta a compradores en el

ICE NORTE, para determinar sus preferencias respecto al uso de los detergentes
OMO y ARIEL. Si el primer comprador prefiere OMO, se simboliza con O1 y si el
segundo comprador prefiera ARIEL, se simboliza con A2. Segn informes del sector,
OMO tiene el 30% del mercado y ARIEL el 40%. Si estas cuotas de mercado,
representan probabilidades, determinar las siguientes probabilidades de dos
compradores elegidos al azar:
a) Los dos prefieran ARIEL: P(A1 y A2)
b) Los dos prefieran OMO
c) El primero prefiera OMO y el segundo ARIEL
d) El primero prefiera ARIEL y el segundo OMO
e) Un comprador prefiera un detergente y el segundo el otro
18. El curso de Estadstica el anterior semestre estaba compuesto por 120 estudiantes,
de los cuales, 70 eran varones, habiendo aprobado 15. Del total de mujeres, slo
aprobaron 10. Determinar la probabilidad de que:
a) Un estudiante elegido al azar sea una mujer que aprob
b) Un estudiante elegido al azar sea un varn que reprob
c) Un estudiante elegido al azar sea un reprobado de sexo femenino
d) Un estudiante elegido al azar sea un aprobado de sexo masculino
19. La probabilidad de que una Empresa emplee una nueva estrategia de mercado es
de 0,45 y la probabilidad de que la nueva estrategia de mercado sea adoptada y las
ventas crezcan a los niveles proyectados es de 30%. Cual es la probabilidad de que
si la Empresa emplea la nueva estrategia de ventas las ventas crezcan a los niveles
proyectados?
20. Si P(A) =0,5; P(B)= 0,3 y P(A y B) = 0,15 los sucesos A y B son independientes o
dependientes?
21. En base a la siguiente tabla, sobre preferencias de gaseosas y lugar de residencia,
determinar la probabilidad de que:
a) Prefiera Coca Cola
b) Sea de la zona norte
c) Prefiera SIMBA
d) Sea de la zona sud
e) Prefiera Coca Cola o Pepsi Cola
f) Prefiera Fresca o Coca Cola
g) Sea de la zona norte o prefiera Coca Cola
h) Prefiera Fresca o sea de la zona sud
i) Prefiera Simba y sea de la zona central
j) Sea de la zona sud y prefiera Pepsi Cola
k) Sabiendo que es de la zona norte prefiera Simba
l) Sabiendo que es de la zona sud prefiera Coca Cola
m) Sabiendo que prefiere Fresca, sea de la zona central
n) Sabiendo que prefiere Coca Cola sea de la zona norte o de la zona central
o) Sabiendo que prefiere Pepsi Cola o Simba sea de la zona sud
p) Sabiendo que prefiere Fresca o Simba sea de la zona sud o norte
q) Sabiendo que es de la zona sud o norte prefiera Fresca o Simba
r) Prefiera Coca Cola y Pepsi Cola
s) Sea de la Zona Norte y del Centro
NORTE(N)
COCA COLA(C)
150
FRESCA(F)
80
PEPSI COLA(P)
70
SIMBA(I)
50
LUGAR DE RESIDENCIA
CENTRO(E)
SUD (S)
80
90
50
70
Pgina 41
90
100
110
120
1.8.
Teorema de Bayes
Constituye un mtodo para encontrar la probabilidad de una causa especfica cuando se

observa un efecto particular, si el evento B ha ocurrido, determinar la probabilidad de que haya
sido generado por el evento Ai.
Sabemos que:
P(A) * P(B/A) = P(B) * P(A/B)
Despejando P(A/B), tenemos:
P(A) * P(B/A)
P(A/B) = --------------------P(B)
Suponiendo que hay n eventos mutuamente excluyentes (A1, A2, A3, .....Ak) , que podran causar
el evento B. El evento B, tiene que estar determinado por una de estas causa, por lo tanto, la
probabilidad de que el evento B ocurra puede estar representado por:
P(B) = P[(A1 B) U (A2,B) U (A3 B) U .....U(Ak B)
Como todos los eventos A son mutuamente excluyentes, empleando la regla de la adicin, se
tiene:
P(B) = P(A1 B) +P(A2,B) + P(A3 B) + .....+ P(Ak B)
Utilizando la regla multiplicativa, se tiene:
P(B) = P(A1) *P(B/ A1) +P(A2) * P(B/ A2) + P(A3 ) * P (B/ A3) + .....+ P(Ak B)
Por lo tanto, se tiene:
P(Ai) * P(B/Ai)
P(Ai / B) = --------------------------- P( Ak) * P( B/Ak)
TEOREMA DE BAYES
Si A1, A2,......,Ak, son eventos mutuamente excluyentes donde solamente

uno de ellos debe ocurrir, entonces:
P( Ai) * P( B/Ai)
P(Ai/B) = ------------------ P( Ak) * P( B/Ak)
Ejemplo
Una empresa tiene fbricas en La Paz y Cochabamba. la fbrica de Cochabamba produce el
40% del total de las unidades, con un ndice de defectos del 10%. la de La Paz tiene un
ndice de defectos del 20%. Si una unidad suelta se encuentra defectuosa, determinar la
probabilidad de que proceda de Cochabamba
Solucin:
A1 = produccin de la fbrica de La Paz
A2 = produccin de la fbrica de Cochabamba
B = defectos
P(A1) = 60% de todas las unidades = 0,60
P(A2) = 40 de todas las unidades = 0,40
P(B/ A1) = probabilidad de ser defectuosa si ha sido producida en La Paz = 0,20
Pgina 42
P(B/ A2) = probabilidad de ser defectuosa si ha sido producida en Cochabamba = 0,10

P( A2 / B) = probabilidad de que sabiendo que es defectuoso, provenga de Cochabamba
P (A2) * (B/ A2)
P( A2 / B) =-----------------------------------------------P (A1) * (B/ A1) + P (A2) * (B/ A2)
0,40 * 0,10
P( A2 / B) = ------------------------------------------0,60 * 0,20 + 0,40 * 0,10
0,04
P( A2 / B) = ----------------0,12 + 0,04
P( A2 / B) = 0,25
Por lo tanto habiendo encontrado una unidad defectuosa, la probabilidad de que la misma
provenga de Cochabamba es de 25%.
Utilizando el diagrama del rbol, se tiene:

Defectuoso
0,60
La Paz
0,40
Perfecto
Cochabamba
Defectuoso
Perfecto
Se puede resumir en la siguiente tabla:
A1
A2
P(Ak)
Prob. a priori
P(B/Ak)
Prob.condicional
P(Ak) * P(B/Ak) =
P(AkB)
Prob. Conjunta
0,12
P(Ak/B)
Prob
a posteriori
0,75
0,60
0,20
0,40
0,10
0,04
0,25
1,00
---
0,016
1,00
EJERCICIOS:
22. Se sabe que el 50% de las personas adquieren su casa al contado, el 40% a crdito
y el resto por herencia. de las personas que adquieren su casa al contado, el 60%
paga impuestos al da, de los que adquieren a crdito el 70% paga los impuestos y
solamente el 10% de los que reciben como herencia. si se elige una persona al azar
y se encuentra que pago sus impuestos al da, cual es la probabilidad de que haya
adquirido su casa a crdito?
23. En cierta ciudad, el 25% de todos los automviles emiten excesiva cantidad de
contaminantes. si la probabilidad es 0,99 de que un automvil que emite cantidad
excesiva de contaminantes no aprobara la prueba de emisin vehicular y la
probabilidad es de 0.17 de que un automvil que n emite cantidad excesiva de
contaminantes pese a ello no pasara la prueba. Cual es la probabilidad de que un
Pgina 43
automvil que no pase la prueba en realidad emita cantidad excesiva de

contaminantes?
24. Los registros de un banco que tiene 2000 clientes indican que 1.200 son clientes
antiguos. De los clientes antiguos, 800 obtuvieron un prstamo, de los nuevos 500
obtuvieron un prstamo. Si un cliente obtiene un prstamo, cual es la probabilidad de
que sea antiguo?
Pgina 44
DISTRIBUCIONES DE PROBABILIDAD
2.1 INTRODUCCION:
En el tema anterior se estudiaron los conceptos de la teora de probabilidades, donde se aprendi a
calcular la probabilidad de un solo suceso o la probabilidad de sucesos compuestos. En este tema el
objetivo es aprender a describir una distribucin de probabilidad, diferenciar los dos tipos que existen
y saber utilizar las mismas.
2.2. DEFINICION:
Una distribucin de probabilidad es una lista de todos los resultados posibles de

un experimento y de la probabilidad asociada a cada resultado. Puede
presentarse en forma de tabla, grfico o frmula
2.3. CLASIFICACION:
Existen dos tipos de distribucin de probabilidad, dependiendo de los dos tipos de variables que se
conocen, es decir: discretas y continuas
Se denomina distribucin de probabilidad de variable discreta, cuando la variable
aleatoria slo puede tomar asumir valores enteros.
Se denomina distribucin de variable continua, cuando la variable aleatoria puede
asumir un nmero infinito de valores.
2.4. DISTRIBUCION DE PROBABILIDAD DE VARIABLE DISCRETA

Se simboliza:
P(X = xi)
y se lee: la probabilidad de que la variable aleatoria X asuma un valor
especfico i.
La media de una distribucin de probabilidad se denomina valor esperado de una variable
aleatoria y es igual a:
= E(X) = xi * P (xi)
que viene a ser la media aritmtica ponderada de todos los resultados posibles.
La varianza de una distribucin de probabilidad es la media aritmtica de las desviaciones
respecto a la media elevadas al cuadrado, siendo igual a:
= ( xi - ) * P(xi)
2
Entre las distribuciones especiales de variable discreta se tienen a la distribucin

binomial, a la Poisson y a la Hipergeomtrica.
2.4.1. Distribucin Binomial
Tiene solamente dos resultados posibles: xito o Fracaso

La probabilidad de un xito permanece constante de un ensayo a otro (p)
La probabilidad de xito en un ensayo es totalmente independiente de lo obtenido en
cual ensayo
Los ensayos se pueden repetir muchas veces
n
Pgina 45
P(r) =
p q
nx
Cxp q
n-x
x
donde:
n = nmero de ensayos
x = nmero de xitos
p = probabilidad de xito
q = 1-p = probabilidad de fracaso
MEDIA:
=np
VARIANZA
2
=npq
2.4.2. Distribucin de Poisson:

Mide la probabilidad de un suceso aleatorio a lo largo de un intervalo temporal o espacial
Se caracteriza porque la probabilidad de que ocurra el suceso es constante para dos
intervalos de tiempo o espacio cualquiera y adems la aparicin de un suceso en cualquier
intervalo es independiente de su aparicin en cualquier otro intervalo. Tambin se utiliza
cuando n es grande y la probabilidad de xito pequea.
e -
P(x) = -------------------x
x
Donde:
= es el promedio o media aritmtica
x = es el nmero de veces que ocurre el suceso
e = base de logaritmos naturales
MEDIA
= np
VARIANZA
2.4.3. Distribucin hipergeomtrica:
Se utiliza cuando no existe reemplazamiento, es decir en caso de que los ensayos no

sean independientes. Tiene que existir dos subpoblaciones o dos submuestras
claramente diferenciadas.
rC x
N - rCn - x
P (x) = -------------------------NC n
Donde:
N = tamao de la poblacin
r = nmero de xitos en la poblacin
n = tamao de la muestra
x = nmero de xitos en la muestra
2.5. DISTRIBUCION DE PROBABILIDAD DE VARIABLE CONTINUA

La distribucin ms representativa que pertenece a este grupo es la distribucin normal, que
tiene las siguientes caractersticas:
1. Tiene forma de campana
2. El rea total comprendida bajo la curva y por encima del eje horizontal es igual a 1
3. La distribucin es simtrica respecto de su media. Es decir, el 50% del rea est a la
derecha y el 50% a la izquierda
Pgina 46
4. La media, la mediana y la moda son iguales

5. La distancia horizontal que hay desde el punto de inflexin de la curva hasta una
perpendicular levantada sobre la media es igual a la desviacin tpica
6. La distribucin normal es una familia de distribuciones, puesto que existe una
distribucin diferente para cada valor de y
7. La curva de una distribucin normal se extiende de - hasta +
8. El rea comprendida hasta la primera desviacin tpica es de 0,68, hasta dos
desviaciones es de 0.95 y hasta 3 desviaciones es de 0.997
Para poder calcular la probabilidad de que la variable aleatoria X asuma valores en un
intervalo se hara necesario integrar la siguiente frmula que corresponde a la ecuacin
normal:
1
F(x) = ----------- exp.
1
x -
--- ----------2
sin embargo, es posible calcular esta probabilidad, utilizando la distribucin normal

estandarizada
2.5.1. Distribucin normal estandarizada
Tiene una media de 0 y una varianza de 1. Las reas de esta distribucin normal
estandarizada correspondientes a varias probabilidades se encuentran tabuladas en la
Tabla de Distribucin Normal. En el cuerpo de esta tabla, se encuentran las reas bajo
la curva entre 0 y cualquier valor especfico de Z:
Z
0.0
0.1
0.00
0.01
..
0.08
0.09
(segundo decimal)
AREA
..
..
1.0
1.1.
primer decimal
Ejemplos:
1. Hallar el rea bajo la curva normal estandarizada entre 0 y 1.08
Solucin:
Localizar primero el nmero 1.0 en la primera columna y el nmero 0.08 en la fila

superior de la tabla, el nmero que aparece en la interseccin de esa fila y esa
columna es 0.3599, que corresponde al rea buscada. Graficando se tiene:
2. Calcular la probabilidad de que un valor de z sacado al azar est comprendido entre
0 y 2.45
Solucin:
Por una de las caractersticas de la distribucin normal, donde se indica que es simtrica, el
rea entre 0 y 2.45 es exactamente igual al rea entre 0 y 2.45.
Pgina 47
Localizar primero el nmero 2,4 en la primera columna y el 0,05 en la primera fila, el

nmero encontrado es: 0.4929.
3. Hallar P ( -1.2 Z 1.39)
Solucin:
El rea solicitada se encuentra tanto al lado izquierdo como al derecho y corresponde a:
0.348+ 0.4177 = 07657
4. Hallar P ( Z > 1.99)
Solucin:
Esta rea, no se encuentra en la tabla, puesto que la misma muestra el rea entre 0 a 1.99,
si el rea total a la derecha de 0 es de 0.5, para encontrar el rea solicitada, se encuentra el
rea hasta 1.99 y luego se resta de 0.5, es decir: 0.5 0.4767 = 0.0233
5. Calcular P (Z >-1.5)
Solucin:
El rea que existe en la tabla es hasta -1.5, pero por simetra se sabe que a
la derecha de 0 el rea es de 0.5, por lo tanto P (Z >-1.5) = 0.5 + 0.4332 =
0.9332
6. Calcular P (Z < 2)
Solucin:
El rea que existe en la tabla es hasta 2, pero por simetra se sabe que a la
izquierda de 0 el rea es de 0.5, por lo tanto P (Z <2) = 0.5 + 0.4772 =
0.9772
2.5.2. Aplicaciones de la Distribucin Normal
Para poder transformar cualquier distribucin normal a una estandarizada, se utiliza la
frmula de transformacin o frmula Z:
X -
Z = ---------
donde:
X = valor especificado de la variable aleatoria
= media de la distribucin
= desviacin tpica de la distribucin
Una vez realizada esta transformacin, la media de la distribucin es 0 y la desviacin tpica
es 1
Ejemplo:
El colegio de Auditores indica que el promedio anual de ingresos entre sus afiliados
es de $10.000, con una desviacin tpica de 1.500. Si los ingresos siguen una
distribucin normal, cul es la probabilidad de que uno de sus afiliados gane:
a) Ms de $13.000?
Solucin
X = 13.000
= 10.000
= 1.500
13.000 - 10.000
Z = --------------------1.500
Pgina 48
Z = 2
P ( X > 13.000) = P ( Z> 2) = 0.5 - 0.4772 = 0.0228
La probabilidad de que gane ms de $13.000 es de 2.28%
b) Menos de $ 12.580?
Solucin
X = 12.580
= 10.000
= 1.500
12.580 - 10.000
Z = --------------------1.500
Z = 1.72
P ( X < 12.580) = P ( Z < 1.72) = 0.5 + 0.4573 = 0.9573
La probabilidad de que gane menos de 12.580 es de 95.73%
c) Entre $9.100 a 11.500?
X1 = 9.100
X2 = 11.500
= 10.000
= 1.500
9.100 - 10.000
Z1 = --------------------1.500
Z = -0.6
11.500 - 10.000
Z2 = --------------------1.500
Z2 = 1
P ( 9.100 < X < 11.500) = P ( -0.6 < Z < 1) = 0.2257 + 0.3413 = 0.567
La probabilidad de que gane entre 9.100 a 11.500 es de 56.7%
d) Como mnimo $6.550?
X = 6.550
= 10.000
= 1.500
6.550 - 10.000
Z = --------------------1.500
Z = - 2.3
P ( X > 6.550) = P ( Z > -2.3) = 0.5 + 0.4893 = 0.9893

La probabilidad que gane como mnimo $6.550 es de 98.93%
Pgina 49
e) Si los afiliados son 5.000, cuntos ganan ms de 11.200

X = 11.200
= 10.000
= 1.500
11.200 - 10.000
Z = --------------------1.500
Z = 0.8
P ( X > 11.200) = P ( Z > 0.8) = 0.5 0.2881 = 0.2119

Como son 5.000, 5.000 * .2119 = 1060
Son 1.060 afiliados que ganan ms de $11.200
f)
Si se quiere ayudar a los afiliados que tienen ingresos comprendidos en el 10%

ms bajo, desde qu ingresos se les debe ayudar?
Solucin:
En este caso, se conoce el rea, que est representada en el siguiente grfico, debiendo
buscar el valor de X que corresponde al signo de interrogacin.
El valor correspondiente en la tabla es 1.28, por lo tanto:

X - 10.000
-1.28 = ------------------1.500
-1.28 * 1.500 = X - 10.000
- 1.920 = X 10.000
- 1.920 + 10.000 = X
X = 8.080
Por lo tanto, el Colegio de Auditores tendr que ayudar a todos sus afiliados que ganen
menos de 8.080.
Pgina 50
EJERCICIOS
1. Un estudiante se presenta a un examen de falso y verdadero que contiene 20 preguntas si el

estudiante no se ha preparado nada y responde a las preguntas utilizando una moneda. Anota
verdadero si cae cara y falso si cae sello. Adems sabe que para aprobar debe responder
correctamente por lo menos el 70% de las preguntas. Cual es la probabilidad de aprobar el
examen? En promedio cuantas respuestas buenas puede contestar?
2. La probabilidad de nacimiento de un varn en la maternidad Germn Urquidi es de 55%. En una
familia que tiene 6 hijos. Cual es la probabilidad de que:
2.1 Exactamente 4 sean varones
2.2 Por lo menos 4 sean varones
2.3 Cuando mucho 4 sean varones
2.4 En promedio cuntos hijos varones se espera que tenga esta familia?
3. La probabilidad de que ocurra un retraso en un vuelo del LAB es de 0,2%. Si al mes se realizan
500 vuelos. Cual es la probabilidad de que se retrasen:
3.1 Cinco vuelos
3.2 Por lo menos 4 vuelos
3.3 Cuando mucho 3 vuelos
4. Si el 30% de los estudiantes de la Carrera se oponen a pagar la cuota al Centro de estudiantes.
Determinar la probabilidad de que en una muestra aleatoria de 25 estudiantes, el nmero de
estudiantes que se opone a la cuota sea:
4.1 Exactamente cinco
4.2 Mayor que cinco
4.3 Cinco o menos
4.4 Un nmero comprendido entre 6 y 10 inclusive
5. El Lic. Alvarez pide a sus alumnos que acten correctamente en las consultas al tutor si tienen
preguntas que hacer para preparar el informe final. Al parecer, la llegada de los estudiantes a la
oficina del tutor sigue una distribucin de Poisson, con una media de 5,2 estudiantes cada 20
minutos. Al Lic. Alvarez le preocupa que si hay demasiados estudiantes que necesitan los
servicios del tutor pueda producirse un problema de congestin:
5.1 El tutor tiene que determinar la probabilidad de que lleguen cuatro estudiantes durante
cualquier intervalo de 20 minutos, lo que creara el problema de congestin que teme el Lic.
Alvarez, si esta probabilidad es superior al 20% habr que contratar un nuevo tutor. Cual es
la decisin del Lic. Alvarez?
5.2 El tutor tiene que calcular tambin la probabilidad de que lleguen ms de cuatro estudiantes
durante cualquier periodo de 20 minutos. Si la probabilidad es superior al 50%, las horas de
oficina del tutor se ampliarn para que los estudiantes puedan espaciar la horas en que van
a ver al tutor. Cul es la decisin?
5.3 Si la probabilidad de que lleguen mas de siete estudiantes durante cualquier periodo de 30
minutos es superior a 50%, el mismo Lic. Alvarez, ofrecer tutora adicional. Debe ofrecerla?
6. Los jugadores de tenis llegan a las pistas en promedio 12 jugadores por hora. Si se supone una
distribucin de Poisson, cul es la probabilidad de que lleguen exactamente tres jugadores en:
6.1 La prxima hora
6.2 El prximo minuto
7. El Hospital Viedma ha informado de que cada hora llegan en promedio 7.2 pacientes al servicio
de urgencias. El gerente general del Hospital quiere conocer la probabilidad de que:
7.1 Exactamente 10 pacientes lleguen en cualquier hora dada
7.2 El nmero de llegadas supere la capacidad del servicio de urgencias, que est equipado para
15 pacientes
Pgina 51
8. El Banco BISA tiene 15 cajeros automticos. Al gerente le informaron que 6 de los 15 cajeros
estaban funcionando mal el ltimo fin de semana. El gerente hizo una inspeccin a 5 de estos
cajeros automticos. Cual es la probabilidad de que dos de los cajeros automticos probados estn
funcionando mal?
9. Un cargamento de 80 alarmas contra robo contiene cuatro que estn defectuosas. Si se
seleccionan al azar tres de estas y se envan a un cliente, determinar la probabilidad de que el
cliente reciba exactamente una unidad defectuosa
10. La empresa de servicios Hombres de Negro, envi nueve guardias al Banco Unin, sin embargo,
slo seis de ellos estn realmente preparados para enfrentarse a un asalto. El departamento de
seguridad del Banco, elige cinco de los nueve guardias. Cul es la probabilidad de que:
10.1 Los cinco estn preparados?
10.2 Cuatro estn preparados?
10.3 Tres como mnimo estn preparados?
10.4 Ninguno est preparado?
11. Las longitudes de cierta especie animal tienen una media de 4.62 pulgadas y una desviacin
tpica de 0.23 pulgada. Que porcentaje de estos animales:
A. Son mayores de 5 pulgadas?
B. Miden entre 4.35 y 4.85 pulgadas?
C. Son menores de 5.2 pulgadas?
12. En un sector del pas los gastos semanales de alimentacin de una familia estn mas o menos
2
normalmente distribuidos, con media de bs60 y varianza de Bs 225. Que proporcin de estas
familias gastan en alimentos:
A. Mas de 80 por semana?
B. Menos de 50 por semana?
C. Entre 65 y 85 por semana?
D. Ms de 55 por semana?
13. En una Universidad, se encontr que el promedio de calificaciones de los estudiantes, se
distribua en forma aproximadamente normal, con una media de 45 y una desviacin tpica de 15.
Si se elige un estudiante al azar, cual es la probabilidad de que:
A. Tenga un promedio mayor a 60?
B. Menor a 40?
C. Entre 50 a 75?
D. Entre 40 a 68?
14. La velocidad de los automviles al pasar por un punto de verificacin esta mas o menos
normalmente distribuida, con una media de 45 k/h y una varianza de 25.
A. Que proporcin de los automviles que pasan por el punto de control viaja a ms de 50 k/h?
B. Que proporcin de los automviles que pasan por el punto de control viaja entre 40 a 60 k/h)
C. Que proporcin pasa por el punto de control a una velocidad menor de 42 k/h?
D. Que proporcin de los automviles que pasan por el punto de control a menos de 53 k/h?
E. Si la velocidad limite en el control es de 55 k/h, que proporcin de automviles exceden esta
velocidad cuando pasan por el control?
15. Segn datos de Grandes Contribuyentes, los gastos fiscales mensuales de las empresas
cerveceras, en promedio son de 1.5 millones, con una desviacin tpica de 0.5 millones de $us.
Si existe normalidad en la distribucin de gastos fiscales mensuales:
15.1
Si se eligieran gastos fiscales de un mes cualquiera en cualquiera de estas empresas.
Cul es la probabilidad de que fueran superiores a 1.8 millones?
15.2
Cul es la probabilidad de que fueran inferiores a 2 millones?
15.3
Cul es la probabilidad de que fueran inferiores a 0.9 millones?
Pgina 52
15.4
15.5
15.6
15.7

Cul es la probabilidad de que fueran estuvieran entre 0.9 a 1.3 millones?
Cul es la probabilidad de que fueran inferiores entre 1.85 a 2.85 millones?
Si el Director de Grandes Contribuyentes debe determinar qu empresas informan
gastos en el 15% ms bajo, para darles un incentivo a producir ms, qu nivel de gastos
deber tener una empresa para recibir el incentivo?
Si el Director de Grandes Contribuyentes debe determinar qu empresas informan
gastos en el 20% ms alto, para disminuir la carga impositiva, qu nivel de gastos deber
tener una empresa para recibir poder ser acreedor a este beneficio?
16. Los costos mensuales de produccin de una determinada empresa, han dado una media de
410$us, con una desviacin tpica de 87$us. El director promete al propietario mantener los
costos por debajo de 300$us este mes. Si los costos siguen una distribucin normal, puede el
propietario creer al director?
17. Cada da suben al Cristo de la Concordia en el Telefrico en promedio 120 personas, con una
desviacin tpica de 30. Si los usuarios pagan 5Bs. Por el viaje de ida y vuelta. Cul es la
probabilidad de que en un da cualquiera, los ingresos:
17.1
Sean inferiores a Bs1000 ?
17.2
Sean superiores a Bs450?
17.3
Estn entre 900 a 990?
17.4
Estn entre 500 a 800?
17.5
Sean superiores a 960?
17.6
Sean inferiores a 480?
18. La cantidad real de cerveza que coloca una mquina llenadora en latas de 6 onzas vara de una
lata a otra y se puede considerar como una variable aleatoria que tienen distribucin normal con
desviacin tpica de 0,04 onzas. Si solo el 2% de las latas van a contener menos de 6 onzas de
cerveza. Cual debe ser el contenido de estas latas?
19. El gerente de un club de natacin sabe por experiencia de aos pasados que el nmero de nios
que cada miembro trae a la piscina en una sesin dada es una variable aleatoria que tiene
aproximadamente una distribucin normal, con media de 3.1 y una varianza de 0,3136. Entre 200
miembros, cuantos se puede esperar que traigan de dos a cuatro nios a la piscina en una
sesin?
Pgina 53
ESTIMACIONES Y PRUEBAS DE HIPOTESIS

1. INTRODUCCION
El objetivo de la estadstica es realizar inferencias de la poblacin, usando los
conceptos de probabilidad para afrontar la incertidumbre en la toma de decisiones.
Esta inferencia se puede realizar de dos formas: a travs de la estimacin o de las
pruebas de hiptesis.
Siempre se est realizando estimaciones, como por ejemplo: se estima el nmero
de alumnos que podran aprobar los exmenes de ingreso a la universidad, para de
esta manera preveer la infraestructura y los recursos humanos necesarios para
desarrollar el proceso enseanza-aprendizaje. Los directores financieros estiman el
comportamiento de las tasas de inters para de esta manera tomar decisiones que
puedan favorecer a su empresa.
2. ESTIMACION
2.1
ESTIMACIONES Y ESTIMADORES
Un estimador es el procedimiento expresado a manera de frmula o de regla por
medio del cual se obtiene un valor numrico o bien es un estadstico muestral con el
cual se estima un parmetro de la poblacin, ejemplo: el mtodo que se emplea
para calcular una media muestral
Una estimacin es un valor destinado a coincidir con alguna caracterstica
(parmetro) de una poblacin, es el valor especfico observado de un estadstico o
el resultado del procedimiento de la regla o frmula, ejemplo: el resultado que se
obtiene a travs del clculo de la media muestral.
2.2
TIPOS DE ESTIMACIONES
Bsicamente existen dos tipos de estimaciones: estimaciones puntuales

estimaciones por intervalo.
y las
Se hace una estimacin puntual, cuando se utiliza un solo nmero o valor del
estadstico para determinar del valor del parmetro poblacional. As por ejemplo si
se afirma: "se estima que el ingreso promedio de los trabajadores de la Empresa
Alfa y Omega es de Bs2.000 mensual"
Se efecta una estimacin por intervalo, cuando se afirma que con determinada
confianza que el parmetro poblacional se encuentra dentro de un rango. As por
ejemplo se puede estimar por intervalo expresando: "se estima que el ingreso medio
de los trabajadores de la Empresa Alfa y Omega est entre Bs1.500 a Bs2.500 con
el 98% de confianza
Pgina 54
2.3
PROPIEDADES DE LOS ESTIMADORES
Existen diferentes criterios para determinar las caractersticas de los buenos

estimadores, entre las principales estn:
2.3.1 Insesgabilidad o criterio de sesgo:
Se dice que un estimador es insesgado de un parmetro poblacional
cuando su esperanza matemtica es igual a dicho parmetro, es
decir:
E () =
El valor de la media de , calculado a partir de todas las muestras
posibles de tamao n es igual al valor de la poblacin . As por
ejemplo, el valor esperado de las medias muestrales es igual a la
media poblacional, por tanto es un valor insesgado de la misma. Otros
estimadores insesgados de sus parmetros corrrespondientes pueden
ser:
E(x1 x2) = -
E (p) = P
E ( p1 p2) = P1 P2
2.3.2 Eficiencia
Un estimador es eficiente cuando su varianza es mnima en relacin a
la varianza de cualquier otro estimador. Un estimador con menos
variacin, tendr ms probabilidades de producir una estimacin ms
cercana al parmetro de la poblacin en cuestin. De esta manera el
estimador 1 es eficiente si se cumple.
Var(1) < Var (i)
i 1
O bien:
Var (1)
---------- < 1
Var (i)
En sentido relativo entre dos estimadores ser eficiente el que tenga
menor varianza.
En la mayor parte de los casos, el criterio de eficiencia suele ser ms
importante que el criterio de sesgo.
2.3.3 Consistencia
Pgina 55
Se dice que un estimador es consistente, cuando a medida que

aumenta el tamao de la muestra, las estimaciones se aproximan o
tienden al parmetro poblacional, es decir el estimador es
consistente si:
P( - < ) = 1
Donde es un valor tan pequeo como se quiera
2.4
CONSTRUCCIN DEL INTERVALO DE CONFIANZA
Un intervalo de confianza, denota un rango o recorrido dentro del cual puede

encontrarse el parmetro poblacional y el nivel de confianza de que el intervalo
contenga el parmetro, tiene un limite inferior y un lmite superior. Para encontrar
estos lmites, se calcula el estadstico, que se utiliza como estimacin puntual y
luego se le suma y se le resta una misma cantidad, la misma que est en funcin
del error tpico y del nivel de confianza, es decir del error mximo de la
estimacin, que se tiene en que el intervalo contenga el valor desconocido del
parmetro:
E = Z /2
n
2.5
INTERVALO DE CONFIANZA PARA UNA MEDIA POBLACIONAL:

MUESTRAS GRANDES
El intervalo de confianza para una media poblacional, expresa la amplitud dentro

la cual probablemente se encuentra la misma, es el intervalo que tiene una
mayor probabilidad de contener a la media poblacional .
Como la media muestral es un estimador eficiente de la media poblacional, si se
conoce la varianza poblacional, la distribucin muestral x
de una muestra
aleatoria de tamao n tomada de una poblacin normal con media y varianza
2 es una distribucin normal con:
x=
Probabilidad
2x
2
= -----n
, por lo tanto se tiene:
(-z /2 < z < z /2) = 1 -
Pgina 56
Donde:
x -
Z = --------/n
reemplazando en la expresin anterior se tiene:
P (-z /2
x -
< -------- < z /2) = 1 -
/n
es decir:
P (x - z /2 * / n < < x + z /2 * / n ) = 1-
Siendo los lmites:
x - z /2 * / n
y x + z /2 * / n
Ejemplo:
Si una muestra aleatoria de tamao 20 tomada de una poblacin
normal con la varianza de 225 tiene una media de 64,3, construir un
intervalo de confianza del 95% de la media poblacional .
Si el nivel de confianza es de 95 % , entonces es 0,05 y Z/2 en la
tabla es de 1,96. Por consiguiente el intervalo de confianza del 95%
para la media poblacional es:
(64,3 1.96 * 15/ 20 < < 64,3 + 1.96 * 15/ 20) = 95%
Es decir la media poblacional se encuentra entre 57,7 a 70,9 con el
95% de nivel de confianza
Si no se conoce la varianza poblacional y el tamao de la muestra es
mayor de 30, se sustituye el valor de la desviacin estndar de la
muestra s y se sigue el mismo procedimiento.
2.6
DETERMINACIN DEL TAMAO DE LA MUESTRA
Para determinar el tamao de la muestra es necesario tomar en cuenta el

error tpico que es igual a / n, siendo la cantidad que se la va a sumar o
restar al estimador [z * / n], que es igual a la mitad de la amplitud del
intervalo de confianza, que viene a ser una forma de expresar la distancia a la
Pgina 57
cual nos gustara que estuviera la estimacin de la media verdadera,

simblicamente:
E = Z --------n
despejando n, tenemos el tamao de la muestra:
Z2 2
n = -------------E2
Si la poblacin es finita, se debe incorporar el factor de correccin para
poblaciones finitas, en este caso se tiene:
N Z2 2
n = ----------------------------Z2 2 + E2 (N-1)
2.7
INTERVALO DE CONFIANZA PARA UNA MEDIA POBLACIONAL

UNICA: MUESTRAS PEQUEAS.
Si la muestra es de tamao menor a 30 y proviene de una poblacin distribuida

normalmente, se debe construir un intervalo de confianza a partir de la
distribucin t de Student. Esta distribucin, tiene una media de cero, pero una
varianza mayor que 1, por lo tanto la distribucin t es ms achatada y ms
dispersa que la distribucin Z. La distribucin t es una familia de distribuciones
con distintas varianzas, estas varianzas dependen de los grados de libertad,
cuyo valor es igual a n-1. A medida que el tamao de la muestra aumenta, la
varianza se aproxima a 1.
El estadstico t se calcula de la siguiente manera:
x-
t
=
sx
siendo el intervalo de confianza para :
Pgina 58
(x+tsx
x + t s x ) = 1-
Ejemplo:
Los resultados de un estudio realizado en la Universidad, mostraron que una
muestra tomada al azar de 25 alumnos, tenan un promedio de notas de 63, con
una desviacin estndar de 22,8. Construir un intervalo de confianza del 90% de
la media de la poblacin que se muestrea.
s
INTERVALO DE CONFIANZA PARA =
x t
----n
= 63 (1,711) * 22,8 / 5
= 63 7,8
(55,2 70,8) = 90%
Por lo tanto, se estima que el promedio de notas en la Universidad, estar entre
55,2 a 70,8 con el 90% de nivel de confianza.
2.8
INTERVALO DE CONFIANZA PARA DIFERENCIA ENTRE MEDIAS

POBLACIONALES
Si las varianzas poblacionales son conocidas, el intervalo viene dado por:
(x1 x2) < 1 - 2 < (x1
{(x1x2 ) z
(x1 x2) }= 1 -
Donde x1
x2
es una diferencia observada entre dos medias muestrales
x2 )+ z
x1 x2
=
n1
2
-------- +
n2
------
Ejemplo: en una encuesta realizada en una determinada poblacin, 125 mujeres

con sangre de tipo A tuvieron un peso promedio de 61 kilos y 140 mujeres con
sangre de tipo B tuvieron un peso promedio de 56 kilos. En la poblacin de
Pgina 59
mujeres con sangre de tipo A, la desviacin tpica fue de 10 kilos y en la otra

poblacin fue de 7 kilos. Construir un intervalo de confianza del 95% para la
diferencia de medias.
Datos:
x1 = 61
n1 = 125
= 10
x2 = 56
n2= 140
=7
z = 1.96
x1 x2 = 100/ 125 + 49/140 = 1.0724
El intervalo es :
( (61-56) 1.96*1.0724 1 - 2 (61-56) 1.96*1.0724) = 95%
(2.898 1 - 2
7.102) = 95%
Si las varianzas poblacionales son desconocidas pero iguales, se debe utilizar:

2
sp
sp
sp
{(x1 x2 )t
sp
-- + --- 1 - 2 (x1 x2 ) +t
n1 n2
---- + ---- } = 1 -
n1
n2
donde sp es la estimacin combinada de la varianza comn y es igual a.
sp =
( n1 1) s1 + (n2 1) s2
------------------------------------n1 + n2 2
Ejemplo:
Un investigador desea estudiar el efecto de dos campaas publicitarias para
incrementar el consumo de cierto artculo. Para determinar el efecto de la
campaa A, se tomo una muestra de tamao 15 y para la campaa B una de
tamao 16. En la muestra A el consumo promedio fue de 50Bs/da y en la
muestra B fue de 25 Bs/da y las desviaciones tpicas de 5.3 y de 5.6
respectivamente. El investigador supona que las dos muestras de consumo
eran equivalentes a muestras aleatorias simples independientes de
oblaciones normalmente distribuidas y deseaba construir un intervalo de
confianza del 90% para la diferencia de las medias poblacionales.
Datos:
x1 = 50
x2 = 25
t = 1.6991
n1 = 15
n2= 16
s = 5.3
s = 5.6
Pgina 60
sp =
(15-1 ) * 28.09 + ( 16 1 ) * 31.36 / 29 = 29.616
El intervalo es:
( 25 1.6991 * 1.59 1 - 2 25 + 1.6991 * 1.59 ) = 90%
( 22.3 1 - 2 27.70 ) = 90%
2.9
COMPARACIONES PAREADAS
A veces es necesario tomar en cuenta dos muestras que no son independientes,

es decir, las mediciones tienen que hacerse antes y despus de la introduccin
de algn fenmeno, como por ejemplo el nivel de ventas antes y despus de
introducir una campaa de ventas; tambin pueden compararse dos clases de
observaciones cuando una muestra se divide en tal forma que la mitad
experimente un fenmeno y la otra mitad otro.
Para poder trabajar con este tipo de muestras, se debe obtener la diferencia
promedio para la muestra de n diferencias, que viene dada por:
di
--------n
donde d i es la diferencia de una muestra antes y despus del experimento.
d =
La varianza est dada por
sd
(d i d ) 2
= --------------n -1
siendo el intervalo de confianza:
(do - Z/2 * do / n d d o + Z /2 * do / n ) = 1 -
Donde
do es un valor numrico especfico calculado a partir de una
muestra. Si la muestra es pequea, cambiar Z por t
Ejemplo:
El Director del Servicio de Salud de Cochabamba, constat que dos
hospitales diferentes parecan cobrar cantidades muy distintas por el mismo
Pgina 61
servicio. Recogi las siguientes observaciones que se muestran a

continuacin de cada hospital y elabor un intervalo de confianza del 95%
para la diferencia entre los costos medios presentados por uno y otro. Si
existe diferencia el Director pretende informar del asunto a las autoridades
nacionales. Deber presentar el informe?
"A"
465
532
426
543
632
418
587
376
378
376
524
387
429
398
412
Para
obtener
A, obtenindose:
"A"
465
532
426
543
632
418
587
376
378
376
524
387
429
398
412
"B"
512
654
453
521
587
537
598
698
529
517
476
519
587
639
754
do, se tiene
que restar del valor de B el valor de
"B"
512
654
453
521
587
537
598
698
529
517
476
519
587
639
754
do
-47
-122
-27
22
45
-119
-11
-322
-151
-141
48
-132
-158
-241
-342
-1698
De donde el promedio de las diferencias es:

-1.698
Pgina 62
do =
---------- = -113.2
15
la desviacin estndar:
sdo =
122.037
por lo tanto el intervalo de confianza es:

(-113, 2 - 2.145 * 122,037/ 15
( -180,79
d -113, 2 - 2.145 * 122,037/ 15
) = 95%
d -45,61) = 95%
Por lo tanto, el Director del Servicio de Salud, puede estar seguro con el 95%
de nivel de confianza, de que el Hospital B, cobra entre 45,61 y 189,79
bolivianos ms que el Hospital A por los mismos servicios, parece ser
conveniente que presente su informe a las autoridades superiores.
2.10 INTERVALO DE CONFIANZA PARA UNA PROPORCION
POBLACIONAL
Se usa para hacer estimaciones de la proporcin de sujetos que componen una
poblacin y poseen una caracterstica de inters
El intervalo de confianza viene dado por:
q /n
(p-Z
/2 p
q /n ) = 1
P p + Z /2 p
Donde: p : es un valor especfico de P calculado para una

muestra
Cuando el muestreo se hace sin reemplazamiento en una poblacin finita, se
usa el factor de correccin para poblaciones finitas.
Ejemplo:
De una muestra aleatoria simple de 400 entrevistados, 220 dijeron que su
deporte favorito era el ftbol. Construir un intervalo de confianza del 95% par
la proporcin real de los que consideran el ftbol como su deporte favorito.
La estimacin puntual de P es p = 220/240 = 0,55
El valor de Z para el 95% es: 1,96
Pgina 63
El Error Estndar de la proporcin es:
0,55* 0,45
----------------400
p = 0.024875
Por lo tanto el intervalo de confianza para el 95%, ser:
( 0,55 1,96 * 0.024875
P 0,55 1,96 * 0.024875= 95%
(0.501 P 0.599) = 95%

Por lo tanto se puede considerar con un 95% de confianza, que les gusta el
ftbol entre el 50 al 60% de la poblacin.
Tamao de la muestra para proporciones:

n = p q ( Z/d )2
2.11 INTERVALO DE CONFIANZA PARA LA DIFERENCIA ENTRE DOS

PROPORCIONES POBLACIONALES
Se utiliza para comparar dos proporciones poblacionales a partir de dos
proporciones muestrales.
El intervalo de confianza, viene dado por:
[( p1 p2 ) - Z/2
(p1 - p2) +Z/2 p1 - p2 ]= 1 -
p1- p2
P 1 - P2
Donde el error estndar de la diferencia de dos proporciones es:
p1 ( 1-p1 )
p2- (1- p2)
p1- p2 =
------------- + --------------n1
n2
Ejemplo:
En un estudio sobre las caractersticas de los estudiantes de dos carreras en la
Facultad de Ciencias Econmicas, los investigadores recogieron los siguientes
datos por medio de muestras aleatorias simples:
Pgina 64
CARRERA
AUDITORIA
ECONOMIA
MUESTRA
250
300
FUMADORES
150
150
Construir el intervalo de confianza del 95% par la diferencia entre las

proporciones poblacionales de fumadores
La proporcin de fumadores en Auditora es: 150/250 = 0.6
La proporcin de fumadores en Economa es: 150/300 = 0.5
El error estndar de la diferencia de proporciones es:
p1-
p2
0.6 * 0.4
0.5 *0.5
------------------ + ------------250
300
p1- p2 = 0.0423
El intervalo de confianza ser:
[(0,5- 0.6) 1.96 * 0.0423
( -0.183
P1 - P2
P1 - P2
(0,5- 0.6) + 1.96 * 0.0423]= 95%
-0.017) = 95%
3. PRUEBAS DE HIPTESIS
3.1
HIPOTESIS
Afirmacin sujeta a verificacin o comprobacin

Enunciado acerca del valor de un parmetro poblacional
3.2
PRUEBA DE HIPOTESIS
Procedimiento que se basa en la evidencia de una muestra y en la teora de
la probabilidad para determinar si la hiptesis es una afirmacin razonable y
no debe rechazarse, o si es irrazonable y debe rechazarse.
Las hiptesis, se pueden basar en la experiencia y la observacin,
experimentacin o en la intuicin, las cuales proporcionan una base para
realizar una investigacin, por lo que se las puede denominar hiptesis de
investigacin. Para poder verificar estadsticamente estas hiptesis tienen
que ser enunciadas de manera conveniente, de tal forma que puedan ser
comprobadas mediante los mtodos estadsticos respectivos. Estas hiptesis
replanteadas reciben el nombre de hiptesis estadsticas, que pueden ser
de dos tipos: hiptesis nula o de ninguna diferencia: Ho y la hiptesis alterna:
H1.
Pgina 65
3.3
PROCEDIMIENTODE VERIFICACION DE HIPTESIS
El procedimiento para la verificacin de hiptesis, debe contemplar los

siguientes pasos:
1. Planteamiento de las hiptesis
2. Seleccin del nivel de significacin
3. Descripcin de la poblacin que interesa y planteamiento de las
suposiciones necesarias
4. Seleccin del estadstico pertinente
5. Especificacin del estadstico de prueba y consideracin de su
distribucin
6. Especificacin de las zonas de rechazo y aceptacin
7. Recoleccin de datos y clculo de los estadsticos necesarios
8. Decisin estadstica
9. Conclusin
3.3.1 Planteamiento de las hiptesis

Se debe plantear la hiptesis que se probar, es decir la hiptesis nula,
con el objetivo de aceptarla o rechazarla. Es decir, se aceptar si los
datos muestrales no pueden proporcionar evidencia suficiente para
probar lo contrario.
En una prueba de hiptesis, se obtiene la conclusin rechazando o no
la hiptesis nula porque se prefiere que los datos de la muestra apoyen
la hiptesis alterna.
Para determinar la hiptesis alterna es til preguntarse: Qu deseo
concluir? o Que creo que es verdadero?
Ejemplos:
Un investigador que establece como hiptesis de investigacin
el hecho de que la campaa A es ms efectiva que la campaa B,
frente a la pregunta Qu deseo concluir?, el investigador responder
que desea sacar la conclusin de que la campaa A es ms efectiva
que la campaa B, por tanto, la hiptesis alterna ser:
A>
Y la hiptesis nula: :
A <
Si se cree que la vida til de los focos es de 60 horas, la hiptesis

nula ser:
= 60
Pgina 66
y la hiptesis alterna ser:
# 60
3.3.2 Seleccin del nivel de significacin
La hiptesis nula puede ser o no rechazada, el rechazarla no significa
que sea falsa, puede que sea verdadera dependiendo de la muestra,
rechazarla o no implica cierto riesgo de equivocarse, es decir, se
puede cometer un error, que puede ser de dos tipos.
a. Rechazar la hiptesis nula siendo verdadera, llamado error Tipo I
b. Aceptar una hiptesis nula siendo falsa, llamado error Tipo II
En la siguiente tabla se resume las decisiones que se pueden tomar:
Decisin
estadstica
Rechazo de Ho
No rechazo Ho
Certeza de Ho
Verdadera
Falsa
Error de Tipo I
Decisin correcta
Decisin correcta
Error Tipo II
El nivel de significacin es la probabilidad de rechazar la

hiptesis nula cuando en realidad es verdadera, se simboliza
por , tambin se denomina nivel de riesgo, es el error Tipo I:
= P (Error Tipo I)
= P (Error Tipo II)
3.3.3 Descripcin de la poblacin que interesa y planteamiento

de las suposiciones necesarias
Se debe investigar, las caractersticas de la poblacin muestreada para
justificar la seleccin del procedimiento, entre estas caractersticas
estn: tamao aproximado de la poblacin y su distribucin y la
aleatoriedad de la muestra.
3.3.4 Seleccin del estadstico pertinente
El estadstico pertinente est determinado por el parmetro que tiene
relacin con la hiptesis:
Si se trata de verificar una hiptesis sobre:
media poblacional el estadstico ser la media muestral
proporcin poblacional el estadstico ser la proporcin muestral
Pgina 67
3.3.5
Especificacin del estadstico de prueba y consideracin

de su distribucin
Un estadstico de prueba es un valor numrico calculado a partir de los

datos de una muestra y que se utiliza para tomar la decisin de
rechazar o no una hiptesis nula.
El estadstico de prueba est en relacin al parmetro sobre el cual se
hace la hiptesis y la naturaleza de la distribucin muestral del
estadstico pertinente.
Bsicamente, consideraremos los siguientes estadsticos de prueba:
x -
Z =
x
x -
t =
s
3.3.6 Especificacin de las zonas de rechazo y aceptacin
La zona de rechazo ubica todos aquellos valores del estadstico de

prueba demasiado grandes o demasiado pequeos, por lo que la
probabilidad de que ocurran segn la hiptesis nula verdadera es muy
remota.
La zona de aceptacin es el complemento de la zona de rechazo. Si el
valor observado del estadstico de prueba es igual a alguno de estos
valores incluidos en esta zona, la hiptesis nula no se rechaza.
El tamao de las regiones de rechazo y aceptacin estn
determinados por
3.3.7 Recoleccin de datos y clculo de los estadsticos
necesarios
Pgina 68
Se debe calcular el estadstico apropiado y el estadstico de prueba
3.3.8 Decisin estadstica

Se compara el valor real calculado del estadstico de prueba con el
valor crtico de ste. Si el valor calculado est en la zona de rechazo,
se rechaza la hiptesis nula, caso contrario, no se la rechaza
Los criterios de prueba, se pueden apreciar en el siguiente cuadro:
HIPOTESIS
ALTERNA
<o
> o
# o
RECHAZAR
HIPOTESIS NULA
SI:
Z<-Z
Z>Z
Z < - Z /2
O
Z > Z /2
NO RECHAZAR
HIPOTESIS NULA
SI:
Z >-Z
Z Z
- Z /2 Z Z /2
3.3.9 Conclusin
Se debe expresar la conclusin en funcin del parmetro poblacional
y/o la poblacin a que se refiere la prueba
3.4
VERIFICACION
DE
HIPOTESIS
POBLACIONAL UNICA.-
SOBRE
UNA
MEDIA
Ejemplo:
Un fabricante de focos, afirma que la vida promedio de los mismos es de 50
horas. El equipo de investigaciones de una empresa competitiva no cree en
esto. Por eso, hace una prueba con una muestra al azar de 20 focos y calcula
una media muestral de 54 horas, con una desviacin tpica de 15 horas. El
equipo de investigaciones desea saber si puede concluir que el tiempo
promedio de vida de los focos es mayor a 50 horas.
PROCEDIMIENTO
La hiptesis de investigacin es: el tiempo de vida til de los focos es
mayor de 50 horas
Las hiptesis estadsticas son:
H o : 50
H 1: > 50
Pgina 69

= 0,1
El equipo de investigacin, supone que la vida media de los
focos en la poblacin se distribuye en forma aproximadamente
normal
El estadstico pertinente es la media muestral: x
5. Especificacin del estadstico de prueba y consideracin de su distribucin
Como el tamao de la muestra es pequeo y se supone que la poblacin
de la muestra est normalmente distribuida, el estadstico de prueba
apropiado es:
x -
t =
s

En la tabla t, el valor crtico para = 0,1 y 19 grados de libertad,
con una cola es de 1,328
El valor crtico, expresado en funcin de la media muestral est
dado por:
50 + 1,328 ( 15/
20 ) = 54,454

n = 20
x = 50 s= 15
54 - 50
t = ---------------15 / \ 20
t = 1,19
Como el valor de t calculado 1,19 es menor que 1,328: cae en la
zona de aceptacin, entonces no se rechaza la hiptesis nula
Como la media muestral es menor del valor crtico 54,45, no se
rechaza la hiptesis nula
9. Conclusin
Pgina 70
Como no se rechaza la hiptesis nula, se puede concluir que la

misma puede ser verdadera, es decir, que el tiempo promedio
de vida til de los focos puede ser de menos de 50 horas.
3.5
VERIFICACION DE HIPOTESIS SOBRE DIFERENCIA DE DOS

MEDIAS POBLACIONALES
En numerosas ocasiones es necesario comparar entre s dos poblaciones

separadas y tomar la decisin de si una diferencia observada entre dos
medias muestrales se puede atribuir a la casualidad. Por ejemplo: decidir en
base a muestras si existe diferencia en la magnitud de depsitos a plazo fijo
entre dos Bancos de la ciudad o si una campaa publicitaria ha sido eficiente.
Para comparar dos poblaciones se pueden utilizar dos mtodos de muestreo:
Muestreo independiente
Muestreo pareado (dependiente)
12.5.1. Muestreo independiente

Se refiere a la eleccin de dos muestras totalmente independientes de
dos poblaciones diferentes, pudiendo presentarse los siguientes casos:
Muestras independientes, varianzas conocidas:

Ejemplo 1:
En un estudio sobre pago de impuestos es igual en las zonas norte y sud de
la ciudad, muestras tomadas al azar arrojaron los siguientes resultados:
nn = 80
ns = 100
xn= $64.20
xs= $71.41
sn= $16.00
ss= $22.13
Utilizando el nivel de significacin del 5%, ser verdad que no existe

diferencia significativa entre el pago de impuestos entre ambas zonas?
PROCEDIMIENTO
H o : 1 - 2 = 0
H 1: 1 - 2 # 0
= 0,05
Pgina 71

Se supone que el pago de impuestos se distribuye en forma
aproximadamente normal y se trata de muestras grandes
El estadstico pertinente es la diferencia de medias muestrales: x1 - x2
Como la muestra es grande y se supone que la poblacin est
normalmente distribuida, el estadstico de prueba apropiado es:
x -
Z =
s

En la tabla Z, el valor crtico para es 1,96
nn = 80
ns = 100
xn= $64.20
xs= $71.41
64.2 - 71.41
Z = ---------------------------16
-------80
22.13
+ ---------100
Z = - 2.53
Pgina 72
sn= $16.00
ss= $22.13
Como el valor de Z calculado 2,53 es menor que 1,96, cae en la

zona de rechazo, entonces se rechaza la hiptesis nula
9. Conclusin
Como se rechaza la hiptesis nula, se puede concluir que la
diferencia observada de $7,21 entre los pagos de impuestos de las
dos zonas es significativa.
Muestras
independientes,
varianzas
desconocidas que se suponen iguales
poblacionales
Ejemplo 2:
Se desea establecer si existe diferencia significativa entre el promedio de
notas de estadstica de los alumnos de auditora y administracin, para lo que
se toma muestras aleatorias en cada carrera con los siguientes resultados:
na = 15
ne = 17
xa= 85
xe= 87
varianza a= 30
varianzae= 25
Utilizando el nivel de significacin del 5%, determinar si el puntaje de

rendimiento promedio es diferente en los dos grupos.
PROCEDIMIENTO
H o : 1 - 2 = 0
H 1: 1 - 2 # 0
= 0,05
Se supone que ambas poblaciones estn distribuidas en forma
aproximadamente normal. Las varianzas son desconocidas, pero se
supone que son iguales, adems las muestras son independientes y
pequeas.
El estadstico pertinente es la diferencia de medias muestrales: x1 - x2
Pgina 73

Como las muestras son pequeas, y se supone que las dos poblaciones
estn distribuidas en forma aproximadamente normal. Con varianzas
desconocidas pero iguales, el estadstico de prueba ms adecuado es el
estadstico t de student con (n1 + n2 2) grados de libertad.
(x1 x2) - (1 - 2)
t
x1 x2
donde:
sp
s x1 x2=
sp
------
+ -------n1
n2
s1 (n1 1) + s2 (n2 1)
sp = ------------------------------------n1 + n2 2
sp = estimacin combinada de la varianza de la poblacin comn
Como los grados de libertad son 15 + 17 2 =30 y como = 0.05, los
valores crticos de t son 2,042
Recoleccin de datos y clculo de los estadsticos necesarios
na = 15
ne = 17
xa= 85
xe= 87
varianza a= 30
varianzae= 25
La estimacin combinada de la varianza de la poblacin comn

(14) * 30 + (16) *25
sp = ------------------------------30
Pgina 74
sp = 27,33
El error estndar de la diferencia de medias es:
27,33
x1 x2 =
27,33
----------- + --------15
17
s x1 x2
= 1,852
de donde el valor de t es:

85 - 87
t = ---------------------------1,852
t = - 1,08
Como el valor de t calculado 1,08 es mayor que 2,042, cae en la
zona de reaceptacin, no podemos decir se rechaza la hiptesis
nula
8. Conclusin
Se puede concluir con un 95 % de confianza que no debe haber
ninguna diferencia entre las dos medias de la poblacin, es decir
los promedios de las notas en estadstica en ambas carreras son
iguales o no son significativamente diferentes.
12.5.2.
Muestreo pareado
Llamado tambin de pares coincidentes al procedimiento a travs
del cual se hacen coincidir varias parejas de observaciones con la
mayor exactitud posible a las caracterstica de inters, es decir,
estas parejas de observaciones no son independientes.
Ejemplo 3:
El Director del Servicio de Salud de Cochabamba, desea constatar la
denuncia de que el Hospital de Quillacollo est cobrando ms que el
Hospital de Sacaba por el mismo servicio. Recogi las siguientes
observaciones que se muestran a continuacin de cada hospital:
SERVICIO
Quillacollo
Pgina 75
Sacaba
A
B
C
D
E
F
G
H
I
J
K
L
M
N
O
465
532
426
543
632
418
587
376
378
376
524
387
429
398
412
512
654
453
521
587
537
598
698
529
517
476
519
587
639
754
Con un 95% de confianza determinar si la denuncia es correcta.
PROCEDIMIENTO
H o : d 0
H 1: d > 0
= 0,05
Se supone que la poblacin de diferencias est distribuida en forma
aproximadamente normal y la muestra es pequea.
El estadstico ms adecuado es la diferencia media de la muestra: d
Como las muestras son pequeas, y se supone que la poblacin est
distribuida en forma aproximadamente normal, con varianza desconocida
y n es pequea, el estadstico de prueba ms adecuado es el estadstico t
de student con (n 1) grados de libertad.
Pgina 76
d - d
t
sd
/ n
donde:
sd
es la desviacin tpica de las n diferencias muestrales y t est

distribuido como t de Student con n-1 grados de libertad
Como los grados de libertad son 14 y = 0.05, el valor crtico de t es
1,761
"A"
465
532
426
543
632
418
587
376
378
376
524
387
429
398
412
"B"
512
654
453
521
587
537
598
698
529
517
476
519
587
639
754
d= (A-B)
-47
-122
-27
22
45
-119
-11
-322
-151
-141
48
-132
-158
-241
-342
-1698
De donde el promedio de las diferencias es:

-1.698
d = ---------- = -113.2
15
la desviacin estndar:
sd =
122.037
Pgina 77
de donde el valor de t es:

-113.2
=
122.037/ 15
Z = - 3,59
Como el valor de t calculado 3,59 es menor que 1,761 y cae en la
zona de reaceptacin, no podemos decir se rechaza la hiptesis
nula
9. Conclusin
Se puede concluir con un 95 % de confianza que el Hospital de
Quillacollo no cobra ms que el Hospital de Sacaba, sino es al
contrario, el Hospital de Sacaba quien cobra ms que el Hospital de
Quillacollo.
3.6
VERIFICACION DE HIPOTESIS SOBRE UNA PROPORCION
Ejemplo:
La directora de SITEL, ha dicho a su consejo de administracin que el 40%
como mnimo de todos los telespectadores sintonizan el programa Alo
Marianela. Si resulta que menos del 40% del pblico ve ese programa,
deber salir del aire. Si el consejo de administracin averigua que de una
muestra de 250 telespectadores llamados por telfono, 97 de ellos estn
viendo en ese momento el mencionado programa. Con un 99% de nivel de
confianza, a que conclusin puede llegar el consejo en relacin con la
popularidad de la emisin?
PROCEDIMIENTO
Ho:P 0
H 1: P < 0
Pgina 78
= 0,01
a. Descripcin de la poblacin que interesa y planteamiento de las

La poblacin es binomial y est compuesta por el conjunto de
respuestas a la pregunta de si est viendo el programa Alo
Marianela. Estas respuestas son del tipo si o no, la muestra es
relativamente grande para poder aplicar la aproximacin normal a la
distribucin binomial en la verificacin de la hiptesis.
El estadstico pertinente es p o proporcin de telespectadores que ven el
programa
Como la muestra es grande y se supone que la distribucin de p
aproximadamente normal, el estadstico de prueba apropiado es:
p -P
Z
=
P*Q
n
En la tabla Z, el valor crtico es -2.33
97
--------250
p=
p = 0.388
p =
(0.4)* (0.6) / 250
0.031
0.388 - 0.40
Z = ---------------------------Pgina 79
es
0.031
Z = -0.387
Como el valor de Z calculado 0.387 es mayor que 2,33 y no cae
en la zona de rechazo, entonces no se rechaza la hiptesis nula
8. Conclusin
Como no se rechaza la hiptesis nula, se puede concluir que la
directora del canal televisivo tiene razn, el 40% como mnimo del
pblico televidente ve el programa, por lo tanto tiene que seguir
saliendo al aire.
12.7. VERIFICACION DE HIPOTESIS SOBRE DIFERENCIA DE DOS
PROPORCIONES
En la prctica existen situaciones donde se hace necesario verificar la
hiptesis de que dos proporciones poblacionales son iguales o de que
difieren en alguna cantidad especfica. Por ejemplo: la proporcin de
crditos incobrables de una empresa comparada con la de otra o bien
si existen diferencias entre dos grupos de individuos respecto de la
proporcin de ellos que estn de acuerdo con cambios en el Cdigo
Tributario
Si la prueba se basa en una diferencia de cero, es decir si la hiptesis
nula especifica que la diferencia entre la proporcin poblacional de la
poblacin 1 y la proporcin poblacional de la poblacin 2 es cero, las
hiptesis sern:
H o : P 1 - P2 = 0
H 1: P1 - P2 # 0
O bien:
H o : P 1 = P2
H 1: P1 # P2
Las dos poblaciones podran tener una proporcin comn, por lo que
es necesario combinar los datos muestrales para deducir una
estimacin de esa proporcin comn, de la siguiente manera:
x1 + x2
P = ------------------------n1 + n 2
siendo el error
tpico de la diferencia entre las dos proporciones
muestrales:
Pgina 80
P (1 P)
p1-p2
^
P ( 1 P)
----------- + ------------n1
n2
Ejemplo 1:
Un consultor cree que los individuos de dos departamentos estn de
acuerdo con la aplicacin del nuevo cdigo tributario. Para verificar
esta afirmacin, toma muestras aleatorias independientes de cada
departamento, con los siguientes resultados.
Departamento
1
2
100
120
Nmero de individuos
a favor del Cdigo
23
32
Con el 95% de nivel de confianza, tendr razn el consultor?

PROCEDIMIENTO
H o : P 1 - P2 = 0
H 1: P1 - P2 # 0
= 0,05
El consultor puede clasificar a cada uno de los individuos de las
poblaciones segn est o no de acuerdo con la aplicacin del Nuevo
Cdigo Tributario. Las dos muestras son independientes
El estadstico pertinente es la diferencia de proporciones muestrales:
p1 - p2
distribucin
Pgina 81
Como la distribucin del estadstico pertinente es aproximadamente

normal, el estadstico de prueba es igual a:
( p1 - p2) - 0
Z
(p1 - p2 )

En la tabla Z, el valor crtico es 1,96
7.
Recoleccin de datos y clculo de los estadsticos necesarios

23
p1 = ----- = 0,23
100
32
p2 = ----- = 0,27
120
su combinacin es:
^
23 + 32
P = -------------------- = 0.25
100 + 120
el error tpico combinado es:
(0.25) * (075)
s (p1 - p2 )
s (p1 - p2 )
(0.25) * (075)
--------------------------- + ---------------100
120
0.06
El valor calculado para Z:

(0.23 0.27) - 0
Z = ---------------------------0.06
Z = - 0.67
Pgina 82
Como el valor de Z calculado 0,67 cae entre 1,96, no se rechaza

la hiptesis nula
9. Conclusin
Se puede concluir que las dos proporciones poblacionales pueden
ser iguales, es decir la proporcin de individuos que estn de
acuerdo con la aplicacin del Nuevo Cdigo Tributario puede ser la
misma en ambos departamentos.
Si la prueba se basa en que la diferencia no es cero, no hay ninguna
justificacin para combinar los datos de las dos muestras al hacer la
estimacin de la varianza combinada, siendo el error tpico:
P1 (1 P1)
p1-p2
P 2 ( 1 P 2)
----------- + ------------n1
n2
Ejemplo 2:
Un especialista cree que la proporcin de votantes de la Facultad de
Tecnologa que va a votar en las prximas elecciones para Rector,
excede en ms de 0,05 a la proporcin de votantes de la Facultad de
Ciencias Econmicas. Para verificar si los hechos corroboran esta
hiptesis, el especialista hace una encuesta entre los votantes de
ambas facultades, con los siguientes resultados:
Facultad
Economa
Tecnologa
150
160
Nmero de personas que

votarn en las elecciones
113
104
Con el 95% de nivel de confianza, tendr razn el investigador?

PROCEDIMIENTO
H o : P 1 - P2 = 0
H 1: P1 - P2 # 0
Pgina 83
= 0,05
Las poblaciones consisten en los votantes de las Facultades de
Ciencias Econmicas y de Tecnologa. Se supone que ambas
muestras se han tomado independientemente y al azar en las
respectivas poblaciones.
El estadstico pertinente es la diferencia de proporciones muestrales:
p1 - p2
distribucin
Como la distribucin del estadstico pertinente es aproximadamente
normal, el estadstico de prueba es igual a:
( p1 - p2) - 0
Z
(p1 - p2 )

En la tabla Z, el valor crtico es + 1,645

113
p1 = ----- = 0,75
150
104
p2 = ----- = 0,65
160
el error tpico es:
(0.75) * (0.25)
s (p1 - p2 )
s (p1 - p2 )
(0.65) * (035)
--------------------------- + ---------------150
160
0.05
Pgina 84
El valor calculado para Z:

(0.75 0.65) - 0.05
Z = -------------------------------0.05
Z=1
Como el valor de Z calculado 1 es menor que 1,645, no se rechaza
la hiptesis nula
9. Conclusin
No se puede concluir que la hiptesis del especialista sea
verdadera, es decir que puede ser que la diferencia de votantes en
proporcin entre ambas facultades pueda ser menor de 0,05.
12.8. VERIFICACION DE HIPOTESIS SOBRE DIFERENCIA DE K
PROPORCIONES
Existen muchos problemas en los cuales se debe decidir si las diferencias
observadas entre ms de dos proporciones muestrales se pueden atribuir a
la casualidad o si existen indicios de que no todas las proporciones
poblacionales correspondientes son iguales, utilizndose para este tipo de
problemas la distribucin Ji Cuadrada:
, que tiene la siguiente
distribucin:
(fo fe)
= ------------fe
donde:
fo : frecuencia observada
fe: frecuencia esperada en condiciones de independencia
estadstica
Ejemplo:
En un estudio sobre utilizacin de calefones solares, se obtuvieron los
siguientes resultados:
Pgina 85
UTILIZA
NO UTILIZA
ZONA NORTE
60
40
ZONA CENTRAL
67
63
ZONA SUD
49
41
Con el 95% de confianza, determinar si es posible concluir que existe

relacin entre la zona de residencia y la utilizacin del calefn.
PROCEDIMIENTO.
Ho :
La zona de residencia y la utilizacin del calefn son independientes,
es decir no hay relacin entre la zona y la utilizacin del calefn
H 1:
La zona de residencia y la utilizacin del calefn no son
independientes, es decir existe relacin entre la zona y la utilizacin
del calefn
= 0,05
distribucin
El estadstico de prueba es
, cuya distribucin es la siguiente:
(fo fe)
= ------------fe
Para determinar el valor crtico es necesario considerar los grados de
libertad, que es igual al nmero de celdas que se pueden llenar
arbitrariamente si se han establecido los totales marginales,
generalmente vienen dados como:
( f 1 ) ( c 1)
donde f: filas
c: columnas
por lo tanto tenemos:
(3 1) * ( 2 - 1) = 2 grados de libertad
Pgina 86
En la tabla
5.991
el valor crtico para 95% con 2 grados de libertad es

ZONA
NORTE
ZONA
CENTRAL
ZONA SUD
TOTAL
60
(55)
67
(71.5)
49
(49.5)
176
UTILIZA
63
(58.5)
41
(40.5)
174
NO UTILIZA
40
(45)
100
130
90
320
(6055) (6771.5) (4949.5) (4045) (63-58.5) (41-40.5)

= ------------ + ------------ + ------------ + ---------- + ------------ + -----------55
71.5
49.5
45
58.5
40.5
1.65
Como el valor de calculado 1.65 no excede a 5.991, no se
rechaza la hiptesis nula.
7. Conclusin
Se puede concluir que puede ser que no exista diferencias entre la
zona de residencia y el uso de calefn, al 95% de nivel de
confianza, o bien la zona de residencia no est relacionada con el
uso del calefn al 95% de confianza.
Pgina 87
MUESTREO
Concepto
El muestreo es una herramienta de la investigacin cientfica. Su funcin bsica es
determinar que parte de una realidad en estudio (poblacin o universo) debe
examinarse con la finalidad de hacer inferencias sobre dicha poblacin. El error que
se comete debido a hecho de que se obtienen conclusiones sobre cierta realidad a
partir de la observacin de slo una parte de ella, se denomina error de muestreo.
Obtener una muestra adecuada significa lograr una versin simplificada de la
poblacin, que reproduzca de algn modo sus rasgos bsicos.
Muestra: En todas las ocasiones en que no es posible o conveniente realizar un
censo, lo que hacemos es trabajar con una muestra, entendiendo por tal una parte
representativa de la poblacin. Para que una muestra sea representativa, y por lo
tanto til, debe de reflejar las similitudes y diferencias encontradas en la poblacin,
ejemplificar las caractersticas de la misma.
Poblacin Los estadsticos usan la palabra poblacin para referirse no slo a

personas si no a todos los elementos que han sido escogidos para su estudio.
Terminologa
Poblacin objeto: conjunto de individuos de los que se quiere obtener una
informacin.
Unidades de muestreo: nmero de elementos de la poblacin, no solapados, que
se van a estudiar. Todo miembro de la poblacin pertenecer a una y slo una
unidad de muestreo.
Unidades de anlisis: objeto o individuo del que hay que obtener la informacin.
Marco muestral: lista de unidades o elementos de muestreo.
Muestra: conjunto de unidades o elementos de anlisis sacados del marco.
Muestreo probabilstico
Los mtodos de muestreo probabilsticos son aquellos que se basan en el principio
de equiprobabilidad. Es decir, aquellos en los que todos los individuos tienen la
misma probabilidad de ser elegidos para formar parte de una muestra y,
consiguientemente, todas las posibles muestras de tamao n tienen la misma
probabilidad de ser elegidas. Slo estos mtodos de muestreo probabilsticos nos
aseguran la representatividad de la muestra extrada y son, por tanto, los ms
recomendables. Dentro de los mtodos de muestreo probabilsticos encontramos los
siguientes tipos:
Pgina 88
Muestreo aleatorio simple:

El procedimiento empleado es el siguiente: 1) se asigna un nmero a cada individuo
de la poblacin y 2) a travs de algn medio mecnico (bolas dentro de una bolsa,
tablas de nmeros aleatorios, nmeros aleatorios generados con una calculadora u
ordenador, etc.) se eligen tantos sujetos como sea necesario para completar el
tamao de muestra requerido.
Muestreo aleatorio sistemtico:
Este procedimiento exige, como el anterior, numerar todos los elementos de la
poblacin, pero en lugar de extraer n nmeros aleatorios slo se extrae uno. Se
parte de ese nmero aleatorio i, que es un nmero elegido al azar, y los elementos
que integran la muestra son los que ocupa los lugares i, i+k, i+2k, i+3k,...,i+(n-1)k,
es decir se toman los individuos de k en k, siendo k el resultado de dividir el tamao
de la poblacin entre el tamao de la muestra: k= N/n. El nmero i que empleamos
como punto de partida ser un nmero al azar entre 1 y k.
Muestreo aleatorio estratificado:

Trata de obviar las dificultades que presentan los anteriores ya que simplifican los
procesos y suelen reducir el error muestral para un tamao dado de la muestra.
Consiste en considerar categoras tpicas diferentes entre s (estratos) que poseen
gran homogeneidad respecto a alguna caracterstica (se puede estratificar, por
ejemplo, segn la profesin, el municipio de residencia, el sexo, el estado civil, etc.).
Muestreo aleatorio por conglomerados:
En el muestreo por conglomerados la unidad muestral es un grupo de elementos de
la poblacin que forman una unidad, a la que llamamos conglomerado. Las
unidades hospitalarias, los departamentos universitarios, una caja de determinado
producto, etc., son conglomerados naturales. En otras ocasiones se pueden utilizar
conglomerados no naturales como, por ejemplo, las urnas electorales. Cuando los
conglomerados son reas geogrficas suele hablarse de "muestreo por reas".
Mtodos de muestreo no probabilsticos

A veces, para estudios exploratorios, el muestreo probabilstico resulta
excesivamente costoso y se acude a mtodos no probabilsticos, aun siendo
conscientes de que no sirven para realizar generalizaciones, pues no se tiene
certeza de que la muestra extrada sea representativa, ya que no todos los sujetos
de la poblacin tienen la misma probabilidad de se elegidos.
Muestreo por cuotas:
Tambin denominado en ocasiones "accidental". Se asienta generalmente sobre la
base de un buen conocimiento de los estratos de la poblacin y/o de los individuos
Pgina 89
ms "representativos" o "adecuados" para los fines de la investigacin. Mantiene,

por tanto, semejanzas con el muestreo aleatorio estratificado, pero no tiene el
carcter de aleatoriedad de aqul.
Muestreo opintico o intencional:
Este tipo de muestreo se caracteriza por un esfuerzo deliberado de obtener
muestras "representativas" mediante la inclusin en la muestra de grupos
supuestamente tpicos. Es muy frecuente su utilizacin en sondeos preelectorales
de zonas que en anteriores votaciones han marcado tendencias de voto.
Muestreo casual o incidental:
Se trata de un proceso en el que el investigador selecciona directa e
intencionadamente los individuos de la poblacin. El caso ms frecuente de este
procedimiento el utilizar como muestra los individuos a los que se tiene fcil acceso
(los profesores de universidad emplean con mucha frecuencia a sus propios
alumnos).
Bola de nieve:
Se localiza a algunos individuos, los cuales conducen a otros, y estos a otros, y as
hasta conseguir una muestra suficiente. Este tipo se emplea muy frecuentemente
cuando se hacen estudios con poblaciones "marginales", delincuentes, sectas,
determinados tipos de enfermos, etc.
Muestreo Discrecional A criterio del investigador los elementos son elegidos
sobre lo que l cree que pueden aportar al estudio. Ej. : muestreo por juicios;
cajeros de un banco o un supermercado; etc.
Ventajas e inconvenientes de los distintos tipos de muestreo probabilstico
Cuando deseamos estimar el tamao de una muestra, debemos conocer los
siguientes aspectos:
a)
El nivel de confianza o seguridad (1 - ). El nivel de confianza prefijado da
lugar a un coeficiente (Z). Por ejemplo para una seguridad del 95%, Z = 1.96,
para una seguridad del 99%, Z = 2.58. (Estos valores provienen de las tablas de la
distribucin normal Z)
b)
La precisin que deseamos para el estudio es decir el mximo error muestral
c)
Una idea del valor aproximado del parmetro que queremos medir. Esta idea
se puede obtener revisando la literatura, por estudio pilotos previos. En caso de no
tener dicha informacin utilizaremos el valor p = 0.5 (50%).
Una consideracin clave para una investigacin es la cantidad de informacin con la
que se cuente; especficamente se pueden tener dos casos: desconocer la
poblacin del fenmeno estudiado, o bien, conocerla.
Clculo del Tamao de la Muestra desconociendo el Tamao de la Poblacin.
Pgina 90
La frmula para calcular el tamao de muestra cuando se desconoce el tamao de

la poblacin es la siguiente:
Z = nivel de confianza.
P = probabilidad de xito, es la proporcin de individuos que poseen la
caracterstica
de estudio en la poblacin.
q = probabilidad de fracaso.
d = precisin (error muestral mximo admisible)
Ejemplo: A cuntas familias tendramos que estudiar para conocer la preferencia

del mercado en cuanto a una marca de shampoo para beb, si se desconoce la
poblacin total?
Seguridad = 95%;
Precisin = 3%;
Probabilidad de xito = asumamos que puede ser prxima al 5%; si no tuvisemos
ninguna idea de dicha proporcin utilizaramos el valor p = 0.5 (50%) que maximiza
el tamao muestral.
Entonces:
Z = 1.962 (ya que la seguridad es del 95%)
p = proporcin esperada (en este caso 5% = 0.05)
q = 1 p (en este caso 1 0.05 = 0.95)
d = precisin (en este caso deseamos un 3%)
Se requerira encuestar a no menos de 203 familias para poder tener una seguridad
del 95%
Ejemplo: Cmo hubiera cambiando el ejemplo anterior, si se desconoce la
proporcin esperada?
Cuando se desconoce la probabilidad de xito esperada, se tiene que utilizar el
criterio conservador (p = q = 0.5), lo cual maximiza el tamao de muestra de la
siguiente
manera:
p = Probabilidad de xito(en este caso 50% = 0.5) q = 1 p (en este caso 1 0.5 =
0. 5)
d = precisin (en este caso deseamos un 3%) quedando como resultado:
Pgina 91
Se requerira encuestar a no menos de 1068 familias para poder tener una

seguridad
del 95%
Clculo del Tamao de la Muestra conociendo el Tamao de la Poblacin.
La frmula para calcular el tamao de muestra cuando se conoce el tamao
de la poblacin es la siguiente:
Donde:
N = tamao de la poblacin
Z = nivel de confianza,
P = probabilidad de xito
q = probabilidad de fracaso
d = precisin (error mximo admisible)
Ejemplo: A cuntas familias tendramos que estudiar para conocer la preferencia
del mercado en cuanto a una marca de shampoo para beb, si se conoce que el
nmero de familias con bebs en el sector de inters es de 15,000?
Seguridad = 95%;
Precisin = 3%;
Probabilidad de xito= asumimos que puede ser prxima al 5%; si no tuviese
ninguna idea de dicha proporcin utilizaramos el valor p = 0.5 (50%) que maximiza
el tamao muestral.
del 95%
Ejemplo: Cmo hubiera cambiando el ejemplo anterior, si se desconoce la
proporcin esperada?
Si se desconoce la probabilidad de xito esperada, se tendra que utilizar el criterio
conservador (p = q = 0.5), lo cual maximiza el tamao de muestra de la siguiente
manera:
p = Probabilidad de xito(en este caso 50% = 0.5) q = 1 p (en este caso 1 0.5 =
0. 5)
d = precisin (en este caso deseamos un 3%) quedando como resultado:
Pgina 92
del
95%
Pgina 93
TABLA 1: DISTRIBUCIN NORMAL
reas bajo la curva normal

Ejemplo:
Z=
P [Z > 1] = 0.1587
P [Z > 1.96] = 0.0250
Desv.
normal
x
0.0
0.1
0.2
0.3
0.4
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.5000
0.4602
0.4207
0.3821
0.3446
0.4960
0.4562
0.4168
0.3783
0.3409
0.4920
0.4522
0.4129
0.3745
0.3372
0.4880
0.4483
0.4090
0.3707
0.3336
0.4840
0.4443
0.4052
0.3669
0.3300
0.4801
0.4404
0.4013
0.3632
0.3264
0.4761
0.4364
0.3974
0.3594
0.3228
0.4721
0.4325
0.3936
0.3557
0.3192
0.4681
0.4286
0.3897
0.3520
0.3156
0.4641
0.4247
0.3859
0.3483
0.3121
0.5
0.6
0.7
0.8
0.9
0.3085
0.2743
0.2420
0.2119
0.1841
0.3050
0.2709
0.2389
0.2090
0.1814
0.3015
0.2676
0.2358
0.2061
0.1788
0.2981
0.2643
0.2327
0.2033
0.1762
0.2946
0.2611
0.2296
0.2005
0.1736
0.2912
0.2578
0.2266
0.1977
0.1711
0.2877
0.2546
0.2236
0.1949
0.1685
0.2843
0.2514
0.2206
0.1922
0.1660
0.2810
0.2483
0.2177
0.1894
0.1635
0.2776
0.2451
0.2148
0.1867
0.1611
1.0
1.1
1.2
1.3
1.4
0.1587
0.1357
0.1151
0.0968
0.0808
0.1562
0.1335
0.1131
0.0951
0.0793
0.1539
0.1314
0.1112
0.0934
0.0778
0.1515
0.1292
0.1093
0.0918
0.0764
0.1492
0.1271
0.1075
0.0901
0.0749
0.1469
0.1251
0.1056
0.0885
0.0735
0.1446
0.1230
0.1038
0.0869
0.0721
0.1423
0.1210
0.1020
0.0853
0.0708
0.1401
0.1190
0.1003
0.0838
0.0694
0.1379
0.1170
0.0985
0.0823
0.0681
1.5
1.6
1.7
1.8
1.9
0.0668
0.0548
0.0446
0.0359
0.0287
0.0655
0.0537
0.0436
0.0351
0.0281
0.0643
0.0526
0.0427
0.0344
0.0274
0.0630
0.0516
0.0418
0.0336
0.0268
0.0618
0.0505
0.0409
0.0329
0.0262
0.0606
0.0495
0.0401
0.0322
0.0256
0.0594
0.0485
0.0392
0.0314
0.0250
0.0582
0.0475
0.0384
0.0307
0.0244
0.0571
0.0465
0.0375
0.0301
0.0239
0.0559
0.0455
0.0367
0.0294
0.0233
2.0
2.1
2.2
2.3
2.4
0.0228
0.0179
0.0139
0.0107
0.0082
0.0222
0.0174
0.0136
0.0104
0.0080
0.0217
0.0170
0.0132
0.0102
0.0078
0.0212
0.0166
0.0129
0.0099
0.0075
0.0207
0.0162
0.0125
0.0096
0.0073
0.0202
0.0158
0.0122
0.0094
0.0071
0.0197
0.0154
0.0119
0.0091
0.0069
0.0192
0.0150
0.0116
0.0089
0.0068
0.0188
0.0146
0.0113
0.0087
0.0066
0.0183
0.0143
0.0110
0.0084
0.0064
2.5
2.6
2.7
2.8
2.9
3.0
0.0062
0.0047
0.0035
0.0026
0.0019
0.0013
0.0060
0.0045
0.0034
0.0025
0.0018
0.0013
0.0059
0.0044
0.0033
0.0024
0.0018
0.0013
0.0057
0.0043
0.0032
0.0023
0.0017
0.0012
0.0055
0.0041
0.0031
0.0023
0.0016
0.0012
0.0054
0.0040
0.0030
0.0022
0.0016
0.0011
0.0052
0.0039
0.0029
0.0021
0.0015
0.0011
0.0051
0.0038
0.0028
0.0021
0.0015
0.0011
0.0049
0.0037
0.0027
0.0020
0.0014
0.0010
0.0048
0.0036
0.0026
0.0019
0.0014
0.0010
Pgina 94
TABLA 2: DISTRIBUCIN t DE STUDENT

Puntos de porcentaje de la distribucin t
Ejemplo
Para = 10 grados de
libertad:
P[ t > 1.812] = 0.05
P[ t < -1.812] = 0.05
0,25
0,2
0,15
0,1
0,05
0,025
0,01
0,005
0,0005
1
2
3
4
5
1,000
0,816
0,765
0,741
0,727
1,376
1,061
0,978
0,941
0,920
1,963
1,386
1,250
1,190
1,156
3,078
1,886
1,638
1,533
1,476
6,314
2,920
2,353
2,132
2,015
12,706
4,303
3,182
2,776
2,571
31,821
6,965
4,541
3,747
3,365
63,656
9,925
5,841
4,604
4,032
636,578
31,600
12,924
8,610
6,869
6
7
8
9
10
0,718
0,711
0,706
0,703
0,700
0,906
0,896
0,889
0,883
0,879
1,134
1,119
1,108
1,100
1,093
1,440
1,415
1,397
1,383
1,372
1,943
1,895
1,860
1,833
1,812
2,447
2,365
2,306
2,262
2,228
3,143
2,998
2,896
2,821
2,764
3,707
3,499
3,355
3,250
3,169
5,959
5,408
5,041
4,781
4,587
11
12
13
14
15
0,697
0,695
0,694
0,692
0,691
0,876
0,873
0,870
0,868
0,866
1,088
1,083
1,079
1,076
1,074
1,363
1,356
1,350
1,345
1,341
1,796
1,782
1,771
1,761
1,753
2,201
2,179
2,160
2,145
2,131
2,718
2,681
2,650
2,624
2,602
3,106
3,055
3,012
2,977
2,947
4,437
4,318
4,221
4,140
4,073
16
17
18
19
20
0,690
0,689
0,688
0,688
0,687
0,865
0,863
0,862
0,861
0,860
1,071
1,069
1,067
1,066
1,064
1,337
1,333
1,330
1,328
1,325
1,746
1,740
1,734
1,729
1,725
2,120
2,110
2,101
2,093
2,086
2,583
2,567
2,552
2,539
2,528
2,921
2,898
2,878
2,861
2,845
4,015
3,965
3,922
3,883
3,850
21
22
23
24
25
0,686
0,686
0,685
0,685
0,684
0,859
0,858
0,858
0,857
0,856
1,063
1,061
1,060
1,059
1,058
1,323
1,321
1,319
1,318
1,316
1,721
1,717
1,714
1,711
1,708
2,080
2,074
2,069
2,064
2,060
2,518
2,508
2,500
2,492
2,485
2,831
2,819
2,807
2,797
2,787
3,819
3,792
3,768
3,745
3,725
26
27
28
29
30
0,684
0,684
0,683
0,683
0,683
0,856
0,855
0,855
0,854
0,854
1,058
1,057
1,056
1,055
1,055
1,315
1,314
1,313
1,311
1,310
1,706
1,703
1,701
1,699
1,697
2,056
2,052
2,048
2,045
2,042
2,479
2,473
2,467
2,462
2,457
2,779
2,771
2,763
2,756
2,750
3,707
3,689
3,674
3,660
3,646
40
60
120
0,681
0,679
0,677
0,674
0,851
0,848
0,845
0,842
1,050
1,045
1,041
1,036
1,303
1,296
1,289
1,282
1,684
1,671
1,658
1,645
2,021
2,000
1,980
1,960
2,423
2,390
2,358
2,326
2,704
2,660
2,617
2,576
3,551
3,460
3,373
3,290
Pgina 95
TABLA 3: DISTRIBUCIN \
Puntos de porcentaje de la distribucin
Ejemplo:
Para = 10 grados de
libertad
P[
1
2
3
4
5
0.995
0.99
0.975
0.95
0.9
3.93E-05 1.57E-04 9.82E-04 3.93E-03 1.58E-02

1.00E-02 2.01E-02 5.06E-02
0.103
0.211
7.17E-02
0.115
0.216
0.352
0.584
0.207
0.297
0.484
0.711
1.064
0.412
0.554
0.831
1.145
1.610
0.1
0.05
0.025
> 15.99] = 0.10
0.01
0.005
0.75
0.5
0.25
0.102
0.575
1.213
1.923
2.67
0.455
1.386
2.37
3.36
4.35
1.323
2.77
4.11
5.39
6.63
2.71
4.61
6.25
7.78
9.24
3.84
5.99
7.81
9.49
11.07
5.02
7.38
9.35
11.14
12.83
6.63
9.21
11.34
13.28
15.09
7.88
10.60
12.84
14.86
16.75
1
2
3
4
5
6
7
8
9
10
0.676
0.989
1.344
1.735
2.16
0.872
1.239
1.647
2.09
2.56
1.237
1.690
2.18
2.70
3.25
1.635
2.17
2.73
3.33
3.94
2.20
2.83
3.49
4.17
4.87
3.45
4.25
5.07
5.90
6.74
5.35
6.35
7.34
8.34
9.34
7.84
9.04
10.22
11.39
12.55
10.64
12.02
13.36
14.68
15.99
12.59
14.07
15.51
16.92
18.31
14.45
16.01
17.53
19.02
20.5
16.81
18.48
20.1
21.7
23.2
18.55
20.3
22.0
23.6
25.2
6
7
8
9
10
11
12
13
14
15
2.60
3.07
3.57
4.07
4.60
3.05
3.57
4.11
4.66
5.23
3.82
4.40
5.01
5.63
6.26
4.57
5.23
5.89
6.57
7.26
5.58
6.30
7.04
7.79
8.55
7.58
8.44
9.30
10.17
11.04
10.34
11.34
12.34
13.34
14.34
13.70
14.85
15.98
17.12
18.25
17.28
18.55
19.81
21.1
22.3
19.68
21.0
22.4
23.7
25.0
21.9
23.3
24.7
26.1
27.5
24.7
26.2
27.7
29.1
30.6
26.8
28.3
29.8
31.3
32.8
11
12
13
14
15
16
17
18
19
20
5.14
5.70
6.26
6.84
7.43
5.81
6.41
7.01
7.63
8.26
6.91
7.56
8.23
8.91
9.59
7.96
8.67
9.39
10.12
10.85
9.31
10.09
10.86
11.65
12.44
11.91
12.79
13.68
14.56
15.45
15.34
16.34
17.34
18.34
19.34
19.37
20.5
21.6
22.7
23.8
23.5
24.8
26.0
27.2
28.4
26.3
27.6
28.9
30.1
31.4
28.8
30.2
31.5
32.9
34.2
32.0
33.4
34.8
36.2
37.6
34.3
35.7
37.2
38.6
40.0
16
17
18
19
20
21
22
23
24
25
8.03
8.64
9.26
9.89
10.52
8.90
9.54
10.20
10.86
11.52
10.28
10.98
11.69
12.40
13.12
11.59
12.34
13.09
13.85
14.61
13.24
14.04
14.85
15.66
16.47
16.34
17.24
18.14
19.04
19.94
20.3
21.3
22.3
23.3
24.3
24.9
26.0
27.1
28.2
29.3
29.6
30.8
32.0
33.2
34.4
32.7
33.9
35.2
36.4
37.7
35.5
36.8
38.1
39.4
40.6
38.9
40.3
41.6
43.0
44.3
41.4
42.8
44.2
45.6
46.9
21
22
23
24
25
26
27
28
29
30
11.16
11.81
12.46
13.12
13.79
12.20
12.88
13.56
14.26
14.95
13.84
14.57
15.31
16.05
16.79
15.38
16.15
16.93
17.71
18.49
17.29
18.11
18.94
19.77
20.6
20.8
21.7
22.7
23.6
24.5
25.3
26.3
27.3
28.3
29.3
30.4
31.5
32.6
33.7
34.8
35.6
36.7
37.9
39.1
40.3
38.9
40.1
41.3
42.6
43.8
41.9
43.2
44.5
45.7
47.0
45.6
47.0
48.3
49.6
50.9
48.3
49.6
51.0
52.3
53.7
26
27
28
29
30
40
50
60
70
20.7
28.0
35.5
43.3
22.2
29.7
37.5
45.4
24.4
32.4
40.5
48.8
26.5
34.8
43.2
51.7
29.1
37.7
46.5
55.3
33.7
42.9
52.3
61.7
39.3
49.3
59.3
69.3
45.6
56.3
67.0
77.6
51.8
63.2
74.4
85.5
55.8
67.5
79.1
90.5
59.3
71.4
83.3
95.0
63.7
76.2
88.4
100.4
66.8
79.5
92.0
104.2
40
50
60
70
80
90
100
51.2
59.2
67.3
53.5
61.8
70.1
57.2
65.6
74.2
60.4
69.1
77.9
64.3
73.3
82.4
71.1
80.6
90.1
79.3
89.3
99.3
88.1
98.6
109.1
96.6
107.6
118.5
101.9
113.1
124.3
106.6
118.1
129.6
112.3
124.1
135.8
116.3 80
128.3 90
140.2 100
-2.58
-2.33
-1.96
-1.64
-1.28
-0.674
0.000
0.674
1.282
1.645
1.96
2.33
2.58
Para > 100 tmese
= 12 (Z
2$
1)
. Z es la desviacin normal estandarizada correspondiente al nivel de
significancia y se muestra en la parte superior de la tabla.
Pgina 96
TABLA 4: DISTRIBUCIN F DE FISHER

Puntos de Porcentaje de la distribucin F
Ejemplo:
Para n1 = 9, n2 = 12 grados de libertad:
P[ F > 2.80 ] = 0.05
P [ F > 4.39 ] = 0.01
n2
1
2
3
4
5
6
7
8
9
10
1
161
4052
18.51
98.50
10.13
34.12
7.71
21.20
6.61
16.26
5.99
13.75
5.59
12.25
5.32
11.26
5.12
10.56
4.96
10.04
2
199
4999
19.00
99.00
9.55
30.82
6.94
18.00
5.79
13.27
5.14
10.92
4.74
9.55
4.46
8.65
4.26
8.02
4.10
7.56
3
216
5404
19.16
99.16
9.28
29.46
6.59
16.69
5.41
12.06
4.76
9.78
4.35
8.45
4.07
7.59
3.86
6.99
3.71
6.55
4
225
5624
19.25
99.25
9.12
28.71
6.39
15.98
5.19
11.39
4.53
9.15
4.12
7.85
3.84
7.01
3.63
6.42
3.48
5.99
5
230
5764
19.30
99.30
9.01
28.24
6.26
15.52
5.05
10.97
4.39
8.75
3.97
7.46
3.69
6.63
3.48
6.06
3.33
5.64
6
234
5859
19.33
99.33
8.94
27.91
6.16
15.21
4.95
10.67
4.28
8.47
3.87
7.19
3.58
6.37
3.37
5.80
3.22
5.39
7
237
5928
19.35
99.36
8.89
27.67
6.09
14.98
4.88
10.46
4.21
8.26
3.79
6.99
3.50
6.18
3.29
5.61
3.14
5.20
5 % (normal) y 1 % (negritas) puntos para la distribucin de F

n1 grados delibertad (para el mayor cuadrado medio)
8
9
10
11
12
14
16
20
239
241
242
243
244
245
246
248
5981 6022 6056 6083 6107 6143 6170 6209
19.37 19.38 19.40 19.40 19.41 19.42 19.43 19.45
99.38 99.39 99.40 99.41 99.42 99.43 99.44 99.45
8.85 8.81 8.79 8.76 8.74 8.71 8.69 8.66
27.49 27.34 27.23 27.13 27.05 26.92 26.83 26.69
6.04 6.00 5.96 5.94 5.91 5.87 5.84 5.80
14.80 14.66 14.55 14.45 14.37 14.25 14.15 14.02
4.82 4.77 4.74 4.70 4.68 4.64 4.60 4.56
10.29 10.16 10.05 9.96 9.89 9.77 9.68 9.55
4.15 4.10 4.06 4.03 4.00 3.96 3.92 3.87
8.10 7.98 7.87 7.79 7.72 7.60 7.52 7.40
3.73 3.68 3.64 3.60 3.57 3.53 3.49 3.44
6.84 6.72 6.62 6.54 6.47 6.36 6.28 6.16
3.44 3.39 3.35 3.31 3.28 3.24 3.20 3.15
6.03 5.91 5.81 5.73 5.67 5.56 5.48 5.36
3.23 3.18 3.14 3.10 3.07 3.03 2.99 2.94
5.47 5.35 5.26 5.18 5.11 5.01 4.92 4.81
3.07 3.02 2.98 2.94 2.91 2.86 2.83 2.77
5.06 4.94 4.85 4.77 4.71 4.60 4.52 4.41
n2
24
249
6234
19.45
99.46
8.64
26.60
5.77
13.93
4.53
9.47
3.84
7.31
3.41
6.07
3.12
5.28
2.90
4.73
2.74
4.33
30
250
6260
19.46
99.47
8.62
26.50
5.75
13.84
4.50
9.38
3.81
7.23
3.38
5.99
3.08
5.20
2.86
4.65
2.70
4.25
40
251
6286
19.47
99.48
8.59
26.41
5.72
13.75
4.46
9.29
3.77
7.14
3.34
5.91
3.04
5.12
2.83
4.57
2.66
4.17
50
252
6302
19.48
99.48
8.58
26.35
5.70
13.69
4.44
9.24
3.75
7.09
3.32
5.86
3.02
5.07
2.80
4.52
2.64
4.12
75
253
6324
19.48
99.48
8.56
26.28
5.68
13.61
4.42
9.17
3.73
7.02
3.29
5.79
2.99
5.00
2.77
4.45
2.60
4.05
100
253
6334
19.49
99.49
8.55
26.24
5.66
13.58
4.41
9.13
3.71
6.99
3.27
5.75
2.97
4.96
2.76
4.41
2.59
4.01
200
254
6350
19.49
99.49
8.54
26.18
5.65
13.52
4.39
9.08
3.69
6.93
3.25
5.70
2.95
4.91
2.73
4.36
2.56
3.96
500
254
6360
19.49
99.50
8.53
26.15
5.64
13.49
4.37
9.04
3.68
6.90
3.24
5.67
2.94
4.88
2.72
4.33
2.55
3.93
254
6366
19.50
99.50
8.53
26.13
5.63
13.46
4.37
9.02
3.67
6.88
3.23
5.65
2.93
4.86
2.71
4.31
2.54
3.91
1
2
3
4
5
6
7
8
9
10
n2
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
32
1
4.84
9.65
4.75
9.33
4.67
9.07
4.60
8.86
4.54
8.68
4.49
8.53
4.45
8.40
4.41
8.29
4.38
8.18
4.35
8.10
4.32
8.02
4.30
7.95
4.28
7.88
4.26
7.82
4.24
7.77
4.23
7.72
4.21
7.68
4.20
7.64
4.18
7.60
4.17
7.56
4.15
7.50
2
3.98
7.21
3.89
6.93
3.81
6.70
3.74
6.51
3.68
6.36
3.63
6.23
3.59
6.11
3.55
6.01
3.52
5.93
3.49
5.85
3.47
5.78
3.44
5.72
3.42
5.66
3.40
5.61
3.39
5.57
3.37
5.53
3.35
5.49
3.34
5.45
3.33
5.42
3.32
5.39
3.29
5.34
3
3.59
6.22
3.49
5.95
3.41
5.74
3.34
5.56
3.29
5.42
3.24
5.29
3.20
5.19
3.16
5.09
3.13
5.01
3.10
4.94
3.07
4.87
3.05
4.82
3.03
4.76
3.01
4.72
2.99
4.68
2.98
4.64
2.96
4.60
2.95
4.57
2.93
4.54
2.92
4.51
2.90
4.46
4
3.36
5.67
3.26
5.41
3.18
5.21
3.11
5.04
3.06
4.89
3.01
4.77
2.96
4.67
2.93
4.58
2.90
4.50
2.87
4.43
2.84
4.37
2.82
4.31
2.80
4.26
2.78
4.22
2.76
4.18
2.74
4.14
2.73
4.11
2.71
4.07
2.70
4.04
2.69
4.02
2.67
3.97
5
3.20
5.32
3.11
5.06
3.03
4.86
2.96
4.69
2.90
4.56
2.85
4.44
2.81
4.34
2.77
4.25
2.74
4.17
2.71
4.10
2.68
4.04
2.66
3.99
2.64
3.94
2.62
3.90
2.60
3.85
2.59
3.82
2.57
3.78
2.56
3.75
2.55
3.73
2.53
3.70
2.51
3.65
6
3.09
5.07
3.00
4.82
2.92
4.62
2.85
4.46
2.79
4.32
2.74
4.20
2.70
4.10
2.66
4.01
2.63
3.94
2.60
3.87
2.57
3.81
2.55
3.76
2.53
3.71
2.51
3.67
2.49
3.63
2.47
3.59
2.46
3.56
2.45
3.53
2.43
3.50
2.42
3.47
2.40
3.43
7
3.01
4.89
2.91
4.64
2.83
4.44
2.76
4.28
2.71
4.14
2.66
4.03
2.61
3.93
2.58
3.84
2.54
3.77
2.51
3.70
2.49
3.64
2.46
3.59
2.44
3.54
2.42
3.50
2.40
3.46
2.39
3.42
2.37
3.39
2.36
3.36
2.35
3.33
2.33
3.30
2.31
3.26

8
9
10
11
12
14
16
20
2.95 2.90 2.85 2.82 2.79 2.74 2.70 2.65
4.74 4.63 4.54 4.46 4.40 4.29 4.21 4.10
2.85 2.80 2.75 2.72 2.69 2.64 2.60 2.54
4.50 4.39 4.30 4.22 4.16 4.05 3.97 3.86
2.77 2.71 2.67 2.63 2.60 2.55 2.51 2.46
4.30 4.19 4.10 4.02 3.96 3.86 3.78 3.66
2.70 2.65 2.60 2.57 2.53 2.48 2.44 2.39
4.14 4.03 3.94 3.86 3.80 3.70 3.62 3.51
2.64 2.59 2.54 2.51 2.48 2.42 2.38 2.33
4.00 3.89 3.80 3.73 3.67 3.56 3.49 3.37
2.59 2.54 2.49 2.46 2.42 2.37 2.33 2.28
3.89 3.78 3.69 3.62 3.55 3.45 3.37 3.26
2.55 2.49 2.45 2.41 2.38 2.33 2.29 2.23
3.79 3.68 3.59 3.52 3.46 3.35 3.27 3.16
2.51 2.46 2.41 2.37 2.34 2.29 2.25 2.19
3.71 3.60 3.51 3.43 3.37 3.27 3.19 3.08
2.48 2.42 2.38 2.34 2.31 2.26 2.21 2.16
3.63 3.52 3.43 3.36 3.30 3.19 3.12 3.00
2.45 2.39 2.35 2.31 2.28 2.22 2.18 2.12
3.56 3.46 3.37 3.29 3.23 3.13 3.05 2.94
2.42 2.37 2.32 2.28 2.25 2.20 2.16 2.10
3.51 3.40 3.31 3.24 3.17 3.07 2.99 2.88
2.40 2.34 2.30 2.26 2.23 2.17 2.13 2.07
3.45 3.35 3.26 3.18 3.12 3.02 2.94 2.83
2.37 2.32 2.27 2.24 2.20 2.15 2.11 2.05
3.41 3.30 3.21 3.14 3.07 2.97 2.89 2.78
2.36 2.30 2.25 2.22 2.18 2.13 2.09 2.03
3.36 3.26 3.17 3.09 3.03 2.93 2.85 2.74
2.34 2.28 2.24 2.20 2.16 2.11 2.07 2.01
3.32 3.22 3.13 3.06 2.99 2.89 2.81 2.70
2.32 2.27 2.22 2.18 2.15 2.09 2.05 1.99
3.29 3.18 3.09 3.02 2.96 2.86 2.78 2.66
2.31 2.25 2.20 2.17 2.13 2.08 2.04 1.97
3.26 3.15 3.06 2.99 2.93 2.82 2.75 2.63
2.29 2.24 2.19 2.15 2.12 2.06 2.02 1.96
3.23 3.12 3.03 2.96 2.90 2.79 2.72 2.60
2.28 2.22 2.18 2.14 2.10 2.05 2.01 1.94
3.20 3.09 3.00 2.93 2.87 2.77 2.69 2.57
2.27 2.21 2.16 2.13 2.09 2.04 1.99 1.93
3.17 3.07 2.98 2.91 2.84 2.74 2.66 2.55
2.24 2.19 2.14 2.10 2.07 2.01 1.97 1.91
3.13 3.02 2.93 2.86 2.80 2.70 2.62 2.50
n2
24
2.61
4.02
2.51
3.78
2.42
3.59
2.35
3.43
2.29
3.29
2.24
3.18
2.19
3.08
2.15
3.00
2.11
2.92
2.08
2.86
2.05
2.80
2.03
2.75
2.01
2.70
1.98
2.66
1.96
2.62
1.95
2.58
1.93
2.55
1.91
2.52
1.90
2.49
1.89
2.47
1.86
2.42
30
2.57
3.94
2.47
3.70
2.38
3.51
2.31
3.35
2.25
3.21
2.19
3.10
2.15
3.00
2.11
2.92
2.07
2.84
2.04
2.78
2.01
2.72
1.98
2.67
1.96
2.62
1.94
2.58
1.92
2.54
1.90
2.50
1.88
2.47
1.87
2.44
1.85
2.41
1.84
2.39
1.82
2.34
40
2.53
3.86
2.43
3.62
2.34
3.43
2.27
3.27
2.20
3.13
2.15
3.02
2.10
2.92
2.06
2.84
2.03
2.76
1.99
2.69
1.96
2.64
1.94
2.58
1.91
2.54
1.89
2.49
1.87
2.45
1.85
2.42
1.84
2.38
1.82
2.35
1.81
2.33
1.79
2.30
1.77
2.25
50
2.51
3.81
2.40
3.57
2.31
3.38
2.24
3.22
2.18
3.08
2.12
2.97
2.08
2.87
2.04
2.78
2.00
2.71
1.97
2.64
1.94
2.58
1.91
2.53
1.88
2.48
1.86
2.44
1.84
2.40
1.82
2.36
1.81
2.33
1.79
2.30
1.77
2.27
1.76
2.25
1.74
2.20
75
2.47
3.74
2.37
3.50
2.28
3.31
2.21
3.15
2.14
3.01
2.09
2.90
2.04
2.80
2.00
2.71
1.96
2.64
1.93
2.57
1.90
2.51
1.87
2.46
1.84
2.41
1.82
2.37
1.80
2.33
1.78
2.29
1.76
2.26
1.75
2.23
1.73
2.20
1.72
2.17
1.69
2.12
100
2.46
3.71
2.35
3.47
2.26
3.27
2.19
3.11
2.12
2.98
2.07
2.86
2.02
2.76
1.98
2.68
1.94
2.60
1.91
2.54
1.88
2.48
1.85
2.42
1.82
2.37
1.80
2.33
1.78
2.29
1.76
2.25
1.74
2.22
1.73
2.19
1.71
2.16
1.70
2.13
1.67
2.08
200
2.43
3.66
2.32
3.41
2.23
3.22
2.16
3.06
2.10
2.92
2.04
2.81
1.99
2.71
1.95
2.62
1.91
2.55
1.88
2.48
1.84
2.42
1.82
2.36
1.79
2.32
1.77
2.27
1.75
2.23
1.73
2.19
1.71
2.16
1.69
2.13
1.67
2.10
1.66
2.07
1.63
2.02
500
2.42
3.62
2.31
3.38
2.22
3.19
2.14
3.03
2.08
2.89
2.02
2.78
1.97
2.68
1.93
2.59
1.89
2.51
1.86
2.44
1.83
2.38
1.80
2.33
1.77
2.28
1.75
2.24
1.73
2.19
1.71
2.16
1.69
2.12
1.67
2.09
1.65
2.06
1.64
2.03
1.61
1.98
2.40
3.60
2.30
3.36
2.21
3.17
2.13
3.00
2.07
2.87
2.01
2.75
1.96
2.65
1.92
2.57
1.88
2.49
1.84
2.42
1.81
2.36
1.78
2.31
1.76
2.26
1.73
2.21
1.71
2.17
1.69
2.13
1.67
2.10
1.65
2.06
1.64
2.03
1.62
2.01
1.59
1.96
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
32
n2
34
36
38
40
42
44
46
48
50
55
60
65
70
80
100
125
150
200
400
1000
1
4.13
7.44
4.11
7.40
4.10
7.35
4.08
7.31
4.07
7.28
4.06
7.25
4.05
7.22
4.04
7.19
4.03
7.17
4.02
7.12
4.00
7.08
3.99
7.04
3.98
7.01
3.96
6.96
3.94
6.90
3.92
6.84
3.90
6.81
3.89
6.76
3.86
6.70
3.85
6.66
3.84
6.63
2
3.28
5.29
3.26
5.25
3.24
5.21
3.23
5.18
3.22
5.15
3.21
5.12
3.20
5.10
3.19
5.08
3.18
5.06
3.16
5.01
3.15
4.98
3.14
4.95
3.13
4.92
3.11
4.88
3.09
4.82
3.07
4.78
3.06
4.75
3.04
4.71
3.02
4.66
3.00
4.63
3.00
4.61
3
2.88
4.42
2.87
4.38
2.85
4.34
2.84
4.31
2.83
4.29
2.82
4.26
2.81
4.24
2.80
4.22
2.79
4.20
2.77
4.16
2.76
4.13
2.75
4.10
2.74
4.07
2.72
4.04
2.70
3.98
2.68
3.94
2.66
3.91
2.65
3.88
2.63
3.83
2.61
3.80
2.60
3.78
4
2.65
3.93
2.63
3.89
2.62
3.86
2.61
3.83
2.59
3.80
2.58
3.78
2.57
3.76
2.57
3.74
2.56
3.72
2.54
3.68
2.53
3.65
2.51
3.62
2.50
3.60
2.49
3.56
2.46
3.51
2.44
3.47
2.43
3.45
2.42
3.41
2.39
3.37
2.38
3.34
2.37
3.32
5
2.49
3.61
2.48
3.57
2.46
3.54
2.45
3.51
2.44
3.49
2.43
3.47
2.42
3.44
2.41
3.43
2.40
3.41
2.38
3.37
2.37
3.34
2.36
3.31
2.35
3.29
2.33
3.26
2.31
3.21
2.29
3.17
2.27
3.14
2.26
3.11
2.24
3.06
2.22
3.04
2.21
3.02
6
2.38
3.39
2.36
3.35
2.35
3.32
2.34
3.29
2.32
3.27
2.31
3.24
2.30
3.22
2.29
3.20
2.29
3.19
2.27
3.15
2.25
3.12
2.24
3.09
2.23
3.07
2.21
3.04
2.19
2.99
2.17
2.95
2.16
2.92
2.14
2.89
2.12
2.85
2.11
2.82
2.10
2.80
7
2.29
3.22
2.28
3.18
2.26
3.15
2.25
3.12
2.24
3.10
2.23
3.08
2.22
3.06
2.21
3.04
2.20
3.02
2.18
2.98
2.17
2.95
2.15
2.93
2.14
2.91
2.13
2.87
2.10
2.82
2.08
2.79
2.07
2.76
2.06
2.73
2.03
2.68
2.02
2.66
2.01
2.64

8
9
10
11
12
14
16
20
2.23 2.17 2.12 2.08 2.05 1.99 1.95 1.89
3.09 2.98 2.89 2.82 2.76 2.66 2.58 2.46
2.21 2.15 2.11 2.07 2.03 1.98 1.93 1.87
3.05 2.95 2.86 2.79 2.72 2.62 2.54 2.43
2.19 2.14 2.09 2.05 2.02 1.96 1.92 1.85
3.02 2.92 2.83 2.75 2.69 2.59 2.51 2.40
2.18 2.12 2.08 2.04 2.00 1.95 1.90 1.84
2.99 2.89 2.80 2.73 2.66 2.56 2.48 2.37
2.17 2.11 2.06 2.03 1.99 1.94 1.89 1.83
2.97 2.86 2.78 2.70 2.64 2.54 2.46 2.34
2.16 2.10 2.05 2.01 1.98 1.92 1.88 1.81
2.95 2.84 2.75 2.68 2.62 2.52 2.44 2.32
2.15 2.09 2.04 2.00 1.97 1.91 1.87 1.80
2.93 2.82 2.73 2.66 2.60 2.50 2.42 2.30
2.14 2.08 2.03 1.99 1.96 1.90 1.86 1.79
2.91 2.80 2.71 2.64 2.58 2.48 2.40 2.28
2.13 2.07 2.03 1.99 1.95 1.89 1.85 1.78
2.89 2.78 2.70 2.63 2.56 2.46 2.38 2.27
2.11 2.06 2.01 1.97 1.93 1.88 1.83 1.76
2.85 2.75 2.66 2.59 2.53 2.42 2.34 2.23
2.10 2.04 1.99 1.95 1.92 1.86 1.82 1.75
2.82 2.72 2.63 2.56 2.50 2.39 2.31 2.20
2.08 2.03 1.98 1.94 1.90 1.85 1.80 1.73
2.80 2.69 2.61 2.53 2.47 2.37 2.29 2.17
2.07 2.02 1.97 1.93 1.89 1.84 1.79 1.72
2.78 2.67 2.59 2.51 2.45 2.35 2.27 2.15
2.06 2.00 1.95 1.91 1.88 1.82 1.77 1.70
2.74 2.64 2.55 2.48 2.42 2.31 2.23 2.12
2.03 1.97 1.93 1.89 1.85 1.79 1.75 1.68
2.69 2.59 2.50 2.43 2.37 2.27 2.19 2.07
2.01 1.96 1.91 1.87 1.83 1.77 1.73 1.66
2.66 2.55 2.47 2.39 2.33 2.23 2.15 2.03
2.00 1.94 1.89 1.85 1.82 1.76 1.71 1.64
2.63 2.53 2.44 2.37 2.31 2.20 2.12 2.00
1.98 1.93 1.88 1.84 1.80 1.74 1.69 1.62
2.60 2.50 2.41 2.34 2.27 2.17 2.09 1.97
1.96 1.90 1.85 1.81 1.78 1.72 1.67 1.60
2.56 2.45 2.37 2.29 2.23 2.13 2.05 1.92
1.95 1.89 1.84 1.80 1.76 1.70 1.65 1.58
2.53 2.43 2.34 2.27 2.20 2.10 2.02 1.90
1.94 1.88 1.83 1.79 1.75 1.69 1.64 1.57
2.51 2.41 2.32 2.25 2.18 2.08 2.00 1.88
n2
24
1.84
2.38
1.82
2.35
1.81
2.32
1.79
2.29
1.78
2.26
1.77
2.24
1.76
2.22
1.75
2.20
1.74
2.18
1.72
2.15
1.70
2.12
1.69
2.09
1.67
2.07
1.65
2.03
1.63
1.98
1.60
1.94
1.59
1.92
1.57
1.89
1.54
1.84
1.53
1.81
1.52
1.79
30
1.80
2.30
1.78
2.26
1.76
2.23
1.74
2.20
1.73
2.18
1.72
2.15
1.71
2.13
1.70
2.12
1.69
2.10
1.67
2.06
1.65
2.03
1.63
2.00
1.62
1.98
1.60
1.94
1.57
1.89
1.55
1.85
1.54
1.83
1.52
1.79
1.49
1.75
1.47
1.72
1.46
1.70
40
1.75
2.21
1.73
2.18
1.71
2.14
1.69
2.11
1.68
2.09
1.67
2.07
1.65
2.04
1.64
2.02
1.63
2.01
1.61
1.97
1.59
1.94
1.58
1.91
1.57
1.89
1.54
1.85
1.52
1.80
1.49
1.76
1.48
1.73
1.46
1.69
1.42
1.64
1.41
1.61
1.39
1.59
50
1.71
2.16
1.69
2.12
1.68
2.09
1.66
2.06
1.65
2.03
1.63
2.01
1.62
1.99
1.61
1.97
1.60
1.95
1.58
1.91
1.56
1.88
1.54
1.85
1.53
1.83
1.51
1.79
1.48
1.74
1.45
1.69
1.44
1.66
1.41
1.63
1.38
1.58
1.36
1.54
1.35
1.52
75
1.67
2.08
1.65
2.04
1.63
2.01
1.61
1.98
1.60
1.95
1.59
1.93
1.57
1.91
1.56
1.89
1.55
1.87
1.53
1.83
1.51
1.79
1.49
1.77
1.48
1.74
1.45
1.70
1.42
1.65
1.40
1.60
1.38
1.57
1.35
1.53
1.32
1.48
1.30
1.44
1.28
1.42
100
1.65
2.04
1.62
2.00
1.61
1.97
1.59
1.94
1.57
1.91
1.56
1.89
1.55
1.86
1.54
1.84
1.52
1.82
1.50
1.78
1.48
1.75
1.46
1.72
1.45
1.70
1.43
1.65
1.39
1.60
1.36
1.55
1.34
1.52
1.32
1.48
1.28
1.42
1.26
1.38
1.24
1.36
200
1.61
1.98
1.59
1.94
1.57
1.90
1.55
1.87
1.53
1.85
1.52
1.82
1.51
1.80
1.49
1.78
1.48
1.76
1.46
1.71
1.44
1.68
1.42
1.65
1.40
1.62
1.38
1.58
1.34
1.52
1.31
1.47
1.29
1.43
1.26
1.39
1.22
1.32
1.19
1.28
1.17
1.25
500
1.59
1.94
1.56
1.90
1.54
1.86
1.53
1.83
1.51
1.80
1.49
1.78
1.48
1.76
1.47
1.73
1.46
1.71
1.43
1.67
1.41
1.63
1.39
1.60
1.37
1.57
1.35
1.53
1.31
1.47
1.27
1.41
1.25
1.38
1.22
1.33
1.17
1.25
1.13
1.19
1.11
1.15
1.57 34
1.91
1.55 36
1.87
1.53 38
1.84
1.51 40
1.81
1.49 42
1.78
1.48 44
1.75
1.46 46
1.73
1.45 48
1.70
1.44 50
1.68
1.41 55
1.64
1.39 60
1.60
1.37 65
1.57
1.35 70
1.54
1.33 80
1.50
1.28 100
1.43
1.25 125
1.37
1.22 150
1.33
1.19 200
1.28
1.13 400
1.19
1.08 1000
1.12
1.00
1.00
ESTADISTICA

Esta Di Stica

Hochgeladen von

Dokumentinformationen

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

Esta Di Stica

Hochgeladen von

Copyright:

Verfügbare Formate

Lo real es objetivo (Hegel, Filosofo Aleman)

Lic. Adm. Eco. Pablo Mauricio Moscoso Ontiveros

Introduccin a la Estadstica Descriptiva

Las variables pueden ser de dos tipos:

Variables pluridimensionales: recogen informacin sobre tres o ms

Lic. Adm. Eco. Pablo Mauricio Moscoso Ontiveros

La distribucin de frecuencia es la representacin estructurada, en forma de tabla, de toda la

Siendo X los distintos valores que puede tomar la variable.

Lic. Adm. Eco. Pablo Mauricio Moscoso Ontiveros

Si presentamos esta informacin estructurada obtendramos la siguiente tabla de

Distribuciones de frecuencia agrupada

Las medidas de posicin son de dos tipos:

Vamos a calcular los valores de las distintas posiciones centrales:

1.- Media aritmtica:

(1,20*1) + (1,21*4) + (1,22 * 4) + (1,23 * 2) + ......... +(1,29 * 3) + (1,30 * 3)

2.- Media geomtrica:

((1,20^ 1) * (1,21^4) * (1,22^ 4) * .....* (1,29^3)*

Medidas de posicin no centrales

frecuencia. Adems, por encima suya queda el restante 25% de la frecuencia.

Existen diversas medidas de dispersin, entre las ms utilizadas podemos

3.- Desviacin tpica: Se calcula como raz cuadrada de la varianza.

Por lo tanto, la varianza es 0,0010

3.- Desviacin tpica: es la raz cuadrada de la varianza.

4.- Coeficiente de variacin de Pearson: se calcula como cociente entre la

a) Concentracin: mide si los valores de la variable estn ms o menos

c) Curtosis: mide si los valores de la distribucin estn ms o menos

Mientras que qi se calcula aplicando la siguiente frmula:

(X1*n1) + (X2*n2) + ... + (Xn*nn)

El Indice Gini (IG) puede tomar valores entre 0 y 1:

En este caso obtendramos los siguientes datos:

(pi - qi) (entre 1 y

El Indice Gini sera:

Medidas de forma: Coeficiente de Asimetra

Para medir el nivel de asimetra se utiliza el llamado Coeficiente de Asimetra de

Los resultados pueden ser los siguientes:

g1 > 0 (distribucin asimtrica positiva; existe mayor concentracin de valores a la derecha de la

Recordemos que la media de esta muestra es 1,253

Distribucin leptocrtica: presenta un elevado grado de concentracin alrededor

[Escribir el ttulo del documento][Seleccionar fecha]

El Coeficiente de Curtosis viene definido por la siguiente frmula:

Los resultados pueden ser los siguientes:

Recordemos que la media de esta muestra es 1,253

[Escribir el ttulo del documento][Seleccionar fecha]

Para representar los datos obtenidos se utiliza una tabla de correlacin:

[Escribir el ttulo del documento][Seleccionar fecha]

Esta informacin se puede representar de un modo ms organizado en la siguiente tabla de

[Escribir el ttulo del documento][Seleccionar fecha]

Al analizar una distribucin bidimensional, uno puede centrar su estudio en el comportamiento de

[Escribir el ttulo del documento][Seleccionar fecha]

a) Distribucin marginal de la variable X (estatura)

b) Distribucin marginal de la variable Y (peso)

Coeficiente de correlacin lineal

[Escribir el ttulo del documento][Seleccionar fecha]

El coeficiente de correlacin lineal se calcula aplicando la siguiente frmula:

[Escribir el ttulo del documento][Seleccionar fecha]

[Escribir el ttulo del documento][Seleccionar fecha]

Una recta viene definida por la siguiente frmula:

[Escribir el ttulo del documento][Seleccionar fecha]

El parmetro "b" viene determinado por la siguiente frmula:

El parmetro "b" viene determinado por:

[Escribir el ttulo del documento][Seleccionar fecha]

Y el parmetro "a" por:

A diario, siempre se estn tomando decisiones y en la mayor parte de los casos, se lo

[Escribir el ttulo del documento][Seleccionar fecha]

(1,201) + (1,214) + (1,22 * 4) + (1,23 * 2) + ......... +(1,29 * 3) + (1,30 * 3)

(X1n1) + (X2n2) + ... + (Xn*nn)