Beruflich Dokumente
Kultur Dokumente
0(XJHQLDQJHO
I.S.B.N. 987-9082-31-7
C&C Editorial
$ORVGRFHQWHV
(OPRWLYRTXHPHLPSXOVyDODUPDGRGHHVWHPDWHULDOIXH
HO SHQVDU TXH SRGUtD VHUYLU SDUD TXH HQ pO DOJXQRV GRFHQWHV
HQFRQWUDUDQ XQD PRGDOLGDG DOWHUQDWLYD SDUD GHVDUUROODU HQ HO
DXODORVWHPDVSURSXHVWRV
(OHVTXHPDGHWUDEDMRTXHSURSRQJRQRHVHO~QLFRSRVL
EOH7DPSRFRVR\OD~QLFDGRFHQWHTXHORKDOOHYDGRDODSUiF
WLFD/RTXHVtSXHGRDILUPDUHVTXHDWUDYpVGHVXDSOLFDFLyQ
KHORJUDGRREWHQHUORVPHMRUHVUHVXOWDGRVFRQORVDOXPQRV
7DQWRXVWHGHVFRPR\RFRWLGLDQDPHQWHQRVHQIUHQWDPRV
DO GHVDItR TXH LPSOLFD HQVHxDU \ HQFRQWUDU ORV FDPLQRV PiV
DGHFXDGRV SDUD OOHYDU DGHODQWH HO SURFHVR GH HQVHxDQ]D
DSUHQGL]DMH3RUHVHPRWLYRFRQItRHQTXHHVWHPDWHULDOSRGUi
UHVXOWDUOHV~WLO
(O SUHVHQWH WUDEDMR QR SUHWHQGH VHU XQ FRPSHQGLR GH
3UREDELOLGDG\(VWDGtVWLFD(QpOPHKHOLPLWDGRDH[SRQHUORV
WHPDV TXH FRQVLGHUR PiV UHOHYDQWHV SDUD VX HQVHxDQ]D HQ OD
(VFXHOD
0(XJHQLDQJHO
I
1',&(
7(0$3*,1$
3ULPHUDSDUWH(VWDGtVWLFD
,QWURGXFFLyQ-------------------------------------------------------------------------------- 1
'LVWLQWRVWLSRVGHYDULDEOHV
6HJXQGDSDUWH3UREDELOLGDG
II
,QWURGXFFLyQ-------------------------------------------------------------------------------- 39
([SHULPHQWRV
Experimentos aleatorios.---------------------------------------------------------- 40
(VSDFLRVPXHVWUDOHV\VXFHVRV
53
55
Primer ejemplo: Probabilidad condicional. Probabilidad de la interseccin.-----
Segundo ejemplo: Diagrama de rbol.---------------------------------------------------
$SOLFDQGRORDQWHULRU
5HVSXHVWDDHMHUFLFLRVSURSXHVWRV------------------------------------------------ 76
%LEOLRJUDItD--------------------------------------------------------------------------- 82
III
(67$'67,&$
,1752'8&&,1
La funcin principal de la estadstica es elaborar principios y mtodos que nos ayu-
den a tomar decisiones frente a hechos inciertos.
De las dos ramas de la estadstica que son ODGHVFULSWLYDy ODLQIHUHQFLDO el inters
de este material se centra en la primera y el objetivo del mismo es la presentacin y
desarrollo de los temas bsicos partiendo de ejemplos de distintas situaciones con-
cretas.
La estadstica descriptiva nos permite, ante un problema en particular, ODUHFROHF
FLyQ GH ORV GDWRV OD RUJDQL]DFLyQ GH ORV PLVPRV SRU PHGLR GH WDEODV \ JUiILFRV
SDUDYLVXDOL]DUORVPHMRUHOUHVXPHQSRUPHGLRGHOFiOFXORGHODVPHGLGDVTXHSXH
GDQFDUDFWHUL]DUORV\ILQDOPHQWHHQORSRVLEOHODH[WUDFFLyQGHFRQFOXVLRQHV
/D UHFROHFFLyQ del conjunto de datos de inters constituye la primera etapa de la
1
Si la poblacin a estudiar es infinita o muy grande, es conveniente elegir una muestra, con lo cual
se disminuye el costo econmico y temporal del estudio.
En el caso de seleccionar una muestra, sta debe ser representativa de la poblacin, es decir que
debe reunir todas las caractersticas de la misma. Si la muestra es representativa, es la poblacin en
miniatura y es slamente a travs de ella que podemos inferir o extrapolar en forma vlida los re-
sultados obtenidos a la poblacin en su totalidad.
2
Ver: ESTADSTICA DESCRIPTIVA. Aplicacin a un caso concreto. Sara E. Elizondo, Mara E. ngel.
Ed. Rocamora.
1
',67,17267,326'(9$5,$%/(6
9DULDEOHV &DWHJRUtDVRYDORUHV
6H[R IHPHQLQRPDVFXOLQR
&RQIRUPLGDG FRQ ORV FRQWHQLGRV GLVFRQIRUPH SRFR FRQIRUPH FRQ
DSUHQGLGRVHQODHVFXHOD IRUPHPX\FRQIRUPH
0DWHULDGHSUHIHUHQFLD PDWHPiWLFDOHQJXDItVLFD
'HVHPSHxRHVFRODU PDORUHJXODUEXHQRPX\EXHQR
&DQWLGDGGHKHUPDQRV
(GDGHQDxRV
$SUR[LPDGDDYDORUHQWHUR
3URPHGLRGHODVFDOLILFDFLRQHVRE
WHQLGDV
6XHOGRPHQVXDO
(Q
&DQWLGDGGHKLMRV
$OWXUDHQPHWURV
De la observacin de las variables con las que se est trabajando se puede deducir
que stas conforman dos grupos: las numricas y las no numricas.4
3
Tabla adaptada de ESTADSTICA DESCRIPTIVA. Aplicacin a un caso concreto.
4
Cuando hablamos de las variables numricas o no numricas nos referimos a los verdaderos valores
que ellas pueden tomar independientemente de la codificacin que se realice a posteriori de los
mismos.
2
Distintos tipos de variables
&8$17,7$7,9$6
&8$/,7$7,9$6
(MHUFLFLR
Cules de todas las variables citadas anteriormente son cualitativas y cules son
cuantitativas?
(MHUFLFLR
Cules de las variables cualitativas ya mencionadas son las que admiten un cierto
orden?
5
En general y para un mejor procesamiento de los datos, a los valores de las variables cualitativas se
los suele codificar con nmeros, a pesar de que la codificacin sea cuantitativa, la variable sigue
siendo cualitativa.
3
$1/,6,6'(9$5,$%/(6&8$/,7$7,9$6
35,0(5(-(03/2
1 $FW 1 $FW 1 $FW 1 $FW 1 $FW
7 , 0 0 ,
7 , 0 , ,
0 , , 0 ,
0 , 7 , 0
, 7 , 7 0
, 0 0 0 ,
, 7 , , 7
0 0 , , 0
7 0 0 , ,
7 , 7 0 7
Organizamos los datos obtenidos en una tabla, donde en la primera columna colo-
camos las categoras que toma la variable y en la segunda la cantidad de veces que
aparece cada una de esas categoras.
I se denomina IUHFXHQFLDDEVROXWD e indica
$FWLYLGDG &DQWLGDG
; I
la cantidad de veces que aparece cada valor o
categora de la variable.
Msica 17
Teatro 11 La suma de todos los valores de I da como
Ingls 22
WRWDOQ
resultado el total de las observaciones. A este
valor se lo denomina Q
4
Anlisis de variables cualitativas Primer ejemplo.
7DEODGHGLVWULEXFLyQGHIUHFXHQFLDV
Uno de los grficos que corresponden a la distribucin de este tipo de variables es el
siguiente GLDJUDPDGHEDUUDV
'LDJUDPDGH%DUUDV
La flecha indica la categora de la va-
riable con mayor frecuencia, (Ingls) es
decir, la eleccin que predomina.
)UHFXHQFLDV
DEVROXWDV
0 7 ,
$FWLYLGDG
6HGHQRPLQD02'2R02'$\VHVLPEROL]D0R DOYDORURFDWHJRUtDGHODYDULDEOH
TXHSRVHHPD\RUIUHFXHQFLD.6
Si una distribucin presenta dos valores predominantes, dos Mo, se dice que es bimodal.
5
Anlisis de variables cualitativas. Primer ejemplo.
/DIUHFXHQFLDUHODWLYDproporcin entre la cantidad de veces que aparece un valor
de la variable y el total de las observaciones.
I IQ
U
/DIUHFXHQFLDSRUFHQWXDO porcentaje.
I I
U
Ingls es 0,44.
'LDJUDPD&LUFXODU
,QJOpV
Sobre el total de alumnos interrogados,
el 44% elige Ingls;
el 34% elige Msica y
el 22% elige Teatro.
0~VLFD
7H DWUR
2EVHUYDFLRQHV
El Diagrama de Barras podra haberse realizado con cualquiera de las tres fre-
cuencias.
Para calcular porcentajes es conveniente que las frecuencias absolutas no sean
muy pequeas.
Para comparar distintas distribuciones de una misma variable, cuando el n es
distinto en cada caso, debe utilizarse la fr o la f%.
6
Anlisis de variables cualitativas. Segundo ejemplo.
6(*81'2(-(03/2
La variable RSLQLyQcuyas categoras son mala, regular, buena, muy buena o exce-
lente; HVXQDYDULDEOHFXDOLWDWLYDTXHDGPLWHRUGHQ
El hecho de que la variable pueda ordenarse, nos permite acumular frecuencias, es
decir, calcular las )UHFXHQFLDV$FXPXODGDV
7
Anlisis de variables cualitativas. Segundo ejemplo.
I
)
0 5 % 0% (
0 5 % 0% (
2SLQLyQ 2SLQLyQ
/D0HGLDQDHVHOYDORURFDWHJRUtDGHODYDULDEOHREVHUYDGRRQRTXHVXSHUD\HVVXSH
UDGRDORVXPRSRUHOGHODVREVHUYDFLRQHV.
0H %
Luego contamos los datos desde el mayor valor de la variable, el cual es la categora ( en donde
hay 5; le sumamos los 15 siguientes que corresponden a 0% y ya obtenemos 20; a stos no po-
demos sumarles los de % porque tendramos 60, que es mayor que 52; por lo tanto los nicos da-
tos que se encuentran por encima de la 0H son los 20 de las dos ltimas categoras.
De ambas sumas de datos se deduce que la 0H es la categora %.
(MHUFLFLR
1- Completar la siguiente tabla de distribucin de frecuencias de una variable cuali-
tativa y graficar en un diagrama de barras utilizando f%.
; I IU I
$
2- Cul es el modo de la distribucin y qu
10 ? ?
%
indica ese valor?
? 0,15 ?
& ? ? 25
'
3- Puede calcularse la mediana de la distri-
25 ? ?
(
bucin?. En caso afirmativo, calcularla e
? ? 10
)
interpretar su resultado.
? 0,12 ?
* ? ? ?
7RWDO 200
9
Anlisis de variables cualitativas. Tercer ejemplo.
7(5&(5(-(03/2
Los datos que se presentan en la siguiente matriz corresponden a una encuesta sobre
el hbito de fumar, realizada a los 45 alumnos del ltimo ao de un determinado
establecimiento escolar. En ella se les pregunt si fumaban y el conocimiento sobre
los efectos perjudiciales que el cigarrillo puede ocasionar en la salud.
7
En este caso hemos utilizado una codificacin numrica, a pesar de ello la variable sigue siendo
cualitativa.
10
Anlisis de variables cualitativas. Tercer ejemplo.
Para una mejor observacin de los datos volcados en la matriz, los organizamos en
la siguiente tabla.
7DEODGHGLVWULEXFLyQFRQMXQWD
+iELWRHQ &RQRFLPLHQWRGHORVHIHFWRVSHUMXGLFLDOHV
HODOXPQR 7RWDO
6
1
7RWDO
Podemos observar, por ejemplo, que 6 alumnos fuman y a su vez desconocen los
perjuicios de dicho hbito, de los alumnos que no fuman 12 poseen escasos cono-
cimientos sobre el perjuicio del cigarrillo, etc.
JDUULOOR
3UHGRPLQDQORVTXHQRIXPDQ\SRVHHQEDVWDQWHFRQRFLPLHQWRDOXPQRV
'HORVDOXPQRVTXHIXPDQVyORFRQRFHQEDVWDQWHORVHIHFWRVSHUMXGLFLDOHV
GHOFLJDUULOOR
11
Anlisis de variables cualitativas. Tercer ejemplo.
De las frecuencias marginales podemos extraer que del total de alumnos encuesta-
dos:
3UHGRPLQDQORVDOXPQRVTXHQRIXPDQGHORV
6RQ PX\ SRFRV ORV TXH GHVFRQRFHQ ORV HIHFWRV SHUMXGLFLDOHV GHO FLJDUULOOR
VyORGHORV
)XPD
1R)XPD
QRFH FRQRF FRQRF
(MHUFLFLR
En el club A debe reorganizarse la actividad deportiva destinada a chicos de 12 a 15
aos. La direccin de la institucin decide realizar un relevamiento, para lo cual
consulta a un grupo de socios de esa edad y anota en una tabla el sexo y el deporte
preferido por cada uno de ellos. La tabla confeccionada es la siguiente:
6H[R 'HS 6H[R 'HS 6H[R 'HS 6H[R 'HS 6H[R 'HS
3UHI 3UHI 3UHI 3UHI 3UHI 1- Presentar en una mis-
) 7 ) 7 ) 3 ) 7 ) 9 ma tabla la informa-
0 3 0 7 ) 7 ) 7 0 3 cin relevada por los
0 7 0 7 0 3 0 9 ) 3
0 7 ) 9 0 3 ) 9 ) 7
directivos del club.
) 9 0 3 0 3 ) 7 ) 7
2- Graficar en un dia-
0 7 ) 9 ) 3 0 3 ) 9 grama de barras los
) 9 ) 7 0 9 ) 7 0 3 resultados de la tabla
) 9 0 3 ) 9 0 7 0 3 anterior.
Para sexo: F-femenino. M-masculino
Para deporte preferido: V-voley. T-tenis. P-paddle
12
$1/,6,6'(9$5,$%/(6&8$17,7$7,9$6
35,0(5(-(03/2
; I I I )
U
En las variables cuantitativas, tanto discretas como continuas, el clculo de las dis-
tintas frecuencias (f, fr, f%, F, Fr y F%) se efecta de la misma manera que para las
cualitativas.
(OGHORVQLxRVWLHQHQFRPRPXFKRKHUPDQRV
Para representar grficamente la distribucin de una variable discreta utilizamos el
GLDJUDPDGHEDVWRQHVo el GLDJUDPDGHSXQWRV
13
Anlisis de variables cuantitativas. Primer ejemplo.
'LDJUDPDGH%DVWRQHV
'LDJUDPDGH3XQWRV
I
IU
; ;
+ + + + +
;=
En este caso8,
El valor obtenido nos indica que para el grupo de nios consultado HOSURPHGLRGH
KHUPDQRVHV
[ I + [ I + + [ P I P
; =
Cantidad de valores
Cantidad total de distintos de x. Siempre
datos observados. n es menor o igual que el
total de datos observa-
dos.
; f
P
L L
n
8
El numerador de esta suma sintetiza la siguiente operacin:
(0+0+0+0+0)+(1+1+1+1+1+1+1+1+1+1+1+1+1+1)+(2+2+2+2+2+2+2+2+2)+(3+3+3+3+3+3+3)+(4+4+4)+(5+5)
en la cual se suman los 40 datos.
14
Anlisis de variables cuantitativas. Primer ejemplo.
(MHUFLFLR
Para cada una de las variables de la tabla de la pgina 2, decir cul o cules de las
tres medidas de posicin, 0R0H\ ; puede calcularse y explicar por qu.
(MHUFLFLR
El dueo de una cadena de libreras quiere abrir una nueva en un cierto barrio, pero
antes de tomar la decisin, resuelve preguntarle a cada familia del vecindario cun-
tos hijos en edad escolar tiene y con las respuestas elabor la siguiente tabla:
+LMRVHQHGDGHVFRODU
&DQWLGDGGHIDPLOLDV
3DUDWHQHUHQFXHQWD
Muchas veces cuando se trabaja con variables cuantitativas discretas, suele aparecer
el siguiente grfico.
'LDJUDPDGHOtQHDV
I
;
plano (0,5) - (1,14) - ...el espacio est vaco.
15
Anlisis de variables cuantitativas. Segundo ejemplo.
6(*81'2(-(03/2
En cada uno de los casos siguientes se indica la cantidad de hijos que poseen 8 fa-
milias que habitan en un edificio de departamentos.
El correspondiente Diagrama ;
de puntos.
Media Aritmtica
/DPHGLDDULWPpWLFDHV
El correspondiente Diagrama de ;
puntos.
Media Aritmtica
&XDQWRPiVSHTXHxDHVODGLVSHUVLyQGHORVGDWRVFRQUHVSHFWRDODPHGLDDULWPpWL
FDPiVUHSUHVHQWDWLYDGHOFRQMXQWRGHGDWRVVHUiHVWDPHGLGD.
16
Anlisis de variables cuantitativas. Segundo ejemplo.
5DQJRR$PSOLWXG
(O5DQJRHVODPHGLGDGHGLVSHUVLyQTXHQRVLQGLFDODORQJLWXGRH[WHQVLyQWRWDO
GHODGLVWULEXFLyQ.
Esta medida se calcula restndole al valor mximo de X (Xmx) el valor mnimo que
toma X (Xmn).
9DULDQ]D
/D 9DULDQ]D 9; HV XQD PHGLGD GH GLVSHUVLyQ TXH QRV LQGLFD HO FRPSRUWD
PLHQWRGHWRGDVODVREVHUYDFLRQHVFRQUHVSHFWRGHODPHGLDDULWPpWLFD.
las diferencias al cuadrado entre todos los datos observados y la media aritmtica.10
9
Puede ocurrir que se obtenga un rango muy grande a pesar de que los datos no estn demasiado
dispersos entre s salvo los extremos, esto podra haber ocurrido si en el caso 1. la cantidad de hijos
fuera: 1, 1, 2, 2, 2, 2, 3 y 8.
10
La varianza, al ser calculada por medio de la suma de los desvos al cuadrado, respecto de la me-
dia, queda expresada en la magnitud de la variable al cuadrado. En nuestro ejemplo, la magnitud de
la variable es hijos entonces la varianza queda expresada en hijos al cuadrado y esto carece de sen-
tido.
17
Anlisis de variables cuantitativas. Segundo ejemplo.
Como en los casos del problema los valores que toma la variable no son todos dis-
tintos, para calcular la varianza, a cada diferencia al cuadrado la multiplicamos por
la frecuencia correspondiente. Obtenemos.
Para el caso 1.
(1-2)2.2 + (2 2)2.4 + (3 2)2.2
V(X)= =
8
1.2 + 0.4 + 1.2
V(X) = =
8
2+0+2
V(X) = =
8
4
V(X) =
8
Obtenemos 9;
Para el caso 2.
As como ocurri con el rango, la varianza tambin result menor para el primer
caso.
X fi
P
(X )
2
9; L
n
18
Anlisis de variables cuantitativas. Segundo ejemplo.
'HVYtR6WDQGDUG
(OGHVYtRVWDQGDUG'6HVXQDPHGLGDSRUPHGLRGHODFXDOVHREWLHQHODGLVSHU
VLyQGHORVGDWRVFRQUHVSHFWRDODPHGLDDULWPpWLFDHQODPLVPDPDJQLWXGGHOD
YDULDEOH
La definicin del desvo es la siguiente:
'6 V(X)
Como era de esperar, el desvo standard tambin result menor para el caso 1.
Con el clculo de las medidas de dispersin para los datos del ejemplo, hemos con-
firmado lo observado en los grficos, es decir, que a pesar de que en los dos casos la
cantidad promedio de hijos es la misma, la distribucin de los hijos para el primer
caso es menos variable, ms homognea, que para el segundo
2EVHUYDFLRQHV
En este texto se estn utilizando las notaciones 9;'6\ ; para ambos casos.
(MHUFLFLR
Calcular todas las medidas de dispersin dadas para la distribucin de los datos del
ejercicio 7.
19
Anlisis de variables cuantitativas. Tercer ejemplo.
7(5&(5(-(03/2
Para seleccionar a los nuevos ingresantes a primer ao, un colegio decide tomar una
prueba de nivel a los 50 postulantes y las calificaciones obtenidas, entre 0 y 100,
fueron las siguientes:
La variable FDOLILFDFLyQ es FXDQWLWDWLYDFRQWLQXD puede tomar cualquier valor real
comprendido entre 0 y 100. En este caso, los datos observados nos indican que el
menor valor de la variable es 39 y el mayor 100.
En estos casos, se consideran intervalos para ubicar todos los valores observados de
la variable que denominamos
,QWHUYDORVR&ODVHV
11
Esta situacin puede presentarse tambin en casos donde la variable de estudio sea cuantitativa
discreta, presente un amplio rango y la cantidad de observaciones sea grande.
12
El procedimiento siguiente no es adecuado para distribuciones que poseen un rango muy grande
debido a valores extremos muy alejados, en estos casos, los intervalos a tomar son en general de
distinta amplitud.
20
Anlisis de variables cuantitativas. Tercer ejemplo.
El primer valor de cada intervalo se llama lmite inferior (L1) y el ltimo lmite su-
perior (L2).
En consecuencia, FXDQGRXQDREVHUYDFLyQFRLQFLGHFRQHOH[WUHPRROtPLWHLQIHULRU
GHXQLQWHUYDORODLQFOXtPRVHQpO6LFRLQFLGHFRQHOOtPLWHVXSHULRUODLQFOXtPRV
HQHOLQWHUYDORVLJXLHQWH
Para cada intervalo o clase elegimos un representante y como tal utilizamos al punto
medio de dicho intervalo13 que se denomina 0DUFDGH&ODVHy se denota por ;
13
Este valor se calcula dividiendo por dos la suma de los lmites del intervalo / / sumndole al
lmite inferior del intervalo la mitad de la amplitud.
21
Anlisis de variables cuantitativas. Tercer ejemplo.
Una vez escogidos los intervalos para agrupar los datos, organizamos la informa-
cin en la siguiente tabla de distribucin de frecuencias.
,QWHUYDORVGH 0DUFD
&DOLILFDFLRQHV ;II I )) )
U U
7RWDO
+LVWRJUDPD
IU
;
Intervalo modal Intervalo mediano
22
Anlisis de variables cuantitativas. Tercer ejemplo.
Observando el grfico notamos que HO 3ROtJRQR GH IUHFXHQFLDV HQFLHUUD XQ iUHD
LJXDODODGHO+LVWRJUDPD.
Para calcular el rea encerrada por el Histograma tomamos como unidad de medida
la amplitud de los intervalos. Observamos que la base de cada rectngulo mide 1
unidad y que la altura, mide el valor de la frecuencia asociada al intervalo.
De esta manera,
HOiUHDGHOKLVWRJUDPDHV VLVHWUDEDMDFRQODVIUHFXHQ
FLDV UHODWLYDV VL VH FRQVLGHUDQ ODV IUHFXHQFLDV GH
SRUFHQWDMHV\HOWRWDOHQHOFDVRGHXWLOL]DUODVDEVROXWDV
Por ese motivo, si los intervalos son de distinta amplitud, la altura de los rectngu-
los no coincidir con el valor de la frecuencia con la cual se trabaja. Esta altura debe
calcularse en forma proporcional al ancho del intervalo y manteniendo el rea co-
rrespondiente.
Notemos que cuanto ms pequeos son los intervalos, ms suave es el grfico del
polgono de frecuencias. Esto significa que a medida que la amplitud de los interva-
los se acerca a 0 el polgono se aproxima al grfico de una funcin matemtica que
servir de modelo terico para la distribucin.
Otro grfico de gran utilidad para este tipo de distribuciones es el de las frecuencias
acumuladas, para el que puede considerarse tanto F, como Fr F%. El grfico no
vara segn la frecuencia acumulada elegida.
Para su construccin se consideran los puntos determinados por los pares lmite
superior y frecuencia acumulada de cada intervalo. En el caso de utilizar la frecuen-
cia acumulada porcentual, los puntos sern: (39,0), (48,8), (57,20), (66,46),...,
(93,90) y (102,100)14 . La poligonal que queda determinada por dichos puntos recibe
el nombre de 2MLYD
14
Notemos que todos los puntos de abscisa mayor o igual a 102 tienen como ordenada 100, como as
tambin todos los de abscisa menor o igual a 39 tienen como ordenada 0.
23
Anlisis de variables cuantitativas. Tercer ejemplo.
2MLYD
)
;
L5DQJR
LL0HGLD$ULWPpWLFD
X=
X .f
L
i i
n
43,5.4 + 52,5.6 + 61,5.13 + 70,5.9 + 79,5.7 + 88,5.6 + 97,5.5
X=
50
3498
X= = 69,96
50
; =
24
Anlisis de variables cuantitativas. Tercer ejemplo.
Este valor indica que OD FDOLILFDFLyQ SURPHGLR REWHQLGD SRU ORV SRVWX
ODQWHVHQODSUXHEDGHQLYHOHVGHSXQWRV.
LLL9DULDQ]D
(X )
2
i X .fi
V(X) = L
=
n
(43,5 69,96)2.4 + (52,5 69,96)2.6+.....+(97,5 69,96)2.5
= =
50
700,13.4 + 304,85.6+..............+343,73.6 + 763,97.5
= =
50
12082,01
=
50
9; =
LY'HVYtR6WDQGDUG
DS = 15,53
Y0RGR
En este caso, si observamos la tabla, no podemos obtener a simple vista el
valor del modo pero s el intervalo que posee mayor frecuencia 57-66, por
ese motivo el intervalo recibe el nombre de LQWHUYDOR PRGDOEl modo es
un valor que pertenece a dicho intervalo.
Muchas veces se suele tomar como valor del modo al punto medio del in-
tervalo modal (en este caso 61,5), el cual no siempre coincide con el ver-
dadero valor.
Antes de calcular el valor del modo, lo localizaremos grficamente, para lo
cual confeccionamos el histograma de frecuencias absolutas.
25
Anlisis de variables cuantitativas. Tercer ejemplo.
Recta determinada por los
puntos (57,13) y (66,9) Recta determinada por los
I
puntos (57,6) y (66,13)
Punto interseccin
;
0R
Intervalo modal
(O0RHVODDEVFLVDGHOSXQWRGHLQWHUVHFFLyQGHODVGRVUHFWDVPDUFDGDVHQHOJUi
ILFR.
Mo = / +
tervalo modal
d1
a
d1 + d2
Diferencia entre la frecuencia
Diferencia entre la frecuencia del
del intervalo modal y la fre-
intervalo modal y la frecuencia del
cuencia del intervalo posterior
intervalo anterior
26
Anlisis de variables cuantitativas. Tercer ejemplo.
(13 6)
Mo = 57 + .9 =
(13 6) + (13 9)
7
= 57 + .9 =
7+4
7
= 57 + .9
11
0R
Observamos que el resultado obtenido no coincide con el punto medio del intervalo
modal (61,5).
(MHUFLFLR
En qu casos el modo coincidir con el punto medio del intervalo modal?
YL0HGLDQD
15
Para localizar el intervalo mediano, notamos que la cantidad de observaciones es 50, los tres pri-
meros intervalos suman 23, no puedo agregar las 9 del cuarto intervalo porque superara 25, y lo
mismo ocurre con los tres ltimos que suman 18.
27
Anlisis de variables cuantitativas. Tercer ejemplo.
)
%
Q $
Intervalo mediano
;
0H
n
Fa
Amplitud del intervalo mediano
Me = / + 2 a
f
Lmite inferior del intervalo mediano Frecuencia absoluta del intervalo mediano
25 23
Me = 66 + .9 =
9
2
= 66 + .9
9
Me = 68
28
Anlisis de variables cuantitativas. Tercer ejemplo.
Este resultado indica que HO GH ORV DVSLUDQWHV REWXYLHURQ XQD FDOLILFDFLyQ
LQIHULRURLJXDODSXQWRV\HOUHVWDQWHXQDFDOLILFDFLyQVXSHULRUDSXQ
WRV
2EVHUYDFLRQHV
(MHUFLFLR
29
817,32'(&203$5$&,1
35,0(5(-(03/2
Un profesor dicta su materia en 1 A y 1 B, dos cursos de un mismo colegio.
&XUVRV
0HGLGDV $ %
X
'6
Al observar los datos de la tabla, se puede afirmar que los puntajes de todos los
alumnos de 1 B en relacin a los del grupo de 1 A, variaron menos respecto al
puntaje promedio, es decir que estn ms concentrados alrededor de dicho prome-
dio.
Para extraer la conclusin anterior bast con observar los desvos de los puntajes,
dado que los promedios coinciden para ambos grupos.
En general, cuando se comparan dos o ms grupos con respecto a una misma varia-
ble, es difcil que se presente la situacin anterior donde los promedios coinciden.
Pero, a pesar de ello, es factible analizar la variabilidad de los grupos entre s.
16
Una situacin similar es la que se present en el segundo ejemplo del punto 4.
30
Un tipo de comparacin. Segundo ejemplo.
6(*81'2(-(03/2
Tomaremos el mismo problema que en el primer ejemplo pero con la siguiente tabla
de resultados:
&XUVRV
0HGLGDV $ %
X
'6
Con los resultados obtenidos en este caso no podemos decidir cul de los dos cursos
presenta mayor KRPRJHQHLGDG en los puntajes.
100
DS
CV =
X
Al comparar dos o ms grupos respecto a una misma variable y calcular para cada
uno de ellos el CV, este valor nos permitir decidir sobre la homogeneidad de los
mismos pues:
HO JUXSR PiV KRPRJpQHR UHVXOWDUi VHU DTXHO TXH
SRVHDHOPHQRUFRHILFLHQWHGHYDULDFLyQ.
Para 1 A Para 1 B
2,7 2,4
CV = .100 CV = .100
6 5
CV = 45 CV = 48
31
Un tipo de comparacin. Segundo ejemplo.
(MHUFLFLR
Se tom una prueba de nivel con un puntaje mximo de 20 a dos comisiones de
estudiantes (C1 y C2) y los resultados obtenidos fueron los siguientes:
Puntajes obtenidos
Comisin 15-16 16-17 17-18 18-19 19-20
C1 8 20 19 13 10
C2 16 18 19 9 8
1. Para cul de los dos grupos el promedio de los puntajes result mayor?
2. Para cul de los dos grupos el puntaje result ms homogneo?
32
81352%/(0$',67,172
Ante un hecho real, las variables a analizar no siempre se presentan en forma tan
clara, como en los ejemplos tratados. Muchas veces, ciertas variables, pueden cum-
plir el rol de las frecuencias absolutas y la dificultad surge al calcular las medidas
que permitan extraer conclusiones.
Por ese motivo es muy importante poder identificar y clasificar la variable de inters
en un estudio.
(-(03/2
33
Un problema distinto.
'LDJUDPDGH%DUUDV$G\DFHQWHV
SDUDFDQWLGDGGHWXULVWDVVHJ~QPHV\DxR
R 0DU
x
D
U
)HE
H
F
U (QHUR
H
7 'LF
R
x
D
R
G
Q
X
J
H
6
R
x
D
U
H
P
L
U
3
De la observacin tanto de la tabla como del grfico extraemos entre otras las si-
guientes conclusiones:
/DPD\RUDIOXHQFLDGHWXULVWDVVHUHJLVWUyHQHOVHJXQGRDxR
'HORVFXDWURPHVHVFRQVLGHUDGRVSUHGRPLQDODHQWUDGDGHWXULVWDVHQHOPHVGH
HQHUR(VWHKHFKRVHGDHQORVWUHVDxRVHVSHFLDOPHQWHHQHOSULPHUR
Pero si consideramos OD FDQWLGDG GH WXULVWDV TXH LQJUHVDURQ VHJ~Q PHV \ DxR
como una tercera variable de estudio, podemos realizar un anlisis ms completo de
la informacin dada.
Esta nueva variable es cuantitativa discreta por tal motivo podemos calcularle todas
las medidas antes definidas, sus valores son las frecuencias que aparecen en la tabla
antes confeccionada.
Notamos que todos los valores tienen frecuencia 1, por tal motivo carece de sentido
graficar la informacin.
34
Un problema distinto.
1. /DHQWUDGDGHWXULVWDVDOD&LXGDGHQORV~OWLPRVWUHVDxRVIXHHQSURPHGLRGH
WXULVWDVDQXDOHV
3
2. 'XUDQWHORVWUHV~OWLPRVDxRVHOSURPHGLRPHQVXDOGHWXULVWDVTXHLQJUHVDURQ
DOD&LXGDGIXHGH
216 + 350 + 295 + 232
Pues = 273,25
4
Calculamos entonces para cada uno de los meses el promedio de ingreso de turistas,
el desvo estndar y el coeficiente de variacin correspondiente, obteniendo los si-
guientes resultados, para:
Diciembre:
50 + 76 + 90
X= = 72
3
35
Un problema distinto.
Enero:
125 + 120 + 105
X= = 116,67 DS = 8,50
3
S 8,50
CV = 100 = 100 = 7,28
X 116,67
Febrero:
= 98,33DS = 8,73
89 + 110 + 96
X=
3
S 8,73
CV = 100 = 100 = 8,88
X 98,33
Marzo:
= 77,33DS = 8,18
67 + 87 + 78
X=
3
S 8,18
CV = 100 = 100 = 10,58
X 77,33
36
(-(5&,&,2,17(*5$'25
Las autoridades educativas de cierta comunidad decidieron describir el perfil de los
docentes que se desempean en ella. Por tal motivo se seleccion una muestra de 32
docentes y los datos relevados se volcaron en una matriz.
1GHHQ 6H[R (VWDGR (GDG 6XHOGR &DQWOXJD
WUHYLVWDGR FLYLO HQDxRV HQ UHVGRQGH Con los datos proporcionados
WUDEDMD por la matriz:
) 6
) & 1. Determinar de qu tipo es
0 6 cada una de las variables
0 ' que intervienen en el estu-
0 6 dio.
) 6
0 &
0 &
2. Confeccionar las tablas y
37
352%$%,/,'$'
,1752'8&&,1
$WUDYpVGHOD3UREDELOLGDGVHHODERUDQORVPRGHORVWHyULFRVHQORVTXHVHEDVD
OD(VWDGtVWLFDSDUDODWRPDGHGHFLVLRQHVDQWHODLQFHUWLGXPEUH
/DSUREDELOLGDGHVDODYH]HOOHQJXDMH\ODPHGLGD
GHLQFHUWLGXPEUH\ORVULHVJRVDVRFLDGRVFRQHOOD2
1
Esto depender del tamao de la poblacin y de la posibilidad de recoleccin de los datos.
2
Chou Ya Lun en Anlisis Estadstico.
39
(;3(5,0(1726
Para los juegos de azar ocurre exactamente lo mismo; no se puede predecir el resul-
tado a obtener al lanzar una moneda, ni al lanzar un dado, ni al hacer girar la ruleta,
etc.
(MHUFLFLR
Decidir cules de los siguientes experimentos son aleatorios y explicar porqu.
1- Calcular la superficie de un terreno rectangular de 10m de ancho por 25m de largo.
2- Jugar un torneo de tenis.
3- Tirar una tiza desde el fondo del aula y medir la distancia de donde cae al pizarrn.
4- Medir la altura de una planta al ao de ser plantada.
5- Determinar el desplazamiento de un mvil que se mueve durante 3h a velocidad
constante de 80 km/h.
6- Depositar $100 en una entidad bancaria y calcular el monto total a retirar luego de 2
meses, en un perodo de estabilidad econmica.
7- Depositar $100 en una entidad bancaria y calcular el monto total a retirar luego de 2
meses, en un perodo de inflacin econmica.
40
(63$&,2608(675$/(6<68&(626
35,0(5(-(03/2
En el experimento que consiste en organizar un campeonato de ftbol entre los
colegios A, B, C y D; si el inters es premiar al ganador, no podemos predecir cul
de ellos resultar premiado pero s podemos afirmar que ser alguno de los cuatro
colegios.
En consecuencia, un conjunto con todos los resultados posibles para este experi-
mento puede ser: E = {A, B, C, D}
ORVUHVXOWDGRVSRVLEOHVGHXQH[SHULPHQWRDOHDWRULR
En la siguiente tabla figuran distintos experimentos y un espacio muestral corres-
pondiente a cada uno de ellos.
([SHULPHQWR (VSDFLRPXHVWUDO
Observar la cantidad de alumnos que faltan E = {0,1,2,...20,........n}
al colegio en el da D. n depende de la cantidad total de alumnos.
Los espacios muestrales son conjuntos que pueden tener una cantidad finita o infini-
ta de elementos3.
(MHUFLFLR
Cules de los espacios muestrales asociados a los experimentos aleatorios anterio-
res son conjuntos de finitos elementos?
El conjunto E puede ser finito, infinito numerable o infinito no numerable.
41
Espacios muestrales y sucesos. Segundo ejemplo.
6(*81'2(-(03/2
Consideremos la siguiente situacin: Se realiza un sorteo entre 40 nmeros, del 1 al
40, cul de los nmeros ser el ganador?. En este caso el espacio muestral es:
( ^`
Ahora bien, si yo tengo todos los nmeros que terminan con 7 voy a ganar si en el
sorteo sale alguno de los resultados del siguiente conjunto
$ ^`
Si tengo slo el nmero 30 voy a ganar si en el sorteo sale
% ^`
Si tengo todos los nmeros voy a ganar siempre
C = {1,2,3,4,5,....,40}
& (
8Q VXFHVR RFXUUH FXDQGR HO UHVXOWDGR TXH VH REWLHQH HQ HO H[SHULPHQWR HV XQ
HOHPHQWRGHGLFKRVXFHVR.
En particular:
6LXQVXFHVRWLHQHXQVyORHOHPHQWRVHGLFHTXHHVXQVXFHVRHOHPHQWDO (B).
6LXQVXFHVRFRLQFLGHFRQHOHVSDFLRPXHVWUDORFXUUHVLHPSUHSRUORTXHVH
GHQRPLQDVXFHVRFLHUWR (C).
6LXQVXFHVRQRWLHQHHOHPHQWRVFRLQFLGHFRQHOFRQMXQWROXHJRQRSXHGH
RFXUULUQXQFDHVGHFLUHVHOVXFHVRLPSRVLEOH(D).
&XDQGR OD LQWHUVHFFLyQ HQWUH GRV VXFHVRV HV HO FRQMXQWR YD
FtRVHGLFHTXHORVVXFHVRVVRQPXWXDPHQWHH[FOX\HQWHV.
4
Como los sucesos son conjuntos, las operaciones que se pueden realizar son las mismas que las
operaciones entre conjuntos.
43
Espacios muestrales y sucesos. Tercer ejemplo.
Es decir que dos sucesos son mutuamente excluyentes cuando no pueden ocurrir
simultneamente. En el ejemplo, A y B son dos sucesos excluyentes.
8QLyQ
A D = {MC, MV, CV, LA, LG, AG, VL, VA, VG}
$'
0&9*ML
El suceso AD ocurre cuando
/$099/MA ocurre por lo menos uno de ellos.
/*MG
&99$CL En la unin estn todos los ele-
$*CA
CG (
mentos de A y todos los de D.
'LIHUHQFLD
B - D = {ML, MA, MG, CL, CA, CG,}
%'
La diferencia entre los sucesos
0/ B y D (B-D), es el suceso cu-
0$ yos elementos son los de B
0*
VL MV MC
que no pertenecen a D.
&/
VG LG
&$&*
VA CV LA
AG El suceso B-D ocurre cuan-
(
do ocurre B y no ocurre D
&RPSOHPHQWR
El suceso B es el complemento del suceso A (B = Ac), pues VXVHOHPHQWRVVRQ
2EVHUYDFLyQ
Tanto la unin como la interseccin pueden obtenerse para ms de dos sucesos.
(MHUFLFLR
Dados los sucesos A y B asociados a un experimento aleatorio, representarlos en
diagramas y sombrear las regiones correspondientes a: AB, AB, Ac, Bc, A-B y B-A
44
'(),1,&,1'(352%$%,/,'$'
Hasta ahora hemos considerado distintos tipos de sucesos de un espacio muestral
asociado a un experimento aleatorio, algunas de las operaciones entre ellos y, ade-
ms, la ocurrencia o no de un suceso.
Volviendo al ejemplo del sorteo entre 40 nmeros, del 1 al 40, en el cul el espacio
muestral es:
E = {1,2,3,4,5,.......,39,40}
Analizaremos las siguientes situaciones:
Si soy poseedor de todos los nmeros que terminan con 7 voy a ganar si ocurre
A = {7,17,27,37}
Adems de esperar que ocurra el suceso A, puedo medir su posibilidad de ocu-
rrencia y esa medida es la que denominamos probabilidad del suceso A, denotada
P(A).
Luego
/DSUREDELOLGDGHVXQQ~PHURTXHLQGLFDODSRVLELOLGDG
TXHWLHQHGHRFXUULUXQGHWHUPLQDGRVXFHVR
Si tengo todos los nmeros voy a ganar siempre 3( Es decir, la probabili-
dad de ganar es 1.
45
Definicin de probabilidad.
Qu probabilidad tendr de ganar si adems de poseer los nmeros que terminan
con 7, tengo el nmero 30?
Conclumos en la GHILQLFLyQD[LRPiWLFDGHSUREDELOLGDG:
/DSUREDELOLGDGHVXQDIXQFLyQTXHDFDGDVXFHVR$GHXQHVSD
FLRPXHVWUDO(DVRFLDGRDXQH[SHULPHQWRDOHDWRULROHDVLJQDXQ
Q~PHUR(VHQ~PHURPLGHODSRVLELOLGDGGHRFXUUHQFLDGHOVXFHVR
\FXPSOHFRQORVVLJXLHQWHVD[LRPDV
d3$d
3(
3$% 3$3%VL$%
El tercer axioma de probabilidad puede extenderse a un nmero finito o infinito
numerable de sucesos mutuamente excluyentes.
(MHUFLFLR
Si se conoce P(A), cmo puede calcularse P(AC)?
46
&02$6,*1$5352%$%,/,'$'(6
Para la asignacin de probabilidades consideraremos dos de las principales teoras:
ODWHRUtDFOiVLFD\ODWHRUtDIUHFXHQFLDO.
Los dos espacios muestrales estn asociados al mismo experimento, pero en el se-
gundo estamos distinguiendo a los alumnos postulados.
Por lo tanto:
8QHVSDFLRPXHVWUDODVRFLDGRDXQH[SHULPHQWRHVHTXLSUREDEOH
VLWRGRVVXVUHVXOWDGRVWLHQHQODPLVPDSUREDELOLGDGGHRFXUULU
Para este ejemplo es lgico pensar que la probabilidad de que en el sorteo salga se-
leccionada una mujer sea 2/5 y no 1/2.
47
Cmo asignar probabilidades. Primer ejemplo.
/$7(25$&/6,&$'(/$352%$%,/,'$'
Define a la probabilidad del suceso A
asociado a un experimento, como el cociente entre la cantidad de casos favorables a
A y la cantidad de casos igualmente posibles para el experimento.
Es decir que
&DQWLGDGGHFDVRVIDYRUDEOHVD$
3$ =
&DQWLGDGGHFDVRVSRVLEOHVHQHOH[SHULPHQWR
&DQWLGDGGHHOHPHQWRVGH$
3$
&DQWLGDGGHHOHPHQWRVGH(
Con lo cual, si queremos calcular la probabilidad de que sea seleccionada una mu-
jer, esta probabilidad ser:
P(A) = 2/5.
(MHUFLFLR
Para el ejemplo, calcular la probabilidad de que el alumno seleccionado sea:
a) varn, b) de cualquier sexo, c) ni mujer ni varn, d) M1 y e) V1 V2.
Para cada caso escribir el suceso correspondiente y relacionar los resultados obteni-
dos con lo expuesto hasta el momento.
48
Cmo asignar probabilidades. Segundo ejemplo.
6(*81'2(-(03/2
Un vendedor de videogames, posee en stock 3 marcas distintas y del mismo precio
(A, B y C). Debe reponer su mercadera, pero puede hacerlo slo de una de dichas
marcas, por lo que decide seleccionar aquella que tenga menor probabilidad de re-
clamo por garanta de parte del cliente.
Si bien los datos no nos proporcionan las probabilidades de reclamo para cada mar-
ca de videogame, observando las frecuencias relativas podemos suponer que la mar-
ca C tendr la menor probabilidad de reclamo.
/$7(25$)5(&8(1&,$/'(/$352%$%,/,'$'
Define a la probabilidad en tr-
minos de la frecuencia relativa. Es decir, que si un experimento aleatorio se repite
un nmero grande de veces, entonces, la probabilidad de un suceso en particular
puede asimilarse a la frecuencia relativa.
49
Cmo asignar probabilidades. Segundo ejemplo.
Cantidad de veces que ocurri el suceso A
se acerca a P(A)
Cantidad de repeticiones del experimento
Por lo tanto
f(A)
se acerca a P(A) a medida que n crece
n
(MHUFLFLR
En la siguiente tabla se presenta la cantidad de hermanos y el sexo para los 45
alumnos de un curso determinado.
50
&8$1'2/2668&(626126210878$0(17((;&/8<(17(6
(-(03/2
En el recreo del colegio el 15% de los alumnos compra solamente un sandwich, el
30% compra solamente golosinas y el 10% compra un sandwich y alguna golosina.
En el siguiente diagrama se muestran los porcentajes anteriores:
6*
Los sucesos S: comprar un sandwich y G: comprar
golosinas no son sucesos mutuamente excluyentes,
dado que hay alumnos que compran ambas cosas.
(MHUFLFLR
Para un grupo de 35 alumnos de un curso se obtuvieron los siguientes datos referi-
dos a si es socio de algn club y cuntos deportes practica:
52
'(3(1'(1&,$(,1'(3(1'(1&,$'(68&(626
35,0(5(-(03/2
Usaremos los datos del ejercicio 6
&DQWLGDGGH 6H[R
KHUPDQRV 9DURQHV0XMHUHV 7RWDO
7RWDO
53
Dependencia e independencia de sucesos. Primer ejemplo.
4. La probabilidad de que tenga 3 hermanos, es:
P(3H)= 3/45
6. La probabilidad de que sea mujer sabiendo que tiene tres hermanos, en este caso
la probabilidad condicional es: P(M/3H). Como sabemos que el alumno tiene tres
hermanos, los casos posibles se reducen de 45 a 3, nos ubicamos en la tercera fila
y en ella los casos favorables son 2.
Luego: P(M/3H)= 2/3
R
3% $ 3% $3$
5
Debemos tener en cuenta que las dos intersecciones indican lo mismo A B = B A.
54
Dependencia e independencia de sucesos. Segundo ejemplo.
6(*81'2(-(03/2
Retomaremos el ejemplo de los 5 alumnos que se postularon para ser delegados de
curso; V1, V2, V3, M1 y M2. Pero en este caso vamos a seleccionar 2 delegados y
calcular la probabilidad de que: a) los dos alumnos seleccionados sean mujer y b)
slo un alumno seleccionado sea varn.
Para calcular las probabilidades pedidas necesitamos saber cules son todas las po-
sibilidades que existen de elegir los dos delegados, es decir, los elementos del espa-
cio muestral E.
Un manera de obtener los elementos de E es por medio del denominado GLDJUDPD
GHiUERO el cual puede realizarse de dos formas distintas.
9
0 90
0 90
9 99
0 90
0 90
9 99
9 9 99
0 90
0 90
9 09
0 9 09
9 09
0 00
9 09
9 09
0 00
55
Dependencia e independencia de sucesos. Segundo ejemplo.
En total tenemos 5 x 4 = 20 resultados posibles.
Calculamos finalmente las probabilidades de que:
a) los dos alumnos seleccionados sean mujer.
Si observamos el rbol, los resultados favorables son 2: 00y 00.
Luego: 300 = 2/20 =
b) slo un alumno sea varn.
Los resultados favorables son 12:
909090909090
0909090909\09.
Luego: 3VyORXQRHV9 = P(uno sea V y el otro sea M) = 12/20 =
La otra forma de construir el diagrama del rbol es sin discriminar a los varones y
varones, luego P(V)=3/5 ser el primero varn, luego
0
P(V/V)=2/4
De los 5 alumnos hay 2
Entre los 4 alumnos restantes hay 2
09
0
Calculamos las probabilidades de que:
a) los dos alumnos seleccionados sean mujer:
300 = P(M). P(M/M) = 2/5. 1/4 = 2/20 =
b) slo un alumno sea varn:
P[(V M) (M V)] al ser sucesos excluyentes:
390309 = P(V). P(M/V) + P(M). P(V/M) = 3/5. 2/4 + 2/5. 3/4
= 6/20 + 6/20 = 12/20 =
Como era de esperar, los resultados no cambiaron.
56
Dependencia e independencia de sucesos. Tercer ejemplo.
(MHUFLFLR
Para el ejemplo anterior, calcular la probabilidad de que:
a) los dos alumnos seleccionados sean varn, b) al menos uno de los alumnos selec-
cionados sea mujer y c) a lo sumo uno de los alumnos seleccionados sea varn.
7(5&(5(-(03/2
En una juguetera hay 8 casettes de videogames de 20 juegos cada uno. El dueo de
la juguetera sabe que 2 de ellos, en realidad, no tienen 20 juegos distintos, sino,
varias repeticiones de un mismo juego. Es decir, que vinieron fallados. Como espe-
cula con venderlos igual, tiene todos los casettes mezclados.
Esta situacin es del mimo tipo que las anteriores, pero, en qu hubiera cambiado
esta probabilidad si:
57
Dependencia e independencia de sucesos.
Observamos que P(S/F) = P(S), P(F/S) = P(F) ......, la segunda venta no depende
de la primera. Luego:
'RVVXFHVRV$\%VRQLQGHSHQGLHQWHVVL\VyORVL
3$% 3$3%
(Q ORV VXFHVRV LQGHSHQGLHQWHV OD RFXUUHQFLD GH XQR GH HOORV QR LQFLGH HQ OD RFX
UUHQFLDGHORWUR
2EVHUYDFLyQ
(MHUFLFLR
En una caja hay 5 pilas comunes y 4 pilas de larga duracin.
1. Si se extraen dos al azar y simultneamente, cul es la probabilidad de que:
a- ambas sean pilas comunes?
b- slo una sea una pila comn?
c- ninguna sea una pila comn?
2. Si se extraen dos pilas al azar, pero reponiendo la primera extrada, cul es la
probabilidad de que:
a- ambas sean comunes?
b- slo una sea comn?
c- ninguna sea comn?
(MHUFLFLR
Cul es la diferencia entre sucesos mutuamente excluyentes y sucesos indepen-
dientes?
58
$3/,&$1'2/2$17(5,25
35,0(5(-(03/2
Debe seleccionarse un alumno cualquiera de 5to ao para representar al colegio en
un acto. En el colegio hay cuatro quintos, A con 30 alumnos, B con 25, C con 35 y
D con 27 alumnos. A la vez, en A hay 10 varones, en B hay 11 varones, en C hay 20
y en D hay 12 varones. Cul es la probabilidad de que el alumno seleccionado sea
varn?
Como el alumno puede pertenecer a cualquiera de los cuatro quintos, la probabili-
dad de que sea varn P(V), es:
3>9\SHUWHQHFHD$R9\SHUWHQHFHD%R9\SHUWHQHFHD&R9\SHUWHQHFHD'@
/RVVXFHVRVVRQH[FOX\HQWHVSXHVWRTXHXQDOXPQRQRSXHGHHVWDUHQ$\%DOPLV
PRWLHPSR, entonces:
P(V) = P(V A) + P(V B) + P(V C) + P(V D)
&RPR OD SUREDELOLGDG GH 9 YD D GHSHQGHU GHO FXUVR DO TXH SHUWHQHFH HO DOXPQR,
aplicando a la probabilidad de la interseccin la definicin correspondiente, tendre-
mos:
P(V) = P(V/A) . P(A) + P(V/B) . P(B) + P(V/C) . P(C) + P(V/D) . P(D)
39
59
Aplicando lo anterior. Segundo ejemplo.
Notemos que en la tabla aparece directamente cada una de las intersecciones y el
ejercicio se podra haber resuelto de la siguiente manera:
12/117 =
= 10/117 + 11/117 + 20/117 +
(MHUFLFLR
Para este ejemplo calcular: a) La probabilidad de que el alumno seleccionado sea
mujer. b) Si el alumno seleccionado result ser varn, cul es la probabilidad de
que est en 5to A?. c) Si el alumno seleccionado result ser mujer, cul es la pro-
babilidad de que est en 5to D?
6(*81'2(-(03/2
Un vendedor de computadoras personales, compra chips de memoria de tres fabri-
cantes distintos;(A, B y C) en la misma proporcin. La probabilidad de que los
chips tengan alguna falla es de 0,1; 0,09 y 0,11 para cada uno de ellos respectiva-
mente. Si al armar una PC selecciona al azar uno de los chips y resulta con falla (F),
cul es la probabilidad de que el chip provenga de B?
60
Aplicando lo anterior. Segundo ejemplo.
3% ) 3) % 3%
3% )
3) 3)
=
/DSUREDELOLGDGGHTXHHOFKLSSURYHQJDGHOIDEULFDQWH%VDELHQGRTXHHVWiIDOOD
GRHV
(MHUFLFLR
Para este ejemplo. Si al armar una PC el chip seleccionado resulta sin fallas (S).
1. Cul es la probabilidad de que provenga de C?
2. Cul es la probabilidad de que provenga de A?
61
9$5,$%/($/($725,$<',675,%8&,21(6'(352%$%,/,'$'
35,0(5(-(03/2
FSS
F SFF
F S SFS
S
S F SSF
S SSS
Los resultados posibles (ventas) no son valores numricos, pero si elegimos la va-
riable ;FDQWLGDGGHFDVHWWHVIDOODGRVTXHVHYHQGLHURQ a cada resultado le va a
corresponder un nmero y de esta manera queda determinada la siguiente asigna-
cin:
))6
)6)
6))
)66
6)6
66)
666
9DULDEOHDOHDWRULD
62
Variable aleatoria y distribuciones de probabilidad. Primer ejemplo.
8QDYDULDEOHDOHDWRULDHVXQDIXQFLyQTXHDFDGDUHVXOWD
GRGHXQH[SHULPHQWRDOHDWRULROHDVLJQDXQQ~PHURUHDO
Al conjunto de todos los valores que asume una variable aleatoria lo llamamos UH
FRUULGR
&XDQGRHOUHFRUULGRGHXQDYDULDEOHDOHDWRULD;HVXQFRQMXQWRILQLWRR
LQILQLWRQXPHUDEOHVHODGHQRPLQDYDULDEOHDOHDWRULDGLVFUHWD
&XDQGRHOUHFRUULGRGHXQDYDULDEOHDOHDWRULD;HVXQFRQMXQWRLQILQLWR
QRQXPHUDEOHVHODGHQRPLQDYDULDEOHDOHDWRULDFRQWLQXD
7RWDO
63
Variable aleatoria y distribuciones de probabilidad. Primer ejemplo.
Observamos que cada valor de la segunda columna vara entre 0 y 1 por ser una
probabilidad y la suma total de ellos es 1, pues coincide con la probabilidad del
espacio muestral.
/DIXQFLyQGHSUREDELOLGDGGHXQDYDULDEOHDOHDWRULDGLVFUHWDFXPSOHFRQODVVL
JXLHQWHVSURSLHGDGHV
FDGDYDORUGH OD IXQFLyQFRPRHVXQDSUREDELOL
GDGHVXQQ~PHURHQWUH\
ODVXPDGHWRGRVORVYDORUHVGHODIXQFLyQHV
GD
GOL
LE
DE
RU
3
9DORUHVGH;
Para toda variable aleatoria se puede calcular un nmero que indica el valor que de
ella se espera obtener, no necesariamente ese valor pertenece al recorrido de la va-
riable. En el caso que estamos tratando nos puede interesar calcular cuntos casettes
fallados se espera vender en el negocio si concurren 3 clientes.
(;= [S[
[ 5[
64
Variable aleatoria y distribuciones de probabilidad. Segundo ejemplo.
Puede verificarse que si X es una variable aleatoria discreta, el clculo de E(X) co-
incide con el de la media aritmtica.
6(*81'2(-(03/2
Si compramos un cuaderno Arte 21x27 y medimos el ancho de una hoja cualquie-
ra de dicho cuaderno con distintas reglas, es difcil que con todas obtengamos exac-
tamente 21 cm; pero s obtendremos aproximadamente 21 cm. Cuanto ms precisa
sea la regla ms nos acercaremos a la verdadera medida.
Lo mismo va a ocurrir si queremos medir el ancho de todas las hojas del cuaderno.
Es difcil que todas midan exactamente lo mismo.
No podemos afirmar que el ancho de una hoja del cuaderno mide exactamente 21
cm pero podemos decir que mide alrededor de 21 cm. En otras palabras, podemos
afirmar que el ancho de la hoja del cuaderno mide, por ejemplo, entre 20,5 cm y
21,5 cm.
Esto coincide con lo observado en los ejemplos de estadstica referidos a variables continuas.
65
Variable aleatoria y distribuciones de probabilidad. Segundo ejemplo.
La funcin de probabilidad de una variable aleatoria continua I[ permite calcular
las probabilidades para cualquier intervalo del recorrido de dicha variable,esta fun-
cin se denomina IXQFLyQGHGHQVLGDGGHSUREDELOLGDGy su grfica puede tener
distintas formas.
Los siguientes son posibles grficos para una funcin de densidad de probabilidad.
I[
I[
[
[
0
0
I[ I[
3D[E
0 [ 0 a b [
Estas funciones son algunos ejemplos de modelos a los cuales se puede aproximar
el grfico del polgono de frecuencias relativas correspondiente a una variable con-
tinua, cuando la base de los rectngulos del histograma respectivo tiende a 0.
66
Variable aleatoria y distribuciones de probabilidad. Segundo ejemplo.
8QDIXQFLyQI[HVGHGHQVLGDGGHSUREDELOLGDGGHXQDYDULDEOHDOHDWRULDFRQ
WLQXDVLFXPSOHFRQODVVLJXLHQWHVSURSLHGDGHV
HVPD\RURLJXDOTXHSDUDWRGRVORVYDORUHVUHDOHVGRQGHHVWiGHILQLGDOD
IXQFLyQ
HOiUHDHQFHUUDGDHQWUHODIXQFLyQ\HOHMHGHODVDEVFLVDVHV
ODIXQFLyQGHGHQVLGDGQRHVXQDSUREDELOLGDGSHURDWUDYpVGHHOODSRGH
PRVFDOFXODUODSUREDELOLGDGGHTXHODYDULDEOHDOHDWRULDVHHQFXHQWUHHQWUH
GRVYDORUHVD\E
(VWD SUREDELOLGDG HV LJXDO DO iUHD HQFHUUDGD SRU OD IXQFLyQ HO HMH GH ODV
DEVFLVDVODUHFWD[ D\ODUHFWD[ E
(MHUFLFLR
Por qu hemos afirmado anteriormente que si una variable aleatoria es continua,
las probabilidades puntuales son cero?
(Si x es una variable aleatoria continua entonces P(x = a) = 0)
(MHUFLFLR
Qu tipo de curva puede aproximar mejor el grfico de la funcin de densidad de
probabilidad, correspondiente a cada una de las siguientes variables aleatorias?
1. X: medida del ancho de una hoja del cuaderno del ejemplo.
2. X: estatura de un nio de 5 aos.
3. X: tiempo que tarda en quemarse una lamparita encendida
67
02'(/26
35,0(5(-(03/2
En una esquina transitada hay un cartel de propaganda y la experiencia previa indica
que de cada 20 personas que pasan por dicha esquina a cualquier hora del da, 8 leen
el cartel. Es decir, la probabilidad de que una persona que pase por esa esquina lea
el cartel es 8/20 (0,4).
////
/1//1
0,4
/
0,4 0,6
1//1/
0,4
0,6 0,4
1/11
0,6
/1//
/11/1
0,4
1
0,4 0,6
1/11/
0,6
0,6 0,4
0,6 1111
() =
WRWDO
3DUWLFXODULGDGHVGHOHMHPSOR
D1. Se repite 3 veces la situacin de que una persona pase por esa esquina (n = 3)
y esas UHSHWLFLRQHVVRQLQGHSHQGLHQWHV.
2. Cada persona que pasa por la esquina, puede leer o no leer el cartel.
Existen nicamente dos resultados posibles: e[LWRR)UDFDVR.
3. La probabilidad de xito es la misma para cada persona, S
La probabilidad de fracaso es la misma para cada persona, S
ELa funcin de probabilidad se puede expresar mediante la siguiente expresin:
Probabilidad de xito
Cantidad de xitos
3; N = () ()
N Q N
N
Nmero combinatorio. Cantidad de com-
binaciones posibles para los k xitos. Probabilidad de fracaso
HQVD\RRH[SHULPHQWR
(QFDGDHQVD\RH[LVWHQVyORGRVUHVXOWDGRVSRVLEOHV
p[LWRIUDFDVR
/DSUREDELOLGDGSGHp[LWRHVFRQVWDQWHHQFDGD HQVD\R
Q
3; N (S) ( S)
N Q N
(MHUFLFLR
Decidir cules de los siguientes experimentos responden al modelo binomial:
1. Lanzar una moneda 4 veces.
2. Extraer simultneamente y al azar 6 chicles de menta de una bolsa que contiene
10 chicles de menta y 8 de fruta.
3. Una caja de 20 lamparitas tiene 4 quemadas. Extraer de a una y con reposicin 3
lamparitas de dicha caja.
70
Modelos. Segundo ejemplo.
6(*81'2(-(03/2
Una empresa embotelladora de gaseosas compra una mquina para llenar botellas de
1 litro.
Puede pensarse que la mquina no llenar todas las botellas con un litro exacto de
gaseosa sino que el promediode llenado ser de un litro. Habr un desvo propio al
proceso de llenado, y ste depender de la precisin de la mquina; cuanto ms pre-
cisa, menor ser el desvo.7
Una funcin de densidad de probabilidad posible para esta variable tendr un grfi-
co semejante al siguiente:
I[
DE ;
El rea que encierra
la funcin es 1
7
Si observamos varias botellas de igual capacidad, de una misma gaseosa, en el estante de una su-
permercado, podemos notar a simple vista que no todas tienen igual cantidad de lquido.
71
Modelos. Segundo ejemplo.
&RQVLGHUDFLRQHV
V V
V
V
P P ;
Si por el contrario, para la misma media el desvo es el que cambia, a medida que el
desvo crece la grfica de la funcin tiende a achatarse.
En este caso obtenemos:
V V
V
V
P ;
72
Modelos. Segundo ejemplo.
02'(/21250$/
El modelo normal es un modelo de distribucin de probabilidad de una variable
aleatoria continua. El mismo se ha convertido en el modelo de probabilidad ms
importante para el anlisis estadstico.
La distribucin normal fue descubierta en 1733 por De Moivre como la forma lmite
del modelo binomial, pero se le atribuy a Gauss debido a que fue el primero que
hizo referencia a ella en 1809.
8QDYDULDEOHDOHDWRULD;WLHQHGLVWULEXFLyQQRUPDOVL
(VFRQWLQXD
6XUHFRUULGRVRQWRGRVORVQ~PHURVUHDOHV
FXDOTXLHUQ~PHURUHDO\VXQQ~PHURUHDOSRVLWLYR
/DIXQFLyQGHGHQVLGDGHVODVLJXLHQWH
[ P
I[ = H
V
V S
- es simtrica respecto de .
- depende de y de .
P ;
- es positiva para cualquier nme-
ro real y asinttica respecto al
eje X.
La ecuacin de la funcin se indica slo a modo informativo.
73
Modelos. Segundo ejemplo.
*UiILFRGHODIXQFLyQQRUPDOVWDQGDUG
I]
P(-1 z 1)= 0,6827
=
Indica el rea dentro de
1, 2 y 3 desvos. 68,27%
Entre z = -1 y z = 1 el 95,45%
rea es el 68,27%
99,73%
Entre z = -2 y z = 2 es el
95,45%
Entre z = -3 y z = 3 es el
99,73%
;P
=
V
74
Modelos. Segundo ejemplo.
(-(03/2'($3/,&$&,1
Las estaturas de 300 estudiantes estn distribudas normalmente con media 1,70m y
desvo 10 cm. Si se elige un estudiante al azar cul es la probabilidad de que mida
menos de 1,60m?
La probabilidad pedida es P(x 1,60), si estandarizamos la variable X tenemos:
1,60 1,70
P(x 1,60) = P(z ) = P(z -1) = 0,1587
0,10
;
=
Luego, ODSUREDELOLGDGGHTXHXQHVWXGLDQWHHOHJLGRDOD]DUPLGDPHQRVGHP
HV
Con este resultado, tambin podemos afirmar que:
HOGHGLFKRVHVWXGLDQWHVPLGHQPHQRVGHP
DSUR[LPDGDPHQWHGHORVHVWXGLDQWHVPLGHQPHQRVGHP
(MHUFLFLR
Con respecto a los datos del ejemplo anterior calcular:
1. La probabilidad de que un estudiante elegido al azar mida entre 1,65m y 1,75m.
2. Cuntos estudiantes miden menos de 1,50m?
3. Qu porcentaje de estudiantes mide entre 1,62m y 1,72m?
(MHUFLFLR
En una prueba de nivel tomada a 500 estudiantes, se obtuvo un puntaje promedio de
57,50 puntos y un desvo de 12 puntos. Suponiendo que la distribucin de los punta-
jes es aproximadamente normal:
1. Qu porcentaje de estudiantes tuvieron un puntaje superior a 60 puntos?
2. Qu porcentaje de estudiantes tuvieron un puntaje entre 40 puntos y 60 puntos?
75
5(638(67$$(-(5&,&,2635238(6726
(67$'67,&$
(MHUFLFLR
Cualitativas Cuantitativas
Sexo. Cantidad de hermanos.
Conformidad con los conteni- Edad en aos.
dos aprendidos en la escuela. Promedio de las calificaciones obtenidas.
Materia preferida. Sueldo mensual.
Desempeo escolar. Cantidad de hijos.
Altura en metros.
(MHUFLFLR
Conformidad con los contenidos aprendidos en la escuela.
Desempeo escolar.
(MHUFLFLR
(MHUFLFLR
1. La tabla completa es: y el grfico:
; IIUI I
$ 10 0,05 5
% 30 0,15 15
&
50 0,25 25
' 25 0,125 12,5
(
20 0,10 10
) 24 0,12 12
*
41 0,205 20,5
7RW 200 1 100 $ % & ' ( ) *
76
Respuesta a ejercicios propuestos.
3. Solamente si las categoras A, B, C, D, E, F Y G responden a una variable que admite
orden puede calcularse la mediana (en otro caso no). Sera Me = D, lo cual indica que el
50% de las observaciones son inferiores o iguales a D.
(MHUFLFLR
1. 2.
'HSRUWH
6H[R 739 7RW
)
0
I
739
)0)0)0
(MHUFLFLR
9DULDEOH 0HGLGDV
Sexo. Mo
Materia preferida.
Conformidad con los contenidos... Mo, Me
Desempeo escolar.
Mo, Me y X
Cantidad de hermanos.
Edad en aos.
Promedio de las calificaciones...
Sueldo mensual.
Cantidad de hijos.
Altura en metros.
(MHUFLFLR
3. 1. 154
I 2. Cantidad de hijos en edad escolar por familia.
4. Predominan las familias que tienen 2 hijos en
edad escolar.
El promedio es 1,44. Es decir 1 hijo por flia.
El 50% de las familias a lo sumo tienen 1 hijo
en edad escolar
;
(MHUFLFLR
77
Respuesta a ejercicios propuestos.
(MHUFLFLR
Cuando el intervalo anterior al intervalo modal tiene la misma frecuencia que el intervalo
posterior al intervalo modal. En ese caso d1 = d2
Reemplazando en la frmula queda: l + a (d1 / 2d1 ) = l + a (1 / 2) = l + a / 2.
(MHUFLFLR
(MHUFLFLR
Resultados para C1: Resultados para C2:
1222 1200
X= = 17,46 X= = 17,14
70 70
104,872 114,07
V(X) = = 1,498 V(X) = = 1,64
70 70
DS = 1,498 = 1,224 DS = 1,64 = 1,277
1,224 1,277
CV = .100 = 7,01 CV = .100 = 7,33
17,46 17,14
El grupo 1 present el mayor promedio y un puntaje ms homogneo.
352%$%,/,'$'
(MHUFLFLR
(MHUFLFLR
(MHUFLFLR
Como AAc = E y adems A y Ac son sucesos mutuamente excluyentes, tenemos que:
P(AAc) = P(E) P(A) + P(Ac) = 1 P(Ac) = 1- P(A)
78
Respuesta a ejercicios propuestos.
(MHUFLFLR
D B = {V1, V2, V3}, P(B)= 3/5
(MHUFLFLR
. P(V2H) = P(V) + P(2H) - P(V2H) = 20/45 + 11/45 - 5/45 = 26/45
P(V2H)= 0,578
. P(M0H) = P(M) + P(0H) - P(M0H) = 25/45 + 9/45 - 5/45 = 29/45
P(M0H) = 0,644
. P(M3H) = P(M) + P(3H) - P(M3H) = 25/45 + 3/45 - 2/45 = 26/45
P(M3H)= 0,578
(MHUFLFLR
. 15/36 . 20/36 . 18/36 + 3/36 = 21/36
(MHUFLFLR
. 0,05 + 0,25 = 0,30 . 0,15 + 0,25 = 0,40 . 0,15 + 0,05 + 0,25 = 0,45
(MHUFLFLR
D P(VV) = 3/5.2/4 = 6/20 = 3/10
(MHUFLFLR
. a- P(CC) = 5/9.4/8 = 20/72 = 5/18
79
Respuesta a ejercicios propuestos.
(MHUFLFLR
(MHUFLFLR
D P(M) = 64/117 E P(5A/V) = 10/53 F P(5D/M) = 15/64
(MHUFLFLR
. P(C/S) =
P(C S) P(S / C). P(C) 0,89.0,33
= = = 0.326
P(S) 0,901 0,901
. P(A/S) =
P(A S) P(S / A). P(A) 0,9.0,33
= = = 0,329
P(S) 0,901 0,901
(MHUFLFLR
P(x = a) es el rea encerrada por la funcin, el eje de las abscisas y la recta x = a, y este
rea es 0.
(MHUFLFLR
Para las variables del primero y segundo Para la variable del tercer ejemplo:
ejemplo:
[ [
(MHUFLFLR
80
Respuesta a ejercicios propuestos.
15 10 5
P(x=10)= .0,4 .0,6 = 3003.0,000105.0,07776 = 0,0245
10
La probabilidad de que 10 de las 15 personas que pasan por esa esquina lean el cartel es
0,0245
(MHUFLFLR
El primero y el tercero
(MHUFLFLR
. P(1,65 x 1,75) = P(
1,65 1,70 1,75 1,70
z ) = P(0,5 z 0,5)
0,10 0,10
P(1,65 x 1,75) = 2.0,1915 = 0,383
P(x 1,50)= P(z -2)= 0,0228
De los 300 estudiantes el 2,28%, aproximadamente 7, miden menos de 1,50m.
. P(1,62 x 1,72)= P(-0,8 z 0,2)= 0,2881+ 0,0793= 0,3674
El 36,74% de esos estudiantes mide entre 1,62m y 1,72m.
(MHUFLFLR
. P(x > 60) = P(z > 0,21) = 0,4168
81
%,%/,2*5$)$
- Chou Ya Lun. Anlisis Estadstico.
Ed. Interamericana. Mxico. 1988
- Elizondo S., ngel M. E. Estadstica descriptiva. (Aplicacin a un caso concreto).
Ed. Rocamora. Argentina. 1996
82