UNIVERSIDAD || MopaLipaD CONTINENTAL | | VIRTUAL MANUAL AUTOFORMATIVO ESTADISTICA I Claudio Alvaro Cerron Landeo‘Cada autor ex reponse del contend det propio exo (© Universidad Cont Ie Telefon: 213 2700 Derechos race Tine: 100 gjemplares ‘Clue Akaro Cera Lande lenpreao cml Pei Pine in Fer Fondo Bator del Universidad Continent Innpreso em lo Tilees Gris print Sok Gries SRL “Tosos lon derechos reser. a ee eel treniin or en site de eeepcasion de dori sagan a poe ningun metio sea mecinico, fotoqusnico,electrSnico, magni, electro, por {tocopi, 0 cualquier otros prin preto por cert de a UnherstainTRoDUCCION PRESENTACION DE LA ASIGNATURA a COMPETENCIA DE LA ASIGNATURA 9 UNIDADES DIDACTICAS a TIEMPO MINIMO DE ESTUDIO 8 UNIDAD |: INTRODUCCION, RESUMEN Y GRAFICA DE DATOS n DIAGRAMA DE PRESENTACIGN DE LA UNIDAD 1 u ‘ORGANIZACION DE LOS APRENDIZAIES W TEMA N°1: INTRODUCCION 2 HB Ramas y objetivos de la Estadistica 12 Tl Fuentes de recolecciin de datos 4 El Definiciones basicas 19 TEMA N° 02; RESUMEN Y GRAFICA DE DATOS a BB Construccidn de tabletos de freeuencias eualitativos y cuntitativos a KEW Tipos de grificos estadisticos. Lectura y andlisis Py LECTURA SELECCIONADA N*1 31 Seis grads de Kevin Bacon: ze estudio original utliz6 buenos dator? ACTIVIDAD N° 1 a GLosARIO 2 BIBLIOGRAFIA DE LA UNIDAD 2 AUTOEVALUACION DE LA UNIDAD 1 33 UNIDAD II: ANALISIS EXPLORATORIO DE DATOS. INDICADORES ESTADISTICOS 35 DIAGRAMA DE PRESENTACION DE LA UNIDAD 1 3 ‘ORGANIZACION DE LOS APRENDIZAJES: 35 TEMA N°1: MEDIOAS DE TENDENCIA CENTRAL 6 MB Media 36 EB Medians 39 EE Moda 3 TEMA N° 2: MEDIDAS DE DISPERSION 46 HB Rango o recorrido 46FA Recorrido semi intereuartil 46 BE Desviacion media # arianza Pa BB Desiscion uipica 0 etindar a BA Coeticiente de varabilidad 3 TEMA N° 3: MEDIDAS DE POSICIGN, ASIMETRIA Y CURTOSIS 5 ME Cuanies 5A Ba Mesias de Gurtosis 37 HE Medias de Asimeuia 38 LECTURA SELECCIONADA N* 2 60 {los prenis de la Academia diseriminan por la edad? ACTIVIDAD N° 2 81 GLosARIO 82 BIBLIOGRAFIA DE LA UNIDAD It 82 AUTOEVALUACIN DE LA UNIDAD I 82 UNIDAD I: PROBABILIDAD 65 DIAGRAMA DE PRESENTACION DE LA UNIDAD II 65 ORGANIZACIGN DE LOS APRENDIZAIES 65 TEMA N°1: FUNDAMENTOS DE PROBABILIDAD Y REGLAS BASICAS 86 TM Definiciones bisicas, sucesosy probabildades 6 Ha Rela de la suma y mullipliescisn oo TEMA N°2: PROBABILIDAD TOTAL Y TEOREMA DE BAYES 2 HM Teorema de la probubiida total 2 Ba Teorema de Bayes a TEMA N°3: TECNICAS DE CONTEO 6 deconteo 76 jones y permutaciones 7 LECTURA SELECCIONADA N* 2 1 eDebe preocuparse de que le sealicen una prueba de deteccién de drogas ewando soicve un trabajo? Estadistica, Mato Troln Pag. 137 ACTIVIDAD N° 3 1 GLosARIO 8BIBLIOGRAFIA DE LA UNIDAD II 18 ‘AUTOEVALUACION DE LA UNIDAD It 18 UNIDAD 1V:DISTRIBUCIONES DE PROBABILIDAD a DIAGRAMA DE PRESENTACION DE LA UNIDAD IV 82 ‘ORGANIZACION DE LOS APRENDIZAJES 82 TEWAN* 1; DISTRIBUCIONES DE PROBABILIDAD DISCRETA 83 BU Vaiabes alestorias 8 I Distribucién de probabilidad binomial 86 EX Distribuci6n de probabilidad_hipergeométriea a7 [Distribucién de probabilidad de Poisson 87 TENA N° 2: DISTRIBUCIONES DE PROBABILIDAD NORMAL 88 ‘EEX Distribucion normal estindar. Valor critico 2 80 MM Aplicaciones de la distribucién normal estindar oy Tablas de Distribuein Normal 5 LECTURA SELECCIONADA N'4 96 alos métdos esadticos pcden demonttar que el proceso de sleccgn de wn jurado es discriminator ‘ACTIVIDAD N° 4 96 GLosARIO a BIBLIOGRAFIA DE LA UNIDAD IV 98 AUTOEVALUACION DE LA UNIDAD 1V 98 ANEXO 99Ota wand eacuchamos el térming ESTADISTICA lore. acionamos frecuentemente con el termina datos datos individualesy porcentajeso cualquier itor ‘macin relacioadla com ello, Sin embargo la ESTADISTICA 6: mis que e10, no es slo una serie de datos 0 un gre ‘estaditico,ivolura varias etapas que son materia de entudio ‘dol presente manual autoformativ, ‘Pademios decir que la funcion principal de la estaistica ex jue tamente la reeoleccin y agrupamiento de datos de diverso tipo para construc con ellos formes esadstico que nos cen idea vobre diferentes y muy variados temas, siempre desde un ppunto de ista cuantitativo y no evalitativo, Esto es muy im- Dortante remarcatlo ya que la estadistica se converte enton- senable, cuyo estudio nos ineresa oacerea dele cuales se desea informacién, 1a poblaciin debe estar perfectamente defini en el tiempo y en el espacio, ‘de mods que wate Ie prvsentia de un patente iniegranie de bens, pueda decidir forma parte © no de la poblacicn bajo estudio. For lo tant, al definir ona poblacion se debe euidar que el conjunto de elementos que la Integran quede perfectamente delimitado. La poblacign puede ser sein su tamatio de dos tipos: 2 Poblacin finite: exandlo we tiene un aimero determin de elementos ‘Poblacion nfnita: canoe miimera de elementos ex indetermimado, tan gestion picien tnesidersre infest ‘Tama de la Poblacién: Es el nvimero total de elementos que lene Ia poblae cn estudiada yse denota con la letra °N™ S2.MUESTRA Es un subconjunt ce fa poblacidn la eal we le efeeta la mesic com el Fin ‘de estudiar las propiedades de la poblacion de la eal es abtenida [Una muestra debe ser representativa, esto es, guada as mismas caracteristias| dela poblacién de donde fe seleccionada y debe ser adecuada en cuanto al ‘antidad de elementos que debe tener con respecto ula poblacén, Existendiversos métodos para calcular el tamafo de ln muestra y también para Seleccionar los elementos que Ia conforman, pero es importante que sea 1e- TSen eee | LT presentatia de la poblacin y sus elementos escogidos al azar para asegurar la ‘jetvidad de la nvestigucin. Tuma de muestra: Exel Ie de Ta muestra yse dent com, 4.3 PARAMETROS ESTADISTICOS sun mimero que describe alguna earacterstiea de la poblacién o medida de resumen de tna poblacién. Se considera como un yalor verdadero de la earac- teristics estadiada v para detcrminar si valor ex necesaio sili Is informs ‘ion poblacional completa, y porlo tanto la decision se woman con certidunbre total 4.1 ESTADIGRAFO O ESTADISTICO sum niimero que describe alguns caracteritcn de la resimen de na muestra yt tomia de decisén contiene grado de incert- sdumbre vestra © medida de 3sparo alo, respuesta o registro que adquiere una caracteristica 0 variable aso- joa um clement de la poblacin o muestra, como reankade de ls observ ‘ii, entresists 0 recopilacén en general, Puede wer sn mimero, sa palabra ‘om sinbole, 3.6 VARIABLE Es ana caracteristca estdiad de las unidades estadstias, Podemos mencio- nar Tos sguientes pos a. Seg la Naturaleza del Variable 11 Variables Cultivo Estadisticas de Arsbutos undo expres iad, caracteratica atibuto, tiene carder ‘alta, sedate se expresan mediante a palabra, no ex numérico. Por ejemplo: estado ei, los colores, garde nacimiento, profess, actividad economica,causas de acccentes, et. 2:2 Variables Cantitativas CGrando el valor dela variable se expresa por una cantidad es de cardcter umérieo. FI dato o talor puede tesullar de la operacién de eontar © ‘medi: por ejemplo: edad, alimero de hijes por familia, ingresos, visi das por centro poblado,niveles de desempleo, produccign,utidades de Las variables cummtiativas pueden ser: Disretay Continua a1 Variable Disereta ‘Gxando el valor de Ia variable resulta de In operacin de conta, ‘valor esta representado soko por mimeros natirles (enteros pos vos): Ejemplos hijos por famika, nimero de aecidentes por dia, trabajadores por empresa, pablacin por distrito, habitaciones por vision, ete 21.2 Variable Cantina ‘Cuando la variable es susceptible de medirse, es toda variable uso valor se obdene por medicign o comparaciGn con ua unidad © patron de medida, Las variables continuas pueden tener cualquier or dentro est ranga o recorido, por tanto se expresa por cual aquier mrimero real; Hemplos area de pareelas, ingresos moneta- ‘hos, prodiceién le mafr, pan, estate, temp de sericos, horas tralgjadas,niveles de empleo, eteMa nS ena} b, Sein ln Escala de Medicin bays ‘Som aquells variables que establecen la distinciGn de ls elementos en lersas categoria, sin implicar alin orelen entre ella, eistribuve 2 la lunidad de anilisis en dos 0 mis eategorias. Hemplos: sexo, estado civil, deportes de prietica, profesiones gar de naciniento, et ables Nominales ha Variahles Ordinates Aquellas variables que implican orden entre sus eateyorias, pero no gr dosed distancia igual entre ells, estan referidan un orden de rang, oral ey categoria expen ua pecidn deere, Rpemplet gra ide inseruccin, clases sora, grado de simpatia, rango de agresiviad, forden de merto, ct ba Variable de Interval ‘Son aquellas que suponen a la vez orden y grados de distancia iguales ‘ent lis divers categoria, pero no tienen orien aural, sino conven: ‘ional, tiene un cero relativo, Por ejemplo: coeficiente de inteligencia, temperate, pintisacién abtenids en tna esala te ba Variables de Ravn Esta variables comprenden ala ve todos los casos anteriores, disincién, Ire valor se expresa com un nm Perm aback Por geaaplr nae, pow ingreanefine- ro de hijs, produceiin,aceidentes de tnsto, et TEMA 2: RESUMEN Y GRAFICA DE DATOS Ahora es momenta de apicar todos ls coneeptos, definicionesy eamscteristicas Aida em el tem anterior pars poser rear ln representacin de los dation estacliticon ‘demaneragrificao a triwésde un tablero extaisticn, Debs tener en tena que ater dle constrir un tblero de freeuencss eebes verificar quign es la variable, que tipo de variable esy qué valores ase Kl CONSTRUCGION DE TABLEROS DE FRECUENCIA CUALITATIVOS Y (CUANTITATIVOS La siguiente fase de In Entadintica deypuds de haber recolectalo ba informacgn través ce un trabajo de campo, es la Organizacion y Clasificacin de tas Datos que debe ser consistente yveraz. que nos permit posteriormente realizar una buews toma de decisiones LLL coNcEPTos nisicos a nica a puede aka drei goa Sone LiL clase Es una dvs de a variable, Se enota como subinice om la letra "y celinimero total de clase con 1.1.2 Freeuen Es las veces que se repite una clase de la variable, Estas som: Simples y ‘Acumuladas TS|omee EES 2 Precencia Simple Es aquell feenencia que slo corresponds a wns clase de Iavorisble entre ells tenemon Pee eee Lafrecuencia absoluta simple dela clase cies elmtimero fi, de observacio- nex que presentan una mexlalidad perteneciente a esa clave Aienisse compe: Dyfi = re ee Frecuencia Kelativa Sample de la clase cis el cociente i, entre las fre ‘cuenciasabsolutas de dca clase v el mero total de observacioncs, e+ fi aoc: hi = Xo por tio de observacione que extn et Ia tomo cme: 1.8 Frecuencia Pore ual Sipe Frecuencia Forcentual Simple de la case tes el producto dep, entre Jas frecnenciae reativas de dicha clase por 100, exdlecir PERh S10: 00 ceiquurvpecn 22Pi a Frecuenciny Actas: quella frectencias que se obtienen por lt rma cle dow nds clases de ba aval 11 Fremuencis Abnoluts Asta Fs calcula sobre variables cuanitas, yes el niimero de elementos de |i poblacién cuya modalidad ex inferior o equivalente sla modalidad eis, Piaf henth-Dh 1n2 Frecuencia Relativa Acumulada i, se calcula sobre variables cuantitatvas,siendo el tanto por uno de los ‘lementos de Is poblacin que extn en alguna dels clases y que preset: {an tina modalided inferior o igual alae, ex deci: saith + th= Dh Ay 1h Frecuencia Porcentusl Acumulads Tse caleula sobre variables enatitatvas, endo ele por elento de Jos elementos de la poblacin que estan en alguna de las clases ¥ que ‘presentan ts modalidad inferior o igual ala cis es decir:Rae sn tibucion de Frecuencias Lamaremos elstibucicn de trecuencias o tala de frecuencia al arreglo de fila y columnas que contiene al canjunta de clases junta rrespondientes 1 ead ordeal dole oa as freewencas co re para elasificar y i de ella. Una tabla estan 1.2.1 Tablas Univasanteso unitimensionales Se de ddenomina asf las tblas de frecuencias que presentan informaciSn tuna sola yarable, Se formas generates son le sigientes Variable evalitativa atva Disreta eas B % 1 2, ™ |e Pe % > n FeRed os ie Rasta 7 otal |W 7 700 2 Guantitativa Cont Si as cases van estar conformadas por intervalos se debe seguir los siguientes pasos 4 Deterninar el minima (Min) yl minime (Mix) del conjunto de datos. Caleular el Rango (R) de datos mediante: R = Mix — Min + legir el mimero de clases (mn): se pute tizar la siguiente frmula m= 2.5! n siempre ex un valor entero, redondeat segtin eiteriog de recondeo. El valor de m se pred elegr tam: ‘icn a criteria ynecesdades del iavestigacor enn interval de Bemeat + Se ula la amplitud del interyalo (a) mediante: @=— sere reeonslea por exceso esto essiempreaumentar wes Junidad en la cifia de redondeo. Bjemplo si a-1.23 y se desea redondear a I decimal el alor de» 1.3). = Detido al redandeo por exceta que se realiza en el paso an terior se dehe realizar ef ajuste al rango (si el cacente de by ampli ex xacto ne seg este pas) mediante Ios siguiente pasos TSen Se | Le ~ Caleular ef nuevo sango (R") mediante R*=a"m. CGalenlarel exceso del ntewo range que estars dado pord-R'R + A dierenciase divide en dos pares (4/2) ye le disminnye al Min (Min —4/2) vse Le ageega al Max (Max # 4/2) obteniendo reves limites, * Constrnir los interealon de case def siguiente maners oe = i oom ee EEE |, ayaa el Ming Mine 2a te bs feet Jpinvaemineae psszeeninaas | f elon fins an PRES Py he Pn 1.2.2 Tablas varia ‘Se denominan as las tablasque presenta informacién ele closvarisblen fn forma conjunta. Sus formas generale son la siguientes: “Tlas bivarinnts de frceuencias absolutas mo] Inn = won verlvn= volive = >| ord a a ce eo easel De igual manera se puede construr tblas bivariantes para frecuencias relativaso porcentuales de acuerdo las necesidades de presentacion de sormacidn, Se pueden elaborar tblas de ecuencias de mis variables, como por «jomplo de tres variables denominadastivatiantes otidimensionales, 1 TIPOS DE GRAFICOS ESTADISTICOS. LECTURA ¥ ANALISIS, 2.1 Guadro Rataitco ‘Se wii para presentar la informaciin estadistiea en forms ordenada y de Fil lectura para cualquier aro, se presenta en informe finales» tiene la ‘Sguienies pares 1 Componentes de wn enadra ‘Una grifica, cuadro 0 una tabla, debe constr de Titulo adecuado: Claro y conciso, que responda a lis preguntas: Qué las obervaciones. relaciona®, edimo?,zensnde?,y nde se Fl enerpor o crindra en x, donvde debe considerar elo ls tipo dle ware bles arelaciona, el pablica a quien va drigido y presenta las frecuet- as queCnC Sn gua} [Notas Explicavas En ella se presenta acaraciones respecto a la infor tmacGn que se esti presentando, Este componente es apeional Fuente: Corresponde al rea de ln empresa o institucién responsable de i claboracida de la iformacin, Una grifica 0 diagram estaciticn es un dibujo complementario 2 wna tbh ‘© cudro, que permite observa ls tendencias de tn fendmeno en estudio ¥ facilis cl andlisisestastico de ae variables ahi relacionadas, 2.2.1 Componentes de una grfien: Una gratia, cuadra 0 uma tabla, debe constar des ‘Titulo adeenadh relacionaf,ce6mor, eeu claro y comes, wor, ye ye teponiia ns prepintens dhe nde e hicieron ie obnervaciones? El cuerpo: Eel grifco ens, cana eletcin debe considerar elo lstipos ‘de variables a relacionar el publicoa quien va diigido vel disefio aris: ico del rico, Fuente: Gorresponde al ea de Ia empresa o instuciin responsable de Inelaboracin dela informacién, 12.22 Principals tipos de grficos Existe una gran cantidad de grificos para la representacion de datos os tadlsticen, entre Tom principales tenemon: | Grafico de Barras: El grifice de barras, como st nombre To indica, ext constitu por bi ras rectangulares de igual ancho, conservando Ia misma distancia de scpuraciGn entre af, Se liza béscamente para mostrar y compara fre ‘cuencias de variables cualitauvas o comportamientosen el tiempo, cuan- doe mimern de tems es ecuci, ‘Se consruye de la siguiente manera ta ave de las bara la conforma ae ‘alegerin de amen {atwolnt,retauea 0 porcentual) lavariable ys alters se presenta com ‘Se etatican por: Iarra Simplex: Compara valores entre categoria de wna vriahle Barras Dobles: Compara valores entre categorias de dos variables array Mikiplex Compara valores entre categoria de dos vasiblen Barras Verticales: La categorias de la variable deen ubicarseen el. cleX Barras Havirontales: Las categorise de bs variable deben ubicarse en el oe ws Compara entre categorias el aporte de cada valor en el TS|omee EES azn de ques en pacentes dados deat arin qj om pacientes das de ata i t i A Santos 1. eee de Sect a eee dena circunferencia dvidida en sectores, por medio de radios que dan Ja sensacin de un pastel tjado en porciones, ‘Ses para representar variahles ealitatens en porcentjeso cifras she solutas cuunda el nimero de fems no ex superior a By ae quiere cenallar tuna de ellosMa nS ena} «. Grafico de Lineas 0 Tendencia: Usado hisicamente pars mostrar el comportamiento de una variable ‘euanttativa a raves del emp. El grdfica de lieas consist en segment tos rectilineostnides entre s, los ena resalan Ins variaciones de ba ‘aviale por unidad de tiempo, CCuinda i tenon varnaYarables x representa con ol finde tanec ‘comparaciones entre ellas (sempre que so unidad de media sea la mis ma); utiliza plasmarlos en un sélo grfieo, el cual es el resultado de representa varias variables en tin mismo plane. A este tipo de grifco se Te-conoce como grifice de lineas compuesto, rcs om Se ‘4. Histograma de Freeuencias Es un grafic de arra pera unidas. Se utlien hdsicamente para mostrar In dintibucidn de freenencias de variables cnantitatvs. El histogram se 3 [10.9-21.6> 3 [1s 1235 10 112.3-13.0>, 1 [13,013.75 ° 113.7. 14.4> [144 15.1 4 Solus ‘Completando ta siguiente taba para el leu de la meta aviumetica RENDIMIENTO X_N DE A ken AUTOS Ti0.2-1095) 3 (10.9-11.6> 3 (1n6- 12.3> 10 [12.3-13.0> 15 (33.0: 13.75 9 (13.7- 14.4> 6 [14.4 15.15 4 meinen a «Propiedades de la media aritmetica 1a sua total de los n valores cuya media ex Kes igual a aX. vince 5a Datos agrupados : oePte se ee sa 2.8; cada una de Tos valores xi es tnnsformado en: yi =a. ai +b, senda ay b constants, entonces, Ia media de los n valores Yi yrax+d ‘Come cao partcolares se dene: #5. sh= hentoces F= Sidon datorom constant ences fs ted c gual cr contac Si seni th, entonces f= + b. Sia cada dato se le sma tna constante ‘la media queda sumnada por esa constanteb. 1 Si sizawientonces J'=4-¥ Sia cada datos muliplica por wna const tela media queda mutkiplicada por esa constante 3 23a sums get esigual acer Datos mo agrapados: S¢xj—3)=0 {La sama de los evadrados de las demfaciones de n datos con respecto a x ‘media es el valor minio, XG, ~e)? es minimo sie =¥ ajas de a edn ariemticn - Esfieil de entender y usar, - Hace uso de todos os datos de la disuibueicn, por lo eual es una medida de fenulenicia central eficente - Bsel mis conocido y popular de los promedios, ef primero en el que piensa laspersonas, aunque no sepan estadistica + El hecho de que su defini no sea logic sino mateméties hace que sea bs medida de terdlencia central sada eon prefereneia en Inferencia Estadisicay ‘en la mayoria de tests extadinticos, cTerentspei de hematin mimetics + Puede ser influencisds por valores extremos, que In hagan perder st valor ‘como meta de tendeneia central En certos casos puede no tepresentar un valor obser, lo cual en el caso ‘de wariablesdiseretas reall atificion, + No pucdecalcularse para serie cuaiadvas, ~ Restltateiowo calcula la medlia debido aque utilzamos cada un de fos pun: fon de dato de muestra cle, ~ Somos incapaces de caleular la media para un conjunto de datos que dene clases de extemo abierto, ya sea en el aferior Oem el superior de ka escal, Bi MepaNa Su definicién no es matemstica sino lgica, entendemos por mediana aqut valor de la variable que divide en dos partes iguales a us conjunto ordeuade de dats. 3 Simbologia Se simboliza com Me TS Er)JUniversioan || mooauioso eoennenee [ome PCN sae eT ay i, Calc de la Medians bal Para datos no agrupados Para ol cileuo de Ia mediana los datos deben estar ordenados de menor a mayor, vdeja a su izquierda y derecha el mismo nimero de elementos, 6 decir el valor que ocupa el gar cea es kx medians {Lo anterior tone sentida en emo de que la serie tenga un simera impar {ie cletoentea, por el Enesco Gmscrs un canter pe bein das alors ‘entrales, yen ext caso se toma como median la mea artmétia del dos valores centres jemplo Lae Si el nimero de dates Lainversion anual (en miles de soles) de un grupo de pequesias empresas de 1a ciudad fueron 40 12 40 10 30 14 16 20 25 28 30 25 30 10 48 47 13-17 21 14 15 19 27 22 14 11 13 15 18 20 30 39 caleute i Soluctén: exprete la medina Primero debi a 3 ordenar los datos en forma ascendente (de menor a ma- ad 10 10 11 a2 43 43 14 14 14 15 a5 46 47 47 19 20 20 21 22 25 26 27 28 30 30 30 30 39 n 2 Lego l mlincro de datos se divide en dos partes iguates = 32-16 2 2 Se elige los valores centrale de la vatiable que ene I posciGn i-16 y 17 ‘que para el ejercicio won 18 y 18 Lamedanasers: Me= 18°18 Interpretacki: 2 150% de las pequetas empresas han invertide como mésimo 18 mil nuevos soles al af. jemplo bb Sil nsimero de datos ex impar nal (en miles de nuews soles} de un grupo de pequesias em presas de kt ciudad fueron BVA 6 Oe ww 6 WO Calcul e interprete ls medians, Solucién Primero debemos ordenar los datos en forma ascendente (de menor a ae yon) 38 19 20 20 21 22 25 26 27 28 30 30 30 30 39 40 imei hem il mebervonolne SigPte se ee sa Se clge ef valor centrales de It variable que tiene Ia posiciGn i=17 que para elgercicioes 18 La modtiana ser Mea 18 nterpretacién: 130% de las pegs empress han invert como maximo 18 i nuevos soles al ano. 1h Para datos agrupacios ‘Se aplica el siguiente exadgrafar _Ejemplo 2: Variable Disreta Se selecciona al azar 280 venderores de ta gran compan constructor dle cans, A contincion se muestra el timero de casas vende durante ct ‘ilime bimestre.Caleule ¢ interprete la media TW de Cases vendors 30 “0 0 8 ey 7 280 f@-B om +e el Galeulee interprete la median. Solneiin: ‘Coma tos datos tabulados ya eatin ordenados, debemos encontrar el valor de Ja variable que ocupa la posicin central, entoneesevidimos al eonjunto de laos" en don partes: = me -Rotonces ubieamos en ta tabla el valor que tng la posetén__, para 40 Jeesousuns| TS| Yoowons PTT ISn saci ee Ua Entomces la mediana ex Me _Hjemplo 3: Varible Contino LLasiguiente tabla de distibucién de trecuencias coresponde al rendimiento ‘de gasolina en kilometros por ltro de una muestra de 30 automéiles produ ‘dos por Nissan México. fo2109> fosin6> tins 123 123130 (130-1375 327 44> uae 5a ‘Galculeeinterprete la medians, Solteiin: m=, Ments,04,°77% Para aplicar tos valores en la frmult clebemos encontrar lclse"denomi- nada “clase medians’. 1a case mediana es aqulla que contiene a la mitad de del conjunto de da- tos, ext ese que contenga la posciin Is freesencia aevmals «para eso ealewlamon TENDIMENTO We GE fai auT0s [i02-105> 3 [10.9-11.6> 3 iss 40 112.2:13.0> 1s [aa 137> (uaa nae (ase asas 4 Entonces aplicanda en ta rau Me “Garacternticas dela median + Todo conjunta de datos medidas en escala de ordinal, intervalo 6 e226 tiene una median. + HL yalor dela meviana depend del nvimero de datos observados, + Lamediana es un esadisico robusta, es deci, nose ve alectada pore valor de los extremos (minimo y miximo). Por eso se le utilza cuando hay datos inustaleso el pligon de frectuencias no ex smétrca, + 1a medina no tiene propiedacdes matemstieasvalioss para porler usr ‘en otros calcul.Pte se ee sa I Mopa. ‘ntendemos por moda el valor de la variable que mas veces se repite, yen wn dis tribucidn de frecuetciae el valor con mayor frecencia abot simple Puede dars el eso de que no haya moda (amoda, slo una (unimodal, dos mo das (bimodal) o varias modas (multimodal) a. Simbologia ‘Se simboliza com Mo . Gite de la Moda bl Para Datos no agrupados En este caso la determinaciGn de la mada es inmediata por simple observa ‘iin. Aquel valor de la variable com mayor freenencia ex ls mo esmplo {a inversion anual (en miles de nuevos sles) de un grupo de pequeias em: press de fa citdad fueron: 10 12 40 10 30 14 16 20 25 28 30 26 30 10 18 17 13°17 21 4 45 19 27 22 14 11 13 15 18 20 30 39 Galeuleeinterprete la moda. Solciin: ‘Bscamos el valor que mas se repta, en ete caso es Me= 30 Interpretactin: Las pequetias empresas con mayor recwenela han invertide ‘30 mal muevos soles ala, 12 Para Datos Agrupados ‘Se aplica el siguiente extadigrafor a Mo i,+4, z Moz tig, PP __ GH IH OP, Pad Ejemplo 2 Variable Disereta Se selecciona al azar 280 vendedores de una gran compas constructora dle ase, A continua se muestra el nvimero de cass envlidae dara e1 ‘ike bimestre. Cale e interprete Ia medin TS[amare PCN sae eT ay Node Casas _Vendedares a 20 30 40 80 48 30 24 4 Total 280 Galea interpreta la Moa, Sone I calculo es hasiante seneillo, slo ubieamos el valor que tenga la mayor frecnencia, que pam el gjercicio ex jemplo 3: Variable Continua Lasiguiente tabla de distrtucion de frecuencas caresponde al rendimiento ‘de guolina en kildmetras por litre de una muestea de 50 sutomeviles prod ‘ios por Nissan México. fuo.2109> lu09-116> (ine 123 1123:130> (30-1575 (37 aay (144: isa Souci diets para aplicar los valores en: Mo = bi, 4aj-——A= Ses Fars aplicarlosvalores em: Med +07 eG Ty ‘debemes encontrar Ia clase" denominada “clase modal” [Aude taste ee ie a pe Recon era twos la clase que ene la frecuencia RENDIMIENTO N° DE kin/ auTOS [10.2-10.85 st [1o9-116> 3 (16-123 10 [12.3-13.0> 5 (33.0: 13.75. 9 (37-144 ° (saa 15.1> 4Pte se ee sa Entoncesaplicando en la formula: ‘caracteristicas dela moda: 1 La moda se puede nla jars culquier excuse medicsin. «+ Elvilorde la moda no seve afectaca por valores extrem. += La modase puede calcular aun cuando uno @ mie intervalos sean de extre- Boab. ++ La moda no siempre es un valor tinico, Una serie de datos puede tener dos ‘mods (bimodal) 0 mis mods (multimodal) ‘+ Algunas serie de datos na tienen mod + La moda es una medida menos importante que la medtinna ola media debi do asuambigtedad. ‘sans oe Line apie ERR a SRR tro eden, IMPORTANTE: ‘Medidas de tendencia central y el sesgo de la dstibucidn de treewencias LA ‘Seg eitoonegatve Sepp dereco0 post Simei 0se90 lo TSJUniversioan || mooauioso eoennenee [ome PCN sae eT ay TEMA N° 2: MEDIDAS DE DISPERSION Estimado alumo, es muy usual que las decisones que se tomen se base exis teen ln indieadores exactions que estmmod esocbarsie, porto que wo ace mia pom, tener las merida de tendencia central x necesaio saber tambicn cl esl nivel de hhomogeneidad que tienen las series de datos que estamos analzando, que tan alejados del promedio eatin cada uno de los datos y nal ex jostamente el prosnedtio de eve ae jamiento que le Mamaremos desiacGn. El tema que a continue te presente trata jestamente de lo expuest MEDIDAS DE DISPERSION Elana estaisticno estudio de una sere estaitica no pede quedare lo ene! cleo de las medidas de tendencia centrale de posicion tales conto la media, media, moda, percentiles, ya que no estarfamos sendo absolutamente files ala realidad, suele datos exiremos inferiores y auperiores ala media avitmétca, loa cuales no estén ‘Sendo aed fepetensds or ot pectncey, Ray feces que bs ici, pw awe sry significativa, demas puede ocurrir que series absolutamente cistinsas pueden tener medias igualesyeate hecho no significa que ls dstribucions sean exactamente iguales. Por lo unto es necesario profundizaren su estudio, para lo cual se requiere ver ‘las vtores de la variable extin muy o poco separicon cela media aritmetica, {La media aritmética ex mas representatina cuanto mis grupos estén ls valores de serie respecto allay al revés a la mavor o menor separacién de los valores respecto 3 lnmedia se le ama dispersion o variabiidad, Para medir el grdo de dispersion de sient invcaones «medics de dispersion: 7. Rango o reconido 8. Recorride sem interenart 9. Desiacgin media 10, Varianza 1H, Desiacsn tipi o extindar 12, Coeficiente de varabiidad, Ml RANGO 0 RECORRIDO ‘Esta medida de dispersin més sencilla ya que slo considera lox doa valores extre- mos de una coleecion de dates, sin embargo, st wack est en el camp debs estas Calealo del Rango R=Xmax Xin EZ RECORRIDO SEMI INTERGUANTIL ‘La desiacin cual de un conjunto de datos estédetinida por Q= I-A Donde 5 ¥ Q2 som el primer ytercer curt de los datos, A veces xe ws el "Reco: mde inierenartl Q3—QU" El recorride semiinteruartlo devine lipersin del 0% de lon datos centrales, Sule utilizar cuando la medians ex el Indice me representative, in exaril da una ieeePte se ee sa El DESVIACION MEDIA, 1a desiacién media, mide la distancia absoluta promedtio entre cada tno de los Aatos,y el parimetro que caraceriza la informaciin, Ustalmente se considera la ‘demain media con respecte ala media srtmctia: alte be deviate sbuolatn media mepor'es be diapers y mene representativa la media aritmética, CCaleulo de ba Desviacion Media ara datos noagrupadon Para datos agrupados ds-4 Eh ” ” VARIANZA La varianra es no de los parimettos mis importantes en estacitica parametric, se puede decir que, teniendo conocimiento de la varianza de una poblacién, se ba avanzada mucho en el canocimiento dela poblacion misma ‘Numéricamente definimos la varianza, como dessiacién cuadritica media de los datos con respecta ala media aritmética, [La varianza nos mide la mayor o menor representatiidad de la media ariemetica Sila waranza es grande nos indica gran dispersin, la media aritmstica no ere. presentata Si cas todos los valores estin muy cercanos ala media aritmética entonces la va. Flan se acerearin cera, con lo que se dice que la serie ex concentrada, La variansa nunca puede ser neyatvn. De su forma de culo se desprenden das problemas ‘Se expresa en umidales cuadradas (rmevos soles enadrados, minutos euadrados, ec) ‘Sila meat aritmética no es una buena medida de tendencia central a sasianzs ‘eo Inn ls tamper nei ne de disper 1. Simbologia St: Varbaiza deka muestr, farianza de Ia Poblacion, i, Céteulo de ta Varianza bal Para Datos no Agrupados ‘Varanza de ta Mestra ‘Varinaa de bs Poblacion Ei -3 [La inversiin anal (en miles de micwos soles) de un grpo de pequeras empresas deb cudad fueron: TS[amare PCN sae eT ay 40 12 40 10 30 14 16 20 25 28 30 26 30 10 18 17 43-17 21 14 15 19 27 22 14 11 13 45 18 20 30 39 Galea ba varianen Solin debemor caleuar %=20125 — (earutadocen ta pigina 35) Enntoncesaplicand a la formula de a varia: (00~20128)°2+ (12~20125)°2+(40~ 20125) 4 (10~20128) 2+ 992012512 1.2 Para datos agrupacos -Voranza de a uesva = Varnza dee Poblacén Leaha kG h et oN _Ejemplo 2: Variable Disereta ‘se seleccons al azar 280 vwendedares de una gran compania constructors ‘de casts, A continuacin se muestra el wimero de cae vendidas durante el ‘iluime bimeste. Galle interprete la media Node Casas Vendedares a 20 30 40 80 45 30 24 4 7 280 geocvonsune 2Pte se ee sa Solicid Pe, Parsaplcar: 4222” dohemoscaleuar “= (caleulado en pigina 83) Completanda ta siguiente taba para el eileula de a varianen Ne de Casas Vendedores (XEX)A2 * fi cn 20 30 40 80. 48, 20 24 4 Lavavianza es (Our solucions Se pune aplicar: 5? Gompletando la siguiente tabla para el eileulo de la varianen Node Casas _Vendedores xi _xiAZ + 3 20 30 40 80 48 30 24 Beovoununn| 4 TS[amare PCN sae eT ay _Hjemplo 3 Variable Continua Lasiguionte tabla de dstribueion de frectencias correspond alrendimien= to de geolina en Klémetros por litro de ana muestra ce 50 antoméniles rovlucidos por Nissan México. [10.2-10.9> (20.9-11.6> [11.6- 12.3>, [12,3-13.0> [13.0- 13.75, 113.7. 14.4> [14.4 15.4> Solucin: Ebates Para aplicar: 57 debemos calcular X (cateulada en pg 4) ‘Completando I siguiente tabla para ‘lento de la varia RENDINIENTO N° DE MOREA kan /t auros Ti0.2-105> z [10.9-11.6> 2 [16 12.3> 10 112.3-13.0> 15 [13.0 13.75 9 (13.7: 14.4> 6 [144 15.1> 4 So ae eu) (n=) Se purde splice | Propiedades de la varianza 1. Lavarianza es un msimero real no negativo y viene expresado en unida des cusdrducss, ments que la desvieidn estindar viene expresida esPte se ee sa las msmas unidades en ls que viene expresados lo datos, 2 Sicada uno de loan valores. es transformado em: si =a.¥i+hysiendo yb constantes, entonces, a yarianza de los n valores ie St=a?.S? ano ease patintares se tone + S.si= hentonces $2 =0, Sion dn som gles a consante Sone a variane (ln deni extn) al cee + Sisiesithventonces 5% = $2. sia cada dato le suma una constan te bla varanza (yladesiaciinestindar) no cambian, +) i=a.os,,emtonces $2 =o" §2 Sia cada dato se le multiplica por luna constante a, la yaranza de los reves valores es igual arian dlelor valores iniciales multiplicada por a ‘3. Lavowianna depend del valor de todos los datos y ex sensible a ya Sev lene dela 4A. Lavarianza puede sr calcula también con datos agrupados eo intr ‘alo, inchs de amps deren, siempre que se peda deer. taras marcas de cae. Desgnaldad de eheyshelE:Indepenientemente de a forma de a dlsrbeién de freevencian de tos dats, el intenalo f=ks, +L, ‘donde k> I, contene por lo menos cl: El DESVIACION ESTANDAR 0 TIPICA Para climinarel problema de laclevacién al euatrado dela varianza, se realiza una (tansformaci6n consistent en calcula la raz cuadrada de la varianaa con lo que hie nda o pie iefamion alsin ee wale weld? ‘Con lo que la desiacién estindar 0 tpica vende dada en las mismas unidades que lo valores de la variable. La desiacién estinlar 0 tipica sempre es postva porque Ia wari también lo in destin etna tip oi ri he Sle Spt ‘stable y mae utzada, sivvenda de base para las medidas de asimetia estat cos tipicas correlacidn, Quanto mis te acerca a cero la demfaciéa ms concentrada esa vet, Sele decime que crando la desiacin estindaro tpiea es menor que Is meds aritmétic la serie es concentra ila desvacinestindaro pia es mayor que ta media aritmetica la serie ex disper. Tjempto ‘La inversn anual (en miles de nuevos soles) de un grupo de pequetias empresas de la ciudad fueron 10 12 40 10 30 14 16 20 25 28 30 26 30 10 18 17 313 17 21 14 15 19 27 22 14 11 13 15 18 20 30 39 TS[amare PCN sae eT ay Calcul einterprete la denviacin estindar Solin Vs" = 65109375 entonces s =8.069038047 Interpretacin: La inversin promedtio anual de las pequevias empresas varian * 8 069 nuevos soles. [Ejemplo 2 Variable Discreta Se seleccioua a azar 280 vendedores de una gran compaiia constructora de casas, ‘Acorticnmciin 3 ruetra ol mimero de rasa endian ure el treo bimestre. Caleule einterpete la media, Node Casas Vendedores a 20 30 40 80 48 30 24 4 Total 280 waiaununn Solneisw see ad i ‘Ejemplo 8: Variable Continua, [La siguiente tabla de distibuecin de frocuencias corresponde al rendimiento de ‘gmolina en kilémetros por lira de una muestra de 0 sutemdies producidos por Nisa Mexico, 10.2409 (aosaL6> [i623 (2.3130> (13.0-13.7> 37-144 [44-15.1> Solneidin Ve ad —Pte se ee sa [Gl COEFICIENTE DE VARIABILIDAD Con frecuencia nos interesa extablecer comparaciones de la dispersién, entre die: tenes muestra que poseandistintas dads de media (por ejemplo, news xo Tescon délaes), le medidas de dispersién antes mencionaeas na permiten reali? ‘ste ipo de comparaciones, pero es el coeficente de varibilidad quien nos ayuda ‘realizar esas comparacioncs, El cocficiente de varabilidad ex una medida de dispersin relat (sin unidades de rmedida) ene en ctenta el valor de la media aritmétca, para establocer tn mimo Telatho, que hace comparable el grada de dispersin entre dos o mis variables, y setiefine come: #100 Para determinar la homagencidad (tiene menor vattabildad) de dos © ms mes tras que tienen diferente unidad de- medida, se elige aquella que tenga el menor ow jemplo 1 Lainversin anual (en miles de nuevos soles) de un grupo de pequefas empresas let cudad fueron: 10 12 40 10 30 14 16 20 25 28 30 26 30 10 18 17 13°17 21 14 15 19 27 22 14 11 13 15 18 20 30 39 Cateule einterprete el coeficiente de vriacin Solid Para caleular el coeliciente de variacién, debemos calcula la media v la desviacién, ‘stindar, por los ejerticios anteniores tenemos: =20,28y 5 = 8009038047 Entonces soconnene7 wv re 025 100 cr = 40.0% erpretacién: La inversin dels pequetias empresas en alla teregenes) dinpersas (he Hjemplo & Variable Dinreta Se seleceiona al azar 280 yendedones de una gran compan constructora de eas, ‘Ncontinuacidin se muestra el miimera de casas vende crane cl ities himeste Calculeeinterprete la media Wo de Casas Vendedores 4 20 30 40 80 45 30 24 4 ql 200 Jeovousune | TS| Yoowons PTT ISn saci ee Ua Solus Para calewlarel coeficiente de variacin, debemos calcula la media y Ia desviacién cstindar, por lot ejercicioe anteriores tenemos! r= 3 ov Ejemplo $: Variable Continua 1a siguiente abla de distibucidn de trecuencias corresponde al rendimienta de gaolina en kildmetros por tro de una muestra ce 54 automdviles producidos por Nissin Mexico [16 12.3, [12.313.0> [13.0 13.75 1137. 144> [aa 15.1> Solus Para caleularelcoeficiente de variacin, debemos aleular la media y la desviaci {stindar, por los ejercicios anteriores tenemos Entonces son TEMA N° 3: MEDIDAS DE POSICION, ASIMETRIA Y CURTOSIS MN CUANTILES Sucece también con frcnencia que al investigadar o al analsta le interesareeucit In distibuckin de frecuencia de una variable alerts esructuris porcentuales que Je sirvan como patron para electuar comparaciones entre vegmentes equivalentes| de otras dstriiciones similares. Lox exantles som Tos valores le In varia ajo de oy cuales caer determinadon porcentajesde reewenca, a. Coantiles mii reewentes ens “Tumnbién conocido como percententil o porcentil El cent k, P, es el valor nit rncrico tal que el kporciento de lo datos ordenados et por debajo de ese valor el (10=) porcienta de los datos ests por encima de exe alo Decil ‘Se denomina asa cada uno de los nueve centes: Py, Py, Pays Pay YSE HS eno tw.come Dy, DysDy. D,respectisamente,Pte se ee sa Cua: ‘Se denomina as cada uno ee los tres centiles: Py Puy Py ¥4e Tex denota come 2, Q,y Q, respectivamente, Aldemis, se define el ang intereuartl (llamado también propagacién media) ‘como la diferencia entre eltercercuartily el primer euatil en uta serie de datos, codec Rango intereuarl =Q,-Q, Cielo de los Percentiles ‘Si para calcula la mediana buscibamos el ordinal correspondiente a n/2, 010 {que eso mismo 50%%/100, para ealeway cualquier percent haremos lo mismo eto partiendo de que el ordinal que queremos buscar seri el correspondiente aven/I Hecho lo anterior of edlewlo de cualquier percenti sigue lo mismos patos que los seguidos en el cleuto del percent 50 (mediana), Para Datos Agrupados Ejemplo 2: Variable Disereta Se selecciona al azar 280 vendedores de una gran compailia constructora de ‘cis, A continavion se muestra el mimero de easasvendidae dorante el ltime bimestre. Caleulee interpret! 1. Gmail 5. deel 2, Cart? 6,Percentil 5 1. Percentil 78 8. Percentil 9 Ne de Casas Vendedores | N° de casas _vendedores] 20 30 40 80 45 30 24 zi 7 280 Foavonsunn a ‘Catealo de Guar Is Solicidn ‘Como los datos tabulados ya estin ordenados,debemos encontrar el valor de varlable que contiene eli=25% de los datos, entoncescaleulamos l 35% de *s TSJUniversioan || mooauioso = eoennenee [ome PCN sae eT ay “Entonces ubicamos en la tabla el valor que tenga la posiciu para eso caleue laos la frecuencia acumulada Tae Cais Vendodores Fr T + 3 30 5 80 6 @ 7 20 2 4 Total 280 Entonces el cuartl Lex: Q,~ P, 1@ 5. De. 2 Qe 6. P= 5.Q 707 aps 8 Poe _Bjemplo 9: Variable Contin La siguiente tabla de distribucién de frecnencias correspongt al rendimiento de _gvcolina en Klémetras por litt de una mest de 30 movies procs por Nisan México, Caleue 1, Cae 5. Decil 2. Guartl 2 6.Percentil 5 3. Gxartl 3 17. Percentil 75 4. Decl 8 Percentil 9 [10.2-10.9> [10.9-11.6> (11.6 12.35 [12.3-13.0> (13.0. 13.75 (13.7- 14.4 (144. 15.15Pte se ee sa ‘Catoule de Guard Solacion: Papasan: 99, 8° Fi dbemosenconar hd F denotinada “late del }simo percent”, Laclase deli-ésio percentiles aquea que contieneeli%-25% del conju de dlaton esto en elu contenga la poscin 78... para ew eae a Trecwencivacumuadas | 100” 10 Entoncesaplicando en la enula ahs i MEDIAS DE CURTOSIS La curtoss esa caracteristica de una distribuciéa de frecuencas en la eal se cont para ta dspersin de los datos observados cercanos al valor centna con la disper fice de ln dale coneanch bamvley extremor te la dlibibacktn, Se’ eplrs Ende Aistibucion exsimetrien. Se calcula mediante: Kas Bs _o5 Py=Pe Inerpeicine Si onde nl stabucién cs normal o meson Si nde 205 es lepociica SK ene 2-03 platen Hjemplo 2 Variable Disereta Se seleeciona al azar 280 vendedores de una gran compaila constructora de casos ‘continua se muestra el msimera de casas vedas crane cl itime bimestre Caleule ¢ interpret el cocficiente de curtis, Wie Cassa __vendeaores 2 2 30 2 0 30 Ba n 280 [feo N om au we TS| Yoowons PTT ISn saci ee Ua Solus Para caleularelcoeficiente de curtoss, debemos calcul Do Pye Entonces [jemplo $: Variable Continua {La siguiente bla de distibuecién de freeuenctas corresponde al rendimienta de sgasolina en kilGmetros por tro de una muestra de 60 sutomduils producidos por ‘Nisan México. Caleule el ooefciente de curtis: (10.2409 faosaLe (1.61235 123430 13.0137 a7. 144 44-155 Solneisw ‘Para caleular el coeficiente de curtoss, debemos calcula: Entonces El MEDIDAS DE ASIMETRIA 1 la Parte Ide Medidas de descriptivas, se mencioné la relacion ea ‘ues medidas de tendencia central: Media, Mediana y Moda, la cual nos mostraba lipo de distribucién de una serie de datos. Ahora determinaremos esa relacin [pero mediante un indicador mas representativo que x leconoce como el indice de ‘Asimetria. El indice de asimetria de Pearson se define como x= Mo s As En datictmes nin vere que: = Me caiman cePte se ee sa Interpretacion: Si AS=0, La distbucion os simétrca, eso 68 i=Me= le Si ACS, La dstiibucin ex asimétrica pest sto es Mi{MGlT SiAS<0, La dstribucion exasimetrica negativaesloes HMeMe Ejemplo Is Datos no claiicados {La inversin anal (en miles de nuevos soles) de un grupo de pequeran empresas de i edad fueron Cateue ¢interprete el coficiente de aimetria, solueién: Para calcula cl coeficiente de asimetria, debemos calcuar la media, la medina yla desviacién estindar, por los ejercicios anteriores tenemos Fem Me=I® 8043047 Entonces hee, 0.790087001 owes Interpretacin: La distribucin cle bx inversiin anal de las pequeias empresa ‘muestra una lgera istribucien asimetrica positna, esto esque mas del 50% de las pequeiias empresas sasierten menes de 20 125 nuevos soles al ab. Ejemplo 2: Variable Disereta Se selecciona al azar 280 vendedores de una gran compan constructora de cas. A continuacion se muestra el mimeo ele casas vena curate elite bimestre CCaleule einterprete el cocficiente de asimetria. 0 * 0 20 Feowausunn q 20 Solan: Para calcular el coeficiente de asimetria, debemos calcular la media, mediana y la desviaci6n estindar, por los resultados de les ejercicins anteriores te.emos: xe + Me ye Entonces TS 59JUniversioan || mooauioso eoennenee [ome PCN sae eT ay jemplo 5: Variable Continua {La siguiente tabla de distibucidn de freenencias correspond al rendimiente de _zmolina eh kilémetros por litra de tna mess ce 50 stomdiles prodhicides por [Nisan México, Calcul einterprete el coeficiente de vaiaci, (10.2409 (10.9116 (116 1235 (23130> (03.0137 37-144 (44: 15a Solus Para caleular el eveiciente de asimetria,eebemos caer ta mes, medians yb ddesiacion estindar, por los resultados de los ejercicis anteriores tenemos: x pM ys ntomces ae ae BB rcv srzcconinaye JLos Premios de la Academia discriminan por la edad? Estaditica, Mario Thiol ‘ak ane charg Chea jer acho ager ee aba Seca tals com leas de los aardonlos en el momento de ka ceremonia de entree de los premios. Las edades aparecen cn orden, empezando com la primers ceremonia ‘de los Premios de la Academia en 1928. [Notas En 1968 hubo un etmpate en la eatexor "a de mejor aera, ye ulus el promedio (la media) de ls dos edades; en 1982 hubo lun empate en la categorla de mejor ato, se uti el promedio (la meta) dels dos ‘edacles. Tales datos se hasan en el artculo "Ages of Oscar-winning Best Actors ant Ac. tresses", de Richard Brovenv Gretchen Davis, en la revista Mathematis Teacher. En ese o denacimienta del ganador dl premia se rest del aio de i ceremoniay no obstante, ls edades dela tabla se san en la fecha de nacianienta del ganador y on Ia echa de ta ceremonia de premiacién). La pregunts bdsen que consideraremon ex: ‘Hay diferencias importantes entre las edales de he mejores acticen lax edades de fos Imcjres aetores?2AI parecer los actores Ia aetrces son gadis estictamente por Ihabldadesartstieas? O bien, gexiste discrminacicn por a edad y ls mejores acuices ssclen ser mis jovenes que le mejores actoree Hoy algunas ols diferencias ewden- te® Adem de ser interesite, eda es importante porque nos brinda informacis bre b fori en que nuestra sociedad pereibe a os hombres ae (Una comparacién vial entre las edades de Ia tabla seria reveladors pra lx penso- a gine nes ail espa pra eta ve oe pe ees le taimeros sin embsrge, para nosotros low simples mortles, ex probable i la sta no revele mucha informacion, Aforunadamente, se dispone de métodes para invesigar tate tipo de conjuntos de datos, y pronto veremos que tales procedimmentos revelan faracieiien importantes que non permiten entender lor datos. Seremor espaces de hhacer comparnciones intelientes y eveladoras; aprenderemos Wenicas para restuni, irafica,fleserbi,explorary compare conjuntos cle dates con lon de a tablaTes «© ae “Tabla: Premios de la Academia: Edades de las mejores actrcesy los mjoresactores Las edades (en aiios) aparecen en orden, empezando con la primera ceremonia de premiacién, Tere aoe Taare acres 22.97 2063.32 26.0127 27 28 4441 62.6244 94245243 97 130.2520 24 3825 29.41 30.35 38.3422 40 495641 294957 138.9929 28 6426 25 4641 28 «419062 6291 35209941 44 40:39 2027 31 98 29253560 499567 3147 37 97 4245.42 49.95 4362737 42.41 36:32 1446285 42 48 49°56 38 60 30 415331 743850386121 41 4042 3676 3953.45 366243 26 642 0.389545 4930-24 51.32.4264 6297 982245 60 EL problem inclu las eaves ee los ganatores ee] Gncar ta mejor seri yal mejor actor, Con lo aprendico wiizamos dstibuciones de trecuencis ygrifcas para inves liga las edades de as actrees evan siguifiatimente diferentes de is eddes de os actores. Con bave en Jos resultados obtenidos, parece que las actrices ganadoras del ‘Gs in i fore pc laces penacones de ene po, Se aS gan WEA AREER des, pera incluimos ners herramnienta que seririn para comparar los do con dle datos, Las distriuciones de frectcncias yh grfcas del capitulo anterior no tes tan afectadas silos datos corresponden ana muestra oa ma pablackin completa. Sin cubargo, ata diferencias afecta a algunas de ls herrumicnlas que se preseitan ‘ste capttlo, Se podrta decir que los datos constiuyen tina poblaidn, ya que inches ta edad de cata ganador del Oscar como mejor actor y mejor actie desde a primera ‘eremonia ce Premios de la Academia, celebraca en 1928, hasta ls stimesrestalon disponibles en ct momento en que esribe este libro, En ver de considera que at ‘edides son datos poblacionales, los mancjaremos como datos muestrales que se obt ‘eran de una poblaciGn mis grande. Algunos purists podrian manifestarse en contra de esto, pera esun enfoque comin que nos permite enfrentar preguntas importantes como data Exinte ua diferencia signiicaliva entre Ia edad pros mejores aetricesyla ead promeedi (media) de los mejores aetores? Los métowos que se estadiaton en cl capitulo anterior “nos permiticron construr distibuciones de fre ‘euencias yyeieas que resumen y presenta vsualmente la distsbueiin de los datos {Lox métodos que se presenta en este capitslo nos permitirin ealeuar valores mime os de estadiaticos importantes, (En el capitulo antetior aprendinos que un extadintico ‘evtna medieiin numérica que describe alguna caracerstiea de una Hales en ante que un parmetzo es aa medi que lescrbe a poblacdn). Enver de asanos de feces y gris, hora emperaremos 9 inelwir extadiatiens importantes al comparar las edades de at mejores acrices y los mejores actores, Despues de calcular lor valores de estadisticos importantes, estaremos mis preparados pars comparar lox dos conjuntos de datos y para responder Ia sguiente pregunta fundamental Existen dilerencias sistanciales © imnportantes ene ar elades de lax tmgjowetactrices yas ered de lax mejores actors? Bless utara en st aula virtual sta actividad puede cJUsavensioan || Moosioxo CONTINENTAL | Miereae COTO S ae UT a eae A, ciosario = Asimetris: Cacfiiente que mide a nivel de dispersién de tna serie de datos respec toala media, = Gari mectios La mia de a suma de fos euartiles primero ytercero, = Gxoriles Los tes wares que dviden datos ordenados en evar grupos, con apr imuadamente e 25% de ls valores en cada grupo. = Desai standar: Medi ee waricin igual a ha rai enadrada def saan, = Meds: La suma de un conjunto de valores, divi entre el mimero de valores, = Medians: Valor que enti a la mitad de un conjunta de valores scomodados en order Foro = Meda correctiv: Accn que se realiza 8 un punto citico para que pueda estar dentro de los limites de control + Media de tendencia central: Valor que pretend indicar el centro de lx valores de ina coleccin de datos. + Media de watiacion: Cualquiera de varias medidas dseiadas para refljar la mage fd de ba variaciGn o dispersion de un conjunto de valores, = Sosa: Valor que se presenta con mayor frecuencia, ~ Multimodal: Se ice que un conjunto de datos es multimodal cuando tiene mis de dos mods, = Ponta Critica: Obeervacidn que et feral los Knit de comteol a eutre los percentiles décimo y nonagésimo, = Seago: Nosimétricay que se extionde mis hacia un ldo qui yor Seago hacia la quer, + Seago postivo: Sexgado hacia la derecha = _Vorianzay Promedtio de ls dessiacionescuadtieas de cada dato respecto ala media = Rago de percentiles 1000: Difere Dscranumummae 1 Tiiola Mario F, ESTADISTICA, Pearwon Faueacién, México 2012 Berenson, Mark y Levine, David, Estadistica Bisia en Administrackin, Conceptos y spleaciones Prentice Hall, Me AUTOEVALUACION DE LA UNIDAD IT 1. Indique:“Bstadjgrato que en valor es igual ala median aq Ps oe HQ Ors stk bi ppaaicisa corte Sespecka Wb aipuicnta ainbicioa de Wecee Estado civil fi Soltero it Conviviente 16 Casado 23 Divorciado 28 Viudo 11Pte se ee sa 14) Nose puede calcular la media ariunética pero sla median, 1) La media, medina y moda sise pueden calor €) Lamedia artmetica es el estado iil “casado” 1) La mediana el estado ciel “cado™ ©) La medida de tendencia central mis confiable en estos datos es la moda En el cuatro adjunto, geil esel siekdo del 57% ele la poblacin mostra, sues [so-55> Se [ss-e> 8 [so-65> 2s [65-70> 9 3 (ro-75> sas (s-e0> 2 50 ayenas By LA ores «) 6597 @) 0388 Lo siguientes daton muestra la caificaiones de tna muestra de 10 personas s0- rmetidas a una prucha de aptitud: 16; 1: 13; 20; 1; 16; 19; 18: 17: 15, Caleular la desiacin estindar de dichasealifeaciones. ayaa by 1634 a) 1802 41828) IML HL histograma dela distribucién conresponcliente al peso de 100 alumnos de Bachi- Nerato el siguiente: 2 a I 6 63 6 9 72 15 Calcul a desiaciGn estindar de los peso de Los aanon 29K, b) Aa KE ©) 18K ALOK, 6) OSKy TS 3cy & UNIDAD II: PROBABILIDAD = DIAGRAMA DE PRESENTACIGN DE LA UNIDAD III o-oo ‘AUTOEVALUACION TTL a & ORGANIZACION DE LOS APRENDIZAIES 7 ne Proechl/Vata Wideoconferens) 1 sdequtica clemculun de Valora de manera relexia petineiin desta Isiportancia de bs Prob Xam pwotabil! de bildades en todo campo de Pope ("Deinkdwtritwecs | Tomnsetin aclenci Secs = 2 Regd vamsymit ites propiedad nde “oma Probie Se Taal Toe Se apn 1 Tease probabil 3. Gea a proba de ieee 2 Gite ey pete (hisceneaedeee eeeeesceeee) fea ceerer peer Activia N25 a Retce ceri y_proble Lecrmnselectonia gs aplicindo. tence es Bape cepa oe E_comcoy elicorema de Bes ete cnet ieee Control de Lectra N° 2[UNIVERSIDAD | CONTINENTAL TEMA N* 1: FUNDAMENTOS DE PROBABILIDAD Y REGLAS BASICAS em agua ocasim te Is preguntato cil ex probabilidad de que ance agin wace= 0, como por ejemplo, la probabilidad de que mafiana teva, la probabiidad ce que Algin equipo de fithol gane un partido, ola prababilidad de ganar un premio y basta la prohahildad de acerar una pregunta con alternative al marcaria al azar Nos damos ‘cuenta que vvinos en uit undo que es incapas de predecrel future con toll certeea To-cual genera el estudio y uso de la eoria de la probabalidad, la eal nos permit e- ‘conocer y order tmestas suposiciones para poder tomar alguna decision de manera mis concretay con fundamento. Te ivito entonces a conocer el mundo de las probabie Tidades teniendo una probabil alta de que te xa.a gustar Hl DEFINICIONES BASICAS, SUCESOS ¥ PROBABILIDADES 1.1 PRORABILIDAD, medida dela posi que iene un evento de acurir Loa valoresde probabil siempre se asignan enna escala de cero nano. Uns probabiliad cercana a cero indica que cl evento tiene muy pocas posblidades fe ocurir, mientras que una probobalidad cereana a uno indica que e casi se- iguro que ocurra dicho evento, La probabilidael proporciona la posbiidad de ete Sapeisnty anit incest sata were re, 1.2 EXPERIMENTO. Dentro del punto de vista de la probabilidad se define un experimento como cualquier proceso que genera in conjnto de resultados bien definidos. En ‘cualquier gecuciin del experimnento acurtirs solamente ue de los posiblesre- ‘lads experimentales. A comtinuacién se presentan algunos ejemplos de experimentos vss esltados swociados, Experimenta Rewind experimentates Tanzar una moneda a S06 Seleccionar un articule para su Defectuoso, No} Inspeecion detectuoeo Jugar un paride de Fitbol Gamer, perder, Para analizar un experimenta en particular es necestro definireuidadoxamente lor restos expetimentales posible 1.9 ESPACIO MUESTRAL, 1 espacio muestral es el conjunto de todos los resultados posibles generados por un experimento, Cada resultado experimental se conoce también como punto mucstraly corresponde a un elemento del espacio muestra, Si suponemos que denots el espacio misestral entonces:Pee Eaperiente Espacio muestra Tanzar una mone 55 (tara, Selloy Seleccionar un articulo para su S = { Oelectuoso, No inspeccién erectuoso > Lanzar un 55 €1/2,3/4,5,6> Juger un partide de futbol § = { Ganar, perder, fempatar > 1.4 DETERMINACION DE PROBABILIDADES. ‘A partir de la comprensién de los conceptos de experimento y espacio mus ta, yeamos céimo pueden determinatse las probabilidades para los resultados experimentales.ALSsignarse esta probabildades se eben satsfacer dos reque- rimientos hiscos ce probabil, 1. Losvalores de probabilitad asignados dehen estar entre ceray una, Si dena tel -csimo renaltade experimental y PAE, indica su probabilidad swociada, entonees a 2, La suma de todas las probabildads asociadas a tos resullados experiment les debe ser igutl ano. Sel espacio muestra iene. reallados experimen: tales entonces Sale, fe, [+l PAe, cxalquier metodo para asignar valores de probabil lon resltados exper rmentales que satisfaga estos dos requerimientos vproduzca medidas muméricas ‘azonables es aceptable. En la prietica se emplean con frecuencia ol metodo flisico, el metodo de frecuencia relativa yel metode subjetive LA. Metodo claico "H metod io de angnacon de probabil pone ec rest ‘ado experimental tiene a misma posbilidad de ocurtt Sin experimen {tiene resultados posible el método clsiconsignaréa una probabilidad dea cada resliader experimental [JEMPLO 1: Si se considera el experimento de lana una moned, cualquiera de estos lanzamientos se olncrvaré Cara o Sella, Ua spe ‘icin razonable, en cas Ia moneda no es tread, que evalqiers de estos reutadon experimentalcs es fgtalmente probable, deci Pr(care]= sella] =05 JEMEPLO 2: Considers cl experiment de Lanzar in dado, Sil dao te inetd de modo que lo sit relia exper probable ntonces se cumple que Pf]= Po Exe método fe clboradeoriginalmente para analiza probabildades en | Ios juegosde ava, donde la suposicidn de resultados gualmente probables| frecuentemente ¢s ruzonable. Sin embargo en muchas otras stuaciones ‘ta suposicion no es vida por lo que se requieren métodos alternativon [pots siguat ls pobabiidades, TS a[UNIVERSIDAD | CONTINENTAL 14.2 Método de frecuencia rlaiva _Etmétodo de frecuencia relativa ext basado cn los datos obsersidos sobre el proceso 0 fencimeno bajo estudio. Para su deter obtener datos meriante prchas, ent fev tabla de gemultadon (tabla le frecencia reltiva de un resital (catia cle estado facorblen en tre total de resultados) se considera como la probabilidad de ocurrencia, sempre y cuando las condiciones bajo la cuales se btuvieron lon rest 14.8 Método subjetivo Ene metodo ex apropiade cuando noe pce supouer de manera realists ie todos fos resultados experimentales son iglimente probablesycan- dose dspone de pacos datos relevantes. Cuando se emplea este método itera er elguict inti dispel! Goel oman epee ‘ino intwicin, Despigs de considera tia ess informacién se especifics| un valor de probabllidad que exprese uucstro grado de creetcia, en una cxcala de ceroa uno, sobre ls posblidades de ocurir que tiene el resulta- {do experimental de inerés, Usando el métade subjetivo puede experatse (qe Seren preci angi probabildates cterenlca al meres reas: taco experimental EJEMPLO 1: {Guiles la probabilidad de que magna por la tarde EJEMPLO 2: Cuil es lx probabildad de salir al parque yencontrar tres Personas que hayan probada la gaecosa de marca Inka Kola, la bebida de 1.5 PROBAUILIDAD DE UN EVENTO (Gileicain aitint colectia apectaa ua pana inanialaa eainectal ame. rimento de lanza un dao, enya espacio mestralesS=(1 2,5 4,55 6} Shae define el evento A como obtener un numero impar,entonces A=( 13,8. Por tanto sel resultado experimental fuese 1,30 5 se dria que ha ocurrio el even- toA. ise conocen ls probabiidades de tos puntos mucarales, la probabildad dle un evento es igual ln uma de le probabildades de lox pnt enue ‘que lacomponen, Es decir que Wat nifal-eiis memset {Al-Pas le resl= Lh ‘chs Eapeinem conde peste ae ade bila de wn eventa sin conocer eames tie conepeine. Complemento de un evento A cualquier, se define x1 complemento como el evento consis tente en todos los puntos mmestrales que no estin en A. El complemento del evento A se denow con AY. La Figura muesta una representacion conotida ‘como Diagrama de Venn, que usta el concept del complemento. El dren ree- {angular representa elespacio muesral para el experimento y como tal conten todos lox pinitos muestrles posbles, circa representa el evento Ay sole contiene los ptntos muestrales que le pertenecen, El resto del recta som bbreado coutinen todos les puntos testrales que no eatin ett el event A, el ‘ual por definici6n exe complemento de .En cualquier aplicacicn de probabildad, el evento Ay su complemento AC de- ben satisacer Ia condi fa} els'] -1 deapejandose ene malar mA") Il REGLA DE LASUMA Y MULTIPLICACION 2.1 REGLA DELASUMA (ADICION) La regia dela adicion es una relacio iti cuando tenemos dos eventos y estamos ieresados en conocer la probabilidad que ocurra al menos uno de elles. Es dec, lenemtos lor eventos Ay B, estamos interesados en conocer Ia probaly Tidad que oeurra cl evento A, el evento B 0 atsbonsitmltsineamente, Antes de presentar la ley de a adicién ve necesita exponer das coneeptes relacionados 3 la combinacion de eventos: la unin y la intereceién de eventos. Para dos eventos A y B, la unin del evento A con el evento B ese evento que ontienen todos los puntos muestales que perteneeen 2.4.08 0 ambos. La lunion se denow por AWB - El diagram de Venn que se muestra ea la Figura describe la union de los eventos Ay Para dos eventos Ay Bl interscecin de los eventos Ay B esc evento que con tienen todos ls puntos muesrales que pertenecen tantoa.A camo aB, es dec ‘que son comes 4 ambos conjuntos. Lainterseecicn se denota por AGB. EL ‘diagrama de Venn que se musa en ta Figura describe lainterseccin de los eventon AY B. Cc)| amas || sao EI Lay de la adicién permite encontrar la probabilidad de la unig de dos even tos usando la siguiente relacién: pr W 8]= P(A] Pla] PrfA.9 8) Ejemplo: La probabiidad que un sistema de comunicacion de datos tenga una sclectvidad clevada es 072, In probabildad que tenga alta Fidelidad es 0.59 a probabiliad que tenga anibas caracteriicas ex 0.87. Cul ex la probabildad ‘que el sistema de commnicacién de datos tenga al menos una de las earacterfti- as? Sine eefnen lon evenios de datos tiene una slectividad elevada stem de comunicaciGn de datos Gene alta fidelidad Liege m{a]=0.72, re[s]=059 y Pear] =057 Entonces la probabil pedida es: Pr[A]=0.724 059-055 2.1. EVENTOS MUTUAMENTE EXCLUYENTES. Se dice que dos o ms eventos son mutuamente excluyentess los eventos soins sere] ee been de hey uc rie trales en la intersecciin de los evento, Para que dos eventos Ay B xean mutuamente exciiyentes se debe cumplir que. La Figura proporcions un diagram de Venn que muestra dos eventes masiamente exeluyentes Silos cventos Ay B son mistuamente exchwentes, entonces els val=Pefa) Pla) 2.1.2 PROBABILIDAD CONDICIONAL. En muchas siuaciones es importante poder determinas la probabilidad den evento cuando se sabe que ha ocurride otra, Sponge que tenemos ‘un evento A com probabilidad Pr{A]y que obtenemos info fo nor entersmes que ls ocurrida ott, denotade 8. i ‘ona com B, eesearemos sacar venta de ext informacion al elena vs probabilidad news o reviada para el evento A. erento se rb Esta nueva probubilidad del evento A ve excribe P{A/B] «El simbolo */* ddenota el hecho que extamos considerande la probabildad del eveite A dad la condicié que ha ceurvido el evento B. Por lo tanto, la nated Pr|AB)se lee “Ia probabilidad de A dado Bi’. Con das eventos Ay B, lx probabilidad condicional para A dado By bs probabilidad condicional para B dado A son como siguen: PAM B) py pe Mn) Pela] PaAT Peple0 y PHfAle0 y encada caso Peis] ara obtener una comprensiGn intuiiva del so de ls relacionesanterio- tof connideremos ol dingramn de Vern de In Figura siguiente Ea repPee sombreada (ano en gts claro como en gris oscuro) denota que elevento BB ocurig; a region sombreada en gris oscuro denota el evento ANB, Sahemmon que una vee que ha oer linia oom en que podenton cobterar mbién cl evento.A.x qe acurracl evento. AM B = Pore tanto lsrazénentte Pe{A B) y Prlp]proporciona la prohabiidad que obser ‘emus el evento A rao ys octrtiG el evento B. jemplo: Se estima que fs probabiidad que la empresa A tenga éxito a comerciaizar su nuevo producto en el mereado es 0.75, la probabildad pe Ea ogee forge es al caver sieves predicts co mercado es 0.62 yla probabiliad que ambas empresas tenyan éxito con sus respectivos productos es 0.45. Cuil es la probablidad que la empresa Atenga éxito al comercialzar su ue producto sisesabe que la empress Btambicu lo ano? Sise definen los eventon: ‘A-=La eaprest A tiene éxito ul comerciaizar su producto [B= La emptestB tiene éxito al comerciaizar su producto PAR] 0s wonces ayn] 07258 2.1.3 EVENTOS INDEPENDIENTES. Dos eventos Ay B aon indepenents els pl-mlalo AP lm] -€eon0 mods, lo centr son depen Farle tana, dadoa don eventos Ay a oeurencia del even A none els ocrencia dl event B emp: Se ener los eventos Attra nape dela ara que ese reste de color wo. 1: Exracr naipe dela arajay que este este una espa [Liege deducinor gue ls eventos A y 8 on incependenion 2.2 REGLA DE.LA MULTIPLICACION. {La regla de la milieacin se usa para encontrar a probabilidad de k inter: secciom de dos eventos. Se obtiene a pani de la definicidn de probabilidad ‘condicional pla e)=Pela (8) pfArs)=PelB Alea) _Kjemplo: #1 departamento de circulacion de un periédico sabe que el 84% de sis clientes se suscribe a la edietén dana (lunes sibado). Adem la prob bila! que un eliente, que ya tiene suseripeim daria, se suscriba tambien ala ‘edicisn dominieal es 0.75 2Guil es la probabiiad que un cliente se suseriba tanta Ia elicin daria como ala dominial del pr TS| amas || sao EI Sise definen los evento A= Unoliente se stacribe la edicicn diana [B= Un cliente we anacribe la edicin dominieal entonces A}=034 fs Lego: MAOB]= MB Alria]=07s085)=0083 [Notar que para cl aa especial de eventos independiente, la ey de a muliplicacion seconvierte en: Pe{AB]= Pr A]Pe(8] Porlo tanto, para calcular la probabilidad de la interseccién de dos eventos nde- ppendiente solo multiplicamos ls probabiliades correspondientes. jemplos El éxito de un proyecto de insersiin depende del tra de wn inge- piero, um adiminisuador y un aboyado. Se sabe que la probabilidad de que e ingentero flle en si labor es de 4%, la probabidad de que ef administindor falle es de 6% y la probabiidad ele que el abogado fale es de 8%, Para que e proyecto ae exitno, ningun de lar 3 debe fallar.Arrenalo que as abores le los tres imegrantes son independientes entre si, cules la probabilidal de que al final el proyecto fale? ‘Sean lox evention A= EHlingeniero falle en au labor [B= El aduinistradorflle en labor (C= EI abogade fille en su labor D=El proyecto falle mo] Lanego py[p]=1-0.96s098%09: P[D] m[acantnce (eJ(c*] 02 TEMA N* 2: PROBABILIDAD TOTAL Y TEOREMA DE BAYES Como has pedido obserar, la tora de ls probbilidae maneja cirtasleyeso reg {que debemosrespetar, del mismo modo cra tenemos in evento que pertenece an sistema y que se puede realizar de manera conjunta con varios events disntos entre ‘Findisintamente dentro del mismo sistema ex posible qe noses calsemos cl ex la probabilidad total de la ocurrencia de dicho evento come lo veremoa a connuaci6n, Par ejemplo sien un aula hay varones y mujeres, pocdremos calcula la probabvldad total de clege a alin alamo y que este aluimno (sin considerar el yénero) no se ce Hisancay, Ml TEOREMA DE LA PROBABILIDAD TOTAL, Si comocemos a probabildad de Ten cada tin de los componentes de un sis exhaustivo y excliyente de suceses donde participan los esos AL, AZ, AB y Ad, entonees podiemas calcula la prohabildad de 1 camo la suas P(B)=PBOA) +PIBAAY+PCBOA) +PCBOA) PCB) =PUBA)PIA,) +PBIAIPA) +P(BIA)PA) + PIAA)Pee Por lo nto si generalizames, paral Ley de la Probablidad Tota: Supongamnos que Ay, Ae Am son una partici de ‘es deci que los sucesos son mithuamente excluyentes entre si (AA) para todo par) yat unin ex E entoncesse cumple (B)= SPU AyPCA]— PCB)= SPA) ‘TEOREMA DE BAYES ‘Una etapa importante del unslsis de las probubilddes condiciones consiste en ‘sar dlichos valores enande se obticne mera informacién. Com esta nies infor icin sctualzamos los valores inicales de probabilidad encontraude probabil dades revisadas, conocids como probabilidades posterores. H tearema de Bayes pproporciona un medi para hacer estos eile cle probabilidad. Los pasos en este proceso de sevisibn de probabildades se muestran en la Figura sig Probstaadess |_| ntarmacon roicaccndel | | propoiiacs pio F*] rues] troremade "poses Bayes jemplo: Suponga una empresa que compra componentes de dos proveedores. Sean los eventos Componente comprado al proveedor | A,= Componente comprade al proveedor 2 Actualimente, e 85% de los componntes comprados proviencn del proveedor Ly el resto del proveedar 2. Por a anto, a se elge al azar un componente asignaria ‘mos las prohabilidades previas Pe} =065 y PAA] 035 8, = Componente comprado se encuentra en buenas condiciones 8, = Componente comprado se eneuentra en mals condiciones Las prohabilidades conclcionales de recibir componente en bnienae o malas condiciones (con base en datos histGricos), sen el proveedor, on: idee compementex compradon depende del prorésior: za low even r[By/A,]=098 rrf8.fa] =002 PBA, 1 aingrama de rbol que ve mesa en a Figura siguiente describe el proceso aque esta empresa recibe an componente de unos de los proveedores menciona- dos y huego descubre que se encuentra en buenas © malas condiciones como un experimento de dos etapa. De los cuatro resultados experimentales posbles, dos ‘cofresponden al ciao en que el componente se encuentra en tensa condiciones y dos cortesponslen al eas contrat. TSTape Bape Reaaoce experiments 2 a8) 2 ta. 20) mB) 8 a ease) & (Cada uno de los resultados experimentales ela interscciGn de da eventos, de ‘modo que polenta eg cela maltpieacn para calls ax proailis- es. Esdecit, fa, vB] =P }Pe[8,/4\] El proceso de ealenlar ests probabilidades conjuntas puede describirse com ko qe ‘a ocasiones se lama érbol de probabilidad, También se le denominadrbol de deck ‘ones, como ae muestra ea Figura siguiente. De inquierda a derecha en el dsb, Jas probablidades para cada wna de Ie rams en hi primera etapa correspond 3 las probabilclades scien que lx profalalidedes para ends rama en Ba segtnd etapa son probabildades conslicionalex Para encontrar las probabilidades {de cada resultado solo multiplcamios las probabiidades en las amas que conden, al reatada, Otserve que las probabilidades de los custra reaulados experimenti- isanapt —[earaz [FaERD eae we STIRS roa OA i] = EA PLD (Ad = foss70 PIA Pree) UA Ba = PAL) PBA) = fooss0 eB] = PAs) PLB) = Pras fosses, Pra Oe Be Pre] Peel = Prensa) [00875 cnc napa jacana em pa ena Ft preldaes poterones on mame exlpeteny neler pec neural compte 2l crema de Bays puede enemas emo de rene Sa on coeeaoee Encl tiene de yet pasted PAA, /B]se wielve mao) PIAIPLWAD, 12 12 mo] donde Pe{B]=Pr[A,]Pe[BVA.]+Pr[A.]Pr[B/A,]+-+=Pr[A,]Pr[BYA,] se be conoce oe es EJEMPLO: Suponga que los componentes del ejemplo anterior se usa ea un pro- ‘eso de manufactur y que un componente en malas condiciones caus que a Iiquina se dexcompanga, zeuil eta probable que el componente em mals condiciones provengn del proveedor 1? y zeudl es la probabilidad que proseng {dl proveedor 2? Con la informacion del bol de probabilidad podemos usar el teorema de Bayes para responder 2 ests preguntas. ef Aslee8,/As] Pr[.] donc Pr [8] =Pr{A,]Po[B./A,]+ Pr, ]Pe[B,/,]=0.0305 Proveedor® pr(A,/8, Lego: mia raj] 3520085,| amas || sao EI TEMA N° 3: TECNICAS DE CONTEO En el tema anterior nos hemos encontrado con un detile muy importante que genera smc pean error en Ins profs six ealenda ieee ol tea del eects mie: tral el ctl cehe ser analizaco eon mucho dado sobre toro al deterininar Ia exci aque ene para hicgo contabilzar el total de posibilidades que ae tiene, Por esa raz6n, Cuando las postlidades son inmenss y ya no we puede realizar un contea de manera ‘debemor aplicar alguna téenica que nor facile el contea, ext ex a nud por Ulebemox opliizar lie Weniea: presentacis 3 conlinuscin y que reqiere ‘aris eas de manejo eel desarrollo de un factorial Ml TEeNTcAs DE CONTEO A mend cl espacio muestra con el que tenemos qe ealkular la probabilidades fs grande, de tl manera que construyendo un diagrama de arbot o un tablero de contingencia no waa set posible ex por esta razon que recurtimos a modelos imstemtieas para poder ealcular el tamano de mestro egpicio muestra, pero es ecco nites ember dl patie de Wiaulicio eh Galiphicacioe ch eas se fundamentar lex mitre de conte, 1.1 REGLA DE LA ADICION Stun primer experiment tiene n, resultados posibles yun segundo experi- tmenta tiene n, reailtdas ponbles, Entonces, a cantidad total de realtados experimentates Wego de realizar el primera segundo experimenta, ex deci ola tune de elon en ‘jemplo: Una persona puede viajar de Lima a Cues por vin adres o terretee Y tiene a au diaposiign 6 Tineas areas y 3 Mness terrestres. De c puede realizar el ie eles Lima hasta Caco? Elprim poribles de hacerlo, el segundo experimiento con trey tiene n,=5 formas posibles de hacerlo. Laego, se ene n+, pposbles de realizar el igle experiment consist en elegir una Tinea grea y tiene = 6 forman een elegiruna linea terres formas 1.2 REGLA DE LA MULTIPLICACION Siun expesimento se puede desenbir como una sucesiin de etapas en ls que hhayn, resultados posiles en la primera etapa, nen la segunda, ete: Entonces, sida total de reulladon experimentales ex m= 4, peimples Tinta peas de Nae tcionie stn ae pede foomit com ssrones 3 danas? #1 experimento consiste en formar parejas de baile, La primera etapa consist cen elegiral vardn yse pede hacer den = 8 forms, La segunda etapa consis en escoger a la dama y se puede realizar de 1, = formas Luego, se pueden 5 parejas de baie EA COMBINAGIONES Y PERMUTACIONES. 2.1 COMBINAGIONES: Las combinaciones permiten contar la canta de resulacos experiments ‘nando xe eben seleccionar_objeton entre un total de N., por lo general mie tgrinde, donde cl orden de seleccién no se considera importante. La canta de combinaciones de N objetos wmando 8 alavezesdonde N1= NeW peo Bel, mtn Ipsoovedal y OLE jemplo: Se ten un grupo ce 40 estinliante del conse Esai ge cantan rmuneras diferentes se podria elegir a 3 delegados para que representen ala seccion? El orden de weleccin de lo tes delegedon no ex importante, Lasgo, exsten (CP =angtormas diferentes de elegios Bcc NS Esta actividad puede consultarlaen santa virtual, BB scrunseurcaosanns's {che preoeuparsedequelereien una prc de detec de droga endo sole a trabajo? Extadiien Maio Tro. Pig. 157 eDebe preocupane de que le realicen una prcba de detecein de drogas cuando soli ‘ite un trabajo? ‘Segin la Ametican Management Association, alrededar del 70% de las empresas ests lounidensesrealizan prothas de detec de deogas a menos algunos ermplendony {spirantes. EL US, National Institute on Drug Abute afirma que aproximadamente el 15th de losjorenes entre 1¥y 25 aos consume droga legals. Ques Diagnostic ext sma que el 3% dela fucrz Iahoral general de Fstados Unda constime marinaana. St Pongamnor que uted solicit un empleo, ene excelentes aptinides (as cuales incluyen Ty aprobacion esitosa de un euiso de estadisiea), le hicieron una prueba de conse de masiimanay no le dieton el empleo. Usted podria sspechar que no pasé el examen cle mariana, an cuando no consume ests dros, Anis de lox resultados La tabla muestra os resultados dela prueba "-Pane! THO" para identifiearel cons ddemarihuana Este dispositive de prueba cuesta $5.95 vla empresa Drug Test Success lo “distribuye. Lon resultados de la prucha fueron confirmados con cromatogrffa de gases yespectrometris de mass, que la empresa describe como 'el método de confirmacion prefer’ (Eso retain se hasan en elas de 50 n/m. como nivel de corte pars dleterminarla presencia de mariana). Gon base en los resultados de a tabla 1, 2 probahilidades hay de que la prcha indique que usted consumié marihuana, anqqie ho sea as? Cuando una prucba muestra ls presencia de alguna condicion, como una fentermedad o los residuos de alguna droge, se dice que el reauado de la prueba ex Positiva, Guando la prueba inca un resultado pesiiv, peto a condiciin en realidad no est presente el resitado es un filo positive, Hs dec, un falso positive es un etto {en el que Ia prueba indica In presencia de una condlicidn, cuando en realidad esta it ta no ae presenta, En cate cao el apirante al empleo podria seliree angustado por 1a probabiidad de un sesultado fso posit, ya qe seria un error que pronocarta de manera injasta la negacin del empleo. (El contratante podria semtase preacupado por lotto ipo de error, un falso negative, que se presents cuando sa pruela indica que el sepirante no consume mariana, cwando en realidad s ley hace. Este false zativo podria causar [a contratacin de tn indivduo que consume marihuana, y ese error puede ser grave para algunos trabajos, como les que tealiza Tes piotos, Tos ceujanos © Jos ingenieros de tenes)[UNIVERSIDAD | CONTINENTAL En cate capftule analizaremos preguntas relerantes como és: Dados rmuestales de la abla, jcusl es la prohabidad de un resultado falso po la probabil de un resultado fako negativo?:¥sas probabildades son To sufiiente- mente bajas como para que los aspirantesvloscontratantes no se preocpen por tomar ‘decisiones incorreciss motvadas por reatadaserrénecs de ls pruchas? “Tula: Resultados de exdmenes sobre el consuma de marituana es aos camara conan marana? Result de prsba postive +9 (tapos aes que la marhuana es pesos) | (dada posto) | fo poste) esultac de prsba nogativo a vo (apnea qe la marnuaa ss suse) | io negets) | ease rate) ry Bevo = Experimento: La aplicacin de wn tratamicnto y la posterior observacion de st fort wre los ajeton, = Probabilidad Condicionada: Probable ee que acura un evento espns de que bya ocurido otro - Probabildad Condicional: La probabil de un suceso, dade que alin otro ce. so ys nui. = Probabilidad Conjunta: Probabiidad de que ocurran dos eventos de manera sitmul- ~ Probabilidad Subjetiva: Conjetura o estimado de una probabiidad com tase en un conocimiento de lis crcinstanciae relevantes. = Probabilidad: Medida de la posibiidad de que ocurra un suceso dado: se expresa coma un nimero entre 0 1 = Regla de Gomibinacin Regla para determinar el nimero de combinaciones éife- rentes de elementos seleccionados. ~ egla de la adicin: Regla para detorminar la probabilidad de que, en un solo ens yorocurra clauceso Agel suceso Bo bien, de que ocurran anton ~ Regla de Ia multplicacion: Regla para determinar la probabilidad de que ocurra el soevo A err un ensayo y de que ocurra el suceso B en un segundo ensayo, + Regla de Permutacion: Regls para determinar el nimero de arreglos diferentes de clementos selecionades + Regla del conteo fundanieutak: Regla que dice que, para una secuencia de dos su ceams en la que el primer suceso puede ocurtir de m maneras y el segundo de n manera los sucess juts pueden ocursiren wn total de m1 manera ~ _ Regla cel Factorial: Regla queafitma que n objetosdistintosse pueden acomodar de pl manera stint, + Regla del suceso infrecuente: Si, bajo un aupuesto dado, la probubilidad de w saltado expecifco observado es muy pequeta, s¢ conchie que posiblemente el sipuiesto no sea correct, + Suceso Compuesto: Combinacisn de sucesos simp, "que no pede descomponerse mi + Suceso: Resultado de un experiment, = Sucesos Depenilientes: Sueesos para Tos cuales la ocurencia de cualquier sueceso lvls afecta Las probablidades de geurrencia de ln deme acess = Sucesos Disjantos 0 mituamente excliyentes: Sucesor que no pueden acurtir de manera smultine,Pee + Sucesos Independiente: Sucesos para ls cuales la ocurtencia de cualquicra de ellos ‘no afeeta las probabiidades de ocurrencia de on demi. Cl eccsncanreasm 1. Tviokt Mario & ESTADISTICA, Pearson Eaucacién, México 2012 2 Inoduccion al Probabildad Décinno Segunda Ediicn. Wsllam Mendenball,Ro- ber Beaver: Cengage Learning. 2008 4. Extulisica y Muesteo, Gro Martinez Rencaring, Colombia 2012, ECOE Edie BB sc rorecsncon netsexosnn a) Glisica by Subjeusa ©) Binomial 4) Total 1) Empires de frecuencia telatr La siguiente definieén; “Gonforme un procedimiento se repite una otra ver Ia prohabildad de freeuencias rlativas (o empirias) de un suceso, iende a aproxi- ‘mare ala probabiidad val”, corresponde a: 8) Toorema de Bayes >) Probubiidad tral ©) Regha del suceso inflecuente 4) Probahildad condicional (6) Ley de Tos twimeros grandes 74 8. Determine elvlor de Ia probabiidad del complemento de A, i P(A) ajoor2 bo 610726 a) 1 ©0762 4. Considere el caso de una pequetia empresa de ensamble en la que hay 50 emplea- don Se expera que todos los trabajadores terminen ua trabajo a tempo y que pase la inspeocion final. A veces, alguio de los empleados no satisfac cl estandar de desempeno, ya sea porque no termina a tiempo st abajo © porque No ensambls dren una pieza. Al final del periodo de evaluacvin del desempenio, el jefe de pro- dtuceién encuentra que 5 de los 50 trabsjadores no terminaron su trabajo tiempo, 6 de ls 50 trabajadres ensunblaron ml una piezs y 2 de los 50 trabajadore {cminaron su trabajo a tiempo y armaron mal una plea. Después de analiza los datos del desempeno, el jefe de producciin decide despedi ales wabjadores que no terminaron a tiempo su trabajo © que armaron mal alguna plea. Cal es bs robabildad de que el jefe de produecién despida aun trabajar? ayotd bode onus ayo2 ease TS[UNIVERSIDAD | CONTINENTAL PC) 5. Deuna baraja de 52 cars extracino sin reposicin y en forauasucesiva dos caras ‘Sten la primera extraccién se obtuwo espada,;Cuil ela probabilidad de que en ls segunda extracein sala espada nuevamente? aynoss bot 007 ) noe fe) oss4 5. Una compania dedicada al transporte pablico explota tres lineas de una ciudad de forma que el 50% de los autobusescubre el servicio de la primera linea, el 20°% ‘bre In senda y el 30% cubre el servicio de la tercer fines, Se sae qe la pro- Dabilidad de que diarlamente wn autobis se averie es del 8, 2% y 34%. respective ‘mente, para cada linea. Determine la probabilidad de que, en un di, un autobiis stra ana avers, ay0st —b) oo00ss 34 ay 00s ce) 0.0308 7. Mariela desea adquitir of tra de Estadistica de Mario Tala, of cual es vende cen brevis diferentes de la calle Calisto, en 7 yalerias del Tambo yen 6 ibwerias Ccercanssal campus dela UCC, 2be cudntas maneras podrs adquirr dicho bro? ai wis ou 420 ea 13. Viviana tiene 3 bhusa de dterente colo, 3 pantalones diferentes, 4 minifaldas v2 pres de zapatos diferentes. 2De euintas formas dstintas pele vesire con extas Dprendas para ira st ces, considevandlo gue ef profesor de Etadistea ha pro Dodo alas mujeres ira clase con minal: asa mays oss ayy ews 9. Una caja contiene 4 bolas blancas y 8 bolas rojis. Se extraen consecutvamente 2 Dols sin eemplazo, Caleular la probable de que se extraigan una bol blanca ‘yma roa, en ese orden 10, identifica cl envincind falso com respect las COMBINACIONES: 2) Se tiene un total de“n” diferentes elementos disponibles, ) Los reardenamicitos de los ntnos elementos son consideradosiguales (0) Se seleciona "ede los *n” elementos, donde ren, cr 4 Se express comes = ©) La agrupacion ABC + CBA,& UNIDAD IV: DISTRIBUCIONES DE PROBABILIDAD = DIAGRAMA DE PRESENTACIGN DE LA UNIDAD IV ‘AUTOEVALUACION TLL J & ORGANIZACION DE LOS APRENDIZAIES a Sifter ce rctate= ‘bt hipergeomei. 4 Dinitnteon de proba eet fe veraie ieee eee rere a rarer fee eee eres feeeeeer 1 Meat dsr de prota crea et Srperineni ates * iN dl Gente dt Clnian i prota en ‘ins dsciones, $1 elfen daria de eerie! Seeereseaeel eee eceere Tmt de dices normales Actividad N2¢ Reswehe ceriios y proble- ‘mm aplcand he diet, nora ‘Taos Acwdomica N°2 Demuestra prosctvidad y ftea en el desarrollo de fa natura y ates manejo[UNIVERSIDAD | CONTINENTAL PS a tat ny UNIDAD IV: DISTRIBUCIONES DE PROBABILIDAD Debes tener en enenta que lis distribciones de probabildad estin relacionadas com la distribucisn de freeuencias, De hecho, porlemes pensar en la disrbuciin de proba. bila como una distbucion de frecnenchae ted. Una dstribueton de freewencie teorica e+ una distribucidn de probablidades que descrine Ia forma en que se espera ‘que raion los resultados. Debido a que estas diriuciones trata sabe expectativas de ‘que algo suceda,resutan ser modlelos ies para hacer inferencias ¥ tomar decisiones TEMA 01: DISTRIBUCIONES DE PROBABILIDAD DISCRETA El VARIABLES ALEATORIAS: 1.1 DEFINICION RASICA DE VARIABLES ALEATORIAS. En la Unidad anterior se define un experimento como cualqier proceso que genera resultados bien defnidas, Se considera de interés cl proceso de asignar ‘lores nunricos a fos resultados experimentales, Para hacetio, se inte la nnociGn de variable sleatora ara cualquier experimento en particular, una vrlable aleatoria paede definise dde modo que cida resltado experimental posible genere exactamente un valor eerie para ln rnb eta, x deer ur un ated alesis ‘ripeiin mimérica del reside de wn experiment Ejemplo Experiments Valores po pera fa variable sleatoria ‘eslzar 150 Tamadas deiner deveriasadae 02, 2, 150 0,1, 2, my 80 15 5 Tiempo < 45 04,2, {Una variable aleatoria pede casfcarse como disereta o continua dependien- do de los valores nuinéricos que pueda asumnir, Una variable aleatoria que solo pees na ail eecliin Gris. o ate aniaerabledewlovetes dha erable leatoriadiscreta. El nimero de ventas logtavlas, mimero de articulos defectuo- sos y nimero de clientes atenelides por dia son ejemplos de variables aleatorias fliscretas, Una variable aleatoria que toma una seeuenciainfnita no numerable de valores es una variable aleatoria continua, por ejemplo: dempo requerido (en ‘manos pata tashadarse dela UCC al hogs 1.2 DISTRIBUCION DE PRORABILIDAD DE UNA VARIABLE ALEATORIADIS- GRETA La funcidn de disisbuctén de probabilidad, denotada por , proporeiona la pro- babilidad que Ia variable aleatoriadiseeta tome el valor especifico En Ia construccin de una distribucién de probablidad discreta siempre deben sais facerse dos condiciones: = soleo © LAdtPO -Hjemplo: Una empresa compra juguctes ys proveedor los entega en cajas ‘de 50 unidaces. Luego de la comercalizcian de los juguetes y de acuerdo 8 las clevoluciones realizadas por sus propios clientes hi determinado el nimero de juguetes defectosos en las iltimas 500 cajas compredas, La informacién se ‘Wimero de joquetes ot Namero de clas 300 ino bs | Sea la variable aleatoria X = Nimero de juguetes defectuosos por caja de 80 das, La fancin de disusbucién de probabilidad se puede obtener caleulando la trecneneia relativa para cada valor de. sa 1) 0.60020 0.10 0.05 0.05 1.3 VALOR ESPERADO DE UNA VARIABLE ALFATORIA DISCRETA Elvalorexperado dle uns variable aleatori dscreta es un promedtio ponklerado ‘de todos los valores posbles de a misma, donde los pesos son las probubiidades ‘aociadas con lo valores. El valor eqperado de una variable aleatora ecreta se calla con ta siguiente expres: L1-Der) Elvalor sperado de una variable aleatoria ese valor medio, 6 promedio. Pars ‘expetiroenia spe puetenrepetiae mache Yeoes, ol ler ceperade| put br terpretarse com el valor promedtio a lago phazo para a variable aleatora, Sin ‘cmbargo, el valor esperado no necesariamente el mimero qe pensatnos aa nied la variable aleatoria a proxima vex que se reaice el experimenta, _Bjemplo: Si se desea caleuar el valor esperado de la variable aleatoriadefinida ‘en el jemplo anterion FE Se (8)=0x0.60-140.206 240,10) 340054e0.08=095 LLuego, el valor esperado de X es 0.95 juguetes defectuoss. 1.4 VARIANZA DE UNA VARIABLE ALEATORIA DISCRETA, Elvatorexperaeo nos dana idea acerca del valor promedio o central para i variable aeatoria, pero es importante tener ademas una medida de la disper "on o-varabilidad de lox valores posibles de la variable alestori, La varies (ote eid ucts pa repecsnntar la dlipestie o ertabliadl on Lal ‘exe una variable alestoria. La vatianza de una variable aleatoriadisreta se cael con la siguiente expres Varlx]= De ste) ‘Una medida de dispersién relacionada esl desviacin estindar, 1a eual se define com la raz cnrada postva de la atianza. =pe[x]= Vale] TSoom TTT DISTRIBUCIONES DE PROBAE ny Si se desea calelar la varanza y design esindar le ka variable leatoria defini en el ejemplo anterior. Sv ss) <0" 0.6051 20.2042 +0.1043°1 0.0544 20.05 = 185 ‘Aplicaciones Lasiguiente tabla moestra Ia dstribuckin del mimeto de errores que pte Dlicistacomete al elaborar sna peza publictaria. Wdeerores WK) =PURT oz one a. Encventre evalar dest para que dich daribucin sea de probabil PUn)= 3 Peay 0,09-+02+015+0+028+02=1 076+0=1 1-07 1 024 ‘Si se clige ua pieza publictaria ul es a probabilidad que el publicista ‘cometa a lo mis errores? Aven (0) HP =I) =) = = 9) 0001215 4024-060 «Gael einterprete el valor esperado, TGS RT 2 a # AU) SENT A= 286, 1 oszaa 2 ons 0 2 om an 4 oA 5 oe + 298PO EL DISTRIBUCION DE PROBABILIDAD BINOMIA 1a distritmcién de probabilidad binomial ex una distribucisn disereta de probabi lidid que se relaciona con un experimento binomial, ef cual tiene cuatra prope. aes (©: Hlexpecimenns curate dune medidas de intention 9 enenyonidbnion, ‘En cada intento-oensyo son poses dos resultados, A no lo Hamaremos éxito yal otro fracas, + La probahilidad de obtener un éxita, p, no cambia de un intento 6 ensayo a = Losintentos o ensayos son independientes, En un experiments binomial variable alestoria de interés se define como X =Né mero de éxitos obtenidos en los. intents o ensayos. Esta variable aleatoria puede omar ls valores (,12,..0n - La fein de distibucicn de probabilidad aso com esta variable alentaria ex Fe) [x =x]=crp" (1-2), x= 041.2, Loanteror pede esr coma 2-~ Bln. Ela espera varancade wns satiahlealestoria con dibctén Hinoml om E[]mpy_ Val X]=mo(t=P) respectvanente Fjemplo 1 1 probabiidad de que cualquier simbolo particular de igo x trans rita erréneamente a través de tn sistema de comunieacioncs es 0.10, En he trae {nisin de ln simbolos ls errores ocurren de manera independiente unos de otros, Suponga que se envi un mensaje fortnado por 14 siubolos, Cu es In probabil dad que se transmitan ersGneamente solo 2 simbolex? imoro de simbolos transmitides errGneamente del taal de 10, entonces 10). La funcién de distribucion de probbiidad es 1070.90)", 201,250 10 Ejemplo 2: Con respecto al Ejemplo anterior, cud e a probabiidad de wansmiis ‘coma mximo tes imbolos eneamente? ela s3}= eof Propiedades de la dstribucisn binomial )lamedia: w=np ° by lavoro = «) euando p es menor que 0.5, la distribucién binomial esti sesgada hacia la dere- ha, 4) conforme p anmenta el sesgo es menos notable, ©) exando p =05, la dstnbucidn binomial es simétrica (0 candlo p es mayor que 0.5, ta disibucin eta seagaa hacia la aquierda TS[UNIVERSIDAD | CONTINENTAL El DISTRIBUCION DE PROBABILIDAD HIPERGEOMETRICA, 1a dsusbucisn de probabiidad hipergeométrica est est com la distibucknbiromial, pero feren en dox punto: en ha elistebcin hiper= [geométriea lor ensayo na som independientes¥ Ia probabiidad de éxito varia de tension ens. mente relacionada En a notncién sal, rdenota el mimero de elementos comsidersdos como éxito {que hay en tna poblacidn de lamaio Ny y N= r denla el rtimero de elementos Considerados como fracatos que hay en dicha poblacién. La funcién de probabil- dad hipergeomética we usa pars caleular la probabildad de que en una muestra sleatona dem elemento, sclecionadon sin remplato, ae tengan x Gxitony fracas, La nce de ditibuctén de probabil asia con esta variable ales. Fa)= Pl en cajas de 12 unidades cad tena. Sponge que un iapector seleecion al azar tes de low 12 fusiblex de wna ea para inspeceionarlon Sia eat conten 8 fusible defectionon, zen es la probable lidad que el inspector encuentre mi de un fusible defects? Sea X =Niimeto de fasibles defectuosos encomtrados porel inypector en Ia mest de tamaio 3, entonces X~H(¥ or=5). La funcién de divtibuciin de probabidad es ect fs) =PeLX=3} ge Pel t]=1-Pr[ <1} 1-16368-0.3636 I DISTRIBUCION DE PROBABILIDAD DE POISSON En esta seecfn se describe una variable aleatorin discreta que ae usa com frectet: cia pars estar la eantidad de sucesos u ocurrencias en determinado intervala de tempo o expacio. Por gjemplo, la variable sleatoria de interés podria ser X [Niimero de clientes de les elentes al banco por ora, X= Nimero de reparsciones necesaiss por cada 10 kildmetros e careters o X= Numero de fugasen 100 milla den oleoducto, Sisesatifacen las cos prapiedades siguientes, la variable aleatoria X-=Nimero de ocurrendas en determinado intevalo de tiempo o expacio es una ible aleatoriadisereta que se describe con la distribucién de probabiidad de Poison ‘© La probubilidad de una ocurmencia es igual en dos interalos cnalequiena de gual longitu ‘© La ccurrencia 0 no ocurrencia en cualgticr intervalo es independiente de Is fcurrencia o ne acurrencia en cualquier otra interval, La funcién de probabilidad de Poisson es: Aa)=PX ax], e-04.26cc Rae uede exribirse como 2 P(A), donde 2 es la usa 0 miimer prome- riasen determinado intervalode tempo espacio y e=2.71828, El ‘olor esperado ywariancia de un variable aletoria con distibcisn de Poisson son mumeéricamente igualesal parimetro de la dsteibucin, es decir F[]= Var] HJemplo 1: La divsién ce mantenimionto de telefonta esté watanda de decidir cuintos eparadores necesita para proporcionarun nivel aceplablede vevicoa ss dlientes. El miimero de ques que Megan al centro de serviio sigue tna distribu. ‘dn de Poisson, con una tsa promedio de 30 Hamada ald. sCual esa probabil felcentza deservcio mas de 20 quejas en medio dae 2 -P(A=15), La fimecion de distibueion de probabilidad ex: Ss) =Pe[X 1x2 01.25 veg, P| > 20] =1—Pe[ <2) 19170 = 00880. Ejemplo 2 Con vespecto al Bjemplo anterie centro de servicio menos de 25 ques al dia cul ela probalilidad que Negue at Sea X = Nimevo de quejas que Hlegan al centro de servicio por dia, entonces 2 P(A =30). La suncion de distribucién de probabilidad est enw Je) =P[ =a] Lavego, Pr[X-<25] = Pex 24] =041572 TEMA N° 2: DISTRIBUCION DE PROBABILIOAD NORMAL I DISTRIBUCION NORMAL ESTANDAR. VALOR GRITICO 2. 1.1 DISTRIBUCION NORMAL ESTANDAR 1 ditrituci6n normal es una de las distibuciones ms wsadase importantes, Se ha desemuelto coma sna herramienta indispensable en eslier race [a cienca ya industria yl comercio, Muchos eventos fealesynatrales tienen, tana distribucién de frecuencis cuya forma es muy parecida a la distribueion ‘nonmal 1a distribueidn normal es Tmads también campana de Gauss por forms sxcampanada Yoom TTT DISTRIBUCIONES DE PROBAE ny Propiedades de la distribucién normal ‘La distnbucion normal dene forma de campana, 1 Lads i ditibusign de probabilidad que noe: media HHO ydewviacisn estindar = 1 ‘+ Blrea bajo a curva ola probabilidad desde menos nfirite a misinfnito vale 1 ‘La distibucion normal es simétrica, es decir cada mitad de cura tiene un rea de 03. ‘Li cacal horizontal de la curva se mide en denaciones estinda, ‘= La forma pls posicidn de ana distsbcdn normal dependen de los parime- twos ty'6 en consectencia hay un mimero infinite de disribuciones norma Ics Existe una relacin del porcentaje de poblacign ata denviacion extindar. En la figura oivervamos por gjemplo que el rea bajo la civ pats tiene tn poncen tajede 68265, 42 0=U545% ¥ 43 9= 09.79% a ate | bese! | — Se {La poblacibnineluye todos os datos, a muestra es una porcin de la poblacin, a a ‘Tomando como referencin una dstribucion normal estindar con parimetros: bi=0 yo! |. Se rabaja con Ia distancia entre xyH en funcién de ln desviacién ‘stindar, Tal comio se mest a comtinuacion =H zePO Notaciéa: 2~ Normal (41) y se lee: "Z tiene distibucién normal estindar con medlio 0 ‘arianza igual a1” 1.2 VALOR cRitICO z Determina el mimero de desviaciones estandar Gentre alin valor Xv a meds dela poblacién je Para caculare valor de Z usamos la siguiente frm x rekon 1a dstribucion de probsbiidad £ (2) es una distibucién normal con media 0 Feetticign csbindar 4; ito 0s sn dutrije notmabnente Com media Sere 'ydeswacin estindar = 1 Z+N(0yl) La grifica de densidad de probabilided se fnutstra en la figura, Ja disribucton 1 (2) se encuentra abulada en la abla de distibucion normal ‘tindar, En esta tabla podemos determina lo valores de Zola probbildad de determina valor Z P(Zs0)-+ Tablas P(Z>a)a1-P(Z sa) F(Z s-a)=1- P(Z 0) TS 89CT) |menee RUSE Pl-apréstimes na sean pagadas epartunamente? A) 0 Boe oom D) 0625 Host 2 Elarribo de buses pasjeros al terminal dela Empresa de Transportes "Cruz del Sur es proceso de Poiman, con wn promedia de arribos por hors. Calcul ls probabil de que ningiin bus arribe en una hora A) 01327 Byoorss ——@)o.95 D) 254 #) 01738|yeaee EERE 3. Sea Z=N(G1), Halle PL2 $7 5-157] Ay 0.0078 Booz 00x by oot By 05107 4. Una poblacicn normal iene una media de 20,00 y una desiacion estindar de 4.00, Halt elyalor"? correspondiente 2 25,00, avis 5) 120 O17 bias 19 5. Un exo reciente de low weldos por hora del personal de nina empress most que el salario meal por hora es de 16,50 Nuevos Soles, com una desviacén estin- dar le 3,30 nuewos soles, Siseseleciona al zara trajador de lxempresa il sla probabilidad de que gane mis de 20 nuevos soles Ia hor? Ay 0.1680 Byoass0 0.587 ) 041082 08415ee) prin ss (eetsicnereaeced | o1 2 03 04, 05 PREGUNTA ‘CLAVE c E E a a [PREGUNTA ‘O 2 03 co 05 08. o7 08, 09 10 lsololela> ploblef PREGUNTA O1 02 opopok