Probabilidad y Estadistica M Isaias e Farias

NDICE TEMTICO
CAP. 1.-
QUE ES ESTADSTICA ?
Introduccin ; Estadstica ; Usos y Abusos de la

Estadstica;
Introduccin a los Trminos Bsicos;
Relacin entre Probabilidad y Estadstica; Examen
de Autoevaluacin.
CAP. 2.-
ELABORACIN DE CUADROS ESTADSTICOS 11

Introduccin ; Toma de Datos ; Tcnicas Estadsticas;
Frecuencias ; Concepto de Variable ; Intervalos ; Cuadro estadstico ; Ejercicios Propuestos.
CAP. 3.-
GRFICAS ESTADSTICAS
30
Introduccin ; Representaciones grficas ; Histograma

diagrama de barras ; Polgono de frecuencias ; Diagrama de Pastel ; Ojiva o curva de frecuencias ; Curva de
Lorenz ; Curvas de frecuencias ; Curva de la Distribucin
Normal ; Examen de Autoevaluacin
CAP. 4.-
MEDIDAS DE TENDENCIA CENTRAL
42
La Media Aritmtica; La Mediana; La Moda;

Comparacin de la Media, la Mediana y la Moda;
Media Geomtrica; Media Armnica; Media Armnica para datos agrupados; Ejercicios Propuestos.
CAP. 5.-
MEDIDAS DE DISPERSIN
60
Medidas de Dispersin; Desviacin estndar;

Varianza; Clculo de la Media y Desviacin
Estndar para Datos Agrupados; Interpretacin
practica de la desviacin estndar; Ejercicios
Propuestos.
CAP. 6.-
PROBABILIDAD
Conjuntos y sus operaciones; Qu es Espacio
Muestral ?; Sucesos Simples y Compuestos;
Probabilidad; Axiomas de la Probabilidad;
Anlisis Combinatorio; Probabilidad Condicional;
Independencia Probabilistica; Leyes de Probabilidad; Ejercicios Propuestos.
76
PROBABILIDAD Y ESTADSTICA
CAP. 7.-
DISTRIBUCIONES DE PROBABILIDAD
98
Distribucin Binomial; Distribucin de Poisson;

Distribucin Normal; Distribucin t de Student;
Ejercicos Propuestos.
APNDICE : TABLAS DE PROBABILIDADES

Tabla 1
Tabla 2
Tabla 3
Tabla 4
BIBLIOGRAFA
Distribucin Normal
Distribucin t de Student
Distribucin Binomial
Valores de e- x
115
116
117
119
120
PRESENTACIN
Tomando en consideracin que los estudiantes deben contar con
los elementos necesarios para un curso, ya que esto les facilitara el proceso
del aprendizaje, nos dimos a la tarea de elaborar los apuntes del curso de
PROBABILIDAD Y ESTADSTICA en el Nivel Medio Superior, mismos
que se elaboraron tomando en consideracin la bibliografa actualizada
existente en est rea. El contenido de este libro se determino en base a los
programas que rigen en el Nivel Medio Superior en la Universidad de Colima.
En este cuaderno de apuntes se ha tratado de evitar al mximo las
demostraciones ridas, que en muchas ocasiones en lugar de aclarar,
obscurecen ms el panorama del lector.
El objetivo del cuaderno de apuntes (La superacin acadmica),
es ambicioso y sera presuntuoso afirmar que materiales como el presente lo
satisfacen. Con este material se pretende que al final el alumno tenga las
herramientas necesarias para concentrar y representar informacin, y al
mismo tiempo tenga las bases necesarias para posteriores cursos en el Nivel
Superior.
Esperamos que este cuaderno sea de utilidad tanto para los
alumnos como para los maestros, esperando de estos ltimos sus comentarios
al utilizarlo.
LOS AUTORES
INTRODUCCIN
Para tratar de predecir el resultado de una eleccin nacional, los
encuestadores entrevistan a un nmero predeterminado de personas en todo el
pas y registran sus preferencias. Sobre la base de esta informacin se
construye
una
prediccin.
Problemas
similares
se
encuentran
en
investigaciones de mercado, en sociologa, en la industria, etc.

La produccin de una planta qumica depende de muchos
factores. Observando estos factores y la produccin durante cierto periodo de
tiempo, podemos construir una ecuacin de prediccin que relacione a la
produccin con los factores observados. Si usamos esas ecuaciones para
predecir la produccin, la prediccin raramente ser igual a la verdadera
produccin, esto es, la prediccin casi siempre tendr algn error.
Encontramos problemas similares en los campos de la educacin, la
sociologa, la psicologa, las ciencias fsicas y muchas otras ciencias. A estos
predictores se les llama estadsticos de prueba, que son la base de toda
investigacin y desarrollo cientfico. Adems de la prediccin, el estadstico
tambin sirve para tomar decisiones acerca de poblaciones a partir de
resultados obtenidos de investigaciones desarrolladas a muestras o pequeas
partes de la poblacin.
La Estadstica es una ciencia que es de gran utilidad y en la
actualidad nos es mucho ms difcil mencionar algn lugar en el que la
Estadstica no se aplique que uno en el que tenga una gran importancia. Por
ejemplo, las Universidades podran desear predecir el rendimiento promedio
de los estudiantes universitarios, para lo cual sera necesario utilizar la
Estadstica. Podra desearse comparar dos tcnicas de enseanza fsicamente

distintas; podramos considerar la inspeccin de artculos comprados en una
fabrica en donde la inspeccin podra consistir en seleccionar diez artculos
de cada lote y registrar el nmero de defectuosos, en donde, la decisin de
aceptar o rechazar el lote, podra basarse en el nmero de defectuosos
encontrados.
Los ejemplos anteriores son una muestra de lo importante que
resulta ser el estudio de la Estadstica, por lo que en el presente curso se
presenta una definicin de Estadstica y se da una relacin que existe con la
Probabilidad para poder hacer toma de decisiones respecto de investigaciones
desarrolladas.
ESTADSTICA
Es un lenguaje universal de la ciencia tanto en sus ramas fsicas
como sociales, la comunicacin y el uso de la Estadstica nos permiten
comunicar ms exactamente los descubrimientos en las investigaciones. La
Estadstica es tambin un instrumento que utilizado con cuidado y precisin
nos permite describir nuestros resultados y adoptar decisiones respecto a lo
que nos dicen.
Aprender Estadstica es algo simple y se llega a su comprensin total
por medio de ejercicios; en la Estadstica intervienen nmeros y letras como
parte de su lenguaje, adems, la Estadstica posee significados diversos para
personas de formaciones e intereses diversos. El campo de la Estadstica se
divide ampliamente en dos ramas, que son: La Estadstica descriptiva y la
Estadstica Inferencial.
La Estadstica Descriptiva est dedicada a la
recoleccin,
descripcin y presentacin de datos numricos. La Estadstica Inferencial se

refiere a las tcnicas de interpretar los valores que se obtienen a partir de las
tcnicas descriptivas, adems de las tcnicas de tomar decisiones sobre la
base de los datos obtenidos.
Estadstica es la ciencia de recolectar,
clasificar, describir e
interpretar datos numricos.
USOS Y ABUSOS DE LA ESTADSTICA

Las aplicaciones de la Estadstica son ilimitadas, pues sera ms
difcil nombrar un campo en donde no se utiliza la Estadstica, que sealar
uno en donde la Estadstica desempee un papel importante. Ejemplos sobre
la utilizacin de la Estadstica:
1.- En la Educacin se usa mucho para describir resultados de pruebas.
2.- En la ciencia los datos obtenidos en experimentos deben recogerse y
analizarse estadsticamente para tomar una decisin.
3.- Los gobiernos utilizan la Estadstica para la recoleccin de informacin en
sus diversos campos.
Los abusos de la Estadstica suelen ser muy pintorescos y a veces
ocasionan muchas dificultades, a numerosas personas les preocupa la lejana
de las descripciones estadsticas y a otras les preocupa toda la informacin
(dependiendo de sus necesidades) debido a que creen que es falsa, y sin
embargo, la mayora de las mentiras estadsticas se deben a:
1.- La utilizacin de valores estadsticos inadecuados.
2.- Utilizacin de enunciados abiertos y no explcitos.
3.- Utilizacin de datos derivados de un diseo experimental defectuoso.

4.- Una mala presentacin de resultados.
Todos estos factores comunes acarrean una sola consecuencia, que
es la mala concepcin de la informacin por parte del investigador.
INTRODUCCIN A LOS TRMINOS BSICOS

Para estudiar Estadstica debemos ser capaces de hablar su lenguaje,
por lo que definiremos primeramente sus trminos bsicos:
1.- POBLACIN : Coleccin completa de individuos, objetos o medidas que
tienen una caracterstica en comn, el concepto de Poblacin es la idea
fundamental ms importante de la Estadstica. La Poblacin debe definirse
cuidadosamente en cada caso a fin de poder determinar la preferencia de ella.
2.- MUESTRA : Es un subconjunto de la poblacin, es decir, una Muestra se
compone de algunos de los individuos, objetos o medidas que componen la
poblacin.
3.- VARIABLE DE RESPUESTA : Es una caracterstica individual de cada
elemento de la poblacin o de una muestra; por ejemplo: la edad de un
alumno al ingresar a la Universidad, el color del pelo, su estatura, su peso,
etc., son Variables de Respuesta y el valor de la variable ser la medida de la
caracterstica que interese.
4.- PIEZA DE DATOS : El valor de la variable de respuesta asociado con
cada elemento, ser la Pieza de Datos, por ejemplo: el coche es verde, Jorge
ingres a la Universidad a la edad de 23 aos. Si nos damos cuenta estamos
asignando a cada elemento su variable o caracterstica.
6
5.- DATOS : Comprende el conjunto de valores asignados a la variable de

respuesta para cada elemento perteneciente a la muestra.
6.- EXPERIMENTO : Es una actividad planificada cuyos resultados nos
producen un conjunto de datos.
7.- PARMETRO : Es una caracterstica medida de una poblacin completa,
por ejemplo: la proporcin de alumnos de ms de 21 aos que ingresan a la
Universidad. En Estadstica se asignan smbolos del alfabeto griego para
designar un Parmetro.
8.- ESTADSTICO : Es la medida de una caracterstica relativa a la muestra,
al valor promedio de los datos y la imagen de stos; la mayora de los
Estadsticos muestrales se encuentran por medio de frmulas y suelen
asignrseles smbolos del alfabeto latino.
Fundamentalmente existen dos clases de datos, los que presentan
informacin cualitativa y los datos consistentes en informacin cuantitativa.
Los que estn dentro de los cualitativos se llaman Datos de Atributo, mientras
que los cuantitativos se dividen en Discretos y Continuos.
DATOS
CUALITATIVOS
ATRIBUTO
CUANTITATIVOS
DISCRETOS
CONTINUOS
Los Datos de Atributo o Cualitativos son los que agrupan a una

muestra en caractersticas semejantes, pero no tienen medidas numricas.
Los Datos Cuantitativos se dividen en:
Discretos : Son los datos que resultan de un conteo o una simple observacin.
Continuos : Son los datos que se obtienen cuando la medida es un proceso
infinito.
RELACIN ENTRE PROBABILIDAD Y

ESTADSTICA
La Probabilidad y Estadstica son dos campos
distintos aunque
relacionados entre s, en las matemticas, se dice a veces que la Probabilidad

es el vehculo de la Estadstica
es decir, de no ser por las leyes de
Probabilidad, no existiran las teoras estadsticas, as que investigaremos la

diferencia entre estas dos ramas del rbol matemtico. Observaremos un
ejemplo o modelo de dos cajas:
10 FICHAS
5 ROJAS
PROBABILIDAD
3 VERDES
ESTADSTICA
? ? ? ?
2 AMARILLAS
En la caja de Probabilidad hay 10 fichas ( 5 Rojas, 3 Verdes y 2

Amarillas ), en el terreno de la Probabilidad se intenta responder preguntas;
por ejemplo, Cul es la probabilidad de que si se saca una ficha de la caja,
sea Roja ?, Cul es la probabilidad de la ocurrencia de un evento ?, por otra
8
parte, dentro de la Estadstica necesitaremos extraer una muestra de ella para

hacernos conjeturas sobre lo que en ella existe. Por lo que se podra decir
como diferencia bien marcada entre una y otra, lo siguiente: " La Probabilidad
estudia la oportunidad de que algo ocurra, cuando se conocen las
posibilidades; mientras
que la Estadstica pregunta, cuales son esas
posibilidades a partir de los resultados de una muestra ".
EXAMEN DE AUTOEVALUACIN
1.-
Qu es la Estadstica?
2.-
D tres ejemplos en donde se utilice la Estadstica.
3.-
Explique los factores que ocasionan un mal uso de la Estadstica.
4.-
Mencione los ocho trminos bsicos de la Estadstica.
5.-
Defina los siguientes trminos en base a lo que usted comprenda:
Poblacin, Muestra, Pieza de Datos, Parmetro.

6.-
Mencione como se clasifican los datos y defnalos.
7.-
Qu relacin existe entre la Probabilidad y la Estadstica?.
8.-
Suponga que desea obtener una estimacin del consumo de gasolina
(Km por litro) del FORD COUGAR. Describa la poblacin que sera de
inters para usted, de la cual tendra que seleccionar la muestra.
9.-
Un investigador mdico desea estimar el tiempo de supervivencia de un
paciente despus de la aparicin de un tipo particular de cncer y despus de

un rgimen particular de radioterapia. Identifique la poblacin de inters para
el investigador mdico. Puede percibir algn problema en el muestreo de
esta poblacin ?
10.- Suponga que usted es un candidato para la legislatura y que desea
evaluar la opinin de los votantes respecto a sus posibilidades de ganar.
Identifique la poblacin de inters para usted y de la cual deseara seleccionar
su muestra.
10
INTRODUCCIN
Como veremos ms adelante, el anlisis estadstico de datos
requiere numerosas operaciones aritmticas, y sera muy tedioso describir
todas estas operaciones con palabras. La solucin de esta dificultad es
expresar las operaciones en trminos de una o ms frmulas. Entonces, para
analizar un conjunto dado de datos mustrales se sustituiran las mediciones
mustrales en el conjunto apropiado de frmulas.
Una de las operaciones mas comunes en el anlisis estadstico de
datos es el proceso de sumas (adicin). Por lo tanto necesitaremos un smbolo
para indicarle que sume las mediciones mustrales, o que sume un conjunto
de nmeros calculados a partir de las mediciones mustrales. Este smbolo,
llamado sumatoria, puede ser muy familiar para algunos y completamente
nuevo para otros (
).
A continuacin presentaremos algunos conceptos necesarios para

la elaboracin de cuadros estadsticos, conceptos como frecuencia, frecuencia
relativa, frecuencia acumulada, etc.
TOMA DE DATOS
Si tuviramos la poblacin frente a nosotros, cmo podramos
describir este subconjunto grande de mediciones ?. Muchos textos se han
dedicado a los mtodos de la estadstica descriptiva, es decir, a los mtodos
para describir conjuntos de datos numricos.
11
Esencialmente estos mtodos se pueden clasificar como mtodos

grficos y mtodos numricos. En este texto hablaremos de los dos mtodos
para describir informacin, y comenzaremos con el mtodo numrico, el cual
se basa esencialmente en la recoleccin de datos para presentarlos en un
cuadro estadstico, cuadro en el que nosotros podremos leer la informacin
que se encontraba dispersa en la muestra o poblacin. En la actualidad es muy
comn encontrarnos con cuadros estadsticos, y lo ms general es la
presentacin de informacin en los distintos medios de comunicacin de las
posiciones que ocupan los distintos equipos en los diferentes deportes.
TCNICAS ESTADSTICAS
Las tcnicas estadsticas, los grficos, las distribuciones de
frecuencias, promedios, etc., son trminos de indudable valor prctico para la
descripcin de los datos. Sin
embargo la mayor utilidad estadstica se
encuentra en el anlisis de los datos numricos.

El anlisis de los datos numricos por tcnicas estadsticas es
una expresin abstracta. La caracterstica esencial comn a todas las tcnicas
es el elemento de inferencia estadstica, que se define como un proceso de
induccin lgica, que partiendo de los datos establece un juicio sobre todo el
conjunto, obtenindose una medida de la incertidumbre para la consecuencia
que se infiere. Por ejemplo; consideremos el
problema de estimar la
proporcin de votos a favor de una determinada propuesta o candidato, se

toma una muestra de los votantes y se calcula la proporcin de los que lo
hacen a favor de un slo candidato, suponiendo que el 60% de la muestra
12
vota a favor de un candidato, entonces, se infiere que el 60% de todos los

votantes estn a favor de ese candidato.
En otras palabras, hay un grado de incertidumbre vinculado a la
conclusin cuya medicin se obtiene aplicando las tcnicas estadsticas. La
Estadstica rene un conjunto de procedimientos para describir y analizar los
datos de diversas disciplinas, sta debe ser neutral y por ello puede emplearse
la misma tcnica de muestreo en economa, finanzas, educacin, ingeniera,
y otras. Sin embargo, la Estadstica ha elaborado tcnicas peculiares para
cada campo de aplicacin.
Por
lo
que
podemos
concluir
que
las
TCNICAS-
ESTADSTICAS se basan en: la recoleccin de datos, los grficos,

frecuencias, los promedios, etc. En los negocios la
las
Estadstica ha
desarrollado tcnicas como las de: ndices de Precios, Sucesiones, Series de

Tiempo, y otras. En las ciencias biolgicas alcanzan el ms alto nivel e
inters las tcnicas para
el diseo de experimentos. Mientras que en la
Industria se desarrollan tcnicas para el control de calidad.

As como se enunciaron anteriormente algunas ramas en las que
tiene aplicacin la Estadstica y en las cuales se han desarrollado tcnicas
peculiares para cada una, podramos mencionar algunas otras, pero con la
prctica nos daremos cuenta de cmo es el desarrollo en ellas.
FRECUENCIAS
Antes de comenzar con la distribucin de frecuencias, ser
conveniente definir el vocablo Frecuencia, ya que se ha mencionado con
13
anterioridad, sin embargo, no ha sido definido. As mismo se har una

clasificacin de los tipos de frecuencias utilizados en la Estadstica.
FRECUENCIA: Es el nmero total de repeticiones de un
elemento determinado, en una muestra o poblacin. Existen varios tipos de
frecuencias a saber: Frecuencia de clase, Frecuencia relativa, Frecuencia
acumulada, Frecuencia relativa acumulada, etc. Para los objetivos que se
persiguen en este curso, definiremos las frecuencias de datos agrupados.
FRECUENCIA RELATIVA: Es el tanto por ciento o porcentaje
correspondiente a cada intervalo de clase. La manera de obtenerla es
dividiendo el nmero de elementos de esa clase entre el nmero total de
elementos de la muestra o poblacin. La frecuencia relativa tiene gran
utilidad, ya que puede especificarnos el porcentaje de ocurrencia de un evento
dentro de una muestra, la elaboracin de grficas estadsticas, etc.. Por
ejemplo: la distribucin de presupuestos por reas, el porcentaje de
produccin de ciertos productos, la distribucin por edades de ciertas
poblaciones, etc.
FRECUENCIA ACUMULADA: Esta frecuencia se obtiene al sumar a
la frecuencia de cada clase, las frecuencias de las clases anteriores a ella. Las
frecuencias de las dems clases sern la suma sucesiva de las frecuencias de
las clases anteriores, de tal forma que en la ltima clase se tendr una
frecuencia igual al tamao de la muestra o poblacin.
FRECUENCIA RELATIVA ACUMULADA: Se sigue el mismo
procedimiento que en la frecuencia acumulada, slo que en este caso se toma
como base la frecuencia relativa, expresndose como porcentaje.
14
CONCEPTO DE VARIABLE
Consideremos la desigualdad X + 2 > 5, los valores de X que
satisfacen dicha desigualdad son todos los valores mayores que 3, dado que:
X+2>5
X>5-2
X>3
como X > 3, entonces X puede ser: 4, 5, 6, ...
X
se llama variable porque toma distintos valores posibles
dentro de la desigualdad ( por lo que se dice que una variable es aquella que
puede tomar distintos posibles valores dentro de un suceso ).
Desde los tiempos ms remotos dos tendencias opuestas, a veces
colaborando la una con la otra, han gobernado todo el desarrollo de la
matemtica. Estas dos son el dominio de lo continuo y lo discreto. Una de las
grandes tareas de la matemtica actual consiste en armonizar lo continuo y lo
discreto para incluirlos en una matemtica nica y para iluminar la oscuridad
de ambas.
Siguiendo con el concepto de variable, veremos que una variable
discreta es una regla bien definida para asignar valores numricos a todos los
resultados posibles de un experimento. Lo anterior significa que una variable
aleatoria discreta es aquella que se asocia a todo experimento siempre y
cuando el conteo sea finito o infinito numerable y con datos numricos
enteros.
Una variable continua es aquella cuyos valores posibles no tienen
interrupcin, es decir, son aquellos valores que podemos obtener no mediante
un conteo o simple observacin, si no mediante observaciones ms concretas
15
y sus valores son no numerables (Los Reales). Veamos algunos ejemplos

sobre lo anterior:
a) Los posibles resultados de lanzar un dado normal.
S = { 1, 2, 3, 4, 5, 6 }
Es discreto por poderse obtener por un conteo.
b) Lanzar una moneda normal hasta que caiga sol.
S = { 1, 2, 3, 4, ... , n }
Es discreto por ser un proceso infinito numerable.
c) La cantidad de descargue de un Ro hacia el Ocano.
Es continua, ya que es imposible determinarlo por un conteo o por
una simple observacin, y se requiere de un mtodo ms concreto para
estimarlo.
INTERVALOS
Es importante que repasemos un concepto ya manejado en
matemticas, como es el de INTERVALO, ya que con el ser necesario
trabajar en la formacin de cuadros estadsticos, en donde hablaremos de
intervalos de clases, por lo que definimos lo siguiente:
Un intervalo de clase es aquel que contiene a una cierta
cantidad de elementos de la muestra o poblacin , por ejemplo, el nmero de
alumnos que obtienen una calificacin entre 5 y 8, en este ejemplo, el
intervalo es [5, 8], y como frecuencia contendr a todos los alumnos que
16
hayan obtenido esas calificaciones, el 5 recibe el nombre de lmite inferior

del intervalo y el 8 el de lmite superior del intervalo. En la construccin de
cuadros estadsticos ser necesario este concepto en la formacin de clases.
CUADRO ESTADSTICO
El cuadro estadstico ms usual es aqul en el que se representa
el nmero total de clases o de
correspondientes a cada
variables, con el nmero de elementos
uno, llamndose a esto frecuencia, as mismo,
veremos cuadros estadsticos en los que tendremos frecuencias acumuladas

(Suma de los elementos anteriores a la clase), frecuencia relativa (porcentaje
de cada clase con respecto a la muestra), frecuencia relativa acumulada,
marcas de clases, desviaciones medias, mediana, etc.
A continuacin se presenta una forma de distribucin en un

cuadro estadstico:
CLASE o
VARIABLE
30 - 36
37 - 43
44 - 50
TOTAL
FRECUENCIA
6
5
3
14
FRECUENCIA
ACUMULADA
6
11
14
FRECUENCIA
RELATIVA
6/14
5/14
3/14
14/14
FREC. REL.
ACUMULADA
6/14
11/14
14/14
A continuacin se muestra un conjunto de datos, con los que

vamos a elaborar un cuadro estadstico:
30
38
52
30
84
42
27
83
35
90
50
67
97
63
80
73
83
49
59
95
60
70
83
84
85
63
63
73
75
68
17
Para formar un cuadro estadstico es necesario primeramente

ordenar todos los elementos de la muestra en forma ascendente, para despus
agruparlos en clases.
27
30
30
35
38
42
49
50
52
59
60
60
63
63
63
67
68
70
73
73
75
80
83
83
83
84
85
90
95
97
Para elegir el nmero de clases se deben observar ciertos

criterios; se debe evitar que queden demasiados elementos en una clase, as
como tambin clases sin elementos. Una clase con demasiados elementos
oculta informacin que en ocasiones es indispensable para el estadstico y una
clase vaca ocasiona problemas a la hora de calcular las medidas estadsticas.
Se recomienda un mnimo de 5 clases y un mximo de
20
clases,
dependiendo del nmero de elementos de la muestra y de lo disperso que se

encuentren. Es recomendable tomar entre 5 y 9 clases cuando la muestra
cuenta con menos de 50 elementos y entre 10 y 20 cuando tenga ms de 50
elementos.
Para obtener el nmero de clases existen dos formas, una
conocida como forma emprica y otra de frmula general. A continuacin
enunciaremos la forma emprica:
Nmero de Clases =
Elemento mximo - Elemento mnimo 1

Intervalo de Clase
18
En este caso, dependiendo del nmero de elementos con que

cuente la muestra, se elige un Intervalo de clase y se realiza la operacin
anterior para obtener el nmero de clases que se deben de colocar en el cuadro
estadstico, pero pudiese en lugar de elegir el Intervalo de clase, escogerse el
nmero de clases que se desean, entonces se aplicara la siguiente frmula:
Intervalo de Clase =
Elemento mximo - Elemento mnimo 1

Nmero de Clases
Ahora bien, si no se desea de esta manera se utiliza la frmula

general, la cual se aplicar de la siguiente manera:
Si se tienen menos de 50 elementos en la muestra, el nmero de
clases se obtiene con la siguiente frmula:
No. de Clases = 1 + 3.3 log N
pero si se tienen ms de 50 elementos, entonces se utiliza:
No. de Clases = 3 + 3.3 log N
Continuando con el ejemplo anterior, procedemos a calcular el
nmero de clases en forma emprica para elaborar el cuadro estadstico.
Como el nmero de elementos es 30, escogemos un nmero en
forma aleatoria para el Intervalo de Clase o Amplitud de Clase de 9. Ahora
bien, aplicando la frmula presentada para el nmero de clases, tenemos:
No. de clases =
Elem. M x. - Elem. Mn. + 1

Int. de Clase
97 - 27 + 1
9
71
= 7.88
9
como podemos ver tenemos 7.88 clases, pero debido a tener una porcin de
una clase ms, debemos incrementar o redondear a el inmediato superior,
19
teniendo entonces que el nmero de clases a utilizar ser de 8 clases ya que

si utilizramos 7 clases, tendramos al final un valor que no entrara en el
nmero de clases escogidas para la coleccin de datos.
Para hacer una comparacin entre el mtodo emprico y la forma
general, aplicaremos la frmula.
No. de clases = 1 + 3.3 log N
tenindose al sustituir N = 30 lo siguiente:
No. de clases = 1 + 3.3 log(30)
= 1 + 3.3 (1.4771)
= 1 + 4.87 = 5.87
en este caso aproximaramos a 6 clases y procederamos a calcular el
Intervalo de Clase o Amplitud de Clase. El hecho de que en un procedimiento
se tengan 8 clases y en el otro 6 clases no afecta a los clculos que el
estadstico har, con lo que podemos decir que el estadista utilizar el mtodo
que considere ms prctico para sus fines.
Para elaborar el cuadro estadstico es necesario formar los
intervalos de clases, por lo que debemos escoger los lmites inferior y superior
de los intervalos de clase de la siguiente manera: En la primera clase
tomamos el menor elemento de la coleccin de datos como el lmite inferior
de esta clase, que es 27, para obtener el lmite superior de la primera clase
debemos sumar 9 a el 27 debido a que el Intervalo de Clase es 9 (por que
estamos utilizando el mtodo emprico ), tenindose entonces que el lmite
superior de la primera clase es 35. De esta manera tenemos que el Intervalo de
Clase de la primera clase es de 27 a 35, en este intervalo aparentemente
20
tenemos un intervalo de clase de 8, sin embargo debemos tomar en cuenta que

los extremos del intervalo estn incluidos en l, tenindose que del nmero 27
a el nmero 35 existen 9 unidades, que para mayor entendimiento lo
desarrollamos a continuacin.
27
28
29
30
31
32
33
34
35
en donde claramente se ve que son 9. Ahora bien, para obtener el conteo de

cada intervalo o frecuencia de clase, debemos observar en la coleccin
original de datos cuantos elementos se encuentran en ese intervalo,
tenindose que en este intervalo se encuentran los siguientes elementos de la
coleccin de datos, 27, 30, 30 y 35.
Para formar el Intervalo de Clase de la clase 2, tomamos el

inmediato superior a el lmite superior de clase de la primera clase para
obtener el lmite inferior de clase de la segunda clase ( Si la coleccin de
datos son nmeros enteros, se suma uno a el lmite superior de clase para
obtener el lmite inferior de la clase siguiente, si la coleccin de datos es en
decimales se suma una unidad correspondiente a los decimales), por lo tanto
el intervalo de clase de la clase 2 inicia en 36 que al sumarle 9 y restarle 1
debido a que estn incluidos los extremos tenemos que el lmite superior de la
clase dos es 44 y en este intervalo los elementos de la coleccin original que
se encuentran son 38 y 42.
De la misma forma que se obtuvieron los intervalos de clase de
las clases 1 y 2 lo hacemos para las clases restantes de esta coleccin de datos.
21
Anteriormente en este captulo definimos los conceptos de

frecuencia, frecuencia acumulada, frecuencia relativa y frecuencia relativa
acumulada, por lo tanto procederemos a explicar como se obtiene cada una
para poder terminar con nuestro cuadro estadstico. Para obtener la frecuencia
acumulada se deben tomar como referencia los lmites superiores de clase; de
lo anterior tenemos que hasta el lmite superior de la clase 1 (35) existen 4
datos; hasta el lmite superior de la clase 2 (44) los datos que van son 6; para
el lmite superior de la clase 3 (53) los datos acumulados de las clases es 9 y
asi sucesivamente hasta la ltima clase que deber contener a la totalidad de
elementos. Con la explicacin anterior concluimos que la frecuencia
acumulada se obtiene sumando a la frecuencia de clase la frecuencia de las
clases anteriores.
En lo que se refiere a la frecuencia relativa, tenemos que en cada
clase debemos especificar en razn a cuantos elementos tiene el intervalo de
clase con respecto a la coleccin total de datos, para el intervalo de clase 1
tenemos que la razn de elementos es 4/30 ( 4 de 30 ), para el intervalo de
clase 2 la razn es 2/30 ( 2 de 30 ) y as sucesivamente hasta la ltima clase.
Para las frecuencias relativas acumuladas se tienen que obtener las razones
acumuladas en cada intervalo de clase especificando que la ltima clase
deber contener al total de elementos, por lo cual deber aparecer la unidad.
Un punto ms que debe aparecer en el cuadro estadstico es la
marca de clase, la cual nos servir para elaborar las grficas estadsticas en el
captulo 3. La marca de clase se obtiene sumando el lmite inferior de clase
con el lmite superior de la misma clase y dividiendo entre dos, as para el
22
intervalo de clase 1, su marca de clase es
27 35
31, para el intervalo de
2
clase 2 su marca de clase es 40 y as sucesivamente.

En base a todos los datos obtenidos anteriormente, procedemos a
desarrollar nuestro cuadro estadstico, el cual queda de la siguiente manera:
Nmero
de
Clase
1
2
3
4
5
6
7
8
Intervalo de
Clase
Frecuencia
Frecuencia
Acumulada
Frecuencia
Relativa
Frecuencia
Rel. Acum.
Marca de
Clase
27 - 35
36 - 44
45 - 53
54 - 62
63 - 71
72 - 80
81 - 89
90 - 98
Totales
4
2
3
3
6
4
5
3
30
4
6
9
12
18
22
27
30
4 / 30
2 / 30
3 / 30
3 / 30
6 / 30
4 / 30
5 / 30
3 / 30
30 / 30
4 / 30
6 / 30
9 / 30
12 / 30
18 / 30
22 / 30
27 / 30
30 / 30
31
40
49
58
67
76
85
94
Cuando se obtienen ms de 20 clases por el mtodo emprico al

escoger aleatoriamente el Intervalo de Clase o Amplitud de Clase, entonces
se recomienda usar el mtodo general, debido a que se pueden obtener malos
resultados a causa de la dispersin de datos que existir entre ellos.
Ejemplo: Con la siguiente distribucin:
6
42
49
52
36
32
33
53
33
12
31
41
50
50
23
41
32
11
49
10
15
28
31
13
48
17
27
15
41
32
28
17
13
47
35
47
15
53
42
53
27
que nos muestra las edades de una comunidad, elaborar: Un cuadro

estadstico, especificando las Clases, Frecuencia, Frecuencia Relativa y la
Frecuencia Acumulada.
23
Primero ordenamos los datos:

5
6
6
6
7
8
8
9
9
9
10
11
12
13
13
15
15
15
17
17
23
27
27
28
28
31
31
32
32
32
33
33
35
36
41
41
41
42
42
47
47
48
49
49
50
50
52
53
53
53
ahora calculamos el Intervalo de Clases eligiendo un nmero de

clase igual a 9
Intervalo de Clase = (53 - 5 + 1) / 9 = 5.44
con estos datos elaboramos el cuadro estadstico, con 9 clases y un Intervalo
de Clase de 6.
# Clase
Int. Clase Frecuencia
Frec. Acum.
Frec. Rel.
Frec. R. A.
5 - 10
11
11
0.22
0.22
Marca de
Clase
7.5
11 - 16
18
0.14
0.36
13.5
17 - 22
20
0.04
0.40
19.5
23 - 28
25
0.10
0.50
25.5
29 - 34
32
0.14
0.64
31.5
35 - 40
34
0.04
0.68
37.5
41 - 46
39
0.10
0.78
43.5
47 - 52
47
0.16
0.94
49.5
53 - 58
50
0.06
1.00
55.5
Totales
50
1.00
Para elaborar las grficas estadsticas es necesario conocer

adems de la marca de clase, los lmites reales de clases.
L.R.C. =
Lim. Sup. de la Clase (n) Lim. Inf. de la Clase (n 1)

2
( L.R.C. = Lmite Real de Clase )
24
CUADRO ESTADSTICO CON LIMITES REALES DE CLASE

Nmero
de Clase
1
2
3
4
5
6
7
8
9
Intervalo de
Clase
5 - 10
11 - 16
17 - 22
23 - 28
29 - 34
35 - 40
41 - 46
47 - 52
53 - 58
Intervalo de Clase
con Limites Reales
4.5 - 10.5
10.5 - 16.5
16.5 - 22.5
22.5 - 28.5
28.5 - 34.5
34.5 - 40.5
40.5 - 46.5
46.5 - 52.5
52.5 - 58.5
Frecuencia
Marca de Clase
11
7
2
5
7
2
5
8
3
7.5
13.5
19.5
25.5
31.5
37.5
43.5
49.5
55.5
En el captulo tres veremos de la necesidad de utilizar cuadros

estadsticos como el anterior para la elaboracin de grficas estadsticas. A
continuacin presentamos una serie de ejercicios resueltos referentes a este
captulo.
* Evalu las siguientes sumas:
a)
(y - 4)
b)
y=0
c)
i=1
a)
y=2
(yi - 2) =
(y - 4)
(y 2 - 5) =
d)
(y
+ 2i) =
i=1
= (0 - 4) + (1 - 4) + (2 - 4) + (3 - 4) + (4 - 4) + (5 - 4)
y=0
= -4 - 3 - 2 - 1 + 0 + 1 = -9
como podemos observar, se fue sustituyendo en el lugar de y el valor
consecutivo desde el cero hasta el mximo valor que era el 5. Lo hecho
anteriormente es similar para los incisos b), c) y d).
25
b)
(y 2 - 5) = (4 - 5) + (9 - 5) + (16 - 5) + (25 - 5) + (36 - 5)
y=2
= - 1 + 4 + 11 + 20 + 31 = 65
c)
i=1
(yi - 2) = (y1 - 2) + (y2 - 2) + (y3 - 2) + (y4 - 2)

= y1 + y2 + y3 + y4 - 8
d)
(y
+ 2i) = [y + 2(1)] + [y + 2(2)] + [y + 2(3)] = 3y + 12
i=1
Si y es la variable de posicin de una sucesin y la
frmula para el elemento tpico es y2 - 1:

a)
Escriba los primeros cuatro elementos de la sucesin.

Los primeros cuatro elementos son:
b)
si y = 1 entonces :
(1)2 - 1 = 0 primer elemento
si y = 2 entonces :
(2)2 - 1 = 3 segundo elemento
si y = 3 entonces :
(3)2 - 1 = 8 tercer elemento
si y = 4 entonces :
(4)2 - 1 = 15 cuarto elemento
Use el signo de sumatoria para escribir una expresin para la suma de
los primeros cuatro elementos. La frmula de sumatoria es :
(y2 - 1)
y=1
c)
Encuentre la suma de los primeros cuatro nmeros.

4
(y2 - 1) = [(1)2 - 1] + [(2)2 - 1] + [(3)2 - 1] + [(4)2 - 1]
y=1
= 0 + 3 + 8 + 15 = 26
26
Para estimar la prdida semanal debida a robos, una tienda
de ropas registr el total en nuevos pesos de las prdidas durante un perodo

de 10 semanas. Estas prdidas, redondeadas a la decena ms cercana fueron:
y1 = 360.00 y2 = 430.00 y3 = 210.00 y4 = 320.00 y5 = 550.00
y6 = 170.00 y7 = 240.00 y8 = 370.00 y9 = 280.00 y10 = 290.00
a)
Encuentre
10
i=1
yi = 360 + 430 + 210 + 320 + 550 + 170 + 240 + 370

+ 280 + 290 = 3,220.00
b)
Encuentre: i)
i=2
i)
i=2
ii)
i=2
yi
ii)
i=2
yi2
yi = 430.00 + 210.00 + 320.00 = 960.00

yi2 = (430.00)2 + (210.00)2 + (320.00)2 = 331,400.00
Dados el siguiente conjunto de elementos:
16
19
17
8
11
9
14
8
11
13
19
17
7
6
5
9
16
8
9
13
12
17
16
14
9
16
15
18
6
8
5
7
16
17
13
9
7
5
7
11
elaborar un cuadro estadstico en el podamos observar la frecuencia,
frecuencia acumulada, frecuencia relativa, frecuencia relativa acumulada,
marca de clase, amplitud de clase y lmites reales de clase.
Primero
procederemos
ordenar
los
datos
presentados
anteriormente:
5
5
5
6
7
7
7
7
8
8
8
9
9
9
9
11
11
12
13
13
14
14
15
16
16
16
16
17
17
17
18
19
27
11
13
16
17
19
como tenemos 40 elementos en la muestra, aplicaremos la frmula de menos

de 50 elementos:
Num. de Clases = 1 + 3.3 log N
Num. de Clases = 1 + 3.3 log (40)
Num. de Clases = 1 + 3.3(1.602)
Num. de Clases = 1 + 5.28 = 6.28
como tenemos 6.28 clases, redondeamos al inmediato inferior, por lo que
utilizaremos 6 clases para la distribucin anterior. Con 6 clases, el intervalo
de clase ser:
Int. de Clase = ( 19 - 5 + 1 ) / 6 = 2.5
como el intervalo de clase es un nmero no entero, utilizaremos 3 como
intervalo de clase, y entonces el nmero de clases ser 5, quedando nuestro
cuadro estadstico de la siguiente manera:
# de C
1
Intervalo
de Clase
5-7
Int. Clase
Lim. Real
4.5 - 7.5
Frecuencia Frecuencia Frecuencia Frec. Rel.

relativa Acumulada Acumulada
9
0.225
9
0.225
Marca de
Clase
6
8 - 10
7.5 - 10.5
0.225
18
0.450
11 - 13
10.5 - 13.5
0.175
25
0.625
12
14 - 16
13.5 - 16.5
0.200
33
0.825
15
17 - 19
16.5 - 19.5
0.175
40
1.000
18
Totales
40
1.000
los lmites reales se obtuvieron aplicando la relacin de la pgina 23 vista en

este captulo.
28
EJERCICIOS PROPUESTOS
1.-
2.-
Defina los siguientes conceptos:

a)
Frecuencia
b)
Frecuencia Relativa
c)
Cuadro Estadstico.
d)
Amplitud de Clase.
Las calificaciones de 50 alumnos de la materia de Matemticas son:

2
Formar un cuadro estadstico con toda la informacin manejada

en este captulo.
3.-
Evale las siguientes sumas:

a)
y3
y=1
b)
( 1 + 2x + x2 )
x=1
c)
( x3 + 2x )
x=0
29
INTRODUCCIN
Es natural introducir los mtodos grficos para describir
conjuntos de datos a travs de la consideracin de un conjunto real de datos.
Anteriormente vimos el anlisis de datos por mtodos numricos, mtodos
con los que nosotros podemos leer informacin respecto a promedios,
poblaciones, etc. En los cuadros estadsticos se habl de clases y variables,
ahora podremos representar grficamente esas clases o variables y a ello es lo
que llamaremos mtodos estadsticos grficos. Note que en los extremos de
los subintervalos o clases se han escogido de manera que ningn elemento
coincida con dos subintervalos o clases a la vez, eliminando as cualquier
ambigedad relacionada con la ubicacin de una observacin particular. Justo
con los cuadros estadsticos vistos en el captulo anterior es con los que
deberemos elaborar nuestras grficas estadsticas para el desarrollo de los
mtodos grficos.
REPRESENTACIONES GRFICAS
En muchos casos una representacin grfica de una tabla de
frecuencias da una informacin concisa y clara de una
distribucin de
frecuencias. Son cuatro los tipos de representaciones grficas ms usuales,

tambin existen dos tipos de representacin grfica no muy comn y que sin
embargo se deben de conocer; las representaciones grficas son :
1.- Histograma Diagrama de Barras.
2.- Polgono de frecuencias.
3.- Diagrama de Pastel.
4.- Ojiva o Curva de frecuencias.
30
Los dos tipos de grficas no muy usuales son:

1.-
Curva de Lorenz.
2.-
Curva de la distribucin Normal.
HISTOGRAMA DIAGRAMA DE BARRAS

Es aquel en el que se representan los datos mediante un plano
coordenado, en el eje horizontal o de abcisas anotaremos la amplitud de clase
o valor de la variable, mientras que en el eje vertical o de ordenadas se
anota el nmero de elementos o frecuencias de clase; existen dos formas de
presentar un histograma, por
ejemplo, utilizando los datos del siguiente
cuadro tendramos:
Int. de Clase
Frecuencia
30-39
4
40-49
6
50-59
8
60-69
12
70-79
8
80-89
8
90-99
4
Total
50
PRIMERA FORMA
31
SEGUNDA FORMA
POLGONO DE FRECUENCIAS
Se obtiene relacionando la marca de clase (punto medio de cada
intervalo) con su frecuencia respectiva. Ahora bien, para poder formar el
polgono de frecuencias es necesario tomar una clase antes de la primera clase
y una clase despus de la ltima clase ambas con frecuencia cero, de esta
manera al unir todos los puntos de relacin marca de clase con frecuencia
quedara formado el polgono respectivo. Veamos un polgono de frecuencias
en base al siguiente cuadro estadstico. Las marcas de clase se obtienen como
se menciono en el captulo 2.
Int. de Clase
Frecuencia
Marca de Clase
30-39
4
40-49
6
50-59
8
60-69
12
70-79
8
80-89
8
90-99
4
34.5
44.5
54.5
64.5
74.5
84.5
94.5
Total
50
32
DIAGRAMA DE PASTEL
Este diagrama se forma con la distribucin de frecuencias
relativas y se llama as debido a su configuracin, la forma de obtener las
rebanadas que le dan la forma de un pastel es multiplicando la frecuencia
relativa por 360 grados que es el nmero de grados que tiene una
circunferencia, su configuracin es la siguiente:
Extraccin de el estudiante
Frecuencia
Porcentaje ( % )
Z. Urbana
240
12
Z. Suburbana
1400
70
Z. Rural
360
18
Totales
2000
100
33
OJIVA O CURVA DE FRECUENCIA ACUMULADA

Esta grfica y distribucin
nos sirve para saber o poder
responder preguntas como las siguientes:

a) Cuntos alumnos reciben calificaciones superiores a 60?
b) Cuntos alumnos tienen calificaciones inferiores a 60?
Estas interrogantes en las que se desea conocer la frecuencia por
encima o por debajo de cierto valor de la variable, son preguntas muy visuales
en los distintos campos de la ciencia.
Variable
40
50
60
70
80
90
Totales
Frecuencia
0
3
1
2
3
1
10
Frec. Acum.
0
3
4
6
9
10
Si hiciramos un histograma de frecuencias obtendramos la

siguiente grfica:
34
En base al mismo cuadro estadstico elaboraremos a continuacin

un histograma de frecuencias acumuladas.
Sobre el mismo histograma de frecuencia acumulada podramos

formar la curva u Ojiva, que es otra grfica caracterstica de la Estadstica
Descriptiva, la cual se forma de la siguiente manera:
a).- Se eligirn los ejes coordenados en los cuales se especificarn la clase (o variable) y la frecuencia acumulada.
b).- Si se trabaja con clases, para la formacin de la Ojiva
utilizaremos los limites superiores de clase, mientras que si trabajamos con
variables, utilizaremos el punto donde se localiza la variable.
Tanto el histograma de frecuencia acumulada como la Ojiva son
utilizados en los cuadros estadsticos por clases o variables, veamos la grfica
de una Ojiva.
35
Existe una curva ms sobre frecuencia acumulada que toma el

nombre de Curva de Lorenz. La elaboracin de esta curva se realiza de la
misma manera que la Ojiva, slo que la unin entre puntos son lneas rectas,
adems, de que se cierran los cuadros quedando la grfica de la manera
siguiente:
36
Est curva no es muy utilizada en el campo de las Ciencias

Sociales, sin embargo, es muy importante dentro de las investigaciones en
Fsica, Matemticas, Fisiologa, Ingeniera, etc.
Las curvas de frecuencias son representaciones graficas de
distribuciones de frecuencias tericas. Ciertas formas de
curvas de
frecuencias reciben nombres especficos que guardan correspondencia con

tipos especficos de distribuciones de frecuencias. Existen cuatro tipos de
distribucin correspondientes a estos tipos especficos, que son: La
distribucin Rectangular, La distribucin Normal, La distribucin Asimtrica
y La distribucin Bimodal. En este cuaderno hablaremos de la distribucin
Normal o curva acampanada ya que ser utilizada ms adelante.
DISTRIBUCION NORMAL
Es una distribucin simtrica alrededor de la media, con una
curva de frecuencias en
forma acampanada; es la principal distribucin
dentro de la Estadstica Inferencial, ms adelante en el captulo siete esta

distribucin ser tratada con ms detalle, su representacin grfica es:
A continuacin se muestra un conjunto de datos, con los que

vamos a elaborar las graficas estadsticas que se mencionaron: un histograma,
un polgono de frecuencias, un diagrama de pastel y una ojiva.
37
30
38
52
30
84
42
27
83
35
90
50
67
97
63
80
73
83
49
59
95
60
70
83
84
85
63
63
73
75
68
Basndonos en que se trata del ejercicio presentado en el captulo

anterior para la formacin de un cuadro estadstico, procederemos a colocar
nuevamente dicho cuadro, el cual queda de la siguiente manera:
Nmero
de
Clase
1
2
3
4
5
6
7
8
Intervalo de
Clase
Frecuencia
Frecuencia
Acumulada
Frecuencia
Relativa
Frecuencia
Rel. Acum.
Marca de
Clase
27 - 35
36 - 44
45 - 53
54 - 62
63 - 71
72 - 80
81 - 89
90 - 98
Totales
4
2
3
3
6
4
5
3
30
4
6
9
12
18
22
27
30
4 / 30
2 / 30
3 / 30
3 / 30
6 / 30
4 / 30
5 / 30
3 / 30
30 / 30
4 / 30
6 / 30
9 / 30
12 / 30
18 / 30
22 / 30
27 / 30
30 / 30
31
40
49
58
67
76
85
94
Basndose en el cuadro anterior, se procede a formar las grficas estadsticas.

a) HISTOGRAMA
38
b) POLGONO DE FRECUENCIAS
c).- CLCULOS PARA OBTENER EL DIAGRAMA DE PASTEL

Num. de Clase
1
2
3
4
5
6
7
8
Frecuencia Relativa
0.133
0.067
0.100
0.100
0.200
0.133
0.167
0.100
Frecuencia Relativa x 360
0.133 x 360
0.067 x 360
0.100 x 360
0.100 x 360
0.200 x 360
0.133 x 360
0.167 x 360
0.100 x 360
Grados por Clase

48
24
36
36
72
48
60
36
39
d) O J I V A
frec. 30
26.5
35.5
44.5
53.5
62.5
71.5
80.5
89.5
98.5
Lmites superiores de las clases
EXAMEN DE AUTOEVALUACIN
1.-
Explique la elaboracin de las siguientes grficas estadsticas :

a) Histograma.
b) Diagrama de Pastel.
c) Pictograma
d) Polgono de Frecuencias
2.-
Las calificaciones de 50 alumnos de la materia de Matemticas son:

2
1
4
5
8
8
6
3
4
8
5
2
4
4
3
2
3
8
6
2
7
6
1
6
3
2
7
4
3
8
5
7
5
8
6
5
6
2
3
2
5
3
7
7
7
6
3
5
1
2
a) Formar un cuadro estadstico.

40
b) Construir un Histograma.
c) Construir un Polgono de Frecuencia.
d) Graficar una Ojiva.
e) Construir un Diagrama de Pastel.
3.-
Con las siguientes estaturas de los estudiantes de un grupo de la Fac. de
Derecho:
1.87
1.73
1.77
1.76
1.91
1.79
1.98
1.83
1.85
1.89
1.75
1.87
1.91
1.82
1.86
1.90
1.81
1.94
1.91
1.86
1.84
1.79
1.79
1.90
1.97
1.82
1.85
1.80
1.87
1.78
1.77
1.89
1.92
1.86
1.74
1.85
1.90
1.84
1.91
1.76
a) Construir un Cuadro Estadstico.

b) Elaborar las cuatro grficas estadsticas ms usuales.
41
LA MEDIA ARITMTICA
Tambin se le conoce como promedio; es la suma de todos los
elementos dividida entre el nmero total de ellos. Matemticamente se
representa de la siguiente manera:
" Sea X una variable; X1, X2, . . . , Xn , la poblacin generada
por X, el promedio de la poblacin ser :
n
Xi
i=1
(1)
Existen dos tipos de medias, la Media Poblacional que se

representa con la letra griega " ", y la Media Muestral que se representa con
una X testada "
", ambas se obtienen de la misma forma. La Media
Aritmtica es una medida que se utiliza para describir poblaciones, por

ejemplo:
1.- La vida media de una pila es cierto nmero de horas.
2.- La calificacin promedio de los estudiantes de un grupo.
3.- El gasto promedio de gasolina por kilmetro recorrido en un auto.
4.- El salario medio de los empleados de una empresa.
5.- La altura media de los jugadores de un equipo de bsquetbol.
Una caracterstica de la Media Aritmtica que debe tenerse en
cuenta cuando se describe una poblacin es que esta medida es afectada por
los valores extremos de la muestra o poblacin. As por ejemplo: Si se le
pide a un empresario que informe sobre el salario promedio de los
42
trabajadores de su empresa, esta informacin se ver totalmente afectada si

en el clculo se incluye su propio salario y el de sus trabajadores de ms alta
jerarqua, ya que elevara el salario promedio, en caso contrario, al calcular el
salario promedio de los ejecutivos, no se incluira el sueldo de los intendentes,
porque esto bajara el salario promedio de estas personas. La Media
Aritmtica es una buena medida descriptiva de una poblacin, si los datos de
sta no se encuentran muy dispersos. Veamos a continuacin algunos
ejemplos.
* Obtenga la media aritmtica o promedio de las calificaciones de
un grupo de 18 alumnos en la materia de Filosofa, las calificaciones de los
alumnos son:
7
para obtener la media aritmtica de los datos anteriores, debemos aplicar la

frmula (1), tenindose entonces que :
X
2(4) 3(5) 2(6) 4(7) 4(8) 3(9) 122
6.77
18
18
tenindose entonces que el promedio de los alumnos es:

*
= 6.77
Si la estatura de 12 jugadores de Bsquet Bol de la
Universidad de Colima son:

1.97
1.82
1.92
1.85
1.84
1.94
1.86
1.87
1.88
1.80
1.92
1.93
cul es la estatura promedio de los 12 jugadores?
43
Aplicando la misma frmula (1), tenemos que la media aritmtica o

estatura promedio es:
X =
1.80 + 1.82 + 1.84 + 1.85 + 1.86 + 1.87 + 1.88 + 1.92 + 1.92 + 1.93 + 1.94 + 1.97
12
22.6
= 1.88 mts
12
* Si la produccin mensual de maz en toneladas, durante un ao

en Tlaxcala fue :
12,000
14,280
15,720
13,318
14,420
13,300
12,800
13,618
14,710
15,127
14,360
13,750
cul es la produccin promedio mensual y cul es la produccin anual ?.

Aplicando la frmula (1) tenemos:
X =
X
12,000 + 14,280 + 15,720 + + 15,127 + 14,360 + 13750 167,403

=
12
12
= 13,950.25 toneladas
para obtener la produccin anual, slo debemos sumar todos datos de

produccin mensual, para lo cual, aplicaremos el concepto de sumatoria visto
en la unidad 2.
Produccin anual =
12
i=1
xi = 12,000 + 14,280 +
* * *
+ 14,360 + 13,750
Produccin anual = 167,403 toneladas
44
LA MEDIANA
Es otra medida que se utiliza para describir el valor central de
una poblacin. Para calcular la Mediana se ordenan los datos en forma
ascendente o descendente, si el tamao de la poblacin es impar, la Mediana
es el dato que queda al centro del los datos ordenados; si es par, la Mediana es
el promedio de los dos datos que ocupan el centro de la ordenacin. Se
observa que la Mediana divide en dos partes iguales a los datos de una
muestra o poblacin. La Mediana es una medida que no es afectada por los
valores extremos de la muestra o poblacin. Veamos algunos ejemplos.
* Calcular la mediana de los siguientes datos:
46, 54, 58, 56, 48, 58, 112
Para calcular la Mediana, primero se ordenan los datos en forma ascendente o
descendente, tenindose:
46, 48, 54, 56, 58, 58, 112
Una vez ordenados, se toma el dato al centro de la ordenacin ya
que en este caso tenemos un nmero impar de datos, por lo tanto, la Mediana
es: 56
* En un grupo de 15 alumnos de la Fac. de Medicina, los
alumnos obtuvieron las siguientes calificaciones en Anatoma:
85
87
87
92
79
94
78
90
83
87
77
78
96
92
89
Determine la Mediana.
45
Para obtener la Mediana es necesario ordenar los datos,

tenindose entonces que:
77
78
78
79
83
85
87
87
87
89
90
92
92
94
96
La Mediana de los datos o el dato que divide en dos partes iguales a la

muestra es 87 debido a ser el dato que ocupa el centro de la muestra por ser
un nmero impar. A partir de este momento, representaremos a la Mediana de
la siguiente manera: X
* Determine la Mediana del siguiente conjunto de datos:
12
18
23
16
24
17
18
20
15
16
22
18
11
14
19
para obtener la Mediana debemos ordenar los datos en forma ascendente y

escoger el dato que se encuentre en el centro de la coleccin, por lo tanto:
9
11
12
14
15
16
16
17
18
18
18
19
20
22
23
24
como podemos observar en este caso el nmero de datos es par y por lo tanto
la Mediana de esta coleccin de datos ser el media aritmtica de los datos
que ocupan el centro de la coleccin, siendo estos datos los nmeros 17 y 18
17 18
tenindose entonces que la Mediana en este ejercicio es : X =
17.5 .
2
46
LA MODA
Es otra medida de tendencia central y que se utiliza para describir
el valor tpico de una poblacin. La Moda en una poblacin o muestra es el
valor que se presenta con mayor frecuencia. S en una muestra de 10 casas, se
considera la siguiente distribucin en nmero de hijos, 3, 0, 1, 5, 6, 2, 1, 2, 7,
2, entonces la Moda es el nmero 2, ya que es el elemento que aparece con
mayor frecuencia. La Moda la representaremos de la siguiente manera : Mo .
Debemos aclarar que pudiera existir una coleccin de datos en la que existan
dos o ms modas, lo cual sucedera cuando existieran dos o ms elementos
que aparecen la misma cantidad de veces y que adems son el que mayor
frecuencia tienen. Veamos algunos ejemplos.
* En un grupo de 15 alumnos de la Fac. de Medicina, los
alumnos obtuvieron las siguientes calificaciones en Anatoma:
85
92
78
87
96
87
79
90
77
92
87
94
83
78
89
Cul es la Moda ?. La Moda es la calificacin que se present con mayor

frecuencia en el grupo, tenindose entonces que: Mo = 87
* Si la estatura de 12 jugadores de Bsquet Bol de la Universidad

de Colima son:
1.97
1.92
1.84
1.86
1.88
1.92
1.82
1.85
1.94
1.87
1.80
1.93
47
cual es la estatura que existe en mayor cantidad en los 12 jugadores? A la

estatura que mayor frecuencia tenga es la que llamaremos la Moda,
tenindose entonces que: Mo = 1.92
* Obtenga la Moda de la siguiente coleccin de datos:

9
18
11
18
12
18
14
19
16
20
16
22
16
23
17
24
en este ejemplo tenemos que los nmeros que mayor veces aparecen son el 16
y el 18, por lo tanto, en esta coleccin de datos tenemos un ejemplo de
distribucin bimodal ( existen 2 modas en la coleccin ), por lo que las modas
son: Mo = 16 y 18
COMPARACIN DE LA MEDIA
ARITMETICA, LA MEDIANA Y LA MODA
Hemos visto 3 medidas de tendencia central que describen a una
poblacin, pero, cul debe usarse en una situacin determinada?. La eleccin
de la medida de tendencia central a usarse depende del tipo de variable que
genera la poblacin y de las finalidades del estudio que se est realizando. Un
criterio fuerte para la eleccin de alguna de estas medidas es el de escoger la
que presente ventajas significativas sobre las otras dos, por ejemplo: En el
caso de una fbrica de automviles la empresa deber decidir que marca de
acumuladores usar en sus vehculos, para lo que le puede ser til adems del
costo, comparar la durabilidad de los acumuladores de diversas marcas. En
poblaciones de este tipo, la media, la mediana, y la moda son en la mayor
parte de los casos valores muy parecidos.
48
La media slo puede calcularse cuando la variable de inters es

numrica. A pesar de que la media puede ser afectada por valores muy
grandes o muy pequeos respecto al resto de la poblacin, es una medida que
se emplea con mucha frecuencia para orientar la toma de decisiones, porque
su naturaleza numrica facilita el tratamiento estadstico.
La mediana es una medida que slo se puede obtener si la
variable al menos es cardinal, en general, se acude a esta medida cuando no se
puede calcular la media o sta no sea representativa de la poblacin.
La moda es una medida que puede obtenerse para cualquier tipo
de variable. Hay muchas ocasiones en que esta medida presenta ventajas
sobre las otras dos para describir a una poblacin. Por ejemplo: Consideremos
el caso de planear la produccin de un nuevo tipo de chamarras, para el largo
de la manga y la talla, el fabricante considerar las de mayor frecuencia, es
decir, la moda. En este caso, la media o la mediana no le aportan la
informacin requerida. Veamos un ejemplo:
El siguiente conjunto de datos contiene las calificaciones de 50
alumnos de la materia de Economa:
5
6
9
9
3
2
8
7
10
10
3
7
10
10
5
8
7
8
2
10
4
2
9
8
9
5
9
9
2
6
4
1
10
10
1
7
10
5
2
9
5
9
9
7
7
8
6
5
3
6
a) Obtener La Media Aritmtica, La Mediana y La Moda.

X = ( 1 + 1 + 2 + . . . + 10 + 10 + 10 ) / 50
X = 326 / 50 = 6.52
Mediana = X = 7 ( por ocupar los lugares 25 y 26 en el arreglo )
La Moda = Mo = 9 ( por ser el que ms se repite aparece )
49
b) Mencione cul de las tres medidas de tendencia central es la ms

adecuada y por que?
La ms representativa es la Media Aritmtica, ya que los datos no se

encuentran muy dispersos, adems de que la Mediana y la Moda tienden a
cargarse ms hacia un extremo.
Debemos sealar que las tres medidas de tendencia central
mencionadas anteriormente son las ms comunes, ms no son las nicas.
Existen otras medidas de tendencia central como son la Media Geomtrica, La
Media Armnica, La Media Ponderada, La Media Supuesta, y algunas otras.
Veamos un ejemplo de lo anterior.
* La duracin en horas de una muestra de focos tomados de la
produccin diaria de una fabrica son:
129
159
168
145
168
178
168
175
177
164
164
178
165
179
168
172
168
172
168
180
168
179
173
158
168
149
154
170
159
168
a) Calcular la Media Aritmtica, la Mediana y la Moda.

X =
129 + 145 + + 154 + 168

4991
=
= 166.36 horas
30
30
= 168 por ocupar el lugar 15 y 16 de la ordenacin

X
Mo = 168 por ser el nmero en horas que ms se repite.

b) Mencione cul de las tres medidas de tendencia central es la ms
apropiada para este evento.
Para este evento, consideramos que la medida de tendencia
central ms apropiada es la Media Aritmtica, ya que es el dato que se
50
encuentra ms hacia el centro de la distribucin aun cuando es afectado por la

medida de 129 horas.
MEDIA GEOMTRICA
La Media Geomtrica es muy usual para el clculo de promedios
de tasas de variacin, en la elaboracin de Nmeros ndice, etc. Se define de
la siguiente manera: S tenemos n elementos, la Media Geomtrica es la raz
n-sima del producto de todos los elementos . La frmula para obtenerla es:
MEDIA GEOMTRICA ( g ) =
donde:
n X1
X2
* . . .
Xn
n = Tamao de la Muestra
Xi = Elemento de la Muestra
* Obtener la Media Geomtrica de los siguientes nmeros: 3, 5,
7, 9, 8.
g = 5 3 * 5 * 7 * 8 * 9 = 5 7,560 = 5.966
Veamos algunos ejercicios de lo visto hasta este momento.
* Obtener la Media Aritmtica de los datos:
6
X
6 3 8 5 2
24
=
= 4.8
5
5
* Los ingresos anuales de 12 profesores en nuevos pesos son:

72,000
81,000
72,000
89,000
75,000
72,000
81,000
90,000
163,000
84,000
78,000
81,000
51
Calcular las medidas de tendencia central. Indique cual es la ms significativa

y por que?
X =
X
72,000 + 72,000 + + 90,000 + 163,000

1' 038,000
=
12
12
= 86,500 nuevos pesos
Mo = 72,000 y 81,000
= 81,000
X
La ms significativa es la Mediana, por que es el valor que se

encuentra al centro de la distribucin, mientras que la Moda toma un valor
extremo lo que la hace no muy significativa y a la Media la afecta el valor de
163,000 por estar muy disperso.
* Obtener la Media Geomtrica de los siguientes datos:
12
15
17
13
18
14
18
13
17
15
g = 10 12 x 15 x 17 x 13 x18 x 14 x 18 x 13 x 17 x 15
g = 10 5,981,655,000,000 = 15.05
MEDIA ARMNICA
La idea de promedio es tan manejable que no es sorprendente que
se hayan inventado diversos tipos de promedio de modo que pueda
representarse con un mnimo de deformacin un campo tan amplio como sea
posible. Podemos escoger nuestro promedio, y tomamos el apropiado para
nuestro propsito. El promedio aritmtico de un conjunto de nmeros es el
ms simple de los promedios medidas de centralizacin.
52
Un segundo tipo de promedio importante es la Media Armnica,

que es el recproco de la media aritmtica de los recprocos de los valores que
queremos promediar. La Media Armnica es el promedio adecuado cuando
tratamos con tarifas y precios. Consideremos un ejemplo para explicar este
tipo de promedio.
* Un aeroplano vuela alrededor de un cuadrado cuyo lado tiene
100 Km de largo, tomando el primer lado a 100 Km/h , el segundo lado a 200
Km/h , el tercer lado a 300 Km/h y el cuarto lado a 400 Km/h. Cul es la
velocidad media del aeroplano en su vuelo alrededor del cuadrado?
Si promediamos las velocidades usando la media aritmtica de la
manera usual, tenemos:
X=
100 200 300 400

= 250 Km/h
4
pero ste no es el resultado correcto, ya que lo podemos comprobar de la

siguiente manera :
Tiempo para viajar el primer lado
Tiempo para viajar el segundo lado
Tiempo para viajar el tercer lado
Tiempo para viajar el cuarto lado
1 hora
30 minutos
20 minutos
15 minutos
De el desglose anterior tenemos que el tiempo total empleado en

recorrer los 400 kilmetros fue de 2 horas 5 minutos, con este total se
deduce que la velocidad media del aeroplano en recorrer los 400 Km del
cuadrado fue de 192 Km/h.
El promedio aritmtico nos da por lo tanto un resultado
equivocado. Podemos deducir la razn de esto a partir del hecho de que no
53
todas las velocidades se mantienen durante el mismo tiempo, slo lo hacen

para la misma distancia.
El promedio correcto para usar en este caso es la Media
Armnica. Para dar la frmula introduciremos la notacin de sumatoria ya
analizada anteriormente, tenindose entonces que:
Media Armnica (H) =
n
n
X
i=1
a partir de este momento, cuando hablemos de la Media Armnica, la

representaremos con la letra H. Para ilustrar esta frmula, apliqumosla a
nuestro ejemplo del aeroplano.
Las cuatro velocidades que se mantenan cada una sobre la
misma distancia, eran 100 Km/h, 200 Km/h, 300 Km/h y 400 Km/h. Estos
son los valores de Xi . Puesto que hay cuatro valores, el valor de n en
nuestro ejemplo es 4, y tenemos entonces:
H=
4
1
1
1
1
100 200 300 400
4
4,800
=
= 192 Km/ h
25
25
1200
en donde 192 Km/h es la respuesta correcta.

Como podemos ver, la media armnica es adecuada aqu porque
los tiempos eran variables con las distancias constantes. De haber sido las
tiempos constantes y las distancias variables, la media aritmtica hubiese sido
la correcta. Cabe sealar que el tipo de promedio adecuado depende siempre
de los trminos del problema en curso. Las frmulas no se han de aplicar
indiscriminadamente. Veamos algunos ejemplos.
54
* Un agricultor puede arar un terreno empleando un tractor en

cuatro das; un ayudante suyo puede hacer el mismo trabajo con un tractor
ms pequeo en 6 das. Cul es el rendimiento representativo de los dos
tractores?, En cuntos das pueden arar el mismo campo si trabajan
conjuntamente?
Para calcular el rendimiento representativo, tenemos:
n
n
i1
1
xi
1 1
4 6
2
2
24
4
4
3 2
5
5
5
12
12
por lo tanto el rendimiento representativo de los dos tractores es de 4
4
das.
5
Para determinar en cuntos das los tractores pueden arar el

campo si trabajan conjuntamente tenemos que su rendimiento representativo
es de 4
4
das, por lo que al trabajar conjuntamente resulta:
5
4
24
24
2
5
5
2
2
2
10
5
por lo tanto para arar el campo si los dos tractores trabajan conjuntamente, se
requiere 2
2
das.
5
Comprobacin: Los dos tractores pueden arar en un da

1 1 5

del campo; en arar todo el campo tardarn : por dos das de
4 6 12
10
2
del campo, pero como araron juntos
conjuntamente habrn arado
12
5
2
de un da por
da ms, eso es en proporcin del campo lo siguiente :
5
arado
de un
5
de
12
55
2
de campo, que es el complemento
12
10
2
del campo, entonces, en arar todo el campo tardarn 2 das.
de
12
5
campo arado conjuntamente en un da da
* En una ruta ferroviaria la velocidad a la que se desplaza un tren

es: los primeros 90 Km. a 70 Km/h, en el segundo tramo de 70 Km. a 100
Km/h; determinar la velocidad promedio para todo el recorrido.
Dado que las distancias de los tramos no son iguales, se debe
utilizar una ecuacin representativa que denominamos media armnica
ponderada para las velocidades donde los pesos son las distancias
respectivas, es decir:
1
1
f
en donde N =

H N
X
f ,
o tambin puede ser
N
f
sustituyendo los datos de velocidad y distancia, resulta:
H
X
d1 + d2 + d3 + . . . + d N d1 d2 d3
dN
... +
v
v1 v2 v3
vN
sustituyendo los datos en la ecuacin de la media armnica ponderada para la
velocidad media, resulta:
90 70
90
70
=
v
70
100
160
= 1 .2 8 5 7 + 0 .7
v
160
1 .9 8 5 7
v
v = 8 0 .5 7
por lo tanto la velocidad promedio para todo el recorrido es 80.57 Km/h.

Comprobacin:
Determinamos
primeramente
el
tiempo
requerido para recorrer el primer tramo:

56
TIEMPO ( t ) =
DISTANCIA ( d )
90 Km
=
1.2857 horas
VELOCIDAD ( v )
70 Km / h
El tiempo requerido para recorrer el segundo tramo es:
(t) =
d
70 Km
0.7 horas.
v 100 Km / h
La velocidad media para todo el recorrido es:
VELOCIDAD MEDIA =
DISTANCIA TOTAL 90 Km + 70 Km 160 Km
TIEMPO TOTAL
1.2857 h + 0.7 h 1.9857 h
VELOCIDAD MEDIA = 80.57 Km / h
MEDIA ARMONICA PARA DATOS AGRUPADOS

Si consideramos los elementos ( X1 , X2 , X3 , . . . , XN ) que se
presentan con frecuencias ( f1 , f2 , f3 , . . . , fN ) en donde ( f1 + f2 + f3 + . . . +
fN = N ) representa la frecuencia total; la ecuacin de la Media Armnica para
datos agrupados se expresa por:
H =
donde:
f
f
X
N
f
H = Media Armnica
N=
f = Nmero total de frecuencias
XN = Marcas de clases de datos agrupados.

fN = Frecuencias de clase.
* La siguiente tabla de distribuciones de frecuencias registra las
longitudes en centmetros que en una semana tienen 100 plantas de frijol; con
esta informacin obtener la Media Armnica.
57
INTERVALOS
( LONGITUDES )
FRECUENCIAS ( f )
( No. DE PLANTAS )
5.4 - 5.7
5.8 - 6.1
6.2 - 6.5
6.6 - 6.9
7.0 - 7.3
7.4 - 7.7
7
16
21
29
18
9
100
SOLUCION: Para determinar la Media Armnica es necesario construir la

siguiente tabla de distribuciones:
INTERVALOS
( LONGITUDES )
MARCA DE
CLASE ( X)
5.4 - 5.7
5.8 - 6.1
6.2 - 6.5
6.6 - 6.9
7.0 - 7.3
7.4 - 7.7
5.55
5.95
6.35
6.75
7.15
7.55
f
X
FRECUENCIAS ( f )
(No. DE PLANTAS)
7
16
21
29
18
9
N = 100 =
1.261261
2.689075
3.307086
4.296296
2.517482
1.192052
f
15.2632252
Sustituyendo los datos anteriores en la correspondiente ecuacin tenemos:
H=
N
100
=
= 6.55
f
15.2632252
X
La media armnica calculada a partir de los datos agrupados es de 6.55 cm.
1.-
Qu es una medida de tendencia central?
58
2.-
Describa el proceso para la obtencin de la Media Aritmtica, la
Mediana y la Moda.
3.-
Qu criterio se sigue para determinar la medida de tendencia central
ms significativa?
4.-
Determine la Media, la Mediana, la Moda y la Media Geomtrica de los
siguientes datos:
1
4
5.-
1
4
2
4
2
5
3
5
3
6
3
7
4
8
Los siguientes datos representan el tiempo de vida en aos de una
muestra aleatoria de 30 motores elctricos similares.
a)
2.0 3.0 0.3 3.3

0.2 6.0 5.5 6.5
1.5 4.0 5.9 1.8
4.6 0.3 1.5 0.5
1.0 6.0 5.6 6.0
Construya un cuadro estadstico.
1.3
0.2
4.7
2.5
1.2
0.4
2.3
0.7
5.0
0.2
b)
Construya un Histograma, un Polgono de Frecuencias y un
Diagrama de Pastel.
c)
Con los datos calcular la Media Aritmtica, la Mediana y la
Moda.
59
MEDIDAS DE DISPERSIN
Cuando una poblacin es generada por una variable numrica,
adems de poderla describir mediante una medida de tendencia central,
tambin se puede obtener una medida que nos indique el grado de
homogeneidad de sus datos. A este tipo de medidas se les conoce como
medidas de variabilidad o de dispersin. Existen varias medidas de
dispersin, como son el Rango, la Desviacin Media, la Varianza, y algunas
otras, las cuales estudiaremos en este captulo.
RANGO: Es una medida de dispersin que se obtiene restando al
mayor elemento de la coleccin de datos, el elemento menor. Aunque el rango
es una medida que tiene la ventaja de calcularse fcilmente, tiene la
desventaja de slo considerar los valores extremos de la poblacin (Tambin
se le conoce como Amplitud Total ).
DESVIACIN ESTNDAR
Esta medida nos indica que tan dispersos se encuentran en
promedio, los datos con respecto a la media aritmtica. Existen dos tipos de
desviacin estndar, la Desviacin Estndar Muestral y la Desviacin
Estndar Poblacional.
La Desviacin Estndar Poblacional se calcula en base a la media
aritmtica poblacional, utilizando la siguiente frmula:
n

donde:
( X i - )
i=1
N = Tamao de la Poblacin.
60
= Media Aritmtica Poblacional.

Xi = Elemento de la Poblacin.
= Desviacin Estndar Poblacional.
La desviacin estndar nos puede indicar como se comportan los

datos alrededor de una medida de tendencia central y como en ocasiones a
pesar de tener el mismo valor dos muestras diferentes, en su medida de
tendencia central, el grado de dispersin es distinto. Pudiramos tener una
muestra en que su media aritmtica fuera 4 y que los datos oscilaran entre 3
y 5, y otra muestra que su media aritmtica fuera 4 y que sus datos oscilaran
entre 0 y 8. Aunque ambas tienen el mismo valor en su medida de tendencia
central, tienen distinta distribucin de los datos, de aqu la importancia de
tener una medida que nos indique el grado de dispersin de los datos con
respecto al dato central.
La Desviacin Estndar Muestral tiene dos modificaciones con
respecto a la Poblacional, ya que se utiliza la media aritmtica muestral y el
tamao de la muestra menos 1, quedando la frmula de la siguiente manera:
n
(X
s =
donde:
- X )
i =1
n - 1
n = Tamao de la Muestra.
Xi = Elemento de la Poblacin
X = Media Aritmtica Muestral.
s = Desviacin Estndar Muestral.
61
Existe otra medida de dispersin llamada Desviacin Media, que

requiere del clculo de la Amplitud, an cuando no es muy utilizada, es
necesario tener conocimiento de ella. Se obtiene con la siguiente frmula:
n
m=
- X
i=1
ahora bien, este tipo de medida de dispersin no nos proporciona un grado

adecuado de homogeneidad, por lo que es necesario utilizar el de la
desviacin estndar para representar el grado de dispersin de la muestra con
respecto a su media, adems, de que no sirve para calcular la varianza.
VARIANZA
Es el cuadrado de la desviacin estndar. Dependiendo de la
desviacin estndar de que se trate, recibir el nombre de Varianza Muestral o
Varianza Poblacional ( s2 si es la muestral y
si es la poblacional ).
Veamos algunos ejemplos.

* Se tom la presin sangunea de diez personas antes y despus
de fumar. Los cambios fueron:
+10, -5,
+7,
+4,
+2,
+3
-4,
-5,
-3,
+9
Calcular la Varianza y Desviacin Estndar con esos datos.

X=
10 5 7 4 2 3 4 5 3 9
18
=
= 1.8
10
10
s2 =
(10 - 1.8) + (-5 - 1.8) +

10 - 1
+ (-3 - 1.8) + (9 - 1.8)
s2 = 33.511
62
Como la desviacin estndar es la raz cuadrada de la varianza,

entonces tenemos que la desviacin estndar de las diez presiones sanguneas
registradas es: s = 5.788
* Dados los siguientes datos:
3, 5, 16, 23, 31, 12, 23, 13, 15.
a).-
Calcular las medidas de tendencia central.

X=
3 5 16 23 31 12 23 13 15
141
=
9
9
X = 15.66
Ordenando los elementos tenemos que:

3
12
13
15
16
23
23
31
tenindose que la mediana ser el dato que se encuentre al centro del arreglo,
por lo tanto :
b).s2 =
s2 =
Mediana = 15
La Moda = 23
Calcular las medidas de Dispersin

(3 - 15.66) + (5 -15.66) + + (23 -15.66) + (31- 15.66)
9 - 1
160.27 + 113.63 + 13.39 + 7.07 + 0.43 + 0.12 + 3.87 + 53.87 + 235.31 637.96
79.745
8
8
por lo tanto, la desviacin estndar es entonces:
s = 79.745 = 8.93
* En el departamento de Ingls de la UAS se inform que el

sueldo anual de los profesores es en promedio de 72,000 dlares, con una
desviacin estndar de 0.0 Cul ser la mediana y la moda de estos sueldos?
R.-
Tanto la Mediana y la Moda es 72,000; ya que cuando la
desviacin estndar es 0, se tiene que no existe dispersin entre los valores de

la muestra (dicho de otra manera, no existe variacin entre los datos).
63
* Si en una colonia se registr el nmero de personas que viven

por casa tomando una muestra de 18 viviendas, obtenindose los siguientes
resultados:
6
8
6
5
4
5
6
5
7
4
3
2
9
3
5
2
5
7
determine la media aritmtica, la varianza y desviacin estndar de la

muestra.
X=
2(2) 2(3) 2(4) 5(5) 3(6) 2(7) 8 9

92
=
= 5.11
18
18
n
s =
( X
- X )
i=1
n - 1
s2 =
2(2-5.11) +2(3-5.11) +2(4-5.11) +5(5-5.11) +3(6-5.11) +2(7-5.11) +(8-5.11) +(9-5.11)

18 - 1
s2 =
19.3442 +8.9042 +2.4642 + 0.0605+2.3763+7.1442 +8.3521+ 15.1321 63.7778

=
17
17
s2 = 3.7516353
por lo tanto la desviacin estndar es s = 1.9369135
* Calcule la media aritmtica, la varianza y desviacin estndar
de los siguientes datos: 5
X=
5 7 1 2 4 19
3.8
5
5
s2 =
(5 - 3.8) + (7 - 3.8) + (1- 3.8) + (2 - 3.8) + (4 - 3.8)

22.8
5 - 1
4
s2 = 5.7 ;
por lo tanto la desviacin estndar es :
s = 2.3874673
64
CALCULO DE LA MEDIA Y DESVIACIN

ESTNDAR PARA DATOS AGRUPADOS
Generalmente cuando se agrupan en clases los datos generados
por una variable numrica, es posible calcular la media y la desviacin
estndar con los datos tabulados. En estos casos, tanto la media como la
desviacin estndar son aproximaciones de los valores reales, debido a que
uno conoce la cantidad de elementos que pertenecen a la clase, pero
desconocemos sus valores.
Para calcular la Media Aritmtica de un conjunto de datos
agrupados, se emplea la siguiente frmula:
X=
Donde:
( mi * fi )
( mi * fi )
=
fi
mi = Marca de Clase.
fi = Frecuencia de Clase.
n = Tamao de la Muestra.
X = Media Aritmtica.
Para el clculo de la Varianza se utiliza:
s2
( m
- X ) f i
n - 1
i
Existe otra forma de calcular la varianza, llamada forma

simplificada, la cual se obtiene sustituyendo en la frmula de la varianza la de
la media, y al simplificar quedara as:
65
s =
donde :
i fi n (X)
(X f )
i
n(n -1)
Xi = Elemento de la Muestra
fi = Frecuencia de la Clase
La frmula anterior es para calcular la Varianza de un grupo de
variables colocadas en un cuadro estadstico, para determinar la varianza de

un cuadro estadstico cuando est agrupado por clases, entonces sustituimos
en el lugar de la variable ( Xi ) la marca de clase ( mi ) tenindose entonces
que la frmula a aplicar ser:
s2 =
n[ {(mi)2* fi }] - [ ( mi * fi )]2
n(n-1)
donde :
mi = Marca de Clase
fi
= Frecuencia de Clase
En los dos casos anteriores, la Desviacin Estndar se obtiene

sacando la raz cuadrada de la Varianza.
INTERPRETACIN PRACTICA DE LA
DESVIACIN ESTNDAR
Introduciremos ahora un teorema interesante y til, desarrollado
por el matemtico ruso Tchebysheff. La demostracin del teorema no es
difcil, pero la omitiremos para manejar directamente su significado.
66
El teorema de Tchebysheff dice : Dado un nmero k mayor o

igual a 1 y un conjunto de n observaciones x1, x2, x3,
menos
* * *
, xn , por lo
( 1 - 1/k2 ) de las observaciones se encuentran dentro de
desviaciones estndar de la media .

El teorema de Tchebysheff se aplica a cualquier conjunto de
observaciones y, para propsitos de ilustracin, nos podramos referir tanto a
la muestra como a la poblacin. Usaremos la notacin correspondiente a
poblaciones, pero deben darse cuenta que bien podramos usar la media
aritmtica y la desviacin estndar muestral. La idea contenida en el teorema
de Tchebysheff se ilustra en la siguiente figura:
k
1 - 1/k2
-3
-2
-1
3/4
8/9
15/16
Se construye un intervalo midiendo una distancia de k veces la
en unidades a ambos lados de la media aritmtica . Note que el teorema
es cierto para cualquier valor que le demos a k , siempre y cuando k sea

mayor o igual a 1. Entonces, calculando la fraccin 1 - 1/k2 , vemos que el
teorema de Tchebysheff establece que al menos esa fraccin del nmero de
observaciones caern en el intervalo construido.
Ponemos nfasis en la expresin al menos del teorema de
Tchebysheff porque el teorema es muy conservador, siendo aplicable a
67
cualquier distribucin. En la mayora de las situaciones, la fraccin de las

observaciones que caen en el intervalo especificado excede a 1 - 1/k2.
Enunciaremos ahora una regla que describe con precisin la variabilidad de
una distribucin particular en forma de campana y que describe
razonablemente bien la variabilidad de otras distribuciones de datos de forma
monticular. La frecuente ocurrencia de distribuciones acampanadas y
monticulares en la naturaleza, y por tanto la aplicabilidad de nuestra regla,
nos conduce a llamarla la regla emprica .
Regla emprica: Dada una distribucin de observaciones que es
aproximadamente acampanada, el intervalo :
1)
2)
3)
2
3
contiene aproximadamente el 68 % de las observaciones.

contiene aproximadamente el 95 % de las observaciones.
contiene todas o casi todas las observaciones.
Las relaciones anteriores las podemos mostrar por medio de una

grfica en la cual se muestra la distribucin en porcentajes de los datos
alrededor de la media aritmtica.
-3
-2
68.27 %
95.45 %
99.95 %
68
La distribucin acampanada se conoce comnmente como la

Distribucin Normal y ser discutida con detalle en el captulo 7. Lo que
quisiramos recalcar aqu, es que la regla emprica es sumamente til y
proporciona una descripcin excelente de la variacin para muchos tipos de
datos. Note que el Teorema de Tchebysheff es un hecho que puede ser
demostrado matemticamente y sin embargo dejamos el razonamiento
matemtico para un curso de Clculo.
Aunque los porcentajes mencionados en la regla corresponden a
reas bajo la curva normal, los mismos porcentajes son validos
aproximadamente para distribuciones con formas diversas, siempre que
tiendan a ser ms o menos monticulares. Veamos algunos ejemplos.
* La media y varianza de un conjunto de n = 25 observaciones
son 75 y 100 respectivamente. Usando la regla emprica para describir esta
distribucin tendramos :
Sabemos que = 75 y que 2 =100 . La
desviacin estndar es = 10. La distribucin de las observaciones esta

centrado alrededor de = 75, y la regla emprica establece que:
a)
b)
c)
= 75 10 ; que el 68 % de las observaciones esta entre 65 y 85.
2 = 75 20; que el 95 % de las observaciones esta entre 55 y 95.

3 = 75 30; que todas o casi todas las observaciones se
encuentran entre 45 y 105.
* En la siguiente tabla se especifica la vida til de una marca de
pilas que se utilizan en una misma marca de reloj.

Vida til
(Horas )
420 - 439
440 - 459
460 - 479
480 - 499
500 - 519
fi
mi
mi x fi
( mi )2 x fi
15
20
25
25
32
429.5
449.5
469.5
489.5
509.5
06,442.5
08,990.0
11,737.5
12,237.5
16,304.0
2767,053.75
4041,005.00
5510,756.25
5990,256.25
8306,888.00
69
520 - 539
540 - 559
560 - 579
580 - 599
TOTALES
30
24
14
7
190
529.5
549.5
569.5
589.5
15,885.0
13,188.0
07,913.0
04,126.5
95,945.0
8411,107.50
7246,806.00
4540,623.50
2432,571.75
48806,208.00
Obtener la Media Aritmtica, la Varianza y Desviacin Estndar

(por el mtodo general y el simplificado).
( mi * fi )
X=
95,945
=
= 504.97
n
190
La Varianza en su forma simplificada es :
s2 =
n[ {(mi)2* fi }] - [ ( mi * fi )]2
n(n-1)
por lo tanto :
s2 =
(190)(48806
' ,208) - (95,945) 9,273179
' ,500 9,205443
' ,000
190(190 -1)
35,910
s2 =
67'736,500
= 1,886.2852
35,910
s = 43.43
si a continuacin obtenemos la varianza en su forma general para datos

agrupados tendremos :
s2 =
[( mi - X )2 * fi]
n-1
s2 =
(429.5-504.97) (15) + (449.5-504.97) (20) + +(569.5-504.97) (14) + (589.5-504.97) (7)

190-1
70
s2 =
85,435814
.
61,538.418 + 58,297.693 + 50,017.246 360,950.31
189
189
s2 =
1,909.79
s = 1,909.79
= 43.701
Como podemos observar, no existe gran diferencia entre la

desviacin estndar obtenida por la forma simplificada y la obtenida por la
forma general.
* Obtener la Varianza y Desviacin Estndar para los siguientes
datos: 6, 3, 8, 5, 2
X=
6 3 8 5 2 24
4.8
5
5
s2 =
(6 - 4.8) + (3 - 4.8) + (8 - 4.8) + (5 - 4.8) + (2 - 4.8)

5 -1
s2 =
1.44 + 3.24 + 10.24 + 0.04 + 7.84

22.8
4
4
s2 = 5.7
por lo tanto s = 5.7 = 2.387
* Los ingresos anuales de 12 profesores en nuevos pesos son:

72,000
81,000
72,000
89,000
75,000
72,000
81,000
90,000
163,000
84,000
78,000
81,000
Calcular la Varianza y Desviacin Estndar.

La media aritmtica se determino en el capitulo anterior, por lo que tenemos
que X = 86,500, por lo tanto la varianza es:
s2 =
(72,000 86,500) + + (163,000 - 86,500)

12 1
71
s2 =
210'250,000 + + 5,852' 250,000 6,803'000,000
11
11
s2 = 6.1845455 x 108
como
la desviacin estndar se obtiene sacando la raz cuadrada a la
varianza, tenemos entonces que esta es:
s = 24,868.746
* Se sabe que la frecuencia de respiracin en los humanos puede

variar desde 4 respiraciones por minuto hasta 70 75 para una persona que
realiza ejercicios extenuantes. Supongamos que las frecuencias de respiracin
en estado de reposo, para estudiantes universitarios, poseen una distribucin
de forma monticular con media 12 y desviacin estndar 2.3 respiraciones por
minuto. Qu fraccin de los estudiantes poseen frecuencias en los siguientes
intervalos:
a).- 9.7 a 14.3 respiraciones por minuto?
Aplicando la regla emprica, tenemos que la relacin de 9.7 a 14.3 es lo
mismo que sealar una desviacin estndar alrededor de la media aritmtica,
ya que 12 + 2.3 nos da el lmite superior y 12 - 2.3 nos da el lmite inferior, y
por tratarse de una relacin con distribucin monticular, tenemos que en ese
intervalo se encuentra el 68 % de los estudiantes o bien la fraccin es 0.68
b).- 7.4 a 16.6 respiraciones por minuto?
Basndonos en el inciso anterior tenemos que la fraccin que se
encuentra alrededor de la media a 2 desviaciones estndar es 0.95 o el 95 %
de los estudiantes.
c).- ms de 18.9 o menos de 5.1 respiraciones por minuto?
En este inciso vemos que tenemos una relacin alrededor de la media
de tres desviaciones estndar, por lo que se encuentran todos o casi todos los
estudiantes universitarios.
72
* La siguiente tabla muestra el concentrado de los resultados de

25 estudiantes universitarios:
Num C. Int. de Clase Frecuencia
1
2
3
4
5
1.8 - 2.1
2.2 - 2.5
2.6 - 2.9
3.0 - 3.3
3.4 - 3.7
Totales
4
6
8
4
3
25
mi
mi x fi
mi2 x fi
1.95
2.35
2.75
3.15
3.55
07.80
14.10
22.00
12.60
10.65
67.15
15.210
33.135
60.500
39.690
37.808
186.343
En base al cuadro estadstico, calcule la media aritmtica, la

desviacin estndar y la varianza
X=
s2 =
s2 =
( m i f i)
6 7 .1 5
2 .6 8 6
n
25
n (mi) fi -
n(n - 1)
fi
25(186.343) - (67.15)
25(25 - 1)
4,658.575 - 4,509.125
149.45
=
600
600
s2 = 0.25 ;
por lo tanto, la desviacin estndar es :
s = 0.5
73
1.-
Qu es una medida de dispersin?
2.-
Describa el proceso para la obtencin de la Varianza.
3.-
Qu es el Rango?
4.-
Qu diferencia hay entre la forma simplificada para la obtencin de la

Varianza y la forma general?
5.-
Defina la desviacin media.
6.-
Los siguientes datos representan el tiempo de vida en aos de una

muestra aleatoria de 30 motores elctricos similares.
2.0 3.0 0.3 3.3 1.3 0.4
0.2 6.0 5.5 6.5 0.2 2.3
1.5 4.0 5.9 1.8 4.7 0.7
4.6 0.3 1.5 0.5 2.5 5.0
1.0 6.0 5.6 6.0 1.2 0.2
Calcular la Desviacin Media , la Varianza y la Desviacin Estndar.
7.-
El cociente de inteligencia (CI) expresa la inteligencia como la razn

de la edad mental a la edad cronolgica multiplicada por 100.
As, el promedio cuando la edad mental es igual a la edad
cronolgica es 100. Para los siguientes CI.
100
103
99
101
100
120
109
82
101
112
95
118
118
114
113
89
92
137
94
130
87
93
111
96
93
101
98
96
84
86
89
90
74
a) Construya un histograma de frecuencias relativas.

b) Calcule X , s2 y s.
c) Encuentre el nmero de puntuaciones en los intervalos X s;
X 2s y X 3s. Compare las proporciones de observaciones en
estos intervalos con las especificadas por el teorema de Tchebysheff

y la regla emprica.
75
En este captulo veremos lo que es la Probabilidad, o sea, la

relacin que existe entre la muestra y el conjunto original de datos, por eso
para poder tomar decisiones se necesita tener conocimientos de la
Probabilidad.
En general, la Estadstica entra al mtodo cientfico a travs de la
experimentacin o de la observacin. Cualquier investigacin es nicamente
un medio para lograr un fin determinado. Es un dispositivo para someter a
prueba una hiptesis establecida a partir de la cual desea hacerse una
conclusin. La mayor parte de los enunciados que resultan de investigaciones
son nicamente inferencias. Son de carcter incierto. La cuantificacin de esa
incertidumbre por el uso de la Teora de Probabilidades es una de las
contribuciones ms importantes de la Estadstica.
Probabilidad es una medida de la frecuencia de ocurrencia de un
evento casual. Una definicin clara y simple de Probabilidad (definicin
clsica), es:
Si un evento puede ocurrir de
maneras mutuamente
exclusivas e igualmente posibles, y si n de ellas tienen una caracterstica E ,

entonces la Probabilidad de ocurrencia de E es la fraccin
acostumbra indicarlo o representarlo con P(E) =
n
N
. Esto se
n
.
N
Para el estudio de la Probabilidad surge como necesidad el

estudio de la Teora de conjuntos, por lo cual veremos a continuacin su
definicin y sus operaciones bsicas.
76
CONJUNTOS Y SUS OPERACIONES

El estudio de la Probabilidad se simplifica utilizando la Teora de
Conjuntos, por lo tanto, analizaremos algunas ideas bsicas de esta teora. La
Teora de Conjuntos fue desarrollada por Georg Cantor entre 1874 y 1895, es
un instrumento bsico que se utiliza en las distintas ramas de la Matemtica,
como en la Teora de Probabilidad, el Clculo Infinitesimal, Geometra, etc.
Un Conjunto es un grupo de objetos dentro de un todo definido y
bien diferenciado; por ejemplo:
* Un grupo de estudiantes de la materia de Biologa.
* Un juego de cartas.
* Las cuentas de un collar.
A continuacin definiremos algunas de las operaciones y
smbolos que se utilizan en la Teora de Conjuntos. A los conjuntos los
representamos con maysculas y a sus elementos con minsculas.
* Conjunto Universo o Universal ( U ): Es el conjunto que contiene a
todos los elementos.
* Conjunto Vaco ( ): Es un conjunto que no contiene a ningn
elemento.
* Pertenencia ( ): Indica que un elemento pertenece a un conjunto.
* No Pertenencia ( ): Indica que un elemento no pertenece a un
conjunto determinado.
* Subconjunto ( ): Se dice que un conjunto A es subconjunto de
B, cuando todos los elementos de A pertenecen a B.
77
* Unin ( ): La unin de dos conjunto A y B, es el conjunto de

elementos que estn en A, en B en ambos.
A B={x/xA xB}
* Interseccin ( ): La interseccin de dos conjuntos A y B, es el
conjunto de elemento que estn en A y B simultneamente.
A B={x/xA y xB}
* Complemento ( A', ~A, Ac ) : El conjunto A' , recibe el nombre
de complemento de A debido a que contiene a todos los elementos del
universo que no estn en A.
A' = { x / x A }
Para la comprensin de los conjuntos se recomienda utilizar los
diagramas de Venn, que son la representacin grfica de los conjuntos y sus
operaciones.
U
AUB
Ac
AB
* Sea A = { a, b, c, d, e, f, g, h, y, j, k, l, m, n, o, p, q, r, s, t };
B = { a, e, i, o, u } ;
C = { b, c, d, f, g, h, j, k, l, m, n, p, q, r, s, t } y
el conjunto Universo el abecedario. Realizar las siguientes operaciones entre
conjuntos:
b)
A(BUC)
(AB)U(BC)
a)
AUB;
a)
A U B = { a, b, c, d, e, f, g, h, y, j, k, l, m, n, o, p, q, r, s, t, u }
c)
78
b)
A ( B U C ) = { a, b, c, d, e, f, g, h, y, j, k, l, m, n, o, p, q, r, s, t } = A
c)
( A B ) U ( B C ) = { a, e, i, o }
* Sea U el conjunto de todos los valores posibles que pueden
caer al lanzar dos dados normales, defina los siguientes conjuntos :
el
conjunto A contiene a todos los elementos en que la primera cara es mayor

que 3 pero menor que 6, A = { ( x, y ) / 3 < x < 6 ; 0 < y < 7 } ; el conjunto B
contiene a todos los elementos en que la suma de las caras es mayor que 5
pero menor que 8, B = { ( x, y ) / 5 < x + y < 8 }
(1,1) ;
(2,1) ;
(3,1) ;
Sea U =
(4,1) ;
(5,1) ;
(6,1) ;
(1,2) ;
(2,2) ;
(3,2) ;
(4,2) ;
(5,2) ;
(6,2) ;
(1,3) ;
(2,3) ;
(3,3) ;
(4,3) ;
(5,3) ;
(6,3) ;
(1,4) ;
(2,4) ;
(3,4) ;
(4,4) ;
(5,4) ;
(6,4) ;
(1,5) ;
(2,5) ;
(3,5) ;
(4,5) ;
(5,5) ;
(6,5) ;
(1,6)
(2,6)
(3,6)
(4,6)
(5,6)
(6,6)
(1,5) ;
(2,5) ;
(4,1) ; (4,2) ; (4,3) ; (4,4) ; (4,5) ; (4,6)
y B=
entonces, A =
(5,1) ; (5,2) ; (5,3) ; (5,4) ; (5,5) ; (5,6)
(4,2) ;
(5,2) ;
(1,6) ; (2,4)
(3,3) ; (3,4)
(4,3) ; (5,1)
(6,1)
QUE ES ESPACIO MUESTRAL?

El Espacio Muestral se define como el conjunto de todos los
resultados posibles de un experimento
E, usualmente se designa a este
conjunto con la letra S. Un Espacio Muestral se puede representar por medio

de un diagrama de Venn, una lnea recta, un producto cartesiano, etc.
Producto Cartesiano : Es el conjunto de todos los pares
ordenados de dos conjuntos A y B.
A X B = { (x , y) / x A , y B }
79
Debemos tener cuidado de respetar el orden de las parejas

ordenadas, ya que ( a, b ) es diferente de ( b, a ). Lo anterior puede describirse
con la siguiente grfica:
A
M (a,b)
N (b,a)
MN
M
N
B
a
El nmero de elementos del espacio muestral1 del Producto

Cartesiano es igual al producto del nmero de elementos de A por el de B.
Ejemplo: En la grfica anterior se tiene un espacio muestral de 9 elementos, el
cual se obtuvo de n(A) x n(B).
* Dados los siguientes conjuntos:
U = { 1,5,7,13,15,18,23,29,37,48,63,71,96 }
A = { 1,5,7,13,15,18,23 }
B = { 7,15,23,29,37,48,63 }
C = { 7,8 }
Obtener:
a) A U B ; b) A' U A ; c) A B ; d) B' U A ; e) A X C
a).- A U B = { 1,5,7,13,15,18,23,29,37,48,63 }
b).- A' = { 29,37,48,63,71,96 }
A' U A = { 1,5,7,13,15,18,23,29,37,48,63,71,96 } = U
c).- A B = { 7,15,23 }
1 Dentro de los espacios muestrales cuando tenemos un conjunto de varios elementos, el orden de estos
no se toma en cuenta, esto es, {a,b} y {b,a} son conjuntos equivalentes.
80
d).- B' = { 1,5,13,18,71,96 }

B' U A = { 1,5,13,15,23,71,96 }
e).- A X C = { (1,7);(1,8);(5,7);(5,8);(7,7);(7,8);(13,7);(13,8);
(15,7);(15,8);(18,7);(18,8);(23,7);(23,8) }
SUCESOS SIMPLES Y COMPUESTOS

En un conjunto de resultados posibles de un experimento E. Los
sucesos pueden ser Simples o Compuestos.
Consideremos el experimento de lanzar un dado y observar que
cara cae hacia arriba, la variable X tiene los resultados posibles X1, X2 ,* * *,
X6, cada uno de estos resultados se denomina Suceso Elemental Simple. En
otras palabras, un suceso simple es aquel que no se puede descomponer en
otros sucesos simples y se representa con Ei .
Un suceso que se puede descomponer en dos o ms sucesos
simples se llama Suceso Compuesto, por ejemplo, en el lanzamiento de un
dado, la ocurrencia de X 3, es un Suceso Compuesto, ya que tendramos que
el suceso E estara constituido por todas las caras de el dado de valor mayor o
igual a 3, quedando de la siguiente manera : E = { 3,4,5,6 }.
Una vez definidos los sucesos, se expresarn ahora en trminos

de la Teora de Conjuntos. El conjunto Universo representar al espacio
muestral, mientras que los conjuntos que lo constituyan sern los sucesos
compuestos y sus elementos los sucesos simples.
81
PROBABILIDAD
La Probabilidad tiene dos enfoques, llamados enfoques de la
teora de Probabilidades, los cuales son: El enfoque objetivo de la
probabilidad y el enfoque subjetivo de la probabilidad. En este cuaderno
definiremos nicamente el concepto de probabilidad y dejaremos el estudio
de estos enfoques a los cursos de Estadstica del Nivel Superior.
El famoso matemtico Jacobo Bernoulli seala que cuando no

hay fundamentos para preferir uno de los posibles resultados o sucesos a
cualquier otro, todos deben de considerarse que tienen la misma probabilidad
de ocurrir. El famoso matemtico francs
P. S. Laplace estableci este
concepto en su libro A Philosophical Essay on Probabilities de esta manera:

La teora de la probabilidad consiste en reducir todos los elementos de la
misma clase a cierto nmero de casos iguales o igualmente posibles, es decir,
que nosotros debemos estar igualmente indecisos ante su existencia para
determinar la cantidad de casos favorables para el suceso cuya probabilidad se
busca. La relacin de este nmero con el de todos los casos posibles es la
medida de la probabilidad, que, es por tanto sencillamente una fraccin cuyo
numerador es el nmero de casos favorables y el denominador es el nmero
de todos los casos posibles (definicin de probabilidad clsica).
Por otra parte, puesto que los clculos de la probabilidad no
dependen de la experiencia, esto permite calcular las probabilidades sin
82
realizar una gran cantidad de ensayos. Este tipo de clculos se denomina

algunas veces a priori.
En base a lo anterior podemos especificar algunos puntos
referentes a la teora de probabilidades, los cuales son:
1.-
Se asigna un nmero P(E) al suceso y lo da cuando la cantidad
de ensayos es grande, M/n y P(E) son iguales.

2.-
En esta relacin se define la probabilidad del suceso E como
el lmite de M/n cuando n tiende a infinito. Matemticamente este enfoque

se expresa as:
P(E) = ln m
M
n
Veamos algunos ejemplos de clculo de probabilidades.

* Cul es la probabilidad de que al lanzar dos dados legales, a)
la suma de las caras sea par? ; b) las caras sean diferentes? ; c) las caras sean
iguales?
(1,1) ;
(2,1) ;
(3,1) ;
S=
(4,1) ;
(5,1) ;
(6,1) ;
a).-
P(A) =
M
n
(1,2) ;
(2,2) ;
(3,2) ;
(4,2) ;
(5,2) ;
(6,2) ;
(1,3) ;
(2,3) ;
(3,3) ;
(4,3) ;
(5,3) ;
(6,3) ;
18
=
36
(1,4) ;
(2,4) ;
(3,4) ;
(4,4) ;
(5,4) ;
(6,4) ;
(1,5) ;
(2,5) ;
(3,5) ;
(4,5) ;
(5,5) ;
(6,5) ;
(1,6)
(2,6)
(3,6)
(4,6)
(5,6)
(6,6)
1
2
83
b).-
P(B) =
30
36
5
6
c).-
P(C) =
6
36
1
6
* Cul es la probabilidad de sacar una bola roja de una urna si se

sabe que en ella hay 5 bolas blancas, 4 negras, 3 azules y 8 rojas?
A = Sacar una bola roja.
S = {5 blancas, 4 negras, 3 azules, 8 rojas}
P(A) =
8
2
=
= 0.40 x 100 = 40 %
20
5
* Dado que se lanzan 3 monedas legales,
cul es la
probabilidad de que caigan exactamente una cara? ; dos caras?

Sea s = cruz y c = cara, entonces al lanzar la moneda tres veces
tenemos:
S = {sss, ssc, scs, css, ccs, csc, scc, ccc}

A = {ssc, scs, css}
P(A) =
B = {ccs, csc, scc}
3
= 0.375 x 100 = 37.5 %
8
P(B) =
3
= 0.375 x 100 = 37.5 %
8
Un punto de vista personalista es que la probabilidad mide la

confianza que tiene un individuo determinado en la verdad de una
proposicin particular, por ejemplo, la proposicin de que maana llueva.
Estos puntos de vista postulan que el individuo en cuestin de algn modo es
razonable, pero no niega la posibilidad de que los individuos razonables con
la misma prueba, puedan tener diferentes grados de confianza en la verdad de
la misma proposicin.
84
AXIOMAS DE LA TEORA DE PROBABILIDAD

A continuacin se establecen los axiomas de la Teora de la
Probabilidad. Aunque se emplea la palabra axioma, stas no son apriori, son
suposiciones bsicas elaboradas por el hombre. Los axiomas son:
a) Dado un experimento E con resultados posibles mutuamente
excluyentes ( sucesos simples ) E1 , E2 , . . ., En , se les asigna un nmero
positivo tal que 0 P( Ei ) 1 y se le llama la probabilidad del suceso Ei .
b) La suma de probabilidades de todos los sucesos posibles
mutuamente excluyentes es 1. P( E1 ) + P( E2 ) +
* * *
+ P( En ) = 1
c) La probabilidad de que ocurra uno de dos sucesos mutuamente

excluyentes Ei Ej , es igual a la suma de sus probabilidades.
P( Ei U Ej ) = P( Ei ) + P( Ej ).
Para aclarar el significado de estos tres axiomas se puede utilizar
la teora de la frecuencia probabilstica. De acuerdo con la Teora de
Probabilidad subjetiva se puede utilizar las ponderaciones para expresar la
importancia relativa de un suceso. Estos axiomas se utilizarn para deducir
otras reglas de clculo de probabilidades.
85
ANLISIS COMBINATORIO
El enfoque del concepto de probabilidad planteado en el punto
anterior, genera todo un trabajo alrededor del clculo de probabilidades y
como una herramienta ineludible para esto, se tiene al anlisis combinatorio,
cabe aqu recordar a manera de repaso los elementos que ste nos
proporciona, considerando que un anlisis ms a fondo corresponde a un
curso de lgebra; nicamente enunciaremos las dos reglas generales que se
utilizan en el clculo de probabilidades.
Permutaciones: Es el nmero de maneras de ordenar n objetos
distintos (diferentes), tomando r cada vez. Se denota con el smbolo
nPr
nP r
n!
(n - r)!
Combinaciones: Una combinacin
de
objetos, es una
seleccin de r en r de dichos objetos sin considerar el orden de la misma.

Se representa con el smbolo nCr.
Cr =
P
r!
n r
n!
(n - r)! r!
* Se seleccionan tres boletos de una lotera, de un total de 50.

Supongamos que el orden de seleccin es importante. Cuntos puntos
mustrales estn asociados con este experimento?
El nmero total de puntos mustrales es :
50P3
50 !
(50 - 3) !
50 !
= 50(49)(48) = 117,600
47 !
86
* Un aparato est compuesto de cinco partes que pueden ser

ensambladas en cualquier orden. Se desea realizar una prueba para determinar
el tiempo necesario para cada una de las formas posibles de montaje. Si cada
una de las formas se va aprobar una vez, cuntas pruebas deben realizarse?
5P 5
5!
=
(5 - 5)!
5!
0!
= (5)(4)(3)(2)(1) = 120
* Un tubo de radio se puede adquirir en cinco fbricas. De

cuntas formas se pueden escoger tres de las cinco fabricas?
5 C3
5!
(5 - 3)! (3 !)
5!
=
(2 !) (3 !)
(5)(4)(3 !)
(2 !) (3 !)
5 4
2 1
= 10
* Una compaa desea ascender a 3 de sus 24 gerentes para

colocarlos en las posiciones de vice presidente de ventas, de manufacturas y
de finanzas. Cuntas opciones distintas se tienen para efectuar estos
ascensos?
R.-
Como si nos importa el orden, entonces tenemos una
permutacin, debido a que los puestos son A, B y C, y los trabajadores

pueden ocupar el que sea, por lo tanto:
24P3
24 !
=
( 24 - 3 ) !
(24)(23)(22)(21 !)
21 !
= 24 23 22 = 12,144 opciones
* Un experimento consiste en asignar 10 trabajadores a 10

empleos. De cuntas formas distintas se pueden asignar estos 10 trabajadores
a estos 10 empleos?
10P10
10 !
=
(10 - 10) !
10 !
0!
= 10 ! = 3' 628,800 formas distintas
87
* De cuntas maneras podemos permutar
libros que se
encuentran en un estante?.
7P7
7!
=
(7 - 7)!
7!
0!
= 7 ! = 5,040
* De cuntas maneras posibles se pueden permutar esos libros si

dos de ellos deben de estar siempre juntos?
6P6
6!
=
(6 - 6)!
6!
= 6 ! = 720
0!
Se multiplica el resultado por dos ya que esos dos libros pueden cambiar de
lugar entre ellos, estando juntos, por lo tanto el nmero de permutaciones que
puede haber es:
# de arreglos = (720)(2) = 1440
* De cuntas maneras posibles puedo tomar de dos en dos las

vocales sin interesarnos el orden ?.
5 C5
5!
(5)(4)(3 !)
=
=
(5 - 2) ! (2 !)
(3 !) (2 !)
5 4
2 1
= 10
PROBABILIDAD CONDICIONAL
En la prctica es comn enfrentarnos al problema de obtener la
probabilidad de un evento, condicionado a la ocurrencia o no ocurrencia de
otro, esto es, el caso en que la ocurrencia de un evento altera las condiciones
de las que depende la probabilidad del otro, estas probabilidades se llaman
probabilidades
condicionadas. Si
A y B
son los eventos en cuestin,
tenemos que P(A/B) es la probabilidad de A dado que ya ocurri el evento

B. P(B/A) es la probabilidad de B dado que A ya ocurri.
Sea S el espacio muestral de E y sean
A y B eventos
definidos en S. Si preguntamos por la probabilidad de A dado que ocurri
88
B, el espacio se reduce slo a lo comprendido en el conjunto B y viceversa,

como se observa en el diagrama:
S
A
Definiremos las probabilidades condicionales de B dado A y

de A dado B, como sigue:
P( A B ) =
P(A B)
P(B)
P( B A ) =
P(A B)
P(A)
INDEPENDENCIA PROBABILISTICA
Se dice que dos sucesos son independientes si la ocurrencia o no
ocurrencia de uno de ellos no cambia la probabilidad de ocurrencia del otro, a
esto se le llama independencia probabilstica. S
son eventos
independientes, tenemos que : P(A/B) = P(A) y P(B/A) = P(B).
LEYES DE PROBABILIDAD
Las leyes pueden ser simplemente enunciadas y tomadas como
ciertas mientras sean consistentes con nuestro modelo y con la realidad.
Ley Aditiva de Probabilidad: Esta ley se aplica a las uniones y
es igual a:
89
P ( A U B ) = P ( A ) + P ( B ) - P (A B )
s A B = , se dice que A y B son mutuamente excluyentes, entonces:
P(AUB)=P(A)+P(B)
Ley Multiplicativa de Probabilidad: Esta ley se aplica a las
intersecciones y es igual a:
P(A B)=P(A)
P(B/A)=P(B)*P(A/B)
S A y B son independientes, entonces P ( A B ) = P ( A ) * P ( B )

Un experimento a menudo produce observaciones numricas que
varan de muestra a muestra. Por esta razn se define una variable aleatoria
como una funcin con valores numricos definida sobre un espacio muestral.
En otras palabras, una variable X es una variable aleatoria si el valor que
asume es un suceso numrico aleatorio. Un ejemplo de suceso numrico es el
valor de cierre diario de ciertas acciones industriales.
Las variables aleatorias se clasifican en discretas y continuas.
Una Variable Aleatoria Discreta es una variable que slo puede asumir un
conjunto numerable de valores. Veamos algunos ejemplos:
* El nmero de tornillos defectuosos en una muestra de 100,
extrada de una produccin industrial.
* El nmero de casas rurales que tienen agua potable en una
regin.
* El nmero de personas que esperan en el consultorio de un
dentista.
90
Una Variable Aleatoria Continua es una variable que puede

asumir un nmero infinitamente grande de valores correspondientes a los
puntos sobre un intervalo en una lnea recta. Ejemplos:
* El tiempo de vida de una clula humana.
* La cantidad de lluvia que cae en Ixtlahuacn durante una hora.
* La cantidad de azcar en una manzana.
Veamos algunos ejercicios referentes a este captulo.
* Dado que se lanzan dos dados normales, Cul es la
probabilidad de que la suma de las caras sea 4, si se sabe:
a)
que cayeron dos caras impares?

(1,1) ;
(2,1) ;
(3,1) ;
S=
(4,1) ;
(5,1) ;
(6,1) ;
(1,2) ;
(2,2) ;
(3,2) ;
(4,2) ;
(5,2) ;
(6,2) ;
(1,3) ;
(2,3) ;
(3,3) ;
(4,3) ;
(5,3) ;
(6,3) ;
(1,4) ;
(2,4) ;
(3,4) ;
(4,4) ;
(5,4) ;
(6,4) ;
(1,5) ;
(2,5) ;
(3,5) ;
(4,5) ;
(5,5) ;
(6,5) ;
(1,6)
(2,6)
(3,6)
(4,6)
(5,6)
(6,6)
A = { (1,3) (3,1) (2,2) }

B = { (1,1) (1,3) (1,5) (3,1) (3,3) (3,5) (5,1) (5,3) (5,5) }
A B = { (1,3) (3,1) }
P( A B ) = 2 / 36 = 1/18
P( B ) = 9 / 36 = 1 / 4
P( A / B ) = P( A B) / P( B ) = ( 2 / 36 ) / ( 9 / 36 ) = 2 / 9
b)
que la primera cara es par?

(2,1) ; (2,2) ; (2,3) ; (2,4) ; (2,5) ; (2,6)
C = (4,1) ; (4,2) ; (4,3) ; (4,4) ; (4,5) ; (4,6)

(6,1) ; (6,2) ; (6,3) ; (6,4) ; (6,5) ; (6,6)
A C = { (2,2) }
91
P( A C ) = 1 / 36
P( C ) = 18 / 36 = 1 / 2
P( A / C ) = P( A C ) / P( C ) = ( 1 / 36 ) / ( 18 / 36 ) = 1 / 18
c)
que al menos una cara es par?

(1,2) ; (1,4) ; (1,6) ; (2,1) ; (2,2) ; (2,3) ; (2,4) ; (2,5) ; (2,6)
D = (3,2) ; (3,4) ; (3,6) ; (4,1) ; (4,2) ; (4,3) ; (4,4) ; (4,5) ; (4,6)

(5,2) ; (5,4) ; (5,6) ; (6,1) ; (6,2) ; (6,3) ; (6,4) ; (6,5) ; (6,6)
A D = { (2,2) }
P( A D ) = 1 / 36
P( D ) = 27 / 36 = 3 / 4
P( A / D ) = P( A D ) / P( D ) = ( 1 / 36 ) / ( 27 / 36 ) = 1 / 27
d)
que la primera cara es 1?

E = { (1,1) (1,2) (1,3) (1,4) (1,5) (1,6) }
A E = { (1,3) }
P( A E ) = 1 / 36
P( E ) = 6 / 36 = 1 / 6
P( A / E ) = P( A E ) / P( E ) = ( 1 / 36 ) / ( 6 / 36 ) = 1 / 6
* Se tienen dos urnas, en la urna A hay 8 bolas blancas, 6 rojas y

6 azules y en la B 4 blancas, 5 rojas y 6 azules.
a)
Cul es la probabilidad de sacar una bola blanca de la urna A?

P(A) = M/n = 8/20 = 2/5 = 0.40 x 100 = 40 %
b)
Cul es la probabilidad de sacar una azul de la urna B?

P(B) = 6/15 = 2/5 = 0.40 x 100 = 40 %
c)
Cul es la probabilidad de sacar una roja de la urna A B?

P(A B) = P(A) + P(B) = 6/20 + 5/15 = 19/30 = 0.633 x 100 = 63.3 %
d)
Cul es la probabilidad de sacar una azul de la urna A y B?

P(A B) = P(A) * P(B) = (6/20)(6/15) = 36/300 = 0.12 x 100 = 12 %
92
* Los pacientes que llegan a una clnica pueden seleccionar una

de tres secciones para ser atendidos. Supongamos que los mdicos se asignan
al azar a las secciones y que los pacientes no tienen preferencia especial por
ninguna de las secciones. Tres pacientes llegan a la clnica y se registra la
seccin que escogen.
a)
Haga una lista de los puntos mustrales para este experimento.

Los puntos mustrales sern los escogidos por los pacientes entre las
secciones 1, 2 y 3, tenindose entonces que:

(111) ; (112) ; (113) ; (121) ; (122) ; (123) ; (131) ; (132) ; (133)
S = (211) ; (212) ; (213) ; (221) ; (222) ; (223) ; (231) ; (232) ; (233)

(311) ; (312) ; (313) ; (321) ; (322) ; (323) ; (331) ; (332) ; (333)
b)
Sea A el suceso de que cada seccin recibe un paciente. Haga una lista
de los puntos mustrales de A.

A = { (123) ; (132) ; (213) ; (231) ; (312) ; (321) }
c)
Haga una asignacin razonable de probabilidad a los puntos mustrales
y encuentre P(A).
Sea Ei cada evento, entonces la P( Ei ) = 1/27 ; por lo tanto la
P(A) se obtiene de la suma de 6 eventos posibles, tenindose entonces que :
P(A) = 6 / 27 = 2 / 9
* Se le pide a un catador de t que pruebe y clasifique tres
variedades de t, A, B y C, de acuerdo a su preferencia.
a)
Defina el experimento.
Ordenar A, B y C para poder llevar a cabo el proceso.
93
b)
Haga una lista de los puntos mustrales.

S = { (ABC) ; (ACB) ; (BAC) ; (BCA) ; (CBA) ; (CAB) }
c)
Si el catador no tuviera habilidad para distinguir la diferencia de sabor
entre los tres tipos de t, cul es la probabilidad de que concluya que el t de

tipo A es el mejor?
Como en dos de las seis ocasiones de los puntos mustrales
coloca a el t de tipo A como mejor que los otros dos, tenemos entonces de
que la probabilidad de que escoja al t de tipo A como el mejor es:
P( A) = 2 / 6 = 1 / 3 = 0.333 x 100 = 33.3 %
* Los avisos comerciales de televisin se disean para atraer a la
audiencia ms probable del programa que se est auspiciando. Sin embargo,
S. Ward en su trabajo Reacciones de los nios a los Avisos Comerciales,
observa que los nios frecuentemente poseen una comprensin baja de los
avisos comerciales, an de aquellos diseados para atraer especialmente a los
nios. Las investigaciones de Ward demuestran que los porcentajes de nios
que comprenden los avisos comerciales para diferentes edades son los
especificados en la siguiente tabla.
Edad
5 - 7
8 - 10
11 - 12
No comprenden
55 %
40 %
15 %
Comprenden
45 %
60 %
85 %
94
En un experimento de laboratorio para evaluar la comprensin de los avisos

comerciales, se muestra a un nio de 6 aos y a un nio de 9 aos.
a)
Cul es la probabilidad de que el mensaje sea entendido por el nio de
6 aos?
R.-
La probabilidad de que el aviso sea entendido por el nio de 6
aos es 45 %, ya que para el nio de 6 aos existen dos valores posibles, los
cuales son el que entienda y el que no entienda, por lo tanto segn la tabla
mostrada por Ward tenemos que el nio de 6 aos comprende el mensaje con
una probabilidad de 45 %.
b)
Cul es la probabilidad de que ambos nios comprendan el aviso?

R.-
Como la probabilidad de que el nio de 6 aos comprenda es
independiente de la del nio de 9 aos, tenemos un evento independiente,

por lo tanto el producto de las probabilidades de que los dos nios
comprendan el aviso ser la probabilidad de que ambos nios lo comprendan,
tenindose entonces que: P(Comprendan ambos nios) = (0.45)(0.60) =
0.27x100 = 27%
1.-
Un inversionista tiene la oportunidad de invertir en tres de cinco tipos

recomendados de acciones. El inversionista no sabe que slo dos de los
cinco tipos producirn un beneficio sustancial en los prximos 5 aos.
Si el inversionista selecciona los tres tipos de acciones al azar (dndole
a cada combinacin de tres tipos la misma probabilidad de seleccin),
95
cul es la probabilidad de que seleccione los dos tipos de acciones ms

beneficiosos?
2.-
Se lanzan dos dados normales, cul es la probabilidad de que la suma

de los dos nmeros que aparecen sea igual a 7?, igual a 11?
3.-
Cuatro trabajadores, de los cuales dos pertenecen a un grupo

minoritario, se asignan a cuatro empleos netamente distintos.
a)
Defina el experimento.
b)
Haga una lista de los puntos mustrales en S.
c)
Si la asignacin de empleos es imparcial, es decir, si una

asignacin es tan probable como cualquier otra, cul es la
probabilidad de que los dos trabajadores del grupo minoritario
sean asignados a los dos empleos menos deseables?
4.-
Una encuesta entre consumidores en una comunidad particular mostr

que el 10 % no qued satisfecho con los trabajos de plomera hechos en
sus casas. 50 % de las quejas fueron respecto al plomero A, si el
plomero A hace el 40 % de los trabajos de plomera en la ciudad, cul
es la probabilidad de obtener:
5.-
a)
Un trabajo de plomera no satisfactorio, si fue el plomero A?
b)
Un trabajo satisfactorio, dado que el plomero es A?
En cada uno de los siguientes casos, indique si la variable es discreta o

continua:
a)
El nmero de homicidios en Ixtlahuacn durante un mes.
b)
El tiempo que transcurre entre la llegada de pacientes a una

clnica.
c)
El nmero de errores de mecanografa por pgina.
d)
El tiempo requerido para terminar un examen.
96
e)
El nmero de bombillos defectuosos en un paquete que contiene

4 bombillos.
6.-
7.-
Si se lanzan tres monedas legales, cul es la probabilidad de que caiga:

a)
Una cara o ms?
b)
Al menos un sol?
c)
Exactamente dos caras?
De cuntas formas se pueden sentar diez personas en una banca con

espacio para cuatro.
8.-
De cuantas formas puede elegirse una comisin de cinco personas de

entre nueve.
9.-
Si hay seis bulbos defectuosos en lote de cien y se hace una seleccin

aleatoria de dos bulbos sin reemplazo, cul es la probabilidad de que:
a)
se seleccione un bulbo bueno y uno defectuoso?
b)
se escojan dos bulbos en buen estado?
c)
se seleccionen dos bulbos defectuosos?
d)
se elijan uno o ms bulbos defectuosos?
e)
se tomen uno o ms bulbos en buen estado?
97
En est captulo se explicarn algunas distribuciones de muestreo

que son necesarias en un curso de Probabilidad y Estadstica, como son: La
Distribucin de Poisson, La Distribucin Binomial, La Distribucin Normal y
La Distribucin t de Student. Este tipo de distribucin corresponde a el tipo
de variable aleatoria continua, ya que la distribucin de variable aleatoria
discreta la podemos observar en las frecuencias relativas de los cuadros
estadsticos presentados en el captulo dos.
Para obtener una distribucin de probabilidad con variable
aleatoria continua, notamos que la probabilidad de que X se encuentre entre
dos valores diferentes tiene significado. Esta idea y las siguientes
propiedades:
1.- f(X) 0
2.-
f ( x ) dx 1
nos conducen a postular la existencia de una funcin
f(x), donde
x ( , ) . Entonces definimos la probabilidad de que x [a,b], como:
P (a x b)
f ( x ) dx
b
de donde se puede demostrar que esta definicin satisface los axiomas de

probabilidad dados en el captulo 6. Una funcin f(x) que satisface los
requisitos anteriores se llama funcin de probabilidad o distribucin de
probabilidad para variable aleatoria continua, pero con mayor frecuencia se le
denomina funcin de densidad de probabilidad o simplemente funcin de
densidad.
98
DISTRIBUCION BINOMIAL
Es una de las distribuciones de probabilidad que se encuentra con
mayor frecuencia en Estadstica aplicada. La distribucin se obtiene de un
proceso conocido como Ensayo de Bernoulli2.
Cuando un ensayo de algn experimento puede conducir slo a
uno o dos resultados mutuamente excluyentes, tales como: muerto vivo, da
noche, masculino femenino, cara cruz, etc. , el ensayo se conoce con el
nombre de Ensayo de Bernoulli. Una sucesin de Ensayos de Bernoulli
forman un Proceso de Bernoulli, bajo las siguientes condiciones:
1.- Cada ensayo conduce a uno de dos resultados posibles mutuamente
excluyentes denominados por xito (p) o fracaso (q).
2.- La probabilidad de xito denotada por (p), permanece constante de
ensayo a ensayo. La probabilidad de fracaso (q) es 1-p.
3.- Los ensayos son independientes, es decir, el resultado de uno no es
afectado por el resultado del otro.
A continuacin veremos la frmula para obtener la probabilidad
aplicando la Distribucin Binomial, enunciando que esta distribucin sirve
para obtener la probabilidad de un evento cuando se tienen muestras grandes
y probabilidades grandes.
P( x ) = nCx * px*qn - x
2 James Bernoulli (1654-1705), matemtico suizo que realiz importantes contribuciones en el campo de la
probabilidad.
99
n !
(n - r)! r!
Como:
nCx =
entonces:
P( x ) =
donde:
n = Tamao de la muestra.
n!
p x q n-x
(n - r)! r!
x = No. de elementos tomados de la muestra.

p = Probabilidad de xito.
q = 1 - p = Probabilidad de fracaso.
A la expresin anterior se le conoce como Distribucin de
Probabilidad Binomial, y debe de cumplir con:
a).-
P(X) 0 para todos los valores de x.
b).-
c).-
n 1, ya que debe de existir una muestra.
P(X) = 1
Hablando estrictamente el uso de la Distribucin Binomial es

aplicable en aquellos casos en donde el muestreo es a partir de una poblacin
finita con reemplazo. Como en la prctica real frecuentemente se extraen las
muestras sin reemplazo de poblaciones finitas, surge naturalmente la pregunta
de lo apropiado de la Distribucin Binomial bajo estas circunstancias. El que
la Distribucin Binomial sea apropiada o no, depende de que tan drstico sea
el efecto de estas condiciones sobre las circunstancias de xito de ensayo a
ensayo. En general se conviene que cuando n es pequeo relativo a N, el
modelo de la Distribucin Binomial resulta el ms apropiado. Algunos
autores mencionan que n es pequea respecto a N , si N por lo menos es 10
veces mayor que n.
100
* Supngase que la tasa de mortalidad para cierta enfermedad de

una poblacin es 0.1 , supngase que la contraen 10 personas, cul es la
probabilidad de que:
a).- ninguna sobreviva?
p = 0.1
q = 0.9
x = 10
P(10) =
n = 10
10 !
(0.10)10 (0.90) 10-10
(10 - 10)! 10!
= ( 1 )( 1 x 10- 10 )( 1 ) = 1 x 10- 10 x 100

= 1 x 10- 8 %
b).- el 50 % se muera?
p = 0.1
q = 0.9
x=5
n = 10
P(5) =
10 !
(0.10) 5 (0.90) 10-5
(10 - 5)! 5!
= ( 252 )( 1 x 10- 5 )( 0.59049 )

= 0.1488 %
c).- al menos 3 mueran?

p = 0.1
q = 0.9
x = 0,1,2
n = 10
P(X 3) = 1 - [
P(X 3) = P( 3 ) + P( 4 ) + + P( 10 )
= 1 - [ P( 0 ) + P( 1 ) + P( 2 ) ]
10 !
10 !
10 !
(.10)0 (.90)10-0
(.10)1 (.90)10-1
(.10)2 (.90)102]
(10-0)! 0!
(10-1)!1!
(10-2)! 2!
P(X 3) = 1 - [0.3486 + 0.3874 + 0.1937] = 1 - 0.9297 = 0.0703 x 100

P(X 3) = 7.03 % es el valor de la probabilidad de que 3 o ms mueran.
d).- exactamente 3 se mueran?
101
p = 0.1
q = 0.9
x=3
P(3) =
n = 10
10 !
(0.10) 3 (0.90) 10-3
(10 - 3)! 3!
= 120 * ( 1 x 10- 3 )( 0.4782 )

= 0.0573 x 100 = 5.73 %
DISTRIBUCION DE POISSON
La Distribucin de Poisson3 es usada con amplitud en Biologa,
Medicina y en todas las ramas de las Ciencias Sociales, sin embargo existen
muchos problemas en los que es bastante til. Si x es el nmero de
ocurrencias de un evento aleatorio en un intervalo de tiempo o espacio, la
probabilidad de que ocurra x est dada por:
e -
P( x ) =
X !
donde x = 0, 1, 2, 3, . . . ; = parmetro de la distribucin y es el nmero

promedio de ocurrencias del evento aleatorio en el intervalo; e = 2.7183 ,
que es una constante del nmero exponencial. Puede demostrarse tambin
que:
1.-
f(x) 0
2.-
f(x) = 1
de modo que la distribucin satisface los requerimientos para la distribucin

de una probabilidad. Se ha observado que la Distribucin Binomial surge a
partir de un conjunto de suposiciones acerca de un proceso fundamental que
3 Simond Denis Poisson (1781 - 1840) matemtico francs a quien se le acredit la publicacin de su deduccin en 1837.
102
proporciona un conjunto de observaciones numricas. Este tambin es el caso

de la Distribucin de Poisson que adems cumple con las siguientes
proposiciones:
1.- La ocurrencia de los eventos son independientes.
2.- Tericamente debe ser posible un nmero infinito de ocurrencias del
evento en el intervalo.
3.- La probabilidad de la ocurrencia nica del evento en un intervalo
dado, es proporcional a la longitud del intervalo.
4.- En cualquier porcin infinitesimal del intervalo debe despreciarse la
probabilidad de ms de una ocurrencia en el evento.
5.- Una particularidad de la distribucin de Poisson es que la varianza y
la media son iguales.
La Distribucin de Poisson tiene muchas aplicaciones, as mismo
mencionaremos que este tipo de distribucin se utiliza cuando se tienen
probabilidades grandes y sucesos o eventos pequeos.
* El administrador de un Hospital a observado que las
admisiones de emergencia durante un periodo de varios aos se distribuyen de
acuerdo a la ley de Poisson. Los registros del Hospital revelan que durante
este periodo han sido de un promedio de 3 por da. Si el administrador del
Hospital est en lo cierto, hallar la probabilidad de que:
a).- en un da dado ocurran exactamente dos admisiones.
e = 2.7183
=
x=2
e-
P( 2 ) =
X!
(2.7183) -3 (3) 2
0.2240 x 100 = 22.4 %
2!
103
b).- en un da particular no ocurra admisin alguna.

e = 2.7183
=
e -
P( x ) =
X !
x=0
(2.7183) 3 (3) 0
P( 0 ) =
0.04978 x 100 = 4.978 %
0!
c) en un da en particular se admitan 3 4 casos.

e = 2.7183
=
x=34
e -
P( x ) =
X !
P( 3 4 ) = P( 3 ) + P( 4 )
(2.7183) 3 (3) 3 (2.7183) 3 (3) 4
P( 3 4 ) =
3!
4!
P( 3 4 ) = 0.2240 + 0.1680 = 0.3920 x 100 = 39.2 %
* El 10 % de los tornillos producidos en una fbrica resultan

defectuosos. Hallar la probabilidad de que en una muestra de 10 tornillos
seleccionados aleatoriamente, exactamente dos estn defectuosos.
a).- Empleando la Distribucin Binomial.
P( x ) =
p = 0.1
P(2)=
n!
p x q n-x
(n - r)! r!
q = 0.9
x=2
n = 10
10 !
. ) 2 (090
. )102 (45)(001
. )(04304
.
) 01937
.
x100 19.37 %
(010
(10- 2)! 2!
104
b).- Empleando la Distribucin de Poisson.

e = 2.7183
e -
= n * p = 1 P( x ) =
X !
x=2
( 2 .7183) 1 (1) 2
P(2) =
0.1839 x 100 = 18.39 %
2!
* Si la probabilidad de que un individuo sufra una reaccin por

una inyeccin de un determinado suero es 0.001; determinar la probabilidad
de que de un total de 200 individuos:
a).- exactamente 3 tengan reaccin.
e = 2.7183
=
e -
P( x ) =
X !
n * p = 0.2
x=3
( 2 .7183) 0 .2 ( 0.2 ) 3
P( 3 ) =
0.0010916 x 100 = 0.10916 %
3!
b).- ms de dos individuos tengan la reaccin.

e = 2.7183
=
n * p = 0.2
x = 3, 4,
* * *
, 200
P(X 2) = P(3) + P(4) +
e -
P( x ) =
X !
* * *
+ P(200) = 1 - [ P(0) + P(1) + P(2) ]
( 2.7183) 0.2 ( 0.2 ) 0 ( 2.7183) 0.2 ( 0.2 ) 1 ( 2.7183) 0.2 ( 0.2 ) 2

= 1 +
0!
1!
2!
= 1 - (0.813781 + 0.162756 + 0.016275 ) = 1 - 0.992812

= 0.007188 x 100 = 0.7188 %
105
DISTRIBUCION NORMAL
Uno de los ms importantes ejemplos de la distribucin continua
es la Distribucin Normal, algunas veces denominada Distribucin
Gaussiana. La funcin de densidad para la Distribucin Normal est dada por:
1
( x - ) 2 / 2 2
f ( x)
e
2
donde:
= media aritmtica.
= desviacin estndar.
La funcin de distribucin correspondiente esta dada por:
F(x) = P(X x) =
e (x - )
/ 2
dx
En este caso decimos que la variable aleatoria

normalmente distribuida con media
y varianza
est
. Una de las
caractersticas de la Distribucin Normal es que se va a desplazar sobre el eje

horizontal dependiendo del valor de la media de la siguiente manera:
106
Para la distribucin, como ya vimos anteriormente en su funcin

de densidad, el valor de la probabilidad se va a obtener mediante una funcin
de integracin, la cul no ser necesario desarrollar debido a que existen
tablas que podemos utilizar para el clculo de las probabilidades, adems,
sera muy difcil ya que una integral se resuelve mediante una sucesin. Para
el clculo de la Distribucin Normal utilizaremos la Distribucin Normal
Unitaria, a la cual se llega desarrollando la integral y encontrando un
parmetro Z con el cual obtendremos el rea bajo la curva, que ser la
probabilidad buscada.
Y si hacemos que Z sea la variable normalizada de x, tenemos:
Z=
X -
Ahora bien, si = 0 y = 1 al sustituirlos en F(x) tenemos:

1
2
f( z ) =
e z/2
Este resultado se conoce frecuentemente como la funcin o la

distribucin de densidad normal tipificada. La funcin de distribucin
correspondiente esta dada por:
F(z) = P(Z z) =
1
2
e
-
- u2 /2
du =
1
1
2
2
- u2 /2
du
-0
Esta integral no puede evaluarse por mtodos ordinarios. (La

dificultad proviene del hecho que no podemos aplicar el Teorema
Fundamental del Clculo puesto que no podemos encontrar una funcin cuya
derivada sea igual a e
-u/2
). Sin embargo esta funcin ha sido tabulada
ampliamente, y en el Apndice se da un extracto de tal tabla. En la siguiente
107
figura se muestra una representacin grfica de la funcin de densidad, que

tambin se conoce como Curva Normal Tipificada.
-3
-2
-1
P( -1 Z 1 ) = 0.6827 (68.27 %)
P( -2 Z 2 ) = 0.9545 (95.45 %)
P( -3 Z 3 ) = 0.9973 (99.73 %)
* Hallar el rea bajo la curva normal tipificada:
a).- Entre z = 0 y z = 1.2
Utilizando la tabla del Apndice II (tabla 1), baje por la columna
marcada con z hasta alcanzar el valor 1.2. Luego proceda a la derecha hasta la
columna marcada con 0. El
resultado 0.3849 es el rea pedida y representa
la probabilidad de que Z est entre 0 y 1.2, por lo tanto:

P( 0 Z 1.2 ) = 0.3849 x 100 = 38.49 %
b).- Entre z = -0.68 y z = 0
rea pedida = rea entre z = 0 y z = +0.68 (por simetra). Por tanto, baje por
la columna z hasta alcanzar el valor 0.6. Entonces, proceda a la derecha hasta
la columna 8; el resultado, 0.2517, es el rea pedida y representa la
probabilidad de que Z est entre -0.68 y 0.
c).- Entre z = -0.46 y z = 2.21
rea pedida = (rea entre z = -0.46 y z = 0) + (rea entre z = 0 y z = 2.21 ).
108
En base al mismo proceso tenemos:

rea entre z = -0.46 y z = 0
es:
0.1772
rea entre z = 0 y z = 2.21
es:
0.4864
rea entre z = -0.46 y z = 2.21 es:
0.6636
d).- Entre z = 0.81 y z = 1.94

rea pedida = (rea entre z = 0 y z = 1.94) - (rea entre z = 0 y z = 0.81)
En base al mismo proceso tenemos:
es:
0.4738
es:
0.2910
rea entre z = 0.81 y z = 1.94 es:
0.1828
e).- Para z -1.28

rea pedida = (rea entre z = -1.28 y z = 0) + (rea a la derecha de z = 0)
rea entre z = -1.28 y z = 0
es:
0.3997
rea a la derecha de z = 0
es:
0.5000
rea para z -1.28
es:
0.8997
* Si las estaturas de 300 estudiantes estn distribuidas

normalmente con media igual a 1.7 metros y desviacin tpica de 0.1 metros.
Hallar la probabilidad de que:
a).- Los estudiantes sean mayores de 1.85 metros.
z =
x-
= 1.7
z=
= 0.1
1 .8 5 - 1.70
0 .1 0
x = 1.85
0 .1 5
= 1 .5
0 .1 0
El rea entre 0 y 1.5 es 0.4332; el rea pedida es:
109
( rea a la derecha de z = 0 ) - ( 0.4332 ) = 0.0668

entonces P( x 1.85 ) = 0.0668 x 100 = 6.68 %
b).- Cuntos estudiantes tendrn una estatura mayor que 1.85 m.
x = np = (300)(0.0668) = 20 estudiantes
c).- Tengan una estatura 1.55 metros
z=
1 .5 5 - 1 .7 0
0 .10
- 0 .1 5
=
0 .1 0
- 1 .5
El rea pedida es para z -1.5, por lo tanto la probabilidad es:

P( x 1.55 ) = 0.5000 - 0.4332 = 0.0668 x 100 = 6.68 %
* Las ventas diarias de un pequeo restaurante tienen una
distribucin normal aproximada con media = 530 y desviacin tpica de 120.
a).- Cul es la probabilidad de que las ventas excedan los 700 un da dado?
z=
7 00 - 53 0
120
170
= 1.41 6
120
P( x 700 ) = 0.5000 - 0.4207 = 0.0793 x 100 = 7.93 %

b).- Cul es la probabilidad de que las ventas sean menores de 300?
z=
3 00 - 5 3 0
120
- 230
=
120
- 1.91 6
P( x 300 ) = 0.5000 - 0.4719 = 0.0281 x 100 = 2.81 %

c).- Cul es la probabilidad de que las ventas estn entre 350 y 610?
z1 =
3 50 - 53 0
12 0
z2 =
6 10 - 5 3 0
120
- 18 0
=
120
80
=
12 0
- 1 .5
- 0.67
P(350 x 610) = 0.4332 + 0.2486 = 0.6818 x 100 = 68.18 %
110
DISTRIBUCION t de Student
La distribucin del estadstico de prueba para muestras extradas
de una distribucin normal, es conocida como la t de Student.
-
s
n
Omitiremos la complicada expresin matemtica de la densidad
t
de t, pero describiremos algunas de sus caractersticas. La distribucin de t4,

al repetirse el muestreo tiene igual que
un a forma monticular y
perfectamente simtrica respecto a t = 0. A diferencia de z, es mucho ms

variable, extendindose rpidamente a la derecha y a la izquierda. La
variabilidad de z, al repetirse el muestreo, se debe solamente a
cantidades que aparecen en
variabilidad de
z(n y
x. Las otras
) no son aleatorias. En cambio, la
se debe a dos cantidades aleatorias,
x y s, y puede
demostrarse que stas son independientes entre s. As, cuando x es muy

grande, s puede ser muy pequea y viceversa. Como resultado de esto, t es
ms variable que z. Finalmente, como podramos imaginar, la variabilidad de
t disminuye a medida que n aumenta porque la estimacin s de
estar
basada en ms y ms informacin. Cuando n es infinitamente grande, las

distribuciones t y z son idnticas. As, Gosset descubri que la distribucin
de t depende del tamao de la muestra n.
El divisor (n - 1) de la suma de los cuadrados de las desviaciones,
que aparece en la frmula de s, se llama el nmero de grados de libertad
asociados con s. El origen del trmino "grados de libertad" est asociado
con
4 W. S. GOSSET: Descubri y publico en 1908 esta distribucin bajo el nombre de Distribucin t de Student.
111
la teora estadstica subyacente en la distribucin de probabilidad de s. Se

puede decir que el estadstico de prueba t est basado en una muestra de n
observaciones o que tiene (n - 1) grados de libertad.
Los valores crticos de t que separan las regiones de aceptacin y
rechazo para la prueba estadstica, se presentan en la tabla 2 del Apndice II.
Los valores de tp indican el valor de t tal que a su derecha se encuentra un
rea p, segn se muestra en la siguiente figura:
tp
S deseamos encontrar el valor de t tal que 5 % del rea se
encuentre a su derecha, usamos la columna marcada t.95 . El valor crtico de t
para nuestro ejemplo, se encuentra en la columna marcada con
t.95 y en la
fila correspondiente a g.l. = (n - 1) = 5, es t = 2.02.

* Hallar los valores de t para los cuales el rea de la cola a la
derecha de la distribucin t es 0.05 si el nmero de grados de libertad (g.l.) es:
a).- 16 ;
b).- 27 ;
c) 200
a).-
1.75 correspondiente a v = 16 y t.95
b).-
1.70 correspondiente a v = 27 y t.95
c).-
1.645 correspondiente a v = 200 y t.95 (cuando v 121 se toman los
valores para v = )
112
1.-
2.-
3.-
4.-
5.-
Se sabe que el nmero promedio de accidentes en una seccin dada de

una autopista es de 3 por semana. Cul es la probabilidad de que:
a).-
no ocurran accidentes durante una semana?
b).-
ocurran exactamente 2 accidentes en una semana dada?
c).-
ocurran 3 o ms accidentes en una semana en particular?
Consideremos un defecto metablico que ocurre aproximadamente uno

en cada cien nacimientos. S cuatro nios nacen en un hospital un da
dado, cul es la probabilidad de que:
a).-
ninguno tenga el defecto?
b).-
no ms de uno tenga el defecto?
c).-
exactamente 3 tengan el defecto?
Durante un perodo largo de tiempo se observa que un tirador da en el

blanco con probabilidad igual a 0.8 cada vez que hace un disparo. Si
dispara 4 veces, cul es la probabilidad de que de en el blanco:
a).-
exactamente 2 veces?
b).-
al menos dos veces?
c).-
exactamente 4 veces?
El nmero de personas que ingresan a la unidad de cuidado intensivo de

cierto hospital durante un da dado, tiene una distribucin de
probabilidad con media igual a 5 personas por da. Cul es la
probabilidad de que en un da dado:
a).-
ingresen entre 4 y 7 personas?
b).-
ingresen dos personas exactamente?
c).-
ingresen entre 3 y 5 personas?
Supngase que el nmero de un tipo particular de bacterias en un

mililitro de agua potable tiene una distribucin aproximadamente
113
normal con media 85 y desviacin estndar 9. Cul es la probabilidad

de que en una muestra dada de un mililitro de agua existan:
6.-
a).-
ms de 100 bacterias?
b).-
entre 75 y 90 bacterias?
c).-
menos de 80 bacterias?
d).-
exactamente 93 bacterias?
Los promedios de aprovechamiento de una poblacin grande de

estudiantes universitarios tiene una distribucin normal con media igual
a 2.4 y desviacin estndar 0.8.
a).-
Qu porcentaje de los estudiantes tiene un promedio mayor que

3?
b).-
7.-
S los estudiantes que tienen aprovechamiento menor o igual

a 1.9 deben abandonar la Universidad, qu porcentaje de
los estudiantes deben irse?
Para una distribucin t de Student con 15 g.l., hallar el valor de t tal:

a).-
que el rea a la derecha de t sea 0.01
b).-
que el rea a la izquierda de t sea 0.80
c).-
que el rea a la derecha de t sea 0.10
114
AREAS BAJO LA CURVA

NORMAL TIPIFICADA
DE 0 a Z
0
z
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
2.0
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
3.0
3.1
3.2
3.3
3.4
3.5
0
.0000
.0398
.0793
.1179
.1554
.1915
.2257
.2580
.2881
.3159
.3413
.3643
.3849
.4032
.4192
.4332
.4452
.4554
.4641
.4713
.4772
.4821
.4861
.4893
.4918
.4938
.4953
.4965
.4974
.4981
.4987
.4990
.4993
.4995
.4997
.4998
Z
1
.0040
.0438
.0832
.1271
.1591
.1950
.2291
.2611
.2910
.3186
.3438
.3665
.3869
.4049
.4207
.4345
.4463
.4564
.4649
.4719
.4778
.4826
.4864
.4896
.4920
.4940
.4955
.4966
.4975
.4982
.4987
.4990
.4993
.4995
.4997
.4999
2
.0080
.0478
.0871
.1255
.1628
.1985
.2324
.2642
.2939
.3212
.3461
.3686
.3888
.4066
.4222
.4357
.4474
.4573
.4656
.4726
.4783
.4830
.4868
.4898
.4922
.4941
.4956
.4967
.4976
.4982
.4987
.4991
.4993
.4995
.4997
.4999
3
.0120
.0517
.0910
.1293
.1664
.2019
.2357
.2673
.2967
.3238
.3485
.3708
.3907
.4082
.4236
.4370
.4484
.4582
.4664
.4732
.4788
.4834
.4871
.4901
.4925
.4943
.4957
.4968
.4977
.4983
.4988
.4991
.4993
.4995
.4997
.4999
4
.0160
.0557
.0948
.1331
.1700
.2054
.2389
.2704
.2995
.3264
.3508
.3729
.3925
.4099
.4251
.4382
.4495
.4591
.4671
.4738
.4793
.4838
.4875
.4904
.4927
.4945
.4959
.4969
.4977
.4984
.4988
.4991
.4993
.4995
.4997
.4999
5
.0199
.0596
.0987
.1368
.1736
.2088
.2422
.2734
.3023
.3289
.3531
.3749
.3944
.4115
.4265
.4394
.4505
.4599
.4678
.4744
.4798
.4842
.4878
.4906
.4929
.4946
.4960
.4970
.4978
.4984
.4989
.4991
.4994
.4996
.4998
.4999
6
.0239
.0636
.1026
.1406
.1772
.2123
.2454
.2764
.3051
.3315
.3554
.3770
.3962
.4131
.4279
.4406
.4515
.4608
.4686
.4750
.4803
.4846
.4881
.4909
.4931
.4948
.4961
.4971
.4979
.4985
.4989
.4992
.4994
.4996
.4998
.4999
7
.0279
.0675
.1064
.1443
.1808
.2157
.2486
.2794
.3078
.3340
.3577
.3790
.3980
.4147
.4292
.4418
.4525
.4616
.4693
.4756
.4808
.4850
.4884
.4911
.4932
.4949
.4962
.4972
.4979
.4985
.4989
.4992
.4994
.4996
.4998
.4999
8
.0319
.0714
.1103
.1480
.1844
.2190
.2517
.2823
.3106
.3365
.3599
.3810
.3997
.4162
.4306
.4429
.4535
.4625
.4699
.4761
.4812
.4854
.4887
.4913
.4934
.4951
.4963
.4973
.4980
.4986
.4990
.4992
.4994
.4996
.4998
.5000
9
.0359
.0753
.1141
.1517
.1879
.2224
.2549
.2852
.3133
.3389
.3621
.3830
.4015
.4177
.4319
.4441
.4545
.4633
.4706
.4767
.4817
.4857
.4890
.4916
.4936
.4952
.4964
.4974
.4981
.4986
.4990
.4992
.4995
.4996
.4998
.5000
115
PERCENTILES DE LA
DISTRIBUCION t de Student
CON v GRADOS DE LIBERTAD
tp
v
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
t.500
0.158
0.142
0.137
0.134
0.132
0.131
0.130
0.130
0.129
0.129
0.129
0.128
0.128
0.128
0.128
0.128
0.128
0.127
0.127
0.127
0.127
0.127
0.127
0.127
0.127
0.127
0.127
0.127
0.127
0.127
t.600
0.325
0.289
0.277
0.271
0.267
0.265
0.263
0.262
0.261
0.260
0.260
0.259
0.259
0.258
0.258
0.258
0.257
0.257
0.257
0.257
0.257
0.256
0.256
0.256
0.256
0.256
0.256
0.256
0.256
0.256
t.700
0.727
0.617
0.586
0.569
0.559
0.553
0.549
0.546
0.543
0.542
0.540
0.539
0.538
0.537
0.536
0.535
0.534
0.534
0.533
0.533
0.532
0.532
0.532
0.531
0.531
0.531
0.531
0.530
0.530
0.530
t.750
1.000
0.816
0.765
0.741
0.727
0.718
0.711
0.706
0.703
0.700
0.697
0.695
0.694
0.692
0.691
0.690
0.689
0.688
0.688
0.687
0.686
0.686
0.685
0.685
0.684
0.684
0.684
0.683
0.683
0.683
t.800
1.376
1.061
0.978
0.941
0.920
0.906
0.896
0.889
0.883
0.879
0.876
0.873
0.870
0.868
0.866
0.865
0.863
0.862
0.861
0.860
0.859
0.858
0.858
0.857
0.856
0.856
0.855
0.855
0.854
0.854
t.900
3.080
1.886
1.638
1.533
1.476
1.440
1.415
1.397
1.383
1.372
1.363
1.356
1.350
1.345
1.341
1.337
1.333
1.330
1.328
1.325
1.323
1.321
1.319
1.318
1.316
1.315
1.314
1.313
1.311
1.300
t.950
6.314
2.920
2.353
2.132
2.015
1.943
1.895
1.860
1.833
1.812
1.796
1.782
1.771
1.761
1.753
1.746
1.740
1.734
1.729
1.725
1.721
1.717
1.714
1.711
1.708
1.706
1.703
1.701
1.699
1.685
t.975
t.990
t.995
12.706 31.821 63.657
4.303 6.965 9.425
3.182 4.541 5.841
2.776 3.747 4.604
2.571 3.365 4.032
2.447 3.143 3.707
2.365 2.998 3.499
2.306 2.896 3.355
2.262 2.821 3.250
2.228 2.764 3.169
2.201 2.718 3.055
2.179 2.681 3.012
2.160 2.650 2.997
2.145 2.624 2.947
2.131 2.602 2.921
2.120 2.583 2.898
2.110 2.567 2.878
2.101 2.552 2.861
2.093 2.539 2.845
2.086 2.528 2.831
2.080 2.518 2.819
2.074 2.508 2.807
2.069 2.500 2.797
2.064 2.492 2.787
2.060 2.485 2.779
2.056 2.479 2.771
2.048 2.473 2.763
2.045 2.467 2.763
2.030 2.462 2.756
2.020 2.440 2.750
40
50
60
70
0.126
0.126
0.126
0.126
0.126
0.255
0.255
0.254
0.254
0.253
0.529
0.529
0.527
0.527
0.524
0.681
0.681
0.679
0.679
0.674
0.851
0.851
0.848
0.848
0.842
1.300
1.300
1.290
1.290
1.280
1.680
1.680
1.670
1.670
1.640
2.020
2.000
1.980
1.980
1.960
2.420
2.390
2.390
2.360
2.330
2.700
2.700
2.660
2.620
2.580
116
TABLAS DE PROBABILIDADES BINOMIALES

a
Los valores que se dan en la tabla son
p( y ) .
y=0
( Los clculos estn redondeados a la tercera cifra decimal )

a) n = 5
0.01
0.05
0.10
0.20
0.30
0.40
0.50
0.60
0.70
0.80
0.90
0.95
0.99
0
1
2
3
4
0.951
0.999
1.000
1.000
1.000
0.774
0.997
0.999
1.000
1.000
0.590
0.919
0.991
1.000
1.000
0.328
0.737
0.942
0.993
1.000
0.168
0.528
0.837
0.969
0.998
0.078
0.337
0.683
0.913
0.990
0.031
0.188
0.500
0.812
0.969
0.010
0.087
0.317
0.663
0.922
0.002
0.031
0.163
0.472
0.832
0.000
0.007
0.058
0.263
0.672
0.000
0.000
0.009
0.081
0.410
0.000
0.000
0.001
0.023
0.226
0.000
0.000
0.000
0.001
0.049
b) n = 10
0.01
0.05
0.10
0.20
0.30
0.40
0.50
0.60
0.70
0.80
0.90
0.95
0.99
0
1
2
3
4
5
6
7
8
9
0.904
0.996
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
0.599
0.914
0.988
0.999
1.000
1.000
1.000
1.000
1.000
1.000
0.349
0.736
0.930
0.987
0.998
1.000
1.000
1.000
1.000
1.000
0.107
0.376
0.678
0.879
0.967
0.994
0.999
1.000
1.000
1.000
0.028
0.149
0.383
0.650
0.850
0.953
0.989
0.998
1.000
1.000
0.006
0.046
0.167
0.382
0.633
0.834
0.945
0.988
0.998
1.000
0.001
0.011
0.055
0.172
0.377
0.623
0.828
0.945
0.989
0.999
0.000
0.002
0.012
0.055
0.166
0.367
0.618
0.833
0.954
0.994
0.000
0.000
0.002
0.011
0.047
0.150
0.350
0.617
0.851
0.972
0.000
0.000
0.000
0.001
0.006
0.033
0.121
0.322
0.624
0.893
0.000
0.000
0.000
0.000
0.000
0.002
0.013
0.070
0.264
0.651
0.000
0.000
0.000
0.000
0.000
0.000
0.001
0.012
0.086
0.401
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.004
0.096
c) n = 15
0.01
0.05
0.10
0.20
0.30
0.40
0.50
0.60
0.70
0.80
0.90
0.95
0.99
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
0.860
0.990
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
0.463
0.829
0.964
0.995
0.999
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
0.206
0.549
0.816
0.944
0.987
0.998
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
0.035
0.167
0.398
0.648
0.836
0.939
0.982
0.996
0.999
1.000
1.000
1.000
1.000
1.000
1.000
0.005
0.035
0.127
0.297
0.515
0.722
0.869
0.950
0.985
0.996
0.999
1.000
1.000
1.000
1.000
0.000
0.005
0.027
0.091
0.217
0.403
0.610
0.787
0.905
0.966
0.991
0.998
1.000
1.000
1.000
0.000
0.000
0.004
0.018
0.059
0.151
0.304
0.500
0.696
0.849
0.941
0.982
0.996
1.000
1.000
0.000
0.000
0.000
0.002
0.009
0.034
0.095
0.213
0.390
0.597
0.783
0.909
0.973
0.995
1.000
0.000
0.000
0.000
0.000
0.001
0.004
0.015
0.050
0.131
0.278
0.485
0.703
0.873
0.965
0.995
0.000
0.000
0.000
0.000
0.000
0.000
0.001
0.004
0.018
0.061
0.164
0.352
0.602
0.833
0.965
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.002
0.013
0.056
0.184
0.451
0.794
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.001
0.005
0.036
0.171
0.537
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.010
0.140
117
d) n = 20
0.01
0.05
0.10
0.20
0.30
0.40
0.50
0.60
0.70
0.80
0.90
0.95
0.99
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
0.818
0.983
0.999
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
0.358
0.736
0.925
0.984
0.997
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
0.122
0.392
0.677
0.867
0.957
0.989
0.998
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
0.012
0.069
0.206
0.411
0.630
0.804
0.913
0.968
0.990
0.997
0.999
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
0.001
0.008
0.035
0.107
0.238
0.416
0.608
0.772
0.887
0.952
0.983
0.995
0.999
1.000
1.000
1.000
1.000
1.000
1.000
1.000
0.000
0.001
0.004
0.016
0.051
0.126
0.250
0.416
0.596
0.755
0.872
0.943
0.979
0.994
0.998
1.000
1.000
1.000
1.000
1.000
0.000
0.000
0.000
0.001
0.006
0.021
0.058
0.132
0.252
0.412
0.588
0.748
0.868
0.942
0.979
0.994
0.999
1.000
1.000
1.000
0.000
0.000
0.000
0.000
0.000
0.002
0.006
0.021
0.057
0.128
0.245
0.404
0.584
0.750
0.874
0.949
0.984
0.996
0.999
1.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.001
0.005
0.017
0.048
0.113
0.228
0.392
0.584
0.762
0.893
0.965
0.992
0.999
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.001
0.003
0.010
0.032
0.087
0.196
0.370
0.589
0.794
0.931
0.988
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.002
0.011
0.043
0.133
0.323
0.608
0.878
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.003
0.016
0.075
0.264
0.642
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.001
0.017
0.182
e) n = 25
0.01
0.05
0.10
0.20
0.30
0.40
0.50
0.60
0.70
0.80
0.90
0.95
0.99
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
0.778
0.974
0.998
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
0.277
0.642
0.873
0.966
0.993
0.999
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
0.072
0.271
0.537
0.764
0.902
0.967
0.991
0.998
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
0.004
0.027
0.098
0.234
0.421
0.617
0.780
0.891
0.953
0.983
0.994
0.998
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
0.000
0.002
0.009
0.033
0.090
0.193
0.341
0.512
0.677
0.811
0.902
0.956
0.983
0.994
0.998
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
0.000
0.000
0.000
0.002
0.009
0.029
0.074
0.154
0.274
0.425
0.586
0.732
0.846
0.922
0.966
0.987
0.996
0.999
1.000
1.000
1.000
1.000
1.000
1.000
1.000
0.000
0.000
0.000
0.000
0.000
0.002
0.007
0.022
0.054
0.115
0.212
0.345
0.500
0.655
0.788
0.885
0.946
0.978
0.993
0.998
1.000
1.000
1.000
1.000
1.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.001
0.004
0.013
0.034
0.078
0.154
0.268
0.414
0.575
0.726
0.846
0.926
0.971
0.991
0.998
1.000
1.000
1.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.002
0.006
0.017
0.044
0.098
0.189
0.323
0.488
0.659
0.807
0.910
0.967
0.991
0.998
1.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.002
0.006
0.017
0.047
0.109
0.220
0.383
0.579
0.766
0.902
0.973
0.996
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.002
0.009
0.033
0.098
0.236
0.463
0.729
0.928
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.001
0.007
0.034
0.127
0.358
0.723
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.002
0.026
0.222
118
TABLA DE VALORES DE e- X
e-X
e-X
e-X
e-X
0.00
0.10
0.20
0.30
0.40
0.50
0.60
0.70
0.80
0.90
1.00
1.10
1.20
1.30
1.40
1.50
1.60
1.70
1.80
1.90
2.00
2.10
2.20
2.30
2.40
2.50
1.000000
0.904837
0.818731
0.740818
0.670320
0.606531
0.548812
0.496585
0.449329
0.406570
0.367879
0.332871
0.301194
0.272532
0.246597
0.223130
0.201897
0.182684
0.165299
0.149569
0.135335
0.122456
0.110803
0.100259
0.090718
0.082085
2.60
2.70
2.80
2.90
3.00
3.10
3.20
3.30
3.40
3.50
3.60
3.70
3.80
3.90
4.00
4.10
4.20
4.30
4.40
4.50
4.60
4.70
4.80
4.90
5.00
0.074274
0.067206
0.060810
0.055023
0.049787
0.045049
0.040762
0.036883
0.033373
0.030197
0.027324
0.024724
0.022371
0.020242
0.018316
0.016573
0.014996
0.013569
0.012277
0.011109
0.010052
0.009095
0.008230
0.007447
0.006738
5.10
5.20
5.30
5.40
5.50
5.60
5.70
5.80
5.90
6.00
6.10
6.20
6.30
6.40
6.50
6.60
6.70
6.80
6.90
7.00
7.10
7.20
7.30
7.40
7.50
0.006097
0.005517
0.004992
0.004517
0.004087
0.003698
0.003346
0.003028
0.002739
0.002479
0.002243
0.002029
0.001836
0.001661
0.001503
0.001360
0.001231
0.001114
0.001008
0.000912
0.000825
0.000747
0.000679
0.000611
0.000553
7.60
7.70
7.80
7.90
8.00
8.10
8.20
8.30
8.40
8.50
8.60
8.70
8.80
8.90
9.00
9.10
9.20
9.30
9.40
9.50
9.60
9.70
9.80
9.90
10.00
0.000501
0.000453
0.000410
0.000371
0.000336
0.000304
0.000275
0.000249
0.000225
0.000204
0.000184
0.000167
0.000151
0.000136
0.000123
0.000112
0.000101
0.000091
0.000083
0.000075
0.000068
0.000061
0.000056
0.000050
0.000045
119
BIBLIOGRAFIA
1
MENDENHALL, WILLIAM ;
INTRODUCCION
A
LA
PROBABILIDAD
Y
ESTADISTICA
:
WADSWORTH
INTERNATIONAL / IBEROAMERICA ; U.S.A 1982
SPIEGEL, MURRAY R.; PROBABILIDAD Y ESTADISTICA ;

McGRAW HILL ; MEXICO. 1990
HERNANDEZ L. HONESIMO ; ELEMENTOS DE PROBABILIDAD

Y ESTADISTICA ; FONDO DE CULTURA ECONOMICA ;
MEXICO ; 1979
OSTLE, BERNARD ; ESTADISTICA APLICADA ; LIMUSA ;

MEXICO ; 1989
McALLISTER, HARRY E. ; ELEMENTOS DE ESTADISTICA EN

ECONOMIA Y LOS NEGOCIOS ; ECASA ; MEXICO ; 1987
FELLER, WILLIAM ; INTRODUCCION A LA TEORIA DE

PROBABILIDAD Y SUS APLICACIONES ; VOLUMEN 1 ;
LIMUSA ; MEXICO ; 1983
MEYER, PAUL L.
PROBABILIDAD Y APLICACIONES
ESTADISTICAS ; FONDO EDUCATIVO INTERAMERICANO
MEXICO ; 1982
8
LEVIN, JACK ; FUNDAMENTOS DE ESTADISTICA EN LA

INVESTIGACION SOCIAL ; HARLA ; MEXICO ; 1987
CEDILLO, TENOCH E. ; ESTADISTICA ; SECCION DE

MATEMATICA EDUCATIVA DEL CINVESTAV - IPN ; MEXICO ;
1986
120
10
MORENO N., MIGUEL A. ; PROBABILIDAD ; SECCION DE

MATEMATICA EDUCATIVA DEL CINVESTAV - IPN ; MEXICO ;
1985
11
HARNETT - MURPHY ; INTRODUCCION A LA PROBABILIDAD

Y ESTADIS TICA; ADDISON - WESLEY IBEROAMERICANA ;
U.S.A.; 1987
12
GARZA
OLVERA,
BENJAMIN
;
ESTADISTICA
Y
PROBABILIDAD ; INTER- AMERICANA DE ACESORIA Y
SERVICIOS ; D.G.T.I. ; MEXICO; 1994
121

Probabilidad y Estadistica M Isaias e Farias

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Probabilidad y Estadistica M Isaias e Farias

Încărcat de

Drepturi de autor:

Formate disponibile

NDICE TEMTICO

Introduccin ; Estadstica ; Usos y Abusos de la

ELABORACIN DE CUADROS ESTADSTICOS 11

Introduccin ; Representaciones grficas ; Histograma

MEDIDAS DE TENDENCIA CENTRAL

La Media Aritmtica; La Mediana; La Moda;

Medidas de Dispersin; Desviacin estndar;

Distribucin Binomial; Distribucin de Poisson;

APNDICE : TABLAS DE PROBABILIDADES

investigaciones de mercado, en sociologa, en la industria, etc.

Estadstica. Podra desearse comparar dos tcnicas de enseanza fsicamente

La Estadstica Descriptiva est dedicada a la

descripcin y presentacin de datos numricos. La Estadstica Inferencial se

interpretar datos numricos.

USOS Y ABUSOS DE LA ESTADSTICA

3.- Utilizacin de datos derivados de un diseo experimental defectuoso.

INTRODUCCIN A LOS TRMINOS BSICOS

5.- DATOS : Comprende el conjunto de valores asignados a la variable de

Los Datos de Atributo o Cualitativos son los que agrupan a una

RELACIN ENTRE PROBABILIDAD Y

relacionados entre s, en las matemticas, se dice a veces que la Probabilidad

es decir, de no ser por las leyes de

Probabilidad, no existiran las teoras estadsticas, as que investigaremos la

En la caja de Probabilidad hay 10 fichas ( 5 Rojas, 3 Verdes y 2

parte, dentro de la Estadstica necesitaremos extraer una muestra de ella para

que la Estadstica pregunta, cuales son esas

posibilidades a partir de los resultados de una muestra ".

D tres ejemplos en donde se utilice la Estadstica.

Explique los factores que ocasionan un mal uso de la Estadstica.

Mencione los ocho trminos bsicos de la Estadstica.

Defina los siguientes trminos en base a lo que usted comprenda:

Poblacin, Muestra, Pieza de Datos, Parmetro.

Mencione como se clasifican los datos y defnalos.

Qu relacin existe entre la Probabilidad y la Estadstica?.

Suponga que desea obtener una estimacin del consumo de gasolina

Un investigador mdico desea estimar el tiempo de supervivencia de un

paciente despus de la aparicin de un tipo particular de cncer y despus de

A continuacin presentaremos algunos conceptos necesarios para

Esencialmente estos mtodos se pueden clasificar como mtodos

embargo la mayor utilidad estadstica se

encuentra en el anlisis de los datos numricos.

proporcin de votos a favor de una determinada propuesta o candidato, se

vota a favor de un candidato, entonces, se infiere que el 60% de todos los

ESTADSTICAS se basan en: la recoleccin de datos, los grficos,

desarrollado tcnicas como las de: ndices de Precios, Sucesiones, Series de

el diseo de experimentos. Mientras que en la

Industria se desarrollan tcnicas para el control de calidad.

anterioridad, sin embargo, no ha sido definido. As mismo se har una

se llama variable porque toma distintos valores posibles

y sus valores son no numerables (Los Reales). Veamos algunos ejemplos

hayan obtenido esas calificaciones, el 5 recibe el nombre de lmite inferior

variables, con el nmero de elementos

uno, llamndose a esto frecuencia, as mismo,

veremos cuadros estadsticos en los que tendremos frecuencias acumuladas

A continuacin se presenta una forma de distribucin en un

A continuacin se muestra un conjunto de datos, con los que

Para formar un cuadro estadstico es necesario primeramente

Para elegir el nmero de clases se deben observar ciertos

dependiendo del nmero de elementos de la muestra y de lo disperso que se

Elemento mximo - Elemento mnimo 1

En este caso, dependiendo del nmero de elementos con que

Elemento mximo - Elemento mnimo 1

Ahora bien, si no se desea de esta manera se utiliza la frmula