FACULTAD DE INGENIERIA ELECTRICA Y

ELECTRONICA
ESCUELA PROFESIONAL DE INGENIERÍA ELECTRICA
CURSO: PROBABILIDADES Y PROCESOS ESTOCÀSTICOS

DOCENTE: ING. AUCAHUASI AIQUIPA Wilver

AÑO 2020
 INDICE
• Medidas de tendencia central
• Medidas de dispersión
• Alpha de Cronbach

ING. Aucahuasi Aiquipa Wilver 2

 Medidas de tendencia central
• La mayor parte de los conjuntos de datos muestran una tendencia a agruparse
alrededor de un punto "central" y por lo general es posible elegir algún valor que
describa todo un conjunto de datos. Un valor típico descriptivo como ese es una
medida de tendencia central o "posición". Las medidas de tendencia central a
estudiar son: media aritmética, mediana y moda.
Entre las medidas de tendencia central tenemos:
• Media.
• Media ponderada.
• Media geométrica.
• Media armónica.
• Mediana.
• Moda.

ING. Aucahuasi Aiquipa Wilver 3

 Media aritmética

• La media aritmética utiliza con mayor frecuencia. Se calcula sumando

todas las observaciones de un conjunto de datos, dividiendo después
ese total entre el número total de elementos involucrados. La media
aritmética de un conjunto de valores 𝑥1, 𝑥2, 𝑥3, … 𝑥𝑛, se define como el
cociente entre la suma de los valores y el número de ellos. Su símbolo
es 𝑥 si la media aritmética es de una muestra y 𝜇 si la media
aritmética es de una población.

• Para datos no agrupados

• Para datos agrupados

ING. Aucahuasi Aiquipa Wilver 4

a) Para datos no agrupados
Media muestral:
𝑥1: 𝑥2:𝑥3:⋯𝑥𝑛 𝑛 𝑥𝑖
𝑥= = 𝑖<1 𝑛 ; n = tamaño de la muestra
𝑛

Media poblacional
𝑥1: 𝑥2:𝑥3:⋯𝑥𝑁 𝑛 𝑥𝑖
𝜇= = 𝑖<1 𝑁 ; N = tamaño de la población
𝑁

Ejemplo:
Calcular la media aritmética de los siguientes datos relacionados con las notas de test en estadística
obtenidas por un cierto alumno: 45, 80, 56, 35, 25, 90.

45:80:56:35:25:90
𝑥= = 55.17≈ 55
6

ING. Aucahuasi Aiquipa Wilver 5

b) Para datos agrupados: Si los datos están ordenados en tablas de frecuencia la
media aritmética se obtiene como sigue:
𝑥1 𝑓1 :𝑥2 𝑓2 :𝑥3 𝑓3 :⋯:𝑥𝑚 𝑓𝑚 𝑚 𝑥𝑖 𝑓𝑖
Muestra 𝑥= = 𝑖<1 𝑛
𝑓1 :𝑓2 :𝑓3 :⋯:𝑓𝑚

𝑚 𝑥𝑖 𝑓𝑖
Poblacion 𝜇= 𝑖<1 𝑁
Donde:
𝑥𝑖 es la marca de clase del intervalo
𝑓𝑖 es la frecuencia del intervalo i-ésimo
n es el número de datos de la muestra
N es el número de datos de la población
m es el número de intervalos

ING. Aucahuasi Aiquipa Wilver 6

Ejemplo Calcular la media aritmética para el peso de trabajadores, según tabla
adjunta

Peso(kg.) 𝑥𝑖 𝑓𝑖 𝑥𝑖 𝑓𝑖
55 – 62 58.5 5 292
63 – 70 66.5 15 997.5
71 – 78 74.5 12 894
79 – 86 82.5 5 412.5
87 – 94 90.5 3 271.5
Total 40 2868

5 2868
𝑥= 𝑖<1 40 = 71.7 ≈ 72

El peso promedio de los trabajadores es de 72 kilos

ING. Aucahuasi Aiquipa Wilver 7
Propiedades de la media aritmética
• Propiedad 1: La media aritmética de una constante es igual a la
constante.
𝑥 : 𝑥1 𝑥2 𝑥3 𝑥𝑛

Valores: a a a …. a
𝑎:𝑎:𝑎:𝑎:⋯:𝑎 𝑛𝑎
𝑥= = =𝑎
𝑛 𝑛

Por lo tanto 𝑥 = a

ING. Aucahuasi Aiquipa Wilver 8

Propiedades de la media aritmética
• Propiedad 2: La media aritmética de una variable más una constante es
igual a la media aritmética de la variable más la constante.
𝑥 : 𝑥1 𝑥2 𝑥3 𝑥𝑛
𝑦 : 𝑥1 + 𝑐 𝑥2 +c 𝑥3 + 𝑐 𝑥𝑛 +c

𝑛 𝑦1
𝑦= 𝑖<1 𝑛 =

𝑛
𝑖=1(𝑥𝑖+𝑐) 𝑥1 :𝑐 : 𝑥2 :𝑐 : 𝑥3 :𝑐 :⋯.: 𝑥𝑛 :𝑐
𝑥= = =
𝑛 𝑛

=𝑥+c

ING. Aucahuasi Aiquipa Wilver 9

Propiedades de la media aritmética
• Propiedad 3: La media aritmética de una variable por una constante es
igual al producto de la constante por la media de la variable.
𝑥 : 𝑥1 𝑥2 𝑥3 𝑥𝑛
𝑧 : 𝑥1 𝑐 𝑥2 c 𝑥3 … 𝑥𝑛 c

𝑥1 𝑐 : 𝑥2 c + 𝑥3 𝑐 + … + 𝑥𝑛 c
𝑧=
𝑛

𝑐 𝑥1 :𝑥2 :𝑥3 :⋯:𝑥𝑛

𝑧= =
𝑛

= c𝑥

ING. Aucahuasi Aiquipa Wilver 10

Propiedades de la media aritmética
• Propiedad 4: Media Ponderada.

𝑥1 ∗𝑛1 :𝑥2 𝑛2 + 𝑥3 ∗𝑛3 + … + 𝑥𝑝 ∗𝑛𝑝

𝑥=
𝑛1 :𝑛2 :𝑛3 : …:𝑛𝑝

ING. Aucahuasi Aiquipa Wilver 11

Ejemplo
1. De un grupo de contribuyentes se determinó que el promedio de impuestos es de S/.32.200
Determinar en cada uno de los siguientes casos, la nueva media aritmética:
a) Los impuestos aumentan en un 2 %
b) A los impuestos se les disminuye la cantidad de S/. 2.300
c) A cada contribuyente, se le disminuye un 3 % y además se le condona S/. 2.550

Solución:
a) 𝑥 = 32.200* 1.02 = 32.844 La nueva media aritmética es s/. 32.844

b) 𝑥 = 32.200 – 2.300 = 29.900 La nueva media aritmética es S/. 29.900

c) 𝑥 = 32.200 * 0.97 - 2.550 = 28.684 La nueva media aritmética es S/. 28.684

ING. Aucahuasi Aiquipa Wilver 12
 Mediana
La mediana es el valor que se encuentra en el centro de una secuencia
ordenada de datos. La mediana no se ve afectada por observaciones
extremas en un conjunto de datos. Por ello, cuando se presenta alguna
información extrema, resulta apropiado utilizar la mediana, y no la
media, para describir el conjunto de datos.

Su símbolo es Me.

ING. Aucahuasi Aiquipa Wilver 13

a) Mediana para datos no agrupados: Se deben ordenar los datos de forma creciente o decreciente.
Para muestras con un número par de observaciones, la mediana es el dato que queda en el
centro de dicha ordenación y para muestras con número impar de observaciones la mediana es
el promedio de los dos datos centrales.

• Para muestra con número impar de datos: • Para muestra con número par de datos:
𝑥𝑛 :𝑥𝑛
Me =𝑥𝑛+1 2 2 +1
2 Me =
2

Ejemplo: Ejemplo:
Datos: 4, 7, 5, 6, 3, 2, 7 Datos: 12, 15, 14, 16, 11, 10, 10, 13

Datos ordenados: 2, 3, ,4, 5, 6, 7, 7 Datos ordenados: 16, 15, 14, 13, 12, 11, 10, 10

=> Me =𝑥7+1 = 𝑥 4=5 𝑥8 :𝑥8

𝑥4 :𝑥5 13:12
2 2+1
2 => Me = = Me = = = 12.5
2 2 2

ING. Aucahuasi Aiquipa Wilver 14

b) Mediana para datos agrupados

• Para muestra con número impar de datos:

𝑛
2
; 𝐹𝑖−1
Me =( )*a
𝑓𝑖

donde:
𝑛
𝑖: es el primer intervalo cuya frecuencia acumulada supera a
2
𝐿𝑖 : es el límite real inferior del intervalo de la mediana.
𝑛: es el número de datos.
𝐹𝑖;1 es la frecuencia acumulada anterior al intervalo de la mediana.
𝑓𝑖 es la frecuencia absoluta del intervalo de la mediana.
𝑎es la amplitud del intervalo.

ING. Aucahuasi Aiquipa Wilver 15

Ejemplo
Distribución de frecuencias de la duración, en horas, de uso continuo de 212 dispositivos electrónicos iguales,
sometidos a un cierto control.
Duración 𝑓𝑖 𝐹𝑖 • El intervalo donde se encuentra la Mediana es el
350 – 399 4 4
primer intervalo en el cual:
𝑛
400 – 449 6 10
≤ 𝐹𝑖
2
450 – 499 9 19 𝑛 212
En este caso, 2 = 2 = 106 ≤ 𝐹𝑖 => 106 ≤ 150
500 – 549 20 39
=>6𝑡𝑜 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜: 𝑖 = 6
550 – 599 31 70
𝑎 = 50
600 – 649 80 150 𝐹5 = 70
650 – 699 42 192 𝑓6 = 80
700 – 749 10 202 𝐿6 = 599.5
750 – 799 8 210
106;70
800 – 849 2 212 Me =599.5 + ( )*50 =>622 horas
80
Total 212
ING. Aucahuasi Aiquipa Wilver 16
 Moda
• La moda es el valor de un conjunto de datos que aparece con mayor
frecuencia. Se le obtiene fácilmente a partir de un arreglo ordenado.
A diferencia de la media aritmética, la moda no se afecta ante la
ocurrencia de valores extremos. Sin embargo, sólo se utiliza la moda
para propósitos descriptivos porque es más variable, para distintas
muestras, que las demás medidas de tendencia central. Un conjunto
de datos puede tener más de una moda o ninguna.

Su símbolo es 𝑴𝒐

ING. Aucahuasi Aiquipa Wilver 17

a) Moda para datos no agrupados

• Ejemplos
1) Datos : 2, 4, 5, 6, 7, 7, 8, 7, 6 => 𝑴𝒐 =7
2) Datos : 1, 1, 3, 1, 1, 2, 2, 4, 2, 3, 2, 5, 6 => 𝑴𝒐 =1 y 2
3) Datos : 0, 0, 2, 3, 4, 5 => 𝑴𝒐 =0
4) Datos : 0, 1, 2, 3, 4, 5 => 𝑴𝒐 =no existe

ING. Aucahuasi Aiquipa Wilver 18

b) Moda para datos agrupados: Existe más de una forma de calcular la moda
𝑑1
• Caso a) 𝑴𝒐= 𝐿𝑖 + ∗a
𝑑1 :𝑑2

Donde:
𝑖: 𝑒𝑠 𝑒𝑙 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜 𝑑𝑒 𝑚𝑎𝑦𝑜𝑟 𝑓𝑟𝑒𝑐𝑢𝑒𝑛𝑐𝑖𝑎 𝑎𝑏𝑠𝑜𝑙𝑢𝑡𝑎.
𝐿𝑖 : es el límite real inferior del intervalo que contiene a la moda.
𝑑1 : es la diferencia entre la frecuencia absoluta del intervalo de la moda y el intervalo anterior 𝑑1 = 𝑓𝑖 - 𝑓𝑖;1
𝑑2 : es la diferencia entre la frecuencia absoluta del intervalo de la moda y el intervalo posterior: 𝑑2 = 𝑓𝑖 - 𝑓𝑖;1
𝑎: es la amplitud del intervalo.

𝑓𝑖+1
• Caso b) 𝑴𝒐= 𝐿𝑖 + ∗a
𝑓𝑖−1 :𝑓𝑖+1

Donde:
𝑖: 𝑒𝑠 𝑒𝑙 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜 𝑑𝑒 𝑚𝑎𝑦𝑜𝑟 𝑓𝑟𝑒𝑐𝑢𝑒𝑛𝑐𝑖𝑎 𝑎𝑏𝑠𝑜𝑙𝑢𝑡𝑎.

ING. Aucahuasi Aiquipa Wilver 19

 • Caso a: En este caso, el intervalo de mayor
Ejemplo frecuencia absoluta es el 4𝑡𝑜 ⇒ 𝑖 = 4
𝑓4 =80
Duración 𝑓𝑖 𝐹𝑖 𝑑1 = 80 − 9 = 71
𝑑2 = 80 − 31 = 49
350 – 399 4 4 𝐿4 = 499.5
400 – 449 6 10 𝑎 = 50
450 – 499 9 19 71
𝑴𝒐= 499.5+ ∗ 50 = 529.08 horas
71:49
500 – 549 80 99
550 – 599 31 130
600 – 649 20 150
650 – 699 42 192
• Caso b): 𝑖 = 4
700 – 749 10 202
𝑓4:1= 𝑓5 = 31
750 – 799 8 210
𝑓4;1= 𝑓3 = 9
800 – 849 2 212 𝐿4 = 499.5
Total 212 𝑎 = 50
31
𝑴𝒐= 499.5 + ∗ 50 = 538.25 horas
9:31

ING. Aucahuasi Aiquipa Wilver 20

 Medidas de dispersión
• Una segunda propiedad que describe a un conjunto de datos es la dispersión. Dispersión es el grado
de variación o diseminación de los datos. Dos conjuntos de datos pueden diferir tanto en tendencia
central como en dispersión o dos conjuntos de datos pueden tener las mismas medidas de
tendencia central, pero diferir mucho en términos de dispersión.

Ejemplo:
1) 2, 2, 2, 2, 2 𝑥 =2
2) 1, 1, 2, 3, 3 𝑥 =2

• Los estadígrafos de dispersión nos indican si la distribución o conjunto de datos forma grupos
homogéneos o heterogéneos. Las medidas de dispersión a estudiar son: rango, desviación media,
varianza y desviación estándar.

ING. Aucahuasi Aiquipa Wilver 21

 Rango
• Indica el número de valores que • Si los datos están agrupados en
toma la variable. El rango es la una tabla de frecuencias, el
diferencia entre el valor máximo recorrido es la diferencia entre el
y el valor mínimo de un conjunto límite real superior del último
de datos. intervalo y el límite real inferior
𝑅 = 𝑥𝑚𝑎𝑥 − 𝑥𝑚𝑖𝑛 del primer intervalo.
𝑅 = 𝐿𝑚𝑎𝑥 − 𝐿𝑚𝑖𝑛

ING. Aucahuasi Aiquipa Wilver 22

Ejemplo:
1) Sea el siguiente conjunto de 2) Sea la siguiente tabla
datos. 𝑥𝑚𝑎𝑥 = 95.45 𝑥𝑚𝑖𝑛 = 54.95
12 15 17 23 25 28
Peso (kg) 𝒇𝒊
55.0 – 63.0 5
𝑥𝑚𝑎𝑥 = 28 𝑥𝑚𝑖𝑛 =12 𝑅 = 𝑥𝑚𝑎𝑥 − 𝑥𝑚𝑖𝑛 63.1 – 71.1 15
71.2 – 79.2 12
𝑅 = 𝑥𝑚𝑎𝑥 − 𝑥𝑚𝑖𝑛 𝑅 = 95.45 – 54.95
79.3 – 87.3 5
87.4 – 95.4 3
Total 40
𝑅 = 28-12=16 𝑅 = 40.5 kg

ING. Aucahuasi Aiquipa Wilver 23

 Desviación Media
• Es la media aritmética de los valores absolutos de las desviaciones de
todos los datos respecto a la media aritmética.

Su símbolo es 𝑀𝐷

ING. Aucahuasi Aiquipa Wilver 24

a) Desviación media para datos no b) Desviación media para
agrupados. datos agrupados:
𝑛 𝑚
𝑖=1 |𝑥1 ;𝑥 |
𝑀𝐷= 𝑖=1 |𝑥1 ;𝑥 |𝑓𝑖
𝑛 𝑀𝐷=
𝑛
Ejemplo:
Donde:
Obtener la desviación media para los datos:
5, 7, 8, 10, 16 𝑥1 es la marca de clase.

5:7:8:10:16
𝑥= = 9.2
5
5;9.5 : 7;9.2 : 8;9.2 : 10;9.2 :|16;9.2|
𝑀𝐷=
5
15.2
𝑀𝐷= = 3.04
5

ING. Aucahuasi Aiquipa Wilver 25

Ejemplo: Solución:

Determine la desviación media de Peso (kg)| 𝒙𝒊 𝒇𝒊 𝒙𝒊 * 𝒇𝒊 𝒙𝒊 - 𝑥 |𝒙𝒊 -

los siguientes datos agrupados: 𝑥 | 𝒇𝒊
60 – 62 61 5 305 6.45 32.25
Peso (kg) 𝒇𝒊 63 – 65 64 18 1152 3.45 62.10
60 – 62 5 66 – 68 67 12 2814 0.45 18.90
63 – 65 18 69 – 71 70 27 1890 2.55 68.85
66 – 68 12 72 – 74 73 8 584 5.55 44.40
69 – 71 27 Total 100 6745 226.5
72 – 74 8
Total 100 6745
𝑥= =67.45
100

226.5
𝑀𝐷= = 2.265
100

ING. Aucahuasi Aiquipa Wilver 26

 Varianza y Desviación Estándar
Dos medidas de dispersión que se utilizan con frecuencia y que sí
toman en consideración la forma en que se distribuyen los valores son
la varianza y su raíz cuadrada, la desviación estándar. Estas medidas
establecen la forma en que los valores fluctúan con respecto a la
media.

Varianza: La varianza se define como el promedio aritmético de las

diferencias entre cada uno de los valores del conjunto de datos y la
media aritmética del conjunto elevadas al cuadrado.
Su símbolo es 𝑆 2 si estamos trabajando con una muestra y 𝜎 2 si
estamos trabajando con una población.
ING. Aucahuasi Aiquipa Wilver 27
 Varianza
a) Varianza para datos no agrupados.
𝑛
2 𝑖=1(𝑥𝑖 ; 𝑥 )2
𝑆 = 𝑛;1
Donde:
𝑥𝑖 : representa los datos de la muestra
𝑁
2 𝑖=1(𝑥𝑖 ; μ)2
𝜎 = 𝑁;1
Donde:
𝑥𝑖 : representa los datos de la población

Ejemplo Determine la varianza del siguiente conjunto de datos:

25, 12, 23, 28, 17, 15
25:12:23:28:17:15
𝑥= =20
6
2 (25;20)2 :(12;20)2 :(23;20)2 :(28;20)2 :(17;20)2 :(15;20)2 196
𝑆 = = 𝑆2= = 𝑆 2 =39.2
6;1 5

ING. Aucahuasi Aiquipa Wilver 28

 Varianza
b) Varianza para datos agrupados

𝑚
2 𝑖=1(𝑥𝑖 ; 𝑥 )2 𝑓𝑖
Muestra 𝑆 =
𝑛;1

𝑁
2 𝑖=1(𝑥𝑖 ; μ)2
Población 𝜎 =
𝑁;1

donde 𝑥𝑖 es la marca de clase

ING. Aucahuasi Aiquipa Wilver 29

 Solución:
Ejemplo: Edades 𝒙𝒊 𝒇𝒊 𝒙𝒊 * 𝒇𝒊 (𝑥𝑖 − 𝑥 )2 (𝑥𝑖 − 𝑥 )2 𝑓𝑖
(años)
Considere la tabla con los 15 – 20 17.5 2 35 155.2516 310.5032
datos de los edades de 21 – 26 23.5 7 164.5 41.7316 292.1212
personas: 27 – 32 29.5 8 236.0 0.2116 1.6928
Edades (años) 𝒇𝒊 33 – 38 35.5 5 177.5 30.6916 153.458
15 – 20 2 39 – 44 41.5 4 166.5 133.1716 532.6864
21 – 26 7 Total 26 779.0 1290.4616
27 – 32 8
33 – 38 5
39 – 44 4 779.0
𝑥= =29.96 años
26
Total 26

1290.4616
𝑆2=
25

ING. Aucahuasi Aiquipa Wilver 30

Propiedades de la Varianza
1) Var(𝑥) = 𝑠𝑥2 ≥ 0
2) Var(𝑥) = 0 si; 𝑥 = constante
3) Var(a𝑥) = 𝑎2 Var(𝑥)
4) Var(𝑥 + 𝑏)= Var(𝑥)
5) Var(a𝑥 + 𝑏)= 𝑎2 Var(𝑥)
6) Las unidades de medida de la varianza son las unidades al cuadrado
de los datos

ING. Aucahuasi Aiquipa Wilver 31

Desviación Típica o Desviación Estándar
Es la raíz cuadrada positiva de la Varianza. Su símbolo es 𝑆 si se está
trabajando con una muestra y es 𝜎 si se está trabajando con una
población.

ING. Aucahuasi Aiquipa Wilver 32

Desviación Típica o Desviación Estándar
a) Desviación estándar para datos
no agrupados.

𝑁
𝑛
𝑖<1(𝑥𝑖− 𝑥 )2 − 𝜇)2
𝑖<1(𝑥𝑖
𝑠= 𝜎=
𝑛 −1 𝑁 −1

Donde: Donde:
𝑥𝑖 : represente los datos de la 𝑥𝑖 : represente los datos de la
muestra población

ING. Aucahuasi Aiquipa Wilver 33

Desviación Típica o Desviación Estándar
b) Desviación estándar para datos
agrupados
Muestra Población
𝑚
𝑖<1(𝑥𝑖 − 𝑥 )2 𝑓𝑖
𝑠= 𝑚
− 𝜇)2 𝑓𝑖
𝑛 −1 𝑖<1(𝑥𝑖
𝜎=
𝑁 −1
Donde:
𝑥𝑖 : es la marca de clse Donde:
𝑥𝑖 : es la marca de clase

ING. Aucahuasi Aiquipa Wilver 34

Ejemplos
• Para el conjunto de datos 25, 12, 23,
28, 17 donde se obtuvo que su
varianza era 𝑠 2 =39.2; tendremos
entonces que se desviación estándar
es:
• Para el ejemplo de los datos tabulados
sobre las edades de 26 personas se
obtuvo como varianza 𝑠 2 =51.618;
luego su desviación estándar será

𝑠 = 51.618=7.18 años
𝑠 = 39.2=6.26 unidades

ING. Aucahuasi Aiquipa Wilver 35

 Alfa de Cronbach
• Alfa de Cronbach es un coeficiente que sirve para medir
la fiabilidad de una escala de medida, y cuya denominación Alfa fue
realizada por Cronbach.

• El alfa de Cronbach no deja de ser una media ponderada de las

correlaciones entre las variables (o ítems) que forman parte de la
escala

ING. Aucahuasi Aiquipa Wilver 36

 Alfa de Cronbach
• A partir de las varianzas
A partir de las varianzas, el alfa de Cronbach se calcula así:
𝑘 2
𝑘 𝑖=1 𝑠𝑖
𝛼= 1−
𝑘;1 𝑠𝑡2

𝑠𝑖2 𝑒𝑠 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝑑𝑒𝑙 𝑖𝑡𝑒𝑚 𝑖

𝑠𝑡2 es la varianza de los valores totales observados

𝑘 es el número de preguntas o ítems.

ING. Aucahuasi Aiquipa Wilver 37

•

Alfa de Cronbach
• A partir de las correlaciones entre los ítems
A partir de las correlaciones entre los ítems, el alfa de Cronbach
estandarizado se calcula así:
𝑘𝑝
𝜶𝒆𝒔𝒕 =
1 + 𝑝(𝑘 − 1)
Donde:
𝑘 es el numero de ítems
𝑝 es el promedio de las correlaciones lineales entre cada uno de los ítems
𝑘 𝑘;1
(se tendrán
2

ING. Aucahuasi Aiquipa Wilver 38

ING. Aucahuasi Aiquipa Wilver 39