Estadistica General

Instituto Profesional Diego Portales
A U T N O M O

1

Asignatura

E
E
S
S
T
T
A
A
D
D
S
S
T
T
I
I
C
C
A
A
I
I

AUTOR: LUIS FIERRO REYES

A U T N O M O

2

AUTOR

Luis Fierro Reyes:

Profesor De Matemticas, titulado en la Pontificia Universidad Catlica de Chile. Posee una amplia y
rica experiencia pedaggica en diversas disciplinas matemticas como por ejemplo: lgebra,
Estadstica, matemticas Financiera, programacin lineal y otras.

Inicia su carrera impartiendo docencia y especializndose en Educ. de Adultos. Posteriormente
asume como profesor en la enseanza media formal y paralelamente se desarrolla en mbitos como
Capacitacin, Centro de Formacin Tcnica y actualmente ejerce como profesor en el Instituto
Profesional Diego Portales casa central Concepcin, dictando Asignaturas de su especialidad en
carreras del rea de la Ingeniera, Ciencias Empresariales, Trabajo Social y Tutoras del rea de la
Educacin a Distancia.

Dentro de su desarrollo curricular encontramos tambin un constante perfeccionamiento docente,
donde destacan cursos y Post ttulos en metodologa, Evaluacin y Administracin Educacional.

A U T N O M O

3
I NVI TACI N AL MDULO

Estimado alumno
El propsito principal de este apunte es iniciar al estudiante en la comprensin de los
aspectos elementales de la Estadstica Descriptiva, con el fin de otorgarle las competencias
necesarias para la organizacin y presentacin de datos, considerando adems algunos elementos del
anlisis combinatorio y de la probabilidad clsica con el fin de preparar habilidades para enfrentar
disciplinas estadsticas posteriores que exigen destrezas de anlisis e inferencia. Es por esto que te
invito a enfrentar con mucha tranquilidad y perseverancia las unidades seleccionadas para
enriquecer tu destreza matemtica y para que ello te permita desarrollar tus conductas de
razonamiento lgico, con un trabajo responsable, sistemtico y de una rigurosidad relativa y racional.

Este mdulo de Estadstica Bsica, ha sido creado siguiendo de muy cerca el programa de la
asignatura de las carreras profesionales del I .P. Diego Portales. En su elaboracin se han
priorizado objetivos y contenidos fundamentales, para acceder al dominio de habilidades iniciales que
te permitan un eficiente comportamiento posterior en las etapas consecutivas en la dimensin
inferencial de estudios estadsticos de nivel superior, insertas en la continuacin del desarrollo de tu
especialidad.

Tambin, vale la pena sealar, que en el desarrollo del presente texto, se ha considerado una
instruccin programada simple de interpretar por el alumno, que generalmente dispone de un tiempo
limitado de estudio personal. Se sugiere enfrentar perseverantemente todas las actividades de auto
evaluacin propuestas al final de cada unidad temtica, para ir accediendo a captulos progresivos en
forma directa, considerando tambin las instancias de consultora establecidas por el Programa a
Distancia a cargo de tus profesores tutores.

Esperando para ti todo el xito posible, te invito a iniciar la tarea del aprendizaje
sistemtico, que te conducir a la obtencin de tus objetivos personales y profesionales.

Mucha suerte y hasta pronto!! Luis Fierro R.

A U T N O M O

4
UNIDAD I
ANLISIS DE DATOS

INTRODUCCIN

Esta primera unidad, est diseada para introducir al estudiante en la contextualizacin de la
estadstica, entendida sta, como una ciencia capaz de recolectar y analizar datos, de tal modo que
pueda transformarlos en una informacin que permita tomar decisiones.

Se sealaran los tipos de estadsticas que pueden aplicarse para describir las variables que
intervienen en los procesos de anlisis de crecimiento y/o decrecimiento de poblacin y muestra.

Se har referencia a los conceptos de poblacin y muestra, asociados a la estadstica Descriptiva e
inferencia!, cuyas conclusiones, sern obtenidas por el estudiante, a partir de los Ejercicios de
aplicacin contenidos en la unidad.

OBJETIVOS

1. Sealar los tipos de estadsticas.
2. Describirlas variables estadsticas.

A U T N O M O

5
1.1 LA ESTADSTICA.

Es una ciencia que se encarga de recolectar y analizar datos, para transformarlos en informacin que
ayude a la toma de decisiones.

La estadstica est ligada con el mtodo cientfico y apoya la investigacin en las diversas disciplinas,
principalmente en lo referente a la recopilacin de datos, organizacin de los mismos, presentacin y
anlisis de ellos.

El anlisis de datos recopilados a travs de mtodos y tcnicas estadsticas, permite describir el
comportamiento de ciertos fenmenos, pronosticar situaciones relacionadas con ellos, sobre los
resultados obtenidos.

Las aplicaciones estadsticas se encuentran en diferentes disciplinas, a saber: biologa, medicina,
economa, educacin, psicologa, ingeniera, salud, administracin, negocios, comercio, etctera.

Gracias a la estadstica, se pueden hacer pronsticos del tiempo y tomar precauciones para: evitar
congestiones del trnsito, prevenir accidentes, establecerla demanda de un producto, conocer las
necesidades de vivienda y adems, evaluar la situacin de los negocios de una empresa, para
determinar sus perspectivas en el corto, mediano y largo plazo.

1.1.1. ESTADSTICA DESCRIPTIVA E INFERENCIAL. POBLACIN Y MUESTRA.

Como se ha sealado anteriormente, la estadstica tiene como funcin principal, transformar los
datos en informacin. En este proceso se distinguen dos formas estadsticas: descriptiva e
inferencial.

La estadstica descriptiva es aquella que, una vez recolectados, organizados y
analizados los datos sobre una situacin de inters, se preocupa de describir las
caractersticas proporcionando informacin asociada a dicha situacin.

Por ejemplo, si se requiere informacin sobre la frecuencia de las licencias mdicas del personal del
departamento de contabilidad de una empresa, se recogen los datos, se ordenan, se aplican tcnicas
estadsticas, para el anlisis correspondiente y luego se describe la situacin de ese grupo de
personas.

La estadstica inferencia! es aquella que a partir del anlisis de datos de una muestra de la
Poblacin en estudio, extiende las conclusiones obtenidas a toda la poblacin de la que es parte.

A U T N O M O

6
Paro comprender lo disciplina que estamos estudiando, se hace necesario conocer los conceptos
fundamentales inscritos en ella: poblacin y muestra.

Poblacin, es el conjunto de elementos de los cuales se requiere informacin y el nmero de
elementos que esta tiene, determina el tamao de la poblacin.

Debemos tener en cuento que uno poblacin puede ser finita o infinita.

Por ejemplo, la poblacin consistente en todos las camisas producidas por una fbrica en un da
determinado, es finita, mientras que, la poblacin formada por todos los posibles sucesos (Caras,
sellos) en tiradas sucesivas de una moneda, es infinita.

Vamos a designar con la letra N al tamao de la poblacin

Supongamos que se necesita informacin sobre las edades y el estado civil de cada uno de los
habitantes chilenos; la poblacin en estudio, son todos los habitantes de Chile. En este caso la
actividad se denomina censo.

La realizacin de un censo es una actividad compleja, de alto costo econmico, lento en el
procesamiento de datos y adems, permite medir slo aspectos de tipo general. Por estas
dificultades que nos plantea el censo, es que la mayora de las veces resulta necesario trabajar con
algunos elementos de la poblacin que nos interesa. En tal caso estamos trabajando con lo que se
denomina muestra.

Una muestra es un subconjunto (parte) de una poblacin en estudio y el nmero de elementos que ella
tiene se denomina tamao de la muestra

Designaremos con la letra n, al tamao de la muestra

Ciertamente, al trabajar con una muestra se corre el riesgo de que los valores observados difieran
con los obtenidos en la poblacin completa, en cuyo caso, estaremos frente a un problema que en
estadstica se denomina sesgo estadstico.

Con el fin de reducir al mximo el sesgo estadstico, se debe seleccionar una muestra
Representativa, la cual se obtiene utilizando el mtodo de muestreo aleatorio simple, en el que cada
integrante de la poblacin tiene igual posibilidad de ser seleccionados, para formar parte de la
muestra.

A U T N O M O

7
Para hacer la seleccin de los elementos que constituirn la muestra, se puede usar el mtodo del
sorteo, es decir, a cada integrante de la poblacin se le asigna un nmero, luego se ponen en una
bolsa o en una urna, fichas o bolitas o papeles con los nmeros y se van sacando de a una, hasta
completar la cantidad correspondiente.

Otra forma de hacerlo, es usando una tabla de nmeros aleatorios que fue construida especialmente
para este efecto. Ella consiste en una serie de dgitos aleatoriamente (al azar) generados y
enumerados en el orden que se generaron.

Puesto que en nuestro sistema numrico usa diez dgitos (0, 1, 2, 3... 9), la probabilidad de generar
aleatoriamente cualquier dgito en particular es igual a la probabilidad de generar cualquier otro
dgito. Esta probabilidad es una entre diez. Portante si se generara una secuencia de 500 dgitos
esperaramos que aproximadamente 50 de ellos fueran el dgito 0,50 el dgito 1, etc.

Para usar una tabla de estas en lugar de una pecera para seleccionar la muestra, primero es
necesario asignar nmeros de cdigo a los miembros individuales de la poblacin. Despus obtenemos
nuestra muestra aleatoria leyendo la tabla de nmeros aleatorios y seleccionando aquellos individuos
del marco de poblacin cuyos nmeros de cdigo asignados concuerden con los dgitos encontrados en
la tabla.

Lo tabla de nmeros aleatorios puedes encontrarla en cualquiera de los libros sugeridos en la
bibliografa de este curso!

En el caso que la poblacin en estudio se encuentre separada en grupos o diferenciada por alguna
caracterstica, se puede aplicar el muestreo aleatorio simple al interior de cada grupo, en cuyo caso
estaremos utilizando lo que se denomina muestreo aleatorio estratificado.

En cualquier caso, mientras ms grande sea el tamao de la muestra seleccionada, menores el sesgo
estadstico que se produce.

Apliquemos lo aprendido?

Se quiere obtener informacin sobre el promedio de sueldos que ganan los jvenes chilenos recin
egresados de la educacin media y que ingresan por primera vez a un empleo. Para este ejemplo,
vamos a suponer que el tamao de la poblacin es de 32.000 personas.

Si se selecciona una muestra del 2% de la poblacin, la muestra queda con un tamao igual a 640
personas y existir mayor sesgo que si se procede a seleccionar una muestra con el 10% del tamao
de la poblacin; es decir, constituida por 3.200 personas. Para este caso en particular, se ha decidido
trabajar con una muestra de 640 personas.

A U T N O M O

8
Una vez decidido el tamao de la muestra, existen dos alternativas de seleccin de la muestra. Una,
es el muestreo aleatorio simple y la otra, es el aleatorio estratificado en el que, para este caso
particular, los estratos pueden ser separados en hombres y mujeres.

Si se opta por la primera alternativa, de toda la poblacin definida (32.000 personas), se
seleccionarn a travs de la tcnica del muestreo aleatorio simple las 640 primeras que resulten del
sorteo correspondiente.

Si se opta por la alternativa del muestreo aleatorio estratificado, de los 32.000 personas que
constituyen la poblacin total, se separan en dos estratos: hombres y mujeres; luego, en cada grupo
se aplica la seleccin por muestreo aleatorio simple, seleccionando uno de cada grupo
alternadamente, hasta completar las 640 personas.

Si una muestra es representativa de una poblacin, se pueden deducir importantes conclusiones
acerca de sta, a partir del anlisis de la misma.

Recuerde que:

La parte de la estadstica que trata de las condiciones en que las inferencias son vlidas, se llama
estadstica inferencia!. Aquella parte que trata, solamente, de describir y analizar un grupo dado, sin
sacar conclusiones o inferencias de un grupo mayor, se llama estadstica descriptiva.

Al no poder estar absolutamente ciertos de la veracidad de tales inferencias, se ha de utilizar con
frecuencia en estas conclusiones, el termino: probabilidad.

1.1.2. VARIABLES: DISCRETAS Y CONTINUAS.

Variable se denomina a la caracterstica que nos interesa medir o determinar, en cada uno de los
elementos, de la poblacin en estudio.

Una variable se puede representar por un smbolo o una letra mayscula como X, Y, H y puede tomar
un valor cualquiera dentro de un conjunto determinado. Si la variable asume siempre un mismo valor,
se denomina constante.

Aprendamos a travs de un ejemplo

En un sector poblacional cualquiera, se est realizando un estudio respecto del nmero de hijos que
tiene cada familia que all habita. Luego de aplicar una encuesta, se sabe que el nmero de hijos de
las familias del sector en estudio, flucta entre cero y diez hijos. En este caso, la variable es el
nmero de hijos.

A U T N O M O

9

La variable puede asumir cualquier valor del conjunto D:

D = {0,1,2,3,4,5,6,7,8,9,10}

Si nos fijamos en el ejemplo precedente, el nmero de hijos de una familia puede tomar cualquiera de
los valores del conjunto D, sin embargo, nunca podr asumir valores intermedios, como por ejemplo
3,8 hijos, ya que resultara absurdo y fuera de lgica.

En casos como ste, en que la variable slo puede tomar valores enteros y positivos, diremos que se
trata de una variable discreta y se expresa slo con nmeros enteros positivos.

Existen casos en que la variable tiene siempre la posibilidad de asumir algn valor intermedio, como
por ejemplo, en el caso de un estudio relacionado con estaturas, con el peso e incluso con edades;
puesto que, si bien la edad se expresa en aos, podemos tambin precisar los meses, los das y hasta
las horas. En este caso, diremos que se trata de una variable continua y puede tomar siempre algn
valor intermedio entre dos valores cualquiera de la variable, es decir, valores decimales o
fraccionarios.

Vamos aplicando los nuevos aprendizajes!

Un nmero N de hijos de una familia, puede tomar cualquiera de los valores
,..... 4 , 3 , 2 , 1 , 0 pero no puede ser ......... 4 . 1 , 25 . 0 , 1 . 0 ; entonces, es una variable discreta.

La altura H de un individuo puede ser 62 pulgadas, 63,8 pulgadas 65,8341 pulgadas, dependiendo de
la exactitud de medida y es una variable continua.

Los datos que vienen definidos por una variable discreta o continua se llaman datos discretos o datos
continuos, respectivamente.

El nmero de hijos en cada una de 1000 familias es un ejemplo de datos discretos, mientras que las
estaturas de 100 universitarios, es un ejemplo de datos continuos.

En general, las medidas dan origen a datos continuos, mientras que las enumeraciones o conteos,
originan datos discretos

A U T N O M O

10

EJERCICIOS DE AUTOEVALUACIN N 01

1. De las variables siguientes, seale cules representan datos discretos y cules datos
continuos.

a) Nmero de acciones vendidas cada da en un mercado de valores.

b) Temperaturas registradas cada media hora en un observatorio.

c) Periodo de duracin de los tubos de televisin producidos por una compaa.

d) Censos anuales del colegio de profesores.

e) Longitud de 1000 cerrojos producidos en una fbrica.

2. Determine los valores que asume la variable, en cada uno de los siguientes ejemplos y seale si es
continua o discreta.

a) Nmero G de litros de agua en una mquina de lavar.

b) Numero B de libros en un estante de librera.

c) Suma S de puntos obtenidos en el lanzamiento de un par de dados.

d) Dimetro D de una esfera.

e) Pases C de Europa.

2) Responda con sus palabras a las siguientes inquietudes:

a) Puede usted decir, qu fue lo que aprendi respecto del concepto estadstica?

b) Para qu le sirve en su trabajo, la estadstica descriptiva? Ejemplifique.

c) Al comprender los conceptos de muestra y poblacin, Podra usted sealar, a! menos, tres
situaciones, que usted identifique como posibilidad de aplicar estos conceptos?

d) Qu utilidad le presta el manejo de los conceptos; variable, variable discreta y variable
continua?

e) Cmo cree usted que logr aclarar los conceptos de estadsticos en la unidad?

A U T N O M O

11

SOLUCIONES EJERCICIOS AUTOEVALUATIVOS N 01

1. a) Discreta;

b) Continua;

c) Continua;

d) Discreta;

e) Continua.

2. a) Cualquier valor, entre cero litros y hasta la capacidad mxima de la mquina. Variable
continua.

b) Desde cero hasta el mayor nmero de libros que puedan entrar en el estante. Variable discreta.

c) Los puntos obtenidos en un slo dado pueden ser 1,2,3,4,5 6. Entonces la suma de puntos del par
de dados podr ser: 2,3,4,5,6,7,8,9,10,11,12, que son los valores que puede asumirla variable.
Variable discreta.

d) Si consideramos un punto como una esfera de dimetro cero, el dominio de D son todos los valores
de cero a ms infinito. Se trata de una variable continua.

e) Dominio: Inglaterra, Francia, Alemania, etc., que pueden representarse numricamente por 1, 2,
3,etc. Variable discreta.

3. a) Aprend de qu se trata, para qu sirve, en qu se aplica, cundo se aplica.

b) Una respuesta podra ser: "para conocer el comportamiento general del personal en sus
diferentes acciones, como por ejemplo: el uso de licencias mdicas, los atrasos producidos, etc".

c) Se relaciona con la respuesta anterior, por lo que se puede estudiar la poblacin o una muestra, en
cada caso.

d) Posible respuesta: para ampliar mi vocabulario, para comprender mejor lo expresado por otras
personas en una conversacin, para aplicarlo en situaciones de trabajo, etc.

e) Las respuestas aqu, pueden variar mucho, puesto que se refiere a reconocer las formas de
aprender que cada persona tiene.

A U T N O M O

12
UNIDAD II
PRESENTACIONES ESTADSTICAS

INTRODUCCIN

Cuando hablamos de presentaciones estadsticas, nos referimos a las distribuciones de frecuencias,
intervalos y marcas de clase, que nos ayudarn a presentar grficamente los datos que debemos
operar.

La idea es agrupar datos que estn dispersos y a partir de ese ordenamiento, reconocer dnde se
producen las mayores concentraciones y la dispersin de los mismos. Con esos elementos se pueden
realizar inferencias, conclusiones que son aplicables a la poblacin.

Las distribuciones de frecuencia, siguen sus propias reglas, de tal modo que al seguirlas, el alumno
podr expresarlas en un cuadro que ordena y orienta la operacin de los datos agrupados. La
representacin grfica de los datos, permiten mayor claridad y posibilita un importante apoyo a la
interpretacin de la informacin procesada.

OBJETIVOS

1. Calcular distribuciones de frecuencias, intervalos y marcas de clase.

2. Representar grficamente los datos de presentaciones estadsticas

A U T N O M O

13

2.1. DISTRIBUCIN DE FRECUENCIAS.

Vamos a conocer acerca de las frecuencias, cmo se distribuyen, pero antes vamos al Punto siguiente:

2.1.1. CLCULO DE DISTRIBUCIONES. FRECUENCIAS, INTERVALOS Y MARCA DE CLASE.

Cuando se dispone de gran nmero de datos, es til distribuirlos en clases o categoras y determinar
el nmero de casos pertenecientes a cada clase, lo que se denomina frecuencia de clase. Esto es,
dicho de otra forma, concentrar el nmero de veces que se repite el caso o la caracterstica
estudiada.

La ordenacin tabular (en una tabla), de los datos ordenados con sus correspondientes frecuencias,
se conoce como una distribucin de frecuencias o tabla de frecuencias.

Una tcnica para construir una distribucin de frecuencias si solo se conoce la nube de datos a
presentar es la siguiente:

Los datos siguientes representan unidades de cierto producto vendidos en una tienda durante 7
semanas y han sido ordenados de menos a mayor:

63

68

71

74

76

78

81

84

85

89

66

70

73

75

76

79

82

84

85

90

67

71

73

75

76

79

82

85

86

92

68

71

74

75

77

79

84

85

86

94

Se determina el Rango o recorrido de la variable, que est dado por:

31 63 94
min max
= = = x x R

Se decide el nmero de clases o intervalos a considerar. Se sugiere emplear el siguiente
criterio:

40
40 log 3 . 3 1
log 3 . 3 1
+ =
+ =
k
k
n k

A U T N O M O

14

Se obtiene al amplitud o tamao del intervalo de la siguiente forma:

5 43 . 4
7
31
=
=
=
A
A
k
R
A

Se seleccionan los lmites de clase que definen los intervalos, de manera que las clases sean
del mismo tamao.

Se cuenta el nmero de observaciones en cada clase , es decir las frecuencias absolutas
respectivas.

La distribucin queda as:

Clase
i
x
i
f
i
h (%) ) (
i
F ) (
i
H
Fronteras
60 - 64 62 1 2,5 1 2.5 59.5 - 64.5
65 - 69 67 4 10 5 12.5 64.5 - 69.5
70 - 74 72 8 20 13 32.5 69.5 - 74.5
75 - 79 77 11 27.5 24 60 74.5 - 79.5
80 - 84 82 6 15 30 75 79.5 - 84.5
85 - 89 87 7 17.5 37 92.5 84.5 - 89.5
90 - 94 92 3 7.5 40 100 89.5 - 94.5
n = 40 100

Observacin: Los lmites 60 - 64 - 65 - 69 - .. Son Aparentes, mientras que (como se
trata de variable cuantitativa continua), se llama limites Reales o Fronteras a los presentados en la
ltima columna.

2.1.2. INTERVALOS DE CLASE.

Un smbolo que define una clase, tal como 60 - 64 de la tabla anterior, se conoce como
Intervalo de clase. Los nmeros extremos, 60 y 64, son los lmites aparentes (como ya
Hemos dicho) de la clase

A U T N O M O

15

2.1.3. MARCA DE CLASE.

La marca de clase se designa por
i
x , es el punto medio de cada intervalo de clase y se obtiene
sumando los lmites inferior y superior de cada clase y dividiendo dicha suma en 2

As, la marca de clase del intervalo 60 - 64 es 62
2
64 60
=
+
. La marca de clase se llama Tambin
punto medio de la clase.

2.2. PRESENTACIONES ESTADSTICAS. REPRESENTACIN GRFICA DE LOS DATOS.

2.2.1. HISTOGRAMA.

La histograma consiste en una serie de rectngulos que tienen:

a) Sus bases sobre un eje horizontal (el eje X) con centros en las marcas de clase y longitud igual al
tamao de los intervalos de clase.

b) Superficies proporcionales a las frecuencias de clase.

Si los intervalos de clase tienen igual tamao, las alturas de los rectngulos son proporcionales a las
frecuencias de clase y se acostumbra en tal caso, a tomarlas alturas numricamente iguales a las
frecuencias de clase. Si los intervalos de clase no son de igual tamao, esas alturas deben ser
calculadas.

2.2.2. POLGONO DE FRECUENCIAS.

Un polgono de frecuencias es un grfico de lnea trazado sobre las marcas de clase.
Puede obtenerse uniendo los puntos medios de los techos de los rectngulos en el Histograma.

El histograma y el polgono de frecuencias, correspondiente a la distribucin de frecuencias de las
alturas de los estudiantes, se muestran en el mismo sistema de ejes en la siguiente figura. Se
acostumbra a prolongar el polgono con PQ y RS hasta las marcas de clase inferior y superior
inmediatas, que corresponderan a la clase de frecuencia cero. En tal caso, la suma de las reas de los
rectngulos del histograma es igual al rea total limitada por el polgono de frecuencias y el eje X.

A U T N O M O

16

Ejemplo: La tabla siguiente muestra los Salarios semanales de 100 trabajadores no calificados

Salario semanal (dlares)
i
x (marca de clase)
f
i
240 - 259 249.5 7
260 - 279 269.5 20
280 - 299 289.5 33
300 - 319 309.5 25
320 - 339 329.5 11
340 - 359 349.5 4
Total=100

A U T N O M O

17
Ejemplos: En la figura anterior se muestra un histograma y un polgono de frecuencias de la
distribucin de frecuencias de los salarios semanales de la tabla asociada.

2.2.3. CURVAS DE FRECUENCIA.
Observacin: Una curva de frecuencias es un polgono de frecuencias suavizado.
El conjunto de datos puede considerarse normalmente como perteneciente a una muestra extrada
de una poblacin grande. A causa de las muchas observaciones que podemos realizar en la poblacin,
es posible tericamente (para datos continuos) elegir los intervalos de clase muy pequeos y todava,
tener un nmero adecuado de observaciones dentro de cada clase.
As, se tiene que el polgono de frecuencias o el de frecuencias relativas, para una poblacin grande,
puede estar formado por muchos pequeos segmentos rectos que aproximan el conjunto a una curva,
las curvas de este tipo pueden llamarse curvas de frecuencias o curvas de frecuencias relativas,
respectivamente.

EJEMPLO La figura siguiente es una curva de frecuencias de la distribucin de salarios semanales
de la tabla asociada (salario de los 100 trabajadores)

A U T N O M O

18

2.2.4. TIPOS DE CURVAS DE FRECUENCIA.
En trminos de asimetra, una curva de frecuencias puede ser:
1) asimtrica negativa: no simtrica con la cola" a la izquierda
2) asimtrica positiva: no simtrica con la cola" a la derecha
3) simtrica.

Adems, en trminos de curtosis, una curva de frecuencias puede ser:
1) platicrtica: plana, con las observaciones distribuidas en forma relativamente pareja entre las
clases
2) leptocrtica: afilada, con las observaciones concentradas en un estrecho rango de valores
3) mesocrtica: ni plana ni afilada en trminos de la distribucin de los valores observados.

A U T N O M O

19

2.2.5. DISTRIBUCIN DE FRECUENCIAS ACUMULADAS.

Una distribucin de frecuencias acumuladas identifica el nmero acumulado de observaciones
incluidas bajo el lmite exacto superior de cada clase de la distribucin. Las frecuencias acumuladas
de una clase pueden determinarse sumando las frecuencias observadas de esa clase a las frecuencias
acumuladas de la clase anterior.
Reconoceremos 2 tipos de Frecuencia acumulada:
Del tipo y menos que ( ) (
i
F )
Del tipo y ms que ( ) (+
i
F )

Volvamos a nuestra tabla de trabajo y agreguemos la Frecuencia acumulada correspondiente

Salario semanal
(dlares)
i
x (marca de clase)
f
i ) (
i
F ) (+
i
F
240 - 259 249.5 7 7 100
260 - 279 269.5 20 27 80
280 - 299 289.5 33 60 47
300 - 319 309.5 25 85 22
320 - 339 329.5 11 96 11
340 - 359 349.5 4 100 7
Total=100

La lectura de la frecuencia ) (
3
F = 60 es: 60 trabajadores ganan 299 o menos dlares
(hasta 299)

La lectura de la frecuencia ) (
3
+ F = 47 es: 47 trabajadores ganan 280 o ms dlares (a lo
menos 280)

A U T N O M O

20
La grfica de una distribucin de frecuencias acumuladas se llama ojiva. En el caso de distribuciones
acumuladas del tipo "y menor que" ( ) (
i
F ) , esta grfica indica las frecuencias acumuladas bajo
cada lmite exacto de clase de la distribucin de frecuencias. Si esa grfica de lneas se suaviza, se
obtiene la curva llamada ojiva.

2.2.6. DISTRIBUCIN DE FRECUENCIA RELATIVA. (
i
h )

La frecuencia relativa de una clase o de un intervalo, es la frecuencia de la clase dividida por el total
de casos (N) y se expresa generalmente en forma porcentual

Por ejemplo, la frecuencia relativa de la clase 280 - 299 de la tabla anterior es
3
h = 33 . 0
100
33
= ,
lo que al expresarse en porcentaje queda como 33%.

La suma de las frecuencias relativas de todas las clases es evidentemente 1 100%, segn se
exprese.

Si completamos con frecuencias relativas la tabla anterior, tendramos:

i
x (marca de clase)
f
i
i
h
240 - 259 249.5 7 0.07
260 - 279 269.5 20 0.20
280 - 299 289.5 33 0.33
300 - 319 309.5 25 0.25
320 - 339 329.5 11 0.11
340 - 359 349.5 4 0.04
Total=100 T0tal=1

A U T N O M O

21

Ya hemos dicho que una buena lectura de la frecuencia relativa es la porcentual, o sea nuestra tabla
quedara:

i
x (marca de clase)
f
i
i
h
% h
240 - 259 249.5 7 0.07 7
260 - 279 269.5 20 0.20 20
280 - 299 289.5 33 0.33 33
300 - 319 309.5 25 0.25 25
320 - 339 329.5 11 0.11 11
340 - 359 349.5 4 0.04 4
Total=100 Total=1 Total=100

Para no caer en confusiones, elaboremos otra distribucin:

Puntajes de una prueba de Mat. de un curso del C.F.T. :

Puntajes
i
x (marca de clase)
f
i
i
h
% h
9 - 20 14.5 2 0.04 4
21 - 32 26.5 5 0.10 10
33 - 44 38.5 9 0.18 18
45 - 56 50.5 12 0.24 24
57 - 68 62.5 11 0.22 22
69 - 80 74.5 11 0.22 22
Total = 50 Total = 1 Total = 100

Agreguemos ahora las respectivas frecuencias acumuladas:

Puntajes
i
x
f
i
i
h
% h
) (
i
F ) (+
i
F ) (
i
H ) (+
i
H
9 - 20 14.5 2 0.04 4 2 50 4 100
21 - 32 26.5 5 0.10 10 7 45 14 96
33 - 44 38.5 9 0.18 18 16 36 32 86
45 - 56 50.5 12 0.24 24 28 24 56 68
57 - 68 62.5 11 0.22 22 39 13 78 44
69 - 80 74.5 11 0.22 22 50 2 100 22
Totales 50 1 100

A U T N O M O

22

Interpretemos los valores del 4 rengln:

Valores Interpretacin

45 - 56

Intervalo de puntajes en estudio

i
x = 50.5

La marca de clase o valor central del intervalo en estudio es 50.5

f
i
= 12

Hay 12 alumnos que obtienen puntajes del intervalo

i
h = 0.24

La frecuencia relativa es 0.24 (razn entre f
i
y el total de alumnos)

% h = 24

Un 24 % de alumnos obtuvo puntajes del intervalo en estudio

) (
i
F = 28

28 alumnos obtienen 56 o menos puntos

) (+
i
F = 24

24 alumnos obtienen 45 o ms puntos

) (
i
H = 56

Un 56 % de alumnos obtiene 56 o menos puntos

) (+
i
H = 68

Un 68 % obtiene 45 o m

Las representaciones grficas de distribuciones de frecuencia relativa pueden obtenerse del
histograma o del polgono de frecuencias, cambiando slo la escala vertical de frecuencia, a
frecuencia relativa, conservndose exactamente el mismo diagrama que se muestra en el 2.5 de este
captulo.

A U T N O M O

23


1. La tabla muestra una distribucin de frecuencias de los salarios semanales en dlares de 65
Empleados de una empresa privada imaginaria.

Salarios (dlares)
i
f (Nmero de empleados)
50 59.99 8
60 69.99 10
70 79.99 16
80 80.99 14
90 90.99 10
100 - 109.99 5
100 - 109.99 2

Total 65

Con referencia a esta tabla determinar:

a) El lmite inferior de la sexta clase.

b) El lmite superior de la cuarta clase.

c) La marca de clase (o punto medio) de la tercera clase.

d) Los lmites reales de la quinta clase.

e) Tamao del quinto intervalo de clase.

f) Frecuencia de la tercera clase.

g) Frecuencia relativa de la tercera clase.

h) Intervalo de clase que tiene mayor frecuencia.

A U T N O M O

24

i) Porcentaje de empleados con salarios menores a $80 por semana.

j) Porcentaje de empleados con menos de $100 pero con $60 semanales al menos.

2. Si las marcas de clase en una distribucin de frecuencias de pesos de estudiantes son
128 , 137, 146 , 155 , 164 , 173 y 182 libras, hallar:

a) El tamao de intervalo de clase.

b) Los lmites reales de clase.

c) Los lmites de clase, suponiendo los pesos medidos con aproximacin de unidad de libra.

3. Construir una distribucin de frecuencias acumuladas del tipo menos que y mas que , a
partir de la distribucin de Frecuencias del problema 1 e interprete la tercera clase.

A U T N O M O

25


1.
a) 100;

b) 89,99

c) Marca de clase de la tercera clase: 995 . 89
2
100 99 . 99
=
+
. En la prctica se redondea a 75.

d) Lmite real inferior de la quinta clase: 995 . 89
2
99 . 89 90
=
+
. Lmite real superior de la
quinta clase : 995 . 99
2
100 99 . 99
=
+

e) Tamao del quinto intervalo de clase = lmite real de la quinta clase - lmite real inferior de la
quinta clase = 99,995 - 89,995= 10. En este caso todos los intervalos de clase tienen el mismo
tamao, 10.

f) 16;

g) % 6 . 24 246 . 0
65
16
= =

h) 70 - 79,99. Este se conoce tambin como intervalo de clase modal. Su frecuencia se llama
entonces frecuencia de clase modal

i) Nmero total de empleados con menos de 80 por semana = 16+10+8= 34. Porcentaje
pedido % 3 . 52
65
34
=

j) Nmero de empleados con menos de 100 pero con 60 al menos = 10+14+16+10= 50.
Porcentaje pedido % 9 . 76
65
50
=

A U T N O M O

26
2.
a) Tamao de intervalo de clase = diferencia comn entre las sucesivas marcas de clase
=137 128 = 146 - 137= ...... = 9

b) Puesto que todos los intervalos de clase tienen igual tamao, los lmites reales de clase
estn en los puntos medios entre las marcas de clase, y as tenemos los valores:

2
182 173
... ..........
2
146 137
,
2
137 128 + + +
, es decir: 132.5, 141.5, 150.5,.., 177.5
El lmite real inferior de la primera clase es 132.5 - 9 = 123.5 y el lmite real superior de la ltima
clases es 177.5 + 9 = 186.5, puesto que el tamao comn para todos los Intervalos de clase es 9
libras. Entonces todos los lmites reales de clase vienen dados por
123.5 ; 132.5 ; 141.5 ; 150.5 ; 159.5 ; 168.5 ; 177.5 ; 186.5;

c) Puesto que los lmites de clase son nmeros enteros, elegimos los ms prximos a los limites
reales de clases, o sea : 123 , 124 , 132, 133 , 141 , 142 , . Entonces la primera clase tiene de
lmites: 124 132; la segunda 133 141, etc.

3.
Salarios (dlares)
i
f ) (
i
F ) (+
i
F
50 59.99 8 8 65
60 69.99 10 18 55
70 79.99 16 34 39
80 80.99 14 48 25
90 90.99 10 58 15
100 - 109.99 5 63 10
100 - 109.99 2 65 8
Total 65

Tercera clase:
Valores Interpretacin

70 - 79.99

Salarios desde 70 dlares hasta 79.99 dlares

16 =
i
f

16 operarios ganan desde 70 a 79.99 dlares

) (
i
F =34

Hay 34 operarios que reciben 79.99 o menos dlares

) (+
i
F =39

Hay 39 operarios que reciben 70 ms dlares

A U T N O M O

27

UNIDAD III
MEDIDAS DE TENDENCIA CENTRAL

INTRODUCCIN

En esta unidad aprenderemos a calcular las medidas de tendencia central para datos
agrupados y no agrupados, entre las cuales encontraremos la media aritmtica, mediana, cuartiles,
deciles y percentiles.

A travs de las frmulas que se presentan, el alumno estar capacitado para obtener un
sinnmero de pocentajes de acuerdo a la variable, como por ejemplo, edad, cantidad, capacidad,
valores, etc.

El comportamiento tpico de un conjunto de puntajes y su descripcin, se realiza mediante los
indicadores estadsticos y que se exponen, para que el alumno aplique y compruebe si su aprendizaje
se profundiza a medida que avanza en el estudio. Los valores de las variables posibilitan la aplicacin
y el clculo de cmo se divide la distribucin.

OBJETIVO

Calcular medidas de tendencia central para datos agrupados y no agrupados

A U T N O M O

28
3.1. MEDIDAS DE TENDENCIA CENTRAL.

En esta unidad aprenderemos a calcular las medidas de tendencia central para datos no agrupados y
agrupados, entre las cuales encontraremos la media aritmtica, moda, mediana, cuartiles, deciles y
percentiles.

Las medidas de tendencia central, son indicadores estadsticos que permiten describir el
comportamiento tpico de un conjunto de puntajes.

3.1.1. MEDIA ARITMTICA PARA DATOS NO AGRUPADOS.

La media aritmtica, llamada tambin Media, es el promedio de los valores que asume la Variable.
La media aritmtica de un conjunto cualquiera con N elementos, se representa por
x
y se define como la sumatoria (se anota con la letra sigma, se escribe
) de todos los
i
x Dividida por el total de datos, N . Es decir:

N
x
x
i
=

Calcular la media aritmtica de los nmeros 8 , 3 ,5 ,12 y 10, Para ello aplicamos nuestra frmula:

6 . 7
5
38
5
10 12 5 3 8
= =
+ + + +
=
x
Esto quiere decir que la media aritmtica buscada es igual a 7,6.

Ahora bien, si los nmeros
k
x x x x ....... , , ,
3 2 1
se presentan con frecuencias

k
f f f f ......, ,......... , ,
3 2 1
veces, respectivamente, la media aritmtica es:

N
f x
x
i i

=

Donde
=
i
f N , N es la suma total de las frecuencias, es decir, indica el nmero total de casos.
Aclaremos con un ejemplo!

A U T N O M O

29
En un grupo de 10 nios, sus edades se distribuyen de la siguiente forma:

Tres nios tienen 5 aos, dos tienen 8 aos, cuatro tienen 6 aos y uno tiene 2 aos.
Se quiere conocerla edad promedio de los nios, es decir, estadsticamente se requiere calcular la
media aritmtica, por lo tanto ordenaremos los datos en una tabla:

i
x
i
f
5 3
8 2
6 4
2 1
N =10

Con estos datos, calculamos la media aritmtica:

7 . 5
10
2 24 16 15
10
1 2 4 6 2 8 3 5
=
+ + +
=
+ + +
=
x

Por lo tanto, la edad promedio del grupo de nios, es 5,7 aos.

Como se puede apreciar en los datos del ejemplo, ningn nio tiene la edad promedio.
Esto suele ocurrir en diferentes aplicaciones; entonces resulta conveniente sealar que la media es
un valor representativo de la variable que no necesariamente es asumido por alguna de las personas
que integran el grupo en estudio.

3.1.2. MEDIA ARITMTICA CALCULADA A PARTIR DE DATOS AGRUPADOS.

En los datos agrupados, el valor de la variable se presenta en intervalos, por lo que para calcular la
media aritmtica, ser necesario usar la marca de clase y se asignar por
i
x . Entonces para
calcularla, usaremos la siguiente frmula:

N
f x
x
i i

=

Donde
i
x es la marca de clase de cada intervalo.

A U T N O M O

30
Cada marca de clase se multiplica por la correspondiente frecuencia, luego se suman los productos
obtenidos y se divide por N o sea por el total de casos.
Apliquemos esto!

En una pequea empresa, los sueldos de 50 trabajadores se distribuyen entre 100 mil y 599 mil
pesos, como lo indica la siguiente tabla. Se requiere conocer el sueldo promedio de los Trabajadores.

Sueldos (en miles de
pesos)
i
f
i
x

i i
f x
100 - 199 6 149.5 897
200 - 299 8 249.5 1996
300 - 399 15 349.5 5242.5
400 - 499 12 449.5 5394
500 - 599 9 549.5 4945.5
50 = N
=18475

Asi:

5 . 369
50
18475
= =

x
N
f x
x
i i

Por lo tanto, el sueldo promedio de los trabajadores de la empresa es $369.500.

Resulto fcil!

A U T N O M O

31

3.1.3. MODA.

La moda en una distribucin de frecuencias se define como el valor de la variable que registra la
mayor frecuencia absoluta

En una serie de nmeros, la Moda es aquel valor que se presenta con la mayor frecuencia, es decir, es
el valor ms comn. Puede presentarse el caso de que exista ms de una Moda y tambin puede
ocurrir que la Moda no exista.

Para comprenderlo mejor, aplicaremos esto a un ejemplo;

En la serie de nmeros 2 , 2 ,5 , 7, 9 , 9, 9 , 10 , 10 , 11 ,12 , 18 la moda es 9 ya que el valor 9 es el
nico que se repite tres veces (presenta la ms alta frecuencia); en cambio, en la serie 3 , 5 , 8 , 10 ,
12 , 15 , 16 no se presenta moda, pues todos los nmeros se presentan slo una vez y finalmente, en
la serie 2, 3 , 4 , 4 , 4 , 5, 5 , 7 , 7 , 7 , 9 se presentan dos modas, 4 y 7, ambas con frecuencia tres,
en cuyo caso diremos que la serie es bimodal .Asi:

Una distribucin con una sola moda, se denomina unimodal
Si la distribucin tiene ms de dos modas la llamaremos multimodal

En una distribucin de frecuencias con datos agrupados, la moda se encuentra en el intervalo donde
se registra la mayor frecuencia y para calcular su valor exacto, usaremos la siguiente frmula:

C
d d
d
L Mo
+
+ =
2 1
1
1

Donde:

1
L = Limite real inferior del intervalo en que se encuentra la moda.

1
d = Diferencia entre la frecuencia en que se ubica la moda y la frecuencia del intervalo anterior
a ella.

2
d = Diferencia entre la frecuencia en que se ubica la moda y la frecuencia del intervalo siguiente a
ella.

C = tamao o amplitud de intervalo (limite real superior- lmite real inferior)

Apliquemos esto!

A U T N O M O

32

Calcularemos la moda en la siguiente distribucin de frecuencias que muestra los puntajes
Obtenidos por un grupo de 400 deportistas, en un test de resistencia:

Puntajes
i
f
100 - 199 14
200 - 299 46
300 - 399 58
400 - 499 76
500 - 599 68
600 - 699 62
700 - 799 48
800 - 899 22
900 - 1000 6
400 = N

Sabemos que en una distribucin de datos agrupados, la moda se encuentra en el intervalo de mayor
frecuencia. La mayor frecuencia es 76, por lo que la moda se encuentra entre los 400 y 499 puntos.
Ahora apliquemos la frmula:
C
d d
d
L Mo
+
+ =
2 1
1
1

Los datos son los siguientes:

1
L =399,5

1
d =76-58=18

2
d = 76 - 68 = 8

C =100

Por lo tanto tenemos:

73 . 468
100
8 18
18
5 . 399
2 1
1
1
=
+
+ =
+
+ = C
d d
d
L Mo

A U T N O M O

33
Finalmente, como la moda es 468,5; implica que el puntaje que ms se repiti entre los deportistas,
en el test aplicado, es 468,5 puntos.

3.1.4. MEDIANA.

La mediana es el valor de la variable que divide la distribucin en dos partes iguales, es decir, deja
sobre y bajo s al 50% de los casos.

En los datos no agrupados, si el estudio considera un nmero de elementos impar, la Mediana es el
valor central de ellos, pero si el nmero de datos es par, corresponde al promedio de los dos valores
centrales.

Tomemos los siguientes casos como ejemplos para aplicar lo expresado.

En el conjunto de datos M = { 3 , 4 , 4 , 5 , 6 , 7 , 7, 9,10 } la mediana es 6, porque el conjunto tiene
nueve elementos, tiene nmero impar de elementos y el valor central es 6

En el conjunto de datos T = {5 , 5 , 6 , 9 , 11 , 13 , 16 , 20 } , la mediana es 9+11 12 = 20/2 = 10,
porque el conjunto tiene nmero par de elementos, entonces se calcul el promedio de los dos valores
centrales y se obtuvo la mediana igual a 10.

Al igual que la media suele ocurrir que nadie obtiene el valor que asume mediana , lo cual es
totalmente vlido.

Para calcular la mediana en datos agrupados aplicaremos la siguiente frmula:
C
f
F
N
L Me
i
i

+ =
1
1
2

Donde:
Me = mediana
1
L = lmite real inferior del intervalo en que se ubica la mediana.

N = nmero total de datos de la distribucin.

1 i
F = frecuencia absoluta acumulada del intervalo anterior al que contiene a la mediana.

i
f = frecuencia (no acumulada), correspondiente al intervalo que contiene a la mediana

C = tamao o amplitud del intervalo.

A U T N O M O

34
Para comprender mejor el clculo de la mediana,
Apliqumoslo!

El valor de la hora de trabajo de 100 personas, se distribuye segn indica la siguiente

tabla:

Fronteras
i
f

) ( Fi
2400 - 2600 7 7
2600 - 2800 20 27
2800 - 3000 33 60
3000 - 3200 25 85
3200 - 3400 11 96
3400 - 3600 4 100

100 = N

Lo primero es ubicar el intervalo que contiene a la mediana.

Para ello, en la columna de las frecuencias acumuladas se busca el valor igual o mayor al 50% del total
de casos; como son 100 casos, deber ser igual o superior a 50. En la tabla, la frecuencia acumulada
que marca 60, indica el intervalo en que se encuentra la mediana.

Esto quiere decir que el valor de la mediana estar ubicado entre 2.800 y 3.000.

Ahora, para calculara aplicamos la frmula, para lo cual ordenaremos los datos:

1
L = 2.800

50
2
100 = =
N
N

27 =
i
F

33 =
i
f

200 = C

A U T N O M O

35

As:

2938
200
33
27 50
288
1 2
1
=

+ =

+ =

C
f
F
L Me
i
i
N

Finalmente encontramos que la mediana es 2.938, esto implica que en la distribucin, ese valor es el
que la divide en dos partes guales.

Las conclusiones pueden expresarse de cualquiera de las siguientes formas:

El 50% de los casos, obtiene por hora de trabajo, menos de $2.938 y el otro 50% obtiene
ms que esa cantidad.

De los 100 trabajadores considerados en este caso, 50 de ellos reciben, por hora de trabajo, entre
$2.400 y $ 2.938 y 50 de ellos reciben ms que $2.938 con un mximo de $3.600.

3.1.5. CUARTILES DECILES Y PERCENT1LES.

Sabemos que en un conjunto de datos, el valor medio que divide al conjunto en dos partes iguales, es
la mediana. Aprovechando la misma idea, se pueden calcular aquellos valores de la variable que dividen
la distribucin en cuatro partes iguales. Estos valores, son los llamados cuartiles.

Loa cuartiles son los valores que dividen la distribucin en cuatro partes iguales

Los cuartiles se designan con la letra Q y cada uno de ellos separa la distribucin en 25%.
As tenemos que:

A U T N O M O

36
Cuartil uno, denominado
1
Q es el valor de la variable que marca el lmite del primer cuarto (1/4) de
la distribucin o lo que es lo mismo, el primer 25% de ella, en consecuencia deja sobre ella, el 75%
restante.

Cuartil dos, denominado
2
Q , es el valor de la variable que divide la distribucin en dos parte iguales
y por lo tanto coincide con la mediana (2/4 = ) entonces diremos que:

Me Q =
2

Cuartil tres, denominado
3
Q es el valor de la variable que marca el limite de los tres cuartos (3/4)
de la distribucin, es decir, es el valor hasta donde se ubica el 75% de la distribucin, en
consecuencia deja sobre s, al 25% restante.

Para calcularlos usaremos la misma frmula de la mediana, pero con el ajuste correspondiente,
quedando lo siguiente:
C
f
F
L Q
i
i
N

+ =
1 4
1 1

C
f
F
L Me Q
i
i
N

+ = =
1 2
1 2

C
f
F
L Q
i
i
N

+ =
1 4
3
1 3

Usando el mismo ejemplo que tomamos para calcular la mediana, calcularemos los Quartiles.

Puntajes
(fronteras)
i
f

) (
i
F
2400 - 2600 7 7
2600 - 2800 20 27
2800 - 3000 33 60
3000 - 3200 25 85
3200 - 3400 11 96
3400 - 3600 4 100
100 = N

A U T N O M O

37
Asi:

% 25
1
Q De la distribucin (25) 2800 2600 27 =
i
F

% 50
2
i
F

% 75
3
i
F

Luego :

2780
200
20
7 25
2600
1 4
1 1
=

+ =

+ =

C
f
F
L Q
i
i
N

1
Q = 2.780

Como el cuartil uno es 2.780, este valor marca el primer 25% de la distribucin, dejando sobre ella al
75% restante. Esto nos permite dar las siguientes conclusiones:

El 25 % de las personas contempladas en este estudio, recibe por hora de trabajo, entre
$2.400 y $2.780, en tanto que el 75% de ellas recibe ms de $2.780 y hasta $3.600.

El 25% de las personas recibe por hora de trabajo, menos de $2.780 y el 75% de ellas recibe
ms de $2.780.

El estudio revela que un cuarto de las personas consideradas, obtiene por hora de trabajo
entre $2.400 y $2.780, mientras que tos tres cuarto de ellos, reciben ms de $2.780 y
hasta $3.600 por hora trabajada.

Como la mediana la calculamos antes, y sabemos que el cuartil dos es igual a la mediana entonces,
Q2 = 2.938.

A U T N O M O

38
Ahora calcularemos Q3, que se ubica en el intervalo donde la frecuencia absoluta acumulada marca
85, ya que sta debe ser igual o mayor al 75% del total de casos.
Esto implica que Q3 tomar un valor entre 3.000 y 3.200.

De este modo:
3120
200
25
60 75
3000
1 4
3
1 3
=

+ =

+ =

C
f
F
L Q
i
i
N

1
Q = 2.780

Las conclusiones de esto:

El 75% de las personas consideradas en el estudio, obtiene entre $2.400 y $3.120, por hora de
trabajo, en tanto que slo un 25% obtiene ms de esa cantidad, pero con tope de $3.600 por hora.

El estudio realizado sobre el valor hora de trabajo que perciben 100 personas, revela que 75 de
ellas reciben entre $2.400 y $3.120 y 25 restantes reciben ms de esa cantidad pero menos que
$3.600.

Resulta muy importante sealar que entre el cuartil uno y el cuartil tres, se encuentra el 50% central
de los casos en estudio. Por cierto, si el cuartil uno indica el valor de la variable que marca el primer
25% de los casos y el cuartil tres es el valor de la variable que seala el 75% de los casos, entonces
entre
3 1
Q y Q se encuentra el 50% central.

En el ejemplo desarrollado anteriormente,
1
Q = 2.780 y
3
Q = 3.120, entonces podemos decir, que:

En el estudio realizado sobre el valor de la hora de trabajo, revel que los valores ms bajos
fluctan entre $2.400 y $2.780 los cuates son percibidos por el 25% de ellas, en tanto el 50% de las
personas perciben entre $2.780 y $3.120 por la hora de trabajo y slo el 25% supera esa cantidad,
llegando hasta un valor de $ 3.600.

A U T N O M O

39
Anlogamente, los valores de la variable que dividen la distribucin en diez partes guales se
denominan Deciles y se representan por
2 1
, D D . hasta
9
D , mientras que los valores de la
variable que dividen la distribucin en cien partes iguales, se denominan Percentiles y se representan
por , ,
2 1
P P ,.........hasta
999
P .
El decil uno,
1
D , es el valor de la variable correspondiente al 10% de la distribucin.
El decil dos,
2
D , es el valor de la variable correspondiente al 20% de ella , el tercero,
3
D , al 30% y
as sucesivamente. Entonces ocurre que:

Me Q D = =
2 5

Fantstico! Ya sabemos calcularlo!

El percentil uno,
1
P , corresponde al uno por ciento de la distribucin; el percentil dos,
2
P ,
al 2% de ella; el percentil tres,
3
P , al tres por ciento; y as sucesivamente. Por lo que el percentil
Veinticinco,
1 25
Q P = , el percentil setenta y cinco,
3 75
Q P = y claro est :

Me Q D P = = =
2 5 50

Recordemos que en la frmula de trabajo lo nico que vara es el factor de N , el cul corresponde al
porcentaje que seala el decil o percentil a calcular. Si se trata de deciles se divide por 10 y si son
percentiles por 100

Es como pensar as :

Si calculamos un decil cualquiera (x) , tenemos:

C
f
F
L D
i
i
N x
x

+ =

1 10
1

Si calculamos percentiles:

C
f
F
L P
i
i
N x
x

+ =

1 100
1

A U T N O M O

40

Ejemplifiquemos usando la tabla de datos anteriores:

Fronteras
i
f

) (
i
F
2400 - 2600 7 7
2600 - 2800 20 27
2800 - 3000 33 60
3000 - 3200 25 85
3200 - 3400 11 96
3400 - 3600 4 100
100 = N

i) Para
3
D tenemos que el 30% de 100 es 30, por lo tanto,
3
D se ubica en el intervalo cuya
frecuencia acumulada marca 60, por lo tanto,
3
D se encuentra entre los valores 2.800 y 3.000;

los datos son:

1
L = 2.800

30
10
3
=
N

i
F =60

27
1
=
i
F

33 =
i
f

C = 200

Asi:

A U T N O M O

41

2818
200
33
27 30
2800
1 10
3
1 3
=

+ =

+ =

C
f
F
L D
i
i
N

2818
3
= D

i) Para
42
P tenemos que el 42% de 100 es 42, por lo tanto,
42
P se ubica en el intervalo cuya
frecuencia acumulada marca 60, por lo tanto,
42
P se encuentra entre los valores 2.800 y
3.000; los datos son:

1
L = 2.800

42
100
42
=
N

i
F =60

27
1
=
i
F

33 =
i
f

C = 200

Asi:

A U T N O M O

42

2890
200
33
27 42
2800
1 100
42
1 42
=

+ =

+ =

C
f
F
L P
i
i
N

P42 = 2.890

Ejercicio interesante:

Sea la distribucin siguiente:

212 puntajes de un test de habilidades:

Puntajes
i
f

) (
i
F
350 399 4 4
400 449 6 10
450 499 9 19
500 549 20 39
550 - 599 31 70
600 649 80 150
650 699 42 192
700 749 10 202
750 799 8 210
800 - 849 2 212
212

Interesa determinar que % de alumnos obtuvieron resultados entre 620 y 680 puntos:

Sol:

A U T N O M O

43
Sea
x
P = 620 puntos, donde x es un porcentaje desconocido. As:

% 49 . 48
:
50
80
70 12 . 2
5 . 599 620
50
80
70
100
212
5 . 599
=

+ =

+ =
x
Donde
x
x
P
x

De igual modo: Sea
y
P = 680 puntos, donde y es un porcentaje desconocido. As:

% 84 . 82
:
50
42
150 12 . 2
5 . 649 680
50
42
150
100
212
5 . 649
=

+ =

+ =
y
Donde
y
y
P
y

y por lo tanto: El porcentaje buscado es : 82.84 % - 48.49 % = 34.4 % de alumnos

A U T N O M O

44


1. Las calificaciones de un estudiante en seis pruebas fueron 84, 91, 72,68, 87 y 78. Encuentre la
media aritmtica de las calificaciones.

2. Los salarios anuales de cuatro hombres fueron $5.000, $6.000, $6.500 y $30.000. Encuentre la
media aritmtica de sus salarios.

3. De un total de 100 nmeros, 20 eran 4, 40 eran 5, 30 eran 6 y el resto eran 7. Encuentre la
media aritmtica de los nmeros.

4. Cuatro grupos de estudiantes, formados por 15, 20,10 y 18 individuos registran los siguientes
pesos: 162,148, 153 y 140 libras, respectivamente. Encuentre el peso medio de todos
los estudiantes.

5. Los puntajes un deportista en seis pruebas fueron 84, 91, 72,68, 87 y 78. Calcule la mediana de los
puntajes.

6. Los honorarios de cinco empleados de una oficina son $2,52; $3,96; $3,28; $9,20 y $3,75.
Encontrar:

(a) la mediana del salario honorario,

(b) la media del salario honorario.

7. Calcule la media, mediana y moda en las colecciones de nmeros:

(a) 3, 5, 2, 6, 5, 9, 5, 2, 8, 6;

(b) 51,6; 48,7; 50, 3; 49,5:48,9.

A U T N O M O

45

8. Calcule los cuartiles
3 2 1
, Q y Q Q y los deciles
9 2 1
, , D D D de los salarios de los 65 Empleados de
una Empresa presentados en la tabla siguiente:

Salarios (dlares)
i
f (Nmero de empleados)
50 59.99 8
60 69.99 10
70 79.99 16
80 80.99 14
90 90.99 10
100 - 109.99 5
100 - 109.99 2
Total 65

9. Determinar: el percentil 35, el percentil 60, para la distribucin del problema anterior.

10. En la distribucin:


Puntajes
i
f

) (
i
F
350 399 4 4
400 449 6 10
450 499 9 19
500 549 20 39
550 - 599 31 70
600 649 80 150
650 699 42 192
700 749 10 202
750 799 8 210
800 - 849 2 212
212

a) Calcula
95 5
P y P
b) Determina el percentil al que corresponde el valor 582.4 puntos
c) Que % de alumnos obtuvo entre 400 y 600 puntos

A U T N O M O

46


1. 80
6
480
6
78 87 68 72 91 84
= =
+ + + + +
= =

N
X
X
i

2. 11875
4
47500
4
30000 6500 6000 5000
= =
+ + +
= =

N
X
X
i

3. 30 . 5
100
530
100
7 10 6 30 5 40 4 20
= =
+ + +
= =

N
X f
X
i i

4. 150
18 10 20 15
140 18 153 10 148 20 162 15
=
+ + +
+ + +
= =
i
i i
f
X f
X

5. Puestos en orden, los puntajes son 68, 72, 78 , 84 , 87 , 91 . Al haber un nmero par de trminos
hay dos valores centrales, 78 y 84, cuya media aritmtica
2
84 78+
es
la mediana pedida.

6. a) Puestos en orden los honorarios son 2,52; 3,28; 3,75; 3,96; 9,20. Puesto que hay un nmero
impar de trminos, hay solamente un valor medio 3,75 que ser la mediana pedida.

b) La media aritmtica es (2,52+3,96+3,28+9,20+3,75)/5= 4,54.
Ntese que la mediana no viene afectada por el valor extremo 9,20, mientras que la media s lo est.
En este caso la mediana da una mejor informacin que la media sobre el salario horario.

7. a) Puestos en orden de magnitud, los nmeros son 2 , 2 , 3 , 5 , 5 , 5 , 6 , 6 , 8 , 9 .

Media = 54 . 4
10
9 8 6 6 5 5 5 3 2 2
=
+ + + + + + + + +

Mediana = media aritmtica de los valores centrales = 5
2
5 5
=
+

A U T N O M O

47
Moda = nmero que se presenta con mayor frecuencia = 5.

b) Puestos en orden de magnitud, los nmeros son 48,7; 48,9; 49,5; 50,3; 51,6.

Media = 8 . 49
5
6 . 51 3 . 50 5 . 49 9 . 48 7 . 48
=
+ + + +

Mediana = nmero central = 49,5.

Moda = nmero que se presenta con mayor frecuencia; aqu no existe.

8)

25 . 68
1
= Q

06 . 79
2
= Q

75 . 90
3
= Q

12 . 58
1
= D

995 . 59
2
= D

00 . 101
9
= D
9)
97 . 72
35
= P

57 . 83
60
= P

10)

a) =
5
P 452.8 ,
95
P = 746.5
b)
28
P
c) 31.5 %

A U T N O M O

48
UNIDAD IV
MEDIDAS DE DISPERSIN

INTRODUCCIN

En esta unidad se utilizarn frmulas para calcular las medidas de dispersin de datos Agrupados,
que permiten establecer la desviacin media y que darn a conocer un valor absoluto, a travs del
conjunto de datos definido como la sumatoria de los cuadrados de las desviaciones, dividido por el
total de casos.

Se dar a conocer, la desviacin estndar o tpica, donde se obtiene un promedio diferente a la media
aritmtica.

Los ejercicios de aplicacin, pondrn al alumno en contacto con su aprendizaje, los que podr
contrastaren el anexo con las respuestas correctas.

OBJETIVO

1. Calcular medidas de dispersin para datos agrupados.

A U T N O M O

49

4.1. CLCULO DE MEDIDAS DE DISPERSIN PARA DATOS AGRUPADOS.

4.1.1. RANGO.

El rango ( R ) de un conjunto de datos es la diferencia entre el mayor y menor de todos ellos

Ejemplo:

El rango de los nmeros 2, 3, 3 , 5 , 5 , 8 , 10 , 12 es R = 12 2 = 10.

4.1.2. DESVIACIN PROMEDIO O DESVIACIN MEDIA.

Se entiende por el promedio de las desviaciones (alejamientos) de cada uno de los valores respecto
de un valor referencial (generalmente la media aritmtica)

Su frmula de trabajo es:

N
x x
DM
i

=

En donde
x x
i
es el valor absoluto de las desviaciones de las diferentes
i
x respecto de
x . (El
valor absoluto de un nmero, es el mismo nmero sin asociarle signo alguno y se indica por dos barras
verticales a ambos lados del nmero.

Ejemplo:

Hallar la desviacin media de los nmeros 2 , 3 , 6 , 8 , 11.

Calculemos la madia aritmtica: 6
5
11 8 6 3 2
=
+ + + +
=
x

A U T N O M O

50

Ordenemos la informacin:

i
x
x x
i

2 4
3 3
6 0
8 2
11 5

14

As :

8 . 2
5
14
= =
=

N
x x
DM
i

Si se presentan frecuencias, la desviacin media queda:

N
x x f
DM
i i

=

Donde:
=
i
f N

A U T N O M O

51
4.1.3. VARIANZA.

La varianza (
2
s ) de un conjunto de datos se define como la sumatoria de los cuadrados de las
desviaciones dividido por el total de casos en estudio.

Asi:

N
x x
s
i

2
2

Si el estudio se refiere a una varianza muestral, se representa por
2
s y se divide por n-1 y si se
refiere a la varianza poblacional, se designa por
2
y se divide por N.

Al sacar la raz cuadrada de la varianza resulta lo que se denomina desviacin estndar, llamada
tambin desviacin tpica, por lo tanto desviacin estndar es:

Raz cuadrada de la varianza:

N
x x
s
i

2

Cuando los datos vienen dados por una distribucin de frecuencias s queda dado por la Siguiente
frmula:

N
x x f
s
i i

2

Al igual que en la varianza, cuando se trata de la desviacin estndar de una poblacin, se divide por
N, en cambio si el estudio se trata de calcular la desviacin estndar de una muestra se divide por
n- 1.

A U T N O M O

52
4.1.4. PROPIEDADES DE LA DESVIACIN ESTNDAR.

1. La desviacin tpica puede definirse como
( )
N
a x
s
i

=
2
Donde a es un promedio que puede
ser distinto de la media aritmtica. De todas las desviaciones tpicas, la mnima es aquella para la que
a =
x , a causa de una propiedad que, suministra una razn de peso para definir la desviacin tpica,
como se ha definido anteriormente.

2. Para distribuciones normales, resulta que:
a) El 68,27% de los casos estn comprendidos entre s x y s x +

. (es decir, el valor de la desviacin
tpica a ambos lados de la media).
b) El 95,45% de los casos estn comprendidos entre s x y s x 2 2 +

. (es decir, el doble del valor de
la desviacin tpica a ambos lados de la media).
c) El 99,73% de los casos estn comprendidos entre s x y s x 3 3 +

. (es decir, el triple del valor de
la desviacin tpica a ambos lados de la media).

3. Supngase dos series de datos de
2 1
N y N nmeros (o dos distribuciones de frecuencia con
frecuencias totales
2 1
N y N ) cuyas variaciones vienen dadas por
2
2
2
1
s y s , respectivamente,
y que tienen la misma media
x . Entonces, la varianza combinada para ambas series (o ambas

distribuciones de frecuencia), est dada por:

2 1
2
2 2
2
1 1 2
N N
s N s N
s
+
+
=
Esta es una media aritmtica ponderada de las varianzas. Este resultado puede generalizarse a 3
ms series de datos.

Realicemos un ejercicio para calcular Medidas de Dispersin de datos agrupados. Para esto
consideremos nuestra distribucin del captulo anterior:

Salario

i
x

f
i

i i
f x
x x
i

x x f
i i

2
x x
i

x x f
i i

240 - 259 249.5 7 1746.5 45 315 2025 14175
260 - 279 269.5 20 5390 25 500 625 12500
280 - 299 289.5 33 9553.5 5 165 25 825
300 - 319 309.5 25 7737.5 15 375 225 5625
320 - 339 329.5 11 3624.5 35 385 1225 13475
340 - 359 349.5 4 1398 55 220 3025 12100
Totales: 100 29450 1960 58700

A U T N O M O

53

Calculemos la media aritmtica:

5 . 294
100
29450
= =

x
n
f x
x
i i

Con el valor anterior, construimos la columna de las desviaciones
x x
i

Como se trata de datos agrupados, construimos la columna
x x f
i i

De esta forma podemos calcular la desviacin media de la distribucin:

6 . 19
100
1960
=
=
=

DM
DM
N
x x f
DM
i i

Lo que se interpreta : El promedio de los alejamientos de la muestra en estudio respecto del valor
referencial
x es 19.6 puntos

Construyamos ahora la columna:
2
x x
i

Como es una distribucin de datos agrupados , fabriquemos la columna
2
x x f
i i

Calculemos entonces la desviacin tpica o estndar:

A U T N O M O

54
23 . 24 228 . 24
587
100
58700
2
=
=
=

=

s
s
s
N
x x f
s
i i

Adems. La varianza es : 587
2
= s

Como un complemento interesante, si calculamos los Cuarteles inferior (
1
Q ) y superior
(
3
Q ) . Es decir:

Salario semanal
(dlares)
i
x (marca de clase)
f
i ) (
i
F
240 - 259 249.5 7 7
1
Q 260 - 279
269.5 20 27
280 - 299 289.5 33 60
3
Q 300 - 319
309.5 25 85
320 - 339 329.5 11 96
340 - 359 349.5 4 100
Total =100

5 . 277
20
20
7 25
5 . 259
1
1
1 4
1 1
=

+ =

+ =

Q
Q
C
f
F
L Q
i
i
N

A U T N O M O

55
5 . 311
20
25
60 75
5 . 299
3
3
1 4
3
1 3
=

+ =

+ =

Q
Q
C
f
F
L Q
i
i
N

Luego, se tiene la medida de desviacin : Rango semi-intercuartil o Desviacin cuartil:

17
2
5 . 277 5 . 311
2
1 3
=
=
DQ
DQ
Q Q
DQ

Adems, ntese que el 50 % de los casos cae entre
3 1
Q y Q , es decir 50 operarios ganan
entre 277.5 y 311.5 dlares, as que podemos considerar a la expresin:
2
1 3
Q Q
Q
+
= como
una medida de centralizacin, de esta forma:

5 . 294
2
5 . 277 5 . 311
2
1 3
=
+
=
+
=
Q
Q
Q Q
Q

Nota: este valor coincide incluso con
x

A U T N O M O

56
4.1.5 PUNTAJES TIPIFICADOS

Conocido un puntaje cualquiera x de una distribucin, lo podemos expresar en trminos de la
desviacin tpica o estndar.

En un conjunto de datos, si la media aritmtica es
x y la desviacin tpica s , entonces el valor

tipificado o estandarizado z de un dato x es:

s
x x
z
=

Es claro que el puntaje z correspondiente a
x es 0. Ya que:

0
0
= =
=

s s
x x
z
Ejemplo:

Suponga las notas de Juan:

2 - 3.9 - 5 - 5.9 - 6.2

Calculemos la media aritmtica:

6 . 4
5
2 . 6 9 . 5 5 9 . 3 2
=
+ + + +
= =

N
x
x

Obtengamos la desviacin tpica:

53 . 1
5
) 6 . 4 2 . 6 ( ) 6 . 4 9 . 5 ( ) 6 . 4 5 ( ) 6 . 4 9 . 3 ( ) 6 . 4 2 (
2 2 2 2 2
2
=
+ + + +
=

=

s
s
N
x x
s
i

A U T N O M O

57
As:
Para la nota 2 : 7 . 1
53 . 1
6 . 4 2
=
= z ; la nota 2 se encuentra a 1.7 s (por debajo de
x )

Para la nota 3.9 : 5 . 0
53 . 1
6 . 4 9 . 3
=
= z ; la nota 3.9 se encuentra a 0.5 s (por debajo de
x )

Para la nota 5 : 3 . 0
53 . 1
6 . 4 5
=
= z ; la nota 5 se encuentra a 0.3 s (por encima de
x )

Para la nota 5.9 : 8 . 0
53 . 1
6 . 4 9 . 5
=
= z ; la nota 5.9 se encuentra a 0.8 s (por encima de
x )

Para la nota 6.2 : 1
53 . 1
6 . 4 2 . 6
=
= z ; la nota 6.2 se encuentra a 1 s (por encima de
x )

Es claro que las notas quedan ordenadas en referencia a la cantidad de desviaciones estndar o
tpicas respecto de
x

Ejemplo: Un alumno obtuvo un 5.4 en Estadstica y un 5.7 en lgebra. Si los promedios generales en
las asignaturas fueron respectivamente 4.8 y 5.0 mientras que las desviaciones tpicas 0.6 y 0.8. Se
pide concluir en que asignatura se logr un lugar relativo mejor.

Solucin:

Estadstica: 1
6 . 0
8 . 4 4 . 5
=
= z lgebra: 875 . 0
8 . 0
0 . 5 7 . 5
=
= z

Conclusin: Mejor en Estadstica que en lgebra, an teniendo nota mas alta en lgebra.

A U T N O M O

58
4.1.6 COEFICIENTE DE VARIACIN (CV)

El coeficiente de variacin, C.V., es el cociente entre la desviacin tpica y la media de la
distribucin:

=
x
s
CV

Este parmetro sirve para relativizar el valor de la desviacin tpica y as poder comparar la
dispersin de dos poblaciones estadsticas con gamas de valores muy discretas. Por ejemplo, si en una
compaa mexicana los salarios de los empleados tienen una media
1
x = 7.000 pesos y una desviacin
tpica
1
s = 500 pesos y en otra empresa espaola la media de los salarios es
2
x 200.000 pesetas y la
desviacin tpica
2
s = 40.000 pesetas, para comparar la dispersin de salarios se recurre al
coeficiente de variacin:

C.V.1 = 500/7.000 = 0,07

C.V.2 = 40.000/200.000 = 0,2

Se aprecia as que en la primera compaa los salarios tienen menor dispersin que en la segunda.

A U T N O M O

59


1. Hallar el rango de cada una de las series de nmeros:

a) 12, 6, 7, 3, 15, 10, 18, 5

b) 9, 3, 8, 8, 9, 8, 9, 18.

2. Encuentre la desviacin media de las series de nmeros del problema 1.

3. Encuentre la desviacin estndar, de cada una de las dos series de nmeros, del problema
Anterior.

4. Encuentre la varianza de las series de nmeros del problema 1.

5. Dadas las series de nmeros2, 5, 8, 11, 14 y 2, 8, 14, hallar la:

a) Media de cada serie,

b) Varianza de cada serie,

c) Media de las dos series combinadas,

d) Varianza de las dos series combinadas.

A U T N O M O

60

6) Sea la distribucin:


Puntajes
i
f

) (
i
F
350 399 4 4
400 449 6 10
450 499 9 19
500 549 20 39
550 - 599 31 70
600 649 80 150
650 699 42 192
700 749 10 202
750 799 8 210
800 - 849 2 212
212
a) Determine la desviacin tpica
b) Determine la varianza

A U T N O M O

61


1)
a) 15
b) 15

2)
a) DM = 4.25
b) DM = 2.25

3)
a) s = 4.87
b) s = 3.87

4)
a) s
2
= 23.75
b) s
2
= 15

5)
a) 8 , 8 = =

x x
b) s
2
= 18 , s
2
= 24
c) Media combinada = 8
d) Varianza combinada = 20.25

6)
a) s = 81.49 Pts.
b) s
2
= 6640.6

A U T N O M O

62
UNIDAD V
CORRELACIN Y REGRESIN LINEAL

INTRODUCCIN

Al efectuar el estudio estadstico de una muestra podemos estudiar dos caracteres
simultneamente, por ejemplo quizs queramos investigar sobre las alturas y pesos de un curso de
alumnos del Instituto para comprobar si entre ambas variables hay alguna relacin (quizs sea lgico
pensar que uno pesa ms cuanto ms mide). El estudio de dos caracteres simultneos en cada
individuo de una poblacin va a dar lugar a lo que se conoce con el nombre de distribucin estadstica
bidimensional.

OBJETIVO

1. Analizar un conjunto de datos en funcin de 2 variables de inters

2. Determinar rectas de regresin lineal mediante mtodos sencillos.

A U T N O M O

63
CORRELACIN Y REGRESIN LINEAL
5.1. Coeficiente de correlacin
Basndonos en los conocimientos que ya tenemos del estudio de las variables estadsticas
unidimensionales (de un slo carcter), podemos calcular medias y desviaciones tpicas de cada
carcter por separado mediante las frmulas ya conocidas:

N
f x
x
i i

=

N
f x
y
j j

=

N
x x f
s
i i
x
2

N
x x f
s
j j
y
2

Definimos ahora la covarianza de dos variables como la media aritmtica de los productos de las
desviaciones de cada variable respecto a su media, con lo que su clculo se pude realizar as:

( )( )
N
y y x x f
s
i i i
xy

= = y x
N
y x f
i i i

que es la frmula que emplearemos para su clculo.

Sea el ejemplo mencionado anteriormente de investigar sobre la relacin entre estatura y pesos de
15 alumnos del Instituto a cada uno de los cuales lo representaremos por una pareja de nmeros, el
primero de los cuales es su estatura en cm. y el segundo es su peso en Kg. Despus de medirlos y
pesarlos, el resultado ha sido:
E 140 165 190 190 160 180 200 200 190 140 165 165 140 160 140
P 40 75 80 80 55 75 80 90 80 40 60 60 40 55 40

A U T N O M O

64
Construyamos la siguiente tabla de frecuencias:

i
x
i
y
i
f
i
f
i i
f x
i i
f y
) (

x x
i

2
) (

x x
i

140 40 4 4 560 160 -28,3 800,89 3203,56
160 55 2 2 320 110 -8,3 68,89 137,78
165 60 3 2 495 120 -3,3 10,89 32,67
180 75 1 2 180 150 11,7 136,89 136,89
190 80 3 4 570 320 21,7 470,89 1412,67
200 90 2 1 400 90 31,7 1004,89 2009,78
15 15 2525 950 6933,35
As, de las columnas 5 y 6

-23,3 542,89 2171,56
-8,3 68,89 137,78
-3,3 10,89 21,78
11,7 136,89 273,78
16,7 278,89 1115,56
26,7 712,89 712,89
4433,35

A U T N O M O

65
De las columnas 8 y 11 de la tabla anterior, se tiene:

La covarianza la calculamos as:
y x
N
y x f
s
i i i
xy
=

27 . 333 39 . 10653 66 . 10986
3 . 63 3 . 168
15
) 2 90 200 ( ) 1 75 180 ( ) 2 55 160 ( ) 3 80 190 ( ) 3 60 165 ( ) 4 40 140 (
= =

+ + + + +
=
xy
xy
s
s

Al cociente entre la covarianza y el producto de las desviaciones tpicas de ambas variables se le
denomina coeficiente de correlacin. Su clculo, para nuestro ejemplo ser:

Observacin: En los casos donde no es necesario tener
i
f , se tiene:

=
2 2
y x
xy
r
El valor de r ha de estar necesariamente comprendido entre -1 y 1.
Si r = 1 r = -1, la dependencia entre ambas variables es perfecta (funcional)
Si 0,5 < r< 1 -1< r < -0,5 , la dependencia es significativa (nuestro caso)
Si -0,5 < r < 0,5 prcticamente se puede decir que no hay dependencia estadstica

A U T N O M O

66
5.2. Dependencia estadstica
El estudio simultneo de dos caracteres estadsticos nos induce a pensar en la existencia de una
posible relacin entre ellos. Si a cada valor de
i
x le podemos asignar un slo valor
i
y mediante una
relacin de la forma ) (x f y = , diremos que existe una dependencia funcional entre ambas, pero
tambin puede observarse que existen caractersticas en las que es evidente una relacin entre ellas
pero no es posible establecer una funcin en el sentido matemtico. A esta relacin no expresable
por una frmula la llamaremos dependencia estadstica. La posible dependencia estadstica entre dos
variables se puede observar en un dibujo llamado nube de puntos en el cual, en el eje de abcisas
colocamos los valores de la 1 variable y en el de ordenadas los de la 2, representado cada par
(
i
x ,
i
y ) por un punto del plano. Cuanto ms agrupados estn los puntos de la nube, mayor es el grado
de dependencia entre las variables, as, para el ejemplo que hemos estudiado anteriormente, su nube
de puntos sera:

Caso que exista dependencia estadstica nos interesa ajustar la nube de puntos a otros que estn
ligados entre s por una funcin matemtica que se aproxime a ellos lo ms posible. En el apartado
siguiente veremos cmo ajustar una recta a la nube de puntos, recta que denominaremos recta de
regresin

5.3. Rectas de regresin.
Denominaremos recta de regresin a la que mejor se ajuste a la nube de puntos. Se dice que una
lnea se ajusta lo mejor posible a una nube de puntos cuando la suma de las desviaciones de los puntos
de la nube a dicha recta es la menor posible.

A U T N O M O

67
Podemos determinar dos rectas de regresin diferentes. Si deseamos saber el comportamiento de la
variable Y segn los valores que tome la variable X, la recta se llama de regresin de Y sobre X, y, se
puede demostrar, aunque no lo podemos hacer aqu, que esta recta tiene por ecuacin:

Anlogamente podemos escribir una recta de regresin de x sobre y de la siguiente manera:

Donde:
= media de la variable x
= media de la variable y
= varianza de la variable x
= varianza de la variable y
= covarianza

Se llaman coeficientes de regresin.

A U T N O M O

68
Para el ejemplo desarrollado anteriormente de pesos y estaturas, dado que tenamos los siguientes
valores:

La recta de regresin de y sobre x ser:

La recta de regresin de x sobre y ser:

Despus de operar en ambas para ponerlas en la forma explcita, queda:

9925 , 96 1265 , 1
0443 , 58 7210 , 0
+ =
=
y x
x y

A U T N O M O

69
Con ellas podemos aproximar el peso o la estatura de determinadas personas que no aparezcan en la
muestra elegida. As, si nos piden determinar la estatura de una persona de 83 Kg. de peso o el peso
de una persona de 134 de estatura, tendremos:

x = 0,7210.134 - 58,0443 = 38,6 Kg. pesara el de 134 cm.
y =1,1265.83 + 96,9925 = 190,5 cm. medira el de 83 Kg.

Las representaciones grficas de ambas rectas seran:

Ambas rectas de regresin, se cortan en el punto de coordenadas (168.3, 63.3) que corresponde a las
medias de ambas variables. A este punto se le suele llamar centro de gravedad de la distribucin

A U T N O M O

70


Sean las notas de los ramos A ( x ) y B ( y ) de 10 alumnos del Instituto:

A 4 4 3 5 6 6 6 7 3 4
B 5 5 4 4 3 4 4 7 7 6

1) Complete las tablas siguientes:

i
x
i
y
i
f
i
f
i i
f x
i i
f y
) (

x x
i

2
) (

x x
i

2) Calcule los siguientes estadgrafos (valores estadsticos)
a)
x

b)

y

A U T N O M O

71
c)
xy
s

d)
x
s

e)
2
x
s

f)
y
s

g)
2
y
s

h) r

i)
2
x
xy
s
s

j)
2
y
xy
s
s

3) Construya las rectas de regresiones correspondientes

4) Estime la nota que se obtendra en B si se tiene en A:

a) 3,4
b) 5,1

5) Estime la nota que se obtendra en A si se tiene en B:

c) 2,4
d) 4,7

A U T N O M O

72


1)

i
x
i
y
i
f
i
f
i i
f x
i i
f y
) (

x x
i

2
) (

x x
i

3 3 2 1 6 3 -1,8 3,24 6,48
4 4 3 4 12 16 -0,8 0,64 1,92
5 5 1 2 5 10 0,2 0,04 0,04
6 6 3 1 18 6 1,2 1,44 4,32
7 7 1 2 7 14 2,2 4,84 4,84
10 10 48 49 17,6

-1,9 3,61 3,61
-0,9 0,81 3,24
0,1 0,01 0,02
1,1 1,21 1,21
2,1 4,41 8,82
16,9

2)

a)
x = 4,8

b)
y = 4,9

c)
xy
s = 1,28

d)
x
s = 1,326

A U T N O M O

73
e)
2
x
s = 1,76

f)
y
s = 1,3

g)
2
y
s = 1,69

h) r = 0, 43

i)
2
x
xy
s
s
= 0,727

j)
2
y
xy
s
s
=0,757

3)

4104 , 1 727 . 0 + = x y

0907 , 1 757 . 0 + = y x

4)

a) 3,9

b) 5,1

5)

a) 2,9

b) 4,6

UNIDAD VI

A U T N O M O

74
PROBABILIDADES

INTRODUCCIN

La probabilidad trata de estimar la ocurrencia o no de un suceso. La aplicacin de un Conocimiento
como ste permite prever situaciones y crear condiciones para evitar que ocurra en el caso que se
trate de un suceso no deseado, del mismo modo la investigacin en este campo puede ser usada para
contribuir a que determinada situacin se desarrolle, en la eventualidad que ste sea deseada. Por
ejemplo, en el caso de la produccin, la organizacin social, la ocurrencia de fenmenos catastrficos,
etc.

El abordarla probabilidad, compromete la ocurrencia de sucesos. Sin embargo, la probabilidad puede
estar condicionada a aquellos sucesos dependientes e independientes, para lo cual, se entregan los
elementos tericos necesarios, para que el alumno opere con ellos y compruebe sus grados de avance
en el aprendizaje y consulte a quien administra la tutora de la especialidad.

OBJETIVO

1. Dar a conocer y aplicar la teora de conjuntos.

2. Llegar a comparar los diversos enfoques y teoremas de probabilidades.

3. Dar caractersticas de los elementos principales de las probabilidades.

4. Poder llegar a calcular la probabilidad de un suceso, a partir de las combinaciones de
ocurrencia de uno o varios de ellos.

6.1. ELEMENTOS DE TEORA DE CONJUNTOS.

A U T N O M O

75
Todas las personas manejan una concepcin acerca de conjunto, diferentes disciplinas desde las
matemticas a las ciencias sociales, hacen referencia a este concepto que permite entender la
relacin entre los miembros o componentes del mismo. Entonces, definiremos conjunto, como un
grupo de elementos que poseen caractersticas comunes.

6.1.1. RELACIN ENTRE TEORA DE PROBABILIDAD Y CONJUNTOS.

En la teora de la probabilidad, se toman todos los posibles resultados de un experimento, juego, etc.,
como puntos de un espacio (que puede tener una, dos, tres, etc., dimensiones) llamado espacio
muestra! S.

Si S contiene solamente un nmero finito de puntos, entonces a cada punto puede asociarse un
nmero no negativo, llamado probabilidad, tal que la suma de todos los nmeros correspondientes a
todos los puntos de S, sumen uno.

Un suceso es un sistema o conjunto de puntos de S tal como se indica por A, o B en la Fig. 6-2
llamada diagrama Euler o diagrama Venn.

As:

El suceso B A es el formado por los puntos que estn en A o en B (o ambos)
El suceso B A es el formado por los puntos que estn en A y en B

De esta forma se puede determinar las siguientes probabilidades:

A U T N O M O

76
) ( ) ( ) ( B P A P B A P + = (siempre que los sucesos sean mutuamente excluyentes, es decir
no tengan elementos comunes
) ( ) ( ) ( ) ( B A P B P A P B A P + = (si los sucesos tienen elementos comunes)

Con esta concepcin, una variable aleatoria es una funcin definida en cada punto del
Espacio muestra

En el caso de que S tenga un nmero infinito de puntos, las ideas anteriores pueden
Extenderse por medio de conceptos que necesitan clculo.

6.2. TEORA ELEMENTAL DE LA PROBABILIDAD.

Existen 3 enfoques conceptuales diferentes acerca de la probabilidad, los que determinan el valor de
ella: el clsico, la frecuencia relativa y el subjetivo.

6.2.1. DEFINICIN CLSICA DE PROBABILIDAD.

Supngase un suceso A, que de un total de n casos posibles, todos igualmente factibles
(equiprobables) puede presentarse en h de los casos. Entonces, la probabilidad de aparicin del
suceso, llamada su ocurrencia, viene dada por:

n
h
A P p = = ) (

La probabilidad de no aparicin del suceso, llamada su no ocurrencia, viene dada por:

1 ) ( ) (
%) 100 ( 1
:
) ( 1 1 ) (
= +
= +
= =
= =
A P A P
q p
Asi
A P p
h
h n
A P q

Un ejemplo sencillo:

A U T N O M O

77
Sea el experimento aleatorio: Lanzamiento de un dado no sesgado

Calculemos la probabilidad de ocurrencia de los siguientes sucesos:

A : que se obtenga un par

B : que se obtenga un nmero primo

B A : que se obtenga un par o un primo

Veamos:

2
1
6
3
) ( = = A P , hay 3 casos favorables ( 2 , 3 , 5 ) de entre 6 casos posibles ( 1 , 2 , 3 , 4 , 5 , 6 )

2
1
6
3
) ( = = B P , hay 3 casos favorables ( 2 , 4 , 6 ) de entre 6 casos posibles ( 1 , 2 , 3 , 4 , 5 , 6 )

6
5
6
1
2
1
2
1
) ( ) ( ) ( ) ( = + = + = B A P B P A P B A P

Lo anterior se explica porque A y B no son mutuamente excluyentes (hay un par primo, el 2) Por esa
razn se debe quitar la probabilidad conjunta.

6.2.2. DEFINICIN DE PROBABILIDAD COMO FRECUENCIA RELATIVA.

La definicin anterior de probabilidad tiene el inconveniente de que las palabras "igualmente
factibles o probables " son poco concretas.

En efecto, puesto que estas palabras parecen ser sinnimas a las de "igual probabilidad", la definicin
es circular, porque se est definiendo la probabilidad en trminos de ella misma.
Por esta razn, ha sido buscada por algunos una definicin de probabilidad estadstica de mayor
rigor.

De acuerdo con esto, la probabilidad estimada o probabilidad emprica de un suceso se toma como la
frecuencia relativa de la aparicin del suceso, cuando el nmero de observaciones es muy grande. La
probabilidad por s misma es el limite de la frecuencia relativa cuando el nmero de observaciones
crece indefinidamente.
Por ejemplo:

A U T N O M O

78
Si en 1000 lanzamientos de una moneda resultan 529 caras, la frecuencia relativa de
caras es 529 . 0
1000
529
= . Si en otros 1000 lanzamientos resultan 493 caras, la frecuencia
relativa en el total de los 2000 lanzamientos es 511 . 0
2000
493 529
=
+
. De acuerdo con la
definicin estadstica, continuando de esta forma, nos iramos acercando ms y ms al nmero que
puede llamarse la probabilidad de cara en el lanzamiento de una moneda. De los resultados se
deducira que sta ,sera 0,5 con una cifra significativa. Para obtener ms cifras significativas
habran de hacerse observaciones posteriores.

La definicin estadstica aunque til en la prctica, tiene dificultades desde el punto de vista
matemtico, puesto que puede no existir un nmero lmite. Por esta razn, la moderna teora de
probabilidad ha sido desarrollada axiomticamente, en donde la probabilidad es un concepto no
definido, como ocurre con el punto y la lnea en geometra.

6.2.3. ANLISIS COMBINATORIO.

Para la obtencin de probabilidades de sucesos complejos, la enumeracin de los casos resulta a
menudo difcil, pesado o ambas cosas. Para facilitar esta tarea es preciso echar mano de los
principios bsicos del anlisis combinatorio.

Principio fundamental.

Si un suceso puede presentarse de n
1
maneras distintas y si cuando estos han ocurrido, otro suceso
puede presentarse de n
2
maneras distintas, y as sucesivamente, entonces el nmero de maneras en
que todos los sucesos pueden presentarse en el orden especificado es .....
2 1
n n

Ejemplo:

Si hay 3 candidatos para gobernador y 5 para alcalde, los dos cargos pueden ocuparse de 5 3 =15
formas distintas.

6.2.4. FACTORIAL DE n.

A U T N O M O

79
El factorial de n se denota por ! n y viene definido por:

1 ......... ) 3 ( ) 2 ( ) 1 ( ! = n n n n n

As , 120 1 2 3 4 5 ! 5 = = K

6.2.5. PERMUTACIONES.

Una permutacin de n objetos diferentes tomados de r en r es una ordenacin de r objetos entre los
n dados y atendiendo a la situacin de cada objeto en la ordenacin. El nmero de Permutaciones de n
objetos tomados de r en r se representa por P(n ,r ), y vienen dado por:

! ) (
!
) , (
r n
n
r n P
=
En particular, el nmero de permutaciones de n objetos tomados de n en n es:

! ) , ( n n n P =

Ejemplo:

El nmero de permutaciones de las letras a, b, c, d tomadas de dos en dos, es:

12
! ) 2 4 (
! 4
) 2 , 4 ( =
= P

El nmero de permutaciones de n objetos formado de grupos de los que
1
n son iguales,
2
n son guales, ........ es:

....... ! !
!
2 1
n n
n
Donde : .....
2 1
+ + = n n n
Ejemplo:

El nmero total de permutaciones con las letras de la palabra estadstica es:

! 1 ! 2 ! 1 ! 2 ! 2 ! 2 ! 1
! 11

6.2.6. COMBINACIONES.

A U T N O M O

80
Una combinacin de n objetos diferentes tomados de r en r es una seleccin de r de los n objetos sin
atender a la ordenacin de los mismos. El nmero de combinaciones de n objetos tomados de r en r se
presenta por C(n,r) y viene dado por:

! ! ) (
!
) , (
r r n
n
r n C

=
Ejemplo:

El nmero de combinaciones de las letras a, b, c, d tomadas de dos en dos, es:

6
! 2 ! ) 2 4 (
! 4
) 2 , 4 ( =

= C

6.2.7. PROBABILIDAD CONDICIONAL. SUCESOS INDEPENDIENTES Y DEPENDIENTES.

Si A y B son dos sucesos, la probabilidad de que ocurra B dado que ha ocurrido A, se denota por
) / ( A B P y se llama probabilidad condicional de B dado que A se ha presentado.

Si la ocurrencia o no ocurrencia de A, no afecta a la probabilidad de ocurrencia de B entonces
) ( ) / ( B P A B P = y se dice que A y B ; son sucesos independientes; si no ocurre esto, los sucesos se
dicen dependientes.

Si se denota por B A P ( el suceso de que ocurra A y B llamado a veces suceso compuesto, se
tiene:

) / (
) (
) (
A B P
A P
B A P =

En particular,

) ( ) ( ) ( B P A P B A P = para sucesos independientes

Ejemplo 1:

A U T N O M O

81

Sean A, y B respectivamente, los sucesos cara en el quinto lanzamiento y cara en el sexto
lanzamiento de una moneda. Entonces A, y B ; son sucesos independientes, as que la Probabilidad de
cara en ambos lanzamientos quinto y sexto es, suponiendo la moneda bien hecha,

4
1
2
1
2
1
) ( ) ( ) ( = = = B P A P B A P

Ejemplo 2:

Si la probabilidad de que A viva 20 aos es 0,7 y la probabilidad de que B viva 20 aos es 0,5,
Entonces la probabilidad de que ambos vivan 20 aos es (0,7) (0,5) = 0,35.

Ejemplo 3:

Supngase una caja que contenga 3 bolas blancas y 2 bolas negras. Sea A, el suceso de que "la
primera bola extrada sea negra" y B el suceso de que la segunda bola extrada sea negra, en
extracciones sin remplazamiento. Aqu A y B , son sucesos dependientes.

5
2
3 2
2
) ( =
+
= A P es la probabilidad de que la primera bola extrada sea negra,

4
1
1 3
1
) / ( =
+
= A B P es la probabilidad de que la segunda bola extrada sea negra,

dado que la primera extraccin fue de bola negra. Entonces la probabilidad de que ambas bolas
extradas sean negras es:

10
1
4
1
5
2
) / ( ) ( = = A B P A P

6.2.8. SUCESOS MUTUAMENTE EXCLUYENTES.

A U T N O M O

82
Dos o ms sucesos se dicen mutuamente excluyentes si la ocurrencia de uno cualquiera de ellos,
imposibilita la ocurrencia de los otros.

As, si A y B son mutuamente excluyentes, 0 ) ( = B A P .

Si ) ( B A P denota el suceso de que ocurra A o B o ambos, entonces:

) ( ) ( ) ( ) ( B A P B P A P B A P + =
pero, para sucesos mutuamente excluyentes, se tiene

) ( ) ( ) ( B P A P B A P + =

Como ampliacin de esto, si E1, E2,....... En, son n sucesos mutuamente excluyentes con

Probabilidades respectivas p1, p2,..., pn, entonces la probabilidad de ocurrencia de E1 o E2
o......En, es p1 + p2 +.... .+ pn.

Ejemplo:

Si A es el suceso extraccin de un as de una baraja de cartas y B es el suceso extraccin de un rey,
entonces:

13
1
52
4
) (
13
1
52
4
) (
= =
= =
B P
A P

As , La probabilidad de extraccin de un as o un rey en una sola extraccin es:

13
2
13
1
13
1
) ( ) ( ) ( = + = + = B P A P B A P

Puesto que ambos: as y rey no pueden extraerse al mismo tiempo en una sola extraccin, siendo pues,
sucesos mutuamente excluyentes.

A U T N O M O

83


1. Determinar la probabilidad p, o un estimador de ella, para cada uno de los siguientes sucesos.

a) La aparicin de un nmero impar en una tirada de un dado equilibrado.

b) La aparicin de al menos una cara en dos lanzamientos de una moneda.

c) La aparicin de un as, el diez de diamantes o el dos de corazones en una sola extraccin de una
baraja de 52 cartas.

d) La aparicin de cruz en el siguiente lanzamiento de una moneda, si en 100 lanzamientos previos
aparecieron 56 caras.

2. De cuntas formas pueden 10 personas estar sentadas en un banco, con capacidad para 4
personas?

3. Hallar el valor de (a) P (8,3), (b) P (6,4), (c) P (15,1), (d) P(3,3).

4. Se quieren sentar 5 hombres y 4 mujeres en una fila de modo que las mujeres ocupen los sitios
pares. De cuntas formas pueden sentarse?

5. De un total de 5 matemticos y 7 fsicos, se forma un comit de 2 matemticos y 3 fsicos.
De cuntas formas puede formarse, si:

a) puede pertenecer l cualquier matemtico y fsico,

b) un fsico determinado debe pertenecer al comit,

c) dos matemticos determinados no pueden estar en el comit?

A U T N O M O

84
6. Con 7 consonantes y 5 vocales diferentes, cuntas palabras pueden formarse, que consten de 4
consonantes y 3 vocales? No es necesario que las palabras tengan significado.

7. Una encuesta sobre 500 estudiantes de una o ms asignaturas de lgebra, fsica y estadstica
durante un semestre revel los siguientes nmeros de estudiantes en las asignaturas
Indicadas.

lgebra 329
Fsica 186
Estadstica 295
lgebra y fsica 83
lgebra y estadstica 217
Fsica y estadstica 63

Cuntos estudiantes estaban estudiando?

(a) las 3 asignaturas,

(b) lgebra pero no estadstica,

(c) fsica pero no lgebra,

(d) estadstica pero no fsica,

(e) lgebra o estadstica pero no fsica

(f) lgebra pero no fsica o estadstica?

A U T N O M O

85


1)

44 . 0
100
44
)
26
3
)
4
3
)
2
1
)
= =
=
=
=
p d
p c
p b
p a

2. La primera plaza puede ocuparse con cualquiera de las 10 personas y, cuando esto se ha hecho, hay
9 formas para ocupar la segunda plaza, 8 para llenar la tercera y 7 para llenar la cuarta. Por tanto;

Nmero de ordenaciones de 10 personas tomadas de 4 en 4 es 7 8 9 10 = 5040 En general.

3.

6 )
15 )
360 )
336 )
d
c
b
a

A U T N O M O

86

4. 2280 24 120 ) 4 , 4 ( ) 5 , 5 ( = = P P

5.
105 )
150 )
350 )
c
b
a

6. 000 . 764 . 1 5040 10 35 =

7.

(a) las 3 asignaturas: 53

(b) lgebra pero no estadstica: 112

(c) fsica pero no lgebra: 103

(d) estadstica pero no fsica. 232,

(e) lgebra o estadstica pero no fsica : 314

(f) lgebra pero no fsica o estadstica : 82

A U T N O M O

87
BI BLI OGRAF A

Canavos, George : Probabilidad y Estadstica. Mc Graw Hill. Espaa 1993. 651pp

Spiegel, Murria : Teora y Probabilidad y Estadstica. Mc Graw Hill Mxico 1990

Chao, Lincon : Estadstica para las ciencias administrativa. Mc Graw Hill.
Colombia Bogot. 1993

Estadistica General

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Estadistica General

Caricato da

Copyright:

Formati disponibili

Instituto Profesional Diego Portales

x . Entonces, la varianza combinada para ambas series (o ambas

x y la desviacin tpica s , entonces el valor

= z ; la nota 2 se encuentra a 1.7 s (por debajo de

= z ; la nota 3.9 se encuentra a 0.5 s (por debajo de

= z ; la nota 5 se encuentra a 0.3 s (por encima de

= z ; la nota 5.9 se encuentra a 0.8 s (por encima de

= z ; la nota 6.2 se encuentra a 1 s (por encima de

Potrebbero piacerti anche