Estadística y Probabilística 2018

Estadística y Probabilística
ESTADÍSTICA Y
PROBABILÍSTICA
INGENIERÍA DE SISTEMAS
© Corporación Universitaria
2
Remington
Segunda edición
2018
Pablo Emilio Botero Tobón
Facultad de Ciencias Básicas e Ingeniería
Editorial Uniremington
Medellín, Colombia
Derechos Reservados ©2011
Primera edición: 2017

Segunda edición: 2018
Responsables
Jorge Mauricio Sepúlveda Castaño
Decana de la Facultad de Ciencias Básicas e Ingeniería
jsepulveda@uniremington.edu.co
Francisco Javier Álvarez Gómez

Coordinador CUR-Virtual
falvarez@uniremington.edu.co
Edición y Montaje
Vicerrectoría de Educación a Distancia y Virtual
Equipo de diseño gráfico
www.uniremington.edu.co
virtual@uniremington.edu.co
Derechos reservados: El módulo de estudio del curso de

ESTADÍSTICA Y PROBABILÍSTICA es propiedad de la Corporación
Universitaria Remington; las imágenes fueron tomadas de
diferentes fuentes que se relacionan en los derechos de autor y
las citas en la bibliografía. El contenido del módulo está protegido
por las leyes de derechos de autor que rigen al país. Este material
tiene fines educativos y no puede usarse con propósitos
económicos o comerciales. El autor(es) certificó (de manera verbal
o escrita) No haber incurrido en fraude científico, plagio o vicios
de autoría; en caso contrario eximió de toda responsabilidad a la
Corporación Universitaria Remington y se declaró como el único
responsable.
Esta obra es publicada bajo la licencia Creative Commons.

Reconocimiento-No Comercial-Compartir Igual 2.5 Colombia
3 TABLA DE CONTENIDO
Pág.
1 UNIDAD 1 CONCEPTOS GENERALES Y DATOS CUALITATIVOS 8

1.1.1 RELACIÓN DE CONCEPTOS 8
1.1.2 OBJETIVO GENERAL 8
1.1.3 OBJETIVOS ESPECIFICOS 8
1.2 TEMA 1 CONCEPTOS GENERALES 9

1.2.1 EJERCICIO DE ENTRENAMIENTO 12
1.3 TEMA 2 REDONDEO Y FICHA TÉCNICA 15

1.3.1 REDONDEO 15
1.3.2 MÉTODOS UTILIZADOS PARA REDONDEAR CIFRAS 15
1.3.3 REDONDEO DE NÚMEROS DECIMALES 16
1.3.4 REDONDEO DE NÚMEROS ENTEROS 17
1.3.5 REDONDEO DE CIFRAS SIGNIFICATIVAS 17
1.3.6 FICHA TÉCNICA 18
1.3.7 EJERCICIO DE APRENDIZAJE 19
1.3.8 EJERCICIOS DE ENTRENAMIENTO 21
1.4 TEMA 3 DATOS CUALITATIVOS 22

2 UNIDAD 2 DATOS CUANTITATIVOS ORDENADOS EN FILA 43

2.2 TEMA 1 TABLAS PARA DATOS CUANTITATIVOS ORDENADOS EN FILA 44

2.2.1 EJERCICIO DE APRENDIZAJE: 44
2.3 TEMA 2 medidas de tendencia central para datos ordenados en fila 50

2.3.2 EJEMPLOS 58
3 UNIDAD 3 DATOS CUANTITATIVOS AGRUPADOS EN INTERVALOS DE CLASE 65

3.2 TEMA 1 TABLAS PARA DATOS CUANTITATIVOS AGRUPADOS EN INTERVALOS DE CLASE 66

3.2.1 Ejercicios de Aprendizaje 69
3.3 TEMA 2 CÁLCULO DE LAS MEDIDAS DE TENDENCIA CENTRAL PARA DATOS CUANTITATIVOS AGRUPADOS
4 EN INTERVALOS DE CLASE 86
3.4 TEMA 3 medidas de posición relativa para datos cuantitativos agrupados en intervalos de clase 91
3.5 TEMA 4 MEDIDAS D E VARIABILIDAD O DISPERSIÓN PARA DATOS CUANTITATIVOS 97

4 UNIDAD 4 PROBABILIDAD 112

4.1.1 DEFINICIÓN DE CONCEPTOS 112
4.1.3 OBJETIVOS ESPECÍFICOS 113
4.2 Tema 1 Introducción a las Probabilidades 114

4.2.1 EL PAPEL DE LA PROBABILIDAD EN LA ESTADÍSTICA 114
4.3 TEMA 2 TÉCNICAS DE CONTEO O ANÁLISIS COMBINATORIO 126

4.3.2 EJERCICIOS DE APRENDIZAJE 128
4.3.14 ejercicios de entrenamiento 153
5 UNIDAD 5 DISTRIBUCIÓN DE PROBABILIDADES 161

5.2 TEMA 1 VARIABLES DISCRETAS 163


5 5.2.3 EJERCICIO DE APRENDIZAJE 167
5.2.9 Ejercicios de Aprendizaje 180
5.2.10 TALLER DE ENTRENAMIENTO 182
5.3 TEMA 2 VARIABLES CONTINUAS 191

5.3.1 EJERCICIO DE ENTRENAMIENTO: 196
5.4 EJERCICIO DE APRENDIZAJE 200

5.4.3 MÉTODOS DESCRIPTIVOS PARA DETERMINAR LA NORMALIDAD. 205
5.4.4 LA DISTRIBUCIÓN DE PROBABILIDAD EXPONENCIAL 206
5.5 EJERCICIOS DE APRENDIZAJE 210

6 UNIDAD 6 INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA 216

6.1.2 DEFINICIÓN CONCEPTOS BÁSICOS 218
6.2 TEMA 1 DISTRIBUCIONES MUESTRALES 220

6.2.1 MUESTRAL ALEATORIO SIMPLE 221
6.2.2 DISTRIBUCIÓN MUESTRAL DE LA MEDIA 221
6.2.4 TEOREMA DEL LÍMITE CENTRAL O TEOREMA CENTRAL DEL LÍMITE 227
6.2.5 ESTIMACIÓN DE INTERVALO: 232
6.2.7 TALLER DE ENTRENAMIENTO 235
7 GLOSARIO 238
8 BIBLIOGRAFÍA 240
6 PROPÓSITO GENERAL
ESTADÍSTICA Y
PROBABILÍSTICA
La estadística es la ciencia de los datos, por tanto, cuando se aplica el método estadístico, se recolectan, se sintetizan,
se organizan, se analizan y se interpretan los datos.
En todas las profesiones se necesita información, para poder avanzar y cualificar los procesos, por lo tanto, necesita
recoger, organizar, analizar y presentar datos con el fin de tomar decisiones que favorezcan este desarrollo
profesional; esta herramienta se la proporciona la Estadística Descriptiva, de la cual se realizará un amplio detalle a
través de este módulo que le presenta la Corporación Universitaria Remington.
La estadística descriptiva se encarga de describir los datos por medio de tablas, gráficos y medidas; en este módulo
se explicará cómo lograrlo. Se pretende que el estudiante, aplicando paulatinamente cada paso que se explica, lo
logre.
Para alcanzar el propósito del módulo, éste se ha diseñado de forma innovadora: se estudiarán métodos de
organización, análisis y presentación de un conjunto de datos asociados a una situación problémica por medio del
modelo de representación estadístico y aprenderá a caracterizar un conjunto de datos, a partir de mediciones
estadísticas, para obtener conclusiones que sirvan de apoyo en la toma de decisiones.
En la primera parte se definen los conceptos generales que se requieren en estadística, las unidades se han dividido
de acuerdo con los tipos de datos, a saber: datos cualitativos, datos cuantitativos ordenados en fila y datos
cuantitativos agrupados en intervalos explicando como:
Se pueden identificar. Se pueden recolectar, Se pueden organizar, Se pueden describir por medio de tablas gráficos
y medidas
Una vez determinados estos elementos se puedan obtener conclusiones, que permitan tomar decisiones acertadas y
que beneficien los procesos en los cuales se está realizando el estudio estadístico.
El módulo está construido con un lenguaje sencillo y con ejercicios aplicados a la cotidianidad y a situaciones prácticas,
coherentes a los planes de estudio de las asignaturas que lo contemplan en su desarrollo académico, con el fin de
que, en una forma pedagógica, aprenda y logre los objetivos propuestos en el mismo.
Debido a que el estudiante de educación a distancia, de La Corporación Universitaria Remington, requiere un método
de aprendizaje de forma tal que más que un profesor, sea un tutor (orientador y acompañante del proceso) y que el
estudiante sea autogenerador de su conocimiento, obviamente con la asesoría del tutor, se ha creado este módulo.
Este módulo está diseñado con un lenguaje sencillo y con ejercicios que son aplicados a la cotidianidad del estudiante,
a su entorno social y laboral pues de esta forma podrá realizar investigaciones estadísticas en un futuro, ya sea a corto
plazo, en otras asignaturas, o a largo plazo cuando esté realizando su labor como profesional.
Lo que se busca con la aplicación de la Estadística Probabilística lineal es resolver problemas comunes y a la vez muy
variados de la empresa en donde en general se tienen necesidades por satisfacer con cierto número de recursos
limitados o escasos y con el objetivo de lograrlo en forma óptima. Esto significa la búsqueda de un valor máximo
cuando se trata de beneficios; o bien la búsqueda de un mínimo cuando se trata de esfuerzos a desarrollar.
7
ESTADÍSTICA Y
PROBABILÍSTICA
OBJETIVO GENERAL
Aplicar técnicas de análisis estadístico en la solución de problemas, partiendo de un conjunto de
datos y mediciones, para la obtención de conclusiones que permitan la proyección de la estadística
hacia la solución de situaciones problémicas en las diferentes áreas, manejando además técnicas
de análisis estadístico probabilístico en la solución de problemas, partiendo de un conjunto de
datos y mediciones, para la obtención de conclusiones que permitan la proyección de la estadística
hacia la solución de situaciones problémicas en las diferentes áreas.
OBJETIVOS ESPECÍFICOS
 Explicar los conceptos generales de la estadística, analizando datos cualitativos y
describiendo por medio de tablas, gráficas y medidas los datos ordenados en fila.
 Analizar datos cuantitativos agrupados en intervalos de clase.
 Definir los conceptos fundamentales de los modelos de representación de procesos

propuestos por la estadística y su aplicabilidad.
 Realizar correctamente una distribución de probabilidades, diferenciando variables

discretas y variables continuas.
 Distinguir las distribuciones de las diferentes probabilidades.
Construir modelos de estadística inferencial para la solución de problemas.
UNIDAD UNIDAD UNIDAD UNIDAD UNIDAD UNIDAD

1 2 3 4 5 6
Conceptos Datos Datos Distribución Introducción

generales y cuantitativos cuantitativos de a la
datos ordenados agrupados Probabilidad probabilidad inferencia
cualitativos en fila en intervalos es estadística
de clase
8 1 UNIDAD 1 CONCEPTOS GENERALES Y DATOS

CUALITATIVOS
 PDF: Estadística: Conceptos básicos y definiciones
 ” Ver PDF”: www.mat.uda.cl/hsalinas/cursos/2010/eyp2/clase1.pdf
1.1.1 RELACIÓN DE CONCEPTOS
1.1.2 OBJETIVO GENERAL

Explicar los conceptos generales de la estadística, analizando datos cualitativos y describiendo
por medio de tablas, gráficas y medidas los datos ordenados en fila.
1.1.3 OBJETIVOS ESPECIFICOS

 Definir los conceptos básicos y fundamentales de la estadística, tales como población,
muestra, muestreo, parámetro entre otros y determinarlos cada uno de ellos.
 Aplicar el concepto de redondeo de cifras para el manejo de magnitudes estadísticas, además

9 del manejo adecuado de una ficha técnica utilizada para el manejo de información de una
investigación estadística.
 Calcular, dada una tabla de datos estadísticos, la frecuencia, la frecuencia relativa y la

frecuencia acumulada.
1.2 TEMA 1 CONCEPTOS GENERALES

A continuación, se definen los conceptos fundamentales de la estadística, estos serán utilizados
a través de todo el módulo, por lo tanto, es de suma importancia que asimile cada una de las
definiciones presentadas:
CONCEPTO DEFINICIÓN
Es una ciencia auxiliar y la compilación, organización,

resumen, presentación y análisis de datos numéricos cuya
función principal es elaborar principios y métodos que nos
ayuden a tomar decisiones frente a la incertidumbre.
ESTADÍSTICA
Se puede aplicar en todas las áreas de investigación.
Técnico, tecnológica, científica. Ejemplo: análisis
comparativos de ingresos y egresos. Análisis de mercado
para la introducción de un nuevo producto.
Es la presentación, en forma comprensible, de los datos

ESTADÍSTICA DESCRIPTIVA recolectados, puede ser en forma tabular, gráfico o
numérico.
ESTADÍSTICA INFERENCIAL “Se puede definir como aquellos métodos que hacen
posible la estimación de la población o la toma de una
decisión referente a una población, basándose sólo en los
resultados de una muestra” (Berenson y Levine, 1996, p.3).
Es la rama de la estadística que trata de los procesos y
comprensión de la teoría de estimación y prueba de

10 hipótesis.
Es la totalidad de unidades elementales sobre los cuales se

desea información. Ejemplos:
a) Si el contador de la empresa desea investigar las

deudas que ha adquirido la compañía en el último año, la
población estaría conformada por todas las cuentas por
pagar del último año.
POBLACIÓN
b) Si un ingeniero agrónomo desea investigar en una finca
cafetera si hay Broca, la población sería todas las matas
de café que hay en dicha finca.
c) Si un médico veterinario desea investigar si hay gripa

aviar en una granja, la población sería todas las aves que
hay en la granja.
Es una población que no es indefinidamente grande o que

sólo contiene un número finito de datos.
POBLACIÓN FINITA
Ejemplo: estudiantes de la C.U.R
Contiene un número infinitamente grande de unidades

elementales (datos de la población)
POBLACIÓN INFINITA
Ejemplo: Al lanzar una moneda indefinidamente, el número
de caras que se pueden obtener.
Estudio de una población. Llamado también enumeración

CENSO
completa.
” Es una medida descriptiva numérica de una población”

PARÁMETRO
(Mendenhall y Sincich, 1997, p.39).
De los ejemplos de la población:

11
a) Promedio mensual de las cuentas por pagar.
b) El 5% de las matas de café tienen Broca.
c) En la granja hay 850 pollos.
Es el elemento básico o parte representativa de una

población. Ejemplo: si deseamos investigar el nivel
académico de los estudiantes de educación a distancia de la
CUR, la población está conformada por todos los
estudiantes de educación a distancia de la CUR y para
MUESTRA
extraer la muestra tendríamos que seleccionar
proporciones iguales de estudiantes de todos y cada uno de
los sitios donde funciona la educación a distancia de la CUR;
si seleccionamos estudiantes de un solo lugar, por ejemplo
de Puerto Berrio, esta parte no sería representativa.
Es el estudio de la muestra y la relación entre la población

MUESTREO
y la muestra tomada de ella.
Es aquella que se extrae con la condición de que posea

características de los otros elementos de la población y
cada elemento de la población tiene la misma probabilidad
MUESTRA AL AZAR
de ser elegido. Se denomina también muestra aleatoria,
recibe este nombre porque para seleccionarla se hace por
sorteo o por números aleatorios.
“Es una medida descriptiva numérica calculada a partir de

los datos de la muestra” (Mendenhall y Sincich, 1997, p.39),
ESTADÍSTICA O
por ejemplo, si en vez de las poblaciones que tenemos de
ESTADÍGRAFO:
ejemplo, extraemos muestras, los parámetros se
convierten en estadísticas.
Es cualquier característica que se analiza de una población,

VARIABLE son los datos que se estudian; pueden ser cualitativas y
cuantitativas.
12 Es la que se refiere a atributos o cualidades, se divide en

categorías y no es numérica. Ejemplos: estado civil (soltero,
casado, viudo, unión libre) evaluar un producto (bueno,
VARIABLE CUALITATIVA
regular, malo) equipo de fútbol colombiano que más le
gusta (Millonarios, Nacional, Medellín, Once Caldas, entre
otros).
Se refiere a datos numéricos. Ejemplo: ingresos mensuales,

edad, número de nacimientos. Este tipo de variable se divide
en dos clases:
a. VARIABLE CUANTITATIVA DISCRETA
Sólo puede tomar valores enteros. Ejemplo: número de

hijos por familia, número de empleados, número de
estudiantes, como podemos apreciar, los ejemplos
anteriores se refieren a personas, en estos casos serán
variables cuantitativas discretas, también podía ser número
de goles marcados en un partido, número de carros que
VARIABLE CUANTITATIVA
pasan por un peaje, número de errores cometidos en una
evaluación. Estas variables se determinan por conteo.
b. VARIABLE CUANTITATIVA CONTINUA
Puede asumir cualquier valor numérico, es decir, cualquier

número real. Se encuentra con medición, peso, longitud,
tiempo, volumen, velocidad y temperatura. Ejemplos:
tiempo que se gasta en la elaboración de una evaluación, las
dimensiones de un producto, el peso de un niño al nacer;
además todo lo que se refiera a dinero como: gastos
mensuales, costo de un producto, sueldo de los empleados.
1.2.1 EJERCICIO DE ENTRENAMIENTO

De acuerdo a las definiciones arriba planteadas, en los siguientes cuadros indique el tipo de
variable:
1. En el siguiente listado señala con una X, el tipo de variable:

13 VARIABLE CUANTITATIVA CUALITATIVA
Deporte favorito
Número de estudiantes del

curso.
Comida preferida.
Estatura de tus compañeros de

curso.
Coeficiente intelectual de tus

compañeros de clase.
Número de alumnos de curso.
El color de los ojos.
2. En el siguiente listado señala con una X, el tipo de variable:
VARIABLE DISCRETA CONTINUA

Número de acciones vendidas cada
día en la Bolsa.
Temperaturas registradas cada hora

en un observatorio.
Período de duración de un
automóvil.
El diámetro de las ruedas de varios
coches.
Número de hijos de 50 familias.
Número de alumnos de curso.
Censo anual de los colombianos.

3. Clasificar, de acuerdo a su definición, las siguientes proposiciones:

14
VARIABLE CUANTITATIVA CUALITATIVA DISCRETA CONTINUA
Número de acciones
vendidas cada día
en la Bolsa.
Temperaturas
registradas cada
hora en un
observatorio.
Período de duración
de un automóvil.
El diámetro de las
ruedas de varios
coches.
Número de hijos de
50 familias.
Número de alumnos
de curso.
Censo anual de los

colombianos.
15 TIPS
Recuerde que: Como que como se ha citado anteriormente la
Estadística trata sobre el recuento, ordenación y clasificación de
los datos obtenidos por las observaciones, para poder hacer
comparaciones y sacar conclusiones.
1.3 TEMA 2 REDONDEO Y FICHA TÉCNICA

1.3.1 REDONDEO
Para el manejo de las magnitudes estadísticas se requiere el redondeo de ellas, por lo tanto, es
indispensable el manejo de este concepto.
Se entiende por redondear un número, reducir el número de cifras del mismo, consiguiendo un
valor parecido, pero que se nos haga más fácil de utilizar en los procesos a desarrollar.
Por ejemplo: si se tiene el número 52, pero se están analizando los múltiplos de número 10, por
facilidad aproximaríamos dicho número a 50, que es el múltiplo más próximo, pero si el número
fuese 57 lo aproximaríamos a 60 que es el más cercano.
El redondeo se realiza de acuerdo a las necesidades que se tengan de determinados

procedimientos, esto es, cual es la precisión buscada al desarrollar cierta actividad, cual
es el nivel de exactitud requerido para determinar las conclusiones buscadas al
desarrollar la actividad.
1.3.2 MÉTODOS UTILIZADOS PARA REDONDEAR CIFRAS

En este aparte utilizaremos el método más utilizado para redondear cifras, denominado el
Método Normal, aunque existen otros métodos diferentes que no analizaremos en este aparte,
sin embargo, a continuación, se realizará una actividad con los mismos.
Actividad: Consulte y muestre algunos ejemplos de otros métodos, diferentes al normal.

De acuerdo al Método Normal, cómo Redondear números:

16
1) Se determina cuál es la última cifra que se quiere mantener.
2) Se aumenta en 1 si la cifra siguiente es 5 o más (Redondear arriba).
3) Se deja igual si la siguiente cifra es menor que 5 (redondear abajo)
Nota: Es decir, si la primera cifra que quitamos es 5 o más, entonces aumentamos la

última cifra que queda en 1.
1.3.3 REDONDEO DE NÚMEROS DECIMALES

Se determina si el redondeo se realizará con décimas, centésimas, milésimas…, esto es, cuantas
cifras decimales serán tenidas en cuenta, por ejemplo:
Número y condición de
Redondeo Razón
redondeo
3,1416 redondearlo en La cifra siguiente (1) es

centésimas
3,14 menor que 5.
1,2637 redondearlo en La cifra siguiente (6) es 5 o

décimas
1,3 más.
1,2635 redondearlo en tres La cifra siguiente (5) es 5 o

cifras decimales
1,264 más.
17 1.3.4 REDONDEO DE NÚMEROS ENTEROS

Si se quiere redondear a decenas, centenas, entre otras, se tienen que reemplazar las cifras que
se quitan por ceros, esto es:
Número y condición de
Redondeo Razón
redondeo

decenas
130 menor que 5.
La cifra siguiente (6) es 5 o

12.690 redondearlo en miles 13.000 más.

unidades
1 menor que 5.
1.3.5 REDONDEO DE CIFRAS SIGNIFICATIVAS

Para redondear “tantas” cifras significativas, solo se tiene que contar de izquierda a derecha y
realizar el redondeo allí.
Nota: Si el número empieza por ceros, estos no se cuentan, estos ceros indican
únicamente lo pequeño que es el número.
18 Número y condición de
Redondeo Razón
redondeo
1,239 redondearlo a tres La cifra siguiente (9) es 5 o

cifras significativas
1,24 más.
134,9 redondearlo a una La cifra siguiente (3) es

cifra significativa
100 menor que 5.
0,0165 redondearlo a dos La cifra siguiente (5) es 5 o

cifras significativas
0,017 más.
1.3.6 FICHA TÉCNICA

Se trata de una información que debe tener toda investigación estadística y es un documento en
forma de sumario que contiene la descripción de las características de un objeto, material,
proceso o programa de manera detallada. Los contenidos varían dependiendo del producto,
servicio o entidad descrita, pero en general suele contener datos como el nombre, características
físicas, el modo de uso o elaboración, propiedades distintivas y especificaciones técnicas.
La correcta redacción de la ficha técnica es importante para garantizar la satisfacción del

consumidor, especialmente en los casos donde la incorrecta utilización de un producto puede
resultar en daños personales o materiales o responsabilidades civiles o penales.
Cuando se hace la estadística descriptiva se debe dar una información general sobre la
investigación que se hizo. Esta información contiene:
CONCEPTO ESTADÍSTICO EXPLICACIÓN
Se determinan las unidades elementales que se

1. Población
investigaron.
19 Se define la muestra y el tamaño en caso de que exista.

2. Muestra Nota: Cuando la muestra no existe se dice que se hizo
un censo.
Se determina cuál es la característica de la población

3. Descripción de la variable
que se va a investigar.
Se define, claramente, si la variable es cualitativa o

4. Tipo de variable
cuantitativa, discreta o continua.
1.3.7 EJERCICIO DE APRENDIZAJE
Entre las familias de Medellín se eligieron aleatoriamente 5.000 con el fin de investigar el
número de hijos por familia.
Población Familias de Medellín.
Muestra 5.000 familias de Medellín elegidas al azar.
Descripción de la variable Número de hijos por familia.
Tipo de variable Cuantitativa discreta.

20 Los estudiantes de sistemas de Ciudad Bolívar diseñaron un software administrativo e

hicieron la demostración de él ante los empresarios de la misma ciudad, posteriormente, les
dijeron que lo evaluaran entre: bueno, regular y deficiente.
Población Los empresarios de Ciudad Bolívar
Muestra No hay, se hizo un censo
Descripción de la variable Evaluar el software administrativo.
Tipo de variable Cualitativa.
En la Corporación Universitaria Remington, sede Medellín, se realizó una encuesta entre 300
estudiantes, con el fin de conocer el medio de transporte utilizado en sus desplazamientos
hacia la universidad, en metro, en carro particular, en bus de servicio público o en otro
medio diferente a los mencionados, para determinar cuál de ellos era el más utilizado y
proponer alternativas diferentes de movilización, para favorecer la llegada a tiempo a sus
horas de clase
Población Estudiantes de la CUR, sede Medellín
Muestra 300estudiantes
Descripción de la variable Utilización del servicio de transporte.
Tipo de variable Cuantitativa discreta.

21 1.3.8 EJERCICIOS DE ENTRENAMIENTO

Construir tres enunciados y realizar la ficha técnica de cada uno de ellos, como se ilustra en los
ejemplos anteriores:
1.3.8.1 EJERCICIO DE ENTRENAMIENTO 1
Enunciado:
Población
Muestra
Descripción de la variable
Tipo de variable
1.3.8.2 EJERCICIO DE ENTRENAMIENTO 2:
Enunciado:
Población
Muestra
Tipo de variable
1.3.8.3 EJERCICIO DE ENTRENAMIENTO 3:
Enunciado:
22 Población
Muestra
Tipo de variable
TIPS
Recuerde que: La correcta redacción de la ficha técnica es
importante para garantizar la satisfacción del consumidor,
especialmente en los casos donde la incorrecta utilización de un
producto puede resultar en daños personales o materiales o
responsabilidades civiles o penales.
1.4 TEMA 3 DATOS CUALITATIVOS

Cuando la variable de investigación es de tipo cualitativa (no numérica), después de realizar la
ficha técnica, se tienen unos datos cualitativos que contienen tablas y gráficos especiales, por lo
que se debe elaborar una tabla de distribución de frecuencias (distribución de frecuencias: es la
agrupación de datos en categorías mutuamente excluyentes que indican el número de
observaciones en cada categoría), que contiene los siguientes elementos:
ELEMENTO DEFINICIÓN
Es la variable de investigación o dato que se investiga.

𝒙𝒊
23 Es el número de veces que se repite cada clase o categoría. Al

sumar todas las frecuencias absolutas, se encuentra
𝒏 𝒐 𝑵.
Frecuencia Absoluta
𝒇𝒂𝒊 𝒐 𝒏𝒊 𝑵 = indica el tamaño de la población, se utiliza cuando se
hace un censo.
𝒏 = indica el tamaño de la muestra, se utiliza cuando se hace

un muestreo.
Es la relación que existe entre la frecuencia absoluta de cada

categoría y el tamaño de la muestra o población según el
caso.
𝒇𝒂𝒊
𝒇𝒓𝒊 =
𝒏 𝒐 𝑵
Frecuencia Relativa
𝒇𝒓𝒊 𝒐 𝒉𝒊
𝒏𝒊
𝒉𝒊 =
𝒏 𝒐 𝑵
Debido a que esta relación se da de una parte al todo, al

sumar todas las frecuencias desde la primera hasta la última
categoría, el resultado es igual a uno.
Cuando se multiplican las frecuencias relativas por cien, se

encuentra el porcentaje de cada categoría.
Porcentaje %
La suma de todos los porcentajes es igual a cien.
24 TIPS
Recuerde que: Una distribución de frecuencia: es la agrupación
de datos en categorías mutuamente excluyentes que indica el
número de observaciones en cada categoría.

Una empresa productora de software eligió aleatoriamente a un grupo de contadores de Medellín
para que evaluaran un paquete de nómina. Los resultados que se encontraron fueron los
siguientes:
B R R R R R B B B
B R M M M R B B B
B M R R R R B R R
R R B M M M R R R
R R B M B R R R R
Dónde:
B: Bueno
R: Regular
M: Malo
25
Nota: Esto indica que el primer contador dijo que el paquete era bueno, el segundo,
regular y así sucesivamente, el último dijo que era regular. Como tenemos 45
resultados este fue el total de contadores encuestados, además como nos dicen que
se escogiera aleatoriamente, es una muestra.
1. Se realiza la ficha técnica:
Enunciado: Una empresa productora de software eligió aleatoriamente a un grupo de

contadores de Medellín para que evaluaran un paquete de nómina.
Población Grupo de contadores de Medellín
Muestra 45 contadores escogidos aleatoriamente
Descripción de la variable Evaluar el paquete de nómina.
Tipo de variable Cualitativa.
2. Se construye la tabla de Distribución de Frecuencias:
TABLA DE DISTRIBUCIÓN DE FRECUENCIAS
𝒙𝒊 (𝒆𝒗𝒂𝒍𝒖𝒂𝒄𝒊ó𝒏) 𝒇𝒂𝒊 𝑪𝒐𝒏𝒕𝒂𝒅𝒐𝒓𝒆𝒔 𝒇𝒓𝒊 %
𝟏𝟑 𝟎. 𝟐𝟖𝟗 × 𝟏𝟎𝟎
𝑩𝒖𝒆𝒏𝒐 𝟏𝟑 𝟒𝟓
= 𝟎. 𝟐𝟖𝟖𝟖.. *𝟐𝟖. 𝟗%
𝟐𝟒
𝑹𝒆𝒈𝒖𝒍𝒂𝒓 𝟐𝟒 𝟒𝟓 𝟎. 𝟓𝟑𝟑 × 𝟏𝟎𝟎
= 𝟎. 𝟓𝟑𝟑𝟑..
26 ∗ 𝟓𝟑. 𝟑%
𝟖 𝟎. 𝟏𝟕𝟖 × 𝟏𝟎𝟎
𝑴𝒂𝒍𝒐 𝟖 𝟒𝟓
= 𝟎. 𝟏𝟕𝟕𝟕 … ∗ 𝟏𝟕. 𝟖%
𝑻𝒐𝒕𝒂𝒍 𝒏 = 𝟒𝟓 𝟏 𝟏𝟎𝟎%
*Recuerde el concepto de Redondeo y porcentaje:
 𝟎. 𝟐𝟖𝟖𝟖. . ≅ 𝟎. 𝟐𝟖𝟗 × 𝟏𝟎𝟎 = 𝟐𝟖. 𝟗%
 𝟎. 𝟓𝟑𝟑𝟑 ≅ 𝟎. 𝟓𝟑𝟑 × 𝟏𝟎𝟎 = 𝟓𝟑. 𝟑%
 𝟎. 𝟏𝟕𝟕𝟕 ≅ 𝟎. 𝟏𝟕𝟖 × 𝟏𝟎𝟎 = 𝟏𝟕. 𝟖
Como se realizó un muestreo, al sumar las frecuencias absolutas se utiliza 𝒏.

Para un censo se hubiera utilizado 𝑵.
Interpretación de las Frecuencias

a) Frecuencia Absoluta
El grupo de contadores evaluó el paquete de nómina de la siguiente forma:
Número de contadores Dijeron que
13 El paquete es bueno.
24 El paquete es regular.
8 El paquete es malo.
b) Frecuencia relativa:
27
Número de contadores Dijeron que
28.9% El paquete es bueno.
53.3% El paquete es regular.
17.8% El paquete es malo.
1.4.1.1 GRÁFICOS PARA DATOS CUALITATIVOS
Una vez construida la tabla de frecuencias, estas se pueden representar mediante distintos
gráficos el estudio estadístico realizado. Entre los gráficos más utilizado podemos destacar:
a) Diagrama de Barras
Son dos ejes perpendiculares y una barra o un rectángulo para cada uno de los valores de la
variable. Por lo general, en el eje horizontal (eje x del plano cartesiano) se colocan los valores de
la variable y el otro eje (eje y del plano cartesiano), se gradúa de acuerdo al valor de las
frecuencias.
En este diagrama se dibuja una barra o un rectángulo por cada uno de los valores de la variable
con una altura igual a la respectiva frecuencia, de la siguiente forma:
Nota: Este diagrama puede ser:

28
 Diagrama de Barras de horizontales.
 Diagrama de Barras verticales.
*En un ejercicio se visualizará cada uno de ellos.
b) Histograma
Es un caso particular del diagrama de barras para variables continuas; en la representación gráfica
los rectángulos aparecen pegados y de igual base (ver gráfica) si los intervalos son iguales (tienen
la misma amplitud); en caso de que la amplitud no sea igual para todos los intervalos, se debe
hacer coincidir el área del rectángulo con la frecuencia de cada uno de los intervalos
determinados en el problema.
Un histograma muy utilizado es el de la pirámide poblacional.
c) Polígono de frecuencias
Son dos ejes perpendiculares, en el eje horizontal se colocan los valores de la variable y en el eje
vertical el valor de las frecuencias.
Se determina un par ordenado que tiene como primera coordenada el valor de la variable y como
segunda coordenada el valor de la frecuencia, esto es en forma general:
𝑷 (𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆, 𝒇𝒓𝒆𝒄𝒖𝒆𝒏𝒄𝒊𝒂),, luego se unen estos puntos y se obtiene una Línea Poligonal que
29 corresponde a la representación buscada.
Nótese que la línea poligonal une el centro de cada uno de los lados de los rectángulos, cada uno
de esos puntos corresponde a un par ordenado.
d) Diagrama de Sectores o Diagrama Circular

Se divide un círculo en tantos sectores como valores de la variable existan, esto es: si son 2
valores, se divide en dos sectores, si son 3 en tres sectores, si son 4 en cuatro sectores y así
sucesivamente.
La amplitud de cada sector (porción de círculo correspondiente) debe ser proporcional a la

frecuencia del valor correspondiente.
Es un diagrama que se utiliza para expresar los porcentajes, cada sector del gráfico indica la
categoría y es proporcional a su porcentaje.
30
Nota: Todo gráfico estadístico debe tener un título, relacionado con lo que se está
investigando.
En el ejercicio de aprendizaje realizado, evaluación del paquete de nómina realizado por 45

contadores, la representación gráfica, utilizando cada uno de los diagramas vistos quedaría:
e) Diagrama o gráfico de barras:
 Diagrama o gráfico de barras verticales: se hace en el primer cuadrante de un

plano cartesiano que tendrá:
 En el eje "𝒙" las clases o categorías, y
 En el eje "𝒚" las frecuencias absolutas.
 Como información adicional en cada barra puede ir el porcentaje.
31
EVALUACIÓN DE UN PAQUETE DE
NÓMINA
número de contadores
30
25
20
15
10
5
0
BUENO REGULAR MALO
Evaluación
Interpretación del gráfico:

 13 contadores lo evaluaron como bueno

 24 contadores lo evaluaron como regular
 8 Contadores lo evaluaron como malo
Nota: Esta interpretación es la misma que la frecuencia absoluta porque se refiere a

cantidades
 Diagrama o gráfico de barras horizontales:

 En el eje "𝒙" , las frecuencias absolutas, y

32  En el eje "𝒚" las clases o categorías.
Evaluación de un paquete de nómina
MALO
evaluación
REGULAR
BUENO
0 5 10 15 20 25 30
número de contadores
 Gráfico de sectores o diagrama circular:

Es un diagrama que se utiliza para expresar los porcentajes (tanto por ciento), en el cual, cada
uno de los sectores del gráfico indican la categoría, es proporcional a su porcentaje.
33
EVALUACIÓN DE UN PAQUETE DE
NÓMINA
MALO
BUENO
18%
29%
REGULAR
53%
Nota: Siempre se debe seleccionar uno de los gráficos de acuerdo con lo que se quiere
mostrar, cantidad o porcentaje.
Después de realizar todo el procedimiento y elaborar la gráfica correspondiente, se deben incluir,

como parte del problema y su solución, las conclusiones derivadas de los resultados obtenidos.
 CONCLUSIONES:
De acuerdo a los resultados obtenidos, el paquete no tuvo la acogida y resultados que se
esperaban entre los contadores, por lo tanto, la empresa productora del software debe
reformarlo basándose en las exigencias de los contadores.
1.4.1.2 EJERCICIOS DE ENTRENAMIENTO

34
1) Redondeo de cifras
En los siguientes cuadros realice la actividad indicada:
Nota: Para la solución tenga presente los ejemplos presentados en el desarrollo de la

unidad.
Número y condición de redondeo Redondeo Justificación
53,38 redondearlo en decenas
17.750 redondearlo en miles
8,753 redondearlo en unidades
2) Redondeo de cifras significativas:
Número y condición de redondeo Redondeo Justificación
9,538 redondearlo a tres cifras significativas
244,53 redondearlo a dos cifras

significativas
0,002389 redondearlo a 3 cifras

significativas
1) DATOS CUALITATIVOS
35
Para cada uno de los ejercicios planteados a continuación:
 Elabore la ficha técnica.

 Elabore la tabla de distribución de frecuencias.
 Interprete la frecuencia absoluta y la relativa.
 Elabore el diagrama de barras y el circular.
 Exprese 2 conclusiones.
a) La compañía “los Dulces” desea lanzar al mercado una nueva chocolatina. Por tal razón realizó
una encuesta entre los niños de las escuelas de Medellín para evaluar el producto y seleccionó
una muestra al azar con los siguientes resultados (en miles):
𝒙𝒊 𝒇𝒂𝒊
Bueno 321
Regular 105
Malo 195
b) Entre las amas de casa de Medellín se elaboró una encuesta con el fin de investigar la
efectividad de un detergente. Para tal fin se seleccionó una muestra al azar con los siguientes
resultados (en miles):
Excelente 225
Bueno 104
36 Regular 291
Malo 120
c) Se realizó una encuesta entre los visitantes al Éxito de San Antonio en diciembre de 2002
para seleccionar entre 4 artículos: A1, A2, A3, A4 el de mejor calidad. se seleccionó una muestra
al azar con los siguientes resultados (en miles):
𝑨𝟏 25
𝑨𝟐 100
𝑨𝟑 125
𝑨𝟒 7
d) El secretario de gobierno de Medellín ordenó un informe sobre las causas de muertes violentas
ocurridas en Medellín durante el último trimestre, para tal fin seleccionó una muestra aleatoria y
los resultados fueron los siguientes:
𝑷𝒐𝒓 𝒂𝒄𝒄𝒊𝒅𝒆𝒏𝒕𝒆 𝒅𝒆 𝒕𝒓á𝒏𝒔𝒊𝒕𝒐 65
𝑷𝒐𝒓 𝒕𝒆𝒓𝒓𝒐𝒓𝒊𝒔𝒎𝒐 90
𝑷𝒐𝒓 𝒂𝒓𝒎𝒂 𝒅𝒆 𝒇𝒖𝒆𝒈𝒐 76
𝑷𝒐𝒓 𝒐𝒕𝒓𝒂𝒔 𝒄𝒂𝒖𝒔𝒂𝒔 29
e) Un investigador judicial realizó un informe sobre el número de reclusos que hay en las
cárceles del Área Metropolitana discriminados por sexo, los resultados fueron los siguientes:
37 𝒙𝒊 𝒇𝒂𝒊
𝑴𝒂𝒔𝒄𝒖𝒍𝒊𝒏𝒐 11.538
𝑭𝒆𝒎𝒆𝒏𝒊𝒏𝒐 8.983
f) Para cada uno de los siguientes ejercicios, tome los datos de la siguiente tabla:
2 2 2 4 4 4 4 1 1 1 1 1 3 3 1
1 1 3 4 1 1 1 1 3 3 3 4 4 4 4
1 1 1 1 1 2 2 2 4 4 4 1 1 1 1
2 2 3 3 1 1 4 4 1 1 2 3 4 4 1
1) Un grupo de estudiantes de turismo de Corporación Universitaria Remington desean organizar

un paseo entre los bachilleres de un colegio de Medellín. Para esto elaboraron un cuestionario
donde el bachiller seleccionaba el sitio así: 1. Santa Fe de Antioquia, 2. La Pintada, 3. San
Jerónimo, 4. El Peñol. Después de seleccionar una muestra al azar se tiene la siguiente
información (ver datos de la tabla)
______________________________________________________________________________
______________________________________________________________________________
______________________________________________________________________________
__________________
2) Un grupo de estudiantes de sistemas de Corporación Universitaria Remington elaboró 4

paquetes (software) sobre nómina. Después de hacer la demostración ante un grupo de gerentes,
se les entregó un cuestionario para que eligieran el software más conveniente, así: 1. software1,
2. software2, 3. software3, 4. software4 (Ver datos de la tabla)
______________________________________________________________________________
______________________________________________________________________________
______________________________________________________________________________
38 __________________
3) Los estudiantes de Mercadeo de Corporación Universitaria Remington desean montar una

microempresa de dulces, para saber con cual producto van a iniciar, encuestaron a una muestra
de los niños de un colegio de Medellín para que seleccionaran así: 1. bombón, 2. chocolatina, 3.
bocadillo, 4. confites. (Ver datos de la tabla)
______________________________________________________________________________
______________________________________________________________________________
______________________________________________________________________________
__________________
4) A los estudiantes del último semestre de Contaduría Pública de Corporación Universitaria

Remington se les preguntó en que les gustaría desempeñarse cuando fueran profesionales: 1.
contador general, 2. docente, 3. auditor, 4. revisor fiscal. (Ver datos de la tabla)
______________________________________________________________________________
______________________________________________________________________________
______________________________________________________________________________
__________________
5) En la institución “Despertar” el psicólogo clasificó a los niños sobre el grado de retardo mental
según el DSMIV: 1. leve, 2. moderado, 3. grave 4. Profundo. (Ver datos de la tabla)
______________________________________________________________________________
______________________________________________________________________________
______________________________________________________________________________
__________________
g) En un cuestionario que el jefe de personal de la empresa “Bienestar” le hizo a sus empleados,

una de las preguntas está diseñada así: su estado civil es: 1. soltero, 2. casado, 3. separado, 4.
unión libre, 5. viudo. Al recolectar los datos se tienen los siguientes resultados:
1 1 2 1 1 3 1 1 2 1 2 4
39 2 3 4 4 1 4 5 3 4 3 4 1
1 2 3 2 2 2 2 1 2 4 1 5
h) El sociólogo de la empresa “Unidas” realizó un estudio entre los empleados, escogiendo

algunos aleatoriamente. Una de las preguntas era sobre el tipo de vivienda, la información
recolectada fue la siguiente: 1. propia sin deuda, 2. propia con deuda, 3. arrendada, 4. prestada:
3 3 3 3 1 1 2 3 2 2 3 4 3
3 3 4 4 3 3 2 2 2 2 1 4 2
1 3 3 3 2 2 2 1 4 4 2 3 2
2 2 3 3 3 3 2 2 2 1 1 2 1
4 4 3 3 3 1 3 1 3 3 3 2 1
i) Un grupo de contadores públicos y de ingenieros de sistemas de Corporación Universitaria

Remington elaboró un software contable; se eligió una muestra aleatoria entre los contadores
públicos de Medellín a los cuales le entregaron el paquete y lo evaluaron así:
𝑬𝒙𝒄𝒆𝒍𝒆𝒏𝒕𝒆 400
𝑩𝒖𝒆𝒏𝒐 900
𝑹𝒆𝒈𝒖𝒍𝒂𝒓 225
𝑫𝒆𝒇𝒊𝒄𝒊𝒆𝒏𝒕𝒆 15
j) A los extranjeros que visitaron la embajada de Colombia en Estados Unidos durante el último
trimestre se les preguntó sobre su visita a Colombia y respondieron lo siguiente:
𝑽𝒆𝒏𝒅𝒓á𝒏 257
𝑵𝒖𝒏𝒄𝒂 𝒗𝒆𝒏𝒅𝒓á𝒏 10
𝒀𝒂 𝒗𝒊𝒏𝒊𝒆𝒓𝒐𝒏 𝒚 𝒗𝒐𝒍𝒗𝒆𝒓á𝒏 198
𝒀𝒂 𝒗𝒊𝒏𝒊𝒆𝒓𝒐𝒏 𝒚 𝒏𝒖𝒏𝒄𝒂 𝒗𝒐𝒍𝒗𝒆𝒓á𝒏 5
k) Se hizo una selección aleatoria entre los estudiantes de Corporación Universitaria Remington
y se les preguntó ¿En qué dedican su tiempo libre? y respondieron lo siguiente:
𝑰𝒓 𝒂𝒄𝒊𝒏𝒆 159
𝑯𝒂𝒄𝒆𝒓 𝒅𝒆𝒑𝒐𝒓𝒕𝒆 192
𝑰𝒓 𝒂 𝒅𝒊𝒔𝒄𝒐𝒕𝒆𝒄𝒂 98
𝑳𝒆𝒆𝒓 105
l) Dado el siguiente diagrama de sectores, responda: Verdadero (V) o Falso (F), según sea el
caso, justificando la respuesta
41 ESTUDIANTES ACTUALES DE UNIREMINGTON
7%
14% 28%
Administración
Contaduría
Sistemas
Secretariado
18% Psicología
33%
ENUNCIADO (V) (F) JUSTIFICACIÓN
Esta investigación se hizo con datos

cuantitativos
La mayoría de los estudiantes son los de

Contaduría
Se debe promocionar más la Psicología.
Lo que menos se presenta es que haya

estudiantes de Secretariado.
Este gráfico es el único que se puede

elaborar para esta investigación.
La población de esta investigación son los

estudiantes de Corporación Universitaria
Remington.
m) Como ejercicio final realiza una investigación estadística, sobre datos cualitativos en tu
42 medio; ya sea tu lugar de trabajo, tu ciudad o tu familia y realiza todo el proceso: tablas, gráficos
y conclusiones o decisiones finales. (Recuerde los pasos a seguir para desarrollar esta actividad)
43 2 UNIDAD 2 DATOS CUANTITATIVOS ORDENADOS EN

FILA
 Video: Explorando los datos. ¿Cómo resumir la información de tipo cuantitativo? Variables
cuantitativas
 ” Ver Video”: https://www.youtube.com/watch?v=q9VDSdPw55o
 PDF: Datos de tipo cuantitativo – Hojamat

 ” Ver PDF”: www.hojamat.es/estadistica/tema2/documentos/cuantita.pdf

44 2.1.2 OBJETIVO GENERAL

Describir por medio de tablas, gráficos y medidas los datos ordenados en fila, calculando e
interpretando, además, las medidas de tendencia central para este tipo de datos.

 Interpretar los datos: mayor, menor, más frecuente y menos frecuente en un conjunto de
datos cuantitativos ordenados en fila.
 Construir las frecuencias acumuladas e interpretarlas.
 Realizar el diagrama de barras e interpretarlo.
 Calcular las medidas de tendencia central e interpretarlas.
2.2 TEMA 1 TABLAS PARA DATOS CUANTITATIVOS

ORDENADOS EN FILA
 DATOS CUANTITATIVOS
Cuando la investigación es de tipo cuantitativo, es decir, se tienen datos numéricos, estos se
pueden organizar de dos formas:
 Ordenados en una fila, o

 Agrupados en intervalos de clase.
Los datos numéricos, sean pocos o muchos, siempre se organizan en una Fila en forma
ascendente.
2.2.1 EJERCICIO DE APRENDIZAJE:

El jefe de personal de la compañía “Aceros S.A.” preocupado por las llegadas tarde de sus
empleados, seleccionó una muestra aleatoria entre los empleados que han llegado tarde al
trabajo durante los últimos cuatro meses y anotó el número de llegadas tarde de cada uno de
dichos empleados y los resultados fueron los siguientes:
45 1 3 8 5 3 5 4 5 5 5
4 6 5 5 2 6 6 7 4 1
3 5 1 5 6 4 5 1 4 8
5 8 5 4 5 6 6 3 8 5
5 6 5 1 3 4 5 5 6 5
3 7 2 3 5 2 5 3 2 4
1) Se elabora la Ficha Técnica:
Enunciado: El jefe de personal de la compañía “Aceros S.A.” preocupado por las llegadas tarde
de sus empleados, seleccionó una muestra aleatoria entre los empleados que han llegado
tarde al trabajo durante los últimos cuatro meses y anotó el número de llegadas tarde de cada
uno de dichos empleados y los resultados fueron los siguientes:
Empleados que han llegado tarde al trabajo

POBLACIÓN durante los últimos cuatro meses de la
compañía “Aceros S.A.
MUESTRA 60 empleados escogidos al azar.
DESCRIPCIÓN DE LA VARIABLE Número de llegadas tarde de cada empleado.
TIPO DE VARIABLE Cuantitativa discreta.
2) Se ordenan los datos de menor a mayor y se construye la tabla de distribución

de frecuencias:
46 𝒙𝒊 𝒇𝒂𝒊 𝒇𝒂𝒂𝒊 𝒇𝒓𝒊 % 𝒇𝒓𝒂𝒊 % 𝒂𝒄𝒖𝒎𝒖𝒍𝒂𝒅𝒐
1 5 5 5 𝟖, 𝟑 0,083 𝟖, 𝟑
= 0,083
60
2 4 5+4=9 4 𝟔, 𝟕 0,150 𝟏𝟓
= 0,067
60
3 8 9+8=17 8 𝟏𝟑, 𝟑 0,283 𝟐𝟖, 𝟑

= 0,133
60
4 8 17+8=25 8 𝟏𝟑, 𝟑 0,417 𝟒𝟏, 𝟕

= 0,133
60
5 21 25+21=46 21 𝟑𝟓 0,767 𝟕𝟔, 𝟕

= 0,350
60
6 8 46+8=54 8 𝟏𝟑, 𝟑 0,900 𝟗𝟎, 𝟎

= 0,133
60
7 2 54+2=56 2 𝟑, 𝟑 0,933 𝟗𝟑, 𝟑

= 0,033
60
8 4 56+4=60 4 𝟔, 𝟕 1,000 𝟏𝟎𝟎, 𝟎

= 0,067
60
𝒏 = 𝟔𝟎 ∑=1 ∑ = 100
3) Interpretación de los datos: mayor, menor, más frecuente y menos frecuente:
Como los datos fueron organizados de menor a mayor, entonces siempre el primer dato será el
menor y el último dato será el mayor; además recuerde que los datos siempre están en 𝒙𝒊 y
que la frecuencia absoluta indica el número de veces que se presenta el dato.
DATO CARACTERÍSTICA
47 El menor número de llegadas tarde de los empleados

a. DATO MENOR es de 1 y hubo 5 empleados que representan el 8,3%
que llegaron tarde al trabajo 1 vez.
El mayor número de llegadas tarde de los empleados

b. DATO MAYOR es de 8 y hubo 4 empleados que representan el 6,7%
que llegaron tarde al trabajo 8 veces.
Lo que más se presenta es que los empleados lleguen

c. DATO MÁS FRECUENTE tarde al trabajo 5 veces; 21 empleados que
representan el 35% llegaron tarde 5 veces.
Lo que menos se presenta es que los empleados

d. DATO MENOS FRECUENTE lleguen tarde al trabajo 7 veces; 2 empleados que
representan el 3,3% llegaron tarde 7 veces.
Cálculo de datos en la tabla:
 Frecuencia absoluta acumulada:
𝒇𝒂𝒂𝒊 𝒐 𝑵𝒊 : Se suman las Frecuencias Absolutas por cada categoría, esto

es: 𝒇𝒂𝒂𝒊 = 𝒇𝒂𝒊 + 𝒇𝒂𝒂(𝒊−𝟏)
Nota: La última frecuencia absoluta acumulada es igual a 𝑵 𝒐 𝒏
 Frecuencia relativa acumulada:
𝒇𝒓𝒂𝒊 𝒐 𝑯𝒊 : Se suman las Frecuencias Relativas por cada categoría, esto

𝒇𝒂𝒂𝒊
es: 𝒇𝒓𝒂𝒊 = 𝒇𝒓𝒊 +𝒇𝒓𝒂(𝒊−𝟏) , o también, 𝒇𝒓𝒂𝒊 =
𝑵 𝒐 𝒏
Nota: La última frecuencia relativa acumulada es igual a uno.
 Porcentaje acumulado (% 𝒂𝒄𝒖𝒎𝒖𝒍𝒂𝒅𝒐): Se obtiene multiplicando las

48
frecuencias relativas acumuladas por cien (𝟏𝟎𝟎).
4) GRÁFICOS PARA DATOS ORDENADOS EN FILA
Se utilizan los mismos diagramas de los datos cualitativos.
Nota: El diagrama circular no es muy recomendable utilizarlo porque se presta a

confusiones pues queda el valor y el porcentaje en las categorías.
A continuación, se tiene el diagrama de barras verticales de la anterior investigación.
Empleados que han llegado tarde al

trabajo durante los últimos cuatro
meses de la compañía “Aceros S.A.”
25 21
20
empleados
número de
15
8 8 8
10 5 4 4
5 2
0
`1 2 `3 `4 `5 `6 `7 `8
número de llegadas tarde
49 TIPS
Recuerde que: Los datos numéricos, sean pocos o muchos,

siempre se organizan en una fila en forma ascendente.
2.2.2 EJERCICIOS DE ENTRENAMIENTO

Para cada uno de los siguientes ejercicios, realice:
 La Ficha Técnica
 Interprete dato: mayor, menor, más frecuente y menos frecuente.
 Elabore el diagrama de barras e interprételo.
1) La profesora de estadística realizó una prueba a un grupo de alumnos que constaba de 12

puntos. Eligió una muestra al azar y los resultados del número de respuestas acertadas fueron los
siguientes:
12 10 10 8 4 3 0 2 1 12
12 11 9 2 6 4 8 0 7 11
5 9 9 3 7 6 9 0 8 8
4 10 9 7 8 7 9 1 7 8
6 10 4 8 11 10 7 12 9 8
Recuerde organizar los datos de menor a mayor.
2) En la feria Expo - navidad del año pasado se realizó un estudio sobre lo que los visitantes tenían
disponible para gastar en regalos navideños. Se seleccionó una muestra al azar con los siguientes
resultados: (el dinero disponible está dado en miles):
50 10
200 25
400 15
600 10
800 8
1000 8
1500 2
2500 3
2.3 TEMA 2 MEDIDAS DE TENDENCIA CENTRAL PARA DATOS

ORDENADOS EN FILA
En muchas ocasiones nos encontramos con algunos números aislados que no nos proporcionan
ninguna información; información que nos permita tomar decisiones respecto a determinado
hecho y solo tiene un valor individual, por ejemplo un estudiante del curso de estadística obtuvo
𝟑.𝟓
en una evaluación un puntaje de 𝟓.𝟎, valor que pude ser muy diciente para el estudiante, pero
que carece de valor para sacar conclusiones del grupo en un momento determinado.
Para que esta tenga significado se deben tener elementos referentes, generalmente asociados a
criterios estadísticos.
Esta referencia está dada por unos elementos estadísticos denominados Medidas de Tendencia Central,
las cuales nos permiten una interpretación de los datos obtenidos en cualquier medición que se realice.
El propósito de las medidas de tendencia central es:

 Mostrar en qué lugar se ubica el promedio o la nota típica del grupo.
 Sirve como un método para comparar cualquier puntaje, con el puntaje central o típico.
51
 Sirve como un método para comparar el puntaje obtenido por una misma persona, obtenido
en dos o más ocasiones.
 Sirve como método para comparar los resultados medios obtenidos por dos o más grupos.
Estas medidas centralizan los datos y dan información sobre la parte de la distribución hacia
donde se están agrupando los datos
Nota: Las medidas de tendencia central más importantes son: Media aritmética, la
moda y la mediana.
 Definición y cálculo de las Medidas de Tendencia Central

 MEDIA ARITMÉTICA (Promedio Aritmético)
“Es la medida más conocida, más fácil de calcular y con la que siempre estamos más
familiarizados” (Martínez Bencardino, C. 2004, p. 74) Es el promedio de los datos y se representa:
SÍMBOLO UTILIZACIÓN USABILIDAD
Para un Censo Como Parámetro

𝝁
̅
𝑿 Para un Muestreo Como Estadística
 En el cálculo de la Media Aritmética se presentan dos casos:
1) Si los datos no están ordenados:

52
La media aritmética se obtiene sumando todos los valores y dividiendo
esa suma por el número de valores de la medición.
̅=
𝒙𝟏 + 𝒙𝟐 + ⋯ + 𝒙𝒏
𝝁 𝒐𝑿
𝑵 𝒐 𝒏
Ejemplo 1: Un estudiante obtuvo las siguientes notas en matemáticas 4.3, 2.5, 3.3, 4.2, 3.1, 2.9 y
quiere conocer el promedio (Media Aritmética) de las mismas:
El promedio de las notas de matemáticas del alumno es de 3.38.
Ejemplo 2: A continuación, se dan los valores de las boletas para las diferentes tribunas del
estadio Atanasio Girardot de Medellín:
 Tribuna alta: $ 100.000

 Occidental numerada: $ 95.000
 Oriental: $ 42.000
 Tribuna sur: $ 23.000
 Tribuna norte: $27.000
Determinar cuál es el valor promedio de la boleta, para el ingreso al mismo.
Solución: Para conocer el promedio del valor de la boleta se aplica el concepto de la media
aritmética, esto es:
53 ̅ = 𝒙𝟏 +𝒙𝟐+⋯+𝒙𝒏, reemplazando valores se tiene:

𝝁 𝒐𝑿 𝑵 𝒐 𝒏
$𝟏𝟎𝟎. 𝟎𝟎𝟎 + $𝟗𝟓. 𝟎𝟎𝟎 + $𝟒𝟐. 𝟎𝟎𝟎 + +$𝟐𝟑. 𝟎𝟎𝟎 + $𝟐𝟕. 𝟎𝟎𝟎
̅=
𝝁 𝒐𝑿
𝟓
$𝟐𝟖𝟕. 𝟎𝟎𝟎
̅=
𝝁 𝒐𝑿 = $𝟓𝟕. 𝟒𝟎𝟎
𝟓
El valor promedio de la boleta es de $𝟓𝟕. 𝟒𝟎𝟎
2) Cuando los datos se tienen ordenados en una tabla de distribución de frecuencias, se

aplica la siguiente fórmula para hallar la media aritmética:
𝒙𝟏 𝒇𝒂𝟏 + 𝒙𝟐 𝒇𝒂𝟐 + ⋯ + 𝒙𝒏 𝒇𝒂𝒏

̅=
𝝁 𝒐𝑿
𝑵 𝒐 𝒏
O también se puede expresar como:
∑𝒏
𝟏 𝒙𝒊 𝒇𝒂
̅=
𝝁 𝒐𝑿 𝒊
𝑵 𝒐 𝒏
54 2.3.1 EJERCICIO DE APRENDIZAJE

Tomando una tabla de frecuencias, determinada para una solución cualquiera, se tiene:
𝒙𝒊 𝒇𝒂𝒊 𝒙𝒊 ∗ 𝒇𝒂𝒊
1 6 6
2 5 10
3 7 21
4 9 36
5 13 65
6 12 72
7 8 56
8 4 32
9 8 72
10 10 100
𝒏 = 𝟖𝟐 ∑ 𝟒𝟕𝟎
𝟒𝟕𝟎
̅=
𝑿 = 𝟓, 𝟕𝟑𝟏
𝟖𝟐
El promedio (la media aritmética) para el problema anterior es 𝟓, 𝟕𝟑𝟏
 Características de la Media Aritmética
1. Todo conjunto de datos cuantitativos tiene una media aritmética.
2. Cuando se calcula la media aritmética se incluyen todos los datos.
La media aritmética, de un conjunto de datos, es única es decir, sólo existe una media
3. aritmética.
55 4.
Cuando se tienen valores extremos (es decir, muy altos o muy bajos) la media
aritmética no puede tomarse como representativa de los datos.
 LA MODA (Mo)
“Es el valor que ocurre con mayor frecuencia; es decir, el valor más frecuente” (Spiegel, M. R.,
1995).
Nota: Cuando se tiene la distribución de frecuencias se busca la mayor frecuencia
absoluta y su correspondiente 𝒙𝒊 es la moda
En la distribución de frecuencias indicada la Moda está determinada por el número 5, que se

repite 13 veces.
Tomando los ejemplos anteriores, la moda se interpreta así:
 Características de la Moda
1 Existen distribuciones que tienen varias modas, esto es: Bimodal cuando tiene dos
modas, si tiene más de dos, se llama Multimodal.
2 Pueden existir distribuciones donde no haya moda, se da cuando los valores de la

frecuencia absoluta son iguales, pues indica que todos los datos se repiten el mismo
número de veces.
3 En el gráfico de barras verticales la moda se identifica como la barra más alta y su valor
se ubica en el eje 𝑿.
 La Mediana (𝑴𝒆 )
Es aquel valor de la serie de datos que se ubica exactamente en la mitad (en el centro) de los
mismos.
También se puede decir que es el valor que ocupa el lugar central de todos los datos, cuando
56
éstos están ordenados de menor a mayor.
 Características de la Mediana
1 La mediana se representa por 𝑴𝒆
2 No está influido por los valores extremos.
3 No utiliza en su cálculo toda la información de la serie de datos.
4 No toma cada valor por el número de veces que se ha repetido.
5 Es el valor que está en todo el centro de la distribución.
6 Los datos deben estar ordenados para poder ubicarla.
7 La mediana se puede hallar sólo para variable cuantitativas.
 Cálculo de la Mediana
1. Para calcular la Mediana se tienen que ordenar los datos de menor a mayor.
2. Si el ordenamiento tiene un número impar de datos, la mediana está dada por el dato
central de la misma, esto es:
Ejemplo: Se tiene el siguiente grupo de datos ordenados de menor a mayor:
1
3
5
6
7
8
9
57 11
12
13
14
Como el número de datos es impar (11), la mediana sería entonces el dato del centro, esto es:
𝑴𝒆 = 𝟖
Quedan, exactamente, 5 valores por encima de 8, (1,3,5,6,7) y 5 valores por debajo

(9,11,12,13,14)
Si el ordenamiento tiene un número par de datos, la mediana está dada por la media
aritmética entre los dos datos centrales, esto es:
Ejemplo: Se tiene el siguiente grupo de datos ordenados de menor a mayor, calcular la

Mediana:
1
3
5
6
7
9
11
12
13
14
17
18
20
21
Quedan, exactamente, 6 valores por encima de 11 y 12, (1,3,5,6,7,9) y 6 valores por debajo
58
(13,14,17,18,20,21) , por lo tanto, la Mediana sería:
𝟏𝟏 + 𝟏𝟐 𝟐𝟑
𝑴𝒆 = = = 𝟏𝟏. 𝟓
𝟐 𝟐
Como conclusión: Cuando se tiene la distribución de frecuencias para ubicar la mediana se
procede así:
𝒏+𝟏
Si el número de datos ( 𝒏 𝒐 𝑵) es par, se calcula y se busca la Frecuencia Absoluta
𝟐
Acumulada (𝒇𝒂𝒂 ), el correspondiente 𝒙𝒊 , es la Mediana (Me).
2.3.2 EJEMPLOS
1. Dada la siguiente tabla ordenada de datos, calcular la Mediana:
𝒙𝒊 𝒇𝒂𝒊 𝒇𝒂𝒂𝒊
𝟑. 𝟖 𝟏 𝟏
𝟒. 𝟎 𝟏 𝟐
𝟒. 𝟓 𝟑 𝟓
𝑵=𝟓
𝟓+𝟏
𝑴𝒆 = =𝟑
𝟐
Corresponde al tercer dato que es 𝟒. 𝟓
𝒏
59 Si el número de datos ( 𝒏 𝒐 𝑵) es par, se calcula y su consecutivo, se buscan en la
𝟐
Frecuencia Absoluta Acumulada (𝒇𝒂𝒂 ) y el promedio (Media Aritmética) de los
correspondientes datos (𝒙𝒊 ), es la Mediana (Me).
𝒙𝒊 𝒇𝒂𝒊 𝒇𝒂𝒂𝒊
𝟑. 𝟖 𝟐 𝟐
𝟒. 𝟎 𝟏 𝟑
𝟒. 𝟓 𝟑 𝟔
𝑵=𝟔
𝟔
𝑴𝒆 = 𝟐 = 𝟑 que corresponde a 4.0 y su consecutivo que es el 4 y corresponde a 𝟒. 𝟓,
por lo tanto la Mediana sería:
𝟒. 𝟎 + 𝟒. 𝟓
𝑴𝒆 = = 𝟒. 𝟑
𝟐
Recuerde que son seis datos y ordenados de menor a mayor y con su respectiva
frecuencia se tiene:
60 1 2 3 4 5 6
3.8 3.8 4.0 4.5 4.5 4.5

Para los siguientes ejercicios calcule las medidas de tendencia central: la Media Aritmética, la
Moda y la Mediana
Nota:
 Recuerde que, para solucionar estos ejercicios, se deben ordenar los datos de menor a mayor.
 Revise los ejercicios de aprendizaje resueltos en el desarrollo del tema.
1. La profesora de estadística realizó una prueba a un grupo de alumnos que constaba de 12
puntos. Eligió una muestra al azar y los resultados del número de respuestas acertadas fueron
los siguientes:
12 10 10 8 4 3 0 1 12 2
12 11 9 2 6 4 8 0 7 11
5 9 9 3 7 6 90 0 8 8
4 10 9 7 8 7 9 1 7 8
6 10 4 8 11 10 7 12 9 8
2. En la feria Expo - navidad del año pasado se realizó un estudio sobre lo que los visitantes
tenían disponible para gastar en regalos navideños. Se seleccionó una muestra al azar con los
siguientes resultados: (el dinero disponible está dado en miles)
50 3
200 4
400 10
600 9
800 8
1000 8
1500 7
1600 4
2000 11
3. Se seleccionó una muestra aleatoria entre los habitantes de la tercera edad que viven en el
Área Metropolitana y se clasificaron de acuerdo con su estatura, los siguientes son los datos:
𝒙𝒊 𝒆𝒔𝒕𝒂𝒕𝒖𝒓𝒂 𝒇𝒂𝒊 (frecuencia) 𝒇𝒓𝒊 % 𝒇𝒂𝒂𝒊 𝒇𝒓𝒂𝒊 𝒙𝒊 ∗ 𝒇𝒂𝒊
1,45 6
1,50 10
1,55 10
1,60 18
62 1,65 18
1,70 12
1,75 10
1,80 7
1,85 3
1,90 1
4. Termine la tabla y responda verdadero (V) o falso (f), de acuerdo a la distribución anterior, las
siguientes preguntas, justificando debidamente su respuesta:
Pregunta V F Justificación
1. El dato más frecuente es 10.
2. Lo que menos se presenta es que

los ancianos midan 1,45.
3. Esta distribución es Bimodal
4. Lo que más se presenta es que los

ancianos midan 1,90.
5. Hay 26 ancianos que miden

menos de 1,60.
63 6. El 58% de los ancianos miden

como máximo 1,80.
7. El 28% de los ancianos miden

1,65 o menos.
En las siguientes preguntas señale la respuesta correcta:
1. El promedio de la estatura entre los ancianos es de:

a) 1,55
b) 1,60
c) 1,638
2. La estatura más frecuente es:

a) 10
b) 1,90
c) 1,60 y 1,65
d) 1,50 1,55 y 1,75
3. El 50% de las estaturas entre los ancianos es de:

a) 1,60
b) 1,70
c) 1,65
64 TIPS
Recuerde que: Las medidas de Tendencia central, nos permiten
una interpretación de los datos obtenidos en cualquier medición
que se realice.
Para encontrar la media, la moda y la mediana, se deben ordenar
los datos de menor a mayor.
65 3 UNIDAD 3 DATOS CUANTITATIVOS AGRUPADOS EN

INTERVALOS DE CLASE
 Video: Estadística descriptiva - Datos agrupados. Parte 3.1
 ” Ver Video”: https://www.youtube.com/watch?v=QYAZbV-q4Gs


Analizar datos cuantitativos agrupados en intervalos de clase.

 Organizar una serie de datos numéricos en intervalos.
 Construir e interpretar las frecuencias acumuladas.
 Construir gráficos para datos agrupados en intervalos.
 Calcular, interpretando los resultados, las medidas de tendencia central para datos agrupados
en intervalos.
 Calcular e interpretar las medidas de posición relativa para datos agrupados en intervalos.
 Calcular e interpretar las medidas de variación o dispersión para datos cuantitativos.
3.2 TEMA 1 TABLAS PARA DATOS CUANTITATIVOS

AGRUPADOS EN INTERVALOS DE CLASE
Cuando, en un estudio estadístico, se obtienen muchos datos en la medición y la frecuencia de cada
uno de estos Cuando, en un estudio estadístico, se obtienen muchos datos en la medición y la
frecuencia de cada uno de estos datos es muy baja, es necesario agruparlos por clase o por
categoría y cada una de éstas distribuciones se dispondrá en un intervalo determinado.
Para agrupar los datos en intervalos existen varios métodos, entre ellos tenemos, el siguiente:
Cuando los intervalos son de la forma: 𝑳𝒊 ≤ 𝒙 < 𝑳𝒔

Dónde:
 𝑳𝒊 : 𝒆𝒔 𝒆𝒍 𝑳í𝒎𝒊𝒕𝒆 𝒊𝒏𝒇𝒆𝒓𝒊𝒐𝒓. Se incluye, por ser un intervalo Cerrado.
 Li , Ls  .
67  𝑳𝒔 : 𝒆𝒔 𝒆𝒍 𝑳í𝒎𝒊𝒕𝒆 𝒔𝒖𝒑𝒆𝒓𝒊𝒐𝒓. No se incluye, por ser un intervalo abierto.
 Li , Ls 
Para utilizar este método se debe realizar el siguiente procedimiento:
1. Se calcula el Rango (𝑹), esto es:
𝑹 = 𝑫𝒂𝒕𝒐 𝑴𝒂𝒚𝒐𝒓 − 𝑫𝒂𝒕𝒐 𝑴𝒆𝒏𝒐𝒓
2. Se determina el número de intervalos (K) que tendrá la distribución, mediante la fórmula:
𝐾 = 1 + 3.3 × log 𝑛
Dónde:
 𝑲: 𝑵ú𝒎𝒆𝒓𝒐 𝒅𝒆 𝒊𝒏𝒕𝒆𝒓𝒗𝒂𝒍𝒐𝒔
 𝒏: 𝑵ú𝒎𝒆𝒓𝒐 𝒅𝒆 𝒅𝒂𝒕𝒐𝒔
Nota: Una vez obtenido K, se debe realizar el redondeo correspondiente en números

enteros.
3. Se calcula la Amplitud (𝑨: es la misma para todos los intervalos) de cada uno de los
intervalos mediante la ecuación:
68 𝑅
𝐴=
𝐾
Dónde:
 𝑹: 𝑹𝒂𝒏𝒈𝒐
 𝑲: 𝑵ú𝒎𝒆𝒓𝒐 𝒅𝒆 𝒊𝒏𝒕𝒆𝒓𝒗𝒂𝒍𝒐𝒔
Nota: La Amplitud (A) se debe subir un poco (así el resultado sea entero). Es un error
dejar la amplitud igual, ya que esto ocasiona que el dato mayor quede por fuera del
último intervalo.
4. Se determina los límites de cada intervalo

a. El primer Límite Inferior o límite izquierdo del primer intervalo de la Distribución es
igual al dato menor.
𝑳𝒊 = 𝑫𝒂𝒕𝒐 𝑴𝒆𝒏𝒐𝒓
b. El límite derecho o límite superior de cualquier intervalo es igual al límite izquierdo del
mismo intervalo más la amplitud.
𝑳𝒔 = 𝑳𝒊 + 𝑨𝒎𝒑𝒍𝒊𝒕𝒖𝒅
69 Nota: Los intervalos son abiertos a derecha. Quiere decir que el límite derecho de un
intervalo se cuenta en el intervalo que se encuentra exactamente debajo de dicho
intervalo.
c. El límite izquierdo o límite inferior de cualquier intervalo (excepto el primer intervalo)

es igual al límite superior del intervalo anterior.
𝑳𝒊 = 𝑳𝒔 𝒊𝒏𝒕𝒆𝒓𝒗𝒂𝒍𝒐 𝒂𝒏𝒕𝒆𝒓𝒊𝒐𝒓
Nota: Se debe garantizar que el último intervalo de la distribución incluya al dato

mayor, si no es así, se debe aumentar un poco más la amplitud y volver a empezar.
5. Marcas de clase (𝑿𝒊 ):
Es un valor que identifica a cada intervalo “es el punto medio de cada intervalo”, está dada
por la siguiente ecuación:
𝑳 𝒊 + 𝑳𝒔
𝒙𝒊 =
𝟐
(Berenson, M. L. Y LEVINE, D. M., 1996, p. 38).
6. Se determina las diferentes frecuencias, como se puede observar en el siguiente ejercicio.
3.2.1 EJERCICIOS DE APRENDIZAJE

Ejercicio 1: Entre los estudiantes de Administración de UNIREMINGTON se hizo una selección
aleatoria y se analizó la edad en que iniciaron sus estudios en la universidad, los siguientes son
los datos:
70 25 36 40 45 48 32 17 22 18 20
21 44 46 19 19 26 24 28 29 31
39 36 35 33 32 34 41 42 31 30
20 45 43 23 22 21 38 34 37 43
19 20 23 25 22 25 27 24 19 18
20 21 22 25 24 27 29 19 23 21
a. Se elabora la Ficha técnica:
CONCEPTO CARACTERÍSTICA
Estudiantes de Administración de
Población
UNIREMINGTON.
Muestra 60 estudiantes elegidos al azar.
La edad en que iniciaron sus estudios en la

universidad.
Tipo de variable Cuantitativa continua (Por ser una medición).
Nota: En la tabla determinada en la recolección de datos, existen muchos de ellos con

baja frecuencia, por lo tanto, para sacar conclusiones al respecto se deben agrupar en
intervalos.
b. PROCEDIMIENTO
71
Se realiza de acuerdo a los pasos indicados en la definición de conceptos, esto es:
1. Se calcula el Rango (𝑹) :
𝑹 = 𝑫𝒂𝒕𝒐 𝑴𝒂𝒚𝒐𝒓 − 𝑫𝒂𝒕𝒐 𝑴𝒆𝒏𝒐𝒓
Reemplazando, se tiene:
𝑹 = 𝟒𝟖 − 𝟏𝟕 = 𝟑𝟏
𝑹 = 𝟑𝟏
2. Se calcula el número de intervalos (𝐊) , que tendrá la Distribución:
𝐾 = 1 + 3.3 × log 𝑛
𝑲 = 𝟏 + 𝟑. 𝟑 × 𝐥𝐨𝐠 𝒏 → 𝑲 = 𝟏 + 𝟑. 𝟑 × 𝐥𝐨𝐠 𝟔𝟎 →
𝑲 = 6,868, utilizando el concepto de redondeo (ver unidad 1) a números enteros, se tiene que:
𝑲 = 𝟕.
3. Se calcula la Amplitud (𝑨), (es la misma para todos los intervalos):
𝑅
𝐴=
𝐾
31
𝐴= = 4,428
7
Por norma (determinada en la definición del concepto) se sube un poco la amplitud, por lo tanto:
72
𝑨 = 𝟒, 𝟓
4. Se calcula el primer Límite Inferior de la Distribución., de la siguiente forma:
𝑳𝒊 = 𝑫𝒂𝒕𝒐 𝑴𝒆𝒏𝒐𝒓
𝑳𝒊 = 𝟏𝟕
 Para determinar el primer límite superior, se tiene que todo el intervalo tiene la misma
amplitud, por lo tanto:
𝑷𝒓𝒊𝒎𝒆𝒓 𝑳í𝒎𝒊𝒕𝒆 𝑺𝒖𝒑𝒆𝒓𝒊𝒐𝒓: 𝑳𝒔 = 𝑳𝒊 + 𝑨 → 𝑳𝒔 = 𝟏𝟕 + 𝟒, 𝟓 → 𝑳𝒔 = 𝟐𝟏, 𝟓
Como se van a agrupar intervalos de la forma: 𝑳𝒊 ≤ 𝑿 < 𝑳𝒔 , entonces:
Para el primer intervalo, se tiene entonces que: los datos son mayores o iguales que 17 y menores
que 21,5: en total se encontraron 16 datos con esta característica, siendo esta la primera
Frecuencia Absoluta.
Nota: Todo límite superior, es el límite inferior del siguiente intervalo.
Para calcular el segundo límite superior se aplica la fórmula 𝑳𝒔 = 𝑳𝒊 + 𝑨, se tiene entonces que el
segundo intervalo tiene como límite inferior 21,5 y como límite superior, 𝑳𝒔 = 𝟐𝟏, 𝟓 + 𝟒, 𝟓 = 𝟐𝟔,
se encontraron 14 datos que cumplen esta característica siendo esta será la segunda frecuencia
absoluta.
73
Nota: Este procedimiento se repite tantas veces sea necesario, hasta que queden
incluidos todos los datos del programa.
Para determinar el número de observaciones en cada intervalo, se recomienda utilizar colores,

como se observa a continuación:
25 36 40 45 48 32 17 22 18 20
21 44 46 19 19 26 24 28 29 31
39 36 35 33 32 34 41 42 31 30
20 45 43 23 22 21 38 34 37 43
19 20 23 25 22 25 27 24 19 18
20 21 22 25 24 27 29 19 23 21
Dato menor. 17 (Aumentado y subrayado con doble línea en la tabla)

Dato mayor. 48 (Aumentado y subrayado en la tabla)
𝑳𝒊 𝑳𝒔 Conteo
17 21,5 Corresponde a las celdas llenas con el color rojo (16)
21,5 26 Corresponde a las celdas llenas con color azul (14)
26 30,5 Corresponde a las celdas llenas con color verde (6)
30,5 35 Corresponde a las celdas sin llenar (8)
35 39,5 Corresponde a las celdas llenas con color amarillos (6)
39,5 44 Corresponde a las celdas llenas con azul obscuro (5)
44 48,5 Corresponde a las celdas llenas con púrpura (5)
7. La tabla de Distribución de Frecuencias queda de la siguiente manera:

74
𝑳𝒊 𝑳𝒔 𝒇𝒂𝒊 𝒇𝒓𝒊 % 𝑿𝒊 𝒇𝒂𝒂𝒊 𝒇𝒓𝒂𝒊 % 𝒂𝒄𝒖𝒎𝒖𝒍𝒂𝒅𝒐

***17 21,5 16 0,2667 26,67 19,25 16 0,2667 26,67
21,5 26 14 0,2333 23,33 23,75 30 0,5 50
26 30,5 6 0,100 10 28,25 36 0,6 60
30,5 35 8 0,1333 13,33 32,75 44 0,7333 73,33
35 39,5 6 0,100 10 37,25 50 0,8333 83,33
39,5 44 5 0,0833 8,33 41,75 55 0,9166 91,66
44 48,5 5 0,0833 8,33 46,25 60 1 100
𝑵 = 𝟔𝟎 ∑ = 1 ∑ = 100
Nota: Los intervalos, de acuerdo a 𝐿𝑖 ≤ 𝑥 < 𝐿𝑠 también se pueden expresar

de la siguiente forma:
𝑳𝒊 𝑳𝒔 𝑳𝒊 ≤ 𝑿 < 𝑳𝒔,
17 21,5 [𝟏𝟕, 𝟐𝟏, 𝟓)
21,5 26 [𝟐𝟏, 𝟓, 𝟐𝟔)
26 30,5 [𝟐𝟔, 𝟑𝟎. 𝟓)
30,5 35 [𝟑𝟎, 𝟓, 𝟑𝟓)
35 39,5 [𝟑𝟓, 𝟑𝟗, 𝟓)
49,5 44 [𝟑𝟗, 𝟓, 𝟒𝟒)
44 48,5 [𝟒𝟒, 𝟒𝟖, 𝟓)
Donde:
75 ) ∶ 𝒊𝒏𝒅𝒊𝒄𝒂 𝒒𝒖𝒆 𝒆𝒔 𝒂𝒃𝒊𝒆𝒓𝒕𝒐 𝒆𝒏 𝒅𝒊𝒄𝒄𝒉𝒐 𝒆𝒙𝒕𝒓𝒆𝒎𝒐.

[: 𝒊𝒏𝒅𝒊𝒄𝒂 𝒒𝒖𝒆 𝒆𝒔 𝒄𝒆𝒓𝒓𝒂𝒅𝒐 𝒆𝒏 𝒅𝒊𝒄𝒉𝒐 𝒆𝒙𝒕𝒓𝒆𝒎𝒐.
Ejercicio 2: Los siguientes son los sueldos de los tecnólogos de Medellín de acuerdo con una
muestra elegida aleatoriamente (en miles de pesos).
Nota: En este caso ya están los datos agrupados, por tanto, no hay que aplicar los pasos para
calcular los intervalos, simplemente se complementa la tabla.
𝑳𝒊 𝑳𝒔 𝑳𝒊 ≤ 𝑿 < 𝑳𝒔, 𝒇𝒂
400 600 [𝟒𝟎𝟎, 𝟔𝟎𝟎) 30
600 800 [𝟔𝟎𝟎, 𝟖𝟎𝟎) 100
800 1000 [𝟖𝟎𝟎, 𝟏𝟎𝟎𝟎) 55
1000 1200 [𝟏𝟎𝟎𝟎, 𝟏𝟐𝟎𝟎) 240
1200 1400 [𝟏𝟐𝟎𝟎, 𝟏𝟒𝟎𝟎) 25
1400 1600 [𝟏𝟒𝟎𝟎, 𝟏𝟔𝟎𝟎) 20
𝑳𝒊 𝑳𝒔 𝒇𝒂𝒊 𝒇𝒓𝒊 % 𝑿𝒊 𝒇𝒂𝒂𝒊 𝒇𝒓𝒂𝒊 % 𝒂𝒄𝒖𝒎𝒖𝒍𝒂𝒅𝒐

400 600 30 0,064 6,4 500 30 0,064 6,4
600 800 100 0,213 21,3 700 130 0,277 27,7
800 1000 55 0,117 11,7 900 185 0,394 39,4
***1000 1200 240 0,511 51,1 1100 425 0,904 90,4

77 595 506 580 333 310 572 590 533 479 394
355 346 520 511 466 480 490 547 383 555
Total, datos. 50. n  50

Rango. R  595  302  293
Número de intervalos. k  1  3.3log50  6,606  7 El número de intervalos se aproxima

a entero.
R 293
Amplitud. A    41,857...  A  41,9 La amplitud siempre se debe subir un
k 7
poquito.
Límite inferior del primer intervalo es igual al dato menor. 302
Límite superior del primer intervalo. LS  Li  S  302  41,9  Li  343,9
Límite inferior del segundo intervalo.
Li (Segundo int ervalo)  LS (Pr imer int ervalo)  Li  343,9
Límite superior del segundo intervalo. LS  Li  A  342,9  41,9  Ls  385,8
La secuencia para determinar los demás límites de la distribución es la misma que para los
intervalos uno y dos, hasta completar los 7 intervalos, como se puede ver a continuación en la
siguiente tabla borrador.
Número de Límite
Límite inferior
intervalos superior
1 302 302 + 41,9 = 343,9
2 343,9 343,9 + 41,9 = 385,8

78
3 385,8 358,8 + 41,9 = 427,7
4 427,7 427,7 + 41,9 = 469,6
5 469,6 469,9 + 41,9 = 511,5
6 511,5 511,5 + 41,9 = 553,4
7 553,4 553,4 + 41,9 = 595,3 Se puede observar que el último

intervalo incluye el dato mayor que es
495
Conteo. Para realizar el conteo recomendable utilizar colores en la tabla dónde se registró la
información y tomar una tabla con los intervalos.
Tabla de registro de datos
302 315 420 460 530 590 306 580 470 310
372 570 348 417 440 483 455 322 417 560
483 405 430 452 570 360 390 422 511 558
595 506 580 333 310 572 590 533 479 394
355 346 520 511 466 480 490 547 383 555
Tabla para realizar el conteo
Límite superior Límite inferior Conteo fai

302 343,9 IIIIIII 7
343,9 385,8 IIIIII 6
385,8 427,7 IIIIIII 7

427,7 469,6 IIIIII 6

79
469,6 511,5 IIIIIIIII 9
511,5 553,4 IIII 4
553,4 595,3 IIIIIIIIIII 11
La tabla de frecuencias es la mostrada a continuación.
VIDA ÚTIL PILAS DE RELOJ
TIEMPO (HORAS)
Li LS fai faai fri% frai Xi

302 343,9 7 7 14 14 322,95
343,2 385,8 6 13 12 26 364,85
385,8 427,7 7 20 14 40 406,75
427,7 469,6 6 26 12 52 448,65
469,6 511,5 9 35 18 70 490,55
511,5 553,4 4 39 8 78 532,45
553,4 595,3 11 50 22 100 574,35
 GRÁFICOS PARA DATOS AGRUPADOS

80
EL HISTOGRAMA: “Son diagramas de barras verticales en los que se construyen barras
rectangulares en los límites de cada clase”.
(Berenson, M.L. y LEVINE, D.M. 1996, p. 70)
Este Histograma puede ser de: frecuencias absolutas o de porcentajes.

Se grafica tomando:
 En el eje 𝑿 los límites de los intervalos, y

 En el eje 𝒚 las frecuencias absolutas o los porcentajes según sea el caso.
 Marcas de clase (𝑿𝒊 ):

Es un valor que identifica a cada intervalo “es el punto medio de cada intervalo”, está dada
por la siguiente ecuación:
𝑳 𝒊 + 𝑳𝒔
𝒙𝒊 =
𝟐
(Berenson, M. L. Y LEVINE, D. M., 1996, p. 38).
POLÍGONO: “Se puede obtener uniendo cada punto medio (marca de clase) de los
rectángulos del histograma con líneas rectas, teniendo cuidado de agregar al inicio y
al final marcas de clase adicionales, con el objeto de asegurar la igualdad del área”.
http://sitios.ingenieriausac.edu.gt/estadistica/estadistica2/estadisticadescriptiva.html
Este Polígono puede ser de: frecuencias absolutas o de porcentajes.

81
Se grafica tomando:
 En el eje 𝑿 las Marcas de Clase, y
 En el eje 𝒚 las frecuencias absolutas o los porcentajes según sea el caso.
El siguiente gráfico corresponde al polígono de porcentaje del ejemplo 2
SUELDOS DE LOS TECNÓLOGOS DE MEDELLÍN
60
PORCENTAJE DE
50
INGENIEROS
40
30
20
10
0
`500 `700 `900 `1100 ´1300 `1500 `1700
SUELDOS (en miles de $)
MODELOS DE FRECUENCIA. Llamados también MODELOS DE POBLACIÓN. Son

curvas que provienen al unir con una curva suave los puntos del POLÍGONO DE
FRECUENCIAS o al trazar una curva aproximada sobre el histograma.
Los modelos de población son importantes porque facilitan el estudio de la probabilística, ya

que existen tipos de curvas ya establecidos y cualquier curva se asemeja a estos modelos
establecidos.
Estas curvas establecidas reciben el nombre de modelos de población.

82 La curva de frecuencias representa la verdadera distribución de la cual se extrajo la muestra.
Además, un MODELO DE POBLACIÓN es importante por las siguientes

razones:
 Una distribución de población es necesaria para la toma de decisiones.

 La inferencia estadística requiere que conozcamos modelos de población.
 Su manipulación matemática es más fácil debido a que se tiene el modelo de
población.
TIPOS DE MODELOS DE POBALCIÓN O CURVAS DE FRECUENCIAS:
CURVA NORMAL O CURVA SIMÉTRICA O CAMPANA DE GAUSS
Este modelo de población presenta la característica que la moda, el promedio y la mediana tienen
igual valor o son aproximadamente iguales. Presenta muchas aplicaciones en la inferencia
estadística, ya que en la práctica hay muchas poblaciones que presentan un comportamiento de
población con distribución normal. La forma de una distribución normal es la siguiente:
CURVA NORMAL
La curva normal presenta la característica que:

83 M0  Me  x
CURVA ASIMÉTRICA NEGATIVA O CURVA CON SESGO NEGATIVO
Se presenta cuando la media aritmética es menor que la mediana y que la moda. En esta curva
la cola más larga se encuentra a la izquierda.
Su forma la podemos ver en el gráfico:
CURVA ASIMÉTRICA A LA IZQUIERDA O NEGATIVA
La curva asimétrica negativa presenta la característica que:
Mo  M e  x
Cuando se presenta este modelo en participación en el mercado, o en producción, o en ventas;
es bueno, quiere decir que la mayoría de ventas o de utilidades superan el promedio.
CURVA ASIMÉTRICA POSITIVA O CURVA CON SESGO POSITIVO

84
Se presenta cuando la media aritmética es mayor que la mediana y que la moda. Este modelo es
muy común en poblaciones económicas y comerciales. Por ejemplo, la distribución de sueldos
indica que algunos empleados (relativamente pocos en comparación con el grupo total) reciben
sueldos mucho más altos que los recibidos por la mayoría.
En este modelo la cola más larga está a la derecha. Su forma es la mostrada en la figura.
CURVA ASIMÉTRCA A LA DERECHA O POSITIVA
La curva asimétrica positiva presenta la característica que:
M0  Me  x
OJIVA: “Es el polígono de frecuencias acumuladas, es decir, que en ella se permite
ver cuántas observaciones se encuentran por encima o por debajo de ciertos valores,
en lugar de solo exhibir los números asignados a cada intervalo”.
Tomado de: Ojiva (estadística)-Wikipedia, la enciclopedia libre es.wikipedia.org/wiki/Ojiva_

(estadística)
Esta Ojiva puede ser de: frecuencias absolutas acumuladas o de porcentajes acumulados.
85
Se grafica tomando:
 En el eje 𝑿 los límites de los intervalos, y

 En el eje 𝒚 las frecuencias absolutas acumuladas.
El siguiente gráfico corresponde al 𝒇𝒂𝒂𝒊 del ejemplo 2:
SUELDOS DE LOS TECNÓLOGOS DE

MEDELLÍN
500
INGENIEROS
400
NÚMERO DE
300
200
100
0
`400 `600 `800 `1000 ´1200 `1400 `1600
SUELDOS (en miles de $)

Para cada uno de los siguientes ejercicios realice:
 La Ficha Técnica.
 Interprete el intervalo: mayor, menor, más frecuente y menos frecuente.
 Elabore el Histograma, el Polígono y la Ojiva.
 Calcule e interprete: las medidas de tendencia central, las medidas de posición relativas y las
86 medidas de variabilidad.
1. En la compañía “La Delicia” se hizo un estudio sobre los sueldos, a continuación, se dan los
resultados, en miles de $.
900 500 450 1900 1200 1250 2500 550 1650 1200
1000 550 950 600 750 1300 850 350 1400 700
300 1100 300 600 1600 1500 1000 1800 900 500
650 2000 450 750 850 600 300 1950 3000 1500
TIPS
Recuerde que: Cuando, en un estadístico, se obtienen muchos
datos en la medición y la frecuencia de cada uno de los datos es
muy baja, es necesario agruparlos por clase o por categoría y
cada una de éstas distribuciones se dispondrá en un intervalo
determinado.
3.3 TEMA 2 CÁLCULO DE LAS MEDIDAS DE TENDENCIA

CENTRAL PARA DATOS CUANTITATIVOS AGRUPADOS EN
INTERVALOS DE CLASE
1. Media Aritmética:
∑ 𝑋𝑖 ∗ 𝑓𝑎𝑖
𝑋̅ 𝑜 𝜇 =
𝑛𝑜𝑁
Para el ejemplo 1
87 𝑳𝒊 𝑳𝒔 𝒇𝒂𝒊 𝒙𝒊 𝒙𝒊 ∗ 𝒇 𝒂𝒊
15 20 12 17,5 210
20 25 18 22,5 405
25 30 7 27,5 192,5
30 35 8 32,5 260
35 40 6 37,5 225
40 45 7 42,5 297,5
45 50 2 47,5 95
𝑵 = 𝟔𝟎 ∑ 𝟏𝟔𝟖𝟓
1685
𝑋̅ 𝑜 𝜇 = 60 → 𝑋̅ 𝑜 𝜇 = 28,03
El promedio (la media aritmética) de la edad en que iniciaron sus estudios en la universidad los
estudiantes de Administración de UNIREMINGTON es de 28,03 años. Para el ejemplo 2
𝑳𝒊 𝑳𝒔 𝒇𝒂𝒊 𝒙𝒊 𝒙𝒊 ∗ 𝒇 𝒂𝒊
400 600 30 500 15000

600 800 100 700 70000
800 1000 55 900 49500
1000 1200 240 1100 264000
1200 1400 25 1300 32500
1400 1600 20 1500 30000
𝑵 = 𝟒𝟕𝟎 ∑ 𝟒𝟔𝟏. 𝟎𝟎𝟎
461.000
𝑋̅ 𝑜 𝜇 = → 𝑋̅ 𝑜 𝜇 = 980,851
470
El promedio (la media aritmética) de los sueldos de los tecnólogos de Medellín es de $980.851
2. La moda (𝑴𝒐 )
88
𝒅𝟏
𝑴𝒐 = 𝑳 𝒊 + ( )∗𝑨
𝒅 𝟏 + 𝒅𝟐
Done:
 𝒅𝟏 = 𝒇𝒂𝒊 − 𝒇𝒂(𝒊−𝟏)
 𝒅𝟐 = 𝒇𝒂𝒊 − 𝒇𝒂(𝒊+𝟏)
 𝑨 = 𝑳𝒔𝒊 − 𝑳𝒍𝒊
Por lo tanto, el intervalo que contiene la Moda es el más frecuente.
El intervalo más frecuente es el rojo (ver ***) en las tablas, por lo tanto:
 Para el ejemplo 1, se tiene que:
 𝑳𝒍 = 𝟐𝟎
 𝒅𝟏 = 𝟏𝟖 − 𝟏𝟐 = 𝟔
 𝒅𝟐 = 𝟏𝟖 − 𝟕 = 𝟏𝟏
 𝑨 = 𝟐𝟓 − 𝟐𝟎 = 𝟓
Reemplazando en la ecuación de la Moda, se tiene:
𝟔
𝑴𝒐 = 𝟐𝟎 + ( ) ∗ 𝟓 → 𝑴𝒐 = 𝟐𝟏, 𝟕𝟔𝟒
𝟔 + 𝟏𝟏
La edad en que iniciaron sus estudios en la universidad los estudiantes de Administración de
UNIREMINGTON más frecuente es de 21,764 años.
 Para el ejemplo 2, se tiene que:

 𝑳𝒍 = 𝟏𝟎𝟎𝟎
 𝒅𝟏 = 𝟐𝟒𝟎 − 𝟓𝟓 = 𝟏𝟖𝟓
89
 𝒅𝟐 = 𝟐𝟒𝟎 − 𝟐𝟓 = 𝟐𝟏𝟓
 𝑨 = 𝟏𝟐𝟎𝟎 − 𝟏𝟎𝟎𝟎 = 𝟐𝟎𝟎
Reemplazando en la ecuación de la Moda, se tiene:
𝟏𝟖𝟓
𝑴𝒐 = 𝟏𝟎𝟎𝟎 + ( ) ∗ 𝟐𝟎𝟎 → 𝑴𝒐 = 𝟏𝟎𝟗𝟐, 𝟓
𝟏𝟖𝟓 + 𝟐𝟏𝟓
Como está dado en miles, se multiplica por 1000, esto es:
𝑴𝒐 = 𝟏𝟎𝟗𝟐, 𝟓 × 𝟏𝟎𝟎𝟎 = 𝟏. 𝟎𝟗𝟐. 𝟓𝟎𝟎

El sueldo de los tecnólogos de Medellín más frecuente es de $1`092.500
3. Mediana (𝑴𝒆 ):
Esta dada por la ecuación:
𝒏
− 𝒇𝒂𝒂(𝒊−𝟏)
𝑴𝒆 = 𝑳𝒊 + 𝟐 ∗𝑨
𝒇𝒂𝒊
Para ubicar el intervalo que contiene la mediana se puede hacer por:
𝒏
1. y se busca en 𝒇𝒂𝒂
𝟐
2. 50% y se busca en porcentaje acumulado.
 Para el ejemplo 1
𝒏 𝟔𝟎
El intervalo que contiene la mediana lo ubicamos en = = 𝟑𝟎 60/2 = este valor,
𝟐 𝟐
buscando en la frecuencia absoluta acumulada, está en el 2º intervalo es el mismo de la moda,
pero no siempre dan en el mismo, existen ciertas distribuciones que cumplen con esta
90 característica. Si observamos, acá está el 50% en el porcentaje acumulado. Reemplazando en la
fórmula, se tiene que:
𝒏
− 𝒇𝒂𝒂(𝒊−𝟏) 𝟑𝟎 − 𝟏𝟐
𝑴𝒆 = 𝑳𝒊 + 𝟐 ∗ 𝑨 → 𝑴𝒆 = 𝟐𝟎 + ( )∗𝟓
𝒇𝒂𝒊 𝟏𝟖
𝑴𝒆 = 𝟐𝟓
El 50% de la edad en que iniciaron sus estudios en la universidad los estudiantes de

Administración de UNIREMINGTON es de 25 años.
 Para el ejemplo 2
𝒏
El intervalo que contiene la mediana lo ubicamos = 𝟐𝟑𝟓, este valor está en 425 en el
𝟐
mismo de la moda, no siempre dan en el mismo, existen ciertas distribuciones que cumplen con
esta característica. Si observamos, acá está el 50% en el porcentaje acumulado. Reemplazando
en la fórmula, se tiene que:
𝒏
− 𝒇𝒂𝒂(𝒊−𝟏) 𝟐𝟑𝟓 − 𝟏𝟖𝟓
𝑴𝒆 = 𝑳𝒊 + 𝟐 ∗ 𝑨 → 𝑴𝒆 = 𝟏𝟎𝟎 + ( ) ∗ 𝟐𝟎𝟎
𝒇𝒂𝒊 𝟐𝟒𝟎
𝑴𝒆 = 𝟏𝟎𝟒𝟏, 𝟔𝟔𝟕
Como está dado en miles, se multiplica por 1000, esto es:
𝑴𝒆 = 𝟏𝟎𝟒𝟏, 𝟔𝟔𝟕 × 𝟏𝟎𝟎𝟎 = 𝟏. 𝟎𝟒𝟏. 𝟔𝟔𝟕

El 50% de los sueldos de los tecnólogos de Medellín es de $ 𝟏. 𝟎𝟒𝟏. 𝟔𝟔𝟕

A continuación, se dan las notas de los estudiantes de sistemas de acuerdo con una muestra
elegida al azar, calcule e interprete: La Media Aritmética, La Moda y la Mediana
91 𝑳𝒊 𝑳𝒔 𝒇𝒂𝒊
0 1 15
1 2 15
2 3 20
3 4 28
4 5 22
TIPS
Recuerde que: El intervalo que contiene la Moda es el más
frecuente.
3.4 TEMA 3 MEDIDAS DE POSICIÓN RELATIVA PARA DATOS

CUANTITATIVOS AGRUPADOS EN INTERVALOS DE CLASE
Las medidas de posición facilitan información sobre la serie de datos que se están analizando.
Una vez definidos los conceptos básicos en el estudio de una distribución de frecuencias de una
variable, se estudiarán las distintas formas de resumir dichas distribuciones mediante medidas de
posición (o de centralización), teniendo presente el error cometido en el resumen mediante las
correspondientes medidas de dispersión.
Se trata de encontrar unas medidas que sinteticen las distribuciones de frecuencias. En vez de
manejar todos los datos sobre las variables, tarea que puede ser pesada, se puede caracterizar
su distribución de frecuencias mediante algunos valores numéricos, eligiendo como resumen de
los datos un valor central alrededor del cual se encuentran distribuidos los valores de la variable.
Tomado
de:http://www.monografias.com/trabajos14/medidasposicion/medidasposicion.shtml#ixzz3DQ
Ms8KcO
Estas medidas dividen la distribución en partes iguales, así como La Mediana, por lo tanto, se
92 calculan e interpretan similar a ella. Entre estas medidas de posición relativa se tienen:
1. 𝑪𝒖𝒂𝒓𝒕𝒊𝒍𝒆𝒔 (𝑸): Dividen la distribución en 4 partes iguales, de la siguiente

manera:
𝑸𝟏 = 𝟐𝟓%
𝑸𝟐 = 𝟓𝟎%
𝑸𝟏 = 𝟕𝟓%
𝑸𝟏 = 𝟏𝟎𝟎%
Se calcula con la siguiente ecuación:
𝒏
#𝑸 × − 𝒇𝒂𝒂(𝒊−𝟏)
𝑸 = 𝑳𝒊 + ( 𝟒 )∗𝑨
𝒇𝒂𝒊
Nota: Para ubicar el intervalo que contiene 𝑸 se utiliza:
#𝑸∗𝒏
𝟒
2. El porcentaje respectivo se busca en el porcentaje acumulado.
3.4.1 EJERCICIO DE APRENDIZAJE:

Si nos piden el cuartil 1 del ejemplo 2, quedaría:
𝟏∗𝟒𝟕𝟎
𝑸𝟏 = → 𝑸𝟏 = 𝟏𝟏𝟕, 𝟓, en la 𝒇𝒂𝒂𝒊 está en 130 o el 25% está acá también
𝟒
(en la tabla es el intervalo azul); Reemplazando en la fórmula, se tiene:
𝟏𝟏𝟕, 𝟓 − 𝟑𝟎
93 𝑸𝟏 = 𝟔𝟎𝟎 + ( ) ∗ 𝟐𝟎𝟎 → 𝑸𝟏 = 𝟕𝟕𝟓
𝟏𝟎𝟎
Como está dado en miles de pesos: 𝟕𝟕𝟓 × 𝟏𝟎𝟎𝟎 = 𝟕𝟕𝟓. 𝟎𝟎𝟎
El 25% de los sueldos de los tecnólogos de Medellín es de $ 775.000 o menos.
1. 𝑫𝒆𝒄𝒊𝒍𝒆𝒔 (𝑫): “Dividen la distribución en 10 partes iguales” (Murray, 1995, p. 66).

La división se dará de la siguiente forma:
𝑫𝟏 = 𝟏𝟎%
𝑫𝟐 = 𝟐𝟎%
𝑫𝟑 = 𝟑𝟎%
𝑫𝟒 = 𝟒𝟎%
⋮
𝑫𝟏𝟎 = 𝟏𝟎𝟎%
𝒏
# 𝑫 ∗ 𝟏𝟎 − 𝒇𝒂𝒂(𝒊−𝟏)
𝑫 = 𝑳𝒊 + ( )∗𝑨
𝒇𝒂𝒊
Nota: Para ubicar el intervalo que contiene 𝑫 se utiliza:
#𝑫∗𝒏
𝟏𝟎
94 3.4.2 EJERCICIO DE APRENDIZAJE:

Determinar el Decil 3 del ejemplo 2:
Se tiene que:
𝟒𝟕𝟎
𝑫𝟑 = 𝟑 ∗ → 𝑫𝟑 = 𝟏𝟒𝟏, en la 𝒇𝒂𝒂𝒊 está en 185 o el 𝟑𝟎% está acá también (En la
𝟏𝟎
tabla es el intervalo de color marrón).
Reemplazando en la ecuación se tiene:
𝒏
#𝑫∗ − 𝒇𝒂𝒂(𝒊−𝟏) 𝟏𝟒𝟏 − 𝟏𝟑𝟎
𝑫𝟑 = 𝑳𝒊 + ( 𝟏𝟎 ) ∗ 𝑨 = 𝟖𝟎𝟎 + ( ) ∗ 𝟐𝟎𝟎 →
𝒇𝒂𝒊 𝟓𝟓
𝑫𝟑 = 𝟖𝟒𝟎
El 𝟑𝟎% de los sueldos de los tecnólogos de Medellín es de $ 𝟖𝟒𝟎. 𝟎𝟎𝟎 𝒐 𝒎𝒆𝒏𝒐𝒔.
1. 𝑷𝒆𝒓𝒄𝒆𝒏𝒕𝒊𝒍𝒆𝒔 (𝑷): “Dividen la distribución en 100 partes iguales”

(Murray, 1995, p. 66).
La división se dará de la siguiente forma:
𝑷𝟏 = 𝟏%
𝑷𝟐 = 𝟐%
𝑷𝟑 = 𝟑%
𝑷𝟒 = 𝟒%
⋮
𝑷𝟏𝟎𝟎 = 𝟏𝟎𝟎%
95 𝒏
# 𝑷 ∗ 𝟏𝟎𝟎 − 𝒇𝒂𝒂(𝒊−𝟏)
𝑷 = 𝑳𝒊 + ( )∗𝑨
𝒇𝒂𝒊
Nota: Para ubicar el intervalo que contiene 𝑫 se utiliza:
#𝑷∗𝒏
𝟏𝟎𝟎

Determinar el percentil 5 del ejemplo 2:
Se tiene que:
𝟒𝟕𝟎
𝑷𝟓 = 𝟓 ∗ → 𝑷𝟓 = 𝟐𝟑, 𝟓 En la 𝒇𝒂𝒂𝒊 está en 𝟑𝟎 𝒐 𝒆𝒍 𝟓% está acá también (En la
𝟏𝟎𝟎
tabla es el intervalo de color Fucsia).
Reemplazando en la ecuación se tiene:
𝟐𝟑, 𝟓 − 𝟎
𝑷𝟓 = 𝟒𝟎𝟎 + ( ) ∗ 𝟐𝟎𝟎 → 𝑷𝟓 = 𝟓𝟓𝟔, 𝟔𝟔𝟕
𝟑𝟎
Como está dado en miles de pesos:
𝑷𝟓 = 𝟓𝟓𝟔, 𝟔𝟔𝟕 ∗ 𝟏𝟎𝟎𝟎 → 𝑷𝟓 = 𝟓𝟓𝟔. 𝟔𝟔𝟕

El 𝟓% de los sueldos de los tecnólogos de Medellín es de $ 𝟓𝟓𝟔. 𝟔𝟔𝟕 𝒐 𝒎𝒆𝒏𝒐𝒔.

En cada uno de los siguientes ejercicios calcule e interprete las medidas de variabilidad y escriba
sus propias conclusiones:
1. Las siguientes son las notas de dos grupos de estadística de UNIREMINGTON, de una muestra
tomada al azar:
GRUPO I
𝒙𝒊 (𝒏𝒐𝒕𝒂) 𝒇𝒂𝒊 (# 𝒆𝒔𝒕𝒖𝒅𝒊𝒂𝒏𝒕𝒆𝒔)
1 4
2 11
3 10
4 5
5 12
𝑁𝑃: 𝑛𝑜 𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑎𝑟𝑜𝑛 𝑙𝑎 𝑝𝑟𝑢𝑒𝑏𝑎 4
GRUPO II
𝒙𝒊 (𝒏𝒐𝒕𝒂) 𝒇𝒂𝒊 (# 𝒆𝒔𝒕𝒖𝒅𝒊𝒂𝒏𝒕𝒆𝒔)
1 17
2 16
3 2
4 3
5 4
𝑁𝑃: 𝑛𝑜 𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑎𝑟𝑜𝑛 𝑙𝑎 𝑝𝑟𝑢𝑒𝑏𝑎 6
2. El entrenador de un equipo de atletismo está evaluando a tres estudiantes para poderlos

97 incluir en su equipo. Se hicieron competir a estos 3 atletas en 5 carreras de 500 mts. Y se obtuvieron
los siguientes resultados (en segundos):
𝑨𝑻𝑳𝑬𝑻𝑨 𝑻𝑰𝑬𝑴𝑷𝑶 ( 𝒆𝒏 𝒔𝒆𝒈𝒖𝒏𝒅𝒐𝒔)

𝟏 𝟔𝟏. 𝟑 𝟔𝟐. 𝟏 𝟔. 𝟏𝟕 𝟔𝟐. 𝟗 𝟔𝟑. 𝟐 𝟔𝟏. 𝟗
𝟐 𝟔𝟐. 𝟖 𝟔𝟑 𝟔𝟐. 𝟓 𝟔𝟏. 𝟗 𝟔𝟎. 𝟕 𝟔𝟏. 𝟎
𝟑 𝟔𝟏. 𝟗 𝟔𝟑. 𝟕 𝟔𝟐. 𝟗 𝟔𝟏. 𝟗 𝟔𝟏. 𝟓 𝟔𝟐. 𝟎
TIPS
Recuerde que: Una vez definidos los conceptos básicos en el
estudio de una distribución de frecuencias de una variable, se
estudiarán las distintas formas de resumir dichas distribuciones
mediante medidas de posición (o de centralización), teniendo
presente el error cometido en el resumen mediante las
correspondientes medidas de dispersión.
3.5 TEMA 4 MEDIDAS D E VARIABILIDAD O DISPERSIÓN PARA

DATOS CUANTITATIVOS
“Una medida de dispersión o variabilidad nos determina el grado de acercamiento o
distanciamiento de los valores de una distribución frente a su promedio de localización, sobre la
base de que:
Entre más grande sea el grado de variación, menores uniformidades tendrán los datos (sinónimo
de heterogeneidad) y por lo tanto menor representatividad o confiabilidad del promedio de
tendencia central o localización por haber sido obtenido de datos dispersos.
Por el contrario, si este valor es pequeño (respecto a la unidad de medida) entonces, hay una
gran uniformidad entre los datos. Cuando es cero quiere decir que todos los datos son iguales.
Hay básicamente dos tipos de medidas de dispersión: Medidas Absolutas y Medidas Relativas.
98
Las medidas absolutas se caracterizan por ser números concretos, es decir, valores expresados
en las mismas unidades de la variable en estudio y que por lo tanto no permiten comparaciones
o análisis respecto a la mayor o menor dispersión de series expresadas en diferentes unidades.
Estas medidas son: la varianza, la desviación estándar y el rango intercuartilico.
Las medidas relativas de dispersión son valores abstractos, es decir, medidas adimensionales y
por lo tanto no expresadas en ninguna unidad específica, obviando así el inconveniente señalado
para las medidas absolutas. La principal medida es el coeficiente de variación”.
Tomado de: Introducción a medidas de variabilidad - Probabilidad y

www.virtual.unal.edu.co/cursos/ciencias/2001065/.../cont_129_29.htm
Para tener una mejor comprensión de estos conceptos, veamos el siguiente ejemplo:
A continuación, se tiene el número de unidades producidas por hora durante un día por dos
operarios:
OPERARIO PRODUCCIÓN/HORA DURANTE UN DÍA
A 60 30 40 100 20 80 60 40
B 50 60 60 40 80 50 50 40
Para calcular el promedio (la media aritmética) de las unidades producidas por hora en el día de
cada operario, se aplica la fórmula correspondiente a la media aritmética, esto es:
 Operario A:
𝟔𝟎 + 𝟑𝟎 + 𝟒𝟎 + 𝟏𝟎𝟎 + 𝟐𝟎 + 𝟖𝟎 + 𝟔𝟎 + 𝟒𝟎 𝟒𝟑𝟎
𝝁𝑨 = → 𝝁𝑨 =
𝟖 𝟖
𝝁𝑨 = 𝟓𝟑. 𝟕𝟓 𝒖𝒏𝒊𝒅𝒂𝒅𝒆𝒔
 Operario B:
𝟓𝟎 + 𝟔𝟎 + 𝟔𝟎 + 𝟒𝟎 + 𝟖𝟎 + 𝟓𝟎 + 𝟓𝟎 + 𝟒𝟎 𝟒𝟑𝟎
𝝁𝑩 = → 𝝁𝑩 =
𝟖 𝟖
𝝁𝑩 = 𝟓𝟑. 𝟕𝟓 𝒖𝒏𝒊𝒅𝒂𝒅𝒆𝒔
99
De acuerdo a los resultados obtenidos, ambos operarios tienen el mismo promedio. Pero
analicemos algo adicional, se traza un diagrama de líneas para cada operario:
variabilidad con respecto al promedio
120
número de horas trabajadas
100
80 oper A
60 oper B
40 promedio
20
0
1 2 3 4 5 6 7 8
hora
Analizando el gráfico obtenido se tiene que: el operario A presenta mayor variación con respecto
al promedio que el operario B.
 Medidas de Dispersión o Variabilidad

Las medidas que vamos a ver a continuación tienen dos aplicaciones:
 Para analizar cómo varía un conjunto de datos con relación a su propio promedio.
 Para comparar la variabilidad de dos o más conjuntos de datos entre sí.
1. La Varianza
Se define como:
100 “La varianza es la medida aritmética del cuadrado de las desviaciones respecto a la
media de una distribución estadística”.
La varianza se representa por: 𝝈𝟐

Tomada de: Varianza – Vitutor www.vitutor.com/estadistica/descriptiva/a_15.html
La varianza se calcula de la siguiente manera:
a. Si los datos no están organizados en una tabla de frecuencias, la varianza se calcula así:
1. Como parámetro, es decir, si los datos se toman de una población:
𝟐
(𝒙𝟏 − 𝝁)𝟐 + (𝒙𝟐 − 𝝁)𝟐 + (𝒙𝟑 − 𝝁)𝟐 + ⋯ + (𝒙𝒏 − 𝝁)𝟐
𝝈 = →
𝑵
𝟐
∑(𝒙𝒊 − 𝝁)𝟐
𝝈 =
𝑵
2. Como estadística, es decir, si los datos se toman de una muestra:
𝟐
̅)𝟐 + (𝒙𝟐 − 𝒙
(𝒙𝟏 − 𝒙 ̅)𝟐 + (𝒙𝟑 − 𝒙
̅)𝟐 + ⋯ + (𝒙𝒏 − 𝒙
̅ )𝟐
𝑺 = →
𝒏−𝟏
𝟐
̅ )𝟐
∑(𝒙𝒊 − 𝒙
𝝈 =
𝒏−𝟏

En el ejemplo que se tiene sobre los operarios:
Recuerde que: 𝝁𝑨 = 𝟓𝟑. 𝟕𝟓 = 𝝁𝑩 = 𝟓𝟑. 𝟕𝟓
𝑶𝑷𝑬𝑹𝑨𝑹𝑰𝑶 𝑨
101 (𝒙𝒊 − 𝝁𝑨 )𝟐
𝒙𝒊
𝟔𝟎 (𝟔𝟎 − 𝟓𝟑. 𝟕𝟓)𝟐 = (𝟔. 𝟐𝟓)𝟐 = 𝟑𝟗, 𝟎𝟔𝟐𝟓
𝟑𝟎 (𝟑𝟎 − 𝟓𝟑. 𝟕𝟓)𝟐 = (−𝟐𝟑, 𝟕𝟓)𝟐 = 𝟓𝟔𝟒, 𝟎𝟔𝟐𝟓
𝟒𝟎 (𝟒𝟎 − 𝟓𝟑. 𝟕𝟓)𝟐 = (𝟏𝟑, 𝟕𝟓)𝟐 = 𝟏𝟖𝟗, 𝟎𝟔𝟐𝟓
𝟏𝟎𝟎 (𝟏𝟎𝟎 − 𝟓𝟑. 𝟕𝟓)𝟐 = (𝟒𝟔. 𝟐𝟓)𝟐 = 𝟐. 𝟏𝟑𝟗, 𝟎𝟔𝟐𝟓
𝟐𝟎 (𝟐𝟎 − 𝟓𝟑. 𝟕𝟓)𝟐 = (−𝟑𝟑. 𝟕𝟓)𝟐 = 𝟏𝟏𝟑𝟗, 𝟎𝟔𝟐𝟓
𝟖𝟎 (𝟖𝟎 − 𝟓𝟑. 𝟕𝟓)𝟐 = (𝟐𝟔. 𝟐𝟓)𝟐 = 𝟔𝟖𝟗, 𝟎𝟔𝟐𝟓
𝟔𝟎 (𝟔𝟎 − 𝟓𝟑. 𝟕𝟓)𝟐 = (𝟔. 𝟐𝟓)𝟐 = 𝟑𝟗, 𝟎𝟔𝟐𝟓
𝟒𝟎 (𝟒𝟎 − 𝟓𝟑. 𝟕𝟓)𝟐 = (𝟏𝟑, 𝟕𝟓)𝟐 = 𝟏𝟖𝟗, 𝟎𝟔𝟐𝟓
∑ = 𝟒𝟑𝟎 ∑ = 𝟒𝟗𝟖𝟕, 𝟓
∑ 𝒙𝒊 𝟒𝟑𝟎
𝝁𝑨 = → 𝝁𝑨 = → 𝝁𝑨 = 𝟓𝟑, 𝟕𝟓
𝑵 𝟖
𝟐(
∑(𝒙𝒊 − 𝝁)𝟐 𝟒𝟗𝟖𝟕, 𝟓
𝝈 𝑨) = → 𝝈𝟐 (𝑨) = → 𝝈𝟐 (𝑨) = 𝟔𝟐𝟑, 𝟒𝟑𝟖
𝑵 𝟖
𝑶𝑷𝑬𝑹𝑨𝑹𝑰𝑶 𝑩
102 (𝒙𝒊 − 𝝁𝑩 )𝟐
𝒙𝒊
𝟓𝟎 (𝟓𝟎 − 𝟓𝟑. 𝟕𝟓)𝟐 = (−𝟑, 𝟕𝟓)𝟐 = 𝟏𝟒, 𝟎𝟔𝟐𝟓
𝟔𝟎 (𝟔𝟎 − 𝟓𝟑. 𝟕𝟓)𝟐 = (𝟔, 𝟐𝟓)𝟐 = 𝟑𝟗, 𝟎𝟔𝟐𝟓
𝟔𝟎 (𝟔𝟎 − 𝟓𝟑. 𝟕𝟓)𝟐 = (𝟔, 𝟐𝟓)𝟐 = 𝟑𝟗, 𝟎𝟔𝟐𝟓
𝟒𝟎 (𝟒𝟎 − 𝟓𝟑. 𝟕𝟓)𝟐 = (−𝟏𝟑, 𝟕𝟓)𝟐 = 𝟏𝟖𝟗, 𝟎𝟔𝟐𝟓
𝟖𝟎 (𝟖𝟎 − 𝟓𝟑. 𝟕𝟓)𝟐 = (𝟐𝟔, 𝟐𝟓)𝟐 = 𝟔𝟖𝟗, 𝟎𝟔𝟐𝟓
𝟓𝟎 (𝟓𝟎 − 𝟓𝟑. 𝟕𝟓)𝟐 = (−𝟑, 𝟕𝟓)𝟐 = 𝟏𝟒, 𝟎𝟔𝟐𝟓
𝟓𝟎 (𝟓𝟎 − 𝟓𝟑. 𝟕𝟓)𝟐 = (−𝟑, 𝟕𝟓)𝟐 = 𝟏𝟒, 𝟎𝟔𝟐𝟓
𝟒𝟎 (𝟒𝟎 − 𝟓𝟑. 𝟕𝟓)𝟐 = (−𝟏𝟑, 𝟕𝟓)𝟐 = 𝟏𝟖𝟗, 𝟎𝟔𝟐𝟓
∑ = 𝟒𝟑𝟎 ∑ = 𝟏𝟏𝟖𝟕, 𝟓
∑ 𝒙𝒊 𝟒𝟑𝟎
𝝁𝑩 = → 𝝁𝑩 = → 𝝁𝑩 = 𝟓𝟑, 𝟕𝟓
𝑵 𝟖
𝟐(
∑(𝒙𝒊 − 𝝁)𝟐 𝟏𝟏𝟖𝟕, 𝟓
𝝈 𝑩) = → 𝝈𝟐 (𝑩) = → 𝝈𝟐 (𝑨) = 𝟏𝟒𝟖, 𝟒𝟑𝟖
𝑵 𝟖
b. si los datos están organizados en una tabla de frecuencias, la varianza se calcula:

103
(𝒙𝟏 − 𝝁)𝟐 𝒇𝒂𝟏 + (𝒙𝟐 − 𝝁)𝟐 𝒇𝒂𝟐 + (𝒙𝟑 − 𝝁)𝟐 𝒇𝒂𝟑 + ⋯ + (𝒙𝒏 − 𝝁)𝟐 𝒇𝒂𝒏
𝝈𝟐 =
𝑵
𝟐
∑(𝒙𝒊 − 𝝁)𝟐 𝒇𝒂𝒊
𝝈 =
𝑵
2. Como estadística, es decir, si los datos se toman de una muestra:
̅)𝟐 𝒇𝒂𝟏 + (𝒙𝟐 − 𝒙

(𝒙𝟏 − 𝒙 ̅)𝟐 𝒇𝒂𝟐 + (𝒙𝟑 − 𝒙
̅)𝟐 𝒇𝒂𝟑 + ⋯ + (𝒙𝒏 − 𝒙
̅)𝟐 𝒇𝒂𝒏
𝝈𝟐 =
𝒏−𝟏
𝟐
̅)𝟐 𝒇𝒂𝒊
∑(𝒙𝒊 − 𝒙
𝝈 =
𝒏−𝟏

En el caso de los operarios, se tiene:
 OPERARIO A
𝒙𝒊 𝒇𝒂 𝒊 𝒙𝒊 ∗ 𝒇𝒂𝒊 (𝒙𝒊 − 𝝁)𝟐 𝒇𝒂𝒊
𝟐𝟎 𝟏 𝟐𝟎 ∗ 𝟏 = 𝟐𝟎 (𝟐𝟎 − 𝟓𝟑, 𝟕𝟓)𝟐 ∗ 𝟏 = (−𝟑𝟑, 𝟕𝟓)𝟐 ∗ 𝟏 = 𝟏𝟏𝟑𝟗, 𝟎𝟔𝟐𝟓
𝟑𝟎 𝟏 𝟑𝟎 ∗ 𝟏 = 𝟑𝟎 (𝟑𝟎 − 𝟓𝟑, 𝟕𝟓)𝟐 ∗ 𝟏 = (−𝟐𝟑, 𝟕𝟓)𝟐 ∗ 𝟏 = 𝟓𝟔𝟒, 𝟎𝟔𝟐𝟓
𝟒𝟎 𝟐 𝟒𝟎 ∗ 𝟐 = 𝟖𝟎 (𝟒𝟎 − 𝟓𝟑, 𝟕𝟓)𝟐 ∗ 𝟐 = (−𝟏𝟑, 𝟕𝟓)𝟐 ∗ 𝟐 = 𝟑𝟕𝟖, 𝟏𝟐𝟓
𝟔𝟎 𝟐 𝟔𝟎 ∗ 𝟐 = 𝟏𝟐𝟎 (𝟔𝟎 − 𝟓𝟑, 𝟕𝟓)𝟐 ∗ 𝟐 = (𝟔, 𝟐𝟓)𝟐 ∗ 𝟐 = 𝟕𝟖, 𝟏𝟐𝟓

104 𝟖𝟎 𝟏 𝟖𝟎 ∗ 𝟏 = 𝟖𝟎 (𝟖𝟎 − 𝟓𝟑, 𝟕𝟓)𝟐 ∗ 𝟏 = (𝟐𝟔, 𝟐𝟓)𝟐 ∗ 𝟏 = 𝟔𝟖𝟗, 𝟎𝟔𝟐𝟓
𝟏𝟎𝟎 𝟏 𝟏𝟎𝟎 ∗ 𝟏 = 𝟏𝟎𝟎 (𝟏𝟎𝟎 − 𝟓𝟑, 𝟕𝟓)𝟐 ∗ 𝟏 = (𝟒𝟔, 𝟐𝟓)𝟐 ∗ 𝟏 = 𝟐𝟏𝟑𝟗, 𝟎𝟔𝟐𝟓
𝑵=𝟖 ∑ = 𝟒𝟑𝟎 ∑ = 𝟒𝟗𝟖𝟕, 𝟓
∑ 𝒙𝒊 ∗ 𝒇𝒂𝒊 𝟒𝟑𝟎
𝝁𝑨 = = = 𝟓𝟑, 𝟕𝟓
𝑵 𝟖
𝟐
∑(𝒙𝒊 − 𝝁)𝟐 𝒇𝒂𝒊 𝟒𝟗𝟖𝟕, 𝟓
𝝈 = = = 𝟔𝟐𝟑, 𝟒𝟑𝟖
𝑵 𝟖
 OPERARIO B
𝒙𝒊 𝒇𝒂 𝒊 𝒙𝒊 ∗ 𝒇𝒂𝒊 (𝒙𝒊 − 𝝁)𝟐 𝒇𝒂𝒊
𝟒𝟎 𝟐 𝟒𝟎 ∗ 𝟐 = 𝟖𝟎 (𝟒𝟎 − 𝟓𝟑, 𝟕𝟓)𝟐 ∗ 𝟏 = (−𝟏𝟑, 𝟕𝟓)𝟐 ∗ 𝟐 = 𝟑𝟕𝟖, 𝟏𝟐𝟓
𝟓𝟎 𝟑 𝟓𝟎 ∗ 𝟑 = 𝟏𝟓𝟎 (𝟓𝟎 − 𝟓𝟑, 𝟕𝟓)𝟐 ∗ 𝟏 = (−𝟑, 𝟕𝟓)𝟐 ∗ 𝟑 = 𝟒𝟐, 𝟏𝟖𝟕𝟓
𝟔𝟎 𝟐 𝟔𝟎 ∗ 𝟐 = 𝟏𝟐𝟎 (𝟔𝟎 − 𝟓𝟑, 𝟕𝟓)𝟐 ∗ 𝟐 = (𝟔, 𝟐𝟓)𝟐 ∗ 𝟐 = 𝟕𝟖, 𝟏𝟐𝟓
𝟖𝟎 𝟏 𝟖𝟎 ∗ 𝟏 = 𝟖𝟎 (𝟖𝟎 − 𝟓𝟑, 𝟕𝟓)𝟐 ∗ 𝟐 = (𝟐𝟔, 𝟐𝟓)𝟐 ∗ 𝟏 = 𝟔𝟖𝟗, 𝟎𝟔𝟐𝟓
𝑵=𝟖 ∑ = 𝟒𝟑𝟎 ∑ = 𝟏𝟏𝟖𝟕, 𝟓

∑ 𝒙𝒊 ∗ 𝒇𝒂𝒊 𝟒𝟑𝟎
105 𝝁𝑩 = = = 𝟓𝟑, 𝟕𝟓
𝑵 𝟖
𝟐
∑(𝒙𝒊 − 𝝁)𝟐 𝒇𝒂𝒊 𝟏𝟏𝟖𝟕, 𝟓
𝝈 = = = 𝟏𝟒𝟖, 𝟒𝟑𝟖
𝑵 𝟖
 Procedimiento para calcular la Varianza

A continuación, se da el paso a paso seguido para obtener el valor de la varianza:
Cálculo de la Varianza
̅
1. Se calcula el promedio o Media Aritmética 𝝁 𝒐 𝒙.
2. Se calcula la Desviación de cada dato con respecto al promedio y este resultado se

eleva al cuadrado: (𝒙𝒊 − 𝝁)𝟐 𝒐 (𝒙𝒊 − 𝒙 ̅)𝟐
3. Cada una de las Desviaciones anteriores se multiplican por la frecuencia absoluta, en

caso de que exista:
(𝒙𝒊 − 𝝁)𝟐 ∗ 𝒇𝒂𝒊 𝒐 (𝒙𝒊 − 𝒙

̅ ) 𝟐 ∗ 𝒇𝒂 𝒊
4. Se suman, para cada caso, los anteriores resultados.

5. Esta sumatoria se divide por el número de datos, 𝑵 𝒐 𝒏 − 𝟏, según el caso.
Nota: Como se puede observar, la varianza en unidades al cuadrado, esto

resulta ilógico y no se puede interpretar, por esta razón se creó la siguiente
medida de variación: La Desviación Estándar
2. DESVIACIÓN ESTÁNDAR
106
También se conoce como Desviación Típica, se define como:
“La raíz cuadrada de la varianza. Expresa la dispersión de la distribución y se expresa en las

mismas unidades de medida de la variable. La desviación típica es la medida de dispersión más
utilizada en estadística”.
(http://www.fisterra.com/mbe/investiga/10descriptiva/10descriptiva.asp#introduccion)
La varianza se calcula de la siguiente manera:
a. Si los datos no están organizados en una tabla de frecuencias, la varianza se calcula así:
(𝒙𝟏 − 𝝁)𝟐 𝒇𝒂𝟏 + (𝒙𝟐 − 𝝁)𝟐 𝒇𝒂𝟐 + (𝒙𝟑 − 𝝁)𝟐 𝒇𝒂𝟑 + ⋯ + (𝒙𝒏 − 𝝁)𝟐 𝒇𝒂𝒏
𝝈= √
𝑁
2. Como estadística, es decir, si los datos se toman de una muestra.
̅)𝟐 𝒇𝒂𝟏 + (𝒙𝟐 − 𝒙

(𝒙𝟏 − 𝒙 ̅)𝟐 𝒇𝒂𝟐 + (𝒙𝟑 − 𝒙
̅)𝟐 𝒇𝒂𝟑 + ⋯ + (𝒙𝒏 − 𝒙
̅ ) 𝟐 𝒇𝒂 𝒏
𝑺= √
𝑛−1
Para el ejercicio de aprendizaje, con los operarios A y B, la desviación estándar quedaría:
 𝑶𝑷𝑬𝑹𝑨𝑹𝑰𝑶 𝑨: 𝝈 = √𝟔𝟐𝟑, 𝟒𝟑𝟖 = 𝟐𝟒, 𝟗𝟔𝟗

Esto es: El número de unidades producidas por hora durante día del operario A tiene una
desviación promedio de 24,964 unidades con relación a su promedio 53,75.
 𝑶𝑷𝑬𝑹𝑨𝑹𝑰𝑶 𝑩: 𝝈 = √𝟏𝟒𝟖, 𝟒𝟑𝟖 = 𝟏𝟐, 𝟏𝟖𝟒

Esto es: El número de unidades producidas por hora durante día del operario B tiene una
desviación promedio de 12,184 unidades con relación a su promedio 53,75.
107 Nota: La desviación estándar es útil, siempre y cuando se estén comparando

conjuntos de datos que tengan promedios similares y que sean las mismas unidades
de investigación como en el ejemplo de los dos operarios, pero cuando los promedios
y las unidades de investigación son diferentes, no basta con esta medida; por
ejemplo, si se está comparando el número de unidades producidas por hora de un
operario y el suelo de otro operario, no se podrían comparar las variaciones de estos.

 Un operario C produce en promedio 40 unidades por hora, con una desviación estándar de 5.
 Otro operario D produce en promedio 160 unidades por hora, con una desviación estándar
de 15.
A simple vista parece ser que el operario D tiene 3 veces más variabilidad que el operario C; pero
debe tenerse en cuenta que el operario D produce unidades en promedio 4 veces más que el
operario C; para evaluar este tipo de resultados se tiene un elemento denominado Coeficiente
de Dispersión o de variación, cuya conceptualización es la siguiente:
 COEFICIENTE DE DISPERSIÓN O DE VARIACIÓN (C. V)
Es conocida como variación relativa, puesto que muestra en qué porcentaje está variando un
conjunto de datos; es decir, que no está expresado en las unidades de investigación, se calcula
de la siguiente forma:
𝝈
 𝐶. 𝑽 = 𝒙̅ ∗ 𝟏𝟎𝟎 (𝒑𝒂𝒓𝒂 𝒖𝒏𝒂 𝒑𝒐𝒃𝒍𝒂𝒄𝒊ó𝒏)
𝑺
 𝑪. 𝑽 = 𝒙̅ ∗ 𝟏𝟎𝟎 (𝒑𝒂𝒓𝒂 𝒖𝒏𝒂 𝒎𝒖𝒆𝒔𝒕𝒓𝒂)
Para el ejercicio anterior:
𝟓
 𝐶. 𝑽𝑪 = 𝟒𝟎 ∗ 𝟏𝟎𝟎 = 𝟏𝟐. 𝟓%
𝟏𝟓
 𝐶. 𝑽𝑫 = 𝟏𝟔𝟎 ∗ 𝟏𝟎𝟎 = 𝟗. 𝟒%
Se concluye, entonces, que el operario D presenta menor variabilidad.
Para el ejemplo de los operarios A y B:

 𝐶. 𝑽𝑨 =
𝟐𝟒,𝟗𝟔𝟗
∗ 𝟏𝟎𝟎 = 𝟒𝟔, 𝟒𝟓𝟒 %
108 𝟓𝟑,𝟕𝟓
 𝐶. 𝑽𝑩 =
𝟏𝟐,𝟏𝟖𝟒
𝟓𝟑,𝟕𝟓
∗ 𝟏𝟎𝟎 = 𝟐𝟐, 𝟔𝟔𝟖 %

Para un conjunto de datos agrupados:
A continuación, se dan las edades de los empleados de una empresa:
𝑳𝒊 𝑳𝒔 𝒇𝒂 𝒊 𝒙𝒊 𝒙 𝒊 ∗ 𝒇𝒂 𝒊 ( 𝒙 𝒊 − 𝝁 ) 𝟐 ∗ 𝒇𝒂 𝒊
18 23 7 20,5 143,5 1411,08243
23 28 20 25,5 510 1692,06408
28 33 15 30,5 457,5 264,34806
33 38 7 35,5 248,5 4,502428
38 43 4 40,5 162 134,652816
43 48 25 45,5 1137,5 2917,0801
48 53 3 50,5 151,5 749,109612
𝑵 = 𝟖𝟏 ∑ 𝟐𝟖𝟏𝟎. 𝟓 ∑ 𝟕𝟏𝟕𝟐. 𝟖𝟒
∑ 𝒙𝒊 ∗𝒇𝒂𝒊 𝟐𝟖𝟏𝟎.𝟓
109 𝝁= = = 𝟑𝟒, 𝟔𝟗𝟖 Promedio de edad de los empleados.
𝑵 𝟖𝟏
∑(𝒙𝒊 −𝝁)𝟐 𝒇𝒂𝒊 𝟕𝟏𝟕𝟐,𝟖𝟒
𝟐
𝝈 = = = 𝟖𝟖, 𝟓𝟓𝟒 , no se interpreta.
𝑵 𝟖𝟏
𝝈 = √𝝈𝟐 = √𝟖𝟖, 𝟓𝟓𝟒 = 𝟗, 𝟒𝟏

𝟗,𝟒𝟏
𝑪. 𝑽 = ∗ 𝟏𝟎𝟎 = 𝟐𝟕, 𝟏𝟐𝟕% Porcentaje de variación.
𝟑𝟒,𝟔𝟗𝟖
Las edades de los empleados de la empresa tienen una Desviación Promedio de 9,41 años, con
relación al promedio que es de 34,689 años.

1. El gerente de una empresa comercializadora tiene el record de las ventas de sus 3
vendedores durante los últimos 5 meses (en millones de pesos)
Mónica 88 68 90 101 89
Alex 77 89 90 87 78
Sandra 104 88 88 88 123
Calcule: Varianza, Desviación Estándar y coeficiente de Variación o Dispersión.
2. Los siguientes son los ingresos semanales (en millones de pesos) de 2 centros de atención
psicológica durante los últimos 2 años, de acuerdo con una muestra aleatoria:
CENTRO PSICOLÓGICO A CENTRO PSICOLÓGICO B

110 𝑳𝑰 𝑳𝑺 𝑭𝒂𝒊 𝑳𝑰 𝑳𝑺 𝑭𝒂𝒊
0 1 13 0 1 33
1 2 40 1 2 10
2 3 10 2 3 10
3 4 24 3 4 40
4 5 3 4 5 7
3. Seleccione la respuesta correcta:
a. Los ingresos más frecuentes del Centro psicológico A están en el intervalo:

1. De 0 a 1
2. De 1 a 2
3. De 3 a 4
b. Los ingresos menos frecuentes del Centro psicológico A están en el intervalo:

1. De 2 a 3
2. De 4 a 5
3. De 2 a 3
c. Los ingresos más frecuentes del Centro psicológico B están en el intervalo:

1. De 4 a 5
2. De 1 a 2
3. De 3 a 4
d. Los ingresos menos frecuentes del Centro psicológico B están dos intervalos:
1. Verdadero
2. Falso
e. Los ingresos menores de los dos Centros psicológicos están en el intervalo:

111 1. De 0 a 1
2. De 1 a 2
3. De 3 a 4
f. Los ingresos mayores de los dos Centros psicológicos están en el intervalo:

1. De 4 a 5
2. De 1 a 2
3. De 3 a 4
g. Se puede afirmar que el Centro psicológico B tuvo el mayor promedio de ingresos:

1. Verdadero
2. Falso
TIPS
Recuerde que: Hay básicamente dos tipos de medidas de
dispersión: Medidas Absolutas y Medidas Relativas.
Las medidas absolutas se caracterizan por ser números

concretos, es decir, valores expresados en las mismas unidades
de la variable en estudio y que por lo tanto no permiten
comparaciones o análisis respecto a la mayor o menor
dispersión de series expresadas en diferentes unidades. Estas
medidas son: la varianza, la desviación estándar u el rango
intercuartilico.
Las medidas relativas de dispersión son valores abstractos, es

decir, medidas adimensionales y por lo tanto no expresadas en
ninguna unidad específica, obviando así el inconveniente
señalado para las medidas absolutas. La principal medida es el
coeficiente de variación”.
112 4 UNIDAD 4 PROBABILIDAD

 Video: Análisis Combinatorio, conteo de números
 “Ver Video”: https://www.youtube.com/watch?v=yT48gzUEpz0
4.1.1 DEFINICIÓN DE CONCEPTOS

Probabilidad: La probabilidad es un método por el cual se obtiene la frecuencia de un
acontecimiento determinado mediante la realización de un experimento aleatorio, del que
se conocen todos los resultados posibles, bajo condiciones suficientemente estables.
Evento simple: Un suceso o evento simple es un subconjunto del espacio muestral que
113 contiene un único elemento.
Evento compuesto: Evento que incluye dos o más eventos independientes.
Regla de adición: La regla de la adición o regla de la suma establece que la probabilidad de

ocurrencia de cualquier evento en particular es igual a la suma de las probabilidades
individuales, si es que los eventos son mutuamente excluyentes, es decir, que dos no pueden
ocurrir al mismo tiempo.
Regla de Multiplicación: La regla de la multiplicación establece que la probabilidad de

ocurrencia de dos o más eventos estadísticamente independientes es igual al producto de
sus probabilidades individuales.
Permutación: En matemáticas, una permutación es la variación del orden o de la disposición

de los elementos de un conjunto.
Combinación: Técnica de conteo que permite calcular el número de arreglos que pueden
realizarse con todos o con una parte de los elementos de un solo conjunto, en donde no
interesa el orden de los elementos.
Definiciones tomadas de: Wikipedia, la enciclopedia libre es.wikipedia.org/wiki

Realizar correctamente una distribución de probabilidades, diferenciando variables discretas
y variables continuas.
4.1.3 OBJETIVOS ESPECÍFICOS

 Analizar experimentos aleatorios de una o más variables, es decir, la probabilidad de
ocurrencia de un proceso.
 Determinar a través del análisis combinatorio, como método rápido y eficaz, el conteo
del número de maneras o formas en que pueden ordenarse o seleccionarse elementos de
un conjunto, con elementos tales como: La Permutación, La Variación y La Combinación
114 4.2 TEMA 1 INTRODUCCIÓN A LAS PROBABILIDADES

La estadística probabilística es una de las subdivisiones de la matemática, que consiste en
el estudio de experimentos aleatorios, del que se conocen todos los resultados posibles
bajo condiciones suficientemente estables de una o más variables, por medio del cual se
obtienen las frecuencias de un acontecimiento, es decir, la probabilidad de ocurrencia de
un suceso. Para que un experimento sea aleatorio, se deben dar dos hechos fundamentales:
 Se debe tener un espacio muestral, en la cual se encuentran los diferentes resultados

que pueden suceder, y
 Que los resultados de repeticiones no tienen un comportamiento igual o predecible.
La Probabilística se utiliza extensamente en muchas áreas del conocimiento para sacar

conclusiones sobre la probabilidad discreta de sucesos potenciales y la mecánica
subyacente discreta de sistemas complejos, por lo tanto, se puede definir como:
La rama de las matemáticas que: estudia, mide o determina los experimentos o fenómenos
aleatorios.
Otros conceptos considerados en la probabilística son los siguientes:
 La frecuencia relativa con que se presenta un evento se puede llegar a repetir una cierta
cantidad de veces, y el otro es que
 La probabilidad inductiva, es el grado de credibilidad a una proporción que describe un

evento dependiendo de la evidencia de los hechos.
4.2.1 EL PAPEL DE LA PROBABILIDAD EN LA ESTADÍSTICA

A continuación, se determinarán los diferentes conceptos, métodos y análisis de la
estadística por medio de la probabilística, fundamentales para todo individuo a la hora de
observar el comportamiento del objeto de estudio.
 Definición de Probabilística
La probabilidad mide la frecuencia con la que ocurre un resultado en un experimento bajo
condiciones suficientemente estables, para sacar conclusiones sobre la probabilidad de
sucesos potenciales y la mecánica subyacente de sistemas complejos, en otras palabras, es

115 la posibilidad de ocurrencia de un suceso.
 Espacio muestral y eventos

Antes de entrar a definir el Espacio muestral, se definirá lo que es un fenómeno o
experimento aleatorio:
 Fenómeno o experimento aleatorio

Un experimento es el resultado o relación de un conjunto de condiciones denominados
fenómenos o experimentos.
Existen dos tipos de experimentos:
FENÓMENOS EJEMPLOS
Determinísticos Los movimientos de los planetas, las leyes,

normas, decretos, entre otros.
Aleatorios Los juegos de azar.
 Espacio Muestral
Es el conjunto de todos los resultados posibles de una experiencia aleatoria. Se puede

representar con: 𝑼, 𝑬 𝒐 𝛀.
Cada elemento de 𝑼, 𝑬 𝒐 𝛀 se denomina punto muestral o evento simple (para nuestro

proceso se utilizará la letra griega 𝛀).
Por ejemplo:
1. El Espacio muestral de una moneda está dado por:
𝛀 = {Cara, sello}→ 𝛀 = {𝐜, 𝐬}
2. El Espacio muestral de un dado está dado por:

𝛀 = {1, 2, 3, 4, 5, 6}
116
Nota: Se define como un Suceso Aleatorio (Evento Simple) a cualquier subconjunto del
Espacio Muestral, se representa con una letra mayúscula, por ejemplo, que:
 Al lanzar la moneda caiga cara (suceso aleatorio), esto es:

{𝐜} ⊂ 𝛀: C es subconjunto del espacio muestral 𝛀
 Al lanzar el dado caiga sello (suceso aleatorio), esto es:
{𝐬} ⊂ 𝛀: s es subconjunto del espacio muestral 𝛀
 Al lanzar la moneda caiga el número dos (suceso aleatorio), esto es:
{𝟐} ⊂ 𝛀: 2 es subconjunto del espacio muestral 𝛀
 Al lanzar la moneda caiga el número 5 (suceso aleatorio), esto es:
{𝟓} ⊂ 𝛀: 5 es subconjunto del espacio muestral 𝛀
A continuación, se presenta un ejercicio de Espacio Muestral, tomado de: Espacio muestral

www.ditutor.com/probabilidad/espacio_muestral.html
Una bolsa contiene bolas blancas y negras, se extraen sucesivamente tres bolas, entonces se
da el siguiente evento:
𝛀
= {(𝐛, 𝐛, 𝐛), (𝐛, 𝐛, 𝐧), (𝐛, 𝐧, 𝐛), (𝐧, 𝐛, 𝐛), (𝐛, 𝐧, 𝐧), (𝐧, 𝐛, 𝐧), (𝐧, 𝐧, 𝐛), (𝐧, 𝐧, 𝐧)}
Se piden tres sucesos aleatorios:
a. El suceso 𝐀 = { 𝐄𝐱𝐭𝐫𝐚𝐞𝐫 𝐭𝐫𝐞𝐬 𝐛𝐨𝐥𝐚𝐬 𝐝𝐞𝐥 𝐦𝐢𝐬𝐦𝐨 𝐜𝐨𝐥𝐨𝐫}
𝐀 = {(𝐛, 𝐛, 𝐛), (𝐧, 𝐧, 𝐧)}
𝐀 ⊂ 𝛀: 𝑨 𝒆𝒔 𝒔𝒖𝒃𝒄𝒐𝒏𝒋𝒖𝒏𝒕𝒐 𝒅𝒆 𝛀.
b. El suceso 𝐁 = { 𝐄𝐱𝐭𝐫𝐚𝐞𝐫 𝐚𝐥 𝐦𝐞𝐧𝐨𝐬 𝐮𝐧𝐚 𝐛𝐨𝐥𝐚 𝐛𝐥𝐚𝐧𝐜𝐚}
𝐁 = {(𝐛, 𝐛, 𝐛), (𝐛, 𝐛, 𝐧), (𝐛, 𝐧, 𝐛), (𝐧, 𝐛, 𝐛), (𝐛, 𝐧, 𝐧), (𝐧, 𝐛, 𝐧), (𝐧, 𝐧, 𝐛)}
𝐁 ⊂ 𝛀: 𝑩𝒆𝒔 𝒔𝒖𝒃𝒄𝒐𝒏𝒋𝒖𝒏𝒕𝒐 𝒅𝒆 𝛀
117
c. El suceso 𝐂 = { 𝐄𝐱𝐭𝐫𝐚𝐞𝐫 𝐮𝐧𝐚 𝐬𝐨𝐥𝐚 𝐛𝐨𝐥𝐚 𝐧𝐞𝐠𝐫𝐚}
𝐂 = {(𝐛, 𝐛, 𝐧), (𝐛, 𝐧, 𝐛), (𝐧, 𝐛, 𝐛)}
𝐂 ⊂ 𝛀: 𝑪 𝒆𝒔 𝒔𝒖𝒃𝒄𝒐𝒏𝒋𝒖𝒏𝒕𝒐 𝒅𝒆 𝛀
 Clasificación de los eventos

Antes de entrar a clasificar los eventos, analicemos las definiciones de algunos sucesos, de
gran importancia para el proceso de la Probabilística.
SUCESO CONCEPTO EJEMPLO
SUCESO ELEMENTAL Cada uno de los Lanzando una moneda al aire,

elementos que puede caer cara.
forman parte del
espacio muestral.
SUCESO COMPUESTO Cualquier Lanzando una moneda al aire,

subconjunto del puede caer cara o puede caer
espacio muestral. sello (uno de los dos, no los dos
al tiempo).
SUCESO SEGURO Es el Espacio muestral Al tirar un dado, obtener una

(Conformado por puntuación meno r o igual a seis.
todos los posibles
resultados).
SUCESO IMPOSIBLE Es aquel que no tiene Lanzar un dado y obtener 7 como

ningún elemento resultado.
(carece de
elementos), se
118 representa por la letra
griega 𝝓, que significa
conjunto vacío.
SUCESOS COMPATIBLES Se dice que dos Sean:

sucesos A y B son
Compatibles cuando A: Sacar puntos pares al tirar un
tienen algún elemento dado, y
(suceso) en común.
B: Obtener un múltiplo de 3.
Se da la compatibilidad, ya que se
puede obtener el 6 y este es par
y múltiplo de 6.
SUCESOS INCOMPATIBLES Se dice que dos Sean:

sucesos A y B son
Incompatibles cuando A: Sacar puntos pares al tirar un
no tienen ningún dado, y
elemento (suceso) en
B: Obtener un múltiplo de 5.
común.
Se da la incompatibilidad, ya que
es imposible que se de este
resultado.
SUCESOS INDEPENDIENTES Se dice que dos Si se lanzan dos monedas al aire,

sucesos A y B son el resultado obtenido es
Independientes, independiente para cada caso.
cuando la probabilidad
de lo que suceda con
A, no se ve afectada
por lo que haya
sucedido con B.
119 SUCESOS DEPENDIENTES Dos sucesos A y B son Extraer dos caratas de una
Dependientes cuando baraja, sin reposición, son dos
la probabilidad de que sucesos dependientes.
suceda A, se ve
afectada por que haya
sucedido o no B.
SUCESO CONTRARIO El suceso Contrario de Cuando se lanza un dado, se

A, es otro que se entiende por sucesos contrarios,
realiza cuando no se sacar par e impar al mismo
da A. Se representa tiempo. Son sucesos que no se
como 𝑨 ̅. pueden dar simultáneamente.
Dados estos conceptos fundamentales, entremos a definir, como se pueden descomponer

los resultados básicos de un experimento.
Estos se pueden dar como:
a. Eventos Simples
Se definen como la forma simple de representar un evento o experimento.
Es un subconjunto del espacio muestral que contiene un solo elemento, por ejemplo:
1. Si se trata de contar objetos o cosas y el espacio muestral es:
𝛀 = {𝟏, 𝟐, 𝟑, 𝟒, … }, o sea el conjunto de los números Naturales, los sucesos

elementales estarían dados por cada uno de los conjuntos {𝐤}, donde 𝐤 𝛜 ℕ.
2. Si se lanza una moneda dos veces, el espacio muestral está dado por:
𝛀 = {𝐜𝐜, 𝐜𝐬, 𝐬𝐜, 𝐬𝐬}, donde C: cara y S: sello, los sucesos simples o elementales
son, entonces:
{𝐜𝐜}, {𝐜𝐬}, {𝐬𝐜}, {𝐬𝐬}

3. Si 𝑥 es una Variable Aleatoria Normalmente Distribuida, el campo muestral sería

120 entonces:
𝛀 = (−∞, +∞) y en los números Reales los sucesos simples o

elementales son todos los conjuntos {𝐱}, donde 𝐱 𝛜 𝑹𝒆 .
4. Otras características:
Los sucesos elementales pueden tener probabilidades que son:

 Estrictamente mayores que cero,
 No definidas,
 Cualquier combinación de estas.
Ejemplo: La probabilidad de cualquier Variable Aleatoria Discreta, está determinada por las
probabilidades asignadas a los sucesos elementales del experimento que determina la
variable.
Cualquier suceso elemental tiene probabilidad cero en cualquier Variable Aleatoria

Continua.
Existen Distribuciones Mixtas que no son completamente Continuas, ni completamente

Discretas, entre las que pueden darse ambas situaciones.
b. Evento Compuesto
Puede considerarse que un evento es una composición de dos o más eventos distintos. Se
da de dos formas:
1. Unión
La Unión de dos eventos 𝑨 𝒚 𝑩 , es el evento de que ocurre 𝑨 o 𝑩, o ambos

ocurren en una sola realización del experimento. Se representa por ∪.
2. Intersección
121
La intersección de dos eventos 𝑨 𝒚 𝑩 es el evento que ocurre si tanto 𝑨 como 𝑩
tienen elementos en común. Se representa por ∩.
3. Eventos Complementarios
Dos eventos son complementarios cuando su unión es igual al espacio muestral.
REGLAS DE PROBABILIDADES PARA UNIONES E INTERSECCIONES
a. Regla de la Adición
Regla especial de la adición, se establece que dos eventos 𝑨 𝒚 𝑩 son mutuamente

excluyentes, la probabilidad de que uno u otro evento ocurra es igual a la suma de sus
probabilidades
La ocurrencia de al menos dos sucesos 𝑨 𝒚 𝑩 es la siguiente:

𝑷(𝑨 𝒐 𝑩) = 𝑷(𝑨) ∪ 𝑷(𝑩) = 𝑷(𝑨) + 𝑷(𝑩)
Si son mutuamente excluyentes, entonces:
𝑷(𝑨 𝒐 𝑩) = 𝑷(𝑨) ∪ 𝑷(𝑩) = 𝑷(𝑨) + 𝑷(𝑩) − 𝑷(𝑨 𝒚 𝑩)
b. Regla de la Multiplicación
Para la probabilidad de la ocurrencia conjunta de 𝑨 𝒚 𝑩, se da de las siguientes formas:

1) Si los eventos son independientes:
122 Si 𝑨 𝒚 𝑩 son eventos independientes, entonces:
P(A ∩ B) = P(A) • P (B).

En general, para cualquier número de eventos independientes, la probabilidad de que
todos los eventos sucedan es el producto de las probabilidades de que sucedan los
eventos individuales.
Ejemplo tomado de: Probabilidad de Eventos Independientes

www.montereyinstitute.org/courses/.../U12_L2_T2_text_final_es.htm

Problema Beth tiene 10 pares de calcetines: 2 negros, 2 cafés, 3 blancos, 1 rojo, 1 azul,
y 1 verde. Hoy quiere usar el par blanco, pero tiene prisa para llegar al trabajo, por lo que
agarra un para al azar. Si no es blanco, lo devolverá al cajón. Si continúa agarrando pares
aleatoriamente, ¿Cuál es la probabilidad de sacar un par blando en su tercer intento?
Evento A: un par de calcetines que no son blancos
Evento B: un par de calcetines que no son blancos
Evento C: un par de calcetines que son blancos
Primero, definimos los eventos. Como queremos que ella saque unos blancos en su tercer
intento, es necesario que no saque blancos en su primer y segundo intentos
Los eventos son independientes, porque cada resultado eliminado es reemplazado. Los
eventos anteriores no cambian las probabilidades de eventos posteriores
Ahora revisa si son independientes. Beth elimina un resultado cuando saca un par de
calcetines, pero luego lo regresa al cajón, entonces las probabilidades no cambiarán
El tamaño de espacio muestral para cada evento es 10 (Hay 10 pares de calcetines de donde
escoger)
El tamaño del espacio de eventos para el Evento A y el Evento B es 7. (Hay 7 pares que no
son blancos)
123 El tamaño del espacio de eventos del Evento C es 3. (Hay 3 pares que son blancos)
P(A y B y C)=P(A).P(B).P(C)=7/10×7/10×3/10=147/1000 (Para obtener calcetines blancos en
tres intentos)
Podríamos encontrar el espacio muestral y el espacio de eventos para todo el experimento

y calcular la razón. Sin embargo, como los eventos son independientes, es más fácil
encontrar los espacios muestrales y los espacios de eventos de los eventos individuales y
multiplicarlos
2. Si los eventos son dependientes:

Dos o más eventos son dependientes cuando la ocurrencia o no ocurrencia de uno de ellos
afecta la probabilidad de ocurrencia del otro (o de los otros). Cuando se tiene este caso, se
utiliza el concepto de Probabilidad Condicional, para denominar la probabilidad del evento
relacionado.
La expresión P (A|B), indica la probabilidad de ocurrencia del evento A si el evento B ya

ocurrió.
Nota: Se debe tener claro que (A|B), no es una fracción.

Se tiene entonces que:
P(A│B)=P(A y B)/P(B) o P(B│A)=P(A y B)/P(A)
Probabilidad Condicional=P(A y B)/P(B) o P(B│A)=P(A y B)/P(A)
Definición de Probabilidad Condicional: Si a y B son dos eventos en S, la probabilidad de que

ocurra A dado que ocurrió el evento B, es la probabilidad condicional de A dado B, se denota:
P(A|B)
En la regla de la Multiplicación, se puede determinar que:
Para la probabilidad de la ocurrencia conjunta de A y B, existen dos acepciones a esta regla:
1) Si los eventos son independientes:
𝑷 (𝑨 ∩ 𝑩) = 𝑷(𝑨). 𝑷(𝑩)
2) Si los eventos son dependientes:
124 Es la probabilidad de 𝑨 multiplicada por la probabilidad condicional de 𝑩 dado 𝑨, esto

es:
𝑷 (𝑨 𝒚 𝑩) = 𝑷(𝑨). 𝑷(𝑩|𝑨) y, viceversa,

𝑷 (𝑨 𝒚 𝑩) = 𝑷(𝑩 𝒚 𝑨). = 𝑷(𝑩). 𝑷(𝑨|𝑩)
TIPS
125
Recuerde que: En las operaciones con eventos, dados dos eventos, A
y B, se llaman:
AUB Es EL Evento
formado por todos los
Unión elementos de A y
todos los elementos
de B. Sin repetir
elementos.
AnB Es el evento
elementos que son, a
la vez, de A y de B. O
Intersección sea, sólo los
elementos que se
repiten (comunes a
los 2 conjuntos)
A-B es el evento
Diferencia elementos de A que
no son de B
El evento A´ se llama
evento
Evento complementario de
Complementario A. Y se cumple que
A´= S-A
Dos eventos A y B, se
llaman mutuamente
excluyentes, cuando
Eventos no tienen ningún
elemento en común.
Mutuamente Es decir, cuando
Excluyentes AnB=∅.
También se le llaman
eventos disjuntos.
126 4.3 TEMA 2 TÉCNICAS DE CONTEO O ANÁLISIS

COMBINATORIO
El Análisis Combinatorio es la rama de la matemática que estudia los diversos arreglos o
selecciones que se pueden formar con los elementos de un conjunto dado; es un método
rápido y eficaz que permite contar el número de maneras o formas en que se pueden
ordenar o seleccionar los elementos de un conjunto, las actividades que se dan son
denominadas Eventos o Sucesos.
El estudio del análisis combinatorio permitirá resolver y comprender problemas sobre

probabilidades en una forma analítica y comprensiva.
A través del análisis combinatorio se pueden resolver muchos problemas prácticos del
entorno, tales como: cuántos números diferentes de teléfonos, placas o loterías se pueden
generar utilizando un conjunto dado de números y letras.
“VER ENLACE Análisis combinatorio - Monografias.com

www.monografias.com/trabajos13/analisco/analisco.shtm
Dentro de estas técnicas de Conteo o Análisis Combinatorio, se tienen:
 La Regla multiplicativa:
Si hay 𝒏𝟏 formas de hacer una cosa y 𝒏𝟐 formas de hacer otra, hay
𝒏𝟏 ∗ 𝒏𝟐 Formas de realizarlas ambas.

1. Al lanzar dos monedas ¿cuáles serán los posibles resultados?
Se puede resolver por el diagrama del árbol:
a. Más adelante se profundizará en este tema.

127
a. También se puede realizar con una tabla de contingencia:
PROCEDIMIENTO MONEDA 1 MONEDA 2
# DE FORMAS 𝒏𝟏 = 𝟐 𝒏𝟐 = 𝟐
𝒏𝟏 ∗ 𝒏𝟐 = 𝟒
2. Un estudiante de UniRemington se va a matricular en tres materias: administración de

personal del cual dispone de 2 horarios, hoja electrónica del que dispone de 4 horarios y
cálculo que tiene 3 horarios ¿De cuántas formas diferentes puede acomodar su horario?
Admón. de
PROCEDIMIENTO Hoja Electrónica Cálculo
personal
# DE FORMAS 𝒏𝟏 = 𝟐 𝒏𝟐 = 𝟒 𝒏𝟑 = 𝟑
128
𝒏𝟏 ∗ 𝒏𝟐 ∗ 𝒏𝟑 = 𝟐𝟒
En forma general, se tiene que:
Si un procedimiento 𝑨𝟏 se puede realizar de 𝒏𝟏 formas, un procedimiento 𝑨𝟐 se puede

realizar de𝒏𝟐 formas, un procedimiento 𝑨𝟑 se puede realizar de 𝒏𝟑 formas y un
procedimiento 𝑨𝒌 se puede realizar de 𝒏𝒌 formas, entonces:
𝑨𝟏 , 𝑨𝟐 , 𝑨𝟑 , … 𝑨𝒌 Se pueden realizar de 𝒏𝟏 ∗ 𝒏𝟐 ∗ 𝒏𝟑 ∗ … ∗ 𝒏𝒌 Formas

1. Un estudiante de administración va a presentar 4 evaluaciones: contabilidad,
matemáticas, herramientas de informática y metodología de investigación. Cada docente de
dichas asignaturas tiene un número de temas así: 4, 7, 2 y 2 respectivamente ¿de cuántas
formas diferentes puede presentar las pruebas?
Solución:
Datos: 𝒏𝟏 = 𝟒, 𝒏𝟐 = 𝟕, 𝒏𝟑 = 𝟐 𝒚 𝒏𝟒 = 𝟐 Entonces,
𝒏𝟏 ∗ 𝒏𝟐 ∗ 𝒏𝟑 ∗ 𝒏𝟒 = 𝟒 ∗ 𝟕 ∗ 𝟐 ∗ 𝟐 = 𝟏𝟏𝟐
2. De la ciudad A la ciudad B hay 4 formas de viajar, de la ciudad B a la C hay 2 formas y

de la ciudad C a la D hay 5 formas ¿Cuántas rutas posibles hay de la ciudad A a la D?
𝒏𝟏 = 𝟒, 𝒏𝟐 = 𝟐, 𝒏𝟑 = 𝟓 Entonces,
𝒏𝟏 ∗ 𝒏𝟐 ∗ 𝒏𝟑 = 𝟒 ∗ 𝟐 ∗ 𝟓 = 𝟒𝟎
3. Se lanza una moneda 2 veces y un dado una vez ¿Cuántos resultados son posibles?
129
PROCEDIMIENTO Moneda 1 Moneda 2 Dado
# DE FORMAS 𝒏𝟏 = 𝟐 𝒏𝟐 = 𝟐 𝒏𝟑 = 𝟔
𝒏𝟏 ∗ 𝒏𝟐 ∗ 𝒏𝟑 = 𝟐 ∗ 𝟐 ∗ 𝟔 = 𝟐𝟒
4. ¿De cuantas formas se puede responder un examen si el examen tiene 3 preguntas de
opción múltiple con 4 opciones cada una?
PROCEDIMIENTO Pregunta 1 Pregunta 2 Pregunta 3
# DE FORMAS 𝒏𝟏 = 𝟒 𝒏𝟐 = 𝟒 𝒏𝟑 = 𝟒
𝒏𝟏 ∗ 𝒏𝟐 ∗ 𝒏𝟑 = 𝟒 ∗ 𝟒 ∗ 𝟒 = 𝟔𝟒
 PERMUTACIONES
Es lo mismo que ordenación; es la disposición en orden de un conjunto de objetos en el que

hay un 𝟏𝟎 , 𝒖𝒏 𝟐𝟎 , 𝒖𝒏 𝟑𝟎 ,… hasta 𝒏
También se puede definir como todo arreglo de elementos en donde nos interesa el lugar o
posición que ocupa cada uno de los elementos que constituyen dicho arreglo.
Nota: Para obtener las fórmulas de permutaciones y de combinaciones hay que definir
primero lo que es 𝒏! (ene factorial), elemento matemático involucrado en las fórmulas
utilizadas para la resolución de problemas.
 Factorial
Definición: El factorial de un número entero positivo (ℤ+ ), se define como el producto de
todos los números enteros positivos desde el número 1 (los números naturales) hasta el
número 𝒏, esto se da como:
La Función Factorial definida mediante el producto:

130
𝒏! = 𝟏 × 𝟐 × 𝟑 × 𝟒 × … × (𝒏 − 𝟏) × 𝒏

1. Calcular
a) 𝟒! = 𝟏 × 𝟐 × 𝟑 × 𝟒 = 𝟐𝟒
b) 𝟔! = 𝟏 × 𝟐 × 𝟑 × 𝟒 × 𝟓 × 𝟔 = 𝟕𝟐𝟎
c) 𝟓! = 𝟏 × 𝟐 × 𝟑 × 𝟒 × 𝟓 = 𝟏𝟐𝟎
d) 𝟖! = 𝟏 × 𝟐 × 𝟑 × 𝟒 × 𝟓 × 𝟔 × 𝟕 × 𝟖 = 𝟒𝟎. 𝟑𝟐𝟎
2. Completar la siguiente tabla, obteniendo la factorial indicado:
𝒏 𝒏!
𝟏𝟑
𝟏𝟓 1.307.674.368.000
𝟐𝟎 2.432.902.008.176.640.000
𝟑𝟎
𝟒𝟎
3. Halle el resultado de las siguientes expresiones, pero antes de hacerlo simplifique hasta
donde sea posible, se resolverá el primer ejercicio para que lo tomes como modelo:
𝟕! 𝟕×𝟔×𝟓×𝟒×𝟑×𝟐×𝟏
131 a)
𝟓! ∗ 𝟑!
=
𝟓×𝟒×𝟑×𝟐×𝟏∗𝟑×𝟐×𝟏
, simplificando en el numerador y en el
𝟕!
denominador, se tiene: =𝟕
𝟓! ∗ 𝟑!
15!
b) R/360360
(15  5)!
8!
c) R/1680
(8  4)!
6!
d) R/20
3!(6  3)!
10!
e) R/210
4!(10  4)!
𝟏𝟎! 𝟏𝟎! 𝟏𝟎! 𝟏𝟎×𝟗×𝟖×𝟕×𝟔×𝟓×𝟒×𝟑×𝟐×𝟏 𝟑𝟎𝟐𝟒𝟎

f) = = = = = 𝟏𝟓𝟏𝟐𝟎
𝟓!(𝟏𝟐−𝟏𝟎)! 𝟓!(𝟐!) 𝟓!∗𝟐! 𝟓×𝟒×𝟑×𝟐×𝟏∗𝟐×𝟏 𝟐

1. ¿De cuántas formas diferentes se pueden acomodar 7 CD`S en una porta CD`S?
Solución:
Procedimiento Posició Posició Posició Posició Posició Posició Posición 7

n1 n2 n3 n4 n5 n6
# de formas 𝑛1 = 7 𝑛2 = 6 𝑛3 = 5 𝑛4 = 4 𝑛5 = 3 𝑛6 = 2 𝑛7 = 1
𝟕! = 𝟕 × 𝟔 × 𝟓 × 𝟒 × 𝟑 × 𝟐 × 𝟏 = 𝟓𝟎𝟒𝟎 ∗
Se pueden colocar de 𝟓𝟎𝟒𝟎 ∗ formas diferentes.

2. ¿De cuántas formas se pueden ordenar las letras del siguiente conjunto:
132
M = {x, y, z, ¿w}?
Solución:
Procedimiento Letra 1 Letra 2 Letra 3 Letra 4
# de formas 𝑛1 = 4 𝑛2 = 3 𝑛3 = 2 𝑛4 = 1
𝟒! = 𝟒 × 𝟑 × 𝟐 × 𝟏 = 𝟐𝟒 ∗
Se pueden ordenar de 𝟐𝟒 ∗ formas diferentes.
3. ¿de cuántas formas diferentes pueden sentarse 6 personas en una banca?
Solución:
Procedimiento Posición Posición Posición Posición 4 Posición Posición 6

1 2 3 5
# de formas 𝑛1 = 6 𝑛2 = 5 𝑛3 = 4 𝑛4 = 3 𝑛5 = 2 𝑛6 = 1
𝟔! = 𝟔 × 𝟓 × 𝟒 × 𝟑 × 𝟐 × 𝟏 = 𝟕𝟐𝟎 ∗
Se pueden sentar de 𝟕𝟐𝟎 ∗ formas diferentes.
 PERMUTACIONES POR SUBGRUPOS

Son las ordenaciones de varios objetos en subgrupos sin repetición, el orden de estos
133 subgrupos es importante; cuando se cambia el orden de los elementos, el grupo cambia, es
otro totalmente diferente.
Se dice entonces que:
El número total de permutaciones de 𝒏 objetos distintos tomados en 𝒓 subgrupos de

ellos, está dado por:
𝒏!
𝑷𝒏𝒓 =
(𝒏 − 𝒓)!

1. En el ejemplo de los CD`S (¿De cuántas formas diferentes se pueden acomodar 7 CD`S en
una porta CD`S?), si en el portal CD´S sólo caben 4 Cd´S ¿de cuántas formas se pueden
ordenar?
Solución: Aplicando la ecuación:
𝒏!
𝑷𝒏𝒓 = (𝒏−𝒓)!, se tiene, entonces:
𝟕! 𝟕! 𝟕×𝟔×𝟓×𝟒×𝟑!
𝑷𝟕𝟒 = (𝟕−𝟒)! = 𝟑! = , simplificando, se tiene que:
𝟑!
𝑷𝟕𝟒 = 𝟕 × 𝟔 × 𝟓 × 𝟒 = 𝟖𝟒𝟎
Nota: Con la regla multiplicativa la solución sería:
𝟕 × 𝟔 × 𝟓 × 𝟒 = 𝟖𝟒𝟎
Puesto que
134 Compartimiento se puede acomodar cualquiera
En el primero de los 7 Cd´S

→
En el segundo de los 6 Cd´S

→
En el tercero de los 5 Cd´S

→
En el cuarto de los 4 Cd´S restantes

→
Es decir:
Procedimiento compartimiento 1compartimiento 2compartimiento 3compartimiento 4
𝑁° 𝑑𝑒 𝑓𝑜𝑟𝑚𝑎𝑠 𝒏𝟏 = 𝟕 𝒏𝟐 = 𝟔 𝒏𝟑 = 𝟓 𝒏𝟒 = 𝟒
1. En el ejemplo (¿De cuántas formas se pueden ordenar las letras del siguiente conjunto:
M = {x, y, z, ¿w}?)
Se tiene el conjunto 𝑴 = {𝒙, 𝒚, 𝒛, 𝒘}, si se va a ordenar de a 2 letras, sin repetición,

¿Cómo se puede ordenar?
Solución:
a. Mecánicamente: 𝒙𝒚, 𝒙𝒛, 𝒙𝒘, 𝒚𝒙, 𝒚𝒛, 𝒚𝒘, 𝒛𝒙, 𝒛𝒚, 𝒛𝒘, 𝒘𝒙, 𝒘𝒚, 𝒘𝒛
b. Aplicando la fórmula conocida, se tendría:

135
𝒏! 4! 4 × 3 × 2 × 1 4 × 3 × 2 × 1 24
𝑷𝒏𝒓 = = = = =
(𝒏 − 𝒓)! (4 − 2)! 2! 2×1 2
= 12
c. Con la regla multiplicativa la solución sería: 𝟒 × 𝟑
Puesto que en la primera posición puede ir cualquiera de las 4 letras, en la segunda posición
puede ir cualquiera de las 3 letras restantes porque no se puede repetir letra:
PROCEDIMIENTO 𝟏𝒂 𝑷𝒐𝒔𝒊𝒄𝒊ó𝒏 𝟐𝒂 𝑷𝒐𝒔𝒊𝒄𝒊ó𝒏
N° DE FORMAS 𝒏𝟏 = 𝟒 𝒏𝟐 = 𝟑
2. ¿Cuántas palabras de 3 letras se pueden formar con las letras ABCDE sin repetir letra?
Solución:
 Datos
 5 letras: ABCDE
 Palabras de tres letras que se pueden formar.
a. Aplicando la fórmula conocida, se tendría:
𝒏! 5! 5 × 4 × 3 × 2 × 1 5 × 4 × 3 × 2 × 1 120
𝑷𝟓𝟑 = = = = =
(𝒏 − 𝒓)! (5 − 3)! 2! 2×1 2
= 60
b. Con la regla multiplicativa la solución sería: 𝟓 × 𝟒 × 𝟑 = 𝟔𝟎
Puesto que en la primera posición se puede poner cualquiera de las 5 letras, En la segunda
posición se puede poner cualquiera de las 4 letras restantes y en la tercera posición se puede
poner cualquiera de las 3 letras restantes.
136 PROCEDIMIENTO 1𝑎 𝑃𝑜𝑠𝑖𝑐𝑖ó𝑛 2𝑎 𝑃𝑜𝑠𝑖𝑐𝑖ó𝑛 3𝑎 𝑃𝑜𝑠𝑖𝑐𝑖ó𝑛
N° DE FORMAS 𝒏𝟏 = 𝟓 𝒏𝟐 = 𝟒 𝒏𝟏 = 𝟑
c. Hacerlo mecánicamente sería muy complicado y demasiado largo, ya que se tendrían

que escribir las 60 combinaciones posibles.
 VARIACIONES
Dado un conjunto de 𝒏 elementos, se sabe que si se toman todos y se ordena de todas las
formas posibles se tendrán permutaciones de 𝒏 elementos; pero si en lugar de tomar todos
los elementos se toma una parte o un subconjunto de ellos y se ordenan de todas las formas
posibles, se obtendrán variaciones.
También se define una variación como cada una de las tuplas (una secuencia ordenada de
objetos) de cierto orden que pueden formarse tomando elementos de un conjunto.
Nota: Las tuplas se emplean para describir objetos matemáticos que tienen estructura,
es decir, que pueden ser descompuestos en un cierto número de componentes
Estas variaciones se pueden dar de dos formas:
 Variaciones sin repetición:

Cuando no se admiten repeticiones: Entonces el número de 𝒏 - tuplas en que ninguno de
los elementos se repitan se llama número de variaciones sin repetición este otro número
resulta ser:
𝒎!
𝑽𝒏𝒎 =
(𝒎 − 𝒏)!
Dónde:
137 𝒎: 𝑷𝒐𝒃𝒍𝒂𝒄𝒊ó𝒏
𝒏: 𝑴𝒖𝒆𝒔𝒕𝒓𝒂

1. ¿Cuántos números de 3 cifras distintas se pueden formar con los números 1, 2, 3, 4, 5, 6?
Procedimiento:
Se forman subconjuntos de tres elementos distintos, en los que nos importa el orden 123,
es distinto de 321.
Se formarán, entonces:
𝒎! 𝟔! 𝟔! 𝟔 × 𝟓 × 𝟒 × 𝟑 × 𝟐 × 𝟏
𝑽𝒏𝒎 = → 𝑽𝟑𝟔 = = = = 𝟔 × 𝟓 × 𝟒 = 𝟏𝟐𝟎
(𝒎 − 𝒏)! (𝟔 − 𝟑)! 𝟑! 𝟑×𝟐×𝟏
Solución: Se formarán 𝟏𝟐𝟎 elementos diferentes.
2. En la final de unas olimpiadas corren la final de 100m 8 atletas. ¿De cuántas formas se
puede configurar el pódium?
Procedimiento: Utilizando la ecuación conocida, se tiene:

𝒎! 𝟖! 𝟖! 𝟖 × 𝟕 × 𝟔 × 𝟓 × 𝟒 × 𝟑 × 𝟐 × 𝟏
𝑽𝒏𝒎 = → 𝑽𝟑𝟖 = = = = 𝟖×𝟕×𝟔
(𝒎 − 𝒏)! (𝟖 − 𝟑)! 𝟓! 𝟓×𝟒×𝟑×𝟐×𝟏
= 𝟑𝟑𝟔
Solución: el podio se puede formar de 𝟑𝟑𝟔 maneras diferentes.
Nota: Recuerde que al pódium de una competencia solo suben tres participantes (el 1°, el 2°
y el 3°), por eso se toma 𝒏 = 𝟑.
 Variaciones con repetición:

138 Las variaciones con repetición de 𝒎 elementos tomados en grupos de n es el número de
diferentes n-tuplas de un conjunto de 𝒎 elementos, está dado por:
𝑽𝑹𝒏𝒎 = 𝒎𝒏
 ¿Cuántos números de 8 cifras que empiecen por 6 se pueden formar?

Procedimiento:
Si los números empiezan por 6 sólo queda determinar qué ocurre con las siete últimas cifras
que puede cualquier dígito, esto es, aplicando la ecuación determinada
𝑽𝑹𝒏𝒎 = 𝒎𝒏 → 𝑽𝑹𝒏𝒎 = 𝟏𝟎𝟕

Se Podrán formar 10.000.000 números.
 ¿Cuántas apuestas distintas se pueden hacer en la quiniela para cubrir todas las
posibilidades? Nota: Incluido el pleno al 15.
Para rellenar una quiniela se usan tres signos 1, X, 2, luego se tienen tres elementos. Se
rellenan 15 casillas, por tanto, se agrupan de 15 en 15, entonces:
𝑉𝑅3.15 = 315 = 14.348.907 𝑎𝑝𝑢𝑒𝑠𝑡𝑎𝑠
Combinaciones
Dado un conjunto de m elementos, pueden tomar n para formar arreglos o subgrupos en

las cuales no interesa el orden.
Existen dos tipos de Combinaciones:

1. Combinaciones con Repetición: de m elementos tomados de n en n, dónde 𝒎 ≥ 𝒏 , son

139 los distintos grupos formados por n elementos de forma tal que:
 No entran todos los elementos.

 No importa el orden.
 Si se repiten los elementos.
Esta dada por:
𝑛 =( 𝑚+𝑛−1 (𝑚+𝑛−1)!
𝐶𝑅𝑚 )=
𝑛 𝑛!(𝑚−1)!

En una bodega hay en cinco tipos diferentes de botellas. ¿De cuántas formas se pueden
elegir cuatro botellas?
Procedimiento
De acuerdo a ***, se tiene que:
No entran todos los elementos Sólo elije 4.
No importa el orden. Da igual que elija 2 botellas de anís y 2 de ron, que 2

de ron y 2 de anís.
Sí se repiten los elementos. Puede elegir más de una botella del mismo tipo.
1. Aplicando la ecuación se tiene que:
𝑛 = (𝑚+𝑛−1)!
𝐶𝑅𝑚 𝑛!(𝑚−1)!
140 4 = (5+4−1)! =
8!
=
8×7×6×5×4×3×2×1
)
𝐶𝑅5 4!(5−1)! 4!.4! 4×3×2×1.4×3×2×1
8 × 7 × 6 × 5 1680
𝐶𝑅54 = = = 70
4×3×2×1 24
Solución: Se pueden dar 70 formas posibles de elegir las 4 botellas.

Tomado de: Combinaciones con repetición - Vitutor
www.vitutor.com/pro/1/a_8.html
2. Combinaciones sin Repetición: de m elementos tomados de n en n, con 𝒎 ≥ 𝒏 son toda

las agrupaciones posibles que puedan hacerse con los m elementos de tal forma que:
 No entran todos los elementos.

 No importa el orden.
 NO se repiten los elementos.
Esta dada por la siguiente ecuación:
𝑛
𝑛
𝑉𝑚
𝐶𝑚 =
𝑃𝑛
Nota 1: Las combinaciones se pueden calcular mediante factoriales, utilizando la siguiente
ecuación:
𝑛
𝑚!
𝐶𝑚 =
𝑛! (𝑚 − 𝑛)!
Nota 2: Las combinaciones se denotan por:
141 𝑪𝒏𝒎 𝒐 𝑪𝒎,𝒏

Calcular el número de combinaciones de 10 elementos tomados de 4 en 4.
Procedimiento
a. Aplicando:
𝑛
𝑉𝑚𝑛 10 × 9 × 8 × 7 5040
𝐶𝑚 = = = = 210
𝑃𝑛 4×3×2×1 24
b. Aplicando:
𝑛
𝑚! 10! 10!
𝐶𝑚 = = = →
𝑛! (𝑚 − 𝑛)! 4!. (10 − 4)! 4! .6!
𝑛
10 × 9 × 8 × 7 × 6!
𝐶𝑚 = →
(4 × 3 × 2 × 1).6!
𝑛
5040
𝐶𝑚 = = 210
24
3. En una clase de 35 alumnos se quiere elegir un comité formado por tres alumnos.
¿Cuántos comités diferentes se pueden formar?
Procedimiento
a. No entran todos los elementos.

No importa el orden: Juan, Ana.
No se repiten los elementos.
b. Se aplica la ecuación:
142 35.34.33
3
𝐶35 = = 6545
3.2.1
Solución: Se pueden formar 6545 grupos de tres estudiantes.
Tipos de probabilidades
1. Probabilidad Clásica
Es la probabilidad de un evento A es igual al número de resultados favorables al evento A

dividido por el número de resultados posibles del experimento, o sea:
𝑵ú𝒎𝒆𝒓𝒐 𝒅𝒆 𝒓𝒆𝒔𝒖𝒍𝒕𝒂𝒅𝒐𝒔 𝒇𝒂𝒗𝒐𝒓𝒂𝒃𝒍𝒆𝒔 𝒂𝒍 𝒆𝒗𝒆𝒏𝒕𝒐 𝑨

𝑷(𝑨) =
𝑵ú𝒎𝒆𝒓𝒐 𝒅𝒆 𝒓𝒆𝒔𝒖𝒍𝒕𝒂𝒅𝒐𝒔 𝒑𝒐𝒔𝒊𝒃𝒍𝒆𝒔 𝒅𝒆𝒍 𝒆𝒙𝒑𝒆𝒓𝒊𝒎𝒆𝒏𝒕𝒐
𝑴𝒖𝒆𝒔𝒕𝒓𝒂
𝑷(𝑨) =
𝑷𝒐𝒃𝒍𝒂𝒄𝒊ó𝒏
2. Probabilidad Conjunta (Independencia de sucesos)
Cuando los eventos son independientes, la ocurrencia de uno de ellos no cambia la

probabilidad de ocurrencia del otro, está determinado por la siguiente la fórmula:
𝑷(𝑨 ∩ 𝑩) = 𝑷(𝑨) ∗ 𝑷(𝑩)

3. Probabilidad Condicional (Dependencia de sucesos)
La probabilidad de que el suceso A ocurra dado que, o a condición de que, haya ocurrido ya
el suceso B se denomina Probabilidad Condicional, y está determinado por:
𝑷(𝑨⁄𝑩) = 𝑷(𝑨 ∩ 𝑩)/𝑷(𝑩) = [𝑷(𝑨) ∗ 𝑷(𝑩)]/𝑷(𝑩), con 𝑷(𝑩) ≠ 𝟎
Diagrama de Árbol
Cuando se tiene que hallar las probabilidades de varios sucesos conjuntos, suele ser útil de
143 dibujar un árbol de probabilidades.
“Un diagrama de árbol es una herramienta que se utiliza para determinar todos los posibles
resultados de un experimento aleatorio.
En el cálculo de la probabilidad se requiere conocer el número de objetos que forman parte
del espacio muestral, estos se pueden determinar con la construcción de un diagrama de
árbol.
Ejemplo: Si Juan tiene 3 pantalones y 2 camisas basta multiplicar 3x2=6 y son 6

posibilidades de que se pueda vestir.
El diagrama de árbol es una representación gráfica de los posibles resultados del

experimento, el cual consta una serie de pasos, donde cada uno de los pasos tiene un número
finito de maneras de ser llevado a cabo. Se utiliza en los problemas de conteo y probabilidad
Para la construcción de un diagrama en árbol se partirá poniendo una rama para cada una
de las posibilidades, acompañada de su probabilidad. Cada una de estas ramas se conoce
como rama de primera generación.
En el final de cada rama de primera generación se constituye a su vez, un nudo del cual
parten nuevas ramas conocidas como ramas de segunda generación, según las posibilidades
del siguiente paso, salvo si el nudo representa un posible final del experimento (nudo final).
Hay que tener en cuenta que la construcción de un árbol no depende de tener el mismo
número de ramas de segunda generación que salen de cada rama de primera generación y
que la suma de probabilidades de las ramas de cada nudo ha de dar 1.
Existe un principio sencillo de los diagramas de árbol que hace que éstos sean mucho más
útiles para los cálculos rápidos de probabilidad: multiplicamos las probabilidades, si se trata
de ramas adyacentes (contiguas), el ejemplo de alumna de la primera facultad, o bien las
sumamos si se trata de ramas separadas que emergen de un mismo punto, el ejemplo de
encontrar un alumno.
144 4.3.10 EJERCICIOS DE APRENDIZAJE

1. Una universidad está formada por tres facultades:
 La 1ª con el 50% de estudiantes.

Las mujeres están repartidas uniformemente, siendo un 60% del total en cada facultad.
¿Probabilidad de encontrar una alumna de la primera facultad?

145 𝑃(𝐴𝑙𝑢𝑚𝑛𝑎 𝑑𝑒 𝑙𝑎 1𝑎 𝑓𝑎𝑐𝑢𝑙𝑡𝑎𝑑 ) = 0,5 ∗ 0,6 = 0,3
¿Probabilidad de encontrar un alumno varón?
𝑃(𝐴𝑙𝑢𝑚𝑛𝑜 𝑣𝑎𝑟ó𝑛) = 0,5 ∗ 0,4 + 0,25 ∗ 0,4 + 0,25 ∗ 0.4 = 0,4

Pero también podría ser lo contrario.
Teorema de Bayes
Es la probabilidad de que sea: 𝑨𝟏, , 𝑨𝟐 , 𝑨𝟑 , … 𝑨𝒏 un conjunto de sucesos

incompatibles cuya unión es el total, tales que la probabilidad de cada uno de ellos es
𝑩 un suceso cualquiera del que se contenga las
distinta de cero. Sea probabilidades
condicionales 𝑷(𝑩/𝑨𝒊 ), entonces la probabilidad de
𝑷(𝑨𝒊 /𝑩), viene dada por:

𝑩
[𝑷 ( ) 𝑷(𝑨𝒊 )]
𝑨 𝑨𝒊
𝑷 ( 𝒊⁄𝑩) = = [𝑷 (𝑩⁄𝑨 ) 𝑷(𝑨𝒊 )]/(∑ 𝑷(𝑩⁄𝒊)𝑷(𝑨𝒊 )
𝑷(𝑩) 𝒊
Dónde:
146 𝑷(𝑨𝒊 ) Las probabilidades a priori.
La probabilidad de B en la hipótesis de A.
𝑷 (𝑩⁄𝑨 )
𝒊
𝑷(𝑨𝒊 /𝑩 Las probabilidades a posteriori.
El Teorema de Bayes: Se utiliza para analizar probabilidades posteriores, es decir, después

de una información nueva. Se tienen eventos con unas probabilidades previas o a priori los
cuales son mutuamente excluyentes y la unión de todos ellos es el espacio muestral, o sea
que la suma de todas sus probabilidades es igual a uno.
Nota: Como un evento y su complemento son mutuamente excluyentes, el teorema de

Bayes también se aplica para calcular las probabilidades posteriores de un evento y de su
complemento.

Una empresa manufacturera recibe embarques de partes de dos proveedores. Sea 𝑨𝟏 el
evento de que una parte provenga del proveedor 1 y 𝑨𝟐 el evento de una parte provenga
del proveedor 2. Actualmente el 65% de las partes que compra la empresa provienen del
proveedor 1 y el 35% restante del proveedor 2; es decir que, si se selecciona una parte al azar,
147 las probabilidades previas:
 𝐏(𝐀𝟏 ) = 𝟎, 𝟔𝟓 y
 𝐏(𝐀𝟐 ) = 𝟎, 𝟑𝟓
Además, se tienen datos históricos, B representa el evento de que una parte es buena y M
representa el evento de que una parte es mala o defectuosa:
𝑷 (𝑩⁄𝑨 ) = 𝟎, 𝟗𝟖 Probabilidad de que la parte sea buena dado que venga del
𝟏
proveedor 1.
𝑷 (𝑩⁄𝑨 ) = 𝟎, 𝟗𝟓 Probabilidad de que la parte sea buena dado que venga del
𝟐
proveedor 2.
𝑷 (𝑴⁄𝑨 ) = 𝟎𝟎𝟐 Probabilidad de que la parte sea mala o defectuosa dado que
𝟏
venga del proveedor 1.
𝑷 (𝑴⁄𝑨 ) = 𝟎, 𝟎𝟓 Probabilidad de que la parte sea mala o defectuosa dado

𝟐
que venga del proveedor 2.
Actividad: Realiza el diagrama del árbol para la situación que se plantea.

148
 Teorema de Bayes para el caso de dos eventos:
𝑷(𝑨𝟏 ) ∗ 𝑷(𝑩/𝑨𝟏 )
𝑷(𝑨𝟏 ∖ 𝑩) =
𝑷(𝑨𝟏 ) ∗ 𝑷(𝑩/𝑨𝟏 ) + 𝑷(𝑨𝟐 ) ∗ 𝑷(𝑩/𝑨𝟐 )
𝑷(𝑨𝟐 ) ∗ 𝑷(𝑩/𝑨𝟐 )
𝑷(𝑨𝟐 ∖ 𝑩) =
𝑷(𝑨𝟏 ) ∗ 𝑷(𝑩/𝑨𝟏 ) + 𝑷(𝑨𝟐 ) ∗ 𝑷(𝑩/𝑨𝟐 )

Sustituyendo para el evento de que la parte sea mala:
𝟎, 𝟔𝟓 ∗ 𝟎, 𝟎𝟐 𝟎, 𝟎𝟏𝟑
𝑷(𝑨𝟏 ∖ 𝑴) = = = 𝟎, 𝟒𝟏𝟗
𝟎, 𝟔𝟓 ∗ 𝟎, 𝟎𝟐 + 𝟎, 𝟑𝟓 ∗ 𝟎, 𝟎𝟓 𝟎, 𝟎𝟏𝟑 + 𝟎, 𝟎𝟏𝟖
Si la parte es mala o defectuosa, la probabilidad de que venga del proveedor 1 es de 0,419

o sea 𝟎, 𝟒𝟏𝟗 ∗ 𝟏𝟎𝟎% = 𝟒𝟏, 𝟗%.
𝟎, 𝟑𝟓 ∗ 𝟎, 𝟎𝟓 𝟎, 𝟎𝟏𝟖
𝑷(𝑨𝟐 ∖ 𝑴) = = = 𝟎, 𝟓𝟖𝟏
𝟎, 𝟔𝟓 ∗ 𝟎, 𝟎𝟐 + 𝟎, 𝟑𝟓 ∗ 𝟎, 𝟎𝟓 𝟎, 𝟎𝟏𝟑 + 𝟎, 𝟎𝟏𝟖
Si la parte es mala o defectuosa, la probabilidad de que venga del proveedor 2 es de 0,581

o sea 𝟎, 𝟓𝟖𝟏 ∗ 𝟏𝟎𝟎% = 𝟓𝟖, 𝟏%.
Nota: Este teorema se puede generalizar para casos donde hay 𝒏 eventos mutuamente
excluyentes 𝑨𝟏 , 𝑨𝟐 , … , 𝑨𝒏 y cuya unión es el espacio muestral
(Las probabilidades son iguales a uno) Así:
P( Ai ) * P( B / Ai )
P( Ai / B) =
P( A1) * P( B / A1)  P( A2) * P( B / A2)  ...  P( An ) * P( B / An )
En otras palabras: probabilidad para el camino de 𝑨𝒊 a 𝑩 dividido por la suma de todas

las probabilidades para las rutas a 𝑩.
Método tabular:
149
Es otro método para calcular dichas probabilidades, las columnas respectivas de la tabla son
así:
COLUMNA DEFINICIÓN
Se colocan los eventos mutuamente excluyentes a quienes se les va a

calcular las probabilidades posteriores 𝑨𝟏 , 𝑨𝟐 , … , 𝑨𝒏
1ª columna
Tiene las probabilidades previas de los eventos anteriores, como son

mutuamente excluyentes, la sumatoria de dichas probabilidades es igual
2ª columna a uno.
Contiene las probabilidades condicionales de la nueva información, es

decir del evento B, dado cada evento 𝑨𝟏 , 𝑨𝟐 , … , 𝑨𝒏
3ª columna
Es el cálculo de las probabilidades conjuntas de cada evento con la nueva

información (evento B); es decir, se aplica la regla multiplicativa; esta
4ª columna columna se halla multiplicando la columna 2 por la columna 3 y la
sumatoria de esta columna es la probabilidad de la nueva información
P(B)
Contiene el cálculo de las probabilidades posteriores:
5ª columna 𝑷(𝑨𝒊 ∩ 𝑩) 𝑪𝒐𝒍𝒖𝒎𝒏𝒂 𝟒

𝑷(𝑨𝒊 ∖ 𝑩) = ( )
𝑷(𝑩) 𝑺𝒖𝒎𝒂𝒕𝒐𝒓𝒊𝒂 𝒅𝒆 𝒍𝒂 𝒄𝒐𝒍𝒖𝒎𝒏𝒂 𝟒
Nota: La sumatoria de la columna 5 es igual a uno.
La tabla quedaría así:
B: En este caso se toma como la nueva información el evento de que la parte sea mala.
150 Eventos Probabilidades Probabilidades Probabilidades Probabilidades
previas condicionales conjuntas Posteriores
𝑨𝒊 𝑷(𝑨𝒊 ) 𝑷(𝑩 ∖ 𝑨𝒊 𝑷(𝑨𝒊 ∩ 𝑩) 𝑷(𝑨𝒊 ∖ 𝑩)
𝑨𝟏 𝟎, 𝟔𝟓 𝟎, 𝟎𝟐 𝟎, 𝟔𝟓 ∗ 𝟎, 𝟎𝟐 𝟎, 𝟎𝟏𝟑/𝟎, 𝟎𝟑𝟏
= 𝟎, 𝟎𝟏𝟑 = 𝟎, 𝟓𝟖𝟏
𝑨𝟐 𝟎, 𝟑𝟓 𝟎, 𝟎𝟓 𝟎, 𝟑𝟓 ∗ 𝟎, 𝟎𝟓 𝟎, 𝟎𝟏𝟖/𝟎, 𝟎𝟑𝟏
= 𝟎, 𝟎𝟏𝟖 = 𝟎, 𝟒𝟏𝟗
∑=𝟏 ∑=𝟏
 Interpretación de cada una de las columnas:
COLUMNA DESCRIPCIÓN
𝑨𝟏 : Que la parte venga del proveedor 1.

Columna 1
𝑨𝟐 : Que la parte venga del proveedor 2.
𝑷(𝑨𝟏 ) = 0,65: es la probabilidad de que la parte venga

Columna 2 del proveedor 1.
𝑷(𝑨𝟐 ) = 0,35: es la probabilidad de que la parte venga

del proveedor 2.
151 P (M \ A1) = 0,02 probabilidad de que la parte sea mala

dado que venga del proveedor 1.
Columna 3
P (M \ A2) = 0,05 probabilidad de que la parte sea mala
dado que venga del proveedor 2.
P (𝑨𝟏 ∩M) = 0,013 probabilidad de que la parte venga del

proveedor 1 y sea mala.
Columna 4
P(𝑨𝟐 ∩M) = 0,018 probabilidad de que la parte venga del
proveedor 2 y sea mala.
Columna 5 P (𝑨𝟏 \M) si la parte es mala, la probabilidad de que

venga del proveedor 1 es 0,419
P (𝑨𝟐 \M) si la parte es mala, la probabilidad de que

venga del proveedor 2 es 0,581.

Se tienen las probabilidades previas:
P (𝑨𝟏 ) = 0,2
P (𝑨𝟐 ) = 0,5
P (𝑨𝟑 ) = 0,3
Las probabilidades condicionales del evento B dados 𝑨𝟏 , 𝑨𝟐 , y 𝑨𝟑 son:
P (B/ 𝑨𝟏 ) = 0,5
P (B/ 𝑨𝟐 ) = 0,4
P (B/ 𝑨𝟑 ) = 0,3
Calcular las probabilidades posteriores.
152 Eventos Probabilidades Probabilidades Probabilidades Probabilidades
previas condicionales conjuntas Posteriores
𝑨𝒊 𝑷(𝑨𝒊 ) 𝑷(𝑩 ∖ 𝑨𝒊 𝑷(𝑨𝒊 ∩ 𝑩) 𝑷(𝑨𝒊 ∖ 𝑩)
𝑨𝟏 𝟎, 𝟐 𝟎, 𝟓 𝟎, 𝟐 ∗ 𝟎, 𝟓 𝟎, 𝟎𝟏/𝟎, 𝟑𝟗
= 𝟎, 𝟏 = 𝟎, 𝟐𝟓𝟔
𝑨𝟐 𝟎, 𝟓 𝟎, 𝟒 𝟎, 𝟓 ∗ 𝟎, 𝟒 𝟎, 𝟐/𝟎, 𝟑𝟗
= 𝟎, 𝟐 = 𝟎, 𝟓𝟏𝟐
𝑨𝟑 𝟎, 𝟑 𝟎, 𝟑 𝟎, 𝟑 ∗ 𝟎, 𝟑 0,09⁄0,39 = 0,231
= 𝟎, 𝟎𝟗
∑=𝟏 𝑷(𝑩) ∑=𝟏

= 𝟎, 𝟑𝟗
TIPS
a. En las combinaciones con Repetición: De m elementos
tomados de n en n, dónde m ≥ n, son los distintos grupos
formados por n elementos de forma tal que:
***
 No entran todos los elementos
 No importa el orden
 Si se repiten los elementos
b. En las combinaciones sin Repetición: De m elementos

tomados de n en n, dónde m ≥ n, son todas las agrupaciones
posibles que puedan hacerse con los m elementos de tal
forma que:
****
 No entran todos los elementos
 No importa el orden
 No se repiten los elementos

En los ejercicios que se le presentan a continuación pondrá en práctica todos los conceptos
vistos en el desarrollo de la unidad, para entrar a resolverlos tenga presente los conceptos
teóricos y los ejercicios de aprendizaje desarrollados durante la unidad, si tiene alguna duda
trate de contactarse con alguno de sus compañeros o recurra a su respectivo tutor por
alguno de los medios o canales de comunicación dispuesto para ello.
1. Dados tres conjuntos

A=a, b, c, d, 1, 2, 3
B=d, e, c, h, 4, 2, 3
C=a, f, g, d, 5, 2, 7
Encontrar analítica y gráficamente (lo resaltado en rojo se debe ocultar para el estudiante)
A U B= a, b, c, d, 1, 2, 3, e, h, 4
A  C= a, d, 2
A U B U C= a,b,c,d,1,2,3,e,h,4,f,g,5,7
A´=  e, h, 4, f, g, 5, 7
2. Utilice la Regla de Adición

En una muestra de 750 estudiantes, 400 dijeron tener un video grabador, 200 dijeron tener
un computador y 150 dijeron tener ambos. Si un estudiante es seleccionado al azar,
a. ¿cuál es la probabilidad de que tenga sólo un video grabador, sólo un computador y uno
de cada uno?
P(A) = 400 /750 =0.53. P(B) = 200 /750 = 0.27. P(A B) = 150 /750 = 0.20
b. Si un estudiante es seleccionado al azar, ¿cuál es la probabilidad de que tenga un
computador o un video grabador en su casa?
P(A o B) = P(A) + P(B) - P(AB) = 0.53 +0.27 - 0.20 = 0.60
4. Si una moneda se lanza dos veces al aire, cual es la probabilidad de que ambos
lanzamientos su resultado sea sello es:
(1/2) x (1/2) = (1/4)
5. (Permutación sin repetición) Un coleccionista de monedas de Colombia posee 7 de distinto

valor. ¿De cuantas maneras se pueden colocar en un escritorio en fila?
Pn = n! = n1*n2*n3*……………..
Pn =1*2*3*4*5*6*7
Pn= 5040
5. En la hilera de un salón de clase se tiene colocados 9 escritorios y se necesitan sentar 9

alumnos; de cuantas maneras se podrán sentar.
7. (Permutación con Repetición) ¿Cuantas palabras de 18 letras se pueden formar con la

154 palabra Santa fe de Antioquia?
Pn = n! / (n1!n2!......nk!)
s: 1 t: 2 d: 1 q: 1
a: 4 f: 1 i: 2 u: 1
n: 2 e: 2 o: 1
Pn = 18! / (1!4!2!2!1!2!1!2!1!1!1!)
P18=1,66 E13
8. ¿De cuantas maneras de distintas formas se pueden colocar en un estante en fila 5 bolas
blancas, 4 verdes, 3 rojas, 7 azules y 5 negras?
9. (Variación sin repetición) En un evento de belleza se seleccionaron la reina, la virreina y

la princesa de un grupo de 5 finalistas, de ¿cuantas maneras se pueden seleccionar por parte
del jurado?
nVm = n! / (n-m)!
5V3 = 5! / (5-3)!
5V3 = 60 maneras.
10. En una oficina de consultoría estadística se cuentan con 7 secretarias para 3 despachos.
¿De cuantas formas se puede asignar a cada despacho las secretarias?
11. (Variación con repetición) ¿Cuántas palabras de diez letras se pueden usar con las letras
del alfabeto a y b?
Vmn = nm
V102 = 210
V102 = 1024
12. ¿Cuantos números se pueden llegar a formar con tres cifras de nueve cifras del sistema
decimal?
13. (Combinación sin repetición) De cuantas maneras se pueden sacar 10 naranjas de una
caja que contiene 20 naranjas?
nCm : n! / m! (n - m)!
20C10 : 20! / 10! (20 - 10)!
20C10 : 184756
14. Cuantos grupos de 5 alumnos se pueden formar con 25 de una clase de matemáticas, si
uno es distinto del otro por un estudiante.
15. (Combinación con repetición) En una pastelería hay 6 tipos diferentes de pasteles. ¿De
155 cuantas maneras se pueden seleccionar 3 pasteles?
nCm : (n + m - 1)! / m! (n - 1)!
6C3 = (6 + 3 - 1)! / 3! (6 - 1)!
6C3 = 56 maneras
16. En una fiesta de disfraces hay 22 variedades de estilos. ¿De cuantas formas se pueden
elegir 12 de ellos?
17. (Probabilidad Clásica) ¿Cuál es la probabilidad de lanzar una moneda al aire y caiga cara?
Población: La moneda tiene dos lados cara y sello: 2
Muestra: cara: 1
P(A) = 1 /2 = 0,5 *100= 50%
La probabilidad de caer cara en un lanzamiento es del 50%.
18. ¿Cuál es la probabilidad del evento de caer un número par al lanzar un dado?
19. De una urna que contiene 6 bolas blancas, 2 grises y 3 negras. ¿Cuál es la probabilidad
de que al extraerla salga gris?
20. (Probabilidad Conjunta) En una reunión familiar, el 60% de los invitados son mujeres y
el resto hombres, de estos miembros el 25% fuma. ¿Cuál es la probabilidad de que sea
hombre y no fume?
P (M) = 0,60
P (H) = 1 – P (M) = 1- 0,6 = 0,4
P (F) = 0,25
P (NO F) = 1 – P (F) = 1 – 0,25 = 0,75
P (H  NO F) = P (H) * P ( NO F)
P (H  NO F) = 0,4 * 0,75 = 0,30 * 100 = 30%
21. En una urna hay 9 bolas, 4 rojas, 3 verdes y 2 negras, se extra una bola y se vuelve a
introducir, luego se extrae otra. ¿Cuál es la probabilidad de sacar una verde y una negra?
22. En una oficina bancaria hay 20 personas esperando pagar por cheque, de las cuales el
45% son mujeres y el 20% van a pagar tarjeta VISA. ¿Cuál es la probabilidad de que vaya a
pagar se hombre y vaya hacer otra transición?
23. (Probabilidad Condicional) Se conoce que un campeonato de futbol un equipo gana

156 cada dos partidos y luego pierde o empata el siguiente, ¿cuál es la probabilidad de que gane
el segundo partido dado que el primero lo gano si el campeonato tiene 18 fechas?
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
G G QG GQ GG Q G G Q G G Q G G Q
G: Gana: 12
Q: Empata o pierde: 6
P (G) = 12 /18 =0,67
P (Gane dos partidos / gano el primero) = (12/18*12/18) / (12/18)
P (Gane dos partidos / gano el primero) = 0,67
24. El meteorólogo pronostica que hoy habrá día de sol, con probabilidad del 55% y
mañana lloverá con probabilidad del 46%, y que hoy y mañana habrá sol del 58%. ¿Cuál es
la probabilidad de que llueva mañana dado que hoy hizo sol?
25. En un grupo de preparatoria, que consta de 60 mujeres y 40 varones, se observa

que 25 son mujeres y 30 son hombres que laboran. ¿Cuál es la probabilidad de que un
estudiante elegido alzar labore dado que es mujer?
26. Observe que el observatorio astronómico clasifica cada día según las condiciones
del viento en calma o brisa, según la cantidad de lluvia en húmedo y seco, y según la
temperatura en un día cálido, normal o frio. ¿Cuál es la probabilidad de que un día sea de
viento en calma, seco y normal?
157
P (VCT)= P(V) * P( C )*P (T)

P (VCT)= 1/2 * 1/2*1/3
P (VCT)= 1/12 = 0,08333*100=8,33%
La probabilidad de que un día sea de viento en calma, seco y normal es del 8,33%
27. Un médico general de un hospital de Colombia organiza su base de datos de acuerdo a

sexo, tipo de sangre (A, AB, B u O) y presión sanguínea (alta, normal y baja). Mediante un
diagrama de árbol ¿en cuántas clasificaciones y que valor pueden presentarse sus pacientes?
28. (TEOREMA DE BAYES) Tres máquinas de una empresa de confección, producen el
40%, 33% y 27% respectivamente del total de las piezas producidas. Los porcentajes de
producción de piezas defectuosas de estas máquinas son del 4%, 3% y 2%.
Seleccionamos una pieza al azar, ¿cuál es la probabilidad de que sea defectuosa?
Se toma una pieza al azar y resulta que es defectuosa. ¿Cuál es la probabilidad de que sea
158 producida por la maquina A?
¿Cuál es la máquina que produce mayor cantidad de piezas defectuosas?
Sea
D= Piezas Defectuosas
No D= No piezas Defectuosas
P (A) = 0,40 P(B)= 0,33 P(C)= 0,27
P (D/A) = 0,04 P(D/B) = 0,03 P(D/C) = 0,02
29. P(D)= P(A)P(D/A) + P(B)P(D/B) + P(C)P(D/C)

P (D)= (0,40) (0,04) + (0,33) (0,03) + P (0,27) (0,02)
P (D)= 0,03134* 100=3.13%
La probabilidad de que sea defectuosa es del 3,13%
30. P(A/D) = (P(A)P(D/A)) / P(D)

P(A/D) = (0,40*0,04) / 0,03134
P(A/D) = 0,511 * 100 = 51,1%
La probabilidad de que sea producida por la maquina A dado que es defectuosa es del
51,1%
31. P (B/D) = (P(B)P(D/B)) / P(D)

P (B/D) = (0,33*0,03) / 0,03134
P (B/D) = 0,316 * 100 = 31,6%
La probabilidad de que sea producida por la maquina B dado que es defectuosa es del
31,6%
P (C/D) = (P(C)P(D/C)) / P(D)
P(C/D) = (0,27*0,02) / 0,03134
P(C/D) = 0,173 * 100 = 17,3%
La probabilidad de que sea producida por la maquina C dado que es defectuosa es del
17,3%
La máquina que produce más piezas defectuosas es la A.

159
29. Se tienen tres bolsas de confites con 3 sabores: la bolsa 1 contiene 2 de mora, 10 de
chocolate y 12 maní; la bolsa 2 contiene 6 de mora, 12 de chocolate y 15 maní; la bolsa 3
contiene 8 de mora, 7 de chocolate y 9 maní. Se selecciona una bolsa al azar y se extrae un
dulce. Si el dulce es de mora. ¿Cuál es la probabilidad de que sea sacado de la bolsa 2?
30. Responda las siguientes situaciones de acuerdo a lo visto en la unidad

a. Con sus propias palabras de un ejemplo de probabilidades.
b. Realice tres ejemplos de tipos de probabilidades.
c. Realice un ejercicio de la vida cotidiana aplicando el diagrama de árbol.
d. Construya un ejercicio de la vida cotidiana aplicando del Teorema de Bayes.
e. Un equipo de fútbol juega 70% de sus partidos de noche y 30% durante el día. El equipo
gana 50% de sus juegos nocturnos y 90% de los diurnos. De acuerdo con el diario del día de
hoy, ganó ayer. a) ¿Cuál es la probabilidad de que el partido se haya desarrollado de día? b)
Cuál la probabilidad de que el partido se haya desarrollado de noche?
31. En un distrito electoral 40% de los votantes son liberales, 35% son conservadores y el
resto son independientes. En la última elección de la primera vuelta el 15% de los liberales,
el 20% de los conservadores y el 10% de los independientes votaron. Encuentre la
probabilidad de que una persona que votó a) Sea liberal b) Sea conservador c) Sea
independiente.
32. Un fabricante de artículos tiene 4 líneas de ensamble: A, B, C y D. Los porcentajes de

producción diaria de las 4 líneas son: 35%, 20%, 30% y 15% respectivamente. Los porcentajes
de unidades defectuosas por línea son: 2%, 4%, 3% y 4% respectivamente. Suponga que un
artículo es extraído de la producción diaria y está defectuoso ¿Cuál es la probabilidad de que
haya salido de la línea a) A? b) B? c) C? d) D? e) ¿De cuál línea de ensamble es más probable
que haya salido?
33. Un proceso de manufactura requiere el uso de un soldador robotizado en cada una

de las dos líneas de ensamble A y B que producen 200 y 400 unidades por día
respectivamente. Con base en la experiencia se cree que el soldador A produce 2% de las
unidades defectuosas, mientras que el soldador B produce 5% de las unidades defectuosas;
al final del día se selecciona una unidad al azar de la producción total y se halla defectuosa
¿Cuál es la probabilidad de que provenga de la línea A? ¿Cuál es la probabilidad de que

160 provenga de la línea B?
34. Un gerente de una línea de juguetes planea la introducción de un nuevo juguete al

mercado. En el pasado el 40% de los juguetes introducidos por esta firma han tenido éxito y
el 60% no lo han tenido. Antes de lanzar el juguete al mercado se hace una investigación de
mercados y elabora un informe favorable o desfavorable. En el pasado 80% de los juguetes
con éxito recibieron informes favorables y 30% de los juguetes sin éxito también recibieron
informes favorables. El gerente desea saber la probabilidad de que el nuevo juguete tendrá
éxito si recibe un informe favorable.
35. Una perfumería envía muestras de su último perfume al 70% de sus clientes. El 10%
de los que recibieron la muestra empezaron a usar el perfume también el 20% de los clientes
que no recibieron el perfume, empezaron a usarlo. ¿Cuál es la probabilidad de que un cliente
que esté usando el perfume haya recibido la muestra otorgada por la perfumería?
161 5 UNIDAD 5 DISTRIBUCIÓN DE PROBABILIDADES

 Video: Introducción a la distribución de probabilidades discretas
 ” Ver Video”: https://www.youtube.com/watch?v=A_4rMI8ZUa4
 Video: Distribución De Probabilidades

 ” Ver Video”: https://www.youtube.com/watch?v=ebYxQOSZQqs
DEFINICIÓN CONCEPTOS BÁSICOS

Variable aleatoria: formalmente, una variable aleatoria es una función, que asigna eventos (p.e.,
los posibles resultados de tirar un dado dos veces: (1, 1), (1, 2), etc.) A números reales (p.e., su
suma). Una variable aleatoria o variable estocástica es una variable estadística cuyos valores se
obtienen de mediciones en experimento aleatorio.
Variable discreta: una variable discreta es una variable que sólo puede tomar valores dentro de
162 un conjunto numerable, es decir, no acepta cualquier valor sino sólo aquellos que pertenecen al
conjunto.
Variable continua: una variable continua puede tomar un valor cualquiera dentro de un intervalo
predeterminado.
Valor esperado: en estadística la esperanza matemática (también

llamada espera4nza, valor esperado, media poblacional o media) de una variable aleatoria ,
es el número que formaliza la idea de valor medio de un fenómeno aleatorio.
Distribución de probabilidad: es una función que asigna a cada suceso definido sobre la variable
aleatoria, la probabilidad de que dicho suceso ocurra. La distribución de probabilidad está
definida sobre el conjunto de todos los sucesos, cada uno de los sucesos es el rango de valores
de la variable aleatoria.
Distribución de probabilidad normal: en estadística y probabilidad se llama distribución

normal, distribución de gauss o distribución gaussiana, a una de las distribuciones de
probabilidad de variable continua que con más frecuencia aparece aproximada en fenómenos
reales.
Distribución de probabilidad uniforme: en teoría de probabilidad y estadística, la distribución

uniforme continua es una familia de distribuciones de probabilidad para variables aleatorias
continuas, tales que cada miembro de la familia, todos los intervalos de igual longitud en la
distribución en su rango son igualmente probable.
Distribución de probabilidad gaussiana: en estadística y probabilidad se llama distribución

normal, distribución de gauss o distribución gaussiana, a una de las distribuciones de
probabilidad de variable continua que con más frecuencia aparece aproximada en fenómenos
reales.
Distribución de probabilidad exponencial: en estadística la distribución exponencial es

una distribución de probabilidad continua con un parámetro cuyafunción de
densidad es:
definiciones tomadas de: Wikipedia, la enciclopedia libre

es.wikipedia.org/wiki

Distinguir las distribuciones de las diferentes probabilidades.
5.1.3 OBJETIVOS ESPECÍFICOS

 Conocer las probabilidades de la distribución discreta.
 Conocer las probabilidades de la distribución continua.
 Diferenciar cada modelo de probabilidad.
5.2 TEMA 1 VARIABLES DISCRETAS

Antes de entrar a definir lo que es una variable discreta, se definirá lo que es una Variable
Aleatoria.
VARIABLE ALEATORIA
Es una variable cuyos valores están determinados por el resultado de un proceso al azar o
aleatorio; por tanto, una variable aleatoria se puede definir como la descripción numérica del
resultado de un experimento; por ejemplo si se lanza una moneda dos veces, el número de
caras que pueden aparecer puede tomar valores de 0,1, 2.
Las variables aleatorias se representan con letras mayúsculas como X, Y, Z
Ejemplos:
Ejemplo 1: lanzar un dado, la variable aleatoria “Y” indica el número que aparece en la cara
superior Y = 1, 2, 3, 4, 5, 6
Ejemplo 2: lanzar una moneda sucesivamente hasta que salga cara Z = 1, 2, 3….
Ejemplo 3: un estudiante está realizando un examen y el tiempo límite es de una hora; si “X” es
el número de minutos que le lleva para terminar el examen entonces 0 < X ≤ 60 la variable
aleatoria es un intervalo.
164 Clasificación de las variables aleatorias
Si toma un número finito o infinito de valores

separados; es decir, si sus valores corresponden a
Variable aleatoria discreta los enteros positivos como los ejemplos 1 y 2 se
origina de un proceso de conteo.
Si toma cualquier valor dentro de un intervalo, se

origina de un proceso medición, como el ejemplo 3.
Variable aleatoria continua

En los siguientes experimentos diga cuales valores puede tomar la variable y que tipo de variable
aleatoria es:
Experimento Variable aleatoria(X) Valores posibles Tipo de vr
Funcionamiento de un Tiempo en minutos entre la 𝒙≥𝟎 Continua

banco llegada de los clientes
Llamar a 5 clientes Cantidad de clientes que 𝒙 = 𝟏, 𝟐, 𝟑, 𝟒, 𝟓 Discreta

hacen el pedido
Proyecto para construir Porcentaje del proyecto 𝟎 ≤ 𝒙 ≤ 𝟏𝟎𝟎 Continua

una biblioteca terminado en seis meses
Clientela de un Cantidad de clientes 𝒙 = 𝟎, 𝟏, 𝟐, 𝟑, … Discreta

restaurante
165 Inspeccionar un Cantidad de tubos 𝒙 = 𝟎, 𝟏, 𝟐, . . , 𝟓𝟎 Discreta

embarque de 50 tubos defectuosos
Variable Discreta: es una variable cuantitativa que toma valores aislados.
Nota: Esta variable no admite valores intermedios entre dos valores determinados o
específicos.
Ejemplo: El número de hermanos de tres amigos: 2, 5, 1
Una variable discreta también se puede definir como aquella que establece categorías en
términos cualitativos entre elementos. Ejemplo: estado civil, sexo, servicios de un centro de
salud, entre otros.
En el siguiente video encontrarás una amplia explicación y ejemplos de lo que son las variables
Discreta y Continua
 Video: Variables Discretas Y Continuas

 ” Ver Video”: https://www.youtube.com/watch?v=rNXwZ0ukeqs

De acuerdo a lo indicado en el video, realiza un listado de 10 variables Discretas y 10 variables
Continuas:
VARIABLES DISCRETAS VARIABLES CONTINUAS
1. 1.
166 2. 2.
3. 3.
4. 4.
5. 5.
6. 6.
7. 7.
8. 8.
9. 9.
10. 10.
 La distribución de probabilidad para una variable aleatoria discreta.
La distribución de probabilidad para una variable aleatoria discreta 𝒙 es una tabla, gráfica o
fórmula que da la probabilidad 𝑷(𝑿 = 𝒙) asociada a cada posible valor de 𝒙.
 Distribución aleatoria discreta, variable aleatoria, es comparar una distribución de

frecuencias con una de probabilidad.
 Distribución aleatoria: Una variable aleatoria es discreta cuando sólo puede tomar unos
ciertos valores enteros.
Ejemplos de variable aleatoria

• Número de caras obtenidas al lanzar tres monedas: 0, 1, 2, 3.

167 • Suma de las caras superiores obtenidas al lanzar dos dados: 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12.
Distribución de probabilidad
 En las distribuciones estadísticas discretas se obtienen los resultados en forma

empírica o experimental:
𝑹𝒆𝒔𝒖𝒍𝒕𝒂𝒅𝒐𝒔: 𝑭𝒓𝒆𝒄𝒖𝒆𝒏𝒄𝒊𝒂𝒔 𝑨𝒃𝒔𝒐𝒍𝒖𝒕𝒂𝒔 𝒇𝒊 𝒚 𝑭𝒓𝒆𝒄𝒖𝒆𝒏𝒄𝒊𝒂𝒔 𝑹𝒆𝒍𝒂𝒕𝒊𝒗𝒂𝒔 𝒉𝒊 .
 Realizando el experimento muchas veces (infinitas) se obtiene la Distribución de

Probabilidad.
 La Distribución de Probabilidad de una variable aleatoria es teórica y son los

resultados esperados.
 Es una idealización de la correspondiente Distribución de Frecuencias.
 También se llama Función de probabilidad o Ley de Probabilidad.
 Características
 A cada valor de la Variable Aleatoria 𝒙𝒊 se le hace corresponder una probabilidad
esperada teórica 𝒑𝒊 .
 Se representa gráficamente mediante un Diagrama de Barras.
 La suma de todas las probabilidades esperadas es uno (1).

Se lanza un dado perfecto 240 veces, se anota el resultado obtenido en la cara superior
obteniendo los siguientes resultados:
168 Distribución aleatoria discreta
Cara superior 1 2 3 4 5 6
Número de
40 39 42 38 42 39
veces
Se pide:
a. Construir la tabla de Distribución de Frecuencias Relativas de los resultados obtenidos.

b. Construir la Distribución de Probabilidad de los resultados esperados.
c. Representar gráficamente las dos Distribuciones.
1
Nota: Si un dado es perfecto la Probabilidad de cada una de las caras es la misma: 6
Procedimiento
1. Se realiza la Tabla de distribución de frecuencias:

Nota: La tabla de distribución de frecuencias muestra los resultados obtenidos.
Cara 𝒙𝒊 Frecuencia absoluta 𝒇𝒊 Frecuencia relativa 𝒉𝒊
40
1 40 =0,1667
240
39
2 39 =0,1625
240
42
3 42 =0,1750
240
169 4 38 38
=0,1583
240
42
5 42 =0,1750
240
39
6 39 =0,1625
240
∑ 𝑓𝑖 = 240 ∑ ℎ𝑖 = 1
2. La tabla de distribución de probabilidad muestra los resultados esperados
Cara 𝒙𝒊 Número de veces Probabilidades 𝒑𝒊
1 40 1
= 0,1667
6
2 40 1
= 0,1667
6
3 40 1
= 0,1667
6
4 40 1
= 0,1667
6
5 40 1
= 0,1667
6
6 40 1
= 0,1667
6
170 ∑ # 𝑣𝑒𝑐𝑒𝑠 = 240 ∑ 𝑝𝑖 = 1
3. Gráfica de las distribuciones
En la gráfica de los valores esperados, se observa que a cada valor de la variable aleatoria 𝒙𝒊
"cara del dado" se le hace corresponder su probabilidad teórica. A esta ley se le llama
distribución de probabilidad.
Tomado de: Distribuciones probabilidad discreta - Monografias.com www.monografias.com

› Matematicas › Estadística
 El valor esperado de una variable aleatoria (y) o una función g (y) de y.
En estadística valor esperado (también llamada esperanza, la esperanza matemática, media

poblacional o media) de una variable aleatoria 𝑿, es el número 𝑬[𝑿] que formaliza la idea
de valor medio de un fenómeno aleatorio.
Cuando la variable aleatoria es discreta, la esperanza es igual a:

171 La suma de la probabilidad de cada posible suceso aleatorio multiplicado por el valor de dicho
suceso.
Nota 1: Representa la cantidad media que se "espera" como resultado de un experimento

aleatorio cuando:
 La probabilidad de cada suceso se mantiene constante, y
 El experimento se repite un elevado número de veces.
Nota 2: Cabe decir que el valor que toma la esperanza matemática en algunos casos puede no
ser "esperado", en el sentido más general de la palabra - el valor de la esperanza puede ser
improbable o incluso imposible.

1. El valor esperado cuando tiramos un dado equilibrado de 6 caras es 3,5. Realizando el cálculo:
𝟏 𝟏 𝟏 𝟏 𝟏 𝟏
𝑬[𝑿] = 𝟏 ∗ + 𝟐 ∗ + 𝟑 ∗ + 𝟒 ∗ + 𝟓 ∗ + 𝟔 ∗
𝟔 𝟔 𝟔 𝟔 𝟔 𝟔
𝟏+𝟐+𝟑+𝟒+𝟓+𝟔
𝑬[𝑿] = = 𝟑, 𝟓
𝟔
Conclusión: 3,5 no es un valor posible al rodar el dado. En este caso, en el que todos los sucesos
son de igual probabilidad, la esperanza es igual a la media aritmética.
2. Una aplicación común de la esperanza matemática es en las apuestas o los juegos de azar.
Por ejemplo, la ruleta americana tiene 38 casillas equiprobables. La ganancia para acertar una
apuesta a un solo número paga de 35 a 1 (es decir, se cobra 35 veces lo que se ha apostado y se
recupera la apuesta, así que se recibe 36 veces lo que se ha apostado). Por tanto, considerando
los 38 posibles resultados, la esperanza matemática del beneficio para apostar a un solo número
es:
37 1
(−1 ∗ ) + (35 ∗ ) = −0,0526
38 38
Por lo tanto, uno esperaría, en media, perder unos 5 centavos por cada euro que apuesta, y el
172 valor esperado para apostar 1 euro son 0.9474 euros. En el mundo de las apuestas, un juego
donde el beneficio esperado es cero (no se gana ni se pierde) se llama un "juego justo".
Nota 1: El primer paréntesis es la "esperanza" de perder la apuesta de 1€, por eso es negativo
el valor.
Nota 2: El segundo paréntesis es la esperanza matemática de ganar los 35€.
Nota 3: La esperanza matemática del beneficio (EMB) es:
𝑬𝑴𝑩 = 𝑬𝒍 𝒗𝒂𝒍𝒐𝒓 𝒆𝒔𝒑𝒆𝒓𝒂𝒅𝒐 𝒂 𝒈𝒂𝒏𝒂𝒓 − 𝑬𝒍 𝒗𝒂𝒍𝒐𝒓 𝒆𝒔𝒑𝒆𝒓𝒂𝒅𝒐 𝒂 𝒑𝒆𝒓𝒅𝒆𝒓
Tomado de: Esperanza matemática - Wikipedia, la enciclopedia libre
es.wikipedia.org/wiki/Esperanza_matemátic

1. ¿Cuántas caras se pueden obtener al lanzar dos monedas?
- El espacio muestral sería:
𝑆 = {𝑐𝑐, 𝑐𝑠, 𝑠𝑐, 𝑠𝑠}
𝑥 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑎𝑟𝑎𝑠 ⟶ 𝑥 = 0, 1, 2
𝑓(𝑥): 𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑞𝑢𝑒 𝑜𝑐𝑢𝑟𝑟𝑎 𝑐𝑎𝑑𝑎 𝑒𝑣𝑒𝑛𝑡𝑜
𝟎 (𝒔, 𝒔) 𝑷(𝒙) = 𝟎 𝟏 𝒇(𝟎)

𝟒
𝟏 (𝒄, 𝒔) (𝒔, 𝒄) 𝑷(𝒙) = 𝟏 𝟐 𝒇(𝟏)

𝟒
𝟐 (𝒄, 𝒄) 𝑷(𝒙) = 𝟐 𝟏 𝒇(𝟐)

𝟒
Distribución de probabilidades:
173
En el Ejercicio:
 El valor esperado de obtener caras al lanzar dos monedas es 1.
 El número de caras que se obtienen al lanzar dos monedas se desvían 𝟎. 𝟕𝟎𝟕 de su promedio
1 (√𝟎. 𝟓 = 𝟎. 𝟕𝟎𝟕 ∗∗).
Tabla de Frecuencias
𝒙 𝒇(𝒙) 𝒙 ∗ 𝒇(𝒙) (𝒙 − 𝝁)𝟐 ∗ 𝒇(𝒙)
𝟎 𝟏 𝟏 𝟎. 𝟐𝟓
= 𝟎. 𝟐𝟓 𝟎∗ =𝟎
𝟒 𝟒
𝟏 𝟐 𝟐 𝟎
= 𝟎. 𝟓 𝟏∗ = 𝟎. 𝟓
𝟒 𝟒
𝟐 𝟏 𝟏 𝟎. 𝟐𝟓
= 𝟎. 𝟐𝟓 𝟐∗ = 𝟎. 𝟓
𝟒 𝟒
𝟒 ∑ = 𝟎. 𝟓 = 𝝈𝟐 **
∑=𝟏 ∑= 𝝁=𝟏
𝟒
Nota: Siempre se debe cumplir que: 𝒇(𝒙) ≥ 𝟎 y que ∑ 𝒇(𝒙) = 𝟏 por las propiedades de las
probabilidades.
Gráfica de distribución de probabilidades:

174
Número de caras al lanzar dos
Monedas
0,6
0,5
0,4
f(X) 0,3
0,2
0,1
0
`0 `1 `2
X (número de caras)
2. A continuación, se tienen los datos sobre la cantidad de salas de operación en uso durante
20 días de un hospital:
𝒙 𝑵𝒐 𝒇(𝒙) 𝒙 ∗ 𝒇(𝒙) (𝒙 − 𝝁)𝟐 ∗ 𝒇(𝒙)

Salas de operación Días
𝟏 3 𝟎. 𝟏𝟓 𝟏 ∗ 𝟎. 𝟏𝟓 𝟎. 𝟒𝟎𝟖
= 𝟎. 𝟏𝟓
𝟐 5 𝟎. 𝟐𝟓 𝟐 ∗ 𝟎. 𝟐𝟓 = 𝟎𝟓 𝟎. 𝟏𝟎𝟔
𝟑 8 𝟎. 𝟒 𝟑 ∗ 𝟎. 𝟒 = 𝟏. 𝟐 𝟎. 𝟎𝟒𝟗
𝟒 4 𝟎. 𝟐 𝟒 ∗ 𝟎. 𝟐 = 𝟎. 𝟖 𝟎. 𝟑𝟔𝟓
175 ∑ = 𝟐𝟎 ∑=𝟏 ∑ = 𝟐. 𝟔𝟓 ∑ = 𝟎. 𝟗𝟐𝟖 = 𝝈𝟐 ***
=𝝁
X(salas de Nº de f(X) X* f(X) (X - µ)2*f(X)

oper días
1 3 0.15 0.15 0.408
2 5 0.25 0.5 0.106
3 8 0.4 1.2 0.049
4 4 0.2 0.8 0.365
∑ = 20 ∑=1 ∑= 2.65 = µ ∑ = 0.928 =  2
1) El valor esperado de las salas de operación en uso del hospital es 2,65.
2) Las salas de operación en uso del hospital se desvían 0,963 (√𝟎. 𝟗𝟐𝟖 = 𝟎. 𝟗𝟔𝟑 ∗∗∗) de su
promedio 2,65.

Dada la anterior tabla de Frecuencias:
1. busque las funciones de probabilidad e interprete cada una de ellas.

2. Trace una gráfica de función de probabilidad.
Algunos teoremas útiles de la esperanza.

176
1. Al multiplicar todos los valores de una variable por una misma constante, el valor esperado de
ésta queda multiplicado por el valor de la constante.
E(AX)=A.E(X)
2. Al sumar a todos los valores de una variable una misma constante, el valor esperado de ésta
queda incrementado por el valor de la constante
E(X+A)=E(X)+A
3. Si se tienen dos variables X e Y, discretas o continuas, el valor esperado de su suma o diferencia
es la suma o diferencia de sus valores esperados
E(X±Y)=E(X)±E(Y)
4. Si las variables X e Y son variables aleatorias independientes ocurre que el valor esperado de
su producto es igual al producto de sus valores esperados.
E(X.Y)=E(X).E(Y)
Algunos teoremas útiles de la esperanza.
 Pruebas de Bernoulli.
La Distribución de Bernoulli, llamada también Distribución Dicotómica, es una distribución de
Probabilidad Discreta que:
 Para la Probabilidad de éxito (P) toma el valor 1, y
 Para la Probabilidad de Fracaso (q) toma el valor 0.

177 Nota: el valor de q está determinado por: 𝒒 = 𝟏 − 𝒑
Sea 𝑿 una variable Aleatoria que mide el número de éxitos y se realiza un único experimento
con dos posibles resultados – éxito o Fracaso - se dice entonces que la variable Aleatoria 𝑿 se
distribuye como una Bernoulli de Parámetro P y se denota de la siguiente forma:
𝑿~𝑩𝒆 (𝒑)
La fórmula para determinar esta distribución está dada por:
𝒇(𝒙) = 𝒑𝒙 (𝟏 − 𝒑)𝟏−𝒙 𝒄𝒐𝒏 𝒙 = {𝟎, 𝟏}

La función de Probabilidad está definida por:
𝒑 𝒔𝒊 𝒙 = 𝟏
𝑓(𝑥, 𝑝) { 𝒒 𝒔𝒊 𝑿 = 𝟎 }
𝟎 𝑬𝒏 𝒄𝒖𝒂𝒍𝒒𝒖𝒊𝒆𝒓 𝒐𝒕𝒓𝒐 𝒄𝒂𝒔𝒐
Nota: Un experimento al cual se aplica la distribución de Bernoulli se conoce como Ensayo de

Bernoulli o simplemente ensayo, y la serie de esos experimentos como ensayos repetidos.
Ejemplos:
En la práctica, estos ensayos, solo se utilizan para modelar fenómenos aleatorios que solo tienen dos resultados
posibles:
 Lanzar una moneda y verificar el resultado:

 Si sale cara (éxito), o
 Si sale sello (fracaso).
Se supone entonces que: Una moneda tiene una probabilidad de éxito de 0,5 (50%).
 Cuando se lanza un dado, verificar si se obtiene un tres (es un éxito) o cualquier otro valor
es un fracaso.
 ¿Era el recién nacido niña?
Nota: Se debe tener claro que éxito y fracaso son etiquetas para los resultados y no deben
ser interpretados literalmente
178 5.2.7 EJERCICIO DE APRENDIZAJE

¿Cuál es la probabilidad de lanzar un dado y que salga 2?
Procedimiento
a. Al lanzar un dado se tienen 6 posibilidades de resultado, por lo tanto el espacio muestral (S),
es:
𝑆 = {1, 2, 3, 4, 5, 6}
𝟏
b. Sacar 2 se considera Éxito, la probabilidad es 𝑷 = 𝟔 (ver espacio muestral).
c. No sacar 2 se considera un Fracaso, entonces:
𝟏 𝟔−𝟏 𝟓
𝒒=𝟏−𝒑→𝒒=𝟏− →𝒒= →𝒒=
𝟔 𝟔 𝟔
La probabilidad de que salga un 2 está definida por:
1. 𝒙 = 𝟏 (é𝒙𝒊𝒕𝒐), entonces reemplazando en la fórmula:
𝒇(𝒙) = 𝒑𝒙 (𝟏 − 𝒑)𝟏−𝒙 𝒄𝒐𝒏 𝒙 = {𝟎, 𝟏}

𝟏 𝟏 𝟏 𝟏−𝟏 𝟏 𝟏 𝟎
𝑷(𝒙 = 𝟏) = ( ) ∗ (𝟏 − ) → 𝑷(𝒙 = 𝟏) = ∗ (𝟏 − )
𝟔 𝟔 𝟔 𝟔
𝟏
𝑷(𝒙 = 𝟏) = → 𝑷(𝒙 = 𝟏) = 𝟎, 𝟏𝟔𝟔
𝟔
𝟎, 𝟏𝟔𝟔 es la probabilidad de que salga un 2
2. 𝒙 = 𝟎 (𝑭𝒓𝒂𝒄𝒂𝒔𝒐), reemplazando en la fórmula se tiene:
𝟏 𝟎 𝟏 𝟏−𝟎 𝟓 𝟏
𝑷(𝒙 = 𝟎) = ( ) ∗ (𝟏 − ) → 𝑷(𝒙 = 𝟏) = 𝟏 ∗ ( )
𝟔 𝟔 𝟔
𝟓
179 𝑷(𝒙 = 𝟎) = → 𝑷(𝒙 = 𝟎) = 𝟎, 𝟖𝟑𝟑
𝟔
𝑷(𝒙 = 𝟎) = 𝟎, 𝟖𝟑𝟑 𝒆𝒔 𝒍𝒂 𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒅𝒂𝒅 𝒅𝒆 𝒒𝒖𝒆 𝒏𝒐 𝒔𝒂𝒍𝒈𝒂 𝒖𝒏 𝟐
 LA DISTRIBUCIÓN BINOMIAL
Recomendación: http://www.jorgegalbiati.cl/nuevo_06/binomial.pdf
Es una distribución aleatoria discreta que cumple con las siguientes características:
1. Existe una serie de N ensayos u observaciones.
2. En cada ensayo sólo hay 2 posibles resultados mutuamente excluyentes, generalmente

conocidos como éxito (que se denota con P) y fracaso(que se denota con 1-P)
3. El resultado (éxito o fracaso) de cualquier ensayo es independiente del resultado de otro

ensayo, es decir que el resultado de un ensayo no afecta el resultado de cualquiera de los demás.
4. La probabilidad de cada resultado posible que se clasifique como éxito es constante de ensayo
en ensayo; lo mismo ocurre con la probabilidad de fracaso.

¿Cuál es la probabilidad de que en una muestra de 20 microprocesadores del mismo tipo ninguno
salga defectuoso, si 8% de dichos microprocesadores producidos en una planta en particular son
defectuosos?
Procedimiento
1. Son 20 ensayos u observaciones.
2. Los resultados son P = 0.08 salir defectuoso y 1-P = 0.92 no salir defectuoso.
3. La probabilidad de que un microprocesador se clasifique como defectuoso o no defectuoso

es independiente de la clasificación de cualquier otro microprocesador.
4. En todos los ensayos se cumplirán las probabilidades del punto segundo.

Fórmula para la Distribución Binomial

180
Está dada por:
𝒇(𝒙) = 𝑪𝒏𝒓 ∗ 𝑷𝒓 ∗ (𝟏 − 𝑷)𝒏−𝒓

Dónde:
𝒏= tamaño de la muestra.
𝑷= probabilidad de éxito.
𝟏 − 𝒑= probabilidad de fracaso.
𝒓= número de éxitos en la muestra

1. En un almacén se sabe por la experiencia que la probabilidad de que un cliente compre es de
0,30 Si entran 3 clientes ¿Cuál es la probabilidad de que dos de ellos compren?
Procedimiento
a. Datos del problema
 𝒏= tamaño de la muestra= 𝟑
 𝑷= probabilidad de éxito, que el cliente compre= 𝟎, 𝟑
 𝟏 − 𝒑= probabilidad de fracaso, que el cliente no compre
𝟏 − 𝒑 = 𝟏 − 𝟎, 𝟑 = 𝟎, 𝟕
 𝒓= número de éxitos en la muestra= 𝟐
b. Se aplica la fórmula:
𝒇(𝒙) = 𝑪𝒏𝒓 ∗ 𝑷𝒓 ∗ (𝟏 − 𝑷)𝒏−𝒓

c. Reemplazando los datos conocidos, se tiene

181
𝒇(𝒙) = 𝑪𝟑𝟐 ∗ 𝑷𝟐 ∗ (𝟏 − 𝑷)𝟑−𝟐 = 𝟑 ∗ (𝟎, 𝟑)𝟐 ∗ (𝟎, 𝟕) →
𝒇(𝒙) = 𝟑 ∗ 𝟎, 𝟎𝟗 ∗ 𝟎, 𝟕 = 𝟎, 𝟏𝟖𝟗
Solución: La posibilidad que dos de ellos compren es de 𝟎, 𝟏𝟖𝟗, que en porcentaje es
𝟏𝟖, 𝟗%
2. Una moneda es lanzada 8 veces ¿Cuál es la probabilidad de obtener al menos 2 caras?
Procedimiento
a. Se tiene que:
𝑷(𝒙 ≥ 𝟐) = 𝟏 − 𝑷(𝒙 < 𝟐)

b. Por lo tanto:
𝑷(𝒙 < 𝟐) = 𝑷(𝒙 = 𝟎) + 𝑷(𝒙 = 𝟏) →

𝟏 𝟏 𝟖 𝟏 𝟏 𝟕
𝑷(𝒙 < 𝟐) = 𝑪𝟖𝟎 ∗ ( )𝟎 ∗ ( ) + 𝑪𝟖𝟏 ∗ ( )𝟏 ∗ ( ) →
𝟐 𝟐 𝟐 𝟐
𝟖! 𝟏 𝟖! 𝟏 𝟏
𝑷(𝒙 < 𝟐) = ∗𝟏∗ + ∗ ∗ →
𝟎! ∗ 𝟖! 𝟐𝟓𝟔 𝟏! ∗ 𝟕! 𝟐 𝟏𝟐𝟖
𝟏 𝟏 𝟏 𝟗
𝑷(𝒙 < 𝟐) = 𝟏 ∗ 𝟏 ∗ +𝟖∗ ∗ =
𝟐𝟓𝟔 𝟐 𝟏𝟐𝟖 𝟐𝟓𝟔
c. Reemplazando, se tiene:
𝟗
𝑷(𝒙 ≥ 𝟐) = 𝟏 − 𝑷(𝒙 < 𝟐) = 𝟏 − = 𝟎, 𝟗𝟔𝟒𝟖
𝟐𝟓𝟔
Nota: Además se pueden encontrar en la tabla de la distribución binomial, r se reemplaza por x
y los demás datos quedan igual
182 5.2.10 TALLER DE ENTRENAMIENTO

En los ejercicios que se le presentan a continuación pondrá en práctica todos los conceptos vistos
en el desarrollo de la unidad, para entrar a resolverlos tenga presente los conceptos teóricos y
los ejercicios de aprendizaje desarrollados durante la unidad, si tiene alguna duda trate de
contactarse con alguno de sus compañeros o recurra a su respectivo tutor por alguno de los
medios o canales de comunicación dispuesto para ello.
DISTRIBUCIÓN BINOMIAL
1. Para un grupo de personas, 20% de sus impuestos son auditados cada año. Se eligen 5 personas
al azar ¿Cuál es la probabilidad de que exactamente 2 tendrán auditoría?
2. Un estudiante realiza un examen de 10 preguntas de falso y verdadero si él adivina Cuál es la
probabilidad de que:
a) Obtenga 8 preguntas correctas.
b) Gane el examen, es decir que responda 6 preguntas correctas o más.
c) Si el examen en vez de las 10 preguntas de falso y verdadero fueran de opción múltiple y cada
pregunta fuera de 4 opciones, responda a) y b)
3. De acuerdo con ciertos datos, el 25% están a favor de la reelección y el resto en contra. Se
eligen 4 personas al azar, cuál es la probabilidad de que:
a) Todos estén a favor de la reelección.
b) Todos estén en contra.
c) Al menos 1 esté en contra.
4. En Uniremington el 35% de los estudiantes son de regiones diferente a Medellín. Se eligen 8

alumnos al azar, cuál es la probabilidad de que:
a) Todos sean de otras regiones.
b) Todos sean de Medellín.
c) Como máximo 4 sean de otras regiones.
5. El 30% del Senado de Colombia está conformado por mujeres; si se seleccionan 7 Senadores al
azar, cuál es la probabilidad de que:
a) Todos sean mujeres.
b) Todos sean hombres.
c) Al menos 4 sean mujeres.

183
6. De acuerdo con las estadísticas en Uniremington, el 3% de los estudiantes pierden Estadística
probabilística, si se eligen 6 estudiantes al azar, cuál es la probabilidad de que:
a) Ninguno pierda la materia.
b) Como máximo 2 pierdan la materia.
c) Como mínimo 2 pierdan la materia.
d) Al menos 1 pierda la materia.
DISTRIBUCIÓN POISSON
Es una Distribución de Probabilidad Discreta que, a partir de una frecuencia de ocurrencia

media, expresa la probabilidad de que ocurran un determinado número de eventos durante
cierto período de tiempo.
Está generalizada en la probabilidad de ocurrencia de sucesos con probabilidades muy pequeñas
o sucesos muy raros (de hecho, se le llama Distribución de los eventos Raros), porque usa como
aproximación la Probabilidad Binomial, cuando el tamaño de la muestra es grande y la cantidad
de éxitos es pequeña.
También se puede definir como:
1. Una distribución de probabilidad Discreta. Es la probabilidad de un número de eventos

ocurriendo en un tiempo fijo si estos eventos ocurren con una frecuencia de media
conocida y son independientes del instante de acontecer.
2. Es la relación de una variable con respecto a espacio, volumen y tiempo.
Nota: Esta probabilidad fue descubierta por Siméon Denis POisson quién la dio a conocer en 1.838
en su obra:
” Recherches sur la Probabilité des jugements en matière criminelles et matière civile”

(Investigación sobre la probabilidad de los juicios en materias criminales y civiles).
Cuando en un Espacio Aleatorio (𝑬. 𝑨) se define una variable Aleatoria(𝑿), con una
184
probabilidad de ocurrencia pequeña, esta se determina como una generalización de la
Distribución Binomial.
Nota: La variable Aleatoria(𝑿), representa el número de éxitos independientes que ocurren

para intervalos de medidas específicas (tiempos, lugares, espacios).
Los intervalos de medida se refieren a:
 Tiempo: Segundo, minuto, hora, día, semana, mes, año, entre otros.
 Área: Centímetro cuadrado, pulgada cuadrada, entre otras.
 Volumen: Litro, galón, onza, entre otras.
Ejemplo
Ejemplos de estos eventos que pueden ser modelados por la distribución de Poisson incluyen:
 El número de autos que pasan a través de un cierto punto en una ruta (suficientemente
distantes de los semáforos) durante un periodo definido de tiempo.
 El número de errores de ortografía que uno comete al escribir una única página.
 El número de llamadas telefónicas en una central telefónica por minuto.
 El número de servidores web accedidos por minuto.
 El número de animales muertos encontrados por unidad de longitud de ruta.
 El número de mutaciones de determinada cadena de ADN después de cierta cantidad de
radiación.
 El número de núcleos atómicos inestables que se han desintegrado en
 un determinado período.
 El número de estrellas en un determinado volumen de espacio.
 La distribución de receptores visuales en la retina del ojo humana.
 La inventiva de un inventor a lo largo de su carrera
 La distribución de la riqueza humana
 Número de defectos por 𝒎𝟐 .en piezas similares de un material
 Número de personas que llegan a un taller automotriz en un lapso de tiempo específico.
 Número de impulsos electrónicos errados transmitidos durante espacio de tiempo específico.
 Número de llamadas telefónicas que ingresan a un conmutador por minuto.
 Número de interrupciones en servicios de energía en intervalos de un día.
 Cantidad de átomos que se desintegran en sustancia radioactiva.

185  Número de accidentes automovilísticos en un cruce específico durante una semana.
 Ecuación de Poisson
Esta ecuación está dada por:
𝑒 −𝜆 𝜆𝑘
𝑓(𝑘, 𝜆) =
𝑘!
Dónde:
 𝒌: Número de ocurrencias del evento. (El evento efectivamente sucede k veces).

 𝝀: Es un parámetro positivo (representa el número de veces que se espera ocurra el
fenómeno durante el intervalo determinado, por ejemplo:
Si un suceso tiene lugar en promedio cada 2 segundos y se está interesado de que ocurra k veces
durante 15 segundos, el modelo de distribución de Poisson se determina con:
𝜆 = 15 × 2 = 30
 𝒆: Es la base de los logaritmos naturales (𝑒 = 2,71828 … )
 Tanto el valor esperado como la varianza de una variable aleatoria con distribución de
Poisson son iguales a 𝜆.

 La moda de una variable aleatoria de distribución de Poisson con un 𝜆 no entero es igual
𝜆
a [ ] , el mayor de los enteros menores que 𝜆 (el símbolo [ ] representan la función
parte entera).
 Cuando 𝜆 es un entero positivo, las modas son 𝜆 y 𝜆 − 1

186  La función generadora de momentos de la distribución de Poisson con valor esperado 𝜆 es:
∞ ∞
𝒕𝑿 ) 𝒕𝒌 𝒕𝒌
𝝀𝒌 𝒆− 𝝀 𝒕
𝑬(𝒆 = ∑ 𝒆 𝒇(𝒌, 𝝀) = ∑ 𝒆 = 𝒆 𝝀(𝒆 −𝟏)
𝒌!
𝒌=𝟎 𝒌=𝟎
 Las variables aleatorias de Poisson tienen la propiedad de ser infinitamente divisibles.
 La divergencia Kullback-Leibler desde una variable aleatoria de Poisson de parámetro 𝜆 0 a
otra de parámetro 𝜆 está dada por:

𝝀𝟎 𝝀𝟎 𝝀𝟎
𝑫𝑲𝑳 (𝝀 ∥ 𝝀𝟎 ) = 𝝀(𝟏 − + 𝒍𝒐𝒈 )
𝝀 𝝀 𝝀
GRÁFICAS Y ELEMENTOS DE LA DISTRIBUCIÓN DE POISSON
Distribución de Poisson
El eje horizontal es el índice k. La función solamente está definida en valores enteros de k.

Las líneas que conectan los puntos son solo guías para el ojo y no indican continuidad.
Función de probabilidad
187
El eje horizontal es el índice k.

Función de distribución de probabilidad
Parámetros
Dominio
Función de
probabilidad(fp)
Función de
distribución(cdf) (dónde es laFunción gamma
incompleta)
Media
Mediana
188 Moda
Varianza
Coeficiente de
simetría
Curtosis
Entropía
Función generadora
de momentos(mgf)
Función característica
Tomado de: Distribución de Poisson - Wikipedia, la enciclopedia libre

es.wikipedia.org/wiki/Distribución_de_Poisson
Referencia: Distribución Poison - Universidad Nacional de Colombia

www.virtual.unal.edu.co/cursos/ciencias/2001065/.../cont_232_74.html
 Intervalo de Confianza
Un criterio fácil y rápido para calcular un intervalo de confianza aproximada de 𝝀 es propuesto
por Guerriero (2012).
Dada una serie de eventos 𝒌 (al menos el 15 - 20) en un periodo de tiempo T, los límites del
intervalo de confianza para la frecuencia vienen dadas por:
189 𝟏, 𝟗𝟔
𝒌
𝑭𝒍𝒐𝒘 = (𝟏 − )
√𝒌 − 𝟏 𝑻
𝟏, 𝟗𝟔
𝒌
𝑭𝒖𝒑𝒑 = (𝟏 + )
√𝒌 − 𝟏 𝑻
Entonces, los límites del parámetro 𝝀 están dadas por:
𝝀𝒍𝒐𝒘 = 𝑭𝒍𝒐𝒘 𝑻
𝝀𝒖𝒖𝒑 = 𝑭𝒖𝒖𝒑 𝑻
 Relación de Poisson con otras Distribuciones
 Sumas de variables aleatorias de Poisson
La suma de variables aleatorias de Poisson independientes es otra variable aleatoria de Poisson
cuyo parámetro es la suma de los parámetros de las originales. Dicho de otra manera, si:
𝑿𝒊 ∼ 𝑷𝒐𝒊 (𝝀𝒊 ), 𝒊 = 𝟏, 𝟐, 𝟑, … , 𝑵
Son 𝑵 variables aleatorias de Poisson independientes, por lo tanto:
𝑁 𝑵
𝑌 = ∑ 𝑿𝒊 ∼ 𝑷𝒐𝒊 (∑ 𝝀𝒊
𝑖=1 𝒊=𝟏
 Distribución binomial
La distribución de Poisson es el caso límite de la distribución binomial.

Si los parámetros:
𝒏 𝒕𝒊𝒆𝒏𝒅𝒆 𝒂 𝒊𝒏𝒇𝒊𝒏𝒊𝒕𝒐 (𝒏 → ∞) y 𝜽 𝒕𝒊𝒆𝒏𝒅𝒆 𝒂 𝒄𝒆𝒓𝒐 (𝜽 → 𝟎), de manera

que:
190 𝝀 = 𝒏𝜽, se mantenga constante, entonces la distribución límite que se obtiene es de

Poisson.
 Aproximación Normal
Como consecuencia del teorema central del límite, para valores grandes de 𝝀, una variable
aleatoria de Poisson 𝑿 puede aproximarse por otra normal dado que:
𝑋−𝝀
𝑌= , converge a una distribución normal de Media Nula y Varianza igual a 1.
√𝝀
 Distribución exponencial
Supóngase que para cada valor 𝒕 > 𝟎, que representa el tiempo, el número de sucesos de
cierto fenómeno aleatorio sigue una distribución de Poisson de parámetro 𝝀𝒕. Entonces, los
tiempos transcurridos entre dos sucesos sucesivos sigue la distribución exponencial.

Si el 2% de los libros encuadernados en cierto taller tiene encuadernación defectuosa, para
obtener la probabilidad de que 5 de 400 libros encuadernados en este taller tengan
encuadernaciones defectuosas se usa la distribución de Poisson. En este caso concreto:
𝑘 = 5, y
𝝀 El valor esperado de libros defectuosos.

Procedimiento:
a. El valor esperado de libros defectuosos:
𝟐 × 𝟒𝟎𝟎
𝝀 = 𝟐% × 𝟒𝟎𝟎 → 𝝀 = =𝟖
𝟏𝟎𝟎
b. La probabilidad buscada es:
𝟖𝟓 𝒆−𝟖
𝑷(𝟓, 𝟖) = = 𝟎, 𝟎𝟗𝟐
𝟓!
c. Este problema también podría resolverse recurriendo a una distribución binomial de

191 parámetros k = 5, n = 400 y =0,02.
TABLA DE LA DISTRIBUCIÓN DE POISSON
En los siguientes enlaces encontrarás las tablas de Distribución de Poisson, realiza una revisión
completa de los mismos para que los apliques correctamente en el momento que realices
actividades que involucren estos conceptos
Tabla de distribución Poisson( T ) - Jorge Galbiati | Estadística

www.jorgegalbiati.cl/nuevo_06/Poisson.pd
 http://web.frm.utn.edu.ar/estadistica/TablasEstadisticas/TD4_PoissonAcumulada.pdf
5.3 TEMA 2 VARIABLES CONTINUAS

En este tema se determinarán los valores que puede tomar, esto es, una variable continua puede
tomar un valor cualquiera dentro de un intervalo predeterminado o también, Una variable
continua es una variable cuantitativa que puede tomar valores comprendidos
entre dos números. Una variable continua toma valores en todo un intervalo de valores. Un
atributo esencial de una variable continua es que, a diferencia de una variable discreta, nunca
puede ser medida con exactitud; el valor observado depende en gran medida de la precisión de
los instrumentos de medición. Con una variable continua hay inevitablemente un error de
medida. Como ejemplo, la estatura de una persona (1.710m, 1.715m, 1.174m....)
 Definición de variables aleatorias continúas

Una variable continua es un conjunto de valores de la variable que abarca un intervalo.
También se puede definir como: Una variable aleatoria es continua si su recorrido no es un

conjunto numerable, esto es, comprende un intervalo de números Reales, el ejemplo más claro
de lo que es una variable continua es el de la estatura de una persona extraída de una población
determinada de personas y se dice que esta puede estar contemplada entre
𝟎, 𝟑𝟎 𝒎𝒆𝒕𝒓𝒐𝒔 𝒚 𝟐, 𝟏𝟎 𝒎𝒆𝒕𝒓𝒐𝒔.
FUNCIÓN DE DENSIDAD DE UNA VARIABLE ALEATORIA CONTINUA

192
La función de densidad de probabilidad (FDP) o función de densidad, se representa
como 𝒇(𝒙), se utiliza para conocer la distribución de probabilidades de un suceso o evento, en
relación al resultado del suceso.
La FDP (Función Densidad de Probabilidad) es la derivada (ordinaria o en el sentido de

las distribuciones) de la función de distribución de probabilidad 𝑭(𝒙),o de manera inversa, la
función de distribución es la integral de la función de densidad, esto es:
𝒙
𝑭(𝒙) = ∫ 𝒇(𝒕) 𝒅𝒕
−∞
Se puede determinar claramente que:
La función de Densidad de una variable Aleatoria determina la

concentración de probabilidad alrededor de los valores de una variable
aleatoria continua.
 Valores esperados de variables aleatorias continuas
La esperanza matemática para una variable aleatoria continua, con una función de Densidad 𝑓𝑥 ,
está determinada por:
+∞
𝑬(𝑿) = ∫ 𝒙 𝒇(𝒙)𝒅𝒙
−∞
 Propiedades
1. La esperanza de una constante es la misma constante, así:

193 SI 𝒌(𝑿(𝒘)) = 𝒌 → 𝑬(𝑿) = 𝒌

2. La esperanza de la variable:
𝒂𝒙 + 𝒃 𝒄𝒐𝒏 𝒂 𝒚 𝒃 𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕𝒆𝒔 𝒆𝒔 𝒊𝒈𝒖𝒂𝒍 𝒂 𝒂

3. Si una variable aleatoria tiene como función de probabilidad o (cero) de densidad,
simétrica respecto a un valor a, la esperanza es dicho valor a (si la esperanza existe).
 VARIANZA
La varianza para una variable aleatoria continua está determinada por:
+∞
𝟐 (𝒙 − 𝝁)𝟐 𝒇(𝒙)𝒅𝒙
𝑽𝒂𝒓(𝑿) = 𝝈 = ∫
−∞
Esta varianza también se puede calcular de la siguiente forma:
+∞
𝟐
𝑽𝒂𝒓(𝒙) = 𝝈 = ∫ 𝒙𝟐 𝒇(𝒙)𝒅𝒙−𝝁𝟐
−∞
 Propiedades de la varianza:
𝟐]
𝟏. 𝑽𝒂𝒓(𝑿) = 𝝈𝟐 = 𝑬 [(𝑿 − 𝑬(𝑿)) = 𝑬(𝑿𝟐 ) − [𝑬(𝑿)]𝟐 = 𝜶𝟐 − 𝝁𝟐
𝟐. 𝑳𝒂 𝒗𝒂𝒓𝒊𝒂𝒏𝒛𝒂 𝒗𝒂𝒍𝒆 𝒄𝒆𝒓𝒐 ⟺ 𝑿 𝒆𝒔 𝒖𝒏𝒂 𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕𝒆
𝑹𝒆𝒄𝒖𝒆𝒓𝒅𝒆 𝒒𝒖𝒆 ⟺ 𝒔𝒆 𝒍𝒆𝒆 "𝑺𝒊 𝒚 𝒔𝒐𝒍𝒐 𝒔í … "
𝟑. 𝑺𝒊 𝒃 𝒆𝒔 𝒖𝒏𝒂 𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕𝒆 ⟹ 𝑽𝒂𝒓(𝑿 + 𝒃) = 𝑽𝒂𝒓(𝑿)
𝑹𝒆𝒄𝒖𝒆𝒓𝒅𝒆 𝒒𝒖𝒆 ⟹ 𝒔𝒆 𝒍𝒆𝒆 "𝑬𝒏𝒕𝒐𝒏𝒄𝒆𝒔 … , 𝑰𝒎𝒑𝒍𝒊𝒄𝒂 𝒒𝒖𝒆 … "
𝟒. 𝑺𝒊 𝒂 𝒆𝒔 𝒖𝒏𝒂 𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕𝒆 ⟹ 𝑽𝒂𝒓(𝒂𝑿) = 𝒂𝟐 𝑽𝒂𝒓(𝑿)

Tipificación de una Variable

194
Si X es una Variable Aleatoria de:
 Media 𝝁 ,y
𝟐
 Varianza 𝝈
Entonces se dice que:
𝑳𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒁 𝒆𝒔 𝒍𝒂 𝑽𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝑿 𝒕𝒊𝒑𝒊𝒇𝒊𝒄𝒂𝒅𝒂 𝒔𝒊 𝒁 = 𝑿 − 𝝁
Dónde 𝝈 es la desviación típica de X (raíz cuadrada positiva de la varianza).
Nota: Esta Tipificación es válida tanto para variables discretas, como para variables
continuas.
 Propiedades de Tipificación de una variable

1. La variable Tipificada tiene Media igual a cero:
𝑬(𝒁) = 𝟎
1. La variable Tipificada tiene Varianza igual a 1:
𝑉𝑎𝑟(𝑍) = 1
Distribución de Probabilidad Uniforme

La distribución uniforme es una familia de distribuciones de probabilidad de las variables
aleatorias continuas, la cual va asociada a un intervalo de valores de igual longitud en la cual son
posibles de suceder los eventos, definida por parámetros de a, b que son su: valor mínimo y su
valor máximo.
En otras palabras se dice que una variable aleatoria 𝐗 sigue una distribución Uniforme Continua
195 si y solo sí su función de Densidad es:
 𝑪𝒐𝒏𝒔𝒕𝒂𝒏𝒕𝒆 𝒆𝒏 𝒖𝒏 𝒊𝒏𝒕𝒆𝒓𝒗𝒂𝒍𝒐 𝒇𝒊𝒏𝒊𝒕𝒐 (𝒂, 𝒃),

y
 𝑵𝒖𝒍𝒂 𝒇𝒖𝒆𝒓𝒂 𝒅𝒆 é𝒍.
Esta distribución Uniforme tendrá la Función de Densidad definida por:
𝟏
 𝒇(𝒙) = 𝒔𝒊 𝒚 𝒔𝒐𝒍𝒐 𝒔í 𝒂 < 𝒙 < 𝒃, y
𝒃−𝒂
 En cualquier otro caso 𝒇(𝒙) =𝟎
Gráficamente sería:
Distribución Uniforme ∗ 𝑈(𝑎, 𝑏)

𝑓(𝑥)
1
----------
𝑏−𝑎
𝑎 𝑏
Nota: Esta distribución depende de dos Parámetros 𝒂 𝒚 𝒃 y se denota por:
∗ 𝑈(𝑎, 𝑏)
Parámetros o Características de la Distribución de Probabilidad Uniforme

196
Estos están determinados por:
(𝑎+𝑏)
 𝑴𝒆𝒅𝒊𝒂:
2
(𝒃−𝒂)𝟐
 𝑽𝒂𝒓𝒊𝒂𝒏𝒛𝒂:
𝟏𝟐
(𝒃−𝒂)𝟐
 𝑫𝒆𝒔𝒗𝒊𝒂𝒄𝒊ó𝒏 𝑬𝒔𝒕á𝒏𝒅𝒂𝒓: √
𝟏𝟐
Distribución de Probabilidad Normal
Es la distribución de probabilidades más utilizada, también llamada distribución de Gauss. Es

una variable continua que cuyos valores se relacionan con la media y la desviación estándar.
 Esta distribución se representa por: 𝑵(𝝁, 𝝈).

 Esta distribución de Probabilidad Normal tendrá la Función definida por:
(𝑿 − 𝝁)
𝒁=
𝝈
Nota: Esta distribución es típica de muchos experimentos y

observaciones de los fenómenos naturales, donde intervienen muchas
causas.
5.3.1 EJERCICIO DE ENTRENAMIENTO:

Consulta en la bibliografía, referenciada en el módulo, la TABLA DE DISTRIBUCIÓN y realiza dos
ejercicios de aplicación de la misma, puedes tomar como referencia el siguiente enlace:
http://www.jorgegalbiati.cl/nuevo_06/normal.pdf
LA CURVA NORMAL
197
La campana de Gauss, curva de Gauss o curva normal, es una función de probabilidad continua,
simétrica, donde:
 Su máximo valor coincide con la media (𝝁), y
 Tiene dos puntos de inflexión situados a ambos lados de la media, a una distancia (𝝈)
de ella.
Nota 1: Esta curva fue descrita por el matemático alemán Carl Friederich Gauss, estudiando los
errores que se producen al medir reiteradamente una cierta magnitud.
Nota 2: La gran importancia de esta distribución se debe a la enorme frecuencia con la que
aparece en las situaciones más variadas.
La mayoría de los rasgos humanos tiene representaciones en la curva normal:
CARACTERES DESCRIPCIÓN
Caracteres morfológicos de individuos Estatura, peso.
Caracteres fisiológicos Visión, desarrollo motriz, audición, ritmo

cardíaco.
Caracteres sociológicos Inteligencia, aptitudes.
Caracteres físicos Raza.
Nota: Para cada valor de la media (𝝁) y de la

(𝝈), hay una curva
desviación típica o estándar
normal, que se denomina 𝑵(𝝁, 𝝈)
 Características de la Curva Normal
La Curva Normal posee las siguientes características:

198 𝟏 Tiene un perfil de campana y presenta un solo pico en el centro de la distribución.
𝟐 Es simétrica con respecto a su media aritmética, es decir, que si se corta la curva

verticalmente por este valor central, las dos mitades serán como imágenes reflejadas en
un espejo
𝟑 La moda y la mediana son iguales a la media.
𝟒 La curva decrece uniformemente en ambas direcciones a partir del valor central y se

acerca cada vez más al eje x, pero nunca llega a tocarlo Es asintótica respecto al eje X,
esto es, se prolonga indefinidamente a lo largo del eje x sin cortarlo.
 Gráficamente se pueden determinar las diferentes situaciones para la Distribución Normal:
Texto Texto
Media aritmética, moda y

mediana
Nota: La desviación estándar o desviación típica de un conjunto de datos (distribución),

indica la variación o desviación de dichos datos con respecto a su promedio; esta medida
determina el ancho de la curva; es decir que: Si la desviación típica es grande, la curva será
ancha.
Por lo tanto se puede hablar de familias de distribuciones normales así:
1. Con igual media y distintas desviaciones típicas:

199 Texto Texto Texto Texto Texto Texto
media
2. Con distintas medias pero iguales desviaciones típicas:

Texto Texto Texto Texto Texto Texto Texto Texto Texto Texto Texto Texto Texto Texto Texto Texto Texto Texto
Título Título Título
3. Con distintas medias y distintas desviaciones típicas:

Texto Texto Texto Texto Texto Texto
Título
Título
Título
Nota: Por ser una distribución de probabilidad, el área bajo una curva normal cualquiera es 1
(100% de los casos). Esta área se distribuye, expresando la probabilidad en tantos por ciento del
siguiente modo (tomando un ejemplo predeterminado):
200
Dónde: La media aritmética es 𝒎 y la desviación típica es 𝒅:
 𝑬𝒍 𝟔𝟖, 𝟐𝟔% de las observaciones están comprendidas en el intervalo:

(𝝁 − 𝝈, 𝝁 + 𝝈)
 𝑬𝒍 𝟗𝟓, 𝟒𝟒% de las observaciones están comprendidas en el intervalo:

(𝝁 − 𝟐𝝈, 𝝁 + 𝟐𝝈)
 𝑬𝒍 𝟗𝟗, 𝟕𝟒% de las observaciones están comprendidas en el intervalo:

(𝝁 − 𝟑𝝈, 𝝁 + 𝟑𝝈)
5.4 EJERCICIO DE APRENDIZAJE

Un test de inteligencia, que está normalizado tiene una media de 100 y una desviación típica de
15, N (100,15)
a. ¿Entre qué par de valores se presenta el 𝟔𝟖, 𝟐𝟔%?
Procedimiento:
𝝁 − 𝝈 = 𝟏𝟎𝟎 − 𝟏𝟓 = 𝟖𝟓 y
201 𝝁 + 𝝈 = 𝟏𝟎𝟎 + 𝟏𝟓 = 𝟏𝟏𝟓

Solución: El 68,26% de la población a quien se le aplique el test puntuará entre 85 y 115.
b. ¿Entre qué par de valores se presenta el 95,44%?
Procedimiento:
 𝝁 + 𝟐𝝈 = 𝟏𝟎𝟎 − 𝟐 ∗ (𝟏𝟓) = 𝟏𝟎𝟎 − 𝟑𝟎 = 𝟕𝟎
 𝝁 + 𝟐𝝈 = 𝟏𝟎𝟎 + 𝟐 ∗ (𝟏𝟓) = 𝟏𝟎𝟎 + 𝟑𝟎 = 𝟏𝟑𝟎

c. ¿Entre qué par de valores se presenta el 99,74%?

Procedimiento:
 𝝁 + 𝟑𝝈 = 𝟏𝟎𝟎 − 𝟑 ∗ (𝟏𝟓) = 𝟏𝟎𝟎 − 𝟒𝟓 = 𝟓𝟓
 𝝁 + 𝟑𝝈 = 𝟏𝟎𝟎 + 𝟑 ∗ (𝟏𝟓) = 𝟏𝟎𝟎 + 𝟒𝟓 = 𝟏𝟒𝟓

 El valor Z o desvío normal Z
Es un valor transformado que indica a cuantas desviaciones estándar por encima o por debajo
de la media se encuentra un dato, está dado por:
𝑋−𝜇
𝑍=
𝜎
Dónde:
𝑋 =Valor de la variable aleatoria que nos interesa.

𝜇 = Media de la distribución de esta variable aleatoria.
202 𝜎 = Desviación estándar de esta distribución.

Entonces, como toda el área bajo la curva tiene una probabilidad igual a 1, es decir el 100% de
los casos, gráficamente se determinaría de la siguiente manera:
Eje Y
0,5 ó 50% 0,5 ó 50%

Tomando el los datos del ejercicio anterior:
1. ¿Qué porcentaje de la población tendrá un coeficiente intelectual entre 100 y 120?

Título
𝑋−𝜇 120 − 100

𝑍= →𝑍= → 𝑍 = 1,33
𝜎 15
El valor en la tabla sería: 0,4082 ∗ 100 = 40,82%

2. ¿Qué porcentaje de la población tendrá un coeficiente intelectual mayor que 120?
203
Título
𝑋−𝜇 120 − 100

𝑍= →𝑍= → 𝑍 = 1,33
𝜎 15
0,4082 →
Valor en la tabla
0,5 − 0,4082 = 0,0918 ∗ 100 = 9,18% 0

3. ¿Qué porcentaje de la población tendrá un coeficiente intelectual menor que 120?
Título
𝑋−𝜇 120 − 100

𝑍= →𝑍= → 𝑍 = 1,33
𝜎 15
Valor en la tabla 0,4082 →
0,5 + 0,4082 = 0,9082 ∗ 100 = 90,82% 0

Título
204 𝑋−𝜇 80 − 100

𝑍= →𝑍= → 𝑍 = −1,33
𝜎 15
Valor en la tabla 0,4082 ∗ 100 = 40,82%

5. ¿Qué porcentaje de la población tendrá un coeficiente intelectual menor que 80?
Título
𝑋−𝜇 80 − 100
𝑍= →𝑍= → 𝑍 = −1,33
𝜎 15
Valor en la tabla: 0,4082 →
0,5 − 0,4082 = 0,0918 ∗ 100 = 9,18% 0
6. ¿Qué porcentaje de la población tendrá un coeficiente intelectual mayor que 80?

Título
𝑋−𝜇 80 − 100
𝑍= →𝑍= → 𝑍 = −1,33
𝜎 15
205 0,4082 →
Valor en la tabla:
0,5 + 0,4082 = 0,9082 ∗ 100 = 90,82% 0

Título
De 100 a 80 sería 0,4082 y de 100 a 120 sería 0,4082, se suman, entonces sería:
0,4082+0,4082=0,8164*100 =81,64%

Se tiene un grupo de alumnas de 11º cuyo peso se comporta normalmente
N (48,4) es decir que:
 𝝁= 48 kilogramos, y
 𝝈= 4 kilogramos
1. ¿Entre qué par de valores se presenta el 68,26% del peso de las alumnas?
2. Qué porcentaje de las alumnas pesan:
a) Más de 55 kilos.
b) Menos de 42 kilos.
c) Entre 48 kilos y 56 kilos.
d) Entre 46 kilos y 56 kilos.
e) Entre 45 kilos y 55 kilos.
5.4.3 MÉTODOS DESCRIPTIVOS PARA DETERMINAR LA NORMALIDAD.

Por medio de la inferencia estadística acerca de la población con base en la información de la
muestra. Estos supuestos se basan en la aproximación a la normal.
Los métodos utilizados para una distribución de aproximación a la normal son:

1. Construcción de histogramas de frecuencia relativa o diagrama de tallo y hojas para

206 los datos.
2. Calculo del rango intercuartílico y la desviación estándar.
3. La construcción del grafico de probabilidad normal para los datos.
5.4.4 LA DISTRIBUCIÓN DE PROBABILIDAD EXPONENCIAL

La distribución exponencial es una distribución probabilística continua cuya variable está dada
por un parámetro de 𝝀 > 𝟎.
La función de Densidad de la Distribución Exponencial (Distribución de Probabilidad Continua con
un parámetro 𝝀 > 𝟎), está dado por:
𝜆𝑒 −𝜆𝑥 𝑝𝑎𝑟𝑎 𝑥 ≥ 0
𝐹 (𝑥 ) = 𝑃(𝑥 ) = { 𝑦
0 𝑑𝑒 𝑜𝑡𝑟𝑎 𝑓𝑜𝑟𝑚𝑎
La función de distribución acumulada es:
𝟎 𝑷𝒂𝒓𝒂 𝒙 < 𝟎
𝑭(𝒙) = 𝑷(𝑿 ≤ 𝒙) = {
𝟏 − 𝒆−𝝀𝒙 𝒑𝒂𝒓𝒂 𝒙 ≥ 𝟎
Nota 1: 𝒆 representa el número e (2,73…).
Nota 2: El valor esperado (E) de una variable aleatoria X con distribución exponencial está dado
por:
𝟏
𝑬[𝑿] =
𝝀
Nota 3: La varianza (V) de una variable aleatoria X con distribución exponencial está dado por:
𝟏
𝑽(𝑿) = 𝟐
𝝀
 Gráficas y Parámetros de una variable aleatoria con Distribución Exponencial:

207
Función de densidad de probabilidad
Función de distribución de probabilidad
Parámetros
208 Dominio
Función de densidad (pdf)
Función de distribución (cdf)
Media
Mediana
Moda
Varianza
Coeficiente de simetría
Curtosis
Entropía
Función generadora de momentos (mgf)
Función característica
Nota: La distribución exponencial es un caso particular de distribución gamma con k = 1. Además, la

209 suma de variables aleatorias que siguen una misma distribución exponencial es una variable aleatoria
expresable en términos de la distribución gamma.
 Ejemplos para la distribución exponencial es la distribución de la longitud de los intervalos de

una variable continua que transcurren entre dos sucesos, que se distribuyen según
la distribución de Poisson:
 El tiempo transcurrido en un call center hasta recibir la primera llamada del día se podría
modelar como una exponencial.
 El intervalo de tiempo entre terremotos (de una determinada magnitud) sigue una
distribución exponencial.
 Supongamos una máquina que produce hilo de alambre, la cantidad de metros de alambre
hasta encontrar una falla en el alambre se podría modelar como una exponencial.
 En fiabilidad de sistemas, un dispositivo con tasa de fallo constante sigue una distribución
exponencial.
 Cálculo de las Variables Aleatorias
 Una variable aleatoria de Distribución Exponencial 𝑥 se puede calcular por medio de una variable
aleatoria de Distribución Uniforme: 𝒖 = 𝑼(𝟎, 𝟏):
𝟏
𝒙 = − 𝐥𝐧(𝟏 − 𝒖)
𝝀
Pero (𝟏 − 𝒖) también es una variable aleatoria con una distribución 𝑼(𝟎, 𝟏), se puede utilizar
una versión mucho más eficiente, dada por:
𝟏
𝒙 = − 𝐥𝐧(𝒖)
𝝀
 Relaciones
210
La suma de 𝒌 variables aleatorias independientes de distribución exponencial con parámetro
𝝀 es una variable aleatoria de Distribución Gamma
Tomado de: Distribución exponencial - Wikipedia, la enciclopedia libre

es.wikipedia.org/wiki/Distribución_exponencial
5.5 EJERCICIOS DE APRENDIZAJE

1) El valor esperado cuando lanzamos un dado 5 veces esta dado así:
Población: el dado tiene 6 caras = 6
Muestra: siempre cae una cara =1
P (D) = 1/6
E(X)= 1(1/6)+2(1/6)+3(1/6)+4(1/6)+5(1/6)
E(X) = 2,5
2) (Prueba de Bernoulli) ¿Cuál es la probabilidad de que al lanzar una moneda doce veces caiga
una vez cara?
SELLO =0
CARA= 1
P (CARA) = ½
3) (Prueba de Bernoulli) Cual es la probabilidad de que al lanzar una dado 5 veces caiga una vez
6?
Número diferente a 6 =0
Seis= 1
P (Seis) = 1/6
4) (Distribución binomial) Una máquina de una fábrica de tornillos produce un 5 por 5000 de
211 piezas defectuosas. ¿Cuál es la probabilidad de que al examinar un grupo de 60 piezas se
encuentren 3 defectuosas?
P= 5/5000=0,001
P(X=K) = n! / ( k! (n - k)! ) *pk *q n - k
P(X=3) = 60! / ( 3! (60 - 3)! ) *0,0013 *0,999 60 – 3
P(X=3) = 60! / ( 3! (57)! ) *0,0013 *0,999 57
P(X=3) = 34220 *0,000000001 *0,945
P(X=3) = 34220 *0,000000001 *0,945
P(X=3) = 0,00003 * 100= 0,003%
La probabilidad de que al examinar un grupo de 60 piezas se encuentren 3 defectuosas.

contactarse con alguno de sus compañeros o recurra a su respectivo tutor por alguno de los
medios o canales de comunicación dispuesto para ello.
1. Nota: En el taller encontrará algunos ejercicios resueltos que le servirán de apoyo en la
212 solución del mismoLa probabilidad de que un paciente se alivie con una vacuna contra una
gripa es del 85%. Se pide determinar que una vez administrada a 22 pacientes:
a) Ninguno tenga la enfermedad

b) Todos tengan la enfermedad
c) Al menos cinco de ellos.
d) Al máximo 10 de ellos.
2. La probabilidad de que un alumno saque cinco en una notas es del 15%. Si en el grupo hay
20 personas, se pide:
a. Ninguno saquen la nota

b. Todos saquen la nota
c. Al menos 7 saquen la nota
d. Entre 2 y 5 saquen la nota
3. Un grupo de excursionistas salen de paseo para la costa, a la hora de llegar al hotel el 75%
piden la cama doble. Cual es la probabilidad de que en un grupo de 50 personas se
encuentren:
a) Máximo 40 pidan la pieza con cama doble

b) Menos de 10 pidan la pieza con cama doble
4. El número de estudiantes que llegan a un colegio sigue una distribución de Poisson. Si el

número promedio es de 215 alumnos por hora. ¿Cuál es la probabilidad de que en un
minuto lleguen 3 estudiantes al colegio?
Alumnos Minutos
215 60
 1
=215/60= 4 estudiantes en un minuto
P(X=K) = (X e -) / x!

P(X=3) = (43 e -4) / 3!

213
P(X=3) = 0,192*100 = 19,2%
La probabilidad de que en un minuto lleguen 3 estudiantes al colegio es del 19,2%.
5. El número de pasajeros que llegan al metro sigue una distribución de Poisson. Si el número
promedio es de 522 pasajeros por hora. ¿Cuál es la probabilidad de que en un minuto
lleguen 21 pasajeros lleguen al metro?
6. El número de llamadas a un celular en 10 minutos es de 6. Si el número promedio es de

llamadas en una hora es de 50 por hora. ¿Cuál es la probabilidad de que:
a) en 25 segundos lleguen 2 llamadas.

b) En un minuto entre 2 y 3 llamadas
7. Hallar la función de densidad de una variable aleatoria continúa de 6x en el intervalo de 0

a1
∫0 (6x) dx = 6
8. Hallar la función de densidad de una variable aleatoria continúa de 12x2 – 3X en el intervalo

de 0 a 1.
9. Hallar el valor esperado de variable aleatoria continua de 12x – 7 en el intervalo de 0 a 1
∫0 X(12x-7) dx =
∫0 (12x2 – 7X) dx = 12 – 7 = 5
10. Hallar el valor esperado de variable aleatoria continua de 21X2 +24X – 17 en el intervalo de
214 0a1
11. (Distribución Uniforme) Una empresa de calzado de Colombia tiene una función de costos
dada por f(c)= 2000+4x; siendo x el numero zapatos. En el mercado se nde cada unidad a
$50.000. La demanda entre artículos es uniforme entre 5.000 a 20.000 unidades. Cual es el
beneficio esperado?
Entonces
X= cantidad de artículos
Beneficio esperado = 50.000X - ( 2000+4x)
Beneficio esperado = 49.996x - 2000
Beneficio esperado= 50.0004 ((5000+20000)/2) – 2000
Beneficio esperado=50.0004 (12500) – 2000
Beneficio esperado=620.500.000 – 2000
Beneficio esperado= 625.048.000
12. (Distribución Uniforme) Una empresa de dulces de Colombia tiene una función de costos
dada por f(c)= 125+4x; siendo x el numero dulces. En el mercado se vende cada unidad a
$150. La demanda entre artículos es uniforme entre 2550 a 3820 unidades. Cuál es el
beneficio esperado?
13. (Distribución Normal) Un docente de estadística ha observado que las notas obtenidas por
sus alumnos en los exámenes de la materia siguen una distribución Normal con media 4 y
desviación estándar de 3, ¿cuántos sacaron un 4,5?
P(X=4,5) = P(Z=0,17)=0,0675 * 100 = 6,75%
Z= (X - µ) / 
Z= (4,5 – 4) / 3
Z= O,17
Se busca en la tabla de la distribución z el valor de 0,17 cuyo valor es 0,0675.

La probabilidad de que los alumnos saquen 4,5 de nota es de 6,75%.

215
14. (Distribución Normal) Una prueba psicológica a estudiantes de primer semestre de ingreso
a una Universidad se obtuvo como resultado un puntaje con media de 150 y desviación
estándar de 25 puntos.
a. Determinar cuántos alumnos sacaron un puntaje entre 115 y 140.

b. Determinar qué porcentaje de estudiantes sacaron un puntaje de al menos 120 puntos.
c. Determinar qué porcentaje de los estudiantes sacaron un puntaje de 105.
d. Determinar cuántos sacaron como puntaje 120.
15. (Distribución Normal) La media de los pesos de los estudiantes de una institución privada
es de 70 kg y desviación típica de 3 kg, se conoce que esta tiene 3250 alumnos. Hallar:
a. Entre 55 kg y 60 kg.
b. Más de 85 kg.
c. Menos de 65 kg.
d. Exactamente 64 kg
e. 75 kg o menos
16. (Distribución Normal) El consumo medio mensual de energía eléctrica en un municipio

es de 65 Kwh., con una desviación típica de 6,5 Kwh. Se supone que se distribuye según
una distribución normal. a) ¿Cuántos Kwh. tendría que consumir mensual para
pertenecer al 15% de la población que más consume?. b) Si usted consume 45 Kwh.
¿qué % de la población consume al menos que usted?
17. (Distribución Exponencial) Se ha comprobado que el tiempo de vida de cierto tipo de

marcapasos sigue una distribución exponencial con media de 15 años. ¿Cuál es la
probabilidad de que a una persona a la que se le ha implantado este marcapasos se le deba
reimplantar otro antes de 18 años? Si el marcapasos lleva funcionando correctamente 4
años en un paciente, ¿cuál es la probabilidad de que haya que cambiarlo antes de 20%
años?
F(t) =  e -t si t ≥ 0
F(t )= 1 - e -t
P(T ≤ 18) = ∫ F( T) dt = F(t ) = 1 - e -18/15

P(T ≤ 18) = 1 – 0,30

216
P(T ≤ 18) = 0,70
18. (Distribución Exponencial) Se ha comprobado que el tiempo de vida de cierto tipo de

electrodoméstico sigue una distribución exponencial con media de 5 años. ¿Cuál es la
probabilidad de que a un electrodoméstico tenga una duración de 4 años? Si este lleva
funcionando correctamente 3 años en una casa, ¿cuál es la probabilidad de que haya que
cambiarlo antes de 25% años?
19. Responda las siguientes preguntas de acuerdo a los conceptos desarrollados en la unidad:
a. Qué diferencia existe entre las distintas distribuciones de probabilidad.

b. De un ejemplo de distribución binomial aplicado a la vida cotidiana.
c. De un ejemplo de distribución Poisson aplicado a la vida cotidiana.
d. De un ejemplo de distribución normal aplicado a la vida cotidiana.
e. Según lo visto para usted cual es la principal distribución.
20. De acuerdo a los conceptos desarrollados en la unidad, realice la siguiente actividad: El

estudiante debe realizar un proyecto aplicando las distribuciones de Probabilidades
TIPS
Recuerde que: Los métodos utilizados para una distribución de
aproximación a la normal son:
1. Construcción de histogramas de frecuencia relativa o diagrama
de tallo y hojas para los datos.
2. Calculo del rango intercuartílico y la desviación estándar.
3. La construcción del grafico de probabilidad normal para los datos.
Recuerde que: La curva normal posee las siguientes características:

1. Tiene un perfil de campana y presenta un solo pico en el centro
de la distribución.
2. Es simétrica con respeto a su media aritmética, es decir, que si se
corta la curva verticalmente por este valor central, las dos mitades
serán como imágenes reflejadas en un espejo.
3. La moda y la mediana son iguales a la media.
4. La curva decrece uniformen te en ambas direcciones a partir del
valor central y se acerca cada vez más al eje x, pero nunca llega a
tocarlo Es asintótica respecto al eje X, esto es, se prolonga
indefinidamente a lo largo del eje x sin cortarlo.
217
218 6 UNIDAD 6 INTRODUCCIÓN A LA INFERENCIA

ESTADÍSTICA
Estadística inferencial - Vitutor
www.vitutor.com/estadistica/inferencia/estadistica_inferencial.htm
6.1.2 DEFINICIÓN CONCEPTOS BÁSICOS

Estadística inferencial: La estadística inferencial es una parte de la estadística que comprende
los métodos y procedimientos que por medio de la inducción determina propiedades de
una población estadística, a partir de una pequeña parte de la misma.
Muestreo: En estadística se conoce como muestreo a la técnica para la selección de

una muestra a partir de una población.
Parámetro estadístico; una función definida sobre valores numéricos que caracteriza una
población o un modelo.
Estimador: En estadística, un estimador es un estadístico (esto es, una función de la muestra)

219 usado para estimar un parámetro desconocido de la población
Muestral Aleatorio Simple: Es considerado el método más sencillo. Mediante una tabla de
números al azar se eligen las zonas que se quieren muestrear. Este tipo de muestreo posee
algunos inconvenientes. Por un lado, supone definir de antemano los límites de un yacimiento, y
no siempre se conocen con certeza. Por otro lado, el carácter aleatorio de las tablas numéricas
provoca que en algunas áreas se acumulen las muestras, mientras que en otras permanecen
intactas.
Distribuciones Muestrales: En estadística, la distribución muestral es lo que resulta de

considerar todas las muestras posibles que pueden ser tomadas de una población. Su estudio
permite calcular la probabilidad que se tiene, dada una sola muestra, de acercarse al parámetro
de la población. Mediante la distribución muestral se puede estimar el error para un tamaño de
muestra dado.
Error Estándar: El error estándar es la desviación estándar de la distribución muestral de

un estadístico. El término se refiere también a una estimación de la desviación estándar, derivada
de una muestra particular usada para computar la estimación.
Estimación: En inferencia estadística se llama estimación al conjunto de técnicas que permiten
dar un valor aproximado de un parámetro de una población a partir de los datos proporcionados
por una muestra.
Intervalos de Confianza: En estadística, se llama a un par o varios pares de números entre los
cuales se estima que estará cierto valor desconocido con una determinada probabilidad de
acierto.
Prueba Hipótesis nula: En estadística, una hipótesis nula es una hipótesis construida para anular
o refutar, con el objetivo de apoyar una hipótesis alternativa. Cuando se utiliza, la hipótesis nula
se presume verdadera hasta que una prueba estadística en la forma de una prueba empírica de
la hipótesis indique lo contrario. Si la hipótesis nula no es rechazada, esto no quiere decir que sea
verdadera.
Definiciones tomadas de: Wikipedia, la enciclopedia libre
es.wikipedia.org/wiki

Construir modelos de estadística inferencial para la solución de problemas.
220 6.1.4 OBJETIVOS ESPECÍFICOS

 Identificar los diferentes tipos de distribuciones muéstrales, identificando los diferentes tipos
de intervalos y realizando las pruebas de hipótesis de comparación por medias y
proporciones.
6.2 TEMA 1 DISTRIBUCIONES MUESTRALES

El muestreo se utiliza cuando no es posible contar o poder medir todos los elementos que
conforman una población. Se refiere a muestra, a una parte de la población que se va a estimar.
Una muestra debe de cumplir los siguientes aspectos:
ASPECTOS CARACTERÍSTICA
1. Homogeneidad
Los elementos se deben seleccionar de la
misma población.
2. Independencia
Cada dato no debe de ser condicionado
mutuamente entre sí.
3. Representatividad
La muestra debe ser el mejor valor de los
elementos del conjunto que proviene.
 PARÁMETROS
Un parámetro es una medida que me permite calcular el comportamiento de una variable de
una población.
 ESTIMADOR
El estimador son las cantidades usadas para describir una muestra.

221 Un estadístico debe presentar las siguientes características:
1. Se pueden tener varios valores posibles.

2. No se puede predecir su valor numérico.
3. Se les designa con letras latinas.
6.2.1 MUESTRAL ALEATORIO SIMPLE

Se seleccionan muestras mediante métodos que permitan que cada una de la muestra tengan
igual probabilidad de acontecer y que cada elemento de la población tenga la misma
oportunidad de ser seleccionadas dentro de la muestra.
La mejor manera de seleccionar una muestra aleatoria de una población es mediante los
números aleatorios. Estos se pueden determinar mediante la generación de valores por medio
de una computadora o una tabla de números aleatorios.
Distribuciones Muestrales
Si se toman varios valores de una muestra de una población, las poblaciones seleccionadas todas
no serían iguales, y varia de una muestra a otra por alguna observación.
6.2.2 DISTRIBUCIÓN MUESTRAL DE LA MEDIA

1. Una distribución de la probabilidad de todas las medias posibles de la muestra de un
evento. Cada muestra de tamaño n que se puede extraer de una población proporciona
una media. Si se considera cada una de estas medias como valores de una variable
aleatoria se puede estudiar su distribución que se llamará distribución muestral de
medias.
Si se tiene una población normal N (m, s) y se extrae de ella muestras de tamaño n, la

distribución muestral de medias sigue también una distribución normal, esto es:
𝝈
222 𝑵(𝝁, )
√𝒏
Para una mejor comprensión de esta distribución se realizará un Ejercicio para el Aprendizaje,
este se tomó de:
DISTRIBUCIÓN DE LA MEDIA MUESTRAL 1.
www2.uah.es/jmmartinezmediano/.../MCCSS%20Tema%2009d%20Prob
𝑿
Considerar una población en la que se estudia una característica , que sigue una distribución
normal de 𝑴𝒆𝒅𝒊𝒂 = 𝟏𝟐 y 𝑽𝒂𝒓𝒊𝒂𝒏𝒛𝒂 = 𝝈𝟐 = 𝟏𝟔, se pide:
a. Probabilidad de que un elemento de esa población, elegido al azar, tenga la característica

superior a 14.
b. Considerar una muestra aleatoria de tamaño 𝒏 = 𝟗, ¿Cuál es la probabilidad de que la

̅ tenga un valor superior a 14?
Media Muestral 𝑿
Procedimiento:
a. La distribución es Normal, por lo tanto se da 𝑵(𝟏𝟐, 𝟒).
La Desviación Típica 𝝈 = 𝟒, (Recuerde que: 𝝈 = √𝝈𝟐 = √𝟏𝟔 = 𝟒)

𝑿−𝝁
Se tipifica realizando el cambio: 𝒁 =
𝝈
Entonces:
𝟔−𝝁
𝑷(𝒙 > 𝟏𝟒) = 𝑷 ( ) = 𝑷(𝒁 > 𝟎, 𝟓) = 𝟏 − 𝑷(𝒁 < 𝟎, 𝟓) = 𝟏 − 𝟎, 𝟔𝟗𝟏𝟓 = 𝟎, 𝟑𝟎𝟖𝟓
𝝈
b. Las Medias Muestrales de tamaño 𝒏 se distribuyen según la Normal:
𝝈
[𝑿 ∈ 𝑵(𝝁, )]
√𝒏
𝝈 𝟒 𝟒
En este caso: 𝑵 (𝝁, ) → 𝑵(𝟏𝟐, ) → 𝑵(𝟏𝟐, )
√𝒏 √𝟗 𝟑
Por lo tanto:
223
̅ > 𝟏𝟒) = 𝑷 [𝒁 > 𝟏𝟒−𝟏𝟐
𝑃(𝑿 𝟒 ] = 𝑷(𝒁 > 𝟏, 𝟓) = 𝟏 − 𝑷(𝒁 < 𝟏, 𝟓) = 𝟏 − 𝟎, 𝟗𝟑𝟑𝟐 = 𝟎, 𝟎𝟔𝟔𝟖
⁄𝟑
Nota: Se utiliza la tabla N (0,1) para comprobar la probabilidad correspondiente al valor z.
 Distribución muestral de proporciones
Se recomienda revisar y analizar el siguiente enlace *, en el cual detallan con precisión este tipo
de distribuciones:
*Enlace: Distribucion muestral de proporciones - SlideShare
es.slideshare.net/eraperez/distribucion-muestral-de-proporciones
En muchas oportunidades y durante un proceso de mediciones se debe plantear la estimación

de una Proporción o un Porcentaje, por lo tanto, en estos casos, la variable aleatoria toma
solamente dos valores diferentes (Éxito o Fracaso), es decir, se sigue una Distribución Binomial
(ampliamente explicada en unidades anteriores), y cuando la extensión de la población es grande
la Distribución Binomial 𝑩(𝒏, 𝒑) se aproxima a la Normal 𝑵(𝒏𝒑, √𝒏𝒑𝒒)
Nota: Cuando las muestras de tamaño 𝑛 > 30 la distribución muestral de proporciones sigue la
siguiente distribución normal:
𝒑𝒒
𝑵(𝒑, √ )
𝒏
Dónde:
𝒑: Proporción de uno de los valores de la variable estadística en la población.

𝒒=𝟏−𝒑

Tomado de: Distribuciones muestrales
recursostic.educacion.es/descartes/web/.../distrib_muestrales.htm
Si se tira una moneda no trucada 100 veces, ¿cuál es la probabilidad de que se obtengan más de
55 caras?
Procedimiento
224
a. En una moneda no trucada la proporción de caras es 0,5 con lo que:
𝒑 = 𝟎, 𝟓
𝒒 = 𝟎, 𝟓
𝒏 = 𝟏𝟎𝟎
b. La distribución Muestral de proporciones se distribuye: 𝑵(𝟎, 𝟓; 𝟎, 𝟓)
c. Si 𝒑′ es la proporción en la muestra, se calcula entonces la probabilidad de la siguiente
forma:
𝑷(𝒑′ > 𝟎, 𝟓𝟓) = 𝑷(𝒁 > 𝟏) = 𝟏 − 𝑷(𝒁 ≤ 𝟏) = 𝟏 − 𝟎, 𝟖𝟒𝟏𝟑 = 𝟎, 𝟏𝟓𝟖𝟕
Nota: Se utiliza la tabla N (0,1) para comprobar la probabilidad correspondiente al

valor z
 Distribución Muestral
Es una distribución de probabilidad donde se describe la media y la desviación estándar o en su
caso la proporción.
Esta distribución resulta de considerar todas las muestras posibles de una población; permite
calcular la probabilidad que, dada una sola muestra, se tiene de acercarse al parámetro de la
población.
A través de esta distribución se puede estimar el error para cualquier tamaño de muestra
dado.
Constituyen una pieza importante de estudio por varias razones:

 En la mayoría de los casos, la viabilidad de un experimento determina el tamaño de la

225 muestra.
 La distribución de muestreo es la distribución de probabilidad de una muestra de una

población, en lugar de toda la población.
 Cuando el tamaño de la muestra es lo suficientemente grande, la distribución de muestreo

también estará cerca de lo normal.
 Por lo tanto, dado lo anterior, la distribución de muestreo es totalmente determinada por dos
valores: la media y la desviación estándar.
Nota: Estos parámetros son importantes para calcular la distribución de muestreo dada la
distribución normal de toda la población.
Distribución muestral de la media y la desviación estándar
Se puede demostrar que la media de la distribución de muestreo es la media de la población.
En cuanto a la desviación estándar, esta es diferente para la distribución de muestreo en

comparación con la población. Si la población es lo suficientemente grande, esto está dado por:
𝝈
𝝈𝒙̅ =
√𝒏
Dónde:
 𝝈: 𝑬𝒔 𝒍𝒂 𝑫𝒆𝒔𝒗𝒊𝒂𝒄𝒊ó𝒏 𝑬𝒔𝒕á𝒏𝒅𝒂𝒓, y
 𝝈𝒙̅ : 𝑬𝒔 𝒍𝒂 𝒎𝒆𝒅𝒊𝒂 𝒅𝒆 𝒍𝒂 𝒑𝒐𝒃𝒍𝒂𝒄𝒊ó𝒏
 Otras distribuciones
Lo anterior es válido únicamente cuando la población se distribuye normalmente.

226
Cuando esto no ocurre la media y la desviación estándar de la distribución muestral serán
diferentes y dependerán del tipo de distribución de la población.
Nota 1: Cuando la distribución es normal, una de las distribuciones de probabilidad más simples, es
muy fácil de estudiar y analizar. Se pueden encontrar fácilmente fórmulas matemáticas para las
estadísticas de distribución muestral que se quieren encontrar.
Nota 2: Cuando la distribución no es normal, puede ser muy complicado y tales formulaciones
matemáticas sencillas podrían ser difíciles de encontrar o hasta imposibles en algunos casos.
En estos casos, se utilizan métodos aproximados porque encontrar el valor exacto implicará el estudio
de cada muestra de tamaño n tomada de la población, lo que es muy difícil y requiere mucho tiempo.
 Error Estándar de la media
Este error cuantifica las oscilaciones de la media muestral (o sea la media obtenida en los datos)
alrededor de la media poblacional (verdadero valor de la media).
Se denomina como.
𝑬𝑬𝑴: 𝑬𝒓𝒓𝒐𝒓 𝒆𝒔𝒕á𝒏𝒅𝒂𝒓 𝒅𝒆 𝒍𝒂 𝒎𝒆𝒅𝒊𝒂

𝑺𝑬𝑴: 𝑺𝒕𝒂𝒏𝒅𝒂𝒓𝒅 𝒆𝒓𝒓𝒐𝒓 𝒐𝒇 𝒕𝒉𝒆 𝒎𝒆𝒂𝒏 (𝒆𝒏 𝑰𝒏𝒈𝒍é𝒔)
Para calcularla se utiliza la siguiente fórmula:
𝑫𝒆𝒔𝒗𝒊𝒂𝒄𝒊ó𝒏 𝒆𝒔𝒕á𝒏𝒅𝒂𝒓 𝒅𝒆 𝒍𝒂 𝒑𝒐𝒃𝒍𝒂𝒄𝒊ó𝒏

𝑬𝑬𝑴 o 𝑺𝑬𝑴 = 𝑹𝒂í𝒛 𝒄𝒖𝒂𝒅𝒓𝒂𝒅𝒂 𝒅𝒆𝒍 𝒕𝒂𝒎𝒂ñ𝒐 𝒅𝒆 𝒍𝒂 𝒎𝒖𝒆𝒔𝒕𝒓𝒂
Esto es:
𝑺
𝑺 𝑬𝒙̅ =
√𝒏
Dónde:
 𝑺: 𝑫𝒆𝒔𝒗𝒊𝒂𝒄𝒊ó𝒏 𝑬𝒔𝒕á𝒏𝒅𝒂𝒓 (estimación basada en la muestra).

227  𝒏: 𝑻𝒂𝒎𝒂ñ𝒐 𝒅𝒆 𝒍𝒂 𝑴𝒖𝒆𝒔𝒕𝒓𝒂
Nota 1: Se asume la independencia estadística de los valores de la muestra.
Nota 2: Esta estimación puede ser comparada con la fórmula de la verdadera desviación
estándar de la media de la muestra:
𝝈
𝑺𝑫𝒙̅ =
√𝒏
Dónde:
𝝈 Es la verdadera desviación estándar de la población.
6.2.4 TEOREMA DEL LÍMITE CENTRAL O TEOREMA CENTRAL DEL LÍMITE

Determina que, en condiciones muy generales:
Si 𝑺𝒏 es la suma de:
 𝒏 Variables aleatorias independientes, y de
 Varianza no nula pero finita,
Implica esto que la función de distribución de 𝑺𝒏 se aproxima a una distribución

normal (también llamada distribución gaussiana, curva de Gauss o campana de Gauss).
Nota: El teorema asegura que esto ocurre cuando la suma de estas variables aleatorias e
independientes es lo suficientemente grande.
Matemáticamente se puede expresar este teorema de la siguiente forma:
𝟐
Tomando la función densidad de la distribución normal:𝑵(𝝁, 𝝈 ), definida:
228 1 (𝑥−𝜇)2
−
𝑓𝜇𝜎2 (𝑥) = 𝑒 2𝜎2
√2𝜋𝜎 2
Dónde:
 𝝁: 𝑴𝒆𝒅𝒊𝒂:
 𝝈𝟐 : 𝑽𝒂𝒓𝒊𝒂𝒏𝒛𝒂
Nota: El caso en el que su función de densidad sea 𝑵(𝟎, 𝟏) , a la distribución se le conoce como
distribución Normal Estándar.
Ahora, 𝑺𝒏 se define como la suma de 𝒏 variables aleatorias que cumplen ser:
 Independientes,
 Idénticamente distribuidas, y
𝟐 𝟐
 Con una media 𝝁 y varianza 𝝈 finitas (𝝈 ≠ 𝟎).
𝑺𝒏 = 𝑿𝟏 + 𝑿𝟐 + ⋯ + 𝑿𝒏
Entonces, la media de 𝑺𝒏 es 𝒏 ∗ 𝝁 y la varianza es 𝒏 ∗ 𝝈𝟐
Nota: Se da lo anterior ya que son variables aleatorias independientes.
Para una mejor comprensión y utilización de este teorema, se realiza la estandarización de 𝑺𝒏 , de la

siguiente forma:
𝑺𝒏 − 𝒏𝝁
𝒁𝒏 =
𝝈√𝒏
Nota: Se da esto para que la media de la nueva variable sea igual a cero y la desviación estándar sea igual
a 1.
Por lo tanto, las variables
Así, las variables 𝒁𝒏 convergerán en distribución a la distribución normal estándar 𝑵(𝟎, 𝟏),
cuando:
229 𝒏 → ∞ (𝒏 𝒕𝒊𝒆𝒏𝒅𝒆 𝒂 𝒊𝒏𝒇𝒊𝒏𝒊𝒕𝒐)

Por lo tanto, 𝚽 (𝒁) es la función de distribución de 𝑵(𝟎, 𝟏), para cada número Real 𝒁 y se cumple
que:
𝐥𝐢𝐦 𝑷𝒓 (𝒁𝒏 ≤ 𝒛) = 𝚽 (𝒁)

𝒏→∞
Dónde:
𝑷𝒓 : 𝑷𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒅𝒂𝒅
 Enunciado formal
De acuerdo a lo anterior se puede determinar de una manera Normalizada y Compacta el

Teorema del Límite Central de la siguiente Forma:
Sea 𝑋1 , 𝑋2 , 𝑋3 , … , 𝑋𝑛 un conjunto de variables aleatorias, independientes e idénticamente distribuidas con:
 𝝁: 𝑴𝒆𝒅𝒊𝒂
 𝑽𝒂𝒓𝒊𝒂𝒏𝒛𝒂: 𝟎 < 𝝈𝟐 < ∞
 𝑺𝒏 = 𝑿𝟏 + 𝑿𝟐 + ⋯ + 𝑿𝒏
Se da entonces que:
𝑺𝒏 − 𝒏𝝁
𝐥𝐢𝐦 𝑷𝒓 ( ≤ 𝒛) = 𝚽 (𝒁)
𝒏→∞ 𝝈√𝒏
Ocurre con bastante frecuencia encontrar esta formulación con la variable estandarizada 𝒁𝒏 en función
de la media muestral ̅̅̅̅
𝑿 𝒏 de la siguiente forma:
𝑿𝒏 − 𝝁
𝝈
⁄ 𝒏
√
Ya que son equivalentes.
230 Nota: Sí 𝒏 es suficientemente grande y se da un conjunto de variables aleatorias independiente e

idénticamente distribuidas:
𝑿𝟏 , 𝑿𝟐 , … , 𝑿𝒏 de una distribución con media 𝝁 y 𝝈𝟐 ≠ 𝒐 la variable aleatoria:
1
𝑋̅ = ∑𝑛𝑖=1 𝑋𝑖 tiene aproximadamente una distribución normal con:
𝑛
 𝝁𝑿̅ = 𝝁 , y
𝟐
 𝝈𝟐𝒙̅ = 𝝈 ⁄𝒏
Nota: Este teorema no define nada acerca de la distribución de X_i

excepto la existencia de la Media y la Varianza.
 Propiedades
La media de la distribución de muestreo de la media será igual a la media de la población.
Al incremento del tamaño de la muestra, la distribución de muestreo de la media se

acercará a la normalidad, sin llegar a importar la forma de distribución de la población.
El teorema del límite central garantiza una distribución normal cuando n es suficientemente
grande.
231 Existen diferentes versiones del teorema, en función de las condiciones utilizadas para
asegurar la convergencia. Una de las más simples establece que es suficiente que las variables
que se suman sean:
 Independientes,
 Idénticamente distribuidas,
 Con valor esperado finito, y
 Varianza finita.
La aproximación entre las dos distribuciones es, en general, mayor en el centro

de las mismas que en sus extremos o colas, motivo por el cual se prefiere el
nombre "teorema del límite central" ("central" califica al límite, más que al
teorema).
Este teorema, perteneciente a la teoría de la probabilidad, encuentra aplicación

en muchos campos relacionados, tales como:
Estimación
La inferencia estadística, o
 La teoría de renovación.
La teoría de la probabilidad se constituye en la base de la Inferencia Estadística, esta se aplica en
los diferentes conceptos de la probabilidad para la toma de decisiones bajo incertidumbre.
 Tipos de Estimación
Existen dos tipos de estimaciones de una población:
ESTIMACIONES CARACTERÍSTICAS
 Estimación puntual Se utiliza para estimar un parámetro de la

población.
 Estimación Intervalo Dentro de un intervalo se estima el

parámetro de la población.
CRITERIOS PARA SELECCIONAR UN BUEN ESTIMADOR

232
CRITERIOS CARACTERÍSTICA
Una media de muestra es un estimador, no

tiene sesgos de una media de una población.
1. Imparcialidad
Refiere al tamaño del error estándar de la

estadística, es decir, menor variabilidad de las
2. Eficiencia observaciones con respecto a la media.
Se dice que si al incrementar el tamaño de la

muestra, se conoce con certeza el valor se
3. Coherencia
aproxima al parámetro de la población.
Cuando la cantidad de la información de una

muestra estimada no tendría otro estimador
de otra muestra de la información sobre el
parámetro de la población.
4. Suficiente
 Prueba Hipótesis e Intervalos de Confianza
6.2.5 ESTIMACIÓN DE INTERVALO:

Consiste en un intervalo de valores donde se encuentra el parámetro de la población estimado.
 Fórmula para las medias
𝒔 𝒔
̅ − 𝒁𝜶 (
𝒙 ̅ + 𝒁𝜶 ( )
)<𝝁<𝒙
√𝒏 √𝒏
 Fórmula para proporciones

233
𝒑𝒒 𝒑𝒒
𝒑 − 𝒁𝜶 ( ) < 𝝁 < 𝒑 + 𝒁𝜶 ( )
√𝒏 √𝒏
6.2.5.1 ESTIMACIONES DE INTERVALO E INTERVALOS DE CONFIANZA
Es la probabilidad de una estimación de un intervalo con su nivel de confianza.
Confianza es la credibilidad que tiene la persona sobre el estudio u objeto a estimar.
6.2.5.2 TAMAÑO DE LA MUESTRA

Es la cantidad de las observaciones del estudio, el cual va a ser estimado de forma cuantitativa o
proporcional.
6.2.5.3 HIPÓTESIS:
Es una suposición acerca de un parámetro desconocido.
Procedimiento
1. Se define la hipótesis nula acerca de la población.

2. Formula la hipótesis alternativa o contradictoria.
3. Se define el criterio de decisión.
4. Se organiza la información.
5. Se calcula el estadístico de la muestra.
6. Se evalúa la estadística de la muestra para tomar la mejor decisión.
6.2.5.4 NIVEL DE SIGNIFICANCIA

234
Es un valor de un criterio que permite cuestionar una variable por medio de hipótesis para tomar
la mejor alternativa a estimar y lograr la mejor decisión.

1. El peso de los niños recién nacidos en una maternidad está dado por una distribución
normal con media 3150 kg y cuya desviación estándar es de 155 kg. ¿Cuál es la probabilidad
de que la media muestra de 150 niños recién nacidos sea de 3200 kg?
Procedimiento
Z=(  - µ ) \ ( \ √ n)
Z=(3200 - 3150 ) \ (155\ √150)
Z= 50 \ 12,65 Z= 3,95
P(X = 3200) = P(Z = 3,95) = 0,99 * 100 = 99%
2. Se ha seleccionado una muestra aleatoria para prever la inflación en el año 2000, en siete de
los países. Las previsiones han sido de
1,2,2,1,2,3,1,2,9,9,2,1,9,1,2,1,2,2,1,2,3,1,2,9,9,2,1,9,1,2. Se utilizan los datos para construir
un intervalo de la media muestral con un nivel de confianza del 99%, en estos 30 países.
Procedimiento
 - Z2 (s√n)  µ   + Z2 (s√n)
3,1 – 1 (3 √30 )  µ  3,1 + 1 (3 √30 )
3,1 – 0,55  µ  3,1 + 0,55
2,5  µ  3,65
3. Una fábrica de tornillos se tiene que 2% es defectuoso. Una empresa que utiliza de estos
tornillos para equipos de sonido dice que el 2% de estos son más defectuosos de los que
compran. Con un nivel de confianza del 95%, un investigador de esta empresa selecciono una
235 muestra de 1500 tornillos de que se tenga una media de 2,5%.
Procedimiento
Ho: µ ≤ 0,02
H1: µ > 0,02
Z = (0,025 – 0,02) ( (√0,02(1 – 0,02)  1500)
Z = (0,025 – 0,02) ( (√0,02(0,98)  1500)
Z = (0,005) ((0,00001307)
Z= 382
El valor de z estimado en la tabla es de 1,68
Como el valor calculado es mayor que el de la tabla, se concluye que no hay evidencias suficientes
que el porciento de tornillos defectuosos es mayor que el 2%.
6.2.7 TALLER DE ENTRENAMIENTO

contactarse con alguno de sus compañeros o apele a su respectivo tutor por alguno de los medios
o canales de comunicación dispuesto para ello.
1. La estatura media de los alumnos de un colegio es de 170 cm, con una desviación
estándar de 8 cm.
a) Encontrar la media muestral cuando n es de 60 personas.
b) ¿Cuál es la probabilidad de que una muestra de 60 estudiantes tenga una estatura
mayor de 172 cm?
c) ¿Cuál es la probabilidad de que una muestra de 60 estudiantes tenga una estatura
entre 165cm y 172 cm?
2. Un conjunto residencial está conformado por 300 apartamentos. Se seleccionaron 21

apartamentos y se observa que en promedio viven 3 personas por apartamento. Estime
el total de personas que viven en el conjunto residencial.
3. De una población se escogieron al azar 15 personas y se les tomo la estatura. Los

236 resultados en cm fueron: 162, 164, 165, 170, 175, 155, 165, 180, 165, 170, 145, 150.
Estime la media y la varianza.
4. De un lote de 1.250 celulares se seleccionaron aleatoriamente 50 y se encontró que 1

de ellos estaba dañado ¿cuántos celulares se estima que estén en mal estado?
5. Una muestra aleatoria de 125 individuos a los que se ha medido el nivel de glucosa en
sangre, obteniéndose una media muestral de 115 mg/cc. Se sabe que la desviación
típica de la población es de 25 mg/cc. Obtener un intervalo de confianza, al 70%, para
el nivel de glucosa en sangre en la población.
6. Se conoce que el contenido de fructosa de cierto alimento sigue una distribución

normal, cuya varianza es conocida, teniendo un valor de 0,36. Se desea estimar el valor
de la media poblacional mediante el valor de la media de una muestra, con un error
máximo de 0,3 con una confianza del 95%. ¿Cuál ha de ser el tamaño de la muestra?
7. En un colegio el peso de los estudiantes cumple una distribución normal con media de
55 kg y una desviación típica de 15 kg. Si se extrae una muestra aleatoria de 30 jóvenes
y para un nivel de significación del 10%, ¿En qué condiciones se rechazaría la hipótesis
de que la media de la población es de 55 kgs?
8. En una Universidad de Antioquia Secundaria hay matriculados 5000 estudiantes. Una
muestra seleccionada aleatoriamente de un 30% de estos, se les preguntó si utilizaban
la cafetería de la institución. A lo que contestaron que no de 50.
a) Estima el porcentaje de estudiantes que utilizan la cafetería del instituto
b) Determinar con un nivel de confianza del 85%, el error máximo cometido con dicha
estimación.
9. Una encuesta efectuada a 70 hogares sobre el consumo de gaseosa, con un tiempo

medio de consumo de una familia es de 6, con una desviación típica de 3. ¿Sirve esta
información para aceptar, con un nivel de significación del 7%, que el tiempo medio de
consumo es de 8?
10. En un barrio se escogió al azar una muestra de 250 personas cuya media de ingresos
mensuales resultaba igual a $515.000. con una desviación típica de $25.000 Si se toma
un nivel de confianza del 90%, ¿cuál es el intervalo de confianza para la media de los
ingresos mensuales de toda la población?
11. La duración de las que bombillas de 110 w que una empresa fabrica sigue una
distribución normal con una desviación estándar de 80 horas de duración. Su vida media
se encuentra garantizada con una duración mínima de 750 horas. Se seleccionó al azar
una muestra de 45 lámparas de un lote y, después de ser adquiridas, con una vida media
237 de duración de 620 horas y con un valor de significancia del 5%. ¿La duración de las
lámparas corresponde a su vida media?
12. De acuerdo a lo trabajado en el módulo responde a las siguientes actividades:

a. Realice un ejercicio de distribuciones muestrales de la media aplicado a su trabajo.
b. Formule un problema de distribuciones muestrales proporcionales.
c. Construya un ejercicio de intervalo confianza para media.
d. Haga un ejercicio de prueba de hipótesis para medias y proporciones aplicado a la
vida cotidiana.
e. Debe realizar un proyecto a su vida cotidiana aplicando las Distribuciones
Muestrales, Intervalos de Confianza y Prueba de Hipótesis.
238 7 GLOSARIO
 Estadística inferencial: La estadística inferencial es una parte de la estadística que
comprende los métodos y procedimientos que por medio de la inducción determina
propiedades de una población estadística, a partir de una pequeña parte de la misma.
 Muestreo: En estadística se conoce como muestreo a la técnica para la selección de
una muestra a partir de una población.
 Parámetro estadístico; una función definida sobre valores numéricos que caracteriza una
población o un modelo.
 Estimador: En estadística, un estimador es un estadístico (esto es, una función de la muestra)
usado para estimar un parámetro desconocido de la población
 Muestral Aleatorio Simple: Es considerado el método más sencillo. Mediante una tabla de
números al azar se eligen las zonas que se quieren muestrear. Este tipo de muestreo posee
algunos inconvenientes. Por un lado, supone definir de antemano los límites de un
yacimiento, y no siempre se conocen con certeza. Por otro lado, el carácter aleatorio de las
tablas numéricas provoca que en algunas áreas se acumulen las muestras, mientras que en
otras permanecen intactas.
 Distribuciones Muestrales: En estadística, la distribución muestral es lo que resulta de

considerar todas las muestras posibles que pueden ser tomadas de una población. Su estudio
permite calcular la probabilidad que se tiene, dada una sola muestra, de acercarse al
parámetro de la población. Mediante la distribución muestral se puede estimar el error para
un tamaño de muestra dado.
 Error Estándar: El error estándar es la desviación estándar de la distribución muestral de
un estadístico.1 El término se refiere también a una estimación de la desviación estándar,
derivada de una muestra particular usada para computar la estimación.
 Estimación: En inferencia estadística se llama estimación al conjunto de técnicas que
permiten dar un valor aproximado de un parámetro de una población a partir de los datos
proporcionados por una muestra.
 Intervalos de Confianza: En estadística, se llama a un par o varios pares de números entre los
cuales se estima que estará cierto valor desconocido con una determinada probabilidad de
acierto.
 Prueba Hipótesis nula: En estadística, una hipótesis nula es una hipótesis construida para
anular o refutar, con el objetivo de apoyar una hipótesis alternativa. Cuando se utiliza, la
hipótesis nula se presume verdadera hasta que una prueba estadística en la forma de una
prueba empírica de la hipótesis indique lo contrario. Si la hipótesis nula no es rechazada, esto

239 no quiere decir que sea verdadera.
 Dato más frecuente: Es el dato que más se repite; es decir la moda. Se identifica como el que
tiene la frecuencia absoluta más alta.
 Frecuencias: Indica en forma numérica (absoluta) o en forma porcentual (relativa) las veces
que se presenta cada dato.
 Inferencia: Es la generalización que se obtiene, partiendo de una o varias muestras, sobre la

población.
 Dispersión: Indica cómo se dispersan o varían los datos en la distribución; existen varias
medidas para analizar dicha dispersión; las más utilizadas son las que varían con relación al
promedio.
 Histograma: Es un gráfico de barras continuas y puede ser de frecuencias absolutas o

frecuencias relativas.
 Ojiva: Muestra gráficamente el comportamiento numérico o porcentual de los datos en la

forma: “menor o igual que el dato”
 Diagrama de barras: Es que más se aplica en datos cuantitativos ordenados en fila.
 Frecuencias acumuladas: Las frecuencias absolutas y las relativas, se acumulan por cada clase
y se utilizan para hacer interpretaciones de los datos como: mayor o igual, menor, menor o
igual.
 Interpretación de datos: mayor, dato menor, dato más frecuente, dato menos frecuente.
Consiste en el análisis de los datos con el fin de analizar el comportamiento de ellos y concluir
.
240 8 BIBLIOGRAFÍA
 Anderson, D., Sweeney, D. &  Berenson, M. L. & Levine, D. M.
Williams, T. (1999). Estadística para (1996). Estadística básica en
Administración y Economía. (7ª edición). Administración. (6ª edición). México:
México: Internacional Thomson Editores. Prentice-Hall.
 Berenson, M. L. & LEVINE, D. M.  Anderson, D., Sweeney, D. &

(1996). Estadística básica en Administración. Williams, T. (1999). Estadística para
(6ª edición). México: Prentice-Hall. Administración y Economía. (7ª edición).
México: Internacional Thomson Editores.
 Cáceres Hernández, J. (2009).
Conceptos básicos de Estadística para  Spiegel, M. R. (1995).Estadística. (2ª
ciencias sociales. Madrid: Delta edición). Madrid: McGraw-Hill.
Publicaciones.
Fuentes Digitales O Electrónicas
 Espejo, M. (2003). Estadística
descriptiva y probabilística. Cádiz:  Compas3 Comercio Electrónico.
Universidad de Cádiz. Introducción a la estadística descriptiva
[Versión electrónica]. Madrid, España,
 Martínez Bencardino, C. (2004). 2000. Extraído el 10 de octubre de 2009 de:
Estadística y muestreo. (11ª edición). http://www.aulafacil.com/CursoEstadistica/
Bogotá: Ecoe ediciones. CursoEstadistica.htm
 Mendenhall, W. & Sincich, T. (1997).  María Da Silva Ramis. Definición y

Probabilidad y Estadística para Ingeniería y Aplicaciones de la estadística descriptiva
administración. (4ª edición). México: [Versión electrónica]. Extraído el 27 de
Prentice-Hall. octubre de 2009 de:
 Pérez López, J. (2007) Muestreo  http://www.monografias.com/trabaj

estadístico. Madrid: Prentice-Hall. os10/esta/esta.shtml?monosearc
 Ross, Sheldon, M. (2005).  Pita Fernández, S. Estadística

Introducción a la Estadística. Barcelona: descriptiva de los datos Uso de la estadística
Reverte. y la epidemiología en atención primaria. En:
Gil VF, Merino J, Orozco D, Quirce F.
 Spiegel, M. R. (1995).Estadística. (2ª
edición). Madrid: McGraw-Hill.
 Manual de metodología de trabajo  Mark L. Berenson,David M.

241 en atención primaria. Universidad de Levine,Timothy C Krehbiel. Estadística para
Alicante. Madrid, Jarpyo Editores, S.A. 1997; Administración. Pearson Educación, 2006, 4
115-161. Actualizado 06/03/2001. Extraído edición.
el 27 de octubre de 2009  Anderson David R., Sweeney Dennis J.
de:http://www.fisterra.com/mbe/investiga/ Estadística para administración y economía.
10descriptiva/10descriptiva.asp#introduccio Cengage Learning Editores, 2008. Edición 10
n  Martínez Bencardino Ciro Estadística
básica aplicada. ECOE EDICIONES, 2003.
 Universidad de San Carlos.
Estadística descriptiva: Conceptos básicos  Weiers Ronald M. Introducción a la
[Versión electrónica]. Guatemala, estadística para Negocios. Cengage Learning
actualizado el 21de agosto de 2007. Editores, 2006. Edición 5.
Extraído el 24 de octubre de 2009 de
http://sitios.ingenieria- Fuentes electrónicas o digitales
usac.edu.gt/estadistica/estadistica2/estadis
ticadescriptiva.html  http://apuntes.rincondelvago.com/
muestreo-probabilistico.html
Fuentes Bibliográficas
 http://www.hiru.com/es/matematik
 David R. Anderson, Dennis J. a/matematika_05200.html
Sweeney, Thomas A. Williams. Estadística
para administradores y economía. Cengage  http://www.tesisymonografias.net/c
Learning Editores, 2004 oncepto-estadistica-probabilistica/6/
 Jay L Devore. Probabilidad y
estadística para ingeniería y ciencias.  http://es.wikipedia.org/wiki/Teor%C
Cengage Learning Editores, 2005 3%ADa_de_la_probabilidad
 Andrés Rivadulla Rodríguez.

 http://thales.cica.es/rd/Recursos/rd
Probabilidad e Inferencia Probabilística.
98/Matematicas/28/matematicas-28.html
Anthropos Editorial, 1991
 LUIS RUIZ-MAYA PEREZ,FRANCISCO  http://www.monografias.com/trabaj
JAVIER MARTIN-PLIEGO LOPEZ. os11/tebas/tebas.shtml
Fundamentos de Probabilidades. Thomson
Paraninfo, 2005  http://webpages.ull.es/users/jjsalaza
/curriculum/books/GOBCAN02.pdf

Estadística y Probabilística 2018

Caricato da

Informazioni sul documento

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

Estadística y Probabilística 2018

Caricato da

Copyright:

Formati disponibili

Estadística y Probabilística

Primera edición: 2017

Francisco Javier Álvarez Gómez

Derechos reservados: El módulo de estudio del curso de

Esta obra es publicada bajo la licencia Creative Commons.

1 UNIDAD 1 CONCEPTOS GENERALES Y DATOS CUALITATIVOS 8

1.2 TEMA 1 CONCEPTOS GENERALES 9

1.3 TEMA 2 REDONDEO Y FICHA TÉCNICA 15

1.4 TEMA 3 DATOS CUALITATIVOS 22

2 UNIDAD 2 DATOS CUANTITATIVOS ORDENADOS EN FILA 43

2.2 TEMA 1 TABLAS PARA DATOS CUANTITATIVOS ORDENADOS EN FILA 44

2.3 TEMA 2 medidas de tendencia central para datos ordenados en fila 50

3 UNIDAD 3 DATOS CUANTITATIVOS AGRUPADOS EN INTERVALOS DE CLASE 65

3.2 TEMA 1 TABLAS PARA DATOS CUANTITATIVOS AGRUPADOS EN INTERVALOS DE CLASE 66

3.5 TEMA 4 MEDIDAS D E VARIABILIDAD O DISPERSIÓN PARA DATOS CUANTITATIVOS 97

4 UNIDAD 4 PROBABILIDAD 112

4.2 Tema 1 Introducción a las Probabilidades 114

4.3 TEMA 2 TÉCNICAS DE CONTEO O ANÁLISIS COMBINATORIO 126

5 UNIDAD 5 DISTRIBUCIÓN DE PROBABILIDADES 161

5.2 TEMA 1 VARIABLES DISCRETAS 163

5.2.2 EJERCICIO DE ENTRENAMIENTO 165

5.3 TEMA 2 VARIABLES CONTINUAS 191

5.4 EJERCICIO DE APRENDIZAJE 200

5.5 EJERCICIOS DE APRENDIZAJE 210

6 UNIDAD 6 INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA 216

6.2 TEMA 1 DISTRIBUCIONES MUESTRALES 220

 Analizar datos cuantitativos agrupados en intervalos de clase.

 Definir los conceptos fundamentales de los modelos de representación de procesos

 Realizar correctamente una distribución de probabilidades, diferenciando variables

 Distinguir las distribuciones de las diferentes probabilidades.

Construir modelos de estadística inferencial para la solución de problemas.

UNIDAD UNIDAD UNIDAD UNIDAD UNIDAD UNIDAD

Conceptos Datos Datos Distribución Introducción

8 1 UNIDAD 1 CONCEPTOS GENERALES Y DATOS

1.1.1 RELACIÓN DE CONCEPTOS

1.1.2 OBJETIVO GENERAL

1.1.3 OBJETIVOS ESPECIFICOS

 Aplicar el concepto de redondeo de cifras para el manejo de magnitudes estadísticas, además

 Calcular, dada una tabla de datos estadísticos, la frecuencia, la frecuencia relativa y la

1.2 TEMA 1 CONCEPTOS GENERALES

Es una ciencia auxiliar y la compilación, organización,

Es la presentación, en forma comprensible, de los datos

comprensión de la teoría de estimación y prueba de

Es la totalidad de unidades elementales sobre los cuales se

a) Si el contador de la empresa desea investigar las

c) Si un médico veterinario desea investigar si hay gripa

Es una población que no es indefinidamente grande o que

Contiene un número infinitamente grande de unidades

Estudio de una población. Llamado también enumeración

” Es una medida descriptiva numérica de una población”

De los ejemplos de la población:

Es el elemento básico o parte representativa de una

Es el estudio de la muestra y la relación entre la población

Es aquella que se extrae con la condición de que posea

“Es una medida descriptiva numérica calculada a partir de

Es cualquier característica que se analiza de una población,

12 Es la que se refiere a atributos o cualidades, se divide en

Se refiere a datos numéricos. Ejemplo: ingresos mensuales,

a. VARIABLE CUANTITATIVA DISCRETA

Sólo puede tomar valores enteros. Ejemplo: número de

b. VARIABLE CUANTITATIVA CONTINUA

Puede asumir cualquier valor numérico, es decir, cualquier

1.2.1 EJERCICIO DE ENTRENAMIENTO

1. En el siguiente listado señala con una X, el tipo de variable: