Académique Documents
Professionnel Documents
Culture Documents
n
e
n
T
o
m
a
t
e
30
20
10
0
Polgono de frecuencias acumuladas, en porcentaje del desarrollo de una
enfermedad fungosa, en plantas de tomate.
Grficos Multivariados
Grfico de Barras que incorpora 4 variables dicotmicas (si- no)
Este tipo de grfico permite
resumir de manera muy
eficiente la informacin de
hasta 6 o 7 variables. Es
ideal para usar con
escalas de opinin como la
escala Likert o variables
dicotmica, SI y NO.
Telfono
Asistencia Mdica
Agua Potable
Electricidad
Escuela Cercana
P
o
r
c
e
n
t
j
e
d
e
r
e
s
p
u
e
s
t
a
a
f
i
r
m
a
t
i
v
a
120
100
80
60
40
20
0
19
30
43
98
UNI Norte
Estadstica Bsica para Ingenieros Luis Mara Dicovskiy Riobo
21
Grfico De Barras, Bivariado en Cluster o Agrupamientos
Grfico bivariado, que se puede acompaar de una tabla cruzada de frecuencias y
porcentajes con una prueba estadstica X
2
de independencia.
Grfico Bivariado De Barras Apiladas
Grfico bivariado
que reduce el
nmero de barras y
por lo tanto se
simplifica el diseo.
Se puede construir
con frecuencias o
porcentajes
Nivel educativo
solo lee universitario secundaria primaria
P
o
r
c
e
n
t
a
j
e
50
40
30
20
10
0
Sexo
varn
mujer
13
23
41
8
9
19
46
Sexo
mujer varn
C
a
n
t
i
d
a
d
d
e
e
n
t
r
e
v
i
s
t
a
d
o
s
140
120
100
80
60
40
20
0
Rol en la familia
hijo/a
madre
padre
jefe de familia
62
79
28
22
10
15
UNI Norte
Estadstica Bsica para Ingenieros Luis Mara Dicovskiy Riobo
22
1.3. Medidas de Tendencia Central
Al forjarnos una imagen mental de la distribucin de frecuencias de un conjunto de
mediciones, una de las primeras apreciaciones descriptivas de inters es una medida
de tendencia central, es decir, una que localiza el centro de la distribucin.
Una de las medidas de tendencia central ms comn y til es la media comn o media
aritmtica, pero tambin son de importancia, segn las circunstancias y el tipo de
variables la moda y la mediana. Otras medidas de tendencia central menos usadas
son la media geomtrica y la media cuadrtica.
La sumatoria, un concepto bsico introductorio:
En matemtica, el smbolo Griego E en mayscula se utiliza para indicar sumatoria de
datos donde:
Siendo x un valor de una medicin de la variable en estudio e i un ndice que vara
de 1 a n .El nmero de datos de la muestra se identifica con la letra n.
Media Aritmtica
La media aritmtica o simplemente media de un conjunto de mediciones es la medida
de tendencia central ms usada y conocida. Esta medida se simboliza como x (x con
raya) cuando representa la media muestral y como (letra griega minscula) para
Un Grfico permite ver
rpidamente lo que nos dicen los
datos
1
= x
1
+x
2
+x
3
+x
4
+.......+ x
n
UNI Norte
Estadstica Bsica para Ingenieros Luis Mara Dicovskiy Riobo
23
representar la media poblacional. x o es la suma de todos los valores de la
muestra o poblacin divididos por el nmero de casos. En el caso de la media muestral
esta es igual a: x = (x
1
+ x
2
+ x
3
++ x
n
)/ n donde n es el nmero de datos de la
muestra y x el valor numrico del dato. La frmula simplificada de la media es:
x = (
n
x
1
i
/ n), donde
Donde f es la frecuencia de la clase y x el punto medio de cada intervalo.
Una debilidad de la media aritmtica es que es sensible a valores extremos de la
distribucin y que carece de sentido para variables medidas con un nivel nominal u
ordinal.
Ejemplo de clculo de una media.
Si tengo la nota de un examen de matemticas de 10 estudiantes en una escala de 1 a
100 donde:
Estudiante Variable Nota = x
i
Valor de x
i
Luis X
1
62
Alberto X
2
68
Juan X
3
92
Pedro X
4
88
Roberto X
5
55
Mara X
6
79
=
Media Aritmtica
UNI Norte
Estadstica Bsica para Ingenieros Luis Mara Dicovskiy Riobo
24
Raquel X
7
89
Luisa X
8
92
Rosa X
9
67
Diana X
10
69
i
x
10
1
=
761.
En este caso i varia de 1 a 10.
Media de notas de los estudiantes =
i
x
10
1
/10 = 761/10 = 76.1
La Mediana
La segunda medida de tendencia central es la mediana. La mediana m de un conjunto
de mediciones x
1
, x
2
, x
3
,...., x
n
es el valor de x que se encuentra en el punto medio o
centro cuando se ordenan los valores de menor a mayor.
Si las mediciones de un conjunto de datos se ordenan de menor a mayor valor y n es
impar, la mediana corresponder a la medicin con el orden (n + 1) / 2. Si el nmero
de mediciones es par, n = par, la mediana se escoge como el valor de x a la mitad de
las dos mediciones centrales, es decir como el valor central entre la medicin con
rango n/2 y la que tiene rango (n/2) + 1.
Ejemplo de clculo de una mediana.
En el ejemplo de las notas de matemticas la mediana se construye ordenando los
datos de menor a mayor:
Estudiante Datos ordenados Valor de x
i
Roberto 1
55
Luis 2 62
Rosa 3 67
Alberto 4 68
Diana 5 69
Mara 6 79
Pedro 7 88
Reglas para calcular la mediana
- Ordenar las mediciones de menor a mayor
- Si n es impar, la mediana m es la medicin con rango (n + 1) / 2
- Si n es par, la mediana m es el valor de x que se encuentra a la mitad
entre la medicin con rango n / 2 y la medicin con rango (n /2)+1.
UNI Norte
Estadstica Bsica para Ingenieros Luis Mara Dicovskiy Riobo
25
Raquel 8 89
Juan 9 92
Luisa 10 92
Como n es par, la mediana es igual a la mitad entre la medicin con rango n / 2 y la
medicin con rango (n/2) +1, donde n / 2 = 5 y (n /2) +1)= 6.
El dato 5 vale 69 y el dato 6=79, entonces la mediana es igual a 69 + 79 / 2= 74
En este ejemplo la mediana es semejante a la media.
La Moda
La moda es la medida de tendencia central ms fcil de calcular y tambin es la ms
sujeta a fluctuaciones cuando cambian unos pocos valores de la distribucin. Por esta
razn la moda se suele usar para una evaluacin rpida de la tendencia central. La
moda se define como el valor ms frecuente de una distribucin. En una tabla de
frecuencias, la frecuencia mayor es la que contiene a la moda. Esta medida se usa ms
y tiene ms sentido cuando se describen datos nominales, de hecho es la nica medida
de tendencia central que funciona con este tipo de escala.
Comparaciones entre las diferentes medidas.
Las tres medidas de tendencia central, la media, mediana y moda, no son igualmente
tiles para obtener una medida de tendencia central. Por el contrario, cada una de
estas medidas tiene caractersticas que hacen que su empleo sea una ventaja en
ciertas condiciones y en otras no.
La media es la medida de tendencia central, generalmente ms usada y tiene la
caracterstica que incorpora todos los datos de la variable en su clculo por lo tanto su
La moda es el valor ms frecuente y
funciona bien con escalas nominales
UNI Norte
Estadstica Bsica para Ingenieros Luis Mara Dicovskiy Riobo
26
valor suele ser ms estable. Adems se suele preferir en la construccin de pruebas de
hiptesis, en la estadstica inferencial. Se usa normalmente con datos de intervalo y de
razn constante y cuando las distribuciones tiene forma simtrica.
La mediana suele ser la medida preferida cuando se emplea una escala ordinal, estas
son las situaciones donde el valor asignado a cada caso no tiene otro significado ms
que el indicar el orden entre los casos. Por ejemplo saber en una clase cuales alumnos
estn dentro del 50% con mejores notas y cuales dentro del 50% con peores notas.
Tambin se suele preferir la mediana cuando unos pocos valores extremos
distorsionan el valor de la media. Por ejemplo si tengo 9 personas con 0 ingresos y uno
sola que tiene ingresos de 10 unidades, la media me puede dar a entender que la
mayora recibe 1 unidad, cuando esto no es real.
La moda en ciertas condiciones puede ser la ms apropiada, por ejemplo cuando se
quiere informacin rpida y cuando la precisin no sea un factor especialmente
importante. En ciertos casos solo esta medida tiene sentido por ejemplo en un equipo
de ftbol llevo la estadstica por jugador (escala ordinal) de la cantidad de pases que
realiza por juego, esto para detectar quien es el que mejor di stribuyendo la pelota, en
este caso la media y la mediana no tendran significado, solo la moda.
No necesariamente una escala de medida nos debe decir qu tipo de medida de
tendencia central debemos usar, pero si nos ayuda a determinar cul es la ms
apropiada.
Un aspecto interesante entre las tres medidas es su comportamiento referente a la
simetra que toma una distribucin. Cuando las distribuciones son simtricas, sin
sesgo, caso de la distribucin Normal que tiene forma de campana, la media, la
mediana y la moda coinciden. Si la distribucin es asimtrica con sesgo positivo, hay
ms datos hacia la izquierda de la media, entonces la media es mayor que la mediana
y esta mayor que la moda. Si ocurre lo contrario, el sesgo es negativo, entonces la
media es menor que la mediana y esta menor que la moda.
UNI Norte
Estadstica Bsica para Ingenieros Luis Mara Dicovskiy Riobo
27
Otras medidas de tendencia central.
La Media Geomtrica.
La media geomtrica se define como
n
n
g
x x x x x ..
3 2 1
=
, por ejemplo la media
geomtrica de los valores 4, 5, 4, 6 es
68 . 4 ) 6 )( 4 )( 5 )( 4 (
4
= =
g
x
Una ventaja de su uso es que considera todos los valores de la distribucin y es menos
sensible que la media aritmtica a los valores extremos, sin embargo es de clculo
complicado y si un valor vale 0 se anula.
La Media Cuadrtica.
Se construye a partir de suma de los cuadrados de un conjunto de valores. Su forma de
clculo es
2
2 2
3
2
2
2
1
...
n
x x x x
x
n
c
+ + + +
=
, si tomamos los valores anteriores la
media cuadrtica tiene el siguiente valor
81 . 4
4
6 4 5 4
2
2 2 2 2
=
+ + +
=
c
x
Se utiliza cuando se quiere evitar los efectos de los signos. sta media solo puede
tomar valores positivos.
Cuartiles, Deciles y Percentiles.
Cuartiles: si a un conjunto de datos se ordena de mayor a menor, el valor central es la
mediana, este valor divide el grupo, en dos subgrupos cada uno con el 50 % de los
datos. Si a cada subgrupo ordenado se le marca el valor central, tenemos as tres
valores seleccionados que llamaremos Cuartiles, Q
1
, Q
2
y Q
3
. Estos valores dividen al
conjunto de datos en cuatro grupos con igual nmero de trminos, cada cuartil contiene
el 25% de los datos. La mediana es el cuartil dos, Q
2
. Con los Cuartiles se construye un
grfico especial, el diagrama de caja, este permite visualizar la variabilidad de los
datos por Cuartil.
En el diagrama de caja, el centro de la caja es el Q
2
, la mediana, los bordes de la caja
son el Q
1
y el Q
3
. En los extremos del diagrama se trazan dos rayas horizontales que
UNI Norte
Estadstica Bsica para Ingenieros Luis Mara Dicovskiy Riobo
28
representan los valores mximo y mnimo de la distribucin y que no se consideran
anmalos. Para hallar los valores de las rayas se multiplica la amplitud inter cuartil (Q
3
-
Q
1
) por 1,5 y el resultado se suma a Q
3
y se resta a Q
1
.Por ltimo, por encima y por
debajo de las rayas se representan de forma individual los valores extremos y
anmalos de la distribucin.
Diagrama de caja, variable: cantidad de carne consumida por ao.
Deciles, si el conjunto de valores, ordenados de de mayor a menor, se dividen en diez
partes iguales, los valores que dividen los datos se llaman deciles y son nueve, D
1
,
D
2
,..D
9
.
Percentiles, si se tiene un conjunto de datos muy numerosos y a este se lo divide en
100 partes iguales, cada valor que divide los datos se llama percentil, P
1
, P
2
, P
3
P
99
.
1.4 Medidas de Dispersin o de Variabilidad
Las medidas de variabilidad indican la dispersin de los datos en la escala de medicin
y son tan importantes como las medidas de tendencia central y as como stas son
valores puntuales en una distribucin, las medidas de dispersin son intervalos,
3.7
7.5
11.2
14.9
18.7
K
g
Mediana
Carne consumida por ao
UNI Norte
Estadstica Bsica para Ingenieros Luis Mara Dicovskiy Riobo
29
distancias o un nmero de unidades en la escala de medicin. Este tipo de medida se
complementa con las medidas de centralidad y ambas permiten describir a la mayora
de las distribuciones. Los tipos de medidas de Dispersin ms comunes son: el
Rango, el Desvo Estndar y la Varianza.
El Rango.
El Rango, Recorrido o Amplitud de un conjunto de mediciones, es la diferencia entre el
valor mayor y el valor menor, indica el nmero necesario y mnimo de unidades, en la
escala de medicin, para incluir los valores mnimo y mximo. Es la medida de
dispersin ms fcil de calcular, pero tambin es la menos estable al estar fuertemente
influenciada por valores extremos atpicos.
Cuanto ms grande es el rango, mayor ser la dispersin de los datos de una
distribucin. Es adecuada para medir la variacin de pequeos conjuntos de datos.
El Desvo Estndar.
El Desvo Estndar es la medida de dispersin ms ampliamente usada y es la ms
estable ya que depende de todos los valores de la distribucin. Es la media de
desviacin de los valores con respecto a la media, aunque una definicin completa
sera: la raz cuadrada de la suma de las desviaciones alrededor de la media, elevadas
al cuadrado y divididas entre el nmero de casos menos uno en el caso de S.
Desvo Estndar S: la raz
cuadrada de la suma de las
desviaciones alrededor de la
media, elevadas al cuadrado y
divididas entre el nmero de
casos menos uno.
UNI Norte
Estadstica Bsica para Ingenieros Luis Mara Dicovskiy Riobo
30
Cuando se trabaja con muestras el desvo estndar se simboliza con una S y con la
letra sigma minscula o cuando se usan datos de una poblacin. Su frmula de
clculo tradicional es:
Donde i es cualquier valor de uno a n o N, y n es el nmero total de datos de la
muestra y N de la poblacin.
El desvo estndar, S o o, se interpreta como cuanto se desva de la media un
conjunto de valores. Este valor se grafico como un intervalo. Esta medida solo se utiliza
con variables continuas u ordinales.
Clculo de S por suma de cuadrados
El desvi estndar se puede expresa tambin de la siguiente manera:
=
1
Esta forma de resolucin es equivalente a la forma de clculo tradicional, pero esta
descomposicin es la ms usada en estadstica inferencial, por ejemplo en la
construccin de tablas de Anlisis de Variancia, ANDEVA.
Ejemplo de clculo de Desvo Estndar S
Con el ejemplo de las notas de matemticas haremos clculo de S
S=
= 13.6
=
2
1
1
=
1
9 / ) ) 1 . 76 92 ( ) 1 . 76 92 ( ) 1 . 76 89 ( ) 1 . 76 88 (
) 1 . 76 79 ( ) 1 . 76 69 ( ) 1 . 76 68 ( ) 1 . 76 67 ( ) 1 . 76 62 ( ) 1 . 76 55 ((
2 2 2 2
2 2 2 2 2 2
+ + +
+ + + + + +
UNI Norte
Estadstica Bsica para Ingenieros Luis Mara Dicovskiy Riobo
31
Se sugiere hacer estos clculos usando una calculadora cientfica en funcin
estadstica.
La Varianza.
La varianza es el desvo estndar elevado al cuadrado y se simboliza con S
2
cuando
es muestral, o o
2
cuando es poblacional. Este es una medida que se usa en muchas
pruebas de Hiptesis estadsticas, por ejemplo el Anlisis de Varianza, ANDEVA que
se basa en la descomposicin y relacin de las varianzas de las causas de variacin de
los datos. Pero para fines descriptivos se prefiere usar el desvo estndar en vez de la
varianza, que suele ser un valor mayor y difcil de interpretar.
El Coeficiente de variacin
El coeficiente de variacin, CV, es un cociente entre el desvo estndar y la media de
los datos, expresado en porcentaje, CV =
En una variable continua:
- La media, la mediana y la moda son puntos en una recta.
- El desvo estndar y el rango son intervalos.
UNI Norte
Estadstica Bsica para Ingenieros Luis Mara Dicovskiy Riobo
33
Histograma de consumo de cereal en Kg/ ao por habitante de diferentes pases. En
este grfico se observa una asimetra o sesgo positivo de 0.93, hay un agrupamiento
de datos a la izquierda de la curva de distribucin normal, curva en color negro.
Histograma de consumo de cereal en Kg/ ao por habitante de diferentes pases. En
este grfico se observa una asimetra o sesgo positivo de 0.93, hay un agrupamiento
de datos a la izquierda de la curva de distribucin normal, curva en color negro.
Sesgo estandarizado, es una medida que se calcula de la siguiente manera:
Para datos que siguen una distribucin normal (ver unidad 3) el sesgo estandarizado
debe caer dentro de un intervalo (-2,+2).
La Curtosis.
La curtosis es una medida que indica o mide lo plano o puntiaguda que es una curva de
distribucin. Cuando esta es cero, curtosis = 0, significa que se trata de una curva
Normal. Si es positiva, quiere decir que la curva o distribucin o polgono es ms
puntiaguda o levantada que la curva normal (curva leptocrtica). Si es negativa quiere
decir que es ms plana (curva mesocrtica).
15 22 28 34 41 47 54 60
Cereal
0.00
0.08
0.17
0.25
0.34
f
r
e
c
u
e
n
c
i
a
r
e
l
a
t
i
v
a
Asimetria 0.93
Consumo Kg/ ao de cereal por pas
UNI Norte
Estadstica Bsica para Ingenieros Luis Mara Dicovskiy Riobo
34
Curtosis =
(
)
=
Curtosis estandarizada, es una medida que se se calcula de la siguiente manera:
= (1, 2, 3, 4, 5, 6)
Evento A = sale 3.
Objetivos
UNI Norte
Estadstica Bsica para Ingenieros Luis Mara Dicovskiy Riobo
42
Probabilidades: La probabilidad de un evento A se define
como la frecuencia relativa de A en el espacio muestral O
y se denota como P(A).
Por ejemplo si en una comunidad hay 64 campesinos que
siembran frijol de forma manual y 16 con bueyes. En este
caso hay 2 eventos: Siembra manual y Siembra con bueyes
y existe la P(bu) y la P(ma) asociados a la frecuencia de
ocurrencia de cada evento. La probabilidad que al elegir una parcela al azar esta fue
sembrada de forma manual P(ma) es de 16/80 = 0.20 20 %.
Se debe considerar que la P(A) se hace ms real en la medida el nmero de
elementos de O se hace ms grande
2.3 Propiedades de la Probabilidad
- 0 s P(A) s 1
- El evento A es ms probable que B P(A) > P(B)
- Un Evento cierto, que seguramente ocurre, tiene probabilidad 1.
- Un Evento imposible, que nunca ocurrir, tiene probabilidad 0.
- Tiene dos reglas bsicas que la estructuran: la regla del producto y la regla de la
suma.
Regla del producto.
Si dos evento A y B son independientes si A no influye de ninguna manera en B y
viceversa. La probabilidad que los eventos independientes A y B ocurran al mismo
tiempo es P(A y B) = P (AB) = P(A) x P (B)
P(A) = # casos favorables / # casos Totales de O = #A / #
elementos de O
UNI Norte
Estadstica Bsica para Ingenieros Luis Mara Dicovskiy Riobo
43
Por ejemplo si la Probabilidad de un nacimiento de un nio es 0.5, P (nio) = 0.5, la
probabilidad que dos mujeres su primer parto tengan hijos varones es un evento
independientes, uno no influye sobre otro, la P (nio, nio) es de 0.5
2
= 0.25
Una paradoja es que una persona que compra todas las semanas la lotera, para un
sorteo dado, tiene la misma probabilidad de sacar el premio mayor que una persona
que compr un nmero por primera vez.
Ejercicio 2.1: estimar la probabilidad que al elegir por sorteo dos estudiantes del grupo,
ambos sean varones. Determinar tambin cuales eventos forman Oes este caso.
Si los sucesos son independientes: P(A) x P (B) es igual p(A B), A interseccin B.
Regla de la Suma.
Para que dos eventos A y B se puedan sumar directamente, estos deben ser
incompatibles, es decir ellos no pueden ocurrir al mismo tiempo. P(AB) = 0
La probabilidad que ocurra A B para eventos incompatibles A y B es P(A B) =
P (A) + P (B) = P(AB)
Si los eventos no son incompatibles P(AB) = P (A) + P (B) - P(AB). Esta sera la
regla general de la suma de probabilidades.
En el ejemplo de arrojar dos veces una moneda al aire, la probabilidad que salga una
vez cara y el otro sol sin importar el orden, es la probabilidad de los eventos cara, sol
y sol, cara. Debido a que son cuatro los eventos posibles O= cara cara, sol cara,
cara sol y sol-sol y cada uno con igual probabilidad, cada uno de esto eventos tiene
una P = 0.25, de ocurrencia. Por lo tanto la ocurrencia de cara-sol ms sol cara
es de P (c, s) + P (s, c)), que en valore de probabilidades es de P (0.25) + P (0.25) =
0.5
UNI Norte
Estadstica Bsica para Ingenieros Luis Mara Dicovskiy Riobo
44
Ejercicio 2.2. En la matricula de primer ao de la universidad, 150 estudiantes son
originarios del departamento de Estel, 60 estudiantes del departamento de Nueva
Segovia y 100 estudiantes del resto del pas. Cul es la probabilidad que un
estudiante tomado al azar no sea del departamento de Estel?
2.4 Probabilidad condicionada
Como la probabilidad est ligada a nuestra ignorancia sobre los resultados de la
experiencia, el hecho de que ocurra un suceso, puede cambiar la probabilidad de los
dems que ocurran luego. El proceso de realizar la historia de un caso, explorar y
realizar pruebas complementarias ilustra este principio, cuando ms se conoce de lo
que ocurri, mejor puedo predecir el futuro, la probabilidad condicionada se nutre de
este principio.
La probabilidad de que ocurra el suceso A si ha ocurrido el suceso B, P (A\B), se
denomina probabilidad condicionada y se define.
\ =
()
()
Si p (B) 0
La condicin que P (B) > 0, esto es necesario para una buena definicin de
probabilidad condicional. Es de notar que si A y B son sucesos independientes, la P
(A\B) es igual a la P(A), es otro enfoque de mirar independencia. Cmo regla general
se enuncia que:
De lo anterior se deduce que: = \. ()
Ejemplo:
Dos eventos A y B son independientes si y slo si: P (A\B) = P(A) y P (B\A) = P(B)
que es lo mismo: P(AB) = P(A) x P(B)
UNI Norte
Estadstica Bsica para Ingenieros Luis Mara Dicovskiy Riobo
45
Se conoce que a los estudiantes de la UNI tienen las siguientes preferencias en el
consumo de gaseosas:
Consumo de Gaseosas
por semana
Varones Mujeres Total
No consume 30 10 40
1-5 veces 50 25 75
Ms de 5 veces 20 15 35
Total 100 50 150
Si de un grupo de jvenes del bar de la universidad, se selecciona al azar un
estudiante varn Cul es la probabilidad que ese que ese joven halla consumido ms
de 5 gaseosas por semana? En este problema ya no es necesarios conocer el nmero
total de estudiantes, porque al seleccionar a un individuo del sexo masculino, los
individuos del sexo femenino no son tomados en cuenta. Entonces se puede definir la
probabilidad deseada como Qu probabilidad existe de que un individuo beba ms de
5 gaseosas a la semana dado que el individuo seleccionado sea varn? Esta es una
probabilidad condicional y se resuelve de la siguiente manera:
P(C
+5
\S
v
) =
(
+5
)
(
)
= (20/150) / (100/150) = 20/100= 0.2, donde C es por
consumo y S por sexo.
Ejercicio 2.3
Si se tiene una escuela de 200 alumnos distribuidos en tres aulas: A, B y C. Por sexo:
mujer, y varn; como sigue:
Aula/ Sexo Varn Mujer
A 20 20
B 30 30
C 56 44
Total 106 94
Cul es la probabilidad que un estudiante, sin importar el sexo, sea del aula B?
UNI Norte
Estadstica Bsica para Ingenieros Luis Mara Dicovskiy Riobo
46
Cul es la probabilidad que un estudiante sea del aula A, si el estudiante es mujer?
Ejercicio 2.4
En un aula hay 6 estudiantes realizando un examen, dos son mujeres y cuatro son
varones. Cul es la probabilidad que finalice una mujer de segunda dado que el
primero en finalizar fue un hombre?
Si la solucin es:
\ =
( )
()
=
8/30
4/6
=
2
5
Explicar cmo se construyeron los valores 8/30 y 4/6?
2.3 Teorema de Bayes
Regla de la probabilidad total
Se llama particin a un conjunto de sucesos A
i
tales que.
Es decir, son un conjunto de sucesos mutuamente excluyentes y que cubren todo el
espacio muestral.
Regla de la probabilidad total: Si un conjunto de sucesos A
i
forman una particin del
espacio muestral y p (A
i
) = 0 A
i
, para cualquier otro suceso B se cumple
A
1
A
2
... A
n
= O y A
i
A
j
= C i = j
A
1
A
2
A
n
UNI Norte
Estadstica Bsica para Ingenieros Luis Mara Dicovskiy Riobo
47
=
+. . +
= \
+\
+. . +\
= \
=
Siendo P (B) la probabilidad total, la cual se puede interpretar como una media
ponderado de los diferentes \
)
Planteo del Teorema de Bayes
El teorema de Bayes, enunciado por Thomas Bayes y publicada por primera vez en
1763, parte de una situacin en la que ocurran una serie de sucesos A
i
que son una
particin completa de un espacio muestral y donde P (A
i
) = 0. Pero tambin existe un
suceso B, tal que P (B) = 0, y que las probabilidades de ocurrencia de B son distintas
segn el suceso A
i
que haya ocurrido, tal como se explica en la regla de la probabilidad
total. Conociendo que ha ocurrido el suceso B, la frmula del teorema de Bayes nos
indica como modifica esta informacin las probabilidades de los sucesos A
i
. Se resalta
que al disponer informacin de B se cambian las probabilidades de A
i
. El teorema se
presenta de la siguiente manera:
\ =
PB\A
i
P(A
i
)
PB\A
i
P(A
i
)
n
i=1
Ejercicio resuelto:
A
1
A
2
A
n
B
UNI Norte
Estadstica Bsica para Ingenieros Luis Mara Dicovskiy Riobo
48
Tres mquinas, A, B y C, producen el 45%, 30% y 25%, respectivamente, del total de
las piezas producidas en una fbrica. Los porcentajes de produccin defectuosa de
estas mquinas son del 3%, 4% y 5%.
a. Seleccionamos una pieza al azar; calcula la probabilidad de que sea defectuosa.
(probabilidad Total)
b. Tomamos, al azar, una pieza y resulta ser defectuosa; calcula la probabilidad de
haber sido producida por la mquina B.
c. Qu mquina tiene la mayor probabilidad de haber producido la citada pieza
defectuosa?
Sea D= "la pieza es defectuosa" y N= "la pieza no es defectuosa". La informacin del
problema puede expresarse en el diagrama de rbol adjunto.
a. Para calcular la probabilidad de que la pieza elegida sea defectuosa, P(D), por la
propiedad de la probabilidad total,
P (Total) =P(D) = P(A) P(D\A) + P(B) P(D\B) + P(C) P(D\C) =
= 0.45 x 0.03 + 0.30 x 0.04 + 0.25 x 0.05 = 0.038
Resolucin por diagrama de rbol. Un diagrama de rbol es una representacin
grfica de un experimento que consta de pasos, donde cada uno de los pasos tiene un
nmero finito de maneras de ser llevado a cabo.
Prob. Mquina Prob. Tipo de
produccin
0.45 A 0.03 D
0.97 N
0.30 B 0.04 D
0.96 N
0.25 C 0.05 D
0.095 N
UNI Norte
Estadstica Bsica para Ingenieros Luis Mara Dicovskiy Riobo
49
b. Debemos calcular P(B\D). Por el teorema de Bayes,
( )
( ) ( )
( ) ( ) ( ) ( ) ( ) ( ) C D P C P B D P B P A D P A P
B D P B P
D B P
/ . / . / .
/ .
/
+ +
=
( )( )
( )( ) ( )( ) ( )( )
316 . 0
38
12
05 . 0 25 . 0 04 . 0 3 . 0 03 . 0 45 . 0
04 . 0 30 . 0
= =
+ +
=
c. Calculamos P(A\D) y P(C\D), comparndolas con el valor de P(B\D) ya
calculado. Aplicando el teorema de Bayes, obtenemos:
( )
( )( )
( )( ) ( )( ) ( )( )
355 . 0
380
135
05 . 0 25 . 0 04 . 0 3 . 0 03 . 0 45 . 0
03 . 0 45 . 0
/ = =
+ +
= D A P
( )
( )( )
( )( ) ( )( ) ( )( )
329 . 0
380
125
05 . 0 25 . 0 04 . 0 3 . 0 03 . 0 45 . 0
05 . 0 25 . 0
/ = =
+ +
= D C P
La mquina con mayor probabilidad de haber producido la pieza defectuosa es A
Ejercicio 2.5 El reporte meteorolgico ha anunciado tres posibilidades para el da de
maana: que llueva: probabilidad del 50%, que salga el sol: probabilidad del 30% y
que est nublado: probabilidad del 20%.
Segn estos posibles estados meteorolgicos y datos histricos de comportamiento
vehicular, la posibilidad de que ocurra un accidente es la siguiente: si llueve:
UNI Norte
Estadstica Bsica para Ingenieros Luis Mara Dicovskiy Riobo
50
probabilidad de accidente del 20%, si sale el sol: probabilidad de accidente del 10% y si
est nublado: probabilidad de accidente del 5%.
Si se sabe que ocurri un accidente,
Cul es la probabilidad de que haya llovido?
Cul es la probabilidad de que haya salido el sol?
Cul es la probabilidad de que haya estado nublado?
2.4 Tcnicas de conteo: Combinaciones y Permutaciones
Las tcnicas de conteo son aquellas que son usadas para enumerar eventos difciles
de cuantificar de forma directa. Estas tcnicas sirven para construir probabilidades.
Combinaciones:
La expresin "C
m,n
" representa las combinaciones de "m" elementos, formando
subgrupos de "n" elementos. Para calcular el nmero de combinaciones se aplica la
siguiente frmula:
)! ( !
!
.
n m n
m
C
n m
=
El trmino " n! " se denomina "factorial de n" y es la multiplicacin de todos los
nmeros que van desde "n" hasta 1.
Por ejemplo: 4! = 4 * 3 * 2 * 1 = 24
Ejemplo: C
10,4
son las combinaciones de 10 elementos agrupndolos en subgrupos de
4 elementos sin importar el orden:
210
) 1 . 2 . 3 . 4 . 5 . 6 )( 1 . 2 . 3 . 4 (
1 . 2 . 3 . 4 . 5 . 6 . 7 . 8 . 9 . 10
)! 4 10 ( ! 4
! 10
4 , 10
= =
= C
Es decir, podramos formar 210 subgrupos diferentes de 4 elementos, a partir de los 10
elementos.
Por ejemplo: Si tomamos el conjunto A= {a, b, c, d}, cuntos subconjuntos de 2
elementos cada uno se pueden obtener?
UNI Norte
Estadstica Bsica para Ingenieros Luis Mara Dicovskiy Riobo
51
Hacindolos se obtienen: {a, b}, {a, c}, {a, d}, {b, c}, {b, d}, {c, d}. Son seis los
subconjuntos.
Permutaciones:
La expresin "P
m,n
" representa las variaciones de "m" elementos, formando subgrupos
de "n" elementos. En este caso, un subgrupo se diferenciar del resto, bien por los
elementos que lo forman, o bien por el orden de dichos elementos. Para calcular el
nmero de permutaciones se aplica la siguiente frmula:
)! (
!
.
n m
m
P
n m
=
Ejemplo: P
(10,4)
son las permutaciones de 10 elementos agrupndolos en subgrupos de
4 elementos:
040 , 5
1 . 2 . 3 . 4 . 5 . 6
1 . 2 . 3 . 4 . 5 . 6 . 7 . 8 . 9 . 10
)! 4 10 (
! 10
4 , 10
= =
= P
Podramos formar 5.040 subgrupos diferentes de 4 elementos, a partir de los 10
elementos.
Ejemplo: Sea A= letras {a, b, c, d}, cuntos "conjuntos" de dos letras se pueden
obtener?
Ejemplo: Sea A= letras {a, b, c, d}, cuntos subgrupos de dos letras se pueden
obtener?
Lo que se pide es formar permutaciones u ordenaciones de 2 letras, cuando el total de
letras es 4. En este caso n=2 y m =4. Las "palabras" de 2 letras formadas son: ab, ac,
ad, ba, bc, bd, ca, cb, cd, da, db, dc. En total son 12.
UNI Norte
Estadstica Bsica para Ingenieros Luis Mara Dicovskiy Riobo
52
Unidad 3. Variables aleatorias y sus distribuciones.
Aplicar el concepto de variable aleatoria
Explicar las distribuciones ms usadas en la ingeniera
Identificar que modelos se usan con variables discretas y continuas
3.1 Distribuciones de Frecuencia, Introduccin.
Hasta esta unidad nos hemos ocupado de descripciones de muestras usando tablas,
grficos y medidas como la media y la varianza. Pero generalmente nuestro inters va
ms all que una simple descripcin, suele haber inters en tratar de generalizar los
resultados de la muestra hacia el grupo total, es decir la Poblacin. Para generalizar
podemos usar modelos estadsticos tericos diseados por estadsticos famosos como
Gauss, Fisher, Gosset y otros.
Hoy en da los modelos estadsticos tericos son frecuentemente utilizados para
observar y comprender fenmenos naturales que implican el estudio de variables o
caractersticas de poblaciones naturales. El instrumento conceptual que permitir esta
generalizacin es un modelo de la poblacin, es decir una representacin simblica de
su comportamiento. Los modelos estadsticos van a actuar de puente entre lo
observado, la muestra y lo desconocido, la poblacin.
Las distribuciones de probabilidad estn relacionadas con las distribuciones de
frecuencias. Una distribucin de frecuencias terica es una distribucin de
probabilidades que describe la forma en que se espera que varen los resultados.
Los modelos estadsticos son un puente entre la muestra observada y la
poblacin desconocida.
Objetivos
UNI Norte
Estadstica Bsica para Ingenieros Luis Mara Dicovskiy Riobo
53
Debido a que estas distribuciones tratan sobre expectativas de que algo suceda,
resultan ser modelos tiles para hacer inferencias y para tomar decisiones en
condiciones de incertidumbre.
Las distribuciones de probabilidad son idealizaciones de los polgonos de frecuencias.
En el caso de una variable estadstica continua consideramos el histograma de
frecuencias relativas, y se puede comprobar que al aumentar el nmero de datos y el
nmero de clases el histograma tiende a estabilizarse llegando a convertirse su perfil
en la grfica de una funcin.
Una distribucin de frecuencias son las frecuencias observadas de todos los resultados
de un experimento que se presentaron cuando ya se efectu el experimento, es
emprica. Mientras que una distribucin de probabilidad es un listado de las
probabilidades de todos los posibles resultados que podran obtenerse si el
experimento se va a llevar a cabo, es terica.
Las distribuciones de probabilidad pueden basarse en consideraciones tericas o en
una estimacin subjetiva de la posibilidad. Se pueden basar tambin en la experiencia.
Las distribuciones de probabilidad se clasifican como continuas y discretas. En la
distribucin de probabilidad discreta la variable aleatoria, la que toma los posibles
resultados del experimento, slo toma un nmero limitado de valores, por ejemplo que
un ladrillo tomado sea defectuoso o no. En una distribucin de probabilidad
continua, la variable que se est considerando puede tomar cualquier valor dentro de
un intervalo dado, por ejemplo los ladrillos de una poblacin que pesen entre 1,5-1,6
Kg. Las distribuciones discretas se asemejan a las distribuciones continuas, cuando
stas tienen muchos resultados posibles, todos muy cercanos entre s.
3.2 Variables aleatorias.
Una variable es aleatoria si toma los valores de los resultados de un experimento
aleatorio. Esta variable puede ser discreta o continua. De manera general se puede
decir que si el experimento toma un nmero finito de valores o un nmero infinito pero
UNI Norte
Estadstica Bsica para Ingenieros Luis Mara Dicovskiy Riobo
54
numerable, que se puede contar, tenemos una variable aleatoria discreta. En el otro
extremo, si el experimento puede tomar cualquier valor dentro de un intervalo dado,
entonces se trata de una variable aleatoria continua, generalmente son aquellas
variables que se miden se pesan. Las variables aleatorias definidas sobre espacios
muestrales discretos se llaman variables aleatorias discretas y las definidas sobre
espacios muestrales continuos se llaman continuas.
Se puede pensar en una variable aleatoria como un valor o una magnitud que cambia
de una presentacin a otra, sin seguir una secuencia predecible. Los valores de una
variable aleatoria son los valores numricos correspondientes a cada posible resultado
de un experimento aleatorio.
Una variable aleatoria asocia un nmero o ms generalmente una caracterstica a todo
resultado posible del experimento. Por ejemplo, si consideramos el experimento que
consiste en realizar mediciones de la concentracin de un producto en una solucin,
nos interesa la variable aleatoria X= valor medido de la concentracin de azcar en
una salsa. Otro ejemplo de variable aleatoria asociada a un proceso de fabricacin, al
experimento de escoger un elemento producido, y considerar la variable aleatoria X=
duracin de vida de un monitor de una computadora hasta el fallo. Ambas variables
anteriores son continuas. Un ejemplo de variable aleatoria discreta es el nmero de
hijos varones en tres nacimientos.
La distribucin de probabilidad de una variable aleatoria proporciona una probabilidad
para cada valor posible, y estas probabilidades en su totalidad deben sumar uno.
Funcin de densidad de probabilidad: funcin que mide concentracin
probabilidad alrededor de los valores de una variable aleatoria. A cada valor de una
variable aleatoria discreta o a un intervalo de una variable aleatoria continua, le
corresponde una probabilidad asociada.
Ejemplo: Va a nacer tres bebes. Representamos varn por v y nia por .
UNI Norte
Estadstica Bsica para Ingenieros Luis Mara Dicovskiy Riobo
55
S = {vvv, vv, vv, vv, v, v, v, }
La probabilidad de cada suceso elemental es 1/8. Por ejemplo p (vvv)=1/8, ya que la
probabilidad de nacer un varn en un nacimiento es 1/2 segn la definicin clsica y los
nacimientos son independientes, p (vvv)= ()
3
.
Definimos la variable aleatoria. X: nmero varones nacidos, la cual puede tomar los
valores {0, 1, 2, 3}. Se buscan todos sucesos de la muestra que dan lugar a cada valor
de la variable y a ese valor se le asigna la probabilidad del suceso correspondiente.
x Sucesos p
x
0 {} 1/8
1 {v, v, v} 3/8
2 {vv, vv, vv} 3/8
3 {vvv} 1/8
A esta funcin se le denomina funcin densidad de probabilidad (fdp), que "funciona"
de distinta manera en las variables discreta que en las continuas. En el caso de las
variables discretas, como en el ejemplo, es una funcin que para cada valor de la
variable hay una probabilidad.
Sin embargo para las variables continuas la probabilidad de que una variable tome
cualquier valor concreto es 0, por lo tanto la fdp slo permite calcular la probabilidad
para un intervalo del tipo (a<X<b), mediante el rea bajo la curva de la fdp.
Para las variables aleatorias de inters hay tablas, y programas de computacionales,
donde buscar esos valores.
UNI Norte
Estadstica Bsica para Ingenieros Luis Mara Dicovskiy Riobo
56
Distribucin acumulativa o funcin de distribucin
Funcin que acumula probabilidades asociadas a una variable aleatoria. Su notacin es
F(x) = p (X s x). Para el ejemplo anterior, F (X) es:
X f(x) F(x)
0 1/8 1/8
1 3/8 4/8
2 3/8 7/8
3 1/8 8/8
En variables continuas F (X) = P (X < a) =
}
a
dx x f
o
) (
La probabilidad de que la variable est dentro de un intervalo [a - b] se calcula:
P (a< x < b) = F (b) F (a)
La probabilidad de que la variable continua tome un valor particular se puede expresar
como: F(c) - F(c) = 0. Esto explica la idea de que para el caso de una variable aleatoria
continua no tiene sentido trabajar con la probabilidad de un valor particular, ya que esta
vale 0. Por ejemplo de una poblacin de personas, la probabilidad que una persona
mida exactamente 1.75000 cm es de cero. Sin embargo hay posibilidad para un
intervalo dado de altura como 1,70-1.80 cm.
UNI Norte
Estadstica Bsica para Ingenieros Luis Mara Dicovskiy Riobo
57
Parmetros caractersticos de una funcin de densidad de
probabilidad, esperanza y varianza
Valor esperado o esperanza matemtica o media
= = ) ( ) ( x xf x E
x
Caso discreto
}
= = dx x xf x E
x
) ( ) ( Caso continuo
Si X es una variable aleatoria cualquier funcin de ella, h(x), es tambin una variable
aleatoria, en consecuencia tambin se define este parmetro para una funcin de
variable aleatoria.
| |
= = ) ( ) ( ) ( x f x h x h E
x
Caso discreto
| |
}
= = dx x f x h x h E
x
) ( ) ( ) ( Caso continuo
Ejemplo: Se tira un dado. Se define como variable aleatoria el nmero que sale Cul
es su media?
La variable X puede tomar los valores 1, 2,..., 6 y para todos ellos f(x) = 1/6. En
consecuencia la media es
5 . 3
6
1
6 ....
6
1
2
6
1
1 ) (
6
1
= + + + = =
=
x xf
x
x
Obsrvese que es un nmero terico que la variable aleatoria discreta no puede
alcanzar.
Si se define ahora una nueva funcin sobre X: h(x)= C$ a pagar, qu se define de la
siguiente manera: si X sale 1 2 h(x) 100 C$, si X sale 3 h(x) 500 C$ y si X sale 4, 5
6 h(x) es 0 C$.
UNI Norte
Estadstica Bsica para Ingenieros Luis Mara Dicovskiy Riobo
58
X h(x)
1 100
2 100
3 500
4 0
5 0
6 0
Cul es el valor medio de esta nueva funcin?
6 . 116 0 0 0
6
1
500
6
1
100
6
1
100 ) ( ) (
6
1
= + + + + + = =
=
x f x h
x
x
Qu significa? es el valor medio a la larga, si se juega un nmero grande de veces la
ganancia final es como si en cada jugada se hubiera ganado 116,6 C$. Si la apuesta
costara menos de eso el juego sera ventajoso para el jugador, si costara ms, sera
para la banca. Se debe considera que el juego sera justo si la apuesta costara
exactamente 116.6 C$, igual probabilidades de ganar por la banca y por el jugador.
Como regla general los juegos de azar son injustos para el jugador y ventajosos para el
casino. La estadstica nos ensea que el jugador consuetudinario de casino a la larga
siempre pierde.
Varianza
Es una medida de variabilidad de la variable aleatoria y se define como:
( )
2 2
x x
x E o =
UNI Norte
Estadstica Bsica para Ingenieros Luis Mara Dicovskiy Riobo
59
Aunque para el clculo se suele usar esta otra frmula equivalente:
2 2 2
) (
x x
x E o =
Qu mide la varianza? Mide la dispersin de la variable aletoria alrededor de la media.
Ejemplo de clculo de varianza:
Si ocurren tres nacimientos de bebes, la esperanza y la varianza de la variable
aleatoria X varones nacidos es:
E (X) = 0* 1/8 + 1* 3/8 + 2* 3/8 + 3 * 1/8 = 3/2= 1,5
2 2 2
) (
x x
x E o =
= 0
2
* 1/8 + 1
2
* 3/8 + 2
2
* 3/8 + 3
2
* 1/8 (3/2)
2
=
866 . 0 4 / 3
2
= = =
o o
x x
Ejercicio 3.1: En los casino el juego de ruleta mesa tiene 38 nmeros, esto incluye el
nmero 0 y doble 00. Si usted apuesta una moneda a un nmero y gana, el casino le
paga 36 monedas. Este es un juego justo? Justificar la respuesta.
El Desvo Estndar y el Teorema de Chebyshev
Es conocida en el rea de la probabilidad y estadstica, la desigualdad de Chebyshev,
matemtico Ruso del siglo XIX, que dice que la probabilidad de que una variable
aleatoria est distanciada de su media en ms de a veces la desviacin estndar, es
menor o igual que1/a
2
. Si E(x) es la media (o la esperanza matemtica) y es la
desviacin estndar, entonces podemos redefinir la relacin como:
2
1
) ) ( (
a
a x E x P s > o
UNI Norte
Estadstica Bsica para Ingenieros Luis Mara Dicovskiy Riobo
60
Tomando en cuenta el teorema de Chebyshev se puede construir las siguientes reglas
sobre el uso del desvo estndar:
3.3 Distribucin Normal
La distribucin Normal es un modelo terico para variables aleatorias y continuas y
representa la distribucin de frecuencias de una poblacin de valores.
La curva normal es una campana simtrica cuya forma y posicin depende de dos
parmetros
- , media poblacional, que se localiza en el centro de la del eje horizontal.
- o , desviacin estndar que determina el ancho de la curva.
Para una variable x con media y desviacin estndar o , que est normalmente
distribuida, escribimos: x es N ( ,o ).
La funcin de densidad de la distribucin normal es:
2
2
2
) (
2
1
) (
o
t o
=
x
e x f
Ejemplo de una distribucin de frecuencias de mg. de aflotoxinas (toxinas) en maz y la
curva Normal terica que genera el programa SPSS.
Segn el teorema de Chebyshev, y sin importar el tipo de distribucin de los
datos, se cumple que:
El intervalo x 2 S contendr al menos de los datos.
El intervalo x 3 S contendr al menos 8/9 de los datos.
UNI Norte
Estadstica Bsica para Ingenieros Luis Mara Dicovskiy Riobo
61
Cantidad de Aflatoxinas en mg en maiz
70 65 60 55 50 45 40 35 30 25 20 15 10 5
Histograma de frecuencias y curva terica Normal
F
r
e
c
u
e
n
c
i
a
30
20
10
0
Un tipo de distribucin Normal especial es la distribucin Normal Tipificada (0,1),
simbolizada con la letra z. Esta distribucin se usa mucho para resolver pruebas de
hiptesis ya que cualquier dato x
i
de una variable normal ( ,o ) se puede convertir
en dato z
i
de una variable normal tipificada con la siguiente transformacin
Luego con una tabla normal tipificada es fcil determinar
Si un Distribucin de datos tiene aproximadamente el perfil o forma de campana
se cumple que:
El intervalo o contendr aproximadamente el 68 % de los datos.
El intervalo 2 o contendr aproximadamente el 95 % de los datos.
El intervalo 3 o contendr aproximadamente casi la totalidad de los
datos.
s
x
z
i
i
=
UNI Norte
Estadstica Bsica para Ingenieros Luis Mara Dicovskiy Riobo
62
probabilidades por intervalos para diferentes valores de la variable x. Esta distribucin
funciona relativamente bien para hacer probabilidades cuando se tiene ms de 30
datos, y estos tienen una distribucin en forma de campana. A continuacin se
observa un grfico de una distribucin normal tipificada (0,1) donde est sombreado un
intervalo de 1.96 desvi estndar.
Ejercicio 3.2. Si la media de edad de los alumnos de la universidad es de 21 aos, con
un desvo estndar de 3.2 aos. Cul es la probabilidad que un estudiante tenga ms
de 28 aos?
28
=
28 21
3.2
= 2.1875 , se debe buscar la P (z
i
2,1875) en una tabla normal
tipificada que resulta como 0.5 - 0.4854 (el valor de tabla) = 0.14 . Este problema se
puede resolver grficamente usando el programa INFOSTAT, con el mdulo
aplicaciones didcticas.
-3.00 -2.00 -1.00 0.00 1.00 2.00 3.00
Variable
0.00
0.10
0.20
0.30
0.40
D
e
n
s
i
d
a
d
Funcin de densidad distribucin normal tipificada
Normal(0,1): p(evento)=0.9500
UNI Norte
Estadstica Bsica para Ingenieros Luis Mara Dicovskiy Riobo
63
El rea sombreada es la respuesta, que un estudiante tenga ms de 28 aos y tiene
una probabilidad de 0,014.
Ejercicio 3.3 La estatura de una poblacin tiene una distribucin normal con media de
170 cm y una desviacin estndar de 7.60
Cul es la probabilidad que una persona seleccionada de este grupo tenga una
estatura entre 165 y 180?
Ejercicio 3.4 Una poblacin de nios en edad escolar tiene una media de 11.5 aos y
un desvo estndar de 3 aos. Cul es la probabilidad de que un nio sea entre 8.5 y
14.5 aos, ms de 10, y menos de 12?
Ejercicio 3.5 La media de notas de un grupo de estudiantes es 70 y el desvo estndar
es 10. Cul es la probabilidad que un estudiante obtenga ms de 80 puntos? Cul es
la proporcin de aplazados esperados (P<60 puntos)?
Ejercicio 3.6 Se producen quesos con un dimetro es 35cm y se acepta una varianza
de 0.1 cm2. Si por problemas de envase se rechaza productos con dimetros menores
a 34.5cm y mayores a 35.5 Cul es la probabilidad de rechazo de la produccin por
problemas de envase?
5.00 13.00 21.00 29.00 37.00
Variable
0.00
0.03
0.06
0.09
0.13
D
e
n
s
i
d
a
d
Funcin de densidad
Normal(21,10.24): p(evento)=0.0144
UNI Norte
Estadstica Bsica para Ingenieros Luis Mara Dicovskiy Riobo
64
3.4 Distribucin t de Student
La curva Normal y Normal Tipificada son modelos tericos adecuados para describir
muchas poblaciones, basndose en dos parmetros y o . Sin embargo por lo general
trabajamos con muestras, con y o desconocidos, lo que da inseguridad sobre el uso
de la distribucin Normal cuando se desconocen estos parmetros. Un investigador,
Gosset (seudnimo Student) estudi ste problema y lleg a la conclusin que la
distribucin Normal no funciona bien con muestras pequeas, de tamao menor a 30
datos, y dise una distribucin que supera este problema. Luego esta distribucin se
llamara t de Student en honor a Gosset.
Esta distribucin es simtrica, con forma de campana y su media vale 0. Cuando hay
pocos datos la campana es ms aplanada que una campana Normal, con de 30 datos
la distribucin t es casi igual que la distribucin Normal Tipificada (0,1).
Esta Distribucin se usa mucho para construir de intervalos de confianza de y para
realizar pruebas de hiptesis de uno y dos medias, con variables continuas.
-5.00 -2.50 0.00 2.50 5.00
Variable
0.00
0.10
0.20
0.30
0.40
D
e
n
s
i
d
a
d
n=1
n=10
n=100
Funcin de densidad Distribucin "t"
UNI Norte
Estadstica Bsica para Ingenieros Luis Mara Dicovskiy Riobo
65
Se observa que a ms datos, la campana es ms alta, con valores menos dispersos y
semejante a una curva Normal.
Ejercicio 3.7 Si consideramos los datos del ejercicio 3.2 de una distribucin Normal,
donde ahora = 21 aos y S = 3.2 aos, pero obtenidos de una muestra de 30
alumnos y no de la poblacin de estudiantes, la probabilidad que un estudiante tenga
ms de 28 aos calculada con el mdulo aplicaciones didcticas de INFOSTAT es de
0.018, levemente mayor que el valor 0.014 calculado con la distribucin normal
tipificada. Se puede a continuacin observar el grfico de densidad de una t con 29
grados de libertad, n-1, donde se muestra la probabilidad de un valor de t mayor a
2.1875, el valor Z
28
antes calculado.
Si la muestra aumenta a 300 estudiantes el valor de P es de 0.14, igual al obtenido
de la normal, lo que demuestra con muchos grados de libertad la distribucin t es casi
igual a una distribucin Normal 0,1.
Grfico de Funcin de Densidad de una Distribucin t con 29 gl
3.5 La distribucin X
2
de Pearson
La distribucin X
2
se genera a partir de n variables aleatorias independientes
normales con media 0 y varianza 1. Si realizamos la siguiente operacin:
-3.00 -1.50 0.00 1.50 3.00
Variable
0.0
0.1
0.2
0.3
0.4
D
e
n
s
i
d
a
d
T Student(29): p(evento)=0.0185
UNI Norte
Estadstica Bsica para Ingenieros Luis Mara Dicovskiy Riobo
66
Es decir elevamos los n valores generados al cuadrado y los sumamos. Si aplicamos
este procedimiento muchas veces, obtendremos la distribucin de una variable que
solo depende del nmero de sumandos. Esta distribucin se denomina X
2
con n
grados de libertad. Esta distribucin no posee valore negativos por ser creada a partir
de suma de valores cuadrados.
Este tipo de distribucin se usa en pruebas de hiptesis sobre:
- Distribuciones, por ejemplo para verificar si una distribucin observada se
comporta como una distribucin Normal.
- Independencia, para verificar si dos variables nominales son independientes o
no.
3.6 La distribucin F de Fisher.
La distribucin F de Fisher surge del cociente de dos distribuciones X
2
independientes, con n y m grados de libertad respectivamente. Un valor F se
define matemticamente de la siguiente manera:
0.00 3.81 7.62 11.44 15.25
Variable
0.00
0.06
0.12
0.18
0.24
D
e
n
s
i
d
a
d
Funcin de densidad de una Distribucin Chi cuadrada
2 2
1
2
....
n n
z z X + =
UNI Norte
Estadstica Bsica para Ingenieros Luis Mara Dicovskiy Riobo
67
La distribucin de F es asimtrica y comienza del valor 0, no posee valores
negativos, al igual que la distribucin X
2
.
Este tipo de distribucin se usa mucho con pruebas de hiptesis de medias, Anlisis de
Variancia, donde:
- Hiptesis nula, las medias de los tratamientos pertenecen a una mismo media
poblacional
- Hiptesis alternativa, al menos una media de los tratamientos evaluados no
pertenecen a la misma media poblacional
2
2
,
m
X
n
X
F
m
n
m n
=
e
n
x x x H .... , :
2 1 0
e
n
x x x H .... , :
2 1 1
0.00 4.14 8.29 12.43 16.57
Variable
0.0
0.2
0.3
0.5
0.6
D
e
n
s
i
d
a
d
Funcin de densidad de una distribucin "F"
UNI Norte
Estadstica Bsica para Ingenieros Luis Mara Dicovskiy Riobo
68
3. 7 La distribucin Binomial
Se usa con variables discretas, es decir cuyos valores son contables. Este modelo se
aplica a poblaciones finitas de las que tomamos elementos al azar con
reemplazamiento y tambin a poblaciones conceptualmente infinitas, como son piezas
que generara una mquina, siempre que el proceso generador sea estable (proporcin
de pieza defectuosas constante a largo plazo) y sin memoria (el resultado en cada
momento es independiente de lo previamente ocurrido).
Un experimento Binomial tiene las siguientes caractersticas:
- Las observaciones se clasifican en dos categoras, por ejemplo A = aceptable y
D = defectuoso.
- La proporcin de elementos A y D en la poblacin es constante y no se
modifica, siendo en este caso p la probabilidad de defectuosos y q la
probabilidad de aceptables.
- Las observaciones son independientes, es decir que la probabilidad de elemento
defectuoso es siempre la misma y no se modifica por cualquier combinacin de
elementos defectuosos o aceptables observados.
Ejemplos de este proceso son:
- Observar cinco de cerdos hembras de una camada de 12 lechones recin
nacidos,
- Ganar 4 veces apostando a docena en diez tiradas sucesivas de una ruleta
- La aparicin de 10 plantas planta enferma en 100 plantas de cultivo.
- Tener 5 ladrillos defectuosos en un lote de 500 ladrillos.
Generalizando, la variable binomial posee siempre 2 eventos, por ejemplo A y B. Se
define como r:
r = nmero de elementos del evento A al observar n
experimentos
UNI Norte
Estadstica Bsica para Ingenieros Luis Mara Dicovskiy Riobo
69
Conociendo que:
- p es la probabilidad de ocurrencia del evento A
- q es la probabilidad de ocurrencia del evento B
Por lo tanto la probabilidad de encontrar r elementos que cumplen el evento A luego
de n repeticiones del experimento, se define como P (r):
Siendo
|
.
|
\
|
n
r
las posibles combinaciones de ocurrencia de r en n experimentos y esto
se resuelve de la siguiente manera:
Estos problemas se pueden resolver directamente o con una tabla de probabilidades
binomiales.
Una distribucin binomial B(n, p) se parece a una normal tanto ms cuanto mayor es
el producto n * p (o n * q si q<p, siendo q=1-p). Cuando n * p y n * q superan el valor
5, la aproximacin es casi perfecta.
En estas condiciones:
B(n, p) se aproxima a un distribucin normal, ) , ( npq np N
Veamos un ejemplo donde se usa esta distribucin, Cual es la probabilidad de nacer 5
varones en 12 nacimientos? Este problema se puede resolver con un diagrama de
P ( r ) =
r n r
n
r
q p
|
.
|
\
|
siendo r = 0, 1, ..., n
)! ( ! / ! r n r n
n
r
=
|
.
|
\
|
UNI Norte
Estadstica Bsica para Ingenieros Luis Mara Dicovskiy Riobo
70
rbol de probabilidades, pero se hace muy complicado. Por distribucin Binomial se
resuelve el problema de la siguiente manera.
Si sabemos que:
- A evento varn
- B evento no varn, es decir mujer.
- p probabilidad de varn = 0.5
- q probabilidad de mujer = 0.5
- n son 12 nacimientos totales
- r son 5 nacimientos de varones
Por lo tanto:
P (5 varones) =
5 12 5
12
5
5 . 0 5 . 0
|
.
|
\
|
Donde )! 5 12 ( ! 5 / ! 12
12
5
=
|
.
|
\
|
= 792
P (5 varones) =
7 5
5 . 0 ) 5 . 0 ( 792 = 792 (0.03125) (0.0078125) = 0.19
Ejercicio 3.8 El Ministerio del Trabajo reporta que 20% de la fuerza de trabajo en un
pueblo est desempleada. De una muestra de 14 trabajadores, calcule las siguientes
probabilidades con la frmula de la distribucin binomial (n=14, p=0.2): Resuelva:
1. Tres estn desempleados: P(x=3)=.250
2. Al menos un trabajador est desempleado:
P(x > 1) = 1 - P(x=0) =1 - .044 = .956
3. A lo ms dos trabajadores estn desempleados:
P(x s 2)=.044 +.154 +.250 =.448
Ejercicio 3.9. Si el 20% de las piezas producidas por una mquina son defectuosas,
cul es la probabilidad de que entre cuatro piezas elegidas al azar, a lo sumo 2 sean
defectuosas?
UNI Norte
Estadstica Bsica para Ingenieros Luis Mara Dicovskiy Riobo
71
Ejercicio 3.10. Si de seis a siete de la tarde se admite que un nmero de telfono de
cada cinco est comunicando, cul es la probabilidad de que, cuando se marquen 10
nmeros de telfono elegidos al azar, slo comuniquen dos?
3.8 Distribucin de Poisson
La forma lmite de la distribucin binomial donde la probabilidad de xito es muy
pequea y n es grande se llama distribucin de probabilidades de Poisson. La
distribucin de Poisson es una distribucin de probabilidad discreta que expresa la
probabilidad de un nmero de eventos ocurriendo en un tiempo fijo si estos eventos
ocurren con un valor medio conocido, y son independientes del tiempo desde el ltimo
evento. La distribucin fue desarrollada por Simen Poisson en 17811840.
Con esta distribucin, para construir probabilidades de una variable X, slo se necesita
conocer el valor de . La distribucin de Poisson se puede describir matemticamente
por la frmula:
!
) (
x
e
x P
x
=
Donde u es la media aritmtica del nmero de ocurrencias en un intervalo especfico de
tiempo, e es la constante 2.71828 y x es el nmero de ocurrencias.
El nmero medio de xitos u se puede determinar en situaciones binomiales por n p,
donde n es el nmero de ensayos y p la probabilidad de xito. La varianza de la
distribucin de Poisson tambin es igual a n p.
En general utilizaremos la distribucin de Poisson como una aproximacin de
experimentos binomiales donde el nmero de pruebas es muy alto, pero la probabilidad
UNI Norte
Estadstica Bsica para Ingenieros Luis Mara Dicovskiy Riobo
72
de xito muy baja. En la prctica esta distribucin se utiliza para calcular la
probabilidad de un nmero especfico de eventos, durante un perodo o espacio
particular. El tiempo o la cantidad de espacio suele ser la variable aleatoria.
Ejemplo: un Hospital se especializa en el cuidado de lesiones menores. En las horas de
la tarde de 6-10 PM el nmero medio de llegadas es 4.0 personas por hora.
Cul es la probabilidad de 4 llegadas en una hora?
P (4) = (4
4
) (e
-4
) / 4!= 0.1954.
Ejercicio 3.11. La produccin de computadoras trae asociada una probabilidad de
defecto del 1.5%, si se toma un lote o muestra de 100 computadoras, obtener la
probabilidad de que existan 4 computadoras con defectos.
Ejercicio 3.12. Se calcula que en la ciudad el 20% de las personas tienen aficin a
mirar TV de noche, si tomamos una muestra de 150 personas al azar Calcular la
probabilidad de que 25 de ellos tengan el hbito de mirar TV de noche?
Ejercicio 3.13 El 6% de los registros contables de una empresa presentan algn
problema, si un auditor toma una muestra de 50 registros Calcular probabilidad de
que existan 5 registros con problemas?
Ejercicio 3.14 Si cada una de las 18 gallinas de un gallinero pone 0.5 huevos al da. Si
se recogen los huevos cada 8 horas.
Cul es el nmero medio de huevos que se recogen en cada visita? Con qu
probabilidad encontraremos x huevos para x = 0,1, 2, 3? Cul es la probabilidad de
que x 4?
UNI Norte
Estadstica Bsica para Ingenieros Luis Mara Dicovskiy Riobo
73
Unidad 4. Estimacin y prueba de hiptesis.
- Desarrollar el concepto de estimacin de parmetros
- Explicar que es una prueba de hiptesis
- Diferenciar grupos de una poblacin utilizando pruebas de Student
- Diferenciar grupos de una poblacin usando pruebas de varianzas
- Realizar pruebas de independencia chi cuadrado
4.1 Estimacin por Intervalos de Confianza.
En estadstica se llama estimacin al conjunto de tcnicas que permiten dar un valor
aproximado de un parmetro (Ej.: o , ) de una poblacin a partir de estadsticos,
generados por los datos (Ej.: x , S, n). Un estimador puntual de un parmetro es un
valor que puede ser considerado representativo de este y se obtiene a partir de alguna
funcin de la muestra, por Ej. x , media muestral, estima puntualmente a , la media
poblacional.
La estimacin por intervalos consiste en la obtencin de un intervalo dentro del cual
estar el valor del parmetro estimado, con una cierta probabilidad. Un uso de la
distribucin Normal y de la t de Student es la creacin de Intervalos de confianza,
estimacin por intervalos, de las medias poblacionales, .
La media poblacional, , se estima por un intervalo calculado a partir de S y x de
muestras.
Objetivos
Se debe poder hacer conclusiones generales para toda la
poblacin, a partir del estudio de las muestras.
UNI Norte
Estadstica Bsica para Ingenieros Luis Mara Dicovskiy Riobo
74
El intervalo de confianza de con un 95 de confianza, IC
95 %,
es el ms usado y para
muestras de ms de 30 datos se calcula como:
Para menos de 30 datos se usa:
Donde t es el valor dado por la distribucin t de Student con n-1 Grados de
Libertad, para un 95 % se busca el valor del t 0.975, ya que esta es una prueba de
dos colas.
El IC
95 %
nos dice que con un 95 % de confiabilidad en este intervalo encuentro la
media de la poblacin, el cual desconozco. Para esto necesito conocer de la muestra
los siguientes estadsticos: x, S y n.
El grfico de IC
95 %
se usa cuando se cruza una variable discreta que genera grupos,
con una variable continua. En este grfico se observan las medias de cada grupo con
sus intervalos de confianza al 95 %, estos en forma de dos rayas. Veamos un ejemplo
de este tipo.
IC
95 %
de = x 1.96 ) / ( n s
IC
95 %
de = x t
95
) 1 / ( n s ,
UNI Norte
Estadstica Bsica para Ingenieros Luis Mara Dicovskiy Riobo
75
Grfico de Medias e Intervalos de Confianza de , t
95%
, desagregada por sexo,
de la Edad de una poblacin adulta.
En este tipo de grfico es interesante observar si los intervalos de confianza de las
diferentes medias tienen valores superpuestos, ya que si es as, al hacer una prueba
de hiptesis lo ms probable que la respuesta sea de hiptesis nula, es decir las
medias superpuestos pertenecen a una mismo media poblacional.
4.2 Generalidades de las pruebas de Hiptesis
Una hiptesis estadstica es una asuncin relativa a una o varias poblaciones, que
puede ser cierta o no. Las hiptesis estadsticas se pueden contrastar con la
informacin extrada de las muestras y tanto si se aceptan como si se rechazan se
puede cometer un error.
La hiptesis formulada con intencin de rechazarla se llama hiptesis nula y se
representa por H
0
. Rechazar H
0
implica aceptar una hiptesis alternativa (H
A
).
La situacin se puede esquematizar:
Sexo
Muj er Hombre
I
d
e
C
a
l
9
5
%
d
e
l
a
E
d
a
d
49
48
47
46
45
44
43
42
UNI Norte
Estadstica Bsica para Ingenieros Luis Mara Dicovskiy Riobo
76
H
0
cierta H
0
falsa
H
A
cierta
H
0
rechazada Error tipo I (o ) Decisin correcta (*)
H
0
no rechazada Decisin correcta (*) Error tipo II (| )
(*) Decisin correcta que se busca
o = p (rechazar H
0
siendo H
0
cierta)
| = p (aceptar H
0
siendo H
0
falsa)
Potencia =1-| = p (rechazar H
0
siendo H
0
falsa)
Detalles a tener en cuenta
- Que o y | estn inversamente relacionadas.
- Slo pueden disminuirse las dos, aumentando n.
Los pasos necesarios para realizar un contraste relativo a un parmetro son:
1. Establecer la hiptesis nula en trminos de igualdad
H
0
: =
0
2. Establecer la hiptesis alternativa, que puede hacerse de tres maneras,
dependiendo del inters del investigador
H
0
:
0
>
0
<
0
En el primer caso se habla de contraste bilateral o de dos colas, utilizada generalmente
con la distribucin Normal o la t de Student. En los otros dos casos se tiene un
contraste lateral derecho en el segundo caso, o izquierdo en el tercer caso, ambos
son pruebas de una cola. Con la distribucin X
2
y la F, por ser distribuciones
asimtricas positivas los contrastes son unilaterales por el lado derecho.
3. Elegir un nivel de significacin: nivel crtico para o, generalmente del 5 % en las
ingenieras.
UNI Norte
Estadstica Bsica para Ingenieros Luis Mara Dicovskiy Riobo
77
4. Elegir un estadstico de contraste: Este estadstico de contraste es un estadstico
cuya distribucin es conocida en H
0
, que est relacionado con y permite establecer,
en base a dicha distribucin, la regin crtica: regin en la que el estadstico calculado
tiene una probabilidad menor que o.
Obsrvese que, de esta manera, se est ms seguro cuando se rechaza una hiptesis
que cuando no. Por eso se fija como H
0
lo que se quiere rechazar. Cuando no se
rechaza, no se ha demostrado nada, simplemente no se ha podido rechazar. Por otro
lado, la decisin se toma en base a la distribucin de la muestra en H
0
.
5. Calcular el estadstico para una muestra aleatoria y compararlo con la regin
crtica. Si el estadstico tiene en valor absoluto, un valor menor al valor tabular de la
distribucin conocida correspondiente al o se acepta H
0
.
Esto es equivalentemente calcular el "valor p" del estadstico (probabilidad de obtener
ese valor, u otro ms alejado de la H
0
, si H
0
fuera cierta) y compararlo con valor de o.
Este valor p es el valor de una integral y generalmente lo calculan los programas
estadsticos como el Infostat o SPSS. Si el valor de o es el 5 % la regla de decisin
para aceptar o rechazar una hiptesis en pruebas unilaterales es la siguiente:
- Si el valor p calculado es > a 0.05 ocurre H
0
- Si el valor p calculado es a 0.05 ocurre H
1
4.3 Prueba de hiptesis con pruebas t
La media de una muestra pertenece a poblacin con media conocida.
Esta es una prueba que permite contrastar si una muestra de una variable difiere
significativamente de una media poblacional dado o no. Generalmente esta media es
histrico.
La hiptesis nula es H
0
:
, La hiptesis alternativa es H
A
:
UNI Norte
Estadstica Bsica para Ingenieros Luis Mara Dicovskiy Riobo
78
El estadstico de contraste es el valor t calculado:
n s
x
t
c
/
=
Ejemplo: Histricamente la edad de los alumnos que entran a primer ao de la
Universidad es de 18 aos. Se quiere saber si para el ao que viene la edad de ingreso
ser la misma a la histrica, para estudiar esto se tom una muestra de 36 estudiantes
del ltimo ao de secundaria y se calcul la edad de ingreso a la universidad. En
funcin de los datos observados surge la hiptesis de que la edad de los estudiantes es
mayor que 18 aos. La muestra de 36 sujetos dio los siguientes datos:
x = 18.5 S=3.6
Se trata de un contraste sobre medias. La hiptesis nula (lo que queremos rechazar)
es: H
0:
= 18. La hiptesis alternativa es: H
1:
> 18. Este un contraste lateral derecho.
Fijamos "a priori" el nivel de significacin en 0,05 y la regin crtica T>t
o
Si el contraste hubiera sido lateral izquierdo, la regin crtica sera T<t
1-o
y si hubiera sido bilateral T<t
1-
o/2
o T>t
o/2
. En este ejemplo t
(35)0,05
=1,69.
Calculamos el valor de t
c
en la muestra
82 . 0
1 36
6 . 3
18 5 . 18
" " =
=
c
t
El valor t
c
de 0.82 no est en la regin crtica (no es mayor que 1,69), por tanto no
rechazamos H
0
, concluimos que la edad histrica de ingreso se mantiene.
UNI Norte
Estadstica Bsica para Ingenieros Luis Mara Dicovskiy Riobo
79
Dos medias tomados en una misma muestra, en momentos diferentes, son
iguales.
Esta es una prueba t para muestras relacionadas, donde pretendemos contrastar las
medias de una misma muestra que se ha medido dos veces en los mismos sujetos, por
ejemplo si en grupo de estudiantes queremos comparar el resultado del primer examen
parcial de una asignatura con el del segundo parcial, se pretende saber si estas medias
difieren o no.
El estadstico de contraste es
n S
d
t
d
c
/
=
Donde d es la media de las diferencias de los datos repetidos, S
d
es la desviacin
estndar de las diferencias. n es el nmero de pares (diferencias).
Las medias de dos muestras o grupos pertenecen a una misma poblacin.
Esta es una prueba de hiptesis muy usada cuando se tienen dos grupos y se quiere
saber si estos tienen una misma media poblacional.
La hiptesis nula es H
0:
1
=
2
, la hiptesis alternativa es H
0
:
1
2
Hay diferentes tipos de prueba t, pero suponiendo varianzas iguales, el estadstico a
calcular se hace:
1 1
" "
2
2
2
1
2
1
2 1
=
n
S
n
S
X X
t
c
UNI Norte
Estadstica Bsica para Ingenieros Luis Mara Dicovskiy Riobo
80
Ejemplo
En un ensayo para evaluar la vida til de dos productos. La variable medida es el
tiempo de vida til en aos: producto T, n = 35; x = 3,7 aos de vida y s
2
=13,9;
producto P n = 40; x = 15,1 aos y s
2
= 12,8. El producto P tiene igual vida til que
el producto T?
Se trata de un contraste sobre diferencias de medias
Como no conocemos como son las varianzas entre s, el modelo nos obliga a verificar
si la varianzas son iguales, si fueran distintas es otra la prueba t a realizar. Para ello
se debe plantear primero un contraste de prueba de hiptesis de variancias. Si las
variancias son iguales se sigue con la prueba t que se presenta, sino se debe hacer
otra variante de prueba t de ms difcil clculo.
Hiptesis de Variancias
2 2
0
:
P T
H o o =
2 2
1
:
P T
H o o =
El estadstico es de contraste es una prueba F= 09 . 1 8 . 12 / 9 . 13 /
2 2
= =
T P
S S , como el
valor F de tabla es 1.74, en consecuencia aceptamos la H
0
y concluimos que las
varianzas son iguales. Luego se hace la prueba de hiptesis de medias con el
estadstico antes detallado.
28 . 13
1 40
8 . 12
1 35
9 . 13
7 . 3 1 . 15
" " =
=
T P
t
Se concluye que se rechaza la H
0 ,
ya que el valor t calculado es mayor que el valor
de tabla con n
1
+ n
2
2 , 35 + 40 -2 = 73 grados de libertad. Con estos grados de
libertad y con un alfa del 5% bilateral (2.5 % de rechazo en cada extremo) el valor t es
de 2.0, valor menor que 13.28. Concluimos que las medias de aos de vida til de los
dos productos son distintas.
UNI Norte
Estadstica Bsica para Ingenieros Luis Mara Dicovskiy Riobo
81
Bibliografa y Documentos Consultados
Cebran, M. (2001). Distribuciones continuas. Recuperado el 14 de Julio de 2009, de
Ministerio de Educacin y ciencia:
http://descartes.cnice.mecd.es/Bach_HCS_2/distribuciones_probabilidad/dis_continu
as.htm
CYTA. (s.f.). Gua de Estadsticas. Distribucin de Poisson . Recuperado el 14 de Julio
de 2009, de
http://www.cyta.com.ar/biblioteca/bddoc/bdlibros/guia_estadistica/index.htm
Kessler, M. (2005). Apuntes de Mtodos estadsticos de la Ingeniera. Recuperado el
14 de Julio de 2009, de http://filemon.upct.es/~mathieu/metodos/teoria/pdftema3.pdf
Mendenhall, W. (2008). Estadstica para administradores. Mxico: Iberoamericana.
Pea, D. Estadstica I, modelos y mtodos, Fundamentos.
Prez de Vargas, A., & Abraira, V. (1996). Bioestadstica. Recuperado el 14 de Julio de
2009, de Salud Madrid: http://www.hrc.es/bioest/Probabilidad_1.html
Sampieri, R., & Fnndez, C. y. (2003). Metodologa de la Investigacin. Mxico: Mc
Graw Hill.
Spiegel, M. y. (2002). Estadstica. Mxico: Mc Graw Hill.
Vermeer, I. (1996). Estadstica. Curso Bsico. Estel: EAGE.
Young, R. y. (1975). Introduccin a la Estadstica Aplicada a las Ciencias de la
Conducta. Mxico: Trillas.
Zad, I. (s.f.). Metodologa. Variable Aleatoria. . Recuperado el julio de 15 de 2009, de
http://www.southlink.com.ar/vap/VARIABLE%20ALEATORIA.htm