Apunte de Estadistica

Estadstica para ingenieros y tcnicos de Institutos profesionales
Autor: Edgardo Ojeda Barcos
Curso de Estadstica
Dirigido a:
Estudiantes de Carreras Tcnicas e Ingenieras
De Institutos Profesionales
Edicin revisada
Marzo del 2006
Autor:
Profesor Edgardo Ojeda Barcos
Licenciado en Organizacin de la Produccin,
Universidad Argentina de la Empresa.
Posttulo en Ingeniera de Calidad,
Universidad de Santiago de Chile.
Derechos de autor en trmite
NDICE
Pgina 1 de 152
Uso acadmico exclusivo, prohibida su reproduccin sin consentimiento del autor
Captulo 1
1.1
1.2
Introduccin al concepto de Estadstica

Grficos
Captulo 2
2.1
2.2
2.3
Distribuciones de frecuencias, Histogramas

Distribucin de frecuencias acumuladas y ojivas.
Ejercicios de aplicacin
Captulo 3
3
3.1
3.2
3.3
3.4
3.5
3.6
3.7
3.8
Captulo 4
4
4.1
4.2
4.3
4.4
4.5
4.6
4.7
4.8
4.9
Captulo 5
5
5.1
5.2
5.3
5.4
5.5
5.6
Promedios
Media Aritmtica
Media Aritmtica Ponderada
Propiedades de la Media Aritmtica
Clculo de la Media Aritmtica para datos agrupados
Ejercicios de aplicacin.
La Mediana
La Moda
Relacin emprica entre la media aritmtica, la mediana y la
moda
Medidas de la dispersin de una distribucin de datos
Dispersin o variacin
Rango o Intervalo
La Desviacin Tpica
Desarrollo de tres frmula para el clculo de la Desviacin
Tpica
Propiedades de la desviacin Tpica
Varianza
Desviacin Media
Ejercicios en clase.
Ejercicios de Aplicacin
5.7
5.8
CuantilosCuantilos
Definicin
Medidores de Tendencia Central
Medidores de la Dispersin
Procedimiento de Clculo
Procedimiento de Calculo para datos Agrupados
Obtencin de los valores correspondientes cuando el
nmero de datos es distinto de 100
Ejercicios en clase.
Captulo 6
6
6.1
6.1.1
6.1.2
6.2
Teora elemental de Probabilidades

Definicin de Probabilidad
Definicin Clsica
Definicin como Frecuencia Relativa
Concepto de Probabilidad
Pgina 2 de 152
6.3
6.4
6.5
6.6
6.7
6.8
Regla de la adicin de Probabilidades

Regla del producto de las probabilidades
Aplicacin de ambas reglas
Probabilidades con y sin reposicin
Probabilidad de las causas. Formula de Bayes Laplace
Captulo 7
7
7.1
7.2
7.3
7.4
7.5
7.6
7.7
Anlisis Combinatorio y Probabilidades

Principio fundamental del anlisis combinatorio
Factorial de n
Permutaciones
Combinaciones
Probabilidades y Anlisis Combinatorio
Generalizacin del nmero combinatorio y probabilidades
Ejercicios de aplicacin
Captulo 8
8
8.1
8.2
8.3
8.5
8.6
8.7
8.8
8.98
Las Distribuciones Binomial, Poisson y Normal

La Distribucin Binomial
Distribucin de Poisson
Relacin entre la Distribucin Binomial y la Distribucin de
Poisson
La Distribucin Normal, Curva Normal o Distribucin
Gaussiana.
Relacin entre la Distribucin Binomial y la Normal
Ejercicios de comprensin sobre la Distribucin Normal
Distribucin Hipergeomtrica.
Aproximacin Normal a Binomial
Captulo 9
9
9.1
9.2
9.3
9.4
Correlacin y Regresin
Introduccin
Anlisis de Correlacin
Anlisis de Regresin
Captulo 10
10
10.1
10.2
10.3
Teora del muestreo.

Muestreo aleatorio.
Distribucin de muestreo.
Muestreo de poblaciones pequeas.
8.4
Captulo 11
11
11.1
11.2
11.3
11.4
11.5
Estimacin
Estimacin por punto y por intervalo
Intervalo de confianza
Estimacin de la media aritmtica.
Margen de error y coeficiente de confianza.
No siempre se conoce el valor de la desviacin tpica
poblacional.
Pgina 3 de 152
11.6
11.7
Distribucin t, o Distribucin de Student.

Intervalos de confianza para las proporciones o porcentajes
de defectuosos.
Captulo 12
12
12.1
12.2
12.3
12.4
12.5
12.6
12.7
12.7.1
12.7.2
12.8
Capitulo 13
13
13.1
13.2
13.3
Capitulo 14
14
14.1
14.2
14.3
14.4
14.5
14.6
14.7
14.8
14.9
14.10
Capitulo 15
15
15.1
15.2
Nmeros ndices.
Relaciones de precios.
Relaciones de Cantidad o de Volumen
Relaciones de valor
Relaciones de Enlace y en Cadena.
El mtodo de agregacin simple.
El mtodo de agregacin Simple de relaciones.
El mtodo de agregacin ponderada.
Indice de Laspeyres.
Indice de Paasche.
Deflacin de series en el tiempo.
Series de Tiempo
Anlisis de series en el tiempo
Estimacin de las variaciones estacionales. El ndice
Estacional
Pruebas de Hiptesis
Hiptesis Estadsticas.
Contrastes de Hiptesis y significacin, o reglas de
decisin.
Errores de Tipo I y de Tipo II .
Nivel de significacin.
Contrastes mediante la distribucin normal.
Tres distintos niveles de significancia.
Seleccin de un nivel de significancia.
Uso de la distribucin t para la toma de decisiones.
Ejercicios de aplicacin desarrollados.
Ejercicios de Aplicacin.
Anlisis de Varianza
Distribucin F
Anlisis de Varianza y Clculo de F, con una variable de
clasificacin.
Bibliografa
Pgina 4 de 152
Pgina 5 de 152
Prlogo a la edicin de Marzo de 2006.

A mis queridos alumnos.
El presente trabajo, tiene una finalidad claramente establecida, facilitar el estudio y
la comprensin de la materia Estadstica, a los estudiantes de Ingeniera y de
carreras tcnicas.
El libro no tiene pretensiones de originalidad, por ello, y sin querer amenguar el
mrito que tienen las variadas partes, que s, son originales, el libro es una
compilacin de diversos autores y libros de estudio que actualmente estn vigentes.
Todas las fuentes que han sido consultadas, estn catalogadas, al final del estudio.
Por otra parte, en el contenido del libro, se han volcado todas las dudas y consultas
frecuentes y que han sido recolectadas a lo largo de innumerables cursos realizados
por el autor.
Este libro, no pretende reemplazar la asistencia a clase, lo cual ha sido debidamente
contemplado, es decir, la asistencia a clase sigue siendo indispensable para la
correcta aprehensin de la materia. Tampoco se desea limitar a los alumnos a la
exclusiva lectura de ste estudio, ya que un alumno de nivel terciario, tiene
necesariamente que aprender a consultar distintas fuentes de informacin.
A lo largo de sucesivas revisiones se han ido incorporando temas de inters para las
distintas carreras , como Ingeniera Qumica, Alimentos, Prevencin de Riesgos, de
la Madera, etc, por lo cual, el libro se transforma en una herramienta de consulta para
las distintas carreras de Institutos profesionales.
Por ltimo, una recomendacin muy til, si bien este consejo es vlido para cualquier
disciplina, en el estudio de la estadstica, es particularmente importante. Para ser
exitosos en el aprendizaje de la estadstica se requiere ser persistente, tanto en la
asistencia a clase como en la continuidad del estudio. La estadstica es una cadena
interminable que se va construyendo con un conocimiento arriba de otro; una clase
que se pierde, un concepto que no se entiende, crea grandes lagunas difciles de
superar. Por esto recomiendo: a) asistir a todas las clases, b) llegar a cada clase con
una comprensin suficiente de los conceptos vistos anteriormente para poder
entender y participar en el desarrollo siguiente.
El objetivo de todo futuro profesional es: APRENDER.
Edgardo Ojeda Barcos
Profesor de Estadstica y Control de Calidad
Santiago de Chile.
Marzo de 2006.
Pgina 6 de 152
Captulo 1
1.1 Introduccin al concepto de la Estadstica
La palabra estadstica es un concepto muy conocido y por cierto muy amplio.
Podramos decir que la estadstica tiene que ver con la recopilacin y comprensin de
datos numricos.
Sin embargo, para comprender mejor el campo de la Estadstica nos referiremos a un
ejemplo y dejaremos al estudiante la generalizacin de dicho ejemplo.
Supongamos que por necesidades acadmicas necesitamos conocer la edad
promedio de todos los alumnos del Inacap en todo el pas. La forma perfecta de
hacerlo sera consultar a los miles de alumnos a lo largo del pas, y luego de una
larga, tediosa y cara tarea, sumaramos todas las edades, las dividiramos por el total
de alumnos y obtendramos el dato buscado.
Sin embargo, la Estadstica nos ofrece un camino, ms corto, ms rpido y
conveniente para obtener la informacin, suficientemente vlida y muy cercana al
dato anterior.
Imaginemos que tenemos un gran recipiente donde colocramos tantas fichas como
alumnos y cada ficha tuviera el dato de la edad de cada alumno. Ese gran recipiente
sera nuestro Universo o Poblacin.
Alguien con sentido comn propondra tomar algunas fichas al azar y calcular el
promedio de dicho pequeo grupo de unidades. Intuitivamente podremos aceptar
que el dato obtenido no necesariamente ser el valor verdadero del total de las
fichas, pero sin duda guardar cierta relacin y adems ser la mejor informacin
disponible.
DEFINICION DE ESTADISTICA
Generalizando, podremos decir que la Estadstica es la metodologa cientfica
que se encarga de INFERIR los valores de los parmetros de la Poblacin o
Universo mediante la extraccin sistemtica de MUESTRAS.
Estas tcnicas pueden adems, darnos informacin acerca de la confiabilidad,
(certeza) con que los datos son obtenidos.
En los trabajos estadsticos podemos distinguir dos reas de trabajo, la primera se
llama Estadstica descriptiva, y es la que se encarga de la recopilacin, el
ordenamiento e interpretacin de la informacin o datos.
La segunda rea, es la llamada Estadstica Inductiva o Inferencia Estadstica, es
decir la que por elaboracin de los datos anteriores, nos ofrecen respuestas a los
interrogantes planteados unidos a
informacin probabilstica acerca de la
confiabilidad de dicha informacin.
1.2 Grficos
Pgina 7 de 152
La estadstica encuentra en los grficos, una herramienta indispensable para

ayudar a entender, interpretar y comunicar sus conclusiones.
En ste estudio, solo veremos algunos de ellos. El primero ser las llamadas Series
de Tiempo.
Crecimiento Demogrfico en EE.UU. ( en millones de personas)
Ao
Poblacin
1860 70 80
31
40 50
90 1900 10 20 30 40 50 60 70 80
63 76
92 106 123 132 151 179 203 227
250
Millones
200
150
100
50
0
1860
70
80
90
1900
10
20
30
40
50
60
70
80
Aos
La misma informacin puede representarse como un grfico o diagrama de barras.

250
Millones
200
150
100
50
0
1860
70
80
90
1900
10
20
30
40
50
60
70
80
Aos
Otros Grficos
Pgina 8 de 152
Datos de produccin de una regin hipottica:

Ao
Tn trigo
Tn maz
Total
75
76
77
78
79
80
81
82
200
185
225
250
240
195
210
225
75
90
100
85
80
100
110
105
275
275
325
335
320
295
320
330
Porcentual
trigo
73 %
67 %
69 %
75 %
75 %
66 %
66 %
68 %
Grfico de trazos
250
200
150
Trigo
Tn
Maiz
100
50
0
75
76
77
78
79
80
81
82
Aos
Grfico de Barras
Pgina 9 de 152
300
250
200
Trigo
Tn 150
Maiz
100
50
0
75
76
77
78
79
80
81
82
Aos
Grfico de Barras Acumuladas

400
350
300
250
Maiz
Tn 200
Trigo
150
100
50
0
75
76
77
78
79
80
81
82
Aos
Grfico de Barras Porcentuales
Pgina 10 de 152
120
100
80
Maiz
Tn 60
Trigo
40
20
0
75
76
77
78
79
80
81
82
Aos
Grfico de barras horizontales
81
79
Aos
Trigo
77
75
0
50
100
150
200
250
300
Tn
Grfico circular abierto.

Pgina 11 de 152
praderas
34%
bosques
12%
areas urbanas
desiertos
bosques
desiertos
10%
huertas
10%
praderas
huertas
areas sem bradas
areas urbanas
6%
areas sembradas
28%
1.3 Ejercicios de Aplicacin.

El siguiente listado de ejercicios pertenece al libro Estadstica de Murray Spieguel,
el alumno deber resolverlos como parte de su desarrollo acadmico.
1.3, 1.4, 1.5, 1.6, 1.8, 1.9, 1.10, 1.16, 1.17, 1.18, 1.19, 1.20, 1.21, 1.22, 1.23, 1.24,
1.23, 1.27, 1.29, 1.30, 1.48, 1.52, 1.59, 1.71, 1.76.
Pgina 12 de 152
Captulo 2
2.1 Distribuciones de frecuencias, Histogramas
Cuando se realiza una recoleccin de datos muy extensa, por ejemplo, 50 o ms
datos, resulta muy difcil interpretar la informacin recibida.
Una primera investigacin que podramos realizar, sera la de encontrar el mayor valor
y el menor de ellos lo cual nos informara acerca del INTERVALO el cual se
encuentran todos los datos.
Lo segundo podra ser ordenarlos de menor a mayor, pero aun seguira siendo una
larga lista de nmeros.
El siguiente procedimiento, nos permitir ordenarlos e interpretar valiosa informacin
estadstica.
Este ordenamiento consiste en crear CLASES, dentro de las cuales clasificaremos
los datos. El procedimiento es dividir la distancia del INTERVALO en intervalos ms
cortos que llamaremos clases. La pregunta que nos haremos es: en cuantas clases
dividiremos el INTERVALO?
Existe una regla emprica, (prctica) que dice lo siguiente:
Si el total de datos es n, el nmero de clases que buscamos ser
Para entenderlo mejor, haremos un ejemplo.

Supongamos que se han tomado 84 datos de una medida de dimetros de ejes para
un instrumento de precisin.
Los datos tal como se obtuvieron son:
881
886
885
889
910
912
880
875
883
874
915
907
905
890
889
891
846
881
933
928
874
925
892
893
872
911
878
866
885
905
861
955
904
869
866
924
882
893
939
868
910
876
877
867
901
894
885
903
890
920
894
891
916
887
898
879
859
901
915
901
863
899
886
912
923
888
896
897
865
892
857
907
878
870
902
921
891
880
906
883
867
895
889
882
En total son 84 mediciones, por lo tanto n = 84

El mayor valor es
El valor mnimo es
955
846
El INTERVALO es
109
Pgina 13 de 152
De acuerdo con la regla emprica, descrita anteriormente, el nmero de CLASES que

deberemos hacer ser 84 9.17 , este nmero debe aproximarse al valor entero,
es decir 9.
El paso siguiente ser, dividir el INTERVALO, 109, por el dato hallado,
109 / 9 = 12.1
Nuevamente deberemos tomar el nmero entero, es decir 12.
El nmero 12 es par, existen razones que veremos mas adelante para preferir que
este nmero sea impar, por lo tanto elegiremos 11, podra servir 13? La respuesta
es s, pues ste es un procedimiento aproximado.
Este valor es denominado:
ANCHO DE CLASE.
Bien, este ANCHO DE CLASE: 11, nos servir para construir nuestras CLASES.
Por cual nmero comenzaremos?
Es costumbre comenzar exactamente por el menor de los datos encontrados, es
decir 846, pero podramos empezar por algn otro nmero, algo menor por ejemplo
840 y el resultado obtenido sera igualmente vlido.
Para nuestro ejemplo comenzaremos con el mnimo ledo, esto es 846 y lo
utilizaremos como LMITE INFERIOR DE LA CLASE 1.
Para hallar el LMITE DE LA CLASE 2, sumaremos 11 a 846, es decir que el lmite de
la clase 2 es: 857, y el de la clase 3 ser 868.
Nos queda ahora, determinar el LMITE SUPERIOR DE LA CLASE 1 y subsiguientes.
El LMITE SUPERIOR DE LA CLASE 1 ser una unidad significativa menor que el
lmite inferior de la clase 2, es decir: 856 y el lmite superior de la clase 2 ser: 867.
De esta forma las clases sern:
CLASES
1
2
3
4
5
6
7
8
9
10
LIMITE INFERIOR
846
857
868
879
890
901
912
923
934
945
LIMITE SUPERIOR
856
867
878
889
900
911
922
933
944
955
En este paso debemos preguntarnos, porqu son 10 las clases, si habamos

calculado 9?. Porque descartamos el 12 y preferimos el nmero impar (11),
Ahora tenemos que determinar con qu FRECUENCIA caen los datos dentro de
estas celdas llamadas CLASES.
Para ello procederemos a marcar con un pequeo trazo vertical, cada dato dentro de
su clase, Por ejemplo, los nmeros 881 y 880, pertenecen a la clase 4 y el nmero
905 a la clase 6. De esta forma se registran los 84 datos.
As se construye la siguiente tabla:
Pgina 14 de 152
CLASES
LMITE
LMITE
DIAGRAMA
FRECUENCIA
INFERIOR
SUPERIOR
DE TILDES
DE CLASE
846
856
857
867
//// ////
868
878
//// //// /
11
879
889
//// //// //// ////
19
890
900
//// //// //// /
16
901
911
//// //// ////
14
912
922
//// //
923
933
////
934
944
10
945
955
84
84
TOTAL
Este perfil obtenido con el diagrama de frecuencias ya nos est dando valiosa
informacin estadstica, vemos que los datos estn concentrados con preferencia
alrededor de la CLASE 4 y que un valor representativo del grupo debera estar
dentro de esa clase.
Para terminar con el estudio de los diagramas de frecuencia, veremos algunas
caractersticas ms que sern necesarias en clculos futuros:
ANCHO DE CLASE, en nuestro ejemplo es 11, y se obtiene como diferencia entre el
lmite inferior de una clase y el lmite inferior de la clase inmediatamente anterior.
MARCA DE CLASE, es el promedio entre los lmites superior e inferior de una clase
determinada. Por ejemplo, para la clase 1 de nuestro ejemplo, tenemos:
Limite inferior de la clase:
Limite superior de la clase:
846
856
Promedio: (846+856)/2 =
851
Por lo tanto, la MARCA DE CLASE del grupo 1 ser 851.En ste punto recordaremos
que al principio de stos clculos mencionamos que era conveniente utilizar un
nmero impar. Ahora explicaremos el porqu de esa recomendacin.
Si el numero no hubiera sido impar, la MARCA DE CLASE, no hubiera sido un
nmero exacto, hubiera tenido un valor decimal que habra que mantener,
necesariamente, y esto trae aparejado, un aumento de las posibilidades de error en
los clculos.
Sin embargo, si pese a la recomendacin de usar impar, prefiri un nmero par, no
habr error si mantiene durante todos los clculos, el valor decimal que se genera
por dicha causa.
Pgina 15 de 152
En nuestro caso, no hay decimales, la marca de clase de la clase uno dio 851
exacto. Luego sumamos el ancho de clase, 11, para hallar las marcas de clases
sucesivas.
CLASES
LMITE
LMITE
MARCA
CLASE
INFERIOR
SUPERIOR
846
856
851
857
867
862
868
878
873
11
879
889
884
19
890
900
895
16
901
911
906
14
912
922
917
923
933
928
934
944
939
10
945
955
950
TOTAL
DE FRECUENCIA
DE CLASE
84
Es recomendable, calcular primero la frecuencia y despus la marca de clase para

que esta columna no interfiera durante la clasificacin de los datos.
DISTRIBUCIN DE FRECUENCIA:
Se denomina Distribucin de Frecuencia, al resultado de la marca de clase, que
posteriormente ser la variable X y la frecuencia que corresponde para cada valor de
la marca de clase.
Distribucin de Frecuencia:
MARCA
DE FRECUENCIA
CLASE (X)
DE CLASE
851
862
873
11
884
19
895
16
906
14
917
928
939
950
Pgina 16 de 152
84
HISTOGRAMA
Con los datos de la distribucin de frecuencias se procede a construir el histograma.
HISTOGRAMA
19
20
18
16
FRECUENCIA
16
14
14
11
12
9
10
6
4
2
939
950
0
851
862
873
884
895
906
917
928
CLASES
FRONTERA DE CLASE:
La FRONTERA DE CLASE , es un punto en la Clasificacin de clases intercalado
entre las marcas de manera que no caiga en ninguna de las dos clases contiguas.
Esto se logra promediando el Lmite Superior de una clase con el Lmite Inferior de la
siguiente, y tomando un decimal ms que la ltima cifra significativa, segn los datos
que se estudian.
En nuestro ejemplo, la FRONTERA DE CLASE entre la 1 y 2 clase ser: 856,5
Luego entre la 3 y 4 ser : 878.5
Pgina 17 de 152
La siguiente tabla resumen figuran todos los datos estudiados:
CLASES
L. I.
L. S.
MARCA
FRONTERAS
FRECUENCIA
846
856
851
845.5
857
867
862
856.5
868
878
873
867.5
11
879
889
884
878.5
19
890
900
895
889.5
16
901
911
906
900.5
14
912
922
917
911.5
923
933
928
922.5
934
944
939
933.5
10
945
955
950
944.5
Total
84
Para terminar de interpretar los HISTOGRAMAS, el alumno puede imaginar que los
valores de las fronteras de clases, estn exactamente en las lneas que separan
cada uno de los bloques del HISTOGRAMA.
2.2 Distribuciones de Frecuencias Acumuladas y Ojivas
La frecuencia total de todos los valores menores que la frontera de clase superior de
un intervalo de clase dado se llama FRECUENCIA ACUMULADA hasta ese intervalo
de clase inclusive.
Una tabla que presente tales frecuencias acumuladas se denomina una
DISTRIBUCIN ACUMULADA.
Un grfico que represente las frecuencias acumuladas por debajo de cualquiera de
las fronteras de clase superiores respecto de dicha frontera se llama un POLGONO
DE FRECUENCIAS ACUMULADAS U OJIVA
A continuacin, desarrollaremos un ejemplo, la altura de 100 estudiantes de una
universidad XYZ, este ejemplo fue tomado del libro Estadstica de Murray R,
Spiegel y lo utilizaremos para varios desarrollos como el que sigue:
Altura en metros.
1.51 - 1.59
1.60 - 1.68
1.69 - 1.77
1.78 - 1.86
1.87 - 1.95
Total
Marca
1.55
1.64
1.73
1.82
1.91
Frecuencias
5
18
42
27
8
100
F. Acumulada F. relativa
5
5
23
18
65
42
92
27
100
8
100
Pgina 18 de 152
Nota: la frecuencia relativa coincide con las frecuencias, simplemente por n=100, si n
es cualquier otro valor, ambas columnas, no coincidirn.
Otros detalles son
Limite inferior
......
1.51
1.60
1.69
1.78
1.87
Limite Superior
......
1.59
1.68
1.77
1.86
1.95
Frontera
1.505
1.595
1.685
1.775
1.865
1.955
Ancho de Clase
.09
.09
.09
.09
.09
El siguiente grfico explica lo anterior:

120
Frecuencias
100
HISTOGRAMA Y OJIVA
80
60
42
40
20
27
18
0
1,55
1,64
1,73
1,82
1,91
Altura

Captulo 2:
Para resolver estos problemas, el alumno deber usar los mtodos y criterios
vistos en clase, los cuales difieren de los usados en el libro.
Distribucin de frecuencias: 2.2, 2.3, 2.6, 2.7, 2.20, 2.21, 2.23, 2.26, 2.27, 2.28,
2.29.
Pgina 19 de 152
Captulo 3
3 Promedios
La palabra PROMEDIO, es una palabra genrica, es decir, existen varios tipos de
PROMEDIOS.
Los PROMEDIOS que estudiaremos son : MEDIA, MEDIANA, MODA, MEDIA
GEOMTRICA Y MEDIA ARMNICA.
Los promedios tienen en comn que buscan el valor central de los datos estudiados.
Por esta razn se los denomina: MEDIDORES DE LA TENDENCIA CENTRAL.
3.1 Media Aritmtica
Para definir la Media Aritmtica, primero describiremos algunos conceptos bsicos:
NOTACIN DE NDICES:
de los N datos.
Si tenemos un universo de N datos, Xj ser cualquiera
valores., esto es: X1, X 2 ,..., XN

N
NOTACIN DE SUMA:
X1 X 2 ... XN
J 1
UNIVERSO o POBLACIN: Son todos los valores o datos que existen.

MUESTRA: Es un parte tomada al azar de la POBLACIN,
y que son
representativos de la POBLACIN.
DEFINICIN DE LA MEDIA ARITMTICA: Es la suma de todos los valores de la
POBLACIN o de la MUESTRA, dividido por el numero total de los datos
considerados.
MEDIA ARITMTICA =
X 1 X 2 ... X N
X
N
Muy frecuentemente, uno o varios datos de los registrados se repiten, es dicho caso
la frmula anterior de interpreta de la siguiente manera:
Si los datos : X1, X 2 ,..., XN
se repiten con frecuencia f1 , f2 ,..., fk veces,
entonces la MEDIA ARITMTICA se define de la siguiente forma:
k
f . X f . X ... fk . Xk
X 1 1 2 2
f1 f2 ... fk
fX
j
j1
k
j1
El siguiente ejemplo aclarar el concepto:

Si los datos: 5, 8, 6, y 2 ocurren con frecuencias 3, 2, 4, y 1
Pgina 20 de 152
3 * 5 2 * 8 4 * 6 1* 2
5.7
3 2 41
Con respecto a los ndices utilizados en las frmulas de las medias, el estudiante
habr notado que en la primera frmula, el subndice utilizado, es N, esto es el total
de unidades consideradas y en el segundo caso, cuando hay repeticin de algunos
datos, el subndice utilizado es k.
En ste ltimo caso k es el numero de datos distintos, sin repeticin, de sta manera,
la sumatoria de las frecuencias ser igual a N
El siguiente ejemplo, aclara lo que hemos dicho:
Datos
3
4
5
8
9
Frecuencia
2
1
3
5
3
Es decir, tenemos 2 datos 3, 1 dato 4, 3 datos 5, etc.

El total de datos es 3*2+4*1+5*3+8*5+9*3 = 92,
entre si son solo 5, por ello es k = 5
N = 92 , pero los datos diferentes
3.2 Media Aritmtica Ponderada:

esta variante de la media aritmtica, se usa
cuando se hace necesario dar distinto peso a cada dato. Esto significa, asociar con
W1 , W2 ,..., WK
los datos en estudio, con factores o pesos :
De esta forma, la
MEDIA ARITMTICA PONDERADA
es:
X 1 W1 X 2 W2 ... X k Wk
W1 W2 ... WK
Un ejemplo tpico de esto es la ponderacin de las notas de los parciales y los

exmenes finales en INACAP. El reglamento indica que la nota final (PROMEDIO
PONDERADO), estar formado por el 7560% del promedio de notas de los parciales
y el 2540% de la nota final. Si un alumno tiene promedio 6.5 en los parciales y 4,9 en
el final la nota ser:
MEDIA ARITMTICA PONDERADA =
6.5 * 0.75 4.9 * 0.25

0.75 0.25
6. 1
Ntese que la MEDIA ARITMTICA (no ponderada) es 5,7

Pgina 21 de 152
3.3 Propiedades de la Media Aritmtica.

Propiedad N 1
La suma algebraica de las desviaciones de un conjunto de nmeros respecto de su
media aritmtica es cero.
Ejemplo:
Las desviaciones de los nmeros: 8, 4,
ARITMTICA cuyo valor es : 6.5 son:
Datos
menos
8
4
3
11
7
6
3, 11,
Media
Aritmtica
6.5
6.5
6.5
6.5
6.5
6.5
7 y 6
respecto de su MEDIA
igual
Desviacin
=
=
=
=
=
=
+1.5
-2.5
-3.5
+4.5
+0.5
-0.5
total:
+0.00
Probar genricamente que la suma de las desviaciones de X1, X2, ... Xn respecto de
su MEDIA ARITMTICA es cero
Las desviaciones con respecto a la media se denotan de la siguiente manera:
d1 X1
X
d2 X 2
X
...
... ... ...
dN XN
X
Entonces:
n
dj
j1
X
n
j 1
X X
N X
X X
X NX X
N
X X
0
Con esto queda demostrada la propiedad.

Propiedad n 2
Pgina 22 de 152
La suma de los cuadrados de las desviaciones de un conjunto de nmeros Xj

respecto de un cierto nmero a es mnima, si y solo si, a = Media Aritmtica.
N
(X
a)2
minimo
j1
si y solo si
a= X
Esta propiedad la podemos comprobar usando los datos que se dieron en el ejemplo
de la propiedad n 1
Si a es 6,5 o sea la media aritmtica el resultado de la sumatoria de los cuadrados es
: 41.50
Si a fuera 6 el resultado de dicha suma es 43,00
Se sugiere al alumno calcular el resultado para a = 8
Esta propiedad es conceptualmente importante para futuros desarrollos.
Propiedad n 3
Si n1 nmeros tienen media m1, y n2 nmeros tienen media m2, y ..., nk nmeros
tienen media mk , entonces la media de todos los nmeros es:
n1m1 n2m2 ... nkmk

n1 n2 ... nk
Veamos un ejemplo:
Los 90 empleados de la sucursal A de una Empresa ganan en promedio $ 230.000, y
los 75 empleados de la sucursal B ganan en promedio $ 325.000. Cual es el
promedio de sueldos de las dos sucursales?
nm 90 * 230.000 75 * 325000 273.182

90 75
n
Propiedad n 4
Esta propiedad parte de la suposicin de que empezamos los clculos suponiendo o
estimando cual podra ser el valor de la MEDIA ARITMTICA, tcnicamente esto
significa que estamos conjeturando la media.
La propiedad se enuncia de la siguiente manera:
Pgina 23 de 152
Si A es una MEDIA SUPUESTA O CONJETURADA y si dj = xj - A son las

desviaciones de xj respecto de A, tenemos que:
Para datos sin repeticin:
X A+
Para datos con repeticin:

X A+
Donde:
d
N
fd
N
N = f
Esta ltima ecuacin es importante y debemos insistir en el concepto de que el

nmero total de datos, N , es igual a la sumatoria de todas las frecuencias, f
El siguiente ejercicio demuestra y generaliza la propiedad 4.
a) Para N datos sin repeticin,
Si N nmeros, X1, X2, ...,XN, tienen desviaciones respecto de un nmero A, dadas por:
d1 = X1 - A
d 2 = X2 - A
... ... ...
dN = XN - A
Probar que :
X A+
fd
N
Solucin:
Como dj = Xj - A
es
X j = A + di
Multiplicando ambos miembros de la ecuacin por el operador sumatoria y dividiendo

por N nos queda:
N X
X
(A + d)
N
A d A + d
N
Ntese que el signo se anula con N pues la sumatoria de A es N veces A.
Pgina 24 de 152
b)
Para el caso en que X1, X2, ...,XN tengan frecuencias f1, f2, ..., fN
d1 = X1 - A
d2 = X2 - A
...
...
...
dk = Xk - A
Probar que:
fX f(A + d) fA fd A + fd
N
Pues f = N
3.4 Clculo de la media aritmtica para datos agrupados
Para el clculo de la media aritmtica, utilizaremos tres tipos de frmulas. Estas se
denominan frmulas larga, corta y de compilacin respectivamente.
La frmula larga es la aplicacin de la definicin de la MEDIA ARITMTICA es decir
la frmula madre:
fX
X
N
La frmula corta es la aplicacin del mtodo de la MEDIA CONJETURADA, es decir,
donde desde el principio del clculo, conjeturamos el valor de la MEDIA ARITMTICA
como un valor A y determinamos el valor de las diferencias entre dicho valor A y
cada una de las X,
X A+
fd
N
El mtodo por compilacin requiere una transformacin de la ltima frmula.

Si todos los intervalos de clase tienen idntico ancho de clase c, las desviaciones
pueden expresarse como:
dj = c * uj
Pgina 25 de 152
donde, uj pueden ser 0, 1, 2, etc. y la frmula de la media aritmtica se convierte

en:
X A + c
fu
N
llamada Frmula del Mtodo de Compilacin para calcular la Media Aritmtica.

3.5 Ejercicio de aplicacin
El siguiente ejercicio, basado en la distribucin de frecuencias vista en el captulo n
2, se utilizar las tres frmulas vistas en los prrafos anteriores.
Recordemos la distribucin, se trata de la altura de 100 estudiantes y el diagrama de
frecuencias es el siguiente:
Altura = X
1.55
1.64
1.73
1.82
1.91
frecuencia
05
18
42
27
08
f=N=100
Desarrollo frmula n 1, Mtodo Largo

Altura = X
1.55
1.64
1.73
1.82
1.91
frecuencia
05
18
42
27
08
f=N=100
fX
07.55
29.52
72.66
49.14
15.28
fX=174.35
fX 174.15 1.74
100
f
Desarrollo frmula n 2, Mtodo Corto

Debemos partir haciendo una conjetura de cual puede ser la media del conjunto de
datos, observando la distribucin es fcil concluir que la media aritmtica se
encontrar cerca de 1,73 metros.
De sta forma diremos que A es igual a 1,73.
Altura = X
1.55
1.64
frecuencia = f
05
18
desviacin d=X-A
-0.18
-0.09
fd
-0.90
-1.62
Pgina 26 de 152
A: ===>
1.73
1.82
1.91
X A
42
27
08
f=N=100
+0.00
+0.09
+0.18
+0.00
+2.43
+1.44
fd=+1.35
fd 1.73 1.35 1.74

N
100
Desarrollo frmula n 3, Mtodo de Compilacin.

En ste clculo deberemos aplicar el concepto: d = cu, siendo u una variable que
puede ser: 0, 1, 2, 3, etc.
Seguimos conjeturando que A = 1.73, pero ahora, vamos a observar que en la
columna d del calculo anterior, los nmeros -0.18, -0.09, 0.00, 0.09, y 0.18, tienen
como factor comn el nmero 0.09. Por lo tanto, si sacamos este factor comn, los
nmeros de la columna quedarn reducidos a los valores: -2, -1, 0, 1, 2 de tal forma
el esquema de clculo es el siguiente: (en este razonamiento se volver a insistir,
cuando se estudie la desviacin tpica)
X
1.55
1.64
1.73
1.82
1.91
5
18
42
27
8
f=100
X A
u
-2
-1
+0
+1
+2
fu
-10
-18
+00
+27
+16
fu=15
fu
15
c 1.73
0.09 1.74
100
N
Finalmente destaquemos los siguientes aspectos importantes:

1 La MEDIA CONJETURADA puede ser cualquier X dentro de los datos en estudio,
pero cuanto mas cercano est al verdadero valor, menores sern los clculos por
realizar. Por la forma de la distribucin es fcil conjeturar donde se encontrar la
MEDIA ARITMTICA. El procedimiento aconsejado es conjeturar la marca de clase
que presente la mayor frecuencia de datos.
2 Cualquier X que sea elegido, el resultado final ser siempre el mismo.
3.6 La Mediana
La MEDIANA de un conjunto de datos ordenados en magnitud, es, o el valor central,
o la media de los dos valores centrales.
Ejemplo:
5, 6, 8, 9, 11, 15, 17
La MEDIANA es el nmero 9, pues antes que l, hay 3 nmeros y despus de l hay

otros 3.
Pgina 27 de 152
5, 6, 8, 9, 11, 15, 17, 19

Ahora la MEDIANA es la media aritmtica entre el nmero 9 y el 11, o sea 10.
~
El smbolo que representa a la MEDIANA es el siguiente: X
Geomtricamente, la MEDIANA, es el valor de X, que corresponde a la recta que
divide un HISTOGRAMA en dos partes de igual rea.
El siguiente ejemplo sirve para destacar ciertas cualidades de la MEDIANA frente a la
MEDIA ARITMTICA.
Cinco empleados de una Empresa, ganan $4.52, $5.96, $5.28, $11.2, y $5.75 la
hora.
Hallar la MEDIANA, y la MEDIA ARITMTICA.
Lo primero que debemos hacer es ordenar los datos: 4.52, 5.28, 5.75, 5.96, 11.20
Por lo tanto, la MEDIANA es: 5.75
La MEDIA ARITMTICA es
6.54
Como puede apreciarse, la MEDIANA, no

tal como lo est la MEDIA ARITMTICA.
(corrido) hacia la derecha por causa de un
corresponden los otros cuatro datos. Esta
til para el estudio de sueldos
est afectada por el valor extremo 11.20,

El valor 6.54 esta fuertemente sesgado
valor que no parece ser del grupo al cual
cualidad hace que la MEDIANA sea muy
Ejercicio:
En la tabla que sigue, se estudian los pesos de 40 unidades de un producto X, con la
precisin de 1 gramo. Construir la tabla de frecuencias, hallar la media aritmtica, y
calcular la mediana por interpolacin y por clculo directo
138, 146, 168, 146, 161, 164, 158, 126, 173, 145, 150, 140, 138, 142, 135, 132, 147,
176, 147, 142, 144, 136, 163, 135, 150, 125, 148, 119, 153, 156, 149, 152, 154, 140,
145, 157, 144, 165, 135, 128
Los pesos mximo y mnimo son: 176 y 119, el intervalo o rango es 57. Elegiremos un
ancho impar = 7. El diagrama de frecuencias resultante es:
Clases
118-124
125-131
132-138
139-145
146-152
153-159
160-166
167-173
174-180
Marca
clase
121
128
135
142
149
156
163
170
177
de Distribucin
marcas
/
///
///// //
///// ///
///// ////
/////
////
//
/
de frecuencias
1
3
7
8
9
5
4
2
1
f=40
fu
-4
-3
-2
-1
0
1
2
3
4
- 4
- 9
-14
- 8
0
5
8
6
4
fu=-12
Pgina 28 de 152
X A
fu
f
12
7 147
40
c 149
X 147
Calculo de la MEDIANA por el mtodo de la interpolacin.

f ___
118-124 121 /
que sera el
125-131 128 ///
132-138 135 ///// //
139-145 142 ///// ///
146-152 149 ///// ////
153-159 156 /////
de tres
160-166 163 ////
167-173 170 //
escala
174-180 177 /
proporcionalmente 0.8
Por lo tanto, para llegar al dato 20,
3
de la MEDIANA, necesitamos 1, que lo toma7 19 datos remos de la clase 149
8 __
9 _ _
5
El clculo interpolando, ser por regla

4 12 datos
2
Si 9 datos, producen un salto de 7 en la
1 _ _
de las X, 1 producir,
Para hallar la MEDIANA sumaremos este valor hallado, 0,8 a la frontera de la clase
correspondiente, en ste caso, 145.5,
145.5 + 0.8 = 146.3
El resultado del clculo de la MEDIANA por interpolacin es
146.3
Por ltimo, podramos darnos la tarea de ordenar todos los datos, y encontrar el
valor 20 y 21 y hallar la media:
119, 125, 126, 128, 132, 135, .................., 145, 145, 146, 146, 147...........
1. 2, 3, 4,
5, 6, ................., 18, 19, 20, 21, 22..........
De acuerdo a la definicin, la MEDIANA es la media entre los valores 20 y 21, esto
es: 146
3.7 La Moda
Otro de los medidores de la tendencia central es la MODA.
La MODA el valor que ms se repite, es decir el de mayor frecuencia. La MODA
puede no existir, e incluso, puede no ser nica.
Pgina 29 de 152
El smbolo de la moda es:
3.8 Relacin emprica entre la Media Aritmtica, la Mediana y la Moda.

Para curvas de frecuencias unimodales y que sean poco asimtricas, tenemos la
siguiente relacin emprica:
MEDIA - MODA = 3 ( MEDIA -MEDIANA)
3.9 Media Geomtrica.
La media geomtrica G de un conjunto de nmeros positivos, X1 , X2 , ..... , XN es la
raz ensima del producto de todos esos nmeros:
X1. X2 . ... . XN
Ejercicio 1 : La media geomtrica de 2, 4, y 8 es:
G 3 2.4.8 3 64 4
Ejercicio 2 : Hallar a) la media geomtrica y b) la media aritmtica de los nmeros
3, 5, 6, 6, 7, 10 y 12
G
3 x5 x 6x6 x7x10 x12
log G
453.600
1
(log 453 .600) 0.8081
7
G 6. 4
1
3 5 6 6 7 10 12 7
7
Esto ilustra el hecho que la media geomtrica de un conjunto de nmeros positivos

en menor que la media aritmtica
Pgina 30 de 152
Ejercicio 3 : Los nmeros X1,X2, ... XK ocurren con frecuencia f1, f2 ... fk
G N X1X1...X1 X 2 X 2 ...X 2 ...

f1veces
f2 veces
logG
Xk Xk ...Xk
fk veces
f2
X1f1 X 2
...X kfk
1
1
f2
f1logX1.f2logX 2 ...fk logX k
log(X1f1 X 2
...X kfk )
N
N
1
N
f logX
j
f.logX
N
j 1
3.10 Media armnica.

La MEDIA ARMNICA H, de un conjunto de nmeros X1,X2, ... XN es el recproco de
la media aritmtica de los recprocos de esos nmeros.
H
1
1
N
X
j 1
N
1
En la prctica es ms fcil recordar que :

1
1
H N
Ejemplo: Una persona viaja de A a B con una velocidad media de 40 km. por hora y
regresa a 100 Km. por hora. La distancia entre A Y B es de 400 Km.
Entonces:
400 Km
10 h
Tiempo para ir de A a B =
40 Km
h
Tiempo para ir de B a A =
400 Km
4h
100 Km
h
Tiempo total : 14 hs.

Recorrido total = 800 Km.
Velocidad promedio:
800
Km
57.14 hora
14
Pgina 31 de 152
Este promedio es la media armnica de 40 y 100

H
1
1
N
X
j 1
1
X
2
Km
57.14 hora
1
1
40 100
Ntese que podramos haber estado tentados a tomar la media aritmtica de 40 y

100 = 70 km./h, lo cual es incorrecto.
Relacin entre las medias aritmtica, geomtrica y armnica
H G
3.11 Ejercicios en clase.

Mediante la utilizacin de urnas con datos de una poblacin normal, se deber
elaborar en clase el siguiente trabajo:
a)
b)
c)
d)
e)
f)
Extraccin de 40 datos con participacin de todos los alumnos.

Elaboracin de la distribucin de frecuencias.
Histograma.
Clculo de la media aritmtica.
Clculo de la moda.
Clculo de la mediana por interpolacin.

Captulo 3
Media Aritmtica: 3.6, 3.7, 3.8, 3.9, 3.10, 3.11, 3.19, 3.23, 3.24, 3.55, 3.59, 3.60,
3.61.
Mediana: 3.28, 3.29.
Moda: 3.31
Pgina 32 de 152
Capitulo 4
4 Medidas de la dispersin de una distribucin de datos.
4.1 Dispersin o Variacin.
La dispersin o variacin de los datos intenta dar una idea de cun repartidos se
encuentran stos.
Hay varias medidas de tal dispersin, siendo las ms comunes el RANGO o
INTERVALO y la DESVIACION TIPICA.
Existen otros estimadores, pero estn fuera del propsito de ste curso.
4.2 Rango o Intervalo
Es la diferencia entre el valor mayor y el valor menor de todos ellos.
Ejercicio:
Hallar el RANGO de los conjuntos :
Grupo 1: 12, 6, 7, 3, 15, 10, 18, 5
Grupo 2: 9, 3, 8, 8, 9, 8, 9, 18
Solucin:
En primer lugar tendremos que ordenar los datos:
Grupo 1 : 3, 5, 6, 7, 10, 12, 15, 18
Grupo 2 : 3, 8, 8, 8, 9, 9, 9, 18
En ambos casos vemos que el resultado es 15, y observamos que el RANGO no

tiene la capacidad de informarnos sobre lo que sucede dentro del grupo, pues una
rpida inspeccin nos deja ver que el grupo 1 es mucho ms disperso que el grupo 2.
Esto es una limitacin a tener en cuenta en los estudios, sin embargo, el RANGO
es el medidor de dispersin ms utilizado por la facilidad de clculo.
En nuestro ejemplo, se puede mejorar la informacin, si decidimos eliminar, en ambos
grupos, los valores extremos, as, el RANGO sera 10 para el grupo 1 y 1 para el
grupo 2.
Como conclusin, podremos decir, que cuando hay valores muy extremos, el rango
es una pobre medida de la dispersin.
4.3 La Desviacin Tpica
La DESVIACION TIPICA es el medidor de la dispersin mas importante.
DEFINICION:
La DESVIACION TIPICA de un conjunto de N nmeros: X1,
X2, ...XN se denota por y se define por:
X
N
j 1
j X
X X
Si X1, X2, ...,Xk se repiten con frecuencias f1, f2, ..., fk, la desviacin tpica se expresa
como:
Pgina 33 de 152
f X
k
j 1
f X X
N
pues f=N
j 1
Sobre el tamao de N:
Hay un aspecto importante con respecto al tamao de N. Si N es 30 o menor a 30, el
cociente en la frmula, deber ser N 1. La demostracin de esta conveniencia no
entra en los alcances de este curso, pero debe considerarse que la respuesta es
mejor cuando se divide por N 1. Esta consideracin es extensiva a todos los
desarrollos de frmulas que veremos a continuacin.
Ahora es necesario analizar un aspecto de las denominaciones. Existe en la
bibliografa diversos criterios para la denominacin de la desviacin tpica y de la
media aritmtica.
Poblacin y Muestra, Estadsticos y Parmetros.

El alumno tiene que tener muy claro a esta altura del desarrollo de la materia, los
conceptos de UNIVERSO O POBLACION y de MUESTRA.
El UNIVERSO O POBLACION son todos los individuos que lo componen, por
ejemplo, todos los estudiantes del pas del INACAP o la produccin de clavos de todo
un da.
MUESTRA es una cantidad estadsticamente seleccionada y tomada al azar que
representa al UNIVERSO O POBLACION.
A partir de ahora nosotros llamaremos al total de datos POBLACION.
Las diferentes denominaciones que utilizaremos son las siguientes, el alumno
deber estar atento a los cambios de la denominacin , segn lo que se est
tratando. En general, la letras griegas corresponde a la poblacin, y las letras
latinas a las muestras, usando siempre, las letras griegas para los desarrollos de
frmulas.
La MEDIA ARITMETICA de la POBLACION

se denomina con el signo griego:
La MEDIA ARITMETICA de la MUESTRA se

denomina con el signo:
X
La DESVIACION TIPICA de la POBLACION se

denomina con el signo griego:
La DESVIACION TIPICA de la MUESTRA se

denomina con el signo:
S
Pgina 34 de 152
La CANTIDAD DE DATOS DEL UNIVERSO

se
denomina
con
la
letra:
N
La CANTIDAD DE DATOS DE LA MUESTRA

se denomina con la letra:
n
Por otra parte, llamaremos Estadsticos a los medidores de la muestra, es decir a la

Media Aritmtica y la Desviacin Tpica de la Muestra: X y S, y llamaremos
Parmetros a los medidores que describen la Poblacin entera: y
Ejercicios de comprensin:
Hallar la S para los siguientes conjuntos de nmeros:
a)
3, 5, 6, 7, 10, 12, 15, 18
a)
X
N
76
9.5
8
a)
j1
b)
9.5
8 1
3, 8, 8, 8, 9, 9, 9, 18
X
b)
72
9
8
X
8
5.2
b)
j1
9. 0
8 1
4. 1
Como se puede apreciar, la DESVIACION TIPICA

da un valor significativamente
inferior para b) respecto de a), lo cual indica que los datos estn menos dispersos en
este ltimo grupo, cosa que pudimos apreciar observando directamente los datos.
Por esta razn la DESVIACION TIPICA es un excelente medidor de la dispersin de
los valores alrededor del dato central, usualmente, la MEDIA ARITMETICA.
Ntese que por ser una muestra de 8 unidades se ha utilizado para denominar la
desviacin tpica la letra S en lugar de .
Ejercicio:
Hallar la DESVIACION TIPICA de las alturas de los 100 estudiantes.
La MEDIA ARITMETICA calculada en el captulo anterior fue de 1.74 mts.
La siguiente tabla contiene la informacin para hacer los clculos:
X
1.55
1.64
1.73
1.82
1.91
F
05
18
42
27
8
(X-1.74)
-0.19
-0.10
-0.01
+0.08
+0.17
(X-1.74)2
0.04
0.01
0.00
0.01
0.03
f(X-1.74)2
0.18
0.18
0.00
0.17
0.23
Pgina 35 de 152
f(X-X)2=0.77
S
f X X
0.77
0.09
100
4.4 Desarrollo de tres frmulas para el clculo de la Desviacin Tpica

Las frmulas vistas en la definicin no son prcticas para el clculo, por lo cual
haremos ciertas transformaciones, con la finalidad de que los clculos sean
minimizados.
Desarrollo frmula 1, Mtodo Largo
El primer desarrollo es simplemente otra forma de escribir la misma frmula de la

definicin:
f (X X )
f (X X )
elevando al cuadrado
f X
fX
N
2XX X 2
N
2XX X 2
fX
fX
N
2 X fX
fX
fX
N
Sacando ahora la raiz cuadrada obtenemos la frmula 1
fX
N
fX
N
Pgina 36 de 152
Aplicaremos sta frmula a nuestro ejercicio de comparacin de mtodos:

Marca
clase
1.55
1.64
1.73
1.86
1.95
de f
05
18
42
27
08
f=100
X2
fX2
2.40
2.69
2.99
3.31
3.65
12.01
48.41
125.7
89.43
29.18
fX2=304.75
304.75
1.7435 2 0.09
100
Desarrollo Frmula 2, Mtodo Corto.

Volvemos a utilizar los mismos conceptos desarrollados para el mismo clculo en la
MEDIA ARITMTICA.
Siendo A la media conjeturada y d la desviacin de Xj respecto de A, ser:
d=X-A
por lo tanto
X = A+ d
Este resultado se reemplaza en la frmula:
X A d A d A d
N
entonces : X X A d A d d d
y reemplazan do :
f X - X
f d d
Ahora bien, con sta segunda frmula podemos hacer el mismo desarrollo que
hicimos con la primera y el resultado ser el mismo, por lo tanto la frmula 2 es
fd
N
fd
Apliquemos ahora esta frmula al ejercicio de las alturas de los alumnos:

Pgina 37 de 152
X
1.55
1.64
1.73 ==> A
1.82
1.91
f
05
18
42
27
08
f=100
fd
n
d=X-A
-0.18
-0.09
+0.00
+0.09
+0.18
fd
fd2
0.16
0.15
0.00
0.22
0.26
fd2 = 0.79
fd
-0.90
-1.62
+0.00
+2.43
+1.44
fd = 1.35
0.79 1.35
100 100
0.09
Desarrollo Frmula 3, Mtodo de Compilacin:

En el cuadro de desarrollo de la frmula 2, podemos observar en la columna del
medio, que la columna de 5 nmeros tienen un factor comn que es 0.09 pues:
-0.18 = -2 * 0.09, -0.9 = -1 * 0.09, +0.00 = 0.0 * 0.09, +0.09 = +1 * 0.09,
+0.18 =+2 * 0.09
Este valor 0.09 es precisamente el ancho de clase = c por lo tanto la variable d la
podemos reemplazar por otra variable llamada u :
d=c*u
Esta variable u toma los valores : ...-2, -1, 0, +1 , +2, ... etc.
Si reemplazamos d en las frmulas anteriores
fd
N
fd
f cu
f cu
c*
fu
N
fu
Por lo tanto la frmula final ser:
c*
fu
N
fu
Esta ltima frmula es la llamada FRMULA DE COMPILACIN
Pgina 38 de 152
Aplicaremos esta frmula al ejercicio de las alturas de los estudiantes:

X
1.55
1.64
1.73
1.82
1.91
f
05
18
42
27
08
f = 100
u
-2
-1
+0
+1
+2
fu2
20.00
18.00
00.00
27.00
32.00
fu2 = 97
fu
-10.00
-18.00
+00.00
+27.00
+16.00
fu = 15
Apliquemos estos resultados a la frmula 3:
SC*
fu
fu
0.09 *
97
15
100 100
0.09
4.5 Propiedades de la Desviacin Tpica
Propiedad n 1
La desviacin tpica puede generalizarse como:
f X a
Donde a es un promedio distinto de la MEDIA ARITMTICA. De tales desviaciones

tpicas, la mnima es aquella donde a = MEDIA ARITMTICA
Propiedad n 2
Es la ms importante de las propiedades de la desviacin tpica.
Pgina 39 de 152
Para distribuciones normales, es decir, perfectamente simtricas, resulta que entre

los extremos de la distribucin:
MEDIA ARITMTICA 1 = CONTIENE EL 68.27 % DEL AREA BAJO LA CURVA
NORMAL.
NORMAL.
NORMAL.
Geomtricamente, en una distribucin normal, la distancia entre el punto de inflexin
de la curva, y la perpendicular al eje de las absisas, en el valor correspondiente a la
Media Aritmtica, es la DESVIACIN TPICA de dicha poblacin.
Mas adelante, cuando se estudie la distribucin gaussiana se insistir en este
concepto.
4.6 Varianza
La VARIANZA es otro medidor de la dispersin ligado, en este caso, a la Desviacin
Tpica.
La VARIANZA es el cuadrado de la DESVIACIN TPICA
Este medidor de la dispersin es muy importante y se utiliza para ciertos Analisis de
Varianza que pertenecen al campo de la Estadstica Aplicada.
4.7 La Desviacin Media

La Desviacin Media o desviacin promedio, de un conjunto de nmeros X1,
X2, ...,Xk es abreviada por MD y se define como :
N
Desviacin Media:
DM
X
j 1
XX
N
XX
Ejemplo:
Hallar la Desviacin Media del conjunto :
2, 3, 6, 8,11
Pgina 40 de 152
Media Aritmtica: 6
DM
2 6 3 6 6 6 8 6 11 6
5
2.8
Si X1, X2, ...,Xk se repiten con frecuencia f1, f2, ..., fk,
Entonces la DM, se puede escribir como:
k
f X
j
DM
j 1
fX X
N
X X
Donde:
f f N
j1
Ejercicio:
Hallar la DM del conjunto a) 3, 5, 6, 7, 10, 12, 15, 18.
b) 3, 8, 8, 8, 9, 9, 9, 18.
Solucin:
a) La media aritmtica es 9.5
DM
X X
N
34
4.25
8
18
2.25
8
b) La media aritmtica es 9.0

DM
X X
N
La DM indica que b) tiene menor dispersin que a)
Ejercicio:
Hallar la DM de las alturas de los 100 estudiantes de la Universidad XYZ.
La Media Aritmtica ya calculada era 1.74
Pgina 41 de 152
Altura = X
1.55
1.64
1.73
1.82
1.91
DM
frecuencia
5
18
42
27
8
f=N=100
fX X
N
X-1.74
0.19
0.10
0.01
0.08
0.17
f X-1.74
0.95
1.80
0.42
2.16
1.36
=6.69
6.69
0.07
100
Recordemos que el valor de la Desviacin Tpica fue 0.09

Como ejercicio adicional determinaremos el porcentaje de estudiantes que miden
entre:
a) Media aritmtica 1DM
b) Media aritmtica 2DM
c) Media aritmtica 3DM
Solucin: en primer lugar recordemos del Captulo 2:
Limite inferior
1.51
1.60
1.69
1.78
1.87
Limite Superior
1.59
1.68
1.77
1.86
1.95
Frontera
1.595
1.685
1.775
1.865
1.955
Marca de clase
1.55
1.64
1.73
1.82
1.91
Ancho de clase : 0.09
Frecuencias
50
1.67
42
1.81
40
27
30
18
20
10
0
1,55
1,64
1,73
1,685
1,82
1,91
1,775
Pgina 42 de 152
a) 1.74+ 0.07 = 1.81 y 1.74 - 0.07 = 1.67

Es decir nos interesa saber cuantos alumnos se encuentran dentro del intervalo de
1.67 a 1.81 mts.
Este intervalo incluye a todos los integrantes de la tercera clase, los 42, ms,
(1.67- 1.685) / 0.09 de los de la segunda, ms,
(1.81- 1.775) / 0.09 de los de la segunda, ms,
O sea, el nmero de estudiantes, en el intervalo: Media aritmtica 1DM, es :
42 + (0.015/0.09)x18 + (0.035/0.09)x 27= 42 + 3 + 10.5 = 55.5
Es decir que entre ms 1DM y menos 1DM se encuentran el 55.5 % de los
estudiantes.
Con el mismo criterio se proceder con el resto de los intervalos:
b) Media aritmtica 2DM = 1.74 2 x 0.07
Esto es de 1.60 a 1.88, los clculos sern ahora, los siguientes.
42 y 27 entran todos, ms
(1.685-1.60) / 0.09 de la segunda, ms
(1.88 - 1.865) / 0.09 de la quinta clase, o sea:
42 + 27 + (0.015/0.09)x18 + (0.035/0.09)x 8= 42 + 27 + 17 + 1.3 = 87.3
estudiantes.
b) Media aritmtica 3DM = 1.74 3 x 0.07
Esto es de 1.53 a 1.95, los clculos sern ahora, los siguientes.
(1.595-1.53) / 0.09 de la segunda, ms
(1.95 - 1.865) / 0.09 de la quinta clase, osea:
42 + 27 + 18 + (0.0722/0.09)x 5 + (0.085/0.09)x 8= 42 + 27 + 18 + 4 + 7.6 = 98.6
estudiantes.
4.8 Ejercicios en clase.
Pgina 43 de 152
Utilizando la distribucin de frecuencias del ejercicio de clase que se realiz para el

captulo 3, se deber calcular:
a)
b)
c)
d)
el Rango o Intervalo.
La Desviacin Tpica.
La Varianza.
La Desviacin Media.

Desviacin Tpica: 4.18, 4.19, 4.40, 4.41.
Pgina 44 de 152
Captulo 5
5
CUANTILOS
5.1 DEFINICIN:
Los cuantilos son una familia de Estimadores Estadsticos que se utilizan
indistintamente tanto para estimar la tendencia central de una distribucin como para
calcular valores que nos informe acerca de la dispersin que estos presentan y poder
compararlos entre distribuciones.
Si bien por la importancia de la MEDIANA se la toma fuera de la familia de los
cuantilos, en rigor sta es el primer cuantilo. Es decir, es el valor que, habiendo
ordenado la serie de datos, se encuentra exactamente en el medio de la fila.
Con el mismo criterio podremos encontrar los valores que dividen serie en 4 partes
iguales, es decir, si tenemos una serie de 100 datos, ordenados de menor a mayor,
los datos nmeros 25, 50 y 75 dividen la lista en 4 partes iguales.
Por sta razn, estos cuantilos se denominan : CUARTILOS
Si la serie no fuera de 100 datos, fuera por ejemplo de 180, los datos buscados
serian el 45, el 90 y el 135. Es decir aquel valor que separe el 25%, el 50% y el 75%.
Con el mismo criterio, existen los DECILES, que dividen la serie en 10 partes y los
PERCENTILES, que dividen la serie en 100 partes iguales.
Los QUARTILOS son tres, Q1, Q2 Y Q3
Los DECILES son 9, D1, D2, ... , D9
Los PERCENTILES son 99, P1, P2, ..., P99.
Ntese que la MEDIANA es igual a Q2 = D5 = P50
5.2 MEDIDORES DE LA TENDENCIA CENTRAL
Una buena propiedad de los cuantiles es que no estn afectados por los valores
extremos o de borde, los cuales a veces reflejan anomalas o valores que se apartan
de la distribucin por causas especficas. Los cuantilos utilizan valores que estn
adentro de la distribucin y por lo tanto son valores normales.
Para medir la tendencia central comenzamos por definir los estimadores del
PROMEDIO o valor central de la distribucin:
PROMEDIO CUARTLICO = (Q3 + Q1)/2
PROMEDIO PERCENTLICO, 10 - 90 = (P90+P10)/2
Ntese con mucha atencin que estos valores, no tienen por que coincidir con la
MEDIANA = Q2 = D5 = P50, esto sucede, nicamente si la distribucin es
simtrica , solo as, coincidirn todos los estimadores de la tendencia central. Ms
adelante, al estudiar las distribuciones Gaussianas comprenderemos mejor ste
asunto. En general, las distribuciones reales, no son perfectas, por lo tanto, cada uno
de los estimadores, darn valores parecidos pero no iguales. El estudioso
estadstico, determina, cual de los valores se ajusta mejor a los fines que persigue.
5.3 MEDIDORES DE LA DISPERSIN
Pgina 45 de 152
Como puede comprenderse, por la cantidad de valores que podramos seleccionar,

sera posible determinar una gran lista de posibles estimadores, los cuatro que se
mencionan a continuacin son los ms comunes.
INTERVALO CUARTLICO:
INTERVALO PERCENTIL 10,90 :
INTERVALO SEMI INTERCUARTLICO :
INTERVALO SEMI PERCENTL 10,90 :
Q3 - Q1
C90 - C10
(Q3 - Q1)/2
(C90 - C10)/2
En el siguiente ejemplo, se ilustra la utilizacin de los distintos estimadores.

Los siguientes datos, 99 en total estn ordenados de menor a mayor :
#
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
dato
18
19
19
21
21
21
23
24
25
26
26
29
30
31
31
32
32
33
33
33
#
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
dato
33
33
34
35
35
35
35
35
35
36
36
38
38
39
39
39
39
40
40
41
#
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
dato
42
43
44
45
46
49
50
55
55
56
57
59
60
60
60
65
65
67
67
68
#
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
dato
70
70
71
73
73
74
75
75
76
78
80
83
83
86
89
92
92
93
95
99
#
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
dato
100
102
105
105
106
108
110
111
112
113
115
118
119
120
122
122
123
124
125
En esta tabla, que representa una poblacin de 99 datos, identificaremos primero,

cada uno de los valores a ser usados en los clculos:
CUARTILOS: Q1 = 35, Q2 = 56, Q3 = 89
MEDIANA = Q2 = D5 = P50 = 56
PERCENTIL 10 = 26, PERCENTIL 90 = 113
Ntese que el estudio se realiz sobre 99 datos y no sobre 100, pues con 99 se logra
la simetra perfecta para cada uno de los cuantilos. Por ejemplo, la Mediana tiene 49
datos a cada lado del dato 50, Q1 tiene 24 datos anteriores, y Q3 24 datos
posteriores, etc.
5.4 PROCEDIMIENTOS DE CLCULO
Pgina 46 de 152
Estimacin de los valores centrales:

MEDIA ARITMTICA :
MEDIANA:
PROMEDIO CUARTLICO:
PROMEDIO PERCENTLICO 90,10:
X/99:
62
56
62
69.5
(Q3+Q1)/2: (89+35)/2:
(P90+P10)/2 : (113+26)/2:
Estimacin de la dispersin de los valores:

DESVIACIN TPICA: (a partir de la fla. gral. con calculadora):
INTERVALO SEMI INTERCUARTLICO:
(Q3-Q1)/2: (89-35)/2:
INTERVALO PERCENTLICO 90,10:
(P90-P10)/2: (113-26)/2:
32.3
27.0
43.5
Como puede observarse, los resultados son bien diferentes, esto se debe a varios
factores, en primer lugar, la distribucin de los datos seleccionados, no son simtricos
ni se parecen a una distribucin Normal o Gaussiana. Si bien an no hemos
estudiado el tema de la distribucin NORMAL o Gaussiana, el alumno ya puede
formarse una idea de que esta importante distribucin es de forma de campana, y
tiende a ser simtrica.
La distribucin que hemos utilizado no lo es, y eso asegura que los distintos
estimadores estadsticos difieran entre si. La pregunta es entonces: para que
sirven? La respuesta es: para comparar, es decir, podemos comparar sucesivas
distribuciones entre s, y ver si se dispersan ms o menos que la anterior y si los
valores centrales se acercan a lo que se especifica. Cual usar?, el que a criterio del
analista responda mejor a los objetivos que se buscan. Lo importante es que una vez
determinado cual ser el estadstico a utilizar, seamos coherentes y utilicemos para
comparar siempre el mismo estadstico.
5.5 Procedimiento de clculo para datos agrupados.

Cuando la cantidad de datos es grande, y estos se encuentran agrupados en
CLASES, el clculo de los distintos estimadores debe realizarse por el mtodo de la
interpolacin. Para estudiarlo volveremos a nuestro ejemplo de las alturas de los 100
estudiantes.
La tabla de distribucin es la siguiente:
clase n 1
clase n 2
clase n 3
clase n 4
clase n 5
Fronteras de Lmites de
clases
clases
1.505
1.51-1.59
1.595
1.60-1.68
1.685
1.69-1.77
1.775
1.78-1.86
1.865
1.87-1.95
Marca de frecuencia
clase
de clases
1.55
5
1.64
18
1.73
42
1.82
27
1.91
8
Ojiva
05
23
65
92
100
Pgina 47 de 152
f=100
Supongamos que nos interesa buscar el valor de Q1, esto es el valor 25
De acuerdo con la ojiva, el valor 25 se encuentra en la clase n 3, en esta clase hay
42 datos, pero solo necesitamos 2 para llegar a 25. El razonamiento por interpolacin
es el siguiente:
42 valores que estn en la clase n 3, producen un cambio en el ordenamiento de
dimensin 0.09, es decir el ancho de clase., proporcionalmente, 2, que son los que
necesito, produciran,:0.004
Este valor es la alcuota que debe sumarse, a quin? a la frontera de clase: 1.685,
por lo cual el valor buscado es 1,689, y aproximando, 1,69.
Resultado, Q1 = 1,69
De igual forma., podemos calcular Q3 y con ambos saber cuanto es el intervalo y el
promedio INTERCUARTLICO.
Por ltimo y para dejar el tema completo, calcularemos otro dato, en ste caso, el
valor del percentilo 90, es decir P90.
De acuerdo a la ojiva, el valor 90,
anterior ser:
est en la clase 4, el razonamiento, igual al
27 datos producen un incremento en las X de 0.09, por lo tanto, 25 sern :

(25*0.09)/27=0.083
Este valor lo sumamos a la frontera de clase 1.775, con lo cual obtenemos : 1.858 y
aproximando a los valores significativos da 1.86
Resultado P90 = 1.86
Se sugiere al alumno, calcular P10 y con ambos valores calcular el intervalo semi
percentlico y el promedio correspondiente.
5.6 Obtencin de los valores correspondientes cuando el numero de datos es
distinto de 100:
Por razones pedaggicas, se ha utilizado una distribucin de 100 datos para hacer
estos clculos, pero el alumno debe saber encontrar cualquier dato en una
distribucin dada. Daremos dos ejemplos:
Ejemplo uno:
Distribucin de 80 datos, el valor de Q1 ser el dato 20, es decir, 80 * 0.25
el valor de P90 ser el 72, es decir 80 * 0.90
Ejemplo dos
Distribucin de 120 datos, Q1 ser el valor 30, (120 * 0.25)
Pgina 48 de 152
el valor de P90, ser el 108, ( 120 * 0.90)

5.7 Ejercicios en clase:
Utilizando la distribucin de frecuencias determinada en clase para el clculo de la
media aritmtica y la desviacin tpica (Captulos 3 y 4), el alumno deber calcular la
mediana, los tres cuartilos, el promedio y el intervalo semiintercuartlico.
Posteriormente se deber realizar una tabla donde se ingresen todos los medidores
de tendencia central y de dispersin para compararlos y discutir sobre ellos.
Captulos 3 y 4:
Cuantlos: 3.44, 3.107, 3.108, 4.6, 4.7, 4.8, 4.48, 4.52.
Pgina 49 de 152
Captulo 6
6 Teora elemental de Probabilidades
6.1 Definicin de Probabilidad
6.1.1 Definicin Clsica:
Supongamos que un suceso tiene h posibilidades de ocurrir entre n posibilidades,
cada una de las cuales tiene la misma oportunidad de ocurrir que las dems.
Entonces, la probabilidad de que ocurra E (xito), se describe como:
p Pr E
h
n
La probabilidad de que no ocurra E, es decir, la probabilidad de Fracaso, se escribe

como:
q Pr noE
n h
h
1 1 p 1 Pr E pues p + q = 1
n
n
6.1.2 Definicin como frecuencia relativa:

La definicin clsica de probabilidad tiene el cuestionamiento de que la palabra
misma oportunidad aparecen como sinnimas de equiprobables lo cual produce un
crculo vicioso.
Por esta razn, algunos autores defienden una definicin estadstica de probabilidad.
Para ellos, la probabilidad estimada o probabilidad emprica, de un suceso, se
define como la frecuencia relativa de ocurrencia del suceso cuando el nmero de
observaciones es muy grande. La probabilidad misma es el lmite de esa frecuencia
relativa cuando el nmero de observaciones crece indefinidamente.
El siguiente ejemplo servir para aclarar el concepto:
Si en una serie de 1000 tiradas de una moneda salen 529 caras, la frecuencia
relativa es de 529/1000 = 0,529.
Si en otras 1000 veces, salen 493, la frecuencia relativa acumulada ser:
(529+493)/2000=0.511.
Si continuamos indefinidamente con ste mtodo, el lmite ser 0,50000.....
6.2 Concepto de Probabilidad.

El siguiente grfico ilustra progresivamente, el concepto de la probabilidad, desde un
suceso con imposibilidad absoluta hasta un suceso con certeza absoluta.
Pgina 50 de 152
Certeza absoluta
100%
95%
90%
85%
80%
75%
70%
65%
60%
55%
50%
45%
40%
35%
30%
25%
20%
15%
10%
05%
00%
100%
Que un hombre muera algn da
83.3% Que salga no cuatro al arrojar un dado normal. (5 en 6)

70%
No figura en cartas espaolas (28 en 40)
50%
Cara al arrojar una moneda ( 1 en 2)
32.4% Primera docena en la ruleta (12 en 37)
7.7% K en un mazo de pocker (4 en 52)

0.0% que salga un 7 al arrojar un dado normal.
Imposibilidad absoluta
Como podemos ver, las probabilidades resultan del cociente:
Casos favorables
Total de casos
El suceso buscado, puede ser de afirmacin o de negacin, (que no salga figura).

La probabilidad se puede expresar como fraccin decimal o porcentual:
P
12
0.324
37
tambin 32.4%
De la definicin de probabilidad se deduce que :

0
0 P 100
El alumno, tiene necesariamente que comprender en ste punto, que la expresin de

las probabilidades, no puede ser mayor que uno (100%) ni menor que cero(0%)
Pgina 51 de 152
6.3 Regla de la adicin de probabilidades

Consideremos el siguiente ejemplo:
Calcular la probabilidad de que quede el 4 el 5 en la cara superior de un dado
normal arrojado libremente.
Es evidente que si al arrojar un dado sale un cuatro, no podra salir el 5 y viceversa.
Es decir, estos sucesos son excluyentes entre s, son EXCLUYENTES entre si, se
eliminan uno a otro. Si ocurre un suceso, no puede ocurrir el otro.
Para estos casos, se aplica la regla de la adicin de las probabilidades que dice:
La probabilidad de que ocurra un suceso compuesto de dos o ms sucesos que
se excluyen entre si, es igual a la suma de las probabilidades de cada uno de
estos sucesos.
En todos estos casos el enunciado del problema pide la probabilidad de un suceso
compuesto de uno de otro. Es decir, 4 5 en nuestro ejemplo.
Por esta razn se conoce sta regla como la REGLA O .
Resolviendo nuestro problema tenemos:
1
0.167
6
1
P5 0.167
6
______________
P4
P4 5
1
0.333
3
Observemos que en estos casos, (sucesos EXCLUYENTES) la probabilidad total es

mayor, o a lo sumo igual, que la mayor probabilidad de los sucesos intervinientes, es
decir:
Pt Pi
6.4 Regla del producto de las probabilidades.

Se arrojan dos dados normales, uno rojo y otro azul.
Cul es la probabilidad de obtener un 4 en el rojo y 5 en el azul?
Observar que esta situacin es distinta que la anterior, si sale un 4 en el dado rojo
nada impide que salga el 5 en el azul.
Estos son acontecimientos NO EXCLUYENTES entre s, no se eliminan el uno al
otro.
Pgina 52 de 152
La regla es del producto y dice:

La probabilidad de que ocurra un suceso compuesto de dos o ms eventos, que
no se excluyen entre si, es igual al producto de las probabilidades que tiene
cada uno de esos sucesos.
Nuestro problema pide la probabilidad de un suceso compuesto de uno y otro, es
decir, 4 y 5 , por esta razn la llamaremos regla y
1
0.167
6
1
P5 0.167
6
_______________
P4
P4 y 5
1 1
1
*
6 6 36
Del ejemplo precedente, se ve que la probabilidad total, en estos casos, esa menor
que la menor probabilidad de los sucesos intervinientes.
Es decir:
Pt Pi
El alumno deber notar que las probabilidades en la segunda regla son menores que
en la primera regla, la circunstancia de que la regla de multiplicar, intuitivamente
generadora de valores mayores que la suma, se explica por la circunstancia de que la
multiplicacin se efecta con nmeros decimales, y esto arroja siempre un valor ms
pequeo, ejemplo:
0.2 * 0.3 = 0.06
donde 0.06 es, pese a la multiplicacin, menor que 0.2 y 0.3.
6.5 Aplicacin de ambas reglas
Se arrojan dos dados, calcular la probabilidad de que se obtenga un 4 y un 5.
Este problema parece el mismo que el anterior pero no es as. el 4 el 5 puede salir
en cualquiera de los dados. Supongamos que un dado es rojo y el otro azul.
Podemos obtener 4 en el rojo y 5 en el azul. o bien 5 en el rojo y 4 en el azul. en
ambos casos satisfacemos lo que el enunciado pide.
Si sale 4 en el rojo (suceso simple), nada impide que salga el 5 en el azul. Entonces
corresponde el producto de las probabilidades.
Lo mismo ocurre para el 4 en el azul y el 5 en el rojo.
Pero, si sale 4 en el rojo y 5 en el azul(suceso compuesto) no puede salir el 5 en el
rojo y el 4 en el azul. Por lo tanto corresponde la suma de las probabilidades de cada
uno de estos sucesos compuestos.
Pgina 53 de 152
1
0.167
6
1
P5 0.167
6
1 1
1
P4 y 5 *
0.0278
6 6 36
1 1
1
P5 y 4 *
0.0278
6 6 36
P4
Ptotal P 4 y5 P5 y 4 0.0278 0.0278 0.0556
Veamos otro ejemplo:

Se arrojan dos dados normales.
Calcular la probabilidad de obtener 9 como suma de las caras superiores.
En este caso, el problema se satisface con 4 alternativas:
que salga 3 y 6 4 y 5 6 y 3 5 y 4
Ptotal = P3y6 + P4y5 + P6y3 + P5y4
Cada trmino de la suma vale 1/36= 1/6 * 1/6
Ptotal= 4 * 1/36 = 1/9 = 11.1%
6.6 Probabilidades con y sin reposicin

Cuando un elemento es extrado de una Poblacin, y tenemos que volver a sacar
otro elemento, se nos presentan dos posibilidades. La primera es reponer a la
Poblacin el primer elemento retirado, con lo cual la Poblacin queda como al
principio, es decir que la segunda extraccin tendr la misma probabilidad de
extraccin que el primero.
La segunda alternativa, que es la ms frecuente, es que no se reponga la primera
unidad extrada, con lo cual la probabilidad para la segunda extraccin habr
cambiado.
Para aclarar el tema desarrollemos un suceso muy simple, supongamos que tenemos
una Poblacin de 10 especimenes, y que tenemos que extraer dos unidades, la
probabilidad de la primera extraccin es de 1/10=0.1000, ahora bien, la segunda
extraccin tendr distinta probabilidad segn lo que hagamos con el primer
espcimen, si lo volvemos a la poblacin, la probabilidad volver a ser de 1/10, pero
si no lo volvemos, la poblacin es ahora de 9 especimenes, por lo tanto, la
probabilidad de la segunda extraccin ser 1/9= 0.1111
Pgina 54 de 152
Veamos otro ejemplo, Calcular la probabilidad de hallar una pieza defectuosa y otra
buena si se toman dos piezas de un lote de 20 piezas cuya fraccin defectuosa es
del 5%.
Esto quiere decir que 19 piezas son buenas y una es mala.
Con reposicin:
P(buena) = 19/20 = 0.95
P(mala)
= 1/20 = 0.05
Por lo tanto la probabilidad de que la primera sea buena y la segunda mala es:
0.95 * 0.05 = 0.0475
Pero, otro resultado posible, y que tambin satisface el enunciado del problema es
que la primera sea mala y la segunda buena, el resultado ser el mismo:
0.05 * 0.95 = 0.0475
Y el resultado final ser:
0.0475+0.0475 = 0.0950 = 9.5%
Sin reposicin
Los sucesos posibles son, a)buena - defectuosa y b) defectuosa - buena
Para a) sin reponer la pieza extrada:
19
20
1
Pb
20
Pa
1
0.05
19
19
*
0.05
19
*
Ptotal Pa Pb 0.05 0.05 0.10
Como se ve ambos resultados son distintos.

En la prctica, lo ms frecuente es que las extracciones sean sin reposicin, pero
tambin sucede que las poblaciones son cantidades grandes, y cuando as sucede,
la modificacin que se produce en la poblacin por sucesivas extracciones no son
significativas para el clculo de probabilidades.
6.7 Probabilidad de las causas, Frmula de Bayes - Laplace

Probabilidad de las causas
Pgina 55 de 152
Para comprender ste tipo de problemas, recurriremos a la idea de trabajar con

urnas.
Supongamos 4 urnas A con 7 bolillas blancas y 3 rojas, en cada una, y 6 urnas
B con 2 bolillas blancas y 8 rojas en cada una
Se escoge una urna al azar y de la misma se extrae una bolilla, tambin al azar,
obteniendo una bolilla blanca, es decir que el suceso b se ha producido.
Cul es la probabilidad de que la urna escogida sea de la familia de urnas A ?
Antes de que se sacase una bolilla y se conociera su color, la probabilidad de ser
elegida una urna
A B , estaba perfectamente definida, (1/4 y 1/6), pero el conocimiento de la bolilla
extrada, altera esa probabilidad.
Como el suceso se ha producido, la probabilidad es a posteriori,. es decir,
buscamos la probabilidad a posteriori de la causa A o de la causa B ,
sabiendo que el suceso b se ha producido.
Para resolverlo se aplica la frmula de Bayes - Laplace
P blA
Wi pi
Wi pi
Donde:
P blA
es la probabilidad a posteriori de la causa A.
Wi es la probabilidad a priori de la causa A

pi es la probabilidad de que actuando la causa A el suceso se verifique.
Wi pi es la sumatoria de los productos anlogos posibles.
De acuerdo a esto tenemos :

Wi = 4/10, probabilidad de la urna
pi = 7/10 , probabilidad de extraer una blanca en A
Por lo tanto la probabilidad de que la urna sea del grupo A , si la bolilla es blanca:
Pgina 56 de 152
P blA
4 7
.
Wi pi
28
4 7 10 10 6 2 0.70
Wi pi 10 . 10 10 . 10 40
y tambin podemos calcular el complementario:
P blB
6 2
.
Wi pi
12
4 7 10 10 6 2 0.30
Wi pi 10 . 10 10 . 10 40
Como es de esperar la suma de ambos resultados deber ser necesariamente igual a

uno.
Ejercicios de comprensin:
Los siguientes problemas se les sugieren resolver al alumno. Los resultados estn al
terminar el enunciado.
Problema 1:
Se tiene un grupo M formado por 4 urnas, con 4 bolillas rojas y 2 azules cada una.
Otro grupo N, formado por 6 urnas conteniendo cada una 3 bolillas rojas y 5 azules.
Se selecciona una urna al azar del grupo de diez y de ella se extrae una bolilla,
tambin al azar, resultando roja.
Cual es la probabilidad de que la urna seleccionada provenga del grupo N ?
Respuesta: 45.80%
Problema 2 :
Supongamos que una caja contiene bolillas blancas y rojas marcadas con P; Q; R
como sigue:
Marcadas con P : 5 blancas y 3 rojas,
Marcadas con Q : 4 blancas y 4 rojas,
Marcadas con R : 1 blanca y 7 rojas.
Se extrae una bolilla al azar y resulta blanca, Cual es la probabilidad de que la
bolilla blanca seleccionada est marcada con la letra P? Cul con la letra Q ? y con
la letra R?
Respuesta: 50,0%, 40,0% y 10,0% respectivamente.
6.8 Ejercicios de aplicacin.
Pgina 57 de 152

Captulo 6:
Probabilidades: 6.3, 6.5, 6.6, 6.8, 6.33, 6.42, 6.43, 6.44, 6.45, 6.46, 6.47, 6.50,
6.51, 6.90.
Pgina 58 de 152
Captulo 7
7. Anlisis Combinatorio y Probabilidades
7.1 Principio fundamental del anlisis combinatorio.
El anlisis combinatorio nos provee una herramienta muy importante para el clculo
de probabilidades complejas y que no podramos valorizar con los mtodos que
hemos aprendido hasta ahora. Este clculo matemtico se unir a lo visto en el
captulo anterior para desarrollar lo que llamaremos distribucin binomial en el
prximo captulo
El principio fundamental dice:
Si un suceso puede ocurrir de n1 maneras y si cuando ste ha ocurrido, otro
suceso puede ocurrir de n2 maneras, entonces el nmero de maneras en que
ambos pueden ocurrir en el orden especificado es:
n1 * n2
Ejemplo: Si hay 3 candidatos para gobernador y 5 para alcalde, los dos cargos se
pueden ocupar de 3 * 5 = 15 formas.
7.2 Factorial de n.
La factorial de n, denotada por n! se define como:
n! : n(n-1)(n-2)....3*2*1
.
Ejemplos:
5! = 5*4*3*2*1 = 120
4!*5! = 4*3*2*1*5*4*3*2*1 = 2880
Y se define:
Factorial del nmero cero = uno
0! = 1
7.3 Permutaciones.
Una permutacin de n objetos tomados de r en r es una seleccin ordenada de r
objetos de entre n.
El nmero de permutaciones de n objetos tomados de n en n se denota por Pn,r y
viene dado por:
Pgina 59 de 152
Pn,r = n(n-1)(n-2)...(n-r+1)= n! / (n-r)!

En particular, el nmero de permutaciones de n objetos tomados de n en n
Pn,n = n!
Ejemplo, el nmero de permutaciones que se pueden dar de las letras a, b, y c,
tomadas de a dos son:
P(3,2) = 3*2 = 6
Son
ab, ac, ba, ca, bc, y cb
7.4 Combinaciones.
Una combinacin de n objetos tomados de r en r es una seleccin de r de ellos,
sin importar el orden de los r escogidos.
El nmero de combinaciones de n objetos tomados de r en r se denota por:
n
n(n 1)(n 2)...(n r 1)
n!

r!
r !(n r )!
r
Otra forma de denotar al numero Combinatorio es: Cn,r

Ejemplo: El nmero de combinaciones de las letras a, b, y c, tomadas de dos en dos
es:
3
3.2.1
3

2.1
2
Son ab, bc y ac
Ntese que ab y ba son la misma combinacin pero no la misma permutacin.
7.5 Probabilidades y anlisis combinatorio.
Para interpretar el tema lo haremos a travs de un ejercicio.
Una caja contiene 8 bolas rojas, 3 blancas y 9 azules.
Si se sacan 3 bolas al azar, determinar la probabilidad de que:
a) las 3 sean rojas
b) las 3 sean blancas
Pgina 60 de 152
c) 2 rojas y una blanca

d) al menos una sea blanca
e) una de cada color
En primer lugar debemos destacar que esto problemas se resuelven siempre
sobre la base de que la extraccin se realiza sin reposicin.
a) las 3 sean rojas
De acuerdo con el anterior razonamiento, esto se resuelve as:
8 7 6
14
0.0491, 4.91%
.
.

20
19
18
285
P r1,r2 ,r3
Ahora bien, si razonamos de acuerdo a los nmeros combinatorios, tenemos:

8

3
numero de selecciones de 3 entre 8
14
P r1,r2 ,r3

0.0491, 4.91%
numero de selecciones de 3 entre 20 20
285
Con el mismo criterio resolveremos los otros casos.

b) Que las tres sean blancas:
3

3 1 0.00088, 0.088%
20 1140

3
c) Que dos sean rojas y una blanca:

8 3

2 1
7
P 2 son rojas y 1blanca
0.0737, 7.37%
95
20
d) Para resolver este caso, que al menos una sea blanca, tenemos dos caminos, el
primero sera calcular la probabilidad de que una sea blanca, de que dos sean
blancas y que las tres sean blancas y luego sumar los tres resultados. Pero otro
camino, que suele ser ms corto, es calcular que ninguna sea blanca y esto restarlo
de uno. Nosotros resolveremos por el segundo camino y se sugiere al alumno que lo
confirme por la otra va.
Pgina 61 de 152
17
3
34
Pninguna sea blanca
0.5965,
57
20
59.65%
por o tanto :
Pal menos una blanca 1
34 23
0.4035,
57 57
40.35%
e) Una de cada color. Aqu debemos prestar atencin de que no estn pidiendo que
salgan en un orden determinado, El clculo por la va del nmero combinatorio nos
da precisamente el resultado acumulado de todas las alternativas posibles.
P sacar una de cada color
8

1
3

1
9

1
20

3
18
0.1895,
95
18.95%
7.6 Generalizacin del nmero combinatorio y probabilidades

Este importante ejercicio nos introduce en la llamada DISTRIBUCIN BINOMIAL.
Determinar la probabilidad de sacar tres veces el 6 en 5 tiradas de un dado.
Representemos la 5 tiradas por 5 espacios
En cada espacio tendremos los sucesos 6 o no 6

Por
ejemplo:
6
o
6
6
6
6
6
6
6
6
6
Ahora bien la probabilidad de un suceso como cualquiera de los dos descritos es:
Pgina 62 de 152
1 1 5 1 5 1 5
P 66666 * * * *
6 6 6 6 6 6 6
Cualquiera de las combinaciones nos dar el mismo resultado.

Pero la pregunta es: cuntas combinaciones hay?
5
10 de tales sucesos mutuamente EXCLUYENTES por lo tanto
3
la respuesta es
la probabilidad requerida es:
5 1 5
P
3 6 6
125
0.0322,
3888
3.22%
Ahora podremos generalizar:

5 es el total de intentos que llamaremos
1/6 es la probabilidad de xitos y lo llamaremos p

5/6 es la probabilidad de fracasos y lo llamaremos q
por ltimo 3 es la probabilidad
llamaremos X,
de obtener tantas veces p en N intentos y lo
Con sta generalizacin la frmula se puede escribir:

N x n x
X N X
N!
p q
p q

X! N X !
X
Frmula de la distribucin binomial

Captulo 6:
Permutaciones: 6.17, 6.18, 6.19, 6.20, 6.21, 6.22, 6.24, 6.66, 6.71, Combinaciones:
6.25, 6.26, 6.27, 6.28, 6.29, 6.30. 6.72, 6.74, 6.75, 6.78.
Probabilidades y anlisis combinatorio: 6.32, 6.33, 6.34, 6.35.
Pgina 63 de 152
Pgina 64 de 152
Captulo: 8
LAS DISTRIBUCIONES BINOMIAL, POISSON Y NORMAL.
8.1 LA DISTRIBUCIN BINOMIAL
Definicin: Si p es la probabilidad de que ocurra un suceso en un solo intento
(llamada probabilidad de xito),entonces la probabilidad de que el suceso ocurra
exactamente X veces en N intentos ( o sea X xitos y N-X fracasos viene dado por :
N X N X
N!
p X qN X
p q
X ! N X !
X
P X
Ejemplo: La probabilidad de obtener exactamente 2 caras en 6 tiradas de una

moneda es:
N=6, p=,q=,X=2
6

2
1 1

2 2
6 2
6!
2!4!
1 1
15
0.2344, 23.44%
2 2
64
Se recomienda al alumno que, antes de desarrollar la frmula, identifique claramente

los valores de N, p, q y X, tal como se muestra en ste ejercicio.
VARIABLES DISCRETAS Y CONTINUAS
Se dice que una variable es discreta, cuando los datos se cuentan, y es continua
cuando los datos se miden. por ejemplo, la produccin de sillas es discreta pues un
lote puede ser, por ejemplo de 25 sillas o de 43 sillas, pero no de 25,6 43,25 sillas
pues la fraccin no es silla. En cambio, el dimetro de un perno es una variable
continua pues la puedo medir con tanta precisin como resolucin tenga el
instrumento, ejemplo 12,345 milmetros.
La distribucin de probabilidad binomial se aplica a variables discretas
nicamente.
DESARROLLO DEL BINOMIO
Pgina 65 de 152
La distribucin de probabilidad discreta se llama DISTRIBUCIN BINOMIAL porque

para: X = 1, 2,..., N corresponde a trminos sucesivos de la frmula binomial o
desarrollo del binomio.
q p N
N N 1
N N 2 2
N
q p q p ... p
1
2
qN
donde:
N N
, ,... se llaman
1 2
1,
Coeficientes Binomiales
ALGUNAS PROPIEDADES DE LA DISTRIBUCIN BINOMIAL:

VALOR MAS PROBABLE: Np
VARIANZA : Npq
DESVIACION TIPICA =
Npq
TRINGULO DE PASCAL
El tringulo de Pascal, nos da los valores de cada trmino del binomio:
1
1
1
1
1
1
2
3
4
1
3
1
4
1
1
5 10
10
5
1
....................................................
Si observamos el desarrollo del binomio de Newton, vemos que cada sumando
representa una probabilidad y, si N, p y q son constantes, cada trmino nos da la
probabilidad para X = 0, 1, 2, ... hasta N.
Por esta razn se lo denomina tambin DISTRIBUCIN BINOMIAL
Si generalizamos tenemos:
q p N P0 P1 P2 ...PN
Por otra parte, q+p = 1 por lo cual la suma anterior tambin es igual a uno.
Pgina 66 de 152
En otra palabras, la probabilidad de que el suceso esperado se cumpla cero vez, una
vez, dos veces, hasta N veces, es igual a uno.
Si graficamos en un sistema de coordenadas un polgono de frecuencias, que
represente la distribucin binomial, tenemos:
P (X)
...
...
...
...
P(3)
P(2)
P(1)
P(0)
P(Np)
P(0)
0
P(1)
|
1
P(2)
|
|
2
P(3)
|
|
|
3
...
Np
...
P(n-3)
|
|
|
n-3
P(n-2)
|
|
n-2
P(n-1)
|
n-1
P(n)
n
Como puede apreciarse de este grfico, la representacin de cada una de las

probabilidades para cada n y un determinado p conforman un peine donde estn
todas la posibles probabilidades para cada X. El alumno deber tener presente los
siguientes aspectos:
a) la suma de todas las probabilidades del peine tiene que dar 1
b) recordar siempre que p+q = 1, por lo tanto, aunque solo se especifique p, el valor
de q esta automticamente fijado pues, q = 1 - p
EJERCICIOS DE COMPRENSIN
Para terminar de comprender esto a fondo veremos una familia de distribuciones
binomiales en los siguientes grficos, las probabilidades evolucionan con los valores
de p.
El valor de N = 10 se mantendr fijo en los siguientes grficos:
p = variar desde 0,10 hasta 0,90 y, en consecuencia, q = variar desde 0,90 hasta
0,10
X = sern todas las posibles, es decir: 0, 1, 2, ...., hasta 10
La suma de todos los valores de P de cada grfico totalizan 1
Como puede observarse, las barras comienzan recostadas sobre la izquierda y se
desplazan, simtricamente hacia la derecha.
Pgina 67 de 152
si p es igual a 0,10
45
probabilidad
40
35
30
25
20
15
10
5
0
0
2
4
6
valor de las X
10
35
probabilidad
30
25
20
15
10
5
0
0
2
4
6
valor de las X
10
30
probabilidad
25
20
15
10
5
0
0
2
4
6
valor de las X
10
Pgina 68 de 152
30
probabilidad
25
20
15
10
5
0
0
2
4
6
valor de las X
probabilidad
25
10
20
15
10
5
0
0
1 2 3 4 5 6 7 8 9 10
NICO GRFICO DONDE EXISTE SIMETRIA

PUES p = q
30
probabilidad
25
20
15
10
5
0
0
2
4
6
valor de las X
10
Pgina 69 de 152
30
probabilidad
25
20
15
10
5
0
0
2
4
6
valor de las X
10
35
probabilidad
30
25
20
15
10
5
0
0
2
4
6
valor de las X
10
40
probabilidad
35
30
25
20
15
10
5
0
0
2
4
6
valor de las X
10
Pgina 70 de 152
Todos estos grficos constituyen una familia de distribuciones binomiales, en funcin

de N constante, en este caso igual a 10 intentos, por lo tanto, las veces que
podremos tener xito van de cero a 10, estas son las X. Las probabilidades de xito
se han variado de 0,10 a 0,90 lo cual dio origen a la familia de las DISTRIBUCIONES
BINOMIALES.
8.2 DISTRIBUCIN DE POISSON
La ley binomial resulta muy laboriosa para el caso de la resolucin de la mayora de
los casos de Control de Calidad, por ello, una buena aproximacin es la ley de
POISSON, donde se deber tener en cuenta algunos supuestos para que la
aproximacin sea aceptable.
Estos supuestos son:
N deber tender a valores muy grandes.
p deber tender a valores muy pequeos
el producto Np deber permanecer constante
Estas condiciones, son las ms frecuentes en asuntos de Control de Calidad, en
efecto, la muestras, N son siempre grandes, valores cercanos a 100 y superiores casi
siempre a 50. La fraccin defectuosa, p, casi siempre es menor al 5% por lo cual la
aproximacin resulta siempre muy satisfactoria.
Con estos supuestos la frmula BINOMIAL :
P X
N
X
N X
p q
X
se reduce a:
P X
Xe
x!
donde
X =
0, 1, 2,...
es una constante dada
otra forma de escribirla sera
P X
Np
Np X e Np
X!
Siendo ambas frmulas llamadas de POISSON

8.3 RELACIN ENTRE LA DISTRIBUCIN BINOMIAL Y LA DISTRIBUCIN DE
POISSON:
En la distribucin binomial, si N es muy grande y la probabilidad p de ocurrencia de
un suceso es muy pequea, de modo que q = 1 - p es casi 1 se lo denomina un
suceso raro.
Pgina 71 de 152
En la prctica, un suceso es raro si el nmero de ensayos es al menos 50 (N 50),

mientras que Np es menor que 5. En tal caso la distribucin binomial queda
aproximada muy estrechamente por la DISTRIBUCIN de POISSON.
La siguiente tabla muestra las diferencias entre ambas distribuciones:
MEDIA
VARIANZA
DESVIACIN TPICA
BINOMIAL
= Np
2 = Npq
= Npq
POISSON
=
2 =
=
Ejercicio de comprensin:
Entre las 2 y las 4 de la madrugada, el nmero medio de llamadas telefnicas por
minuto que recibe una pequea central telefnica es de 2,5.
Hallar la probabilidad de que durante un minuto concreto se produzcan:
a) cero llamadas
b) una llamada
c) dos llamadas
d) tres llamadas
e) cuatro llamadas o menos
f) ms de seis llamadas
Pgina 72 de 152
a) P(0)
2.5 0 e 2.5
1
1
2.5
0.0821,
0!
12.18
e
b) P(1) =
2.51 e 2.5
2.5
0.2052,
1!
12.18
20.52%
c) P(2) =
2.5 2 e 2.5
6.25
0.2565,
2!
24.37
25.65%
d) P(3) =
2.5 3 e 2.5
15.63
0.2138,
3!
73.10
21.38%
e) P(4) =
2.5 4 e 2.5
39.06
0.1336,
4!
292.38
8.21%
13.36%
P(4 menos) = 8.21% + 20.52% + 25.65% + 21.38% + 13.36% = 89.12%

f) P(ms de 6), necesitamo s, P(5) y P(6)
P(5) =
2.5 5 e 2.5
97.66
0.0668,
5!
1461.90
6.68%
P(6) =
2.5 6 e 2.5
244.14
0.0278,
6!
8771.40
2.78%
P(ms de 6) = 100% - (89.11% + 6.68% + 2.78%) = 1.43%
8.4 LA DISTRIBUCIN NORMAL, CURVA NORMAL O DISTRIBUCIN GAUSSIANA

Uno de los ms importantes ejemplos de una distribucin de probabilidad continua es
la DISTRIBUCIN NORMAL, tambin conocida como CURVA NORMAL
DISTRIBUCIN GAUSSIANA. Est definida por la ecuacin :
1
2
21
( X
Donde: = media aritmtica de la poblacin

y = desviacin tpica de la poblacin.
El rea total bajo la curva es igual a uno, (o 100%), significa que el 100% de las
probabilidades estn representadas por la curva. Consecuentemente, el rea bajo la
Pgina 73 de 152
curva entre X=a y X=b con a < b representa la probabilidad de que X est entre a y
b . Esta probabilidad se denota por:
Pr{ a < X < b }
VARIABLE CANNICA : Z
Esta importante variable Z , se utiliza para transformar la anterior frmula de Gauss.
La expresin, denominada Unidades Estandard, se define:
Z
Estas unidades Estandard o unidades de Desviacin Tpica, ( pues est dividido por
sigma ) transforma a la ecuacin de Gauss en la siguiente:
1
1 Z2
e 2
2
Como se demostrar ms adelante, en esta expresin el valor de sigma es igual a

uno, motivo por el cual, desaparece del denominador.
Esta frmula, que es nica, igual para cualquier poblacin, con tal de que calculemos
el valor de Z, tiene la siguiente representacin:
CURVA NORMAL DE GAUSS
40
PROBABILIDADES
35
30
25
20
15
10
5
0
-3
-2
-1
0
1
VALORES DE Z
Esta campana tiene caractersticas peculiares:
a) la media aritmtica es igual a cero.
Pgina 74 de 152
b) el punto de interseccin de la perpendicular a la absisa en el valor 1 y -1 con

la curva marca un punto en dicha curva, dicho punto es el punto de inflexin de
la curva, es decir, donde la tangente cambia de signo.
c) la distancia del punto de inflexin a la perpendicular a la absisas en el valor
de X = 0 es el valor de la desviacin tpica y vale uno.
d) el rea dentro de ciertos valores es siempre el mismo segn el siguiente
esquema:
rea bajo la curva normal desde MENOS UNA DESVIACIN TPICA (-1) hasta
MAS UNA DESVIACIN TPICA (+1)
AREA BAJO LA CURVA NORMAL

IGUAL A 68.27%
40
PROBABILIDADES
35
30
25
20
15
10
5
0
-3
-2
-1
0
1
2
3
DESDE -1 A +1 DESVIACION TIPICA

IGUAL A 95,45%
40
PROBABILIDADES
35
30
25
20
15
10
5
0
-3
-2
-1
0
1
2
3
Pgina 75 de 152

IGUAL A 99,73%
40
PROBABILIDADES
35
30
25
20
15
10
5
0
-3
-2
-1
0
1
2
3
8.5 RELACION ENTRE LA DISTRIBUCIN BINOMIAL y la NORMAL

Si N es grande y si ni p ni q son prximos a cero, las dos distribuciones se aproximan
estrechamente por una distribucin normal con variable cannica dada por:
Z
X Np
Npq
En el captulo 8.8, se estudiar la aproximacin de la curva normal a los resultados

por la frmula Binomial.
8.6 EJERCICIOS DE COMPRENSION SOBRE LA DISTRIBUCIN NORMAL.
Los siguientes ejercicios, tienen como objetivo aprender el uso de las tablas de
Gauss.
EJERCICIO N 1
Hallar el rea bajo la CURVA NORMAL en cada uno de los casos siguientes:
a) entre z = 0 y z = 1.20
Pgina 76 de 152

45
PROBABILIDADES
40
35
30
25
20
15
10
5
0
-3
-2
-1
0
1
2
3
Area bajo la curva entre z = 0 y z = 1,2
De tablas leemos que para z = 1,2 es 0,3849, por lo tanto: Pr {0 z 1,2} =

0,3849
Esto significa que el rea bajo la curva normal para z entre 0 y 1,2 es del 38.49%
b) Entre z = - 0.68 y z = 0
45
PROBABILIDADES
40
35
30
25
20
15
10
5
0
-3
-2
-1
0
1
2
3
Area bajo la curva entre z = -0,68 y z = 0
En tablas se lee para z = 0.68 es 0.2518 por lo tanto,

Pr {-0,68 z 0} =0.2518
Esto significa que el rea bajo la curva, para z= -0,68 y z=0 es el 25.18%
c) Entre z = - 0.46 y z 2.21
Pgina 77 de 152

45
PROBABILIDADES
40
35
30
25
20
15
10
5
0
-3
-2
-1
0
1
2
3
Area bajo la curva entre z = -0,46 y z = 2,21
En tablas se lee que, para z = 0.46 es 0.1772 por lo tanto,

Pr {-0,46 z 0} =0.1772
7Ntese que en la lectura se prescindi del signo menos.
Por otra parte, para z = 2.21 se lee 0.4864. lo cual significa :
Pr {0 z 2.21} =0.4864
Para encontrar el rea total debemos sumar ambos resultados:
0.1772+0.4864 = 0.6636
Esto significa que el rea bajo la curva, para z= - 0.46 y z=2.21 es del 66.36%
d) Entre z = 0.81 y z = 1.94
35
PROBABILIDADES
30
25
20
15
10
5
0
-3
-2
-1
0
1
2
3
Area bajo la curva entre z = 0,81 y z = 1,94
Para z = 0.81 es 0.2910 por lo tanto, Pr {0.81 z 0} =0.2910

Para z = 1.94 es 0.4738 esto es : Pr {0 z 1.94} =0.4738
Para encontrar el rea entre los dos puntos elegidos, debemos restar ambos
resultados: 0.4738 - 0.2910 = 0.1828
Esto significa que el rea bajo la curva, para z= 0.81 y z=1.94 es del 18.28%
e) A la izquierda de z = - 0.6, esto significa, entre z = - y z = - 0.6
Pgina 78 de 152
Tener presente que desde z = - y z = 0 la superficie bajo el rea es 0.5000 (50%)

35
PROBABILIDADES
30
25
20
15
10
5
0
-3
-2
-1
Area bajo la curva entre z = - infinito
y z = - 0,6
Para z = 0.6 es 0.2258 por lo tanto, Pr {0.6 z 0} =0.2258

Para z = - es 0.5000, esto es : Pr { - z 0} =0.5000
Para encontrar el rea entre los dos puntos elegidos, debemos restar ambos
resultados: 0.5000 - 0.2258 = 0.2742
Esto significa que el rea bajo la curva, para z = - y z=- 0.6 es del 27.42%
f) A la derecha de z - 1.28, esto es ,entre z = - 1.28 y z = +
40
PROBABILIDADES
35
30
25
20
15
10
5
0
-3
-2
-1
0
1
2
3
Area entre z = -1,28 y z = + infinito
Para z = 1.28 es 0.3997 por lo tanto, Pr {-1.28 z 0} = 0.3997

Para z = 0 y z= + es 0.5000, esto es : Pr {0 z +} = 0.5000
Para encontrar el rea entre los dos puntos elegidos, debemos sumar ambos
resultados: 0.3997+0.5000 = 0.8997
Esto significa que el rea bajo la curva, para z = -1.28 y z =+ es del 89.97%
g) A la derecha de z = 2.05, y a la izquierda de z = - 1.44
Pgina 79 de 152

16
PROBABILIDADES
14
12
10
8
6
4
2
0
-3
-2
-1
A la izquierda de -1,44 y a la derecha de

2,05
rea total bajo la curva = 1-(rea entre-1.44 y 0) - (rea entre 0 y 2.05)

1 - 0.4251 - 0.4798 = 0.0951, esto es 9.51%
EJERCICIO N 2
Este ejercicio ayuda a entender el uso de los procedimientos anteriores para el
clculo de las probabilidades en eventos reales.
Se recomienda al alumno dibujar las campanas e ir identificando las reas
escogidas.
Si los dimetros de las bolillas de cojinetes estn normalmente distribuidas con media
0.6140 mm y desviacin tpica 0.0025 mm determinar el % con dimetro :
a) entre 0.6100 y 0.6180 mm
b) mayores que 0.6170 mm
c) menores que 0.6080 mm
Solucin:
a)- z = (0.6100-0.6140) / 0.0025 = - 1.60
+ z = (0.6180-0.6140) / 0.0025 = + 1.60
rea solicitada = probabilidad buscada = 0.4452 + 0.4452 = 0.8904
La probabilidad de que el dimetro de las bolillas se encuentren entre 0.6100mm y
0.6180 mm es del 89.04%
b) z = (0.6170 - 0.6140) / 0.0025 = 1.20
Area para z = 0.3849
Area solicitada: 0.5000 0.3849 = 0.1151
Pgina 80 de 152
La probabilidad de que el dimetro de las bolillas sea mayor que 0.6170 mm es del
11.51%
c) z= (0.6080 - 0.6140) / 0.0025 = 2.40
Para z = 2.40, es 0.4918
El rea buscada es 0.5000 - 0.4918 = 0.0082
Probabilidad = 0.82 %
Ejercicios en clase:
Se desarrollan ejercicios inversos, dado un rea, determinar z.
Ejemplo 1: determinar la nota mnima para el 10% mejor de un curso con media 65 y
desviacin tpica 9.
Ejemplo 2: Calcular a las cuantas horas debern cambiarse las ampolletas de
una ciudad, si la vida media es 750 horas y la desviacin tpica es 35
horas, y se desea hacerlo cuando falle el 20% de las ampolletas.
8.7 LA DISTRIBUCION HIPERGEOMETRICA.

Esta distribucin es Discreta, es una alternativa junto a la Distribucin Binomial y
la Distribucin de Poisson. Vveamos en que caso nos interesa esta distribucin
Discreta.
Cuando la magnitud de la muestra es grande, por lo general, del 20% de la cuanta
del lote (Poblacin), la ley Binomial no puede dar una aproximacin satisfactoria de
esta distribucin. Tericamente, la frmula Hipergeomtrica es la distribucin finita
correcta. Es decir, la frmula Binomial nos entrega buenos resultados cuando n es
pequea en relacin a N, pero si no lo es debemos acudir a la relacin
Hipergeomtrica.
En los casos donde el tamao de la muestra es significativa frente al tamao de la
Poblacin , sucede que cada vez que se extrae una unidad del lote , cambia el valor
de p del resto del lote.
Supongamos que se extrae una muestra de 5, de un lote de 20 unidades, que tiene
2 unidades defectuosas, esto es p = 0,10 , la magnitud de la muestra es de 25% del
lote.
La frmula de la Distribucin Hipergeomtrica es la siguiente:
Pgina 81 de 152
L d d

c
n c c
n
L

n
L = Tamao del Lote (Poblacin)

d = Unidades defectuosas en el Lote
n = tamao de la muestra.
c == Unidades defectuosas en la muestra.
Esta frmula se interpreta as: la probabilidad de que una muestra al azar, de n
unidades , contenga c unidades defectuosas, para un tamao de lote (Poblacin) L
en el cual existen d unidades defectuosas.
Nos preguntamos la probabilidad para c= 0, 1 y 2, los resultados sern:
Para c = 0
20 2
0
5 0
5
20
2

0
0.553
Para c = 1
20 2 2

5 1 1
1
P
0.395
20
5
Para c = 2
20 2 2

5 2 2
2
P
0.053
20
5
En la siguiente figura, se ha graficado los tres resultados obtenidos, y tambin se

muestra los resultados para el mismo caso, resueltos con la frmula Binomial, y por
Poisson.
Naturalmente, el clculo Hipergeomtrico, muestra valores solo para c= 0, 1 y 2, ya
que el nmero mximo de defectos posibles en la muestra de 5 es 2.
Pgina 82 de 152
Tanto el mtodo Binomial como el de Poisson suponen magnitudes de lotes infinitas,

y cuando se llevan a los lmites de la expansin, producen valores de probabilidad
para defectos 3, 4 y 5 de la muestra. Esto no tiene sentido en este ejemplo ya que no
existen.
0,800
0,600
0,400
0,200
0,000
Hipergeomtrica
0,553
0,395
0,053
0,000
0,000
0,000
Binomial
0,591
0,328
0,073
0,008
0,000
0,000
Poisson
0,607
0,303
0,092
0,006
0,000
0,000
Tngase presente que de los tres resultados, los nicos correctos son los de la
Hipergeomtrica, y en los otros datos puede apreciarse el grado de error con los
resultados correctos.
Problema:
En una editorial, en la produccin de un determinado tipo de libro, se espera una
probabilidad de 0.10 de encontrar un error en una hoja de los mismos. Para la
impresin de un libro de 70 hojas deseamos conocer, al revisar 3 hojas al azar, que
probabilidad existe de encontrar ninguna hoja con error.
Solucin:
L = 70
d=7
n=3
c=0
p = 0,10
70 7 7

3 0 0
0
P
0.7254
70
3
Respuesta: 72.54 %
Pgina 83 de 152
8.8 APROXIMACION NORMAL A BINOMIAL

La aproximacin normal a Binomial es sencilla, siempre que
ejemplo:
n no sea grande,
Para: n = 12 y p = 1/3
La familia binomial tiene las siguientes probabilidades:
P(0)=0.008
P(1)=0.046
P(2)=0.127
P(3)=0.212
P(4)=0.238
P(5)=0.191
P(6)=0.111
P(7)=0.048
P(8) =0.015
P(9) =0.003
P(10)=0.000
P(11)=0.000
P(12) = 0.000
Conceptualmente, la grfica para una distribucin Binomial, deber representarse,

como se vio anteriormente como una peineta, es decir, lneas verticales desde el
valor encontrado a la abscisa, pues entremedio no existen valores. Sin embargo, para
los fines comparativos con la normal, recurriremos a un histograma. Es decir, las
barras indicarn los valores obtenidos con la frmula Binomial, pero nos dar tambin
una idea de superficie, de manera que podamos acercarnos, visualmente, a la curva
normal.
0,238
0,212
0,191
0,127
0,046
0,008
0,111
0,048
0,015
0,0030
0
2
4
6
8
10 12
Distribucin binom ial para p=1/3 y n=12
En 8.1, definimos que, para la distribucin Binomial es:

Valor mas probable : X : np : 12
Desviacin Tpica : npq
12
1.63
Pgina 84 de 152
La curva normal, superpuesta, tiene los datos calculados con la frmula anterior:
resulta evidente que existe una buena aproximacin, pese a que n es solo 12.
0
2
4
6
8
10 12
Distribucin binomial para p=1/3 y n=12, con curva
norm al superpuesta
Para verificar este acercamiento, realicemos los siguientes ejercicios:

Si la probabilidad de que un tirador acierte a un blanco es de 1/3, y si dispara 12 tiros,
cul es la probabilidad de que acierte por lo menos 6 de ellos?
La respuesta exacta, a tres decimales, es P(6) + P(7) + P(8)+......+ P(12) = 0.177
Geomtricamente, esta respuesta, es el rea de aquella parte del histograma, a la
derecha de x = 5.5
Por lo tanto, al aproximar esta probabilidad por los mtodos de la curva normal, se
necesita encontrar el rea bajo la curva normal, a la derecha de 5.5.
Puesto que la curva normal, fue construida con = 4 y = 1.63 se sigue que:
x - 5.5 4
0.92
1.63
De tablas encontramos que para z=0.92, el rea correspondiente es 0.179, y esto es

una buena aproximacin al 0.177 calculado por la frmula Binomial. Tngase
presente que el valor correcto es el que se calcul por la frmula Binomial.
Comprobemos ahora para otro caso.

Calcular la probabilidad de que el tirador acierte precisamente 6 tiros en 12.
De lo calculado al principio del captulo, la respuesta correcta, a 3 decimales es 0.111.
Pgina 85 de 152
Por Gauss, la respuesta la da el rea bajo la curva normal entre 5.5. y 6.5.
6.5 4
1.53
1.63
z2
z1
5.5 4
= 0.92
1.63
A 2 0.4370
A 1 0.3212
Restando una de otra rea, el resultado es : 0.116, que, comparada con 0.111
tambin es una buena aproximacin.
Si utilizamos la frmula de 8.1 podremos averiguar z con la siguiente expresin:
z
x np
npq
A la expresin np se le llam valor ms probable y es el equivalente de la media

aritmtica de una distribucin continua. Por otra parte, np, representa el nmero de
xitos ms probables, esto es x si dividimos por n tanto x como np nos da la
proporcin de xitos, (en Control de Calidad, lo llamaremos fraccin defectuosa),
de tal forma, la frmula anterior se expresa como sigue:
x
p
z n
pq
n
Es decir que, cuando los datos son entregados en la forma de proporcin de xitos, o
fraccin defectuosa, la curva normal de aproximacin, ser la que se obtiene
utilizando
p
y

pq
n
Estas frmulas sern de utilidad ms adelante.

el alumno deber resolverlos como parte de su desarrollo acadmico
Captulo 7
Distribucin Binomial: 7.1, 7.2, 7.3, 7.4, 7.5, 7.6, 7.7, 7.8, 7.9, 7.42, 7.43, 7.40,
7.44.
Pgina 86 de 152
Distribucin Normal: 7.14, 7.15, 7.16, 7.17, 7.18, 7.20, 7.21, 7.22, 7.23, 7.49, 7.50,
7.51, 7.52, 7.54, 7.57, 7.58.
Aproximacin normal a binomial: 7.24, 7.25, 7.26.
Distribucin de Poisson: 7.27, 7.28, 7.29, 7.67, 7.68, 7.71
Pgina 87 de 152
Capitulo 9
Correlacin y Regresin
9.1 Introduccin
Si mediante procedimientos estadsticos, y basndonos en datos histricos,
procedemos a predecir informacin futura, estamos realizando un ANLISIS DE
REGRESIN.
Por ejemplo, con la informacin de las ventas, estacionarias de los tres ltimos aos,
podemos PREDECIR las ventas futuras para los mismos perodos. Otro caso, de
acuerdo con las notas obtenidas por un alumno en la enseanza bsica, podramos
PREDECIR los resultados acadmicos en la Universidad. En ambos casos
estaramos aplicando tcnicas de REGRESIN.
Rpidamente puede advertir, el alumno, las dificultades del mtodo. En el primer
caso, la probabilidad de que la prediccin sea buena, depende de que no hallan
cambios en el escenario de donde se obtuvieron los datos histricos. Si para este
ao, tenemos un nuevo competidor en el mercado, todos los datos histricos no
sern de la misma utilidad y los resultados sern inciertos. En el segundo caso, es
sabido que los estudiantes tienen un marcado cambio en su pasaje de la Bsica a la
Universidad, las razones son mltiples, distinto grado de adaptacin a los nuevos
mtodos de enseanza, cambios biolgicos importantes, motivaciones distintas,
madurez intelectual, etc., Por lo tanto la prediccin, en ste caso, hay que tomarla
con reservas.
Ahora bien, aunque las dificultades existen, el mtodo es matemticamente muy
bueno, y adems los cambios del escenario tambin pueden de alguna manera
considerarse, de manera que es una herramienta valiosa para Marketing, la Gestin
de Compras, Control de Calidad, etc.
Luego de este ANLISIS DE REGRESIN, nos queda el problema de saber que tan
bueno es el ajuste entre las distintas variables, esto significa conocer que tan bueno
es el ajuste entre las variables.
Es decir, el ANLISIS DE CORRELACIN, nos dice con que precisin nos estn
informando la prediccin.
Por ejemplo, un problema de correlacin puede ser, existe relacin entre el consumo
del tabaco y las muertes por afecciones cardacas? Entre la recepcin de radio y la
actividad de las manchas solares? entre la belleza y la inteligencia?.
Por ejemplo, la correlacin entre el consumo de tabaco y las muertes por afecciones
cardacas es elevada, esto quiere decir que, conociendo el consumo de tabaco,
podemos hacer una buena prediccin de la probabilidad de muerte temprana por
afeccin cardaca.
9.2 Anlisis de Correlacin

Con la finalidad de ilustrar la manera en que se procede a estudiar la relacin entre
dos variables, consideremos los datos de la siguiente Tabla, que consiste en las
notas de 30 estudiantes en una prueba de lenguaje y una de ciencias.
La nota mxima era de 50 puntos
Pgina 88 de 152
x
34
37
36
32
32
y
37
37
34
34
33
x
28
30
32
41
38
y
30
34
30
37
40
x
39
33
30
33
43
y
36
29
29
40
42
x
35
29
34
35
36
y
35
36
37
39
40
x
33
32
33
37
36
y
31
31
36
40
42
x
34
36
34
38
31
y
32
38
31
40
29
Notas de ciencias
La investigacin de la relacin entre las dos variables comienza, generalmente, con

un intento de descubrir la forma aproximada de la relacin, trazando los datos como
puntos en el plano x,y
Esta grfica recibe el nombre de DIAGRAMA DE DISPERSIN. Esto nos da una
aproximacin visual a la posible relacin.
45
43
41
39
37
35
33
31
29
27
25
25 27 29 31 33 35 37 39 41 43 45
Notas de lenguaje
Una simple inspeccin visual, nos sugiere que existe una razonable relacin entre los
puntos, la nube sugiere una tendencia a crecer, es decir, a mejores notas en ciencias,
mejores notas en lenguaje, y viceversa. Esta sugerencia es la CORRELACIN, y
nuestro inters ahora es medir esa relacin entre los valores.
Por otra parte, el aspecto general del diagrama de dispersin, es el de una lnea
recta. Para determinar la naturaleza de una tendencia, se busca cualquier propensin
de los puntos de agruparse sobre ambos lados de alguna curva simple o bien a
ambos lados de una lnea recta. Para estas variables seria conveniente poder medir
en alguna forma el grado en que ambas variables se encuentran relacionadas
linealmente. Con el objeto de obtener esta medida, considrense las propiedades
que seria conveniente que tuviera.
Una medida de la relacin tendr que ser independiente de la eleccin del origen
para las variables. Esta propiedad puede obtenerse usando las desviaciones de las
variables mismas. Esto es igual a la definicin de la Desviacin Tpica.
As, se usan las variables xi X e yi Y en lugar de las variables xi e yi para
formar la medida de relacin deseada.
La notacin xi , yi denota el i-simo nmero de nuestra tabla.
Tambin deber ser independiente de la escala de medidas empleada para x e y.
Esta propiedad puede obtenerse dividiendo x entre cantidades que posean las
mismas unidades que x e y. Esto se logra dividiendo por la DESVIACIN TPICA.
Esto significa que lo reducimos a UNIDADES ESTANDARD o sea a la variable Z.
De esta forma describiremos ahora dos variables ui y vi siendo,
ui
x X
vi
y Y
i
Pgina 89 de 152
Con estas variables podemos volver a representar el diagrama de dispersin. Este

ser ahora un DIAGRAMA DE DISPERSIN PARA VALORES NORMALIZADOS.
Las coordenadas se cortan en un punto central del diagrama, pero el perfil de la nube
de puntos, continua siendo exactamente el mismo
3
2
1
0
-3
-2
-1
-1
-2
-3
Se puede ver, que la mayora de los puntos se encuentran en los cuadrantes 1 y 3.

Este comportamiento sugiere una relacin entre las variables, una medida simple de
esta relacin es la siguiente:
n
uv
i
i1
Los trminos de la suma correspondiente a los puntos en los cuadrantes 1 y 3 sern

siempre positivos mientras que los del cuadrante 2 y 4 sern negativos y restaran a la
sumatoria.
Consecuentemente un valor positivo elevado tender pues a indicar una tendencia
lineal pronunciada en el diagrama de dispersin. Esto sin embargo no es
estrictamente cierto, ya que si el nmero de puntos se duplicara sin cambiar la
naturaleza de la dispersin, el valor de la suma se casi duplicara . Es pues,
necesario dividir la suma entre n antes de usarla como medida de la relacin.
Existen razones tericas para preferir n-1 en lugar de n .
El resultado es
uv , esto es la medida deseada y se llama
COEFICIENTE DE
n1
CORRELACIN. Este coeficiente se denota con la letra r. Si se reemplaza por las
medidas originales la expresin es la siguiente:
n
x
i 1
X yi Y
n 1 sxsy
El resultado de esta ecuacin es un nmero que va desde cero a uno, siendo, cero,
la inexistencia de correlacin, y uno la correlacin total.
Es decir que r toma valores segn la siguiente relacin:
0 r 1
Si la tendencia del diagrama es a decrecer, es decir si la nube de puntos sugiere que
los valores tienden a decrecer, en lugar de crecer como sucede en el ejemplo de las
Pgina 90 de 152
notas que se dio al comenzar este tema, entonces, r toma valores entre 0 y -1,
indicando con cero, otra vez, la inexistencia de correlacin, y con -1 la absoluta
correlacin.
Ntese, que en realidad, cuando la tendencia de los puntos, es a decrecer, se puede
modificar dicha tendencia, mediante un simple cambio de ejes. Por esta razn, el
alumno, debe fijar, como concepto que r toma valores entre 0 y 1.
Cuando es r = 1, significa que son puntos todos sobre una lnea recta. Cuando r = 0
son puntos totalmente dispersos que no guardan entre s ninguna relacin.
Si se calcula r para la tabla de los estudiantes nos da como resultado
r = 0.66
Este resultado indica que existe correlacin, aunque mas bien pobre, es decir,
que no necesariamente, los alumnos que tengan buenas notas en lenguaje
tienen que tener buenas notas en ciencias y viceversa. Lo mismo ocurre con los
alumnos con malas notas.
Una buena correlacin que nos da oportunidad de pasar al anlisis de regresin, es
cuando r supera 0.80. Por supuesto, esto es una sugerencia, el analista es el que
determina el nivel de riesgo con el cual desea trabajar. La regresin es siempre
posible hacerla aunque r sea igual a valores muy bajos cercanos a cero. Lo que
sucede, en estos casos, es que las predicciones no se cumplen.
CALCULO DE r
La frmula dada para definir a r no siempre es conveniente para fines de clculo. Se
obtiene una forma mejor multiplicando factores, insertando valores para Sx y Sy,
empleando algo de lgebra, con los siguientes resultados:
n x
n xy x y
2
n y
Esta ltima frmula, (de no ser necesarias las medias aritmticas de x e y), tiene la
ventaja de que solo se requieren las sumas de: x e y, sus cuadrados y sus
productos.
9.3 Anlisis de Regresin
Como lo sugiere el estudio anterior, la regresin, consiste en reemplazar, la nube de
puntos, por una recta que mejor se ajuste, mediante la cual, podremos leer datos, en
lugares donde la informacin no exista. es decir, que podremos predecir.
Pgina 91 de 152
Con el objeto de explicar los mtodos de Regresin, considrense el problema

particular de predecir el rendimiento de pasto, como funcin de la cantidad de agua
de irrigacin aplicada.
Los datos de la tabla representan la cantidad, en centmetros cbicos, de agua
aplicada y el rendimiento en toneladas de forraje del terreno de una granja
experimental.
La grfica de estos datos se ilustra en la figura.
Agua (x)
Rendimiento (y)
12
5.27
18
5.68
24
6.25
30
7.21
36
8.02
42
8.71
48
8.42
9
8
7
6
5
12
18
24
30
36
42
48
.
En ste grfico, resulta que x e y estn relacionados en forma aproximadamente
lineal, para sta clase de valores de x.
Por ello, una lnea recta podr ser aplicada a ste grupo de puntos para PREDECIR
los valores de y partiendo de x .
El procedimiento para trazar la lnea recta, partiendo de los datos, se denomina
MTODO DE LOS CUADRADOS MNIMOS. La recta pasar por los puntos que
mejor se ajusten a los datos disponibles, esto es, por los puntos donde las distancias
a los datos sean menores.
Mtodo De Los Cuadrados Mnimos
Por todo lo visto en los prrafos anteriores, la prediccin se reduce al problema de
ajustar una lnea recta a un grupo de puntos.
Ahora bien, la ecuacin de la recta se escribe en la siguiente forma:
y = a + bx
en donde a y b son los parmetros que determinan la recta.
Pgina 92 de 152
As pues:
y = 2 + 3x
e
y = 4 - 2x
representan:
y=2+3x
16
y=4-2x
11
6
1
-7 -4 -4-1
-9
Puesto que el problema es determinar los valores de los parmetro a y b de manera

que la recta coincida satisfactoriamente con un juego de puntos, el problema es
esencialmente la estimacin de los parmetros a y b de alguna manera eficiente.
El mtodo ms conocido es el de los MNIMOS CUADRADOS.
Puesto que la recta deseada se va a usar para objetivos de prediccin es razonable
el requerir que la recta sea tal que hagan pequeos los errores de prediccin.
Por error de prediccin se entiende la diferencia entre un valor observado de y , con
el valor correspondiente de lnea recta para y.
Por ejemplo, el valor de prediccin en el ejemplo visto al comienzo de este tema, para
x= 30 es, aproximadamente igual a 7.21 - 7.00 = 0.21
Si se hubiera empleado una recta diferente para la prediccin, el error sera otro.
Lo que se busca es hacer mnimo la suma de los cuadrados de los errores y se
determina lo que se conoce como la lnea recta mejor ajustada en el sentido de los
mnimos cuadrados.
Resulta claro que variando a y b de la ecuacin de la recta, podremos encontrar la
recta que mejor se ajuste a los puntos de la figura vista al comienzo de este captulo..
Sin embargo, lo necesario es lograrlo mediante un proceso racional sistemtico y es
aqu donde interviene el principio de los MNIMOS CUADRADOS. La deduccin de
los coeficientes de la recta de regresin est fuera del alcance de nuestro curso, por
lo cual solo se las enunciar de la siguiente manera:
RECTA DE REGRESIN :
y = a + bx
Pgina 93 de 152
donde el trmino constante a y el coeficiente de regresin b se calculan segn las

siguientes frmulas:
Trmino constante de la frmula de regresin: a
y b x
n
Coeficiente de regresin de la frmula de Regresin: b
n xy x y
n x 2
Comentarios acerca del coeficiente de regresin y de la recta de regresin

Cuando vimos el coeficiente de regresin dijimos que si la tendencia de la nube de
puntos era creciente, r varia de 0 a 1, y que si la tendencia era decreciente r
vara de 0 a -1.
Ahora podemos especificar mejor este punto, si la
pendiente de la recta de
regresin es positiva r varia de 0 a 1, y si la pendiente es negativa r varia de 0
a -1.
Nota importante: si la recta de regresin resulta paralela al eje de las x, r es
NULO.
9.4 Ejercicio de Aplicacin.

El siguiente ejercicio sirve para realizar todos los clculos vistos y adems utilizar la
recta para hacer algunas predicciones.
Con la siguiente serie de datos calcular el valor del COEFICIENTE DE
CORRELACIN, calcular los COEFICIENTES DE LA RECTA DE REGRESIN Y
PREDECIR en tres puntos fuera de los valores registrados.
X
65
63
67
64
68
62
70
66
Y
68
66
68
65
69
66
68
65
X2
4225
3969
4489
4096
4624
3844
4900
4356
XY
4420
4158
4556
4160
4692
4092
4760
4290
Y2
4624
4356
4624
4225
4761
4356
4624
4225
Pgina 94 de 152
68
67
69
71
71
67
68
70
4624
4489
4661
5041
4828
4489
4692
4970
5041
4489
4624
4900
X=800
y=811
X2=53418
XY=54107
Y2=54849
Calculo del coeficiente de correlacin

r
12 54.107 800 811

12 53.418 800 2 12 54.849 811 2
0.7027
Calculo del coeficiente de regresin de la frmula de regresin:
12 54.107 800 811

12 53.418 800 2
0.4764
Clculo del Trmino constante de la frmula de regresin:
811 0.4764 800

12
35.82
Diagrama de dispersin y recta de regresin

71
70
69
68
67
66
65
62
64
66
68
70
72
Ecuacin de la recta: y = a + bx = 35.82 + 0.48 x

Pgina 95 de 152
Prediccin para los valores de x fuera de los datos registrados:

VALORES DE X
50
85
90
PREDICCIN PARA Y
60
77
79

En este curso solo se ha visto la regresin de y sobre x, por ello, de los
problemas sugeridos, el alumno solo deber resolver segn lo visto en clase.
Captulo 13 : 13-8, 13-10, 13-19, 13-20, 14.40, 14.46, 14.47
Pgina 96 de 152
Captulo 10
10 Teora del muestreo
10.1 Muestreo aleatorio
En todas las discusiones referentes al muestreo y a las distribuciones de frecuencias
de muestras siempre se supuso que las muestras se escogan al azar, esto es que el
muestreo era aleatorio.
En trminos de probabilidad, esto implica que la probabilidad de que un cierto
miembro cualquiera sea escogido es igual a 1/N donde N es el nmero total de
individuos de que consta la poblacin.
10.2 Distribucin de muestreo
Matemticamente, y por la teora de probabilidades, puede demostrarse que la
distribucin de X poseer una distribucin normal, si es que X la posee, con el
1
mismo promedio que X, pero con una desviacin tpica que es
veces la
n
desviacin tpica de X. (n es el tamao de una muestra seleccionada de entre N).
Estos resultados matemticos se expresan en la forma de un teorema:
TEOREMA UNO: Si X posee una distribucin normal cuyo promedio es y cuya
desviacin es , entonces el promedio de muestra X en una muestra al azar de
tamao n, poseer tambin una distribucin normal cuya media ser y cuya
desviacin tpica ser

n
En base a este teorema consideremos el siguiente problema:
Sea X la representacin del peso de un individuo seleccionado al azar de una
poblacin de varones adultos. Supngase que X posee una distribucin normal
terica cuyo promedio = 68 kg. y = 3 Kg. Lo que se quiere resolver es lo
siguiente: si se toma una muestra al azar de tamao n = 25 para esta poblacin,
cual es la probabilidad de que el promedio de la muestra X se encuentre dentro del
intervalo 67 - 69 kg.?
El teorema seala que la media poseer una distribucin normal con :
X = 68
X 0.6
3
25
En el siguiente grfico podemos ver las dos distribuciones, la primera, con trazo
delgado, es la distribucin de las X, la segunda, con trazo grueso, es la distribucin
de las medias, en el primer caso, la desviacin tpica vale 3 Kg. y en el segundo
caso, vale 0.6, de acuerdo con los clculos vistos ms arriba.
Por otra parte, el tamao de la muestra que se consulta es, n es igual a 25.
Pgina 97 de 152
Distribucin de las medias de muestreo
70
60
Probabilidad
50
Distribucin de las X
40
30
Distribucin de las
m edias
20
10
0
59
62
65
68
71
Kilogram os
74
77
El problema de calcular la probabilidad de que X se encuentre dentro del intervalo

67 a 69 se resuelve ahora fcilmente utilizando la frmula :
Z1 = (67-68) / 0.6 = - 1.67
Z 2 = (69-68) / 0.6 = + 1.67
Segn las tablas es 0,4525 + 0,4525 = 0,9050 es decir , la probabilidad de que X

se encuentra entre 67 y 69 es del 90,5%.
Supongamos ahora que la variable X no posea una distribucin Normal.
El resultado es que si n es mayor que 25 la distribucin de X , parecer normal
independientemente de la distribucin de poblacin que se elija para X.
TEOREMA DOS: (Llamado del lmite central) Si X posee una distribucin con
promedio y desviacin tpica , entonces el promedio de muestra X basado en
un muestreo al azar de tamao n, poseer una distribucin normal aproximada con
promedio y una desviacin tpica :

, cuya aproximacin se hace cada vez
n
mejor al crecer n
Esto es vlido para variables continuas discretas. Veamos un ejemplo para una
variable discreta que puede tomar los valores 1 a 6 con probabilidades segn el
siguiente grfico.
Distribucin No Normal
Pgina 98 de 152
0,25
0,2
0,15
0,1
0,05
0
1
Esta distribucin tiene una media aritmtica = 2.75 y una desviacin tpica igual a
1.48
De esta poblacin, supongamos de 1000 unidades, sacaremos 100 muestras, (con
reposicin) de 10 unidades cada una, se obtuvo el siguiente resultado real:
Clases
1.5 - 1.6
1.7 - 1.8
1.9 - 2.0
2.1 - 2.2
2.3 - 2.4
2.5 - 2.6
2.7 - 2.8
2.9 - 3.0
3.1 - 3.2
3.3 - 3.4
3.5 - 3.6
3.7 - 3.8
X
1.55
1.75
1.95
2.15
2.35
2.55
2.75
2.95
3.15
3.35
3.55
3.75
Tildes
/
//
///// //
///// /////
///// /////
///// /////
///// /////
///// /////
///// ////
/
//
Total
///
///// /
///// ////
///// /
////
Frecuencias
1
0
2
7
13
16
19
16
14
9
1
2
100
El histograma para este diagrama de frecuencias es el siguiente:

20
15
10
5
0
1,55 1,75 1,95 2,15 2,35 2,55 2,75 2,95 3,15 3,35 3,55 3,75
Pgina 99 de 152
De donde se desprende por clculo, a partir de la distribucin de frecuencias

obtenida, que X = 2.77 y la desviacin tpica de la poblacin de muestreo es
0.41
Los valores tericos son :
X 2.75
y
x
1.48
0.47
n
10
Por lo tanto vemos que se cumple: a) una muy buena aproximacin de los valores
tericos a los prcticos, y b) que el perfil de la distribucin de las medias se parece
a una normal, pese a que la distribucin de las X es lo menos parecido a una normal.
10.3 Muestreo de Poblaciones Pequeas
En todos los clculos anteriores se ha supuesto que la poblacin era suficientemente
grande como para que la extraccin de la muestra no afectara los resultados, Pero, si
la poblacin es pequea, esta presuncin no es correcta, y debemos corregir de la
siguiente manera:
Si N indica el tamao de la poblacin que se muestrea y n denota el tamao de la
muestra que se toma sin reposicin, entonces puede demostrarse que la frmula :
X
Se sustituye por la siguiente

X
N n
N1
Para ver el efecto que el factor de correccin tiene, haremos un ejercicio

considerando los tamaos de muestra de poblacin para los cuales:
a) n = 5% de N
b) n = 10% de N
c) n = 20% de N
Puesto que rara vez tiene objeto tomar muestras de poblaciones menores de 100, y
puesto que N - 1 diferir de N por menos del 1%, entonces, el factor de correccin
se puede simplificar as:
a)
5
0.97
100
b)
10
0.95
100
c)
20
0.89
100
Con estos resultados, es conservadora la conclusin de que la frmula original,

X
se encontrar dentro de un error inferior al 10% a menos que la muestra
constituya el 10% o ms de la poblacin.
Pgina 100 de 152
Como recomendacin final sera: usar la frmula original mientras que la muestra sea
menor que el 10% con respecto a N, y la frmula corregida desde el 10% para arriba.
10.4 Distribucin de Muestreo de Proporciones.
El mismo factor de correccin, visto en el prrafo anterior, puede aplicarse a la
desviacin tpica de las proporciones, cuando el tamao de la poblacin es lo
bastante pequeo como para justificarlo.
Las frmulas vistas en el captulo correspondiente para las distribuciones discretas,
esto es, las distribuciones binomiales, nos enseo que el valor ms probable es np
(Ntese que ste valor ms probable, es el equivalente a la media aritmtica de las
distribuciones continuas), siendo n el tamao de las muestras y p la fraccin
defectuosa, es decir la proporcin de defectos que tiene la muestra, el producto
indicado, es decir un nmero discreto, por esto en Control de Calidad a los grficos
np se les llama grficos de defectuosos, porque son las unidades con uno o ms
defectos que encontramos durante las inspecciones. En ese contexto, la desviacin
tpica fue definida cmo: npq . De acuerdo con esto podremos deducir fcilmente
las frmulas correspondientes a la proporcin p dividiendo ambas expresiones por n,
con lo cual np queda reducido a p y la desviacin tpica que era npq quedar
como :
pq
, ntese que al dividir por n entra dentro de la raz como n al cuadrado.
n
Ahora, basndonos en las anteriores demostraciones, podemos hacer extensiva la

correspondiente frmula, para las proporciones:
p'
pq N n
n N1
10.5 Distribucin de muestreo de diferencias y sumas.

Supongamos tener poblaciones de tamao N1 y N2 , para cada muestra n 1 y n2
calculamos los correspondientes estadsticos S1 y S2 . Esto nos da, una poblacin de
muestreo
para ambos estadsticos, (ntese que por estadsticos estamos
suponiendo cualquier parmetro que estamos controlando, como la media aritmtica
o la desviacin tpica, o cualquier otra cosa).
Las dos poblaciones de muestreo tendrn en consecuencia una media del muestreo
y una desviacin tpica, tambin de los datos del muestreo. Estas estarn denotadas
por : s1 , s2 , s1 y s2 .
De todas las posibles combinaciones, podremos obtener una distribucin de
muestreo para las diferencias de los estadsticos. La media y la desviacin tpica de
esta distribucin de muestreo, se escribe como :
s1-s2 = s1 - s2
y s1- s2 2s1 2s2
Para que se cumplan estas condiciones, las muestras seleccionadas no debern

tener dependencias entre ellas, es decir, debern ser necesariamente independientes
entre s.
Pgina 101 de 152
Si S1 y S2 son las medias muestrales de ambas poblaciones, cuyas medias

escribiremos X 1 y X 2 , entonces la distribucin de muestreo de las diferencias de
medias viene dada por:
x1 x 2 x1 - x 2 1 - 2
x1 x 2 2x1 2x 2
12 22
n1 n 2
Estas frmulas son vlidas para muestreo de poblaciones infinitas o con reposicin.
Los mismos resultados los obtenemos para distribuciones de muestreo de diferencias
de proporciones de dos poblaciones binomialmente distribuidas con parmetros
(p1,q1) y (p2, q2) respectivamente. En este caso las frmulas se expresan como sigue:
p 1 p 2 p 1 - p 2 p 1 - p 2
p1 p 2 p21 p22
p1q1 p 2 q2
n1
n2
Todos los desarrollos vistos sirven para el caso de la suma en lugar de la resta, as
para el primer caso tendramos:
s1 s 2 s1 s 2
y
s1 s2 2s1 2s2
Esta frmula es de uso frecuente y de gran utilidad en el rea de Control de Calidad

Estadstico.
Ntese que para la desviacin tpica el resultado de la suma es el mismo que para la
diferencia.
Ejercicio 1
Si la desviacin tpica de las estaturas de nios de primer grado es de 5 cm, cul es
la probabilidad de que la estatura promedio de una muestra al azar de 100 de estos
nios difiera en ms de un cm, con respecto a la estatura promedio para todos los
nios?
Desarrollo:
Supondremos que N (desconocido) es muy grande:
Si la desviacin tpica es 5 cm ser:
Pgina 102 de 152
5
0.5
100
XX
1
0.5
Para z = 2, el rea bajo la curva normal es igual a: 0,4772

Entonces, el rea bajo la curva normal, entre 2 y +2, esto es, entre -1 y +1
alrededor de la media, ser 0,4772 * 2 = 0,9544
Pero sta ser la probabilidad de que se encuentre entre los lmites dados, la
pregunta lo solicita fuera de dichos lmites.
La respuesta ser 1,0000 0.9544 = 0,0456
Esto significa una probabilidad de 4,56 %
Ejercicio 2
En el mismo ejercicio anterior supondremos que N = 500
En este caso, n = 100 es el 20% de N, por lo tanto usaremos la frmula
correspondiente:
X
5
100
500 100
0.45
500 1
XX
1
2,22
0,45
Para este valor de z, la probabilidad de que se encuentre entre +1 cm y 1cm es del

98,68% y de que se encuentre afuera, del 2.64 %
Ejercicio 3
Hallar la probabilidad de que en los prximos 200 nacimientos a) menos del 40%
sean nios, b) entre 43% y 57% sean nios, c) ms del 54%
Se deber suponer que las probabilidades de nacimiento de nio o nia sern del
50%.
a) p = 0,50 y q = 050, Adems N es muy grande
= P = 0,50
y
Pgina 103 de 152
pq
0.50 * 0.50
0,03536
200
X 0,4000 - 0,5000
2,83
0,03536
Para este valor de z, la tabla nos da un rea de 0,4977, por lo cual, el rea
correspondiente a menos de 40 % ser: 0,500 0,4977 = 0,0023
Respuesta: 0.23 %
b) en este caso tenemos que hacer dos clculos:
z1
0,43 0,50
1.98
0,03536
z2
0,57 0,50
1.98
0,03536
El rea correspondiente ser de 0,4761 * 2 = 0,9522

Respuesta:
95,22%
c)
z1
0,54 0,50
1,13
0,03536
El rea correspondiente a z = 1.13 es 0,3708.

Pero nos preguntan lo que supera a ese valor, es decir ms de 54%, por lo tanto hay
que restarlo de 0,5000.
0,5000 0,3708 = 0,1292
Respuesta: 12,92%
Ejercicio 4
Dos distancias se han medido como 27.3 cm y 15.6 cm con desviacin tpica de
0,16 y 0,08 cm, respectivamente. Hallar la media y la desviacin tpica de a) la
diferencia y b) la suma de esas distancias.
Solucin:
a) d1 d2 = d1 - d2 = 27.3 15.6 = 11.7 cm
d1 d2
2d1 2d2
0,162 0,082 0.18cm
Pgina 104 de 152
b)
d1 +d2 = d1 + d2 = 27.3 + 15.6 = 42.9 cm
d1 d2
2d1 2d2 0,16 2 0,08 2 0.18cm

Captulo 8
Ejercicios 8.1, 8.2, 8.3,
8.27, 8.34, 8.39, 8.40.
8.4, 8.7, 8.11, 8.16, 8.21, 8.23, 8.24, 8.25, 8.26,
Pgina 105 de 152
Captulo 11
11 Intervalos de confianza
11.1 Estimacin por punto y por intervalo
Uno de los usos ms frecuentes de la estadstica, es la ESTIMACIN de
propiedades de la poblacin.
Las dos distribuciones de frecuencias de poblaciones que se han estudiado han sido
la Binomial y la Normal, por lo tanto, consideraremos sus propiedades.
La Distribucin Binomial,
N X N X
p q
X
PX
queda completamente determinada por el nmero de intentos n, y la probabilidad de

xito en una sola prueba p.
Los smbolos n y p se llaman Parmetros de la distribucin.
Recordemos la diferencia entre Estadsticos y Parmetros, el primero se refiere a
los medidores de la distribucin de una muestra, y el segundo a los medidores de la
distribucin de la poblacin. En las consideraciones siguientes hablaremos de
parmetros pues estamos estudiando las propiedades de toda la poblacin que nos
interesa. Los parmetros n y p determinan completamente la distribucin binomial y,
consecuentemente, cualquier propiedad de la distribucin.
La DISTRIBUCIN NORMAL
parmetros y .
queda completamente determinada por los dos
Curva Normal de Gauss
Pgina 106 de 152
Los problemas de estimacin para problemas normales

generalmente a los problemas de estimacin de y .
pueden
reducirse
Existen dos tipos de estimaciones de parmetros . Uno es la estimacin por punto y

la otra es la estimacin por intervalo.
Una estimacin por punto es lo habitual, esto es el nmero que se obtiene por
clculo a partir de los valores de la muestra y que sirve como aproximacin al
parmetro que se est estimando.
Una estimacin por intervalo, para un parmetro es un intervalo determinado por
dos nmeros que se obtienen a partir de clculos de valores de muestras que se
espera contengan el valor del parmetro en su interior. La estimacin por intervalo se
construye de forma tal, que la probabilidad de que el intervalo contenga al parmetro
puede especificarse. Tales estimaciones por intervalo se llaman INTERVALOS DE
CONFIANZA
11.2 Intervalo de confianza
Partiremos el estudio de estos intervalos, utilizando las propiedades de la Distribucin
Continua llamada Curva Normal, luego de lo cual, extenderemos los conceptos, a la
distribucin discreta o Binomial.
Supongamos que se trata de estimar la media X de cierta caracterstica de calidad
de un lote de N unidades. Para ello extraemos una muestra de n unidades y
determinamos los valores X1, X2, ...,Xn
El siguiente diagrama representa una interpretacin de lo que se esta tratando:
X 1 XN X4 X
X 3 X2
------------------------------------I---I-----I------I-------I----------I--I--I-------------------->
I1
0
I2
eje de las X
Supongamos tener n datos X de una muestra extrada de una poblacin N, de los
cuales en el eje de las X hemos ubicado los 4 primeros datos y el ltimo dato, estos
son X1 , X2 , X3 , X4 y Xn , est implcito que sobre este eje estarn todos los datos de
la muestra.
La media aritmtica de esta muestra es X la cual fue ubicada en un lugar central de
los datos escritos. Por todo lo explicado hasta ahora, la media de la poblacin,
estar cerca del valor anterior pero, probablemente, no coincidir con el valor anterior.
En el grfico, lo hemos escrito a la derecha de X .
Pgina 107 de 152
Ahora bien, llamaremos INTERVALO DE CONFIANZA, a una distancia desde la

media aritmtica X de la muestra hasta I1 e I2 , de tal forma que se encuentre
dentro del tramo I1 - I2 . Nos haremos ahora dos preguntas: a) cmo calcular los
valores de los extremos de dicho intervalo de manera que contenga el desconocido
valor de ? b) con que confianza, es decir, cual ser la probabilidad de que
efectivamente el desconocido valor de se encuentre dentro de dicho intervalo?
El valor verdadero del lote, esto es , tendr una cierta probabilidad conocida de
estar situada en el interior de dicho intervalo. Anteriormente hemos visto que el
intervalo: menos una desviacin tpica y ms una desviacin tpica, alrededor de
la media aritmtica, encierra un rea de 68.27%, si usamos este concepto en
trminos de probabilidades podemos decir que si tomamos una unidad de la
distribucin, tenemos una probabilidad del 68.27% de que se encuentre en el
intervalo de mas-menos una desviacin tpica de la media aritmtica.
Con el mismo criterio podemos decir que la probabilidad de que se encuentre en el
intervalo de mas-menos dos desviaciones tpicas es del 95.45% y de mas-menos tres
desviaciones tpicas del 99.73%
x
, es la desviacin respecto a la media calculada
con una unidad igual a la desviacin normal. Es decir la tabla normal de Gauss es
una distribucin donde la desviacin tpica vale 1 y la media aritmtica vale cero.
Por otra parte, la variable z
En consecuencia, la probabilidad de encontrar un valor determinado de z, inferior a

1 y superior a 1, es del 68.27% inferior a 2 y superior a 2, del 95.45% e inferior a 3
y superior a -3, del 99.73%.
En consecuencia, la probabilidad de un valor de z fuera del intervalo 1 a -1, es de
31.73%, fuera del intervalo 2 a -2, del 4.55% y fuera del intervalo 3 a -3, del 0.27%.
Utilizando la Tabla Normal de Gauss, podemos construir la siguiente tabla que nos
ser de utilidad para el resto de este captulo y el siguiente:
% nivel de
confianza
z
99.73
99.0 98.0 96.0 95.45 95.0 90.0
80.0 68.27
50.0
38.30
2.58 2.33 2.05 2
1.28 1
0.6745
0.500
1.96 1.645
Pgina 108 de 152
11.3 Estimacin de la media aritmtica.

Supongamos que queremos determinar la resistencia a la traccin de un lote de
barras de acero al carbono contenidas en una industria.
De ensayos anteriores, conocemos que la desviacin tpica poblacional vale 200
Kg./cm2
Extraemos al azar, una muestra de 100 barras y medimos X 5.500 kg / cm 2 .
Qu podemos inferir respecto de la media real ?
Para esto sabemos que:
1) Las medias X de las muestras de 100 u, tomadas al azar, tienen como
media general: , (Teorema del Lmite Central, Captulo 10).
2) La desviacin normal de las medias, que mide su dispersin alrededor de
es:
200
x
20kg / cm2
n
100
Puesto que n es 100, o sea es mayor de 30, de acuerdo con lo visto en la Teora del
Muestreo, Captulo 10, la distribucin de las medias de muestreo, ser normal.
Supongamos ahora que queremos saber cual es la probabilidad de que el valor
encontrado X , no difiera en ms de 50 Kg../cm2de la media de la poblacin :
Este planteo supone dos hiptesis:
a) 5500 -
50
5500-50
b) - 5500 50
5500+50
Y estas expresiones pueden resumirse como:

5500 - 50
5450
5500 + 50
5550
Pgina 109 de 152
Estos sern los valores extremos que nos interesan, transformemos estos valores en
unidades de la variable z (es ambos lados iguales)
z=
5550 5500 50
2.50
20
20
La probabilidad para 2.,5 , segn la tabla de Gauss es de 49.38% y por estar a

ambos lados de la media ser el doble, esto es 98,76%.
As pues, podemos decir que existe un 98,76% de probabilidad, de que el
desconocido valor de , se encuentre entre 5450 Kg./cm2 y 5550 Kg./cm2.
Y, como consecuencia, la probabilidad de que se encuentre fuera de dicho intervalo,
ser 100,00 % 98.76 % = 1,24 %.
11.4 Margen de error y coeficiente de confianza.

Puesto que con una muestra, estamos infiriendo cual podra ser el valor del
parmetro poblacional, es una consecuencia lgica pensar que la diferencia entre la
X conocida y la desconocida sea considerada como el Error de la Estimacin.
Este error ser menor, cuando mayor sea la muestra. Lo cual est en lnea con todo
lo que se ha venido enseando, cuanto mayor es la muestra, mejor y ms confiable
es la respuesta de la muestra.
5550
5500
5450
Si lo que queremos hacer es una estimacin del error que tiene una probabilidad de
ser menor al 5%, significar que el intervalo, que comprende el interior de la curva
gaussiana, ser el 95% del rea de la curva normal.
Pgina 110 de 152
Por otra parte, si queremos que afuera del intervalo, exista 5%, como es simtrico,
ser, 2,5 % a cada lado del intervalo.
Por lo tanto, si en el interior de la figura, entre ambos lmites, tenemos el 95% del
rea, de la mitad hacia cualquiera de los dos lados tendremos el 47.5% del rea, y si
buscamos en la tablas de Gauss, para el dato ms cercanos a dicho a dicho valor,
tenemos que z = 1,96
De acuerdo con lo desarrollado, podemos concluir, que el error de la estimacin, de
un 95% va desde z = -1.96 a z = +1.96.
De esta forma llegamos al concepto de Lmites de Confianza y es el intervalo dentro
del cual estimamos que puede encontrarse el valor de la Media Poblacional llamada
.
La frmula generalizada, la podemos describir como sigue:
Xz
en el caso que hemos desarrollado, estos lmites con 95% de confianza sern:
5500 1.96
200
5500 39
100
Tambin podemos expresarlo de esta otra manera:

5461<<5539
Y se expresa que, con un Coeficiente de Confianza del 95% , el desconocido valor
de la media poblacional: , se encuentra entre los Lmites de Confianza: 5461 y
5539.
Pgina 111 de 152
En el clculo anterior hemos desarrollado los lmites de confianza para un margen de

error del 5%, pero de la misma manera podemos rehacer el clculo para otros
Coeficientes de Confianza, veamos dos ejemplos, para 90% y 99%.
Para el primero, 90% implica un margen de error del 10%, esto es 5% de cada lado.
Para 90% significa 45% a cada lado del cero en la distribucin normal de Gauss, por
ello buscamos el z mas cercano a .4500 y encontramos que el valor de z es 1.64.
5500 1.64
200
5500 33
100
o bien:
5467<<5533
Esto ltimo significa que, con un margen de error del 10%, o dicho de otra manera,
con una confianza del 90% podemos decir, que el desconocido valor de la media
poblacional se encuentra entre 5467 y 5533.
Rehacemos el clculo para un 99% de confianza o 1% de error:
200
5500 2.58
5500 52
100
o bien:
5449<<5551
Como se puede apreciar, a medida que aumentamos la confianza, los Limites se
abren ms, cuando somos menos exigentes, los lmites se juntan.
Nivel de Confianza
Lmites de Confianza
90%
95%
99%
5467<<5533
5461<<5539
5449<<5551
11.5 No siempre se conoce el valor de la desviacin tpica poblacional.

En el ejemplo anterior se parti de la suposicin de que conocamos el valor de la
desviacin tpica de la poblacin. En ese caso los clculos son como se han
mostrado. Pero las frmulas cambian un poco cuando no se conoce dicho parmetro.
Cuando no se conoce se debe hacer una estimacin con una muestra tomada al azar
del lote en estudio, esta muestra deber ser preferentemente mayor a 30 unidades y
los clculos debern contener una correccin dada por la siguiente frmula:

n
n 1
Pgina 112 de 152
El valor de es el que se obtiene de la muestra mayor a 30, y el valor que figura bajo
el signo radical, es el factor que permite estimar, en funcin del valor hallado, cual
sera el valor del parmetro de la poblacin.
Una vez estimado se hacen los clculos como se describi anteriormente.

Otra situacin que se puede dar es la siguiente, la muestra es menor a 30, pero
conocemos la desviacin tpica de la poblacin, en ese caso, tambin procedemos
igual que lo descrito, pues lo que importa es el valor de la poblacin conocido.
Pero, cuando no conocemos la desviacin tpica poblacional, y la tenemos que
estimar con una muestra de 30 o menos, entonces ya no sirve la distribucin
Gaussiana y la estimacin vista anteriormente no es vlida.
En este caso, se utiliza la llamada Distribucin t, que veremos a continuacin.
11.6 Distribucin t, o Distribucin de Student.
Esta distribucin se utiliza para muestras pequeas, el valor de z se reemplaza por el

valor t que es como una z ms amplia, debido a la menor confianza que nos brinda la
muestra al ser 30 menos.
Esta variable t se encuentra dada en la siguiente tabla y en ella puede observarse
que la columna de la izquierda se titula Grados de Libertad. Esto es uno menos que
el tamao de la muestra.
Los Grados de Libertad son los valores que se pueden fijar libremente.
La frmula general para muestras de 30 menos y cuando no se conoce el valor de
la desviacin tpica poblacional es:
Xt
n 1
donde el valor de se obtiene a partir de la muestra.
Pgina 113 de 152
DISTRIBUCIN
de
Student
El Coeficiente de Confianza est representado por el rea interior de la

distribucin.
El error est representado por las "colas" a ambos lados de la distribucin.
Confianza
Error
Grados
De
Libertad
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
60
120
0,50
0,50
0,75
0,25
0,80
0,20
0,85
0,15
1,000
0,816
0,765
0,741
0,727
0,718
0,711
0,706
0,703
0,700
0,697
0,695
0,694
0,692
0,691
0,690
0,689
0,688
0,688
0,687
0,686
0,686
0,685
0,685
0,684
0,684
0,684
0,683
0,683
0,683
0,681
0,679
0,677
2,414
1,604
1,423
1,344
1,301
1,273
1,254
1,240
1,230
1,221
1,214
1,209
1,204
1,200
1,197
1,194
1,191
1,189
1,187
1,185
1,183
1,182
1,180
1,179
1,178
1,177
1,176
1,175
1,174
1,173
1,167
1,162
1,156
3,078
1,886
1,638
1,533
1,476
1,440
1,415
1,397
1,383
1,372
1,363
1,356
1,350
1,345
1,341
1,337
1,333
1,330
1,328
1,325
1,323
1,321
1,319
1,318
1,316
1,315
1,314
1,313
1,311
1,310
1,303
1,296
1,289
4,165
2,282
1,924
1,778
1,699
1,650
1,617
1,592
1,574
1,559
1,548
1,538
1,530
1,523
1,517
1,512
1,508
1,504
1,500
1,497
1,494
1,492
1,489
1,487
1,485
1,483
1,482
1,480
1,479
1,477
1,468
1,458
1,449
0,90
0,10
0,95
0,05
0,98
0,02
0,99
0,01
6,314 12,706 31,821 63,656

2,920 4,303 6,965 9,925
2,353 3,182 4,541 5,841
2,132 2,776 3,747 4,604
2,015 2,571 3,365 4,032
1,943 2,447 3,143 3,707
1,895 2,365 2,998 3,499
1,860 2,306 2,896 3,355
1,833 2,262 2,821 3,250
1,812 2,228 2,764 3,169
1,796 2,201 2,718 3,106
1,782 2,179 2,681 3,055
1,771 2,160 2,650 3,012
1,761 2,145 2,624 2,977
1,753 2,131 2,602 2,947
1,746 2,120 2,583 2,921
1,740
2,110 2,567 2,898
1,734 2,101 2,552 2,878
1,729 2,093 2,539 2,861
1,725 2,086 2,528 2,845
1,721 2,080 2,518 2,831
1,717 2,074 2,508 2,819
1,714 2,069 2,500 2,807
1,711 2,064 2,492 2,797
1,708 2,060 2,485 2,787
1,706 2,056 2,479 2,779
1,703 2,052 2,473 2,771
1,701 2,048 2,467 2,763
1,699 2,045 2,462 2,756
1,697 2,042 2,457 2,750
1,684 2,021 2,423 2,704
1,671 2,000 2,390 2,660
1,658 1,980 2,358 2,617
Pgina 114 de 152
Ejemplo 1:
Para obtener el valor de t que corresponde a un rea de 0,10 en ambos extremos de
la distribucin combinada, cuando hay 19 grados de libertad, se busca bajo la
columna correspondiente a 0,10 y se baja por ella hasta el rengln de los 19 grados
de libertad; el valor correspondiente de t es 1.729
Distribucin t
,05 del rea
-t = 1,729
,05 del rea
+t = 1,729
Pgina 115 de 152
Ejemplo 2:
Continuando con el ejemplo visto en 11.3, donde queremos determinar la resistencia

a la traccin de un lote de barras de acero al carbono contenidas en una industria.
Extraemos al azar, una muestra de 26 barras y medimos X 5.500 kg / cm 2 y =
200 kg/ cm2 Qu podemos inferir respecto de la media real ?
Deseamos pronunciarnos con una confianza del 95%, es decir, con un margen de
error del 5%.
Aplicando la frmula vista para la distribucin t tenemos:
5500 2.060
200
26 1
5500 82
o bien:
5418<<5582
Como puede apreciarse, los lmites se han abierto significativamente debido a la falta
de confianza en una muestra chica.
11.7
Intervalos de confianza para las proporciones o porcentajes de

defectuosos.
En 8.1, definimos que, para la distribucin Binomial es:

Valor
mas probable X np
Desviacin Tpica npq
Pgina 116 de 152
Pero ahora nos interesa solo p, es decir el % defectuoso, para ello dividimos las
frmulas por el valor de n y nos queda:
Valor mas probable X p
Desviacin Tpica p
pq
n
As, la frmula para los intervalos de confianza para las proporciones o porcentajes
de defectuosos, estar dada por la siguiente expresin:
pq
pz
n
Captulo 9
Ejercicios: 9.5, 9.6, 9.7, 9.9, 9.10, 9.11, 9.12, 9.22, 9.23, 9.24, 9.25, 9.26,
9.27, 9.28, 9.30, 9.31, 9.32, 9.33, 9.34.
Pgina 117 de 152
Captulo 12
12 Nmeros ndice
12.1 Relaciones de Precios
La Relacin de Precios es el cociente entre el precio de un artculo en un perodo
dado y su precio en otro perodo, conocido como perodo base o perodo de
referencia
p
Re lacin de precios n
po
Problema
Los precios al por menor, en centavos por libra, del cinc en Usa, durante 1978-84
son:
Ao
Precio
cinc
promedio
1978
del 31.0
1979
37.3
1980
37.4
1981
44.6
1982
38.5
1983
41.4
1984
48.6
a) Con 1978 como base, hallar las relaciones de precios correspondientes a los
aos 1982 y 1984
p 1978 / 1982
38.5
1.242 124.2% 124.2
31.0
p 1978 / 1984
48.6
1.568 156.8% 156.8
31.0
b) Con 1980 como base, hallar las relaciones de precios correspondientes a los aos
dados:
Ao
Relacin de precios
1980 = 100
1978
82.9
1979
99.7
1980
100
1981
119.3
1982
102.9
1983
1107
1984
129.9
c) Usando como base 1978 1980, hallar las relaciones de precios

correspondientes a los aos dados. Primero hallamos el promedio de precios del
periodo base: 35.2 Segundo dividimos cada precio de la primera tabla:
Ao
Relacin de precios
1978-1980 = 100
1978
88.1
1979
106.0
1980
106.3
1981
126.7
1982
109.4
1983
117.6
1984
138.1
Pgina 118 de 152
12.2 Relaciones de Cantidad o de Volumen

Si qo denota la cantidad o volumen de produccin, consumo, exportacin, etc.,
durante un perodo base, y qn la correspondiente cantidad producida, consumida,
etc., durante un perodo dado, definimos:
q
Re lacin de cantidad o de volumen n
qo
Problema
La tabla presenta la produccin de trigo en Usa de 1977 a 1985. Reducir los datos de
la tabla a relaciones de cantidad usando a) 1982 b) 1977-1980 como base:
Ao
Produccin de trigo
1977 1978 1979 1980 1981 1982 1983 1984 1985

2046 1776 2134 2380 2785 2765 2420 2595 2425
Reducir los datos de la tabla a relaciones de cantidad usando a) 1982 y b) 1977-1980

como base:
a) Se dividen las cifras por 2765:

Ao
Relacin
Cantidad
(1982=100)
1977 1978 1979 1980 1981

74.0 64.2 77.2 86.1 100.7
1982
100.0
1983 1984 1985

87.5 93.9 87.7
b) La media aritmtica de los aos 1977 1980 es 2084, luego se divide la

produccin de cada ao. ( Comprobacin : la suma de los valores del perodo
dividido 4 = 100)
Ao
Relacin
Cantidad
1977 1978 1979

98.2 85.2 102.4
1980
114.2
1981
133.6
1982
132.7
1983
116.1
1984
124.5
1985
116.4
(1977-1980=100)
Pgina 119 de 152
12.3 Relaciones de Valor

Si p es el precio de un artculo durante un perodo y q es la cantidad (o volumen)
Producida, vendida, etc., durante ese perodo, entonces pq se llama valor total
Si po y qo son el precio y la cantidad de un artculo durante un perodo base y p n y qn
el precio y la cantidad correspondiente a un perodo dado, entonces definimos:
v
p q
p
q
Re lacin de valor n n n n x n relacin de precios x relacin de cantidad
v o p o qo p o qo
Problema
En enero de 1980 una empresa pag un total de $80.000 a 120 empleados en
nmina.
En Julio de ese mismo ao, la empresa tena 30 trabajadores ms en nmina y pag
$12.000 ms que en enero.
a) Con enero de 1980 como base, hallar el nmero ndice de empleo (la relacin de
cantidad) para julio.
b) Con enero de 1980 como base, hallar el nmero ndice (relacin de valor)
trabajo - gasto para julio.
c) Usando el resultado: relacin de precios x relacin de cantidad = relacin de valor,
qu interpretacin se le puede dar a la relacin de precios en ste caso?
Solucin:
a) El nmero ndice de empleo es:
Relacin de cantidad
120 30
1.25 125% 125
120
b) El nmero ndice trabajo gasto es:

Relacin de valor :
$80.000 $12000
1.15 115 % 115
$80.000
c) Despejando de la relacin indicada;
Re lacin de precios
Relacin de valor
115
0.92 92% 92
Relacin de cantidad 125
Este es un nmero ndice de costo por empleado. Significa que en julio de 1980 el
costo por empleado era el 92% del de enero de 1980.
Pgina 120 de 152
12.4 Relaciones de Enlace y en Cadena

Si p1, p2, p3,... representan los precios durante intervalos sucesivos de tiempo 1, 2, 3 ...,
Entonces p1/2, p2/3, p3/4, ... representan las relaciones de precios de cada intervalo
respecto al intervalo de tiempo precedente y se llaman: Relaciones de enlace
Cuando se interpretan una a continuacin de otra y se lee la variacin entre un
tiempo y otro forman una Cadena que muestra la variacin del precio entre dichos
dos instantes de tiempo.
Problema
Supongamos que tenemos que actualizar el monto del arriendo de un departamento
que en el mes de Diciembre fue de $100.000,
a) Se desea saber cual ser, actualizado el monto en el mes de Julio del siguiente
ao.
b) Cual ser la variacin del precio entre Abril y Junio.
La informacin disponible son los ndices de variacin de precios al consumidor (IPC)
de cada mes:
Enero
Febrero
Marzo
1.1%
0.9%
1.5%
Abril
Mayo
Junio
0.5%
0.9%
1.2%
Solucin:
a) En primer trmino se debe escribir la relacin de enlace, en forma de ndice, para
cada dato mensual:
Enero
Febrero
Marzo
1.011
1.009
1.015
Abril
Mayo
Junio
1.005
1.009
1.012
Luego se calcula el producto de todos ellos:

1.011*1.009*1.015*1.005*1.009*1.012 = 1.0625
Este clculo indica que la variacin de precios a sido del 6.25% en los 6 meses
estudiados. Este clculo es una cadena de 6 meses.
El producto de 1.0625 por el valor del arriendo en Diciembre nos indica el valor que
deber cobrarse en Julio. El resultado es: $ 106.250
c) La variacin de precios entre Abril y Junio ser:
1.005*1.009*1.012 = 1.0262
Esto es el 2.62 %
Pgina 121 de 152
12.5 El mtodo de agregacin simple

Es el cociente del precio total de los artculos en el ao dado, p n y el precio total de
los artculos en el ao base, po. Se expresa en forma porcentual.
Indice de precios por agregacin simple
p
p
n
o
Desventajas del mtodo

1) No tiene en cuenta la importancia relativa de cada artculo.
2) El tipo de unidades escogidas al anotar los precios afectan al ndice.
(kg. o gr. , litros o mililitros, etc.)
Problema
La tabla muestra los precios al por mayor y las producciones en Usa de leche,
mantequilla y queso para 1980, 1981, y 1985. Calcular un ndice de precios al por
mayor por agregacin de estos productos para el ao 1985, tomando como base :
a) 1980 y b) 1980 1981.
Precios (centavos por libra)
Leche
Mantequilla
Queso
1980
13.2
139.3
156.2
1981
14.0
148.0
167.2
1985
12.9
141.1
162.0
a) El ndice de precios por agregacin simple es:

Indice de precios por agregacin simple
p
p
n
0
Suma de precios en el ao prefijado (1985)
Suma de precios en el ao base ( 1980)
12.90 141.1 162.0

102.4%
13.23 139 .3 156 .2
b)
El precio promedio 1980-1981:

De la leche: 13.5, de la mantequilla: 143.7 y del queso: 161.7
Por lo tanto el ndice de precios por agregacin simple es:
p
p
n
o
12.90 141.1 162.0

99.1%
13.59 143.7 161.7
En la prctica la cantidad de artculos que integran un ndice es muy grande y

conforman una canasta .
Pgina 122 de 152
12.6 El mtodo del promedio simple de relaciones

Mtodo de la media aritmtica.
Indice de la media aritmtica simple de relaciones de precios
/ po
Este mtodo mejora respecto al anterior en que ya no tiene la segunda desventaja,

pero, conserva la primera.
Problema
Calcular un ndice de precios al por mayor para el ao 1985, usando 1980 como
base.
Leche
Mantequilla
Queso
1980
13.23
139.3
156.2
1981
13.95
148.0
167.2
1985
12.90
141.1
162.0
Relacin de precios.
De la leche:
De la mantequilla:
Del queso:
12.90/13.23= 97.5%
141.1/139.3=101.3%
162.0/156.2=103.7%
Indice de la media aritmtica simple de relaciones de precios
/ po
97.5 101.3 103.7

100.8%
3
Pgina 123 de 152
12.7 El mtodo de agregacin ponderada
Con el fin de evitar las desventajas del mtodo de agregacin simple, asignamos un
peso al precio de cada artculo, en general la cantidad vendida durante el ao base,
durante el ao dado o durante algn ao tpico. Tales pesos indican la importancia del
artculo en cuestin. Se usan las siguientes frmulas de pendiendo de p o y pn,
1. Indice de Laspeyres o mtodo del ao base:
Indice de precios por agregacin ponderada con pesos de cantidad en el ao base
p
p
nqo
o qo
El trmino poqo recibe el nombre de canasta

2. Indice de Paasche o mtodo del ao dado:
Indice de precios por agregacin ponderada con pesos de cantidad en el ao dado :
p
p
Pgina 124 de 152
n qn
o qn
12.7.1 El mtodo de agregacin ponderada por el Indice de Laspeyres o mtodo

del ao base:
Problema
Aos
Leche
Mantequilla
Queso

1980
1981
1985
13,23
13,95
12,90
139,3
148,0
141,1
156,2
167,2
162,0
Cantidad ( millones de libras)

1980
1981
1985
128500
132800
143700
1145
1228
1248
2381
2664
2854
Con los datos de la tabla calcular el ndice de Laspeyres para 1985 con a) 1980 b)
con 1980-1981 de base:
a)
p q
p q
( precios en 1985)(cantidades en 1980)

(12,90)(128500) (141,1)(1145 ) (162,0)( 2381)

0,9881 98,8%
(13,23)(128500) (139,3)(1145 ) (156,2)( 2381)
b)
Este ejercicio de debe realizar en clase formando grupos de alumnos.
Pgina 125 de 152
12.7.2 El mtodo de agregacin ponderada por el Indice de Paasche o mtodo

del ao dado:
Problema
Aos
Leche
Mantequilla
Queso
1980
13,23
139,3
156,2
1981
13,95
148,0
167,2
1985
12,90
141,1
162,0
Cantidad
libras)
1980
128500
1145
2381
millones
1981
132800
1228
2664
de
1985
143700
1248
2854
Con los datos de la tabla calcular el ndice de Paasche para 1985 con a) 1980 b)
con 1980-1981 de base:
a) Base: 1980
p q
p q
n
(precios en 1985)(cantidades en 1985)

(precios en 1980)(cantidades en 1985)
12,90 x143700 141,1x1248 162,0 x 2854

0,9886 98,9%
13,23x143700 139,3x1248 156,2 x 2854
b) Base: 1980 - 1981
p q
p q
( precios en 1980 - 1981)(cantidades en 1985)
(12,90)(143700) (141,1)(1248) (162,0)( 2854)

0,9609 96,1%
(13,59)(143700) (143,65)(1248) (161,7 )( 2854)
Pgina 126 de 152
12.8 Deflacin de series en el tiempo

Aunque los ingresos de las personas pueden estar creciendo tericamente durante
un cierto nmero de aos, sus ingresos reales pueden estar disminuyendo debido al
costo de la vida, y por lo tanto puede estar disminuyendo su poder adquisitivo. Es
decir que con la misma plata se compra menos productos. Calculamos los ingresos
reales dividiendo los ingresos aparentes de cada ao por el nmero ndice del costo
de la vida en ese ao, usando un perodo bases adecuado.
Ejemplo: Una persona gana en 1980 150% de lo que ganaba en 1970 significa un
crecimiento del 50%. Sien el mismo perodo el costo de vida creci al 200% entonces
su ingreso real son solo 150/2 = 75% de lo que era en 1970.
Problema
La tabla muestra el salario semanal medio de los trabajadores en el comercio
minorista de Usa durante 1973-1983. Tambin contiene el ndice de precios al
consumo para esos aos, con 1972 como base. En trminos del salario medio de
1973, determinar sus salarios reales en los aos 1973-1983.
Ao
1973
1974
1975
Salario
96.32
102.68 108.86 114.60 121.66 130.20 138.62 147.38 158.03 163.85 171.05
Indice
de
precio
106.2
117.9
128.7
1976
136.1
1977
144.9
1978
155.9
1979
173.5
1980
197.0
1981
217.4
1982
230.7
1983
238.1
Solucin:
Hallamos primero un nmero ndice de precios al consumo con 1973 como base,
dividiendo todos los nmeros de la fila de abajo en la tabla por 106.2, en %, Luego se
divide cada salario promedio por el correspondiente nmero ndice para obtener los
salarios reales.
Ao
1973
1974
1975
1976
1977
1978
1979
1980
1981
1982
1983
Indice
(1973
=100)
100.0
111.0
121.2
128.2
136.4
146.8
163.4
185.5
204.7
217.2
224.2
Salario
real
96.32
92.50
89.82
89.39
89.19
88.69
84.83
79.45
77.20
75.44
76.29
El salario real a 1983 es 171.05/224.2%=76.29. Los salarios se han casi doblado, los
salarios reales han decrecido, el salario real en 1983 era 20 pesos menor que el de
1973. En sntesis, el poder adquisitivo disminuy en 20/96.32=21%

Pgina 127 de 152
Captulo 19: 19.1, 19.4, 19.5, 19.7, 19.8, 19.13, 19.20, 19.39, 19.41, 19.45, 19.48,
19.49, 19.50, 19.51, 19.52, 19.53, 19.55, 19.57, 19.61, 19.62, 19.77
Pgina 128 de 152
Captulo 13
13 Series en el tiempo.
13.1 Anlisis de series en el tiempo
Una serie en el tiempo son observaciones tomadas en momentos determinados
preferentemente a intervalos regulares. Normalmente estas observaciones se
grafican dando as los llamados Grficos de series de Tiempo.
Para explicar en que consiste el anlisis que nos interesa, recurriremos a un ejemplo
tomado del libro de Estadstica de M. Spieguel. Se trata de la Produccin de energa
elctrica no industrial en E.E.U.U. en el perodo 1976-1981.
En este grfico podremos describir dos tipos de observaciones, dependiendo de que
es lo que queremos averiguar.
La primera observacin del comportamiento alterno, si se quiere violento en sus
variaciones, es que el conjunto muestra una tendencia a crecer, a incrementarse con
el tiempo.
La segunda observacin ser que las ondulaciones del grfico sugieren variaciones
estacionales donde se repiten situaciones sucesivas de crecimientos muy rpidos
seguidos de depresiones de casi iguales caractersticas.
El anlisis de la serie va a depender, precisamente, del tipo de informacin que
necesitamos.
Si lo que buscamos es el comportamiento al largo plazo, nos va a proporcionar la
informacin requerida una regresin lineal o un anlisis de la tendencia. Cualquiera
de estos dos procedimientos, nos proporciona una recta que pasa por los lugares
mas cercanos a todos los puntos representando as a todo el conjunto. Estas rectas
se utilizan especialmente para predecir. Este concepto correlacin y regresin, ya
fue visto en el Captulo 9 de este Apunte.
Pero, si lo que nos interesa son las fluctuaciones en el corto y mediano plazo, nos
interesar conocer las causas de las fluctuaciones, predecirlas pero en el corto plazo,
ver la regularidad, si existe, de dichos ciclos. para eso lo que nos conviene es
suavizar
las movimientos enrgicos de los datos individuales, y para ello
recurriremos a los llamados Promedios Mviles.
La funcin de estos Promedios Mviles es disminuir la variacin de los datos
individuales y los transforma de ondas ms suaves donde podemos analizar la
periodicidad, si existe, asimilarla a perodos temporales como invierno, verano, noche
y da, o cualquier otra causa que pudiera deducirse como responsables de las
variaciones que se estudian.
Existen promedios mviles para tres perodos, cinco perodos, siete, etc. Es
preferible por razones que veremos adelante utilizar promedios mviles impares
para poder representar los grficos correctamente.
Si por necesidad se utiliza un promedio mvil par, se lo denomina no centrado.
Los promedios mviles no centrados pueden centrarse, repitiendo los
promedios de nuevo, pero utilizando la misma serie obtenida.
A continuacin se analiza cada caso.
Pgina 129 de 152
En las dos primeras pginas figuran en columnas: a) los perodos estudiados, b) los
valores correspondientes a cada perodo considerado (consumos mensuales), c) los
valores que describen la Tendencia, d) los valores que describen la Recta de
Regresin, e) los Promedios Mviles de tres meses, f) los Promedios Mviles de 5
meses.
Los grficos muestran sucesivamente:
Grfico 1: La variacin de los consumos mensuales
Grfico 2: Las rectas de Tendencia y de Regresin Lineal correspondientes a
los consumos anteriores.
Grfico 3: El Promedio Mvil de 3 meses
Grfico 4: El Promedio Mvil de 5 meses.
Grfico 5 : Todos los grficos juntos.
La interpretacin sera la siguiente:
El consumo muestra un crecimiento sostenido a lo largo del perodo estudiado. El
incremento del perodo puede estimarse en 13% considerando los promedios del
primero y el ltimo ao.
El promedio mvil de 3 meses es insuficiente para descubrir las variaciones
estacionales, pero el de 5 meses muestra claramente 6 variaciones estacionales
correspondientes a los aos estudiados, estas variaciones estacionales anuales
corresponden al incremento de consumo en los meses de invierno y su decrecimiento
en la temporada de verano.
Por otra parte, debemos considerar lo siguiente, los promedios mviles estudiados de
3 y 5 meses se los llama centrados pues el valor hallado puede asignarse al mes del
medio de la serie. Si por alguna razn se toma un nmero par de meses, el valor
obtenido se lo denomina no centrado pues el valor hallado se encuentra entre los
dos valores centrales, y esto debe tenerse en cuenta en caso de necesitar
graficarlos. Una buena solucin es volver a promediar de a pares los valores
obtenidos con lo que se vuelven a centrar. Este caso se discute en clase.
Hemos mencionado hasta ahora dos tipos de movimientos de las series estacionales,
al primero lo hemos denominado tendencia y recibe tambin el nombre de
movimiento secular o de largo plazo. Al segundo lo llamamos variaciones
estacionales que se suceden dentro del ao, pero estos no son los nicos
movimientos de una serie, existen los llamados ciclos con las mismas caractersticas
que los estacionales, pero que no se ajustan a un perodo anual sino que pueden ser
menores o mayores a un ao, son muy conocidos los llamados ciclos econmicos
que representan prosperidad, recesin, depresin y recuperacin. Otro caso pueden
ser los llamados Movimientos irregulares o aleatorios, estos movimientos se
producen a consecuencia de hechos muy significativos, como puede ser guerra,
terremotos y otros que producen un cambio del escenario que hasta ahora
funcionaba y este cambio producir una interferencia muy importante hasta que se
establezca un nuevo panorama, que permita nuevamente la prediccin estadstica.
1976
TIEMPO
VALORES
MENSUALES
ERO
FRO
MZO
ABR
178,2
156,7
164,2
153,2
TENDENCIA
170,5
170,8
171,2
171,5
REGRESION
169,9
170,3
170,6
171,0
PROMEDIO
PROMEDIO
MOVIL DE
MOVIL DE
TRES MESES CINCO
MESES
166,4
158,0
158,3
162,0
160,8
Pgina 130 de 152
1977
1978
1979
1980
MYO
JUN
JUL
AGO
SET
OCT
NOV
DIC
ERO
FRO
MZO
ABR
MYO
JUN
JUL
AGO
SET
OCT
NOV
DIC
ERO
FRO
MZO
ABR
MYO
JUN
JUL
AGO
SET
OCT
NOV
DIC
ERO
FRO
MZO
ABR
MYO
JUN
JUL
AGO
SET
OCT
NOV
DIC
ERO
FRO
MZO
ABR
MYO
JUN
JUL
AGO
SET
157,5
172,6
185,9
185,8
165,0
163,6
169,0
183,1
196,3
162,8
168,6
156,9
168,2
180,2
197,9
195,9
176,0
166,4
166,3
183,9
197,3
173,7
173,2
159,7
175,2
187,4
202,6
205,6
185,6
175,6
176,3
191,7
209,5
186,3
183,0
169,5
178,2
186,7
202,4
204,9
180,6
179,8
177,4
188,9
200,0
188,7
187,5
168,6
175,7
189,4
216,1
215,4
191,4
171,9
172,3
172,6
173,0
173,4
173,7
174,1
174,4
174,8
175,2
175,5
175,9
176,2
176,6
177,0
177,3
177,7
178,0
178,4
178,8
179,1
179,5
179,8
180,2
180,6
180,9
181,3
181,7
182,0
182,4
182,7
183,1
183,5
183,8
184,2
184,5
184,9
185,3
185,6
186,0
186,3
186,7
187,1
187,4
187,8
188,1
188,5
188,9
189,2
189,6
189,9
190,3
190,7
171,4
171,7
172,1
172,4
172,8
173,2
173,5
173,9
174,2
174,6
175,0
175,3
175,7
176,1
176,4
176,8
177,1
177,5
177,9
178,2
178,6
178,9
179,3
179,7
180,0
180,4
180,8
181,1
181,5
181,8
182,2
182,6
182,9
183,3
183,6
184,0
184,4
184,7
185,1
185,5
185,8
186,2
186,5
186,9
187,3
187,6
188,0
188,4
188,7
189,1
189,4
189,8
190,2
161,1
172,0
181,4
178,9
171,5
165,9
171,9
182,8
180,7
175,9
162,8
164,6
168,4
182,1
191,3
189,9
179,4
169,6
172,2
182,5
185,0
181,4
168,9
169,4
174,1
188,4
198,5
197,9
188,9
179,2
181,2
192,5
195,8
192,9
179,6
176,9
178,1
189,1
198,0
196,0
188,4
179,3
182,0
188,8
192,5
192,1
181,6
177,3
177,9
193,7
207,0
207,6
195,1
166,7
171,0
173,4
174,6
173,9
173,3
175,4
175,0
176,0
173,5
170,6
167,3
174,4
179,8
183,6
183,3
180,5
177,7
178,0
177,5
178,9
177,6
175,8
173,8
179,6
186,1
191,3
191,4
189,1
187,0
187,7
187,9
189,4
188,0
185,3
180,7
184,0
188,3
190,6
190,9
189,0
186,3
185,3
187,0
188,5
186,7
184,1
182,0
187,5
193,0
197,6
198,2
196,0
Pgina 131 de 152
1981
OCT
NOV
DIC
ERO
FRO
MZO
ABR
MYO
JUN
JUL
AGO
SET
OCT
NOV
DIC
178,5
178,6
195,6
205,2
179,6
185,4
172,4
177,7
202,7
220,2
210,2
186,9
181,4
175,6
195,6
191,0
191,4
191,8
192,1
192,5
192,8
193,2
193,6
193,9
194,3
194,6
195,0
195,4
195,7
196,1
190,5
190,9
191,2
191,6
192,0
192,3
192,7
193,1
193,4
193,8
194,1
194,5
194,9
195,2
195,6
182,8
184,2
193,1
193,5
190,1
179,1
178,5
184,3
200,2
211,0
205,8
192,8
181,3
184,2
191,9
189,9
187,5
188,9
187,6
184,1
183,6
191,7
196,6
199,5
200,3
194,9
189,9
Produccin de energa elctrica no industrial en

E.E.U.U. 1976-1981
230
Miles de millones de kilovatios-hora (kwh)
220
210
200
190
180
170
160
150
Pgina 132 de 152
1981
1981
1980
1980
1979
1979
1978
1978
1977
1976
1976
1977
140
DATOS DEL CONSUMO MENSUAL DE ENERGIA

1976-1981
GRAFICO 1

E.E.U.U. 1976-1981
230
220
210
200
190
180
170
160
150
Derechos de autor en LAS

trmiteLINEAS
1981
1981
1980
1980
1979
1979
1978
1978
1977
1977
1976
1976
140
Pgina
RECTAS MUESTRAN LA LINEA
DE133 de 152
REGRESION
(ROJO)
Y LA TENDENCIA
(AZUL)
Uso acadmico exclusivo,
prohibida
su reproduccin
sin consentimiento
del autor
GRAFICO 2

E.E.U.U. 1976-1981
220
210
200
190
180
170
160
150
1981
1980
1980
1979
1979
1978
1978
1977
1976
1976
1977
140
Pgina 134 de 152
1981
230
LA LINEA CELESTE MUESTRA EL PROMEDIO

MOVIL DE TRES PERIODOS
GRAFICO 3

E.E.U.U. 1976-1981
230
220
210
200
190
180
170
160
150
1981
1981
1980
1980
1979
1979
1978
1978
1977
1977
1976
1976
140
Pgina 135 de 152
LA LINEA VERDE MUESTRA LA VARIACION

DEL prohibida
PROMEDIO
MOVIL DE
PERIODOS del autor
Uso acadmico exclusivo,
su reproduccin
sin5consentimiento
GRAFICO 4

E.E.U.U. 1976-1981
230
220
210
200
190
180
170
160
150
1981
Pgina 136 de 152
1981
1980
1980
1979
1979
1978
1978
1977
1976
1976
1977
140
TODAS LAS LINEAS JUNTAS

GRAFICO 5
13.2 Estimacin de las variaciones Estacionales. El Indice Estacional.

Utilizando los mismos datos anteriores, procederemos a calcular los ndices
estacionales para el perodo dado.
La siguiente tabla repite los datos pero ordenados para poder realizar los clculos en
forma ordenada.
1976
1977
1978
1979
1980
1981
Ero
178.2
196.6
197.3
209.5
200.0
205.2
Fro
156.7
162.8
173.7
186.3
188.7
179.6
Mzo
164.2
168.6
173.2
183.0
187.5
185.4
Abr
153.2
156.9
159.7
169.5
168.6
172.4
Myo
157.5
168.2
175.2
178.2
175.7
177.7
Jun
172.6
180.2
187.4
186.7
189.4
202.7
Jul
185.9
197.9
202.6
202.4
216.1
220.2
Ago
185.8
195.9
205.6
204.9
215.4
210.2
Set
165.0
176.0
185.6
180.6
191.5
186.9
Oct
163.6
166.4
175.6
179.8
178.5
181.4
Nov
169.0
166.3
176.3
177.4
178.6
175.6
Dic
183.1
183.9
191.7
188.9
195.6
195.6
A continuacin procederemos a calcular los promedios mensuales para cada ao:

AO
1976
1977
1978
1979
1980
1981
PROMEDIO ANUAL
169.6
176.6
183.7
187.3
190.5
191.1
Utilizando cada promedio mensual, transformaremos cada valor mensual de la

primera tabla en un ndice, de la forma siguiente: 178.2/169.6 = 105.1%
1976
1977
1978
1979
1980
1981
Total
Media
ERO
105.1
111.2
107.4
111.9
105.0
107.4
648.0
FRO
92.4
92.2
94.6
99.5
99.1
94.0
571.8
MZA
96.8
95.5
94.3
97.7
98.4
97.0
579.7
ABR
90.3
88.8
86.9
90.5
88.5
90.2
535.2
MYO
92.9
95.2
95.4
95.1
92.2
93.0
563.8
JUN
101.8
102.0
102.0
99.7
99.4
106.1
611.0
JUL
109.6
112.1
110.3
108.1
113.4
115.2
668.7
AGO
109.6
110.9
111.9
109.4
113.1
110.0
664.9
SET
97.3
99.7
101.0
96.4
100.5
97.8
592.7
OCT
96.5
94.2
95.6
96.0
93.7
94.9
570.9
NOV
99.6
94.2
96.0
94.7
93.8
91.9
570.2
DIC
108.0
104.1
104.4
100.9
102.7
102.4
622.5
108.0
95.3
96.6
89.2
94.0
101.8
111.5
110.8
98.8
95.2
95.0
103.8
Esta ltima fila son los datos buscados y representan los ndices Estacionales
Pgina 137 de 152
120
110
100
90
80
70
60
50
ER
O
FR
O
M
ZO
A
B
R
M
YO
JU
N
JU
L
A
G
O
SE
T
O
C
T
NO
V
D
IC
Porcentaje de variacin
Indices Estacionales
Perodo 1976-1986
Meses
Pgina 138 de 152

Captulo 13: 18.1, 18.3, 18.6, 18.7, 18.9, 18.17, 18.18, 18.19, 18.21, 18.32, 18.36,
18.42
Pgina 139 de 152
Capitulo 14
14 Pruebas de Hiptesis
Los casos prcticos de la toma de decisiones, se ven muchas veces ayudados por
pruebas estadsticas que nos ayudan a decidir si algo es diferente que otro, si ambos
pertenecen a una misma familia o si son estadsticamente diferentes. Estos
procedimientos estadsticos tienen la virtud de que se puede conocer el riesgo que se
tiene al tomar las diferentes decisiones.
14.1 Hiptesis Estadsticas
El siguiente procedimiento es un mtodo formal (y antiguo) de mencionar las
diferentes alternativas de decisiones.
Hiptesis nula = H0
Esta hiptesis se plantea con el propsito de probar si lo que se dice es verdad y se
plantea lo inverso como alternativa. Se dice que no es verdad lo que se quiere
demostrar. Por ejemplo, si sospechamos que una moneda es falsa y queremos
demostrarlo, partimos de la Hiptesis Nula de que la moneda es buena.
Esta Hiptesis la designaremos como H0.
Hiptesis Alternativa = H1
Todo lo que difiera de la Hiptesis Nula, se denomina Hiptesis Alternativa.
Por ejemplo, si una Hiptesis Nula, fuera p = 0,5, Hiptesis Alternativa, podra ser:
P = 0,7 p 0,5 p > 0,5 etc.
La Hiptesis Alternativa se denota como H1.
14.2 Contrastes de Hiptesis y significacin, o reglas de decisin.
En ciertas circunstancias, la informacin que rodea un experimento sustenta la idea
de que algo es de determinada manera, pero los resultados de los ensayos no
parecen apoyar nuestra presuncin. En esas circunstancias, diremos que los
resultados resultan significativamente diferentes y nos veremos inclinados a rechazar
la hiptesis o al menos a no aceptarla.
Por ejemplo, supongamos que tenemos un dado que creemos bueno, pero al
arrojarlo 60 veces el 1 aparece 18 veces, esto esta muy alejado de las probables 10
veces que serian si el dado esta bueno, por ello nos vemos inclinados a rechazar la
Hiptesis de que el dado es bueno. Sin embargo, la duda es factible, pues solo por
azar, el 1 podra salir 18 veces, existe una probabilidad mensurable que apoya que
eso es posible, sin que el dado este realmente malo.
Los ensayos, test o contrastes de hiptesis, significacin o reglas de decisin, nos
ayudan a decidir si aceptamos o rechazamos las Hiptesis.
Pgina 140 de 152
14.3 Errores de Tipo I y de Tipo II

Tipo I:
Es rechazar H0 lo que escuando es verdad.
Tipo II:
Es aceptar H0 cuando es falsa. lo que es falso
Decisin
Acepto H0
Rechazo H0
Si es H0 Verdad
Decisin correcta
Error de Tipo I
Si es H0 Falsa
Error de Tipo II
Decisin correcta
Las reglas de decisin se disean para que los errores de tipo I y II sean los menores
posibles, pero no es sencillo, pues cuando se minimiza unos de ellos, va en perjuicio
del otro. La nica forma de minimizar los dos tipos de errores es aumentando el
tamao de la muestra, y eso no es siempre posible.
14.4 Nivel de significacin
Cuando hacemos un contraste de hiptesis debemos considerar, antes de realizar el
ensayo, cual ser el riesgo que estaremos dispuestos dispuetos a correr respecto del
error Tipo I, o sea de rechazar algo que es verdad. Este riesgo, expresado como
probabilidad, e indicado como , ser el mximo que estamos dispuesto a tolerar y lo
llamaremos Nivel de Significacin del test de Hiptesis.
En la prctica es frecuente un nivel de significacin de 0,05 0,01, aunque hay
otros.
Si se escoge 0,05 (5%), al disear una regla de decisin, significa que hay 5
oportunidades entre 100 de rechazar la hiptesis cuando se debiera haber aprobado.
Es decir, tenemos un 95% de confianza de que hemos adoptado la decisin correcta.
En este caso decimos que la hiptesis ha sido rechazada al nivel de significacin
0,05, lo cual quiere decir que la hiptesis tiene una probabilidad 0,05 de ser falsa.
14.5 Contrastes mediante la distribucin normal
Pgina 141 de 152
0,95
Regin crtica
0,025
Regin crtica
0,025
z=-1,96
z=+1,96
La figura nos muestra que podemos tener 95% de confianza de que si la hiptesis
es verdadera, el valor de z para un estadstico de la muestra S,
estar
comprendida entre -1.96 y +1.96. Por otra parte, si al sacar una muestra y calcular su
estadstico, y determinar su correspondiente valor de z nos da un valor fuera del
intervalo indicado, podremos concluir que dicho evento, podra suceder solo en el
5% de los casos y por ello nos veramos inclinados a rechazar la hiptesis. As
decimos que se rechaza a un nivel de significancia del 0.05. o que el valor de z es
significativo al nivel 0.05.
El conjunto de z fuera del rango 1.96 a +1.96 se llama regin crtica de la
hiptesis, regin de rechazo de la hiptesis o regin de significacin. El conjunto
de z en el rango interior se conoce como regin de aceptacin de la hiptesis o
regin de no significacin.
REGION DE
RECHAZO
REGION DE
APROBACION
REGION DE
RECHAZO
Pgina 142 de 152
Finalmente, las reglas de decisin, o contraste de hiptesis o significacin, son las

siguientes:
Alternativa 1
Rechazar la hiptesis al nivel de significacin 0.05 si el valor de z para el estadstico s
esta fuera del rango -1.96 y +1.96. Esto significa que el estadstico de la muestra es
significativo al nivel 0.05.
Alternativa 2
Aceptar la hiptesis en caso contrario o bien, no tomar decisin alguna.
Los ejemplos fueron hechos al nivel 0.05 pero podra ser cualquier otro valor
sustituyendo el 1.96.
La siguiente tabla ilustra las alternativas
Nivel de significancia,
Valores crticos de z para
tests unilaterales
Valores crticos de z para
tests bilaterales.
0.10
0.05
0.025
-1.28 o -1.645 o -1.96
+1.28
+1.645
+1.96
-1.645 y -1.96
y -2.24
1.645
1.96
2.24
0.01
o -2.33
+2.33
y -2.58
2.58
0.005
0.002
o -2.58 o -2.88 o
+2.58
+2.88
y -2.81
-3.08 y
y 2.81
3.08
Pgina 143 de 152
14.6 Tres distintos niveles de significacin:ncia.
Nivel de significancia de 0,01
Regin crtica
0,005 del rea
0,99 del rea
Regin crtica
0,005 del rea
x media
Regin crtica
0,05 del rea
0,90 del rea
Regin crtica
0,05 del rea
x media
Regin crtica
0,25 del rea
Regin crtica
0,25 del rea
0,50 del rea
x media
Pgina 144 de 152
En el primero y segundo caso, podramos aceptar la hiptesis nula de que la media

de la poblacin es igual al valor supuesto, pero en el tercer caso sera rechazada,
pues all nuestro nivel de significancia, 0.50 est tan alto que rara vez la
aceptaremos, cuando no sea verdadera, pero, al mismo tiempo, frecuentemente la
rechazaremos aunque sea verdadera.
Por otra parte, an cuando el estadstico de la muestra no caiga en la regin crtica
no prueba que la Hiptesis nula es verdadera, simplemente, no ofrece videncia
estadstica para rechazarla. La nica manera de aceptarla o rechazarla con
certidumbre sera si conociramos el verdadero valor del parmetro de la poblacin,
pero normalmente ese valor, no lo conocemos.
14.7 Seleccin de un nivel de significancia
No existe un nivel de significancia oficial" con el cual probar una hiptesis, en
algunos casos conviene al 5%, en otros el 1% de significancia.
Cuanto ms alto sea el nivel de significancia que utilizaremos al probar una

hiptesis, mayores probabilidades habr de rechazar una hiptesis nula que sea
verdadera, (Error Tipo I).
14.8 Uso de la distribucin t para la toma de decisiones.

Luego de decidir que nivel de significancia usar, el siguiente paso en la prueba de
Hiptesis consiste en determinar la distribucin adecuada de probabilidad. Tenemos
una opcin entre la distribucin normal y la distribucin t.
Condiciones para usar la Distribucin Normal y la distribucin t en las pruebas
de hiptesis de medias.
n > 30
n 30 y la poblacin
normal o aprox. normal
Si se conoce
Distribucin Normal, tabla z
Si no se conoce
Distribucin Student, tabla t
14.9 Ejercicios de aplicacin desarrollados.

Ejemplo 1
Pgina 145 de 152
Una tienda de artculos deportivos ha iniciado una promocin especial para sus
esqus de alta montaa y piensa que la promocin deber culminar en un cambio de
precio. Sabe que, antes de comenzar la promocin, el precio promedio, al menudeo
del esqu, era de $41,95 con = $5.36. La tienda saca una muestra en 16 de sus
detallistas y descubre que el precio promedio de los esqus, es ahora $38.95. En un
nivel de significancia de 0.02 tiene motivos para pensar que el precio promedio al
menudeo ha disminuido?
Nivel de significancia de 0,02 para un solo lado, pues

interesa saber si baj de precio.
sigma = 1,34
Regin crtica
0,02 del rea
38,95
0,98 del rea
39,2
x = $38.95
n = 16
H0 = $41.95
41,95
= $ 5.36
H0 : = $41.95
H1 : < $41.95
5.36 5.36
x
1.34
4
16
Para un nivel de significancia = 0,02 tendremos que z = 2,05, entonces:

41.95-2,05*1.34=39.2
En consecuencia el promedio de la muestra, 38.95 cae en la zona de rechazo y por
ello no se acepta la Hiptesis nula, y la tienda deber pensar que el precio ha
disminuido.
Ejemplo 2
La comisin promedio que cobran las empresas norteamericanas de servicios
completos de corretaje en las ventas de acciones comunes es de $144, con una
desviacin tpica de $52. Un corredor ha extrado una muestra de 121
transacciones de sus clientes y determin que pagaron una comisin promedio de
$151. En un nivel de significacin de 0,10, podemos decir que las comisiones de
su cliente son superiores al promedio de la industria?
Pgina 146 de 152
x = $151
n = 121
H0 = $144
= $ 52
H0 : = $144
H1 : > $144
x
52
52
4.73
121 11
Para un nivel de significacin = 0,10 tendremos que z = 1.28, entonces:

144+1.28*4.73=150
El valor $151 entra en la zona de rechazo.
Se rechaza la Hiptesis nula, las comisiones son significativamente ms altas, o
sea se acepta la Hiptesis de alternativa. Y podemos decir que las comisiones son
superiores al promedio de la industria.
Ejemplo 3
Una empresa industrial supone que la vida de sus prensas rotativas es de 14.500
horas, con una desviacin tpica de 2.100 horas.
De una muestra de 25 prensas la compaa obtiene una media muestral de 13.000
horas. En un nivel de significacin de 0,01 debe la compaa concluir que la vida
media de las prensas es menor que las 14.500 supuestas?
x = 13.000 Hs.
n = 25
H0 = 14.500Hs.
= 2.100Hs.
H0 : = 14.500Hs.
H1 : < 14.500Hs.
2.100 2100
x
420 Hs.
5
25
Para un nivel de significancia = 0,01 tendremos que z = 2.33, entonces:

14.500 - 2.33 * 420=13.521Hs.
Por lo tanto se rechaza la Hiptesis nula, el promedio de vida es significativamente
ms bajo.

Pgina 147 de 152
Captulo 10.1, 10.2, 10.6, 10.7, 10.8, 10.9, 10.34, 10.36
Pgina 148 de 152
Captulo 15
15 Anlisis de Varianza
15.1 Distribucin F
La razn F llamada tambin razn de varianzas, se utiliza para probar la hiptesis
referida a la igualdad de dos varianzas poblacionales estimadas. Se la utiliza para
analizar diferencias entre varianzas de muestras.
Supongamos tener una poblacin gaussiana y que extraemos de ella dos muestras
de tamao n1 y n2 . De cada muestra calculamos la desviacin tpica, S 1 y S2. La
razn F se expresa as:
s12
s 22
El mayor valor de la varianza va colocado como dividendo y el menor como

divisor.
En el caso que se describe donde partimos sacando dos muestras de la misma
poblacin, no tenemos duda de que las varianzas sern muy parecidas y por ello F
ser muy prxima a uno.
Cuando no est cerca de uno nos preguntamos si ello puede ser debido al azar o
bien a otra causa, por ejemplo, que las muestras no sean de dos poblaciones iguales.
Esta variable F se distribuye como otras poblaciones de muestreo, y su forma
depende solo de la cantidad de datos que se tengan disponibles para la estimacin
del numerador de s2 y los que se tengan para la estimacin del denominador
Al final de este captulo se incluye dos tablas de la distribucin F para probabilidad
1% y 5%. As para n1 = 6 y n2 = 13, el valor crtico es 3.11 (se busca para 5 y 12, es
decir para n-1 grados de libertad). Esto significa que existe una probabilidad del 5%
de obtener una F mayor al 3.11 solo por motivos de azar. Por ello si se supera este
valor, tendremos la posibilidad de rechazar la H0.
El esquema de clculo se basa en obtener una estimacin de la varianza partiendo
de la columnas de los datos que se analizan, esto nos dar una varianza llamada Vc,
luego procedemos a estimar nuevamente la varianza pero desde otro punto de vista,
esto es empleando la relacin que existe entre la varianza de una media de muestra
y la varianza de la poblacin.
El esquema siguiente explica el mtodo:
15.2 Anlisis de Varianza y Clculo de F, con una variable de clasificacin.
Problema
Los siguientes datos dan los rendimientos de un producto qumico, obtenido de
intentar 4 catalizadores diferentes en el proceso. Probar que los rendimientos se ven
afectados por los catalizadores. Se solicita probar con una probabilidad de
equivocarse del 5%, que los catalizadores afectan al rendimiento, por ello partiremos
de la H0 = 1=2=3=4 . Este planteo es lo opuesto. Es decir si H0 fuera cierta, los
catalizadores no producen efecto en los rendimientos. Los datos experimentales son:
Pgina 149 de 152
Clculo de la varianza de las medias:

(variabilidad entre las columnas, variacin
entre tratamientos)
I
36
33
35
34
32
34
II
35
37
36
35
37
36
III
35
39
37
38
39
38
IV
34
31
35
32
34
33
34.00
36.00
37.67
33.17
2X 4.10
Luego :
2X
n 2X
n
n
finalmente :
Clculo de las varianzas por columnas: (variabilidad

dentro de las columnas, dentro del tratamiento)
n-1
1.41
0.89
1.51
1.47
2.00
0.79
2.28
2.16
Vc
Vm 6 * 4.10 24.60
Clculo de F:
Vm 24.60
13.60
Vc 1.808
2.00 0.79 2.28 2.16

1.808
4
De tablas al 5%:
Para: V1 = 3 y V2 = 20
Es :
F0=3.10
Conclusin:
Se rechaza la Hiptesis de que
el catalizador no tiene efecto en
los rendimientos.
Pgina 150 de 152
Distribuciones de F
1%
1%
10
11
12
14
16
20
40
100
4052
4999
5404
5624
5764
5859
5928
5981
6022
6056
6083
6107
6143
6170
6209
6286
6334
98,50
99,00
99,16
99,25
99,30
99,33
99,36
99,38
99,39
99,40
99,41
99,42
99,43
99,44
99,45
99,48
99,49
34,12
30,82
29,46
28,71
28,24
27,91
27,67
27,49
27,34
27,23
27,13
27,05
26,92
26,83
26,69
26,41
26,24
21,20
18,00
16,69
15,98
15,52
15,21
14,98
14,80
14,66
14,55
14,45
14,37
14,25
14,15
14,02
13,75
13,58
16,26
13,27
12,06
11,39
10,97
10,67
10,46
10,29
10,16
10,05
9,96
9,89
9,77
9,68
9,55
9,29
9,13
13,75
10,92
9,78
9,15
8,75
8,47
8,26
8,10
7,98
7,87
7,79
7,72
7,60
7,52
7,40
7,14
6,99
12,25
9,55
8,45
7,85
7,46
7,19
6,99
6,84
6,72
6,62
6,54
6,47
6,36
6,28
6,16
5,91
5,75
11,26
8,65
7,59
7,01
6,63
6,37
6,18
6,03
5,91
5,81
5,73
5,67
5,56
5,48
5,36
5,12
4,96
10,56
8,02
6,99
6,42
6,06
5,80
5,61
5,47
5,35
5,26
5,18
5,11
5,01
4,92
4,81
4,57
4,41
10
10,04
7,56
6,55
5,99
5,64
5,39
5,20
5,06
4,94
4,85
4,77
4,71
4,60
4,52
4,41
4,17
4,01
11
9,65
7,21
6,22
5,67
5,32
5,07
4,89
4,74
4,63
4,54
4,46
4,40
4,29
4,21
4,10
3,86
3,71
12
9,33
6,93
5,95
5,41
5,06
4,82
4,64
4,50
4,39
4,30
4,22
4,16
4,05
3,97
3,86
3,62
3,47
13
9,07
6,70
5,74
5,21
4,86
4,62
4,44
4,30
4,19
4,10
4,02
3,96
3,86
3,78
3,66
3,43
3,27
14
8,86
6,51
5,56
5,04
4,69
4,46
4,28
4,14
4,03
3,94
3,86
3,80
3,70
3,62
3,51
3,27
3,11
15
8,68
6,36
5,42
4,89
4,56
4,32
4,14
4,00
3,89
3,80
3,73
3,67
3,56
3,49
3,37
3,13
2,98
16
8,53
6,23
5,29
4,77
4,44
4,20
4,03
3,89
3,78
3,69
3,62
3,55
3,45
3,37
3,26
3,02
2,86
17
8,40
6,11
5,19
4,67
4,34
4,10
3,93
3,79
3,68
3,59
3,52
3,46
3,35
3,27
3,16
2,92
2,76
18
8,29
6,01
5,09
4,58
4,25
4,01
3,84
3,71
3,60
3,51
3,43
3,37
3,27
3,19
3,08
2,84
2,68
19
8,18
5,93
5,01
4,50
4,17
3,94
3,77
3,63
3,52
3,43
3,36
3,30
3,19
3,12
3,00
2,76
2,60
20
8,10
5,85
4,94
4,43
4,10
3,87
3,70
3,56
3,46
3,37
3,29
3,23
3,13
3,05
2,94
2,69
2,54
21
8,02
5,78
4,87
4,37
4,04
3,81
3,64
3,51
3,40
3,31
3,24
3,17
3,07
2,99
2,88
2,64
2,48
22
7,95
5,72
4,82
4,31
3,99
3,76
3,59
3,45
3,35
3,26
3,18
3,12
3,02
2,94
2,83
2,58
2,42
23
7,88
5,66
4,76
4,26
3,94
3,71
3,54
3,41
3,30
3,21
3,14
3,07
2,97
2,89
2,78
2,54
2,37
24
7,82
5,61
4,72
4,22
3,90
3,67
3,50
3,36
3,26
3,17
3,09
3,03
2,93
2,85
2,74
2,49
2,33
25
7,77
5,57
4,68
4,18
3,85
3,63
3,46
3,32
3,22
3,13
3,06
2,99
2,89
2,81
2,70
2,45
2,29
26
7,72
5,53
4,64
4,14
3,82
3,59
3,42
3,29
3,18
3,09
3,02
2,96
2,86
2,78
2,66
2,42
2,25
27
7,68
5,49
4,60
4,11
3,78
3,56
3,39
3,26
3,15
3,06
2,99
2,93
2,82
2,75
2,63
2,38
2,22
28
7,64
5,45
4,57
4,07
3,75
3,53
3,36
3,23
3,12
3,03
2,96
2,90
2,79
2,72
2,60
2,35
2,19
29
7,60
5,42
4,54
4,04
3,73
3,50
3,33
3,20
3,09
3,00
2,93
2,87
2,77
2,69
2,57
2,33
2,16
30
7,56
5,39
4,51
4,02
3,70
3,47
3,30
3,17
3,07
2,98
2,91
2,84
2,74
2,66
2,55
2,30
2,13
31
7,53
5,36
4,48
3,99
3,67
3,45
3,28
3,15
3,04
2,96
2,88
2,82
2,72
2,64
2,52
2,27
2,11
32
7,50
5,34
4,46
3,97
3,65
3,43
3,26
3,13
3,02
2,93
2,86
2,80
2,70
2,62
2,50
2,25
2,08
33
7,47
5,31
4,44
3,95
3,63
3,41
3,24
3,11
3,00
2,91
2,84
2,78
2,68
2,60
2,48
2,23
2,06
34
7,44
5,29
4,42
3,93
3,61
3,39
3,22
3,09
2,98
2,89
2,82
2,76
2,66
2,58
2,46
2,21
2,04
35
7,42
5,27
4,40
3,91
3,59
3,37
3,20
3,07
2,96
2,88
2,80
2,74
2,64
2,56
2,44
2,19
2,02
36
7,40
5,25
4,38
3,89
3,57
3,35
3,18
3,05
2,95
2,86
2,79
2,72
2,62
2,54
2,43
2,18
2,00
37
7,37
5,23
4,36
3,87
3,56
3,33
3,17
3,04
2,93
2,84
2,77
2,71
2,61
2,53
2,41
2,16
1,98
38
7,35
5,21
4,34
3,86
3,54
3,32
3,15
3,02
2,92
2,83
2,75
2,69
2,59
2,51
2,40
2,14
1,97
39
7,33
5,19
4,33
3,84
3,53
3,30
3,14
3,01
2,90
2,81
2,74
2,68
2,58
2,50
2,38
2,13
1,95
40
7,31
5,18
4,31
3,83
3,51
3,29
3,12
2,99
2,89
2,80
2,73
2,66
2,56
2,48
2,37
2,11
1,94
41
7,30
5,16
4,30
3,81
3,50
3,28
3,11
2,98
2,87
2,79
2,71
2,65
2,55
2,47
2,36
2,10
1,92
42
7,28
5,15
4,29
3,80
3,49
3,27
3,10
2,97
2,86
2,78
2,70
2,64
2,54
2,46
2,34
2,09
1,91
43
7,26
5,14
4,27
3,79
3,48
3,25
3,09
2,96
2,85
2,76
2,69
2,63
2,53
2,45
2,33
2,08
1,90
7,25
5,12
4,26
3,78
3,47
3,24
3,08
2,95
2,84
2,75
2,68
2,62
2,52
2,44
2,32
2,07
1,89
10
11
12
14
16
20
40
100
44
Distribuciones de F
5%
5%
3
161
199
216
225
230
234
237
239
241
242
243
244
245
246
248
251
253
18,51
19,00
19,16
19,25
19,30
19,33
19,35
19,37
19,38
19,40
19,40
19,41
19,42
19,43
19,45
19,47
19,49
Pgina 151 de 152
10,13
9,55
9,28
9,12
9,01
8,94
8,89
8,85
8,81
8,79
8,76
8,74
8,71
8,69
8,66
8,59
8,55
7,71
6,94
6,59
6,39
6,26
6,16
6,09
6,04
6,00
5,96
5,94
5,91
5,87
5,84
5,80
5,72
5,66
6,61
5,79
5,41
5,19
5,05
4,95
4,88
4,82
4,77
4,74
4,70
4,68
4,64
4,60
4,56
4,46
4,41
5,99
5,14
4,76
4,53
4,39
4,28
4,21
4,15
4,10
4,06
4,03
4,00
3,96
3,92
3,87
3,77
3,71
5,59
4,74
4,35
4,12
3,97
3,87
3,79
3,73
3,68
3,64
3,60
3,57
3,53
3,49
3,44
3,34
3,27
5,32
4,46
4,07
3,84
3,69
3,58
3,50
3,44
3,39
3,35
3,31
3,28
3,24
3,20
3,15
3,04
2,97
5,12
4,26
3,86
3,63
3,48
3,37
3,29
3,23
3,18
3,14
3,10
3,07
3,03
2,99
2,94
2,83
2,76
10
4,96
4,10
3,71
3,48
3,33
3,22
3,14
3,07
3,02
2,98
2,94
2,91
2,86
2,83
2,77
2,66
2,59
11
4,84
3,98
3,59
3,36
3,20
3,09
3,01
2,95
2,90
2,85
2,82
2,79
2,74
2,70
2,65
2,53
2,46
12
4,75
3,89
3,49
3,26
3,11
3,00
2,91
2,85
2,80
2,75
2,72
2,69
2,64
2,60
2,54
2,43
2,35
13
4,67
3,81
3,41
3,18
3,03
2,92
2,83
2,77
2,71
2,67
2,63
2,60
2,55
2,51
2,46
2,34
2,26
14
4,60
3,74
3,34
3,11
2,96
2,85
2,76
2,70
2,65
2,60
2,57
2,53
2,48
2,44
2,39
2,27
2,19
15
4,54
3,68
3,29
3,06
2,90
2,79
2,71
2,64
2,59
2,54
2,51
2,48
2,42
2,38
2,33
2,20
2,12
16
4,49
3,63
3,24
3,01
2,85
2,74
2,66
2,59
2,54
2,49
2,46
2,42
2,37
2,33
2,28
2,15
2,07
17
4,45
3,59
3,20
2,96
2,81
2,70
2,61
2,55
2,49
2,45
2,41
2,38
2,33
2,29
2,23
2,10
2,02
18
4,41
3,55
3,16
2,93
2,77
2,66
2,58
2,51
2,46
2,41
2,37
2,34
2,29
2,25
2,19
2,06
1,98
19
4,38
3,52
3,13
2,90
2,74
2,63
2,54
2,48
2,42
2,38
2,34
2,31
2,26
2,21
2,16
2,03
1,94
20
4,35
3,49
3,10
2,87
2,71
2,60
2,51
2,45
2,39
2,35
2,31
2,28
2,22
2,18
2,12
1,99
1,91
21
4,32
3,47
3,07
2,84
2,68
2,57
2,49
2,42
2,37
2,32
2,28
2,25
2,20
2,16
2,10
1,96
1,88
22
4,30
3,44
3,05
2,82
2,66
2,55
2,46
2,40
2,34
2,30
2,26
2,23
2,17
2,13
2,07
1,94
1,85
23
4,28
3,42
3,03
2,80
2,64
2,53
2,44
2,37
2,32
2,27
2,24
2,20
2,15
2,11
2,05
1,91
1,82
24
4,26
3,40
3,01
2,78
2,62
2,51
2,42
2,36
2,30
2,25
2,22
2,18
2,13
2,09
2,03
1,89
1,80
25
4,24
3,39
2,99
2,76
2,60
2,49
2,40
2,34
2,28
2,24
2,20
2,16
2,11
2,07
2,01
1,87
1,78
26
4,23
3,37
2,98
2,74
2,59
2,47
2,39
2,32
2,27
2,22
2,18
2,15
2,09
2,05
1,99
1,85
1,76
27
4,21
3,35
2,96
2,73
2,57
2,46
2,37
2,31
2,25
2,20
2,17
2,13
2,08
2,04
1,97
1,84
1,74
28
4,20
3,34
2,95
2,71
2,56
2,45
2,36
2,29
2,24
2,19
2,15
2,12
2,06
2,02
1,96
1,82
1,73
29
4,18
3,33
2,93
2,70
2,55
2,43
2,35
2,28
2,22
2,18
2,14
2,10
2,05
2,01
1,94
1,81
1,71
30
4,17
3,32
2,92
2,69
2,53
2,42
2,33
2,27
2,21
2,16
2,13
2,09
2,04
1,99
1,93
1,79
1,70
31
4,16
3,30
2,91
2,68
2,52
2,41
2,32
2,25
2,20
2,15
2,11
2,08
2,03
1,98
1,92
1,78
1,68
32
4,15
3,29
2,90
2,67
2,51
2,40
2,31
2,24
2,19
2,14
2,10
2,07
2,01
1,97
1,91
1,77
1,67
33
4,14
3,28
2,89
2,66
2,50
2,39
2,30
2,23
2,18
2,13
2,09
2,06
2,00
1,96
1,90
1,76
1,66
34
4,13
3,28
2,88
2,65
2,49
2,38
2,29
2,23
2,17
2,12
2,08
2,05
1,99
1,95
1,89
1,75
1,65
35
4,12
3,27
2,87
2,64
2,49
2,37
2,29
2,22
2,16
2,11
2,07
2,04
1,99
1,94
1,88
1,74
1,63
36
4,11
3,26
2,87
2,63
2,48
2,36
2,28
2,21
2,15
2,11
2,07
2,03
1,98
1,93
1,87
1,73
1,62
37
4,11
3,25
2,86
2,63
2,47
2,36
2,27
2,20
2,14
2,10
2,06
2,02
1,97
1,93
1,86
1,72
1,62
38
4,10
3,24
2,85
2,62
2,46
2,35
2,26
2,19
2,14
2,09
2,05
2,02
1,96
1,92
1,85
1,71
1,61
39
4,09
3,24
2,85
2,61
2,46
2,34
2,26
2,19
2,13
2,08
2,04
2,01
1,95
1,91
1,85
1,70
1,60
40
4,08
3,23
2,84
2,61
2,45
2,34
2,25
2,18
2,12
2,08
2,04
2,00
1,95
1,90
1,84
1,69
1,59
41
4,08
3,23
2,83
2,60
2,44
2,33
2,24
2,17
2,12
2,07
2,03
2,00
1,94
1,90
1,83
1,69
1,58
42
4,07
3,22
2,83
2,59
2,44
2,32
2,24
2,17
2,11
2,06
2,03
1,99
1,94
1,89
1,83
1,68
1,57
Pgina 152 de 152

Apunte de Estadistica

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Apunte de Estadistica

Transféré par

Droits d'auteur :

Formats disponibles

Estadstica para ingenieros y tcnicos de Institutos profesionales

Autor: Edgardo Ojeda Barcos

Uso acadmico exclusivo, prohibida su reproduccin sin consentimiento del autor

Estadstica para ingenieros y tcnicos de Institutos profesionales

Autor: Edgardo Ojeda Barcos

Introduccin al concepto de Estadstica

Distribuciones de frecuencias, Histogramas

Teora elemental de Probabilidades

Derechos de autor en trmite

Uso acadmico exclusivo, prohibida su reproduccin sin consentimiento del autor

Estadstica para ingenieros y tcnicos de Institutos profesionales

Autor: Edgardo Ojeda Barcos

Regla de la adicin de Probabilidades

Anlisis Combinatorio y Probabilidades

Las Distribuciones Binomial, Poisson y Normal

Teora del muestreo.

Derechos de autor en trmite

Uso acadmico exclusivo, prohibida su reproduccin sin consentimiento del autor

Estadstica para ingenieros y tcnicos de Institutos profesionales

Autor: Edgardo Ojeda Barcos

Distribucin t, o Distribucin de Student.

Derechos de autor en trmite

Uso acadmico exclusivo, prohibida su reproduccin sin consentimiento del autor

Estadstica para ingenieros y tcnicos de Institutos profesionales

Derechos de autor en trmite

Autor: Edgardo Ojeda Barcos

Uso acadmico exclusivo, prohibida su reproduccin sin consentimiento del autor

Estadstica para ingenieros y tcnicos de Institutos profesionales

Autor: Edgardo Ojeda Barcos

Prlogo a la edicin de Marzo de 2006.

Derechos de autor en trmite

Uso acadmico exclusivo, prohibida su reproduccin sin consentimiento del autor

Estadstica para ingenieros y tcnicos de Institutos profesionales

Autor: Edgardo Ojeda Barcos

Uso acadmico exclusivo, prohibida su reproduccin sin consentimiento del autor

Estadstica para ingenieros y tcnicos de Institutos profesionales

Autor: Edgardo Ojeda Barcos

La estadstica encuentra en los grficos, una herramienta indispensable para

La misma informacin puede representarse como un grfico o diagrama de barras.

Derechos de autor en trmite

Uso acadmico exclusivo, prohibida su reproduccin sin consentimiento del autor

Estadstica para ingenieros y tcnicos de Institutos profesionales

Autor: Edgardo Ojeda Barcos

Datos de produccin de una regin hipottica:

Derechos de autor en trmite

Uso acadmico exclusivo, prohibida su reproduccin sin consentimiento del autor

Estadstica para ingenieros y tcnicos de Institutos profesionales

Autor: Edgardo Ojeda Barcos

Grfico de Barras Acumuladas

Grfico de Barras Porcentuales

Derechos de autor en trmite

Uso acadmico exclusivo, prohibida su reproduccin sin consentimiento del autor

Estadstica para ingenieros y tcnicos de Institutos profesionales

Autor: Edgardo Ojeda Barcos

Grfico de barras horizontales

Grfico circular abierto.

Uso acadmico exclusivo, prohibida su reproduccin sin consentimiento del autor

Estadstica para ingenieros y tcnicos de Institutos profesionales

Autor: Edgardo Ojeda Barcos

1.3 Ejercicios de Aplicacin.

Derechos de autor en trmite

Uso acadmico exclusivo, prohibida su reproduccin sin consentimiento del autor

Estadstica para ingenieros y tcnicos de Institutos profesionales