Apunte de Estadística

Estadstica de ingenieras Tecnolgicas Autor: Edgardo Ojeda Barcos
Derechos de autor en trmite Pgina 1 de 166

Uso acadmico exclusivo, prohibida su reproduccin sin consentimiento del autor

Fundamentos de la Estadstica
Dirigido a:
Estudiantes de Ingenieras tecnolgicas

Edicin revisada
Mayo de 2011

Autor:
Profesor de Control de Calidad y Estadstica
Inacap
Universidad Tecnolgica de Chile

Licenciado en Organizacin de la Produccin,
Universidad Argentina de la Empresa.

Postgrado en Ingeniera de Calidad,
Universidad de Santiago de Chile.

MBA - Magster en Gestin de Calidad
Universidad Diego Portales.




NDICE

Captulo 1
1.1 Introduccin al concepto de Estadstica
1.2 Grficos

Captulo 2
2.1 Distribuciones de frecuencias, Histogramas
2.2 Distribucin de frecuencias acumuladas y ojivas.
2.3 Ejercicios de aplicacin

Captulo 3
3 Promedios
3.1 Media Aritmtica
3.2 Media Aritmtica Ponderada
3.3 Propiedades de la Media Aritmtica
3.4 Clculo de la Media Aritmtica para datos agrupados
3.5 Ejercicios de aplicacin.
3.6 La Mediana
3.7 La Moda
3.8 Relacin emprica entre la media aritmtica, la mediana y la
moda

Captulo 4
4 Medidas de la dispersin de una distribucin de datos
4.1 Dispersin o variacin
4.2 Rango o Intervalo
4.3 La Desviacin Tpica
4.4 Desarrollo de tres frmula para el clculo de la Desviacin
Tpica
4.5 Propiedades de la desviacin Tpica
4.6 Varianza
4.7 Desviacin Media
4.8 Ejercicios en clase.
4.9 Ejercicios de Aplicacin



Captulo 5
5 Cuantilos
5.1 Definicin
5.2 Medidores de Tendencia Central
5.3 Medidores de la Dispersin
5.4 Procedimiento de Clculo
5.5 Procedimiento de Clculo para datos Agrupados
5.6 Obtencin de los valores correspondientes cuando el nmero
de datos es distinto de 100

Captulo 6
6 Teora elemental de Probabilidades
6.1 Definicin de Probabilidad
6.1.1 Definicin Clsica
6.1.2 Definicin como Frecuencia Relativa
6.2 Concepto de Probabilidad
6.3 Regla de la adicin de Probabilidades
6.4 Regla del producto de las probabilidades
6.5 Aplicacin de ambas reglas
6.6 Probabilidades con y sin reposicin
6.7 Probabilidad de las causas. Formula de Bayes Laplace

Captulo 7
7 Anlisis Combinatorio y Probabilidades
7.1 Principio fundamental del anlisis combinatorio
7.2 Factorial de n
7.3 Permutaciones
7.4 Combinaciones
7.5 Probabilidades y Anlisis Combinatorio
7.6 Generalizacin del nmero combinatorio y probabilidades
7.7 Ejercicios de aplicacin

Captulo 8
8 Las Distribuciones Binomial, Poisson y Normal
8.1 La Distribucin Binomial
8.2 Distribucin de Poisson
8.3 Relacin entre la Distribucin Binomial y la Distribucin de
Poisson
8.4 La Distribucin Normal, Curva Normal o Distribucin
Gaussiana.



8.5 Relacin entre la Distribucin Binomial y la Normal
8.6 Ejercicios de comprensin sobre la Distribucin Normal
8.7 Distribucin Hipergeomtrica.
8.8 Aproximacin Normal a Binomial

Captulo 9
9 Correlacin y Regresin
9.1 Introduccin
9.2 Anlisis de Correlacin
9.3 Anlisis de Regresin

Captulo 10
10 Teora del muestreo.
10.1 Muestreo aleatorio.
10.2 Distribucin de muestreo.
10.3 Muestreo de poblaciones pequeas.

Captulo 11
11 Estimacin
11.1 Estimacin por puntos es intervalos.
11.2 Intervalo de confianza
11.3 Estimacin de la media aritmtica.
11.4 Margen de error y coeficiente de confianza.
11.5 No siempre se conoce el valor de la desviacin tpica
poblacional.
11.6 Distribucin t, o Distribucin de Student.
11.7 Intervalos de confianza para las proporciones o porcentajes de
defectuosos.
11.8 Clculo del tamao de una muestra para un error dado

Captulo 12
12 Nmeros ndices.
12.1 Relaciones de precios.
12.2 Relaciones de Cantidad o de Volumen
12.3 Relaciones de valor
12.4 Relaciones de Enlace y en Cadena.
12.5 El mtodo de agregacin simple.
12.6 El mtodo de agregacin Simple de relaciones.
12.7 El mtodo de agregacin ponderada.
12.7.1 ndice de Laspeyres.
12.7.2 ndice de Paasche.



12.8 Deflacin de series en el tiempo.

Capitulo 13
13 Series de Tiempo
13.1 Anlisis de series en el tiempo
13.2 Estimacin de las variaciones estacionales. El ndice
Estacional

Capitulo 14
14 Pruebas de Hiptesis
14.1 Hiptesis Estadsticas.
14.2 Contrastes de Hiptesis y significacin, o reglas de decisin.
14.3 Errores de Tipo I y de Tipo II .
14.4 Nivel de significacin.
14.5 Contrastes mediante la distribucin normal.
14.6 Tres distintos niveles de significancia.
14.7 Seleccin de un nivel de significancia.
14.8 Uso de la distribucin t para la toma de decisiones.
14.9 Ejercicios de aplicacin desarrollados.
14.10 Ejercicios de Aplicacin.

Capitulo 15
15 Anlisis de Varianza
15.1 Distribucin F
15.2

Anlisis de Varianza y Clculo de F, con una variable de
clasificacin.
15.3 Anlisis de Varianza y Clculo de F, con dos variables de
clasificacin.

BIBLIOGRAFA
TABLAS




Prlogo a la edicin del 2011

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 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, Biotecnologa, etc. , por lo cual, el libro se transforma en
una herramienta de consulta para las distintas carreras.

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 el estudio durante todo el tiempo de desarrollo de la materia.
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.
Adems, a lo largo del curso se necesitan hacer ejercicios que estn catalogados al final de cada captulo. Estos
ejercicios son obligatorios, es la nica manera de aprender la materia Estadstica.

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.

c) hacer los ejercicios indicados al final de cada captulo con la finalidad de ir aplicando exitosamente la teora
explicada en clase.

Estas recomendaciones hacen la diferencia entre aprobar con facilidad la materia o tener dificultades que, a
veces, son insalvables.



Finalmente, el objetivo de todo futuro profesional es: APRENDER.

Esto no debe confundirse con sacar un 4 y aprobar. El verdadero examen de grado es cuando una vez titulado
no vemos enfrentados a la realidad del mercado. Solo los que han aprendido, sern exitosos, el resto, o no se
titularon o ser profesionales con muy bajo perfil y poca remuneracin. El mercado es inflexible.

Edgardo Ojeda Barcos
Profesor de Estadstica y Control de Calidad
Santiago de Chile.
Agosto de 2011.



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
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 1860 70 80 90 1900 10 20 30 40 50 60 70 80
Poblacin 31 40 50 63 76 92 106 123 132 151 179 203 227

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

0
50
100
150
200
250
1860 70 80 90 1900 10 20 30 40 50 60 70 80
M
i
l
l
o
n
e
s
Aos
0
50
100
150
200
250
1860 70 80 90 1900 10 20 30 40 50 60 70 80
M
i
l
l
o
n
e
s
Aos



Otros Grficos
Datos de produccin de una regin hipottica:
Ao Tn trigo Tn maz Total Porcentual trigo
75 200 75 275 73 %
76 185 90 275 67 %
77 225 100 325 69 %
78 250 85 335 75 %
79 240 80 320 75 %
80 195 100 295 66 %
81 210 110 320 66 %
82 225 105 330 68 %

Grfico de trazos

0
50
100
150
200
250
300
75 76 77 78 79 80 81 82
Tn
Aos
Trigo
Maiz



Grfico de Barras

Grfico de Barras Acumuladas

0
50
100
150
200
250
300
75 76 77 78 79 80 81 82
Tn
Aos
Trigo
Maiz
0
50
100
150
200
250
300
350
400
75 76 77 78 79 80 81 82
Tn
Aos
Maiz
Trigo



Grfico de Barras Porcentuales

Grfico de barras horizontales

0
20
40
60
80
100
120
75 76 77 78 79 80 81 82
Tn
Aos
Maiz
Trigo
0 50 100 150 200 250 300
75
77
79
81
Tn
Aos
Trigo



Grfico circular abierto.

1.3 Ejercicios de Aplicacin y lectura obligatoria.

El alumno deber leer y entender los contenidos del captulo uno del libro Estadstica de Murray Spieguel, en
especial de los temas: Redondeo de datos, Notacin cientfica, Dgitos significativos, Clculos, Funciones,
Grficos, Ecuaciones y Desigualdades. En el desarrollo de este curso se tendr en cuenta lo indicado en cada
punto y se da como entendido que el alumno conoce y utiliza correctamente estos conocimientos.

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, 1.27, 1.29, 1.30, 1.48, 1.52, 1.59,
1.71, 1.76.

areas urbanas
6%
desiertos
11%
bosques
12%
praderas
33%
huertas
10%
areas sembradas
28%
areas urbanas
desiertos
bosques
praderas
huertas
areas sembradas



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 cuntas 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 n
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:

881 880 905 933 872 861 882 877 890 898 863 896 878 906
886 875 890 928 911 955 893 867 920 879 899 897 870 883
885 883 889 874 878 904 939 901 894 859 886 865 902 867
889 874 891 925 866 869 868 894 891 901 912 892 921 895
910 915 846 892 885 866 910 885 916 915 923 857 891 889
912 907 881 893 905 924 876 903 887 901 888 907 880 882

En total son 84 mediciones, por lo tanto n = 84
El mayor valor es 955
El valor mnimo es 846
El INTERVALO es 109
De acuerdo con la regla emprica, descrita anteriormente, el nmero de CLASES que deberemos hacer ser
84 (esto sugiere 9 clases pero como hay aproximaciones puede variar en una mas o una menos).
El paso siguiente ser, dividir el INTERVALO, 109, por el nmero de clases y utilizaremos la raz sin resolver:
109 / 84 = 11.9
Puesto que los datos estn en enteros, deberemos tomar el nmero entero, es decir 12.
El nmero 12 es par, existen razones que veremos ms adelante para preferir que este nmero sea impar, por
lo tanto elegiremos 11 pues es el impar ms cercano a 11.9.
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 LIMITE INFERIOR LIMITE SUPERIOR
1 846 856
2 857 867
3 868 878
4 879 889
5 890 900
6 901 911
7 912 922
8 923 933
9 934 944
10 945 955

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:

CLASES LMITE
INFERIOR
LMITE
SUPERIOR
DIAGRAMA
DE TILDES
FRECUENCIA
DE CLASE
1 846 856 / 1
2 857 867 //// //// 9
3 868 878 //// //// / 11
4 879 889 //// //// //// //// 19
5 890 900 //// //// //// / 16
6 901 911 //// //// //// 14
7 912 922 //// // 7
8 923 933 //// 5
9 934 944 / 1
10 945 955 / 1
TOTAL 84 84

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:

Lmite inferior de la clase: 846
Lmite superior de la clase: 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.
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.

Es recomendable, calcular primero la frecuencia y despus la marca de clase para que esta columna no
interfiera durante la clasificacin de los datos.

CLASES LMITE
INFERIOR
LMITE
SUPERIOR
MARCA DE
CLASE
FRECUENCIA
DE CLASE
1 846 856 851 1
2 857 867 862 9
3 868 878 873 11
4 879 889 884 19
5 890 900 895 16
6 901 911 906 14
7 912 922 917 7
8 923 933 928 5
9 934 944 939 1
10 945 955 950 1
TOTAL 84



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:

HISTOGRAMA
Con los datos de la distribucin de frecuencias se procede a construir el histograma.

1
9
11
19
16
14
7
5
1 1
0
2
4
6
8
10
12
14
16
18
20
851 862 873 884 895 906 917 928 939 950
F
R
E
C
U
E
N
C
I
A
CLASES
HISTOGRAMA
MARCA DE
CLASE (X)
FRECUENCIA
DE CLASE
851 1
862 9
873 11
884 19
895 16
906 14
917 7
928 5
939 1
950 1
84



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

La siguiente tabla resumen figuran todos los datos estudiados:

CLASES L. I. L. S. MARCA FRONTERAS FRECUENCIA
1 846 856 851 845.5 1
2 857 867 862 856.5 9
3 868 878 873 867.5 11
4 879 889 884 878.5 19
5 890 900 895 889.5 16
6 901 911 906 900.5 14
7 912 922 917 911.5 7
8 923 933 928 922.5 5
9 934 944 939 933.5 1
10 945 955 950 944.5 1
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. Marca Frecuencias F. Acumulada F. relativa
1.51 - 1.59 1.55 5 5 5
1.60 - 1.68 1.64 18 23 18
1.69 - 1.77 1.73 42 65 42
1.78 - 1.86 1.82 27 92 27
1.87 - 1.95 1.91 8 100 8
Total 100 100

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 Limite Superior Frontera Ancho de Clase
...... ...... 1.505
1.51 1.59 1.595 .09
1.60 1.68 1.685 .09
1.69 1.77 1.775 .09
1.78 1.86 1.865 .09
1.87 1.95 1.955 .09

El siguiente grfico explica lo anterior:

5
18
42
27
8
0
20
40
60
80
100
120
1,55 1,64 1,73 1,82 1,91
F
r
e
c
u
e
n
c
i
a
s
Altura
HISTOGRAMA Y OJIVA



2.3.1 El siguiente listado de ejercicios pertenece al libro Estadstica de Murray Spieguel, el alumno deber
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, 2.20, 2.21, 2.23, 2.26, 2.27, 2.28, 2.29.

2.3.2 Resolver:

Variabilidad estadstica.
Ejercicio 1
En una industria se necesita saber el comportamiento del peso de un producto de cosmtica. Durante una hora
se recogen datos para analizarlos, los resultados de dicho trabajo son los siguientes.
122.6 122.2 119.0 119.2 121.0 125.0 120.8 119.0 121.0 117.8
118.0 118.7 121.4 123.1 122.4 116.8 121.6 121.2 120.6 122.8
119.1 118.4 119.4 121.8 123.6 119.6 120.6 119.8 117.6 114.8
A partir de los datos entregados deber calcular la distribucin de frecuencias y dibujar prolijo el histograma
en una hoja de papel cuadriculado. El mtodo a usar deber ser el enseado en clase.

Ejercicio dos
CONSTRUIR UN GRFICO DE FRECUENCIAS Y EL CORRESPONDIENTE HISTOGRAMA:
100,3 101,3 101,9 101,3 97,7 100,4 98,5 103,6 105,5 100,0
100,9 94,8 101,7 103,8 101,9 101,5 96,9 99,8 99,6 100,4
100,8 102,3 102,1 100,6 100,4 99,2 100,0 97,1 99,2 99,2




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: Si tenemos un universo de N datos, Xj ser cualquiera de los N datos.

valores., esto es:
N 2 1
X ,..., X , X

NOTACIN DE SUMA:
N 2 1
N
1 J
J
X ... X X X + + + =
=

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 =
N
X
N
X ... X X
X
N 2 1

=
+ + +
=

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 :
N 2 1
X ,..., X , X se repiten con frecuencia
k 2 1
f ,..., f , f veces, entonces la MEDIA ARITMTICA se
define de la siguiente forma:

=
=
=
+ + +
+ + +
=
k
1 j
j
k
1 j
j j
k 2 1
k k 2 2 1 1
f
X f
f ... f f
X . f ... X . f X . f
X

El siguiente ejemplo aclarar el concepto:
Si los datos: 5, 8, 6, y 2 ocurren con frecuencias 3, 2, 4, y 1




7 . 5
1 4 2 3
2 * 1 6 * 4 8 * 2 5 * 3
X =
+ + +
+ + +
=

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 Frecuencia
3 2
4 1
5 3
8 5
9 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, N = 92 , pero los datos diferentes entre si son solo 5, por ello
es k = 5

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 los datos en estudio, con factores o pesos:

K 2 1
W ,..., W , W

De esta forma, la MEDIA ARITMTICA PONDERADA es:

K
k k
W W W
W X W X W X
X
+ + +
+ + +
=
...
...
2 1
2 2 1 1

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 75% del promedio de
notas de los parciales y el 25% 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 =
( ) ( )
1 . 6
25 . 0 75 . 0
25 . 0 * 9 . 4 75 . 0 * 5 . 6
=
+
+

Ntese que la MEDIA ARITMTICA (no ponderada) es 5,7




3.3 Propiedades de la Media Aritmtica.

Propiedad N1
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, 3, 11, 7 y 6 respecto de su MEDIA ARITMTICA cuyo valor es : 6.5
son:

Datos menos Media
Aritmtica
igual Desviacin
8 - 6.5 = +1.5
4 - 6.5 = -2.5
3 - 6.5 = -3.5
11 - 6.5 = +4.5
7 - 6.5 = +0.5
6 - 6.5 = -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:

X X d
X X d
X X d
N N
=
=
=
... ... ... ...
2 2
1 1

Entonces:

( ) ( )
0 X X
N
X N
X
X N X
X X X X X X d
n
1 j
J
n
1 j
j

=
=
=
= = = =
= =

Con esto queda demostrada la propiedad.




Propiedad n 2

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.

X = a si solo y si
mnimo a) (
1
2
N
j
j
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:

k
k k
n n n
m n m n m n
+ + +
+ + +
=
...
...
X
2 1
2 2 1 1

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. Cul es el promedio de sueldos de las dos sucursales?

182 . 273
75 90
325000 * 75 000 . 230 * 90
X =
+
+
= =
n
nm

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:



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:

N
d
+ A X

=

Para datos con repeticin:

N
fd
+ A X

=
Donde: 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
d2 = X2 - A
... ... ...
dN = XN - A

Probar que:

N
fd
+ A X

=

Solucin:
Como dj = Xj - A

es Xj = A + di

Multiplicando ambos miembros de la ecuacin por el operador sumatoria y dividiendo por N nos queda:

N
d
+ A
N
d
N
A
N
d) + (A
X
N
X

= + = = =

Ntese que el signo se anula con N pues la sumatoria de A es N veces A.

b) Para el caso en que X1, X2, ...,XN tengan frecuencias f1, f2, ..., fN y

d1 = X1 - A



d2 = X2 - A
... ... ...
dk = Xk - A
Probar que:

N
fd
+ A
N
fd
N
fA
N
) d + f(A
N
fX
X

= + = = =

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:

N
fX
X

=

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,

N
fd
+ A X

=

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
donde, uj pueden ser 0, 1, 2, etc. y la frmula de la media aritmtica se convierte en:

|
|
\
|
=

N
fu
c + A X

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 frecuencia
1.55 05
1.64 18
1.73 42
1.82 27
1.91 08
f=N=100

Desarrollo frmula n 1, Mtodo Largo

Altura = X frecuencia fX
1.55 05 07.55
1.64 18 29.52
1.73 42 72.66
1.82 27 49.14
1.91 08 15.28
f=N=100 fX=174.35

74 . 1
100
15 . 174
f
fX
X = == = = == = = == =

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 frecuencia = f desviacin d=X-A fd
1.55 05 -0.18 -0.90
1.64 18 -0.09 -1.62
A: ===> 1.73 42 +0.00 +0.00
1.82 27 +0.09 +2.43
1.91 08 +0.18 +1.44
f=N=100 fd=+1.35

74 . 1
100
35 . 1
73 . 1
N
fd
A X = + = + =




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 f u fu
1.55 5 -2 -10
1.64 18 -1 -18
1.73 42 +0 +00
1.82 27 +1 +27
1.91 8 +2 +16
f=100 fu=15

74 . 1 09 . 0
100
15
73 . 1 c
N
fu
A X =
|
\
|
+ =
|
|
\
|
+ =

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.

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 est afectada por el valor extremo 11.20, tal como lo est la MEDIA
ARITMTICA. El valor 6.54 est fuertemente sesgado (corrido) hacia la derecha por causa de un valor que no
parece ser del grupo al cual corresponden los otros cuatro datos. Esta cualidad hace que la MEDIANA sea muy
til para el estudio de sueldos

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

a) Clculo de la media aritmtica:

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 Marca de clase Distribucin de marcas frecuencias u fu
118-124 121 / 1 -4 - 4
125-131 128 /// 3 -3 - 9
132-138 135 ///// // 7 -2 -14
139-145 142 ///// /// 8 -1 - 8
146-152 149 ///// //// 9 0 0
153-159 156 ///// 5 1 5
160-166 163 //// 4 2 8
167-173 170 // 2 3 6
174-180 177 / 1 4 4
f=40 fu=-12




147 7
40
12
149 c
f
fu
A X = |
\
|
+ =
|
|
\
|
+ =

147 X=

b) Clculo de la MEDIANA por el mtodo de la interpolacin.

Marca de clase f f acum
118-124 121 / 1 1
125-131 128 /// 3 4
132-138 135 ///// // 7 11
139-145 142 ///// /// 8 19
146-152 149 ///// //// 9
153-159 156 ///// 5
160-166 163 //// 4
167-173 170 // 2
174-180 177 / 1

Pero el un dato que vamos a tomar de los 9 debemos saber cuanto hace crecer la variable X, o sea la marca de
clase. Para ello interpolamos con una regla de 3 y decimos:
Si 9 hace crecer la marca de clase en 7 puntos (o sea el ancho de clase), 1 har crecer la parte proporcional:

9 es a 7 como 1 es a x: 8 , 0
9
7 x 1
=

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

Hasta aqu sumamos 19 datos, luego
para llegar al 20 nos falta 1 que lo
tomaremos de los 9 de la siguiente
clase. Pero ese dato de entre los 9 lo
deberemos interpolar.



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.

El smbolo de la moda es: X

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:

N
N 2 1
X . ... . X . X G=

Ejercicio : La media geomtrica de 2, 4, y 8 es:

4 64 8 . 4 . 2 G
3 3
= = =

Ejercicio 2: Hallar a) la media geomtrica y b) la media aritmtica de los nmeros

3, 5, 6, 6, 7, 10 y 12




4 . 6 G
8081 . 0 ) 600 . 453 (log
7
1
G log
600 . 453 12 x 10 x 7 x 6 x 6 x 5 x 3 G
7 7
= == =
= == = = == =
= == = = == =

( (( ( ) )) ) 7 12 10 7 6 6 5 3
7
1
X = == = + ++ + + ++ + + ++ + + ++ + + ++ + + ++ + = == =

Esto ilustra el hecho que la media geomtrica de un conjunto de nmeros positivos en menor que la media
aritmtica

Ejercicio 3 : Los nmeros X1,X2, ... XK ocurren con frecuencia f1, f2 ... fk

( )
N
f.logX
logX f
N
1
logX ...f logX .f logX f
N
1
) ...X X log(X
N
1
logG
...X X X G
N k
...X
k
X
k
X ...
2
...X
2
X
2
X
1
...X
1
X
1
X G
k
1 j
j j
k k 2 2 1 1
f
k
f
2
f
1
N
f
k
f
2
f
1
veces
k
f veces
2
f veces
1
f
k 2 1
k 2 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.




= == = = == =
= == =
X
1
N
X
1
N
1
1
H
N
1 j
j

En la prctica es ms fcil recordar que :

= == =
X
1
N
1
H
1

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:
Tiempo para ir de A a B = h 10
0 4
Km 400
h
Km
= == =

Tiempo para ir de B a A = h 4
0 10
Km 400
h
Km
= == =

Tiempo total : 14 hs.

Recorrido total = 800 Km.

Velocidad promedio:
hora
Km
14 . 57
14
800
= == =

Este promedio es la media armnica de 40 y 100

hora
Km
N
1 j
j
14 . 57
100
1
40
1
2
X
1
N
X
1
N
1
1
H = == =
+ ++ +
= == = = == = = == =

= == =

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 X


Mediante la utilizacin de urnas con datos de una poblacin normal, se deber elaborar en clase el siguiente
trabajo:



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




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 DESVIACIN TPICA es el medidor de la dispersin ms importante.
DEFINICIN: La DESVIACIN TPICA de un conjunto de N nmeros: X1, X2, ...XN se denota por y se define
por:

( (( ( ) )) )
( (( ( ) )) )
N
X X
N
X X 2
2
N
1 j
j

= == =

= == =
= == =




Si X1, X2, ...,Xk se repiten con frecuencias f1, f2, ..., fk, la desviacin tpica se expresa como:

( (( ( ) )) )
( (( ( ) )) )
N
X X f
f
X X f
2
k
1 j
j
k
1 j
2
j j

= == =

= == =
= == =
= == =
pues f=N

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, las 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 DESVIACION TIPICA 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 MUESTRA se denomina
con el signo: S
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 b) 3, 8, 8, 8, 9, 9, 9, 18

a) 5 . 9
8
76
= = =

N
X
X b) 9
8
72
= = X

a)
( (( ( ) )) )
2 5
1 8
5 9
8
1
2
.
. X
S
j
j
= == =

= == =

= == =
b)
( )
1 . 4
1 8
0 . 9
2
8
1
=
= j
j
X
S

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 F (X-1.74) (X-1.74)
2
f(X-1.74)
2

1.55 05 -0.19 0.04 0.18
1.64 18 -0.10 0.01 0.18
1.73 42 -0.01 0.00 0.00
1.82 27 +0.08 0.01 0.17
1.91 8 +0.17 0.03 0.23
f=100 f(X-X)
2
=0.77

( )
09 . 0
100
77 . 0
n
X X f
S
2
= =
=

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:



( )
2
2
2
2
2
2 2 2 2 2
2
2
N
fX
N
fX
N
fX
X X X 2
N
fX
N
X f
N
fX X 2
N
fX
N
X X X 2 X f
N
) X X ( f
N
) X X ( f
|
|
\
|

|
|
\
|
= +
= + =
+
=
N
fX
=
1 frmula la obtenemos cuadrada raiz la ahora Sacando
cuadrado al elevando
2

Aplicaremos sta frmula a nuestro ejercicio de comparacin de mtodos:

Marca de clase f X
2
fX
2

1.55 05 2.40 12.01
1.64 18 2.69 48.41
1.73 42 2.99 125.7
1.86 27 3.31 89.43
1.95 08 3.65 29.18
f=100 fX
2
=304.75

09 . 0 7435 . 1
100
75 . 304
2
= = S

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:

( )
( ) ( ) ( )
( ) ( )
N
d d f
N
X - X f
=
: do reemplazan y
d d d A d A X X : entonces
d A
N
d
N
A
N
d A
N
X
X
2 2

=
= + + =
+ = + =
+
= =

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

2
2
N
fd
N
fd
|
|
\
|
=

Apliquemos ahora esta frmula al ejercicio de las alturas de los alumnos:

X f d = X - A fd fd
2

1.55 05 -0.18 -0.90 0.16
1.64 18 -0.09 -1.62 0.15
1.73 ==> A 42 +0.00 +0.00 0.00
1.82 27 +0.09 +2.43 0.22
1.91 08 +0.18 +1.44 0.26
f=100 fd = 1.35 fd
2
= 0.79

0.09
100
1.35
100
0.79
n
fd
n
fd
S
2
2
2
=
|
\
|
=
|
|
\
|
=

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

( ) ( )
2
2
2
2
2
2
N
fu
N
fu
* c
N
cu f
N
cu f
N
fd
N
fd
|
|
\
|
=
|
|
\
|
=
|
|
\
|
=

Por lo tanto la frmula final ser:

2
2
N
fu
N
fu
* c
|
|
\
|
=

Esta ltima frmula es la llamada FRMULA DE COMPILACIN

Aplicaremos esta frmula al ejercicio de las alturas de los estudiantes:

X f u fu fu
2

1.55 05 -2 -10.00 20.00
1.64 18 -1 -18.00 18.00
1.73 42 +0 +00.00 00.00
1.82 27 +1 +27.00 27.00
1.91 08 +2 +16.00 32.00
f = 100 fu = 15 fu
2
= 97

Apliquemos estos resultados a la frmula 3:




09 . 0
100
15
100
97
* 09 . 0
n
fu
n
fu
* C S
2
2
2
= |
\
|
=
|
|
\
|
=

4.5 Propiedades de la Desviacin Tpica

Propiedad n 1
La desviacin tpica puede generalizarse como:

( )
N
a X f
=
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.
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.

Geomtricamente, en una distribucin normal, la distancia entre el punto de inflexin de la curva, y la
perpendicular al eje de las abcisas, en el valor correspondiente a la Media Aritmtica, es la DESVIACIN
TPICA de dicha poblacin.
Ms 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 Anlisis 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 :



Desviacin Media: X X
N
X X
N
X X
DM
N
j
j
=
=1

Ejemplo:
Hallar la Desviacin Media del conjunto :
2, 3, 6, 8,11
Media Aritmtica: 6
8 . 2
5
6 11 6 8 6 6 6 3 6 2
=
+ + + +
= DM
Si X1, X2, ...,Xk se repiten con frecuencia f1, f2, ..., fk,
Entonces la DM, se puede escribir como:
X X
N
X X f
N
X X f
DM
k
j
j j
=
=1

Donde: N f f
k
j
= =

=1

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
25 . 4
8
34
= =
=

N
X X
DM
b) La media aritmtica es 9.0
25 . 2
8
18
= =
=

N
X X
DM
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
Altura = X frecuencia X-1.74 f X-1.74
1.55 5 0.19 0.95
1.64 18 0.10 1.80
1.73 42 0.01 0.42
1.82 27 0.08 2.16
1.91 8 0.17 1.36
f=N=100 =6.69

07 . 0
100
69 . 6
= =
=

N
X X f
DM

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 Limite Superior Frontera Marca de clase
1.51 1.59 1.595 1.55
1.60 1.68 1.685 1.64
1.69 1.77 1.775 1.73
1.78 1.86 1.865 1.82
1.87 1.95 1.955 1.91

Ancho de clase : 0.09

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
b) Media aritmtica 3DM = 1.74 3 x 0.07
Esto es de 1.53 a 1.95, los clculos sern ahora, los siguientes.
5
18
42
27
8
0
5
10
15
20
25
30
35
40
45
1,55 1,64 1,73 1,82 1,91
F
r
e
c
u
e
n
c
i
a
s
1,775
1,685
1.67 1.81



(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
Utilizando la distribucin de frecuencias del ejercicio de clase que se realiz para el captulo 3, se deber
calcular:
el Rango o Intervalo.
La Desviacin Tpica.
La Varianza.
La Desviacin Media.

Desviacin Tpica: 4.18, 4.19, 4.40, 4.41.




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 normales 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, cul de los valores se ajusta mejor a los fines
que persigue.

5.3 MEDIDORES DE LA DISPERSIN
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: Q3 - Q1



INTERVALO PERCENTIL 10,90 : C90 - C10
INTERVALO SEMI INTERCUARTLICO : (Q3 - Q1)/2
INTERVALO SEMI PERCENTL 10,90 : (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 :
# dato # dato # dato # dato # dato
1 18 21 33 41 42 61 70 81 100
2 19 22 33 42 43 62 70 82 102
3 19 23 34 43 44 63 71 83 105
4 21 24 35 44 45 64 73 84 105
5 21 25 35 45 46 65 73 85 106
6 21 26 35 46 49 66 74 86 108
7 23 27 35 47 50 67 75 87 110
8 24 28 35 48 55 68 75 88 111
9 25 29 35 49 55 69 76 89 112
10 26 30 36 50 56 70 78 90 113
11 26 31 36 51 57 71 80 91 115
12 29 32 38 52 59 72 83 92 118
13 30 33 38 53 60 73 83 93 119
14 31 34 39 54 60 74 86 94 120
15 31 35 39 55 60 75 89 95 122
16 32 36 39 56 65 76 92 96 122
17 32 37 39 57 65 77 92 97 123
18 33 38 40 58 67 78 93 98 124
19 33 39 40 59 67 79 95 99 125
20 33 40 41 60 68 80 99

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

Estimacin de la dispersin de los valores:
DESVIACIN TPICA: (a partir de la frmula general con calculadora): 32.3



INTERVALO SEMI INTERCUARTLICO: (Q3-Q1)/2: (89-35)/2: 27.0
INTERVALO PERCENTLICO 90,10: (P90-P10)/2: (113-26)/2: 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:

Fronteras de
clases
Lmites de
clases
Marca de
clase
frecuencia de
clases
Ojiva
clase n 1 1.505 1.51-1.59 1.55 5 05
clase n 2 1.595 1.60-1.68 1.64 18 23
clase n 3 1.685 1.69-1.77 1.73 42 65
clase n 4 1.775 1.78-1.86 1.82 27 92
clase n 5 1.865 1.87-1.95 1.91 8 100
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, est en la clase 4, el razonamiento, igual al anterior ser:
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 nmero 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)
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.



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:

{ }
n
h
E p = = Pr

La probabilidad de que no ocurra E, es decir, la probabilidad de Fracaso, se escribe como:

{ } { } 1 = q + p pues Pr 1 1 1 Pr E p
n
h
n
h n
noE q = = =
= =
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.




Certeza absoluta

100% 100% Que un hombre muera algn da.
95%
90%
85% 83.3% Que salga no cuatro al arrojar un dado normal. (5 en 6)
80%
75%
70% 70% No figura en cartas espaolas (28 en 40)
65%
60%
55%
50% 50% Cara al arrojar una moneda ( 1 en 2)
45%
40%
35%
30% 32.4% Primera docena en la ruleta (12 en 37)
25%
20%
15%
10%
05% 7.7% K en un mazo de pocker (4 en 52)
00% 0.0% que salga un 7 al arrojar un dado normal.

Imposibilidad absoluta

Como podemos ver, las probabilidades resultan del cociente:

casos de Total
favorables Casos
= P

El suceso buscado, puede ser de afirmacin o de negacin, (que no salga figura).
La probabilidad se puede expresar como fraccin decimal o porcentual:

% 4 . 32 324 . 0
37
12
P tambin = =

De la definicin de probabilidad se deduce que:

0 P 1

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%)

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:

333 . 0
3
1
P
____ __________
167 . 0
6
1
P
167 . 0
6
1
P
5
4
= =
= =
= =
5 4

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.
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

36
1
6
1
*
6
1
P
_____ __________
167 . 0
6
1
P
167 . 0
6
1
P
4
5
4
= =
= =
= =
5 y

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.




0556 . 0 0278 . 0 0278 . 0 4 y 5 P 5 y 4 P Ptotal
0278 . 0
36
1
6
1
*
6
1
P
0278 . 0
36
1
6
1
*
6
1
P
167 . 0
6
1
P
167 . 0
6
1
P
4 y 5
5 y 4
5
4
= + = + =
= = =
= = =
= =
= =

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

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
especmenes, 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 especmenes, por lo tanto, la probabilidad de la segunda extraccin ser 1/9=
0.1111.

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:

10 . 0 05 . 0 05 . 0
05 . 0
19
19
*
20
1
05 . 0
19
1
*
20
19
= + = + =
= =
= =
b a
b
a
P P Ptotal
P
P

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
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

( )
=
i i
i i
bl
A
p W
p W
P

Donde:

( )
bl
A
P
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:



( )
( ) ( )
70 . 0
40
28
. .
.
10
2
10
6
10
7
10
4
10
7
10
4
= =
+
= =
i i
i i
bl
A
p W
p W
P

y tambin podemos calcular el complementario:

( )
( ) ( )
30 . 0
40
12
. .
.
10
2
10
6
10
7
10
4
10
2
10
6
= =
+
= =
i i
i i
bl
B
p W
p W
P

Como es de esperar la suma de ambos resultados deber ser necesariamente igual a uno.

Ejercicios de comprensin:

Los siguientes problemas se 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.

Cul 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.



Captulo 6:

Probabilidades: 6.3, 6.5, 6.6, 6.8, 6.42, 6.43, 6.44, 6.45, 6.46, 6.47, 6.50, 6.51.




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:

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:

)! ( !
!
!
) 1 )...( 2 )( 1 (
r n r
n
r
r n n n n
r
n
=
+
=
|
|
\
|

Otra forma de denotar al nmero Combinatorio es: Cn,r

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

3
1 . 2
1 . 2 . 3
= =
|
|
\
|
2
3




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
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:

( )
4.91% , 0491 . 0
285
14
18
6
.
19
7
.
20
8
P
3 2 1
r , r , r
= = |
\
|
|
\
|
|
\
|
=

Ahora bien, si razonamos de acuerdo a los nmeros combinatorios, tenemos:

( )
4.91% , 0491 . 0
285
14
3
20
3
8
20 entre 3 de s seleccione de numero
8 entre 3 de s seleccione de numero
P
3 2 1
r , r , r
= =
|
|
\
|
|
|
\
|
= =

Con el mismo criterio resolveremos los otros casos.

b) Que las tres sean blancas:



0.088% , 00088 . 0
1140
1
3
20
3
3
= =
|
|
\
|
|
|
\
|

c) Que dos sean rojas y una blanca:

{ } 0737 . 0
95
7
3
20
1
3
2
8
blanca 1 y rojas son 2 = =
|
|
\
|
|
|
\
|
|
|
\
|
= P
d) al menos una sea blanca

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.

{ }
{ } % 35 . 40 , 4035 . 0
57
23
57
34
1 blanca una menos al P
: tanto o por
% 65 . 59 , 5965 . 0
57
34
3
20
3
17
blanca sea ninguna P
= = =
= =
|
|
\
|
|
|
\
|
=

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.

{ } 18.95% , 1895 . 0
95
18
3
20
1
9
1
3
1
8
color cada de una sacar P = =
|
|
\
|
|
|
\
|
|
|
\
|
|
|
\
|
=



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 6 6 6 6
o
6 6 6 6 6

Ahora bien la probabilidad de un suceso como cualquiera de los dos descritos es:
{ }
2 3
6
5
6
1
6
5
*
6
1
*
6
5
*
6
1
*
6
1
6 6 6 6 6
|
\
|
|
\
|
= = P

Cualquiera de las combinaciones nos dar el mismo resultado.

Pero la pregunta es: cuntas combinaciones hay?
la respuesta es 10
3
5
=
|
|
\
|
de tales sucesos mutuamente EXCLUYENTES por lo tanto la probabilidad requerida
es:

3.22% , 0322 . 0
3888
125
6
5
6
1
3
5
P
2 3
= = |
\
|
|
\
|
|
|
\
|
=

Ahora podremos generalizar:

5 es el total de intentos que llamaremos N
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 de obtener tantas veces p en N intentos y lo llamaremos X,



Con sta generalizacin la frmula se puede escribir:

( )
binomial n distribuci la de Frmula
! !
!
X N X x n x
q p
X N X
N
q p
X
N

|
|
\
|
=
|
|
\
|



Captulo 6:

Permutaciones: 6.18, 6.19, 6.20, 6.21, 6.22, 6.67.
Combinaciones: 6.25, 6.26, 6.27, 6.28, 6.72, 6.74, 6.75, 6.76, 6.77, 6.78,
Probabilidad y anlisis combinatorio: 6.33, 6.35.




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 :

( )
( )
X N X X N X
q p
! X N X!
N!
= q p
X
N
= X P

|
|
\
|

Ejemplo: La probabilidad de obtener exactamente 2 caras en 6 tiradas de una moneda es:

N = 6 , p = , q = , X = 2

64
15
2
1
2
1
4 2
6
2
1
2
1
4
6

4 2 2 6 2
=
! !
!
=
|
\
|
|
\
|
|
\
|
|
\
|
|
|
\
|

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
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.




( )
Binomiales es Coeficient
llaman se ...
2 1
1,
:
...
2 1
2 2 1
, N , N
donde
p + + p q
N
+ p q
N
+ q = p + q
N N N N N
|
|
\
|
|
|
\
|
|
|
\
|
|
|
\
|

ALGUNAS PROPIEDADES DE LA DISTRIBUCIN BINOMIAL:

Npq = TIPICA DESVIACION
Npq : VARIANZA
Np : PROBABLE MAS VALOR

TRINGULO DE PASCAL
El tringulo de Pascal, nos da los valores de cada trmino del binomio:

1
1 1
1 2 1
1 3 3 1
1 4 6 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:
( )
N 2 1 0
N
P + + P + P + P = p + q ...
Por otra parte, q+p = 1 por lo cual la suma anterior tambin es igual a uno.

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(Np)
...
...
...
...
P(3) P(3) P(n-3)
P(2) P(2) | | P(n-2)
P(1) P(1) | | | | P(n-1)
P(0) P(0) | | | | | | P(n)
0 1 2 3 ... Np ... n-3 n-2 n-1 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.

Derechos de autor en trmite Pgina

El valor de N = 10 se mantendr fijo en los siguientes grficos:

p = variar desde 0,10 hasta 0,90 y, en consecuencia
X = sern todas las posibles, es decir: 0, 1, 2, ....,

La suma de todos los valores de P de cada grfico totaliza 1
Como puede observarse, las barras comienzan recostadas sobre la izquierda y se desplaz
hacia la derecha.


El valor de N = 10 se mantendr fijo en los siguientes grficos:
y, en consecuencia, q = variar desde 0,90 hasta 0,10
0, 1, 2, ...., hasta 10
de cada grfico totaliza 1
Como puede observarse, las barras comienzan recostadas sobre la izquierda y se desplaz
de cada grfico totaliza 1
Como puede observarse, las barras comienzan recostadas sobre la izquierda y se desplazan, simtricamente




0
5
10
15
20
25
30
35
40
45
0 1 2 3 4 5 6
p
r
o
b
a
b
i
l
i
d
a
d
valor de las X
si p es igual a 0,90

6 7 8 9 10
valor de las X
si p es igual a 0,90



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:
( )
( )
( )
( )
( )
!
X P
: es escribirla de forma otra
Np = dada constante una es
2,... 1, 0, = X donde
!
X P
: a reduce
X
e Np
X
e
se
q p
X
N
Np X
X
X N X
=
|
|
\
|
=

X P




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.
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:

BINOMIAL POISSON
MEDIA = Np =
VARIANZA
2
= Npq
2
=
DESVIACIN TPICA
= Npq =

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




14.27% = 2.78% + 6.68% + 89.11% - 100% = 6 de ms
2.78% 0.0278
8771.40
244.14
6!
2.5
6
6.68% 0.0668
1461.90
97.66
5!
2.5
5
6 P y 5 P s, necesitamo , 6 de ms P
89.12% = 13.36% + 21.38% + 25.65% + 20.52% + 8.21% = menos 4
13.36% 0.1336
292.38
39.06
4!
2.5
= 4 P
21.38% 0.2138
73.10
15.63
3!
2.5
= 3 P
25.65% 0.2565
24.37
6.25
2!
2.5
= 2 P
20.52% 0.2052
12.18
2.5
1!
2.5
= 1 P
8.21% 0.0821,
12.18
1 1
0!
2.5
0 P
2.5 6
2.5 5
2.5 4
2.5 3
2.5 2
2.5 1
2.5
2.5 0
) ( ) P(
, = =
e
= ) P(
, = =
e
= ) P(
) ( ) ( ) ( f)
) P(
, = =
e
) ( e)
, = =
e
) ( d)
, = =
e
) ( c)
, = =
e
) ( b)
= =
e
=
e
= ) ( a)




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:

|
|
\
|
2
2
2
1
2
1

) (X
e
= Y

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 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 Estndar, se define:

( )
X
= Z

Estas unidades Estndar o unidades de Desviacin Tpica, (pues est dividido por sigma ) transforma a la
ecuacin de Gauss en la siguiente:

2
2
1
2
1
Z
e = Y

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:



Esta campana tiene caractersticas peculiares:

a) la media aritmtica es igual a cero.
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 absisa 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 )

0
5
10
15
20
25
30
35
40
45
-3 -2 -1 0 1 2 3
P
R
O
B
A
B
I
L
I
D
A
D
E
S
VALORES DE Z
CURVA NORMAL DE GAUSS



0
5
10
15
20
25
30
35
40
45
P
R
O
B
A
B
I
L
I
D
A
D
E
S
DESDE -1 A +1 DESVIACION TIPICA
AREA BAJO LA CURVA NORMAL
IGUAL A 68.27%
0
5
10
15
20
25
30
35
40
45
P
R
O
B
A
B
I
L
I
D
A
D
E
S
IGUAL A 95,45%
0
5
10
15
20
25
30
35
40
45
-3 -2 -1 0 1 2 3
P
R
O
B
A
B
I
L
I
D
A
D
E
S
IGUAL A 99,73%



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:

Npq
Np X
= Z

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

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%

0
5
10
15
20
25
30
35
40
45
-3 -2 -1 0 11,2 2 3
P
R
O
B
A
B
I
L
I
D
A
D
E
S
Area bajo la curva entre z = 0 y z = 1,2



b) 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

En tablas se lee que, para z = 0.46 es 0.1772 por lo tanto,
Pr {-0,46 z 0} =0.1772
Ntese que en la lectura se prescindi del signo menos.
0
5
10
15
20
25
30
35
40
45
-3 -2 -1 0 1 2 3
P
R
O
B
A
B
I
L
I
D
A
D
E
S
Area bajo la curva entre z = -0,68 y z = 0
0
5
10
15
20
25
30
35
40
45
-3 -2 -1 0 1 2 3
P
R
O
B
A
B
I
L
I
D
A
D
E
S
Area bajo la curva entre z = -0,46 y z = 2,21



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

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%

0
5
10
15
20
25
30
35
-3 -2 -1 0 1 2 3
P
R
O
B
A
B
I
L
I
D
A
D
E
S
Area bajo la curva entre z = 0,81 y z = 1,94



e) A la izquierda de z = - 0.6, esto significa, entre z = - y z = - 0.6

Tener presente que desde z = - y z = 0 la superficie bajo el rea es 0.5000 (50%)

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 = +
0
5
10
15
20
25
30
35
-3 -2 -1 0 1 2 3
P
R
O
B
A
B
I
L
I
D
A
D
E
S
Area bajo la curva entre z = - infinito y z = - 0,6


Para z = 1.28 es 0.3997 por lo tanto, Pr {
Para z = 0 y z= + es 0.5000, esto es : Pr {0
Para encontrar el rea entre los dos puntos elegidos, debemos
= 0.8997
Esto significa que el rea bajo la curva, para z =

g) A la derecha de z = 2.05, y a la izquierda de

rea total bajo la curva = 1-(rea entre-1.44 y 0)
1 - 0.4251 - 0.4798 = 0.0951, esto es 9.51%

0
5
10
15
20
25
30
35
40
45
P
R
O
B
A
B
I
L
I
D
A
D
E
S


Para z = 1.28 es 0.3997 por lo tanto, Pr {-1.28 z 0} = 0.3997
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
a que el rea bajo la curva, para z = -1.28 y z =+ es del 89.97%
, y a la izquierda de z = - 1.44

1.44 y 0) - (rea entre 0 y 2.05)
0.4798 = 0.0951, esto es 9.51%
0
5
10
15
20
25
30
35
40
45
-3 -2 -1 0 1 2 3
Area entre z = -1,28 y z = + infinito
ambos resultados: 0.3997+0.5000



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

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. Veamos 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:

|
|
\
|
|
|
\
|
|
|
\
|
n
L
c
d
c n
d L
=
n
c P

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

0.553
5
20
0
2
0 5
2 20
5
0 = = P
|
|
\
|
|
|
\
|
|
|
\
|

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

Para c = 2

0.053
5
20
2
2
2 5
2 20
5
2 = = P
|
|
\
|
|
|
\
|
|
|
\
|

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.

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.


Tngase presente que de los tres resultados, los nicos correctos son los de la Hipergeomtrica, y en
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
revisar 3 hojas al azar, que probabilidad existe de encontrar ninguna hoja con error.

Solucin:

L = 70 n = 3 p = 0,10
d = 7 c = 0

P
Respuesta: 72.54 %


Tngase presente que de los tres resultados, los nicos correctos son los de la Hipergeomtrica, y en
datos puede apreciarse el grado de error con los resultados correctos.
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.
0.7254
3
70
0
7
0 3
7 70
3
0 = =
|
|
\
|
|
|
\
|
|
|
\
|


Tngase presente que de los tres resultados, los nicos correctos son los de la Hipergeomtrica, y en los otros
la impresin de un libro de 70 hojas deseamos conocer, al


8.8 APROXIMACION NORMAL A BINOMIAL

La aproximacin normal a Binomial es sencilla, siempre que

Para: n = 12 y p = 1/3

La familia binomial tiene las siguientes probabilidades:

P(0)=0.008 P(4)=0.238 P(8) =0.015
P(1)=0.046 P(5)=0.191 P(9) =0.003
P(2)=0.127 P(6)=0.111 P(10)=0.000
P(3)=0.212 P(7)=0.048 P(11)=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 compa
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.

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


8.8 APROXIMACION NORMAL A BINOMIAL
La aproximacin normal a Binomial es sencilla, siempre que n no sea grande, ejemplo:
probabilidades:
P(8) =0.015 P(12) = 0.000
P(9) =0.003
P(10)=0.000
P(11)=0.000
mente, la grfica para una distribucin Binomial, deber representarse, como se vio anteriormente
existen valores. Sin embargo, para los fines comparativos con la normal, recurriremos a un histograma. Es
superficie, de manera que podamos acercarnos, visualmente, a la curva normal.

, definimos que, para la distribucin Binomial es:
mente, la grfica para una distribucin Binomial, deber representarse, como se vio anteriormente
rativos con la normal, recurriremos a un histograma. Es


: probable mas
4
3
1
12 : np :
Valor
= X

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.

Para verificar este acercamiento, realicemos los siguientes

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



es solo 12.

Para verificar este acercamiento, realicemos los siguientes ejercicios:
La respuesta exacta, a tres decimales, es P(6) + P(7) + P(8)+......+ P(12) = 0.177



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:

0.92
1.63
4 5.5 - x
= =
s
m
= z

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.

Por Gauss, la respuesta la da el rea bajo la curva normal entre 5.5. y 6.5.

z
2
=
6.5 4
1. 63
= 1. 53 A
2
= 0. 4370
z
1
=
5.5 4
1.63
=0.92 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:

npq
np x
= z

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:

n
pq
p
n
x
= z




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

n
= s
y
p
pq
= m

Estas frmulas sern de utilidad ms adelante.


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, 7.38, 7.40, 7.42, 7.43, 7.44.

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, 7.63, 7.64, 7.66.
Distribucin de Poisson: 7.27, 7.28, 7.29, 7.67, 7.68, 7.69, 7.70, 7.71




Captulo 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
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

x y x y x y
34 37 28 30 39 36
37 37 30 34 33 29
36 34 32 30 30 29
32 34 41 37 33 40
32 33 38 40 43 42

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
Esta grfica recibe el nombre de DIAGRAMA DE DISPERSIN.
posible relacin.

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 so
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.

Con la finalidad de ilustrar la manera en que se procede a estudiar la relacin
x y x y x y
36 35 35 33 31 34 32
29 29 36 32 31 36 38
29 34 37 33 36 34 31
40 35 39 37 40 38 40
42 36 40 36 42 31 29
forma aproximada de la relacin, trazando los datos como puntos en el plano x,y
DIAGRAMA DE DISPERSIN. Esto nos da una aproximacin visual a la

stro inters ahora es medir esa relacin entre los valores.
naturaleza de una tendencia, se busca cualquier propensin de los puntos de agruparse so
considrense las propiedades que seria conveniente que tuviera.
Con la finalidad de ilustrar la manera en que se procede a estudiar la relacin entre dos variables,
s da una aproximacin visual a la
stro inters ahora es medir esa relacin entre los valores.
naturaleza de una tendencia, se busca cualquier propensin de los puntos de agruparse sobre ambos lados de



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 ig
Desviacin Tpica.

As, se usan las variables
x
i

X e y
relacin deseada.
La notacin
x
i
, y
i denota el i-simo nmero de nuestra tabla.
Tambin deber ser independiente de la escala de medidas empleada para
Esta propiedad puede obtenerse dividiendo
Esto se logra dividiendo por la DESVIACIN T
ESTANDARD o sea a la variable Z.
De esta forma describiremos ahora dos variables

( )
x
i
i
s
X x
= u
y v
Con estas variables podemos volver a representar el diagrama de dispersin. Este ser ahora un
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

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:

propiedad puede obtenerse usando las desviaciones de las variables mismas. Esto es igual a la definicin de la
y
i

Y
en lugar de las variables
x
i
e y
i para formar la medida de
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
DESVIACIN TPICA. Esto significa que lo reducimos a
De esta forma describiremos ahora dos variables
u
i
y v
i siendo,
( )
y
i
i
s
Y y
=
y v
Con estas variables podemos volver a representar el diagrama de dispersin. Este ser ahora un
DE DISPERSIN PARA VALORES NORMALIZADOS.

Se puede ver, que la mayora de los puntos se encuentran en los cuadrantes 1 y 3.
i =1
n
u
i
v
i

ual a la definicin de la
para formar la medida de
entre cantidades que posean las mismas unidades que x e y.
Esto significa que lo reducimos a UNIDADES
Con estas variables podemos volver a representar el diagrama de dispersin. Este ser ahora un DIAGRAMA



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
n 1
, esto es la medida deseada y se llama COEFICIENTE DE CORRELACIN. Este
coeficiente se denota con la letra r. Si se reemplaza por las medidas originales la expresin es la siguiente:

( )( )
( )
y x
n
= i
i i
s s n
Y y X x
= r
1
1

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 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:

( ) [ ] ( ) [ ]
2
2
2
2

y y n x x n
y x xy n
= r

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.
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) 12 18 24 30 36 42 48
Rendimiento (y) 5.27 5.68 6.25 7.21 8.02 8.71 8.42



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
de x .
El procedimiento para trazar la lnea recta, partiendo de los datos, se denomina
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.

As pues: y = 2 + 3x
e y = 4
-9
-4
1
6
11
16


estn relacionados en forma aproximadamente lineal, para sta clase de
Por ello, una lnea recta podr ser aplicada a ste grupo de puntos para PREDECIR los valores de
ara trazar la lnea recta, partiendo de los datos, se denomina
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.
Ahora bien, la ecuacin de la recta se escribe en la siguiente forma:
son los parmetros que determinan la recta.
y = 2 + 3x
y = 4 - 2x representan:

y=2+3x
y=4-2x
estn relacionados en forma aproximadamente lineal, para sta clase de
los valores de y partiendo
ara trazar la lnea recta, partiendo de los datos, se denomina MTODO DE LOS
La recta pasar por los puntos que mejor se ajusten a los datos disponibles, esto es,



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

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:
( )
2
2

x x n
y x xy n
= b

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 Y X2 XY Y2
65 68 4225 4420 4624
63 66 3969 4158 4356
67 68 4489 4556 4624
64 65 4096 4160 4225
68 69 4624 4692 4761
62 66 3844 4092 4356
70 68 4900 4760 4624
66 65 4356 4290 4225
68 71 4624 4828 5041
67 67 4489 4489 4489
69 68 4661 4692 4624
71 70 5041 4970 4900

X=800 y=811 X2=53418 XY=54107 Y2=54849

Calculo del coeficiente de correlacin

( )( ) ( )( )
( )( ) ( ) [ ]( )( ) ( ) [ ]
0.7027
811 54.849 12 800 53.418 12
811 800 54.107 12
2 2
= = r

Calculo del coeficiente de regresin de la frmula de regresin:

( )( ) ( )( )
( )( ) ( )
0.4764
800 53.418 12
811 800 54.107 12
2
= = b

Clculo del Trmino constante de la frmula de regresin:


= a
Diagrama de dispersin y recta de regresin
Ecuacin de la recta: y = a + bx = 35.82 + 0.48 x
Prediccin para los valores de x fuera de los datos registrados:

VALORES DE X
50
85
90

El siguiente listado de ejercicios pertenece al libro

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 y 14 : 13-8, 13-10, 13-19, 13


( ) ( )( )
35.82
12
800 0.4764 811
= =

Diagrama de dispersin y recta de regresin

Ecuacin de la recta: y = a + bx = 35.82 + 0.48 x
fuera de los datos registrados:
PREDICCIN PARA Y
60
77
79
El siguiente listado de ejercicios pertenece al libro Estadstica de Murray Spieguel
visto la regresin de y sobre x, por ello, de los problemas sugeridos, el alumno
solo deber resolver segn lo visto en clase.
19, 13-20, 14.40, 14.46, 14.47
Estadstica de Murray Spieguel, el alumno deber
visto la regresin de y sobre x, por ello, de los problemas sugeridos, el alumno



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 mismo promedio que X, pero con una desviacin tpica
que es
n
1
veces la desviacin tpica de X. (n es el tamao de una muestra seleccionada de entre N). Estos
resultados matemticos se expresan en la forma de dos teoremas que veremos a continuacin:

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, Cul 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 y
n
= = =
X
25
3
0.6
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.



El problema de calcular la probabilidad de que
ahora fcilmente utilizando la frmula:

Z1 = (67-68) / 0.6 = -

Segn las tablas es 0,4525 + 0,4525 = 0,9050 es decir,
69 es del 90,5%.

TEOREMA DEL LMITE CENTRAL

Supongamos ahora que la variable X no posea una distribucin Normal.
El resultado es que si n es mayor que 25 la distribucin de
distribucin de poblacin que se elija para

TEOREMA DOS: (Llamado del lmite central)
tpica , entonces el promedio de muestra
distribucin normal aproximada con promedio
cada vez mejor al crecer n.

Esto es vlido para variables continuas discretas. Veamos un
tomar los valores 1 a 6 con probabilidades segn el siguiente grfico.

El problema de calcular la probabilidad de que
X
se encuentre dentro del intervalo 67 a

- 1.67 y Z2 = (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
no posea una distribucin Normal.
es mayor que 25 la distribucin de
X
, parecer normal independientemente de la
distribucin de poblacin que se elija para X.
(Llamado del lmite central) Si X posee una distribucin con promedio
entonces el promedio de muestra X basado en un muestreo al azar de tamao
distribucin normal aproximada con promedio y una desviacin tpica:
n
, cuya aproximacin se hace

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.

del intervalo 67 a 69 se resuelve
68) / 0.6 = + 1.67
se encuentra entre 67 y
independientemente de la
posee una distribucin con promedio y desviacin
estreo al azar de tamao n, poseer una
, cuya aproximacin se hace
ejemplo para una variable discreta que puede





Distribucin No Normal

Esta distribucin tiene una media aritmtica = 2.75
De esta poblacin de 1000 unidades, sacaremos 100 muestras, (con reposicin) de 10 unidades cada una, se
obtuvo el siguiente resultado real:

Clases X
1.5 - 1.6 1.55
1.7 - 1.8 1.75
1.9 - 2.0 1.95
2.1 - 2.2 2.15
2.3 - 2.4 2.35
2.5 - 2.6 2.55
2.7 - 2.8 2.75
2.9 - 3.0 2.95
3.1 - 3.2 3.15
3.3 - 3.4 3.35
3.5 - 3.6 3.55
3.7 - 3.8 3.75

El histograma para este diagrama de frecuencias es el siguiente:



media aritmtica = 2.75 y una desviacin tpica igual a 1.48
Tildes Frecuencias
/ 1
0
// 2
///// // 7
///// ///// /// 13
///// ///// ///// / 16
///// ///// ///// //// 19
///// ///// ///// / 16
///// ///// //// 14
///// //// 9
/ 1
// 2
Total 100
El histograma para este diagrama de frecuencias es el siguiente:
desviacin tpica igual a 1.48



De donde se desprende por clculo, a partir de la distribucin de frecuencias obtenida, que
desviacin tpica de la poblacin de muestreo es

Los valores tericos son:

Por lo tanto vemos que se cumple: a) una muy buena aproximacin de los valores tericos a los prcticos, y
que el perfil de la distribucin de las medias se parece a una normal, pese a que la distribucin de las
menos parecido a una normal.

10.3 Muestreo de Poblaciones Pequeas

En todos los clculos anteriores se ha supuesto que la poblacin era suf
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
reposicin, entonces puede demostrarse que la frmula:

Se sustituye por la siguiente



de la poblacin de muestreo es 0.41
0.47
10
1.48
2.75
= =
n
=
y
= =
x
X

una muy buena aproximacin de los valores tericos a los prcticos, y
que el perfil de la distribucin de las medias se parece a una normal, pese a que la distribucin de las
10.3 Muestreo de Poblaciones Pequeas
En todos los clculos anteriores se ha supuesto que la poblacin era suficientemente grande como para que la
correcta, y debemos corregir de la siguiente manera:
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:
n
=
X

1
N
n N
n
=
X

X
= 2.77 y la
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
icientemente grande como para que la
denota el tamao de la muestra que se toma sin



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) 0.97
100
5
1 = b) 0.95
100
10
1 = c) 0.89
100
20
1 =

Con estos resultados, es conservadora la conclusin de que la frmula original,
n
=
X
se encontrar
dentro de un error inferior al 10% a menos que la muestra constituya el 10% o ms de la poblacin.

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:
n
pq
, ntese que al dividir por n entra dentro de la raz como n
al cuadrado.

Ahora, basndonos en las anteriores demostraciones, podemos hacer extensiva la correspondiente frmula,
para las proporciones:

1
pq
p'
N
n N
n
=




10.5 Distribucin de muestreo de diferencias y sumas.

Supongamos tener poblaciones de tamao N1 y N2 , para cada muestra n1 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
2
s2
+ =
2
s1 s2 - s1

Para que se cumplan estas condiciones, las muestras seleccionadas no debern tener dependencias entre ellas,
es decir, debern ser necesariamente independientes entre s.
Si S1 y S2 son las medias muestrales de ambas poblaciones, cuyas medias escribiremos
y
1
2
X
X
, entonces la
distribucin de muestreo de las diferencias de medias viene dada por:

2
2
2
1
2
1
1
2 1
2 1
2
2 1
2
- -
n
+
n
=
2
+ =
x
=
x
2
x x
x
x
1
x
x

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:

2
2 2
1
1 1
1 2 1
2 1
2 2 1
2
- -
n
q p
+
n
q p
=
2
+ =
p
p p =
p
2
p p p
p
1
p p




Todos los desarrollos vistos sirven para el caso de la suma en lugar de la resta, as para el primer caso
tendramos:

2
+ =
s +
y
+ =
s +
2
s s
2
s
2
s
1
s
2
s
2
1
1
1

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:

2
0.5
1
0.5
100
5
= =
X X
= z
= =
x

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:

2,22
0,45
1
0.45
1 500
100 500
100
5
= =
X X
= z
= =
X

Para este valor de z, la probabilidad de que se encuentre entre +1 cm y 1 cm es del 97,37% 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 = 0,50, Adems N es muy grande

= P = 0,50

y

2,83
0,03536
0,5000 - 0,4000
0,03536
200
0.50 0.50 pq
= =
X
= z
= =
n
=
X
& & &

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: 0,5000 0,4977 = 0,0023

Respuesta: 0.23 %



b) en este caso tenemos que hacer dos clculos:

z
1
=
0, 43 0,50
0, 03536
= 1. 98
z
2
=
0,57 0, 50
0, 03536
=+1. 98

El rea correspondiente ser de 0,4761 * 2 = 0,9522

Respuesta: 95,22%

c)
z
1
=
0, 54 0, 50
0, 03536
= 1,13

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:

d1 d2 = d1 - d2 = 27.3 15.6 = 11.7 cm

cm = + = + =
2
d2 d1 d2 d1
0.18 0,08 0,16
2 2 2

d1 +d2 = d1 + d2 = 27.3 + 15.6 = 42.9 cm

cm = + = + =
2
d2 d1 d2 + d1
0.18 0,08 0,16
2 2 2





Captulo 8

Ejercicios 8.1, 8.2, 8.3, 8.4, 8.7, 8.11, 8.16, 8.21, 8.23, 8.24, 8.25, 8.26, 8.27, 8.34, 8.39, 8.40.


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
Las dos distribuciones de frecuencias de poblaciones que se han estudiado han sido la
por lo tanto, consideraremos sus propiedades.

La Distribucin Binomial,

X
X
N = P
\
|
queda completamente determinada por el nmero de intentos
p.

Los smbolos n y p se llaman Parmetros

Recordemos la diferencia entre Estadsticos y Parmetros,
distribucin de una muestra, y el segundo a los medidores de la d
consideraciones siguientes hablaremos de parmetros pues estamos estudiando las propiedades de toda la
poblacin que nos interesa. Los parmetros
consecuentemente, cualquier propiedad de la distribucin.

La DISTRIBUCIN NORMAL queda completamente determinada por los dos parmetros


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
por lo tanto, consideraremos sus propiedades.
X N X
q p
|
|
|

queda completamente determinada por el nmero de intentos n, y la probabilidad de xito en una sola prueba
Parmetros de la distribucin.
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
poblacin que nos interesa. Los parmetros n y p determinan completamente la distribucin binomial y,
te, cualquier propiedad de la distribucin.
queda completamente determinada por los dos parmetros
de propiedades de la poblacin.
Binomial y la Normal,
to en una sola prueba
el primero se refiere a los medidores de la
istribucin de la poblacin. En las
determinan completamente la distribucin binomial y,
queda completamente determinada por los dos parmetros y .




Los problemas de estimacin para problemas normales pueden reducirse generalmente a los problemas de
estimacin de y .

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:

X1 X4
X
Xn X3 X2
-------------------I---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
.



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, cul 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 ms-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 ms-menos dos
desviaciones tpicas es del 95.45% y de ms-menos tres desviaciones tpicas del 99.73%

Por otra parte, la variable
z=
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.

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
99.73 99.0 98.0 96.0 95.45 95.0 90.0 80.0 68.27 50.0 38.30
z 3 2.58 2.33 2.05 2 1.96 1.645 1.28 1 0.6745 0.500




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./cm
2

Extraemos al azar, una muestra de 100 barras y medimos
X= 5.500kg/ cm
2
.
Qu podemos inferir respecto de la media real ?

Para esto sabemos que:

Las medias
X
de las muestras de 100 u, tomadas al azar, tienen como media general: , (Teorema del Lmite
Central, Captulo 10).

La desviacin normal de las medias, que mide su dispersin alrededor de es:

2
x
cm kg = =
n
= / 20
100
200

Puesto que n es 100, o sea es mayor de 30, de acuerdo con lo visto en la Teora del Muestreo, Captulo 10, no
ser necesario corregir, y adems, la distribucin de las medias de muestreo, ser normal.

Supongamos ahora que queremos saber cul es la probabilidad de que el valor encontrado
X
, no
difiera en ms de 50 Kg/cm
2
de 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 5500 + 50

5450 5550



Estos sern los valores extremos que nos interesan, transformemos estos valores en unidades de la variable z
(es ambos lados iguales)

z = 2.50
20
50
20
5500 5550
= =

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./cm
2
y 5550 Kg./cm
2
.
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.
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.

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

5
4
5
0
5
5
0
0
5
5
5
0



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:

n
'
z X

en el caso que hemos desarrollado, estos lmites con 95% de confianza sern:

39 5500
100
200
1.96 5500 =

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.

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.

33 5500
100
200
1.64 5500 =
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:



52 5500
100
200
2.58 5500 =
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% 5467< <5533 33 5500
95% 5461< <5539 39 5500
99% 5449< <5551 52 5500

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:

1 n
n
=
'

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.



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:
1 n
t X
Dnde el valor de se obtiene a partir de la muestra.

Condiciones para usar la Distribucin Normal y la distribucin t.

n Si se conoce Si no se conoce
n > 30 Distribucin Normal, tabla z Distribucin Normal, tabla z
n 30 y la poblacin
normal o aprox. normal
Distribucin Normal, tabla z Distribucin Student, tabla t




DISTRIBUCIN t 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 0,50 0,75 0,80 0,85 0,90 0,95 0,98 0,99
Error 0,50 0,25 0,20 0,15 0,10 0,05 0,02 0,01

Grados 1 1,000 2,414 3,078 4,165 6,314 12,706 31,821 63,656
De 2 0,816 1,604 1,886 2,282 2,920 4,303 6,965 9,925
Libertad 3 0,765 1,423 1,638 1,924 2,353 3,182 4,541 5,841
4 0,741 1,344 1,533 1,778 2,132 2,776 3,747 4,604
5 0,727 1,301 1,476 1,699 2,015 2,571 3,365 4,032
6 0,718 1,273 1,440 1,650 1,943 2,447 3,143 3,707
7 0,711 1,254 1,415 1,617 1,895 2,365 2,998 3,499
8 0,706 1,240 1,397 1,592 1,860 2,306 2,896 3,355
9 0,703 1,230 1,383 1,574 1,833 2,262 2,821 3,250
10 0,700 1,221 1,372 1,559 1,812 2,228 2,764 3,169
11 0,697 1,214 1,363 1,548 1,796 2,201 2,718 3,106
12 0,695 1,209 1,356 1,538 1,782 2,179 2,681 3,055
13 0,694 1,204 1,350 1,530 1,771 2,160 2,650 3,012
14 0,692 1,200 1,345 1,523 1,761 2,145 2,624 2,977
15 0,691 1,197 1,341 1,517 1,753 2,131 2,602 2,947
16 0,690 1,194 1,337 1,512 1,746 2,120 2,583 2,921
17 0,689 1,191 1,333 1,508 1,740 2,110 2,567 2,898
18 0,688 1,189 1,330 1,504 1,734 2,101 2,552 2,878
19 0,688 1,187 1,328 1,500 1,729 2,093 2,539 2,861
20 0,687 1,185 1,325 1,497 1,725 2,086 2,528 2,845
21 0,686 1,183 1,323 1,494 1,721 2,080 2,518 2,831
22 0,686 1,182 1,321 1,492 1,717 2,074 2,508 2,819
23 0,685 1,180 1,319 1,489 1,714 2,069 2,500 2,807
24 0,685 1,179 1,318 1,487 1,711 2,064 2,492 2,797
25 0,684 1,178 1,316 1,485 1,708 2,060 2,485 2,787
26 0,684 1,177 1,315 1,483 1,706 2,056 2,479 2,779
27 0,684 1,176 1,314 1,482 1,703 2,052 2,473 2,771
28 0,683 1,175 1,313 1,480 1,701 2,048 2,467 2,763
29 0,683 1,174 1,311 1,479 1,699 2,045 2,462 2,756
30 0,683 1,173 1,310 1,477 1,697 2,042 2,457 2,750
40 0,681 1,167 1,303 1,468 1,684 2,021 2,423 2,704
60 0,679 1,162 1,296 1,458 1,671 2,000 2,390 2,660
120 0,677 1,156 1,289 1,449 1,658 1,980 2,358 2,617


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 (si n = 20), 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 corr


que corresponde a un rea de 0,10 en ambos extremos de la distribucin combinada,
hasta el rengln de los 19 grados de libertad; el valor correspondiente de t es 1.729
que corresponde a un rea de 0,10 en ambos extremos de la distribucin combinada,



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
2
cm kg = X / 5.500 y = 200 kg/ cm
2
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:

82 5500
1 26
200
2.060 5500 =

o bien:
5418< <5582

Como puede apreciarse, los lmites se han abierto significativamente debido a la falta de confianza en una
muestra chica.

Intervalos de confianza para las proporciones o porcentajes de defectuosos.

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

npq = Tpica Desviacin
np probable mas
=
= X = Valor

Pero ahora nos interesa solo p, es decir el % defectuoso, para ello dividimos las frmulas por el valor de n y nos
queda:

n
=
= X = Valor
p
pq
= Tpica Desviacin
p probable mas




As, la frmula para los intervalos de confianza para las proporciones o porcentajes de defectuosos, estar dada
por la siguiente expresin:
n
z p
pq

Clculo del tamao de una muestra para un error dado

La frmula para variables, desarrollada para el clculo de los lmites de confianza fue establecida como:
n
z X
y para proporciones:
n
z p
pq

En ambos casos el segundo trmino se lo llama el error del clculo. ste error puede establecerse previamente
y querer conocer el tamao del n que satisface dicho error para un z dado y una probabilidad de la confianza
deseado.
Para ello se igualan los segundos trminos a y se despeja n

Las frmulas resultantes son:

=
n
z =
n
z
pq

De donde:
2
2
2
z
= n
o

2
2
pq z
= n
o


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.




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
Relacin de precios =
p
n
p
o

Problema
Los precios al por menor, en centavos por libra, del cinc en Usa, durante 1978-84 son:
Ao 1978 1979 1980 1981 1982 1983 1984
Precio promedio del cinc 31.0 37.3 37.4 44.6 38.5 41.4 48.6

Con 1978 como base, hallar las relaciones de precios correspondientes a los aos 1982 y 1984
p
1978/ 1982
=
38.5
31. 0
= 1.242= 124 .2 = 124. 2
p
1978/ 1984
=
48. 6
31. 0
= 1.568= 156. 8= 156. 8

b) Con 1980 como base, hallar las relaciones de precios correspondientes a los aos dados:

Ao 1978 1979 1980 1981 1982 1983 1984
Relacin de precios
1980 = 100
82.9 99.7 100 119.3 102.9 1107 129.9

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 1978 1979 1980 1981 1982 1983 1984
Relacin de precios
1978-1980 = 100
88.1 106.0 106.3 126.7 109.4 117.6 138.1




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:
Relacin de precios =
p
n
p
o

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 1977 1978 1979 1980 1981 1982 1983 1984 1985
Produccin de trigo 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:
Se dividen las cifras por 2765:
Ao 1977 1978 1979 1980 1981 1982 1983 1984 1985
Relacin
Cantidad
74.0 64.2 77.2 86.1 100.7 100.0 87.5 93.9 87.7
(1982=100)

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 1977 1978 1979 1980 1981 1982 1983 1984 1985
Relacin
Cantidad
98.2 85.2 102.4 114.2 133.6 132.7 116.1 124.5 116.4
(1977-1980=100)



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 pn y qn el precio y la cantidad
correspondiente a un perodo dado, entonces definimos:
cantidad de relacin x precios de valor de Re relacin =
q
q
x
p
p
=
q p
q p
=
v
v
= lacin
o
n
o
n
o o
n n
o
n

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.

Con enero de 1980 como base, hallar el nmero ndice de empleo (la relacin de cantidad) para julio.

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:
El nmero ndice de empleo es:

125 125 1.25
120
30 120
cantidad de Relacin = = =
+
=

El nmero ndice trabajo gasto es:




115 115 1.15
80.000
$12000 $80.000
: valor de Relacin = = =
$
+

c) Despejando de la relacin indicada;

Relacin de valor =
v
n
v
o
=
p
n
q
n
p
o
q
o
=
p
n
p
o
x
q
n
q
o
= relacin de precios x relacin de cantidad

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.




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 1.1% Abril 0.5%
Febrero 0.9% Mayo 0.9%
Marzo 1.5% Junio 1.2%

Solucin:
a) En primer trmino se debe escribir la relacin de enlace, en forma de ndice, para cada dato mensual:

Enero 1.011 Abril 1.005
Febrero 1.009 Mayo 1.009
Marzo 1.015 Junio 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
La variacin de precios entre Abril y Junio ser:
1.005*1.009*1.012 = 1.0262
Esto es el 2.62 %



12.5 El mtodo de agregacin simple
Es el cociente del precio total de los artculos en el ao dado, pn y el precio total de los artculos en el ao base,
po. Se expresa en forma porcentual.

Indice de precios por agregacin simple =
p
n
p
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) 1980 1981 1985
Leche 13.2 14.0 12.9
Mantequilla 139.3 148.0 141.1
Queso 156.2 167.2 162.0

El ndice de precios por agregacin simple es:

102.4
156.2 139.3 13.23
162.0 141.1 12.90
1980 bas ao el en precios de Suma
1985 prefijado ao el en precios de Suma
simple agregacin por precios de Indice
0
=
+ +
+ +
=
) e(
) (
=
p
p
=
n

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:
99.1%
161.7 143.7 13.59
162.0 141.1 12.90
=
+ +
+ +
=
p
p
o
n

En la prctica la cantidad de artculos que integran un ndice es muy grande y conforman una canasta .




12.6 El mtodo del promedio simple de relaciones
Mtodo de la media aritmtica.
Indice de la media aritmtica simple de relaciones de precios =
p
n
/ p
o
N

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.

Precios (centavos por libra) 1980 1981 1985
Leche 13.23 13.95 12.90
Mantequilla 139.3 148.0 141.1
Queso 156.2 167.2 162.0

Relacin de precios.

De la leche: 12.90/13.23= 97.5%
De la mantequilla: 141.1/139.3=101.3%
Del queso: 162.0/156.2=103.7%

100.8
3
103.7 101.3 97.5
/

precios de relaciones de simple aritmtica media la de
=
+ +
=
N
p p
= Indice
o n




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 po
y pn,

Indice de Laspeyres o mtodo del ao base:
Indice de precios por agregacin ponderada con pesos de cantidad en el ao base =
p
n
q
o
p
o
q
o
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
n
q
n
p
o
q
n

12.7.1 El mtodo de agregacin ponderada por el Indice de Laspeyres o mtodo del ao base:

Problema
Precios (centavos por libra) Cantidad ( millones de libras)
Aos 1980 1981 1985 1980 1981 1985
Leche 13,23 13,95 12,90 128500 132800 143700
Mantequilla 139,3 148,0 141,1 1145 1228 1248
Queso 156,2 167,2 162,0 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)

98,8 0,9881
2381 156,2 1145 139,3 128500 23 13
2381 162,0 1145 141,1 128500 90 12
1980 en cantidades 1980 en s
= =
) )( ( + ) )( ( + ) )( , (
) )( ( + ) )( ( + ) )( , (
=
) )( (precio
) )( (precio
=
q p
q p
o o
o n




b) Este ejercicio de debe realizar en clase formando grupos de alumnos.

12.7.2 El mtodo de agregacin ponderada por el ndice de Paasche o mtodo del ao dado:

Problema
Precios (centavos por libra) Cantidad ( millones de libras)
Aos 1980 1981 1985 1980 1981 1985
Leche 13,23 13,95 12,90 128500 132800 143700
Mantequilla 139,3 148,0 141,1 1145 1228 1248
Queso 156,2 167,2 162,0 2381 2664 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

98,9 0,9886
2854 156,2 1248 139,3 143700 23 13
2854 162,0 1248 141,1 143700 90 12
1985 en cantidades 1980 en precios
1985 en cantidades 1985 en precios
0
= =
x + x + x ,
x + x + x ,
=
) )( (
) )( (
=
q p
q p
n
n n

b) Base: 1980 - 1981

96,1 0,9609
2854 161,7 1248 65 143 143700 59 13
2854 162,0 1248 141,1 143700 90 12
1985 en cantidades 1981 - 1980 en s
= =
) )( ( + ) )( , ( + ) )( , (
) )( ( + ) )( ( + ) )( , (
=
) )( (precio
) )( (precio
=
q p
q p
n o
n n




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 1976 1977 1978 1979 1980 1981 1982 1983
Salario 96.32 102.68 108.86 114.60 121.66 130.20 138.62 147.38 158.03 163.85 171.05
ndice de
precio
106.2 117.9 128.7 136.1 144.9 155.9 173.5 197.0 217.4 230.7 238.1
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
ndice
(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 en cifras se han casi doblado, pero 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%

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




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 ms 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 con otro promedio mvil de 2 meses sobre los datos obtenidos con el
clculo anterior. Debe ponerse cuidado en determinar correctamente el primer perodo donde se inicia
la serie centrada. Por ejemplo, si la serie comienza en enero, el promedio mvil es de 4 y se centra con
otro promedio mvil de dos, la serie resultante comienza en marzo.

A continuacin se analiza cada caso.
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.




TIEMPO VALORES
MENSUALES

TENDENCIA REGRESION PROMEDIO
MOVIL DE
TRES MESES
PROMEDIO
MOVIL DE
CINCO MESES
1976 ERO 178,2 170,5 169,9
FRO 156,7 170,8 170,3 166,4
MZO 164,2 171,2 170,6 158,0 162,0
ABR 153,2 171,5 171,0 158,3 160,8
MYO 157,5 171,9 171,4 161,1 166,7
JUN 172,6 172,3 171,7 172,0 171,0
JUL 185,9 172,6 172,1 181,4 173,4
AGO 185,8 173,0 172,4 178,9 174,6
SET 165,0 173,4 172,8 171,5 173,9
OCT 163,6 173,7 173,2 165,9 173,3
NOV 169,0 174,1 173,5 171,9 175,4
1977 DIC 183,1 174,4 173,9 182,8 175,0
ERO 196,3 174,8 174,2 180,7 176,0
FRO 162,8 175,2 174,6 175,9 173,5
MZO 168,6 175,5 175,0 162,8 170,6
ABR 156,9 175,9 175,3 164,6 167,3
MYO 168,2 176,2 175,7 168,4 174,4
JUN 180,2 176,6 176,1 182,1 179,8
JUL 197,9 177,0 176,4 191,3 183,6
AGO 195,9 177,3 176,8 189,9 183,3
SET 176,0 177,7 177,1 179,4 180,5
OCT 166,4 178,0 177,5 169,6 177,7
NOV 166,3 178,4 177,9 172,2 178,0
1978 DIC 183,9 178,8 178,2 182,5 177,5
ERO 197,3 179,1 178,6 185,0 178,9
FRO 173,7 179,5 178,9 181,4 177,6
MZO 173,2 179,8 179,3 168,9 175,8
ABR 159,7 180,2 179,7 169,4 173,8
MYO 175,2 180,6 180,0 174,1 179,6
JUN 187,4 180,9 180,4 188,4 186,1
JUL 202,6 181,3 180,8 198,5 191,3
AGO 205,6 181,7 181,1 197,9 191,4
SET 185,6 182,0 181,5 188,9 189,1
OCT 175,6 182,4 181,8 179,2 187,0
NOV 176,3 182,7 182,2 181,2 187,7
1979 DIC 191,7 183,1 182,6 192,5 187,9



ERO 209,5 183,5 182,9 195,8 189,4
FRO 186,3 183,8 183,3 192,9 188,0
MZO 183,0 184,2 183,6 179,6 185,3
ABR 169,5 184,5 184,0 176,9 180,7
MYO 178,2 184,9 184,4 178,1 184,0
JUN 186,7 185,3 184,7 189,1 188,3
JUL 202,4 185,6 185,1 198,0 190,6
AGO 204,9 186,0 185,5 196,0 190,9
SET 180,6 186,3 185,8 188,4 189,0
OCT 179,8 186,7 186,2 179,3 186,3
NOV 177,4 187,1 186,5 182,0 185,3
1980 DIC 188,9 187,4 186,9 188,8 187,0
ERO 200,0 187,8 187,3 192,5 188,5
FRO 188,7 188,1 187,6 192,1 186,7
MZO 187,5 188,5 188,0 181,6 184,1
ABR 168,6 188,9 188,4 177,3 182,0
MYO 175,7 189,2 188,7 177,9 187,5
JUN 189,4 189,6 189,1 193,7 193,0
JUL 216,1 189,9 189,4 207,0 197,6
AGO 215,4 190,3 189,8 207,6 198,2
SET 191,4 190,7 190,2 195,1 196,0
OCT 178,5 191,0 190,5 182,8 191,9
NOV 178,6 191,4 190,9 184,2 189,9
1981 DIC 195,6 191,8 191,2 193,1 187,5
ERO 205,2 192,1 191,6 193,5 188,9
FRO 179,6 192,5 192,0 190,1 187,6
MZO 185,4 192,8 192,3 179,1 184,1
ABR 172,4 193,2 192,7 178,5 183,6
MYO 177,7 193,6 193,1 184,3 191,7
JUN 202,7 193,9 193,4 200,2 196,6
JUL 220,2 194,3 193,8 211,0 199,5
AGO 210,2 194,6 194,1 205,8 200,3
SET 186,9 195,0 194,5 192,8 194,9
OCT 181,4 195,4 194,9 181,3 189,9
NOV 175,6 195,7 195,2 184,2
DIC 195,6 196,1 195,6























Uso acadmico exclusivo, prohibida su reproduccin sin consentimiento del autor Uso acadmico exclusivo, prohibida su reproduccin sin consentimiento del autor



Estimacin de las variaciones Estacionales. El ndice 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.

Ero Fro Mzo Abr Myo Jun Jul Ago Set Oct Nov Dic
1976 178.2 156.7 164.2 153.2 157.5 172.6 185.9 185.8 165.0 163.6 169.0 183.1
1977 196.6 162.8 168.6 156.9 168.2 180.2 197.9 195.9 176.0 166.4 166.3 183.9
1978 197.3 173.7 173.2 159.7 175.2 187.4 202.6 205.6 185.6 175.6 176.3 191.7
1979 209.5 186.3 183.0 169.5 178.2 186.7 202.4 204.9 180.6 179.8 177.4 188.9
1980 200.0 188.7 187.5 168.6 175.7 189.4 216.1 215.4 191.5 178.5 178.6 195.6
1981 205.2 179.6 185.4 172.4 177.7 202.7 220.2 210.2 186.9 181.4 175.6 195.6

A continuacin procederemos a calcular los promedios mensuales para cada ao:

AO PROMEDIO ANUAL
1976 169.6
1977 176.6
1978 183.7
1979 187.3
1980 190.5
1981 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%

ERO FRO MZA ABR MYO JUN JUL AGO SET OCT NOV DIC
1976 105.1 92.4 96.8 90.3 92.9 101.8 109.6 109.6 97.3 96.5 99.6 108.0
1977 111.2 92.2 95.5 88.8 95.2 102.0 112.1 110.9 99.7 94.2 94.2 104.1
1978 107.4 94.6 94.3 86.9 95.4 102.0 110.3 111.9 101.0 95.6 96.0 104.4
1979 111.9 99.5 97.7 90.5 95.1 99.7 108.1 109.4 96.4 96.0 94.7 100.9
1980 105.0 99.1 98.4 88.5 92.2 99.4 113.4 113.1 100.5 93.7 93.8 102.7
1981 107.4 94.0 97.0 90.2 93.0 106.1 115.2 110.0 97.8 94.9 91.9 102.4
Total 648.0 571.8 579.7 535.2 563.8 611.0 668.7 664.9 592.7 570.9 570.2 622.5
Media 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




Uso acadmico exclusivo, prohibida su reproduccin sin consentimiento del autor Uso acadmico exclusivo, prohibida su reproduccin sin consentimiento del autor





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




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 est 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.

14.3 Errores de Tipo I y de Tipo II

Tipo I: Es rechazar H0 cuando es verdad.

Tipo II: Es aceptar H0 cuando es falsa.

Decisin Si es H0 Verdad Si es H0 Falsa
Acepto H0 Decisin correcta Error de Tipo II
Rechazo H0 Error de Tipo I 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, cul ser el riesgo
que estaremos dispuestos 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 dispuestos 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



La figura nos muestra que podemos tener 95% de confianza de que si la hiptesis es verdadera, el valor de
para un estadstico de la muestra S, estar comprendida entre
muestra y calcular su estadstico, y determinar su correspondiente valor de
intervalo indicado, podremos concluir que dicho evento
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
la hiptesis o regin de significacin. El conjunto de
aceptacin de la hiptesis o regin de no significacin

Finalmente, las reglas de decisin, o contraste de hiptesis o significacin, son las siguientes:



La figura nos muestra que podemos tener 95% de confianza de que si la hiptesis es verdadera, el valor de
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
es significativo al nivel 0.05.
1.96 a +1.96 se llama regin crtica de la hiptesis, regin de rechazo de
. El conjunto de z en el rango interior se conoce como
aceptacin de la hiptesis o regin de no significacin.
La figura nos muestra que podemos tener 95% de confianza de que si la hiptesis es verdadera, el valor de z
1.96 y +1.96. Por otra parte, si al sacar una
nos da un valor fuera del
, podra suceder solo en el 5% de los casos y por ello
regin crtica de la hiptesis, regin de rechazo de
en el rango interior se conoce como regin de




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, 0.10 0.05 0.02 0.025 0.01 0.005 0.002
Valores crticos de z para
tests unilaterales
-1.28 o
+1.28
-1.645 o
+1.645
-2,05 o
+2,05
-1.96 o
+1.96
-2.33 o
+2.33
-2.58 o
+2.58
-2.88 o
+2.88
Valores crticos de z para
tests bilaterales.
-1.645 y
1.645
-1.96 y
1.96
-2.33 y
+2.33
-2.24 y
2.24
-2.58 y
2.58
-2.81 y
2.81
-3.08 y
3.08



14.6 Tres distintos niveles de significacin:


14.6 Tres distintos niveles de significacin:




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 utilicemos al probar una hiptesis, mayor probabilidad
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 qu 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 Si se conoce Si no se conoce
n > 30 Distribucin Normal, tabla z Distribucin Normal, tabla z
n 30 y la poblacin
normal o aprox. normal
Distribucin Normal, tabla z Distribucin Student, tabla t




Ejemplo 1
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, er
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

x
= $38.95
n = 16
H0 = $41.95 = $ 5.36

Para un nivel de significancia = 0,02 tendremos que

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.


el precio promedio, al menudeo del esqu, era de $41,95 con = $5.36. La tienda saca una muestra en 16 de sus
tiene motivos para pensar que el precio promedio al menudeo ha disminuido?
H0 : = $41.95
H1 : < $41.95
1.34
4
5.36
16
5.36
= = =
x

Para un nivel de significancia = 0,02 tendremos que z = 2,05, entonces:
nula, y la tienda deber pensar que el precio ha disminuido.
$5.36. La tienda saca una muestra en 16 de sus




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?

x = $151
n = 121
H0 = $144
= $ 52

H0 : = $144
H1 : > $144

4.73
11
52
121
52
= = =
x

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. H0 : = 14.500Hs.
n = 25 H1 : < 14.500Hs.
H0 = 14.500Hs.
2.100Hs.
420
5
2100
25
2.100
= = =
x
Hs.

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.



Captulo 10.1, 10.2, 10.6, 10.7, 10.8, 10.9, 10.34, 10.36




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 poblaciones estimadas. Las poblaciones tienen necesariamente que ser normales. Se la utiliza para
analizar diferencias entre varianzas de muestras.
La comparacin simultnea de varias medias poblacionales se denomina Anlisis De
Varianza, ANOVA.
Supongamos tener una poblacin normal y que extraemos de ella dos muestras de tamao n1 y n2. De cada
muestra calculamos la desviacin tpica, S1 y S2.
La razn F se expresa as:

2
2
2
1
s
s
= F
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 s
2
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, es mejor pensar que el resultado es significativo y la mejor opcin ser rechazar la H0.

Es frecuente que no se conozcan las varianzas y se deba partir de las medias poblacionales. El primer paso ser,
a partir de las medias, calcular las variabilidades. Para esto se deben tener en cuenta.

a) Las poblaciones a comparar deben ser normales
b) Las desviaciones estndar (por lo tanto tambin las varianzas) han de ser iguales.
c) Las muestras de cada poblacin se seleccionan de manera independiente.

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.

El primer ejemplo que desarrollaremos muestra el razonamiento lgico para obtener las estimaciones de las
varianzas partiendo con distintos caminos.

Este desarrollo es solo terico, no es el mtodo para resolver el problema.

El segundo ejemplo repite lo mismo pero siguiendo el esquema tradicional de clculo, ste si es el mtodo de
solucin del problema.

Problema 1.
Un solo factor con igual nmero de muestras por tratamiento.

Los datos de la tabla 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.
La Hiptesis de Alternativa ser: H1 1= 2= 3= 4 lo que significa que los catalizadores s tienen efecto
significativo sobre el rendimiento.

Los datos experimentales son:




DESARROLLO TERICO:

X
I 36 33 35 34 32 34 34.00

II 35 37 36 35 37 36 36.00

III 35 39 37 38 39 38 37.67

IV 34 31 35 32 34 33 33.17

Clculo de la varianza de las medias:
(variabilidad entre las filas, variacin entre
tratamientos)
24.60 = 4.10 6 =
2
=
m
V
: finalmente
2
X
n =
2
n
2
=
2
X
=
x
: Luego
4.10 =
2
X

Clculo de F:
13.59
1.81
24.60
= =
V
V
= F
c
m

Conclusin:
Se rechaza la Hiptesis de que
el catalizador no tiene efecto
en los rendimientos.
De tablas al 5%:
Para: V1 = 3 y V2 = 20
Es : F0=3.10
Clculo de las varianzas por filas:
(variabilidad dentro de las filas,
dentro del tratamiento)
n-1
2

1.41 2.00
0.89 0.79
1.51 2.28
1.47 2.16

1.81
4
2.16 2.28 0.79 2.00
=
+ + +
= Vc


Haremos ahora el clculo con el mtodo tradicional, para simplificar el mtodo primero procedemos a quitar 30
a todos los nmeros del ejemplo, con la finalidad de achicar los clculos.

a) Clculo de las medias de tratamiento:

b) Media global para todos los tratamientos:

c) Clculo de la variacin total:

d) Clculo de la variacin entre tratamientos:

6[(4-5.21)
2
+(6-5.21)
2
+(7.67-5.21)

El 6 es el nmero de ensayos en cada tratamiento:

e) Clculo de la variacin dentro de los tratamientos:

Vw=V-Vb=109.9-73.79=36.11

I 6
II 5
III 5
IV 4

I 6
II 5
III 5
IV 4

I 6 3
II 5 7
III 5 9
IV 4 1
Media global

a todos los nmeros del ejemplo, con la finalidad de achicar los clculos.
Clculo de las medias de tratamiento:
Media global para todos los tratamientos: Es la media aritmtica (promedio) de los 24 ensayos:
= (6-5.21)
2
+(3-5.21)
2
++(3
Clculo de la variacin entre tratamientos: =
5.21)
2
+(3.17-5.21)
2
]= 73.79
El 6 es el nmero de ensayos en cada tratamiento:
Clculo de la variacin dentro de los tratamientos:
3 5 4 2 4
7 6 5 7 6
9 7 8 9 8
1 5 2 4 3
X
3 5 4 2 4 4.00
7 6 5 7 6 6.00
9 7 8 9 8 7.67
1 5 2 4 3 3.17
X
5 4 2 4 4.00
6 5 7 6 6.00
7 8 9 8 7.67
5 2 4 3 3.17
Media global -------------- 5.21
Es la media aritmtica (promedio) de los 24 ensayos:
++(3-5.21)
2
= 109.9


ste clculo se puede obtener por otro mtodo:
(4-4)
2
+ (5-6)
2
+ (7-6)
2
++ (6
++ (3-3.17)
2
= 73.79

Anlisis Final:
Variacin Grados de libertad
Entre tratamientos:
VB=73.79
a
Dentro de los tratamientos
=Vw=V-Vb=109.9-73.79=36.11
a(b-1)=4*5=20
Total:VT = 109.9 ab

Ahora hemos llegado al mismo valor que antes y la conclusin ser la misma:

De tablas al 5%:
Para: V1 = 3 y V2 = 20
Es : F0=3.10

ste clculo se puede obtener por otro mtodo: = (6-
++ (6-6)
2
+ (5-7.67)
2
+ (9-7.67)
2
++ (8-7.67)
2
+ (4-3.17)
Grados de libertad Cuadrado medio
a-1=3 73.79/3=24.60
1)=4*5=20

36.11/20=1.81
ab-1=23
Ahora hemos llegado al mismo valor que antes y la conclusin ser la misma:
Conclusin:
en los rendimientos
-4)
2
+ (3-4)
2
++
3.17)
2
+ (1-4.17)
2
F
13.59

la Hiptesis de que


Veamos ahora el clculo necesario en el caso de que los ensayos por cada tratamiento sean distintos:

a) Clculo de las medias de tratamiento:

b) Media global para todos los tratamientos:

c) Clculo de la variacin total: (idntico al anterior) =

= (6-5.22)
2
+(3-5.22)
2
++(3-5.22

d) Clculo de la variacin entre tratamientos:

cada trmino segn el nmero de ensayos)

3(4.67-5.22)
2
+4(5.75-5.22)
2
+5

I 6
II 5
III 5
IV 4

I 6
II 5
III 5
IV 4

I 6 3
II 5 7
III 5 9
IV 4 1
Media global

clculo necesario en el caso de que los ensayos por cada tratamiento sean distintos:
Clculo de las medias de tratamiento:
Media global para todos los tratamientos: Es la media aritmtica (promedio) de los 24 ensayos:
Clculo de la variacin total: (idntico al anterior) =
5.22)
2
= 85.11
Clculo de la variacin entre tratamientos: = (distinto al anterior, se pondera
trmino segn el nmero de ensayos) =
5(7.60-5.22)
2
+6(3.17-5.22)
2
]= 55,57
3 5
7 6 5
9 7 8 9
1 5 2 4 3
X
3 5 4,67
7 6 5 5,75
9 7 8 9 7,60
1 5 2 4 3 3,17
X
5 4.67
6 5 5.75
7 8 9 7.60
5 2 4 3 3.17
global -------------- 5.22
clculo necesario en el caso de que los ensayos por cada tratamiento sean distintos:
aritmtica (promedio) de los 24 ensayos:
(distinto al anterior, se pondera


e) Clculo de la variacin dentro de los tratamiento

Vw=V-Vb=85.11-55.57=29.54

ste clculo se puede obtener por otro mtodo:

(5-4.67)
2
+ (5-5.75)
2
+ (7-5.75)
2

(1-4.17)
2
++ (3-3.17)
2
= 29.5

Anlisis Final:
Variacin Grados de libertad
Entre tratamientos:
VB=55.57
a
Dentro de los tratamientos
=Vw=V-Vb=29.54
a(b-1)=4*5=20
Total:VT = 85.11 ab

Ahora hemos llegado a un valor muy alto por lo que la conclusin ser

De tablas al 5%:
Para: V1 = 3 y V2 = 20
Es : F0=3.10

cin dentro de los tratamiento
ste clculo se puede obtener por otro mtodo: = (6-
2
++ (5-5.75)
2
+ (5-7.60)
2
+ (9-7.60)
2
++ (9-
54
Grados de libertad Cuadrado medio
a-1=3 18.52
1)=4*5=20

1.48
ab-1=23
Ahora hemos llegado a un valor muy alto por lo que la conclusin ser:
Conclusin:
en los rendimientos
-4.67)
2
+ (3-4.67)
2
+
-7.60)
2
+ (4-3.17)
2
+
F
12.5




15.3 Anlisis de Varianza y Clculo de F, con dos variables de clasificacin.

Problema

La tabla muestra las producciones por acre de cuatro semillas sembradas en campos tratados con tres
fertilizantes distintos. Determinar el nivel de significacin 0.05 si hay diferencia en produccin por acre: a)
debida a los fertilizantes y b) debida a las semillas.

Semilla 1 Semilla 2 Semilla 3 Semilla 4 Total de la fila
Media de las
filas
Fertilizante 1 4.5 6.4 7.2 6.7 24.8 6.2
Fertilizante 2 8.8 7.8 9.6 7.0 33.2 8.3
Fertilizante 3 5.9 6.8 5.7 5.2 23.6 5.9
Total de columna 19.2 21.0 22.5 18.9 Total final 81.6
Media de
columna 6.4 7.0 7.5 6.3 Media final 6.8

Clculo de la variacin de las medias de fila respecto de la media global:

Vr = 4 {(6.2 - 6.8)
2
+ (8.3 - 6.8)
2
+ (5.9 - 6.8)
2
} = 13.68 (El 4 acta como ponderacin)

Clculo de la variacin de las medias de columna respecto de la media global:

Vc = 3 {(6.4 - 6.8)
2
+(7.0 - 6.8)
2
+(7.5 - 6.8)
2
+(6.3 - 6.8)
2
} = 2.82

Clculo de la variacin total:

{(4.5 - 6.8)
2
+(6.4 - 6.8)
2
+ (7.2 - 6.8)
2
+ (6.7 - 6.8)
2
+ (8.8 - 6.8)
2
+(7.8 - 6.8)
2
+ (9.6 - 6.8)
2
+ (7.0 - 6.8)
2
+ (5.9

6.8)
2
+ (6.8 - 6.8)
2
+ (5.7 - 6.8)
2
+ (5.2 - 6.8)
2
= 23.08

Clculo de la variacin aleatoria:

Ve: V Vr Vc = 6.58




Anlisis de la varianza:

Variacin Grados de libertad Cuadrado medio F
Vr = 13.68 2 S
2
r= 6.84 S
2
r/ S
2
e=6.24 con 2 y
6 grados de libertad
Vc = 2.82 3 S
2
c=0.94 S
2
c/ S
2
e=0.86 con 3 y
6 grados de libertad
Ve = 6.58 6 S
2
e=1.097
V = 23.08 11

Conclusin
Al nivel de significacin 0.05 con 2 y 6 grados de libertad, F.95 = 5.14. Por lo tanto, desde 6.24 > 5.14 podemos
rechazar la hiptesis de que las medias son iguales y concluir que hay diferencia significativa en produccin
debida a los fertilizantes.

Como el valor F correspondiente a la diferencia en medias de columnas es menor que 1, concluimos que no hay
diferencia significativa debida a las semillas en la produccin.




TABLAS
Distribuciones de F 1%

1% 1 2 3 4 5 6 7 8 9 10 11 12 14 16 20 40 100
1 4052 4999 5403 5625 5764 5859 5928 5981 6022 6056 6083 6106 6143 6170 6209 6287 6334
2 98,50 99,00 99,17 99,25 99,30 99,33 99,36 99,37 99,39 99,40 99,41 99,42 99,43 99,44 99,45 99,47 99,49
3 34,12 30,82 29,46 28,71 28,24 27,91 27,67 27,49 27,35 27,23 27,13 27,05 26,92 26,83 26,69 26,41 26,24
4 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
5 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
6 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
7 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
8 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
9 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 5,18 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



Distribuciones de F 5 %

5% 1 2 3 4 5 6 7 8 9 10 11 12 14 16 20 40 100
1 161 199 216 225 230 234 237 239 241 242 243 244 245 246 248 251 253
2 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
3 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
4 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
5 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
6 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
7 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
8 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
9 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




TABLA NORMAL DE GAUSS
z rea z rea z rea z rea z rea z rea z rea z rea
0,00 0,0000 0,50 0,1915 1,00 0,3413 1,50 0,4332 2,00 0,4772 2,50 0,4938 3,00 0,4987 3,50 0,4998
0,01 0,0040 0,51 0,1950 1,01 0,3438 1,51 0,4345 2,01 0,4778 2,51 0,4940 3,01 0,4987 3,51 0,4998
0,02 0,0080 0,52 0,1985 1,02 0,3461 1,52 0,4357 2,02 0,4783 2,52 0,4941 3,02 0,4987 3,52 0,4998
0,03 0,0120 0,53 0,2019 1,03 0,3485 1,53 0,4370 2,03 0,4788 2,53 0,4943 3,03 0,4988 3,53 0,4998
0,04 0,0160 0,54 0,2054 1,04 0,3508 1,54 0,4382 2,04 0,4793 2,54 0,4945 3,04 0,4988 3,54 0,4998
0,05 0,0199 0,55 0,2088 1,05 0,3531 1,55 0,4394 2,05 0,4798 2,55 0,4946 3,05 0,4989 3,55 0,4998
0,06 0,0239 0,56 0,2123 1,06 0,3554 1,56 0,4406 2,06 0,4803 2,56 0,4948 3,06 0,4989 3,56 0,4998
0,07 0,0279 0,57 0,2157 1,07 0,3577 1,57 0,4418 2,07 0,4808 2,57 0,4949 3,07 0,4989 3,57 0,4998
0,08 0,0319 0,58 0,2190 1,08 0,3599 1,58 0,4429 2,08 0,4812 2,58 0,4951 3,08 0,4990 3,58 0,4998
0,09 0,0359 0,59 0,2224 1,09 0,3621 1,59 0,4441 2,09 0,4817 2,59 0,4952 3,09 0,4990 3,59 0,4998
0,10 0,0398 0,60 0,2257 1,10 0,3643 1,60 0,4452 2,10 0,4821 2,60 0,4953 3,10 0,4990 3,60 0,4998
0,11 0,0438 0,61 0,2291 1,11 0,3665 1,61 0,4463 2,11 0,4826 2,61 0,4955 3,11 0,4991 3,61 0,4998
0,12 0,0478 0,62 0,2324 1,12 0,3686 1,62 0,4474 2,12 0,4830 2,62 0,4956 3,12 0,4991 3,62 0,4999
0,13 0,0517 0,63 0,2357 1,13 0,3708 1,63 0,4484 2,13 0,4834 2,63 0,4957 3,13 0,4991 3,63 0,4999
0,14 0,0557 0,64 0,2389 1,14 0,3729 1,64 0,4495 2,14 0,4838 2,64 0,4959 3,14 0,4992 3,64 0,4999
0,15 0,0596 0,65 0,2422 1,15 0,3749 1,65 0,4505 2,15 0,4842 2,65 0,4960 3,15 0,4992 3,65 0,4999
0,16 0,0636 0,66 0,2454 1,16 0,3770 1,66 0,4515 2,16 0,4846 2,66 0,4961 3,16 0,4992 3,66 0,4999
0,17 0,0675 0,67 0,2486 1,17 0,3790 1,67 0,4525 2,17 0,4850 2,67 0,4962 3,17 0,4992 3,67 0,4999
0,18 0,0714 0,68 0,2517 1,18 0,3810 1,68 0,4535 2,18 0,4854 2,68 0,4963 3,18 0,4993 3,68 0,4999
0,19 0,0753 0,69 0,2549 1,19 0,3830 1,69 0,4545 2,19 0,4857 2,69 0,4964 3,19 0,4993 3,69 0,4999
0,20 0,0793 0,70 0,2580 1,20 0,3849 1,70 0,4554 2,20 0,4861 2,70 0,4965 3,20 0,4993 3,70 0,4999
0,21 0,0832 0,71 0,2611 1,21 0,3869 1,71 0,4564 2,21 0,4864 2,71 0,4966 3,21 0,4993 3,71 0,4999
0,22 0,0871 0,72 0,2642 1,22 0,3888 1,72 0,4573 2,22 0,4868 2,72 0,4967 3,22 0,4994 3,72 0,4999
0,23 0,0910 0,73 0,2673 1,23 0,3907 1,73 0,4582 2,23 0,4871 2,73 0,4968 3,23 0,4994 3,73 0,4999
0,24 0,0948 0,74 0,2704 1,24 0,3925 1,74 0,4591 2,24 0,4875 2,74 0,4969 3,24 0,4994 3,74 0,4999
0,25 0,0987 0,75 0,2734 1,25 0,3944 1,75 0,4599 2,25 0,4878 2,75 0,4970 3,25 0,4994 3,75 0,4999
0,26 0,1026 0,76 0,2764 1,26 0,3962 1,76 0,4608 2,26 0,4881 2,76 0,4971 3,26 0,4994 3,76 0,4999
0,27 0,1064 0,77 0,2794 1,27 0,3980 1,77 0,4616 2,27 0,4884 2,77 0,4972 3,27 0,4995 3,77 0,4999
0,28 0,1103 0,78 0,2823 1,28 0,3997 1,78 0,4625 2,28 0,4887 2,78 0,4973 3,28 0,4995 3,78 0,4999
0,29 0,1141 0,79 0,2852 1,29 0,4015 1,79 0,4633 2,29 0,4890 2,79 0,4974 3,29 0,4995 3,79 0,4999
0,30 0,1179 0,80 0,2881 1,30 0,4032 1,80 0,4641 2,30 0,4893 2,80 0,4974 3,30 0,4995 3,80 0,4999
0,31 0,1217 0,81 0,2910 1,31 0,4049 1,81 0,4649 2,31 0,4896 2,81 0,4975 3,31 0,4995 3,81 0,4999
0,32 0,1255 0,82 0,2939 1,32 0,4066 1,82 0,4656 2,32 0,4898 2,82 0,4976 3,32 0,4995 3,82 0,4999
0,33 0,1293 0,83 0,2967 1,33 0,4082 1,83 0,4664 2,33 0,4901 2,83 0,4977 3,33 0,4996 3,83 0,4999
0,34 0,1331 0,84 0,2995 1,34 0,4099 1,84 0,4671 2,34 0,4904 2,84 0,4977 3,34 0,4996 3,84 0,4999
0,35 0,1368 0,85 0,3023 1,35 0,4115 1,85 0,4678 2,35 0,4906 2,85 0,4978 3,35 0,4996 3,85 0,4999
0,36 0,1406 0,86 0,3051 1,36 0,4131 1,86 0,4686 2,36 0,4909 2,86 0,4979 3,36 0,4996 3,86 0,4999
0,37 0,1443 0,87 0,3078 1,37 0,4147 1,87 0,4693 2,37 0,4911 2,87 0,4979 3,37 0,4996 3,87 0,4999
0,38 0,1480 0,88 0,3106 1,38 0,4162 1,88 0,4699 2,38 0,4913 2,88 0,4980 3,38 0,4996 3,88 0,4999
0,39 0,1517 0,89 0,3133 1,39 0,4177 1,89 0,4706 2,39 0,4916 2,89 0,4981 3,39 0,4997 3,89 0,4999
0,40 0,1554 0,90 0,3159 1,40 0,4192 1,90 0,4713 2,40 0,4918 2,90 0,4981 3,40 0,4997 3,90 0,5000
0,41 0,1591 0,91 0,3186 1,41 0,4207 1,91 0,4719 2,41 0,4920 2,91 0,4982 3,41 0,4997 3,91 0,5000
0,42 0,1628 0,92 0,3212 1,42 0,4222 1,92 0,4726 2,42 0,4922 2,92 0,4982 3,42 0,4997 3,92 0,5000
0,43 0,1664 0,93 0,3238 1,43 0,4236 1,93 0,4732 2,43 0,4925 2,93 0,4983 3,43 0,4997 3,93 0,5000
0,44 0,1700 0,94 0,3264 1,44 0,4251 1,94 0,4738 2,44 0,4927 2,94 0,4984 3,44 0,4997 3,94 0,5000
0,45 0,1736 0,95 0,3289 1,45 0,4265 1,95 0,4744 2,45 0,4929 2,95 0,4984 3,45 0,4997 3,95 0,5000
0,46 0,1772 0,96 0,3315 1,46 0,4279 1,96 0,4750 2,46 0,4931 2,96 0,4985 3,46 0,4997 3,96 0,5000
0,47 0,1808 0,97 0,3340 1,47 0,4292 1,97 0,4756 2,47 0,4932 2,97 0,4985 3,47 0,4997 3,97 0,5000
0,48 0,1844 0,98 0,3365 1,48 0,4306 1,98 0,4761 2,48 0,4934 2,98 0,4986 3,48 0,4997 3,98 0,5000
0,49 0,1879 0,99 0,3389 1,49 0,4319 1,99 0,4767 2,49 0,4936 2,99 0,4986 3,49 0,4998 3,99 0,5000



BIBLIOGRAFA

AUTOR TITULO EDITORIAL

Murray Spiegel Estadstica McGraw-Hill

Richard Levin Estadstica para Administradores Prentice-Hall Hispano
Americana

Paul G. Hol Estadstica Elemental Compaa Editorial Continental
S.A.

Hitoshi Kume Herramientas Estadsticas Bsicas Editorial Norma

H.B. Maynard Manual de Ingeniera Revert

Duncan Control de Calidad y Estadstica
Industrial
Alfaomega

Eugene L. Grant Control de Calidad Estadstico Compaa Editorial Continental
S.A.

E.Garca y A. Arrondo Control de Calidad Instituto Argentino de Control de
Calidad

Apunte de Estadística

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 Estadística

Transféré par

Droits d'auteur :

Formats disponibles

Estadstica de ingenieras Tecnolgicas Autor: Edgardo Ojeda Barcos

Derechos de autor en trmite Pgina 1 de 166

, cuya aproximacin se hace

, es la desviacin respecto a la media calculada con una unidad igual a la

Vous aimerez peut-être aussi