Antología de Probabilidad y Estadística I

Antologa de
Probabilidad
y Estadstica
I
COBACH PLANTEL 01 TUXTLA-
TERAN TURNO MATUTINO

AUTOR
MC FRANCISCO JAVIER RUIZ
CRUZ

18/08/2013

MC FRANCISCO JAVIER RUIZ CRUZ AGOSTO DEL 2013 TUXTLA GUTIERREZ CHIAPAS COBACH 01

Contenido Temtico PROBABILIDAD Y ESTADISTICAS I

UNIDAD I RECOLECCION DE DATOS

1.1. TRMINOS BSICOS DE LA ESTADSTICA
1.1.1. Trminos bsicos de la estadstica.
1.1.2. Definicin de la Estadstica.
1.1.3 Clasificacin de la estadstica.
1.1.4. Definicin de: poblacin, Muestra, Variable, dato(s), experimento, muestreo,
parmetro, tipos de variables.

1.2 MTODOS DE MUESTREO.
1.2.1 Definicin de muestreo, censo, poblaciones finitas e infinitas
1.2.2 Mtodos de muestreo: aleatorio simple, sistemtico, estratificado y por
conglomerados.

UNIDAD II REPRESENTACION TABULAR Y GRAFICA

2.1 DISTRIBUCIN DE FRECUENCIAS
2.1.1 Frecuencia absoluta, relativa y acumulada.
2.1.2 Construccin de una tabla de frecuencias para datos agrupados y no agrupados.

2.2 REPRESENTACIN GRAFICA
Histograma
Polgono de frecuencia
Ojiva
De barras
Circular.

UNIDAD III MEDIDAS DE TENDENCIA CENTRAL Y VARIABILIDAD

3.1 MEDIDAS DE TENDENCIAS CENTRAL
* Media
* Mediana
* Moda
3.1.1 Datos no agrupados
3.1.2 Datos agrupados


3.2 MEDIDAS DE VARIABILIDAD
* Rango
* Varianza
* Desviacin estndar
3.2.1 Datos no agrupados
3.2.2 Datos agrupados.

UNIDAD IV PROBABILIDAD

4.1 Conceptos bsicos y operaciones elementales en la teora de conjuntos.
4.1.1 Definicin de conjunto, conjunto universo, subconjunto.
4.1.2 Definicin y representacin con simbologa y diagramas de:
* Conjunto vaci
* Interseccin
* Unin
* Complemento
* Diferencia.

4.2 CONCEPTOS BSICOS DE PROBABILIDAD
4.2.1 Definicin de experimento, espacio muestral, punto muestral y evento.

4.3 TCNICAS DE CONTEO.
4.3.1 Factorial de un nmero.
4.3.2 Principio de la multiplicacin
4.3.3 Permutaciones y combinaciones

CRITERIO DE EVALUACION
1.- EVALUACION ESCRITA ..100%
2.- TRABAJOS DE INVESTIGACION. 100%
3.- TAREAS100%
4.- ACTIVIDADES EXTRACLASE.100%
5.- PARTICIPACION Y ASISTENCIA...100%
SUMA.100%


BIBLIOGRAFA
Bsica:

*Fuenlabrada Samuel, Probabilidad y Estadstica. Mxico. Edit Mc Graw Hill, 2012.
* Kazmier J. Leonard, Estadstica aplicada a la administracin y a la economa Edit
Mc Graw Hill; Mxico 209
*Pastor Guillermo, Estadstica Elemental, Edit Trillas, Mxico, 2010.
* Snchez Octavio, Probabilidad y Estadstica, Edit. Mc Graw Hill, Mxico 2010.
* Estadstica elemental, Edit Mc Graw Hill, Mxico 2007
* Elena Ruiz Ledesma, Elvia Ruiz Ledesma, Probabilidad y Estadstica, Edit. Mc
Graw Hill. Mxico 2011

Complementaria:
* Enciclopedia interactiva serie Matemticas; Azar y Estadstica, Lectus Vergara, Nech
computers, el peridico.

Pgina Web:
www.aulaclic.org


Origen
El trmino alemn Statistik, que fue primeramente introducido por Gottfried
Achenwall (1749), designaba originalmente el anlisis de datos del Estado, es
decir, la "ciencia del Estado" (tambin llamada aritmtica poltica de su traduccin
directa del ingls). No fue hasta el siglo XIX cuando el trmino estadstica adquiri
el significado de recolectar y clasificar datos. Este concepto fue introducido por el
militar britnico Sir John Sinclair (1754-1835).
En su origen, por tanto, la Estadstica estuvo asociada a los Estados, para ser
utilizados por el gobierno y cuerpos administrativos (a menudo centralizados). La
coleccin de datos acerca de estados y localidades contina ampliamente a travs
de los servicios de estadsticas nacionales e internacionales. En particular, los
censos suministran informacin regular acerca de la poblacin.
Ya se utilizaban representaciones grficas y otras medidas en pieles, rocas, palos
de madera y paredes de cuevas para controlar el nmero de personas, animales o
ciertas mercancas. Hacia el ao 3000 a. C. los babilonios usaban ya pequeos
envases moldeados de arcilla para recopilar datos sobre la produccin agrcola y
de los gneros vendidos o cambiados. Los egipcios analizaban los datos de la
poblacin y la renta del pas mucho antes de construir las pirmides en el siglo XI
a. C. Los libros bblicos de Nmeros y Crnicas incluyen en algunas partes
trabajos de estadstica. El primero contiene dos censos de la poblacin de Israel y
el segundo describe el bienestar material de las diversas tribus judas. En China
existan registros numricos similares con anterioridad al ao 2000 a. C. Los
antiguos griegos realizaban censos cuya informacin se utilizaba hacia el 594 a.
C. para cobrar impuestos
ESTADISTICA:

La estadstica es una ciencia que estudia la recoleccin, anlisis e interpretacin
de datos, ya sea para ayudar en la toma de decisiones o para explicar condiciones
regulares o irregulares de algn fenmeno o estudio aplicado, de ocurrencia en
forma aleatoria o condicional. Sin embargo estadstica es ms que eso, en otras
palabras es el vehculo que permite
llevar a cabo el proceso relacionado
con la investigacin cientfica.

La estadstica se divide en dos grandes
reas:
La estadstica descriptiva, se
dedica a la descripcin,


visualizacin y resumen de datos originados a partir de los fenmenos de
estudio. Los datos pueden ser resumidos numrica o grficamente.
Ejemplos bsicos de parmetros estadsticos son: la media y la desviacin
estndar. Algunos ejemplos grficos son: histograma, pirmide poblacional,
clsters, entre otros.

La estadstica inferencial, se dedica a la generacin de los modelos,
inferencias y predicciones asociadas a los fenmenos en cuestin teniendo
en cuenta la aleatoriedad de las observaciones. Se usa para modelar
patrones en los datos y extraer inferencias acerca de la poblacin bajo
estudio. Estas inferencias pueden tomar la forma de respuestas a
preguntas si/no (prueba de hiptesis), estimaciones de caractersticas
numricas (estimacin), pronsticos de futuras observaciones,
descripciones de asociacin (correlacin) o modelamiento de relaciones
entre variables (anlisis de regresin). Otras tcnicas de modelamiento
incluyen anova, series de tiempo y minera de datos.
Ambas ramas (descriptiva e inferencial) comprenden la estadstica aplicada. Hay
tambin una disciplina llamada estadstica matemtica, la que se refiere a las
bases tericas de la materia. La palabra estadsticas tambin se refiere al
resultado de aplicar un algoritmo estadstico a un conjunto de datos, como en
estadsticas econmicas, estadsticas criminales, entre otros.
Poblacin debe entenderse el total de los elementos que conforman a un
conjunto. Por ejemplo el total de las manzanas producidas en la Huerta LA FLOR
o bien el nmero total de empleados de una empresa.
Muestra Es un conjunto de elementos extrados de un conjunto mayor a fin de
conocer aproximadamente las caractersticas de la poblacin de donde proviene.
El conocimiento exacto de una poblacin requiere un estudio muy detallado,
mientras que una muestra solo permite resultados aproximados pero su tiempo y
costo de realizacin son, por lo general, menores que el estudio de la poblacin.
ESTUDIO DE LA POBLACION ESTUDIO DE LA MUESTRA
Conocimiento exacto
Mucho tiempo requerido
Alto costo
Conocimiento aproximado
Rpido
Econmico
Una poblacin puede clasificarse como finita cuando el nmero de elementos que
la componen es limitado como son el nmero de ballenas en el mundo, o bien es
infinita cuando el nmero de sus elementos es muy grande, como los granos de
arena del mar o francamente no medibles como son las estrellas del universo.


Una muestra puede ser grande o pequea, en funcin del nmero de elementos
que lo contenga. Convencionalmente se dice que una muestra es grande si tiene
30 o ms elementos.
En estadstica se conoce como muestreo a la tcnica para la seleccin de una
muestra a partir de una poblacin.
Al elegir una muestra se espera conseguir que sus propiedades sean
extrapolables a la poblacin. Este proceso permite ahorrar recursos, y a la vez
obtener resultados parecidos a los que se alcanzaran si se realizase un estudio
de toda la poblacin.
Cabe mencionar que para que el muestreo sea vlido y se pueda realizar un
estudio adecuado (que consienta no solo hacer estimaciones de la poblacin sino
estimar tambin los mrgenes de error correspondientes a dichas estimaciones),
debe cumplir ciertos requisitos. Nunca podremos estar enteramente seguros de
que el resultado sea una muestra representativa pero s podemos actuar de
manera que esta condicin se alcance con una probabilidad alta.
En el muestreo, si el tamao de la muestra es ms pequeo que el tamao de la
poblacin, se puede extraer dos o ms muestras de la misma poblacin. Al
conjunto de muestras que se pueden obtener de la poblacin se denomina
espacio muestral. La variable que asocia a cada muestra su probabilidad de
extraccin, sigue la llamada distribucin muestral.
Tcnicas de muestreo
Existen dos mtodos para seleccionar muestras de poblaciones: el muestreo no
aleatorio o de juicio y el muestreo aleatorio (que incorpora el azar como recurso en
el proceso de seleccin). Cuando este ltimo cumple con la condicin de que
todos los elementos de la poblacin tienen alguna oportunidad de ser escogidos
en la muestra, si la probabilidad correspondiente a cada sujeto de la poblacin es
conocida de antemano, recibe el nombre de muestreo probabilstico. Una muestra
seleccionada por muestreo de juicio puede basarse en la experiencia de alguien
con la poblacin. Algunas veces una muestra de juicio se usa como gua o
muestra tentativa para decidir cmo tomar una muestra aleatoria ms adelante.
Muestreo probabilstico
Forman parte de este tipo de muestreo todos aquellos mtodos para los que
puede calcular la probabilidad de extraccin de cualquiera de las muestras
posibles. Este conjunto de tcnicas de muestreo es el ms aconsejable, aunque
en ocasiones no es posible optar por l. En este caso se habla de muestras
probabilsticas, pues no es en rigor correcto hablar de muestras representativas
dado que, al no conocer las caractersticas de la poblacin, no es posible tener
certeza de que tal caracterstica se haya conseguido.


Sin reposicin de los elementos: Cada elemento extrado se descarta para la
subsiguiente extraccin. Por ejemplo, si se extrae una muestra de una "poblacin"
de bombillas para estimar la vida media de las bombillas que la integran, no ser
posible medir ms que una vez la bombilla seleccionada.
Con reposicin de los elementos: Las observaciones se realizan con
reemplazamiento de los individuos, de forma que la poblacin es idntica en todas
las extracciones. En poblaciones muy grandes, la probabilidad de repetir una
extraccin es tan pequea que el muestreo puede considerarse sin reposicin
aunque, realmente, no lo sea.
Con reposicin mltiple: En poblaciones muy grandes, la probabilidad de repetir
una extraccin es tan pequea que el muestreo puede considerarse sin
reposicin. Cada elemento extrado se descarta para la subsiguiente extraccin.
Para realizar este tipo de muestreo, y en determinadas situaciones, es muy til la
extraccin de nmeros aleatorios mediante ordenadores, calculadoras o tablas
construidas al efecto.
Muestreo estratificado
Consiste en la divisin previa de la poblacin de estudio en grupos o clases que se
suponen homogneos con respecto a alguna caracterstica de las que se van a
estudiar. A cada uno de estos estratos se le asignara una cuota que determinara
el nmero de miembros del mismo que compondrn la muestra. Dentro de cada
estrato se suele usar la tcnica de muestreo sistemtico, una de las tcnicas de
seleccin ms usadas en la prctica.
Segn la cantidad de elementos de la muestra que se han de elegir de cada uno
de los estratos, existen dos tcnicas de muestreo estratificado:
Asignacin proporcional: el tamao de la muestra dentro de cada estrato
es proporcional al tamao del estrato dentro de la poblacin.
Asignacin ptima: la muestra recoger ms individuos de aquellos
estratos que tengan ms variabilidad. Para ello es necesario un
conocimiento previo de la poblacin.
Por ejemplo, para un estudio de opinin, puede resultar interesante estudiar por
separado las opiniones de hombres y mujeres pues se estima que, dentro de cada
uno de estos grupos, puede haber cierta homogeneidad. As, si la poblacin est
compuesta de un 55% de mujeres y un 45% de hombres, se tomara una muestra
que contenga tambin esos mismos porcentajes de hombres y mujeres.
Para una descripcin general del muestreo estratificado y los mtodos de
inferencia asociados con este procedimiento, suponemos que la poblacin est


dividida en h subpoblaciones o estratos de tamaos conocidos N
1
, N
2
,..., N
h
tal
que las unidades en cada estrato sean homogneas respecto a la caracterstica
en cuestin. La media y la varianza desconocidas para el i-simo estrato son
denotadas por m
i
y s
i
2
, respectivamente.
Muestreo sistemtico
Se utiliza cuando el universo o poblacin es de gran tamao, o ha de extenderse
en el tiempo. Primero hay que identificar las unidades y relacionarlas con el
calendario (cuando proceda). Luego hay que calcular una constante, que se
denomina coeficiente de elevacin K= N/n; donde N es el tamao del universo y n
el tamao de la muestra. Determinar en qu fecha se producir la primera
extraccin, para ello hay que elegir al azar un nmero entre 1 y K; de ah en
adelante tomar uno de cada K a intervalos regulares. Ocasionalmente, es
conveniente tener en cuenta la periodicidad del fenmeno.
Esto quiere decir que si tenemos un determinado nmero de personas que es la
poblacin (N) y queremos escoger de esa poblacin un nmero ms pequeo el
cual es la muestra (n), dividimos el nmero de la poblacin por el nmero de la
muestra que queremos tomar y el resultado de esta operacin ser el intervalo,
entonces escogemos un nmero al azar desde uno hasta el nmero del intervalo,
y a partir de este nmero escogemos los dems siguiendo el orden.
Muestreo por estadios mltiples
Esta tcnica es la nica opcin cuando no se dispone de lista completa de la
poblacin de referencia o bien cuando por medio de la tcnica de muestreo simple
o estratificado se obtiene una muestra con unidades distribuidas de tal forma que
resultan de difcil acceso. En el muestreo a estadios mltiples se subdivide la
poblacin en varios niveles ordenados que se extraen sucesivamente por medio
de un procedimiento de embudo. El muestreo se desarrolla en varias fases o
extracciones sucesivas para cada nivel.
Por ejemplo, si tenemos que construir una muestra de profesores de primaria en
un pas determinado, stos pueden subdividirse en unidades primarias
representadas por circunscripciones didcticas y unidades secundarias que seran
los propios profesores. En primer lugar extraemos una muestra de las unidades
primarias (para lo cual debemos tener la lista completa de estas unidades) y en
segundo lugar extraemos aleatoriamente una muestra de unidades secundarias de
cada una de las primarias seleccionadas en la primera extraccin.
Muestreo por conglomerados
Tcnica similar al muestreo por estadios mltiples, se utiliza cuando la poblacin
se encuentra dividida, de manera natural, en grupos que se supone que contienen
toda la variabilidad de la poblacin, es decir, la representan fielmente respecto a la


caracterstica a elegir, pueden seleccionarse slo algunos de estos grupos o
conglomerados para la realizacin del estudio.
Dentro de los grupos seleccionados se ubicarn las unidades elementales, por
ejemplo, las personas a encuestar, y podra aplicrsele el instrumento de medicin
a todas las unidades, es decir, los miembros del grupo, o slo se le podra aplicar
a algunos de ellos, seleccionados al azar. Este mtodo tiene la ventaja de
simplificar la recogida de informacin muestral.
Cuando, dentro de cada conglomerado seleccionado, se extraen algunos
individuos para integrar la muestra, el diseo se llama muestreo bietpico.
Las ideas de estratos y conglomerados son, en cierto sentido, opuestas. El primer
mtodo funciona mejor cuanto ms homognea es la poblacin respecto del
estrato, aunque ms diferentes son stos entre s. En el segundo, ocurre lo
contrario. Los conglomerados deben presentar toda la variabilidad, aunque deben
ser muy parecidos entre s.
Homogeneidad de las poblaciones o sus subgrupos
Homogneo siginifica, en el contexto de la estratificacin, que no hay mucha
variabilidad. Los estratos funcionan mejor cuanto ms homogneos son cada uno
de ellos respecto a la caracterstica a medir. Por ejemplo, si se estudia la estatura
de una poblacin, es bueno distinguir entre los estratos mujeres y hombres porque
se espera que, dentro de ellos, haya menos variabilidad, es decir, sean menos
heterogneos. Dicho de otro modo, no hay tantas diferencias entre unas estaturas
y otras dentro del estrato que en la poblacin total.
Por el contrario, la heterogeneidad hace intil la divisin en estratos. Si se dan las
mismas diferencias dentro del estrato que en toda la poblacin, no hay por qu
usar este mtodo de muestreo. En los casos en los que existan grupos que
contengan toda la variabilidad de la poblacin, lo que se construyen son
conglomerados, que ahorran algo del trabajo que supondra analizar toda la
poblacin. En resumen, los estratos y los conglomerados funcionan bajo principios
opuestos: los primeros son mejores cuanto ms homogneo es el grupo respecto
a la caracterstica a estudiar y los conglomerados, si representan fielmente a la
poblacin, esto es, contienen toda su viariabilidad, o sea, son heterogneos.

Muestreo de juicio
Aqul para el que no puede calcularse la probabilidad de extraccin de una
determinada muestra. Se busca seleccionar a individuos que se juzga de


antemano tienen un conocimiento profundo del tema bajo estudio, por lo tanto, se
considera que la informacin aportada por esas personas es vital para la toma de
decisiones.
Muestreo por cuotas
Es la tcnica ms difundida sobre todo en estudios de mercado y sondeos de
opinin. En primer lugar es necesario dividir la poblacin de referencia en varios
estratos definidos por algunas variables de distribucin conocida (como el gnero
o la edad). Posteriormente se calcula el peso proporcional de cada estrato, es
decir, la parte proporcional de poblacin que representan. Finalmente se multiplica
cada peso por el tamao de n de la muestra para determinar la cuota precisa en
cada estrato. Se diferencia del muestreo estratificado en que una vez determinada
la cuota, el investigador es libre de elegir a los sujetos de la muestra dentro de
cada estrato.
Muestreo de bola de nieve
Indicado para estudios de poblaciones clandestinas, minoritarias o muy dispersas
pero en contacto entre s. Consiste en identificar sujetos que se incluirn en la
muestra a partir de los propios entrevistados. Partiendo de una pequea cantidad
de individuos que cumplen los requisitos necesarios estos sirven como
localizadores de otros con caractersticas anlogas.
Muestreo subjetivo por decisin razonada
En este caso las unidades de la muestra se eligen en funcin de algunas de sus
caractersticas de manera racional y no casual. Una variante de esta tcnica es el
muestreo compensado o equilibrado, en el que se seleccionan las unidades de tal
forma que la media de la muestra para determinadas variables se acerque a la
media de la poblacin.
DISTRIBUCIONES DE FRECUENCIA
La capacidad humana para comprender al mismo tiempo grandes cantidades de
datos es muy limitada, por otra parte, la mayora de los anlisis estadsticos
incluyen un gran nmero de datos, los cuales sera casi imposible utilizar si no se
les compactara mediante un sencillo procedimiento conocido como TABLA DE
DSITRIBUCION DE FRECUENCIAS.
UNA DISTRIBUCION DE FRECUENCIAS es una tabla que presenta el nmero de
elementos que pertenecen a cada una de las clases o categoras en las que se
halla dividido para su estudio un grupo de datos.
Las distribuciones de frecuencias son la forma ms comn de organizar un gran
nmero de datos, por ejemplo, las calificaciones de los alumnos del primer


semestre de bachillerato en una escuela pblica y a partir de ellas lograr
conclusiones que no eran visibles originalmente. Por ejemplo, la concentracin de
calificaciones en sus niveles bajo, medio y alto; incluso permiten definir lneas de
decisin, como los precios al mayoreo de cierto artculo, las tarifas de agua
potable para una ciudad o las tablas de impuesto sobre la renta que se aplica en
un pas.
Conceptos fundamentales de una distribucin de frecuencias son:
a) Numero de clases o categoras en que se agruparan los datos
b) El intervalo o ancho de la clase, delimitado por los valores mnimos y mximos
aceptables en cada clase
c) La frecuencia o nmero de elementos de cada clase.
d) Las marcas de clase o valores centrales de cada intervalo
e) La frecuencia relativa
f) Las frecuencias acumuladas y complementarias
g) Los limites exactos.
INTERVALOS UNIFORMES, DESIGUALES O ABIERTOS
A pesar de que en la mayora de los casos el ancho de la clase es uniforme. Como
se ve a continuacin
CLASE LIMITE INFERIOR LIMITE SUPERIOR FRECUENCIA
A 500 699 12
B 700 899 23
C 900 1099 15
D 1100 1299 21
E 1300 1499 19
Sin embargo el ancho de la clase debe ser desigual o incluso abierto
CLASE LIMITE
INFERIOR (aos)
LIMITE
SUPERIOR ( aos)
Bebe 0 1
Nios 2 12
Adolescentes 13 16
Jovenes 17 25
Adultos 26 60
Ancianos 60 --
CLASE LIMITE
INFERIOR ( kg)
LIMITE
SUPERIOR ( Kg)
Ligero -- 45
Medio 46 60
Pesado 61 80
Muy pesado 81 --


El intervalo tambin conocido como RANGO, AMPLITUD o ANCHO DE CLASE,
puede determinarse como:
AMPLITUD= LIMITE SUPERIOR-LIMITE INFERIOR DE LA CLASE
AMPLITUD= Xmax- Xmin
Una consideracin importante es el nmero de clases o categoras en las que se
va a dividir o agrupar a los datos.
Si se ha decidido que el ancho de cada clase sea uniforme entonces se calcula:
ANCHO= AMPLITUD / NUMERO DE INTERVALOS QUE SE DESEA TENER
Para la elaboracin de una tabla de distribucin de frecuencia es necesario:
a) Recopilacin de los datos
b) Clasificacin de los datos de menor a mayor
c) Especificacin del nmero de clases
d) Calculo del tamao exacto del ancho de clases
e) Determinacin del tamao ajustado del ancho de clase
f) Identificacin de los limites de clase
g) Conteo de los datos

La estructura de una tabla de distribucin de frecuencia queda definida por los
lmites inferior y superior de cada clase. El primer lmite inferior puede ser el valor
ms pequeo de los datos. El primer lmite superior podra ser el valor ms
grande de los datos. El primer lmite superior es el lmite inferior mas el ancho de
la clase menos una unidad de variacin.

Los lmites inferior y superior de las siguientes clases se obtienen sumando el
ancho de clase al valor de la clase anterior.

Lmite Inferior Lmite Superior
500
700
900
1100
1300
699
899
1099
1299
1499

En todos los casos debe comprobarse que la diferencia entre los lmites superior e
inferior de cada clase es igual al ancho de clase menos la unidad de variacin.

LS-LI = Ancho- UV


El ltimo paso de este proceso consiste en determinar la frecuencia de la clase,
esto es, determinar mediante el conteo, el nmero de elementos incluidos en cada
clase.

La MARCA de CLASE es el punto medio entre los lmites de una clase. Se calcula
sumando el lmite inferior y el superior de cada clase y dividiendo el resultado
entre dos.

MARCA DE CLASE (mc)= Limite superior + Limite inferior de cada clase
2

Una forma o mtodo para determinar el nmero de clases es:

Numero de clases = numero de datos

EJERCICIOS PARA PRACTICAR.

1.- Clasifique los siguientes valores en 4 clases de tamao uniforme:

23.1 64.9 48.3 72.8 42.9
37.7 43.6 68.4 52.3 29.4
58.9 39.4 35.1 58.2 70.4
68.1 52.9 57.1 48.4 62.8
22.7 26.3 30.5 29.8 60.4

SOLUCION

a) Obtenemos el valor del rango de la poblacin:
Rango= Xmax Xmin
Rango= 72.8 22.7= 50.1

b) Obtenemos el valor de la amplitud de cada clase
Amplitud= Rango / Num de intervalos que desees
Amplitud = 50.1 / 4 = 12.52

c) El valor de los limites serian
El primer lmite inferior de la clase 1 es el valor mnimo de la poblacin, Es
decir Limite Inferior = Lim Inf= 22.7

A partir de este dato podemos conocer el valor del otro extremo al que
conoceremos como Limite Superior de la clase

Limite Sup de la clase 1 = Limite Inferior + Amplitud
Lim Sup = 22.7 + 12.52 = 35.22

Lmite superior de la clase 2 sera = 35.22 + 12.52 = 47.74


Lmite superior de la clase 3 = 47.74 + 12.52 = 60.26

d) La tabla de distribucin de frecuencia quedara de la siguiente manera:
Num Clase Frecuencia (f)
1 22.7 35.22 07
2 35.22 47.74 04
3 47.74 60.26 07
4 60.26 72.8 07
suma 25

2.- Clasifique los siguientes valores en 4 clases de tamao uniforme:

145 90 175 140 80
105 135 160 155 110
190 110 150 175 134
155 120 165 125 126
75 185 120 170 110

3.- Determine los lmites exactos, las marcas de clase y obtenga un grafico de las
siguientes tablas de distribucin de frecuencias

Lmite inferior Lmite superior frecuencia
37.7
50.3
62.9
75.5
50.2
62.8
75.4
88
23
19
22
21

4.-Determine los limites exactos, las marcas de clase y obtenga un grafico de las
siguientes tablas de distribucin de frecuencias

Lmite inferior Lmite superior frecuencia
504
596
688
780
872
595
687
779
871
963
21
19
22
23
20

5.-A continuacin se presenta los valores de las estaturas (en cm) de un grupo de
5o Grado de Educacin primaria

130 122 128 132 137 124 125


152 124 134 134 138 140 131
118 152 130 140 150 112 110
134 115 120 146 145 125 148
120 125 132 135 142 130 152

a) Elaborar una tabla de frecuencias agrupando en intervalos de clase a tu
eleccin
b) Obtn el Rango
c) Construye un polgono de frecuencia
d) Construye un grafico de pastel
e) Construye una ojiva

SOLUCION

Obtenemos el valor del rango de la poblacin:
Rango= Xmax Xmin
Rango= 152 110= 42

El numero de clases a utilizar =35 = 5.92 clases = 6
Obtenemos el valor de la amplitud de cada clase
Amplitud = 42 / 6= 7

El valor de los limites serian
El primer lmite inferior de la clase 1 es el valor mnimo de la poblacin, Es
decir Limite Inferior = Lim Inf= 110

A partir de este dato podemos conocer el valor del otro extremo al que
conoceremos como Limite Superior de la clase

Limite Sup de la clase 1 = Limite Inferior + Amplitud
Lim Sup = 110 + 7 = 117

Lmite superior de la clase 2 sera = 117 + 7 = 124

Lmite superior de la clase 3 = 124 + 7 = 131

La tabla de distribucin de frecuencia quedara de la siguiente manera:
Num Clase Frecuencia (f) MC
1 110 - 117 03 113.5
2 117 124 06 120.5
3 124 131 08 127.5


4 131 - 138 08 134.5
5 138 145 04 141.5
6 145 - 152 06 148.5
suma 35

Para calcular las marcas de clase de cada categora realizamos el siguiente
clculo.

Marca de clase(MC)= Lim Superior + Lim Inferior de cada clase
2
MC = 110+117= 127 = 113.5
2 2
MC = 117+124= 141 = 120.5
2 2

Para obtener el grafico del pastel es necesario encontrar la frecuencia relativa (fr)

Num Clase Frecuencia
(f)
MC Fr FA FAr Area o Sector
1 110 - 117 03 113.5 03/35= .085 00+03=03 03/35=0.085 0.085 x 360= 30.60
2 117 124 06 120.5 06/35=0.171 03+06=9 06/35=0.256 0.171 x 360= 61.56
3 124 131 08 127.5 08/35=0.228 09+08=17 17/35=0.486 0.228 x 360 = 82.08
4 131 - 138 08 134.5 08/35=0.228 17+08=25 25/35= 0.714 0.228 x 360 = 82.08
5 138 145 04 141.5 04/35=0.114 25+04=29 29/35=0.828 0.114 x 360 = 41.04
6 145 - 152 06 148.5 06/35=0.171 29+06=35 35/35= 1 0.171 x 360 = 61.56
suma 35 0.997= 1


La ojiva se obtiene utilizando los valores de la frecuencia acumulada

6- A continuacin se presenta los valores de las estaturas (en cm) de un grupo de
4 Grado de Educacin primaria
133 122 128 132 137 127
151 124 134 134 138 146
119 152 130 140 150 114
133 115 120 146 145 123
121 125 132 135 142 132

a) Elaborar una tabla de frecuencias agrupando en intervalos de clase a tu
eleccin
b) Obtn el Rango
c) Construye un polgono de frecuencia
d) Construye un grafico de pastel
e) Construye una ojiva

SOLUCION

Obtenemos el valor del rango de la poblacin:
Rango= Xmax Xmin
Rango= 152 114= 38


El numero de clases a utilizar =30 = 5.47 clases = 5
Obtenemos el valor de la amplitud de cada clase
Amplitud =38 / 5 = 7.6

El valor de los limites serian
114 + 7.6 = 121.6
121.6 + 7.6=129.2

La tabla de distribucin de frecuencia se obtendr de la siguiente manera:
Num Clase Frecuencia (f) MC
1 114-121.6 05 117.8
2 121.6-129.2 06 125.6
3 129.2. -136.8 09 132.4
4 136.8 -144.4 04 139
5 144.4- 152 06 147.6
suma 30

Para calcular las marcas de clase de cada categora realizamos el siguiente
clculo.

Marca de clase(MC)= Lim Superior + Lim Inferior de cada clase

2
MC = 114+121.6= 235.6 = 117.8
2 2
MC = 121.6+129.2=250.8 = 125.6
2 2
El grafico de pastel se obtendr utilizando las frecuencias relativas
La frecuencia relativa = frecuencia de cada clase/ Nmero total de datos


Num Clase Frecuencia (f) MC Fr Area o sector FA
1 114-121.6 05 117.8 05/30= 0.16 0.16 x 360=57.6 0+5=5
2 121.6-129.2 06 125.6 06/30=0.20 0.20 x 360= 72 5+6=11
3 129.2. -136.8 09 132.4 09/30=0.30 0.30 x 360 = 108 11+9=20
4 136.8 -144.4 04 139 04/30=0.13 0.13 x 360 = 46.8 20+4=24
5 144.4- 152 06 147.6 06/30=0.20 0.20 x 360= 72 24+6=30
suma 30

El grafico de lneas representa la que vamos a conocer como ojiva y tomaremos
para ello los valores de las frecuencias acumuladas

PRESENTACIONES GRAFICAS


Una grafica vale ms de mil palabras, dice el refrn. Esto es particularmente cierto
en el caso de los anlisis estadsticos, donde los datos al natural e incluso
tabulados pueden ser abrumadores y difciles de comprender.
Las graficas estadsticos ms comunes son:
HISTOGRAMA.- Es un diagrama de barras que representa, a escala, el numero de
elementos que comprende cada una de las clases de una distribucin de
frecuencias. La altura de las barras del histograma esta determinada por la
frecuencia de cada una de las clases, mientras que los limites horizontales son los
limites exactos de cada clase, aunque en ocasiones los limites horizontales son
los limites nominales, de esta manera las barras quedan separadas entre si.

EL POLIGONO DE FRECUENCIAS es una figura cerrada delimitada en su base
por el eje horizontal y cuyos vrtices son los puntos centrales de la horizontal
superior de cada barra del histograma, incluyendo tambin la clase anterior a la
primera y la clase siguiente a la ltima.


GRAFICO DE PASTEL
Las graficas de pastel o grficos circulares son figuras que representan por medio
de segmentos de crculo, la frecuencia absoluta o relativa de una tabla de
distribucin de frecuencias.
La presentacin de datos en esta forma es impresionante, sobre todo cuando se
les aade efectos visuales tales como color y grosor a los segmentos o se separa
algunos de ellos del centro.
Esta graficas se prepara en base en el ngulo que resulta de multiplicar 360 por la
frecuencia relativa
ANGULO DE LA CLASE = 360 * (frecuencia de la clase/ total de frecuencias)

Aplicaciones graficas y numricas
Las graficas de la frecuencia acumulada y complementaria ofrecen informacin no
visible originalmente; cualquiera de sus puntos indica la relacin entre un valor del


eje horizontal y su correspondiente valor en el eje vertical. De esta manera es
posible determinar en forma grafica , con la aproximacin que permita el dibujo, la
frecuencia que corresponde a un cierto limite o el limite que corresponde a una
cierta frecuencia.

MEDIDAS DE TENDENCIA CENTRAL
La estadstica descriptiva en su funcin bsica de reducir datos, propone una serie
de indicadores que permiten tener una percepcin rpida de lo que ocurre en un
fenmeno.
En otras palabras las Medidas de tendencia central: Son indicadores estadsticos
que muestran hacia qu valor (o valores) se agrupan los datos.
La primera gama de indicadores corresponde a las Medidas de Tendencia
Central. Existen varios procedimientos para expresar matemticamente las
medidas de tendencia central, de los cuales, los ms conocidos son: la media
aritmtica, la moda y la mediana.
Media Aritmtica
La media aritmtica de n observaciones de la variable X se denotar por
el smbolo y se define como la suma de ellas dividida por n.
Simblicamente:

Ejemplo: La media aritmtica de los nmeros 3, 9, 12, 5 y 6 es:


Si se grafican estos puntos se obtiene:

En la figura es claro que la media aritmtica corresponde
geomtricamente al punto de equilibrio de los datos.
El total de ventas de la empresa LA ESPERANZA S.A. de C.V. durante el ao
2011 fue de $76229500. Determine e interprete el promedio de ventas por
empleado considerando que la empresa tiene un total de 5214 empleados
El monto de ventas por empleados se obtiene:
Ventas por empleados= Total ventas
Total empleados

Ventas por empleado= $76229500
5214
Ventas por empleado= $14260
Puede decirse que cada empleado contribuyo con $14,620.16 a los ingresos de la
empresa.
En una tabla de frecuencias, la media aritmtica se calcula suponiendo que todas
las observaciones en una clase son iguales a su valor medio (m
i
), por lo que la
contribucin de la i-sima clase a la suma es f
i
m
i
. Por lo tanto, se calcula la media
por la ecuacin:


Esta ecuacin tambin puede re-escribirse como:

Donde:
f
i
= frecuencia de la clase i-sima
m
i
= Valor medio de la clase i-sima
fR
i
= Frecuencia relativa de la clase i-sima

Ejemplo: Calcular la media de la siguiente tabla de distribucin de frecuencias:

intervalos
Punto
medio de
clase (m
i
)
Conteo f
i
fA
i
FR
i
FRA
i

(07.7 , 11.7] 9.7 ||||| ||||| ||||| ||| 18 18 18/90 18/90
(11.7 , 15.7] 13.7 ||||| ||||| ||| 13 31 13/90 31/90
(15.7 , 19.7] 17.7
||||| ||||| |||||
||||| ||||
24 55 24/90 55/90
(19.7 , 23.7] 21.7 ||||| ||||| ||||| || 17 72 17/90 72/90
(23.7 , 27.7] 25.7 ||||| ||||| ||| 13 85 13/90 85/90
(27.7 , 31.7] 29.7

0 85 0/90 85/90
(31.7 , 35.7] 33.7 |||| 4 89 4/90 89/90
(35.7 , 39.7] 37.7 | 1 90 1/90 90/90
TOTAL 90 90 90/90 90/90
Se tiene la siguiente frmula:
Se van a tomar todos los valores de la tabla de la columna f
i
y m
i
; se va a sustituir
en la frmula anterior y queda como:


Tambin la media se puede calcular con la formula:
Al tomar los datos de la Tabla de Frecuencias para fRi y mi y sustituirlos en la
frmula el resultado queda de la siguiente manera:

Note que los resultados son un poco diferentes por el nmero de decimales
utilizados para los clculos.
Si utilizamos los datos de la tabla anterior de distribucin de frecuencias ( anlisis
de las estaturas de los nios de 5 grado de primaria tendramos el siguiente valor)

La media = 4616.5 / 35 = 131.9
Mediana
(f)
MC F (mc)
1 110 - 117 03 113.5 03 X 113.5= 340.5
2 117 124 06 120.5 06 X 120.5=723.0
3 124 131 08 127.5 08 X 127.5 =1020
4 131 - 138 08 134.5 08 X 134.5 =1076
5 138 145 04 141.5 04 X 141.5=566.0
6 145 152 06 148.5 06 X 148.5=891
suma 35 4616.5


La mediana (Me) de un conjunto de n nmeros ordenados de menor a mayor, es
el nmero central en el arreglo. Si n es un nmero impar (non), slo hay un valor
central en el arreglo. Si n es un nmero par, hay dos valores centrales y la
mediana debe tomarse como la media aritmtica de estos dos valores.
Ejemplo: Calcular la mediana de los nmeros 3, 9 , 12, 5 y 6
Primero hay que ordenar los nmeros de menor a mayor:
3, 4, 6, 9, 12
Despus se debe verificar si el valor de n es par o impar (non), en
caso de ser par se toman los dos valores que estn en el centro.
Como en este caso n = 5 (nmero non), hay un solo valor central, el
6 y ste es el valor de la mediana, es decir:
Me = 6
Ntese que la mediana es un valor ms tpico del conjunto anterior que la media
aritmtica:
Ejemplo: Se tienen las siguientes edades tomadas de un grupo de 10 estudiantes
del grupo del curso de Introduccin a los Diseos Experimentales del Colegio de
Postgraduados, se desea conocer cual sera su media y cul sera su mediana.
25, 27, 35, 28, 30, 24, 25, 29, 32, 37
a. Clculo de la media:

b. Clculo de la mediana:
Primero se ordenan los datos de menor a mayor:
24, 25, 25, 27, 28, 29, 30, 32, 35, 37
Puesto que n = 10(nmero par), hay dos valores centrales, que son 28 y 29. La
mediana es la media aritmtica de estos dos valores. Es decir


Para localizar la mediana en una tabla de frecuencias slo busque los valores que
indiquen aproximadamente la mitad de la frecuencia relativa acumulada
(aproximadamente el 50%), ya que la mediana es un valor que divide a los datos
en mitades.
Como los datos son 90 (nmero par) la mediana esta localizada entre la
observacin cuadragsima quinta y cuadragsima sexta (45
a
y 46
a
) que
corresponde al intervalo entre 15.7 y 19.7 como se muestra en la tabla:
intervalos
Punto
medio de
clase (m
i
)
Conteo f
i
fA
i
FR
i
FRA
i

(07.7 , 11.7] 9.7 ||||| ||||| ||||| ||| 18 18 18/90 18/90
(11.7 , 15.7] 13.7 ||||| ||||| ||| 13 31 13/90 31/90
(15.7 , 19.7] 17.7
||||| ||||| |||||
||||| ||||
24 55 24/90 55/90
(19.7 , 23.7] 21.7 ||||| ||||| ||||| || 17 72 17/90 72/90
(23.7 , 27.7] 25.7 ||||| ||||| ||| 13 85 13/90 85/90
(27.7 , 31.7] 29.7

0 85 0/90 85/90
(31.7 , 35.7] 33.7 |||| 4 89 4/90 89/90
(35.7 , 39.7] 37.7 | 1 90 1/90 90/90
TOTAL 90 90 90/90 90/90
Otra forma de clculo sera utilizando la siguiente frmula:

Donde:
Me es mediana.
L es Lmite inferior de la clase mediana.
n es Tamao de muestra.
FA es Frecuencia Acumulada precedente a la clase mediana.
f es Frecuencia absoluta de la clase mediana.
c es amplitud del intervalo de clase.
De la tabla anterior se han tomando los valores necesarios para sustituir en la
frmula y obtener el valor de la Mediana:
L = 15.7


n = 90
FA = 31
f = 24
c = 4
Al sustituir en la formula queda la siguiente expresin:

Si utilizamos los valores de la tabla del ejercicio 5 tendriamos que el valor de la
mediana seria:

De la tabla obtenemos la informacin
L = Limite Inferior de la clase en donde se ubica a la mediana= 131
FA= Frecuencia acumulada que le antecede a la frecuencia en donde se ubica la
mediana= 17
C = Amplitud de la clase= 7
N= 35
F = Es la frecuencia de la clase que contiene a la mediana= 8
(f)
MC F (mc) FA
1 110 -
117
03 113.5 03 X 113.5=
340.5
03
2 117
124
06 120.5 06 X
120.5=723.0
09
3 124
131
08 127.5 08 X 127.5
=1020
17
4 131 -
138
08 134.5 08 X 134.5
=1076
25
5 138
145
04 141.5 04 X
141.5=566.0
29
6 145 -
152
06 148.5 06 X 148.5=891 35
suma 35 4616.5


Me = 131 + [ (35)/2 - 17] (7) = 131 + [ 17.5 - 17] (7)
8 8
Me= 131 + (0.5)(7) = 131 + (3.5) = 131 + 0.4375= 131.4375
8 8
Moda
La moda (Mo) de un conjunto
de datos es el valor (si existe)
que ocurre con mayor
frecuencia. Si es un valor nico decimos que la distribucin de frecuencias es
unimodal, si tiene dos o ms valores con la misma frecuencia mxima, decimos
que la distribucin es bimodal, trimodal, entre otras.
La moda es una medida de tendencia central que es poco usada por las siguientes
razones:
a) Puede ocurrir que no exista.
b) A menudo no es un valor nico.
Retomando el ejemplo de las edades tomadas de un grupo de 10 estudiantes del
grupo del curso de Introduccin a los Diseos Experimentales, el clculo de la
moda sera:
25, 27, 35, 28, 30, 24, 25, 29, 32, 37
La moda de este conjunto de datos es 25 puesto que tiene una frecuencia de 2,
mientras los dems valores tienen una frecuencia de 1.
Si se comparan los valores obtenidos por este conjunto de datos se tiene:

No siempre los datos obtenidos por la media, la mediana y la moda coinciden, este
es un ejemplo en el cual se nota ms este concepto.
(f)
MC F (mc) FA


En una tabla de frecuencias,
la moda se define como el
valor medio de la clase cuya
frecuencia tiene el valor
numrico mayor, la cual
recibe el nombre de clase
modal.

Intervalos
Punto
medio de
clase (m
i
)
Conteo f
i
fA
i
FR
i
FRA
i

(07.7 , 11.7] 9.7 ||||| ||||| ||||| ||| 18 18 18/90 18/90
(11.7 , 15.7] 13.7 ||||| ||||| ||| 13 31 13/90 31/90
(15.7 , 19.7] 17.7
||||| ||||| |||||
||||| ||||
24 55 24/90 55/90
(19.7 , 23.7] 21.7 ||||| ||||| ||||| || 17 72 17/90 72/90
(23.7 , 27.7] 25.7 ||||| ||||| ||| 13 85 13/90 85/90
(27.7 , 31.7] 29.7

0 85 0/90 85/90
(31.7 , 35.7] 33.7 |||| 4 89 4/90 89/90
(35.7 , 39.7] 37.7 | 1 90 1/90 90/90
TOTAL 90 90 90/90 90/90
Los valores obtenidos utilizando la tabla fueron:
Mo = 17.7 que es el punto medio del intervalo donde la frecuencia absoluta (24) es
mayor que los dems, y es de tipo unimodal.
O bien podemos aplicar la siguiente expresin:
Moda = Li + [ ( D1 ) ] * C
D1 + D2
donde
Li = limite Inferior de la clase ms abundante
D1= frecuencia de la clase ms abundante- frecuencia de la clase anterior
D2= Frecuencia de la clase ms abundante- frecuencia de la clase posterior
C = Ancho del intervalo de la clase ms abundante

Si retomamos el ejercicio de la clase tendramos

Los valores sern para la clase 3
Li=124
D1=08-06= 02
1 110 - 117 03 113.5 03 X 113.5= 340.5 03
2 117 124 06 120.5 06 X 120.5=723.0 09
3 124 131 08 127.5 08 X 127.5 =1020 17
4 131 - 138 08 134.5 08 X 134.5 =1076 25
5 138 145 04 141.5 04 X 141.5=566.0 29
6 145 - 152 06 148.5 06 X 148.5=891 35
suma 35 4616.5


D2=08-08=00
C= 07

Moda = Li + [ ( D1 ) ] * C
D1 + D2
Moda = 124 + [ ( 2 ) ] ( 7) = 124 + (2/8)(7)= 124 +1.75= 125.75
8 + 0

Para la clase 4
Li= 131
D1=8-8= 0
D2=8-4=4
C= 7

Moda = 131 + [ ( 0 ) ] (7)= 131 + 0= 131
0 + 4
EJERCICIOS PARA PRACTICAR
1.- De un conjunto de 5 plantas se tomo el nmero de hojas que tiene cada una de ellas:

9, 7, 5, 8, 6

D clic junto al nmero que indica las hojas promedio tienen las plantas:

7
6
8
9

2.- Los siguientes son conteos del nmero de cromosomas en una herbcea (Claytonia
virginica, L):

24, 28, 28, 27, 28, 29, 29, 29, 30, 26

D clic junto al nmero que indica la media de los cromosomas:

22.5
26.8
27.8
29.6

3.- Los siguientes datos expresan el Rendimiento (en Kilogramos) de plantas de maz
atacadas por el barrenador europeo:


3.81 6.81 7.49 4.56 7.16 8.61 3.86
6.78 9.02 8.65 8.65 6.72 5.26 10.34
D clic junto al nmero que indica el promedio del rendimiento en Kg:

4.94
7.75
5.57
6.98
4.- La siguiente tabla tiene la calificacin de estadstica de 20 alumnos:
8.5 9 10 6.5 9 8 7 9.5 7 10
6.5 8 9 8.5 6 5 10 5.5 8 5

D clic junto al nmero que indica la media de los alumnos en estadstica:

8.3
7.8
5.9
6.7

5.-Considere los siguientes datos sobre la concentracin de globulina receptora, para una
muestra de mujeres con pruebas de laboratorio de evidente anemia por deficiencia de
hierro:
15.2 9.3 7.6 11.9 10.4 9.7
20.4 9.4 11.5 16.2 9.4 8.3

D clic junto al nmero que indica la media de los alumnos en estadstica:

11.60
10.86
12.03
17.25

6.-Calcule la media de la siguiente tabla de distribucin de Frecuencias utilizando las
columnas f
i
y m
i
:

Clase o intervalo m
i
f
i
FR
i

(3.8,4.6] 4.2 4 0.054
(4.6,5.4] 5.0 1 0.013


(5.4,6.2] 5.8 7 0.095
(6.2,7.0] 6.6 19 0.260
(7.0,7.8] 7.4 20 0.273
(7.8,8.6] 8.2 9 0.123
(8.6,9.4] 9.0 10 0.136
(9.4,10.2] 9.8 1 0.013
(10.2,11.0] 10.6 2 0.027

n=73
De clic junto al nmero que indica la media calculada de la tabla:

7.268
8.314
6.668
7.987

7.-De la misma tabla calcule la media utilizando las columnas fR
i
y m
i
:

De clic junto al nmero que indica la media calculada de la tabla:

7.987
7.678
6.998
7.223

9, 7, 5, 8, 6
Clase o intervalo m
i
f
i
FR
i

(3.8,4.6] 4.2 4 0.054
(4.6,5.4] 5.0 1 0.013
(5.4,6.2] 5.8 7 0.095
(6.2,7.0] 6.6 19 0.260
(7.0,7.8] 7.4 20 0.273
(7.8,8.6] 8.2 9 0.123
(8.6,9.4] 9.0 10 0.136
(9.4,10.2] 9.8 1 0.013
(10.2,11.0] 10.6 2 0.027


D clic junto al nmero que indica las mediana del conjunto de datos:

6
8
7
9

virginica, L): 24, 28, 28, 27, 28, 29, 29, 29, 30, 26
D clic junto al nmero que indica la mediana de los cromosomas:

28
29
26
27

3.81 6.81 7.49 4.56 7.16 8.61 3.86
6.78 9.02 8.65 8.65 6.72 5.26 10.34
D clic junto al nmero que indica la mediana del rendimiento en Kg:

8.94
7.03
6.98
5.96



8.5 9 10 6.5 9 8 7 9.5 7 10
6.5 8 9 8.5 6 5 10 5.5 8 5

D clic junto al nmero que indica la mediana de las calificaciones de los alumnos en
estadstica:

8.6
7.9
9
8

hierro:
15.2 9.3 7.6 11.9 10.4 9.7
20.4 9.4 11.5 16.2 9.4 8.3
D clic junto al nmero que indica la mediana de los alumnos en estadstica:

10.05
11.03
9.89
10.75

6.-Calcule la mediana de la siguiente tabla de distribucin de Frecuencias utilizando las
columnas f
i
y m
i
:

Clase o intervalo m
i
f
i
FA
i
FR
i

(3.8,4.6] 4.2 4 4 0.054


(4.6,5.4] 5.0 1 5 0.013
(5.4,6.2] 5.8 7 12 0.095
(6.2,7.0] 6.6 19 31 0.260
(7.0,7.8] 7.4 20 51 0.273
(7.8,8.6] 8.2 9 60 0.123
(8.6,9.4] 9.0 10 70 0.136
(9.4,10.2] 9.8 1 71 0.013
(10.2,11.0] 10.6 2 73 0.027

n=73

D clic junto al nmero que indica la media calculada de la tabla:

8.12
6.78
6.66
7.22


9, 8, 7, 5, 8, 6, 8, 9

D clic junto al nmero que indica la moda de las hojas que tienen las plantas:

7
6
8
9

virginica, L):


29, 28, 28, 27, 28, 29, 29, 29, 30, 26, 24, 29

D clic junto al nmero que indica la moda de los cromosomas:

29
28
24
27

3.81 6.81 7.49 4.56 7.16 8.61 3.86
6.78 9.02 8.65 8.65 6.72 5.26 10.34

D clic junto al nmero que indica la moda del rendimiento en Kg:

9.02
3.86
7.49
8.65

8.5 9 10 6.5 9 8 7 9.5 7 10
6.5 8 9 8.5 6 5 10 5.5 8 5

D clic junto al nmero que indica la moda o las modas de los alumnos en estadstica:

Monomodal moda=8
Polimodal moda=8, moda=9, moda=10
Bimodal moda=9, moda=10
Bimodal moda=8, moda=9

hierro:
15.2 9.3 7.6 11.9 10.4 9.7
20.4 9.4 11.5 16.2 9.4 8.3
D clic junto al nmero que indica la moda o las modas de los alumnos en estadstica:


Bimodal moda=9.4 y moda=9.7
Monomodal moda=15.2
Polimodal moda=7.6, moda=9.7 y moda=11.5
Monomodal moda=9.4

6.-Calcule la moda de la siguiente tabla de distribucin de Frecuencias utilizando las
columnas f
i
y m
i
:

Clase o intervalo m
i
f
i
FR
i

(3.8,4.6] 4.2 4 0.054
(4.6,5.4] 5.0 1 0.013
(5.4,6.2] 5.8 7 0.095
(6.2,7.0] 6.6 19 0.260
(7.0,7.8] 7.4 20 0.273
(7.8,8.6] 8.2 9 0.123
(8.6,9.4] 9.0 10 0.136
(9.4,10.2] 9.8 1 0.013
(10.2,11.0] 10.6 2 0.027

n=73

D clic junto al nmero que indica la media calculada de la tabla:

7.4
7.0
6.6
9.0

Tomado del Libro Said Infante, Guillermo Zarate (1990). Mtodos Estadsticos.
Trillas. pp25

PARA DATOS CUALITATIVOS

DISEO DE ENCUESTAS DE SATISFACCION

El primer paso para desarrollar una encuesta sobre la satisfaccin del cliente
es determinar su finalidad. Las encuestas deben disearse para proporcionar con
claridad la informacin a los usuarios de los resultados de la encuesta que


necesitan para tomar decisiones. Una pregunta vital que se debe considerar es
Quin ES EL CLIENTE? los gerentes, los empleados de compras, los usuarios
finales y otros pueden quedar afectados por los productos y servicios de una
empresa. Por ejemplo XEROX, enva encuestas especficas compradores,
gerentes y usuarios. Los compradores proporcionan informacin sobre
facturacin y otros procesos administrativos, y los usuarios aportan
retroalimentacin sobre el desempeo del producto y el apoyo tcnico. Las
encuestas no deben limitarse a los clientes externos; la informacin proveniente
de los clientes internos tambin contribuye a la elevacin de los puntos fuertes y
dbiles de la organizacin.

Algunas empresas tambin emplean encuestas de opinin de empleados o
instrumentos de tipo similar para buscar retroalimentacin de los empleados
respecto al entorno de trabajo, los beneficios, la compensacin, la administracin,
las actividades en equipo, los premios y el reconocimiento, as como los planes y
valores de le empresa. Sin embargo otros indicadores son el absentismo, la
rotacin de personal, las quejas y las huelgas, que frecuentemente pueden aportar
mejor informacin que las encuestas, mismas que muchos empleados pudieron no
tomar con seriedad.

La siguiente pregunta a encarar ES QUIEN DEBERIA DE LLEVAR A CABO
LA ENCUESTA. A menudo, organizaciones independientes de terceras personas
son ms crebles para quienes responden y pueden asegurar la obtencin de
objetividad en los resultados.
Una vez cumplidos estos pasos preliminares, es necesario definir UN MARCO
DE MUESTRA; esto es un grupo seleccionado, a partir del cual se escogera una
muestra. Dependiendo de la finalidad de la encuesta pudiera tratarse de la
totalidad de la base de los clientes o algn segmento en especial.

El siguiente paso es seleccionar el INSTRUMENTO APROPIADO para la
encuesta. El medio ms comn para medir la satisfaccin del cliente es mediante
encuestas formales por escrito, aunque tambin se emplean otras tcnicas, como
son las entrevistas cara a cara, las entrevistas telefnicas y los grupos de
enfoque. Las encuestas por escrito tienen la ventaja de tener un bajo costo de
recoleccin de datos, autoadministracin y facilidad de anlisis; adems, se puede
profundizar en los temas. Sin embargo, sufren de una alta proporcin de
respuestas sin validez. Requieren muestran de gran tamao y miden solo
percepciones predeterminadas de lo que es importante para el cliente. Las


entrevistas telefnicas se clasifican en algn sitio entre dos extremos y parece
ser el procedimiento preferido para aquellas empresas que tienen una cantidad
limitada de clientes comerciales; se utilizan encuestas por correo para llevar a
cabo un control de transacciones rutinarias , donde los atributos calves son
estables en el transcurso del tiempo. Las entrevistas cara a cara y los grupos de
enfoque, por otra parte requieren una muestra de tamao mucho menor y pueden
generar una cantidad significativa de informacin cualitativa, pero incurren en
costos elevados y comprometen mucho tiempo del participante.

La mayora de las medidas de satisfaccin del cliente evalan
caractersticas de servicio; puede ser difcil desarrollar caractersticas medibles de
la calidad de los servicios. Por ejemplo una caracterstica de calidad como
DISPONIBILIDAD tal y como se aprecia en los siguientes enunciados:
1.- El doctor est disponible para programarme en un buen momento
2.- Pude obtener una cita con el doctor a la hora que yo deseaba
3.- Mi cita se program a una hora conveniente.
Se utiliza una escala LIKERT para medir las respuestas (Tabla No 1). Las
respuestas en el rango 5 indican a una organizacin que lo esta haciendo bien.
Respuesta el rango 4 sugieren que las expectativas del cliente se estn
cumpliendo, pero la empresa pudiera ser vulnerable a la competencia. Las
respuestas en el rango 3 significan que el producto o servicio apenas si cumple
con las expectativas del cliente y que hay mucho que mejorar. Las respuestas en
el rango 1 y 2 indican problemas serios.
Muy pobre
1
Pobre
2
Regular
3
Buena
4
Muy buena
5
Muy en
desacuerdo
1
En
desacuerdo
2
Ni en acuerdo
Ni en
desacuerdo
3
De
acuerdo
4
Muy en
acuerdo
5
Muy insatisfecho
1
Insatisfecho
2
Ni satisfecho
Ni insatisfecho
3
Satisfecho
4
Muy
satisfecho
5


Tabla No 1 Ejemplos de Escala Likert utilizadas para medir la satisfaccin del
cliente
La tarea final es disear el formato del informe y los mtodos de entrada de
datos. La tecnologa moderna como las bases de datos de una computadora, en
conjunto con diversas herramientas de anlisis estadstico, ayudan a registrar la
satisfaccin del cliente.
La encuesta esta formada por ms de 30 pregunta de opcin mltiple, con
espacio adicional para realizar los comentarios. La figura No 10 nos muestra
porciones seleccionada de una encuesta.
Como nota final, las encuestas deben probarse primero para determinar si las
instrucciones se han comprendido, identificar las preguntas que se pudieran mal
interpretar o estuvieran mal redactadas, determinar cuanto tiempo toma completar
la encuesta y determinar el nivel del inters del cliente.

La medicin apropiada de la satisfaccin del cliente permite distinguir entre
procesos con un elevado impacto en la satisfaccin y bajo desempeo, y aquellos
que se estn ejecutando bien. Una forma de asegurarse que la medicin es
apropiada es recolectando informacin tanto de importancia como en el
desempeo de las caractersticas clave de calidad, por ejemplo en la encuesta
de la Fig. 1, la pegunta 8 cuestiona la eficiencia (desempeo) genera del personal
del hotel; parte de la pregunta 13 indaga lo que se percibe quien responde sobre
la importancia de la eficiencia general del personal. Se puede llevar a cabo la
evaluacin de datos utilizando una rejilla como la que se muestra en la Fig. No 2.
En los cuadrantes diagonales (reas sombreadas) los resultados son buenos. Los
resultados que se aparten de la diagonal indican que la firma esta desperdiciando
recursos para conseguir un elevado desempeo sobre los atributos no importantes
del cliente


Figura No 1 Partes seleccionadas de la encuesta para los huspedes de Marriott

Importancia Desempeo
Reducida Elevada
Reducida A QUIEN LE IMPORTA? En exceso
Elevada Vulnerable PUNTOS FUERTES


Figura No 2 Comparacin desempeo-importancia
Cada uno de los atributos se desglosa en un grupo de preguntas .por ejemplo, las
interacciones de la fuerza de venta con los clientes incluiran las siguientes:
* Disponibilidad de los representantes de ventas
* Conocimiento tcnico del representante de ventas
* Comprensin de las necesidades reales del cliente
* Habilidades de consultara del representante de ventas
* Prediccin de las necesidades futuras del cliente

Todas las preguntas se pueden medir en una escala de 1 a 5 o del 1 al 10. La
uniformidad de la medicin es importante para permitir que se observen las
tendencias a lo largo de los aos. Adems de medir la satisfaccin, cada pregunta
o grupo de preguntas se debe medir segn su importancia.

Se debe alentar a los clientes que responden a la encuestas para que
proporcionen comentarios sobre cada aspecto, as como comentarios al azar. Se
recomienda hacer una encuesta al azar de una muestra representativa de
clientes selectos


a


POR ESTE MEDIO TE SOLICITO CONTESTE DE ACUERDO A TUS
PRINCIPIOS Y CONOCIMIENTOS. TU RESPUESTA ES MUY FUNDAMENTAL
PARA NUESTRO APRENDIZAJE

1.- SABES QUE ES UNA ENCUESTA?
A) SI B) NO C) EN EFECTO NO D) POSIBLEMENTE

2.- CONOCES ALGUNA?
A) SI B) NO C) NO RECUERDO

3.- HAS CONTESTADO ALGUNA?
A) SI B) NO C) NO RECUERDO

4.- SABES QUE ES UNA ENCUESTA DE SATISFACCION DE CLIENTE?
A) SI B) NO C) TALVES

5.- SABES QUE METODOS PODEMOS EMPLEAR PARA DESARROLLAR UNA
ENCUESTA DE SATISFACCION DE CLIENTE?

6.- CONOCES COMO DARLE CONFIABILIDAD A UNA ENCUESTA O TEST?

7.- DE LAS SIGUIENTES ESCALAS CUAL CONOCES?
A) ORDINAL B) CUANTITATIVA C) CARDINAL D) LIKERT E) NINGUNA

8.- LOS DATOS CUALITATIVOS EN ESTADISTICA PODEMOS MEDIRLO POR
MEDIO DE LA?
A) MEDIA B) CUANTH C) HOMOGENEA D) LIKERT E) NINGUNA

PROBABILIDAD

Orgenes en probabilidad
Los mtodos estadstico-matemticos emergieron desde la teora de probabilidad,
la cual data desde la correspondencia entre Pascal y Pierre de Fermat (1654).
Christian Huygens (1657) da el primer tratamiento cientfico que se conoce a la
materia. El Ars coniectandi (pstumo, 1713) de Jakob Bernoulli y la Doctrina de
posibilidades (1718) de Abraham de Moivre estudiaron la materia como una rama
de las matemticas.
1
En la era moderna, el trabajo de Kolmogrov ha sido un pilar
en la formulacin del modelo fundamental de la Teora de Probabilidades, el cual
es usado a travs de la estadstica.


La teora de errores se puede remontar a la pera miscellnea (pstuma, 1722)
de Roger Cotes y al trabajo preparado por Thomas Simpson en 1755 (impreso en
1756) el cual aplica por primera vez la teora de la discusin de errores de
observacin. La reimpresin (1757) de este trabajo incluye el axioma de que
errores positivos y negativos son igualmente probables y que hay unos ciertos
lmites asignables dentro de los cuales se encuentran todos los errores; se
describen errores continuos y una curva de probabilidad.
Pierre-Simon Laplace (1774) hace el primer intento de deducir una regla para la
combinacin de observaciones desde los principios de la teora de probabilidades.
Laplace represent la Ley de probabilidades de errores mediante una curva y
dedujo una frmula para la media de tres observaciones. Tambin, en 1871,
obtiene la frmula para la ley de facilidad del error (trmino introducido por
Lagrange, 1744) pero con ecuaciones inmanejables. Daniel Bernoulli (1778)
introduce el principio del mximo producto de las probabilidades de un sistema de
errores concurrentes.
Hoy el uso de la estadstica se ha extendido ms all de sus orgenes como un
servicio al Estado o al gobierno. Personas y organizaciones usan la estadstica
para entender datos y tomar decisiones en ciencias naturales y sociales, medicina,
negocios y otras reas. La estadstica es entendida generalmente no como un
sub-rea de las matemticas sino como una ciencia diferente aliada. Muchas
universidades tienen departamentos acadmicos de matemticas y estadstica
separadamente. La estadstica se ensea en departamentos tan diversos como
psicologa, educacin y salud pblica.

Regresin lineal - Grficos de dispersin en estadstica.
Al aplicar la estadstica a un problema cientfico, industrial o social, se comienza
con un proceso o poblacin a ser estudiado. Esta puede ser la poblacin de un
pas, de granos cristalizados en una roca o de bienes manufacturados por una
fbrica en particular durante un periodo dado. Tambin podra ser un proceso
observado en varios ascos instantes y los datos recogidos de esta manera
constituyen una serie de tiempo.


Por razones prcticas, en lugar de compilar datos de una poblacin entera,
usualmente se estudia un subconjunto seleccionado de la poblacin, llamado
muestra. Datos acerca de la muestra son recogidos de manera observacional o
experimental. Los datos son entonces analizados estadsticamente lo cual sigue
dos propsitos: descripcin e inferencia.
El concepto de correlacin es particularmente valioso. Anlisis estadsticos de un
conjunto de datos puede revelar que dos variables (esto es, dos propiedades de la
poblacin bajo consideracin) tienden a variar conjuntamente, como si hubiera una
conexin entre ellas. Por ejemplo, un estudio del ingreso anual y la edad de
muerte podran resultar en que personas pobres tienden a tener vidas ms cortas
que personas de mayor ingreso. Las dos variables se dicen que estn
correlacionadas. Sin embargo, no se puede inferir inmediatamente la existencia de
una relacin de causalidad entre las dos variables. El fenmeno correlacionado
podra ser la causa de una tercera, previamente no considerada, llamada variable
confusora.
Si la muestra es representativa de la poblacin, inferencias y conclusiones hechas
en la muestra pueden ser extendidas a la poblacin completa. Un problema mayor
es el de determinar que tan representativa es la muestra extrada. La estadstica
ofrece medidas para estimar y corregir por aleatoriedad en la muestra y en el
proceso de recoleccin de los datos, as como mtodos para disear experimentos
robustos como primera medida, ver diseo experimental.
El concepto matemtico fundamental empleado para entender la aleatoriedad es
el de probabilidad. La estadstica matemtica (tambin llamada teora estadstica)
es la rama de las matemticas aplicadas que usa la teora de probabilidades y el
anlisis matemtico para examinar las bases tericas de la estadstica.
El uso de cualquier mtodo estadstico es vlido solo cuando el sistema o
poblacin bajo consideracin satisface los supuestos matemticos del mtodo. El
mal uso de la estadstica puede producir serios errores en la descripcin e
interpretacin, afectando las polticas sociales, la prctica mdica y la calidad de
estructuras tales como puentes y plantas de reaccin nuclear.
Incluso cuando la estadstica es correctamente aplicada, los resultados pueden
ser difcilmente interpretados por un inexperto. Por ejemplo, el significado
estadstico de una tendencia en los datos, que mide el grado al cual la tendencia
puede ser causada por una variacin aleatoria en la muestra, puede no estar de
acuerdo con el sentido intuitivo. El conjunto de habilidades estadsticas bsicas (y
el escepticismo) que una persona necesita para manejar informacin en el da a
da se refiere como cultura estadstica.
La probabilidad constituye un importante parmetro en la determinacin de las
diversas casualidades obtenidas tras una serie de eventos esperados dentro de un
rango estadstico.


Las probabilidades constituyen una rama de las matemticas que se ocupa de
medir o determinar cuantitativamente la posibilidad de que un suceso o
experimento produzca un determinado resultado. La probabilidad est basada en
el estudio de la combinatoria y es fundamento necesario de la estadstica.

La creacin de la probabilidad se atribuye a los matemticos franceses del siglo
XVII Blaise Pascal y Pierre de Fermat, aunque algunos matemticos anteriores,
como Gerolamo Cardano en el siglo XVI, haban aportado importantes
contribuciones a su desarrollo.

La PROBABILIDAD mide la frecuencia con la que se obtiene un resultado (o
conjunto de resultados) al llevar a cabo un experimento aleatorio, del que se
conocen todos los resultados posibles, bajo condiciones suficientemente estables.
La teora de la probabilidad se usa extensamente en reas como la estadstica, la
fsica, la matemtica, la ciencia y la filosofa para sacar conclusiones sobre la
probabilidad discreta de sucesos potenciales y la mecnica subyacente discreta
de sistemas complejos.

El concepto intuitivo de la probabilidad, por medio del cual una persona toma
decisiones sin la certeza de que ocurran todos sus supuestos, es la base de un
estudio sistemtico que permite incrementar el grado de confianza que se puede
tener en una decisin.

La probabilidad puede ser objetiva o subjetiva. La primera es el resultado de
clculos mientras que la subjetiva solo se ve reflejada por la percepcin de quien
la emite.

La probabilidad objetiva bajo el enfoque clsico, supone que todos los eventos
tienen la misma posibilidad de ocurrir. Esta es la relacin entre el numero de
eventos sealados como EXITOSOS, respecto al nmero total de eventos
POSIBLES.

Matemticamente podemos expresarlos de la siguiente manera:

P = NUMERO DE EVENTOS EXITOSOS= ( n )
NUMEROS DE EVENTOS (N)

Donde P= Probabilidad expresada en porcentaje o en forma decimal
N= Nmero total de eventos
n = Numero de eventos que son exitosos

La probabilidad muchas veces se expresa en porcentajes o bien en forma decimal.


La probabilidad matemtica comenz como un intento de responder a varias
preguntas que surgan en los juegos de azar, por ejemplo saber cuntas veces se
han de lanzar un par de dados para que la probabilidad de que salga seis sea el
50 por ciento.

La probabilidad de un resultado se representa con un nmero entre 0 y 1, ambos
inclusive. La probabilidad 0 indica que el resultado no ocurrir nunca, y la
probabilidad 1 que el resultado ocurrir siempre. Los problemas ms sencillos
estudian la probabilidad de un suceso favorable en un experimento o
acontecimiento con un nmero finito de resultados, todos ellos con igual
probabilidad de ocurrir.

Si un experimento tiene n posibles resultados, y f de ellos se consideran
favorables, la probabilidad de un suceso favorable es f/n. Por ejemplo, un dado no
trucado se puede lanzar de seis formas posibles, por tanto, la probabilidad de que
salga un 5 un 6 es 2/6.

Problemas ms complicados estudian acontecimientos en que los distintos
resultados tienen distintas probabilidades de ocurrir. Por ejemplo, encontrar la
probabilidad de que salga 5 6 al lanzar un par de dados: los distintos resultados
(2, 3,12) tienen distintas probabilidades. Algunos experimentos pueden incluso
tener un nmero infinito de posibles resultados, como la probabilidad de que una
cuerda de circunferencia dibujada aleatoriamente sea de longitud mayor que el
radio.

Los problemas que estudian experimentos repetitivos relacionan la probabilidad y
la estadstica. Algunos ejemplos: encontrar la probabilidad de obtener 5 veces un
3 y al menos 4 veces un 6 al lanzar un dado, sin hacer trampas, 50 veces; si una
persona lanza una moneda al aire y da un paso hacia delante si sale cara y un
paso hacia atrs si sale cruz, calcular la probabilidad de que, despus de 50
pasos, la persona est a menos de 10 pasos del origen.

El uso ms generalizado de la probabilidad es su utilizacin en el anlisis
estadstico. Por ejemplo, la probabilidad de sacar 7 al lanzar dos dados es 1/6, lo
que significa (se interpreta como) que al lanzar dos dados aleatoriamente y sin
hacer trampas, un gran nmero de veces, alrededor de un sexto de los
lanzamientos darn 7.


La probabilidad matemtica se utiliza mucho en las ciencias fsicas, biolgicas y
sociales, as como en el comercio y la industria. Se aplica a muchas reas tan
dispares como la gentica, la mecnica cuntica y los seguros. Tambin estudia
problemas matemticos tericos de gran importancia y dificultad y est bastante
relacionada con la teora del anlisis matemtico, que se desarroll a partir del
clculo.
Clculo o medicin de la Probabilidad

La PROBABILIDAD mide la mayor o menor posibilidad de que se d un
determinado resultado (suceso o evento) cuando
se realiza un experimento aleatorio.
Para calcular la probabilidad de un evento se
toma en cuenta todos los casos posibles de
ocurrencia del mismo; es decir, de cuntas
formas puede ocurrir determinada situacin.
Los casos favorables de ocurrencia de un evento
sern los que cumplan con la condicin que
estamos buscando.
La probabilidad toma valores entre 0 y 1 (o
expresados en tanto por ciento, entre 0% y
100%):
El valor cero corresponde al suceso imposible; ejemplo: lanzamos un dado al aire
y la probabilidad de que salga el nmero 7 es cero.
El valor uno corresponde al suceso seguro, ejemplo: lanzamos un dado al aire y
la probabilidad de que salga cualquier nmero del 1 al 6 es igual a uno (100%).
El resto de sucesos tendr probabilidades entre cero y uno: que ser tanto mayor
cuanto ms probable sea que dicho suceso tenga lugar.
Mtodos de medicin de Probabilidad
Uno de los mtodos ms utilizados es aplicando
la Regla de Laplace: define la probabilidad de un
suceso como el cociente entre casos favorables y
casos posibles.


Ejemplos:
a) Probabilidad de que al lanzar un dado salga el nmero 2: el caso favorable (f)
es tan slo uno (que salga el dos), mientras que los casos posibles (n) son seis
(puede salir cualquier nmero del uno al seis).
Por lo tanto:
(o lo que es lo mismo,
16,6%)
b) Probabilidad de que al lanzar un dado salga un
nmero par: en este caso los casos favorables (f)
son tres (que salga el dos, el cuatro o el seis),
mientras que los casos posibles (n) siguen siendo
seis.
Por lo tanto:
(o lo que es lo mismo, 50%)
c) Probabilidad de que al lanzar un dado salga un nmero menor que 5: en este
caso tenemos cuatro casos favorables (f) (que salga el uno, el dos, el tres o el
cuatro), frente a los seis casos posibles.
Por lo tanto:
(o lo que es lo mismo, 66,6%)
d) Probabilidad de ganarse el premio mayor de una lotera en la que juegan
100.000 nmerosnos: tan slo un caso favorable (f), el nmero que jugamos,
frente a los 100.000 casos posibles (n).
Por lo tanto:
(o lo que es lo mismo, 0,001%)

d) Probabilidad al lanzar una moneda, con un guila
en una cara y un sol en la otra. Hay dos casos
posibles (n) de ocurrencia (o cae guila o cae sol) y
slo un caso favorable (f) de que pueda caer guila
(pues slo hay un guila en la moneda).
Por lo tanto:


(o, lo que es lo mismo, 50 %)
Existe una probabilidad del 50% de obtener un guila al tirar una moneda.

e) Probabilidad de elegir tal o cual fruta. Si en una canasta hay 20 peras y 10
manzanas. Qu fruta es ms probable que saque al azar de la canasta?

Para este ejemplo tenemos que 30 es el total de frutas en la canasta; es decir los
casos posibles (n). Para calcular la probabilidad de sacar una manzana los casos
favorables (f) son 10 puesto que existen slo 10 manzanas.
Por lo tanto:
(o, lo que es lo mismo, 33,3 %)
(o, lo que es lo mismo, 66,7 %)
Fjate bien que 33,3% + 66,7% es igual al 100% porque siempre que saquemos
algo de la canasta es seguro que ser una fruta.
Condiciones importantes
Para poder aplicar la Regla de Laplace el
experimento aleatorio tiene que cumplir dos
requisitos:
a) El nmero de resultados posibles (sucesoso
eventos) tiene que ser finito. Si hubiera infinitos
resultados, al aplicar la regla "casos favorables
dividido por casos posibles" el cociente siempre
sera cero.
b) Todos los sucesos o eventos tienen que tener la
misma probabilidad. Si al lanzar un dado, algunas
caras tuvieran mayor probabilidad de salir que otras,
no podramos aplicar esta regla.
A la regla de Laplace tambin se le denomina "probabilidad a priori", ya que para
aplicarla hay que conocer antes de realizar el experimento cuales son los posibles
resultados y saber que todos tienen las mismas probabilidades.
Cuando se realiza un experimento aleatorio un nmero muy elevado de veces, las
probabilidades de los diversos posibles sucesos empiezan a converger hacia
valores determinados, que son sus respectivas probabilidades.


Ejemplo:
si lanzo una vez una moneda al aire y sale "cara", quiere decir que el suceso
"cara" ha aparecido el 100% de las veces y el suceso "cruz" el 0%.
Si lanzo diez veces la moneda al aire, es posible que el suceso "cara" salga 7
veces y el suceso "cruz" las 3 restantes. En este caso, la probabilidad del suceso
"cara" ya no sera del 100%, sino que se habra reducido al 70%.
Si repito este experimento un nmero elevado de veces, lo normal es que las
probabilidades de los sucesos "cara" y "cruz" se vayan aproximando al 50% cada
una. Este 50% ser la probabilidad de estos sucesos segn el modelo
frecuentista.
La probabilidad de un evento se denota con la letra p y se expresa en trminos de
una fraccin y no en porcentajes, por lo que el valor de p cae entre 0 y 1. Por otra
parte, la probabilidad de que un evento "no ocurra" equivale a 1 menos el valor de
p y se denota con la letra q:
= 1-q
Donde P= Probabilidad
q= Fracaso

ANALISIS COMBINATORIO
Orientado al estudio de las probabilidades, el anlisis combinatorio o anlisis del
numero de formas en las que se pueden presentarse los resultados de un
proceso, ayuda a cuantificar la probabilidad de que ocurra un resultado en
particular.
El anlisis combinatorio tiene como elementos fundamentales a las permutaciones
y a las combinaciones.
Una PERMUTACIN es una forma en la que pueden presentarse los objetos o
eventos, y en la que el orden de aparicin es muy importante.
La formula general de las permutaciones es:
Permutaciones = nPr = n!
n objetos tomados de r en r (n-r)!

Donde n = es el nmero total de objetos o eventos
r = es el numero de objetos que se desean considerar
P= Permutacin


Una COMBINACIN es una forma en las que pueden presentarse los
objetos o eventos y en las que el orden de aparicin no importa.
La formula general de las combinaciones es la siguiente:
Combinaciones de nCr = n!
n objetos tomados r! * (n-r)!
de r en r

donde n= Es el nmero total de objetos o eventos
r = Es el numero de objetos que se desea considerar

TIPOS DE EVENTOS
Un evento es el resultado posible o un grupo de resultados, de un experimento o
proceso observado, y es la mnima unidad de anlisis para el efecto de clculo de
probabilidades.
Los eventos pueden clasificarse de la siguiente manera:
1).- Mutuamente excluyentes o disjuntos.- Son aquellos que no pueden ocurrir al
mismo tiempo. Ejemplo.- Que juan juegue futbol y tenga clases de esgrima al
mismo tiempo.
2).- Independiente.- Estos no se ven afectados por otros. Por ejemplo, el color de
mis zapatos y la probabilidad de que llueva hoy.
3).- Dependientes.- Cuando un evento afecta la probabilidad de que suceda otro.
Por ejemplo.- Si un trabajo se hace descuidadamente, es ms probable que
resulte mal.
4).- No excluyentes.- Cuando la ocurrencia de uno de ellos no impide que suceda
tambin el otro. Por ejemplo: Que una persona sea doctor y que tenga mas de 35
aos.
Los tres mtodos para calcular las probabilidades son la regla de la adicin, la
regla de la multiplicacin y la distribucin binomial.
Regla de la adicin
La regla de la adicin o regla de la suma establece que la probabilidad de
ocurrencia de cualquier evento en particular es igual a la suma de las


probabilidades individuales, si es que los eventos son mutuamente excluyentes, es
decir, que dos no pueden ocurrir al mismo tiempo.
P(A o B) = P(A) U P(B) = P(A) + P(B) si A y B son mutuamente excluyente.
P(A o B) = P(A) + P(B) P(A y B) si A y B son no excluyentes.
Siendo: P(A) = probabilidad de ocurrencia del evento A.
P(B) = probabilidad de ocurrencia del evento B.
P(A y B) = probabilidad de ocurrencia simultanea de los eventos A y B.
Regla de la multiplicacin
La regla de la multiplicacin establece que la probabilidad de ocurrencia de dos o
ms eventos estadsticamente independientes es igual al producto de sus
probabilidades individuales.
P(A y B) = P(A B) = P(A)P(B) si A y B son independientes.
P(A y B) = P(A B) = P(A)P(B|A) si A y B son dependientes
Distribucin binomial
La probabilidad de ocurrencia de una combinacin especfica de eventos
independientes y mutuamente excluyentes se determina con la distribucin
binomial, que es aquella donde hay solo dos posibilidades, tales como
masculino/femenino o si/no.
1. Hay dos resultados posibles mutuamente excluyentes en cada ensayo u
observacin.
2. La serie de ensayos u observaciones constituyen eventos independientes.
3. La probabilidad de xito permanece constante de ensayo a ensayo, es decir el
proceso es estacionario.
Para aplicar esta distribucin al calculo de la probabilidad de obtener un nmero
dado de xitos en una serie de experimentos en un proceso de Bermnoulli, se
requieren tres valores: el nmero designado de xitos (m), el nmero de ensayos y
observaciones (n); y la probabilidad de xito en cada ensayo (p).
Entonces la probabilidad de que ocurran m xitos en un experimento de n ensayos
es:
P (x = m) = (nCm)(P
m
)(1P)
nm
Siendo: nCm el nmero total de combinaciones posibles de m elementos en un
conjunto de n elementos.


En otras palabras P(x = m) = [n!/(m!(nm)!)](p
m
)(1p)
nm
Ejemplo. La probabilidad de que un alumno apruebe la asignatura Clculo de
Probabilidades es de 0,15. Si en un semestre intensivo se inscriben 15 alumnos
Cul es la probabilidad de que aprueben 10 de ellos?
P(x = 10) = 15C10(0,15)
10
(0,85)
5
= 10!/(10!(1510)!)(0,15)
10
(0,85)
5
= 7,68 * 10
6

Generalmente existe un inters en la probabilidad acumulada de "m o ms " xitos
o "m o menos" xitos en n ensayos. En tal caso debemos tomar en cuenta que:
P(x < m) = P(x = 0) + P(x = 1) + P(x = 2) + P(x = 3) +....+ P(x = m 1)
P(x > m) = P(x = m+ 1) + P(x = m+ 2) + P(x = m+3) +....+ P(x = n)
P(x m) = P(x = 0) + P(x = 1) + P(x = 2) + P(x = 3) +....+ P(x = m)
P(x m) = P(x = m) + P(x = m+1) + P(x = m+2) +....+ P(x = n)
Supongamos que del ejemplo anterior se desea saber la probabilidad de que
aprueben:
a. al menos 5
b. mas de 12
SOLUCION
a. la probabilidad de que aprueben al menos 5 es:
P(x 5) es decir, que:
1 - P(x < 5) = 1 - [P(x = 0)+P(x = 1)+P(x = 2)+P(x = 3)+P(x = 4)] =
1 - [0,0874 + 0,2312 + 0,2856 + 0,2184 + 0,1156] = 0,0618
Nota: Al menos, a lo menos y por lo menos son locuciones adverbiales sinnimas.
Ejemplo: La entrada al cine por lo menos tendr un costo de 10 soles (como
mnimo podra costar 10 soles o ms).
b. la probabilidad de que aprueben mas de 12 es P(x > 12) es decir, que:
P(x > 12) = P(x = 13)+P(x = 14)+P(x = 15)
P(x > 12) = 1,47 *10
9
+3,722 *10
11
+4,38 *10
13
= 1,507 *10
9
La esperanza matemtica en una distribucin binomial puede expresarse como:
E(x) = np = 15(0,15)=2,25
Y la varianza del nmero esperado de xitos se puede calcular directamente:
Var(x) = np(1p)= 15(0,15)(1-0,15)=1,9125
Aplicaciones
Dos aplicaciones principales de la teora de la probabilidad en el da a da son en
el anlisis de riesgo y en el comercio de los mercados de materias primas. Los
gobiernos normalmente aplican mtodos probabilsticos en regulacin ambiental
donde se les llama "anlisis de vas de dispersin", y a menudo miden el bienestar
usando mtodos que son estocsticos por naturaleza, y escogen qu proyectos
emprender basndose en anlisis estadsticos de su probable efecto en la


poblacin como un conjunto. No es correcto decir que la estadstica est incluida
en el propio modelado, ya que tpicamente los anlisis de riesgo son para una
nica vez y por lo tanto requieren ms modelos de probabilidad fundamentales,
por ej. "la probabilidad de otro 11-S". Una ley de nmeros pequeos tiende a
aplicarse a todas aquellas elecciones y percepciones del efecto de estas
elecciones, lo que hace de las medidas probabilsticas un tema poltico.
Un buen ejemplo es el efecto de la probabilidad percibida de cualquier conflicto
generalizado sobre los precios del petrleo en Oriente Medio - que producen un
efecto domin en la economa en conjunto. Un clculo por un mercado de
materias primas en que la guerra es ms probable en contra de menos probable
probablemente enva los precios hacia arriba o hacia abajo e indica a otros
comerciantes esa opinin. Por consiguiente, las probabilidades no se calculan
independientemente y tampoco son necesariamente muy racionales. La teora de
las finanzas conductuales surgi para describir el efecto de este pensamiento de
grupo en el precio, en la poltica, y en la paz y en los conflictos.
Se puede decir razonablemente que el descubrimiento de mtodos rigurosos para
calcular y combinar los clculos de probabilidad ha tenido un profundo efecto en la
sociedad moderna. Por consiguiente, puede ser de alguna importancia para la
mayora de los ciudadanos entender cmo se calculan los pronsticos y las
probabilidades, y cmo contribuyen a la reputacin y a las decisiones,
especialmente en una democracia.
Otra aplicacin significativa de la teora de la probabilidad en el da a da es en la
fiabilidad. Muchos bienes de consumo, como los automviles y la electrnica de
consumo, utilizan la teora de la fiabilidad en el diseo del producto para reducir la
probabilidad de avera. La probabilidad de avera tambin est estrechamente
relacionada con la garanta del producto.
Se puede decir que no existe una cosa llamada probabilidad. Tambin se puede
decir que la probabilidad es la medida de nuestro grado de incertidumbre, o esto
es, el grado de nuestra ignorancia dada una situacin. Por consiguiente, puede
haber una probabilidad de 1 entre 52 de que la primera carta en un baraja sea la J
de diamantes. Sin embargo, si uno mira la primera carta y la reemplaza, entonces
la probabilidad es o bien 100% 0%, y la eleccin correcta puede ser hecha con
precisin por el que ve la carta. La fsica moderna proporciona ejemplos
importantes de situaciones determinsticas donde slo la descripcin probabilstica
es factible debido a informacin incompleta y la complejidad de un sistema as
como ejemplos de fenmenos realmente aleatorios.
En un universo determinista, basado en los conceptos newtonianos, no hay
probabilidad si se conocen todas las condiciones. En el caso de una ruleta, si la
fuerza de la mano y el periodo de esta fuerza es conocido, entonces el nmero
donde la bola parar ser seguro. Naturalmente, esto tambin supone el
conocimiento de la inercia y la friccin de la ruleta, el peso, lisura y redondez de la
bola, las variaciones en la velocidad de la mano durante el movimiento y as


sucesivamente. Una descripcin probabilstica puede entonces ser ms prctica
que la mecnica newtoniana para analizar el modelo de las salidas de
lanzamientos repetidos de la ruleta. Los fsicos se encuentran con la misma
situacin en la teora cintica de los gases, donde el sistema determinstico en
principio, es tan complejo (con el nmero de molculas tpicamente del orden de
magnitud de la constante de Avogadro ) que slo la descripcin
estadstica de sus propiedades es viable.
La mecnica cuntica, debido al principio de indeterminacin de Heisenberg, slo
puede ser descrita actualmente a travs de distribuciones de probabilidad, lo que
le da una gran importancia a las descripciones probabilsticas. Algunos cientficos
hablan de la expulsin del paraso.
[cita requerida]
Otros no se conforman con la
prdida del determinismo. Albert Einstein coment estupendamente en una carta a
Max Born: Jedenfalls bin ich berzeugt, da der Alte nicht wrfelt. (Estoy
convencido de que Dios no tira el dado). No obstante hoy en da no existe un
medio mejor para describir la fsica cuntica si no es a travs de la teora de la
probabilidad. Mucha gente hoy en da confunde el hecho de que la mecnica
cuntica se describe a travs de distribuciones de probabilidad con la suposicin
de que es por ello un proceso aleatorio, cuando la mecnica cuntica es
probabilstica no por el hecho de que siga procesos aleatorios sino por el hecho de
no poder determinar con precisin sus parmetros fundamentales, lo que
imposibilita la creacin de un sistema de ecuaciones determinista.
Investigacin biomdica
La mayora de las investigaciones biomdicas utilizan muestras de probabilidad,
es decir, aquellas que el investigador pueda especificar la probabilidad de
cualquier elemento en la poblacin que investiga. Las muestras de probabilidad
permiten usar estadsticas inferenciales, aquellas que permiten hacer inferencias a
partir de datos. Por otra parte, las muestras no probabilsticas solo permiten
usarse estadsticas descriptivas, aquellas que solo permiten describir, organizar y
resumir datos. Se utilizan cuatro tipos de muestras probabilsticas: muestras
aleatorias simples, muestras aleatorias estratificadas, muestra por conglomerados
y muestras sistemticas.
EJERCICIOS CON SOLUCION
1. Una experiencia aleatoria consiste en preguntar a tres personas distintas,
elegidas al azar, si son partidarias o no de consumir un determinado producto.
a) Escribe el espacio muestral asociado a dicho experimento, utilizando la
letra "s" para las respuestas afirmativas y "n" para las negativas.
b) Qu elementos del espacio muestral anterior constituyen el suceso " al
menos dos de las personas son partidarias de consumir el producto"?
c) Describe el suceso contrario de "ms de una persona es partidaria de
consumir el producto"


2.


3. En un supermercado el 70% de las compras las realizan las mujeres; de las
compras realizadas por estas, el 80% supera las 2000 PTA, mientras que de
las compras realizadas por hombres slo el 30% supera esa cantidad.
a) Elegido un ticket de compra al azar, cul es la probabilidad de que supere
las 2000 PTA?


b) Si se sabe que el ticket de compra no supera las 2000 PTA cul es la
probabilidad de que la compra haya sido hecha por una mujer?

4. Se extrae una carta de una baraja espaola de 40 cartas. Si la carta
extrada es un rey, nos dirigimos a la urna I; en caso contrario a la urna II. A
continuacin, extraemos una bola. El contenido de la urna I es de 7 bolas
blancas y 5 negras y el de la urna II es de 6 bolas blancas y 4 negras. Halla:
a) La probabilidad de que la bola extrada sea blanca y de la urna II
b) La probabilidad de que la bola extrada sea negra.


5. En una ciudad el 55% de los habitantes consume pan integral, el 30%
consume pan de multicereales y el 20% consume ambos. Se pide:
I) Sabiendo que un habitante consume pan integral, cul es la probabilidad
de que coma pan de multicereales?
II) Sabiendo que un habitante consume pan de multicereales, cul es la
probabilidad de que no consume pan integral?

III) Cul es la probabilidad de que una persona de esa ciudad no consuma
ninguno de los dos tipos de pan?
Para ver el grfico seleccione la opcin "Descargar" del men superior


SOLUCION:

6. Si A y B son dos sucesos tales que:

Enunciado
7. El equipo directivo de cierta empresa del sector de hostelera est
constituido por 25 personas de las que un 60% son mujeres. El gerente tiene


que seleccionar a una persona de dicho equipo para que represente a la
empresa en un certamen internacional. Decide lanzar una moneda: si sale
cara, selecciona a una mujer y si sale cruz, a un hombre.
Sabiendo que 5 mujeres y 3 hombres del equipo directivo no hablan ingls,
determina, justificando la respuesta, la probabilidad de que la persona
seleccionada hable ingls.

Enunciado


8. Dos personas piensan cada una de ellas un nmero del 0 al 9. Calcula la
probabilidad de que las dos personas no piensen el mismo nmero.
9. En una Universidad existen tres facultades: A, B y C. En A hay matriculadas
150 chicas y 50 chicos; en B, 300 chicas y 200 chicos; y en C, 150 chicas y
150 chicos.
a. Calcula la probabilidad de que un estudiante, elegido al azar, sea chico.
b. Si un estudiante elegido al azar resultara ser chico, cul es su facultad
ms probable



1.
2. Se escuchan tres discos y se vuelven a guardar al azar. Cul es la
probabilidad de que al menos uno de los discos haya sido guardado en el
envoltorio que le corresponda?
3. Se considera una clula en el instante t=0. En el intante t=1 la clula puede:
bien reproducirse, dividindose en dos, con probabilidad 3/4, o bien morir con
probabilidad 1/4.
Si la clula se divide, entonces en el tiempo t=2 cada uno de sus dos
descendientes puede tambin subdividirse o morir, con las mismas
probabilidades que antes, independientemente uno de otro.


a. Cuntas clulas es posible que haya en el tiempo t=2?
b. Con qu probabilidad?


1. Una caja contiene 10 bolas blancas, 5 negras y 5 rojas. Se extraen dos
bolas consecutivamente de la caja. Calcula la probabilidad de que las dos
sean blancas si:
Antes de extraer la segunda bola se vuelve a meter la primera en la caja.
La segunda bola se extrae sin haber metido la primera en la caja.


1.
2. Un monedero contiene 2 monedas de plata y 3 de cobre, y otro contiene 4
de plata y 3 de cobre. Si se elige un monedero al azar y se extrae una moneda
cul es la probabilidad de que sea de plata?
3. En una oficina el 70% de los empleados son asturianos. De entre los
asturianos, el 50% son hombres, mientras que de los no asturianos, slo son
hombres el 20%.
Qu porcentaje de empleados nos asturianos son mujeres?
Calcula la probabilidad de que un empleado de la oficina sea mujer.
Fernando trabaja en dicha oficina.Cul es la probabilidad de que sea
asturiano?
1. El 12% de los habitantes de un pas padece cierta enfermedad. Para el
diagnstico de esta, se dispone de un procedimiento que no es


completamente fiable ya que da positivo en el 90% de los casos de personas
realmente enfermas, pero tambin da positivo en el 5% de personas sanas.
Cul es la probabilidad de que est sana una persona a la que el
procedimiento le ha dado positivo?.
2. Para ver el grfico seleccione la opcin "Descargar" del men superior
3. En un ayuntamiento hay 5 concejales del partido A, 4 del B y 1 del C. Si se
eligen al azar y sucesivamente tres concejales, cul es la probabilidad de que
los tres sean del partido A? y la de que pertenezcan a partidos distintos?
4. Un dado ha sido trucado de manera que la probabilidad de sacar un
nmero par es el doble que la de sacar un nmero impar. Se lanza el dado y
se pide:
La probabilidad de obtener un nmero par
Si, a la vez, se lanza un dado no trucado, la probabilidad de obtener un
nmero par y un nmero impar.
Si, a la vez, se lanza un dado no trucado, la probabilidad de obtener, al
menos, un nmero impar.
1. Tengo dos urnas, dos bolas blancas y dos bolas negras. Se desea saber
como debo distribuir las bolas en las urnas para que, al elegir una urna al
azar, sea mxima la probabilidad de obtener una bola blanca. La nica
condicin exigida es que cada una tenga al menos una bola.

Ver: Probabilidades
Ahora practica lo aprendido resolviendo los ejercicios que se te proponen
en:
http://www.conevyt.org.mx/actividades/probabilidad/evaluacion.html
Fuentes Internet:
http://www.aulafacil.org/CursoEstadistica/Lecc-16-est.htm
http://thales.cica.es/rd/Recursos/rd97/Biografias/52-4-b-
laplace.html#Laplace%20y%20la%20Teora%20de%20la%20Probabilidad.
http://www.conevyt.org.mx/actividades/probabilidad/lectura3.html
Es propiedad: www.profesorenlinea.cl. Registro N 188.540

Antología de Probabilidad y Estadística I

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Antología de Probabilidad y Estadística I

Uploaded by

Copyright:

Available Formats

Antologa de

You might also like