Folleto Probabilidad y Estadistica Descriptiva (2022)

Profesor: Pablo José Calderón Zúñiga, Tel: 88170148, correo: pcalderon70144@ufide.ac.
cr
Carrera de Ingeniería Industrial

II-240 Probabilidad y Estadísticas Descriptivas
Nivel Bachillerato
4 créditos
Requisitos: II-115
Justificación / descripción del curso
La estadística es una de las herramientas básicas en ingeniería industrial. En este curso, que es el
primero de esta disciplina, que se imparte en la carrera, se conocen y analizan las herramientas de
la inferencia descriptiva, así como su aplicación en las empresas. Este curso es de gran aplicabilidad
en el ámbito de los negocios, pues provee una serie de herramientas necesarias para recolectar
información para la toma de decisiones, procesarla, presentarla e interpretarla. El requisito del curso
es el conocimiento básico de matemática.
Objetivo general
Conocer los fundamentos teóricos y lograr el dominio de las herramientas de la

estadística descriptiva a través de una metodología completa y coherente que
permita a los futuros profesionales desempeñarse adecuadamente.
Objetivos específicos
1. Proporcionar el marco teórico y práctico de la estadística descriptiva.

2. Adquirir y aplicar los conocimientos básicos sobre temas como los distintos niveles de
medición, técnicas de recolección de datos, muestreo, distribuciones de frecuencias, cuadros
estadísticos, gráficos estadísticos, medidas de posición de tendencia central y de variabilidad.
3. Adquirir y aplicar los conocimientos sobre las principales distribuciones de probabilidad
discretas y continuas
4. Conocer y aplicar algunos de los programas de software del área de la
Estadística
Contenidos temáticos
Unidad 1. Conceptos Generales:

Concepto de Estadística
Pasos del análisis estadístico
Poblaciones estadísticas
Concepto de población
Diferentes tipos de población:
Finitas e infinitas
Homogéneas y heterogéneas
Variables y atributos
Características y clasificación
Tipos de variables: continuas y discretas
1
Profesor: Pablo José Calderón Zúñiga, Tel: 88170148, correo: pcalderon70144@ufide.ac.cr
Frecuencia e intervalos de clases

Conceptos y tipos de frecuencia
Frecuencia absoluta y frecuencia relativa
Frecuencia puntual o de un solo intervalo y frecuencia acumulada
Definición de intervalos de clases y de distribuciones de frecuencia
Elaboración de tablas de frecuencia
Presentación gráfica de la información
Gráficas de barras, de bastones, de línea, circulares, pictogramas
Histograma, polígono de frecuencia, ojivas de frecuencia
Unidad 2. Principales medidas de posición
Medidas de tendencia central. Conceptos, características y aplicaciones
Moda
Mediana
Media o promedio aritmético
Otras medidas de posición
Conceptos, características y aplicaciones
Cuantilos: cuartilos, quintilos, deciles y percentiles
Unidad 3: Principales medidas de variabilidad o dispersión:
Medidas de dispersión absolutas. Importancia y aplicaciones
Desviación media
Varianza y desviación estándar
Medidas de dispersión relativas: el coeficiente de variación
Unidad 4. Probabilidades:
Definición, conceptos, importancia y uso
Teoremas fundamentales de la probabilidad matemática
Axiomas y teoremas fundamentales
Probabilidad condicional y teorema de Bayes
Media y varianza de una distribución de probabilidad.
Unidad 5. Principales distribuciones de probabilidades:
Distribuciones de variable discreta
Características, importancia y uso
La distribución Binomial
La distribución de Poisson: eventos propiamente Poisson y su uso como
aproximación de la distribución Binomial
La distribución hipergeométrica
La distribución geométrica
La distribución multinomial
Distribuciones de variable continúa
Características, importancia y uso
La distribución Normal
Uso de la distribución Normal como aproximación de la Binomial
La distribución exponencial
Metodología del curso y experiencias de aprendizaje

La metodología que se sigue para el desarrollo de los contenidos temáticos del curso es variada,
utilizando diferentes técnicas didácticas que faciliten el proceso enseñanza y aprendizaje; con ello
se busca una participación activa por parte del estudiante, en constante interacción con su medio y
los recursos disponibles.
En este curso, el estudiante aprende mediante la relación de la problemática de la vida real en

concordancia con su solución desde un punto de vista genérico. Además, debe lograr la comprensión
de diversos conceptos fundamentales para su posterior desarrollo.
2
Recursos didácticos
Se aprovecha al máximo el espacio físico del aula, la pizarra de melamina y el equipo multimedia.
Evaluación de los aprendizajes

Primer parcial 40 %
Segundo parcial 40 %
Quices y Tareas 20 %
Total 100%
Bibliografía
Básica: Lind/Marchal/Wathen (2015). Estadística Aplicada a los Negocios y Economía. Decimoséxta
edición. Mc Graw Hill.
Complementaria:
Triola, Mario (2009). Estadística. Décima edición. México. Pearson Educación.
Ross M. Sheldon (2000) Probabilidad y estadística para Ingenieros. México: Editorial Mc Graw Hill
Webster, Allen. (2000). ESTADISTICA APLICADA A LOS NEGOCIOS Y LA ECONOMIA. 3era.Costa
Rica. Edición. Editorial McGraw Hill.
Gómez Barrantes, Miguel. (1996). ELEMENTOS DE ESTADISTICA DESCRIPTIVA. Costa Rica.
Editorial EUNED.
Miller, I., Freund, J. E., J., R. (2008). Probabilidad y Estadística para Ingenieros. México: Prentice Hall
Hispanoamericana.
Freund, J.E. , Manning, R. (2000) Estadística. México, Prentice-Hall Inc.
Navidi W. (2006). Estadística para Ingenieros y Científicos. México: Editorial Mc Graw Hill
Cronograma de actividades
Semana Temas / actividades

1 Conceptos Generales de Estadística
2 Conceptos Generales de Estadística
3 Principales medidas de posición
4 Principales medidas de variabilidad o dispersión
5 Primer parcial
6 Probabilidades
7 Probabilidades
8 Probabilidades
9 Introducción
10 Segundo parcial
11 Principales distribuciones de probabilidades
15 Examen final
Nota: En caso de faltar a alguna lección, es obligación del estudiante

conseguir la materia vista y estudiarla antes de la siguiente semana lectiva..
Nota: En caso de no presentarse la fecha de aplicación de alguno de los

exámenes parciales, deberá de comunicarse de inmediato con el profesor para
exponer el caso. De igual manera, la reposición del examen se realizará la
semana siguiente a la fecha original.
3
Bienvenidos al curso Probabilidad y Estadística Descriptiva

La palabra estadística significa cosas diferentes para personas diferentes. Para un
aficionado al fútbol, se trata del número de goles conseguido por su equipo favorito; para
el entrenador de la Selección Nacional, la estadística es el número de pases desviados,
tiros a marco, fallas cometidas, etc; para un gerente de producción, es la cantidad de
producto defectuoso que sale al final del proceso. Para un ingeniero civil, es la cantidad de
grietas que presenta por cada 30 metros de recorrido un tramo de una carretera recién
construida. Para un programador, se trata del tiempo transcurrido antes de familiarizarse
con un nuevo programa de cómputo. Para un electricista lo es el establecer una relación
entre el grueso de un cable y la electricidad que conduce. Para los estudiantes que llevan
este curso, es la calificación obtenida en los exámenes parciales y de ser el caso, en el
examen de ampliación.
Cada una de estas personas utiliza la palabra de manera correcta, aunque le den un uso
diferente. Todos los que trabajan con datos numéricos y que recurren a la estadística para
auxiliarse en la toma de decisiones siguen ciertos lineamientos estándares, algunos de los
cuales se estudiarán en el presente curso.
El uso de las herramientas estadísticas que se aprenderán servirá como base introductoria
a una amplia gama de temas más profundos y complejos que surgen de distintas
aplicaciones a la Ingeniería.
El curso comenzará con el estudio de las definiciones básicas de la estadística y continuará

con la familiarización del proceso de recolección, corrección, clasificación y tabulación de
los datos numéricos a fin de poderlos presentar ya sea en tablas o en gráficos estadísticos.
Luego continuará con el estudio de métodos matemáticos con el objetivo de obtener
información importante del comportamiento de los datos como lo son los valores alrededor
de los cuales se agrupa la mayoría de éstos (medidas de tendencia central) y qué tan
alejados se encuentran (medidas de dispersión o variabilidad).
En la segunda parte del curso, se aprenderán las diferentes formas de calcular la

posibilidad de ocurrencia de un evento determinado por medio de las probabilidades.
Por último, se estudiará la forma de asignar probabilidades a todos los posibles resultados
de un experimento en las diferentes distribuciones de probabilidad.
Así, al finalizar el curso, se tendrán nuevas herramientas, las cuales, al ser aplicadas,
brindarán bases más objetivas a la hora de analizar la información. Cabe mencionar que
estas bases estadísticas deberán ir acompañadas por un criterio personal, ya sea por
experiencia o por puro sentido común, el cual dará un excelente balance entre lo puramente
matemático y la realidad circundante a cada uno de nosotros a la hora de tomar decisiones.
4
ESTADISTICA
Definición:
Es todo aquello que se relaciona con la recolección, procesamiento, análisis e

interpretación de datos numéricos a fin de que auxilie tanto en el análisis de los
datos como en el proceso de toma de decisiones.
Se remonta a dos actividades humanas:
 Juegos de azar: En los que se da el desarrollo de las matemáticas en la

teoría de la probabilidad. Inicia en el siglo XVIII y además condujo al
tratamiento matemático de los errores de medición.
 Ciencias políticas: Dada la necesidad de los gobernantes de recopilar
información acerca de sus ciudadanos, tierras, riqueza, etc.
La estadística se divide en dos categorías:
 Estadística descriptiva: Son métodos que implican la recopilación,

presentación y caracterización, de un grupo de datos en tablas, gráficos o
enunciados e incluye la síntesis de ellos mediante descripciones numéricas,
con el objetivo de describir en forma apropiada las diversas características
de dicho conjunto.
 Estadística inferencial: También llamada inferencia estadística. Trata de
generalizaciones basadas en muestras de datos. Es una conclusión que va
más allá de la información contenida en un conjunto de datos.
Al generalizar resultados, se está expuesto a ciertas consecuencias:
 Probabilidad de tomar decisiones erróneas.

 Probabilidad de hacer pronósticos incorrectos.
 Probabilidad de obtener estimaciones no comprendidas dentro de los límites
permitidos.
Para solventar estos problemas se cuenta con:
 Teoría de decisión: Teoría unificada que aborda los problemas de la

inferencia. Se usa para tomar decisiones en condiciones de incertidumbre.
Su aplicación tiene un importante elemento subjetivo.
5
La estadística tiene dos enfoques:
 Enfoque clásico: Toma en cuenta solo los modelos matemáticos en la toma

de decisiones.
 Enfoque Bayesiano: Además de los modelos matemáticos, toma en cuenta
factores subjetivos.
Pasos del análisis estadístico
I- Recopilación: Pueden ser datos:

 Internos
 Externos
II- Organización: 3 etapas:

 Corregir
 Clasificar
 Tabular
III- Presentación: Puede ser en:

 Enunciados
 Tablas estadísticas
 Gráficos estadísticos
IV- Análisis: 3 tipos:

 Análisis estadístico simple
 Análisis de series de tiempo
 Análisis de relación
V- Interpretación
VI- Toma de decisiones.
DEFINICIONES
 Población: Totalidad de valores posibles (mediciones o conteos) de una

característica particular de un grupo específico de objetos (universo).
 Muestra: Es una parte representativa de la población seleccionada de acuerdo

a una regla o plan específico.
6
Inferencia estadística:
Son métodos que hacen posible la estimación de una característica de una

población o la toma de una decisión con respecto a una población, basándose
únicamente en resultados muestrales y sujeta a cierto margen de error.
Población Descriptivo Censo Parámetros
Muestra Descriptivo Muestreo Estadísticos

Inferencial
Inferencia estadística:
Utilizar estadísticos muestrales para obtener conclusiones acerca de los verdaderos

parámetros poblacionales.
Tipos de población
Por su extensión:
 Infinitas: Tienen un número infinito de elementos. No termina. Se puede

hacer finita poniéndole un intervalo de tiempo o de distancia.
Finita medible: Termina y pronto
 Finitas
Finita no medible: Termina, pero dura mucho.
Por su composición:
 Homogéneas: Los valores de las características en estudio son iguales.

 Heterogéneas: Los valores de las características en estudio son
diferentes.
7
Variables
Es un símbolo tal como x, y ó z que puede tomar cualquier valor de un conjunto

determinado de ellos llamado Dominio de la Variable.
Si la variable puede tomar un solo valor se llama constante.
Características de las variables:
 Cualitativa (atributo): No se puede contar. Es para homogéneas. Arroja

respuestas categóricas.
 Cuantitativa (variable): Se puede contar. Es para heterogéneas. Arroja
respuestas numéricas.
 Discretas: Una variable es discreta en un intervalo si dados dos valores

tan cercanos entre sí como se quiera, no existe entre ellos otro valor que
pueda ser tomado por la variable. Surgen de un proceso de conteo. No
necesitan de aparatos para medir.
 Continuas: Una variable es continua en un intervalo si dados dos valores
tan cercanos entre sí como se quiera, siempre existe entre ellos otro
valor que puede ser tomado por la variable. Surgen de un proceso de
medición. Necesitan de aparatos para medir.
8
Niveles o Escalas de Medición
El nivel o escala de medición de los datos rige los cálculos que se llevan a cabo
con el fin de resumir y presentar los datos.
Tipos de niveles o escalas de medición:
 Escala Nominal: Nombres, etiquetas o clasificaciones mutuamente

excluyentes que se utilizan para datos en categorías distintas y separadas. No
tienen ninguna relación u orden lógico o específico. Solo se pueden clasificar y
contar (pertenecen o no pertenecen). Ej: Número de las camisetas de los
jugadores de un equipo de fútbol, marcas de autos, zonas geográficas, carrera
que estudian los alumnos de la Universidad Fidélitas.
 Escala Ordinal: Clasifican las observaciones en categorías mutuamente
excluyentes con un orden natural o un orden significativo y éstas tienen relación
entre sí. Indican un orden o preferencia o una secuencia de datos (mavor qué o
después de y menos qué o antes de). Ej: Calificación de una película (buena,
regular, mala), desempeño de un empleado (excelente, muy bueno, bueno,
regular, malo o muy malo), talla de una camisa (S, M, L, XL), días del mes o de
la semana.
 Escala de intervalo: Medidas mutuamente excluyentes en una escala
numérica en la cual el valor de cero es arbitrario (no representa ausencia) pero
la diferencia entre valores es importante. Las diferencias iguales en distintas
partes de la escala son iguales entre sí, aunque su razón no lo sea. Ej: Escala
de temperatura en °C o en °F, talla de una camisa (8, 10, 12, …), fechas en el
calendario, nota en un examen.
 Escala de razón: Medidas numéricas en las cuales cero es un valor fijo en
cualquier escala y la diferencia entre valores es importante inclusive a nivel
relativo. El cero indica ausencia. La distancia entre los valores es conocida y
constante. Ej: Tiempo, velocidad, distancia, llamadas recibidas en un call center.
9
Recopilación de los datos
Los datos estadísticos obtenidos de muestras, experimentos, observaciones o de

cualquier colección de mediciones, a menudo son tan numerosos que carecen de
utilidad a menos que sean condensados o reducidos a una forma más adecuada
de modo que se puedan distinguir patrones y llegar a conclusiones lógicas.
El objetivo de organizar los datos es permitir ver rápidamente algunas de las

características de los datos que se han recogido. Se buscan cosas como el alcance,
patrones evidentes, valores alrededor de los cuales se agrupan los datos, cuánto
se alejan, qué valores aparecen con más frecuencia, etc.
Análisis Estadístico Simple
Distribución de frecuencias:
Es una tabla – resumen en la que se pueden comprimir los datos. En ella se

disponen los datos divididos en grupos ordenados numéricamente en clases o
categorías, esto es, en grupos de valores que describen una característica de los
datos. Muestra el número de observaciones del conjunto de datos que caen en cada
una de las clases.
Frecuencia: Número de veces que se encuentra un valor.
Puntual (fi)
Absoluta
Acumulada (Fi)
Frecuencia
Puntual (fri)
Relativa (%)
Acumulada (Fri)
Frecuencia Relativa: Número de veces que aparece un valor con respecto a todos
los valores:
fri = fi .
# valores
10
Procedimiento para hacer la tabla de distribución de frecuencias:
1- Calcular la amplitud total de los datos (R):

R = Xmáx – Xmín
2- Determinar el número de clases a usar (K):

K = 1 + 3.3log(N) .
Nota: El resultado debe ser un número entero por lo que se redondea,
indiferentemente, hacia arriba o hacia abajo. 4  K  15
3- Calcular la amplitud de clase (C):

C=R/K
Nota: La amplitud de clases debe de tener el mismo número de decimales que tienen los datos
originales. Siempre se redondea hacia arriba.
4- Recalcular la amplitud de clases (R’):

R’ = C’ * K
5- Distribuir la diferencia entre los valores de R:

 R = R’ - R
2 2
Nota: R / 2 debe de tener el mismo número de decimales que tienen los datos originales. Los que
sobren, se eliminan.
X’mín = Xmín – (R / 2)
X’máx = Xmáx + (R / 2)
6- Hacer la tabla con los límites calculados
7- Calcular los límites reales o de frontera
8- Calcular los puntos medios de los intervalos (Xi):

Xi = Límite inferior + Límite superior
2
11
Ejemplo Edades.
Los siguientes datos son mediciones de la resistencia a la ruptura (en onzas) de

una muestra de 25 tubos:
16.72 16.70 16.75 16.82 16.66

16.77 16.76 16.73 16.82 16.64
16.82 16.68 16.66 16.78 16.72
16.70 16.62 16.81 16.76 16.68
16.78 16.67 16.64 16.80 16.70
La velocidad a la que viajan los vehículos en un tramo de una carretera (en Km/hr)
se dan en la siguiente tabla:
84.5 70.6 79.0 75.8 85.0 98.5
100.5 78.6 85.8 80.3 86.4 79.6
64.8 69.9 100.2 60.0 78.0 86.3
95.4 84.5 100.2 69.3 70.8 65.0
65.3 92.8 93.5 91.0 88.4 62.5
Los siguientes datos corresponden a los pesos (medidos en libras) de 35 personas

que se inscriben en un gimnasio en un programa para reducir de peso:
152.7 163.7 154.0 170.8 164.0 154.7 166.2

163.0 162.8 168.7 168.6 173.8 170.2 160.7
161.5 158.3 165.6 165.6 151.0 161.4 157.2
160.2 155.8 158.6 158.0 170.6 169.6 168.2
155.8 156.0 162.2 162.1 166.9 168.3 160.4
a) Cuántas personas pesarán 167 libras?

b) Cuántas personas pesarán como máximo 160 libras?
c) Cuántas personas pesarán por lo menos 161 libras?
d) Cuántas personas pesarán entre 155 y 165 libras?
e) Qué porcentaje de personas pesará 162 libras?
f) Qué porcentaje de personas pesará a lo sumo 166 libras?
g) Qué porcentaje de personas pesará como mínimo 168 libras?
h) Qué porcentaje de personas pesará entre 162 y 169 libras?
12
TABLA DE DISTRIBUCION DE FRECUENCIAS
Amplitud Total (R)
Número de clases (K)
Amplitud de clase (C)
Amplitud Ajustada (C´)
Amplitud total Nueva (R´)
Diferencia de Amplitudes / 2
Valor Máximo Nuevo
Valor Mínimo Nuevo:
13
 Organice las observaciones en una tabla de distribución de frecuencias.
Límites Límites
clases Calculados Reales conteo fi Fi fri Fri Xi
Li Ls Li Ls
Ʃ Ʃ Ʃ Ʃ
Excel Tabla Distribución de Frecuencias.xlsx
14
REPRESENTACION GRAFICA DE LOS DATOS
Muchas veces se dice que "una imagen vale más que mil palabras". Por medio de
gráficas, la información se puede presentar de una manera mucho más fácil y rápido
que si se tuviera que arreglar las cifras en forma tabular o escribir la información
con palabras.
Las gráficas presentan los datos en un diagrama de dos dimensiones. Sobre el eje
horizontal (X) se muestran los valores de la variable (característica que se está
midiendo). Sobre el eje vertical (Y) se señalan las frecuencias de las clases
mostradas en el eje horizontal.
Tipos de gráficos:
A- Graficos para variables continuas:
- Histograma de frecuencias
- Polígonos de frecuencia
- Otros de líneas: Ojivas de frecuencia:  "de menor que"
 "de mayor que"
B- Gráficos para variables discretas:
- Gráficos de barras
- Gráficos de bastón
- Gráficos de puntos
- Gráficos de líneas
- Gráficos circulares (de pastel)
- Pictogramas
Histogramas de frecuencia:
Es una serie de rectángulos, cuyo ancho es proporcional al alcance de los datos
que se encuentran dentro de una clase. La altura de la barra correspondiente a
cada clase representa el número de elementos que caen dentro de cada clase.
Histograma de frecuencias relativas: Cuando en lugar del número real de puntos,

se usan las frecuencias relativas de los puntos de cada una de las clases.
Polígonos de frecuencia:
Se obtiene conectando por medio de líneas rectas los puntos medios de la parte
superior de los rectángulos del histograma. Estos puntos medios corresponden a
los valores de las frecuencias de cada clase.
Polígono de frecuencias relativas: Cuando en lugar del número real de puntos se

utilizan las frecuencias relativas de los puntos de cada una de las clases.
15
Ojivas de frecuencia:
Una ojiva es un polígono de frecuencias relativas acumulativas. Las ojivas tienen
siempre la forma aproximada de una "S" mayúscula, quedando el tamaño relativo
de las dos colas de la "S" determinado por la simetría o falta de simetría de la
distribución.
Las ojivas pueden ser del tipo "menor que", que son las que parten de cero hasta
llegar al 100%, y también pueden ser del tipo "mayor que", que parten del 100%
hasta llegar a cero.
Además, las ojivas permiten ver el número de observaciones están por encima de
ciertos valores, en lugar de hacer un mero registro del número de elementos que
hay dentro de los intervalos.
Gráficos de barras:
Es ideal para representar a una sola serie a través de un intervalo de tiempo. Las
barras deben de ir separadas ya que los datos son discretos. El ancho de cada
barra debe ser el mismo y la distancia que las separa debe ser igual.
Gráficos de puntos:
Se utilizan los puntos para mostrar la dispersión de los datos.
Gráficos de bastón:
En este gráfico se lleva al eje de las X los puntos del gráfico anterior.
Gráficos de líneas:
Enfatizan los cambios continuos o tendencias generales entre los valores. Son
usadas principalmente para representar los datos clasificados por tiempo o
cantidad.
Gráficos circulares o de pastel:

Son gráficos cuyos datos ocupan áreas proporcionales a los datos que
representan. Resulta muy útil para representar una distribución de frecuencias
relativas.
Pictogramas:
Expresan con dibujos alusivos al tema de estudio las frecuencias de las
modalidades de la variable. Estos gráficos se hacen representado a diferentes
escalas un mismo dibujo.
La escala de los dibujos debe ser tal que el área de cada uno de ellos sea
proporcional a la frecuencia de la modalidad que representa. Este tipo de gráficos
suele usarse en los medios de comunicación, para que sean comprendidos por el
público no especializado, sin que sea necesaria una explicación compleja.
16
Medidas Descriptivas
Una de las características más importantes que hay que evaluar a la hora de tomar
una decisión son los valores alrededor de los cuales se agrupan la mayoría de los
datos. Para esto, se estudian las “Medidas de tendencia central”.
Medidas de Tendencia Central

Las principales medidas de tendencia central son:
 Moda
 Mediana
 Media aritmética
 Media ponderada
También existen otras medidas de posición como:

 Cuartilos
 Quintilos
 Decilos
 Percentiles
Moda:
Es aquel valor que más se repite en un conjunto de datos, es decir, el que más alta
frecuencia tiene.
Si hay una moda la distribución se llama unimodal, si hay dos modas se llama
bimodal, si hay tres modas se llama trimodal y si hay cuatro o más modas se llama
multimodal. Por otro lado, si todos los datos tienen la misma frecuencia, no hay
moda y la distribución se llama amodal.
Moda para datos no agrupados:

Para calcular la moda en datos no agrupados, primero se ordenan los datos (por
ejemplo en orden ascendente) y luego se busca el valor que más veces se repite.
Moda para datos agrupados:

Mo = Li + 1 * C`
1 + 2
donde:
Clase modal es la clase con más alta frecuencia
Li = Límite inferior de la clase modal
1 = Frecuencia de la clase modal - Frecuencia de la clase anterior.
2 = Frecuencia de la clase modal - Frecuencia de la clase posterior.
C` = Amplitud de clase.
17
Método gráfico:
Se une con una línea recta el final de la barra anterior a la barra de la clase modal
con el final de ésta. Luego se une el comienzo de la barra de la clase modal con el
comienzo de la barra posterior.
Mo
Si hay dos clases modales seguidas, la moda es el límite de frontera de las dos
clases:
Mo
Si las dos modas están separadas, se calculan por separado:
Mo1 Mo2
Si la moda se encuentra al principio o al final de la distribución, hay que llevar las

líneas al eje X:
Mo Mo
18
Ventajas:
 Se puede utilizar como una composición central para datos tanto
cuantitativos como cualitativos.
 No se ve mayormente afectada por datos externos.
 Se puede utilizar cuando una o más clases sean de extremo abierto.
Desventajas:
 A menudo no existe un valor modal debido a que el conjunto de datos no
contiene valores que se presenten más de una vez.
 Cuando se tienen más de dos modas es difícil comparar e interpretar.
Mediana:
Es el valor que divide a la distribución en dos partes iguales de 50% cada una.
Mediana para datos no agrupados:

Para calcular la mediana en datos no agrupados, primero se ordenan los datos (por
ejemplo en orden ascendente) y luego se busca la posición de la mediana:
Posición = n + 1
2
Si la mediana se localiza entre dos valores, entonces se saca el punto medio de
éstos.
Mediana para datos agrupados:
Me = Li + 0.5n – Facum. ant. CMe * C`

fCMe
donde:
Clase mediana es la clase cuya frecuencia acumulada es ½ n.
Li = Límite inferior de la clase mediana.
Fan. CMe = Frecuencia acumulada anterior a la clase mediana.
fCMe = Frecuencia de la clase mediana.
C` = Amplitud de clase.
19
Método gráfico:
Para el cálculo de la mediana por medio del método gráfico se utilizan las ojivas de
frecuencia, tanto la de “mayor que” como la de “menor que”, y la mediana es el el
punto donde se cortan las dos ojivas.
50%
Me
Ventajas:
 Es un valor único.
 No se ve afectada en gran medida por valores extremos.
 Es muy fácil de entender y se puede calcular a partir de cualquier tipo de
datos a menos que caiga en una clase de extremo abierto.
 Es factible para datos tanto cualitativos como cuantitativos.
Desventajas:
 Ciertos procedimientos estadísticos que utilizan la mediana son más
complejos.
 Deben de ordenarse los datos.
 No se puede calcular en intervalos abiertos.
Media aritmética:
Medida de tendencia central que representa a un conjunto de datos y señala el
centro de la distribución. Es una cantidad de equilibrio para todos los valores de una
distribución, resultante de dividir la suma de todos los valores de la distribución entre
el total de valores.
Media para datos no agrupados:
Para una población: Para una muestra:

__
μ = ΣXi X = ΣXi
N n
20
Media para datos agrupados:

__
μ = ΣXi * fi X = ΣXi * fi
Σ fi Σ fi
Ventajas:
 Se trata de un concepto familiar para la mayoría de las personas y es
intuitivamente claro.
 Cada conjunto de datos tiene una media.
 Se pueden comparar las medias de varios conjuntos de datos.
 Al evaluar la media se incluyen todos los datos.
 La media para un conjunto de datos es única.
 Es la única medida en donde la suma de las desviaciones de cualquier
valor con respecto a ella siempre será cero.
Desventajas:
 Se ve afectada por valores extremos.
 Cuando los datos no están agrupados, es tedioso su cálculo.
 No se aplica cuando hay clases abiertas.
Media ponderada:
Calcula los datos tomando en cuenta la importancia de cada valor con respecto al
total.

__
μp = ΣXi * Wi Xp = ΣXi * Wi
Σ Wi ΣWi
Media geométrica:
Se utiliza principalmente en dos casos:
 Para promediar porcentajes, índices y cifras relativas:
n _______________
M.G. = √(X1)(X2)(X3)....(Xn)
 Para determinar el incremento porcentual promedio en ventas,
producción u otras actividades de un período a otro.
_____________________________
M.G. = n-1 Valor al final del período . -1
√ Valor al principio del período
21
Media para varios grupos:

__ __
μt = ΣNi * μi Xt = Σni * Xi
ΣNi Σni
Reglas con respecto a la media:
1- Si a cada uno de los valores de una serie original de datos se le suma o se
le resta un valor constante, la media de la nueva serie será igual a la de la
serie original más o menos la constante.
2- Si cada uno de los valores de una serie original de datos se multiplica o se
divide por un valor constante, la nueva media será igual a la de la serie
original por o entre la constante.
Medidas de tendencia central y simetría de la distribución:

 Si la distribución es simétrica, es decir, tiene la misma forma a ambos lados del
eje central, las medidas de tendencia central son iguales y se localizan en el
centro de la distribución.
 Si la distribución tiene un sesgo (asimetría) positivo, es decir, tirada a la derecha,
la media aritmética es la mayor medida de tendencia central ya que en ella
influyen más los valores extremos altos. Luego sigue la mediana y la menor es
la moda.
 Si la distribución tiene un sesgo (asimetría) negativo, es decir, tirada a la

izquierda, la moda es la mayor medida de tendencia central, le sigue la mediana
y la menor es la media aritmética debido a que es la más afectada por valores
extremos bajos.
22
Estadísticamente se puede decir que si existe un número suficientemente grande

de observaciones que sugiera una distribución uniforme y si la forma de la curva
solo presenta un sesgo moderado, la mediana está aproximadamente a un tercio
de la distancia entre la media y la moda.
Moda = Media – 3(Media – Mediana)

Media = 3(Mediana) – Moda
2
Mediana = 2(Media) + Moda
3
Otras medidas de posición:

Cuartilos: Divide a la distribución en 4 partes iguales (de 25% cada una).
Quintilos: Divide a la distribución en 5 partes iguales (de 20% cada una).
Decilos: Divide a la distribución en 10 partes iguales (de 10% cada una).
Percentiles: Divide a la distribución en 100 partes iguales (de 1% cada una).
Medidas de posición para datos no agrupados:

Para calcular cualquier otra medida de posición en datos no agrupados, primero se
ordenan los datos (por ejemplo en orden ascendente) y luego se busca la posición
deseada:
Posición = i * (n + 1)
K
Medidas de posición para datos agrupados:
Mp = Li + (i/k) * n – Fant. mp * C`
fmp
23
Medidas de dispersión
Al igual que sucede con cualquier conjunto de datos, las medidas de tendencia
central (moda, mediana y media) y las otras medidas de posición (cuartilos,
quintilos, decilos y percentiles) solo revelan una parte de la información de lo que
se necesita saber acerca de las características de los datos.
Para aumentar el entendimiento del patrón de los datos, se debe medir también su
dispersión, extensión o variabilidad.
La dispersión es muy importante a la hora de analizar el comportamiento de los

datos ya que proporciona información adicional que permite juzgar la confiabilidad
de las medidas de tendencia central. Si por ejemplo los datos se encuentran muy
dispersos, la posición central es menos representativa como un todo, que cuando
éstos se agrupan más estrechamente alrededor de la media.
Además, la dispersión es importante al comparar diferentes grupos de datos. Por

ejemplo, si no se desea tener una amplia dispersión de valores con respecto al
centro de una distribución o ésta representa riesgos inaceptables, es necesaria la
habilidad de reconocer la variabilidad y evitar escoger grupos de datos con grandes
amplitudes.
Amplitud Total:
Es la medida de dispersión más sencilla. Es la diferencia entre los valores mayor y

menor de un conjunto de datos.
Amplitud Total = Valor mayor – Valor menor
Desviación Media:
Es la media aritmética de los valores absolutos de las desviaciones con respecto a
la media aritmética.
Datos no agrupados Datos agrupados
Población D.M. = Σ /X – μ/ D.M. = Σ fi / X – μ /

N N
_
Muestra d.m. = Σ / X – X / d.m. = Σ fi / X – X /
n-1 n-1
24
Desviación Estándar y Varianza:
La desviación estándar es la raíz cuadrada de la media aritmética de las distancias

al cuadrado de cada uno de los datos con respecto a la media aritmética de la
distribución de donde provienen los datos. La desviación estándar se da a ambos
lados de la media de la distribución.
Datos no agrupados Datos agrupados
σ= Σ(Xi – μ)² σ= Σfi(Xi – μ)²

N N
Población
ó ó
σ= NΣXi² - Σ(Xi)² σ= NΣfiXi² - Σ(fiXi)²

N² N²
_ _
s= Σ(Xi – X)² s= Σfi(Xi – X)²
n-1 n-1
Muestra ó ó
s= nΣXi² - Σ(Xi)² s= nΣfiXi² - Σ(fiXi)²

n(n – 1) n(n – 1)
La varianza es la desviación estándar al cuadrado, es decir la variación cuadrática

promedio total de los datos con respecto a su media aritmética.
25
Coeficiente de Variación:
Es la medida relativa de la dispersión de los datos. Se utiliza más que todo cuando
se comparan dos o más grupos de datos y éstos están en unidades diferentes.
Además, se utiliza cuando los grupos de datos presentan las mismas unidades,
pero las medias muy distantes.
Población C.V. = σ * 100

μ
Muestra C.V. = s * 100

x
Reglas con respecto a la Desviación Estándar:

1. Si a cada uno de los valores de una serie original de datos se le suma o se
le resta un valor constante, la desviación estándar y la varianza de la nueva
serie serán iguales a la de la serie original.
2. Si cada uno de los valores de una serie original de datos se multiplica o se
divide por un valor constante, la desviación estándar de la nueva serie será
igual a la de la serie original por o entre la constante y la varianza de la nueva
serie será igual a la de la serie original por o entre la constante al cuadrado.
Varianza para varios grupos:
σt² = N1 σ1² + N2 σ2² + N3 σ3² + N1(μ1 – μt)² + N2(μ2 – μt)² + N3(μ3 – μt)²
N1 * N2 * N3
Y en general:
Población σ² = ΣNi σi² + ΣNi (μi – μt)²

ΣNi
_ _
Muestra s² = Σni si² + Σni (Xi – Xt)²
Σni
26
Teoría Probabilística
Jacob Bernoulli (1654 – 1705), Abraham de Moivre (1667 – 1754), Thomas Bayes
(1702 – 1761) y Joseph Lagrange (1736 – 1813) desarrollaron fórmulas y técnicas
para el cálculo de probabilidades. En el siglo XIX, Pierre Simon, marqués de
Laplace (1749 - 1827), unificó todas estas primeras ideas y compiló la primera teoría
general de probabilidad. Esta teoría fue aplicada con éxito en las mesas de juego y
en problemas sociales y económicos.
Hoy en día, la mayoría de las veces, a la hora de tomar decisiones, nos vamos a
encontrar una incertidumbre considerable, por lo que resulta importante que todos
los riesgos implícitos conocidos se evalúen en forma científica. El empleo de la
probabilidad permite a quien toma decisiones, analizar estos riesgos y minimizar el
azar inherente cuando se tiene información limitada.
Experimento aleatorio: Es un experimento o un procedimiento el cual se realiza

siguiendo una serie de reglas bien definidas, por lo que no se puede generar un
resultado específico, pero sí se pueden conocer sus posibles resultados. Además,
el proceso es tal que puede repetirse indefinidamente, bajo condiciones invariables;
y por último, en cada repetición, no pueden predecirse los resultados, por lo que se
dice que éstos dependen de la casualidad, es decir, del azar.
Espacio Muestral (S): Son todos los posibles resultados de un evento o

experimento aleatorio.
Evento (E): Es uno o un grupo de resultados que cumplen con alguna característica
de interés y que pertenece a un espacio muestral.
Probabilidad: Es la posibilidad de que ocurra un evento específico como resultado

de un experimento.
La probabilidad tiene tres enfoques:
1. Probabilidad intuitiva o subjetiva: Se basa en elementos subjetivos, es decir,

de la opinión de la persona que lleva a cabo el estudio. Se utiliza en caso de
que exista muy poca o ninguna experiencia en la cual se pueda basar una
probabilidad.
2. Probabilidad clásica: Es la relación entre el número de resultados de un
evento con respecto al número total de resultados posibles. La desventaja
de este enfoque es que no en todos los casos se conocen todos los
resultados posibles.
3. Utilización de la frecuencia relativa como probabilidad: Es la utilización de la
frecuencia relativa, es decir del cálculo de la relación del número de veces
que ocurrió un evento en el pasado con respecto al número total de
observaciones.
27
Concepto matemático de la probabilidad:
Es la relación entre el número de resultados con cierta característica especial

(éxitos) con respecto al total de las observaciones o experimentos realizados.
P= # éxitos P= X
# observaciones n
La probabilidad resultante de cualquier experimento adquiere mayor precisión

conforme aumenta el número de observaciones o experimentos.
Axiomas de la Probabilidad Matemática:
I- Si E es un evento cualquiera en un espacio muestral S, entonces la

probabilidad de ese evento:
0 ≤ P(E) ≤ 1
II- Al espacio muestral S le corresponde:
P(S) = 1
III- Si A y B son eventos mutuamente excluyentes, entonces se cumple que la

probabilidad de la unión de esos dos eventos es igual a la probabilidad A
más la probabilidad B:
P(A U B) = P(A) + P(B)
Teorema 1: Regla o ley de la suma para eventos mutuamente excluyentes:
Si E1, E2, E3,...,Em son eventos mutuamente excluyentes, entonces la probabilidad

de la unión de esos eventos es igual a la suma de los eventos:
P(E1 U E2 U E3 U ... U Em) = P(E1) + P(E2) + P(E3) +... + P(Em)
Teorema 2: Regla de la suma para eventos arbitrarios:
Si A y B son eventos cualquiera contenidos en un espacio muestral S, entonces la

probabilidad de la unión de los dos eventos es igual a la probabilidad de A + la
probabilidad de B – la probabilidad de la intersección de los dos eventos:
P(A U B) = P(A) + P(B) – P(A ∩ B)
P(A U B U C) = P(A) + P(B) + P(C) - P(A ∩ B) - P(A ∩ C) - P(B ∩ C) + P(A ∩ B ∩ C)
28
Teorema 3: Regla de la complementación:

C
Las probabilidades de un evento E y su complemento (E ) en un espacio muestral

S guardan la siguiente relación:
C
P(E) = 1 – P(E )
Probabilidad Condicional
Para que ocurra un evento es necesario que haya ocurrido antes otro evento.
Para P(B) > 0, P (A / B) = P(A ∩ B) P(A ∩ B) = P(B) * P(A / B)
P(B)
Para P(A) > 0, P (B / A) = P(A ∩ B) P(A ∩ B) = P(A) * P(B / A)
P(A)
Teorema 4: Regla o ley de la multiplicación:

Si A y B son dos eventos cualquiera y la probabilidad de A > 0 y la probabilidad de
B > 0, entonces se cumple que:
P(A ∩ B) = P(A)*P(B/A) = P(B)*P(A/B)
Muestreo con reemplazo (población infinita):

P(E1 ∩ E2 ∩ E3 ∩ ... ∩ Em) = P(E1) * P(E2) * P(E3) * ... * P(Em)
Muestreo sin reemplazo (población finita):

P(E1∩E2∩E3∩...∩Em) = P(E1)*P(E2 / E1)*P(E3 / E1∩E2)*...*P(Em/E1∩E2∩E3∩...∩Em-1)
Teorema de Bayes
Si consideramos un evento B en un espacio muestral S de tal forma que P(B) > 0 y
los eventos mutuamente excluyentes A1, A2, ..., tales que completen S, esto es,
cualquier punto de S, se encuentra contenido en uno de los Ak:
P(Ak/B) = P(Ak ∩ B) / P(B)
El evento B sucede sí y solo sí sucede uno de estos eventos:

A1 ∩ B, A2 ∩ B,...
Estos eventos son mutuamente excluyentes por lo que:
P(B) = P(A1)*P(B/A1) + P(A2)*P(B/A2) + ....
Sustituyendo:
P(Ak/B) = P(AK)*P(B/AK) P(Ak/B) = P(AK)*P(B/AK)

P(Ai)*P(B/Ai) P
29
Ejemplos:
Un fabricante de computadoras compra cierto chip a tres proveedores. Un 15% de los chips se
compran a la empresa X, un 25% a la empresa Y y el resto a la empresa Z. El fabricante tiene un
historial extenso acerca de los tres proveedores y sabe que el 3% de los chips de X son defectuosos,
así como también el 5% de los de la empresa Y y el 4% de los de la empresa Z. Cuando los chips
llegan al fabricante, se colocan directamente en un depósito y no son inspeccionados o identificados
de algún modo por el proveedor. Si un obrero hace una selección al azar para una instalación en un
computador, cuál es la probabilidad de que:
a) Un chip provenga de la empresa Y
b) De dos chips, los dos provengan de la empresa Z
c) De tres chips, el primero venga de X y los otros de Z
d) De cinco chips, tres vengan de Z y los otros de X
e) Un chip salga defectuoso.
f) Cuatro chips salgan buenos
g) De cinco chips, los dos primeros salgan malos y los restantes buenos
h) De 6 chips, tres salgan buenos y los restantes malos
i) Un chip malo venga de la empresa Z
j) Dos chips buenos vengan de la empresa X
k) De tres chips, en el que el primero salió bueno y los otros dos malos, vengan de la empresa Y
Una encuesta aplicada a ejecutivos se enfocó sobre su lealtad a la empresa. Una de las preguntas
planteadas fue: “¿Si otra empresa le hiciera una oferta igual o ligeramente superior a la de su puesto
actual, permanecería usted con la empresa o se cambiaría?”. De 200 ejecutivos que contestaron la
encuesta 115 contestaron que se quedarían, 75 que se irían y 10 no contestaron. De los que dijeron
que se quedarían 10 tienen menos de un año de trabajar para la empresa, 30 tienen de uno a cinco
años, 5 de seis a diez años y setenta tienen más de diez años. Por otro lado, de los que dijeron que
se irían, 25 tienen menos de un año, 15 entre uno y cinco años, 10 entre seis y diez años y el resto
tiene más de 10 años de trabajar en la empresa. Finalmente, de los que no contestaron, 2 tienen
menos de 1 año y 3, 1 y 4 para las demás clasificaciones. Encuentre la probabilidad de que al
escoger a una persona al azar:
a) Se quede
b) De dos personas, las dos no se queden
c) De tres personas, la primera no haya contestado y las otras dos se queden
d) Tenga más de 10 años de trabajar
e) Dos personas tengan menos de 1 año de trabajar
f) De tres personas, la primera tenga entre 6 y 10 años de trabajar y las otras más de 10 años.
g) De cinco personas, dos tengan entre 1 y 5 años y el resto más de 10 años
h) Si tiene entre 1 y 5 años, no haya contestado.
i) De dos personas con menos de 1 año, éstos se quedaran.
j) De tres personas en las que las dos primeras tienen entre 1 y 5 años y la otra menos de 1 año, no
se queden.
Un club tiene 100 miembros de los cuales 70 son ingenieros y los restantes técnicos. Del total, 20
son extranjeros y hay 22 que son nacionales no ingenieros. Entre los ingenieros mujeres, 3 son
extranjeras y 17 nacionales. La mitad de los técnicos son mujeres y de éstas 1/3 son extranjeras. Si
se elige a una persona al azar, cuál es la probabilidad de que:
a) Sea un hombre o un técnico o un nacional
b) Si resulta mujer, sea ingeniera
c) Si resulta ingeniera, sea mujer
d) Sea hombre, técnico, nacional
e) Sea un hombre ingeniero o mujer nacional
30
Esperanza Matemática
La esperanza matemática de una variable aleatoria se define como la suma de los

productos de los valores de la variable y el correspondiente valor de la función de
distribución de probabilidad, es decir:
E (x) = Xi * p(Xi)
 Un distribuidor ofrece una utilidad adicional de ¢20000 por un artículo si es
embarcado de la fábrica en perfectas condiciones y si llega a tiempo; pero la
reduce en ¢5000 si no llega a tiempo y en ¢10000, sin importar el hecho de que
llegue a tiempo, si no es embarcada desde la fábrica en perfectas condiciones.
Si el 70% de los artículos son embarcados en perfectas condiciones y llegan a
tiempo, el 10% son embarcados en perfectas condiciones, pero no llegan a
tiempo y el 20% no son embarcadas en perfectas condiciones, ¿cuál es la
utilidad que puede esperar el distribuidor por cada artículo?
 Una compañía de ingeniería debe preparar una propuesta para ganar un

contrato de investigación. El costo de prepararla es de ¢50000 y las
probabilidades de obtener utilidades brutas potenciales de ¢500000, ¢300000,
¢100000 o ¢0 son de 0.20, 0.50, 0.20 y 0.10, respectivamente, suponiendo que
la propuesta sea aceptada. Si la probabilidad de que la propuesta sea aceptada
es de 0.30, ¿cuál es la utilidad esperada?
31
Costa Rica, Domingo 14 de diciembre de 2008
/ÁNCORA
MATEMÁTICAS
El gordo y los sextillizos
LUIS VALVERDE FALLAS | lvalverde@uam.ac.cr
Suerte esquiva Aunque tienten, las loterías se han hecho para favorecer a quienes las organizan
Dos matemáticos se encuentran en un congreso, y uno (a quien llamaremos A) invita al otro (B) a viajar el año
siguiente a la nueva versión del congreso en el Oriente Medio. B declina viajar aduciendo que ha hecho
cálculos y que es muy alta la probabilidad de que alguien lleve una bomba en un viaje en avión al Oriente
Medio.
Un año después, ambos se encuentran en el aeropuerto para subir al avión que los llevaría al congreso en el
Oriente Medio. Burlón, A le dice a B:
–¿Y su teoría de que nunca tomaría un vuelo al Oriente Medio por sus cálculos de bombas?
Tomando una pose de estadístico consagrado, B responde:
–Sigo opinando así pues las estadísticas, estadísticas son. Ahora, según otras estadísticas, es casi nula la
probabilidad de que en un mismo vuelo vayan dos bombas; y, para ir tranquilo, llevo una bomba en mi maleta.
Afirman que los dos matemáticos realizaron todo el viaje discutiendo quién tenía la razón y evadiendo las
medidas de seguridad…
Eventos y opciones. El azar no solo está en historias –reales o imaginarias– como aquella: es parte de la
vida, y lo es más cuando muchos desean ser millonarios gastando ¢800 en una lotería… La buena noticia es
que hoy, domingo, es posible lograrlo; la mala, que esta posibilidad es muy remota.
En un sorteo de 100 números (entre 00 y 99), si un número es el ganador, tendremos 1 evento favorable de
100 posibles opciones. La probabilidad de salir favorecidos es 1 de 100 (es decir, la fracción 1/100).
Tomemos tres casos: ganar una lotería, sacar un 3 al tirar un dado, obtener cara al lanzar una moneda. Todos
son determinados por dos números: 1) la cantidad de eventos que hacen favorable el éxito; 2) la cantidad de
eventos posibles totales que el experimento tiene.
Por ejemplo, si usted lanza un dado y apuesta a que saldrá un número menor que 3, tendrá dos eventos
favorables (1 y 2) y seis eventos posibles (1, 2, 3, 4, 5 y 6).
En general, la probabilidad de éxito de experimentos como los que tratamos es: P (éxito) = Eventos
favorables del experimento / Total de eventos posibles.
En el ejemplo del dado, tenemos: P (que salga un número menor que 3) = 2/6 = 0,333…
Como el número de eventos favorables es menor que el número de eventos totales, así, la probabilidad
siempre oscilará entre 0 y 1.
Gordo perseguido. La edición del gordo navideño incluye 100 números probables (del 00 al 99). Hasta aquí
tendríamos un evento exitoso (que salga el número que llevamos) y 100 eventos probables. Así, la
probabilidad de éxito es 1 en 100 (representada por la fracción 1/100, que equivale a 0,01).
Para ganar, nuestro billete debe tener también la serie del número favorecido. En este sorteo, para cada
numerito hay series entre 000 y 999; o sea, 1.000 series por pedacito. Esto significa que, de un número como
el 34, existen 1.000 versiones cada una con una serie asociada desde 000 hasta 999.
Eso aumenta el total de eventos posibles, pero continúa siendo 1 el evento favorable. En resumen, al
aparecer las series, nuestra probabilidad de éxito disminuye sustancialmente. Tendríamos 100 x 1.000
posibles opciones, de las cuales sólo una nos favorecería. Nuestra probabilidad es de 1 en 100.000; es decir,
0,00001).
Para más claridad, imagine que hay 100.000 bolitas de ping pong, de las cuales una es más liviana. Se
reparten simultánea y aleatoriamente las 100.000 bolitas entre 100.000 personas, y precisamente usted recibe
la más liviana: ¡vaya suerte!
32
Desventaja. En el caso de un juego de azar, como la lotería, es importante considerar el grado de equidad
que existe entre quien organiza el juego y quien participa de él. Esto se hace por medio de la esperanza
matemática o valor esperado (VE) de un juego. Esa cifra se obtiene, simplificando nuestra exposición, al
multiplicar el premio recibido por cada unidad o colón invertido, por la probabilidad de éxito (valor entre 0 y 1).
Analicemos en detalle el valor esperado:
VE = Monto ganado por colón invertido x Probabilidad de éxito.
La interpretación de VE es:
Un VE < 1. El juego es desfavorable para usted.
Un VE = 1. El juego es justo.
Un VE > 1. El juego es ventajoso para usted.
Es natural que los juegos de apuestas tengan un VE menor que 1; así, lo más probable es perder dinero. Se
juega porque los premios son tan deslumbrantes que provocan invertir pequeños montos a cambio de esos
premios, aunque sea remota su probabilidad de éxito. Así pues, aparte de querer ayudar a la JPS, la gran
razón que nos mueve a jugar es la posibilidad de ganar, y esta siempre existe.
Veamos cómo funcionan estos juegos. Recordemos aquellos tiempos, cuando una vecina organizaba una rifa
de ¢ 5.000 colones a ¢100 el numerito. Este negocio era redondo pues, si se vendían todos los números, se
recogían ¢10.000. La ganancia estaba asegurada.
¿Sería un juego ventajoso para usted? Si usted ha adquirido un numerito, su probabilidad de ganar es de
1/100. Si usted ganase, por su inversión de ¢100 recibiría ¢5.000. Así, por cada colón invertido, recibiría
5.000/100 = ¢50 colones.
Tenemos entonces que su VE es este: VE = 1/100 x 50 = 0,5. De tal modo, el juego no lo favorece, y usted
apoya una causa ajena. ¿Cuál debería ser el monto que ofrezca nuestra vecina para que fuese justo para
ambas partes? Esto se obtiene con un VE = 1.
En ese caso, el premio al ganador debería ser de ¢10.000 dado que, de ganar, usted tendría 100 colones por
colón invertido (10.000/100) y su VE ahora es 1. Esto no significa que usted tenga mayor probabilidad de
ganar, sino que está en un juego justo, aunque no creemos que la señora quisiera organizar rifas en estas
condiciones por más que, como dicen en cierto programa de televisión, “lo justo sea lo correcto”.
Un “método”. El hacer 6 ediciones (“sextillizos”) de cada número no afecta la probabilidad de ganar o perder
en el sorteo de hoy, pero sí mejora la recolecta de fondos para la JPS pues esto es una estrategia para
realizar 6 sorteos simultáneos en las condiciones expuestas.
Calculemos el VE de nuestro gordo navideño: por una inversión de ¢800, usted podría recibir ¢14,5 millones.
En otras palabras, por cada colón invertido recibiría ¢18.125 de premio. Tendríamos esta ecuación: VE =
18.125 x 0,00001 = 0.18125. Esto se encuentra bastante lejos de 1 en el concepto que tratamos, y 1 sería el
caso de un juego equitativo para ambas partes.
Alguien podría recomendarle un “método” para ganar siempre, pero, antes de probarlo, lea lo siguiente. Si
quiere garantía de obtener el gordo, debe de aumentar la probabilidad de éxito hasta llevarla a 1. Para
garantizar ser ganador, solo debe comprar un numerito de cada billete, y, para cada numerito, adquirir una
serie del 000 al 999.
Eso usted lo lograría adquiriendo 100.000 pedacitos. Así se garantizaría tener todos los eventos posibles; por
tanto, usted llevaría el ganador en uno de ellos.
Finalmente, usted se ha garantizado ser millonario, mas ¿a qué costo? 100.000 billetes a ¢800 cada uno
suman ¢80 millones de inversión; pero el premio logrado es de… ¢14,5 millones.
Quizá usted piense que, al comprar los 10.000 pedacitos, también habrá pegado un pedacito de cada número
favorecido que haya salido en premios menores. Esto es cierto pues usted lleva todos; pero la mala noticia es
que, sumando todos esos premios, no llegará cerca de su inversión de ¢80 millones.
Le deseamos suerte con el gordo, aunque, según cálculos secretos, este servidor ya ha comprado el número
que ganará.
EL AUTOR ES RECTOR DE LA UNIVERSIDAD AMERICANA Y ENSEÑA RAZONAMIENTO LÓGICO Y
MATEMÁTICO EN LA ESCUELA DE ESTUDIOS GENERALES DE LA UCR.
33
Distribuciones de Probabilidad
Las distribuciones de probabilidad están asociadas a las distribuciones de

frecuencias, en donde se hacía una lista de todos los resultados posibles de un
experimento y luego se indicaba la frecuencia observada de cada resultado posible.
Una distribución de probabilidades describe la forma en que se espera que varíen

los resultados, es decir, es la enumeración de todos los resultados posibles de un
experimento junto con la probabilidad de todos los posibles resultados que podrían
obtenerse.
Existen dos tipos de distribuciones de probabilidad dependiendo de las

características de las variables aleatorias (fenómeno de interés cuyas respuestas o
resultados pueden expresarse numéricamente) asociadas:
Para variables discretas:

Son en las que dados dos valores tan cercanos entre sí como se quiera en un
intervalo, no existe ningún otro valor que pueda ser tomado por la variable en
estudio. Nunca llevan decimales y surgen de un proceso de conteo. Dentro de este
tipo de distribuciones se encuentran:
Distribución Binomial
Distribución Geométrica
Distribución Multinomial
Distribución Poisson
Distribución Hipergeométrica
Para variables continuas:

Son en las que dados dos valores tan cercanos entre sí como se quiera en un
intervalo, siempre existe un número infinito de valores que pueden ser tomados por
la variable en estudio. Pueden llevar decimales y surgen de un proceso de medición
(necesitan de un instrumento para medirlas). Dentro de este tipo de distribuciones
se encuentra:
Distribución Normal
Aproximación a la binomial por medio de la normal
Distribución Exponencial
Distribución Binomial
Es una distribución para variables discretas.
Es una distribución que describe una variedad de procesos que son resultado de
un experimento conocido como proceso de Bernoulli, en honor al matemático suizo
del siglo XIX, Jacob Bernoulli.
34
Características del proceso de Bernoulli:

 Existen solamente dos resultados posibles:
 Casos favorables (éxitos)
 Casos desfavorables (fracasos)
 La probabilidad de un éxito permanece fija a través del tiempo, es decir, es
constante
 Hay un número fijo de ensayos
 Cada uno de los ensayos es estadísticamente independiente
Función de probabilidad binomial:

x n-x
b (x, n, p) = n! * p * (1 – p)
X! (n – X)!
Medidas de tendencia central y de variabilidad para la distribución binomial:

 μ=n*p
 σ = √npq
Un sociólogo afirma que solo el 40% de todos los alumnos de último año de
secundaria que pueden estudiar en la universidad, en realidad asisten a ella.
Calcule la probabilidad de que entre 8 alumnos de último año que pueden realizar
carreras universitarias:
a) Solo 3 de ellos asistan a la universidad
b) Exactamente 4 no asistan
c) Por lo menos 1 asista
d) Menos de la mitad asista
e) Por lo menos la mitad asista
Si el 10% de los relojes de una determinada marca se daña antes de que haya
expirado su garantía, cuál es la probabilidad de que un comerciante que ha vendido
20 relojes tenga que reponer:
a) Exactamente 5 relojes
b) Entre 3 y 8 relojes
c) A lo más 2 relojes
d) No tenga que reponer por lo menos 2
Se sabe que el 90% de las personas que van a la frontera sur tratan de comprar
más de lo permitido por ley. Si se examina a un grupo de 12 personas que vienen
de regreso, cuál es la probabilidad de que:
a) Menos de 2 no hayan tratado de contrabandear
b) A lo más 4 hayan tratado de contrabandear
c) Entre 3 y 10 hayan tratado de contrabandear
35
Distribución Poisson
Recibe su nombre en honor a Simeón Poisson (1781 - 1840), quien la estudió y dio
a conocer en 1837. También se le conoce como la Ley de los eventos improbables
dado lo pequeñas que son sus probabilidades.
Eventos que se ajustan a una distribución Poisson:

- Lo que se produce en un intervalo de tiempo.
- Lo que se produce en un área o volumen determinado.
La distribución Poisson también puede ser utilizada como una buena aproximación
a la distribución Binomial siempre y cuando se cumplan las siguientes condiciones:
- n > 20
- p ≤ 5%
Función de probabilidad Poisson:

x -
f (x , ) =  * e
X!
El número promedio de personas que utilizan un autoservicio bancario es de 6 por
hora. Si una persona observa de 9 a 12 de la mañana de un día cualquiera de la
semana, cuál es la probabilidad de que vea llegar:
a) Exactamente a 17 personas
b) Más de 12 personas
c) No llegue nadie
d) Menos de 20 personas
e) Entre 3 y 6 personas
f) Por lo menos 20 personas
g) Exactamente 7 personas en hora y media
Si el 5% de los relojes de una determinada marca se dañan antes de que haya

expirado su garantía, cuál es la probabilidad de que un comerciante que ha vendido
30 relojes tenga que reponer:
a) Por lo menos 1 reloj
b) Más de 2 relojes
c) Exactamente 3 relojes
d) Entre 1 y 4 relojes
Se sabe que el 5% de los transistores de un gran embarque son defectuosos. Si se

selecciona aleatoriamente una muestra de 20 transistores, calcule la probabilidad
de que salgan:
a) A lo más 2 defectuosos
b) Por lo menos 4 defectuosos
c) Menos de 3 defectuosos
d) Repita las preguntas suponiendo una muestra de 40 transistores.
36
Distribución Geométrica
Esta distribución es un caso especial de la Binomial, ya que se desea que ocurra

un éxito por primera y única vez en el último ensayo que se realiza del experimento.
Es la suma del número de fracasos obtenidos hasta la aparición del primer éxito
donde:
n = # repeticiones del experimento necesarias para que ocurra un éxito por
primera y única vez
p = Probabilidad de un éxito
1 – p = Probabilidad de un fracaso
Se lanza 8 veces al aire una moneda, de tal manera que la probabilidad de que
salga un escudo es de 1/2, mientras que la probabilidad de que salga una corona
es de 1/2, Determine la probabilidad de que en el último lanzamiento salga un
escudo.
Si la probabilidad de que un cierto dispositivo de medición muestre una desviación

excesiva es de 0.05. Calcule la probabilidad de que:
a) El sexto de estos dispositivos de medición sometidos a prueba sea el primero en
mostrar una desviación excesiva
b) El séptimo de estos dispositivos de medición sometidos a prueba, sea el primero
que no muestre una desviación excesiva?
Calcular la probabilidad de que salga el No. 5 a la tercera vez que lanzamos un

dado.
En un grupo hay 8 personas de ojos cafés, 9 de ojos azules, 7 de ojos negros, y 10

de ojos verdes. Si se escoge a 6 personas, calcular la probabilidad de que el último
tenga los ojos claros.
Una maquina detecta fallas en los productos que elabora una fabrica. Si los
productos tienen una probabilidad de falla del 5%, calcular la probabilidad de que la
maquina encuentre su primer producto defectuoso en la octava ocasión que
selecciona un producto para su inspección.
37
Distribución multinomial
La distribución multinomial es una generalización de la distribución binomial. En

este caso, en un experimento interesa estudiar no la ocurrencia de un único
suceso o la de su contrario, sino la de varios sucesos (tres o más).
donde:
p(x1, x2,....,xk, n) = probabilidad de que en n ensayos aparezcan x1 objetos
del primer tipo, x2 objetos del segundo tipo.......y xk objetos del último tipo.
n = x1+x2+....xk
El entrenador de un equipo de baloncesto opina que los jugadores A, B y C tienen

similares aptitudes para ser titulares del equipo en la posición de alero. Así,
determina que jueguen el mismo número de minutos cada partido. Se sabe que el
40% de las canastas son de C, mientras que A y B consiguen un 30% de encestes.
Calcular la probabilidad de que en un partido con 9 encestes de dos puntos, A
consiguiera dos, B tres y C cuatro.
Las probabilidades son de 0.40, 0.20, 0.30 y 0.10, respectivamente, de que un

ejecutivo llegue por aire a una cierta convención, llegue en autobús, en automóvil o
en tren. Calcule la probabilidad de que entre 9 ejecutivos seleccionados
aleatoriamente en esta convención:
a) 3 hayan llegado por aire, 3 en autobús, 1 en auto y 2 en tren
b) 4 hayan llegado por aire, 1 en autobús, 2 en auto y 2 en tren
c) 5 hayan llegado en auto
Según una encuesta preliminar acerca del voto que los ciudadanos darán por los
candidatos para alcaldes se ha detectado que aproximadamente un 52% votará por
el partido verde, un 40% por el partido azul y un 8% por los partidos restantes. Si se
seleccionan aleatoriamente 6 personas con edad de votar, determine la probabilidad
de que:
a) 2 voten por el partido verde, 1 por el azul y 3 por el resto de los partidos
b) 2 voten por el partido verde y 4 por el azul.
En un hotel se encuentran hospedados 20% de costarricenses, 30% de

canadienses, 40% de estadounidenses y 10% de portugueses. En un pequeño
grupo se han reunido 4 huéspedes: ¿cuál es la probabilidad de que 2 sean
costarricenses y 2 estadounidenses?
38
Distribución Hipergeométrica
Se utiliza cuando el muestreo se hace sin reposición o por población finita, es decir,
hay dependencia entre una observación y las demás. Debido a esto, la probabilidad
de un éxito ya no es constante a lo largo del experimento o prueba.
Para poder establecer que una muestra proviene de una población finita y debido a
esto utilizar la distribución hipergeométrica, el tamaño de la muestra debe ser mayor
a un 5% del tamaño de la población:
n / N  5%
Función de probabilidad hipergeométrica:
h (x , n, a, N) = a! * (N – a)! .
x! (a – x)! (n – x)! [(N – a) – (n – x)]!

N! .
n! (N – n)!
En caso de no cumplirse con la condición de n / N  5%, entonces el problema se

resuelve por medio de la distribución binomial como una buena aproximación a la
distribución hipergeométrica, donde la probabilidad de un éxito se calcula:
p=a/N
Entre los 16 camiones de entrega de una tienda departamental, cinco emiten

cantidades excesivas de contaminantes. Si se seleccionan al azar 8 camiones para
una inspección, calcule la probabilidad de que:
a) Solo uno de los camiones emita cantidades excesivas de contaminantes.
b) Como máximo siete de los camiones no emitan cantidades excesivas de
contaminantes.
c) Menos de la mitad emitan cantidades excesivas de contaminantes.
Durante una semana se fabricaron 50 radiotransmisores de los cuales operaron sin

problemas 40 y 10 tuvieron al menos un defecto. Si se selecciona al azar una
muestra de 5 radiotransmisores, calcule la probabilidad de que:
a) Exactamente dos tengan al menos un defecto
b) A lo sumo 4 trabajen sin problemas
c) Menos de tres tengan al menos un defecto
d) Resuelva las mismas preguntas suponiendo que en la planta se fabricaron 120
radiotransmisores de los cuales 96 trabajaron sin problemas y el resto tuvo al menos
un problema.
39
Es una distribución de probabilidad para variables continuas.
Surge a principios del siglo XIX y uno de los más grandes contribuyentes al desarrollo de esta
distribución fue el astrónomo – matemático Karl Gauss.
La distribución normal es una de las distribuciones más importantes en la estadística ya que

debido a sus propiedades, la hacen aplicable a un gran número de situaciones que ocurren a
nuestro alrededor y en las que es necesario hacer inferencias mediante la toma de muestras.
Características:
 Tiene forma de campana. La mayoría de los valores se agrupan en el centro de la distribución
y decrecen uniformemente en ambas direcciones.
 El área bajo la curva es igual a 1 o al 100%
 Las medidas de tendencia central son iguales y se localizan en el centro de la distribución.
 Es simétrica respecto a su media
 En teoría es asintótica.
 Queda perfectamente determinada al conocer μ y σ.
Familias de distribuciones normales:

No existe una sola distribución normal, sino que por cada medición que se haga se van a
generar diferentes valores de μ y σ, por lo que se dice que existen muchas familias de
distribuciones normales, una por cada par de valores de μ y σ.
Distribución Normal Teórica:

La distribución normal teórica prueba tres cosas:
 Dentro de un intervalo de ± 1σ se encuentra
alrededor del 68.4% del área bajo la curva.
Distribución Normal Estándar:

Como hay un número ilimitado de familias de distribuciones normales es imposible desarrollar
tablas de probabilidades para cada combinación de μ y σ. Lo que puede hacerse es buscar un
elemento en común para todas las distribuciones. Esto es calculando el número de
desviaciones estándar que se alejan los datos respecto a su promedio, sin importar el valor de
μ y σ.
Z= X–μ
σ
Para esto debe de suponerse lo siguiente:
 μ=0
 σ=1
40
Los resultados de una prueba nacional de aptitud para bachilleres siguen una
distribución normal con media de 500 puntos y desviación estándar de 100 puntos.
Calcule cual es la probabilidad de obtener una nota:
a) Menor de 600 puntos. Resuélvalo teóricamente y compruébelo por tabla.
b) De por lo menos 750 puntos
c) De más de 820 puntos
d) Como máximo 375 puntos
e) De más de 425 puntos
f) De entre 500 y 900 puntos. Resuélvalo teóricamente.
g) ¿Cuántos bachilleres de un grupo de 200 obtuvieron notas entre 400 y 835
puntos?
h) ¿Cuál fue la calificación obtenida por el 10% de los que salieron mejor?
i) ¿Cuál fue la calificación máxima obtenida por el 20% de los más flojos?
Los diámetros interiores de las arandelas hechas por cierto fabricante se distribuyen
normalmente con una media de 0.251 cm. y una desviación estándar de 0.003 cm.
a) ¿Cuántas arandelas de un lote de 500 tienen un diámetro mayor a 0.258 cm.?
b) ¿Cuál es la probabilidad de que una arandela tenga un diámetro inferior a 0.24 cm.?
c) ¿Cuál es la probabilidad de que una arandela tenga un diámetro entre 0.235 y
0.259 cm.?
d) ¿Cuál es el diámetro mínimo del 70% de las arandelas?
e) ¿Cuál es el valor del diámetro sobre el que está el 15% de las arandelas?
f) ¿Cuál es el valor del diámetro bajo el que está el 25% de las arandelas?
g) ¿Cuál es el diámetro máximo del 82.5% de las arandelas?
41
Aproximación a la Distribución Binomial por medio de la

Muchas veces la distribución normal se puede utilizar como una muy buena
aproximación a la distribución binomial, siempre y cuando se cumplan las siguientes
condiciones:
- Los datos tienen que tener condiciones binomiales, es decir, ajustarse al
proceso de Bernoulli.
- N > 20
- p > 0.05
- np y nq > 5
El resultado no es 100% exacto, pero es una muy buena aproximación sobre todo
cuando la probabilidad de un éxito se acerque al 50%.
Para utilizar los las variables de la distribución normal, se utilizan las medidas de
tendencia central y de variabilidad en la distribución binomial, por lo que:
 μ=n*p
 σ = √npq
Factor de corrección por continuidad:
Dado que se está utilizando una distribución de probabilidades continuas (por

intervalos) para aproximar a una distribución de probabilidades discretas (datos
puntuales), es necesario corregir los datos discretos y convertirlos en datos
continuos. Para esto a cada valor puntual de X se le suma y se le resta 0.5 para
obtener un intervalo. A esto es lo que se le llama Factor de corrección por
continuidad.
Si el 20% de los productos fabricados por cierta línea de producción están

defectuosos, cuál es la probabilidad de que en un lote de 100, aleatoriamente
escogidos para revisión:
a) A lo sumo 15 estén defectuosos
b) Más de 16 estén defectuosos
c) Menos de 20 estén defectuosos
d) Entre 14 y 19 estén defectuosos
e) Exactamente 83 no estén defectuosos
f) ¿Cuál es el valor bajo el que está el 10% de los defectuosos?
42
Distribución Exponencial
Es una distribución que se presenta al modelar el tiempo entre dos acontecimientos
independientes, separados y uniformes en el tiempo. Es una distribución que se
utiliza como modelo para representar el tiempo de funcionamiento o de espera.
Tiene como función expresar también el tiempo transcurrido entre eventos que se
contabilizan por medio de la distribución de Poisson. Un ejemplo de esto podría ser
el tiempo que transcurre entre dos llamadas por teléfono, número de peatones que
llegan a un semáforo, etc.
-x/µ
P (x ≤ A) = 1 - e
43

Folleto Probabilidad y Estadistica Descriptiva (2022)

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

Folleto Probabilidad y Estadistica Descriptiva (2022)

Uploaded by

Copyright:

Available Formats

Profesor: Pablo José Calderón Zúñiga, Tel: 88170148, correo: pcalderon70144@ufide.ac.

Carrera de Ingeniería Industrial

Justificación / descripción del curso

Conocer los fundamentos teóricos y lograr el dominio de las herramientas de la

1. Proporcionar el marco teórico y práctico de la estadística descriptiva.

Unidad 1. Conceptos Generales:

Frecuencia e intervalos de clases

Metodología del curso y experiencias de aprendizaje

En este curso, el estudiante aprende mediante la relación de la problemática de la vida real en

Evaluación de los aprendizajes

Semana Temas / actividades

Nota: En caso de faltar a alguna lección, es obligación del estudiante

Nota: En caso de no presentarse la fecha de aplicación de alguno de los

Bienvenidos al curso Probabilidad y Estadística Descriptiva

El curso comenzará con el estudio de las definiciones básicas de la estadística y continuará

En la segunda parte del curso, se aprenderán las diferentes formas de calcular la

Es todo aquello que se relaciona con la recolección, procesamiento, análisis e

Se remonta a dos actividades humanas:

 Juegos de azar: En los que se da el desarrollo de las matemáticas en la

La estadística se divide en dos categorías:

 Estadística descriptiva: Son métodos que implican la recopilación,

Al generalizar resultados, se está expuesto a ciertas consecuencias:

 Probabilidad de tomar decisiones erróneas.

Para solventar estos problemas se cuenta con:

 Teoría de decisión: Teoría unificada que aborda los problemas de la

La estadística tiene dos enfoques:

 Enfoque clásico: Toma en cuenta solo los modelos matemáticos en la toma

Pasos del análisis estadístico

I- Recopilación: Pueden ser datos:

II- Organización: 3 etapas:

III- Presentación: Puede ser en:

IV- Análisis: 3 tipos:

VI- Toma de decisiones.

 Población: Totalidad de valores posibles (mediciones o conteos) de una

 Muestra: Es una parte representativa de la población seleccionada de acuerdo

Son métodos que hacen posible la estimación de una característica de una

Población Descriptivo Censo Parámetros

Muestra Descriptivo Muestreo Estadísticos

Utilizar estadísticos muestrales para obtener conclusiones acerca de los verdaderos

 Infinitas: Tienen un número infinito de elementos. No termina. Se puede

Finita medible: Termina y pronto

 Homogéneas: Los valores de las características en estudio son iguales.

Es un símbolo tal como x, y ó z que puede tomar cualquier valor de un conjunto

Si la variable puede tomar un solo valor se llama constante.

Características de las variables:

 Cualitativa (atributo): No se puede contar. Es para homogéneas. Arroja

 Discretas: Una variable es discreta en un intervalo si dados dos valores

Niveles o Escalas de Medición

Tipos de niveles o escalas de medición:

 Escala Nominal: Nombres, etiquetas o clasificaciones mutuamente

Recopilación de los datos

Los datos estadísticos obtenidos de muestras, experimentos, observaciones o de

El objetivo de organizar los datos es permitir ver rápidamente algunas de las

Análisis Estadístico Simple

Es una tabla – resumen en la que se pueden comprimir los datos. En ella se

Frecuencia: Número de veces que se encuentra un valor.

Procedimiento para hacer la tabla de distribución de frecuencias:

1- Calcular la amplitud total de los datos (R):

2- Determinar el número de clases a usar (K):

3- Calcular la amplitud de clase (C):

4- Recalcular la amplitud de clases (R’):

5- Distribuir la diferencia entre los valores de R:

6- Hacer la tabla con los límites calculados

7- Calcular los límites reales o de frontera