Estadística

ESTADISTICA
MARIA BELEN SANCHEZ
16 de agosto de 2017
2
Captulo 1
ESTADISTICA
Figura 1.1:
La estadstica descriptiva es la rama de las Matematicas que recolecta, presenta y caracteriza

un conjunto de datos (por ejemplo, edad de una poblacion, altura de los estudiantes de una
escuela, temperatura en los meses de verano, etc.)
Es una ciencia que nos ayuda a recolectar, procesar, analizar datos para sacar conclusiones.
ELEMENTOS U OBJETO DE ESTUDIO

Tiene variables que permiten caracterizar al objeto
MUESTRA O POBLACION
No existe un analisis especfico, todo depende del tipo del estudio, del contexto
3
4 CAPITULO 1. ESTADISTICA
POBLACIONES: GRANDE: Asociados son los parametros
MUESTRA PEQUENO: Asociados a una estadstica, es una estimacion
ESTADISTICA DESCRIPTIVA: Nos permite describir algo que paso hoy o antes
(Analizar los datos que ya existen)
ESTADISTICA INFERENCIAL: Parto de una muestra a una poblacion, nos permite

proyectacnos al futuro
VARIABLES estadisticas.jpg
CUALITATIVAS Describen caractersticas especificas de un individuo
CUANTITATIVAS Son posibles codificarlas con numeros, pero estos numeros no los
podemos hacer calculos
DISCRETAS Representados por numeros generalmente enteros. Tambien es discreta si la

distancia entre valores es constante: 0.1; 0.2; 0.3; 0.4; 0.5
Es discreta cuando lo obtenemos del proceso de contar
CONTINUO Suele ser mas exacto. Cuando no existe un incremento fijo. Estos valores los
obtenemos midiendo, ya que depende del objeto de medicion
ESCALA DE MEDIDAS Pueden ser
Nominal Usa nombres para establecer categoras, son solo cualitativas, no se necesita un
orden
Ordinal Para cuantitativas y cualitativas, existe un orden, indican jerarquas

5
Intervalo Registra de manera numerica la distancia entre dos puntos.
Razon V.Cuantitativas, vamos a contar en escala numerico. No se pueden multiplicar ni

dividir sus valores
de medidas.jpg
CABLES DE DISTRIBUCION DE FRECUENCIA

Xi Altura- Frecuencia- Frecuencia- Frecuencia- Frecuencia
(cm) - absoluta - absoluta - relativa - relativa
(ni) acumulada(fi Por) acumulada
Ni (Fi Por)
150 2 2 6.25 6.25
151 1 3 3.12 9.38
155 2 5 6.25 15.62
157 1 6 3.12 18.75
160 1 7 3.12 21.88
162 1 8 3.12 25.00
163 2 10 6.25 31.25
164 3 13 9.38 40.62
165 4 17 12.5 53.12
168 4 21 12.5 65.62
170 3 24 9.38 75.00
174 1 25 3.12 78.12
175 3 28 9.38 87.5
176 1 29 3.12 90.62
180 2 31 6.25 96.88
194 1 32 3.12 100
NUMERO DE CLASES
k es el numero minimo
1) Primera forma 2k n
como k=5 entonces 25 32
k Z+
2) 2da. forma - FORMA TECNICA - STORGES
K = 1 + Ln(n)/Ln(2)
K = 1 + Ln(32)/Ln(2)
K = 6,09 aproximar a entero superior
K=7
Amplitud de cada clase L rango/K

Rango = Xmax - X min
la amplitud depende de la unidad de medida
Rango = 194 - 150

Rango = 44 cm
L 49/7cm; L = 6,3cm
L K Rango
3,3 7 44
44,1 44
excede en 0.01
Exceso = 0,1/2 = 0,05
V.inicial = Xmin exceso/2
V.inicial = 150 0,05 = 149,95
V.f inal = Xmax + exceso/2
V.inicial = 194 + 0,05 = 194,05

7
TABLA 33
******li****** **nc** **Nc** **fc** **Fc**

149.95 -156.25 5 5 5/33 5/33
156.25 -162.55 4 9 4/33 9/33
162.55 -168.85 13 22 13/33 22/33
168.85 -175.15 7 29 7/33 29/33
175.15 -181.45 3 32 3/33 32/33
181.45 -187.75 0 32 0/33 32/33
187.75 -194.05 1 33 1/33 33/33
MEDIDAS DESCRIPTIVAS
descriptivas.jpg
valores o
numeros que permiten caracterizar los datos de una muestra. Tenemos cuatro tipos de medidas:
1) MEDIDAS DE TENDENCIA CENTRAL:Las medidas de tendencia central son

medidas estadsticas que pretenden resumir en un solo valor a un conjunto de valores.
Representan un centro en torno al cual se encuentra ubicado el conjunto de los datos. Las
medidas de tendencia central mas utilizadas son: media, mediana y moda.2 mar. 2011
Permiten ver como los datos se acumulan con respecto al central, estas medidas son:
de tendencia central.jpg
9
2) MEDIDAS DE DISPERSION:
Con respecto a la media, mediana o moda, estas medidas son:
de dispersion estadisticas.jpg
tenemos a la varianza, desviacion standar, rango, coeficiente de variacion y error tipico

3) MEDIDAS DE POSICION:
Determinamos cuantos datos tengo
3) MEDIDAS DE FORMA: Analizan la forma de la distribucion de datos
de forma.jpg
11
MEDIDAS DE TENDENCIA CENTRAL
LA MEDIA ARITMETICA: Es el promedio de los datos que tenemos
Si calculamos con todos los datos la formula que aplicaremos es la siguiente:
Si los datos los tenemos agrupados o en clases, entonces aplicaremos la siguiente formula:
por eventos o grupos.jpg

LA MEDIANA: Es el punto de equilibrio
definicion.jpg
de acuerdo al numero de datos, calculamos con las siguientes formulas:
de la mediana.jpg
Si tenemos datos agrupados o en clases, aplicamos la siguiente formula:
13
con datos agrupados.jpg
Con los datos de la tabla 33, vamos a calcular
M e = 162,55 + (33/2 9) /13 6,3 = 166,18cm
LA MODA: Es el valor que mas se repite
ESTADISTICA.jpg
para datos agrupados utilizamos la siguiente formula:

para datos agrupados.jpg
Con los datos de la tabla 33, vamos a calcular
ejercicio.jpg
15
POSICIONES RELATIVAS
El punto mas alto es la moda, la mediana se encuentra entre la moda y la media
relativas.jpg
MEDIDAS DE DISPERSION
VARIANZA: La varianza sera mayor mientras mas lejos estan los valores de la media
Esta medida en la unidad de medida de la variable al cuadrado. Por ejemplo, si la variable

mide una distancia en metros, la varianza se expresa en metros al cuadrado. La desviacion
estandar es la raz cuadrada de la varianza, es una medida de dispersion alternativa expresada
en las mismas unidades de los datos de la variable objeto de estudio. La varianza tiene como
valor mnimo 0.
La varianza poblacional la calculamos con la siguiente formula:
poblacional.jpg
cuando tenemos datos grupales o por clase, la varianza se calcula con:

17
grupal.jpg
COEFICIENTE DE VARIACION:Nos permite comparar la dispersion existente entre los

datos o por lo menos dos datos, aunque sean dos variables diferentes
de variacion.jpg
mientras mas pequeno es el coeficiente es mejor. Podemos calcular con la siguiente formula:
formula.jpg
simetrica.jpg
VARIANZA: Es la diferencia del valor de la variable respecto a la media.
estandar.jpg
Se calcula con la siguiente formula:
estandar for.jpg
19
TEOREMA DE CHEBYSHEV:La desigualdad de Chebyshev es un resultado estadstico

que ofrece una cota inferior a la probabilidad de que el valor de una variable aleatoria con
varianza finita este a una cierta distancia de su esperanza matematica o de su media;
equivalentemente, el teorema proporciona una cota superior a la probabilidad de que los
valores caigan fuera de esa distancia respecto de la media. El teorema es aplicable incluso en
distribuciones que no tienen forma de curva de campana acota la cantidad de datos que
2
estan o no .en medio

DE CHEBYSHEV.jpg
EJERCICIOS Se ha estimado que los estudiantes de la ESPE gastan US/57.54

quincenal-mente con una desviacion estandar 7.51
a)Determinar el porcentaje de estudiantes que se encontraran a +- 3.5 S respecto a la media.
b) Encontrar X1 y X2
1.jpg
QUARTIL:Uno de los tres puntos que dividen un conjunto de datos numericamente
ordenados en cuatro partes iguales. A estos tres puntos se les llama primer cuartil (tambien
llamado el cuartil inferior), segundo cuartil (el cuartil medio; es la mediana) y el tercer cuartil
(cuartil superior), respectivamente.
n
Posicion Q1=
4
2n
Posicion Q2=
4
3n
Posicion Q3=
4
21
Para el ejercicio de la tabla 33, Q1=33/4=8.25, Q2=2*33/4=16.5 y Q3=3*33/4=24.75
iq.jpg
DECIL: En estadstica descriptiva, el concepto decil se refiere a cada uno de los 9 valores que
dividen un grupo de datos (clasificados con una relacion de orden) en diez partes iguales, y de
manera que cada parte representa un decimo de la poblacion. En resumen, los deciles son
cada uno de los nueve valores que dividen un conjunto de datos en diez grupos con iguales
n
efectivos. Son los nueve valores que dividen la serie de datos en diez partes. Posicion D1=
10
2n
Posicion D2=
10
3n
Posicion D3=
10
in
Posicion Di=
10
CENTIL:Percentiles (Centiles) Se denomina Centil k o Percentil k la puntuacion que deja

por bajo el k por ciento de las puntuaciones de una distribucion. Los Centiles son un caso
particular de Cuantiles. Un Cuantil se define como una puntuacion que deja por bajo una
n
proporcion conocida (k) de puntuaciones. Posicion C1=
100
2n
Posicion C2=
100
3n
Posicion C3=
100
in
Posicion Ci=
100
Para el calculo de cuartiles con datos grupales o con clases se utiliza la siguiente formula: con
grupos.jpg
DIAGRAMA DE CAJAS O BIGOTES:Un diagrama de caja, tambien conocido como
diagrama de caja y bigotes, es un grafico que esta basado en cuartiles y mediante el cual se
visualiza la distribucion de un conjunto de datos. Esta compuesto por un rectangulo (la
((caja))) y dos brazos (los ((bigotes))).
Es un grafico que suministra informacion sobre los valores mnimo y maximo, los cuartiles Q1,
Q2 o mediana y Q3, y sobre la existencia de valores atpicos y la simetra de la distribucion.
Primero es necesario encontrar la mediana para luego encontrar los 2 cuartiles restantes
de caja.jpg
23
COEFICIENTE DE ASIMETRIA O ASIMETRIA

Las medidas de asimetra son indicadores que permiten establecer el grado de simetra (o
asimetra) que presenta una distribucion de probabilidad de una variable aleatoria sin tener
que hacer su representacion grafica. Como eje de simetra consideramos una recta paralela al
eje de ordenadas que pasa por la media de la distribucion. Si una distribucion es simetrica,
existe el mismo numero de valores a la derecha que a la izquierda de la media, por tanto, el
mismo numero de desviaciones con signo positivo que con signo negativo. Decimos que hay
asimetra positiva (o a la derecha) si la cola.a la derecha de la media es mas larga que la de la
izquierda, es decir, si hay valores mas separados de la media a la derecha. Diremos que hay
asimetra negativa (o a la izquierda) si la cola.a la izquierda de la media es mas larga que la de
la derecha, es decir, si hay valores mas separados de la media a la izquierda.
de asimetria.jpg
de sesgos.jpg
media moda
3 =
S
0 > N ormal
+- 1.5 Simetra Moderada

+- 3 Hay mucha Simetra
0,75 > Central

COEFICIENTE DE CURTOSIS
Se analiza el sentido vertical de la distribucion
En teora de la probabilidad y estadstica, la curtosis es una medida que sirve para analizar el
grado de concentracion que presentan los valores de una variable analizada alrededor de la
zona central de la distribucion de frecuencias, sin necesidad de generar el grafico.
formula.jpg
DE CURTOSIS.jpg
25
EJERCICIOS DE EJEMPLO:
27
29
31
33
35
37
39
41
Captulo 2
PROBABILIDAD
Es la ciencia de la incertidumbre, LA POSIBILIDAD No es confiable, es algo que esta mas

cerca al resultado que esperamos.
Permite cuantificar casos favorables para el total, la PROBABILIDAD ES UNA FUNCION,

El Resultado no es predecible con exactitud
n(a)
P (a) =
n
Experimento Aleatorio Dan lugar a varios resultados, sin que pueda ser previsible
enunciar con certeza cual va a ser el resultado.
Cardinalidad Contar los casos favorable dentro de los casos totales o posibles
Espacio Muestral Conjunto que contiene a todos los elementos posibles, conjunto universo
muestral formula.jpg
43
44 CAPITULO 2. PROBABILIDAD
Evento Subconjunto del espacio muestral
A=evento de que salgan No. impares
A.jpg
Eventos compuestos Eventos mutuamente excluyentes. La ocurrencia de 1 impide la

ocurrencia del otro
PROPIEDADES
compuestos propiedades.jpg
TEORIA DE CONJUNTOS: Revisemos la probabilidad de A U B (a union b)
de a union b.jpg
45
DE CONJUNTOS.jpg
TENICAS DE CONTEO:
EXPERIMENTOS DE PASOS MULTIPLES
Un experimento que contenga un conjunto finito que tenga n resultados, puede ser visto como
una sucesion de kpasos en las que hay n1 resultados posibles para el 1er. caso, n2 resultados
posibles para el 2do.caso y as sucesivamente, entonces el No. total de resultados es:
n(U ) = n1 n1 n3 ...... nk
en k pasos
de conteo.jpg
ejercicios de ejemplo Hay 4 sillas en una sala de espera y cuatro personas
nP n = n!
nP n = 4! = 24
Para un puesto de trabajo se presentan 12 personas is se disponen de 3 vacantes, de cuantas

maneras diferentes se pueden hacer la seleccion.?
2.jpg
Al lanzar 3 dados de cuantas formas se puede obtener en uno de ellos el 1 y las dos restantes
numeros diferentes?
5C2=10
3C3*5C2=10
47
ADICION DE EVENTOS Mutuamente excluyentes
P (A B) = P (A) P (B) P (A B)
ejercicios de ejemplo
cual es la posibilidad que salga una carta con trebol?
13 4 1 16
Pt = + =
52 52 52 52
REGLA DE LA MULTIPLICACION Probabilidad conjunta
P (A B) = P (A) P (B/A)
Dos eventos son independientes cuando la ocurrencia de un evento NO afecta al otro.
P (A B) = P (B A)
P (A) P (B/A) = P (B) P (A/B)

Si los eventos son independientes
P (A B) = P (A) P (B)
P (A B C) = P (A) P (B/A) P (C/B/A)para.dependientes

P (A B C) = P (A) P (B) P (C)para.independientes
Al lanzar un dado 3 veces, cual es la probabilidad de que en uno salga el 2 y en los otros dos
salgan numeros diferentes?
n(A) 10 10
P (A) = = 3 = = 4,63
n(U ) 6 216
En la oficina de correos se encuentran 55 paquetes, se alerta que hay la posibilidad de que en

uno de ellos exista algun tipo de material ilegal. Se decide entonces extraer 5 de ellos para ser
analizados. Halle la probabilidad de que entre ellos se encuentre dicho paquete.
55!
n(U ) = 55C5 = = 3478761
50! 5!
54!
n(A) = 54C4 = = 316251
50! 4!
n(A) 316251 1
P (A) = = = = 0,09
n(U ) 3478761 11
Dos eventos A y B son independientes si en la ocurrencia de uno de los dos eventos no afecta
a la ocurrencia del otro.
P (A B) = P (A) P (B)
49
51
53
CONSIDERACIONES
1) Nunca se debe asumir que dos eventos son independientes hasta absolutamente seguros
2) Se puede pensar que son eventos independientes cuando los eventos son fsicamentes
independientes, entonces seran estadsticamente independientes.
ejemplo, el resultado de lanzar un dado y una moneda
3)Diferencias entre eventos mutuamente excluyentes y eventos independientes. La

independencia no es solo para dos eventos, puede extenderse a cualquier numero de eventos.
CONSIDERACIONES
1) Evaluar el producto P(A)*P(B)
2) Determinar el valor de P (A B) por cualquier otro metodo que no sea el del paso anterior.
3) Si los resultados obte-

nidos en los pasos 1 y 2 son iguales entonces se concluira que los eventos han sido independientes.
Si se arrojan dos dados, uno rojo y el otro blanco. Determinar si los eventos son
independientes, si se definen los siguientes eventos:
A: Dado Rojo, muestra un numero divisible para 3 (3,6)
B: Dado Blanco, muestra un numero divisible para 2 (2,4,6)
2 3 1
1.P (A) P (B) = =
6 6 6
6 1
P (A B) = =
36 6
A B = (3 2; 3 4; 3 6; 6 2; 6 4; 6 6)
Al demostrar la igualdad podemos indicar que si son independientes
TABLAS DE CONTINGENCIA Y DIAGRAMA DE ARBOL
En los problemas de probabilidad y en especial en los de probabilidad condicionada, resulta

interesante y practico organizar la informacion en una tabla de contingencia o en un diagrama
de arbol. Las tablas de contingencia y los diagramas de arbol estan ntimamente relacionados,
dado uno de ellos podemos construir el otro. Unas veces, los datos del problema permiten
construir facilmente uno de ellos y a partir de el podemos construir el otro, que nos ayudara
en la resolucion del problema.
Las tablas de contingencia estan referidas a dos caractersticas que presentan cada una dos o
mas sucesos.
En el caso de los sucesos A, , B y , expresados en frecuencias absolutas, relativas o

probabilidades la tabla, adopta la forma adjunta.
de contingencia.jpg
Dicha tabla adopta la forma del diagrama de arbol del dibujo. En este, a cada uno de los
sucesos A y se les ha asociado los sucesos B y .
de arbol.jpg
Un taller sabe que por termino medio acuden: por la manana 3 automoviles con problemas
electricos, 8 con problemas mecanicos y 3 con problemas de chapa, y por la tarde 2 con
problemas electricos, 3 con problemas mecanicos y 1 con problemas de chapa.
1. Calcula el porcentaje de los que acuden por la tarde.
2. Calcula el porcentaje de los que acuden por problemas mecanicos.
3. Calcula la probabilidad de que un automovil con problemas electricos acuda por la manana.
En las tablas de contingencia, con las frecuencias absolutas y los porcentajes,

respectivamente, pueden verse recogidos los datos del enunciado.
55
3.jpg
Las respuestas a las cuestiones planteadas basta leerlas en las tabla. As, se obtiene:
1. El 30 porciento de los automoviles acude al taller por la tarde.
2. El porcentaje de vehculos ingresados con problemas mecanicos es el 55
3. La probabilidad buscada es:
P(acuda por la manana/tiene problemas electricos) = 3/5 = 0.6

4.jpg
PROBABILIDAD TOTAL
El Teorema de la probabilidad
total nos permite calcular la probabilidad de un suceso a partir de probabilidades condicionadas:
57
Ejemplo: supongamos que si llueve la probabilidad de que ocurra un accidentes es x y si hace

buen tiempo dicha probabilidad es y. Este teorema nos permite deducir cual es la
probabilidad de que ocurra un
accidente si conocemos la probabilidad de que llueva y la probabilidad de que haga buen tiempo.
La formula para calcular esta probabilidad es:
de probabilidad total.jpg
En la sala de pediatra de un hospital, el 60 porciento de los pacientes son ninas. De los ninos
el 35 porciento son menores de 24 meses. El 20 porciento de las ninas tienen menos de 24
meses. Un pediatra que ingresa a la sala selecciona un infante al azar.
a. Determine el valor de la probabilidad de que sea menor de 24 meses.
Se definen los sucesos:

Suceso H: seleccionar una nina.=0.6
Suceso V: seleccionar un nino.=0.4
Suceso M: infante menor de 24 meses.=?? incognita
a. En este caso, la poblacion es de los infantes. Y la caracterstica en comun es que sean

menores de 24 meses. Por lo tanto, la probabilidad de seleccionar un infante menor de 24
meses es un ejemplo de probabilidad total. Su probabilidad sera:
P (M ) = P (H) P (M/H) + P (V ) P (M/V ) = 0,6 0,2 + 0,4 0,35 = 0,26

Es decir el 26 por ciento
Un medico cirujano se especializa en cirugas esteticas. Entre sus pacientes, el 20 porciento se

realizan correcciones faciales, un 35 porciento implantes mamarios y el restante en otras
cirugas correctivas. Se sabe ademas, que son de genero masculino el 25 porciento de los que
se realizan correcciones faciales, 15 porciento implantes mamarios y 40 porciento otras
cirugas correctivas. Si se selecciona un paciente al azar, determine:
a. Determine la probabilidad de que sea de genero masculino
Se definen los sucesos:
Suceso F: pacientes que se realizan cirugas faciales

Suceso M: pacientes que se realizan implantes mamarios
Suceso O: pacientes que se realizan otras cirugas correctivas
Suceso H: pacientes de genero masculino
a. La probabilidad de que sea de genero masculino se refiere a un problema de probabilidad
total, ya que es el suceso condicionado y las cirugas los condicionantes. Dicho valor sera:
P (H) = P (F ) P (H/F ) + P (M ) P (H/M ) + P (O) P (O/H) =
P (H) = 0,2 0,25 + 0,35 0,15 + 0,45 0,40 = 0,28
Es decir es el 28 porciento
TEOREMA DE BAYES
Expresa la probabilidad condicional de un evento aleatorio A dado B en terminos de la

distribucion de probabilidad condicional del evento B dado A y la distribucion de
probabilidad marginal de solo A.
En terminos mas generales y menos matematicos, el teorema de Bayes es de enorme

relevancia puesto que vincula la probabilidad de A dado B con la probabilidad de B dado A.
Es decir, por ejemplo, que sabiendo la probabilidad de tener un dolor de cabeza dado que se
tiene gripe, se podra saber (si se tiene algun dato mas), la probabilidad de tener gripe si se
tiene un dolor de cabeza. Muestra este sencillo ejemplo la alta relevancia del teorema en
cuestion para la ciencia en todas sus ramas, puesto que tiene vinculacion ntima con la
comprension de la probabilidad de aspectos causales dados los efectos observados.
E1 B = B E1
P (E1) P (B/E1) = P (B) P (E1/B)
P (E1) P (B/E1)
P (E1/B) =
P (B)
P (E1) P (B/E1)
P (E1/B) =
P (E1) P (B/E1) + P (E2) P (B/E2) + ... + P (En) P (B/En)
Siempre aparecera el Nen el D

Siempre estaran X
Una empresa que fabrica camisetas posee tres maquinas, A, B y C, producen el 45, 30 y 25
porciento, respectivamente, del total de las piezas producidas en la fabrica. Los porcentajes de
produccion defectuosa de estas maquinas son del 3,4 y 5 porciento respectivamente.
a. Seleccionamos una camiseta al azar; calcular la probabilidad de que salga defectuosa.
b. Tomamos, al azar, una camiseta y resulta ser defectuosa; calcula la probabilidad de haber
sido producida por la maquina B.
c. Que maquina tiene la mayor probabilidad de haber producido una camiseta defectuosa?
Sea D= la camiseta defectuosa N= la camiseta no es defectuosa. La informacion del

2
problema puede expresarse en el diagrama de arbol adjunto.

59
6.jpg
a. Para calcular la probabilidad de que la camiseta elegida sea defectuosa, P(D), por la
propiedad de la probabilidad total,
P(D) = P(A) P(D/A) + P(B) P(D/B) + P(C) P(D/C)
P(D) = 0.45 0.03 + 0.30 0.04 + 0.25 0.05 = 0.038
b. Debemos calcular P(B/D). Por el teorema de Bayes,
P (B) P (D/B)
P (B/D) =
P (A) P (D/A) + P (B) P (D/B) + P (C) P (D/C)
0,30 0,04 12
P (B/D) = = = 0,316
(0,45 ,03) + (0,30 0,04) + (0,25 0,05) 38
0,45 0,03 135

P (A/D) = = = 0,355
(0,45 ,03) + (0,30 0,04) + (0,25 0,05) 380
501.jpg
502.jpg
61
503.jpg
63
VARIABLES ALEATORIAS DISCRETAS
aleatoria discreta.jpg
Muestra todos los resultados posibles de un experimento aleatorio y la probabilidad asociada

a cada resultado.
VARIABLES ALEATORIA
Definida por X. Se define como una funcion que se asigna a un numero real a cada resultado
(evento elemental) del espacio muestral.
El conjunto de posibles valores de la variable aleatoria Xrecibe el nombre de rango de X
Una variable aleatoria es una funcion que asigna un valor, usualmente numerico, al resultado
de un experimento aleatorio. Por ejemplo, los posibles resultados de tirar un dado dos veces:
(1, 1), (1, 2), etc. o un numero real (p.e., la temperatura maxima medida a lo largo del da en
una ciudad concreta).
Los valores posibles de una variable aleatoria pueden representar los posibles resultados de un
experimento aun no realizado, o los posibles valores de una cantidad cuyo valor actualmente
existente es incierto (p.e., como resultado de medicion incompleta o imprecisa).
Intuitivamente, una variable aleatoria puede tomarse como una cantidad cuyo valor no es fijo
pero puede tomar diferentes valores; una distribucion de probabilidad se usa para describir la
probabilidad de que se den los diferentes valores. En terminos formales una variable aleatoria
es una funcion definida sobre un espacio de probabilidad.
Las variables aleatorias suelen tomar valores reales, pero se pueden considerar valores
aleatorios como valores logicos, funciones o cualquier tipo de elementos (de un espacio
medible). El termino elemento aleatorio se utiliza para englobar todo ese tipo de conceptos
relacionados. Un concepto relacionado es el de proceso estocastico, un conjunto de variables
aleatorias ordenadas (habitualmente por orden o tiempo).
TIPOS DE VARIABLES ALEATORIAS
Funcion de masa f(x)- DISCRETAS

Tambien conocida como funcion de probabilidad, si X es una variable aleatoria discreta, la
f(X) es una funcion cuyo dominio es la variable aleatoria X y el recorrido es le intervalo
cerrado de 0 a 1 y se define como la probabilidad de que X sea estrictamente igual a un valor
especfica de X
Es decir:
Si X es una variable discreta, entonces f(X)=X[0,1]

c c c

c s c

c c s

s c c

c s s

s s c

s c s
s s s
en donde X=[0;1;2;3]
1
f (0) = P (X = 0) =
8
3
f (1) = P (X = 1) =
8
3
f (2) = P (X = 2) =
8
1
f (3) = P (X = 3) =
8
Si sumamos todo nos da 1
PROPIEDADES
1)f (xi) = P (X = xi)
2)0 f (xi) 1
X
3) f (xi) = 1
65
variables aleatorias.jpg
P (X = 1,5) = @
Ya que 1.5 no pertenece al rango
FUNCION DE DISTRIBUCION ACUMULADA F(x) Si F es una variable discreta,

la Fx.es uan funcion cuyo dominino es una variable aleatoria X y el recorrido de un intervalo
cerrado entre 0 y 1. Se define la probabilidad de que X sea menor o igual a un valor especfico
de x
Si Xv es discreta F (x) = P (X x)
PROPIEDADES
a.F (x) = P (X x)
b,0 F (x) 1
c.P (X > x) = 1 P (X x)
funcion F(x).jpg
F (x) = P (X x)
P (X 1,5) = P (x = 0) + P (x = 1)
El analisis de una caja que contiene frutas puede considerarse en terminos del numero de
ellas o sus caractersticas. Una consideracion particular podra ser por ejemplo el numero de
frutas que estan en mal estado dentro de la caja. Entonces X sera la variable aleatoria que
denota el numero de frutas en mal estado dentro de esta caja.
a)Determinar el rango de x
b)Considere ahora que la variable aleatoria X denota el numero de frutas que seran
necesarias extraer hasta obtener 1 en mal estado. Determine nuevamente el rango de x
c) Suponga que la probabilidad de que una caja contenga frutas en mal estado es del 2
porciento y si las muestras son independientes determinar, la distribucion de la probabilidad
de x
a)v.a.X{a; 1; 2; ....; n}
b)v.a.X{1; 2; 3; ....; n}
c)U = {d; sd; ssd; sssd; ....(n 1)sd}
1 2 3 n
2 n1)
0.02 0.98*0.02 (0,98) 0,02 0,02 (0,98)
En el ejemplo anterior se desea conocer la probabilidad de encontrar una fruta danada en 3 o

menos
0,02 + (0,98) 0,02 + (0,98)2 0,02 = 0,0588

Probabilidad de que la fruta danada cuando se ha sacado la 14va. fruta
0,02 + (0,98 = 0,02 + (0,98)2 0,02 + (0,98)3 0,02 + ... + (0,98)13 0,02 = 0,023
67
MEDIDAS DESCRIPTIVAS PARA VARIABLES
ALEATORIAS DISCRETAS
ESPERANZA MATEMATICA (Ux) Es la media o promedio o el valor esperado de la

variable aleatoria discreta X y se define por:
matematica.jpg
del ejercicio anterior
5 15 3 3 3
0 +1 +2 +2 =
14 28 28 28 4
esperanza 2.jpg
VARIANZA En teora de probabilidad, la varianza o variancia (que suele representarse

como 2 de una variable aleatoria es una medida de dispersion definida como la esperanza del
cuadrado de la desviacion de dicha variable respecto a su media. O en pocas palabras, la
media de los residuos al cuadrado.
x2 = V (X) = var(X) = E(X x )
Si x es una variable aleatoria discreta,la varianza de x se define como:
varianza.jpg
COEFICIENTE DE ASIMETRIA El coeficiente de asimetra nos indica la desviacion

de la distribucion de los datos con respecto a la media, viene dado por la formula:
coef asimetria.jpg
CURTOSIS La curtosis (o apuntamiento) es una medida de forma que mide cuan

escarpada o achatada esta una curva o distribucion.
Este coeficiente indica la cantidad de datos que hay cercanos a la media, de manera que a
mayor grado de curtosis, mas escarpada (o apuntada) sera la forma de la curva.
curtosis.jpg
del ejercicio anterior la varianza sera:
varianza.jpg
7.jpg
DISTRIBUCION UNIFORMES DISCRETAS Una variable aleatoria X sera una

V.A.Dis. Uniforme si a cada uno de los n valores que estan en rango de x les corresponde la
misma probabilidad.
1
f (xi) = P (X xi) =
n
Media o valor esperado de una variable aleatoria discreta se la expresa con la

siguiente formula:
med esperada.jpg
DISTRIBUCION BINOMIAL En una distribucion de probabilidad discreta la cual

presenta:
1)El experimento consiste en una secuencia de n ensayos identicos. Siempre obtendran
unicamente dos resultados posibles exito o fracaso
2) Cada ensayo o repeticion del experimento es independiente, por lo que el resultado de un
ensayo no afecta al resultado de cualquier otro.
3) En cada experimento la variable aleatoria x sera el numero de experimentos que cumple
con un criterio especfico.
4) la probabilidad de exito o fracaso permanece constante en todas las repeticiones de
experimento.
aXdiscretas (n, p)
n N o.de.experimetos
p exito
q f racaso = (1 p)
X = {0; 1; 2; ....; n} inicia.en,0
f(x) [funcion de masa]
f (x) = P (X = x) = cCx px q nk
69
F(x) [Funcion distribucion acumulada] func dis acum.jpg
Esperanza Matematica
E(x) = x = n p
Varianza
V (x) = n p q
DISTRIBUCION DE PROBABILIDAD HIPERGOMETRICA A diferencia de la

distribucion binomial la mayor parte de las muestras se realizan sin reposicion. Es decir, la
probalidad de exito cambia en cada observacion.
Este tipo de ensayos son adecuados cuando los tamanos de poblacion son relativamente
pequenos.
x: No. de exitos en la muestra sin reposicion
N: Numero de observaciones, experimentos o conjunto total del analisis
k: Objetos clasificados como extras dentro del conjunto total que se analiza
n-k: Objetos clasificados como fracasos prob hiperg.jpg
x=(0,1,2,......menos valor
entre n y k)
f(x) FUNCION DE MASA Se calcula con la siguiente formula

kCx (N k)C(n x)
f (x) = P (X x) =
N Cn
f(x) FUNCION DE DISTRIBUCION ACUMULADA Se calcula con la siguiente

formula
dis acum.jpg
ESPERANZA MATEMATICA Se calcula con la siguiente formula
E(x) = x = n p
ESPERANZA MATEMATICA Se calcula con la siguiente formula
N n
V (x) = n p q
N 1
DISTRIBUCION DE POISSON Es una distribucion de probabilidad discreta se la

obtiene por conteo
Esta distribucion describe la cantidad de vece que ocurre en evento considerado como exito en
un intervalo determinado de numeros reales, que a su vez pueden representar medidas de
tiempo, longitud, areas, etc.
Se basa en 3 supuestos:
1) Que la probabilidad de exito en un su intervalo es la misma para todos los demas sub
intervalos y el promedie de exito es proporcional al tamano del intervalo.
2) Que la probabilidad de encontrar mas que un exito en un sub intervalo suficientemente
pequeno tiende a cero
3) Que el numero de exitos en cada intervalo es independiente del numero de exitos de
cualquier otro intervalo.
Esta distribucion es una forma de la distribucion binomial, llevada al lmite cuando la

probabilidad de exitos p.es muy pequena y el tamano de la muestra n.es grande y su
producto permanece constante, es decir:
np=
Se la llama tambien LEY DE LOS EVENTOS IMPROBABLES pues la probabilidad de que

ocurra un exito es muy pequena
v.a.Discreta P ()
x = {0, 1, 2, ...}
su rango no esta definido en su final
0; = n p
Esperanza matematica
f(x) Funcion de masa se calcula con la formula:
(e ) x
f (x) = P (X = x) =
x!
f(x) FUNCION DE DISTRIBUCION ACUMULADA Se calcula con la siguiente

formula
dis acum.jpg
E(x) = = n p
71
Varianza
V (x) = = n p
DISTRIBUCION DE PROBABILIDAD MULTINACIONAL es una extension

multivariante de la distribucion binomial, consiste en una serie de ensayos independientes y
presenta las siguientes caractersticas:
1) El resultado de cada ensayo se clasifica en una las k clases posibles.
2) la probabilidad de que un ensayo genere un resultado en la clase 1, clase 2, ...., clase k, es
constante para cada clase y sera igual que p1, p2, p3, ....pk respectivamente.
Las variables aleatorias x1,x2,x3,....,xk denotan el numero de ensayo que contendra la clase 1,
clase 2, clase 3, ...., clase k respectivamente tendran una distribucion multinomial y su funcion
de masa de probabilidad conjunta sera:
f (x1, x2, ...xn) = f (x1) f (x2) f (x3) ....f (xt)
P (X1 = x1, X2 = x2, X3 = x3, ..., Xk = Xk)
n!
= P 1x1 P 2x2 ....P k xk
x1! x2! ....... xk!
recordemos que:
x1 + x2 + x3 + ...... + xk = n
P 1 + P 2 + P 3 + .... + P k = 1
E(Xi) = n pi
Varianza
V (x) = = n pi qi
VARIABLES ALEATORIAS CONTINUAS
FUNCION DE DENSIDAD A.C. Una f(x) es una funcion de densidad variable

aleatoria continua x, si para cualquier intervalo cerrado [x1,x2] se cumple que:
1)f (x) 0 siempre P (X = x) = 0 aleatorias continuas.jpg
var ale cont.jpg

VALOR ESPERADO Y VARIABLE ALEATORIA CONTINUA El valor esperado

se puede calcular con la siguiente formula: esperado.jpg
Desviacion estandar
2
x2 = x = x
DISTRIBUCION UNIFORME CONTINUADefinicion: Se dice que X tiene

distribucion Uniforme en el intervalo [A,B ], si su funcion de densidad es:
uniforme continua.jpg es decir, la densidad es

constante sobre el intervalo [ A,B ] y 0 fuera de el. A y B son los parametros de la distribucion.
73
UNIFORME CONTINUA 2.jpg
Funcion de distribucion: Hallemos la funcion de distribucion acumulada de X U (A,B).
uniforme continua.jpg
ESPERANZA O VALOR ESPERADO DE UNA v.a. continua: Con funcion de

densidad f (x) , la esperanza o valor esperado de X se define como : de una distribucion
uniforme continua.jpg
Varianza de una v.a. continua: Definicion: Sea X una v.a. continua con esperanza x y
densidad f (x) , la varianza de X,que se denotara V(X),x2 , es: distribucion uniforme
75
continua.jpg
DISTRIBUCION NORMAL: Una variable aleatoria continua, X, sigue una distribucion
normal de media y desviacion tpica , y se designa por N(,), si se cumplen las siguientes
condiciones:
1. La variable puede tomar cualquier valor: (, +)
2. La funcion de densidad, es la expresion en terminos de ecuacion matematica de la curva de

Gauss:
su grafico esta dado por:
de distribucion normal.jpg
Para calcular probabilidades en intervalos de valores de la variable, habra que integrar la

funcion de densidad entre los extremos del intervalo. por desgracia (o por suerte), la funcion
de densidad normal no tiene primitiva, es decir, no se puede integrar. Por ello la unica
solucion es referirse a tablas de la funcion de distribucion de la variable (calculadas por
integracion numerica) Estas ta-
blas tendran que ser de triple entrada (, , valor) y el asunto tendra una complejidad enorme.
Afortunadamente, cualquier que sea la variable normal, X, se puede establecer una

correspondencia de sus valores con los de otra variable con distribucion normal, media 0 y
varianza 1, a la que se llama varia-
ble normal tipificada o Z. La equivalencia entre ambas variables se obtiene mediante la ecuacion:
x x
Z=
x
PROPIEDADES ALEATORIAS DE X Si el v.a. X N (x .x deben cumplirse las

siguientes propiedades:
aleatorias de x.jpg
77
propiedades aleatorias.jpg
DISTRIBUCION EXPONENCIAL: exponencial.jpg
En estadstica la distribucion exponencial es una distribucion de probabilidad continua con un

parametro > 0 y x 0 cuya funcion de densidad es:
distribucion exponencial.jpg
PROPIEDAD DE CARENCIA DE MEMORIA: Se puede expresar con la siguiente

formula:
p(X < t1 + t2/X > t1) = P (X < t2)
79
ESTADISTICA INFERENCIAL:inferencial.jpg
La estadstica inferencial es una parte de la estadstica que comprende los metodos y

procedimientos que por medio de la induccion determina propiedades de una poblacion
estadstica, a partir de una parte de esta. Su objetivo es obtener conclusiones utiles para
hacer deducciones sobre una totalidad, basandose en la informacion numerica de la muestra.
Se dedica a la generacion de los modelos, inferencias y predicciones asociadas a los fenomenos

en cuestion teniendo en cuenta la aleatoriedad de las observaciones. Se usa para modelar
patrones en los datos y extraer inferencias acerca de la poblacion bajo estudio. Estas
inferencias pueden tomar la forma de respuestas a preguntas s o no (prueba de hipotesis),
estimaciones de unas caractersticas numericas (estimacion), pronosticos de futuras
observaciones, descripciones de asociacion (correlacion) o modelamiento de relaciones entre
variables de Sam (analisis de regresion). Otras tecnicas de modelamiento incluyen analisis de
varianza, series de tiempo y minera de datos.
Tiene como proposito determinar algo acerca de una poblacion en el analisis de una muestra
extrada de ella, y servira para llegar a conclusiones a tomar decisiones en general se divide en
2 partes:
1) Estimacion de parametros
2) Prueba de hipotesis
Estimacion de parametros Es una aplicacion de la estadstica que permite obtener

estimaciones puntuales de parametros tales como media, mediana, varianza de una poblacion.
Es el procedimiento utilizado para conocer las caractersticas de un parametro poblacional, a

partir del conocimiento de la muestra.
Con una muestra aleatoria, de tamano n, podemos efectuar una estimacion de un valor de un
parametro de la poblacion; pero tambien necesitamos precisar un:
Intervalo de confianza
Se llama as a un intervalo en el que sabemos que esta un parametro, con un nivel de
confianza especfico.
Nivel de confianza
Probabilidad de que el parametro a estimar se encuentre en el intervalo de confianza.
El nivel de confianza (p) se designa mediante: 1 .
Error de estimacion admisible

Que estara relacionado con el radio del intervalo de confianza.
Proporciones: Contabiliza elementos con objetos en comun comparado al total de

elementos (Cf/Ct)
x
P =
n
Error de estimacion(e) e = |x x |
m.aleatorias Distribucion de muestreo

m.a=x como
x x
v*a=x entonces Z = por lo tanto
S
x x
Z = x

n
en donde:

x
n
Es el error estandar o tpico

81
DISTRIBUCION DE MUESTREO:de muestro.jpg
Todo dato estadstico es una variable aleatoria que depende de los resultados que se obtengan
de cada muestra, de las muestras que se puedan tomar.
Si por ejemplo se considera unicamente los valores dela media obtenida de cada muestra, este
estadstico sera entonces una v.a. que tomara sus valores de acuerdo a los resultados que se
obtenga de cada muestra particular. Por tanto como se trata de v.a. entonces tendra una
Distribucion de probabilidad.
La Distribucion de Probabilidad de x para muestras de igual tamano de una misma poblacion

se la conoce como Distri. de muestro de medias
E(x) = x x
x2 N n
V (x) = (
n N 1)
x2
V (x) =
n
para infinitos
x2
x N (x , )
n
t = x x ; n 1 gl
x2
Sx = = x2
n
PRUEBA DE HIPOTESIS Tenemos que empezar por definir que es una hipotesis y que
es prueba de hipotesis.
Hipotesis es una aseveracion de una poblacion elaborado con el proposito de poner aprueba,
para verificar si la afirmacion es razonable se usan datos.
En el analisis estadstico se hace una aseveracion, es decir, se plantea una hipotesis, despues se
hacen las pruebas para verificar la aseveracion o para determinar que no es verdadera.
Por tanto, la prueba de hipotesis es un procedimiento basado en la evidencia muestral y la

teora de probabilidad; se emplea para determinar si la hipotesis es una afirmacion razonable.
Prueba de una hipotesis: se realiza mediante un procedimiento sistematico de cinco pasos:
PARA PRUEBA DE HIPOTESIS.jpg
La distribucion de muestreo de la estadstica de prueba se divide en dos regiones, una region

de rechazo (conocida como region crtica) y una region de no rechazo (aceptacion). Si la
estadstica de prueba cae dentro de la region de aceptacion, no se puede rechazar la hipotesis
nula.
prueba de hipotesis.jpg
En las pruebas de hipotesis para la media (), cuando se conoce la desviacion estandar ()
poblacional, o cuando el valor
de la muestra es grande (30 o mas), el valor estadstico de prueba es Z y se determina a partir de:
(x1 x2 ) (x1 x2 )
Z= r
2 2
x1 x2
+
n1 n2
83
INTERVALOS DE CONFIANZA:
En la
practica no siempre es posible conocer a toda la poblacion, por lo tanto la informacion sobre
ella se obtiene de una muestra, es decir los parametros poblacionales no se conocen por lo que
es necesario estimar sus valores a partir de las estadsticas muestrales.
Se debe considerar que una estimacion puntual debe ser la mas cercana posible al parametro
poblacional, por lo tanto para poder determinar que tan cercanas estan en realidad estos
valores se emplean intervalos de confianza.
En general se pueden decir que una estimacion por intervalos de un parametro desconocido
sera:
l<
donde l: es el lmite inferior y :es el lmite superior
En medias muestrales:
P (xl x ) = 1
Nos indica que tan probable que mi este entre xl y x Intervalo de confianza general:
INTERVALO DE CONFIANZA GENERAL En estadstica, se llama intervalo de

confianza a un par o varios pares de numeros entre los cuales se estima que estara cierto valor
desconocido con una determinada probabilidad de acierto. Formalmente, estos numeros
determinan un intervalo, que se calcula a partir de datos de una muestra, y el valor
desconocido es un parametro poblacional. La probabilidad de exito en la estimacion se
representa con 1 - y se denomina nivel de confianza. En estas circunstancias, es el
llamado error aleatorio o nivel de signifi-
cacion, esto es, una medida de las posibilidades de fallar en la estimacion mediante tal intervalo.
Podemos definirla con la siguiente formula:
p(l U = 1 )
el xmin no se sabe cual va a ser
v.a.X = x
cualquier valor de x
TIPOD DE INTERVALO DE CONFIANZA Podemos resumirla en la siguiente tabla:
DE INTERVALO DE CONFIANZA.jpg
85
bilaterales de IC 1.jpg
Unilaterales de IC 2.jpg
de IC 3.jpg
siempre 0 1
INTERVALO DE CONFIANZA PARA LA MEDIA CON VARIANZA
POBLACIONAL CONOCIDA
Suponer que se tiene una poblacion con media desconocida (x ) y varianza conocida (x2 ) si
de esta poblacion se toma una muestra aleatoria (x1,x2,...,xn) de tamano n, la media muestral
(x) sera un estimador puntual dela media desconocida (x ).
Entonces si de x de una muestra aleatoria de tamano n de un poblacion con varianza conocida

(x2 ), el I.C para x esta dado por:
de intervalo de confianza.jpg
P (x1 x x ) = 1
x x
P (x Z ( ) (x x + Z ( )) = 1
n n
2 2
x x
en donde: x2 = x Z ( ) y xu = x + Z ( de confianza para la Media Poblacional
n n)
2 2
varianza conocida.jpg
87
DIFERENCIA DE MEDIAS I.C.
DE MEDIAS IC.jpg
INTERVALO DE CONFIANZA PARA LA MEDIA CON VARIANZA

POBLACIONAL DESCONOCIDA
1.jpg
89
2.jpg
3.jpg
91
4.jpg
INTERVALO DE CONFIANZA PARA DIFERENCIA DE MEDIAS CON

VARIANZA POBLACIONALES DESCONOCIDAS PERO IGUALES
5.jpg
93
6.jpg
7.jpg
95
8.jpg
9.jpg
97
10.jpg
11.jpg
99
INTERVALO DE CONFIANZA PARA UNA PROPORCION 12.jpg

13.jpg
101
14.jpg
INTERVALO DE CONFIANZA PARA DOS PROPORCIONES 15.jpg

103
16.jpg
17.jpg
105
18.jpg
PRUEBAS DE HIPOTESIS
Consiste en que alguien de un valor para un parametro para hacer una comprobacion. 1.jpg
107
2.jpg
3.jpg
109
4.jpg
5.jpg
111
6.jpg
7.jpg
113
8.jpg
9.jpg
115
10.jpg
11.jpg
117
12.jpg
13.jpg
119
14.jpg
15.jpg
121
16.jpg
17.jpg
123
18.jpg
19.jpg
125
20.jpg
21.jpg
127
22.jpg
REGRESION LINEAL
Consiste en encontrar una recta que cumpla con la regla de los mnimos cuadrados 1.jpg
129
2.jpg
3.jpg
131
4.jpg
5.jpg
133
6.jpg
7.jpg
135
8.jpg
9.jpg
137
10.jpg
11.jpg
139
EJERCICIOS RESUELTOS DE TODOS LOS TEMAS 100.jpg

101.jpg
141
102.jpg
103.jpg
143
104.jpg
105.jpg
145
106.jpg
107.jpg
147
108.jpg
109.jpg
149
110.jpg
111.jpg
151
112.jpg
112.jpg
153
113.jpg
114.jpg
155
115.jpg
116.jpg
157
117.jpg
118.jpg
159
119.jpg
120.jpg
161
121.jpg
122.jpg
163
123.jpg
124.jpg
165
125.jpg
126.jpg
167
127.jpg
128.jpg
169
129.jpg
130.jpg
171
131.jpg
132.jpg
173
133.jpg
134.jpg
175
135.jpg
136.jpg
177
137.jpg
138.jpg
179
139.jpg
140.jpg
181
141.jpg
142.jpg
183
143.jpg
textcolorred EJERCICIOS PROPUESTOS 200.jpg

185
201.jpg
202.jpg
187
203.jpg
204.jpg
189
205.jpg
206.jpg
191
207.jpg
208.jpg
193
209.jpg
210.jpg
195
211.jpg
212.jpg
197
213.jpg
214.jpg
199
215.jpg
216.jpg
201
217.jpg
218.jpg
203
219.jpg
220.jpg
205
221.jpg
222.jpg
207
223.jpg
224.jpg
209
225.jpg
226.jpg
211
227.jpg
228.jpg
213
229.jpg
230.jpg
215
LATEX

Estadística

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Estadística

Diunggah oleh

Hak Cipta:

Format Tersedia

ESTADISTICA

MARIA BELEN SANCHEZ

La estadstica descriptiva es la rama de las Matematicas que recolecta, presenta y caracteriza

ELEMENTOS U OBJETO DE ESTUDIO

POBLACIONES: GRANDE: Asociados son los parametros

MUESTRA PEQUENO: Asociados a una estadstica, es una estimacion

ESTADISTICA INFERENCIAL: Parto de una muestra a una poblacion, nos permite

CUALITATIVAS Describen caractersticas especificas de un individuo

DISCRETAS Representados por numeros generalmente enteros. Tambien es discreta si la

Es discreta cuando lo obtenemos del proceso de contar

ESCALA DE MEDIDAS Pueden ser

Ordinal Para cuantitativas y cualitativas, existe un orden, indican jerarquas

Intervalo Registra de manera numerica la distancia entre dos puntos.

Razon V.Cuantitativas, vamos a contar en escala numerico. No se pueden multiplicar ni

CABLES DE DISTRIBUCION DE FRECUENCIA

2) 2da. forma - FORMA TECNICA - STORGES

Amplitud de cada clase L rango/K

Rango = 194 - 150

V.inicial = Xmin exceso/2

V.inicial = 150 0,05 = 149,95

V.f inal = Xmax + exceso/2

V.inicial = 194 + 0,05 = 194,05

******li****** **nc** **Nc** **fc** **Fc**

1) MEDIDAS DE TENDENCIA CENTRAL:Las medidas de tendencia central son

Con respecto a la media, mediana o moda, estas medidas son:

tenemos a la varianza, desviacion standar, rango, coeficiente de variacion y error tipico

Determinamos cuantos datos tengo

3) MEDIDAS DE FORMA: Analizan la forma de la distribucion de datos

MEDIDAS DE TENDENCIA CENTRAL

LA MEDIA ARITMETICA: Es el promedio de los datos que tenemos

Si calculamos con todos los datos la formula que aplicaremos es la siguiente:

por eventos o grupos.jpg

LA MEDIANA: Es el punto de equilibrio

de acuerdo al numero de datos, calculamos con las siguientes formulas:

con datos agrupados.jpg

Con los datos de la tabla 33, vamos a calcular

M e = 162,55 + (33/2 9) /13 6,3 = 166,18cm

LA MODA: Es el valor que mas se repite

para datos agrupados utilizamos la siguiente formula:

para datos agrupados.jpg

Con los datos de la tabla 33, vamos a calcular

El punto mas alto es la moda, la mediana se encuentra entre la moda y la media

Esta medida en la unidad de medida de la variable al cuadrado. Por ejemplo, si la variable

La varianza poblacional la calculamos con la siguiente formula:

cuando tenemos datos grupales o por clase, la varianza se calcula con:

COEFICIENTE DE VARIACION:Nos permite comparar la dispersion existente entre los

TEOREMA DE CHEBYSHEV:La desigualdad de Chebyshev es un resultado estadstico

estan o no .en medio

EJERCICIOS Se ha estimado que los estudiantes de la ESPE gastan US/57.54

Para el ejercicio de la tabla 33, Q1=33/4=8.25, Q2=2*33/4=16.5 y Q3=3*33/4=24.75

CENTIL:Percentiles (Centiles) Se denomina Centil k o Percentil k la puntuacion que deja

COEFICIENTE DE ASIMETRIA O ASIMETRIA

+- 1.5 Simetra Moderada

0,75 > Central

Es la ciencia de la incertidumbre, LA POSIBILIDAD No es confiable, es algo que esta mas

Permite cuantificar casos favorables para el total, la PROBABILIDAD ES UNA FUNCION,

Evento Subconjunto del espacio muestral

A=evento de que salgan No. impares

Eventos compuestos Eventos mutuamente excluyentes. La ocurrencia de 1 impide la

TEORIA DE CONJUNTOS: Revisemos la probabilidad de A U B (a union b)

EXPERIMENTOS DE PASOS MULTIPLES

ejercicios de ejemplo Hay 4 sillas en una sala de espera y cuatro personas

Para un puesto de trabajo se presentan 12 personas is se disponen de 3 vacantes, de cuantas

ADICION DE EVENTOS Mutuamente excluyentes

li nc Nc fc Fc

Para el ejercicio de la tabla 33, Q1=33/4=8.25, Q2=233/4=16.5 y Q3=333/4=24.75