TEORA DE LA PROBABILIDAD Y ESTADSTICA

DOCENTE
OLMEDO GONZLEZ HERRERA

ESTADISTICAS APLICADAS
UNIVERSIDAD INDUSTRIAL DE SANTANDER
FACULTAD DE CIENCIAS HUMANAS
2015
CONCEPTOS DE PROBABILIDADES

1. AXIMATICA DE KOLMOGOROV
Las definiciones anteriores son netamente empricas o experimentales, sin
embargo despus de establecer una forma de determinar la probabilidad
experimentalmente, se pueden deducir leyes o propiedades de la probabilidad en
forma lgica o computacional bajo ciertas suposiciones llamados axiomas de la
probabilidad.
La probabilidad de un evento A se define como el nmero P(A), tal que cumple con
los siguientes axiomas:
AXIOMA 1: La probabilidad P(A) de cualquier evento no debe ser menor que cero
ni mayor que uno: 0 < P(A) < 1
AXIOMA 2: P(S) = 1
AXIOMA 3: Si A y B son dos eventos mutuamente exclusivos (A B
= ), entonces: P (A B) = P(A) + P (B)
Toda la teora elemental de la probabilidad est construida sobre las bases de
estos tres simples axiomas.
Si el espacio muestral es infinito, debemos reemplazar el axioma 3 por el
AXIOMA 4: Si A1, A2, son eventos mutuamente exclusivos, entonces tenemos
que P (A1 A2 ) = P(Al) + P (A2) ++
2. ARREGLO DE DATOS.
Organizacin de los datos brutos por observaciones en orden ascendente o
descendente.

3. CENSO.
Medicin o examen de cada elemento de la poblacin.

4. CLASE.
Intervalo en el cual se agrupan los datos en una tabla de distribucin de
frecuencias.
Ejemplo
xi
[10,20)
15
[20,30)
25

fi
1
8

x i fi
15
200

x i 2 fi
225
5000

[30,40)
[40,50)
[50,60)
[60,70)
[70,80)

35
45
55
65
75

10
9
8
4
2
42

350
405
440
260
150
1 820

12 250
18 225
24 200
16 900
11 250
88 050

5. COEFICIENTE DE VARIACIN.
Medida de dispersin relativa de un conjunto de datos, se calcula dividiendo la
dispersin estndar entre la media y multiplicando el cociente por cien.
Con un micrmetro, se realizan mediciones del dimetro de un balero, que tienen
una media de 4.03 mm y una desviacin estndar de 0.012 mm; con otro
micrmetro se toman mediciones de la longitud de un tornillo que tiene una media
de 1.76 pulgadas y una desviacin estndar de 0.0075 pulgadas. Cul de los
dos micrmetros presenta una variabilidad relativamente menor? Los coeficientes
de variacin son:
CV

y CV

En consecuencia, las mediciones hechas por el primer micrmetro exhiben una

variabilidad relativamente menor con respecto a su media que las efectuadas por
el otro.
6. LAS COMBINACIONES
Son todos los subconjuntos de x elementos que se pueden formar de entre un
conjunto de n objetos y en donde una combinacin con los mismos
elementos no es otra combinacin sino que es la misma, aunque los elementos se
encuentren en diferente orden.

Ejemplo: Si se seleccionan cinco cartas de un grupo de nueve, cuantas

combinaciones de cinco cartas habra?
La cantidad de combinaciones posibles sera: P (9,5)/5! = (9*8*7*6*5)/(5*4*3*2*1)
= 126 combinaciones posibles.
Existen dos tipos de combinacin: combinacin sin repeticin y combinacin con
repeticin.
-

Combinacin sin repeticin: se definen como las distintas agrupaciones

formadas con p elementos distintos, eligindolos de entre los n elementos
de que disponemos, considerando una variacin distinta a otra slo si
difieren en algn elemento, (No influye el orden de colocacin de sus
elementos).
Combinacin con repeticin: se definen como las distintas agrupaciones
formadas con p elementos que pueden repetirse, eligindolos de entre los n
elementos de que disponemos, considerando una variacin distinta a otra
slo si difieren en algn elemento, (No influye el orden de colocacin de sus
elementos).

7. DIAGRAMAS DE RBOL En casos simples resultan tiles los diagramas

de rbol para enumerar objetos en forma sistemtica.
Ejemplo: Se desea conocer todas las formas posibles de hacer un experimento
que consiste en 4 componentes de auto a {L1, L2, L3, L4}, entonces cada
componente es sometido a tres diferentes temperaturas de {A1, A2, A3} hasta que
se obtiene una falla.

8. DISTRIBUCIONES DISCRETAS
Una distribucin de probabilidad es una representacin de todos los resultados
posibles de algn experimento y de la probabilidad relacionada con cada uno.
Una distribucin de probabilidad es discreta cuando los resultados posibles del
experimento son obtenidos de variables aleatorias discretas, es decir, de variables
que slo puede tomar ciertos valores, con frecuencia nmeros enteros, y que
resultan principalmente del proceso de conteo.
Ejemplos de variables aleatorias discretas son:

Nmero de caras al lanzar una moneda

El resultado del lanzamiento de un dado
Nmero de hijos de una familia
Nmero de estudiantes de una universidad

9. DISTRIBUCIONES CONTINUAS
Una distribucin de probabilidad es continua cuando los resultados posibles del
experimento son obtenidos de variables aleatorias continuas, es decir, de variables
cuantitativas que pueden tomar cualquier valor, y que resultan principalmente del
proceso de medicin.

Ejemplos de variables aleatorias continuas son:

La estatura de un grupo de personas

El tiempo dedicado a estudiar
La temperatura en una ciudad

10. EXPERIMENTO ALEATORIO.

Son situaciones o ensayos que implican resultados inciertos. Por ejemplo, son
experimentos
aleatorios
lanzar
una
moneda
al
aire
o
un dado, porque el resultado, ya sea que salga guila o que caiga hacia arriba la
cara del dado que tiene 5 puntos, es un resultado aleatorio. Analizar productos
que salen de una lnea de produccin para revisar si estn defectuosos o no es
tambin un experimento aleatorio porque el resultado tambin lo es. Es importante
observar
que
se
considera
que
una
situacin es un experimento aleatorio porque se desea analizar el caso desde el

punto de vista probabilstico, y no porque se organice la situacin con el propsito

especfico
de
que
sea
aleatoria,
aunque
en ocasiones s es intencional.
Ejemplo.
Lanzar una moneda
Lanzar un dado
11. ESPACIO MUESTRAL.
Se define como el conjunto de todos los resultados posibles
de un experimento aleatorio: el espacio muestral del experimento aleatorio del
lanzamiento de una moneda son los eventos sol y guila.
EJEMPLOS:
El
espacio
muestral
del experimento aleatorio de lanzar un dado es el conjunto {1, 2, 3, 4, 5, 6,},
que
son los nmeros de puntos que tienen las 6 caras de un dado.
El
espacio
muestral
del
experimento
aleatorio que consiste en observar el comportamiento de los precios de las
acciones
que
se
cotizan
en la Bolsa Mexicana de Valores podra ser {sube, baja, permanece igual}
Tambin
podra
ser
un
conjunto con un enorme nmero de elementos que seran los valores
posibles
que
podra
asumir
la
accin que se analiza.
12. EVENTOS.
Son los resultados posibles del experimento aleatorio. Sol o guila son
los posibles resultados del experimento aleatorio que consiste en lanzar una
moneda. Que el precio suba o baje, o que permanezca igual, son los resultados
posibles, es decir, los eventos posibles, del experimento aleatorio que consiste en
observar el comportamiento del precio de alguna accin en el mercado de valores.
UN EVENTO SIMPLE: Se especifica de acuerdo con una sola caracterstica;

Por ejemplo, los eventos simples del lanzamiento de un dado son los nmeros 1,
2, 3, 4, 5 y 6.
Si yo tengo una canasta llena de peras y manzanas, de las cuales hay 20 peras y
10 manzanas. Qu fruta es ms probable que saque al azar de la canasta?
Para este ejemplo tenemos que 30 es el total de frutas en la canasta; es decir los
casos posibles. Para calcular la probabilidad de sacar una manzana mis casos
favorables son 10 puesto que existen slo 10 manzanas. As, aplicando la frmula
obtenemos que:
P (Manzana)=10/30=1/3= 33.3% probable
Calculando igual, la probabilidad de sacar pera es:
P (Pera)=20/30=2/3= 66.7% probable

EVENTO
COMPUESTO:
est
formado
por 2 o ms eventos simples. Mientras que un evento compuesto en el
experimento
aleatorio de lanzar un dado podra ser la ocurrencia de un nmero impar, ya que
incluira a los eventos simples 1, 2 y 3.

13. INDEPENDENCIA ESTADSTICA.

Es la probabilidad condicional de la ocurrencia de un evento si la probabilidad de

la de otro no tiene efectos sobre la suya.
14. LA FRECUENCIA RELATIVA
Es, en otras palabras, la proporcin de casos en cada categora, por lo que se
podra decir que 70% de las cajas de focos no contienen focos
defectuosos o, abundando, que la proporcin de cajas que tena un foco
defectuoso
es
de
15%,
etctera.
Interpretando esta situacin como experimento aleatorio se dira por ejemplo que
si se escoge una caja al azar, la probabilidad de que no tenga focos defectuosos
es de 70%. As, se utilizara la frecuencia relativa como medida de la probabilidad.
Esta misma interpretacin de la frecuencia relativa es aplicable tablas de
contingencias o tablas de doble entrada con informacin cruzada.
15. LAS PERMUTACIONES
Son todos los subconjuntos de x elementos que se pueden formar de entre un
conjunto de n objetos y en donde una permutacin con los mismos
elementos que otra, pero en diferente orden, constituye una permutacin distinta.
EJEMPLO:
Cuntos nmeros de 5 cifras diferentes se puede formar con los dgitos: 1, 2, 3,
4, 5?
m=5 n=5
S entran todos los elementos. De 5 dgitos entran slo 3.
S importa el orden. Son nmeros distintos el 123, 231, 321.
No se repiten los elementos. El enunciado nos pide que las cifras sean diferentes.

16. MODA.
Es el valor que tiene la mayor frecuencia de un grupo de datos.

EJEMPLO:
2, 3, 3, 4, 4, 4, 5, 5 Mo = 4
17. METODOS NO PARAMTRICOS.
Mtodos estadsticos que requieren muy poco o ningn supuesto acerca de las
distribuciones de probabilidad de la poblacin, y acerca del nivel de medicin.
Esos mtodos se pueden aplicar cuando se dispone de datos nominales u
ordinales.
Ejemplo: Se tienen dos parcelas experimentales. En una de las parcelas se sac
completamente la maleza y en la otra se dej hasta 3 malezas por metro
cuadrado. Daar la presencia de maleza la produccin de maz?

18.

MUESTRA.

Porcin o subconjunto de la poblacin que se estudia.

19. MUESTRA ALEATORIA SIMPLE.

Muestra tomada de tal manera que cada muestra de tamao n tiene la misma
probabilidad de ser seleccionada.

20. MUESTREO CON REEMPLAZO.

Es un mtodo en el cual cada miembro de la poblacin elegida para la muestra se
regresa a la primera antes de elegir al siguiente miembro.
21. MUESTREO SIN REEMPLAZO.
Es un mtodo en el cual los miembros de la muestra no se regresan a la poblacin
antes de elegir a los miembros siguientes.
22. MUTUAMENTE EXCLUYENTES.
Dos eventos son mutuamente excluyentes si no pueden ocurrir al mismo tiempo.
Otra forma de decirlo es que dos eventos son mutuamente excluyentes si la
ocurrencia de uno impide la ocurrencia del otro.
23. PROBABILIDAD CONDICIONAL
Se utiliza la probabilidad condicional cuando la determinacin de cierta
probabilidad depende de circunstancias adicionales. Por ejemplo, si se
tienen 2 grupos de 10 personas cada uno y el grupo A tiene 4
hombres y 6 mujeres, en tanto que el grupo B tiene 8 hombres y 2 mujeres,
la probabilidad de elegir a una mujer depende del grupo que se elija; as, la
probabilidad de elegir a una mujer en el grupo A es de 0.60, pues son 6
mujeres en el grupo de 10; por otra parte, la probabilidad de elegir a una
mujer en el grupo B es de 0.20 porque en ste slo hay 2 mujeres.
En trminos de probabilidad condicional se dice que la probabilidad de
elegir a una mujer, dado que se elige en el grupo A, es de 0.60 y, en
smbolos:
P(M| A) = 0.60
La lnea vertical entre la M(mujer) y A (grupo A) se lee como dado que,
por lo que ese planteamiento se puede leer como la probabilidad de elegir
a una mujer, dado que se elige en el grupo A es de 60 por ciento.
De la misma manera, la probabilidad de elegir a una mujer, dado que se
elige en el grupo B es de 20% o
P(M| B) = 0.20
24. POSIBILIDADES: Las posibilidades comparan el nmero de resultados
favorables con el nmero de resultados desfavorables. Si todos los
resultados de un espacio muestral son igualmente probables, y un nmero
n de ellos son favorables al evento E, y los restantes m son desfavorables a

E, entonces las posibilidades a favor de E sonde de n (E) a m (E), y

las posibilidades en contra de E son de m(E) a n(E)
Ejemplos ilustrativos: Mathas se le prometi comprar 6 libros, tres de los cuales
son de Matemtica. Si tiene las mismas oportunidades de obtener cualquiera de
los 6 libros, determinar las posibilidades de que le compren uno de Matemtica.
Solucin:

Nmero de resultados favorables = n (E) = 3

Nmero de resultados desfavorables = m (E) = 3
Posibilidades a favor son n (E) a m (E), entonces,
Posibilidades a favor = 3 a 3, y simplificando 1 a 1.

Nota: A las posibilidades de 1 a 1 se les conoce como "igualdad de posibilidades"

o "posibilidades de 50-50"
25. PROBABILIDAD OBJETIVA
Aquella que se determina tomando como base algn criterio experimental
u objetivo ajeno al sujeto deci-sor, como el cociente entre el nmero de casos
favorables y nmero de casos posibles o el lmite de una frecuencia relativa.
Incluso en estos casos la determinacin de la probabilidad entraa un cierto grado
de subjetividad.
POR EJEMPLO, cuando al lanzar un dado se le atribuye a la cara seis 1/6
de probabilidad se est suponiendo implcitamente que el dado est
perfectamente construido.

26. PROBABILIDAD SUBJETIVA

Se basan en las creencias e ideas en que se realiza la evaluacin de las

probabilidades y se define como en aquella que un evento asigna el individuo
basndose en la evidencia disponible (el individuo asigna la probabilidad en base
a su experiencia). La probabilidad subjetiva puede tener forma de frecuencia
relativa de ocurrencia anterior o simplemente puede consistir en una conjetura
inteligente
N.

Para clarificar lo antes dicho un ejemplo muy comn es el pronstico del tiempo,
muchos individuos como nosotros realizamos una prediccin personal de como
sern las condiciones climticas para el da, basadas ms en nuestra experiencia
personal pero que muchas veces sustentamos en experiencia de eventos
pasados.

27. REGLA
DE
BAYES
Esta regla fue planteada formalmente por Pierre Simn de Laplace
(matemtico, astrnomo y fsico francs, 1749-1827) con base en trabajos
previos del reverendo Thomas Bayes; se basa en la probabilidad
condicional y su origen podra remontarse a reflexiones sobre la
probabilidad de que Dios exista, dados los fenmenos que podemos
observar o, en smbolos, P(D| F) aunque, por otro lado, si damos por
sentada la existencia de Dios como muchos lo hacen, la reflexin sera en
el sentido de la probabilidad de que se den los fenmenos que observamos,
dada
la
existencia
de
Dios,
o
P(F|
D).
As, la regla de Bayes trata de problemas en los que se desea encontrar la
probabilidad de un suceso B, dado otro A, P (B| A), cuando los datos de los
que se dispone son las probabilidades condicionales inversas, es decir, la
probabilidad del suceso A, dado el suceso B, P(A| B).
Para ver cmo se obtiene esta regla, se puede comenzar observando que
la regla de la multiplicacin de probabilidades se puede plantear de 2
maneras,
considerando
que
P(A
y
B)
=
P(B
y
A):
P(A y B) = P(A| B) P(B) y P(A y B) = P(B y A) = P(B| A) P(A)
Si se igualan las 2 ecuaciones anteriores, eliminando P(A y B), se tiene:
P(A|
B)P(B)
=
P(B|
A)
P(A)
Si
ahora
se
despeja,
se
tiene:
P
A
B
P
B
A
P
A
P
B
(
)
=
(
)

(
)
.(
)
que es otra manera de interpretar la probabilidad condicional. Tambin se
tiene que:
P (B) = P(B| A1) P(A1) + P(B| A2) P(A2) + + P(B| An) P(An)
Lo cual, bsicamente, indica que la probabilidad del evento B es la suma de las
probabilidades condicionales. Sustituyendo esta ltima expresin en la primera,

se tiene la resta de Bayes:

PABPBAPA
PB
PBAPA
PBAPA
i
iiii
ii
()=()=()
()
()
()
()
( ))
i
n=1
28. SUCESO ALEATORIO
Suceso aleatorio es cualquier subconjunto del espacio muestral.
Ejemplo:
Tirar un dado un suceso sera que saliera par, otro, obtener mltiplo de 3, y otro,
sacar 5.

29. VARIABLE ALEATORIA DISCRETA (X). Se le denomina variable porque

puede tomar diferentes valores, aleatoria, porque el valor tomado es
totalmente al azar y discreta porque solo puede tomar valores enteros y un
nmero finito de ellos.
Ejemplos:
Variable que nos define el nmero de burbujas por envase de vidrio
que son generadas en un proceso dado. 0, 1, 2, 3, 4, 5, etc...
Burbujas por envase
Variable que nos define el nmero de productos defectuosos en un
lote de 25 productos. 0, 1, 2, 3,....,25 productos defectuosos en el
lote

Variable que nos define el nmero de alumnos aprobados en la materia de

probabilidad en un grupo de 40 alumnos. 0, 1, 2, 3, 4, 5,....,40 alumnos aprobados
en probabilidad
Con los ejemplos anteriores nos damos cuenta claramente que los valores de la
variable x siempre sern enteros, nunca fraccionarios.
30. VARIABLE ALEATORIA CONTINUA (X). Se le denomina variable porque
puede tomar diferentes valores, aleatoria, porque los valores que toma son
totalmente al azar y continua porque puede tomar tanto valores enteros
como fraccionarios y un nmero infinito de ellos.
Ejemplos:

Variable que nos define el dimetro de un engrane en pulgadas - 5.0, 4.99,

4.98, 5.0, 5.01, 5.0, 4.96

Variable que nos define la longitud de un cable o circuito utilizado en un

arns de auto - 20.5 cm, 20.1, 20.0, 19.8, 20,6, 20.0, 20.0

Variable que nos define la concentracin en gramos de plata de algunas

muestras de mineral. - 14.8gramos, 12.0, 10.0, 42.3, 15.0, 18.4, 19.0, 21.0,
20.8
Como se observa en los ejemplos anteriores, una variable continua puede tomar
cualquier valor, entero o fraccionario, una forma de distinguir cuando se trata de
una variable continua es que esta variable nos permite medirla o evaluarla,
mientras que una variable discreta no es medible, es una variable de tipo atributo,
cuando se inspecciona un producto este puede ser defectuoso o no, blanco o
negro, cumple con las especificaciones o no cumple, etc, etc.
ACTIVIDADES A DESARROLLAR DE LA UNIDAD I
PARTE A. TEORIA DE LAS PROBABILIDADES

PRIMERO: Determinar:
a) La Probabilidad de que al lanzar un dado dos veces aparezca en ambos
lanzamientos el nmero 6.
= (1, 2, 3, 4, 5, 6)

P (A n B) = P (A) * P (B/A)
P (A) = NA = 1
N 6
La probabilidad de que al lanzar el dado dos veces aparezca el numero 6 es de
1
6
b) Si la Probabilidad de ser moreno es de 0,3 y la de llevar gafas es de 0,2.
Calcular la Probabilidad de que una persona cualquiera sea morena y lleve gafas
(se asume que son independientes)
Moreno: 0,3
Gafas: 0,2
P (M) = 0,30

P (G) = 0,20

P (M n G) = P (M) * P (G/M)
= (0,30) * (0,20)
= 0,06 = La probabilidad de que exista una persona morena y que use gafas es del
6%
c) En una caja hay 3 balotas blancas y 2 negras. Calcular la Probabilidad de que
sacando dos balotas sucesivamente y sin restitucin, estas sean
negras.

N= 5
n= 2
Pi = Ni
N
P (Ne) =

(25 14)

= 2 = 1 = 0,10 = 10%
20

10

La probabilidad que este suceso suceda es del 10%.

d) La Probabilidad de que al sacar una carta de una baraja espaola de 40 cartas
esta sea un oro o una copa.

N= 40
P (O U C) = 10 + 10 = 20 = 2 = 1 = 0,50 = 50%
40

40

40

La probabilidad que ocurra este evento es del 50%

SEGUNDO: Se lanza una moneda equilibrada tres veces. Construya el espacio

muestral de todos sus posibles resultados y determine la probabilidad de que
acurran los eventos:

N= 8
A: Que aparezcan exactamente 3 caras
(C C C)
P (A) = 1 = 0,125 = 12. 5%
8
B: Que aparezcan mnimo 2 sellos
CSS
SCS
SSC
SSS

P (B) = NB = 4 = 1 = 0,50 = 50%

N
8 2

TERCERO: Se lanza un dado no cargado, determine la probabilidad de:

= (1, 2, 3, 4, 5, 6)

A: Que el resultado sea nmero impar

(1, 3, 5)
P (A) = NA = 3 = 1 = 0,50 = 50%
N
6 2
B: Que el resultado sea un nmero mayor de 2 y menor que 5
Mayor de 2 (3, 4, 5, 6)
Menor de 5 (1, 2, 3, 4)
P (i) = 2 = 1 = 0,333 = 33%
6 3
CUARTO: Se sabe que la presencia de determinados sntomas se presenta en el
60% de los pacientes con la enfermedad A1, en el 30% de los pacientes con la
enfermedad A2 y en el 10% de los pacientes con la enfermedad A3.
Adems se conoce que el examen de laboratorio (E) sale positivo en el 30% de
los casos de A1, en el 70% de los casos de A2 y en el 70% de los casos de A3. Si
un paciente tiene esos sntomas y el examen sale positivo, Determine cul es la
probabilidad de que tenga la enfermedad A1,o la enfermedad A2 o la enfermedad
A3; indique que enfermedad es ms probable que tenga.

P (A1 / Ex) =?
P (A2 / Ex) =?
P (A3 / Ex) =?
P (A1 n Wx) =
P (Ex)

0,18________
0,18 + 0,21 + 0,07

P (Ex) = P (A1 n E) + P (A2 n E) + P (A3 n E)

(0,60) (0,30) + (0,30) (0,70) + (0,10) (0,70)
(0,18) + (0,21) + (0,07) = 0.46
P (A1 / Ex) =

0,18________ = 0,3913 = 39,13%

0,18 + 0,21 + 0,07

P (A2 / Ex) = 0,21 = 0,4565 = 45,65%

0,46
P (A3 / Ex) = 0,09 = 0,1522 = 15,22%
0,46

PARTE B. ESTADISTICA
PRIMERO: La resistencia al rompimiento de dos muestras de botellas es la
siguiente:
Muestra 1:

230 250

245

258

265

240

Muestra 2:

190 228

305

240

265

260

Calcule e interprete los coeficientes de variacin respectivos y enuncie

conclusiones.
N.
Xi
1
230
2
250 Muestra 1
3
245
4
258
(230-248)+(250-248)+(245-248)+(258-248)+(2655
265
248)+(240-248)
6
240
6-1
1488
14 =2
324 + 4 + 9 + 100 +
88
48
289 + 64
6
5

S = 158
S=

158

S = 12,57
C
V

12,57
248

CV =

Muestra 2

148
8
6

*100

N
.
1
2
3
4
5
6

5,07%
Xi
190
228
305
240
265
260
148
8

X = 248

S (190-248)+(228-248)+(305-248)+(258-248)+(265= 248)+(260-248)
6-1
S

3364+400+3249+100
+289+144
5

S
= 1503

S=

1503

S = 38,77
38,77
248

*100

CV

CV = 15,63%
Podemos concluir que existe entre una gran variacin entra la primera
muestra 5,07% y la segunda 15,63%, es decir, en la muestra dos existi ms
resistencia en las botellas para el rompimiento.

SEGUNDO: Se desea hacer un estudio estadstico de la temperatura del agua

empleada en pruebas de laboratorio; para esto es necesario tomar una muestra y
calcular la media, mediana, desviacin estndar, rango, coeficiente de variacin,
percentil 75, cuartil 2 y decil 3 . Se realizan 14 observaciones arrojando los

siguientes resultados en C: 2.11, 3.8, 4.0, 4.0, 3.1, 2.9, 2.5, 3.6, 2.0,
2.8, 2.6, 2.9, 3.0.
a- Efectuar los anlisis respectivos y enuncie conclusiones
b- Elaborar e interpretar el diagrama de caja respectivo.
Respuesta:
N
.
1
2
3
4
5
6
7
8
9
1
0
1
1
1
2
1
3
1
4

2,1
1
3,8
4,0
4,0
3,1
2,9
2,5
3,6
2,0
2,4
2,8
2,6
2,9
3,0
41,
7

41,71
14

= 2,979= 2,98

MUESTRA

2.4,

MEDIA

= 2,98
MEDIANA
N
.
1
2
3
4
5
6
7
8
9
1
0
1
1
1
2
1
3
1
4

C
2,0
2,1
1
2,4
2,5
2,6
2,8
2,9
2,9
3,0
3,1
3,6
3,8
4,0
4,0
41,
7

Me = X (

14
14
2 )+X( 2
2

Me = X7 + X8
2

+ 1)

Me = 2,9 + 2,9
2

Me = 2,9 C
RANGO
R = 4,0 2.0
R = 2,0
DESVIACION ESTANDAR
S = (2,0 2,9) + (2,11 2,9) + (2,4 2,9) + (2,5 2,9) + (2,6 2,9) + (2,8
2,9) + (2,9 2,9) + (2,9 2,9) + (3,0 2,9) + (3,1 2,9) + (3,6 2,9) + (3,8
2,9) + (4,0 2,9) + (4,0 2,9)
14 - 1
S = 5,71
13
S = 5,71/13
S = 0,18
COEFICIENTE DE VARIACION
CV = 0,18
2,9
CV = 6,21 %
CUARTIL
Qi = 2 ( 14 )
4
Qi = 7

Qi = 2,9

DECIL
I = 3 (14 )
10
I = 4,2
I = 2,5

Con esto podemos concluir que el 30% de las temperaturas son

menores a 2,5 , mientras que el 70% de estas son mayores al 2,5 .

PERCENTIL
Pi = 75 (14 )
100
Pi = 10,5 11
Pi = 3,6 El 75% de las temperaturas son menores o iguales a 3,6 , el
complemento es 25%, es decir, mayores a dicho valor.

DIAGRAMA DE CAJA

2,0 Xmin

Q 2,8 Q 2,9

Q 3,5

4,0 Xmax

TERCERO: Identifique una variable estudio cualitativa y otra cuantitativa de su

rea de inters y para mnimo 50 observaciones construir el histograma, el
diagrama pastel; obtenga e interprete las medidas de resumen respectivas para
datos agrupados; enuncie conclusiones en los trminos tcnicos del problema
formulado.

Este punto se encuentra en la hoja de Excel de la base de datos.