Control de Actividades

Probabilidad y estadística
INSTITUTO TECNOLÓGICO SUPERIRO DE ARANDAS

PROBABILIDAD Y ESTADÍSTICA
IEME JUAN CARLOS MARTÍNEZ REYNA

Instituto Tecnológico superior de Arandas | Probabilidad y estadística
Tabla de contenido
Caracterización de la asignatura ......................................................................................................... 3

Objetivo general del curso .................................................................................................................. 3
Unidad I Estadística descriptiva .......................................................................................................... 4
Competencia específica a desarrollar ............................................................................................. 4
Población y muestra ........................................................................................................................ 4
Muestreo: .................................................................................................................................... 4
Inferencia: ................................................................................................................................... 4
Tipos de muestreo........................................................................................................................... 4
Muestreo aleatorio simple .......................................................................................................... 4
Muestreo estratificado ................................................................................................................ 4
Muestreo sistemático.................................................................................................................. 5
Muestreo aleatorio por conglomerados ..................................................................................... 5
Actividad 1: Ejemplo de muestreo .................................................................................................. 6
Obtención de datos estadísticos ..................................................................................................... 9
¿Qué es la recolección de datos? ................................................................................................ 9
Actividad 2: Mapa conceptual de las medidas de tendencia central y de dispersión. ................. 10
Actividad 3: Tipos de gráficas ........................................................................................................ 11
Parte 1 ....................................................................................................................................... 11
Parte 2: ...................................................................................................................................... 12
Ejercicios de medidas de tendencia central .................................................................................. 18
Ejercicio 1: ................................................................................................................................. 18
Ejercicio 2: ................................................................................................................................. 18
Medidas de tendencia central y de dispersión ............................................................................. 19
Parte 1: ...................................................................................................................................... 19
Parte 2: ...................................................................................................................................... 20
Actividad 4 – Aplicación de medidas de tendencia central y dispersión .................................. 21
Unidad II - Probabilidad de eventos .................................................................................................. 22
Tipos de probabilidades de eventos ............................................................................................. 22
Esquema de permutación y combinación ..................................................................................... 23
Ejercicios de permutación y combinación..................................................................................... 24
Probabilidad de eventos. .............................................................................................................. 26
1|Página
Diagrama de árbol ......................................................................................................................... 27

¿Qué es diagrama de árbol? ..................................................................................................... 27
Estructura del diagrama de árbol .............................................................................................. 28
Ejemplos de diagramas de árbol ............................................................................................... 29
Ejemplo 1:.................................................................................................................................. 29
Ejemplo 2................................................................................................................................... 29
Ejemplo 3................................................................................................................................... 30
Ejemplo 4................................................................................................................................... 30
Ejemplo 5................................................................................................................................... 31
Conclusión general del curso ............................................................................................................ 48
2|Página
Caracterización de la asignatura
La asignatura aporta al perfil del ingeniero las competencias necesarias para interpretar datos que
permita mejorar los procesos de fabricación, investigación y diseño. Demás obtendrá la habilidad
para plantear y solucionar problemas por medio de métodos estadísticos.
La asignatura se encuentra ubicada al principio de la carrera y es importante para materias como

formulación y evaluación de proyectos y administración y técnicas de mantenimiento. Además de
que enseñan como de manera lógica. En la manera de decisiones en presencia de incertidumbre y
variación.
Objetivo general del curso
Conocer y aplicar los conceptos de probabilidad y estadística como una herramienta en la solución
de problemas de ingeniería e investigación. Organizar y clasificar datos con el fin de formular
criterios para la interpretación de resultados. Analizar e interpretar datos para implementar
sistemas de control e información estadística en la ingeniería y mantenimiento.
3|Página
Unidad I Estadística descriptiva
Competencia específica a desarrollar
Conocer y comprender conceptos básicos de la estadística y para el análisis, organización y

presentación de datos.
Población y muestra
Población: Es el conjunto de cosas, personas, animales o situaciones que tienen una o varias
características o atributos en comunes.
Muestreo: En ocasiones que no es posible o conveniente realizar un censo (analizar a todos los
elementos de una población) se selecciona una muestra, entendido por tal una parte representativa
de la población.
El muestreo por la tanta es una herramienta de la investigación científica y la función básica es

determinar que parte de una población debe examinarse con la finalidad de hacer inferencias sobre
dicha población.
1.) Los errores más comunes en el muestreo son hacer conclusiones muy generales a partir de
la observación de solo una parte de la población y se denomina error de muestreo.
2.) Hacer conclusiones hacia una población mucho más grande de la que originalmente se tomó
la muestra. Error de inferencia.
Inferencia: Extraer un juicio o conclusión a partir de hechos o principios sean generales o

particulares.
Tipos de muestreo
Muestreo aleatorio simple
Muestreo en el que todas las muestras tienen la misma probabilidad de ser seleccionados y en
el que las unidades obtenidas a lo largo del muestreo se devuelven a la población.
Muestreo estratificado
Técnica de muestreo basada en el criterio que la selección debe contemplar los estratos que se
deben estudiar.
4|Página
Muestreo sistemático
Muestreo en que los N elementos de la muestra se seleccionan tomando aleatoriamente un

número que se designara en una lista o población de N elementos al primero que va a formar
parte de la muestra.
Muestreo aleatorio por conglomerados
Las unidades muéstrales no son elementos individuales de la población si no grupos de

elementos, se selecciona aleatoriamente una colección de conglomerados, se selecciona
entonces los elementos individuales de todos los conglomerados elegidos y se muestran.
5|Página
Actividad 1: Ejemplo de muestreo
Instrucciones: Elaborar un ejemplo de muestreo dentro de la ingeniería electromecánica.

Objetivo: Que el alumno aprenda distintos tipos de muestreo y utilizaciones dentro de la industria
para el ingeniero electromecánico.
Parte 1: Elaborar ejemplos de los tipos de muestreo ya realizados.
Ejemplo de muestreo aleatorio simple:
Un colegio tiene 120 alumnos se requiere extraer una muestra de 30 alumnos, mediante el
muestreo aleatorio simple, se numeran los alumnos del 1 al 120, se sortean 30 números de entre 1
a 120 y finalmente se obtiene el dato de esos 30 alumnos aleatorios.
Ejemplo de muestreo estratificado:
Para un estudio de opinión puede resultar interesante estudiar por separado las opiniones de
hombres y mujeres pues se estima que, dentro de cada uno de estos grupos puede haber cierta
homogeneidad así, si la población está compuesta de un 55% mujeres y 45% hombres se tomaría
una muestra que contenga también esa misma proporción.
Ejemplo de muestreo sistemático:
Se tiene 50 cabezas de ganado, se numeran y se pesan los números 8, 14, 20, 26, 32, 38, 44, 50 para
ver el promedio de kg por animal.
Muestreo aleatorio por conglomerados:
El investigador divide a toda la población en grupos diferentes o conglomerados, después selecciona

una serie de conglomerados en función de su investigación a través de un muestreo aleatorio simple
o sistemático, luego de los conglomerados seleccionamos al azar puede incluir a todos los sujetos
para realizar su investigación.
6|Página
Parte 2: Realizar un ejemplo de cualquier tipo de muestreo aplicado a la ingeniería electromecánica,

debe contener título, objetivo, contexto, muestreo, aplicación de muestreo, conclusión general.
Gestión de electricidad a una colonia

Objetivo: conocer el consumo eléctrico promedio bimestral de una colonia de 600 viviendas para
aplicarlo a cualquier ciudad partiendo del número de colonias. Para hacer más eficiente y maximizar
la generación de energía en subestaciones.
Contexto: las subestaciones distribuyen energía eléctrica de acuerdo a la demanda actúa, conocer
el promedio de consumo ayudará a mantener las subestaciones con energía suficiente para
abastecer determinada área
Muestreo: debido a la situación se aplicara un tipo de muestreo conglomerado aleatorio simple, ya

que todas las viviendas de la comunidad están bajo los mismos factores socioeconómicos.
Aplicación del muestreo:
El muestreo se realizara en la colonia con las siguientes características:
 1.5% De fábricas = 9 fábricas

 2% de negocios = 2 negocios
 80% de casas de un piso = 480 casas “simples”
 10.5% de dos pisos o más = 63 casas “dobles”
Se hizo después el muestreo aleatorio a cada conglomerado de los anteriores, se le hizo de la

siguiente manera.
3 fábricas = 800 kW/h*
4 negocios = 600 kW/h*
160 casas simples = 16000 kW/h*
21 casas dobles = 2100 kW/h*
Teniendo así la información podemos sacar los promedios y hacer una suma aproximada
 Fabricas – 2400 kW/h*

 Negocios – 1800 kW/h*
 Simples – 48000 kW/h*
 Dobles – 6300 kW/h*
 Total de consumo en una colonia (población – 600 establecimientos)= 74,700 kW/h*
7|Página
Conclusión general:
A través del estudio realizado por medio del muestreo aleatorio por conglomerados podríamos
obtener datos precisos acerca del consumo promedio de las viviendas e industrias de una colonia
en específico perteneciente a una comunidad cualquiera, gracias a la información recabada
podríamos conocer que subestaciones administran mucho más energía de lo que necesita el área a
la que pertenece, y cual subestación administra menos energía de lo requerido, con ello se aplicaran
mejoras y configuraciones en las subestaciones para ahorrar energía y hacer más eficiente su
gestión. Gracias al muestreo de ser aplicada la investigación ahorraríamos tiempo y reduciríamos
costos, además de obtener datos confiables y con resultados casi idénticos si el estudio se hiciera a
la totalidad de las viviendas, empresas, micro negocios e industrias.
8|Página
Obtención de datos estadísticos
¿Qué es la recolección de datos?
Son el uso de técnicas y herramientas que pueden ser utilizadas para realizar sistemas de
información, los cuales pueden ser
 Encuestas (se aplica a toda la población)

 Censos (se puede aplicar en distintos formatos a un sector poblacional de interés)
 Cuestionarios (conjunto de preguntas abiertas o cerradas)
 Entrevistas (es persona a persona y verbal)
 Observación (análisis de un objeto de estudio para la obtención de datos de interés)
 Diagrama de flujo (representación gráfica de suceso que enumera los sucesos de un
proceso)
9|Página
Actividad 2: Mapa conceptual de las medidas de tendencia central y de dispersión.
Propósito: que el alumno comprenda algunas de las medidas de tendencia, para que pueda conocer
en que consiste y poder aplicarlas en su entorno profesional
10 | P á g i n a
Actividad 3: Tipos de gráficas
Propósito: Que el alumno identifique los diferentes tipos de gráficas y sus aplicaciones. Con la
finalidad que aprendan a presentar los datos y analizar gráficos para llegar a conclusiones
estadísticas.
Parte 1: investiga los diferentes tipos de gráficas y sus aplicaciones. Realiza un esquema de llaves y
al finaliza agregar la bibliografía
Bibliografía:
http://www.ine.es/explica/
docs/pasos_tipos_graficos.p
df
11 | P á g i n a
Parte 2: Ejemplos de graficas aplicadas a la ingeniería electromecánica.
Ejemplo 1: Industria automotriz en México

Objetivo:
Esta grafica de barras es creada con el motivo de presentar de manera gráfica los datos arrojados
por una investigación realizada en el área automotriz con el objetivo de saber el incremento de
unidades vendidas a nivel internacional por México en un periodo de tiempo que va del 2009 al
2015 y de esta forma pronosticar las ventas de vehículos ligeros para los años venideros.
Datos:
Ventas de vehículos ligeros a nivel internacional

2009 1,110
2010 1,191
2011 1,259
2012 1,416
2013 1,560
2014 1,729
2015 1,908
Grafica:
12 | P á g i n a
Conclusión estadística
En la gráfica anterior se puede observar de manera notoria un incremento en las unidades de

vehículos ligeros vendidos de año con año, con un incremento de 798 unidades en solamente 6
años. Debido al incremento constante se pronostica que en el año 2016 las ventas serán mayores
que en el año 2015.
http://www.automotivemeetings.com/mexico/index.php/
es/industria-automotriz-en-mexico
Ejemplo 2: “Consumo de energía eléctrica en una población”

Objetivo y datos
El muestreo se realizara en la colonia con las siguientes características:
 1.5% De fábricas = 9 fábricas

 2% de negocios = 2 negocios
 80% de casas de un piso = 480 casas “simples”
 10.5% de dos pisos o más = 63 casas “dobles”
Se hizo después el muestreo aleatorio a cada conglomerado de los anteriores, se le hizo de la

siguiente manera.
 3 fábricas = 800 kW/h*

 4 negocios = 600 kW/h*
 160 casas simples = 16000 kW/h*
 21 casas dobles = 2100 kW/h*
Suposiciones
Teniendo así la información podemos sacar los promedios y hacer una suma aproximada
 Fabricas – 2400 kW/h*

 Negocios – 1800 kW/h*
 Simples – 48000 kW/h*
 Dobles – 6300 kW/h*
Total de consumo en una colonia (población – 600 establecimientos)= 74,700 kW/h*
13 | P á g i n a
Grafica
Conclusión
En la gráfica anterior podemos ver el rendimiento de dos máquinas diferentes haciendo la misma
tarea durante el mismo lapso de tiempo y viendo los resultados de la gráfica podemos ver cuál de
las dos es más eficiente.
Ejemplo 3: Industria automotriz en México

Objetivo:
Este pictograma es elaborado con la finalidad de presentar de manera visual la cantidad de

herramientas de corte producidas en determinada empresa a diferentes horas del día para así saber
estadísticamente cuantas herramientas de corte se generan en un día promedio, y así saber si se
debe aumentar o disminuir la producción para cubrir satisfactoriamente la demanda.
Datos:
Herramientas generadas en X empresa por horario

Horario Piezas elaboradas
7:00 am – 10:00 pm 300
10:00 am – 12:00 pm 400
12:00 pm – 2:00 pm 700
2:00 pm – 4:00 pm 1,200
4:00 pm – 6:00 pm 1,000
6:00 pm – 8:00 pm 600
14 | P á g i n a
Grafica:
En la gráfica que se acaba de representar se puede ver el cambio en la cantidad de piezas de corte
realizadas a determinadas horas del día, el pictograma representa gráficamente la situación y es una
forma de más amena de hacer la representación de datos, y tiene la misma función e importancia
que cualquier otra representación gráfica, de esta manera ya tenemos un balance de los productos
realizados en un día para poder hacer uso de esos datos para beneficio común.
15 | P á g i n a
Ejemplo 3: Conteo de producción en una empresa

Objetivo:
Un histograma es una representación gráfica de una variable en forma de barras. Se utilizan para
variables continuas o para variables discretas, con un gran número de datos, y que se han agrupado
en clases.
Datos:
Herramientas generadas en X empresa por horario

Edad Pesos
10 <20
20 30-35
30 35-40
40 40-45
50 45-55
60 55-65
70 65-75
80 75-90
90 >90
Grafica:
Histograma
100
90
80
70
60
50
40
30
20
10
0
<20 30-35 35-40 40-45 45-55 55-65 65-75 75-90 >90
Mujeres Hombres Columna1
16 | P á g i n a
En la gráfica que se acaba de representar se puede ver el peso de las personas según su edad, el
histograma representa gráficamente la situación y es una forma de más amena de hacer la
representación de datos, y tiene la misma función e importancia que cualquier otra representación
gráfica, de esta manera ya tenemos un balance de los productos realizados en un día para poder
hacer uso de esos datos para beneficio común.
17 | P á g i n a
Ejercicios de medidas de tendencia central
Ejercicio 1:
Instrucciones: determina moda, varianza, media, mediana, desviación estándar, de los siguientes
datos.
10, 11, 11, 12, 12, 13, 13, 13, 14, 15, 16, 17, 18, 20
Formula de la varianza
Mediana = 13
𝑆 2 = ∑(𝑥, 𝑥̅ )
Moda = 13 𝑁−1
Media = 13.76
(−3.76)2 + (−2.76)2 + (−2.76)2 + (−1.76)2 + (−1.76)2 + (0.76)2 + (0.76)2 + (0.76)2

+(0.24)2 + (1.24)2 + (3.24)2 + (4.24)2 + (5.24)2
𝑆2 =
13
𝑺𝟐 = 8.8590
𝑺 = 2.9796
Ejercicio 2:
Instrucciones: determina moda, varianza, media, mediana, desviación estándar, de los siguientes
datos.
21.4, 21.6, 21.7, 22.9, 23.8, 24.2, 24.33, 24.7, 25.1, 25.3, 25.4
𝑀𝑒𝑑𝑖𝑎𝑛𝑎 = 24
𝑀𝑜𝑑𝑎 = 23.8
𝑀𝑒𝑑𝑖𝑎 = 23.68
(27.8784) + (−25.8064) + (−24.8004) + (−14.2884) + (8.2944) + (8.2944)

+(−6.1504) + (−5.6644) + (−3.9204) + (−2.4964) + (−1.9044) + (−1.6384)
𝑆2 =
11
𝑆 2 = 2.12
𝑆 = 1.45
18 | P á g i n a
Medidas de tendencia central y de dispersión
Propósito: Que el alumno identifique las aplicaciones de las medidas de tendencia central y de
dispersión dentro de la industria, de tal forma que aprenda a solucionar problemas y obtener
conclusiones.
Parte 1: De forma individual resuelve los siguientes ejercicios
En una empresa donde deshidratan frutas para formular suplementos alimenticios, se realiza
muestreo de la presión de la hidrolavadora para verificar la eficiencia del equipo durante un turno
de forma sistemática obteniendo los siguientes datos.
4000, 4700, 4700, 4700, 4700, 4900, 5250, 5300, 5370, 5700, 5800, 6250, 6300, 6400, 6500
𝑀𝑜𝑑𝑎 = 4700
𝑀𝑒𝑑𝑖𝑎 = 5371.3
(−1371.3)2 + ((−671.3)2 )(4) + (−471.3)2 + (−121.3)2 + (−71.3)2 + (−1.3)2

+(328.7)2 + (428.7)2 + (878.7)2 + (928.7)2 + (1028.7)2 + (1128.7)2
𝑆2 =
14
𝑆 2 = 258,4540.9536
𝑆 = 764.552
19 | P á g i n a
Propósito: Que el alumno identifique las aplicaciones de las medidas de tendencia central y de
dispersión dentro de la industria, de tal forma que aprenda a solucionar problemas y obtener
conclusiones.
Parte 2: De forma individual resuelve los siguientes ejercicios
En una empresa donde deshidratan frutas para formular suplementos alimenticios, se realiza
muestreo de la temperatura de la hidrolavadora para verificar la eficiencia del equipo durante un
turno de forma sistemática obteniendo los siguientes datos.
22, 42, 42, 43, 43, 45, 45, 45, 45, 45, 46, 47, 47, 51, 78
𝑀𝑜𝑑𝑎 = 45
𝑀𝑒𝑑𝑖𝑎 = 45.73
(−23.73)2 + (−3.73)2 (2) + (−2.73)2 (2) + (−0.73)2 (5) + (0.27)2 (2) + (5.27)2
+(32.27)2
𝑆2 =
14
𝑆 2 = 119.739
𝑆 = 10.94
20 | P á g i n a
Actividad 4 – Aplicación de medidas de tendencia central y dispersión
Instrucciones: Investiga valores o datos con relación a un problema dentro de la industria que
interfiera con el perfil del ingeniero en electromecánica, propón un ejercicio donde sea necesario
las medidas de tendencia central y de dispersión.
Ejemplo:
En un hogar se cuenta con un generador de energía eléctrica a base del viento, para mantener el
suministro voltaico estable en la casa se deben realizar las mediciones para no sobrecargar los
aparatos y ocasionar un corto o para no quedarnos sin energía en la casa, tras un día de muestreo
simple a diferente hora del día se realizaron las siguientes lecturas.
Muestras recolectadas.
150v, 80v, 130v, 160v, 99v, 105v, 60v, 88v, 271v, 120v, 125v, 50v, 177v, 190v, 150v.
Datos ordenados.
50v, 60v, 80v, 88v, 99v, 105v, 120v, 125v, 130v, 150v, 150v, 160v, 177v, 190v, 271v.
Estadísticas obtenidas.
Media = 130.33
Mediana = 125
Moda = 150
Varianza = 3190.2381
Desviación estándar = 56.48
Solución.
Para regular esta situación se tendrá una batería en la cual almacenaremos la energía que sobre
pase a los 120v estándar en una casa, para que así cuando haya un déficit de ese voltaje poderlo
tomar y así tener un voltaje regular en todo momento.
21 | P á g i n a
Unidad II - Probabilidad de eventos
Tipos de probabilidades de eventos
1.) Es la probabilidad medida en numero de que ocurra una suceso entre otros posibles, la
𝑛𝑢𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑎𝑠𝑜𝑠 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠
probabilidad de que ocurra un evento se mide como 𝑛° 𝑑𝑒 𝑐𝑎𝑠𝑜𝑠 𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠
Ejemplo:
Un dado se lanza, los casos favorables es la parte que queremos obtener y el n° es todas
las opciones, la probabilidad de que caiga la cara 3 en un lanzamiento es de:
𝑛𝑢𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑎𝑠𝑜𝑠 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠 1

=
𝑛° 𝑑𝑒 𝑐𝑎𝑠𝑜𝑠 𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠 6
2.) Consiste en el conjunto de todos los posibles resultados individuales de un experimento

aleatorio
Ejemplo:
Al lanzar dos monedas pueden salir, cara – cara, cara – sol, sol – sol, sol – cara, todas estas
posibilidades consisten al espacio muestral, (similar al diagrama de árbol)
3.) Ocurrencia de eventos. Es que tan probable ocurra algo la ocurrencia se mide en 1 o 0, 1
es cuando algo es muy probable que pase y 0 cuando casi es nulo que suceda.
Ejemplo: al lanzar una moneda 0 es sello y 1 es águila, ya que es más probable que caiga
águila que sello.
22 | P á g i n a
Esquema de permutación y combinación
Propósito: Que el alumno identifique la diferencia entre permutación y combinación asi como su
uso y fórmulas de aplicación.
Son eventos de tipo multiplicativo,

donde el número de posibilidades
va disminuyendo y si importa el
orden una permutación es un arreglo
de un conjunto de objetos en un
orden definido. El número de
permutaciones diferentes de estos
Permutacion objetos es ; esto se vé fácilmente
si pensamos que para la primera
alternativa disponemos de los a
elementos del conjunto, cada uno de
los cuales puede complementarse
con los restantes como segunda
opción, y así hasta llegar a la última
elección, conformando el producto .
Analisis
Son eventos similares a las
permutaciones.
Pero el orden ya no importa y es
a
necesario
eliminar de las permutaciones
aquellas donde
Combinacion los elementos se repiten aunque
con distinto orden
Una combinación es una

selección de objetos
sin importar el orden en que se
escojan:
23 | P á g i n a
Ejercicios de permutación y combinación
Propósito: Que el alumno practique fórmulas de permutación y combinación a ejercicios de

aplicaciones reales por su mejor aprendizaje manejo y comprensión.
Cuantas maneras hay de asignar los primeros 3 lugares en un concurso de conocimiento si hay 20
participantes de distintas universidades.
𝑛! 20!
𝑛𝑃𝑟 = → 20𝑃3 = = 6,840
(𝑛 − 𝑟)! (20 − 3)!
En una clase de 50 alumnos es necesario formar un comité de 5 alumnos, cuantos comités distintos
se pueden formar.
𝑛! 50!
𝑛𝐶𝑟 = → 50𝐶5 = = 2,118,760
(((𝑛 − 𝑟)!)(𝑟!)) (((50 − 5)!)(5!))
Cuantas representaciones diferentes se pueden formar si se desea que conste de un presidente, un

secretario, un tesorero, primer vocal, segunda vocal, puede ser formado entre 23 miembros que
representan la producción de una empresa.
𝑛! 23!
𝑛𝑃𝑟 = → 23𝑃5 = = 4,037,880
(𝑛 − 𝑟)! (23 − 5)!
De cuantas formas se pueden realizar bebidas distintas si tenemos 2 ingredientes y la bebida consta
de 3 ingredientes cada una.
𝑛! 20!
𝑛𝐶𝑟 = → 20𝐶3 = = 1140
(((𝑛 − 𝑟)!)(𝑟!)) (((20 − 3)!)(3!))
Cuantas maneras diferentes hay de asignar posiciones de salida en la carrera de caballos si son 15
participantes.
15! = 1.3𝑥1012
Cuantas partes de 3 coordenada x, y, z serán posibles formar de los siguientes dígitos.
0, 1, 2, 3, 5, 7, 9
𝑛! 7!
𝑛𝑃𝑟 = → 7𝑃3 = = 210
(𝑛 − 𝑟)! (7 − 3)!
En una reunión de ingenieros asisten 20 participantes de las diferentes empresas para generar un
intercambio de experiencias con otros 5 ingenieros. Se pueden compartir información de cuantas
maneras posibles.
𝑛! 20!
𝑛𝐶𝑟 = → 20𝐶6 = = 38,760
(((𝑛 − 𝑟)!)(𝑟!)) (((20 − 6)!)(6!))
24 | P á g i n a
Cuantas maneras de asignar 5 posiciones de juego de basquetbol existen, si el equipo consta de 12

integrantes.
𝑛! 12!
𝑛𝐶𝑟 = → 12𝐶5 = = 792
(((𝑛 − 𝑟)!)(𝑟!)) (((12 − 5)!)(5!))
1) Posiciones de juego si solo una posición puede ser usada por Uriel esparza
𝑛! 11!
𝑛𝐶𝑟 = → 11𝐶4 = = 330
(((𝑛 − 𝑟)!)(𝑟!)) (((11 − 4)!)(4!))
2) Cuantas maneras hay de que se ocupen posiciones de juego si es necesario que jueguen
Uriel y Daniel.
𝑛! 10!
𝑛𝐶𝑟 = → 10𝐶3 = = 120
(((𝑛 − 𝑟)!)(𝑟!)) (((10 − 3)!)(3!))
25 | P á g i n a
Probabilidad de eventos.
Propósito: Que el alumno identifique probabilidad de las ocurrencia de un evento en diferentes

casos para su mejor comprensión y entendimiento.
1) Una bolsa contiene 4 canicas rojas, 3 azulé, 5 amarillas y 7 moradas si sacas una canica de
la bolsa ¿cuál es la probabilidad que sea?:
3
 Una canica azul: 19
7
 Una canica morada: 19
4
 Que la primera canica sea roja:
19
5
 Que la segunda canica sea amarilla: 18
2) ¿Cuál es la probabilidad de al lanzar un cubo enumerado el resultado sea 3,4?

2
𝑅=
6
3) ¿Cuál es la probabilidad que al lanzar 3 dados todos caigan en par?
9
𝑅=
18
4) ¿Cuál es la probabilidad de que se lance una piedra y que caiga en el primer cuadro de un
tablero de 8 cuadros?
1
𝑅=
8
5) De cada Enunciado de la probabilidad de que cada resultado anota en forma de fracción y
decimal.
a) ¿Escoge aleatoria mente a una persona vestida de rojo de un grupo de personas

que visten 5 de rojo, 4 de azul, y 7 de negro?
5
𝑅= = 0.312
16
b) ¿Se escoge una pelota de tenis verde, de una bolsa que contiene 4 pelotas
verdes, 7 amarillas, 5 azules?
4
𝑅= = 0.25
16
c) ¿Un mes escogido al azar que comienza con la letra A?
2
𝑅= = 0.16
12
26 | P á g i n a
Diagrama de árbol
¿Qué es diagrama de árbol?
Es una herramienta utilizada para determinar todos los posibles resultados de un experimento
aleatorio, es la representación gráfica de los posibles datos de un experimento.
Observaciones:
 Es tedioso para muchos datos si se realiza manualmente

 Permite identificar paso a paso cada combinación generada
 Es el principio básico para conocer combinación y permutación
 Puedes analizar cualquier área gráfica del producto.
Ejemplo:
Se cuentan con 2 personas que pueden obtener 2 salarios distintos, salario A, B, realiza las
combinaciones posibles.
27 | P á g i n a
Estructura del diagrama de árbol
28 | P á g i n a
Ejemplos de diagramas de árbol
Propósito: Que el alumno identifique el uso y aplicación del diagrama de árbol en cualquier ámbito,
su estructura y funcionamiento.
Ejemplo 1:
Ejemplo 2
29 | P á g i n a
Ejemplo 3
Ejemplo 4.
30 | P á g i n a
Ejemplo 5.
31 | P á g i n a
Funciones de distribución de probabilidades
Introducción
En el presente documento analizaremos las diferentes formas que presentan algunas de las
distribuciones presentes en probabilidad y estadística, recordando que una distribución es la
variable aleatoria que se asigna a cada suceso definido sobre la variable aleatoria de la probabilidad
de que dicho suceso ocurra.
Las distribuciones que analizaremos serán las siguientes
 Distribuciones de probabilidades discretas

 Distribuciones hipergeométrica
 Distribuciones de Poisson
 Distribuciones T
 Distribuciones chi-cuadrada
 Distribuciones F
 Distribución de probabilidad continua
Nos enfocaremos en su estructura, formula, su aplicación dentro del entorno aplicativo, en que
consiste y su lugar dentro de las demás estructuras, todo ello para comprender mejor estas
distribuciones y poder aplicarlas en nuestro beneficio cuando sean necesarias.
32 | P á g i n a
Distribuciones de probabilidad discretas

Una distribución de probabilidad indica toda la gama de valores que pueden representarse como
resultado de un experimento si éste se llevase a cabo.
Es decir, describe la probabilidad de que un evento se realice en el futuro, constituye una

herramienta fundamental para la prospectiva, puesto que se puede diseñar un escenario de
acontecimientos futuros considerando las tendencias actuales de diversos fenómenos naturales.
Toda distribución de probabilidad es generada por una variable aleatoria, cuando la variable
aleatoria es discreta. Significa que solo puede tomar valores enteros y un número finito de ellos.
Ventajas
A diferencia de los demás métodos la distribución de probabilidad discreta:
 Indica toda la gama de valores que pueden representarse como resultado de un posible
experimento.
 Describe la probabilidad de que un evento se realice en el futuro.
 Es una herramienta fundamental para la prospectiva, ya que permite diseñar un conjunto
de acontecimientos futuros con respecto a actuales.
Desventajas
 Por motivo de que en este método se hace uso de variables aleatorias no es un método
totalmente exacto en comparación a los demás.
Ejemplo
Se tiene una moneda que al lanzarla puede dar sólo dos resultados: o cara (50%), o cruz (50%). La
siguiente tabla muestra los posibles resultados de lanzar dos veces una moneda:
PRIMER SEGUNDO NUMERO DE CARAS EN 2 PROBABILIDAD DE

LANZAMIENTO LANZAMIENTO LANZAMIENTOS LOS 4 RESULTADOS
POSIBLES
CARA CARA 2 0.5 X 0.5 = 0.25
CARA CRUZ 1 0.5 X 0.5 = 0.25
CRUZ CARA 1 0.5 X 0.5 = 0.25
CRUZ CRUZ 0 0.5 X 0.5 = 0.25
Al realizar la tabla de distribución del número posible de caras que resulta de lanzar una moneda
dos veces, se obtiene:
NÚMERO DE CARAS LANZAMIENTOS PROBABILIDAD DE ESTE

RESULTADO
P(CARA)
0 (CRUZ, CRUZ) 0.25
1 (CARA, CRUZ) 0.50
+
(CRUZ, CARA)
2 (CARA, CARA) 0.25
33 | P á g i n a
Distribuciones hipergeométrica
Definición
La distribución hipergeométrica es una distribución discreta que modela el número de

eventos en una muestra de tamaño fijo cuando usted conoce el número total de elementos
en la población de la cual proviene la muestra. Cada elemento de la muestra tiene dos
resultados posibles (o es un evento o un no evento). Las muestras no tienen reemplazo, por
lo que cada elemento de la muestra es diferente. Cuando se elige un elemento de la
población, no se puede volver a elegir. Por lo tanto, la probabilidad de que un elemento en
particular sea seleccionado aumenta con cada ensayo, suponiendo que aún no ha sido
seleccionado.
La distribución hipergeométrica es descrita por 3 parámetros: tamaño de la población,

conteo de eventos en la población y tamaño de la muestra
Ventajas
Las distribuciones hipergeométrica a diferencia de las demás se caracteriza por las diferentes
ventajas que en su campo y aplicación la hace más eficiente.
 Describe el número de veces que un evento ocurre en un número fijo de ensayos.

 Es utilizada para muestras obtenidas de poblaciones relativamente pequeñas
 Modela el número de eventos en una muestra de tamaño fijo
Esto se ve reflejado en un mejor análisis y desarrollo de la misma.
Desventajas
 Se debe conocer el número total de elementos en la población de la cual proviene
la muestra.
 Cada ensayo cambia la probabilidad de cada ensayo subsiguiente, porque no hay
reemplazo.
Ejemplo
De 50 edificios en un parque industrial 12 no cumplen el código eléctrico. Si se seleccionan
10 edificios aleatoriamente. Determine la probabilidad de que 3 no cumplan el código.
34 | P á g i n a
Datos
 N=Total población =50

 R=Éxitos población=12
 n=Muestra =10
 x=3
Formula
𝑅 𝑁 − 𝑅 12 50 − 12
( )( ) ( )( ) ( 12! ) ( 38! )
𝑃(𝑥) = 𝑥 𝑛 − 𝑥 = 3 10 − 3 = 3! 9! 7! 31! = 0.2703
𝑁 50 50!
( ) ( )
𝑛 10 10! 40!
𝑑 𝑁 − 𝑑
( )( )
𝑃(𝑋 = 𝑥) = 𝑥 𝑛 − 𝑥
𝑁
( )
𝑛
 N=Tamaño de la población
 n= Tamaño de la muestra extraída
 D=Número de elementos de la población
 X=Número de elementos en la muestra.
𝑎
La notación ( ) hace referencia al coeficiente binomial, es decir, el número de
𝑥
combinaciones posibles al seleccionar x elementos de un total a
35 | P á g i n a
Distribuciones Poisson
Definición
La distribución de Poisson se puede entender como un caso particular de la Binomial que utilizamos
para determinadas distribuciones en las que el cálculo de la probabilidad es engorroso debido bien
a que el número de pruebas es excesivamente elevado o bien a que la probabilidad de éxito es
excesivamente baja.
Este tipo de distribución se caracteriza a diferencia de las demás debido a que a diferencia de las
demás cuenta con algunas ventajas y desventajas que se describen a continuación.
Ventajas
En comparación a los demás métodos este permite realizar un análisis a un número de pruebas más
amplia, además de:
 Se tiene una gran ventaja, los resultados posibles son dos, éxito o fracaso, accidente no
accidente.
 Teniendo esto se puede generalizar de una manera más eficaz.
Desventajas
 El número de pruebas es elevado por ende es engorroso utilizarla.

 Sabiendo que la población que se estudia es muy grande se tienen unas probabilidades muy
pequeñas.
Debido a estas discrepancias es que tiene su campo de aplicación distinto y por lo tanto mejor
desarrollo y eficiencia de aplicación.
Ejemplos
 El número de accidentes de tráfico en una ciudad durante una semana.

 el número de emergencias que llegan a un servicio de urgencia hospitalaria.
36 | P á g i n a
Distribuciones T
Definición
Las distribuciones t de Student son parecidas a la normal. Se pueden utilizar para hacer estimaciones
de la media cuando se desconoce la varianza (es lo habitual) y se usan muestras pequeñas.
Los intervalos así obtenidos son, no podría ser de otra manera, más grandes y menos precisos que
los que se obtendrían si supusiéramos conocida la varianza en una distribución normal.
Este tipo de distribución (Distribución T) se caracteriza a diferencia de las demás debido a que a
diferencia de las demás cuenta con algunas ventajas y desventajas que se describen a continuación.
Ventajas
 Pueden ser utilizadas para probar parámetros de la población cuando la variable no se

distribuye normalmente.
 Pueden ser utilizadas cuando los datos no son numéricos por ejemplo género.
 Pueden ser utilizadas para probar las hipótesis que no implican parámetros de la población.
 En la mayoría de los casos, los cómputos son más fáciles que ésos para las contrapartes
paramétricas.
Desventajas
 Por ejemplo, diferencias más grandes son necesarias rechazar la hipótesis nula.
 Tienden para ser menos informativas.
 Por lo general las muestras necesitadas son más grandes.
Ejemplos
Los valores de las matriculas de estudiantes en una universidad privada tienen un comportamiento
aproximadamente normal, donde el promedio es de 2.100.000. Se seleccionan 8 liquidaciones,
siendo los valores los siguientes: 1.950.000, 2.100.000, 2.250.000, 1.890.000, 2.250.000, 1.950.000,
2.050.000, 2.350.000. Determine la probabilidad de que:
 El promedio sea menor de 2.000.000.

 El promedio se encuentre entre 2.000.000 y 2.200.000
 El promedio sea mayor o igual a 2.500.000
37 | P á g i n a
Distribuciones chi-cuadrada
Definición
En estadística, la distribución de Pearson,
llamada también ji cuadrada(o) o chi
cuadrado(a) (χ²), es una distribución de
probabilidad continua con un
parámetro que representa los grados de
libertad de la variable aleatoria
Donde son variables aleatorias normales independientes de media cero y varianza uno. El que la
variable aleatoria tenga ésta distribución se representa habitualmente así: .
Función de densidad (CHI-Cuadrada)
Su función de densidad es:
Donde es la función gamma.
38 | P á g i n a
Función de distribución acumulada (CHI-Cuadrada)
Su función de distribución es
Donde es la función gamma incompleta.
El valor esperado y la varianza de una variable aleatoria X con distribución χ² son,

respectivamente, k y 2k.
Comparación de CHI-Cuadrada con otras distribuciones
La distribución χ² es un caso especial de la distribución gamma. De
hecho, Como consecuencia, cuando , la distribución χ² es

una distribución exponencial de media .
Cuando k es suficientemente grande, como consecuencia del teorema central del límite, puede
aproximarse por una distribución normal:
Ventajas
La distribución χ² tiene muchas aplicaciones en inferencia estadística. La más conocida es la de la

denominada prueba χ² utilizada como prueba de independencia y como prueba de bondad de ajuste
y en la estimación de varianzas. Pero también está involucrada en el problema de estimar la media
de una población normalmente distribuida y en el problema de estimar la pendiente de una recta
de regresión lineal, a través de su papel en la distribución t de Student.
Aparece también en todos los problemas de análisis de varianza por su relación con la distribución
F de Snedecor, que es la distribución del cociente de dos variables aleatorias independientes con
distribución χ².
39 | P á g i n a
Distribuciones F
Definición
En estadística se denomina distribución F de Snedecor a cualquier prueba en la que el estadístico

utilizado sigue una distribución F si la hipótesis nula no puede ser rechazada. El nombre fue
acuñado en honor a Ronald Fisher.
La hipótesis de que las medias de múltiples poblaciones normalmente distribuidas y con la misma
desviación estándar son iguales.
Este tipo de distribución (Distribución F) se caracteriza a diferencia de las demás debido a que a
diferencia de las demás cuenta con algunas ventajas y desventajas que se describen a continuación.
Ventajas
 ventajas
 Valido para muestras pequeñas
 Sirven para datos no numéricos
 En general no se conoce la distribución de probabilidad (el teorema del límite central no
aplica)
 Respuestas rápidas con menos calculo
 Menos suposiciones
Desventajas
 No usa toda la información disponible
 Al no hacer parámetros es difícil hacer estimaciones
 Son algo menos eficientes

Ejemplo
El jefe de un laboratorio se encuentra con una técnica de medición fuera del estadístico para
investigar las causas decide investigar si el factor humano tiene incidencia y toma una muestra de
suero cualquiera la divide en 20 muestras luego elige 10 de ellas al azar y se las entrega al laboratorio
1 Y laboratorio 2 para que las mida los resultados obtenidos son: LABORATORIO 1 S1 = 24 VARIANZA.
LABORATORIO 2 S1 hay diferencias entre ambos.
40 | P á g i n a
Distribuciones de probabilidad continua
Definición:
Puesto que la función de distribución de una variable aleatoria X viene dada por, la definición
implica que en una distribución de probabilidad continua X se cumple 𝑃[𝑋 = 𝑎] = 0 para todo
número real a, esto es, la probabilidad de que X tome el valor a -> 0 para cualquier valor de a.
Este tipo de distribución (Distribución de probabilidad continua) se caracteriza a diferencia de las

demás debido a que a diferencia de las demás cuenta con algunas ventajas y desventajas que se
describen a continuación.
Ventajas
 Hay infinitos valores posibles de la variable y entre cada dos de ellos se pueden
definir infinitos valores más.
 Es posible calcular la probabilidad acumulada hasta un cierto valor.
 Se puede analizar cómo cambia la probabilidad acumulada en cada punto.
Desventajas
 Deberá tomar solo valores mayores o iguales a cero.
 No es posible deducir la probabilidad de un valor puntual de la variable.
 Los valores que toma x debe ser igual a 1
Ejemplo
Una variable aleatoria es una función medible que da un valor numérico a cada suceso. En teoría de
la probabilidad una distribución de probabilidad se llama continua si su función de distribución es
continua. Puesto que la función de distribución de una variable aleatoria X viene dada por
𝐹𝑥 (𝑥) = 𝑃(𝑥 ≤ 𝑥), la definición implica que en una distribución de probabilidad continua X se
cumple 𝑃[𝑋 = 𝑎] = 0 para todo número real a, esto es, la probabilidad de que X tome el valor a
es cero para cualquier valor de a. Si la distribución de X es continua, se llama a X variable aleatoria
continua
41 | P á g i n a
Conclusión
Después de analizar las diferentes distribuciones, se puede concluir que este tipo de aplicaciones
facilitan las tareas del aplicador a la hora de realizar tareas de medidas de tendencia central e incluso
de dispersión enfocadas a diferentes condiciones y aplicaciones.
Las distribuciones aquí mencionadas son algunas de las más destacadas sin embargo no son las
únicas que existen, para cada tarea se debe escoger la más adecuada y la que devuelva el valor que
deseamos obtener, después de analizar el documento también se puede anexar que las diferentes
distribuciones surgen de procesos manuales y de consistencia además de uso común que juntas
generan fórmulas que son de gran utilidad y manejo para las ingenierías y múltiples licenciaturas.
42 | P á g i n a
Ejercicios de distribución
En el último año. El peso de los recién nacidos en una maternidad se ha distribuido según una
media M=3100g y desviación típica σ=150g
¿Cuál es la probabilidad de que la media de una muestra de 1000 nacidos sea superior a 3130?
Datos
𝑥̅ = 3130
𝑀 = 3100
𝜎 = 150
𝑛 = 100
3130 − 3100 30 30
𝑧= = = =2 𝒛 = 𝟎. 𝟎𝟐𝟐𝟖 𝟐. 𝟐𝟖%
150/√100 150/10 15
En una empresa eléctrica fabrica lámparas que tienen una duración que se distribuye en una forma
contante normal con una media de 800h y desviación estándar de 40h, calcular la probabilidad de
que al tomar una muestra de 16 lámparas tenga una vida de 775
𝑥̅ = 800
𝑀 = 775
𝜎 = 40
𝑛 = 16
800 − 775 −25 −25
𝑧= = = = |−2.5| = 2.5 𝒛 = 𝟎. 𝟎𝟎𝟔𝟐 = 𝟎. 𝟎𝟔𝟐%
40/√16 40/4 10
En un servicio de atención al cliente el tiempo de atención al cliente el tiempo de espera para recibir
atención es una variable normal de 10 min y una desviación típica de 2. Se toman muestras
aleatorias del tiempo de espera de los clientes que llegan 1 día concreto. ¿Cuál es la probabilidad
de que el tiempo de espera de 25 clientes no supere los 9 min?
𝑥̅ = 9
𝑀 = 10
𝜎=2
𝑛 = 25
9 − 10 −1
𝑧= = = |−2.5| = 2.5 𝒛 = 𝟎. 𝟎𝟎𝟔𝟐 = 𝟎. 𝟎𝟔𝟐%
2/√25 2/5
43 | P á g i n a
El CI de los alumnos de un centro especial se distribuye normal mente con una media de 80 y
desviación típica de 10 si traemos una muestran aleatoria simple de 25 alumnos.
a) Cuál es la probabilidad de que su media sea mayor a 75.
𝑥̅ = 80
𝑀 = 75
𝜎 = 10
𝑛 = 25
80−75
Z= = 2.5
10/√25
Z = 0.00062
b) Probabilidad de que su media aritmética sea como mínima 83.
𝑥̅ = 80
𝑀 = 83
𝜎 = 10
𝑛 = 25
80−83
Z= = 1.5
10/√25
Z = 0.0668
Supongamos que la media de alumnos es de 165 cm. Y una desviación típica de 8
a) Probabilidad de muestra de 36 alumnos tenga una media de 167.
𝑥̅ = 165
𝑀 = 167
𝜎=8
𝑛 = 36
167−165
Z= 8/√36
= 1.5
Z = .0668
44 | P á g i n a
Estadística inferencial
Inferencia estadística
consiste en asignar un valor concreto al

parámetro o parámetros que caracterizan la
distribución de probabilidad de la población.
Métodos de Cuando se estima un parámetro poblacional,
estimación de aunque el estimador que se utiliza posea todas
parámetros. las propiedades deseables, se comete un error
de estimación que es la diferencia entre la
estimación y el verdadero valor del parámetro
Inferencia
estadística
La hipótesis nula (Ho) es aquella que recoge el
supuesto de que el parámetro toma un valor
determinado y es la que soporta la carga de la
prueba. La decisión de rechazar la hipótesis nula,
que en principio se considera cierta, está en
función de que sea o no compatible con la
Métodos de contraste evidencia empírica contenida en la muestra.
de hipótesis.
hipótesis alternativa (H1) y suele presentar un

cierto grado de indefinición: si la hipótesis
alternativa se formula simplemente como 'la
hipótesis nula no es cierta', el contraste es
bilateral o a dos colas; por el contrario cuando
se indica el sentido de la diferencia, el
contraste es unilateral o a una sola cola.
45 | P á g i n a
Muestreo estadístico
Un muestreo es la técnica para la selección de una muestra a partir de una población. En el

muestreo, si el tamaño de la muestra es más pequeño que el tamaño de la población, se puede
extraer dos o más muestras de la misma población. Al conjunto de muestras que se pueden obtener
de la población se denomina espacio muestral.
El muestreo es una herramienta de la investigación científica, su función básica es determinar que
parte de una realidad en estudio debe examinarse con la finalidad de hacer inferencias sobre dicha
población. Este proceso permite ahorrar recursos, y a la vez obtener resultados parecidos a los que
se alcanzarían si se realizase un estudio de toda la población. Nunca podremos estar enteramente
seguros de que el resultado sea una muestra representativa, pero sí podemos actuar de manera que
esta condición se alcance con una probabilidad alta.
El muestreo es más que el procedimiento empleado para obtener una o más muestras de una
población, el muestreo es una técnica que sirve para obtener una o más muestras de población.
Este se realiza una vez que se ha establecido un marco muestral representativo de la población, se
procede a la selección de los elementos de la muestra aunque hay muchos diseños de la muestra.
Al tomar varias muestras de una población, las estadísticas que calculamos para cada muestra no
necesariamente serían iguales, y lo más probable es que variaran de una muestra a otra.
El muestreo estadístico son aquellos que se basan en el principio de equiprobabilidad. Es decir,

aquellos en los que todos los individuos tienen la misma probabilidad de ser elegidos para formar
parte de una muestra y, consiguientemente, todas las posibles muestras de tamaño n tienen la
misma probabilidad de ser elegidas.
46 | P á g i n a
Estimadores
Estimación estadística
Estimación puntual Intervalo de confianza Límite de Confianza
Es la probabilidad de que el
Este intervalo contiene al verdadero valor del
Consiste en la estimación del parámetro estimado con un parámetro estimado en la
valor del parámetro determinado nivel de población se sitúe en el
mediante un sólo valor, confianza. Pero a veces intervalo de confianza
obtenido de una fórmula puede cambiar este intervalo obtenido. Es habitual tomar
determinada cuando la muestra no como nivel de confianza un
garantiza un axioma o un 95% o un 99%, que se
equivalente circunstancial. corresponden con valores α
de 0,05 y 0,01
respectivamente.
si se pretende estimar la
talla media de un
determinado grupo de
individuos, puede extraerse
una muestra y ofrecer como
estimación puntual la talla
media de los individuos.
47 | P á g i n a
Conceptos
Estimación puntual:
Estimación por intervalos:
48 | P á g i n a
Ejemplos de distribución continua T Student
Se tienen las edades de 10 empleados de proceso con una media poblacional de 39.5 y una
desviación de 7.7
Hallar los grados de significancia para el 90% y e 95%
49 | P á g i n a
Conclusión general del curso
50 | P á g i n a

Control de Actividades

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Control de Actividades

Загружено:

Авторское право:

Доступные форматы

Probabilidad y estadística

INSTITUTO TECNOLÓGICO SUPERIRO DE ARANDAS

IEME JUAN CARLOS MARTÍNEZ REYNA

Caracterización de la asignatura ......................................................................................................... 3

Diagrama de árbol ......................................................................................................................... 27

La asignatura se encuentra ubicada al principio de la carrera y es importante para materias como

Objetivo general del curso

Unidad I Estadística descriptiva

Competencia específica a desarrollar

Conocer y comprender conceptos básicos de la estadística y para el análisis, organización y

El muestreo por la tanta es una herramienta de la investigación científica y la función básica es

Inferencia: Extraer un juicio o conclusión a partir de hechos o principios sean generales o

Muestreo aleatorio simple

Muestreo en que los N elementos de la muestra se seleccionan tomando aleatoriamente un

Muestreo aleatorio por conglomerados

Las unidades muéstrales no son elementos individuales de la población si no grupos de

Actividad 1: Ejemplo de muestreo

Instrucciones: Elaborar un ejemplo de muestreo dentro de la ingeniería electromecánica.

Parte 1: Elaborar ejemplos de los tipos de muestreo ya realizados.

Ejemplo de muestreo aleatorio simple:

Ejemplo de muestreo estratificado:

Ejemplo de muestreo sistemático:

Muestreo aleatorio por conglomerados:

El investigador divide a toda la población en grupos diferentes o conglomerados, después selecciona

Parte 2: Realizar un ejemplo de cualquier tipo de muestreo aplicado a la ingeniería electromecánica,

Gestión de electricidad a una colonia

Muestreo: debido a la situación se aplicara un tipo de muestreo conglomerado aleatorio simple, ya

Aplicación del muestreo:

El muestreo se realizara en la colonia con las siguientes características:

 1.5% De fábricas = 9 fábricas

Se hizo después el muestreo aleatorio a cada conglomerado de los anteriores, se le hizo de la

3 fábricas = 800 kW/h*

4 negocios = 600 kW/h*

160 casas simples = 16000 kW/h*

21 casas dobles = 2100 kW/h*

 Fabricas – 2400 kW/h*

Obtención de datos estadísticos

¿Qué es la recolección de datos?

 Encuestas (se aplica a toda la población)

Actividad 2: Mapa conceptual de las medidas de tendencia central y de dispersión.

Actividad 3: Tipos de gráficas

Parte 2: Ejemplos de graficas aplicadas a la ingeniería electromecánica.

Ejemplo 1: Industria automotriz en México

Ventas de vehículos ligeros a nivel internacional

En la gráfica anterior se puede observar de manera notoria un incremento en las unidades de

Ejemplo 2: “Consumo de energía eléctrica en una población”

El muestreo se realizara en la colonia con las siguientes características:

 1.5% De fábricas = 9 fábricas

Se hizo después el muestreo aleatorio a cada conglomerado de los anteriores, se le hizo de la

 3 fábricas = 800 kW/h*

 Fabricas – 2400 kW/h*

Total de consumo en una colonia (población – 600 establecimientos)= 74,700 kW/h*

Ejemplo 3: Industria automotriz en México

Este pictograma es elaborado con la finalidad de presentar de manera visual la cantidad de

Herramientas generadas en X empresa por horario

Ejemplo 3: Conteo de producción en una empresa

Herramientas generadas en X empresa por horario

Mujeres Hombres Columna1

Ejercicios de medidas de tendencia central

(−3.76)2 + (−2.76)2 + (−2.76)2 + (−1.76)2 + (−1.76)2 + (0.76)2 + (0.76)2 + (0.76)2

(27.8784) + (−25.8064) + (−24.8004) + (−14.2884) + (8.2944) + (8.2944)

Medidas de tendencia central y de dispersión

Parte 1: De forma individual resuelve los siguientes ejercicios

(−1371.3)2 + ((−671.3)2 )(4) + (−471.3)2 + (−121.3)2 + (−71.3)2 + (−1.3)2