Estadistica Destriptiva PDF

Conceptos Básicos
Distribución de Frecuencia
Medidas de Tendencia Central, Posición y Variabilidad
Probabilidad
Variables Aleatorias y Distribuciones de Probabilidad
ESTADÍSTICA DESCRIPTIVA
Notas de clase
Ignacio Osuna Vergara
Universidad de Córdoba
25 de marzo de 2017
Ignacio Osuna Vergara Estadística Descriptiva

Conceptos Básicos
Probabilidad
Contenido
1 Conceptos Básicos
Introducción
Deniciones
2 Distribución de Frecuencia
Distribución de Frecuencia para datos agrupados
Representación Gráca de datos
3 Medidas de Tendencia Central, Posición y Variabilidad
Medidas de Tendencia Central
Medidas de Posición
Medidas de Dispersión
Técnicas de Conteo
4 Probabilidad
Conceptos de Probabilidad
Probabilidad Clásica
Conceptos Básicos
Distribución de Frecuencia Introducción
Medidas de Tendencia Central, Posición y Variabilidad Deniciones
Probabilidad
¾Qué es estadística?
¾Qué es estadística?

Conceptos Básicos
Probabilidad
Estadística
Tiene que ver con la recopilación, presentación, análisis y uso de

datos para tomar decisiones y resolver problemas.
Es la ciencia de recolectar, describir e interpretar datos.
Usos
La estadística ayuda a los ingenieros y cientícos a:
Diseñar nuevos productos y sistemas.
Perfeccionar los existentes.
Diseñar, desarrollar y mejorar procesos de producción.
Aumentar la calidad de los productos

Conceptos Básicos
Probabilidad
Estadística

Usos

Conceptos Básicos
Probabilidad
Estadística

Usos

Conceptos Básicos
Probabilidad
¾Porqué es necesario estudiar estadística?
X
La estadística surge de la necesidad de describir y comprender la
variabilidad
La variabilidad
Es el resultado de cambios en las condiciones bajo las cuales se

hacen las observaciones
Diferencias en las propiedades de los materiales.

En la forma que trabajan los obreros.
Desgaste y desajuste de la maquinarias.
Variables no controladas del proceso,
Factores ambientales: humedad, temperatura ambiente, radiación.
Instrumentos de medición utilizados.
Debido al esquema de muestreo
Conceptos Básicos
Probabilidad
Clasicación
Estadística Descriptiva
La estadística descriptiva nos enseña como recolectar, agrupar y

presentar datos de una forma tal que los describa fácil y
rápidamente.
Estadística Inferencial
La estadística inferencial trata del diseño de experimentos o

encuestas mediante muestras, para obtener una cantidad
determinada de información a un costo mínimo, y del uso de esta
información para hacer inferencias con respecto a una población.

Conceptos Básicos
Probabilidad
Clasicación
Estadística Descriptiva
La estadística descriptiva nos enseña como recolectar, agrupar y

presentar datos de una forma tal que los describa fácil y
rápidamente.
Estadística Inferencial
La estadística inferencial trata del diseño de experimentos o

encuestas mediante muestras, para obtener una cantidad
determinada de información a un costo mínimo, y del uso de esta
información para hacer inferencias con respecto a una población.

Conceptos Básicos
Probabilidad
Deniciones
Población
Se representa por la letra N y es el conjunto formado por un grupo

de individuos o elementos, sobre los cuales se pretende estudiar una
característica. Ejemplo: Los habitantes de un país, los estudiantes
de un colegio, etc.
Parámetro
Medida descriptiva de la población.

Conceptos Básicos
Probabilidad
Deniciones
Población
Se representa por la letra N y es el conjunto formado por un grupo

de individuos o elementos, sobre los cuales se pretende estudiar una
característica. Ejemplo: Los habitantes de un país, los estudiantes
de un colegio, etc.
Parámetro
Medida descriptiva de la población.

Conceptos Básicos
Probabilidad
Deniciones
Muestra
Se representa por la letra n y es una parte o subconjunto de la

población. Ejemplo: Una ciudad de algún país, estudiantes de
décimo de un colegio, etc.
Estadístico
Valor que describe una muestra y sirve como estimación de un

parámetro de la población correspondiente.

Conceptos Básicos
Probabilidad
Deniciones
Muestra
Se representa por la letra n y es una parte o subconjunto de la

población. Ejemplo: Una ciudad de algún país, estudiantes de
décimo de un colegio, etc.
Estadístico
Valor que describe una muestra y sirve como estimación de un

parámetro de la población correspondiente.

Conceptos Básicos
Probabilidad
Variable
Una variable es una característica que es de interés

en una población o en una muestra, se clasican en:
 (
 Nominal
Cualitativas Ordinal



Variables (
 Discreta
Cuantitativas Continua




Conceptos Básicos
Probabilidad
Variables Cualitativas
Una variable es cualitativa si en la característica que se va a

estudiar se busca conocer gustos, preferencias u opiniones.
Nominal
Una variable se dice cualitativa nominal si los datos consisten en

categorías tales como casado/ soltero; sangre tipo A, tipo B;
masculino/ femenino, en estas categorías el orden es irrelevante.
Ordinal
Una variable se dice cualitativa ordinal ( orden) si los datos constan

de categorías tales como satisfecho/ insatisfecho, nivel de escolar:
superior/ medio/bajo; rendimiento en matemática: muy bueno/
bueno / regular/ malo. En estas categorías el orden es importante.

Conceptos Básicos
Probabilidad
Variables Cualitativas
Una variable es cualitativa si en la característica que se va a

estudiar se busca conocer gustos, preferencias u opiniones.
Nominal
Una variable se dice cualitativa nominal si los datos consisten en

categorías tales como casado/ soltero; sangre tipo A, tipo B;
masculino/ femenino, en estas categorías el orden es irrelevante.
Ordinal
Una variable se dice cualitativa ordinal ( orden) si los datos constan

de categorías tales como satisfecho/ insatisfecho, nivel de escolar:
superior/ medio/bajo; rendimiento en matemática: muy bueno/
bueno / regular/ malo. En estas categorías el orden es importante.

Conceptos Básicos
Probabilidad
Variables Cuantitativas
Una variable es cuantitativa si la característica de interés se puede

medir en escala.
Discreta
Una variable se dice que es cuantitativa discreta si toma valores

enteros, por ejemplo: número de hermanos, número de infracciones
puestas por un agente de transito.
Continua
una variable se dice que es cuantitativa continua si toma valores en

números reales, por ejemplo: la temperatura, el peso, la distancia,
etc.

Conceptos Básicos
Probabilidad
Variables Cuantitativas
Una variable es cuantitativa si la característica de interés se puede

medir en escala.
Discreta
Una variable se dice que es cuantitativa discreta si toma valores

enteros, por ejemplo: número de hermanos, número de infracciones
puestas por un agente de transito.
Continua
una variable se dice que es cuantitativa continua si toma valores en

números reales, por ejemplo: la temperatura, el peso, la distancia,
etc.

Conceptos Básicos
Distribución de Frecuencia Distribución de Frecuencia
Medidas de Tendencia Central, Posición y Variabilidad Distribución de Frecuencia para datos agrupados
Probabilidad Representación Gráca de datos
La distribución de frecuencias o tabla de frecuencias

es una ordenación en forma de tabla de los datos
estadísticos, asignando a cada dato su frecuencia
correspondiente.

Conceptos Básicos
Tipos de Frecuencia
Frecuencia Absoluta
Es el número de veces que aparece un determinado valor en un

estudio estadístico. Se representa por fi .
Frecuencia Relativa
Es el cociente entre la frecuencia absoluta de un determinado valor

y el número total de datos. Se puede expresar en tantos por ciento
fi
y se representa por ni = n

Conceptos Básicos
Tipos de Frecuencia
Frecuencia Absoluta
Es el número de veces que aparece un determinado valor en un

estudio estadístico. Se representa por fi .
Frecuencia Relativa
Es el cociente entre la frecuencia absoluta de un determinado valor

y el número total de datos. Se puede expresar en tantos por ciento
fi
y se representa por ni = n

Conceptos Básicos
Tipos de Frecuencia
Frecuencia Acumulada
Es la suma de las frecuencias absolutas de todos los valores

inferiores o iguales al valor considerado. Se representa por Fi = ∑ fi
Frecuencia Relativa Acumulada
Es el cociente entre la frecuencia acumulada de un determinado

Fi
valor y el número total de datos Ni = ∑ ni = n

Conceptos Básicos
Tipos de Frecuencia
Frecuencia Acumulada
Es la suma de las frecuencias absolutas de todos los valores

inferiores o iguales al valor considerado. Se representa por Fi = ∑ fi
Frecuencia Relativa Acumulada
Es el cociente entre la frecuencia acumulada de un determinado

Fi
valor y el número total de datos Ni = ∑ ni = n

Conceptos Básicos
Propiedades
1 La suma de las frecuencias absolutas es igual al número total

de datos, que se representa por N en caso de tratarce de una
población ó por n en caso de ser una muestra.
2 La suma de la frecuencia relativa es igual a 1.

Conceptos Básicos
Ejemplo
Durante el mes de julio, en una ciudad se han registrado las

siguientes temperaturas máximas:
32, 31, 28, 29, 33, 32, 31, 30, 31, 31, 27, 28, 29, 30, 32, 31, 31,
30, 30, 29, 29, 30, 30, 31, 30, 31, 34, 33, 33, 29, 29.
Xi fi Fi ni Ni
1
27 1 1
31 = 0, 032 0,032
28 2 3 0,065 0,097
29 6 9 0,194 0,290
30 7 16 0,226 0,516
31 8 24 0,258 0,774
32 3 27 0,097 0,871
33 3 30 0,097 0,968
34 1 31 0,032 1
31 1
Conceptos Básicos
Distribución de Frecuencia por Intervalos
Cuando los valores de la variable son muchos,

conviene agrupar los datos en intervalos para así
realizar un mejor análisis e interpretación de ellos. A
cada clase se le asigna su frecuencia correspondiente.

Conceptos Básicos
Conceptos
Límites de Clase Li y Ls :
Cada clase está delimitada por el límite inferior de la clase y el

límite superior de la clase.
Marca de Clase Xi :
La marca de clase es el punto medio de cada intervalo y es el valor
que representa a todo el intervalo para el cálculo de algunos
parámetros.
Rango R = Xmáx − Xmı́n :

Está dado por la diferencia entre el mayor y el menor valor de la
variable. Se calcula observando los datos antes de ser tabulados..

Conceptos Básicos
Conceptos

Marca de Clase Xi :
parámetros.


Conceptos Básicos
Conceptos

Marca de Clase Xi :
parámetros.


Conceptos Básicos
Conceptos
Numero de Intervalos:
Para calcular el número de intervalos se aplica la regla de Sturges:
I = 1 + 3.32 × log (n)

Siendo n es el numero de datos con los que se cuenten
R
Amplitud de la Clase A= I :
La amplitud de la clase es la diferencia entre el límite superior e
inferior de la clase.

Conceptos Básicos
Conceptos
Numero de Intervalos:
Para calcular el número de intervalos se aplica la regla de Sturges:
I = 1 + 3.32 × log (n)

Siendo n es el numero de datos con los que se cuenten
R
Amplitud de la Clase A= I :
La amplitud de la clase es la diferencia entre el límite superior e
inferior de la clase.

Conceptos Básicos
Ejemplo
A 40 estudiantes se les pidió que estimen el número de horas que habrían

dedicado a estudiar la semana pasada (tanto en clase como fuera de
ella), obteniéndose los siguientes resultados:
36 30 47 60 32 35 40 50 54 35 45 52 48 58 60 38 32 35 56 48
30 55 49 39 58 50 65 35 56 47 37 56 58 50 47 58 55 39 58 45
1) Primero se calcula el Rango:
R = Xmáx − Xmı́n = 65 − 30 = 35
2) Se calculando el número de intervalos
I = 1 + 3.32 × log (n) = 1 + 3.32 × log (40) = 6, 32 w 6

3) Se calcula la amplitud de clase:
R 35
A= = = 5, 83 w 6
Ignacio Osuna Vergara 6 Estadística Descriptiva
I
Conceptos Básicos
Solución
Li Ls Xi fi Fi ni Ni
[30 - 36) 33 8 8 0, 2 = 20 % 20 %
[36 - 42) 39 6 14 15 % 35 %
[42 - 48) 45 5 19 13 % 48 %
[48 - 54) 51 7 26 18 % 65 %
[54 - 60) 57 11 37 28 % 93 %
[60 - 66] 63 3 40 8% 100 %

Conceptos Básicos
Las tablas estadísticas representan toda la información de mo-

do esquemático y están preparadas para los cálculos posteriores.
Los grácos estadísticos nos transmiten esa información de mo-
do más expresivo, con un sólo golpe de vista, entender de que se
nos habla, observar sus características más importantes, incluso
sacar alguna conclusión sobre el comportamiento de la muestra
donde se esta realizando el estudio.
Los grácos estadísticos son muy útiles para comparar distintas
tablas de frecuencia.

Conceptos Básicos
Las tablas estadísticas representan toda la información de mo-

do esquemático y están preparadas para los cálculos posteriores.
Los grácos estadísticos nos transmiten esa información de mo-
do más expresivo, con un sólo golpe de vista, entender de que se
nos habla, observar sus características más importantes, incluso
sacar alguna conclusión sobre el comportamiento de la muestra
donde se esta realizando el estudio.
Los grácos estadísticos son muy útiles para comparar distintas
tablas de frecuencia.

Conceptos Básicos
Diagrama de Barras
Diagrama de Barras:
Se utiliza para la representación de variables cuantitativas

discretas, cada valor de la se representa por un punto sobre el
eje 0X y sobre él se dibuja una barra de longitud igual o
proporcional a su frecuencia absoluta. Si la frecuencia absoluta
que se utiliza es la acumulativa, el diagrama de barras que se
obtiene es: diagrama de barras acumulativo

Conceptos Básicos
Ejemplo de Diagrama de Barras
Durante el mes de julio, en una ciudad se han registrado las

siguientes temperaturas máximas:
32, 31, 28, 29, 33, 32, 31, 30, 31, 31, 27, 28, 29, 30, 32, 31, 31,
30, 30, 29, 29, 30, 30, 31, 30, 31, 34, 33, 33, 29, 29

Conceptos Básicos
Diagrama de Líneas
Diagrama de Líneas:
Se unen los puntos medios de las bases superiores de

las barras en los grácos de barra se obtiene el
polígono de frecuencias

Conceptos Básicos
Diagrama Circular
Diagrama de Circular:
Se divide un círculo en tantas porciones como clases existan,

de modo que a cada clase le corresponde un arco de círculo
proporcional a su frecuencia absoluta o relativa. El arco de
cada porción se calcula usando la siguiente regla de tres
360°×fi
n → 360° αi = n

Conceptos Básicos
Ejemplo de Diagrama Circular
Ejemplo de Diagrama Circular:
Con la formula anterior se calculan los angulos

correspondientes a cada marca de clase

Conceptos Básicos Medidas de Tendencia Central
Distribución de Frecuencia Medidas de Posición
Medidas de Tendencia Central, Posición y Variabilidad Medidas de Dispersión
Probabilidad Técnicas de Conteo
Este tipo de medidas nos permiten identicar y

ubicar el punto (valor) alrededor del cual se tienden
ha reunir los datos (Punto central).
NOTA: en las poblaciones se denominan parámetros
y en las muestras se les denomina estimadores.

Este tipo de medidas nos permiten identicar y

ubicar el punto (valor) alrededor del cual se tienden
ha reunir los datos (Punto central).
NOTA: en las poblaciones se denominan parámetros
y en las muestras se les denomina estimadores.

Media ó Promedio Aritmético
Para datos no agrupados:
Se denota por X, y se calcula de la siguiente manera:
n
∑ xi
x1 + x2 + · · · + nn i=1
X= =
n n
Para datos agrupados:
n
∑ xi × fi
i=1
X=
n
Media ó Promedio Aritmético
n
∑ xi
x1 + x2 + · · · + nn i=1
X= =
n n
n
∑ xi × fi
i=1
X=
n
Mediana
Es el valor de la variable que divide en dos partes

iguales al número total de observaciones, su notación
es Me
Se denota por Me , y se calcula de la siguiente

manera, dependiendo si la cantidad de datos n que se
tienen es par o impar:

X( n+2 1 ) ,


si n es impar
Me =
 X( 2n ) +X( 2n +1)


2 , si n es par
Mediana
Se denota por Me , y se calcula de la siguiente manera:
n
− Fi−1

2
Me = Li + A
fi
Donde;
Li : Límite inferior del intervalo de la clase mediana
n : Tamaño de la muestra o población
Fi−1 : Frecuencia absoluta acumulada del intervalo anterior, al
intervalo de la clase mediana
fi : Frecuencia absoluta del intervalo de la clase mediana
A : Amplitud del intervalo de la clase mediana (A = Ls − Li )

Moda
La medida modal nos indica el valor que más veces se

repite dentro de los datos; en algunos casos pueden
presentarse dos valores que se repiten en igualdad de
veces, por lo tanto puede ser bimodal o multimodal.
Mo
Es el valor que mas frecuencia tiene (ó es el valor que

mas se repite)

Moda
Se denota por Mo , y se calcula de la siguiente manera:

(fi − fi−1 )
Mo = Li + A
(fi − fi−1 ) + (fi − fi+1 )
Donde;
Li : Límite inferior del intervalo de la clase modal
fi : Frecuencia absoluta del intervalo de la clase modal
fi−1 : Frecuencia absoluta acumulada del intervalo anterior, al
intervalo de la clase modal
fi+1 : Frecuencia absoluta acumulada del intervalo posterior, al
intervalo de la clase modal
A: Amplitud del intervalo de la clase modal (A = Ls − Li )
Conclusiones
La Media
nos indica el promedio de los datos; es decir, nos informa el valor
que obtendría cada uno de los individuos si se distribuyeran los
valores en partes iguales.
La Mediana
por el contrario nos informa el valor que separa los datos en dos
partes iguales, cada una de las cuales cuenta con el cincuenta
porciento de los datos.
La Moda
La Moda nos indica el valor que más se repite dentro de los datos.

Conclusiones
La Media
La Mediana
La Moda

Conclusiones
La Media
La Mediana
La Moda

Cuantiles
Son aquellos valores de la variable, que ordenados de menor a

mayor, dividen a la distribución en partes, de tal manera que
cada una de ellas contiene el mismo número de frecuencias
Los tipos más importantes de cuantiles son:
Los cuartiles: que dividen a la distribución en cuatro partes
Los deciles: que dividen a la distribución en diez partes
Los percentiles: que dividen a la distribución en cien partes

Cuantiles
Son aquellos valores de la variable, que ordenados de menor a

mayor, dividen a la distribución en partes, de tal manera que
cada una de ellas contiene el mismo número de frecuencias
Los tipos más importantes de cuantiles son:
Los cuartiles: que dividen a la distribución en cuatro partes
Los deciles: que dividen a la distribución en diez partes
Los percentiles: que dividen a la distribución en cien partes

Cuartiles
Son valores que dividen a la población en cuatro

partes de igual longitud, se denotan por Qk y se
calculan de la siguiente manera:
Qk = X( kn + 1 )
4 2
Primer cuartil: Q1 Cuantil 0, 25(Q0,25 )

Segundo cuartil: Q2 Cuantil 0, 50(Q0,50 )
Tercer cuartil: Q3 Cuantil 0, 75(Q0,75 )

Deciles
Son valores que dividen a la población en diez partes

de igual longitud, se denotan por Dk y se calculan de
la siguiente manera:
Dk = X( kn + 1 )
10 2
Primer decil: D1 Decil 0, 10(D0,10 )
...

Percentiles
Son valores que dividen a la población en cien partes

de igual longitud, se denotan por Pk y se calculan de
la siguiente manera:
Pk = X( kn + 1 )
100 2
Primer decil: P1 Percentil 0, 01(D0,01 )
...

Conclusiones
Cuartil
nos indica por debajo de que valor se encuentra el 25 % de los datos.
Décil
Percentiles

Conclusiones
Cuartil
Décil
Percentiles

Conclusiones
Cuartil
Décil
Percentiles

Ejemplo

Medidas de Dispersión
Son aquellas que registran la variedad que presentan

los valores de las observaciones, es decir, informan
sobre la dispersión de los datos.

Rango (R)
Esta dado por la diferencia entre el mayor y el menor

valor de la variable. Se calcula observando los datos
antes de ser tabulados.
R = XM áx XMı́n


Varianza S2
Mide la dispersión de los valores respecto a la media
y se expresa en unidades cuadradas, su notación es
σ2 para una población y S2 para una muestra
n−1 2
∑ xi − X
i=1
S2 =
n−1
n−1 2
∑ xi − X × fi
i=1
S2 =
n−1

Varianza S2
Mide la dispersión de los valores respecto a la media
y se expresa en unidades cuadradas, su notación es
σ2 para una población y S2 para una muestra
n−1 2
∑ xi − X
i=1
S2 =
n−1
n−1 2
∑ xi − X × fi
i=1
S2 =
n−1
Desviación Estándar (S)
Es la raíz cuadrada de la varianza. Representa todas

las diferencias de las observaciones respecto a la
media, se expresa en unidades originales o simples.
Desviación Estándar
√
S= S2

Coeciente de Variación (CV )
El coeciente de variación permite comparar las

dispersiones de dos distribuciones distintas, siempre
que sus medias sean positivas. Se calcula para cada
una de las distribuciones y los valores que se obtienen
se comparan entre sí. La mayor dispersión
corresponderá al valor del coeciente de variación
mayor
Coeciente de Variación
S
CV = × 100 %
X

Conclusiones
Rango
nos indica la diferencia que hay entre la mayor y la menor de las
mediciones observadas.
nos indica la disperción de los datos respecto a la media.
Se utiliza el CV para medir la dispersión de los datos

independientemente de las unidades que se utilicen, Cuanto más
elevado sea el CV más dispersión o variabilidad tienen los datos

Conclusiones
Rango


Conclusiones
Rango


Técnicas de Conteo
Las técnicas de conteo son aquellas que son usadas para enumerar
eventos difíciles de cuanticar.
Ejemplos:
¾Cuántas comisiones por limpieza del instituto se pueden formar si

hay 150 alumnos que desean ayudar en esta tarea y se desea formar
comisiones de ocho alumnos?
¾Cuántas representaciones de alumnos pueden ser formadas a) si se
desea que estas consten solo de alumnos de Ingeniería Química?, b)
se desea que el presidente sea un químico?, Para todos los casos, se
desea que las representaciones consten de once alumnos.
¾Cuántas maneras tiene una persona de seleccionar una lavadora,
una batidora y dos licuadoras, si encuentra en una tienda 8 modelos
diferentes de lavadoras, 5 modelos diferentes de batidoras y 7
modelos diferentes de licuadoras?

Introducción
Se les denomina técnicas de conteo a las combinaciones,

permutaciones y diagrama de árbol, las que a continuación se
explicarán y hay que destacar que éstas nos proporcionan la
información de todas las maneras posibles en que ocurre un evento
determinado.
Las bases para entender el uso de las técnicas de conteo son el
principio:
Multiplicativo
Aditivo
los que a continuación se denen y se hace uso de ellos.

Principio Multiplicativo
Suponga que las operaciones 1 y 2 pueden hacerse de n1 y n2

formas diferentes respectivamente. Entonces, la operación completa
que consta de llevar a cabo las operaciones 1 y 2 se puede hacer de
n1 × n2 formas.
Ejemplo: De un grupo de 3 mujeres y 5 hombres se debe elegir 2
personas para asignarles el puesto de presidente y vicepresidente.
¾De cuantas formas se puede realizar la elección?

Principio Aditivo
Suponga que las opciones 1 y 2 pueden hacerse de n1 y n2 formas

diferentes respectivamente. Entonces, el número de formas en que
puede realizarse una operación en la que debe elegirse solo una de
las opciones 1 ó 2 es n1 + n2 .
Ejemplo: Para realizar un viaje de Bogotá a Madrid se dispone de
5 líneas aéreas y 12 líneas terrestres. ¾De cuantas formas se puede
realizar el viaje de Bogotá a Madrid?

Principio Multiplicativo y Aditivo
¾Cómo podemos distinguir cuando hacer uso del principio

multiplicativo y cuando del aditivo?
Es muy simple, cuando se trata de una sola actividad, la cual
requiere para ser llevada a efecto de una serie de pasos, entonces
haremos uso del principio multiplicativo y si la actividad a
desarrollar o al ser efectuada tiene alternativas para ser llevada a
cabo, haremos uso del principio aditivo.

Factorial de un número
Se recuerda que el factorial del número natural n es el producto de

los números naturales de 1 a n, esto es,

n × (n − 1) × (n − 2) × · · · × (1)

n!= 1; si n = 0

1; si n = 1

Ejemplo:
5! = 5 × 4 × 3 × 2 × 1 = 120

Permutación
Una permutación de un conjunto de elementos es una disposición

de tales elementos de acuerdo a un orden dedo. El número de
permutaciones de n elementos tomados de r es:

n n!
P =n Pr = Prn =
r (n − r )!

Combinatoria
Una Combinación de un conjunto de elementos es una disposición

de tales elementos sin tener en cuenta su orden. El número de
Combinaciones de n elementos tomados de r es:

n n!
C =n Cr = Crn =
r r ! (n − r )!

Resúmen
Técnica de Conteo Característica Fórmula

Permutaciones Con Repetición P = nr
P nr = n!/(n−r )!

(Importa el orden) Sin Repetición
n+r −1
Combinaciones (n+r −1)!/(n−r )!

Con Repetición C r =
n
(No importa el orden) Sin Repetición C r = n!/r !(n−r )!

Ejemplo
¾Cuántas cantidades de tres cifras se pueden formar con los

dígitos 0, 1, 2, 3 y 4 si no se permite la repetición?
¾Cuántas cantidades de cuatro cifras se pueden formar con los

dígitos 0, 1, 2, 3 y 4 si se permite la repetición?
De entre 8 personas debemos formar un comité de cinco

miembros. ¾Cuántas diferentes posibilidades existen para
formar el comité?

Conceptos Básicos Conceptos de Probabilidad
Distribución de Frecuencia Probabilidad Clásica
Medidas de Tendencia Central, Posición y Variabilidad Probabilidad Condicional
Probabilidad Teorema de Probabilidad Total y Teorema de Bayes
Probabilidad
El concepto de probabilidad es manejado por mucha gente.

Frecuentemente se escuchan preguntas como las que se mencionan
a continuación: ¾Cuál es la probabilidad de que me saque la lotería?,
¾Qué posibilidad hay de que me pase un accidente automovilístico?,
¾Qué posibilidad hay de que hoy llueva? para llevar mi paraguas o
no. ¾Existe alguna probabilidad de que repruebe el primer parcial ?

Experimento aleatorio
Existen dos tipos de fenómenos o experimentos en la naturaleza: los

deterministas y los aleatorios.
Un experimento determinista es aquel que produce el mismo
resultado cuando se le repite bajo las mismas condiciones.
Ejemplos:
Determinar en un intervalo de tiempo dado, la distancia
recorrida por un automóvil que tiene velocidad constante.
Observar el tiempo que tarda un objeto en caer al suelo

cuando se le deja caer desde una altura dada.

Experimento aleatorio
Un experimento aleatorio es el proceso de observar un fenómeno

cuyos posibles resultados son inciertos. Se supone que se saben
todos los posibles resultados del experimento de antemano y que se
puede repetir el experimento en condiciones idénticas.
Ejemplos:
Lanzar una moneda y observar si sale cara o sello.
Observar el resultado de lanzar un dado.

Espacio Muestral
El espacio muestral de un experimento aleatorio es el conjunto de

todos los posibles resultados del experimento, y se le denota
generalmente por la letra griega Ω (omega mayúscula). A un
resultado particular se le llama punto maestral y se denota por ω
(omega minúscula)
Lanzar una moneda y observar si sale cara o sello. Ω = {C , S}

Observar el resultado de lanzar un dado. Ω = {1, 2, 3, 4, 5, 6}

Evento
Llamaremos evento o suceso a cualquier subconjunto del espacio

muestral y los denotaremos por las primeras letras del alfabeto en
mayúsculas: A,B,C, . . . o bien por alguna otra letra en mayúscula
que nos ayude a identicar al evento.
Ejemplo: Si un experimento aleatorio consiste en lanzar un dado y
observar el número que aparece en la cara superior, entonces
claramente el espacio muestral es el conjunto Ω = {1 , 2 , 3 , 4 , 5 , 6 }.
Como ejemplo de un evento para este experimento podemos denir
el conjunto A := {2, 4, 6}, que corresponde al suceso de obtener
como resultado un número par. Si al lanzar el dado una vez se
obtiene el número 4, decimos entonces que se observó la
ocurrencia del evento A, y si se obtiene por ejemplo el resultado
1, decimos que no se observó la ocurrencia del evento A.

Evento
Se dice que un evento essimple cuando consta de un solo

elemento del espacio muestral, en cambio, se llama compuesto
cuando consta de más de un elemento del espacio muestral. Puesto
que los conceptos de espacio muestral y evento involucran
forzosamente el manejo de conjuntos, recordaremos algunas
operaciones entre conjuntos y algunas propiedades que nos serán de
utilidad en el estudio de la probabilidad.

Operaciones con conjuntos
Supondremos que el espacio muestral Ω de un experimento

aleatorio es una especie de conjunto universal y cualquier elemento
de Ω lo denotaremos por ω. Al conjunto vacío lo denotaremos
como es usual por el símbolo 0/ . Otros símbolos usuales son los de
pertenencia (∈), o no pertenencia (∈)
/ de un elemento en un
conjunto. Sean A y B dos subconjuntos cualesquiera de Ω .
Recordamos a continuación las operaciones básicas de unión,
intersección, diferencia y complemento:








Ejemplo: Se lanza un dado equilibrado y se desea determinar la

probabilidad de que :
a) El resultado sea un número par
b) El resultado no sea un número par
c) El resultado sea un número primo
d) El resultado sea un número par y primo
e) El resultado sea un número primo mayor que dos
f) El resultado sea un número par o mayor que dos
Solución:
Se denen los siguientes eventos:
A: El resultado es un número par. A := {2, 4, 6}
Ac : El resultado es un número impar. Ac := {1, 3, 5}
B : El resultado es un número primo B := {1, 2, 3, 5}
C : El resultado es un número mayor que dos. C := {3, 4, 5, 6}
El espacio muestral esta dado por: Ω := {1, 2, 3, 4, 5, 6}

Así tenemos las siguientes cardinalidades:
# (Ω) = 6, # (A) = 3, # (Ac ) = 3, # (B) = 4, # (C ) = 4

#(A) 3
P (A) = #(Ω) = 6 = 0.5 (50 %)

#(Ac ) 3
P (Ac ) = #(Ω) = 6 = 0.5 (50 %)

#(B) 4
P (B) = #(Ω) = = 0.6667 (66.67 %)
6Ignacio Osuna Vergara Estadística Descriptiva

# (Ω) = 6, # (A) = 3, # (Ac ) = 3, # (B) = 4, # (C ) = 4

#(A) 3
P (A) = #(Ω) = 6 = 0.5 (50 %)

#(Ac ) 3
P (Ac ) = #(Ω) = 6 = 0.5 (50 %)

#(B) 4
P (B) = #(Ω) = = 0.6667 (66.67 %)

# (Ω) = 6, # (A) = 3, # (Ac ) = 3, # (B) = 4, # (C ) = 4

#(A) 3
P (A) = #(Ω) = 6 = 0.5 (50 %)

#(Ac ) 3
P (Ac ) = #(Ω) = 6 = 0.5 (50 %)

#(B) 4
P (B) = #(Ω) = = 0.6667 (66.67 %)

# (Ω) = 6, # (A) = 3, # (Ac ) = 3, # (B) = 4, # (C ) = 4

#(A) 3
P (A) = #(Ω) = 6 = 0.5 (50 %)

#(Ac ) 3
P (Ac ) = #(Ω) = 6 = 0.5 (50 %)

#(B) 4
P (B) = #(Ω) = = 0.6667 (66.67 %)

A B = {2} , # (A
T T
B) = 1
P (A B) = #(Ω) = 16 = 0.1667 (16.67 %)
T
T #(A B)

B C = {3, 5} , #
T T
(B C ) = 2
2
T
P (B C ) = #(B C)
T
#(Ω) = 6 = 0.3333 (33.33 %)

A C = {2, 3, 4, 5S, 6} , # (A C ) = 5
S S
5
P (A C ) = #(A C)
S
#(Ω) = 6 = 0.8333 (83.33 %)


A B = {2} , # (A
T T
B) = 1
P (A B) = #(Ω) = 16 = 0.1667 (16.67 %)
T
T #(A B)

B C = {3, 5} , #
T T
(B C ) = 2
2
T
P (B C ) = #(B C)
T
#(Ω) = 6 = 0.3333 (33.33 %)

A C = {2, 3, 4, 5S, 6} , # (A C ) = 5
S S
5
P (A C ) = #(A C)
S
#(Ω) = 6 = 0.8333 (83.33 %)


A B = {2} , # (A
T T
B) = 1
P (A B) = #(Ω) = 16 = 0.1667 (16.67 %)
T
T #(A B)

B C = {3, 5} , #
T T
(B C ) = 2
2
T
P (B C ) = #(B C)
T
#(Ω) = 6 = 0.3333 (33.33 %)

A C = {2, 3, 4, 5S, 6} , # (A C ) = 5
S S
5
P (A C ) = #(A C)
S
#(Ω) = 6 = 0.8333 (83.33 %)




Probabilidad Condicional
En gran número de problemas prácticos, los eventos de mayor

interés son aquellos cuya ocurrencia está condicionada a la
ocurrencia de otro evento. De aquí que interese introducir el
concepto de probabilidad condicional, esto es, la probabilidad
condicionada a que haya ocurrido o pudiese ocurrir cierto evento.
La probabilidad así calculada se le llama probabilidad condicional.
Para representar la probabilidad condicional de un suceso A
respecto a otro B (condicionante o condición) se utiliza la el
símbolo P(A/B), que se lee probabilidad de A dado B, o
probabilidad de A si ocurre B.

En gran número de problemas prácticos, los eventos de mayor

interés son aquellos cuya ocurrencia está condicionada a la
ocurrencia de otro evento. De aquí que interese introducir el
concepto de probabilidad condicional, esto es, la probabilidad
condicionada a que haya ocurrido o pudiese ocurrir cierto evento.
La probabilidad así calculada se le llama probabilidad condicional.
Para representar la probabilidad condicional de un suceso A
respecto a otro B (condicionante o condición) se utiliza la el
símbolo P(A/B), que se lee probabilidad de A dado B, o
probabilidad de A si ocurre B.

Matemáticamente se puede calcular la probabilidad condicional

como el cociente de la probabilidad de intersección de los dos
sucesos entre la probabilidad del suceso condicionante:
P(A ∩ B)
P(A/B) =
P(B)

Ejemplo 1
En una familia con dos hijos, se desea calcular las siguientes

probabilidades:
a) La probabilidad de que los dos hijos sean varones.
b) La probabilidad de que si uno de los hijos es varón, los dos lo
sean
Solución: Sean
A: el evento de que los dos hijos sean varones, y
B : el evento de que al menos uno de los hijos sea varón.
El espacio muestral es:
S = {(h, h), (h, m), (m, h), (m, m)}

1 3 1
P(A) = 4 P(B) = 4 P(A ∩ B) = 4
1
P(A∩B) 4 1
P(A/B) = P(B) = 3 = 3 = 0, 3333
4
Ejemplo 2
La probabilidad de que un vuelo programado normalmente salga a

tiempo es P(D) = 0.83; la probailidad de que llegue a tiempo es
P(A) = 0.82; y a la probabilidad de que salga a tiempo y llegue a
T
tiempo es P(D A) = 0.78. Encuentre la probabilidad de que un
avión:
a) Llegue a tiempo, dado que salio a tiempo.
b) Salió a tiempo, dado que llegó a tiempo.
Solución:
a)
0.78
T
P(A D)
P(A/D) = P(D) = 0.83 = 0.94
b)
0.78
T
P(A D)
P(D/A) = P(A) = 0.82 = 0.95
Eventos Independientes
Denición 1
Dos eventos A y B son independientes si y sólo si
P(A/B) = P (A) o P(B/A) = P (B)
Denición 2
T
P(A B) = P (A) P (B)

Eventos Independientes
Denición 1
P(A/B) = P (A) o P(B/A) = P (B)
Denición 2
T
P(A B) = P (A) P (B)

Ejemplo
Una pequeña ciudad tiene un carro de bombero y una ambulancia

disponible para emergencias. La probabilidad de que el carro de
bombero esté disponible cuando se necesite es 0.98 y la
probabilidad de que la ambulancia esté disponible cuando se le
requiera es de 0.92. En el caso de que resulte un herido de un
edicio en llamas, encuentre la probabilidad de que tanto la
ambulancia como el carro de bomberos estén disponibles.
Solución:
A: El carro de bombero este disponible cuando se necesite.

B: La ambulancia este disponible cuando se le requiera.
T
P(A B) =?
Luego
T
P(A B) = P (A) P (B) = (0.98) (0.92) = 0.9016
Ejemplo
Una pequeña ciudad tiene un carro de bombero y una ambulancia

disponible para emergencias. La probabilidad de que el carro de
bombero esté disponible cuando se necesite es 0.98 y la
probabilidad de que la ambulancia esté disponible cuando se le
requiera es de 0.92. En el caso de que resulte un herido de un
edicio en llamas, encuentre la probabilidad de que tanto la
ambulancia como el carro de bomberos estén disponibles.
Solución:
A: El carro de bombero este disponible cuando se necesite.

B: La ambulancia este disponible cuando se le requiera.
T
P(A B) =?
Luego
T
P(A B) = P (A) P (B) = (0.98) (0.92) = 0.9016
Teorema de Probabilidad Total
SiA1 ,A2 , · · · ,An son sucesos, cuya unión es el espacio muestral

(A1 ∪ A2 ∪ · · · ∪ An = E ) y B es otro suceso, resulta que:
P(B) = P(A1 )P(B/A1 ) + P(A2 )P(B/A2 ) + · · · + P(An )P(B/An )

Ejemplo
Se dispone de tres cajas con bombillas. La primera contiene 10

bombillas, de las cuales hay cuatro fundidas; en la segunda hay seis
bombillas, estando una de ellas fundida, y la tercera caja hay tres
bombillas fundidas de un total de ocho. ¾Cuál es la probabilidad de
que al tomar una bombilla al azar de una cualquiera de las cajas,
esté fundida?
1 4 11 13 113
P(Fundida) = + + = = 0, 3139
3 10
Ignacio Osuna Vergara3 6 Estadística
38 360
Descriptiva
Teorema de Bayes
Si A1 ,A2 , · · · ,An son sucesos, cuya unión es el espacio muestral

(A1 ∪ A2 ∪ · · · ∪ An = E ) y B es otro suceso, el Teorema de Bayes
dice
P(Ai )P(B/Ai )
P(Ai /B) =
P(A1 )P(B/A1 ) + P(A2 )P(B/A2 ) + · · · + P(An )P(B/An )

Ejemplo
El 20 % de los empleados de una empresa son ingenieros y otro

20 % son economistas. El 75 % de los ingenieros ocupan un puesto
directivo y el 50 % de los economistas también, mientras que los no
ingenieros y los no economistas solamente el 20 % ocupa un puesto
directivo. ¾Cuál es la probabilidad de que un empleado directivo
elegido al azar sea ingeniero?

Conceptos Básicos
Probabilidad
Introducción
Introducción
Una variable estadística es una característica (Cualitativa o

cuantitativa) que se mide u observa en una población. Si la
población es aleatoria y la característica es aleatoria la variable
estadística es denominada variable aleatoria; recordemos que las
variables cuantitativas se clasican en discretas y continuas.
Denición
Se denomina variable aleatoria (V.A), a una variable estadística

cuantitativa denida en un espacio muestral Ω

Conceptos Básicos
Probabilidad
Variable Aleatoria (V .A)

Una variable aleatoria es una función que asocia un número real
con cada elemento del espacio muestral.
Ejemplo 1:
Se sacan 2 bolas de manera sucesiva sin reemplazo, de una urna

que contiene 4 bolas rojas y 3 negras. Se dene la variable aleatoria:
Y: Número de bolas rojas.
Ω Y P (Y = y )
2/7
Y P (Y = y )
RR 2
0 1/7
RN 1 2/7
1 4/7
NR 1 2/7
2 2/7
NN 0 1/7
Conceptos Básicos
Probabilidad

Una variable aleatoria es una función que asocia un número real
con cada elemento del espacio muestral.
Ejemplo 1:
Se sacan 2 bolas de manera sucesiva sin reemplazo, de una urna

que contiene 4 bolas rojas y 3 negras. Se dene la variable aleatoria:
Y: Número de bolas rojas.
Ω Y P (Y = y )
2/7
Y P (Y = y )
RR 2
0 1/7
RN 1 2/7
1 4/7
NR 1 2/7
2 2/7
NN 0 1/7
Conceptos Básicos
Probabilidad
Función de Probabilidad
Denición
La función del conjunto de números reales en el intervalo

[0, 1]recibe el nombre de función de probabilidad; denida mediante
(
P (X = x) si x pertenece al rango de X
fx (x) =
0 en otro caso
Propiedades
La función de probabilidad, fX de una variable aleatoria X satisface

las siguientes propiedades
fX (x) ≥ 0 para todo x

∑fX (x) = 1
x
Conceptos Básicos
Probabilidad
Ejemplo
Ejemplo
continuando con el ejemplo 1 función de probabilidad es:


1/7 si y = 0

4/7

si y = 1
fY (y ) =
2/7
 si y = 2


0 En cualquier otro caso

Conceptos Básicos
Probabilidad
Función de distribución Acumulada de una V.A discreta
Denición
La función de distribución acumulada de una variable aleatoria

discreta X, denotada por Fx (x)se dene como
Fx (x) = P (X ≤ x) = ∑ fX (xi )
xi ≤x
Propiedades
La función de probabilidad, FX de una variable aleatoria X satisface

las siguientes propiedades
0 ≤FX (x) ≤ 1
si x ≤ y , entonces FX (x) ≤ FY (y )

Conceptos Básicos
Probabilidad
Ejemplo
Ejemplo
continuando con el ejemplo 1 función de probabilidad es:



0 si y < 0
1/7

si 0 ≤ y < 1
fY (y ) =
4/7
 si 1 ≤ y < 2


1 si y ≥ 2

Conceptos Básicos
Probabilidad

Ejemplo 2:
Se lanza una moneda corriente tres veces consecutivas. Se dene la

variable aleatoria:
X: Número de caras obtenidas.
Ω X P (X = x)
CCC 3 1/8
CCS 2 1/8 X P (X = x)
CSC 2 1/8 0 1/8
CSS 1 1/8 1 3/8
SCC 2 1/8 2 3/8
SCS 1 1/8 3 1/8
SSC 1 1/8
SSS 0 1/8

Conceptos Básicos
Probabilidad
Ejemplo 3:
De un lote de diez artículo se selecciona uno de manera aleatoria,

de los cuales tres son defectuosos.
Se dene la variable aleatoria:
(
0 si es defectuoso
X=
1 si no es defectuoso
3
(
10 si x = 0
P (X = x) = 7
10 si x = 1

Conceptos Básicos
Probabilidad
Valor Esperado y Varianza de una V.A
Valor Esperado Para Una V.A Discreta:
Sea X una variable aleatoria discreta con función de probabilidad

P (X ). La media o valor esperado de X es:
E (X ) = ∑ xP (X = x)
Rx

Conceptos Básicos
Probabilidad
Valor Esperado y Varianza de una V.A
Varianza de una V.A Discreta:
Sea X una variable aleatoria discreta con función de probabilidad

P (X ). La varianza de X está dada por:
Var (X ) = ∑ (x − E (x))2 P (X = x)
Rx
Nota: La varianza puede ser denida como:
Var (X ) = E X 2 − E 2 (X )

donde
E X 2 = ∑ x 2 P (X = x)

Rx

Conceptos Básicos
Probabilidad
Ejemplo
Ejemplo 1:
Calcular el valor esperado y la varianza de la variable aleatoria Y del

ejercicio 1:
Del ejercicio planteado se tiene que:
Y P (Y = y )
1
0
7
4
1
7
2
2
7
Por consiguiente el valor esperado de Y está dado por:

1 4 2 8

E (Y ) = ∑ yP (Y = y ) = (0) 7 + (1) 7 + (2) 7 = 7
Rx

Conceptos Básicos
Probabilidad
Ejemplo
Ejemplo 1:
La varianza:
E Y 2 = ∑ y 2 P (Y = y ) = 2 1 2 4 2 2 12

0
7 + 1
7 + 2
7 = 7
Ry
Var (Y ) = E Y 2 − E 2 (Y )

2
12 8
= −
7 7
12 64
= −
7 49
20
=
49

Estadistica Destriptiva PDF

Загружено:

Сведения о документе

Исходное описание:

Оригинальное название

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

Estadistica Destriptiva PDF

Загружено:

Авторское право:

Доступные форматы

Conceptos Básicos

Ignacio Osuna Vergara

Ignacio Osuna Vergara Estadística Descriptiva

Ignacio Osuna Vergara Estadística Descriptiva

Tiene que ver con la recopilación, presentación, análisis y uso de

La estadística ayuda a los ingenieros y cientícos a:

Diseñar nuevos productos y sistemas.

Perfeccionar los existentes.

Diseñar, desarrollar y mejorar procesos de producción.

Aumentar la calidad de los productos

Ignacio Osuna Vergara Estadística Descriptiva

Tiene que ver con la recopilación, presentación, análisis y uso de

La estadística ayuda a los ingenieros y cientícos a:

Diseñar nuevos productos y sistemas.

Perfeccionar los existentes.

Diseñar, desarrollar y mejorar procesos de producción.

Aumentar la calidad de los productos

Ignacio Osuna Vergara Estadística Descriptiva

Tiene que ver con la recopilación, presentación, análisis y uso de

La estadística ayuda a los ingenieros y cientícos a:

Diseñar nuevos productos y sistemas.

Perfeccionar los existentes.

Diseñar, desarrollar y mejorar procesos de producción.

Aumentar la calidad de los productos

Ignacio Osuna Vergara Estadística Descriptiva

¾Porqué es necesario estudiar estadística?

Es el resultado de cambios en las condiciones bajo las cuales se

Diferencias en las propiedades de los materiales.

La estadística descriptiva nos enseña como recolectar, agrupar y

La estadística inferencial trata del diseño de experimentos o

Ignacio Osuna Vergara Estadística Descriptiva

La estadística descriptiva nos enseña como recolectar, agrupar y

La estadística inferencial trata del diseño de experimentos o

Ignacio Osuna Vergara Estadística Descriptiva

Se representa por la letra N y es el conjunto formado por un grupo

Medida descriptiva de la población.

Ignacio Osuna Vergara Estadística Descriptiva

Se representa por la letra N y es el conjunto formado por un grupo

Medida descriptiva de la población.

Ignacio Osuna Vergara Estadística Descriptiva

Se representa por la letra n y es una parte o subconjunto de la

Valor que describe una muestra y sirve como estimación de un

Ignacio Osuna Vergara Estadística Descriptiva

Se representa por la letra n y es una parte o subconjunto de la

Valor que describe una muestra y sirve como estimación de un

Ignacio Osuna Vergara Estadística Descriptiva

Una variable es una característica que es de interés

Ignacio Osuna Vergara Estadística Descriptiva

Una variable es cualitativa si en la característica que se va a

Una variable se dice cualitativa nominal si los datos consisten en

Una variable se dice cualitativa ordinal ( orden) si los datos constan

Ignacio Osuna Vergara Estadística Descriptiva

Una variable es cualitativa si en la característica que se va a

Una variable se dice cualitativa nominal si los datos consisten en

Una variable se dice cualitativa ordinal ( orden) si los datos constan

Ignacio Osuna Vergara Estadística Descriptiva

Una variable es cuantitativa si la característica de interés se puede

Una variable se dice que es cuantitativa discreta si toma valores

una variable se dice que es cuantitativa continua si toma valores en

Ignacio Osuna Vergara Estadística Descriptiva

Una variable es cuantitativa si la característica de interés se puede

Una variable se dice que es cuantitativa discreta si toma valores

La estadística ayuda a los ingenieros y cientícos a:

La estadística ayuda a los ingenieros y cientícos a:

La estadística ayuda a los ingenieros y cientícos a:

Representación Gráca de datos

Representación Gráca de datos

Este tipo de medidas nos permiten identicar y

Este tipo de medidas nos permiten identicar y