Disciplina que proporciona el conjunto de tcnicas para la recoleccin,

organizacin, anlisis e interpretacin de datos, los cuales pueden ser

utilizados para inferir sobre una poblacin, o para predecir el comportamiento
de un fenmeno.
ESTADSTICADESCRIPTIVA: es la rama de la estadstica que proporciona las tcnicas o
procedimientos para organizar, resumir, analizar e interpretar la
informacin contenida en un conjunto de datos.

ESTADSTICA:

ESTADSTICAINFERENCIAL: se define como la rama de la estadstica que proporciona tcnicas

o procedimientos para analizar, interpretar y tomar decisiones
sobre una poblacin, con base en la informacin que se obtiene
de una muestra.
ELEMENTOS DE LA ESTADSTICA:
Dato: es un elemento de todo un conjunto que posee una o ms caractersticas o valores y
pueden ser cuantitativos o cualitativos.
Poblacin: se puede definir como el total de los elementos o datos en estudio.
Muestra: es un subconjunto de datos de una poblacin.
Medidasdescriptivas: son indicadores expresados mediante una formula matemtica que
permite conocer, de manera resumida, la informacin o las
caractersticas relevantes de una muestra o una poblacin

Parmetro:esunamedidadescriptivadeunapoblacin,obtenidaconinformacincontenida
enuncenso.
Estadstico:esunamedidadescriptivaqueesobtenidadeunamuestra.
Variablecualitativa:sonaquellascaractersticasdeintersquemanejandatoscualitativos,
susvaloresexpresanunniveldecalidadoatributo.
Variablescuantitativas: sonaquellascaractersticasdeintersquemanejandatos
cuantitativos,susvaloressepuedencontaromedirmedianteunaexpresinnumrica,yse
dividenendiscretasycontinuas.
Variablesdiscretas: sonaquellascaractersticasquenicamentepuedenexpresarseen
nmerosenteros.
Variablescontinuas: sonaquellascaractersticasquepuedentomarcualquiervalordentro
deunintervalo.

INFERENCIAL

ESTIMACIN
DISTRIBUCINDE
FRECUENCIAS
ENFORMA
TABULAR

DISTRIBUCINDE
FRECUENCIASRELATIVAS
DISTRIBUCINDE
FRECUENCIASRELATIVAS
ACUMULADAS

PRESENTACIN
DEDATOS

ESTADSTICA

DATOS
CUALITATIVOS

ENFORMA
GRAFICA

DIAGRAMA
CIRCULAR
DIAFRAMADE
BARRAS
DIAGRAMASDE
LINEA

DATOS
CUANTITATIVOS

DIAGRAMADE
DISPERSIN

DESCRIPTIVA
HISTOGRAMAS

DETENDENCIA
CENTRAL

DATOS
AGRUPADOS

MEDIA
MEDIANA
MODA

NO
AGRUPADOS

MEDIA
MEDIANA
MODA

RANGO

MEDIDAS
DESCRIPTIVAS

COEFICIENTEDE
VARIACIN

DEDISPERSIN

INDICEDE
SIMETRA
INDICEDE
KURTOSIS
DESVIACIN
ESTANDAR
VARIANZA

AGRUPADOS
NO
AGRUPADOS

EJEMPLO:
A continuacin se muestran las calificaciones finales de 42 alumnos de una universidad.
Las calificaciones son: 5, 10, 10, 10, 10, 5, 6, 5, 6, 10, 5, 9, 8, 5, 9, 9, 6, 8, 9, 5, 5, 9, 8, 10, 10, 7,
7, 9, 5,10, 10, 5, 5, 8, 6, 5, 8, 5, 6, 5, 6, 5.
a) Construye una tabla de distribucin de frecuencias
b) Construye una tabla de distribucin de frecuencias relativas
c) Construye una tabla de distribucin de frecuencias relativas acumuladas.

calificacin

tabulacin

Numero de
Frecuencia
estudiantes
relativa
(frecuencia)

porcentaje

Frecuencia
relativa
acumulada

tabulacin

Numero de
Frecuencia
estudiantes
relativa
(frecuencia)

porcentaje

Frecuencia
relativa
acumulada

10

lllll llll

0.2142

21.42

0.2142

llllll

0.1428

14.28

0.3570

lllll

0.1190

11.90

0.4760

ll

0.0479

4.79

0.5239

lllllll

0.1666

16.66

0.6905

lllllllllllll

13

0.3095

30.95

1.0000

42

1.0000

100.00

total

DiagramadeBarras
Se compone de barras o segmentos rectangulares separados que representan una
categora o clase.
Sus desventajas son que deben interpretarse usando las alturas relativas de las barras en
una escala comn y el ancho de las barras disminuye conforme aumentan las categoras .

tabulacin

Numero de
Frecuencia
estudiantes
relativa
(frecuencia)

porcentaje

Frecuencia
relativa
acumulada

lllllllllllll

13

0.3095

30.95

0.3095

lllllll

0.1666

16.66

0.4761

ll

0.0479

4.79

0.5239

lllll

0.1190

11.90

0.6430

llllll

0.1428

14.28

0.7858

10

lllll llll

0.2142

21.42

1.0000

42

1.0000

100.00

total

DiagramaCircularodePastel

Suusomsfrecuentecuandoutilizamosdatosconvariablescualitativasysusdesventajas
esqueestnlimitadasaunnmeromuypequeodesectores,serequierequeel
observadorhagajuicioscomparativossobrelosngulos,arcosytamaosdelossectoresy
resultaimposiblecomparargruposdedatos.

sector

Millonesdedls

Porcentaje

Petrolero

16379.9

9.70

Agropecuario

4262.7

2.56

Extractivo

520.7

0.40

Manufacturero

145260.7

87.30

Total

166424.0

100.00

DiagramadeBarras
Se compone de barras o segmentos rectangulares separados que representan una
categora o clase.
Sus desventajas son que deben interpretarse usando las alturas relativas de las barras en
una escala comn y el ancho de las barras disminuye conforme aumentan las categoras .
180000
166424
160000
145260.7
140000

120000

100000
Series1
80000

60000

40000

20000

16379.9
4262.7

520.7

0
Petrolero

Agropecuario

Extractivo

Manufacturero

Total

DiagramadeLneas
Es utilizado para exponer el comportamiento de variables cuantitativas a travs del tiempo.

Numerodehuelgas

frecuencia
180
160
140
120
100
80
60
40
20
0

frecuencia

ao

DiagramadeDispersin
Es una representacin de dos variables cuantitativas que se analizan de manera simultanea,
los valores de ambas variables se representan individualmente sin agruparse en clases.

Ejemplo:
Se seleccionan al azar cinco automviles de un sitio de alquiler. Cada auto se pesa y
despus se conduce durante 100 km para determinar el rendimiento del kilometraje
recorrido por litro. Los resultados son:

Automvil

Peso(kg)

Km/lt

750

10.0

420

17.2

550

15.0

1000

9.0

680

8.0

Se desarrolla el diagrama de dispersin:

Y(km/lt)
20
15
10
5
0
200

400

600

800

750

10.0

420

17.2

550

15.0

1000

9.0

680

8.0

1000

X (peso)

Histograma
Nos ayuda a describir grficamente la informacin contenida en una distribucin de
frecuencias. Analiza datos cuantitativos
Histogramadeventasdeautos
14

12

frecuencia

10

0
10

7
ventas

14

13

12

frecuencia

10

7
6

2
0
5

calificacin

10

Poligonodefrecuenciarelativaacumulada
1.2
1
0.8
0.6
0.4
0.2
0
5

7
calificacin

10

Datos no agrupados

Media poblacional

Media muestral

N nmero de datos de la poblacin

X i valor que toma cada uno de los datos
n nmero de datos de la muestra

Ejemplo:

Mes

Tipodecambioenel2000

Enero

9.47

Febrero

9.44

Marzo

9.29

Abril

9.37

Mayo

9.50

Junio

9.79

Julio

9.46

Agosto

9.28

Septiembre

9.33

Octubre

9.51

noviembre

9.1

diciembre

9.44

Obtener la media

9.47

9.44

9.29

9.37

9.5

9.79

9.46

9.28

12

113.99
12

9.44

9.33

9.51

9.1

9.44

La mediana
Valor que se encuentra exactamente a la mitad de una serie ordenada.
1 Se ordenan los datos
2 Observar el tamao de la muestra o la poblacin y bajo los siguientes criterios
encontrar la mediana.
A Si el nmero de datos es un nmero impar, la mediana es el nmero
que se encuentra exactamente a la mitad. (n+1)/2
B Si el nmero de datos es un nmero par, la mediana es el valor de la
suma de los dos nmeros centrales entre dos.
La Moda
Se define como el valor de la variable que se presenta con mayor frecuencia en
una serie de datos.

Datos Agrupados

Media poblacional

Media muestral

Media aritmtica de la muestra

Media aritmtica de la poblacin
mj Punto medio de cada clase
fi Frecuencia de cada clase

Ejemplo: Con la siguiente informacin de productos vendidos por hora en una

tienda de autoservicio, calcula la media, la mediana y la moda.
48

56

50

36

40

65

74

61

43

60

67

31

51

65

54

66

36

53

67

37

40

41

60

83

46

68

37

58

61

54

53

61

70

77

46

62

38

81

68

37

70

63

90

44

45

36

46

60

55

36

Primero se ordena la informacin.

36

31

50

36

36

40

36

51

43

37

48

37

53

44

37

53

38

58

55

40

62

41

60

61

45

65

46

60

65

46

66

56

61

67

46

67

61

70

68

54

68

63

81

77

54

70

74

90

83

60

Se obtiene el nmero de clases y amplitud de clase

Numero de clases
Regla de Sturges C= 3.3.(log n) +1= 3.3(log 50)+1=6.606
2k=n log2k = log n k log 2= log n k= log n / log k= log 50/ log 2 =5.64
El nmero de clases ser 6

La amplitud se obtienen a partir del rango:

Rango = (dato mayor dato menor)= 90 31 = 59
La amplitud I= rango / numero de clases = 59/6=9.83 10
Con los datos se obtiene la frecuencia de cada clase y la marca de clase.
Marca de clase = (Valor superior de la clase + Valor inferior de la clase) / 2

3140
4150
5160
6170
7180
8190

fi

fa

11
9
11
14
2
3
50

11
20
31
45
47
50

mi
mi
35.5
45.5
55.5
65.5
75.5
85.5

mi fi
390.5
409.5
610.5
917
151
256.5
2735

mi
19.2
45.5
55.5
65.5
75.5
85.5

(mi )2 (mi )2 fi
368.64
2070.25
3080.25
4290.25
5700.25
7310.25

4055.04
18632.25
33882.75
60063.5
11400.5
21930.75
149964.79

Limite inferior real de clase = (valor inferior de la clase + valor superior de la

clase anterior) / 2
Limite real de clase = (Limite inferior de la clase mediana+ Limite superior de la
clase anterior) / 2
La mediana
Identificar la clase donde se encuentra la mediana

I
Li= Lmite real inferior de la clase mediana
n= Nmero de datos observados
Fa= Frecuencia acumulada anterior a la clase mediana
I = Amplitud del intervalo de la clase mediana
fm= Frecuencia de la clase mediana

La moda

Li= Lmite real inferior de la clase modal

1=Diferencia entre la mayor frecuencia y la frecuencia anterior
2=Diferencia entre la mayor frecuencia y la frecuencia que le sigue
I = Amplitud del intervalo de la clase mediana

Varianza
Es una medida de variabilidad que toma en cuenta la dispersin que los
valores de los datos tienen con respecto a su media.
Datos no agrupados

Datos agrupados

Desviacin Estndar
Tambin es una medida de variabilidad que toma en cuenta la dispersin de
los valores de los datos con respecto a la media.
Datos no agrupados

Datos agrupados

Una empresa de ventas por telfono quiere conocer la variacin existente en

las ventas realizadas(en miles de pesos) por sus operadores. Para esto realiza
una muestra de 25 operadores telefnicos, obteniendo los resultados de la
tabla. Calcular la media, mediana, moda, desviacin estndar.
Ventas(miles)

fi

5 8.99

9 12.99

13 16.99

17 20.99

21 24.99

25 28.99

25

fa

mi

mi fi

mi

(mi )2

(mi )2 fi

ndice de asimetra

La probabilidad es un indicador que seala que tan cierto o que tan posibles es
que se presente un suceso o un acontecimiento.
Se expresa mediante la letra P.

0<=P<=1
Experimento: Proceso de observacin del cual se obtiene un resultado de entre
distintos resultados posibles.
Espacio muestral: es el conjunto de todos los resultados posibles que se
pueden obtener de un experimento y es representado mediante la letra S.
Puntos muestrales: Son los resultados posibles que pueden obtenerse en un
experimento.
Ejemplo:
Si se lanza una moneda al aire una sola vez, encuentra:
A) cul es el experimento?
B) cules son los resultados posibles o puntos muestrales?
C) cul es el espacio muestral?

Seleccin con reemplazo: es aquella que ocurre cuando una opcin que ya fue
seleccionada, puede volver a ser seleccionada.
Seleccin sin reemplazo es aquella que ocurre cuando una opcin que ya fue
seleccionada, ya no puede volver a ser seleccionada nuevamente.
Ejemplo: Un inversionista seleccionara de manera aleatoria y sin reemplazo
dos acciones entre un portafolio compuesto por tres acciones: accin A, accin
B, accin C. cules son los posibles resultados o puntos muestrales? cul
es el espacio muestral?.
R1: (A,B) R2: (A,C) R3: (B,C) R4: (B,A) R5: (C,A) R6: (C,B)
S={(A,B) (A,C) (B,C) (B,A) (C,A) (C,B) }
Evento (E): Se le llama a la coleccin de uno o varios resultados posibles o
puntos muestrales que pertenecen a un espacio muestral. Es un subconjunto
del espacio muestral.

Evento simple: se le denomina a la coleccin de un nico resultado posible o

un nico punto muestral.
Evento compuesto: se le denomina a la coleccin de dos o ms resultados
posibles o puntos muestrales.
Ejemplo: Estudiante que platica con tres jvenes (guapo o feo)
Probabilidad simple: es que ocurra un evento simple, se presente un punto
muestral.
Probabilidad conjunta: es que ocurra un evento conjunto, se presenten dos o
mas puntos muestrales.

Probabilidad de un evento= Nmero de

Clsico: resultados favorables/Nmero total de
resultados

Enfoques de la
probabilidad

P(A)=n(A)/N
Numero de veces en que
Frecuencia
se ha presentado el evento/entre total de
relativa:
observaciones

Es asignada por un individuo, desde su

Subjetivo apreciacin personal o con base en el
grado de creencia que tiene sobre la
ocurrencia de un evento particular

La unin de eventos es la coleccin de puntos muestrales que se encuentran

contenidos en los mismos. Si se tienen dos eventos, A y B la unin de estos es
la coleccin de puntos muestrales que se encuentran contenidos en el evento A
o en el evento B o en ambos y se representan mediante el smbolo AB.
La interseccin de dos eventos A y B es el conjunto de todos los puntos
muestrales que se encuentran contenidos en ambos eventos A y B
simultneamente, y es representada por el smbolo AB.
La aduana de un determinado punto fronterizo seleccionara 4 camiones para
inspeccionar sus mercancas. De acuerdo con las ltimas inspecciones, se
sabe que 50% de los camiones que ingresan al pas trae mercanca de
contrabando y el otro 50% su mercanca se encuentra en orden.
a) Encuentre los puntos muestrales y la probabilidad de que al realizarse la
inspeccin, dos camiones tengan mercanca de contrabando.
b) Qu tipo de probabilidad se trata en este evento, simple o conjunta?
R1:(S,S,S,S)
R2:(S,S,S,N)
R3:(S,S,N,S)
R4:(S,N,S,S)

R5:(N,S,S,S)
R6:(S,S,N,N)
R7:(S,N,N,S)
R8:(N,N,S,S)

R9:(S,N,S,N)
R10:(N,S,S,N)
R11:(N,S,N,S)
R12:(S,N,N,N)

R13:(N,S,S,S)
R14:(N,S,N,N)
R15:(N,N,S,N)
R16:(N,N,N,N)

Puntos muestrales
R1:(S,S,S,S)
R2:(S,S,S,N)
R3:(S,S,N,S)
R4:(S,N,S,S)

R5:(N,S,S,S)
R6:(S,S,N,N)
R7:(S,N,N,S)
R8:(N,N,S,S)

R9:(S,N,S,N)
R10:(N,S,S,N)
R11:(N,S,N,S)
R12:(S,N,N,N)

R13:(N,S,S,S)
R14:(N,S,N,N)
R15:(N,N,S,N)
R16:(N,N,N,N)

P(2 CAMIONES CON CONTRABANDO)= 6/16= 0.375

De los eventos A dos camiones que contienen mercanca de contrabando y B
que el primer camin inspeccionado contenga mercanca de contrabando,
encontrar la unin de los eventos A y B.

Una muestra de empleados se va a encuestar en cuanto a un nuevo plan de

cuidado de la salud. Los empleados se clasifican de la siguiente manera:
supervisores

120

0.06

mantenimiento

50

0.025

produccin

1460

0.73

administracin

302

0.151

secretarias

68

0.034

2000

A) Cual es la probabilidad de que la primera persona elegida sea:

i. De mantenimiento o secretaria
ii. Que no sea de mantenimiento.
B) Dibuje un diagrama de Venn que ilustre sus respuestas del inciso
A)
C) Los eventos del inciso A) i) son complementarios, mutuamente
excluyentes, o ambos?

i) Probabilidad que sea de mantenimiento o secretaria

ii) Probabilidad que no sea de mantenimiento

No son complementarios pero si
son excluyentes
b

P(-b)

Reglaespecial

P(AoB)=P(A)+P(B)eventos
mutuamenteexcluyentes

RegladelComplemento

P(A)=1 P(~A)

ReglaGeneral

P(AoB)=P(A)+P(B) P(AyB)

ReglasdelaAdicin

Una mquina automtica llena bolsas de plstico con una combinacin de frijoles, brcoli y
otras verduras. La mayora de las bolsas contienen el peso correcto, aunque como
consecuencia de la variacin del tamao del frijol y de otras verduras, un paquete podra
pesar menos o ms. Una revisin de 4000 paquetes que se llenaron el mes pasado arroj los
siguientes datos:
Peso

Evento

Nmero de
paquetes

Probabilidadque
ocurraevento

Menospeso

100

.025

Pesosatisfactorio

3600

.900

Mspeso

300

.075

4000

1.000

100/4000

Culeslaprobabilidaddequeenunpaqueteenparticularpesemenosopesems?
P(AoC)=P(A)+P(B)=0.025+0.075=.1

Ejemplo: Cul es la probabilidad de que una carta, escogida al azar, de una baraja
convencional sea rey o corazn?
Carta

Probabilidad

Explicacin

Rey

P(A)=4/52

4reyes

Corazn

P(B)=13/52

13corazones

Reydecorazones

P(AyB)=1/52

1reydecorazones

P(AoB)=P(A)+P(B) P(AyB)=4/52+13/52 1/52=16/5200.3077

Regladelamultiplicacin

Reglaespecial

P(AyB)=P(A)P(B)independencia

Reglageneral

P(AyB)=P(A)P(A/B)Probabilidadcondicional

Ejemplo:UnaencuestallevadaacaboporlaAmericanAutomobileAssociation(AAA)revel
queelaopasado60%desusmiembroshicieronreservacionesenlneaareas.Dosdeellos
fueronseleccionadosalazar.Culeslaprobabilidaddequeamboshicieranreservacionesel
aopasado?
P(R1yR2)=P(R1)P(R2)=(0.60)(0.6)=0.36
Ejemplo:Ungolfistatiene12camisasensuclset.Supongaque9sonblancasylasdems
azules.Comosevistedenoche,simplementetomaunacamisayselapone.Juegagolf2
vecesseguidasynolaslava.Culeslaprobabilidaddequelasdoscamisaselegidassean
blancas?
P(B1yB2)=P(B1)P(B2/B1)=(9/12)(8/12)=0.55

Laprobabilidadcondicionaldeuneventoesaquellaqueestacondicionadao
determinadaporlapresenciadeotroevento.
P(A/B)=P(AB)
P(B)
P(A/B)ProbabilidadcondicionaldequesepresenteeleventoAdadoqueocurrael
eventoB
P(AB)ProbabilidaddelainterseccindeleventoAconeleventoB,probabilidadde
queocurranestoseventosdeformasimultnea.
P(B)ProbabilidaddequeocurraeleventoB.
Ejemplo
Deacuerdoconalgunosestudiosrealizadosporanalistasdemercado,sesabequela
probabilidaddequeexistaunadevaluacindelpesoyunacadaenlatasadeintersde
manerasimultaneaesde0.2.Adems,laprobabilidaddequeexistaunacadaenlas
tasasdeintersesde0.5.Sealaculserlaprobabilidaddequeexistaunadevaluacin
enelpesodadoquesepresenteunacadaenlastasasdeinters.
EventoA=devaluacin
EventoB=cadadelastasasdeinters
P(AB)=0.2

P(B)=0.5
P(A/B)=P(AB)= 0.2=0.4
P(B)0.5
Laindependenciaestadstica
Doseventossonestadsticamenteindependientescuandonotienenningunainfluencia
entres,esdecir,quelaprobabilidaddeuneventoesindiferentealapresenciaono
presenciadeotroevento.
Seexpresa
P(A/B)=P(A)
Sinosonestadsticamenteindependientesseexpresa
P(A/B)=P(A)
Ejemplo
Sesabeque50%delosrefrescosqueseconsumenenunapoblacinsondeuna
determinadamarca,tambinsesabeque60%delapoblacinhavistoportelevisinel
nuevocomercialdeesterefresco,yquelaspersonasqueconsumenesamarcaderefresco
yquehanvistosunuevocomercialrepresentan30%delapoblacin.Determinesila
compraderefrescosdeestamarcahasidoestimuladaporsunuevocomercialen
televisin.

EventoA=consumoderefrescodelamarcasealada
EventoB=Nuevocomercialdelrefresco
P(A)=0.5
P(B)=0.6
P(AB)=0.3
Seobtienelaprobabilidadcondicional
P(A/B)=P(AB)= 0.3=0.5
P(B)0.6
P(A/B)=P(A)=0.5,porlotanto,laprobabilidaddequeunclienteconsumarefrescosde
estadeterminadamarcanoestinfluidaporlapresenciadelnuevocomercial.Lapublicidad
noeslaadecuada.
Leydelamultiplicacin
EstablecelaprobabilidaddequesepresentelainterseccindedoseventosAyB.
Siloseventossonestadsticamenteindependientes
P(AB)=P(A)*P(B)
P(AB)=EslaprobabilidaddequesepresenteeleventoA
P(A)=EslaprobabilidaddequesucedaeleventoA
P(B)=EslaprobabilidaddequesucedaeleventoB

Ejemplo
Eldepartamentodemercadotecniadeunaempresarealizounestudiodemercadoparasaber
cualdedosbebidasrefrescantesprefierenlosconsumidores;labebidarefrescanteAtuvouna
probabilidaddeaceptacinde75%,mientrasquelabebidarefrescanteBtuvounaaceptacin
de80%.Culeslaprobabilidaddequeambasbebidasrefrescantestenganaceptacinpor
partedelosconsumidoressisesuponequeamboseventossonestadsticamente
independientes?
P(A)=0.75
P(B)=0.80
P(AB)=P(A)*P(B)=(0.75)*(0.80)=0.6
Laprobabilidaddequeambasbebidasseanaceptadasesde0.60
Siloseventosnosonestadsticamenteindependientes
P(AB)=P(A/B)*P(B)
P(A/B)=ProbabilidadcondicionaldequesepresenteeleventoAdadoqueocurraeleventoB
Ejemplo
Eneldepartamentodeproduccindeunaempresasesabequeunconjuntode10partesde
repuestocontieneochopartesaceptables(A)y2defectuosas(B).Dadalaseleccinaleatoria
sinreemplazodedospartes,culeslaprobabilidaddequelasdospartesseleccionadassean
aceptables?

P(A)=8/10
P(A/B)=7/9
P(AB)=P(A/B)*P(B)=(8/10)*(7/9)=(56/90)=0.6222
Laprobabilidaddequelasdospartesseleccionadasseanaceptadasesde0.62
Tabla de contingencia
Tabla utilizada para clasificar observaciones de una muestra, de acuerdo con dos o
ms caractersticas identificables.
Una encuesta de 150 adultos clasificados segn su gnero y la cantidad de
pelculas que vieron en el cine el mes pasado. Cada entrevistado se clasifica de
acuerdo con dos criterios: la cantidad de pelculas que ha visto y el gnero
Gnero
Pelculas
vistas

Hombres

Mujeres

Total

20

40

60

40

30

70

2oms

10

10

20

Total

70

80

150

Diagrama de rbol

M80/150

0P40/80

(80/150)(40/80)=4/15

1P30/80

(80/150)(30/80)=3/15

2<P10/80

(80/150)(10/80)=1/15

0P20/70

(70/150)(20/70)=2/15

1P40/70

(70/150)(40/70)=4/15

2<P10/70

(70/150)(10/70)=1/15

Raz

H70/150

TeoremadeBayes
Enlamayoradelasaplicacionesrealeslasdecisionesseactualizanconformeseobtiene
nuevainformacinoexisteuncambiodeescenarios.
LaLeydeBayesproporcionaunmtodomedianteelcuallaprobabilidaddeciertoevento
queyaesconocido(probabilidadapriori oprevia)sevaactualizandoconformeseobtiene
nuevainformacin.Unavezquelaprobabilidadhasidoactualizadaselellama
probabilidadaposteriori (oprobabilidadposterior).
Laprobabilidadcondicionaldeterminalaformaenqueuneventoesinfluidoo
determinadodadalapresenciadeotroevento.
LaLeydeBayesseutilizaparaobtenerprobabilidadesmsprecisasquelasprobabilidades
apriori,dadalapresenciadeunnuevoevento.
LaformulaparaencontrarunaprobabilidadaposteriorieslaqueseconocecomoLeyde
Bayes.

P(A/B)=

P(B/A) * P(A)
.
P(B/A) * P(A) + P(B/AC) * P(AC)

Si el evento A ocurre, Cul es la probabilidad de que haya sido generado por el

evento B?
P(A/B)= Probabilidad de que ocurra A dado que ocurri B
P(B/A)= Probabilidad de que ocurra B dado que ocurri A
P(A)= Probabilidad del evento A (probabilidad a priori)
P(AC)= Probabilidad del complemento del evento A (probabilidad a aposteriori).
Ejemplo:
En una fabrica se tienen dos mquinas que producen pantalones de vestir. La
mquina 1 produce 45% del total de pantalones y la mquina 2 produce el 55%
restante. La mquina 1 produce 10% de pantalones defectuosos y en la mquina
2 la produccin defectuosa es del 8%.Si se observa un pantaln defectuoso,
Cul es la probabilidad de que haya sido producido por la mquina 2?
Se identifican los eventos:
A: produccin de la mquina 1
B: produccin de la mquina 2

X: productos defectuosos
Y: productos de buena calidad
Utilizando diagrama de rbol:
A 45%

B 55%

XA

10%

YA

90%

XB

08%

YB

92%

Sustituyendo en formula
P(B/XB)=

P(XB/B) * P(B)
. =
(0.08)(0.55)
= 0.49
P(XB/B) * P(B) + P(XA/BC) * P(BC)
(0.08)(0.55) + (0.10)(0.45)

La probabilidad de que el pantaln defectuoso haya sido producido por la

maquina 2 es de 49%.

El departamento de compras de una empresa de plsticos reporto lo siguiente:

80% de material de vinil recibido del proveedor A es de buena calidad mientras
que solo 50% del material recibido del proveedor B es de la misma calidad. Sin
embargo, la capacidad de produccin del proveedor A es limitada, razn por la
cual solo 40% del material de vinil adquirido por la empresa de plsticos proviene
del proveedor A. El restante 60% procede del proveedor B. Al inspeccionar un
embarque de material de vinil, se encuentra que es de buena calidad. Cul es la
probabilidad de que el material de vinil haya sido adquirido del proveedor A.
Se identifican los eventos:
A: proveedor A
X: Buena calidad
B: proveedor B
Y: Mala calidad
Utilizando diagrama de rbol:
A 40%

B 60%

XA

80%

YA

20%

XB

50%

YB

50%

Sustituyendo en formula
P(B/XA)=

P(XA/A) * P(A)
. =
(0.80)(0.40)
= 0.516
P(XA/A) * P(A) + P(XB/AC) * P(AC)
(0.80)(0.40) + (0.50)(0.60)

La probabilidad de que el material de vinil haya sido adquirido por el proveedor A es

de 51.6%.
Conteo de puntos muestrales
Las reglas para realizar conteo , son de gran ayuda para resolver problemas de
probabilidad cuando es grande el numero de puntos muestrales.
La regla mn se aplica en situaciones en las que se busca el numero de maneras
distintas en las que se pueden formar pares de objetos, se seleccionan de dos
grupos distintos.
N=mn

N es el numero total de puntos muestrales.

A) La lnea de autobuses Estrella Blanca ofrece recorridos a 50 destinos

diferentes y brinda tres tipos diferentes de servicio, estos son; de primera,
segunda y plus. De cuntas maneras distintas es posible ordenar los
recorridos?
m= 50

n= 3

N=mn=50 * 3 = 150

Los recorridos se pueden ajustar de 150 maneras distintas.

B) Un grupo de 10 pacientes ingreso a una clnica en donde seran atendidos
cada uno, por uno de tres mdicos. De cuntas maneras se puede ordenar a
los mdicos?

La regla de Permutaciones sirve para determinar el numero posible de arreglos

cuando solo hay un grupo de objetos.
Permutacin: disposicin en orden de un conjunto de objetos en el que hay un
primero, un segundo, un tercero, etc., hasta n.
La formula que se utiliza para contar el numero total de permutaciones distintas es:
nPr

n! .
(n-r)!
Donde: P: numero de permutaciones o formas en que pueden ordenarse los objetos
n: numero total de objetos
r: numero de objetos que se van a disponer cada vez.

A) El presidente, vicepresidente, secretario y tesorero de una determinada

asociacin, sern elegidos de entre 10 candidatos. De cuntas maneras
distintas pueden ocuparse los puestos?
n = 10 r = 4
10 P 4 = 10! / (10 4 ) ! = 10 ! / 6 ! = 5 040
B) En una empresa de lubricantes hay ocho lugares de capacitacin
administrativa los cuales se asignaran a ocho empleados. De cuntas
maneras diferentes pueden ser asignados los ocho individuos a los ocho
lugares distintos?

La Regla de las combinaciones sirve para combinar los distintos elementos del
grupo.
En consecuencia, el inters en las combinaciones siempre se dirige al numero de
diferentes subgrupos que pueden formarse con n objetos. El numero de
combinaciones de n objetos tomados de r a la vez es:
nCr

n! .
r! (n-r)!

A) Una agencia de mercadotecnia desea contratar analistas en investigacin de

mercados, hay 10 aspirantes. De cuntas maneras se puede escoger 4 de los
10 aspirantes?
n = 10

r=4

10 C 4 = 10! / 4 ! ( 10 4 ) ! = 10 ! / 4 ! 6 ! = 210
B) La Bolsa Mexicana de Valores ofrece 4 tipos de acciones a los inversionistas, de
cuntas maneras se puede seleccionar 2 tipos de acciones?

Variable Aleatoria
Cuando en un proceso de observacin las caractersticas que se desean medir
adquieren valores cuantitativos y estos estn sujetos al azar se dice que estas
caractersticas son variables. Es decir, una variable aleatoria debe considerar dos
aspectos: que las caractersticas se encuentren expresadas en valores cuantitativos y
que estos valores tengan un carcter aleatorio.

VariableAleatoria

VariableAleatoriaDiscreta
Elnmerodeclientesqueacudenenundaalsupermercado
Elnmerodeclientesesperandoservicioenunbanco
Elnmerodepersonasquesonencuestadasenun
determinadoda

VariableAleatoriaContinua
Elpesodeunartculoquesevaavender
Eltiemponecesarioparallevaracabolaproduccindecierto
artculo
Lacantidaddegasolinaconsumidaporunautomvilalefectuar
entregas.

Variable Aleatoria Discreta: es aquella caracterstica que nicamente puede tomar

valores contables expresados en nmeros enteros.

Variable Aleatoria Continua: es aquella caracterstica que puede tomar cualquier

valor dentro de un intervalo, es decir no toma valores exactos pudiendo incluir
fracciones, asumiendo en un momento dado un nmero infinito de valores.
Una funcin de distribucin de probabilidad de una variable aleatoria discreta
es una relacin entre los valores asociados a una variable aleatoria discreta X y las
probabilidades que se calculan para cada uno de los valores de X. Se representa
por una tabla y una grfica que proporcionan las probabilidades asociadas a cada
valor posible de la variable aleatoria discreta.
Valordelavariable

probabilidad

0.16

0.48

0.36

Ejemplo:
Si se selecciona una muestra aleatoria de dos consumidores que realizan sus
compras y cada uno tiene que elegir entre los artculos A y B, segn sus preferencias.
S[AA,AB,BA,BB]
Si se sabe que 60% de los productos demandados por los consumidores son del tipo
A y 40% de los productos demandado por los consumidores son del tipo B, se tiene:
P(A,A)=(0.6)(0.6)=0.36
P(A,B)=(0.6)(0.4)=0.24
P(B,A)=(0.6)(0.6)=0.24
P(B,B)=(0.4)(0.4)=0.16
Valordelavariable

probabilidad

0.16

0.48

0.36

Distribucin de probabilidad
La distribucin de probabilidad de una variable aleatoria discreta se
representa por una tabla y una grfica que proporcionan las probabilidades
asociadas a cada valor posible de la variable aleatoria discreta.
Si en un banco se atendi a tres clientes en un determinado periodo, los
cuales pueden ser hombres o mujeres, y adems se sabe que 50% de los
clientes que visitan un banco son mujeres y 50% son hombres. Cul es la
funcin de distribucin de probabilidad dl nmero de mujeres atendidas?
De lo anterior se obtiene que la probabilidad conjunta es:
P(0)=1/8 {HHH}
P(1)=1/8+1/8+1/8=3/8 {HHM, HMH, MHH}
P(2)=1/8+1/8+1/8=3/8 {HMM, MHM, MMH}
P(3)=1/8 {MMM}
X

P(X)

1/8

3/8

3/8

1/8

Valor Esperado ( Esperanza Matemtica)

El valor esperado de una variable aleatoria X se puede considerar una medida de
tendencia central de una distribucin de probabilidad. El valor esperado considera
que cada uno de los datos con que se cuenta tiene una probabilidad de ocurrencia y
que las multiplicaciones de los valores de los datos por su probabilidad son
sumados.
El valor esperado de una variable aleatoria discreta es la suma de los
productos de los posibles valores que toma la variable X multiplicados por su
probabilidad de ocurrencia.

X= E(X) = X1p1 + X2p2 + X3p3 + + X npn = Xipi

Xi = valores enteros que toma la variable X
Pi = probabilidad de ocurrencia del valor que toma la variable X
X= E(X) = valor esperado de la variable X
Del ejemplo de las mujeres que son atendidas en un banco se tiene la siguiente
distribucin de probabilidad, calcular el promedio de mujeres que se espera sean
atendidas.

Valordelavariable(X)

ProbabilidadP(X)

1/8

3/8

3/8

1/8

X= E(X) = (0)(1/8) + (1)(3/8) + (2)(3/8) + (3)(1/8)

= (0)(0.125) + (1)(0.375) + (2)(0.125) + (3)(0.375)
= 0.375 + 0.75 + 0.375 = 1.5
X= E(X) = 1.5

La varianza de una variable aleatoria discreta se define como la suma de las

desviaciones o variaciones cuadrticas que tienen los datos de una distribucin de
probabilidad con respecto al valor promedio.
2 = Var(X) = [(X-)2 (pi) = (X1-)2p1 + (X2-)2p2 + + (Xn-)2pn
X = variable aleatoria discreta
Pi = probabilidad de que el valor que toma la variable aleatoria X sea igual a Xi
= valor esperado

La desviacin estndar o desviacin tpica se define como la raz cuadrada positiva

de la varianza
= 2
Tomando los datos del ejemplo del banco se tiene:
2 = (0-1.5)2 (1/8) + (1-1.5)2 (3/8) + (2-1.5)2 (3/8) + (3-1.5)2 (1/8) = 0.75
Por lo tanto la desviacin estndar es:
= 2 = 0.75 = 0.8660
Distribucin Binomial
La distribucin binomial emplea variables aleatorias discretas y se caracteriza por el
hecho de que nicamente considera que existen xitos y fracasos, es decir, slo
toma en cuenta que existen dos alternativas de decisin dentro de un conjunto de
datos. Cabe sealar que la distribucin binomial solo considera que los datos
corresponden a una muestra o a una poblacin, pero no a ambas.
La distribucin binomial debe de considerar cuatro propiedades:

1) El experimento consiste de un numero fijo de ensayos.

2) Cada ensayo slo tiene dos posibles resultados a los que suele llamarse xito
o fracaso.
3) La probabilidad de un xito es igual a p y es constante para todos los ensayos
y la probabilidad de fracaso es igual a q = (1-p).
4) Los ensayos son independientes, es decir, el resultado de probabilidades que se
da en un ensayo no afecta al resultado que se da en otro.
La probabilidad de que ocurra un evento es:

P(X)=P (k,n.p) =nCkpkqn-k=[n! / k!(n-k)!] pkqn-k

Donde:
P (k,n.p)= Probabilidad de que se den k xitos en n ensayos donde se conoce la
probabilidad de xito
P(X)= Probabilidad de que la variable X tome el valor k
n= Tamao de la muestra numero de ensayos
k= Nmero de xitos
n-k= Nmero de fracasos
p= Probabilidad de xito
q= Probabilidad de fracaso
!= Factorial de un nmero

Ejemplo:
Una empresa consultora afirma que un procedimiento para promocionar las ventas
de una compaa es exitoso 80% de las veces. Si el procedimiento se lleva a
cabo cinco veces en un ao, cul es la probabilidad de que:
a) Las cinco veces que se lleva a cabo el procedimiento sea exitoso
b) A lo ms dos sean exitosas
a) Tenemos que p=80% y q= (1-p)= (1-0.8)= 0.2
n= 5
k=5
n-k= 0
Sustituyendo valores en la formula:
P(k)=P (k,n.p) = [n! / k!(n-k)!] pkqn-k = [5! / 5!(5-5)!] (0.8)5 (0.2)0 = 0.32768
P(5)= 0.32768
b) k<=2; por lo que k= 2,1,0

P(k<=2)= P(0) + P(1) + P(2)

Calculando la probabilidad para cada caso se tiene:

P(0)= [5! / 0!(5-0)!] (0.8)0 (0.2)5 = 0.00032
P(1)= [5! / 1!(5-1)!] (0.8)1 (0.2)4 = 0.0064
P(2)= [5! / 2!(5-2)!] (0.8)2 (0.2)3 = 0.0512
P(k<=2)= P(0) + P(1) + P(2)= 0.00032 + 0.0064 + 0.0512= 0.05792

LADISTRIBUCINHIPERGEOMTRICA
Esenlaqueseconsideralaexistenciadexitosy/ofracasosenunamuestrayenuna
poblacin,suponiendoquesetieneconocimientodeltamaodelapoblacinydel
nmerodeelementosdentrodeellaqueseconsideranxitosofracasos,yqueseextrae
unamuestradondetambinexistenxitosofracasos.
Seutilizantantolamuestracomolapoblacinparahacerreferenciaalknmerode
elementoscontenidosenlapoblacinyaspoderconocerelnmerodexitosofracasos
enella.Elmanejodedatosessinreemplazo.

P(k)= (kCx)(N-kCn-x) =
k! .
(N-k)!
.
(NCn)
x!(k-x)! (n-x)![(N-k)-(n-x)]
N! .
n!(N-n)!
N = nmero de elementos en la poblacin
K = nmero de elementos en la poblacin que se considera xito
N-k = nmero de elementos en la poblacin que se consideran fracasos
n = nmero de elementos en la muestra seleccionados de los N elementos en la
poblacin.
x = nmero de xitos en la muestra

Ejemplo:
Unaspiranteaunpuestoejecutivoacudealdepartamentoderecursoshumanosdeuna
empresayselenotificaqueendosdasdeberrealizarunexamenbasadoenunaguade
15secciones.Alprepararseparaelexamen,estudiatansolo10delas15seccionesquedebe
cubrir.Sisuinstructorseleccionara5seccionesalazaryhaceunapreguntadecadauna,
culserlaprobabilidadquetieneelaspirantedehaberestudiadodosdelasecciones?
Datos: N=15

k=10

Nk=5

n=5

nx=3

x=2

P(2)= 10!.
5!.P(2)=0.1499
2!(102)!3!(53)!.
15!.
5!(155)!
Laprobabilidadesunvalormuybajoquedenotaquesusposibilidadesdeaprobarelexamen
nosonmuyalentadoras.

LADISTRIBUCINDEPOISSON
Empleainformacinreferenteasituacionesenlascualessemanejaqueelresultadodeun
ensayosecondicioneporpresentarseenunperiododeterminadooenunareaoespacio
especfico.
Paradeterminarlaprobabilidaddeocurrenciadeunnmeroestablecidodeeventosenuna
distribucindePoissonsoloserequieredeunvalor:elnmeropromediodeeventosenla
dimensintemporaloespacialespecficadeinters
Porlogeneralestamediaserepresentaporlaletragriegalambda().
Estadistribucinserepresentapor:
P(x)=e x
x!
Elnmeropromediodeventasdeunacompaaenunahoraesde5,sedeseaconocercul
eslaprobabilidaddequeenunahoradeterminadaserealicen:
a) tresventas
b) Seisventas

 =5x=3y6
P(3)=e x=e 3=0.1396
x!3!
P(6)=e x=e 6=0.1454
x!6!
Distribucin geomtrica
Se basa en la distribucin binomial solo que en sta nos interesan las probabilidades
de que el primer xito o fracaso ocurra en un experimento dado, por ejemplo, es de
inters conocer si el primer xito o fracaso ocurre en el tercer experimento.
La probabilidad de que el primer xito o fracaso ocurra en el x-simo experimento es:
P(x)=P(1-P)x-1
Donde:
P(x)= Probabilidad de que el primer xito se de en el experimento x.
P= Probabilidad del xito
(1-P)= Probabilidad de fracaso
X= Experimento elegido donde se espera que se obtenga el primer xito.
X-1= Fracasos ocurridos antes de que se obtenga el primer xito.

Ejemplo:
Una casa de bolsa tienen un paquete de acciones con distintos rendimientos. Si la
probabilidad de que se eleve el rendimiento de las acciones es de 0.7, encuentra la
probabilidad de que la cuarta accin sea la que eleve primero su rendimiento.
Datos:
P= 0.7
(1-P)= 1 0.7 = 0.3
X= 4

sustituyendo datos
P(x)=(0.7)(0.3)4-1
P(x)= 0.0189

DISTRIBUCIONES DE PROBABILIDAD CONTINUA

Una distribucin de probabilidad continua se asocia a las variables aleatorias
continuas.
Una variable aleatoria continua es aquella que toma cualquier valor dentro de un
conjunto de datos, es decir, no solo toma valores enteros sino tambin valores en
fracciones o de cualquier otro tipo distintos a los enteros y puede asumir un nmero
infinito de valores.
Una parte elemental para la construccin de modelos de variables aleatorias
continuas es la distribucin normal.
La distribucin de probabilidad normal es un instrumento adecuado para efectuar
mediciones de inters porque no solo trabaja con muestras, sino principalmente con
poblaciones.
*Tiene algunas propiedades que la hacen aplicable a un gran nmero de situaciones
donde se toman muestras grandes
*Se ajusta a distribuciones de frecuencias observadas en muchos fenmenos.
Su representacin es una curva en forma de campana llamada CURVA NORMAL.

Curva normal

Sus caractersticas son:

-La curva tiene forma de campana
-Es simtrica
-Es una distribucin mesocrtica
-La curva normal se extiende de infinito a mas infinito
-El rea bajo la curva es igual al 100% (P=1)
-Cada distribucin normal es completamente especificada por su media y su
desviacin estndar.

Ladispersinhacequelacurvaseamaselevadaoms
achatada

DistribucinLeptocrtica(puntiaguda)
DistribucinPlaticrtica(achatada)

reas bajo la curva normal

Para los valores cualquiera de la media y de la desviacin estndar para una
distribucin de probabilidad normal, el rea bajo la curva tiene valor de 1; se
puede pensar en las reas bajo la curva como probabilidades, donde en
cada mitad de la distribucin la suma de probabilidades es 0.5 y cualquier
valor que se encuentre en la distribucin tiene una probabilidad de
ocurrencia. La forma de plantear esto es trazar reas limitadas por
desviaciones estndar con respecto de la media.

Ejemplo:
El sueldo mensual que reciben los empleados de una empresa dedicada
a la produccin de plstico, sigue una distribucin normal con una
media de $8000 y una desviacin estndar de $700. La empresa
desea conocer:
a)El rango de valores entre los que se encuentran aproximadamente
68% de los sueldos de los empleados.
b)El rango de los valores entre los que se encuentran aproximadamente
95% de los sueldos de los empleados.
c)El rango de los valores entre los que se encuentra aproximadamente
99% de los sueldos de los empleados.
Solucin:
a)
Datos
$8000
s=$700

Desarrollo
8000-700=7300
8000+700=8700

b)
DatosDesarrollo

c)
Datos
Desarrollo

Distribucindeprobabilidadnormalestandarizada
Existeunnumeroinfinitodedistribucionesnormales,cadaunaconsumediaydesviacin
estndar.Esdemasiadocomplicadoproporcionarresultadosparacadacombinacin.Esta
problemticaseaminorautilizandounaestandarizacindelosdatosquetengalavariableX.
Estosdatossepuedenconvertiraunaescalaestandarizadaaplicandolasiguienteformula:

Z= X

X=Eselvalordelavariablealeatoriaenestudio
=Eselvalordelamediadeladistribucindelavariablealeatoria
=Esladesviacinestndardeladistribucin
LaformuladaexpresadaentrminosdeZmideladistanciaentreelvalorespecficodeXyel
valordelamedia,utilizandoladesviacinestndarcomounidaddemedida.
Zsiempretieneunamediaigualaceroyunadesviacinestndarigualauno.Sebuscala
probabilidaddeocurrenciadeunvalorZyestasebuscaenunatabla.
Ejemplo:
Unacompaaproductoradellantasrealizaunestudiosobreeltiempodevidatildelas
llantas,delestudioresultaquelasllantastienenunaduracinpromediode35,000kms yuna
desviacinestndarde4,000kms.

Elgerentedelaempresaestinteresadoensaber:
a) Quprobabilidadexistedequelasllantastengauntiempodevidasuperiora38,000
kms?
b) Quproporcindeestasllantastienenuntiempodevidainferiora32,000kms?
c) Quproporcindeestasllantastieneuntiempodevidaentre32,000y38,000kms?
Datos:
X=38000
Z= X

P(X
detablassetienequesuvaloresde0.2734
P(X>38000)=P(Z>0.75)=0.5 0.2734=0.2266
Porlotantolaprobabilidaddequelasllantastenganunaduracinsuperioralos38000kms
esde0.2266o22.66%.

0.2734
.2266

0
0.75
35000 38000

x
Z

Relacin entre la distribucin normal y la binomial

Una de las limitaciones de la distribucin binomiales es que nicamente tiene
aplicacin donde la muestra es relativamente pequea n<= 30.
Se dificulta el calculo del factorial mayor a 30.
Para observaciones con n>30 es til el empleo de la distribucin de probabilidad
normal, para dar una aproximacin a la distribucin normal, si esta probabilidad de
xito esta prxima a 0.5.
Se tienen que suponer que los datos se comportan de manera normal.
La distribucin normal es continua en tanto que la distribucin binomial es discreta.
Cuando los datos de la distribucin continua no son enteros, el problema se resuelve
construyendo intervalos tericos para poder representar valores enteros que sean
parecidos a los que toman las variables discretas, utilizando el factor de correccin
por continuidad (su representacin es el valor 0.5).
Este valor garantiza la simetra de la distribucin normal(se suma o resta).
Sedetermina

= np

= npq

para obtener Z.

a) restar 0.5 cuando se desea conocer

P(X>=K1)

K1

c)Sumar 0.5 cuando se desea

conocer P(X<=K1)

K1

b) sumar 0.5 cuando se desea conocer

P(X<=PK1)

K1
d)Restar 0.5 cuando se desea
conocer P(X>=K1)

K1

e)Restar 0.5 cuando se desea

conocer P(X<K1)

K1

f)Sumar 0.5 cuando se desea

conocer P(X>K1)

K1

Distribucint
Estadistribucinesunconjuntodedistribucionesquetienenuncomportamientomuysimilar
aladistribucinnormal,conlasalvedaddequesusdatostienenmayordispersin.Seaplica
pararealizarinferenciascuandolamuestraconlaqueseestatrabajandoespequeayadems
sedesconoceladesviacinestndar.
t=X
S/n1/2

Distribucinexponencial
Abordafenmenoscuyaprobabilidadserefiereatiempoydistanciasentrelaocurrenciade
experimentosconrespectoaunintervalocontinuo(numerodedatosgrande).
Sepuedeaplicarcuandoelintersconsistenicamenteenconocereltiempooladistancia
hastaelprimerevento,eltiempooladistanciaentredoseventos.
Elobjetivoesencontrarlaprobabilidaddequeeleventonosucedaenelintervalo
especificado:
P(T>t)=et
Elobjetivoesencontrarlaprobabilidaddequeeleventoocurraenelcursodelintervalo
especificado:
P(T<=t)=1 et

Estimacin
Esunprocedimientodelaestadsticainferencialmediantelacualserealizanclculosconlos
datosdeunamuestraparaobtenervaloresoresultadosquedescribanlascaractersticasde
lapoblacin.
Elobjetivodelaestimacinesobtenerestadsticosoestimadores(formulas)paraconocerde
maneraresumidalascaractersticasmasrelevantesdeunapoblacin.
Estimacinpuntual:esunprocedimientomedianteelcualserealizanclculosconlosdatos
deunamuestracuyoresultadoesunvalornumriconicoempleadoparaestimarelvalorde
unparmetropoblacional.
Desventajas:
silamuestranoesrepresentativa,elresultadodelaestimacinserequivocado.
Suresultadovariademuestraenmuestra.
Noproporcionaunamedidadereferenciaounniveldeconfianzaencuantoalresultado.
EstimacinporIntervalos:esunprocedimientomedianteelcualserealizanclculosconlos
datosdeunamuestracuyoresultadosondosvaloresnumricosquedefinenunrango,
intervaloounconjuntonumricoqueservirparaestimarelparmetropoblacional.

Ventajas:
Noofreceunvalornico,sinounrango
Msprobabilidaddeacertaralverdaderovalor
Ofreceelresultadounniveldeconfianzaquepermiteconocerencuantolepodemos
creerotenerleconfianza.(Intervalodeconfianza).
Elniveldeconfianzasealaquetantaconfianzalepodemostenerocreeral
resultado.
Semideen%0100deconfianza
Ejemplos:clima,tipodecambio,etc.
ESTIMACINDELAMEDIA(MUESTRAGRANDE)
Paramuestrascompuestasde30msdatos
Sepuedeutilizarparamuestraschicassolos:
Ladistribucinseanormalyseconozcaelvalordelavarianzapoblacional
desviacinestndarpoblacional.
Sebasaenalteoremadellmitecentral.
Siseconoceladesviacinestndarpoblacional
X Z/2 (/n1/2)< <X+Z/2 (/n1/2)

Sinoseconoceladesviacinestndarpoblacional
X Z/2 (S/n1/2)< <X+Z/2 (S/n1/2)
X
mediadelamuestra
Z/2
valordeZsituadobajolacurvanormalestndar
errorestndardelamediamuestral
/n1/2
Niveldesignificancia(probabilidaddequelamediapoblacionalnoseencuentreen
intervaloestimado)
1

Z/2

90%

1.645

95%

1.96

98%

2.326

99%

2.576

1 Niveldeconfianza

el

Muestrapequeas(n<30) desconocida
X t/2 (S/n1/2)< <X+t/2 (S/n1/2)
Gradosdelibertadgl=n 1

ESTIMACINDELADIFERENCIAENTREDOSMEDIASPOBLACIONES

(x1x2)Z/2 21

+ 2

<1

n1 n2

2 <(x1x2)+Z/2 21

+ 2

n1 n2

(x1x2)Z/2 S21 +S22 <1 2 <(x1x2)+Z/2 S21 +S22

n1 n2
n1 n2

(x1x2) t/2S 1+1 <1 2 <(x1x2)+t/2S 1+ 1

n1n2
n1 n2

S2=(n1 1)S12 +(n2 1)S22

n1 +n2 2

Encontrar el diagrama circular para la distribucin de la produccin nacional en

Mxico en el tercer trimestre del 2001, segn el sector econmico.
Sector
Agropecuario

Millonesdepesos
75043474

Industrial

415706866

Servicios

941943481

Total

Desarrolla un breve reporte

1 432693821

Porcentaje

Encontrar el diagrama de barras para la produccin mundial de tabaco, de

acuerdo con el pas de origen:

Pas

Milesdetoneladas

China

2,021.04

India

599.40

Brasil
Estados Unidos

493.10
408.20

Turqua

197.26

Indonesia

157.35

Otrosproductores

1,869.54

Total

5,745.89

Desarrolla un breve reporte

La siguiente distribucin de frecuencias muestra el nmero de millas de

viajero frecuente expresado en miles de millas, de empleados de Brumley
Statistical Consultig, Inc., durante el primer trimestre de 2007.
Millasdefrecuenteviajero
frecuente(miles)

Frecuencia

15a18

18a21

23

21a24

17

24a27

18

27a30

30a33

33a36

Total

80

Construya un histograma, un polgono de frecuencias relativas y un polgono

de frecuencias relativas acumuladas.
Desarrolla un breve reporte