Estadistica PDF

GUA DIDCTICA Y MDULO
GABRIEL JAIME POSADA HERNNDEZ

MARA VICTORIA BUITRAGO CARDONA
FUNDACIN UNIVERSITARIA LUIS AMIG
FACULTAD DE CIENCIAS ADMINISTRATIVAS,
ECONMICAS Y CONTABLES
Colombia, 2008
COMIT DIRECTIVO
Fray Marino Martnez Prez
Rector
Hernn Ospina Atehorta
Vicerrector Administrativo y Financiero
Director de Planeacin
Jos Jaime Daz Osorio
Vicerrector Acadmico
Francisco Javier Acosta Gmez
Secretario General
ESTADSTICA
Gabriel Jaime Posada Hernndez
Mara Victoria Buitrago Cardona
Decana Facultad de Ciencias Administrativas,
Econmicas y Contables:
Mara Victoria Agudelo Vargas
Correccin de estilo:
Lorenza Correa Restrepo
Diseo:
Colectivo Docente Facultad de Ciencias
Administrativas, Econmicas y Contables
Impresin:
Departamento de Publicaciones FUNLAM
www.funlam.edu.co
TODOS LOS DERECHOS RESERVADOS
Medelln Colombia
2008
Estadstica
2
CONTENIDO
Pg
GUA DIDCTICA
PRESENTACIN 13
1. FICHA TCNICA 15
2. INTENCIONALIDADES FORMATIVAS 16
3. OBJETIVOS 17
3.1. OBJETIVOS ESENCIALES 17
3.2. OBJETIVOS COMPLEMENTARIOS 17
4. UNIDADES TEMTICAS 19
5. METODOLOGA GENERAL 20
6. EVALUACIN INTEGRAL 21
II ESTADSTICA DESCRIPTIVA
INTRODUCCIN 23
JUSTIFICACIN 25

UNIDAD 1. INTRODUCCIN Y OBTENCIN DE DATOS
ESTADSTICOS 27
1.1. ESTADSTICA 27
1.1.1. Historia 27
1.1.2. Definicin 31
1.1.3. Divisin 32
Estadstica
3
1.2. CONCEPTOS GENERALES 32
1.2.1. Unidad de investigacin 32
1.2.2. Poblacin 33
1.2.3. Muestra 34
1.2.4. Parmetros y estadgrafos 34
1.2.5. Variables 35
1.2.6. Escalas de medicin 38
1.3. MUESTREO 42
1.3.1. Mtodos de muestreo probabilstico 43
1.3.2. Mtodos de muestreo no probabilstico 47
1.3.3. Evaluacin del valor de una encuesta 49
1.3.4. Errores en las encuestas 50
1.3.5. Aspectos ticos del muestreo 52
UNIDAD 2. ORDENACIN DE DATOS ESTADSTICOS
2.1. TABULACIN DE DATOS 55
2.1.1. Rango o recorrido 55
2.1.2. Amplitud del rango 59
2.1.3. Nmero de clases 59
2.1.4. Amplitud del intervalo de clase 60
2.1.5. Lmites de las clases 61
2.1.6. Tabulacin 62
2.1.7. Marca de clase o punto medio 62
2.2. FRECUENCIAS 63
2.2.1. Frecuencia absoluta 63
2.2.2. Frecuencia relativa 64
Estadstica
4
2.2.3. Frecuencia absoluta acumulada 66
2.2.4. Frecuencia relativa acumulada 67
2.2.5. Nmeros ndices 69
2.3. GRFICAS O DIAGRAMAS 70
2.3.1. Histogramas 70
2.3.2. Polgono de frecuencias 72
2.3.3. Ojivas o polgonos de frecuencias acumuladas 74
2.3.4. Diagramas de barras 75
2.3.5. Diagramas circulares 76
2.3.6. Diagrama de tallo y hojas 77
2.3.7. Diagrama de Pareto 80
2.4. TABULACIN DE DATOS BINARIOS O CRUZADOS 82
UNIDAD 3. MTODOS NUMRICOS
3.1. MEDIDAS DE TENDENCIA CENTRAL O DE PRECISIN 88
3.1.1. Media aritmtica 88
3.1.2. Mediana 91
3.1.3. Moda 96
3.1.4. Cuantiles 100
3.2. MEDIDAS DE VARIABILIDAD 107
3.2.1. Rango 108
3.2.2. Rango intercuartil 109
3.2.3. Varianza 109
3.2.4. Desviacin estndar 114
3.2.5. Coeficiente de variacin 115
Estadstica
5
3.3. MEDIDAS DE LOCALIZACIN 117
3.3.1. Valor z 118
3.3.2. Teorema de Chebyshev 119
3.3.3. Sesgo o forma 122
3.3.4. Diagrama de caja o bigotes 124
3.3.5. Curtosis 128
UNIDAD 4. REGRESIN LINEAL Y CORRELACIN
4.1. REGRESIN LINEAL SIMPLE 132
4.1.1. Diagrama de dispersin 132
4.1.2. Ajuste de una recta por el mtodo de mnimos cuadrados 135
4.2. CORRELACIN 141
4.2.1. Coeficiente de correlacin 141
4.2.2. Coeficiente de determinacin 144
III TEORA DE PROBABILIDADES
UNIDAD 1. DEFINICIONES
1.1INTRODUCCIN 148
1.2 QU ES LA PROBABILIDAD 149
1.3 CONCEPTOS BSICOS DE PROBABILIDAD 150
1.3.1 Fenmeno experimento aleatorio 150
1.3.2 Fenmeno o experimento determinstico 150
1.3.3 Prueba 150
1.3.4 Espacio muestral 150
1.3.5 Elemento o punto muestral 152
1.3.6 Evento 152
1.3.7 Interseccin de dos eventos a y b 152
Estadstica
6
1.3.8 Unin de dos eventos a y b 153
1.3.9. Complemento de un evento a 154
UNIDAD 2. TCNICAS DE CONTEO
2.1 TCNICAS DE CONTEO 157
Regla 2.1.1. Principio de la multiplicacin 157
Regla 2.1.2. Principio de permutacin 161
Regla 2.1.3 Variaciones o permutaciones 162
Regla 2.1.4 Combinaciones 164
Regla 2.1.5 Particiones 166
2.2 EJERCICIOS RESUELTOS 167
UNIDAD 3. SUCESOS PROBABILSTICOS Y REGLAS DE
PROBABILIDAD
3.1 SUCESOS PROBABILSTICOS 172
3.1.1 Sucesos independientes 172
3.1.2 Sucesos dependientes 172
3.1.3 Sucesos compatibles o mutuamente no excluyentes 172
3.1.4 Sucesos incompatibles o mutuamente excluyentes 172
3.2 DEFINICIN DE PROBABILIDAD 173
3.2.1. Modelo de probabilidad emprico o frecuencialista. 173
3.2.2. Modelo subjetivo 174
3.2.3 Modelo clsico 174
3.3. REGLAS PRINCIPALES DE LA PROBABILIDAD 175
Estadstica
7
3.4. AXIOMAS DE PROBABILIDAD 180
3.4.1 Teorema 1: regla de la unin o suma 180
3.4.2 Teorema 2: regla del complemento 180
3.4.3 Teorema 3: probabilidad condicional 181
3.4.4 Teorema 4: regla de la multiplicacin o interseccin 182
UNIDAD 4. VARIABLES ALEATORIAS Y DISTRIBUCIONES
DE PROBABILIDAD
4.1INTRODUCCIN 191
4.2DISTRIBUCIN O FUNCIN DE PROBABILIDAD 191
4.3 ALGUNAS DISTRIBUCIONES DISCRETAS DE PROBABILIDAD 194
4.3.1 Distribucin binomial 194
4.3.1.1 Caractersticas 195
4.3.1.2 Funcin de probabilidad de la v.a. binomial 196
4.3.1.3 Tablas de probabilidad acumulada de la binomial 200
4.3.1.4 Parmetros de la distribucin binomial 205
4.3.2 Distribucin hipergeomtrica 206
4.3.2.1 Funcin de probabilidad de la v.a. hipergeomtrica 207
4.3.2.2 Parmetros de la distribucin hipergeomtrica 212
4.3.3 Distribucin de Poisson 212
4.3.3.1 Funcin de probabilidad de la v.a. Poisson 213
4.3.3.2 Tablas de probabilidad acumulada de la Poisson 213
4.3.3.3 Parmetros de la distribucin Poisson 220
Estadstica
8
4.4 DISTRIBUCIN CONTINUA DE PROBABILIDAD:
DISTRIBUCIN NORMAL 220
4.4.1 La funcin de densidad de la distribucin normal 221
4.4.2 Representacin grfica de esta funcin de densidad 221
4.4.3 Distribucin normal estndar 222
4.4.4 Pasos para buscar en la tabla 222
IV ESTADSTICA INFERENCIAL
UNIDAD 1. ESTIMACIN
1.1 INTRODUCCIN 233
1.2 NIVEL DE CONFIABILIDAD DE LOS RESULTADOS 236
1.3 PRINCIPALES PARMETROS, ESTADSTICOS
Y SUS SMBOLOS 236
1.4 ESTIMACIN PUNTUAL 237
1.4.1 Estimacin puntual para variable cuantitativa 237
1.4.2 Estimacin puntual para variable cualitativa 238
1.5 TAMAO DE LA MUESTRA PARA ESTIMAR MEDIAS Y
PROPORCIONES. 238
1.5.1 Determinacin estadstica del tamao de la muestra 240
1.5.1.1 Poblaciones infinitas 240
1.5.1.1.1 Proporcin conocida 240
1.5.1.1.2 Proporcin desconocida 240
Estadstica
9
1.5.1.2 Poblaciones finitas
242
UNIDAD 2. INTERVALOS DE CONFIANZA
2.1 INTRODUCCIN 244
2.1.1 Intervalos de confianza para el promedio poblacional 244
2.1.1.1 Parmetros y/o estadsticos para utilizar las frmulas
de intervalos de confianza 245
2.1.2 Intervalo de confianzas para la proporcin poblacional p 253
2.1.2.1 Parmetros para utilizar las frmulas de intervalos de confianza 253
UNIDAD 3. PRUEBA DE HIPTESIS
3.1 INTRODUCCIN 257
3.2DEFINICIN DE PRUEBA DE HIPTESIS 257
3.3PASOS PARA LA PRUEBA DE HIPTESIS PARA
EL PROMEDIO Y LA PROPORCIN P. 258
4. ESTUDIO DE CASO 272
5. ACTIVIDADES DE RECONOCIMIENTO 276
6. RESPUESTA A PREGUNTAS FRECUENTES 277
7. ACTIVIDADES DE PROFUNDIZACIN 281
ANEXOS TABLAS DE PROBABILIDAD ACUMULADA
Anexo A Tabla acumulada de la distribucin binomial 297
Anexo B Tabla acumulada de la distribucin Poisson 302
Anexo C Tabla acumulada de la distribucin normal 305
Estadstica
10
Anexo D Tabla de la distribucin t-student 307
GLOSARIO 308
BIBLIOGRAFA 317
Estadstica
11
Estadstica
12
PRESENTACIN
Apreciado estudiante, bienvenido a la Asignatura Estadstica Descriptiva e
Inferencial.
Este mdulo ha sido escrito teniendo presente al estudiante que ingresa en
la metodologa a distancia, la cual se constituye en uno de los nuevos retos y
alternativas para la formacin de profesionales capaces de intervenir
problemticas sociales contemporneas, desde la aplicacin de la ciencia y
la tecnologa con criterios ticos y de calidad.
La educacin a distancia responde a la necesidad de ofrecer un proceso de
formacin que supere obstculos representados en grandes distancias
geogrficas y escasez de tiempo de personas deseosas de tener las
oportunidades de desarrollo humano que brinda la educacin superior.
Dicha metodologa exige a cada estudiante un esfuerzo investigativo,
creativo e innovador soportado por la voluntad del compromiso que demanda
nuestra sociedad.
Por esto, para el alcance de los objetivos en este proceso formativo, ms que
construir un texto, se ha tratado de presentar un instrumento de
comunicacin acadmica y dinmica entre la institucin y el estudiante, en el
que se diferencian dos partes fundamentales: la gua de estudio y trabajo, y
el mdulo de aprendizaje.
Estadstica
13
La gua considera las orientaciones sobre el desarrollo del curso en cuanto
define los elementos necesarios para la interlocucin entre estudiantes y
docente, describiendo en la metodologa las actividades a realizar para cada
encuentro, bibliografa complementaria, proceso de evaluacin y
compromisos adquiridos por el estudiante. El mdulo desarrolla el contenido
conceptual bsico que permite al estudiante la comprensin de los
problemas potenciales en el campo administrativo.
Seguros de que en dicho material se encuentran los referentes necesarios
para el desarrollo de un proceso acadmico con calidad, le deseamos xitos
en este nuevo ciclo de su formacin profesional.
Estadstica
14
1. FICHA TCNICA
CURSO ESTADSTICA DESCRIPTIVA
AUTORES GABRIEL JAIME POSADA HERNNDEZ
MARA VICTORIA BUITRAGO CARDONA
INSTITUCIN FUNDACIN UNIVERSITARIA LUIS AMIG
UNIDAD ACADMICA FACULTAD DE CIENCIAS ADMINISTRATIVAS,
ECONMICAS Y CONTABLES
PROGRAMAS ADMINISTRACIN DE EMPRESAS
CONTADURA PBLICA
NEGOCIOS INTERNACIONALES
PALABRAS CLAVE ESTADSTICA, CONTEO, DATOS, MUESTRA,
POBLACIN, PROBABILIDAD
REA DE CONOCIMIENTO BSICA
CRDITOS 3 (TRES)
CIUDAD MEDELLN
FECHA JULIO DE 2007
ACTUALIZACIN
ADICIN DE TEMAS
APROBADA POR
2. INTENCIONALIDADES FORMATIVAS
Estadstica
15
El mundo global y nuestra sociedad exigen al profesional moderno el
desarrollo de competencias y habilidades que permitan la solucin oportuna
y adecuada a los diferentes problemas que se presentan en las
organizaciones.
La Fundacin Universitaria Luis Amig, consciente de ello, ha generado
constantemente espacios que propician la formacin integral de sus
estudiantes, partiendo del reconocimiento del ser humano como persona y,
sobre l, la tcnica y el saber especfico que exige la academia.
Por tal razn, el egresado de la Fundacin Universitaria Luis Amig es un
profesional ntegro, tico y comprometido con la sociedad en la bsqueda de
alternativas viables para el mejoramiento funcional de las organizaciones y la
calidad de vida de sus integrantes.
3. OBJETIVOS
Estadstica
16
3.1. OBJETIVOS ESENCIALES
Manejar adecuadamente los conceptos relacionados con estadstica.
Aplicar los conceptos y procedimientos matemticos para describir el
comportamiento de una variable en un conjunto de datos.
Analizar los mtodos numricos de un conjunto de datos.
Generar modelos de regresin lineal simple, y realizar anlisis pertinentes
para la toma de decisiones.
Aplicar el concepto de teora de probabilidad para tomar decisiones bajo
incertidumbre.
Manejar las distribuciones discretas y continuas de probabilidad para
resolver problemas reales, teniendo en cuenta los parmetros
poblacionales y el tipo de situacin a resolver.
Realizar inferencias partiendo de parmetros muestrales, por medio de
los intervalos de confianza y prueba de hiptesis.
3.2. OBJETIVOS COMPLEMENTARIOS
Diferenciar conceptualmente la poblacin y la muestra.
Reconocer los tipos de variables y escalas de medicin aplicados a un
conjunto de datos.
Estadstica
17
Calcular e interpretar las medidas de tendencia central, variabilidad y
localizacin de un conjunto de datos.
Calcular los parmetros de la ecuacin de regresin lineal simple.
Calificar el modelo de regresin lineal simple por medio de los
coeficientes de correlacin y determinacin.
Reconocer un espacio muestral y su tcnica de conteo acorde al
problema.
Reconocer las diferentes reglas de probabilidad y su aplicabilidad.
Aplicar y calcular por frmula o tabla de probabilidad, las distribuciones
binomial, Poisson, hipergeomtrica y normal.
Reconocer la informacin que se tiene para poder sacar una muestra
aleatoria, con un alto grado de confiabilidad
Diferenciar una variable aleatoria discreta y una variable aleatoria
continua.
Diferenciar un parmetro poblacional y un parmetro muestral.
Aplicar de acuerdo con los estadsticos, un parmetro muestral por medio
del intervalo de confianza o prueba de hiptesis a un nivel de
confiabilidad.
Estadstica
18
4. UNIDADES TEMTICAS
II ESTADSTICA DESCRIPTIVA

UNIDAD 1. INTRODUCCIN Y OBTENCIN DE DATOS
ESTADSTICOS
UNIDAD 2. ORDENACIN DE DATOS ESTADSTICOS
UNIDAD 3. MTODOS NUMRICOS
UNIDAD 4. REGRESIN LINEAL Y CORRELACIN
III TEORA DE PROBABILIDADES
UNIDAD 1 DEFINICIONES
UNIDAD 2 TCNICAS DE CONTEO
UNIDAD 3 SUCESOS PROBABILSTICOS Y REGLAS DE
PROBABILIDAD
UNIDAD 4 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE
PROBABILIDAD
IV ESTADSTICA INFERENCIAL
UNIDAD 1 ESTIMACIN
UNIDAD 2 INTERVALOS DE CONFIANZA
UNIDAD 3 PRUEBA DE HIPTESIS
Estadstica
19
5. METODOLOGA GENERAL
El curso Estadstica, bajo la modalidad a distancia, es realizado por medio
de encuentros presenciales, utilizando como mediaciones la plataforma
Dicom y el mdulo.
En los encuentros presenciales se compartirn los temas propuestos, se
realizarn ejemplos aplicados a la administracin y se asignarn actividades
para las siguientes asesoras.
Al iniciar el curso, cada estudiante selecciona una organizacin (puede ser
pblica, privada o del sector de la economa solidaria) o un grupo poblacional
de inters (estudiantes, familias, habitantes de un barrio, etc.). Seleccionar
una muestra de elementos (de un tamao acordado) y generar una base de
datos que contemple las variables cualitativas, cuantitativas discretas y
cuantitativas continuas.
En los elementos de la muestra seleccionada, se aplicarn paulatinamente
los conceptos vistos en el desarrollo del curso. En cada encuentro
presencial se compartirn los avances sobre la secuencia del anlisis
estadstico de los elementos de la organizacin.
A travs de la plataforma virtual Dicom, cada estudiante compartir sus
inquietudes y apreciaciones en el portafolio personal de desempeo. Estas
inquietudes sern resueltas por este medio o socializadas en la siguiente
asesora.
Estadstica
20
6. EVALUACIN INTEGRAL
La evaluacin del curso Estadstica se realizar de forma cualitativa, por
medio del portafolio personal de desempeo (acorde con el artculo 80 del
Reglamento Estudiantil). Se establecer un proceso dinmico y continuo que
contenga seguimiento, trabajo aplicado y evaluacin final.
El seguimiento se realizar a travs de evaluaciones cortas sobre temticas
ya compartidas, designando un espacio para hacerlas, previo acuerdo con
los estudiantes.
El trabajo de aplicacin a la organizacin o poblacin de inters tendr un
seguimiento durante todo el curso, el cual ser tenido en cuenta para la
evaluacin final del mismo; adems de la presentacin, anlisis de variables
y conclusiones.
Al finalizar el curso, se realizar la evaluacin final o Prueba Acumulativa de
Conocimiento Integral (PACI), la cual pretende evaluar, de forma global,
todos los temas tratados en el curso.
Estadstica
21
Estadstica
22
INTRODUCCIN
La estadstica o los mtodos estadsticos, como se denomina a veces, est
jugando un papel de gran importancia en casi todas las facetas del
comportamiento humano. Ocupada inicialmente en asuntos del Estado, y de
ah su nombre, la influencia de la Estadstica se ha extendido ahora a la
administracin, la economa, los negocios, la comunicacin, la agricultura, la
medicina, la fsica, las ciencias polticas, la psicologa, la sociologa y muchos
otros campos de la ciencia y la ingeniera.
El propsito de este mdulo es presentar desde el manejo de la informacin,
su representacin tabular y medidas, hasta el manejo de las probabilidades,
y llegar a conclusiones poblacionales por medio de la inferencia estadstica
en la cual son de gran utilidad, para la manipulacin de la informacin,
respuestas bajo incertidumbre y respuestas poblacionales. Se ha diseado
para ser usado como complemento del proceso formativo, acompaado de la
plataforma Dicom y los encuentros presenciales. Adems, puede ser
considerado como texto de consulta para aquellas personas que estn
interesadas en aplicar la Estadstica en el anlisis de problemas
investigativos.
Los temas han sido compilados de diferentes autores: Anderson, Sweeney y
Williams; Berenson, Levine y Krehbiel; Walpole y Myers; Spiegel, entre otros.
Cada unidad comienza con enunciados claros de las definiciones pertinentes
y ejemplos aplicados a la vida real. La nica base matemtica requerida
Estadstica
23
para la comprensin de los temas es la aritmtica. En la primera unidad se
presenta la conceptualizacin de la estadstica y la forma como se obtiene
una base de datos. La segunda unidad se refiere a la ordenacin de datos
estadsticos, segn el tipo de variable en la cual se ubican, para luego
representar en la tercera unidad las medidas de tendencia central, de
dispersin y de localizacin del conjunto de datos. La cuarta unidad
establece la relacin entre variables por medio de la regresin lineal y la
correlacin. La quinta unidad se refiere a un espacio muestral, las tcnicas
de conteo y las reglas de probabilidad. La sexta unidad se refiere a la
diferencia entre variables aleatorias discretas y continuas y sus distribuciones
de probabilidad. La sptima unidad se refiere a resultados poblacionales, por
medio de los intervalos de confianza y prueba de hiptesis, basndose en
resultados muestrales.
Al final, se presenta un estudio de caso, el cual pretende mayor cercana de
la Estadstica a la administracin; adems de algunas preguntas frecuentes,
con su respectiva respuesta, que se presentan al estudiar la Estadstica.
Estadstica
24
JUSTIFICACIN
El desarrollo cientfico del siglo XXI exige una formacin profesional ntegra,
que rena conocimientos, experiencia y expectativas, que permita la
utilizacin adecuada de los recursos y herramientas del mundo actual.
En la actualidad, las reas administrativas, contables y econmicas requieren
de un profesional con conocimientos bsicos de clculo, de tal forma que lo
lleven a incursionar en el campo investigativo y en la toma de decisiones,
para generar nuevos conocimientos a partir de la integracin de los
conceptos propios y de las diferentes reas de estudio, que lo hagan ms
competente en los retos del mundo moderno.
Estadstica
25
Estadstica
26
1. INTRODUCCIN Y OBTENCIN DE DATOS
ESTADSTICOS
1.1. ESTADSTICA
1.1.1. Historia
Los comienzos de la estadstica pueden ser hallados en el antiguo Egipto,
cuyos faraones lograron recopilar, hacia el ao 3050 antes de Cristo, prolijos
datos relativos a la poblacin y la riqueza del pas. De acuerdo con el
historiador griego Herdoto, dicho registro de riqueza y poblacin se hizo con
el objetivo de preparar la construccin de las pirmides. En el mismo Egipto,
Ramss II hizo un censo de las tierras con el objeto de verificar un nuevo
reparto.
En el antiguo Israel, la Biblia da referencias, en el libro de los Nmeros, de
los datos estadsticos obtenidos en dos recuentos de la poblacin hebrea. El
rey David, por otra parte, orden a Joab, general del ejrcito, hacer un censo
de Israel con la finalidad de conocer el nmero de la poblacin.
Tambin los chinos efectuaron censos hace ms de cuarenta siglos. Los
griegos efectuaron censos peridicamente con fines tributarios, sociales
(divisin de tierras) y militares (clculo de recursos y hombres disponibles).
La investigacin histrica revela que se realizaron 69 censos para calcular
los impuestos, determinar los derechos de voto y ponderar la potencia
guerrera.
Pero fueron los romanos, maestros de la organizacin poltica, quienes mejor
supieron emplear los recursos de la estadstica. Cada cinco aos realizaban
un censo de la poblacin, y sus funcionarios pblicos tenan la obligacin de
Estadstica
27
anotar nacimientos, defunciones y matrimonios, sin olvidar los recuentos
peridicos del ganado y de las riquezas contenidas en las tierras
conquistadas. Para el nacimiento de Cristo, suceda uno de estos
empadronamientos de la poblacin bajo la autoridad del imperio.
Durante los mil aos siguientes a la cada del imperio romano se realizaron
muy pocas operaciones estadsticas, con la notable excepcin de las
relaciones de tierras pertenecientes a la Iglesia, compiladas por Pipino el
Breve en el 758, y por Carlomagno en el 762 DC. Durante el siglo IX se
realizaron en Francia algunos censos parciales de siervos. En Inglaterra,
Guillermo el Conquistador recopil el Domesday Book o Libro del gran
catastro para el ao 1086, un documento de la propiedad, extensin y valor
de las tierras de Inglaterra. Esa obra fue el primer compendio estadstico de
Inglaterra.
Durante los siglos XV, XVI, y XVII, hombres como Leonardo de Vinci, Nicols
Coprnico, Galileo, Neper, William Harvey, Sir Francis Bacon y Ren
Descartes, hicieron grandes operaciones al mtodo cientfico, de tal forma
que cuando se crearon los Estados nacionales y surgi como fuerza el
comercio internacional exista ya un mtodo capaz de aplicarse a los datos
econmicos.
Para el ao 1532 empezaron a registrarse en Inglaterra las defunciones
debido al temor que Enrique VII tena por la peste. Ms o menos por la
misma poca, en Francia la ley exigi a los clrigos registrar los bautismos,
fallecimientos y matrimonios. Durante un brote de peste que apareci a fines
de la dcada de 1500, el gobierno ingls comenz a publicar estadsticas
semanales de los decesos. Esa costumbre continu muchos aos, y en 1632
estos Bills of Mortality (Cuentas de mortalidad) contenan los nacimientos y
fallecimientos por sexo.
Estadstica
28
En 1662, el capitn John Graunt us documentos que abarcaban treinta aos
y efectu predicciones sobre el nmero de personas que moriran de varias
enfermedades y sobre las proporciones de nacimientos de varones y mujeres
que cabra esperar. El trabajo de Graunt, condensado en su obra Natural and
political observations... Made upon the bills of mortality (Observaciones
polticas y naturales... hechas a partir de las cuentas de mortalidad), fue un
esfuerzo innovador en el anlisis estadstico. Por el ao 1540, el alemn
Sebastin Muster realiz una compilacin estadstica de los recursos
nacionales, comprensiva de datos sobre organizacin poltica, instrucciones
sociales, comercio y podero militar.
Durante el siglo XVII aport indicaciones ms concretas de mtodos de
observacin y anlisis cuantitativo y ampli los campos de la inferencia y la
teora estadstica. Los eruditos del siglo XVII demostraron especial inters
por la estadstica demogrfica como resultado de la especulacin sobre si la
poblacin aumentaba, decreca o permaneca esttica.

En los tiempos modernos, tales mtodos fueron resucitados por algunos
reyes que necesitaban conocer las riquezas monetarias y el potencial
humano de sus respectivos pases. El primer empleo de los datos
estadsticos para fines ajenos a la poltica tuvo lugar en 1691 y estuvo a
cargo de Gaspar Neumann, un profesor alemn que viva en Breslau. Este
investigador se propuso destruir la antigua creencia popular de que en los
aos terminados en siete mora ms gente que en los restantes, y para
lograrlo hurg pacientemente en los archivos parroquiales de la ciudad.
Despus de revisar miles de partidas de defuncin pudo demostrar que en
tales aos no fallecan ms personas que en los dems. Los procedimientos
Estadstica
29
de Neumann fueron conocidos por el astrnomo ingls Halley, descubridor
del cometa que lleva su nombre, quien los aplic al estudio de la vida
humana. Sus clculos sirvieron de base para las tablas de mortalidad que
hoy utilizan todas las compaas de seguros.
Durante el siglo XVII y principios del XVIII, matemticos como Bernoulli,
Francis Maseres, Lagrange y Laplace desarrollaron la teora de
probabilidades. No obstante, durante cierto tiempo, la teora de las
probabilidades limit su aplicacin a los juegos de azar y hasta el siglo XVIII
no comenz a aplicarse a los grandes problemas cientficos. Godofredo
Achenwall, profesor de la Universidad de Gotinga, acu en 1760 la palabra
estadstica, que extrajo del trmino italiano statista (estadista). Crea, y con
sobrada razn, que los datos de la nueva ciencia seran el aliado ms eficaz
del gobernante consciente. La raz remota de la palabra se halla, por otra
parte, en el trmino latino status, que significa estado o situacin. Esta
etimologa aumenta el valor intrnseco de la palabra, por cuanto la estadstica
revela el sentido cuantitativo de las ms variadas situaciones.
Jacques Qutelect es quien aplica las estadsticas a las ciencias sociales.
Este interpret la teora de la probabilidad para su uso en las ciencias
sociales y resolver la aplicacin del principio de promedios y de la
variabilidad a los fenmenos sociales. Qutelect fue el primero en realizar la
aplicacin prctica de todo el mtodo estadstico, entonces conocido, a las
diversas ramas de la ciencia. Entre tanto, en el perodo del 1800 al 1820 se
desarrollaron dos conceptos matemticos fundamentales para la teora
estadstica: la teora de los errores de observacin, aportada por Laplace y
Gauss; y la teora de los mnimos cuadrados desarrollada por Laplace,
Gauss y Legendre.
Estadstica
30
A finales del siglo XIX, Sir Francis Gaston ide el mtodo conocido por
Correlacin, que tena por objeto medir la influencia relativa de los factores
sobre las variables. De aqu parti el desarrollo del coeficiente de correlacin
creado por Karl Pearson y otros cultivadores de la ciencia biomtrica como J.
Pease Norton, R. H. Hooker y G. Udny Yule, que efectuaron amplios estudios
sobre la medida de las relaciones.
Los progresos ms recientes en el campo de la Estadstica se refieren al
ulterior desarrollo del clculo de probabilidades; particularmente en la rama
denominada indeterminismo o relatividad, se ha demostrado que el
determinismo fue reconocido en la Fsica como resultado de las
investigaciones atmicas y que este principio se juzga aplicable tanto a las
ciencias sociales como a las fsicas.
1.1.2. Definicin
La Estadstica es la ciencia cuyo objetivo es reunir una informacin
cuantitativa concerniente a individuos, grupos, series de hechos, etc., y
deducir de ello, gracias al anlisis de estos datos, significados precisos o
previsiones para el futuro.
La estadstica, en general, es la ciencia que trata de la recopilacin,
organizacin presentacin, anlisis e interpretacin de datos numricos con
el fin de realizar una toma de decisin ms efectiva.
Los estudiantes confunden comnmente los dems trminos asociados con
las estadsticas, una confusin que es conveniente aclarar debido a que esta
palabra tiene tres significados: la palabra estadstica, en primer trmino, se
usa para referirse a la informacin estadstica; tambin se utiliza para
Estadstica
31
referirse al conjunto de tcnicas y mtodos que se utilizan para analizar la
informacin estadstica; y el trmino estadstico, en singular y en masculino,
se refiere a una medida derivada de una muestra.
1.1.3. Divisin
La Estadstica, para su mejor estudio, se ha dividido en dos grandes ramas:
la Estadstica Descriptiva y la Inferencial.
Estadstica Descriptiva: consiste sobre todo en la presentacin de datos en
forma de tablas y grficas. Esta comprende cualquier actividad relacionada
con los datos y est diseada para resumir o describir los mismos sin
factores pertinentes adicionales, esto es, sin intentar inferir nada que vaya
ms all de los datos como tales.
Estadstica Inferencial: se deriva de muestras, de observaciones hechas
slo acerca de una parte de un conjunto numeroso de elementos y esto
implica que su anlisis requiere de generalizaciones que van ms all de los
datos. Como consecuencia, la caracterstica ms importante del reciente
crecimiento de la estadstica ha sido un cambio en el nfasis de los mtodos,
los cuales son utilizados para hacer generalizaciones. La Estadstica
Inferencial investiga o analiza una poblacin partiendo de una muestra
tomada.
1.2. CONCEPTOS GENERALES
1.2.1. Unidad de investigacin
Estadstica
32
La unidad de investigacin es el elemento a quien va dirigida la investigacin,
el cual puede ser una persona, una familia, una vivienda, un estudiante, una
universidad, un empleado, una organizacin, etc. La unidad debe ser
adecuada al tipo de investigacin y debe poseer caractersticas claras y
entendibles que permitan mediciones y comparaciones.
1.2.2. Poblacin
Se entiende por poblacin o universo un conjunto grande de elementos o
unidades de investigacin, de los cuales se estudia una o varias
caractersticas comunes. Por ejemplo, los estudiantes de una universidad,
las universidades de una ciudad, los artculos producidos en una fbrica, las
empresas de un pas, los lanzamientos de una moneda, etc.
Segn el tamao, la poblacin puede clasificarse en finita e infinita.
Se considera una poblacin finita cuando tiene un nmero determinado de
elementos, es decir, se conoce el tamao de la poblacin. Por ejemplo, los
habitantes de un pas, los estudiantes de una universidad, los empleados de
una empresa, los asociados a una cooperativa, etc., mientras que la
poblacin infinita tiene un nmero indeterminado de elementos, por ejemplo,
los cuerpos que caen, los lanzamientos de un dado, etc.
Esta clasificacin slo existe en la teora, porque en la prctica existen
poblaciones con un nmero enormemente grande de elementos, las cuales
son clasificadas como poblaciones infinitas.
Cuando la poblacin est compuesta por un nmero relativamente alto de
elementos, por razones de costo, tiempo y recursos tcnicos que acarreara
Estadstica
33
la observacin exhaustiva de cada uno de los elementos de la poblacin, es
necesario recurrir a la seleccin de una muestra representativa de la
poblacin.
1.2.3. Muestra
La muestra es un conjunto de unidades pertenecientes a la poblacin,
seleccionadas adecuadamente; es decir, es una parte de la poblacin o
universo. Por ejemplo, de los 150 empleados de una empresa que
constituyen el universo o poblacin en estudio, al azar se pueden seleccionar
30 empleados, que constituyen la muestra.
Al emplear una muestra se busca lograr que al observar una porcin
reducida de unidades, se puedan sacar conclusiones semejantes a las que
se obtendran si se estudiara el total de la poblacin o universo.
Lo ideal es que el nmero de elementos o unidades de observacin que
constituyen la muestra sea igual al de la poblacin, para evitar los errores al
utilizar muestras no representativas. Sin embargo, por la limitacin de
recursos, es preciso acudir al muestreo y asumir los posibles errores que
puedan generarse. Cuando el tamao de la muestra es igual al de la
poblacin, el trabajo realizado se denomina censo.
1.2.4. Parmetros y estadgrafos
Los parmetros son medidas que describen numricamente una
caracterstica de la poblacin, tales como: la media aritmtica, la varianza, el
coeficiente de variacin, etc. Una poblacin puede tener varias
caractersticas y, por lo tanto, varios parmetros.
Estadstica
34
Los estadgrafos o estadsticas son medidas que describen numricamente
una caracterstica de la muestra; as como los parmetros lo hacen en una
poblacin, igual los estadgrafos lo hacen para la muestra, tales como: la
media aritmtica, la varianza, el coeficiente de variacin, etc.
1.2.5. Variables
Una variable es cualquier caracterstica o propiedad de una poblacin o de
una muestra, susceptible de asumir distintos valores o modalidades. Por
ejemplo: la altura de cada uno de los estudiantes de un curso puede tomar
distintos valores: sta puede ser 1.65 m o 1.72 m, o cualquier otro valor, as
la altura es una variable. Esto no significa que la altura de un estudiante
puede variar, sino que la altura puede variar de un estudiante a otro.
El color tambin es una variable. Si se toma, por ejemplo, el color de las
camisetas de los estudiantes, esta cualidad puede variar de una camiseta a
otra, ya que puede haber camisetas blancas, negras, rojas, azules, etc.
Estos colores son, en este caso, los distintos atributos o modalidades que
puede asumir la variable en mencin.
Las caractersticas de los objetos pueden ser o no ser susceptibles de
medida; en el primer caso (la altura de los estudiantes) se tiene una
caracterstica cuantitativa, y en el segundo (el color de la camiseta) una
caracterstica cualitativa. Por esta razn, las variables se clasifican en
cualitativas y cuantitativas.
Estadstica
35
Variables cualitativas
Las variables cualitativas son las que no permiten construir una serie
numrica definida; los atributos o caractersticas que toman son distintas
modalidades observadas cualitativamente. Son variables cualitativas el
color, la profesin, el estado civil, etc.
Para designar variables cualitativas, generalmente se utilizan las primeras
letras del alfabeto en maysculas (A, B, C,...) y para designar el atributo se
toman las letras minsculas acompaadas por subndices. Por ejemplo, la
variable profesin en una empresa puede ser representada por la letra A y
sus posibles caractersticas: administrador, economista, contador, ingeniero,
por a1, a2 , a3 ,a4, respectivamente, en este caso,
a1 = administrador
a2 = economista
a3 = contador
a4 = ingeniero
Variables cuantitativas
Las variables cuantitativas son aquellas que permiten una escala numrica
de medicin, toman distintos valores observados cuantitativamente mediante
una medida y una escala de medidas. Son variables cuantitativas la altura,
el peso, el nmero de hijos de una familia, el salario, el nmero de artculos
producidos en una semana.
Para designar las variables cuantitativas se utilizan las ltimas letras del
alfabeto en maysculas (... X, Y, Z). Por ejemplo, la variable altura de cinco
Estadstica
36
estudiantes se representa por X y las alturas 1.65 m, 1.67 m, 1.68 m, 1.70 m
y 1.72 m, se representan por x1, x2 , x3 , x4 y x5 , respectivamente. En este
caso,
x1 = 1.65 m
x2 = 1.67 m
x3 = 1.68 m
x4 = 1.70 m
x5 = 1.72 m
Las variables cuantitativas pueden clasificarse en cuantitativas continuas y
cuantitativas discretas.
Una variable es cuantitativa continua si entre dos valores consecutivos
puede tomar infinito nmero de valores; es decir, entre uno y otro valor de la
variable existen infinitas posibilidades intermedias; son variables continuas el
peso, la temperatura, el tiempo, el salario, etc.
Por ejemplo, el peso es una variable cuantitativa continua porque entre los
valores de 65 Kg y 66 Kg existen infinitos valores, stos pueden ser 65.9 Kg,
65.99 Kg, 65.999 Kg, etc.
Una variable es cuantitativa discreta si entre dos valores consecutivos no
puede asumir otro valor; en este caso la variable no toma valores decimales.
Por ejemplo, el nmero de empleados de una empresa, el nmero de
artculos producidos, el nmero de empresas de la competencia, etc. En
estos casos se habla de un cierto valor como 10, 11, 12 o cualquier otro
nmero entero, porque es absurdo decir, por ejemplo, que una empresa tiene
11.8 empleados.
Estadstica
37
1.2.6. Escalas de medicin
Una escala es un sistema para asignar valores numricos a ciertas
caractersticas o rasgos mensurables. Existen varios mtodos para ordenar
datos; en la mayora de los casos, las tcnicas de medicin se pueden
reducir a cuatro tipos de escalas: nominal, ordinal, de intervalos y de razn.
Escala nominal
La escala nominal se aplica a la variable cualitativa, la cual presenta
diferentes categoras o modalidades, cada una de las cuales recibe un
nombre; de ah la denominacin de esta escala. A las variables con tales
caractersticas tambin se les denomina atributos. Las categoras pueden
estar preconstruidas y ser de aceptacin general, o puede definirlas el
investigador de acuerdo con sus intereses, pero en cualquier caso deben ser
exhaustivas y mutuamente excluyentes, esto es, que exista una y slo una
categora para cada uno de los elementos de la poblacin.
Ejemplos:
Color = {blanco, rojo, azul, verde, violeta, otro}
Tipo de artculo = {normal, imperfecto}
Cargo = {gerente, coordinador, auxiliar}
Las nicas estadsticas bsicas que se pueden obtener a partir de estas
variables son la frecuencia y la moda y, por tanto, los mtodos estadsticos
disponibles son aquellos que se basan en las mismas. En el caso de una
sola variable, se pueden obtener tablas de frecuencias y diagramas de
Estadstica
38
barras o de sectores; si se tienen dos variables se puede realizar un anlisis
de correspondencia o construir tablas de contingencia.
Escala ordinal
Cada uno de los niveles de esta escala tiene un rango, lo que permite
establecer comparaciones de orden entre los mismos (mayor que, menor
que). No obstante, no es adecuado, en general, suponer que la distancia
entre un nivel y sus niveles adyacentes superior e inferior es la misma.
Ejemplos:
Estado sanitario = {sano, ligeramente afectado, enfermo, muy enfermo,
muerto}
Estrato socioeconmico = {1, 2, 3, 4, 5, 6}
Produccin = {alta, media, baja}
Las variables medidas en esta escala contienen ms informacin que
aquellas medidas en escala nominal; por tanto, se podran aplicar los mismos
mtodos y anlisis, prescindiendo de la informacin de orden.
Adicionalmente, se pueden calcular la mediana y la desviacin media.
Aunque es posible reemplazar cada una de los niveles por un nmero
(etiqueta), ste no aporta informacin adicional y las relaciones que se
pueden establecer siguen siendo las mismas. As, se podra hacer
corresponder los nmeros del 1 al 5 con cada uno de los niveles de estado
fitosanitario, pero lo nico que se podra decir en cuanto a la sanidad es que
1 > 2 > 3 > 4 > 5. En general, ser inadecuada la utilizacin de estos
Estadstica
39
nmeros para efectuar operaciones o deducciones matemticas de otro tipo,
como la obtencin del estado fitosanitario promedio, por ejemplo.
Escala de intervalo
Es una escala que contiene ms informacin que las anteriores, pues
adems de que existe un orden entre los diferentes niveles, la distancia entre
cualquier par de niveles adyacentes es la misma, lo que implica el uso de
una distancia unitaria de referencia. Esta caracterstica permite establecer
relaciones entre cualquier par de intervalos en la escala; as, es posible
afirmar que la distancia que hay entre 5 y 6 es la misma que hay entre 10 y
11.
Esta escala hace uso de un punto cero que se asigna arbitrariamente en
cada sistema y que no implica ausencia de la caracterstica medida. Este
hecho hace imposible establecer comparaciones de razn. As, para una
caracterstica medida en esta escala, sera incorrecto afirmar que 5 es la
mitad de 10.

Un ejemplo tpico es la escala en que se mide la temperatura; para su
medicin se pueden utilizar diferentes sistemas: el Celsius, el Fahrenheit
1
u
otro. Dentro de cualquiera de estos sistemas es posible afirmar que la
distancia entre dos divisiones cualesquiera es la misma, sin importar el lugar
de la escala. No obstante, en la siguiente tabla se observa cmo una
relacin entre dos temperaturas cambia dependiendo del sistema, la cual
explica por qu no puede afirmarse que 5 sea la mitad de 10.
Celsius Fahrenheit
1
(temperatura) F = (9/5) * (temperatura) C + 32
Estadstica
40
5 C 41 F
10 C 50 F
Ntese que cualquier escala ordinal que se construya cuidando que la
distancia entre niveles sea la misma constituir, en realidad, una escala de
intervalos.
Cuando las variables estn medidas en esta escala, se pueden calcular
todos los estadsticos, y es posible usar cualesquiera de los mtodos
estadsticos clsicos, siempre que se cumplan los supuestos especficos de
los mismos.
Escala de razones
Es la escala de medicin que tiene ms informacin. Posee un punto cero
verdadero que indica ausencia de la caracterstica, lo que permite realizar
comparaciones no slo de intervalo, sino tambin de razones, sin importar el
sistema utilizado.
As, por ejemplo, un objeto que mida 5,08 cm tendr el doble de longitud con
relacin a un objeto que mida 2,54 cm, cualquiera que sea el sistema en que
se registre la longitud, tal como se muestra en la siguiente tabla
2
.
Centmetros Pulgadas
2,54 1
5,08 2
Como ejemplo de variables medidas en escala de razones, estn los conteos
de cualquier caracterstica, pesos y longitudes, ente otras.
2
1 pulgada = 2,54 centmetros
Estadstica
41
Cuando se tiene una variable medida en escala de razones, se pueden
calcular todos los estadsticos y es posible utilizar cualesquiera de los
mtodos estadsticos clsicos, siempre que se cumplan los supuestos
especficos de los mismos.
Las escalas de medicin que contienen poca informacin se denominan
dbiles, y los mtodos estadsticos que se pueden aplicar sobre las mismas
son, por lo general, ms restringidos. Las escalas de medicin con mayor
informacin se denominan escalas fuertes y pueden analizarse mediante los
mtodos diseados especficamente para su anlisis o mediante
cualesquiera de los mtodos diseados para trabajar sobre variables
medidas en una escala ms dbil, simplemente prescindiendo de la
informacin adicional.
Una clasificacin ms amplia llama variables cualitativas a aquellas medidas
en escala nominal, y cuantitativas a las medidas en escala de razones o de
intervalo. Las variables medidas en escala ordinal forman un puente entre
ambas.
1.3. MUESTREO
Los mtodos estadsticos proponen diferentes tipos de muestreo, aunque en
general pueden dividirse en dos grandes grupos: mtodos de muestreo
probabilsticos y mtodos de muestreo no probabilsticos.
1.3.1. Mtodos de muestreo probabilsticos
Estadstica
42
Los mtodos de muestreo probabilstico 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 tamao n
tienen la misma probabilidad de ser elegidas. Slo estos mtodos de
muestreo probabilstico aseguran la representatividad de la muestra extrada
y son, por tanto, los ms recomendables. Dentro de los mtodos de
muestreo probabilstico se encuentran los siguientes tipos:
Muestreo aleatorio simple
El procedimiento empleado es el siguiente: 1) se asigna un nmero a cada
individuo de la poblacin, y 2) a travs de algn medio mecnico (bolas
dentro de una bolsa, tablas de nmeros aleatorios, nmeros aleatorios
generados con una calculadora u ordenador, etc.) se eligen tantos sujetos
como sea necesario para completar el tamao de muestra requerido.
Este procedimiento, atractivo por su simpleza, tiene poca o nula utilidad
prctica cuando la poblacin que se est manejando es muy grande.
Muestreo aleatorio sistemtico
Este procedimiento exige, como el anterior, numerar todos los elementos de
la poblacin, pero en lugar de extraer n nmeros aleatorios slo se extrae
uno. Se parte de ese nmero aleatorio i, que es un nmero elegido al azar, y
los elementos que integran la muestra son los que ocupan los lugares i, i+k,
i+2k, i+3k,...,i+(n-1)k, es decir se toman los individuos de k en k, siendo k el
resultado de dividir el tamao de la poblacin entre el tamao de la muestra:
Estadstica
43
k=N/n. El nmero i que se emplea como punto de partida ser un nmero al
azar entre 1 y k.
El riesgo se este tipo de muestreo est en los casos en que se dan
periodicidades en la poblacin ya que al elegir a los miembros de la muestra
con una periodicidad constante (k) se puede introducir una homogeneidad
que no se da en la poblacin. Supngase que se est seleccionando una
muestra sobre listas de 10 individuos en los que los 5 primeros son varones y
los 5 ltimos mujeres; si se emplea un muestreo aleatorio sistemtico con
k=10 siempre sern seleccionados o slo hombres o slo mujeres; no podra
haber una representacin de los dos sexos.
Muestreo aleatorio estratificado
Trata de obviar las dificultades que presentan los anteriores, ya que
simplifica los procesos y suele reducir el error muestral para un tamao dado
de la muestra. Consiste en considerar categoras tpicas diferentes entre s
(estratos) que poseen gran homogeneidad respecto a alguna caracterstica
(se puede estratificar, por ejemplo, segn la profesin, el municipio de
residencia, el sexo, el estado civil, etc.). Lo que se pretende con este tipo de
muestreo es asegurarse de que todos los estratos de inters estarn
representados adecuadamente en la muestra. Cada estrato funciona
independientemente, pudiendo aplicarse dentro de ellos el muestreo
aleatorio simple o el estratificado para elegir los elementos concretos que
formarn parte de la muestra. En ocasiones, las dificultades que plantea son
demasiado grandes, pues exige un conocimiento detallado de la poblacin
(tamao geogrfico, sexos, edades...).
Estadstica
44
La distribucin de la muestra en funcin de los diferentes estratos se
denomina afijacin, y puede ser de diferentes tipos:
Afijacin simple: a cada estrato le corresponde igual nmero de elementos
muestrales.
Afijacin proporcional: la distribucin se hace de acuerdo con el peso
(tamao) de la poblacin en cada estrato.
Afijacin ptima: se tiene en cuenta la previsible dispersin de los
resultados, de modo que se consideran la proporcin y la desviacin tpica.
Tiene poca aplicacin ya que no se suele conocer la desviacin.
Por ejemplo, se est interesado en estudiar el grado de aceptacin que la
implantacin de la reforma educativa ha tenido entre los padres de un
municipio. A tal efecto se seleccion una muestra de 600 padres de familia.
Se conoce por los datos del Ministerio de Educacin que de los 10.000 nios
escolarizados en la bsica, 7.000 acuden a colegios pblicos y 3.000 a
colegios privados. Como el inters es que en la muestra estn representados
todos los tipos de colegio, se realiza un muestreo estratificado empleando
como variable de estratificacin el tipo de colegio.
Si se emplea una afijacin simple seran 300 nios de cada tipo de centro,
pero en este caso parece ms razonable utilizar una afijacin proporcional
pues hay bastante diferencia en el tamao de los estratos. Por consiguiente,
se calcula la proporcin para cada uno de los estratos respecto de la
poblacin, para poder reflejarlo en la muestra.
Estadstica
45
Colegios pblicos: 7.000/10.000 = 0.70
Colegios privados: 3.000/10.000 = 0.30
Para conocer el tamao de cada estrato en la muestra se multiplica la
proporcin por el tamao muestral.
Colegios pblicos: 0.70x600 = 420 padres de familia
Colegios privados: 0.30x600 = 180 padres de familia
Muestreo aleatorio por conglomerados
Los mtodos presentados hasta ahora estn pensados para seleccionar
directamente los elementos de la poblacin, es decir, que las unidades
muestrales son los elementos de la poblacin. En el muestreo por
conglomerados la unidad muestral es un grupo de elementos de la poblacin
que forman una unidad, a la que se denomina conglomerado. Las unidades
hospitalarias, los departamentos universitarios, una caja de determinado
producto, etc. son conglomerados naturales. En otras ocasiones, se pueden
utilizar conglomerados no naturales como, por ejemplo, las urnas electorales.
Cuando los conglomerados son reas geogrficas suele hablarse de
"muestreo por reas".
El muestreo por conglomerados consiste en seleccionar aleatoriamente un
cierto nmero de conglomerados (el necesario para alcanzar el tamao
muestral establecido) y en investigar despus todos los elementos
pertenecientes a los conglomerados elegidos.
Por ejemplo, en una investigacin se trata de conocer el grado de
satisfaccin laboral de los empleados de una cadena de almacenes; se toma
Estadstica
46
una muestra de 700 empleados. Ante la dificultad de acceder individualmente
a estos empleados, se decide hacer una muestra por conglomerados.
Sabiendo que el nmero de empleados por almacn es aproximadamente de
35, los pasos a seguir seran:
Recoger un listado de todos los almacenes.
Asignar un nmero a cada uno de ellos.
Elegir por muestreo aleatorio simple o sistemtico los 20 almacenes
(700/35 = 20) que proporcionarn los 700 empleados que se
necesitan.
Finalmente, ante lo compleja que puede llegar a ser la situacin real de
muestreo es muy comn emplear lo que se denomina muestreo polietpico.
Este tipo de muestreo se caracteriza por operar en sucesivas etapas,
empleando en cada una de ellas el mtodo de muestreo probabilstico ms
adecuado.
1.3.2. Mtodos de muestreo no probabilsticos
A veces, para estudios exploratorios, el muestreo probabilstico resulta
excesivamente costoso y se acude a mtodos no probabilsticos, aun siendo
conscientes de que no sirven para realizar generalizaciones, pues no se
tiene certeza de que la muestra extrada sea representativa, ya que no todos
los sujetos de la poblacin tienen la misma probabilidad de ser elegidos. En
general, se selecciona a los sujetos siguiendo determinados criterios
procurando que la muestra sea representativa.
Estadstica
47
Muestreo por cuotas
Tambin denominado en ocasiones "accidental". Se asienta generalmente
sobre la base de un buen conocimiento de los estratos de la poblacin y/o de
los individuos ms "representativos" o "adecuados" para los fines de la
investigacin. Mantiene, por tanto, semejanzas con el muestreo aleatorio
estratificado, pero no tiene el carcter de aleatoriedad de aqul.
En este tipo de muestreo se fijan unas "cuotas" que consisten en un nmero
de individuos que renen determinadas condiciones, por ejemplo: 20
individuos de 25 a 40 aos, de sexo femenino y residentes en una misma
ciudad. Una vez determinada la cuota, se eligen los primeros que se
encuentre que cumplan esas caractersticas. Este mtodo se utiliza mucho
en las encuestas de opinin.
Por ejemplo, una universidad desea estudiar la incidencia de las drogas en la
adolescencia. Lo que debera hacer sera: conocer por los informes del
Estado cules son los centros educativos ms afectados por el problema,
fijar un nmero de sujetos a entrevistar, proporcional a cada uno de los
estratos (cuotas) y, finalmente, dejar en manos de los responsables del
trabajo de campo a qu sujetos concretos se deber entrevistar.
Muestreo opintico o intencional
Este tipo de muestreo se caracteriza por un esfuerzo deliberado de obtener
muestras "representativas" mediante la inclusin en la muestra de grupos
supuestamente tpicos. Es muy frecuente su utilizacin en sondeos
preelectorales de zonas que en anteriores votaciones han marcado
tendencias de voto.
Estadstica
48
Muestreo casual o incidental
Se trata de un proceso en el que el investigador selecciona directa e
intencionadamente los individuos de la poblacin. El caso ms frecuente de
este procedimiento es el utilizar como muestra los individuos a los que se
tiene fcil acceso (los profesores de universidad emplean con mucha
frecuencia a sus propios alumnos). Un caso particular es el de los
voluntarios.
Bola de nieve
Se localiza a algunos individuos, los cuales conducen a otros, y stos a
otros, y as hasta conseguir una muestra suficiente. Este tipo se emplea muy
frecuentemente cuando se hacen estudios con poblaciones "marginales",
delincuentes, sectas, determinados tipos de enfermos, egresados de una
institucin, etc.
1.3.3. Evaluacin del valor de una encuesta
Cotidianamente se oye o se lee sobre resultados de encuestas en los
diferentes medios de comunicacin. Es evidente que los avances
tecnolgicos en las comunicaciones han provocado la proliferacin de
investigaciones por medio de encuestas; sin embargo, no todas son
aceptables, significativas o importantes.
Para evitar encuestas carentes de objetividad o credibilidad, debe evaluarse
con sentido crtico todo lo que se lee y escucha, adems de examinarse el
valor de la encuesta, evaluando los siguientes aspectos:
Estadstica
49
Propsito de la encuesta: por qu y para quin se realiza. Un resultado
de opinin o una encuesta realizada para satisfacer la curiosidad
pertenece a la esfera de la diversin. Su resultado es un fin en s mismo,
no un medio para lograr un fin. Debe existir escepticismo ante tales
encuestas porque el resultado no tiene una aplicacin posterior.
Determinar si la encuesta est basada en una muestra probabilstica o no
probabilstica: el nico medio disponible para hacer inferencias
estadsticas correctas a partir de una muestra es el uso de un muestreo
probabilstico. Las encuestas que emplean mtodos de muestreo no
probabilstico estn sujetas a errores significativos, quiz no
intencionales, que pueden generar resultados sin sentido.
1.3.4. Errores en las encuestas
Aun cuando en las encuestas se utilizan mtodos de muestreo probabilstico,
estn sujetas a errores potenciales, los cuales se describen a continuacin:
Error de cobertura o sesgo en la seleccin
La clave para una seleccin apropiada en la muestra es un marco de
poblacin adecuado o una lista actualizada de todos los elementos que
participarn en el muestreo. El error de cobertura ocurre si se excluyen
ciertos elementos de la lista de poblacin, de manera que no tienen
oportunidad de ser seleccionados en la muestra. El error de cobertura
conduce a un sesgo de seleccin. Si el listado es inadecuado porque no se
incluyeron algunos elementos de la poblacin, cualquier muestra
Estadstica
50
probabilstica aleatoria proporcionar una estimacin de las caractersticas
del marco, no de la poblacin real.
Error o sesgo de no respuesta
No todas las personas estn dispuestas a contestar una encuesta. El error
de no respuesta surge del fracaso al recopilar datos de todos los sujetos de
la muestra y el resultado es un sesgo de no respuesta. Como en general no
se puede suponer que las personas que no responden son semejantes a
aquellas que s responden, es importante realizar un seguimiento a las no
respuestas despus de un periodo determinado. Deben hacerse varios
intentos, ya sea por correo o por telfono, para convencerlos de que
diligencien la encuesta. Con base en estos resultados, las estimaciones
obtenidas con las respuestas iniciales se combinan con las estimaciones
obtenidas con el seguimiento, de manera que las inferencias hechas a partir
de la encuesta sean vlidas.
Error de muestreo
El error de muestreo se presenta cuando se encuesta una muestra y no la
poblacin, es decir, cuando no se aplica un censo. Aun cuando no se puede
evitar este error, s se puede controlar; una forma importante de controlarlo
es seleccionar un mtodo o un diseo adecuado de muestreo. El error de
muestreo muestra la heterogeneidad o las diferencias aleatorias de una
muestra a otra, segn la probabilidad de que elementos especficos sean
seleccionados en unas muestras determinadas.
Error de medicin
Estadstica
51
Se refiere a la falta de precisin en las respuestas registradas, debido a fallas
en la redaccin del enunciado de las preguntas, la influencia del
entrevistador en la persona que responde, o por el esfuerzo que realiza la
persona que responde.
1.3.5. Aspectos ticos del muestreo
En la actualidad se existe una tendencia a la proliferacin de investigaciones
que se apoyan en encuestas; no todas son buenas, significativas o
importantes, y no todas son ticas. Debe intentarse distinguir entre un
diseo de encuesta deficiente y un diseo carente de tica.
Las consideraciones ticas surgen con relacin a cuatro tipos de errores
potenciales que pueden ocurrir cuando se disean encuestas que utilizan
muestras probabilsticas aleatorias: error de cobertura o sesgo de seleccin,
error o sesgo de no respuesta, error de muestreo y error de medicin. El
error de cobertura o sesgo de seleccin se convierte en un problema tico,
slo si se excluyen a propsito grupos especficos de individuos del marco de
poblacin, para obtener resultados sesgados, que indican una posicin ms
favorable para los intereses del investigador.
De igual manera, el error o sesgo de no respuesta se convierte en un
problema tico, slo si es menos probable que grupos o individuos
especficos respondan a una encuesta, y si el investigador la disea a
propsito con el fin de excluir grupos o elementos.
El error de muestreo se convierte en un problema tico, slo cuando los
resultados se presentan, a propsito, sin referencia al tamao de muestra o
Estadstica
52
al margen de error, de modo que el investigador puede promover un punto
de vista que de otra manera sera insignificante.
El error de medicin se convierte en un problema tico en cualquiera de las
siguientes situaciones:
Un investigador puede elegir preguntas orientadas que guan las
respuestas hacia una direccin especfica.
Un investigador, mediante actitudes y tono de voz, puede crear un efecto
deliberado de halo o puede guiar las respuestas en cierta direccin.
Alguien que responde, pero no est de acuerdo con la encuesta, puede
proporcionar informacin falsa a propsito.
Estadstica
53

2. ORDENACIN DE DATOS ESTADSTICOS
Estadstica
54
En los datos obtenidos en encuestas, experimentos o mediante cualquier
instrumento de medida, por ser numerosos, se dificulta su interpretacin, a
menos que se ordenen y clasifiquen en forma conveniente. Por lo tanto, se
deben agrupar los datos y presentarlos en forma de tablas.
2.1. TABULACIN DE DATOS
La tabulacin de datos consiste en tomar los distintos valores o atributos que
toma la variable y colocarlos en columna, de acuerdo con algn criterio de
ordenacin, y al frente se coloca el nmero de veces que aparece el valor o
atributo, o sea, la frecuencia.
Para la tabulacin de datos correspondientes a variables cualitativas se
puede hacer de acuerdo con el orden cronolgico, con el orden alfabtico o
en forma convencional.
Por ejemplo, una Cooperativa de Trabajo Asociado Epsilon desea conocer el
nivel de escolaridad de sus asociados y encuentra la siguiente informacin: 5
profesionales, 15 tcnicos, 20 bachilleres y 10 con bsica primaria.
Ordenando los niveles de escolaridad en forma convencional se obtiene la
tabla 1.
Estadstica
55
Tabla 1. Nivel de escolaridad de los asociados de la Cooperativa de
Trabajo Asociado Epsilon

NIVEL DE ESCOLARIDAD TABULACIN FRECUENCIA
Profesional

5
Tcnico

15
Bachiller

20
Bsica primaria

10
Fuente: Datos hipotticos
Para la clasificacin de datos correspondientes a variables cuantitativas se
utilizan escalas numricas y se pueden colocar de forma creciente o
decreciente.
Por ejemplo, se seleccionan diez asociados de la Cooperativa de Trabajo
Asociado Epsilon y se les consulta por el nmero de hijos que poseen en el
momento, obteniendo los siguientes datos: 2, 3, 1, 1, 0, 2, 4, 3, 2, 2.
Ordenando en forma creciente se obtiene la tabla 2.
Tabla 2. Nmero de hijos de los asociados de la Cooperativa de Trabajo
Asociado Epsilon
NMERO DE HIJOS TABULACIN FRECUENCIA
0

1
1

2
2

4
3

2
4

1
En la tabla 2 se ha ordenado en forma creciente el nmero de hijos de los
asociados, pero cuando los datos son numerosos o el recorrido de la variable
es largo, este procedimiento no es prctico y, por lo tanto, se deben formar
Estadstica
56
grupos o intervalos de clase, mediante el siguiente procedimiento: rango o
recorrido, amplitud del rango, nmero de clases, amplitud del intervalo de
clase, lmites de cada clase y tabulacin.
2.1.1. Rango o recorrido (R)
El rango o recorrido (R) de una variable es el campo de variacin numrica
de dicha variable, es decir, el intervalo entre el menor valor y el mayor valor
que toma la variable. Se representa como:
Donde, R: rango o recorrido.
Li: lmite inferior (menor valor de la variable).
Ls: lmite superior (mayor valor de la variable).
Por ejemplo, un grupo de expertos en auditaje analiza el tiempo que tarda
(en minutos) en realizar la auditora de un proceso similar en diferentes
empresas. Los datos se presentan en la siguiente tabla:
Tabla 3. Tiempo que tarda (en minutos) un grupo de expertos en auditar
un proceso
Estadstica
57
R = [ Li , Ls ]
Auditor Tiempo
(min)
Auditor Tiempo
(min)
Auditor Tiempo
(min)
Auditor Tiempo
(min)
Auditor Tiempo
(min)
Aud. 1 70 Aud. 11 47 Aud. 21 57 Aud. 31 52 Aud.41 51
En la tabla 3 el valor mayor es 74 minutos y, el menor, 45 minutos, por lo
tanto:
Li = 45 minutos, Ls = 74 minutos y R = [45, 74]
Lmites reales: como los tiempos se registran con aproximacin a 1 minuto,
el lmite inferior, 45 minutos, incluye el valor 44.6 minutos; por lo tanto, el
valor real del lmite inferior es 44.5 minutos; y el lmite superior, 74 minutos,
incluye el valor 74.5 minutos; luego, el lmite real superior es 74.5 minutos, y
el recorrido real en este caso es:
R = [44.5, 74.5]
2.1.2. Amplitud del rango (AR)
La amplitud del rango de una variable se determina hallando la diferencia
entre el lmite superior real y el lmite inferior real.
Estadstica
58
AR = Ls - Li
Para el ejemplo de la tabla 3 la amplitud del rango es:
AR = 74.5 minutos 44.5 minutos = 30 minutos
2.1.3. Nmero de clases (m)
El nmero de clases puede obtenerse de forma convencional, teniendo en
cuenta que no debe ser menor a 5 ni mayor de 20 clases. Sin embargo,
puede obtenerse por medio de la frmula de Sturges, la cual es:
Donde n es el nmero total de datos.
Para el ejemplo de la tabla 3 el nmero de intervalos es:
m = 1 + 3.3 x log (50)
m = 1 + 3.3 x 1.69
m = 1 + 5.6
m = 6.6
En este caso se pueden tomar 6 7 intervalos.
2.1.4. Amplitud del intervalo de clase (C)
El valor del intervalo de clase no es necesario que sea igual para todos los
intervalos; sin embargo, para fines de simplificacin y funcionalidad es
Estadstica
59
m = 1 + 3.3 x log
conveniente que todas las clases tengan la misma amplitud. Para obtenerla,
se divide la amplitud del rango entre el nmero m de clases que se considere
ms adecuado, teniendo en cuenta que C debe ser un nmero exacto. En
consecuencia,
Para el ejemplo de la tabla 3 la amplitud del intervalo podra ser:
Si m = 6, entonces C = 30/6, C = 5 minutos
Si m = 7, entonces C = 30/7, C = 4.285714286... minutos
Entre estos dos valores, el ms recomendable es C = 5, ya que es exacto.
Por lo tanto, se deben construir 6 intervalos con una amplitud de 5 minutos.
Esto es m = 6 y C = 5.
Cuando la amplitud del intervalo (AR) no es divisible por un nmero entero,
sta se puede incrementar hasta hacerla divisible; este incremento debe ser
distribuido proporcionalmente, sumando la mitad al lmite superior y restando
la otra mitad al lmite inferior.
2.1.5. Lmites de las clases
Cada clase tiene un lmite inferior i
l
y un lmite superior s
l
; el lmite inferior
de la clase ms baja o clase uno es igual al lmite inferior del rango Li, y el
lmite superior de esta clase es igual al lmite inferior, ms la amplitud del
intervalo (C). El lmite inferior de la clase dos es igual al lmite superior de la
Estadstica
60
C = AR / m
clase uno, y el lmite superior de esta clase es igual al lmite inferior, ms la
amplitud del intervalo (C). Y as sucesivamente, hasta cubrir el nmero de
clases definidas.
Para el ejemplo de la tabla 3, los lmites de clases seran:
Tabla 4. Lmites de clases para el tiempo que tarda (en minutos) un
grupo de expertos en auditar un proceso
N DE CLASE LMITES DE CLASE
i
l
-
s
l
INTERVALOS DE CLASE
i
l
-
s
l
1 44.5 - 44.5 + 5 = 49.5 44.5 - 49.5
2 49.5 - 49.5 + 5 = 54.5 49.5 - 54.5
3 54.5 - 54.5 + 5 = 59.5 54.5 - 59.5
4 59.5 - 59.5 + 5 = 64.5 59.5 - 64.5
5 64.5 - 64.5 + 5 = 69.5 64.5 - 69.5
6 69.5 - 69.5 + 5 = 74.5 69.5 - 74.5
2.1.6. Tabulacin
Una vez establecidos los intervalos de clase, se procede al conteo como en
el caso para datos no agrupados, como se ilustra en la tabla 5.
Tabla 5. Tabulacin para el tiempo que tarda (en minutos) un grupo de
expertos en auditar un proceso
N DE CLASE TIEMPO (minutos) TABULACIN FRECUENCIAS
Estadstica
61
1 44.5 - 49.5

2
2 49.5 - 54.5

9
3 54.5 - 59.5

12
4 59.5 - 64.5

11
5 64.5 - 69.5

9
6 69.5 - 74.5

7
2.1.7. Marca de clase o punto medio
Cada clase tiene un punto medio o marca de clase
.
i
x
que representa a cada
intervalo. La marca de clase se calcula como la semisuma entre los lmites
inferior y superior de cada intervalo, as:
Tabla 6. Marca de clase para el tiempo que tarda (en minutos) un grupo
de expertos en auditar un proceso
N DE
CLASE
INTERVALO
(Tiempo en minutos)
MARCA DE
CLASE
1 44.5 - 49.5 47
2 49.5 - 54.5 52
3 54.5 - 59.5 57
4 59.5 - 64.5 62
5 64.5 - 69.5 67
6 69.5 - 74.5 72
Estadstica
62
2
.
i s
i
l l
x
+

Obsrvese que al pasar de una marca de clase a la siguiente, sta se
incrementa en las mismas unidades de la amplitud del intervalo C; por esta
razn es que C siempre debe ser un nmero exacto.
2.2. FRECUENCIAS
2.1.1. Frecuencia absoluta (fi)
Se llama frecuencia absoluta (fi) al nmero de veces que aparece el valor xi
de una variable X en un colectivo. As, si en un grupo de 30 empleados hay 6
que tienen una edad de 25 aos, se dice que la edad 25 aos tiene una
frecuencia de 6.
Las frecuencias absolutas para el grupo de expertos de la auditora de un
proceso se presentan en la tabla 7.
Tabla 7. Frecuencias absolutas para el tiempo que tarda (en minutos) un
N DE CLASE INTERVALO
(Tiempo en minutos)
FRECUENCIA
ABSOLUTA (fI)
1 44.5 - 49.5 2
2 49.5 - 54.5 9
3 54.5 - 59.5 12
4 59.5 - 64.5 11
5 64.5 - 69.5 9
6 69.5 - 74.5 7
TOTAL 50
Estadstica
63
Obsrvese que la suma de las frecuencias absolutas debe ser igual al
nmero total de datos.
2.2.2. Frecuencia relativa (hi)
Se llama frecuencia relativa (hi) al cociente de dividir la frecuencia absoluta
entre el nmero total de elementos del colectivo. Tambin se puede
representar en porcentaje.
Donde n es el total de elementos.
As, si en un grupo de 30 empleados hay 6 que tienen una edad de 25 aos,
entonces la frecuencia relativa ser:
% 20 100 *
30
6

i
h
Aqu la edad 25 aos tiene una frecuencia relativa de 20%; es decir, el 20%
de los empleados tiene edad de 25 aos.
Las frecuencias relativas para el grupo de expertos de la auditora de un
proceso se presenta en la 8.
Tabla 8. Frecuencias relativas para el tiempo que tarda (en minutos) un
Estadstica
64
100 *
n
f
h
i
i

N DE CLASE INTERVALO
(Tiempo en minutos)
FRECUENCIA
RELATIVA (hI)
1 44.5 - 49.5 (2/50)*100 = 4%
2 49.5 - 54.5 (9/50)*100 = 18%
3 54.5 - 59.5 (12/50)*100 = 24%
4 59.5 - 64.5 (11/50)*100 = 22%
5 64.5 - 69.5 (9/50)*100 = 18%
6 69.5 - 74.5 (7/50)*100 = 14%
TOTAL 100%
Obsrvese que la suma de las frecuencias relativas es igual al 100%.
La frecuencia relativa se aplica a las variables cualitativa, cuantitativa
discreta y continua.
2.2.3. Frecuencia absoluta acumulada (FI)
Se llama frecuencia absoluta acumulada (FI) de un valor xi de una variable X
a la suma de las frecuencias absolutas hasta la correspondiente frecuencia fI
del valor xi .
Tabla 9. Frecuencias absolutas acumuladas para el tiempo que tarda
(en minutos) un grupo de expertos en auditar un proceso
INTERVALO
(Tiempo en
minutos)
FRECUENCIA
ABSOLUTA (fi)
FRECUENCIA ABSOLUTA
ACUMULADA (Fi)
Estadstica
65
i
k
k i
f F
1
44.5 - 49.5 2 2
49.5 - 54.5 9 2 + 9 = 11
54.5 - 59.5 12 2 + 9 + 12 = 23
59.5 - 64.5 11 2 + 9 + 12 + 11 = 34
64.5 - 69.5 9 2 + 9 + 12 + 11 + 9 = 43
69.5 - 74.5 7 2 + 9 + 12 + 11 + 9 + 7 = 50
2.2.4. Frecuencia relativa acumulada (Hi)
Se llama frecuencia relativa acumulada (HI) de un valor xi de una variable X a
la suma de las frecuencias relativas hasta la correspondiente frecuencia hI
del valor xi .
Tabla 10. Frecuencias relativas acumuladas para el tiempo que tarda (en
minutos) un grupo de expertos en auditar un proceso
INTERVALO
(Tiempo en
minutos)
FRECUENCIA
RELATIVA (hi)
FRECUENCIA RELATIVA
ACUMULADA (Hi)
44.5 - 49.5 4% 4%
49.5 - 54.5 18% 4% + 18% = 22%
54.5 - 59.5 24% 4% + 18% + 24% = 46%
Estadstica
66
i
k
k i
h H
1
59.5 - 64.5 22% 4% + 18% + 24% + 22% = 68%
64.5 - 69.5 18% 4% + 18% + 24% + 22% + 18% = 86%
69.5 - 74.5 14% 4% + 18% + 24% + 22% + 18% + 14% = 100%
Una vez construidos los intervalos y las frecuencias, se ilustra en una tabla el
consolidado para facilitar la interpretacin y el anlisis de la variable (ver
tabla 11).
Tabla 11. Intervalos y frecuencias para el tiempo que tarda (en minutos)
un grupo de expertos en auditar un proceso
N DE
CLASE
TIEMPO EN
MINUTOS
.
i
x
fi hi Fi Hi
1 44.5 - 49.5 47 2 4% 2 4%
2 49.5 - 54.5 52 9 18% 11 22%
3 54.5 - 59.5 57 12 24% 23 46%
4 59.5 - 64.5 62 11 22% 34 68%
5 64.5 - 69.5 67 9 18% 43 86%
6 69.5 - 74.5 72 7 14% 50 100%
Para analizar los resultados obtenidos en la tabla anterior, se deben tener en
cuenta los siguientes aspectos:
Las frecuencias absolutas y relativas se interpretan a partir de los
intervalos.
Por ejemplo: 2 expertos tardan entre 44.5 y 49.5 minutos en realizar la
auditora del proceso o el 4% de los expertos tardan entre 44.5 y 49.5
minutos en realizar la auditora del proceso; 9 expertos tardan entre 49.5
y 54.5 minutos en realizar la auditora del proceso o el 18% de los
Estadstica
67
expertos tardan entre 49.5 y 54.5 minutos en realizar la auditora del
proceso, as sucesivamente.
Las frecuencias absolutas acumuladas y relativas acumuladas se
interpretan con la marca de clase del intervalo.
Por ejemplo: 2 expertos tardan menos de 47 minutos en realizar la
auditora del proceso o 4% de los expertos tardan menos de 47 minutos
en realizar la auditora del proceso, 11 expertos tardan menos de 52
minutos en realizar la auditora del proceso o 22% de los expertos tardan
menos de 52 minutos en realizar la auditora del proceso, as
sucesivamente.
NOTA: las frecuencias acumuladas no se aplican a la variable cualitativa.
2.2.5. Nmeros ndice
Un nmero ndice es una medida estadstica diseada para resaltar cambios
en una variable o un grupo de variables relacionadas con respecto al tiempo,
situacin geogrfica, ingresos, o cualquier otra caracterstica.
El nmero ndice es el cociente que resulta al dividir una determinada
frecuencia de una serie por otra frecuencia de la misma serie, la cual se toma
como base o punto de referencia; puede expresarse en porcentaje o en
miles.
Ejemplo: los precios de un artculo A durante los aos 2001 a 2005 fueron
$40.000, $48.000, $56.000, $70.000, $84.000, respectivamente. Al tomar
Estadstica
68
como base el ao 2001, que corresponde al 100%, se obtienen los ndices
para cada ao.
Tabla 12. ndices de precios del artculo a, de los aos 2001 a 2005
AO PRECIO ($) NDICE
2001 40.000 (40.000/40.000)*100 = 100%
2002 48.000 (48.000/40.000)*100 = 120%
2003 56.000 (56.000/40.000)*100 = 140%
2004 70.000 (70.000/40.000)*100 = 175%
2005 84.000 (84.000/40.000)*100 = 210%
Esto indica que el precio del artculo A se increment 20% en el ao 2002
con respecto al ao 2001; 40% en el ao 2003 con respecto al ao 2001;
75% en el ao 2004 con respecto al ao 2001; y 110% en el ao 2005 con
respecto al ao 2001.
2.3. GRFICAS O DIAGRAMAS
Las grficas permiten describir brevemente las caractersticas de un
colectivo. Existen varios tipos de grficas que pueden utilizarse para
representar el comportamiento de una variable, tales como histogramas,
polgonos de frecuencia, ojivas, diagramas circulares y barras.
2.3.1. Histogramas
Estadstica
69
Un histograma de frecuencias consiste en una serie de rectngulos que se
construyen sobre un plano cartesiano. Este tipo de grfica se aplica a la
variable cuantitativa continua.
Sobre el plano cartesiano, en el eje horizontalm, se ubican los intervalos de
cada clase, y en el eje vertical las frecuencias. Luego, para cada intervalo se
dibuja un rectngulo cuya base es la amplitud del intervalo de cada clase, y
la altura es la frecuencia de cada clase.
Si sobre el eje vertical se ubican las frecuencias absolutas, se obtiene el
histograma de frecuencias absolutas, y si se ubican las frecuencias relativas,
se obtiene el histograma de frecuencias relativas, como se ilustra en las
grficas 1 y 2 para un grupo de expertos que auditan un proceso.
Grfica 1. Histograma de frecuencias absolutas para un grupo de
expertos que auditan un proceso
Estadstica
70
Grfica 2. Histograma de frecuencias relativas para un grupo de
2.3.2. Polgono de frecuencias
El polgono de frecuencias se construye de forma similar al histograma; la
diferencia radica en la forma y estructura de la grfica, la cual se obtiene
ubicando las marcas de clase sobre el eje horizontal; y sobre el eje vertical,
las frecuencias, segn el tipo de polgono; si se ubican las frecuencias
absolutas, se denomina polgono de frecuencias absolutas; y si se ubican las
frecuencias relativas, se denomina polgono de frecuencias relativas, como
se ilustra en las grficas 3 y 4 para un grupo de expertos que auditan un
proceso.
Estadstica
71
Grfica 3. Polgono de frecuencias absolutas para un grupo de
Grfica 4. Polgono de frecuencias relativas para un grupo de expertos
que auditan un proceso
Estadstica
72
Se acostumbra prolongar el polgono hasta las marcas de clase inferior y
superior inmediatas, que corresponderan a las clases de frecuencia cero.
Los polgonos de frecuencia pueden tomar muchas formas, sin embargo, en
la mayora de los casos toman una forma acampanada que se identifica con
la curva normal.
2.3.3. Ojivas o polgonos de frecuencias acumuladas
La construccin de estos polgonos es similar a los polgonos de frecuencias
absolutas y relativas; la diferencia radica en que aqu se toman las
frecuencias acumuladas, como se puede observar en las grficas 5 y 6,
donde se presentan los polgonos de frecuencias absolutas y relativas
acumuladas para el grupo de expertos que auditan un proceso.
Grfica 5. Polgono de frecuencias absolutas acumuladas para un grupo
de expertos que auditan un proceso
Estadstica
73
Grfica 6. Polgono de frecuencias relativas acumuladas para un grupo
de expertos que auditan un proceso
2.3.4. Diagramas de barras
Los diagramas de barras son muy utilizados por la facilidad y sencillez que
ofrecen para presentar caractersticas de una poblacin, especialmente de
variables cualitativas o cuantitativas discretas.
Los diagramas de barras consisten en rectngulos de anchura arbitraria en la
cual se ubican los valores de la variable, y de longitud proporcional al nmero
de observaciones o frecuencias. Las barras se pueden construir de forma
horizontal o vertical, como se muestra en la grfica 7, correspondiente a los
datos del cuadro 2.
Estadstica
74
Grfica 7. Nmero de hijos de los asociados de la Cooperativa de
2.3.5. Diagramas circulares
Estas grficas consisten en un crculo dividido en partes proporcionales a los
porcentajes de cada una de las caractersticas o valores de la variable. Se
utilizan principalmente en la representacin de variables cualitativas.
Para su construccin, se dividen los 360 de la circunferencia
proporcionalmente a los porcentajes o a las frecuencias absolutas de cada
caracterstica.
En la grfica 8 se ilustra el nivel de escolaridad de los asociados de la
Cooperativa de Trabajo Asociado Epsiln. En ella, 360 corresponde al
Estadstica
75
100% de los asociados; con nivel profesional corresponde 36; nivel tcnico
corresponde 108; nivel de bachillerato, 144; y con bsica primaria, 72.
Grfica 8. Nivel de escolaridad de los asociados de la Cooperativa de

2.3.6. Diagrama de tallo y hojas
El diagrama de tallo y hoja es una herramienta valiosa y verstil para
organizar un conjunto de datos y entender la distribucin y agrupacin de los
valores dentro del intervalo de observaciones en el conjunto. Un diagrama
de tallo y hoja separa los datos en dgitos gua, o tallos, y dgitos que le
siguen, u hojas. Para construir el diagrama, primero se ordenan los dgitos
principales de cada dato a la izquierda de una lnea vertical. A la derecha de
sta se registra el ltimo dgito para cada dato conforme al orden de
aparicin de las observaciones. El ltimo dgito de cada dato se coloca en la
fila que corresponde a su primer dgito.
Para ilustrar el uso del diagrama de tallo y hojas se consideran los siguientes
datos de la tabla 13. La informacin es resultado de un examen de aptitudes
Estadstica
76
de 150 preguntas, aplicado a 50 personas durante un proceso de seleccin
de personal en Manufacturas Alfa.
Tabla 13. Nmero de preguntas contestadas en forma correcta en una
prueba de aptitud
112 84 108 76 115 102 124 119 7 115
73 68 76 118 94 80 83 95 95 85
126 100 141 132 97 98 92 104 134 107
82 72 119 96 86 106 81 69 128 100
92 92 98 91 127 106 106 113 81 75
Inicialmente, se deben ubicar los datos en tallo y hojas, as:
6 9 8
7 2 3 6 3 6 5
8 6 2 3 1 1 0 4 5
9 7 2 2 6 2 1 5 8 8 5 4
10 7 4 8 0 2 6 6 0 6
11 2 8 5 9 3 5 9
12 6 8 7 4
13 2 4
14 1
Posteriormente, se ordena cada lnea en forma ascendente, y una vez
ordenado, queda el diagrama de tallo y hojas como sigue:
Estadstica
77
6 8 9
7 2 3 3 5 6 6
8 0 1 1 2 3 4 5 6
9 1 2 2 2 4 5 5 6 7 8 8
10 0 0 2 4 6 6 6 7 8
11 2 3 5 5 8 9 9
12 4 6 7 8
13 2 4
14 1
Los nmeros de la izquierda de la lnea (6, 7, 8, 9, 10, 11, 12, 13, 14) forman
el tallo, y cada dgito de la derecha de la fila es una hoja. Por ejemplo, se
considera la primera fila con un valor de tallo igual a 6, y hojas de 8 y 9, lo
cual significa que hay dos valores que tienen un primer dgito de 6; las hojas
muestran que los valores son 68 y 69. De manera similar, la segunda fila
indica que hay seis valores cuyo primer dgito es siete: 72, 73, 73, 75, 76 y
76.
Si se gira el diagrama de tallo y hojas 90 en sentido contrario a las
manecillas del reloj, se obtiene una imagen similar al histograma de
frecuencias. Aunque el diagrama de tallo y hojas parece ofrecer la misma
informacin que un histograma, tiene dos ventajas principales:
1. Es ms fcil de construir.
2. Dentro de un intervalo de clase, el diagrama de tallo y hojas da ms
informacin que un histograma, porque muestra los valores reales.
2.3.7. Diagrama de Pareto
Estadstica
78
El diagrama de Pareto es un recurso grfico que permite representar datos
categricos (variables cualitativas) y que a menudo proporciona ms
informacin visual que los diagramas de barras o circulares.
El diagrama de Pareto es un tipo especial de diagrama de barras verticales,
donde las respuestas categorizadas se grafican en orden descendente de
frecuencias y se combinan con un polgono acumulado en la misma escala.
El principio fundamental de la grfica es separar los pocos vitales de los
muchos triviales, lo que permite dirigir la atencin a las respuestas
importantes. As, el diagrama alcanza su utilidad mxima cuando la variable
categrica de inters contiene muchas categoras. Este diagrama se utiliza
ampliamente en el control estadstico de procesos y el control estadstico de
calidad del producto.
En la construccin de un diagrama de Pareto, el eje vertical de la izquierda
contiene las frecuencias o porcentajes, el eje vertical de la derecha contiene
los porcentajes acumulados, y el eje horizontal contiene las categoras de
inters. Las barras con separacin uniforme tienen el mismo ancho. El
punto en el polgono de porcentajes acumulados para cada categora se
centra en el punto medio de cada barra. Entonces, al estudiar el diagrama
de Pareto se buscan dos cosas: las magnitudes de las diferencias en las
longitudes de las barras que corresponden a las categoras adyacentes
decrecientes, y los porcentajes acumulados de estas categoras adyacentes.
Para ilustrar el diagrama de Pareto, se utiliza el ejemplo tomado del texto
Estadstica para administracin, de Berenson y otros, pgina 60.
Estadstica
79
El gerente de operaciones de una planta empacadora de cereales indic que,
segn su experiencia, casi siempre hay nueve razones que dan como
resultado la produccin de cajas de cartn no conformes al final del proceso
de empaque: cartn roto, cartn abultado, cartn agrietado, cartn sucio,
agujeros en el cartn, peso de empaque inadecuado, error de impresin,
etiqueta ilegible y tapa superior sin sello.
Se tom una muestra de 50 cajas de cartn no conformes de la produccin
de una semana, con los siguientes datos:
Tabla 14. Porcentajes razones de no conformidad de la produccin de
cajas de cartn
RAZN DE NO CONFORMIDAD NM % % ACUMULADO
Tapa superior sin sello 16 32.0 32.0
Etiqueta ilegible 12 24.0 56.0
Cartn sucio 9 18.0 74.0
Cartn abultado 4 8.0 82.0
Cartn roto 3 6.0 88.0
Cartn agrietado 2 4.0 92.0
Peso de empaque inadecuado 2 4.0 96.0
Agujeros en el cartn 1 2.0 98.0
Error de impresin 1 2.0 100.0
Total 50 100.00
Fuente: Berenson y otros. Estadstica para administracin, Pg. 60.
Grfica 9. Diagrama de Pareto para las razones de no conformidad de la
produccin de cajas de cartn
Estadstica
80
A pesar de los pocos vitales de los muchos triviales, se determina que las
tapas sin sello (32.0%), las etiquetas ilegibles (24.0%) y los cartones sucios
(18.0%) representan el 74% de las razones de no conformidad. Las otras
dos razones representan el 26%.
2.4. TABULACIN DE DATOS BINARIOS O CRUZADOS
Con frecuencia se requiere analizar al mismo tiempo las respuestas de dos
variables, por lo cual es necesario cruzar variables para describir
exitosamente el comportamiento de las mismas. En este caso, se utiliza la
tabulacin cruzada o tablas de contingencia.
La tabulacin cruzada o tablas de contingencia se emplea para resumir
de manera simultnea los datos para dos variables. Se describir el
procedimiento mediante la adaptacin del ejemplo planteado por Anderson y
otros en el texto Estadstica para administracin y economa, Pg. 44.
Un informe mundial sobre restaurantes muestra muchas variables, entre
ellas, la evaluacin de la calidad del restaurante y los precios caractersticos.
La calificacin de la calidad es una variable cualitativa, con categoras de
bueno, muy bueno y excelente. El precio de la comida es una variable
cuantitativa continua que, por lo general, vara de 10 a 49 dlares. Se tom
una muestra de 300 restaurantes para un Estado determinado. En la tabla
15 se muestran slo los datos para los primeros 10 restaurantes.
Tabla 15. Evaluacin de calidad y precio de la comida para restaurantes
de un Estado
Estadstica
81
RESTAURANTE EVALUACIN DE LA
CALIDAD
PRECIO DE LA
COMIDA (dlares)
1 Bueno 18
2 Muy bueno 22
3 Bueno 28
4 Excelente 38
5 Muy bueno 33
6 Bueno 28
7 Muy bueno 19
8 Muy bueno 11
9 Muy bueno 23
10 Bueno 13
. . .
. . .
Fuente: Anderson y otros. Estadstica para administracin y economa, Pg. 44.
El formato general de la tabulacin cruzada para este ejemplo se muestra en
la tabla 16, la cual ha recogido toda la informacin para el Estado objeto de
anlisis. Los encabezados de las mrgenes izquierda y superior definen las
clases de las dos variables. En la margen izquierda se encuentran las
categoras de la variable Evaluacin de la calidad, y en la parte superior los
valores correspondientes a la variable Precio de la comida. Cada
restaurante tiene una evaluacin de la calidad y un precio de la comida.
As, cada restaurante de la muestra se asocia con una celda que aparece en
uno de los renglones y en una de las columnas de la tabulacin cruzada. Por
ejemplo, el restaurante 5 se identifica por tener una evaluacin de la calidad
muy buena y un precio de la comida de 33 dlares. Este restaurante
pertenece a la celda de la fila 2 y la columna 3 de la tabla 15. Para elaborar
una tabulacin cruzada simplemente se cuenta la cantidad de restaurantes
que pertenecen a cada una de las celdas de la tabla.
Estadstica
82
En la tabla 16 se observa que la mayor cantidad de restaurantes (64) en la
muestra tienen calificacin de muy bueno, y que el precio de la comida est
entre los lmites de 20 a 29 dlares. Slo hay dos restaurantes con
calificacin de excelente y precio de la comida de 10 a 19 dlares. De las
dems frecuencias se puede llegar a interpretaciones anlogas. Adems, las
mrgenes derecha e inferior de la tabla cruzada indican por separado las
distribuciones de frecuencias de evaluacin de la calidad y del precio de la
comida. En la margen derecha se ve que los datos sobre evaluacin de la
calidad indican que hay 84 restaurantes buenos, 150 muy buenos y 66
excelentes. De igual forma, la margen inferior indica la distribucin de
frecuencias de la variable costo de la comida.
Tabla 16. Tabulacin cruzada o tabla de contingencia de calificaciones y
precio de la comida para restaurantes de un Estado
EVALUACION DE
LA CALIDAD
PRECIO DE LA COMIDA (dlares)
10 - 19 20 - 29 30 - 39 40 - 49
TOTAL
Bueno 42 40 2 0 84
Muy bueno 34 64 46 6 150
Excelente 2 14 28 22 66
TOTAL 78 118 76 28 300
El valor de una tabulacin cruzada consiste en que proporciona una idea de
la relacin entre las variables. A partir de los resultados de la tabla 16 los
precios ms altos por comida parecen estar asociados con una calidad
mayor del restaurante y el precio ms bajo por comida a una calidad menor.
Si se convierten los elementos de la tabla 16 a porcentajes de fila o
porcentajes de columna, se puede tener una mejor idea acerca de la relacin
entre las variables. Para los porcentajes de fila, los resultados de dividir
Estadstica
83
cada frecuencia de la tabla 16 entre su total de fila correspondiente se
muestran en la tabla 17. Por ejemplo, el porcentaje en la primera fila y la
primera columna (50%) se calcula al dividir 42 entre 84 y multiplicar por 100.
Para los porcentajes de columna, los resultados de dividir cada frecuencia de
la tabla 16 entre su total de columna correspondiente se muestran en la
tabla 18. Por ejemplo, el porcentaje en la primera fila y la primera columna
(53.8%) se calcula al dividir 42 entre 78 y multiplicar por 100.
Tabla 17. Tabulacin cruzada o tabla de contingencia de porcentaje de
fila para las calificaciones de calidad y los precios de la comida
EVALUACIN DE
LA CALIDAD
10 - 19 20 - 29 30 - 39 40 - 49
TOTAL
Bueno 50.0 47.6 2.4 0.0 100
Muy bueno 22.7 42.7 30.6 4.0 100
Excelente 3.0 21.2 42.4 33.4 100
Tabla 18. Tabulacin cruzada o tabla de contingencia de porcentaje de
columna para las calificaciones de calidad y los precios de la comida
EVALUACIN DE
LA CALIDAD
10 - 19 20 - 29 30 - 39 40 - 49
Bueno 53.8 33.9 2.6 0.0
Muy bueno 43.5 54.2 60.6 21.4
Excelente 2.7 11.9 36.8 78.6
TOTAL 100 100 100 100
Estadstica
84
Estadstica
85
3. MTODOS NUMRICOS
En la unidad anterior se ordenaron los datos correspondientes a las variables
cualitativa y cuantitativa y se representaron los resultados por medio de
grficas; sin embargo, el anlisis de datos tambin abarca los clculos y el
resumen de las caractersticas importantes y el anlisis de lo que contienen.
En esta unidad se examinarn las medidas de tendencia central, de
variabilidad y de localizacin para un conjunto de datos. Si se calculan estas
medidas descriptivas globales a partir de una muestra, se denominan
estadsticos; en cambio, si se calculan para toda la poblacin se denominan
parmetros. Esta unidad estar centrada en los estadsticos.
3.1. MEDIDAS DE TENDENCIA CENTRAL O DE PRECISIN
La mayor parte de los conjuntos de datos muestra una tendencia a agruparse
o aglomerarse alrededor de un punto central. As, para cualquier conjunto
especfico de datos, casi siempre se puede seleccionar algn valor tpico, o
Estadstica
86
promedio, para describir todo el conjunto; este valor tpico descriptivo es una
medida de tendencia central, entre las cuales estn: la media aritmtica, la
mediana, la moda y los cuantiles.
3.1.1. Media aritmtica
La media aritmtica, tambin llamada media, es el promedio o medida de
tendencia central que se utiliza con mayor frecuencia, adems de que es la
medida de tendencia central representativa por excelencia. Se calcula con la
suma de todas las observaciones en un conjunto de datos, dividida entre el
nmero de elementos que lo componen. Se representa por X .
Cuando se tienen pocos datos y no se han agrupado, la media aritmtica
sera:
Donde
X : media aritmtica de la muestra

n
: tamao de la muestra
i
x
: observacin de la variable

n
i
i
x
1
: suma de todos los valores de la muestra
Por ejemplo, las notas de un estudiante son 2, 4, 3 y 4.
La media aritmtica es
5 . 3
4
14
4
5 3 4 2

+ + +
X
Estadstica
87
n
x
X
n
i
i
1
Cuando los datos se han agrupado con frecuencias, pero no se han
construido intervalos, la media aritmtica se calcula como:
Donde i
f
es el nmero de observaciones de cada valor de la variable; es
decir, la respectiva frecuencia absoluta.
Por ejemplo, tomando el nmero de hijos de la tabla 2 se tendra:
Tabla 19. Media aritmtica para el nmero de hijos de los asociados de
la Cooperativa de Trabajo Asociado Epsilon
NMERO DE HIJOS
i
x
FRECUENCIA
i
f
i i
f x .
0 1 0
1 2 2
2 4 8
3 2 6
4 1 4
10
i
f n

20 .
i i
f x

2
10
20
.
1

n
f x
X
n
i
i i
, lo que significa que el promedio es 2 hijos.
Cuando los datos se han agrupado con intervalos, la media aritmtica se
calcula como:
Estadstica
88
n
f x
X
n
i
i i
1
.
n
f x
X
n
i
i
i
1
.
.
Donde
.
i
x
es la marca de clase de cada intervalo.
Para el ejemplo de la tabla 3, la media aritmtica sera:
Tabla 20. Media aritmtica para el tiempo que tarda (en minutos) un
N DE
CLASE
TIEMPO EN
MINUTOS
.
i
x
i
f
.
.
i i
f x
1 44.5 - 49.5 47 2 94
2 49.5 - 54.5 52 9 468
3 54.5 - 59.5 57 12 684
4 59.5 - 64.5 62 11 682
5 64.5 - 69.5 67 9 603
6 69.5 - 74.5 72 7 504
50
i
f n
3035 .
.
i
i f x
7 . 60
50
3035
.
1
.

n
f x
X
n
i
i
i
. lo que significa que el promedio es 60.7 minutos.
3.1.2. Mediana
La mediana, representada por Me, de un conjunto de valores x1, x2, x3, xn,
es el valor que ocupa el lugar central ordenando los datos en forma
ascendente o descendente, de tal forma que la mitad de las observaciones
Estadstica
89
son menores o iguales a la mediana y la otra mitad son mayores o iguales a
dicho valor.
Podra interpretarse la mediana como aquel valor que deja el 50% de las
observaciones por debajo de l y el otro 50% por encima de l.
Cuando los datos estn sin agrupar, la posicin de la mediana se calcula
mediante las siguientes ecuaciones:
Si el total de datos (n) es impar
Si el total de datos (n) es par
Una vez ubicada la posicin, el valor correspondiente a dicha posicin en la
mediana.
Por ejemplo, sean los valores 3, 6, 4, 5, 8.
Ordenando se tendra: 3, 4, 5, 6, 8.
El total de datos es n = 5. Por lo tanto, la posicin de la mediana ser
3
2
1 5
2
1
X X X Me
n

+ +
El valor correspondiente a la posicin x3 en los datos ordenados es 5.
Estadstica
90
2
1 +
n
X Me
2
1
2 2
+
+
n n
X X
Me
En consecuencia, la mediana Me = 5. Es decir, el 50% de los valores estn
por encima de 5 y el otro 50% estn por debajo de 5.
Si se tienen los valores 5, 15, 5, 13, 9, 13, 11, 7.
Ordenando se tendra: 5, 5, 7, 9, 11, 13, 13, 15
El total de datos es n = 8. Por lo tanto, la posicin de la mediana ser
2 2 2
5 4
1
2
8
2
8
1
2 2
X X
X X X X
Me
n n
+
+ +
Los valores correspondientes a las posiciones x4 y x5 en los datos ordenados
son 9 y 11, respectivamente.
En consecuencia, el valor de la mediana ser:
10
2
20
2
11 9

+
Me
Es decir, el 50% de los valores est por encima de 10, y el otro 50% est por
debajo de 10.
Cuando los datos estn agrupados en clases o intervalos, la mediana se
calcula mediante los siguientes pasos:
Primer paso: se halla n/2.
Estadstica
91
Segundo paso: se ubica el intervalo cuya frecuencia absoluta acumulada Fi
contiene a n/2.
Tercer paso: se calcula la mediana por medio de la siguiente ecuacin:
Donde:
i
l
: lmite inferior del intervalo que contiene a n/2
n : nmero total de datos
1 i
F
: Frecuencia absoluta acumulada anterior al intervalo que contiene a n/2
i
f
: frecuencia absoluta del intervalo que contiene a n/2
c : amplitud del intervalo que contiene a n/2
Por ejemplo, para calcular la mediana para el grupo de expertos de la tabla
3, se realizarn los pasos requeridos a partir de los datos de la tabla 21.
Tabla 21. Mediana para el tiempo que tarda (en minutos) un grupo de
N DE
CLASE
TIEMPO EN
MINUTOS
.
i
x
fi hi Fi Hi
1 44.5 - 49.5 47 2 4% 2 4%
2 49.5 - 54.5 52 9 18% 11 22%
3 54.5 - 59.5 57 12 24% 23 46%
4 59.5 - 64.5 62 11 22% 34 68%
5 64.5 - 69.5 67 9 18% 43 86%
6 69.5 - 74.5 72 7 14% 50 100%
Estadstica
92
c
f
F
n
l Me
i
i
i
*
2
1
+
Primer paso: el total de datos es 50, por lo tanto n/2 es = 25.
Segundo paso: en la frecuencia absoluta acumulada se ubica el valor de 25,
el cual corresponde al cuarto intervalo, con una frecuencia absoluta
acumulada de 34 expertos. Ntese que en el tercer intervalo no es posible
ubicar la mediana, dado que la frecuencia absoluta acumulada hasta este
intervalo es de 23 expertos, y lo querido es de 25 expertos.
Tercer paso: se calcula la mediana por medio de la ecuacin, donde:
i
l
= 59.5
n /2 = 25
1 i
F
= 23
i
f
= 11
c = 64.5 59.5 = 5
Luego,
4 . 60 9 . 0 5 . 59 5 *
11
2
5 . 59 5 *
11
23 25
5 . 59 *
2
1
+ +
+

c
f
F
n
l Me
i
i
i
Es decir, el 50% de los expertos tarda menos de 60.4 minutos en realizar la
auditora del proceso y el otro 50% tarda ms de 60.4 minutos.
A pesar de que la media aritmtica es la medida de tendencia central por
excelencia, en algunos casos la mediana es preferida a la media aritmtica,
dado que no es sensible a valores extremos.
Suponiendo que se tienen los siguientes datos sobre el salario de
empleados: $490.000, $550.000, $550.000, $580.000 y $990.000.
Estadstica
93
La media aritmtica X sera $632.000 y la mediana Me = $550.000.
Obsrvese que, en este caso, es ms representativa para el conjunto de
datos la mediana que la media aritmtica, dado que el salario extremo de
$990.000 influye directamente en el promedio, mostrndolo con un valor
elevado, cuando la mayora de datos est por debajo de $632.000.
3.1.3. Moda
La moda es til en estudios de mercadeo como calzado, vestido, etc.
Algunos la consideran como el promedio industrial ya que la fabricacin o
venta de artculos est determinada por la moda.
La moda, representada por Mo, de un conjunto de valores x1, x2, x3, xn, es
el valor que se presenta con mayor frecuencia. Puede ser aplicada a
cualquier tipo de variable.
Cuando los datos estn sin agrupar, la moda se obtiene directamente
ordenndolos ascendentemente.
Por ejemplo, sean los valores 4, 3, 2, 5, 4, 4.
Ordenndolos: 2, 3, 4, 4, 4, 5.
Como el valor 4 se presenta 3 veces y los otros valores una vez, la moda es
4.
La moda no necesariamente debe ser nica, y hasta puede no existir.
Cuando existen varios valores con la misma frecuencia mxima se denomina
Estadstica
94
distribucin multimodal, como el ejemplo de la tabla 22. Si existen dos
valores con la misma frecuencia mxima se llama distribucin bimodal (ver
tabla 23) y si slo existe una frecuencia mxima se denomina distribucin
unimodal (ver tabla 24).
Tabla 22. Ejemplo de distribucin multimodal
i
x
i
f
2 5
3 3
4 5
5 3
6 5
Los valores que tienen mayor frecuencia son 2,4 y 6, por tanto la distribucin
es multimodal.
Tabla 23. Ejemplo de distribucin bimodal
i
x
i
f
2 5
3 8
4 3
5 8
6 5
Los valores que tienen mayor frecuencia son 3 y 5, por tanto la distribucin
es bimodal.
Tabla 24. Ejemplo de distribucin unimodal
Estadstica
95
i
x
i
f
2 3
3 7
4 5
5 3
6 2
El valor que tiene mayor frecuencia es 3, por tanto, la distribucin es
unimodal.
Cuando los datos estn agrupados en clases o intervalos, se calcula la
moda mediante los siguientes pasos:
Primer paso: se ubica el intervalo (o los intervalos) de mayor frecuencia
absoluta i
f
.
Segundo paso: se calcula la moda (o las modas) mediante la siguiente
frmula:
Donde:
i
l
: lmite inferior del intervalo de mayor frecuencia absoluta
1
: diferencia entre la frecuencia absoluta mayor y la frecuencia absoluta

anterior.
2
: diferencia entre la frecuencia absoluta mayor y la frecuencia absoluta

siguiente.
Estadstica
96
c l Mo
i
*
2 1
1
+
+
c : amplitud del intervalo de mayor frecuencia absoluta.
Por ejemplo, para calcular la moda para el grupo de expertos de la tabla 3,
se realizarn los pasos requeridos a partir de los datos de la tabla 25.
Tabla 25. Moda para el tiempo que tarda (en minutos) un grupo de
N DE
CLASE
TIEMPO EN
MINUTOS
.
i
x
fi hi Fi Hi
1 44.5 - 49.5 47 2 4% 2 4%
2 49.5 - 54.5 52 9 18% 11 22%
3 54.5 - 59.5 57 12 24% 23 46%
4 59.5 - 64.5 62 11 22% 34 68%
5 64.5 - 69.5 67 9 18% 43 86%
6 69.5 - 74.5 72 7 14% 50 100%
Primer paso: ubicacin del intervalo de mayor frecuencia absoluta i
f
. El
tercer intervalo es el que posee la frecuencia absoluta mayor (12 expertos).
Segundo paso: obtencin de valores para el clculo de la moda.
i
l
= 54.5
1
= 12 9 = 3
2
= 12 11 = 1
c = 59.5 54.5 = 5
2 . 58
4
15
5 . 54 5 *
1 3
3
5 . 54 *
2 1
1
+
+
+
+
+ c l Mo
i
Estadstica
97
Es decir, el tiempo que ms se presenta en realizar la auditora del proceso
es de 58.2 minutos.
3.1.4. Cuantiles
Los cuantiles son valores que dividen el conjunto de datos en porcentajes
iguales. Pueden ser cuartiles, deciles o percentiles.
Cuartiles (Q): valores que dividen los datos en cuatro partes iguales.
Existen tres cuartiles y se calculan de forma similar a la mediana; de hecho,
el cuartil dos es igual a la mediana.
El primer cuartil Q1 deja acumulado el 25% de los datos de la variable. Se
calcula con los siguientes pasos:
- Primer paso: se halla n/4.
- Segundo paso: se ubica el intervalo cuya frecuencia absoluta acumulada
Fi contiene a n/4.
- Tercer paso: se calcula el primer cuartil por medio de la siguiente
ecuacin:
Estadstica
98
c
f
F
n
l Q
i
i
i
*
4
1
1
+
Nota: los componentes de la frmula tienen la misma descripcin que los
componentes de la frmula para el clculo de la mediana.
El clculo del primer cuartil para el ejemplo del tiempo que tardan los
expertos en realizar la auditora de un proceso se detalla a continuacin:
Tabla 26. Primer cuartil para el tiempo que tarda (en minutos) un grupo
de expertos en auditar un proceso
N DE
CLASE
TIEMPO EN
MINUTOS
.
i
x
fi hi Fi Hi
1 44.5 - 49.5 47 2 4% 2 4%
2 49.5 - 54.5 52 9 18% 11 22%
3 54.5 - 59.5 57 12 24% 23 46%
4 59.5 - 64.5 62 11 22% 34 68%
5 64.5 - 69.5 67 9 18% 43 86%
6 69.5 - 74.5 72 7 14% 50 100%
Primer paso: el total de datos es 50, por lo tanto n/4 es = 12.5
Segundo paso: en la frecuencia absoluta acumulada se ubica el valor de
12.5, el cual corresponde al tercer intervalo, con una frecuencia absoluta
acumulada de 23 expertos.
Tercer paso: se calcula el primer cuartil por medio de la ecuacin, donde:
i
l
= 54.5
n /4 = 12.5
1 i
F
= 11
i
f
= 12
Estadstica
99
c = 59.5 54.5 = 5
Luego,
12 . 55 62 . 0 5 . 54 5 *
12
5 . 1
5 . 54 5 *
12
11 5 . 12
5 . 54 *
4
1
1
+ +
+

c
f
F
n
l Q
i
i
i
Lo que significa que el 25% de los expertos tarda menos de 55.12 minutos
en realizar la auditora del proceso.
El segundo cuartil Q2 deja acumulado el 50% de los datos de la variable. Se
- Primer paso: se halla 2n/4 = n/2.
Fi contiene a n/2.
- Tercer paso: se calcula el segundo cuartil por medio de la siguiente
ecuacin:
Ntese que los pasos y la frmula para calcular el segundo cuartil son los
mismos que los de la mediana. En consecuencia, siempre el segundo
cuartil ser igual a la mediana.
Estadstica
100
c
f
F
n
l Q
i
i
i
*
2
1
2
+
Luego, para el ejemplo del tiempo que tardan los expertos en realizar la
auditora de un proceso, Q2 = Me = 60.4 minutos.
El tercer cuartil Q3 deja acumulado el 75% de los datos de la variable. Se
- Primer paso: se halla 3n/4.
Fi contiene a 3n/4.
- Tercer paso: se calcula el tercer cuartil por medio de la siguiente ecuacin:
Luego,
72 . 64 22 . 0 5 . 64 5 *
9
5 . 3
5 . 64 5 *
9
34 5 . 37
5 . 64 *
4
3
1
3
+ +
+

c
f
F
n
l Q
i
i
i
Lo que significa que el 75% de los expertos tarda menos de 64.72 minutos
en realizar la auditora del proceso.
Deciles (D): valores que dividen los datos en diez partes iguales. Existen
nueve deciles y se calculan de forma similar a los cuartiles.
Estadstica
101
c
f
F
n
l Q
i
i
i
*
4
3
1
3
+
El primer decil D1 deja acumulado el 10% de los datos de la variable. Se
Fi contiene a n/10.
- Tercer paso: se calcula el primer decil por medio de la siguiente ecuacin:
Los dems deciles se calculan con el procedimiento similar al primer decil,
teniendo en cuenta que, en el primer paso, para el segundo decil
corresponde 2n/10; para el tercer decil, 3n/10; para el cuarto decil, 4n/10;
para el quinto decil, 4n/10 = n/2; as sucesivamente hasta el decil nueve, con
9n/10.
Ntese que, al calcular el decil cinco, en el primer paso se presenta el mismo
planteamiento que para el segundo cuartil y para la mediana (n/2). Por tanto,
el decil cinco es igual al cuartil dos y a la mediana.
El clculo del primer y noveno decil a partir del ejemplo de la tabla 23 para el
tiempo que tardan los expertos en realizar la auditora de un proceso se
detallan a continuacin.
Estadstica
102
c
f
F
n
l D
i
i
i
*
10
1
1
+

75 . 44 25 . 1 5 . 44 5 *
2
5 . 0
5 . 44 5 *
2
0 5 . 0
5 . 44 *
10
1
1
+ +
+

c
f
F
n
l D
i
i
i
93 . 70 43 . 1 5 . 69 5 *
7
2
5 . 69 5 *
7
43 45
5 . 69 *
10
9
1
9
+ +
+

c
f
F
n
l D
i
i
i
Percentiles (P): valores que dividen los datos en cien partes iguales.
Existen 99 percentiles y se calculan de forma similar a los cuartiles y deciles.
El primer percentil P1 deja acumulado el 1% de los datos de la variable. Se
Fi contiene a n/100.
- Tercer paso: se calcula el primer percentil por medio de la siguiente
ecuacin:
Estadstica
103
c
f
F
n
l P
i
i
i
*
100
1
1
+
Los dems percentiles se calculan con el procedimiento similar al primer
percentil, teniendo en cuenta que, en el primer paso, para el segundo
percentil corresponde 2n/100; para el tercer percentil 3n/100; para el
percentil 10, 10n/100; para el percentil 50, 50n/100 = n/2; as sucesivamente
hasta el percentil 99, con 99n/100.
Ntese que, al calcular el percentil 50, en el primer paso se presenta el
mismo planteamiento que para el segundo cuartil, para el decil cinco y para
la mediana (n/2). Por tanto, el percentil 50 es igual al decil cinco, al
cuartil dos y a la mediana.
Grfica 10. Relacin entre cuartiles, deciles y percentiles
Q1 Q2 Q3
1% 10% 2 0% 25% 30% 40% 50% 60% 70% 75% 80% 90% 99%
D1 D2 D3 D4 D5 D6 D7 D8 D9
Estadstica
104
P1 ..P10 .. P20 P25 P30 ....P40 ..... P50 .. P60 ....P70 P75 P80 ...... P90 . P99
Me
En la grfica 10 se representa la distribucin de cuartiles, deciles y
percentiles, de la cual se deducen las siguientes relaciones:
Q2 = D5 = P50 = Me, Q1 = P25 , Q3 = P75
D1 = P10 , D2 = P20 , D3 = P30 , D4 = P40 , D6 = P60 , D7 = P70 , D8 = P80 ,
D9 = P90
3.2. MEDIDAS DE VARIABILIDAD
Adems de las medidas de localizacin o de tendencia central, es necesario
considerar medidas de dispersin o variabilidad, dado que dos conjuntos de
datos pueden tener promedios similares, pero diferir en la dispersin de
stos.
Las medidas de variabilidad de mayor uso en estadstica son rango, rango
intercuartil, varianza, desviacin estndar y coeficiente de variacin.
3.2.1. Rango
El rango es la medida de dispersin ms sencilla en un conjunto de datos.
Se calcula por medio de la siguiente ecuacin:
Estadstica
105
Rango = valor mximo valor mnimo
Aunque el rango es la medida de dispersin ms fcil de calcular, casi nunca
se usa como la nica medida de dispersin, debido a que se basa slo en los
valores extremos del conjunto de datos.
Por ejemplo, para el tiempo que tardan los expertos en auditar un proceso, el
rango sera:
Rango = 74 45 = 29 minutos
El rango debe interpretarse a partir de los valores extremos; es decir,
mencionar entre qu valores est el rango. Para el ejemplo, se dice que la
variacin del tiempo de los expertos es de 29 minutos, el cual oscila entre 45
y 74 minutos.
3.2.2. Rango intercuartil
El rango intercuartil (RIC) es una medida de dispersin que elimina la
influencia de los valores extremos de un conjunto de datos. Se define como
la diferencia entre el tercer cuartil Q3 y el primero Q1. En otras palabras, el
rango intercuartil corresponde al rango del 50% intermedio de los datos.
Para los datos del tiempo que tardan los expertos en realizar la auditora de
un proceso, los cuartiles son Q1 = 55.12 minutos y Q3 = 64.72 minutos. As el
rango intecuartil es
Estadstica
106
Rango intercuartil (RIC) = Q3 - Q1
RIC = 64.72 55.12 = 9.6 minutos.
El intervalo 55.12 a 64.72 suele denominarse mitad central y 9.6 minutos la
dispersin media o rango intercuartil del tiempo que tardan los expertos en
realizar la auditora de un proceso.
3.2.3. Varianza
La varianza es una medida de dispersin que emplea todos los datos. Se
basa en la diferencia de cada observacin (xi) y la media. La diferencia entre
cada xi y el promedio ( x para una muestra y
para una poblacin) se

llama desviacin respecto al promedio. Para una muestra, la desviacin
respecto a la media se expresa como
) ( x x
i

; para una poblacin es
) (
i
x
. Para calcular la varianza, las desviaciones respecto al promedio se
elevan al cuadrado.
Si el conjunto de datos es una poblacin, el promedio de las desviaciones al
cuadrado se llama varianza de la poblacin y se representa con el smbolo
griego
2
. Para una poblacin con N observaciones o datos, cuando

representa el promedio de esa poblacin, la definicin de la varianza de la
poblacin es:
En la mayora de los anlisis estadsticos los datos analizados son una
muestra. Cuando se calcula la varianza para la muestra, lo ms importante
Estadstica
107
N
x
i

2
2
) (
es emplearla para estimar la varianza de todo el conjunto de datos, es decir,

para la poblacin.
La varianza de la muestra (s
2
) es la suma de los cuadrados de las
desviaciones con relacin a la media aritmtica, dividida entre el tamao de
la muestra menos 1.
Donde:
x : media aritmtica de la muestra
n : tamao de la muestra
i
x
: cada dato u observacin de la variable X.
Si el denominador fuera n en lugar de n 1, se obtendra el promedio de los
cuadrados de las diferencias con respecto a la media. Sin embargo, se
utiliza n 1 debido a ciertas propiedades matemticas deseadas que tiene el
estadstico s
2
, las cuales lo hacen apropiado para hacer inferencias
estadsticas. Al aumentar el tamao de la muestra, la diferencia entre n y n
1disminuye cada vez ms.
Cuando se calcula la varianza, las unidades en las cuales fueron medidos los
datos causan confusiones. Como los valores que se suman al calcular la
varianza, que son
2
) ( x x
i
, se elevan al cuadrado, las unidades asociadas
con la varianza de la muestra tambin se elevan al cuadrado. Por ejemplo, si
Estadstica
108
1
) (
2
2

n
x x
s
i
se est calculando la edad en aos para un grupo de empleados, la varianza
tendr (aos)
2
.
Las unidades al cuadrado asociadas con la varianza hacen difcil la
interpretacin. Por tanto, se recomienda que se tome la varianza como una
medida til para comparar el grado de dispersin de dos o ms variables y, al
compararlas, la que tienen mayor varianza tiene mayor dispersin o
variabilidad.
Por ejemplo, en la tabla 27 se presenta el salario, en millones de pesos, de
los gerentes de una cadena de almacenes; calcular la varianza.
Tabla 27. Salario en millones de pesos de gerentes
SALARIO
(millones)
i
x
MEDIA DE LA
MUESTRA
x
DESVIACIN
) ( x x
i

2
) ( x x
i

3,5 9.57 -6.07 36.84
4,5 9.57 -5.07 25.70
6,0 9.57 -3.57 12.74
8,0 9.57 -1.57 2.46
10,0 9.57 0.43 0.18
15,0 9.57 5.43 29.48
20,0 9.57 10.42 108.78
0 ) ( x x
i
18 . 216 ) (
2
x x
i
Estadstica
109
Luego, la varianza ser:
03 . 36
6
18 . 216
1
) (
2
2

n
x x
s
i
Cuando los datos estn agrupados en frecuencias o por intervalos, la frmula
para la varianza puede ser transformada en la siguiente ecuacin:
Donde:
x : media aritmtica de la muestra
n : tamao de la muestra
i
x
: cada dato u observacin de la variable X o marca de clase si es
intervalo
i
f
: frecuencia absoluta del valor de la variable X
Para los datos de tiempo que tardan los expertos en realizar la auditora de
un proceso, presentados en la tabla 10, la varianza sera:
Tabla 28. Varianza para el tiempo que tardan los expertos en realizar la
auditora de un proceso
Estadstica
110
2
2
2
*
x
n
f x
s
i i

N DE
CLASE
TIEMPO EN
MINUTOS
i
x
i
f
2
i
x
i i
f x *
2
1 44.5 - 49.5 47 2 2209 4418
2 49.5 - 54.5 52 9 2704 24336
3 54.5 - 59.5 57 12 3249 38988
4 59.5 - 64.5 62 11 3844 42284
5 64.5 - 69.5 67 9 4489 40401
6 69.5 - 74.5 72 7 5184 36288
50 n
715 . 186 *
2
i i
f x
De la tabla 17 se tienen que el promedio es 7 . 60 x ; luego
81 . 49 49 . 3684 3 . 3734 ) 7 . 60 (
50
715 . 186
*
2
2
2
2

x
n
f x
s
i i
3.2.4. Desviacin estndar
La desviacin estndar se define como la raz cuadrada positiva de la
varianza. Se denota por s la desviacin estndar de la muestra y por
la
desviacin estndar de la poblacin.
La desviacin estndar indica cmo se agrupa o distribuye un conjunto de
datos alrededor de la media. Para la mayor parte de los conjuntos de datos,
la mayora de los valores observados cae dentro de un intervalo que
corresponde a la media aritmtica ms o menos una desviacin estndar.
Esto implica que el intervalo comprendido entre S X 1 y S X 1 + , por lo
general, incluye la mayora de los valores de los datos. Por consiguiente, el
Estadstica
111
2
2

s s
conocimiento de la media aritmtica y la desviacin estndar ayudan a definir
en dnde se agrupa la mayor parte de los datos.
Para los datos de tiempo que tardan los expertos en realizar la auditora de
un proceso, presentados en la tabla 26, la desviacin estndar sera:
06 . 7 81 . 49
2
s s minutos
La desviacin estndar del tiempo de los expertos es 7.06 minutos. Esto
indica que los tiempos que tardan en realizar la auditora del proceso para la
mayor parte de los expertos se agrupan dentro de 7.06 minutos alrededor de
la media 60.7 minutos; es decir, se agrupan entre 64 . 53 1 S X y
76 . 67 1 + S X minutos.
Finalmente, para comprender la variacin de los datos se deben tener en
cuenta los siguientes aspectos:
Cuanto ms dispersos estn los datos, mayores sern el rango, el rango
intercuartil, la varianza y la desviacin estndar.
Cuanto ms concentrados u homogneos sean los datos, menores sern
el rango, el rango intercuartil, la varianza y la desviacin estndar.
Si los datos son todos iguales (de manera que no hay variacin de los
datos), el rango, el rango intercuartil, la varianza y la desviacin estndar
sern iguales a cero.
Estadstica
112
Las medidas de variacin (rango, rango intercuartil, varianza y desviacin
estndar) nunca son negativas.
3.2.5. Coeficiente de variacin
El coeficiente de variacin, denotado por CV, es una medida descriptiva que
indica lo grande que es la desviacin estndar en comparacin con la media
aritmtica; se expresa en porcentaje y se calcula por medio de la siguiente
ecuacin:
Para los datos del tiempo que tardan los expertos en realizar la auditora de
un proceso, el promedio es 60.7 minutos y la desviacin estndar es 7.06
minutos. El coeficiente de variacin sera:
% 6 . 11 100 *
7 . 60
06 . 7
100 *
X
S
CV
Interpretando estos datos, el coeficiente de variacin indica que la desviacin
estndar de la muestra es el 11.6% del valor de la media de la muestra.
Como medida relativa, el coeficiente de variacin resulta especialmente til
cuando se compara la variabilidad de dos o ms conjuntos de datos, que se
expresan en diferentes unidades de medida. Esto se muestra en el siguiente
ejemplo, adaptado del texto Estadstica para administracin, de Mark L.
Berenson y otros, pgina 120.
Estadstica
113
100 *
X
S
CV
Suponga que un inversionista desea adquirir acciones en una de dos
compaa A o B, listadas en la Bolsa de Valores. Si ninguna de las
compaas ofrece dividendos a sus clientes y ambas tienen igual
clasificacin (segn los servicios de inversin) en trminos del crecimiento
potencial, el inversionista quiz considere la volatilidad o variabilidad de
ambas acciones para ayudar en la decisin de inversin.
Supngase que cada accin de la compaa A ha promediado $150.000 en
los ltimos meses, con desviacin estndar de $30.000. Adems, durante el
mismo perodo el precio promedio de las acciones en la compaa B fue de
$36.000 con una desviacin estndar de $12.000. Cmo puede determinar
el inversionista cules acciones son ms variables?
Solucin
En trminos de las desviaciones estndar, el precio de las acciones de A
parece ms voltil o variable que el de las acciones de B. Sin embargo,
como los precios promedio por acciones de las dos compaas son tan
diferentes, es ms conveniente que el inversionista considere la variabilidad
del precio respecto al promedio con el fin de analizar la estabilidad de ambas
acciones.
Los coeficientes de variacin para las compaas A y B seran:
% 0 . 20 100 *
000 . 150 $
000 . 30 $
100 *
X
S
CV
A y
% 3 . 33 100 *
000 . 36 $
000 . 12 $
100 *
X
S
CV
B
En consecuencia, en relacin con la media, el precio de las acciones B es
ms variable que el de las acciones A.
Estadstica
114
3.3. MEDIDAS DE LOCALIZACIN
Hasta el momento se han descrito algunas medidas de tendencia central y
de dispersin. La media es la que ms se usa como medida de tendencia
central, mientras que la desviacin estndar y la varianza son las ms
empleadas para la dispersin. Las medidas de localizacin relativa se
apoyan en la media y la desviacin estndar para ubicar valores particulares
de un conjunto de datos.
3.3.1. Valores z
Al usar la media y la desviacin estndar se puede determinar la localizacin
relativa de cualquier observacin. Supngase que hay una muestra de n
datos, con sus valores representados por x1 , x2 , x1 x3 ,. . . .,xn . Adems, se
han calculado la media x y la desviacin estndar s de la muestra. Existe
otro valor asociado con cada valor xi de los datos que se denomina valor z, el
cual se calcula con la siguiente ecuacin:
Donde,
i
z
: valor de z del elemento xi
x : media de la muestra
s : desviacin estndar de la muestra.
Estadstica
115
s
x x
z
i
i

Con frecuencia se le da el nombre de valor estandarizado al valor de z. El

valor i
z
se interpreta como el nmero de desviaciones estndar que dista xi
de promedio x . Por ejemplo, si
2 . 1
i
z
indica que x1 es 1.2 desviaciones
estndar por encima de la media de la muestra. Igualmente,
5 . 0
2
z

indica que x2 est a 0.5, o desviacin estndar por debajo de la media de
la muestra. Obsrvese que los valores de z positivos corresponden a
observaciones o datos con valores mayores que la media, y que los valores
de z negativos corresponden a observaciones con valores menores que la
media. Un valor z igual a cero indica que el valor de una observacin es
igual a la media.
Los valores de z para el ejemplo de la tabla 25, donde se presenta el salario,
en millones de pesos, de los gerentes de una cadena de almacenes, con
media $9.57 millones y desviacin estndar $6 millones, sern:
Tabla 29. Valores z para el salario en millones de pesos de gerentes
SALARIO
(millones)
i
x
DESVIACIN
) ( x x
i

VALOR Z
s
x x
i

3,5 -6.07 -1.01
4,5 -5.07 -0.84
6,0 -3.57 -0.60
8,0 -1.57 -0.26
10,0 0.43 0.07
15,0 5.43 0.90
20,0 10.42 1.74
Estadstica
116
Obsrvese que el valor z de 1.74 para el sptimo dato indica que es el ms
alejado del promedio; est a 1.74 desviaciones estndar por encima del
promedio.
3.3.2. Teorema de Chebyshev
El teorema de Chebyshev permite inferir la proporcin de valores que deben
quedar dentro de una cantidad especfica de desviaciones estndar respecto
a la media.
Por ejemplo, cuando z es igual a 2, 3 y 4 desviaciones estndar, se tienen
las siguientes implicaciones a partir del teorema de Chebyshev:
Cuando menos, el 0.75 o 75% de los datos debe estar a menos de 2
desviaciones de la media (z = 2).
Cuando menos, el 0.89 u 89% de los datos debe estar a menos de 3
Cuando menos, el 0.94 o 94% de los datos debe estar a menos de 4
Estadstica
117
Teorema de Chebyshev
Cuando menos
,
_
2
1
1
z
de los datos debe estar a menos de z desviaciones
estndar de separacin respecto a la media, siendo z cualquier valor mayor
que 1.
Como ejemplo de la aplicacin del teorema de Chebyshev, supngase que
las puntuaciones de un examen de ingreso de 100 aspirantes al programa de
Administracin de una universidad tuvieron un promedio de 70 puntos y una
desviacin estndar de 5 puntos. Cuntos aspirantes tuvieron
puntuaciones entre 60 y 80? Cuntos entre 58 y 82?
Para las puntuaciones de 60 a 80 se observa que el valor 60 est a dos
desviaciones estndar por debajo del promedio: (60-70)/5 = -2, y que el valor
80, a dos desviaciones estndar por encima del promedio: (80-70)/5 = +2. Al
aplicar el teorema de Chebyshev, cuando menos el 0.75 o 75% de los datos
debe tener valores menores de dos desviaciones estndar del promedio.
As, cuando menos o mnimo 75 de los 100 aspirantes deben haber obtenido
puntuaciones entre 60 y 80.
Para las puntuaciones entre 58 y 82, (58-70)/5 = -2.4 indica que 58 estn a
2.4 desviaciones estndar por debajo del promedio, y que (82-70)/5 = +2.4
indica que 82 estn a 2.4 desviaciones estndar por encima del promedio.
Aplicando el teorema de Chebyshev con z = 2.4 se obtiene:
( )
826 . 0
4 . 2
1
1
1
1
2 2

1
]
1

,
_
z
Lo que significa que, mnimo 82.6% de los aspirantes deben tener
puntuaciones entre 58 y 82.
La regla emprica
Estadstica
118
Una de las ventajas del teorema de Chebyshev es que se aplica a cualquier
conjunto de datos, independientemente de la forma de la distribucin de los
mismos. Sin embargo, en las aplicaciones prcticas se ha encontrado que
muchos conjuntos de datos tienen una distribucin en forma de colina o de
campana. Cuando se cree que los datos tienen aproximadamente esa
distribucin, se puede aplicar la regla emprica para determinar el porcentaje
de elementos que debe estar dentro de determinada cantidad de
desviaciones estndar respecto al promedio.
Por ejemplo, en una lnea de produccin se llenan, automticamente,
envases de plstico con detergente lquido. Con frecuencia, el volumen de
llenado tiene una distribucin en forma de campana. Si el volumen promedio
de llenado es de 16 cm
3
y la desviacin estndar 0.25 cm
3
, se puede aplicar
la regla emprica para concluir:
Estadstica
119
Regla emprica para datos con distribucin en forma de
campana
Aproximadamente 68% de los elementos estn a menos de una desviacin
estndar de la media.
Aproximadamente 95% de los elementos estn a menos de dos
desviaciones estndar de la media.
Casi todos los elementos estn a menos de tres desviaciones estndar de
la media.
Aproximadamente 68% de los envases llenos tienen entre 15.75 y 16.25
cm
3
(esto es, menos de una desviacin estndar de la media).
Aproximadamente 95% de los envases llenos tienen entre 15.50 y 16.50
cm
3
(esto es, menos de dos desviaciones estndar de la media).
Casi todos los envases llenos tienen entre 15.25 y 16.75 cm
3
(esto es,
menos de tres desviaciones estndar de la media).
3.3.3. Sesgo o forma
El sesgo o forma es la manera como se distribuyen los datos. La distribucin
de los datos es simtrica (en forma de campana) o no lo es. Si no es
simtrica, recibe el nombre de distribucin asimtrica o sesgada.
Para describir el sesgo o la forma, se deben comparar la media y la mediana.
Si ambas medidas son iguales, por lo general se considera que los datos son
simtricos (o con sesgo cero). Por el contrario, si la media es mayor que la
mediana, los datos se describen como sesgados a la derecha, o con sesgo
positivo. Si la media es menor que la mediana, los datos suelen llamarse
sesgados a la izquierda, o con sesgo negativo. Es decir,
El sesgo positivo surge cuando la media aumenta debido a algunos valores
grandes y poco usuales; el sesgo negativo ocurre cuando la media se reduce
debido a algunos valores muy pequeos. Los datos son simtricos cuando
Estadstica
120
Media > Mediana: sesgo positivo o a la derecha
Media = Mediana: simetra o sesgo cero
Media < Mediana: sesgo negativo o a la izquierda
en realidad no hay valores extremos en ninguna direccin, de tal manera que
los valores grandes y pequeos se equilibran.
Grfica 11. Forma o sesgo de un conjunto de datos
La grafica 11 muestra la forma o sesgo de tres conjuntos de datos. Los
datos del primer cuadro son simtricos; cada mitad de la curva es la imagen
del espejo de la otra mitad. Los valores grandes y pequeos se compensan,
y la media es igual a la mediana.
Los datos del cuadro del centro tienen sesgo negativo o a la izquierda. Se
observan una cola larga y una distorsin hacia la izquierda, causadas por
valores en extremo pequeos. Estos valores tan pequeos jalan la media
hacia abajo y resulta menor que la mediana. Los datos del tercer cuadro
tienen un sesgo positivo o a la derecha. Se observan una cola larga hacia la
derecha de la distribucin y una distorsin hacia la derecha, causadas por
valores muy grandes. Estos valores en extremo grandes jalan la media hacia
arriba y resulta mayor que la mediana.
El sesgo para el ejemplo de la tabla 25, donde se presenta el salario, en
millones de pesos, de los gerentes de una cadena de almacenes, con media
$9.57 millones y mediana $8 millones, ser positivo o a la derecha, dado que
la media es mayor que la mediana. Adems, el conjunto de datos presenta
Estadstica
121
un valor extremo muy alto, el cual atrae la media hacia el extremo derecho
de la distribucin.
3.3.4. Diagrama de caja o bigotes
El diagrama de caja o bigotes es un resumen grfico de los datos basado en
el resumen de cinco nmeros.
En un resumen de cinco nmeros se emplean cinco cantidades para resumir
los datos:
Valor mnimo
Primer cuartil (Q1)
Mediana (Me = Q2)
Tercer cuartil (Q3)
Valor mximo
La forma ms gil de elaborar un resumen de 5 nmeros es poner los datos
en orden ascendente. As facilita la identificacin del valor mnimo, los tres
cuartiles y el valor mximo.
Por ejemplo, los salarios mensuales, en miles de pesos, de 12 egresados de
un programa de Administracin son 2.940, 2.920, 2.950, 2.710, 2.850, 2.755,
2.890, 2.880, 2.880, 3.130, 3.325 y 3.050.
Organizando los datos y calculando los cuartiles, se tiene la siguiente
distribucin:
2710 2755 2850 2880 2880 2890 2920 2940 2950 3050 3130 3325
Estadstica
122
Q1 = 2865 Q2 = 2905
(Mediana)
Q3 = 3000
Al analizar los datos anteriores se ve un valor mnimo de 2.710 y un valor
mximo de 3.325 miles de pesos. As, el resumen de los cinco nmeros de
los datos de salarios es 2.710, 2.865, 2.905, 3.000 y 3.325 miles de pesos.
Aproximadamente una cuarta parte, 25% de los valores de los datos, estn
entre dos nmeros adyacentes del resumen de cinco nmeros.
El diagrama de caja y bigotes resume grficamente los cinco nmeros.
Los pasos para trazar un diagrama de caja y bigotes son los siguientes:
Se traza un rectngulo con los extremos en el primer y tercer cuartiles.
Este rectngulo contiene el 50% intermedio de los datos. Para los
datos de salarios Q1 = 2.865 y Q3 = 3.000.
En la caja se traza una recta vertical en el lugar de la mediana (2.950
para los datos de salarios). As, la lnea de la mediana divide los
datos en dos partes iguales.
Se ubican los lmites mediante el rango intercuartil, RIC = Q3 - Q1. Los
lmites en el diagrama de caja estn a 1.5(RIC) por debajo de Q1 y
1.5(RIC) por encima de Q3 . Para los datos de salarios RIC = Q3 - Q1 =
3.000 2.865 = 135. As, los lmites son 2.865 1.5(135) = 2.662,5 y
3.000 + 1.5(135) = 3.202,5. Se considera que los datos fuera de estos
lmites son valores atpicos.
Los bigotes de la caja se trazan con lneas punteadas, desde los
extremos de la caja hasta los valores mnimo y mximo dentro de los
lmites. As, los bigotes terminan en los valores de salarios de 2.710 y
3.130.
Estadstica
123
Por ltimo, se marcan con un asterisco (*) las localizaciones de los
valores atpicos. Para el ejemplo se localiza un valor atpico de 3.325.
Grfica 12. Diagrama de caja y bigotes con lneas que muestran los
lmites
En la grfica 12 se trazaron las lneas que indican el lugar de los lmites con
el fin de mostrar cmo se calculan stos y dnde se ubican en el caso de los
salarios. Aunque siempre se calculan, por lo general no se trazan en los
diagramas de caja. En la grfica 13 se muestra el aspecto habitual de un
diagrama de caja y bigotes para los datos de los salarios.
Estadstica
124
Grafica 13. Diagrama de caja y bigotes de los sueldos mensuales de un
grupo de egresados de un programa de Administracin
Observacin
Al utilizar el diagrama de caja y bigotes se tiene la opcin de identificar los
mismos valores atpicos que los encontrados con el mtodo de valores z:
menores que 3 y mayores que +3. Sin embargo, el objetivo de ambos
mtodos es identificar elementos que se deben revisar para asegurar la
validez de los datos. Se deben revisar los valores atpicos identificados por
cualquiera de los mtodos.
Estadstica
125
3.3.5. Curtosis
La curtosis mide si los valores de la distribucin estn ms o menos
concentrados alrededor de los valores medios de la muestra. El coeficiente
percentil de Curtosis (k) analiza el grado de concentracin que presentan los
valores alrededor de la zona central de la distribucin; se calcula con la
siguiente ecuacin:
Donde,
Q3: tercer cuartil.
Q1: primer cuartil.
P90: percentil 90.
P10: percentil 10.
Nota: es importante recordar que el P10 es igual al D1 y el P90 es igual al D9.
Segn el coeficiente de Curtosis, se definen 3 tipos de distribuciones, los
cuales se ilustran en la grfica 14:
Grfica 14. Tipos de distribucin segn el coeficiente de Curtosis
Estadstica
126
10 90
1 3 2
1
) (
P P
Q Q
k
Distribucin mesocrtica: presenta un grado de concentracin medio

alrededor de los valores centrales de la variable (el mismo que presenta una
distribucin simtrica o normal). El valor de k = 0.263.
Distribucin leptocrtica: presenta un elevado grado de concentracin
alrededor de los valores centrales de la variable. El valor de k > 0.263.
Distribucin platicrtica: presenta un reducido grado de concentracin
alrededor de los valores centrales de la variable. El valor de k < 0.263.
Para el ejemplo de la tabla 23 del tiempo que tarda un grupo de expertos en
realizar la auditora de un proceso, Q1 = 55.12, Q3 = 64.72, P10 = D1 = 44.7 y
P90 = D9 = 70.9.
El coeficiente percentil de Curtosis (k) ser:
183 . 0
2 . 26
8 . 4
2 . 26
) 6 . 9 ( 5 . 0
7 . 44 9 . 70
) 12 . 55 72 . 64 ( ) (
2
1
10 90
1 3
2
1

P P
Q Q
k
Por lo tanto, el coeficiente percentil de Curtosis es 0.183, lo que quiere decir
que se trata de una distribucin platicrtica, es decir, con una reducida
concentracin alrededor de los valores centrales de la distribucin.
Estadstica
127
Estadstica
128
4. REGRESIN LINEAL Y CORRELACIN
En las unidades anteriores se ha centrado la atencin en el tratamiento de
los valores que puede tomar una variable definida en una investigacin, tanto
en el nivel de muestra como en el de poblacin. Sin embargo,
frecuentemente las investigaciones implican considerar dos o ms variables.
Los procedimientos para el anlisis de la relacin de dos variables sern
contemplados en esta unidad.
4.1. REGRESIN LINEAL SIMPLE
La regresin es un mtodo para determinar la relacin existente entre una
variable independiente y otra dependiente, con fines de prediccin de esta
ltima variable ante los cambios de la primera.
La variable independiente o predictora suele representarse por X y la variable
dependiente por Y. En algunos casos, la variable independiente se asocia
con medidas de causa y la dependiente con medidas de efecto.
En la produccin industrial pueden ser variables independientes: el nmero
de trabajadores, el tiempo de labor semanal, la cantidad de materia prima,
entre otras. Y variables dependientes: el nmero de artculos producidos, los
ingresos semanales, el posicionamiento en el mercado, etc. Obsrvese que
Estadstica
129
las variables dependientes se muestran como efecto de las variables
independientes o causa del proceso de produccin.
Por ejemplo, una compaa de bienes races residenciales en una ciudad
desea predecir los costos mensuales del alquiler de apartamentos, basado
en el rea en metros cuadrados. Se seleccion una muestra aleatoria con
los siguientes datos:
Tabla 30. rea y costo de alquiler de apartamentos
APARTAMENTO REA (m
2
) COSTO MENSUAL (miles de pesos)
1 79 475
2 135 800
3 101 600
4 114 750
5 67 475
6 138 850
7 106 825
8 67 467
9 65 437
10 89 575
11 102 700
12 119 825
13 184 1150
14 127 900
15 109 700
16 114 725
17 116 550
18 117 850
19 107 600
20 83 575
21 126 800
22 97 825
23 70 600
24 93 400
25 111 875
Fuente: Adaptacin del texto Estadstica para administracin. Berenson y otros, pg. 466.
Estadstica
130
En este caso, se busca relacionar las variables rea y costo mensual; donde
la variable independiente (X) es el rea, y la dependiente (Y), el costo
mensual.
4.1.1. Diagrama de dispersin
Cuando se toma una muestra de dos variables o bivariada, se obtiene una
serie de pares de datos. Estas parejas son de la forma (x,y) y se pueden
representar como puntos en un plano bidimensional o plano cartesiano; la
representacin grfica de las parejas se conoce como diagrama de
dispersin.
La regresin lineal pretende encontrar una recta que represente todos los
puntos que se encuentran en el plano cartesiano.
En la grfica 15 se ilustran algunos diagramas de dispersin.
Grfica 15. Representacin de algunos diagramas de dispersin
Para el ejemplo de la tabla 30, el diagrama de dispersin se presenta en la
grfica 16.
Estadstica
131
Grfica 16. Diagrama de dispersin para el rea y costo de alquiler de
apartamentos
El diagrama de dispersin muestra una relacin lineal positiva; es decir, a
medida que crece el rea aumenta el valor del alquiler del apartamento.
Adicionalmente, no se observa ningn valor atpico.
4.1.2. Ajuste de una recta por el mtodo de mnimos cuadrados
Sobre el diagrama de dispersin se puede trazar un sinnmero de lneas
rectas que represente el conjunto de datos y facilite la prediccin para la
variable dependiente. Sin embargo, este mtodo intuitivo es demasiado
subjetivo.
El objeto de la regresin lineal consiste en determinar una recta de la forma
i i
x b b y +
0 , que sea representativa del conjunto de datos muestrales; este
Estadstica
132
proceso se conoce como ajuste de una recta y se utiliza como procedimiento
el mtodo de mnimos cuadrados.
En este sentido, el mtodo de mnimos cuadrados es objetivo y no depende
de la apreciacin personal del investigador, sino de relaciones matemticas
preestablecidas.
La tarea est en determinar los parmetros 0
b
y
b
en la ecuacin de
regresin lineal simple i i
x b b y +
0 , donde
i
x
: es el i-simo valor de la variable X.
i
y
: es el i-simo valor de la variable y
0
b
: es el valor que toma la variable dependiente "y", cuando la variable
independiente "x" vale 0, y es el punto donde la recta cruza el eje vertical.
b
: determina la pendiente de la recta, su grado de inclinacin.
Una vez hallados los parmetros 0
b
y
b
, los valores calculados a partir de
la ecuacin de regresin se denominan valores estimados, y se representan
por i
y
.
En el mtodo de mnimos cuadrados se emplean los datos de la muestra
para determinar los parmetros 0
b
y
b
que minimizan la suma de los
cuadrados de las desviaciones entre los valores observados de la variable
dependiente i
y
y los valores estimados de la variable dependiente i
y
.
La desviacin se obtiene entre la diferencia de los valores reales i
y
y los
valores estimados i
y
; por tanto, la suma de los cuadrados de las
desviaciones debe ser mnima. Esto es,
Estadstica
133
min
) (
i i
y y
Con el clculo diferencial se puede demostrar que los parmetros 0
b
y
b

que minimizan el cuadrado de las desviaciones son:
y
Los parmetros para el ejemplo de la tabla 30, se calculan a partir de los
datos presentados en la tabla 31.
Tabla 31. Valores para el clculo de parmetros de la compaa de
bienes raz
APARTAMENTO X Y XY X
2
Y
2
1 79 475 37525 6241 225625
2 135 800 108000 18225 640000
3 101 600 60600 10201 360000
4 114 750 85500 12996 562500
5 67 475 31825 4489 225625
6 138 850 117300 19044 722500
7 106 825 87450 11236 680625
8 67 467 31289 4489 218089
9 65 437 28405 4225 190969
10 89 575 51175 7921 330625
11 102 700 71400 10404 490000
12 119 825 98175 14161 680625
13 184 1150 211600 33856 1322500
14 127 900 114300 16129 810000
15 109 700 76300 11881 490000
16 114 725 82650 12996 525625
17 116 550 63800 13456 302500
18 117 850 99450 13689 722500
19 107 600 64200 11449 360000
20 83 575 47725 6889 330625
21 126 800 100800 15876 640000
22 97 825 80025 9409 680625
23 70 600 42000 4900 360000
24 93 400 37200 8649 160000
25 111 875 97125 12321 765625
Estadstica
134

) (
2
i i
i i i i
x x n
y x y x n
b
n
x b y
b
i i
0
TOTAL 2.636 17.329 1.925.819 295.132 12.797.183
Fuente: Adaptacin del texto Estadstica para administracin. Berenson y otros, pg. 466.
De la tabla 29 se tiene que:
636 . 2
i
x
,
329 . 17
i
y
,
819 . 925 . 1
i i
y x
,
132 . 295
2
i
x
y n =
25
por tanto,
73804 , 5
804 . 429
231 . 466 . 2
) 636 . 2 ( ) 132 . 295 ( 25
) 329 . 17 )( 636 . 2 ( ) 819 . 925 . 1 ( 25
) (
2 2

i i
i i i i
x x n
y x y x n
b
14120 , 88
25
53 , 203 . 2
25
) 636 . 2 )( 73804 , 5 ( 329 . 17
0

n
x b y
b
i i
en consecuencia, el modelo de regresin para estimar el costo de alquiler
mensual de un apartamento a partir del rea ser:
x y 73804 , 5 14120 , 88 +
Este modelo representa la integracin de todos los puntos ubicados en el
diagrama de dispersin, y garantiza que la suma del cuadrado de las
desviaciones es mnima, como se ilustra en la grfica 17.
Grfica 17. Modelo de regresin lineal para el rea y costo de alquiler de
apartamentos
Estadstica
135
Interpretacin de bo y b
bo = 88,1412 indica que cuando el cambio en el rea es cero, el cambio
esperado en el costo de alquiler mensual es de 88,1412 miles de pesos; es
decir, que el costo de alquiler mensual aumenta 88,1412 miles de pesos. La
pendiente b = 5,73804 seala que por cada incremento de 1 m
2
en el rea,
se pronostica que el cambio esperado en el costo mensual de alquiler es de
5,73804 miles de pesos, cuyo significado es que se pronostica que el costo
de alquiler aumenta 5,73804 miles de pesos por cada 1 m
2
de incremento en
el rea.
Predicciones
Estadstica
136

Con la ecuacin de regresin encontrada, es posible predecir algunos
valores para la variable dependiente a partir de la variable independiente
Observacin
Cuando se utiliza un modelo de regresin con propsitos de pronstico, es
importante que se tenga en cuenta slo el intervalo de valores que toma la
variable independiente y que fueron usados para construir el modelo.
Entonces, si se predice un valor de Y para un valor dado de X, es posible
interpolar dentro de este intervalo de valores de X, pero no se debe
extrapolar hacia fuera de este intervalo. Por ejemplo, cuando se usa el rea
en m
2
para predecir el alquiler mensual, se observa en la tabla 29 que los
metros cuadrados varan de 65 a 184. Por tanto, las predicciones de costos
de alquiler mensual deben hacerse slo para apartamentos con un rea
entre estas medidas. Cualquier pronstico de costos de alquiler mensual con
reas fuera de este intervalo es poco confiable.
4.2. CORRELACIN
Hasta el momento se ha considerado el problema de la regresin lineal
simple o estimacin de una variable dependiente a partir de una variable
independiente. Sin embargo, surge el interrogante: Qu tanto se relacionan
las variables dependiente e independiente? La correlacin pretende dar
respuesta a esta pregunta e intenta medir el grado de asociacin entre dos
variables por medio de los coeficientes de correlacin y determinacin.
4.2.1. Coeficiente de correlacin
Estadstica
137
El coeficiente de correlacin (r) es la medida de la intensidad de la relacin
entre dos variables. Se calcula con la ecuacin
Donde,
( )( )

y x xy n
: desviacin conjunta de los datos X y Y
( )
2
2

x x n : desviacin de los datos X
( )
2
2

y y n : desviacin de los datos Y
El coeficiente de correlacin toma valores comprendidos entre 1 y +1, de tal
forma que cuando r = -1 r = +1 existe una correlacin perfecta entre las
variables. Esto es, todos los puntos del plano cartesiano estn alineados (o
se ajustan perfectamente) a la lnea recta de la ecuacin de regresin.
Cuando r = 0, no existe correlacin entre las variables. La correlacin
aumenta cuando r se acerca de 0 a +1 de 0 a 1.
En la medida en que los puntos se acerquen a la recta, el coeficiente de
correlacin ser ms prximo a 1, y si los puntos se alejan de la recta, el
coeficiente de correlacin ser ms prximo a cero.
Aunque la correlacin o la medida de la intensidad de la relacin puede
oscilar entre 1 y +1, no existe una regla precisa para afirmar si la correlacin
es buena o mala entre las variables, ya que la calificacin depende del rigor
Estadstica
138
( )( )
( ) ( )
2
2
2
2
*

y y n x x n
y x xy n
r
del estudio y la experiencia del investigador para juzgar los resultados de
acuerdo con las expectativas planteadas. Sin embargo, en la tabla 32 se
presenta un esquema que puede ayudar a la calificacin de un modelo de
regresin.
Tabla 32. Calificacin del modelo de regresin
r CALIFICACIN r
-0.1
-0.2
-0.3
Correlacin nula
0.1
0.2
0.3
-0.4
-0.5
-0.6
Correlacin baja
0.4
0.5
0.6
-0.7
-0.8
-0.9
Correlacin alta
0.7
0.8
0.9
-1.0 Mxima correlacin 1.0
Grfica 18. Correlacin entre dos variables
En la grfica 18 se presenta la correlacin entre dos variables. Obsrvese
que en la correlacin lineal positiva, la pendiente de la recta es positiva, y en
la correlacin lineal negativa, la pendiente es negativa. Al calcular el
coeficiente de correlacin, el signo debe ser el mismo del parmetro b1, dado
Estadstica
139
que este parmetro corresponde a la pendiente de la recta. En
consecuencia, existe una igualdad de signos entre la pendiente de la recta y
el coeficiente de correlacin.
El coeficiente de correlacin para el ejemplo de la tabla 29, en el cual se
relaciona el rea con el precio de alquiler de apartamentos sera:
( )( )
( ) ( )
2 2 2
2
2
2
) 329 . 17 ( ) 183 . 797 . 12 ( 25 * ) 636 . 2 ( ) 132 . 295 ( 25
) 329 . 17 )( 636 . 2 ( ) 819 . 925 . 1 ( 25
*

y y n x x n
y x xy n
r
8489 . 0
296 , 037 . 905 . 2
321 . 466 . 2
18 , 431 . 4 * 59 , 655
321 . 466 . 2
r
Como r = 0,8489 y la pendiente b1 es positiva, indica que hay alta correlacin
entre el rea y el precio de alquiler de los apartamentos.
4.2.2. Coeficiente de determinacin
Para predecir una variable en funcin de otra predomina la incertidumbre, y
la pregunta forzada es qu tan bien se ajusta a los datos la ecuacin de
regresin? En este aparte se muestra que el coeficiente de determinacin
(r
2
) es una medida de la bondad de ajuste para una ecuacin de regresin.
El coeficiente de determinacin (r
2
) expresa el porcentaje de variacin de la
variable dependiente causado o atribuido por la variacin de la variable
independiente.

Estadstica
140
Coeficiente de determinacin = (Coeficiente de correlacin)
2
* 100
r
2
= (r)
2
* 100
El coeficiente de determinacin para el ejemplo de la tabla 29, en el cual se
relaciona el rea con el precio de alquiler de apartamentos, sera:
r
2
= ( 0,8489 )
2
* 100 = 72%
Este valor permite concluir que el 72% del aumento en el costo de alquiler
del apartamento se debe al incremento en el rea, el otro 28% se debe al
cambio producido por otras variables que no fueron analizadas en el modelo
(por ser regresin lineal simple).
Adems de los coeficientes de correlacin y determinacin, la correlacin
puede ser analizada con mayor profundidad por medio de la inferencia del
coeficiente de correlacin poblacional (p) (se lee rho), la cual incluye pruebas
de hiptesis e intervalos de confianza para p.
Estadstica
141
Estadstica
142
Estadstica
143
1.1 INTRODUCCIN
En nuestra vida aparecen a diario, no importa en el mbito que nos estemos
desenvolviendo, muchas situaciones bajo incertidumbre como, por ejemplo:
qu posibilidad tengo de conseguir el empleo, qu posibilidad tengo de ganar
la evaluacin, qu posibilidad hay de que compren el producto, qu
probabilidad hay de que una persona se recupere de la enfermedad, qu
posibilidad hay de que todos los productos salgan bajo las especificaciones
exigidas, qu posibilidad tengo de encontrar la informacin que necesito,
etc. La respuesta a todas las preguntas anteriores tiene un grado de
Incertidumbre, aunque tengamos alguna base para obtener las primeras
respuestas. Pero existen otros casos en que las respuestas no dependen de
conocimientos anteriores sino del azar. Como, por ejemplo, qu posibilidad
tengo al lanzar un par de dados de obtener un 7 o un doble uno.
En nuestro lenguaje cotidiano, palabras como probablemente, es poco
probable que, hay muchas posibilidades de que hacen referencia a
esta incertidumbre.
La teora de la probabilidad pretende ser una herramienta para modelizar y
tratar de obtener respuesta a estas incertidumbres. Cuando se aplican las
tcnicas estadsticas a la recogida, anlisis e interpretacin de los datos, la
teora de la probabilidad proporciona una base para evaluar la fiabilidad de
las conclusiones alcanzadas y las inferencias realizadas. Debido al
importante papel desempeado por la probabilidad dentro de la estadstica,
es necesario familiarizarse con sus elementos bsicos, lo que constituye el
objetivo del presente tema.
Estadstica
144
Al estudiar las probabilidades existen los siguientes objetivos:
Familiarizar al estudiante con experiencias de la vida diaria en las que
interviene el azar.
Entender los enfoques de la probabilidad ms usuales as como sus
peculiaridades, ventajas e inconvenientes.
Manejar el lenguaje de la probabilidad, sus propiedades y aplicarlo a
problemas concretos.
Entender los teoremas de la probabilidad y su aplicabilidad.
1.2 QU ES LA PROBABILIDAD?
La teora de probabilidad es la teora matemtica que modela los fenmenos
aleatorios. Estos deben contraponerse a los fenmenos determinsticos, en
los cuales el resultado de un experimento, realizado bajo condiciones
determinadas, produce un resultado nico o previsible: por ejemplo, el agua
calentada a 100 grados centgrados, a presin normal, se transforma en
vapor. Un fenmeno aleatorio es aquel que, a pesar de realizarse el
experimento bajo las mismas condiciones determinadas, tiene como
resultados posibles un conjunto de alternativas, ejemplos: lanzar un dado o
una moneda. O sea que la probabilidad es darle una medida o un valor a la
incertidumbre.
Estadstica
145
1.3 CONCEPTOS BSICOS DE PROBABILIDAD
1.3.1 Fenmeno experimento aleatorio. Es el proceso mediante el cual
se obtiene una observacin o una medida de un fenmeno o es aquel
que en las mismas condiciones iniciales produce distintos resultados
finales, que son conocidos por anticipado pero no se puede predecir
con certeza el resultado en cada experiencia en particular. Ejemplo:
lanzar una moneda, un dado, etc.
1.3.2 Fenmeno o experimento determinstico. Es aquel en el que las
mismas condiciones provocan los mismos efectos, como por ejemplo:
un capital bajo el mismo intervalo de tiempo, produce el mismo
resultado.
1.3.3 Prueba. Es una observacin particular.
1.3.4 Espacio muestral (S). Es el conjunto de todos los resultados
posibles de un experimento estadstico.
Ejemplos:
a. Considrese el experimento de lanzar un dado. Sus resultados posibles
son: S = (1,2,3,4,5,6).
b. Considrese el experimento de lanzar una moneda una sola vez. Sus
resultados posibles son: S= (cara, sello).
c. Considrese el experimento de lanzar una moneda dos veces. Sus
resultados posibles son:
S = [(Cara, cara), (cara, sello), (sello, cara), (sello, sello)].
Estadstica
146
d. Un experimento consiste en lanzar una moneda al aire. Si sale cara, se
lanza otra vez la moneda. Si sale sello, se lanza un dado una vez. Sus
resultados posibles son:
Sea C =Cara y S = Sello

e. Un experimento consiste en lanzar primero un dado y despus lanzar una
moneda, siempre y cuando el nmero en el dado sea par. Si el resultado
del dado es impar, la moneda se lanza 2 veces. Encuentre el espacio
muestral.
f. Si queremos lanzar una moneda 5 veces, al especificar todos los
resultados posibles, es necesario saber cuntos resultados tendra, dado
que es muy fcil perderse en el desarrollo.
Habra resultados posibles. Si queremos lanzar una moneda
10 veces habra resultados posibles.
En muchos casos no es necesario desagregar los resultados posibles sino
que es importante y necesario saber el total de resultados posibles en un
experimento. Dada la complejidad de los experimentos, en muchas
ocasiones es difcil saber el total de resultados posibles del experimento y es
necesario utilizar frmulas que son proporcionadas por una de las
Estadstica
147
herramientas de las matemticas llamada tcnicas de conteo. Tema que
veremos ms adelante.
1.3.5 Elemento o punto muestral. Es cada uno de los elementos o
resultados del espacio muestral.
1.3.6 Evento. Un evento es un subconjunto de un espacio muestral. En
muchos experimentos solo nos interesa averiguar ciertos elementos
de un espacio muestral. Ejemplo: al lanzar un dado, solo nos
interesa encontrar los nmeros primos.
S = (1, 2, 3, 4, 5,6) A = (1, 2,3, 5).
1.3.7 Interseccin de dos eventos A y B. A B.
Es el evento que contiene a los elementos comunes a A y a B, o sea:
Grficamente,
Ejemplo
Sea el espacio muestral S = (0,1,2,3,4,5,6,7,8,9) y los Eventos:
A = ( 1,2,3,4,5)
Estadstica
148
A B
B = ( 0,1,3,6,8 )
C= (3,4,6,9)
GRAFICANDO,
1.
2.
3.
4.
1.3.8 Unin de dos eventos a y b: AB.
Es el evento que contiene a todos los elementos que pertenecen a A o a B o
a ambos. O sea:
Grficamente,
Estadstica
149
A B
C
7
2

8
0
3
4 6

9
Ejemplo
Con el espacio muestral del ejercicio anterior, hallar los siguientes eventos:
1.3.9 Complemento de un evento a: A.
Es el conjunto de todos los elementos de S (del espacio muestral) que no
estn en A, o sea:
Grficamente,
S
Estadstica
150

Ejemplo
Con el espacio muestral del ejercicio anterior, hallar los siguientes eventos:
Estadstica
151
A
Estadstica
152
2.1 TCNICAS DE CONTEO
Es una herramienta matemtica que sirve para conocer el total de resultados
posibles en un experimento estadstico. Las principales son:
Regla 2.1.1: Principio de la multiplicacin
Ejemplo 1: Sarita es una nia que vive en un distrito, tiene de vestuario 3
sombreros, 2 faldas y 2 blusas. Sarita desea vestir cada da de una manera
diferente. Su problema es saber en cuntos das puede salir a la calle
vestida de manera diferente.
SOLUCIN
Sea = sombrero 1 =sombrero 2 = sombrero 3
= falda 1 = falda 2
=blusa 1 =blusa 2
El nmero de resultados finales:
3 sombreros 2 faldas 2 blusas
Nmero de resultados posibles o nmero de vestidos diferentes:
Estadstica
153
Si un acontecimiento A puede ocurrir de m maneras diferentes, y si para
cada una de esas m maneras posibles de ocurrencia de A, un segundo
acontecimiento B puede ocurrir de n maneras diferentes, entonces, el
nmero de manetas diferentes en que puede ocurrir el acontecimiento A
seguido del acontecimiento B es m x n
3x2x2=12
Segn el diagrama de rbol, los resultados son:
Estadstica
154
1
|||
x
M
pp I.
M
(S1 , f 1 , b 1) (S2 , f 1 , b 1) (S3 , f 1 , b 1)
(S1 , f 1 , b 2) (S2 , f 1 , b 2) (S3 , f 1 , b 2)
(S1 , f 2 , b 1) (S2 , f 2 , b 1) (S3 , f 2 , b 1)
(S1 , f 2 , b 2) (S2 , f 2 , b 2) (S3 , f 2 , b 2)

Ejemplo 2: Cules son los resultados posibles al lanzar una moneda 3
veces?
Solucin sea c = cara s = sello
El nmero de resultados finales:
Primera moneda 2 resultados= c, s
Segunda moneda 2 resultados=c, s
Tercera moneda 2 resultado= c, s
Total de resultados posibles= 2x2x2=8 resultados.
Estadstica
155
C
S
C
C
S
S
C
S
C
S
S
S
C
C
Segn el diagrama de rbol, los resultados son:
(C,C,C),(C,C,S),(C,S,C)(C,S,S,),(S,C,C),(S,C,S),(S,S,C)(S,S,S).
Ejemplo 3: Suponga que se seleccionan en forma aleatoria 3 artculos de
un proceso de manufactura. Se examina cada uno de ellos y se les clasifica
como D-Defectuosa y B-Bueno. Cules son los resultados posibles?
Solucin
El nmero de resultados posibles:
Primer artculo, dos resultados posibles = B,D
Segundo artculo, dos resultados posibles B,D
Tercer artculo, dos resultados posibles B,D
Total de resultados posibles= 2x2x2=8 resultados.

(B,D,B),(B,D,D),(B,B,B),(B,B,D),(D,D,B),(D,D,D,)(D,B,B,)(D,B,D).
Estadstica
156
B
D
B
B
D
B
D
B
D
D
B
D
B
D
Regla 2.1.2. Principio de permutacin
Ejemplo 4: De cuntas maneras podemos organizar cuatro personas en
una fila?
Solucin
Sea A la persona 1
B la persona 2
C la persona 3
D la persona 4.
Para saber el total de resultados posibles = 4! = 1.2.3.4= 24 resultados
posibles:
Estadstica
157
Se define el nmero de permutaciones de n objetos como el total de
maneras como se pueden ordenar o agrupar los n objetos el cual equivale
a
1x2x3x ... x n = n ! , definido como factorial de n.
n! (factorial) es el producto de los enteros
Desde 1 hasta n.
Ejemplo 3! = 1.2.3 =6 5!=1.2.3.4.5=120
0!
=1
(A B C D) (BA CD) (CA BD) (DAB C)
(A B D C) (BA DC) (CA DB) (DAC B)
(A C B D) (BC AD) (CB AD) (DBA C)
(A C D B) (BC DA) (CB DA) (DBC A)
(A D B C) (BD AC) (CD AB) (DCA B)
(A D C B) (BD CA) (CD BA) (DCB A)
Ejemplo 5. Se tiene un equipaje conformado de pantalones: P; camisas: C;
y zapatos: Z. De cuntas maneras se puede colocar en un armario de 3
compartimentos?
Para saber el total de resultados posibles = 3! = 1.2.3.= 6 resultados
posibles:
(P C Z)
(P Z C)
(ZP C)
(ZC P)
(CZ P)
(CP Z)
Regla 2.1.3: Variaciones o permutaciones
Estadstica
158
Cuando se permutan u organizan de los n elementos, solo r ( r n),
teniendo en cuenta o siendo importante el orden ya que tiene sentido,
decimosqueesunavariacinopermutacin.Sufrmula:
.
Ejemplo 6: Se tiene a cuatro concursantes para un primer y segundo
puesto. Cules son los resultados posibles para los cuatro concursantes?
Solucin
Sea A el concursante 1
Sea B el concursante 2
Sea C el concursante 3
Sea D el concursante 4
El total de resultados posibles:
(A B) (BA)
(A C) (CA)
(A D) (DA)
(BC) (CB)
(BD) (DB)
(CD) (DC)
(A,B) significa que el concursante A ocup el primer puesto y B ocup el
segundo puesto. En cambio (B,A) significa que el concursante B ocup el
primer puesto y el concursante A ocup el segundo puesto; estos dos
resultados son diferentes.
Estadstica
159
Ejemplo 7. Si en el ejercicio de las prendas (ejemplo 5), se tuvieran
pantalones: P; interiores I; camisas: C; y zapatos: Z, de cuntas maneras se
pueden colocar en un armario de 3 compartimentos, teniendo en cuenta que
la prenda sobrante se coloca en otro armario?
Solucin
(P I C) (P C I) (I C P) (I P C) ( C I P) (C P I)
(P I Z) (P Z I) (I P Z) (I Z P) ( Z I P) (Z P I)
(P C Z) (P Z C) (CI P) (CP I) ( I C P) (I P C)
(I C Z) (I Z C) (CI Z) (CZ I) ( Z I C (Z C I)
Regla 2.1.4: Combinaciones
Ejemplo 8: Se tienen cuatro reglas de salud:
Regla A: no fumar
Estadstica
160
Cuando se organizan de los n elementos, solo r ( r n), sin tener en
cuentaelordenoalcambiardeordennosepierdeelsentido,decimosque
esunacombinacin.Sufrmula:
.
Regla B: hacer ejercicios
Regla C: tomar 7 u 8 vasos diarios de agua
Regla D: comer verduras.
Si actualmente todas no se cumplen y se quieren cumplir 2 de ellas, cules
seran las opciones?
Solucin
Si se tiene las soluciones (A,B) y (B, A) se est diciendo no fumar y hacer
ejercicios, y para el segundo se est diciendo, hacer ejercicios y no fumar;
este resultado es igual.
Teniendo en cuenta lo anterior, los resultados quedaran:
(A B)
(A C)
(A D)
(BC)
(BD)
(CD)
Estadstica
161
Regla 2.1.5: Particiones
Ejemplo 9: Un colegio participa en 4 partidos de ftbol en una temporada.
De cuntas maneras puede el equipo terminar la temporada con 2 victorias,
1 derrotas y 1 empate?
Sea V victoria (2)
Sea D derrota (1)
Sea E empate (1)
Solucin
Para saber el nmero de resultados posibles.
Estadstica
162
El nmero de particiones distintas de n objetos en los cuales n1 son de
una
clase, n2 de una segunda clase, ..., nk de una k - sima clase, coincide con
el nmero de formas de hacer una particin de un conjunto de n objetos en
k
celdas con n1 objetos en la primera celda, n2 elementos en la segunda
celda y as sucesivamente donde
V V D E V D E V D E V V
V V E D V E D V E D V V
V D V E D V V E E V D V
V E V D D V E V E V V D
2.2 EJERCICIOS RESUELTOS
1. Un vendedor de autos quiere presentar a sus clientes todas las
diferentes opciones con que cuenta: auto convertible, auto de 2 puertas y
auto de 4 puertas, cualquiera de ellos con rines deportivos o estndar.
Cuntos y cules diferentes arreglos de autos y rines puede ofrecer el
vendedor?
Solucin
Para solucionar el problema se emplea la tcnica de la multiplicacin, (donde
m es nmero de modelos y n es el nmero de tipos de rin).
Sea m = 3 A auto convertible B 2 puertas C 4 puertas
n = 2 D rin deportivo E rin estndar
Estadstica
163
Nmero total de arreglos = 3 x 2 = 6
arreglos diferentes
Deacuerdoconeldiagramaderbol,losresultadosposiblesson:
(A,D),(A,E),(B,D),(B,E),(C,D),(C,E).
2 Suponga que hay ocho tipos de computadora pero solo tres espacios
disponibles para exhibirlas en la tienda de computadoras. De cuntas
maneras diferentes pueden ser arregladas las 8 mquinas en los tres
espacios disponibles?
Solucin
Para solucionar el problema se emplea la tcnica de Permutacin, (donde n
es el nmero de mquinas y r es el nmero de espacios disponibles).
Estadstica
164
E
D
B
A
E
C
D
E
D
3. Una tarjeta de circuito impresa se puede comprar con cinco proveedores.
De cuntas maneras de pueden escoger tres proveedores de los cinco?
Solucin
Para solucionar el problema se emplea la tcnica de las combinaciones,
(donde n son los 5 proveedores y r son los 3 proveedores a escoger).
4. Un estudiante desea acomodar ocho libros en un anaquel. Calcule el
nmero de maneras en que puede hacerlo si la condicin es que:
a. Tres libros especficos siempre deben quedar juntos.
b. Tres libros especficos nunca deben quedar todos juntos.
Solucin del numeral a
Estadstica
165
Nmero total de arreglos
N
Nmero total de arreglos
N
Enrealidadlos8puestosseconviertenen6;yaque3librosdebenquedar
juntos. Peroesos3,asuvez,sepuedenorganizardediferentesmaneras.
Supongamosqueloslibros1,2,3debenquedarjuntos..
LIBROS 1 2 3 4 5 6 7 8
PUESTOS 2 3 4 5 6 1
Solucin del numeral b
3separadoseslocontrarioalos3juntos.Estoquieredecirquealorganizar
8libros (8!=40320)yal restarlelos resultadosde los3juntos (4320), nos
quedanlosresultadosdelos3separados.
5. Un comit de 5 personas se va a elegir entre 10 principales y 7 suplentes,
de cuntas maneras es posible si ha de haber ms principales que
suplentes?
Solucin
Paraquelosprincipalesseanmsquelossuplentesdebenquedar:
3principalesy2suplenteso4principalesyunsuplenteo5principalesy0
suplentes..
Estadstica
166
Estadstica
167
Recordemos que en matemticas el conector
y significa producto y el conector o significa
suma
3.1 SUCESOS PROBABILSTICOS
De acuerdo con la forma como ocurren dos o ms sucesos probabilsticos
estos pueden ser:
3.1.1 Sucesos independientes: son aquellos sucesos en donde la
ocurrencia de uno de ellos no depende de la ocurrencia de otro u
otros sucesos. Ejemplo: sacar de una urna una pelota blanca, si
antes se sac una pelota negra y se devolvi a la urna.
3.1.2 Sucesos dependientes: son aquellos sucesos en donde la ocurrencia
de uno de ellos s depende de la ocurrencia de otro u otros sucesos.
Ejemplo: sacar de una urna una pelota blanca, si antes se sac una
pelota negra y no se devolvi a la urna.
3.1.3 Sucesos compatibles o mutuamente no excluyentes: son aquellos
sucesos que pueden ocurrir al mismo tiempo o simultneamente, es
decir, la ocurrencia de uno de ellos no excluye la ocurrencia de otro u
otros sucesos. Ejemplo: se lanzan dos dados al mismo tiempo,
puede salir el 1 o el 5?
3.1.4 Sucesos incompatibles o mutuamente excluyentes: son aquellos
sucesos que no pueden ocurrir al mismo tiempo en forma simultnea,
es decir, que la ocurrencia de uno de ellos excluye la ocurrencia de
otro. O sea AB = Ejemplo: En el lanzamiento de dos
dados simultneamente, sacar al mismo tiempo dos nmeros pares y
que su suma sea impar.
Estadstica
168
3.2 DEFINICIN DE PROBABILIDAD
La posibilidad de que se presente un evento resultante de un experimento
estadstico se evala por medio de un conjunto de nmeros reales llamados
Probabilidades que caen en el rango (0,1). A cada punto en el espacio
muestral se le asigna una probabilidad tal que la suma de todas las
probabilidades tiene que ser igual a 1.
3.2.1. Modelo de probabilidad emprico o frecuencialista
El modelo de frecuencia relativa llamado tambin modelo a posteriori utiliza
datos que se han observado empricamente, registra la frecuencia con que
ha ocurrido algn evento en el pasado y estima la probabilidad de que el
evento ocurra nuevamente con base en estos datos histricos.
La probabilidad de un evento con base en el modelo de frecuencia relativa se
determina mediante:
Ejemplo
Un resultado de Gregor J. Mendel (1822-1884)) en uno de sus experimentos
con cruzamiento de plantas fue de 355 guisantes amarillos (A) y 123 verdes
(V) o sea que la frecuencia relativa para los guisantes amarillos fue de
Estadstica
169
. En otro experimento obtuvo 315 guisantes amarillos y
108 verdes o sea que la frecuencia relativa para los guisantes amarillos fue
de . La estabilidad de las frecuencias relativas
alrededor de 0.74 para la ocurrencia de guisantes amarillos y 0.26 para los
guisantes verdes lo condujeron a formular la ley. Por lo tanto, se le llam a
la frecuencia constante la probabilidad del evento A.
3.2.2. Modelo subjetivo
Es el grado de creencia personal de la posibilidad de que ocurra un suceso.
Ejemplo: Posibilidad de que gane mi equipo favorito es de un 70%.
3.2.3. Modelo clsico
En este enfoque se asume que todos los resultados de un experimento
tienen la misma posibilidad de ocurrir. La probabilidad clsica de un evento
A se determina
Ejemplo
Se tiene una muestra de 20 artculos y 5 de ellos son defectuosos; al
seleccionar uno en forma aleatoria, la probabilidad de que sea defectuoso es
de 5/20 =0.25 y la probabilidad de que sea un artculo bueno es de
15/20=0.75.
Estadstica
170
3.2 REGLAS PRINCIPALES DE LA PROBABILIDAD
Para asignar probabilidades a los puntos muestrales se ha convenido:
Antes de entrar a ver los axiomas de probabilidad es importante que se
experimenten varios puntos:
1. Es necesario el conocimiento de la teora de conjuntos para poder
interpretar muchos problemas de probabilidades.
2. En muchos casos, no se necesitan las reglas de probabilidades para
poder obtener la respuesta de probabilidad; es suficiente tener buena
interpretacin de lo que se pregunta y tener clara la frmula bsica de
probabilidad.
Estadstica
171
REGLAS DE PROBABILIDAD
La probabilidad de cada punto
muestral debe estar entre 0 y 1, o
sea
La suma de las probabilidades de todos
los puntos muestrales debe ser igual a
uno
u
1 2
Los casos favorables son aquellos que cumplen con la condicin, y los casos
posibles son todos los resultados posibles en un experimento estadstico
(espacio muestral).
Para comprobar lo anterior, se har un ejemplo donde la respuesta es
obtenida solamente utilizando la lgica y la frmula anterior, y despus se
comprobar la respuesta utilizando las reglas de probabilidad.
Ejemplo 1 de probabilidad
En un curso, 10 alumnos aprobaron Historia, 15 aprobaron Matemticas y 14
aprobaron Espaol; 3 alumnos aprobaron Espaol e Historia, 5 Matemticas
y Espaol, 3 aprobaron Matemticas e Historia y 1 solo aprob las 3
materias. Si seleccionamos un estudiante en forma aleatoria, hallar:
a. Probabilidad de que haya aprobado Matemticas
b. Probabilidad de que haya aprobado solamente Matemticas
c. Probabilidad de que no haya aprobado Matemticas
d. Probabilidad de que haya aprobado Matemticas o Historia
e. Probabilidad de que haya aprobado Historia y Espaol
f. Si aprob Espaol, cul es la probabilidad de que haya aprobado
Historia?
Solucin
Para mayor comprensin es necesario realizar un Diagrama de Venn con
toda la informacin que se tiene de los 10 estudiantes:
Estadstica
172
29
a. Para hallar la probabilidad de que haya aprobado Matemtica, se tienen
como casos favorables los que aprobaron Matemticas, que en este caso
son 15, y como casos posibles, los estudiantes que se estn analizando,
que en este caso son 29. O sea la frmula queda:
La probabilidad de que haya aprobado
Matemtica es de 51.72% o sea que el 51.72% de los estudiantes
aprobaron Matemticas.
b. Para hallar la probabilidad de que haya aprobado solamente Matemtica,
se tienen como casos favorables, los estudiantes que aprobaron
Matemticas, y no Espaol ni Historia. En este caso, son 8 los
estudiantes que solo aprobaron Matemticas; los casos posibles son
todos los estudiantes que se estn analizando, que en este caso son 29.
O sea la frmula queda:
Estadstica
173
M E
H
4
8
2
7
1 2

5
. La probabilidad de que haya
aprobado Matemtica solamente es 27.59%, o sea, que el 27.59% de
los estudiantes aprob solamente Matemtica.
c. Para hallar la probabilidad de que no haya aprobado Matemtica, se
tienen como casos favorables 14 estudiantes que no aprobaron
Matemtica; como casos posibles, los estudiantes que se estn
analizando, que en este caso son 29.
. La probabilidad de que no haya aprobado
Matemtica es 48.28%, o sea, que el 48.28% de los estudiantes no
aprob Matemtica.
d. Para hallar probabilidad de que haya aprobado Matemtica o Historia, se
utiliza la definicin de unin en teora de conjuntos, o sea, los que
aprobaron Matemtica o Historia o ambos, como casos favorables; en
este caso son 22 los estudiantes y todos los casos posibles son todos los
estudiantes que se estn analizando que, en este caso, son 29.
. La probabilidad de que haya aprobado
Matemtica o Historia es 75.86%, o sea, que el 75.86% de los
estudiantes aprobaron Matemtica o Historia.
e. Para hallar la probabilidad de que haya aprobado Historia y Espaol se
utiliza la definicin de interseccin en teora de conjuntos, o sea, los que
aprobaron tanto Espaol como Historia, como casos favorables; en este
Estadstica
174
caso son 3 los estudiantes y todos los casos posibles son todos los
estudiantes que se estn analizando, que en este caso son 29.
La probabilidad de que haya aprobado
Historia y Espaol es 10.34%, o sea, que el 10.34% de los estudiantes
aprobaron Historia y Espaol.
f. Para hallar la probabilidad de que haya aprobado Historia dado que
aprob Espaol, quiere decir que se conoce que aprob Espaol y de
ellos, cuntos aprobaron Historia. Por lo tanto, el total de casos posibles
cambia; no son 29, sino que son el total que aprob Espaol (14) y de
ellos los casos favorables (los que aprobaron Historia) son 3.
. La probabilidad de que haya aprobado
Historia dado que aprob Espaol es 21.43%, o sea, que el 21.43% de
los estudiantes que aprobaron Espaol, tambin aprobaron Historia.
Estadstica
175
observa que hasta ahora no se han necesitado los axiomas de probabilidad, para
responder las preguntas. Solo se ha necesitado de tu buena interpretacin y anlisis!
Para comprobar las preguntas anteriores, se utilizan los axiomas.
3.3 AXIOMAS DE PROBABILIDAD
3.4.1 Teorema 1: Regla de la unin o suma
Si A y B son dos eventos cualquiera, entonces la probabilidad de A o B
Ejemplo:
Probabilidad de que haya aprobado Matemticas o Historia (numeral d. del
ejercicio anterior).
3.4.2 Teorema 2: Regla del complemento
Estadstica
176
EVENTOS MUTUAMENTE
NO EXCLUYENTES
EXCLUYENTES
EE
Si A es el complemento de A, entonces:
Ejemplo:
Probabilidad de que no haya aprobado Matemtica. (Numeral c. del ejercicio
anterior).
3.4.3 Teorema 3: Probabilidad condicional
A la probabilidad de que un evento A ocurra dado que un evento B ya
ocurri, se llama probabilidad condicional y se escribe .
Donde A es la pregunta, y B es lo conocido, y su frmula es:
Ejemplo:
Si aprob Espaol, cul es la probabilidad de que haya aprobado Historia?
Estadstica
177
1

(Numeral f. del ejercicio anterior). Otra forma de plantear la pregunta es:
cul es la probabilidad de que haya aprobado Historia dado que aprob
Espaol?
3.4.4 Teorema 4: Regla de la multiplicacin o interseccin
A la probabilidad de que ocurra un Evento A y B

Ejemplo:
Probabilidad de que haya aprobado Historia y Espaol. (Numeral e. del
ejercicio anterior).
Como son eventos dependientes,
Estadstica
178
1
EVENTOS
DEPENDIENTES INDEPENDIENTES
I
EJEMPLO 2 DE PROBABILIDAD
La asociacin de estudiantes de Estadstica en una universidad muy grande
quera determinar si hay una relacin entre el inters de un estudiante por la
Estadstica y su capacidad para las Matemticas. Se selecciona una
muestra aleatoria de 200 estudiantes y se obtienen los siguientes resultados:
80 tienen capacidad baja para las Matemticas, de los cuales 15 tienen
inters medio en la Estadstica.
90 tienen inters bajo por la Estadstica, de los cuales 15 tienen capacidad
media para las Matemticas.
40 tienen inters alto por la Estadstica de los cuales 10 tienen capacidad
media para las Matemticas.
50 tienen capacidad alta para las Matemticas, de los cuales 25 tienen
inters alto por la Estadstica.
Si se selecciona un estudiante en forma aleatoria,
a. Cul es la probabilidad de que tenga capacidad alta para las
Matemtica?
b. Cul es la probabilidad de que tenga inters bajo o medio por la
estadstica?
c. Cul es la probabilidad de que tenga capacidad media para las
Matemticas o un inters alto por la Estadstica?
d. Cul es la probabilidad de que no tenga capacidad alta para las
Estadstica
179
Matemticas?
e. Cul es la probabilidad de que tenga capacidad alta para las
Matemticas, dado que su inters por la Estadstica es bajo?
f. Cul es la probabilidad de que tanto la capacidad para las Matemticas
como el inters por la Estadstica sean medios?
Solucin
Para mayor comprensin del ejercicio, es adecuado llevar los datos a un
Cuadro de contingencia o doble entrada.
1. El 25% de los estudiantes tienen capacidad alta
para las Matemticas.
2. Como los eventos son mutuamente excluyentes,
El80%delosestudiantestienen
inters bajo o medio por la Estadstica.
Estadstica
180
OPCIN ALTO MEDIO BAJO TOTAL
ALTO 25 10 15 50
MEDIO 10 45 15 70
BAJO 5 15 60 80
TOTAL 40 70 90 200
C
A
P
A
C
I
D
A
D

M
A
T
E
M
T
I
C
A
S
INTERS -ESTADSTICA
3. Comoloseventossonmutuamentenoexcluyentes,
EL 50% de los
estudiantes tienen capacidad media para las Matemticas o un inters
alto por la Estadstica.
ALTO 25 10 15 50
MEDIO 10 45 15 70
BAJO 5 15 60 80
TOTAL 40 70 90 200
C
A
P
A
C
I
D
A
D

M
A
T
E
M
T
I
C
A
S
INTERS -ESTADSTICA
4. El 75% de los estudiantes
no tienen capacidad alta para las Matemticas
5. Se sabe que el inters por Estadstica es bajo; o sea que es una
probabilidad condicional y su frmula es:

Estadstica
181
El 16.67% de los estudiantes que tienen inters bajo por la Estadstica tienen
una capacidad media para la Matemtica.
ALTO 25 10 15 50
MEDIO 10 45 15 70
BAJO 5 15 60 80
TOTAL 40 70 90 200
C
A
P
A
C
I
D
A
D

M
A
T
E
M
T
I
C
A
S
INTERS-ESTADSTICA
6. Como los eventos son dependientes, la frmula es:
El 7.5% de los estudiantes, tienen una capacidad media para las
Matemticas y un inters medio por la Estadstica.
La probabilidad de que un hombre casado vea un cierto programa de
Estadstica
182
televisin es de 0.4, y la de que una mujer del mismo estado civil lo haga,
0.5; la probabilidad de que un hombre vea el programa, dado de que su
esposa lo hace, es de 0.7. Encuentre la probabilidad de que:
1. Una pareja de casados vea el programa.
2. Una esposa no vea el programa, dado que su esposo lo hace.
3. Al menos una persona de un matrimonio vea el programa
4. Ninguno de los dos vea el programa
Solucin
Parmetros: sea H: hombre casado M: mujer casada.

1.
La probabilidad de que una pareja de casados vea el programa es de un
35%.
2. Es ms fcil si se obtiene el denominador de un
Diagrama de Venn.
Estadstica
183
PROBABILIDAD TOTAL 1
1

La probabilidad de que una esposa no vea el programa, dado que su esposo
lo hace, es de 12.5%.
3.
La probabilidad de que al menos una persona de un matrimonio vea el
programa es de 55%
4.
La probabilidad de que ninguno de los dos vea el programa es de 45%.
Estadstica
184

M H
0.45

0.15
0.35

0.05
Suponga que en un estante de una biblioteca hay ocho libros de Fsica
iguales (mismo autor, edicin y ttulo), excepto que cuatro son ediciones
rsticas y los otros cuatro estn empastados (o encuadernados). Suponga,
adems, que en forma sucesiva vienen tres lectores y cada uno de ellos pide
a la bibliotecaria un ejemplar de ese libro para llevar a casa. Si la
bibliotecaria los elige al azar, cul es la probabilidad de que al primero le
toque empastado, al segundo rstico y al tercero tambin rstico?
Solucin
El espacio muestral sera: (r, r, r, r, e, e, e, e).
Sea A, el evento de sacar un libro empastado
Sea B, el evento de sacar un libro rstico
Sea C, el evento de sacar un libro rstico
La probabilidad de que al primero le toque empastado, al segundo rstico y
al tercero tambin rstico es 14.29%.
Estadstica
185
Estadstica
186
4.1 INTRODUCCIN
De lo visto anteriormente en probabilidades y espacio muestral, se concluye
que muchos experimentos son muy complejos dados los mltiples
resultados.
Una forma de suavizar o canalizar el tema de las probabilidades es por
medio de frmulas que asocien el experimento con una funcin o distribucin
de probabilidad de acuerdo con sus caractersticas. Por ejemplo, son
muchos los experimentos que tienen que ver con solo dos posibles
resultados (defectuoso-no defectuoso, ganar-perder, vivir-morir, vender-no
vender, etc.); otros experimentos, tienen que ver con el nmero de resultados
en un intervalo de tiempo o regin especfica (nmero de llamadas por
minuto a un conmutador, nmero de artculos defectuoso por lote, nmero de
clientes en un banco por mes, etc.); otros experimentes tienen que ver con la
toma de una medida y bajo una situacin normal (peso, tiempo, estatura,
dimensiones, temperatura, rea, etc.).
Las frmulas o distribuciones de probabilidad son una herramienta muy
importante para solucionar problemas bajo incertidumbre sin necesidad de
desarrollar todos los posibles resultados del experimento y de acuerdo con
las caractersticas de la situacin.
4.2 DISTRIBUCIN O FUNCIN DE PROBABILIDAD
Como ya se vio al principio del mdulo, las variables aleatorias son aquellas
que se asocian a la ocurrencia de un fenmeno aleatorio. Cuando una de
Estadstica
187
estas variables aleatorias toma diversos valores, la probabilidad asociada a
cada uno de tales valores puede ser organizada como una distribucin de
probabilidad, la cual es la distribucin de las probabilidades asociadas a cada
uno de los valores de la variable aleatoria.
Las distribuciones de probabilidad pueden representarse a travs de una
tabla, una grfica o una frmula, en cuyo caso a tal regla de
correspondencia se le denomina funcin de probabilidad.
Existen dos tipos de distribuciones; distribuciones de probabilidad para
variables discretas y para variables continuas.
Para una variable discreta, la distribucin de probabilidades es, por lo
general, una tabla que asocia una probabilidad a cada valor que puede tomar
la variable aleatoria. La probabilidad de que la variable est dentro de un
rango de valores se halla por medio de la suma de todos los enteros que
estn dentro del rango, incluyendo los extremos. Por ejemplo:
Al considerar las variables continuas se encuentra uno el problema de que,
lo ms probable, los datos que se puedan recabar no sean completamente
exactos, o dos o ms de ellos no coincidan, por lo que se tienen que trabajar
en intervalos y, en ese momento, modelar una funcin se convierte en un
problema serio.
Sin embargo, se pueden realizar aproximaciones y describir la probabilidad a
travs de modelos tericos de probabilidad cuya grfica es una lnea
continua, a diferencia de las variables discretas que les corresponde un
Estadstica
188
histograma. La probabilidad de que la variable est dentro de un rango de
valores no se puede hallar por medio de la suma, dado que sera una suma
infinita; en estos casos la probabilidad se halla por medio de la integral
definida o sea:
En distribuciones continuas de probabilidad, la probabilidad de que X tome
un valor exacto es igual a cero; esto quiere decir que no existe la igualdad.
Estadstica
189
NO OLVIDAR!
4.2.1 Paralelo entre la distribucin discreta y la continua de

probabilidad
DISCRETA CONTINUA
Condiciones para que
sea distribucin de
probabilidad
1.
2.
Esperanza
matemtica
Varianza matemtica
4.3 ALGUNAS DISTRIBUCIONES DISCRETAS DE
PROBABILIDAD
4.3.1 Distribucin binomial
4.3.1.1 Caractersticas
Estadstica
190
En cada prueba del experimento slo son posibles dos resultados: el
suceso A y su contrario A, como por ejemplo, defectuoso-no
defectuoso, gan-perdi, sobrevivi-no sobrevivi, cara-sello, etc.
El suceso A se conoce como xito (se representa por p) y el suceso
contrario A se conoce como fracaso (se representa por q y es igual a
1-p.
El resultado obtenido en cada prueba es independiente de los
resultados obtenidos anteriormente.
El xito y, por ende, el fracaso se dan en trminos de probabilidad y
son parmetros poblacionales obtenidos de conocimientos y/o
experiencias de estudios anteriores.
El experimento consta de un nmero n de pruebas o muestras.
El objetivo de la distribucin binomial es buscar la probabilidad de
xito en la muestra
Todo experimento que tenga estas caractersticas se dice que sigue el
modelo de la distribucin binomial.
A la variable x, que expresa el nmero de xitos obtenidos en cada prueba
del experimento, se le llama variable aleatoria binomial.
La variable binomial es una variable aleatoria discreta y slo puede tomar
los valores 0, 1, 2, 3, 4, ..., n suponiendo que se han realizado n pruebas.
4.3.1.2 Funcin de probabilidad de la v.a. binomial
Estadstica
191
Funcin de probabilidad de la distribucin binomial, para hallar la
probabilidad de obtener x-xitos en la muestra.
Ejemplo 1
La probabilidad de que una determinada vacuna surta efecto es de 0.8.
Calcule la probabilidad de que una vez administrada a 15 pacientes:
a) A ninguno le surta efecto
b) A 12 les surta efecto.
c) A mximo 3 no les surta efecto.
d) A mnimo 13 les surta efecto
e). De 10 a 12 no les surta efecto
Solucin:
Se trata de una distribucin binomial con los siguientes parmetros:
Probabilidad de que la vacuna surta efecto: 0.8
Probabilidad de que la vacuna no surta efecto 0.2
Tamao de muestra: 15
a). Para la primera pregunta: la probabilidad de que a ninguno le surta
efecto, el :
Estadstica
192
xito poblacional p=0.8
Fracaso poblacional q=0.2
xito de la muestra= a ninguno de la muestra, les surta efecto o sea
P(x=0)
No hay posibilidad de que de los 15, a ninguno le surta efecto
b). Para la probabilidad de que a 12 les surta efecto, el
xito de la muestra= a 12 de la muestra, les surta efecto o sea
P(x=12)
La posibilidad de que de los 15 a 12 les surta efecto es de un 25.01%

c) Para la probabilidad de que a mximo 3 no les surta efecto, el:
xito de la muestra= a 0, 1 ,2 o 3 de los de la muestra, no les surta
efecto o sea
Estadstica
193
La posibilidad de que de los 15, a mximo 3 no les surta efecto, es de 64.89%.
d) Para la probabilidad de que mnimo a 13 les surta efecto, el:
xito de la muestra= a 13,14 o 15 de los de la muestra, les surta
efecto, o sea,
La posibilidad de que de los 15, a mnimo 13 les surta efecto es de 39.8%.
e). Para la probabilidad de que, de 10 a 12 no les surta efecto, el:
Estadstica
194
xito de la muestra= a 10,11 o 12 de los de la muestra, no les surta
efecto, o sea,
No hay posibilidad de que de los 15, a 10,11 12 no les surta efecto la
vacuna.
Ejemplo 2
Una empresa productora sabe por experiencia que el 10% de sus artculos
salen defectuosos. Un cliente interesado en los artculos decide hacer un
pedido significativo, siempre y cuando al seleccionar una muestra aleatoria
de tamao 5, no ms de un artculo salga defectuoso. Cul es la
probabilidad de que haga el pedido?
Solucin:
Estadstica
195
Se trata de una distribucin binomial con los siguientes parmetros:
Probabilidad de xito: p= 0.1
Probabilidad de fracaso: q=0.9
Tamao de muestra: n=5
Criterio de aceptacin o compra: encontrar en la muestra mximo 10
artculos defectuosos o sea,
La posibilidad de que el cliente compre es de un 91.86%
4.3.1.3 Tablas de probabilidad acumulada de la distribucin binomial
En muchos casos, hallar la probabilidad resulta largo y se tiene mayor riesgo
de una equivocacin en su clculo. Para solucionar esto, se crearon unas
tablas de probabilidad acumulada que facilitan la solucin de problemas
binomiales.
La tabla acumulada de probabilidad binomial tiene los siguientes parmetros:
(ver anexo A)
Estadstica
196
n x 0,10 0,20 0,25 0,30 0,40 0,50 0,60 0,70 0,80 0,90
9 0 0,3874 0,1342 0,0751 0,0404 0,0101 0,0020 0,0003 0,0000 0,0000 0,0000
1 0,7748 0,4362 0,3003 0,1960 0,0705 0,0195 0,0038 0,0004 0,0000 0,0000
2 0,9470 0,7382 0,6007 0,4628 0,2318 0,0898 0,0250 0,0043 0,0003 0,0000
3 0,9917 0,9144 0,8343 0,7297 0,4826 0,2539 0,0994 0,0253 0,0031 0,0001
4 0,9991 0,9804 0,9511 0,9012 0,7334 0,5000 0,2666 0,0988 0,0196 0,0009
5 0,9999 0,9969 0,9900 0,9747 0,9006 0,7461 0,5174 0,2703 0,0856 0,0083
6 1,0000 0,9997 0,9987 0,9957 0,9750 0,9102 0,7682 0,5372 0,2618 0,0530
7 1,0000 1,0000 0,9999 0,9996 0,9962 0,9805 0,9295 0,8040 0,5638 0,2252
8 1,0000 1,0000 1,0000 1,0000 0,9997 0,9980 0,9899 0,9596 0,8658 0,6126
9 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
(CONTINUACIN) TABLA ACUMULADA DE LA DISTRIBUCIN BINOMIAL
Para trabajar con la tabla binomial se deben seguir los siguientes pasos: (ver
tabla anterior)
1. Matematizar la pregunta.
2. Como la tabla es acumulada, se debe llevar la pregunta a menor e igual
, con la siguientes reglas:
a.
b.
c.
d.
e.
f.
g.
Estadstica
197
Tamao de muestra n
Probabilidad de xito p Nmero de xitos en la muestra
3. Se busca en la primera columna el tamao de la muestra n
4. Se busca en la primera fila la probabilidad de xito p
5. Se busca en la segunda columna el valor de X.
6. La interseccin entre la segunda columna (x) y el valor de p, es la
probabilidad acumulada. O sea la .
Ejemplo 3
Volviendo al ejemplo 6.1, y resolvindolo por medio de la tabla acumulada
binomial, se tiene:
a) A ninguno le surta efecto
xito de la muestra= a ninguno de la muestra, les surta efecto o sea
P(x=0)
n x 0,10 0,20 0,25 0,30 0,40 0,50 0,60 0,70 0,80 0,90
15 0 0,2059 0,0352 0,0134 0,0047 0,0005 0,0000 0,0000 0,0000 0,0000 0,0000
1 0,5490 0,1671 0,0802 0,0353 0,0052 0,0005 0,0000 0,0000 0,0000 0,0000
2 0,8159 0,3980 0,2361 0,1268 0,0271 0,0037 0,0003 0,0000 0,0000 0,0000
3 0,9444 0,6482 0,4613 0,2969 0,0905 0,0176 0,0019 0,0001 0,0000 0,0000
4 0,9873 0,8358 0,6865 0,5155 0,2173 0,0592 0,0093 0,0007 0,0000 0,0000
5 0,9978 0,9389 0,8516 0,7216 0,4032 0,1509 0,0338 0,0037 0,0001 0,0000
6 0,9997 0,9819 0,9434 0,8689 0,6098 0,3036 0,0950 0,0152 0,0008 0,0000
7 1,0000 0,9958 0,9827 0,9500 0,7869 0,5000 0,2131 0,0500 0,0042 0,0000
8 1,0000 0,9992 0,9958 0,9848 0,9050 0,6964 0,3902 0,1311 0,0181 0,0003
9 1,0000 0,9999 0,9992 0,9963 0,9662 0,8491 0,5968 0,2784 0,0611 0,0022
10 1,0000 1,0000 0,9999 0,9993 0,9907 0,9408 0,7827 0,4845 0,1642 0,0127
11 1,0000 1,0000 1,0000 0,9999 0,9981 0,9824 0,9095 0,7031 0,3518 0,0556
12 1,0000 1,0000 1,0000 1,0000 0,9997 0,9963 0,9729 0,8732 0,6020 0,1841
13 1,0000 1,0000 1,0000 1,0000 1,0000 0,9995 0,9948 0,9647 0,8329 0,4510
14 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9995 0,9953 0,9648 0,7941
15 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
b). Para la probabilidad de que a 12 les surta efecto,
Estadstica
198
Tamao de muestra n=15
n x 0,10 0,20 0,25 0,30 0,40 0,50 0,60 0,70 0,80 0,90
15 0 0,2059 0,0352 0,0134 0,0047 0,0005 0,0000 0,0000 0,0000 0,0000 0,0000
1 0,5490 0,1671 0,0802 0,0353 0,0052 0,0005 0,0000 0,0000 0,0000 0,0000
2 0,8159 0,3980 0,2361 0,1268 0,0271 0,0037 0,0003 0,0000 0,0000 0,0000
3 0,9444 0,6482 0,4613 0,2969 0,0905 0,0176 0,0019 0,0001 0,0000 0,0000
4 0,9873 0,8358 0,6865 0,5155 0,2173 0,0592 0,0093 0,0007 0,0000 0,0000
5 0,9978 0,9389 0,8516 0,7216 0,4032 0,1509 0,0338 0,0037 0,0001 0,0000
6 0,9997 0,9819 0,9434 0,8689 0,6098 0,3036 0,0950 0,0152 0,0008 0,0000
7 1,0000 0,9958 0,9827 0,9500 0,7869 0,5000 0,2131 0,0500 0,0042 0,0000
8 1,0000 0,9992 0,9958 0,9848 0,9050 0,6964 0,3902 0,1311 0,0181 0,0003
9 1,0000 0,9999 0,9992 0,9963 0,9662 0,8491 0,5968 0,2784 0,0611 0,0022
10 1,0000 1,0000 0,9999 0,9993 0,9907 0,9408 0,7827 0,4845 0,1642 0,0127
11 1,0000 1,0000 1,0000 0,9999 0,9981 0,9824 0,9095 0,7031 0,3518 0,0556
12 1,0000 1,0000 1,0000 1,0000 0,9997 0,9963 0,9729 0,8732 0,6020 0,1841
13 1,0000 1,0000 1,0000 1,0000 1,0000 0,9995 0,9948 0,9647 0,8329 0,4510
14 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9995 0,9953 0,9648 0,7941
15 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
c) Para la probabilidad de que a mximo 3 no les surta efecto, el:
Estadstica
199
n x 0,10 0,20 0,25 0,30 0,40 0,50 0,60 0,70 0,80 0,90
15 0 0,2059 0,0352 0,0134 0,0047 0,0005 0,0000 0,0000 0,0000 0,0000 0,0000
1 0,5490 0,1671 0,0802 0,0353 0,0052 0,0005 0,0000 0,0000 0,0000 0,0000
2 0,8159 0,3980 0,2361 0,1268 0,0271 0,0037 0,0003 0,0000 0,0000 0,0000
3 0,9444 0,6482 0,4613 0,2969 0,0905 0,0176 0,0019 0,0001 0,0000 0,0000
4 0,9873 0,8358 0,6865 0,5155 0,2173 0,0592 0,0093 0,0007 0,0000 0,0000
5 0,9978 0,9389 0,8516 0,7216 0,4032 0,1509 0,0338 0,0037 0,0001 0,0000
6 0,9997 0,9819 0,9434 0,8689 0,6098 0,3036 0,0950 0,0152 0,0008 0,0000
7 1,0000 0,9958 0,9827 0,9500 0,7869 0,5000 0,2131 0,0500 0,0042 0,0000
8 1,0000 0,9992 0,9958 0,9848 0,9050 0,6964 0,3902 0,1311 0,0181 0,0003
9 1,0000 0,9999 0,9992 0,9963 0,9662 0,8491 0,5968 0,2784 0,0611 0,0022
10 1,0000 1,0000 0,9999 0,9993 0,9907 0,9408 0,7827 0,4845 0,1642 0,0127
11 1,0000 1,0000 1,0000 0,9999 0,9981 0,9824 0,9095 0,7031 0,3518 0,0556
12 1,0000 1,0000 1,0000 1,0000 0,9997 0,9963 0,9729 0,8732 0,6020 0,1841
13 1,0000 1,0000 1,0000 1,0000 1,0000 0,9995 0,9948 0,9647 0,8329 0,4510
14 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9995 0,9953 0,9648 0,7941
15 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
d) Para la probabilidad de que mnimo a 13 les surta efecto, el:
n x 0,10 0,20 0,25 0,30 0,40 0,50 0,60 0,70 0,80 0,90
15 0 0,2059 0,0352 0,0134 0,0047 0,0005 0,0000 0,0000 0,0000 0,0000 0,0000
1 0,5490 0,1671 0,0802 0,0353 0,0052 0,0005 0,0000 0,0000 0,0000 0,0000
2 0,8159 0,3980 0,2361 0,1268 0,0271 0,0037 0,0003 0,0000 0,0000 0,0000
3 0,9444 0,6482 0,4613 0,2969 0,0905 0,0176 0,0019 0,0001 0,0000 0,0000
4 0,9873 0,8358 0,6865 0,5155 0,2173 0,0592 0,0093 0,0007 0,0000 0,0000
5 0,9978 0,9389 0,8516 0,7216 0,4032 0,1509 0,0338 0,0037 0,0001 0,0000
6 0,9997 0,9819 0,9434 0,8689 0,6098 0,3036 0,0950 0,0152 0,0008 0,0000
7 1,0000 0,9958 0,9827 0,9500 0,7869 0,5000 0,2131 0,0500 0,0042 0,0000
8 1,0000 0,9992 0,9958 0,9848 0,9050 0,6964 0,3902 0,1311 0,0181 0,0003
9 1,0000 0,9999 0,9992 0,9963 0,9662 0,8491 0,5968 0,2784 0,0611 0,0022
10 1,0000 1,0000 0,9999 0,9993 0,9907 0,9408 0,7827 0,4845 0,1642 0,0127
11 1,0000 1,0000 1,0000 0,9999 0,9981 0,9824 0,9095 0,7031 0,3518 0,0556
12 1,0000 1,0000 1,0000 1,0000 0,9997 0,9963 0,9729 0,8732 0,6020 0,1841
13 1,0000 1,0000 1,0000 1,0000 1,0000 0,9995 0,9948 0,9647 0,8329 0,4510
14 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9995 0,9953 0,9648 0,7941
15 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
Estadstica
200
e) Para la probabilidad de que, de 10 a 12 no les surta efecto, el:
(Ver anexo tablas de probabilidad)
4.3.1.4 Parmetros de la distribucin binomial
Ejemplo 4
La probabilidad de que el carburador de un coche salga de fbrica
defectuoso es del 8 por 100. Hallar:
a) El nmero de carburadores defectuosos Esperados en un lote de 548
b) La varianza y la desviacin tpica.
Solucin:
Estadstica
201
Media
np
Varianza
npq
2
Desviacin tpica
npq
Parmetros:
Probabilidad de xito:
Probabilidad de fracasos:
Tamao de muestra= 548
a)
b)
Interpretacin
En promedio se espera que salgan aproximadamente 44 carburadores
defectuosos, con una variacin de aproximadamente 6 carburadores.
4.3.2 DISTRIBUCIN HIPERGEOMTRICA
Los experimentos que tienen este tipo de distribucin tienen las siguientes
caractersticas:
a) Igual que en la distribucin binomial, trabaja con los experimentos que
tienen solo dos resultados posibles.
b) Se conoce el tamao de la poblacin. La poblacin se obtiene por lo
general por medio de un lote, produccin, caja, o sea, un total, del cual se
extrae una muestra aleatoria para ser analizada.
c) De la poblacin se tienen dos caractersticas:
- Una llamada xito (se denota por K)
Estadstica
202
- Otra llamada fracaso (se denota por N-K)
d) El xito y el fracaso poblacional de la distribucin se dan en trminos de
cantidad y son obtenidos por experiencia y/o estudios anteriores.
e) Cada ensayo o repeticin del experimento no es independiente de los
dems.
d) Se selecciona una muestra aleatoria de tamao n y se busca la
probabilidad de exitos (x) en la muestra.
4.3.2.1 Funcin de probabilidad de la v.a. hipergeomtrica
En estadstica, la distribucin hipergeomtrica es una distribucin de
probabilidad discreta con tres parmetros discretos N, k y n cuya funcin de
probabilidad es:
Ejemplos 5:
Si de un lote de 25 artculos se sabe que 5 estn defectuosos, hallar las
siguientes probabilidades en una muestra de 8 artculos seleccionados del
lote aleatoriamente.
a) Probabilidad de que de los 8, salgan 3 defectuosos.
b) Probabilidad de que de los 8, salgan 6 buenos.
c) Probabilidad de que de los 8, salgan mnimo 4 defectuosos.
d) Probabilidad de que de los 8, salgan entre 3 y 4 buenos.
Estadstica
203
e) Se considera aceptable el lote, si en la muestra todos estn buenos.
Cul es la probabilidad de que se acepte el lote?
Solucin:
Parmetros
Tamao de poblacin N=25
Caractersticas de la poblacin:
- Cantidad de artculos defectuosos= 5
- Cantidad de artculos buenos= 20
Tamao de la muestra n=8
a) Para la probabilidad de que de los 8, salgan 3 defectuosos, se tiene:
N= 25
K= 5 (recordar que la muestra y la poblacin deben contener el mismo
sentido de xito)
N-K=20
n=8
La probabilidad de que salgan 3 defectuosos es de un 14.33%
b) Para la probabilidad de que de los 8, salgan 6 buenos.
Estadstica
204
N= 25
sentido de xito)
N-K=5
n=8
La probabilidad de que de los 8, salgan 6 buenos es de 35.84%
c) Para la probabilidad de que de los 8, salgan mnimo 4 defectuosos.
N= 25
sentido de xito)
N-K=20
n=8
Esto quiere decir que la
Estadstica
205
Tener en cuenta que aunque el tamao de la
muestra es 8 no se pueden encontrar ni 6, 7 u 8
defectuosos, ya que en la poblacin hay mximo
5 defectuosos
La probabilidad de que de los 8 salgan mnimo 4 defectuosos es 2.35%
d) Para la probabilidad de que de los 8, salgan entre 3 y 4 buenos.
N= 25
K= 20
N-K=5
n=8
La probabilidad de que de los 8 salgan entre 3 y 4 buenos es de 2.35%.
e) Para aceptar el lote, deben existir todos buenos o cero malos. O sea, que
se soluciona de cualquiera de las dos maneras, sin cambiar el resultado:
Todos buenos Cero defectuosos
N= 25 N=25
K= 20 K=5
N-K=5 N-K=20
n=8 n=8

Estadstica
206
La probabilidad de que se acepte el lote es de 11.65%
Ejemplos 6:
Para evitar que lo descubran en la aduana, un viajero ha colocado 6 tabletas
de narctico en una botella que contiene 9 pldoras de vitamina que son
similares en apariencia. Si el oficial de la aduana selecciona 3 tabletas
aleatoriamente para analizarlas, cul es la probabilidad de que el viajero
sea arrestado por posesin de narcticos?

Solucin:
N = 9+6 =15 total de tabletas
K= 6 tabletas de narctico
N-K= 9
n = 3 tabletas seleccionadas
x = 0, 1, 2, o 3 tabletas de narctico = variable que indica el nmero de
tabletas de narctico que se pueden encontrar al seleccionar las 3 tabletas

P(viajero sea arrestado por posesin de narcticos) = p(de que entre las 3
tabletas seleccionadas haya 1 o ms tabletas de narctico)

Estadstica
207
Existe un 81.54% de posibilidad de que el viajero sea arrestado por
posesin ilegal de narcticos.

4.3.2.2 Parmetros de la distribucin hipergeomtrica
4.3.3 DISTRIBUCIN DE POISSON
La distribucin de Poisson es una distribucin de probabilidad discreta.
Trabaja con la probabilidad de ocurrencia en un tiempo determinado o regin
especfica, teniendo como parmetro de la distribucin el promedio de
ocurrencias en el mismo intervalo de tiempo o regin especfica. Por
ejemplo, el nmero de llamadas telefnicas que entran a un conmutador por
hora; nmero de personas que se inscriben a la universidad por semestre,
nmero de artculos defectuosos que salen por hora, etc.
Condicin: Los eventos deben ser independientes.
4.3.3.1 Funcin de probabilidad de la v.a. Poisson
Estadstica
208
Media
Varianza )
Su distribucin de probabilidad est dada por
Donde:
es la base del logaritmo natural= (e = 2.71828...),
x! es el factorial de x,

es un nmero real positivo, equivalente al nmero esperado de
ocurrencias durante un intervalo dado.
4.3.3.2 Tablas de probabilidad acumulada de la distribucin Poisson
Como en la distribucin binomial, existen tablas que facilitan el clculo de las
probabilidades. La tabla de distribucin Poisson tambin es acumulada y
necesita llevar las preguntas a menor e igual ( ).
La tabla acumulada de probabilidad Poisson tiene los siguientes parmetros:
(Ver anexo B)
Estadstica
209
x 0,1 0,2 0,30 0,4 0,5 0,6 0,7 0,8 0,9
0 0,9048 0,8187 0,7408 0,6703 0,6065 0,5488 0,4966 0,4493 0,4066
1 0,9953 0,9825 0,9631 0,9384 0,9098 0,8781 0,8442 0,8088 0,7725
2 0,9998 0,9989 0,9964 0,9921 0,9856 0,9769 0,9659 0,9526 0,9371
3 1,0000 0,9999 0,9997 0,9992 0,9982 0,9966 0,9942 0,9909 0,9865
4 1,0000 1,0000 1,0000 0,9999 0,9998 0,9996 0,9992 0,9986 0,9977
5 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9998 0,9997
6 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000

Para trabajar con la tabla Poisson se siguen los siguientes pasos: (ver tabla
anterior)
1. Matematizar la pregunta.
2. Como la tabla es acumulada, se lleva la pregunta a menor e igual ,
con la siguientes reglas:
a.
b.
c.
d.
e.
f.
g.
3. Se busca en la primera fila el valor del promedio
4. Se busca en la primera columna el valor de la variable x
5. La interseccin entre la fila y la columna es la probabilidad acumulada.
O sea la .
Estadstica
210
EJEMPLO 7
Si en promedio ocurren 5 accidentes por da, hallar las siguientes
probabilidades:
a). Probabilidad de que en un da ocurran 3 accidentes.
b). Probabilidad de que en un da ocurran ms de 2 accidentes.
c). Probabilidad de que en un da ocurran menos de 4 accidentes.
d). Probabilidad de que en un da ocurran entre 4 y 6 accidentes.
e). Probabilidad de que en un MEDIO da ocurra 1 accidente.
Solucin
Parmetro:
Promedio de accidentes por da.
Observacin: cada pregunta se resuelve tanto por frmula como por tabla
para comprobar el resultado.
a). Para la probabilidad de que en un da ocurran 3 accidentes.
Por frmula:
Por tabla: ver reglas para manejo de tablas Poisson
La probabilidad de que en un da ocurran 3 accidentes es de 14.03%.
Estadstica
211
x 1 1,5 2 2,5 3 3,5 4 4,5 5
0 0,3679 0,2231 0,1353 0,0821 0,0498 0,0302 0,0183 0,0111 0,0067
1 0,7358 0,5578 0,4060 0,2873 0,1991 0,1359 0,0916 0,0611 0,0404
2 0,9197 0,8088 0,6767 0,5438 0,4232 0,3208 0,2381 0,1736 0,1247
3 0,9810 0,9344 0,8571 0,7576 0,6472 0,5366 0,4335 0,3423 0,2650
4 0,9963 0,9814 0,9473 0,8912 0,8153 0,7254 0,6288 0,5321 0,4405
5 0,9994 0,9955 0,9834 0,9580 0,9161 0,8576 0,7851 0,7029 0,6160
6 0,9999 0,9991 0,9955 0,9858 0,9665 0,9347 0,8893 0,8311 0,7622
7 1,0000 0,9998 0,9989 0,9958 0,9881 0,9733 0,9489 0,9134 0,8666
8 1,0000 0,9998 0,9989 0,9962 0,9901 0,9786 0,9597 0,9319
9 1,0000 0,9997 0,9989 0,9967 0,9919 0,9829 0,9682
10 0,9999 0,9997 0,9990 0,9972 0,9933 0,9863
11 1,0000 0,9999 0,9997 0,9991 0,9976 0,9945
12 1,0000 0,9999 0,9997 0,9992 0,9980
13 1,0000 0,9999 0,9997 0,9993
14 1,0000 0,9999 0,9998
15 1,0000 0,9999
16 1,0000
b). Para la probabilidad de que en un da ocurran ms de 2 accidentes.

Por frmula:
Estadstica
212
Como no se conoce el tamao de la
muestra, no se sabe hasta dnde va la
suma. Pero por definicin de
probabilidad se sabe que
H
La probabilidad de que en un da ocurran ms de 2 accidentes es de 87.54%.
x 1 1,5 2 2,5 3 3,5 4 4,5 5
0 0,3679 0,2231 0,1353 0,0821 0,0498 0,0302 0,0183 0,0111 0,0067
1 0,7358 0,5578 0,4060 0,2873 0,1991 0,1359 0,0916 0,0611 0,0404
2 0,9197 0,8088 0,6767 0,5438 0,4232 0,3208 0,2381 0,1736 0,1247
3 0,9810 0,9344 0,8571 0,7576 0,6472 0,5366 0,4335 0,3423 0,2650
4 0,9963 0,9814 0,9473 0,8912 0,8153 0,7254 0,6288 0,5321 0,4405
c). Para la probabilidad de que en un da ocurran menos de 4 accidentes.

Por frmula:
Estadstica
213
Por tabla:
La probabilidad de que en un da ocurran menos de 4 accidentes es de
26.50%
x 1 1,5 2 2,5 3 3,5 4 4,5 5
0 0,3679 0,2231 0,1353 0,0821 0,0498 0,0302 0,0183 0,0111 0,0067
1 0,7358 0,5578 0,4060 0,2873 0,1991 0,1359 0,0916 0,0611 0,0404
2 0,9197 0,8088 0,6767 0,5438 0,4232 0,3208 0,2381 0,1736 0,1247
3 0,9810 0,9344 0,8571 0,7576 0,6472 0,5366 0,4335 0,3423 0,2650
4 0,9963 0,9814 0,9473 0,8912 0,8153 0,7254 0,6288 0,5321 0,4405
5 0,9994 0,9955 0,9834 0,9580 0,9161 0,8576 0,7851 0,7029 0,6160
6 0,9999 0,9991 0,9955 0,9858 0,9665 0,9347 0,8893 0,8311 0,7622
7 1,0000 0,9998 0,9989 0,9958 0,9881 0,9733 0,9489 0,9134 0,8666
8 1,0000 0,9998 0,9989 0,9962 0,9901 0,9786 0,9597 0,9319
d). Para la probabilidad de que en un da ocurran entre 4 y 6 accidentes.

Por frmula:
Estadstica
214
La probabilidad de que en un da ocurran entre 4 y 6 accidentes es de
49.72%.
e). Probabilidad de que en un MEDIO da ocurra 1 accidente.
Por frmula:
Estadstica
215
Como la variable de inters x, tiene que tener la misma
unidad de medida del promedio, entonces u
x 1 1,5 2 2,5 3 3,5
x 1,0000 1,5000 2,0000 2,5000 3,0000 3,5000
0 0,3679 0,2231 0,1353 0,0821 0,0498 0,0302
1 0,7358 0,5578 0,4060 0,2873 0,1991 0,1359
2 0,9197 0,8088 0,6767 0,5438 0,4232 0,3208
3 0,9810 0,9344 0,8571 0,7576 0,6472 0,5366
4 0,9963 0,9814 0,9473 0,8912 0,8153 0,7254
5 0,9994 0,9955 0,9834 0,9580 0,9161 0,8576
6 0,9999 0,9991 0,9955 0,9858 0,9665 0,9347
7 1,0000 0,9998 0,9989 0,9958 0,9881 0,9733
La probabilidad de que en un MEDIO da ocurra 1 accidente es de 20.52%.

4.3.3.3 Parmetros de la distribucin Poisson
4.4 DISTRIBUCIN CONTINUA DE PROBABILIDAD:
DISTRIBUCIN NORMAL
La distribucin normal, tambin llamada distribucin de Gauss o distribucin
gaussiana, es la distribucin continua de probabilidad ms importante de
toda la Estadstica, debido a que su funcin de densidad es simtrica y con
forma de campana, lo que favorece su aplicacin como modelo a gran
nmero de variables estadsticas.
Estadstica
216
Media
Varianza
4.4.1 Funcin de densidad de la distribucin normal
Donde:
Media
Varianza
Desviacin estndar
4.4.2 Representacin grfica de esta funcin de densidad
Estadstica
217
4.4.3 Distribucin normal estndar
La probabilidad de que la variable aleatoria (que sigue una distribucin
normal) se encuentre entre dos valores determinados ser en general difcil
de calcular (hay que usar la integral de la funcin de probabilidad). Para ello,
existen tablas que dan estos valores directamente.
Dado que la variable de inters X, puede tomar valores < < X , se
tipifica la variable de inters para as poder trabajar con la tabla, quedando la
distribucin normal, como una distribucin normal tipificada con
= 0 y = 1.
Para tipificar la variable de inters X, se lleva a la frmula:

4.4.4 Pasos para buscar en la tabla (ver anexo C)
1. Plantear la pregunta matemticamente.
2. Dado que las tablas son acumulativas, se lleva la pregunta a
menor. Utilizando las siguientes reglas:
1. Se tipifica cada valor de X utilizando la frmula:
Estadstica
218

x
Z
. El valor de Z debe quedar con dos decimales.
2. Para buscar en la tabla, tanto el signo como el entero y el primer
decimal, se encuentra en la primera columna. El segundo decimal se
encuentra en la primera fila. La interseccin entre la fila y la columna es
la respectiva probabilidad.
Ejemplo. Suponga que Z=0.43, luego
6664 . 0 ) 43 . 0 ( < z p
Z 0,00 0,01 0,02 0,03 0,04 0,05
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531
Ejemplo 8
El peso promedio de las bolsas de caf tiene una distribucin
aproximadamente normal con un peso promedio de 501 gramos y una
desviacin estndar de 15 gramos.
a. Cul es la probabilidad de que una bolsa de caf tenga un peso menor
a 532.05 gms?
b. Cul es la probabilidad de que una bolsa de caf tenga un peso mayor
a 448.5 gms?
Estadstica
219
c. Cul es la probabilidad de que una bolsa de caf tenga un peso entre
456 y 513.75 gms?
d. Cual es el peso mximo para que cubra el 59.10% de las bolsas de
caf?
Solucin:
Sea X la variable de inters que significa el peso de las bolsas de caf.
Parmetros:
Peso promedio de las bolsas de caf
Desviacin estndar
a. Para la probabilidad de que una bolsa de caf tenga un peso menor a
532.05 gms:
Estadstica
220
Z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,0 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817
2,1 0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857
2,2 0,9861 0,9864 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,9887 0,9890
2,3 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916
2,4 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,9932 0,9934 0,9936
2,5 0,9938 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952
2,6 0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964
La probabilidad de que una bolsa de caf tenga un peso menor a 532.05 gms
es de 98.08%.
b. Para la probabilidad de que una bolsa de caf tenga un peso mayor a
448.5 gms:
Estadstica
221
Z 0,00 0,01 0,02 0,03 0,04
-3,9 0,0000 0,0000 0,0000 0,0000 0,0000
-3,8 0,0001 0,0001 0,0001 0,0001 0,0001
-3,7 0,0001 0,0001 0,0001 0,0001 0,0001
-3,6 0,0002 0,0002 0,0001 0,0001 0,0001
-3,5 0,0002 0,0002 0,0002 0,0002 0,0002
-3,4 0,0003 0,0003 0,0003 0,0003 0,0003
La probabilidad de que una bolsa de caf tenga un peso mayor a 448.5 gms
es de 99.98%
c. Para la probabilidad de que una bolsa de caf tenga un peso entre 456 y
513.75 gms:
Estadstica
222
Z 0,00 0,01 0,02 0,03 0,04 0,05
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289
Z 0,00 0,01 0,02 0,03
-3,9 0,0000 0,0000 0,0000 0,0000
-3,8 0,0001 0,0001 0,0001 0,0001
-3,7 0,0001 0,0001 0,0001 0,0001
-3,6 0,0002 0,0002 0,0001 0,0001
-3,5 0,0002 0,0002 0,0002 0,0002
-3,4 0,0003 0,0003 0,0003 0,0003
-3,3 0,0005 0,0005 0,0005 0,0004
-3,2 0,0007 0,0007 0,0006 0,0006
-3,1 0,0010 0,0009 0,0009 0,0009
-3,0 0,0013 0,0013 0,0013 0,0012
-2,9 0,0019 0,0018 0,0018 0,0017
d. 59.10% significa la probabilidad. Lo que interesa es conocer el peso
mximo (x) de las bolsas de caf que cubre dicho porcentaje o
probabilidad.
Se halla el valor de 0.5910 en la tabla normal, encontrando as el valor
de Z que le corresponde; luego se despeja el valor de X o variable de
inters.
Estadstica
223
Z 0,00 0,01 0,02 0,03
0,0 0,5000 0,5040 0,5080 0,5120
0,1 0,5398 0,5438 0,5478 0,5517
0,2 0,5793 0,5832 0,5871 0,5910
0,3 0,6179 0,6217 0,6255 0,6293
0,4 0,6554 0,6591 0,6628 0,6664
0,5 0,6915 0,6950 0,6985 0,7019
El peso mximo para que cubre el 59.10% de las bolsas de caf es
504.45gms.
Ejemplo 9
La resistencia a la traccin de cierto componente de metal se distribuye
normalmente con una media de 10.000 kilogramos por centmetro cuadrado
y una desviacin estndar de 100 kilogramos por centmetro cuadrado.
a. Qu proporcin de estos componentes excede 10.150 kilogramos por
centmetro cuadrado de resistencia a la traccin?
b. Si las especificaciones requieren que todos los componentes tengan
resistencia a la traccin entre 9.800 y 10.200 kilogramos por centmetro
Estadstica
224
cuadrado inclusive, qu proporcin de piezas esperara que se
descartaran?
Solucin:
Sea X la variable de inters que significa la resistencia a la traccin
(kilogramos/centmetros cuadrados).
Parmetros:
Resistencia promedio
Desviacin estndar
a.

El 6.68% de los componentes de metal excede en 10.150
kilogramos/centmetros cuadrados a la resistencia a la traccin
b. Se descartan todas las piezas que estn por fuera de las
especificaciones.
Estadstica
225
O sea
El 4.56% de las piezas se descartarn, ya que no cumplen con las
especificaciones.
Estadstica
226
Estadstica
227
Estadstica
228
1.1 INTRODUCCIN
A manera de ejemplo, el rector de una universidad desea conocer la nota
promedio de Todos los estudiantes que cursaron el semestre
inmediatamente anterior y la proporcin de estudiantes que obtuvieron una
nota superior a 4.0.
Para solucionar el ejemplo anterior, se retoma todo lo visto anteriormente; se
saca una muestra aleatoria de n estudiantes (ya sea por encuesta
directamente a los n-estudiantes o por datos histricos obtenidos de
Admisiones).

Con las n-notas se saca una nota promedio y se cuenta el nmero de
estudiantes que obtuvieron un promedio superior a 4.0. Para efecto del
ejemplo, se seleccion una muestra de 25 estudiantes con los siguientes
resultados:
ESTUDIANTE
NRO
NOTA
PROMEDIO
ESTUDIANTE
NRO
NOTA
PROMEDIO
ESTUDIANTE
NRO
NOTA
PROMEDIO
ESTUDIANTE
NRO
NOTA
PROMEDIO
ESTUDIANTE
NRO
NOTA
PROMEDIO
1 3,8 6 3,5 11 3,5 16 4,3 21 3,8
2 4,3 7 4 12 3,8 17 3,2 22 3,6
3 4,5 8 4,1 13 4,2 18 3,5 23 3,5
4 4 9 3,6 14 4,8 19 3,8 24 4,2
5 3,3 10 3,2 15 4 20 3,6 25 3,5
Estadstica
229
Para hallar el promedio de la muestra, se trabaja con la media aritmtica. Y
para obtener la proporcin de estudiantes con una nota superior a 4.0, se
trabaja con la proporcin muestral. Al recordar sus frmulas, tenemos:
Para la nota promedio de todos los estudiantes:
X: Variable de inters que significa la nota promedio
: La nota promedio del estudiante i
n Tamao de la muestra que en este caso es igual a 25
Para la proporcin de estudiantes con una nota superior a 4.0:
x Total de estudiantes de la muestra que obtuvieron una nota superior a 4.0.
n Tamao de la muestra que en este caso es igual a 25
De acuerdo con los datos, se tiene:
Estadstica
230
Para datos sin agrupar

Interpretacin de resultados:
Los 25 estudiantes en el semestre anterior obtuvieron en promedio una nota
promedio de 3.8.
De los 25 estudiantes, el 28% obtuvo el semestre anterior una nota superior
a 4.0.
La interpretacin se puede dar solamente de los estudiantes que
pertenecieron a la muestra. Pero el inters en la investigacin es obtener
respuesta de todos los estudiantes, o sea, de la poblacin.
Todo el proceso anterior es muy vlido y necesario pero no suficiente. Lo
anterior es lo que se conoce como Estadstica Descriptiva, y se necesita
de otras herramientas de la Estadstica, para poder hablar de toda la
poblacin. Esto es lo que se conoce como Estadstica Inferencial, que es
el tema de esta parte del mdulo.
Estadstica
231
Ojo con la
interpretacin!
1.2NIVEL DE CONFIABILIDAD DE LOS RESULTADOS
Cuando se selecciona una muestra aleatoria, el nivel de confiabilidad o
seguridad de los resultados ya no es del 100%, porque no se estn tomando
todos los datos; por lo tanto, la confiabilidad de un estudio o investigacin
depender del nivel de seguridad (porcentaje) con el cual se desea que los
parmetros estn contenidos en la muestra seleccionada. Los niveles de
confiabilidad deben ser mnimo del 95%; o sea, entre 95% y 99%; este valor
es escogido por el investigador o por el presupuesto de la investigacin,
aclarando que entre mayor sea el nivel de confianza mayor ser el costo del
estudio, dado que aumentar el tamao de la muestra.

1.3 PRINCIPALES PARMETROS, ESTADSTICAS Y SUS SMBOLOS
Estadstica
232
NOMBREPOBLACIN (PARMETRO)MUESTRA
(ESTADSTICO)
(
TAMAO Nn
N
MEDIA
MMMMM
DESVIACIN
ESTNDAR
E
S
S
VARIANZA
VVVVV
PROPORCIN
PPPPP
1.4 ESTIMACIN PUNTUAL
Si a partir de las observaciones de una muestra se calcula un solo valor
como estimacin de un parmetro de la poblacin desconocido, el
procedimiento se denomina estimacin puntual. Existen bsicamente tres
parmetros muestrales:
1.4.1 Estimacin puntual para variable cuantitativa
Esencialmente son dos los parmetros de inters:
Media: se toma como aproximacin la media de la muestra. Al recordar
la frmula (Unidad 3 de Estadstica Descriptiva):

Estadstica
233
DATOS SIN AGRUPAR DATOS AGRUPADOS
Varianza de la poblacin: se toma como aproximacin la cuasivarianza
de la muestra. Al recordar la frmula se tiene:

1.4.2 Estimacin puntual para variable cualitativa
Proporcin: se toma como aproximacin la proporcin muestral,
Estadstica
234
DATOS SIN AGRUPAR DATOS AGRUPADOS
Casos favorables es el total de resultados de la muestra que cumple con la
condicin.
1.5 TAMAO DE LA MUESTRA PARA ESTIMAR MEDIAS Y
PROPORCIONES
El tamao de la muestra, un tema que siempre preocupa, no tiene fcil
solucin y va estrechamente unido a la representatividad.
No existe un tamao ideal de la muestra. A efectos descriptivos, se considera
una muestra grande cuando n > 30. Una muestra debe ser lo suficientemente
grande como para ser representativa, pero el nmero de elementos
necesarios para lograr la representatividad vara de una investigacin a otra.
Cuanto ms homognea es una poblacin en la/s caracterstica/s objeto de
estudio, ms fcil resulta obtener muestras representativas sin necesidad de
que sean grandes. Es decir, el tamao de la muestra est en relacin directa
con la desviacin tpica de las puntuaciones en la/s caractersticas de la
variable a investigar.
El tamao de la muestra puede dilucidarse en parte preguntndose por
La cuanta del error que es probable cometer al calcular diversos
estadsticos partiendo de muestras de diferente tamao.

Nivel de confianza: Es el porcentaje de confiabilidad con el cual se estima
la verdadera proporcin de xito. El nivel de confianza tiene relacin
directa con el tamao de la muestra, por lo tanto, se dir que a mayor
Estadstica
235
nivel de confianza ms grande debe ser el tamao de la muestra. El nivel
es fijado por el investigador, de acuerdo con su experiencia.
Por ejemplo: con un nivel de confianza del 95% se determinara que de 100
muestras aleatorias diferentes se podra esperar que la proporcin de xito
se encuentre en 95 de ellas.
Nivel de confianza 1- = 0.95.
1.5.1 Determinacin estadstica del tamao de la muestra
Conociendo el nivel de confianza que se quiere alcancen los datos, se puede
aplicar una ecuacin matemtica para estimar el tamao de la muestra.
Segn se trate de poblaciones infinitas o finitas, la determinacin variar,
segn las siguientes ecuaciones:
1.5.1.1 Poblaciones infinitas
En este caso pueden presentarse dos situaciones:
1.5.1.1.1 Proporcin conocida
Conociendo la proporcin de elementos que posee la caracterstica
a travs de estudios previos.
En este caso se aplica la frmula:
Estadstica
236
Z

Valor de la distribucin normal que genera un nivel de confiabilidad 1 - .
P Proporcin de xito
Q Proporcin de fracaso = 1-P
E Error muestral admisible: El error muestral admisible es el error que se
est dispuesto a cometer en la precisin de la estimacin de la proporcin. O
sea, es el margen de error que el investigador fija de acuerdo con el
conocimiento que tenga acerca del parmetro que piensa estimar. No es
recomendable un margen de error superior al 5%.
Pasos para hallar el valor de Z:
Tomar el nivel de confiabilidad 1- =
Despejar el nivel de no confiabilidad
Hallar el valor de /2
Dicho resultado es restado de 1. = 1- /2
Buscar 1- /2 en la tabla normal (de adentro hacia afuera) y hallar el
valor de Z.
1.5.1.1.2 Proporcin desconocida
Si se desconoce la proporcin de individuos que poseen la caracterstica, se
toma p = 50% y q = 50%.
2
Estadstica
237
22
Ejemplo:
El nmero de elementos ptimo de una muestra, estimando qu proporcin
de sujetos poseen una caracterstica al nivel de confianza del 99.7% y un
error de estimacin admitido del 2%, ser:
p=q= 0.5 ya que no se conoce la proporcin
E = 0.02
Para hallar Z
Nivel de confiabilidad 1- = 0.997
Nivel de no confiabilidad = 0.003
Valor de /2 = 0.0015
1- /2= 1-0.0015=0.9985
Z=3.0
3
2
*0.5.0.5
n = ------------------- = 5625 elementos.
0.02
2
1.5.1.2 Poblaciones infinitas
En este caso se emplea la siguiente frmula:
Estadstica
238

Ejemplo:
Revisar
El nmero ptimo para un estudio de 60.000 personas inscritas en cursos de
formacin, estableciendo un nivel de confianza de 95.5%, el margen de error
en el 3% y si suponemos que la opcin por inscribirse en cursos de
formacin, o no, es del 50%., sera:
Estadstica
239
2.1 INTRODUCCIN
Los resultados obtenidos sobre la nota promedio y la proporcin de alumnos
con una nota superior a 4.0, del ejemplo que se encuentra en la Introduccin
de la Unidad1, no son suficientes para poder hablar del promedio y la
proporcin poblacional; es necesario incluir otros mtodos y entre ellos est
el de los intervalos de confianza.
Una estimacin de intervalo es un intervalo de valores reales que se utiliza
para estimar un parmetro de poblacin. Aunque existen muchos parmetros
poblacionales desarrollados a partir de los resultados de una muestra, en
este mdulo solo se vern dos.
2.1.1 Intervalo de confianza para el promedio poblacional
A un nivel de confiabilidad del , el intervalo de confianza para el
promedio poblacional se obtiene por medio de una de las siguientes
frmulas:
Estadstica
Condicin Frmula
240
1
2
3
Si por estudios anteriores se tiene el parmetro , se utiliza la
frmula 1.
Si no se tiene el parmetro y el tamao de la muestra es mayor o
igual que 30, se utiliza la frmula 2.
Si no se tiene el parmetro y el tamao de la muestra es menor
que 30, se utiliza la frmula 3
2.1.1.1 Parmetros y/o estadsticos para utilizar las frmulas de
Intervalo de confianza
Tamao de muestra n
Media aritmtica de la muestra .
Desviacin estndar poblacional en caso de no conocerla, se halla la
desviacin estndar muestral (s).
Para hallar el valor de se utiliza la tabla normal.
Para hallar el valor de se utiliza la tabla t-student.
Para hallar seguimos los siguientes pasos (ver anexo C)
Se tiene nivel de confianza .
Se halla el nivel de error
Se halla
Se calcula
Se busca en la tabla normal de adentro hacia fuera, el valor de ,
y se halla el valor de .
Estadstica
241
Ejemplo.
Con un nivel de confianza del 95% y tamao de muestra n=40, buscamos en
la tabla normal ya que el tamao de la muestra es mayor de 30.
Nivel de confianza .
Nivel de error

Se busca en la tabla normal de dentro hacia fuera, el valor de 0.975 y el
valor de =1.96
Estadstica
242

Mtodo para hallar (ver anexo D)
Nivel de error

Se halla el valor de
Se busca en la primera columna el valor de
Se busca en la primera columna el valor de v
La interseccin entre la fila y la columna es el valor de t
Estadstica
243
Z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756
2,0 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808
Ejemplo.
Con un nivel de confianza del 95%, tamao de muestra n=10, y
.
Se busca en la tabla t-student ya que el tamao de la muestra es menor de
30. y .
Nivel de error

La interseccin entre la fila y la columna es el valor de t =2.262
Estadstica
244
n 0.75 0.80 0.85 0,9 0.95 0.975 0,99 0.995
1 1.000 1.376 1.963 3.078 6.314 12.706 31.821 63.657
2 0,816 1.061 1.386 1.886 2.920 4.303 6.965 9.925
3 0,765 0.978 1.250 1.638 2.353 3.182 4.541 5.841
4 0,741 0.941 1.190 1.533 2.132 2.776 3.747 4.604
5 0,727 0.920 1.156 1.476 2.015 2.571 3.365 4.032

6 0,718 0.906 1.134 1.440 1.943 2.447 3.143 3.707
7 0,711 0.896 1.119 1.415 1.895 2.365 2.998 3.499
8 0,706 0.889 1.108 1.397 1.860 2.306 2.896 3.355
9 0,703 0.883 1.100 1.383 1.833 2.262 2.821 3.250
10 0,7 0.879 1.093 1.372 1.812 2.228 2.764 3.169
TABLA T-STUDENT

1
Ejemplo 1
Retomando el ejemplo que se tiene en la introduccin del captulo, hallar la
nota promedio a un nivel de confianza del 99% de todos los estudiantes que
cursaron el semestre inmediatamente anterior.
SOLUCIN
Como la desviacin estndar poblacional desconocida y el tamao de la
muestra es menor de 30, utilizamos la frmula:
Tamao de la muestra
Media muestral .
Como no se conoce la desviacin estndar poblacional , se halla
la desviacin estndar muestral s.
.
Para hallar el valor de :
Con un nivel de confianza del 99%, tamao de muestra n=25.
Estadstica
245
Nivel de error

t =2.797
Reemplazando en la frmula,
Interpretacin
Estadstica
246
Hay un 99% de confiabilidad al afirmar
que la nota promedio de los estudiantes
de la universidad est entre 3.6 y 4.0
Ejemplo
Un fabricante de pintura necesita por efecto de calidad del producto, el
tiempo promedio de secado de una pintura nueva para exteriores. Si en 42
reas de prueba de igual tamao, se obtuvo un tiempo promedio de secado
de 30.2 minutos y una desviacin estndar de 1.1 minutos, cul ser el
tiempo promedio real de secado, con un 95% de confiabilidad?
Solucin
Necesitamos un intervalo de confianza para .
Desviacin estndar poblacional desconocida;
Tamao de muestra mayor de 30.
Su frmula es:
Parmetros muestrales:
Tamao de la muestra
Media muestral .
Desviacin estndar muestral s.
.
Estadstica
247
Para hallar el valor de : (aunque la desviacin estndar
poblacional es desconocida, el tamao de la muestra es mayor de
30)
Tenemos nivel de confianza .
Despejamos el nivel de error
Hallamos a
Calculamos
Buscamos en tabla normal el valor de
Con todos los datos, procedemos a reemplazar en la frmula:
Interpretacin
Estadstica
248
Hay un 95% de confiabilidad al afirmar
que el tiempo de secado de la nueva
pintura est entre 29.9 y 30.5 minutos
Frmula
FFF
2.1.2 Intervalo de confianza para la proporcin poblacional p
A un nivel de confiabilidad del , el intervalo de confianza para la
proporcin poblacional se obtiene por medio de la siguiente frmula:
2.1.2.1 Estadsticos para utilizar la frmula de Intervalo de confianza
Tamao de muestra n
Proporcin muestral
Proporcin muestral
Para hallar el valor de se utiliza la tabla normal.
Estadstica
249
Ejemplo
Continuando con el ejemplo que se tiene en la introduccin del captulo, falta
hallar la proporcin de estudiantes que obtuvieron una nota promedio mayor
de 4.0, a un nivel de confianza del 99%.
SOLUCIN
Su frmula es:
Tamao de la muestra
Proporcin muestral son 7 los estudiantes de la muestra
que sacaron una nota superior a 4.0 (resaltados en la tabla de resultados
del ejercicio, con amarillo)
Por la Ley del Complemento ( teora de conjuntos)

Para hallar el valor de :
Tenemos nivel de confianza .
Despejamos el nivel de error
Estadstica
250
Hallamos a
Calculamos
Buscamos en tabla normal el valor de
Con todos los datos, procedemos a reemplazar en la frmula:
Interpretacin
Preguntas:
Por qu razn el intervalo dio tan amplio?
Si le disminuimos el nivel de confianza, qu pasara con la amplitud del
intervalo?
Estadstica
251
Hay un 99% de confiabilidad al afirmar que la
proporcin de estudiantes que sacaron una
nota superior a 4.0 est en el 5 y el 50%
Conclusiones.
Estadstica
252
3.1 INTRODUCCIN
Retomando el ejemplo propuesto en la introduccin de esta unidad, el rector
de la universidad, en vez de preguntar (como lo hizo en el ejemplo), Afirma
que el promedio de los alumnos de dicha universidad fue de 4.2, y ms del
60% de ellos obtuvo una nota superior a 4.0, esto con un margen de error del
5%.
Fuera de los intervalos de confianza, existe otra forma de plantear el deseo
de conocer un parmetro poblacional, y es por medio de una hiptesis
lanzada.
3.2DEFINICIN DE PRUEBA DE HIPTESIS
Una prueba de hiptesis es una afirmacin o conjetura que se lanza sobre un
parmetro poblacional; su objetivo en un nivel de significancia o error es
demostrar por medio de resultados muestrales, si existe suficiente evidencia
o no que apoye la hiptesis.
En este mdulo, se conocer la forma de comprobar las hiptesis
relacionadas con los parmetros poblacionales (Promedio) y p
(Proporcin).
Estadstica
253
3.3. Pasos para la prueba de hiptesis para el promedio y la
proporcin p.
PASO 1 Plantear o matematizar la hiptesis lanzada y
matematizar la hiptesis que la contradice
Ejemplo 1:
1.1 El peso promedio de los artculos exportados es de 20 kilos.
.
1.2 El tiempo promedio para atender a una persona en una
cafetera es mnimo de 8 minutos.
1.3 Ms del 35% de las solicitudes de prstamo en el banco x son
para vivienda.
1.4 Un fabricante de cierta marca de cereal de arroz afirma que el
contenido de grasa saturada no excede 1.5 gramos.
.
.
Estadstica
254
El (asterisco *) en los ejemplos,
significa que son las hiptesis que se
lanzaron
1.5 El gerente de una sucursal bancaria en una ciudad pequea
afirma que la proporcin de ahorradores a quienes se les paga
su sueldo semanalmente es menos del 20%
PASO 2 Definir las hiptesis
En la solucin de la prueba de hiptesis, existen dos clases de
hiptesis; la hiptesis que se plantea y la hiptesis que la contradice.
Las hiptesis son:
Hiptesis nula: Se representa por . Una hiptesis nula con
respecto a un parmetro poblacional siempre se establecer de
modo que especifique un valor exacto del parmetro; esto quiere
decir que la hiptesis nula contiene la matematizacin de la
hiptesis que contiene los signos:
Hiptesis alternativa: Se representa por Una hiptesis
alternativa contiene la contradiccin de la hiptesis nula o sea que
la hiptesis alternativa contiene la representacin matemtica que
contiene los siguientes signos:
Estadstica
255
Ejemplo 2:
Teniendo en cuenta el ejercicio 1 de este tema, se clasificar cada hiptesis
dentro de la nula y de la alternativa
Ejemplo
nro.
Hiptesis
nula
Hiptesis
alternativa
1.1 .
1.2
1.3
1.4 . .
1.5
PASO 3 Seleccionar el nivel de significancia
Estadstica
256
<
>
Observemos que la
hiptesis que lanzamos no
siempre queda planteada en
la hiptesis nula
Observemos que la hiptesis
nula siempre contiene el signo
=
El nivel de significancia es la probabilidad de rechazar la hiptesis nula
cuando es verdadera. Se le denota mediante la letra griega , tambin es
denominada como nivel de riesgo; este trmino es ms adecuado, ya que se
corre el riesgo de rechazar la hiptesis nula, cuando en realidad es
verdadera. Este nivel est bajo el control de la persona que realiza la prueba.
Si suponemos que la hiptesis planteada es verdadera, entonces, el nivel de
significacin indicar la probabilidad de no aceptarla, es decir, que est fuera
de rea de aceptacin. El nivel de confianza (1-) indica la probabilidad de
aceptar la hiptesis planteada, cuando es verdadera en la poblacin.
PASO 4 Definir la regin crtica
Como se sabe por el tema de intervalo de confianza, los parmetros
poblacionales dependen por lo general de los resultados muestrales; pero es
necesario definir a partir de qu valores muestrales se puede aceptar como
parmetro poblacional, ya que es muy importante no caer en el error de la
subjetividad. Suponiendo que la afirmacin dada por el rector (ejercicio de la
introduccin) es suficiente para un estadstico una nota promedio muestral
de 3.8 y en cambio para otro no.
Por esto, es necesario definir estadsticamente, y sujetos al nivel de
significancia, el rea a partir de qu valores vamos a aceptar la hiptesis
nula y rechazar la hiptesis alternativa. Esto es lo que se conoce como
regin crtica. La regin crtica depende de la hiptesis alternativa, tamao de
muestra y conocimiento o no de la desviacin estndar poblacional (si el
parmetro poblacional se refiere al promedio ).
Los pasos a seguir estn resumidos en el siguiente cuadro:
Estadstica
257
Cuadro 1. Definicin de la regin crtica
Hiptesis /
condicin
y/o
Buscar el valor
de en la
tabla normal
de adentro
hacia afuera y
encontrar el
valor de
y
Buscar el valor
de en la
tabla
t-student. con
v=n-1.
y encontrar el
valor de
graficar al
lado
izquierdo
con signo
negativo y al
lado derecho
con signo
positivo
Buscar el
valor de
en la tabla
normal y
encontrar
Buscar el
valor de
en la tabla
t-student.
encontrar
graficar al
lado
izquierdo
con signo
negativo
Buscar el
valor de
en la tabla
normal y
hallar
Buscar el
valor de
en la tabla
t-student.
encontrar
graficar al
lado
derecho
con signo
positivo
Hiptesis
Buscar el valor
de en la
tabla normal
de adentro
hacia afuera y
encontrar el
valor de
graficar al
lado
izquierdo
con signo
negativo y al
lado derecho
con signo
positivo
Buscar el
valor de
en la tabla
normal y
encontrar
graficar al
lado
izquierdo
con signo
negativo
Buscar el
valor de
en la tabla
normal y
hallar
graficar al
lado
derecho
con signo
positivo
PASO 4.1 Graficas de la regiones crticas
De acuerdo con lo visto en el cuadro anterior, se tienen las siguientes
grficas:
HIPTESIS
Estadstica
258
Rechazo
Rechazo
1.

2.

3.

PASO 5 Calcular el estadstico de prueba
Estadstica
259
No rechazo

Rechazo
Valor determinado a partir de la informacin muestral, que se utiliza para
determinar si se rechaza la hiptesis nula. La eleccin del estadstico de
prueba depende (igual que en los intervalos de confianza) del tamao de
muestra y conocimiento o no de la desviacin estndar poblacional (si el
parmetro poblacional se refiere al promedio ).
CUADRO 2. Estadsticos de prueba
Prueba de hiptesis para
condicin
Estadstico de
prueba
y
y
Prueba de hiptesis para
Estadstico de prueba
PASO 6 Tomar una decisin
Estadstica
260
En este ltimo paso de la prueba de hiptesis, se calcula el estadstico de
prueba, su resultado se coloca en la grfica y se toma la decisin de
rechazar o no la hiptesis nula as:
Si el estadstico de prueba cae en la regin de aceptacin, aceptar la
hiptesis nula.
Si el estadstico de prueba cae en la regin de rechazo, rechazar la
hiptesis nula.
Tener presente que en una prueba de hiptesis solo se puede tomar una de
dos decisiones: aceptar o rechazar la hiptesis nula. Debe subrayarse que
siempre existe la posibilidad de rechazar la hiptesis nula cuando no debera
haberse rechazado (error tipo I). Tambin existe la posibilidad de que la
hiptesis nula se acepte cuando debera haberse rechazado (error de tipo II).
Ejemplo :
Continuando con el ejemplo del rector, a un nivel de significancia del 5%,
comprobar la hiptesis lanzada por l.
Paso 1 Plantear o matematizar la hiptesis lanzada y matematizar la
hiptesis que la contradice
.
Paso 2 Definir las hiptesis.
.
Paso 3 Seleccionar el nivel de significancia
Estadstica
261
Paso 4 Definir la regin crtica
Teniendo en cuenta el ejercicio, se tienen los siguientes datos (los datos se
encuentran en el ejemplo 1 del tema intervalos de confianza):
. .
Segn lo anterior, y . Por lo tanto, se utiliza de la
tabla 1
Hiptesis /
condicin
y
Buscar el valor
de en la
tabla
t-student. con
v=n-1.
y encontrar el
valor de
graficar al
lado
izquierdo
con signo
negativo y al
lado derecho
con signo
positivo

Estadstica
262
Paso 5 Estadstico de prueba.
condicin Estadstico de prueba
y
Paso 6 Decisin

Estadstica
263
2.064
-4.76
-2.064 2.064
Como el estadstico de prueba cae en la regin de
rechazo, se rechaza la hiptesis nula.
La nota promedio de los estudiantes no es de 4.2. El
rector no tiene la razn.
Con respecto a la afirmacin del rector: ms del 60% de ellos obtuvo una
nota superior a 4.0, se siguen los pasos para verificar la hiptesis lanzada
por l:
Paso 1
Paso 2 Definir las hiptesis.
.
Paso 3
Paso 4 Definir la regin crtica.
Hiptesis
Buscamos
el valor de
en la
tabla
normal y
hallamos
graficamos
al lado
derecho
con signo
positivo
Paso 5 Estadstico de prueba.

Estadstica
264
Estadstico de prueba
Paso 6 Decisin.
Ejemplo:
Histricamente el promedio de clientes que compran con tarjeta de crdito en
una determinada tienda es como mnimo 35; sin embargo, la duea de la
tienda piensa que esta cifra ha disminuido significativamente. De una
muestra aleatoria de 50 clientes, 20 compraron con tarjeta de crdito con una
desviacin estndar de 2 clientes. A un nivel de significancia del 96%, se
est cumpliendo lo que piensa la duea?
Solucin
Paso 1
Paso 2 Definir las hiptesis
Estadstica
265
-3.26 1.65
aceptacin, aceptamos la hiptesis nula,
el 60% o menos de los estudiantes obtuvo una nota
promedio superior a 4.0. El rector no tiene la razon.
Paso 3
Paso 4 Definir la regin crtica
. .
Segn lo anterior, y . Por lo tanto,

Hiptesis /
condicin
y/o
Buscamos el
valor de
en la tabla
normal y
encontramos
graficamos
al lado
izquierdo
con signo
negativo
Paso 5 Estadstico de prueba
condicin Estadstico de prueba
y
0
Paso 6 Decisin
Estadstica
266
Estadstica
267
-53 -1.75
rechazo, rechazamos la hiptesis nula,
la cantidad de clientes que pagan con tarjeta de crdito
ha disminuido. La seora tiene la razn.
4. ESTUDIO DE CASO
La revista Propiedades de julio de 2006, con respaldo de La Lonja, Camacol
y El Colombiano, promociona la venta de apartamentos nuevos en diferentes
zonas de la ciudad de Medelln y el rea Metropolitana. Se ha dividido el
territorio en cuatro zonas, las cuales se describen a continuacin:
Zona 1: Centro, Manrique, Aranjuez, Prado, Buenos Aires, Loreto,
Milagrosa y Villa Hermosa.
Zona 2: Poblado, Envigado, Sabaneta, San Diego, Las Palmas.
Zona 3: Laureles, Amrica, Estadio, Castilla, Pedregal, Bello,
Tricentenario y Conquistadores.
Zona 4: Rosales, Beln, La Mota, Guayabal, Itag y la Estrella.
En la siguiente tabla, se especifica la localizacin del apartamento, el
nmero de alcobas y el precio.
ZONA N DE ALCOBAS PRECIO ($ en miles)
1 2 27.900
1 2 29.200
1 3 31.470
1 3 32.400
1 3 34.800
1 2 35.500
1 3 37.944
1 2 38.500
1 2 39.880
1 3 44.415
Estadstica
268
ZONA N DE ALCOBAS PRECIO ($ en miles)
1 2 55.900
1 3 58.736
2 2 38.900
2 2 48.900
2 2 51.000
2 2 55.100
2 3 304.000
2 3 61.500
2 3 374.000
2 2 72.600
2 2 116.000
2 3 113.200
2 3 135.200
2 3 217.930
3 3 35.000
3 3 41.900
3 3 45.900
3 3 50.750
3 2 54.980
3 3 64.100
3 3 158.100
3 2 71.900
3 3 84.500
3 2 96.785
3 3 104.341
3 3 120.000
4 1 28.560
4 2 38.150
4 3 37.400
4 3 44.300
4 2 42.800
4 3 45.000
4 2 48.900
4 3 58.000
4 3 90.000
4 3 104.900
4 3 229.360
4 2 110.000
Fuente: Revista Propiedades, julio de 2006.
Estadstica
269
Un inversionista desea adquirir una propiedad nueva, y para tomar la
decisin se hace los siguientes interrogantes:
Cul ser la zona de mayor valor promedio?
Cmo es la variacin del costo en cada una de las zonas?
Cul es la zona con precio ms estable?
Se podra pronosticar el precio a partir del nmero de alcobas en cada
zona y en todo el territorio?
Sera confiable este pronstico?
A partir de estos interrogantes, qu zona le sugiere usted al
inversionista?
A un nivel de confianza del 95%, cul es el precio promedio de las casas
en Medelln?
A un nivel de confiabilidad del 96%, cul es la proporcin de casas con
un precio superior a 90.000?
Si el inversionista, afirma a un nivel de significancia del 5% que el precio
promedio de las casas es superior a 50.000, qu le dira usted al
inversionista?
Si el inversionista afirma a un nivel de significancia del 4% que el 60% de
las casas con un costo superior a 90.000 tiene 3 habitaciones, que le
dira usted?
Estadstica
270
5. ACTIVIDADES DE RECONOCIMIENTO
Para lograr el alcance de los objetivos planteados en el curso, es necesario
que los estudiantes tengan claridad en los siguientes conceptos y
operaciones:
Operaciones aritmticas: suma, resta, multiplicacin y divisin.
Porcentaje.
Sumatoria de nmeros enteros.
Coordenadas en el plano cartesiano
Funcin lineal: ecuacin de lnea recta, pendiente, grfica en el plano
cartesiano.
Teora de conjuntos
Tcnicas de conteo
Desigualdades
Estadstica
271
6. RESPUESTA A PREGUNTAS FRECUENTES
Desde el punto de vista estadstico, cul es la importancia de la variable
en una investigacin?
R/ La variable es la que determina la caracterstica que se va a
investigar. Es la que se cuantifica con el fin de obtener la muestra. Es, a
la vez, la que determina la poblacin para la investigacin.
Qu indica el signo negativo de la pendiente de una recta?
R/ Indica que la curva desciende a medida que aumenta el valor de la
variable independiente X.
Si un investigador encuentra que, en un conjunto de datos, la media, la
mediana y la moda son iguales, qu se puede deducir de la distribucin
de los datos?
R/ La distribucin de los datos se ajusta a una curva normal, ya que los
tres estadgrafos de tendencia central son iguales y se localizan en el
punto central de la curva.
Qu sentido tiene hablar de intervalos de clase cuando se tienen datos
sin agrupar?
R/ No tiene ningn sentido, ya que el concepto de intervalo de clase se
origina por la necesidad de agrupar los datos dentro de ciertos lmites,
con el fin de facilitar la comprensin y el manejo de una muestra.
Estadstica
272
Qu se entiende por marca de clase?
R/ La marca de clase es el punto central de un intervalo. Es aquel valor
que representa el intervalo de clase.
Qu significa el sesgo?
R/ El sesgo significa la tendencia de los datos a agruparse a la derecha o
izquierda de la media.
Que se entiende por probabilidad?
R/ La probabilidad es la posibilidad relativa de que ocurra un suceso o
evento.
Qu una tcnica de conteo?
R/ Una tcnica de conteo es una herramienta matemtica que sirve para
hallar el total de resultados en un experimento estadstico.
Qu es Estadstica Inferencial?
R/ La Estadstica Inferencial es la rama de la Estadstica que sirve para
hallar parmetros poblacionales, partiendo de resultados muestrales.
Qu significa nivel de confiabilidad?
Estadstica
273
R/ Confiabilidad indica cun seguros podemos estar de que el proceso
seguido resulte en valores que representen verdaderamente la poblacin. Se
usa ms comnmente con intervalos de confianza. En sentido probabilstico,
si tuviramos una confiabilidad del 95%, decimos que si repitiramos el
proceso muchas veces, en cerca del 95% de las veces obtendramos
resultados que reflejan verdaderamente la realidad. Cerca del 95% de los
intervalos as construidos contendran el valor desconocido del parmetro.
Qu significa nivel de significancia?
R/ Nivel de significancia corresponde a la probabilidad de error tipo I que
estamos dispuestos a permitir cuando hacemos una prueba de hiptesis.
Usualmente se expresa como un porcentaje. Los valores ms comunes son
1%, 5%, 10%. Una significancia del 5% quiere decir que de cada cien
pruebas donde rechacemos la hiptesis nula, nos permitimos la posibilidad
de haberla rechazado en 5 ocasiones a pesar de ser cierta. El nivel de
significancia se selecciona de acuerdo con una amplia gama de criterios que
incluyen el costo de cometer error tipo I y la tradicin en el rea de contenido
sobre el cual se est haciendo la prueba.
Qu se entiende por intervalo de confianza?
R/ Intervalo de confianza es el rango de valores dentro del cual se
encuentra un parmetro con una determinada probabilidad (esta
probabilidad es el denominado nivel de confianza).
Estadstica
274
Qu se entiende por prueba de hiptesis?
R/ Una prueba de hiptesis es un procedimiento por el cual establecemos
hiptesis nula y alterna con el fin de resolver un problema. El procedimiento
incluye el diseo y seleccin de la muestra. Luego de tomados los datos de
la muestra, se calcula el valor de una prueba estadstica. A un nivel de
significancia previamente seleccionado, la estadstica prueba se compara
con el valor obtenido de la tabla de la distribucin estadstica apropiada. Esa
comparacin nos lleva a tomar la decisin de rechazar o no la hiptesis nula.
Qu se entiende por proporcin?
R/ Proporcin es la fraccin cuyo numerador est formado por un subgrupo
de individuos incluido en el denominador.
Estadstica
275
7. ACTIVIDADES DE PROFUNDIZACIN
1. Una emisora realiz una encuesta musical a los nuevos oyentes, la cual
contena, entre otras, las siguientes preguntas:
a) Cuntos CD y casetes compr usted en los ltimos 12 meses?
b) Es actualmente miembro de un club radial? (S o No).
c) Qu edad tiene usted?
d) Incluyndose usted, cuntas personas (adultos y nios) viven en su
casa?
e) Qu tipo de msica le interesa comprar?
Diga si en cada pregunta se piden datos cualitativos o cuantitativos
(discretos o continuos).
2. La dependencia de recursos humanos de una empresa clasifica las
ocupaciones de los trabajadores como profesional, de oficina y obrero.
Los datos se registran con 1, que indica profesional; 2, oficina; y 3,
obrero.
a) Cul es la variable?
b) Qu tipo de variable es?
c) Qu tipo de escala de medicin se est usando?
3. Diga si cada una de las siguientes variables es cualitativa o cuantitativa
(discreta o continua) e indique la escala de medicin que sea apropiada
para cada una.
Estadstica
276
a) Edad en aos
b) Sexo
c) Posicin en la lista de clase
d) Marca de automvil
e) Nmero de personas que estn a favor del aborto.
f) Ventas anuales
g) Tamao de la gaseosa (pequea, mediana o grande)
h) Cdigo o clasificacin del cargo del empleado
i) Ganancias anuales
j) Forma de pago (efectivo, cheque, tarjeta de crdito)
4. Las calificaciones de un estudiante en seis pruebas fueron: 5, 2, 1, 3, 4 y
1.
Calcular las siguientes medidas e interpretar los resultados.
a) Media aritmtica
b) Mediana
c) Moda
d) Desviacin estndar
e) Coeficiente de variacin
5. Supongamos que las estaturas, en metros, de los empleados de una
empresa son:
1,65 1,53 1,71 1,69 1,80 1,67 1,60 1,62 1,86
1,64 1,85 1,73 1,77 1,60 1,62 1,59 1,98 1,81
1,78 1,56 1,59 1,57 1,60 1,86 1,71 1,81 1,52
1,92 1,98 1,58
Estadstica
277
a. Construir intervalos de clase.
b. Distribucin de frecuencias: absoluta, relativa y acumuladas.
c. Grficas: barras, circular, histogramas, polgonos y ojivas.
d. Diagrama de tallo y hojas.
e. Medidas de tendencia central.
f. Medidas de variabilidad.
g. Medidas de localizacin.
6. Los siguientes datos representan la altura en centmetros y peso en
kilogramos de los alumnos de una clase. Considere que la altura
es la variable independiente "x" y que el peso es la variable
dependiente "y".
Alumno Estatura Peso Alumno Estatura Peso Alumno Estatura Peso
1 1,25 32 11 1,25 33 21 1,25 33
2 1,28 33 12 1,28 35 22 1,28 34
3 1,27 34 13 1,27 34 23 1,27 34
4 1,21 30 14 1,21 30 24 1,21 31
5 1,22 32 15 1,22 33 25 1,22 32
6 1,29 35 16 1,29 34 26 1,29 34
7 1,30 34 17 1,30 35 27 1,30 34
8 1,24 32 18 1,24 32 28 1,24 31
9 1,27 32 19 1,27 33 29 1,27 35
10 1,29 35 20 1,29 33 30 1,29 34
Fuente: datos hipotticos
a) Construir el diagrama de dispersin.
b) Hallar los parmetros bo y b1 del modelo de regresin lineal simple.
c) Graficar el modelo de regresin encontrado.
d) Calificar el modelo mediante los coeficientes de correlacin y
determinacin.
Estadstica
278
e) Realice proyecciones para el peso y analcelas.
7. A los participantes de una convencin se les ofrecen 6 recorridos por da
para visitar lugares de inters durante 3 das de duracin del evento.
En cuntas formas puede una persona acomodarse para hacer alguno
de ellos? R/18
8. Los estudiantes de un colegio privado de Humanidades se clasifican
como estudiantes de primer ao, de segundo, de penltimo, y tambin de
acuerdo con su sexo: hombre, mujer. Encuentre el nmero total de
clasificaciones posibles para los estudiantes de este colegio.
R/ 6
9. Un comit de 5 personas se va a elegir entre 10 principales y 7
suplentes. De cuntas maneras se puede hacer esto?
a. Si en el comit ha de haber ms principales que suplentes. R/4242
b. Debe haber 4 suplentes. R/350
10. De cuntas maneras puede vestirse un individuo con 10 pantalones, 15
camisas y 2 chaquetas? R/ 300
11. Cuntos nmeros con al menos 4 dgitos se pueden formar con las
cifras 1,2,3,5,7,8 sin repetir cifras? R/ 1800
12. En el ltimo ao de la escuela, en un grupo de 100 alumnos se encontr
Estadstica
279
que 42 cursaron Matemticas, 68 Sicologa, 54 Historia, 22 Matemtica
e Historia, 25 Matemtica y Sicologa, 7 Historia pero no Matemtica ni
Sicologa, 10 las tres materias y 8 ninguna de las tres. Si se selecciona
un estudiante aleatoriamente, encuentre la probabilidad de que:
a. Una persona inscrita en Sicologa haya estudiado las tres materias.
b. Una persona que no se inscribi en Sicologa haya tomado Historia y
Matemtica.
13. La probabilidad de que a un automvil al que se le llena el tanque de
gasolina necesite tambin un cambio de aceite es de 0.25. La de que
requiera un nuevo filtro de aceite, de 0.40, y de que la haga falta tanto
cambio de aceite como de filtro de 0.14.
a. Si debe cambiar el aceite, cul es la probabilidad de que necesite un
filtro nuevo?
b. Si necesita un filtro nuevo, cul es la probabilidad de que requiera que
se le cambie el aceite?

14. Para parejas de casados que viven en una cierta ciudad de los suburbios,
la probabilidad de que la esposa trabaje es de 0.21 y la de que su
esposo lo haga, de 0.28. y la de que ambos trabajen, de 0.15. Si los
eventos son DEPENDIENTES, cul es la probabilidad de que
a. Al menos un miembro de la pareja de casados trabaje
b. Trabaje un esposo, dado que su esposa lo hace
c. Trabaje una esposa, dado que su esposo no lo hace
Estadstica
280
15. Un distribuidor de ligas garantiza que el 10% son defectuosas. Un
consumidor controla cada paquete extrayendo 10 ligas sin reemplazo. Si
la muestra no contiene ligas defectuosas, l acepta el paquete. De otra
manera lo rechaza. Encontrar la probabilidad de que en este proceso
cualquier paquete se rechace
16. En una cierta rea de la ciudad se da como una razn del 70% de los
robos la necesidad de dinero para comprar estupefacientes. Encuentre la
probabilidad que dentro de los 5 prximos asaltos reportados en esta
rea:
a. Exactamente 2 se debieron a la necesidad de dinero para comprar
drogas.
b. Cuando mucho 3 se debieron a la misma razn arriba indicada.
17. Al probar una cierta clase de neumticos para camin en un terreno
escabroso se encontr que 25% de los camiones terminaban la prueba
con los neumticos daados. De los siguientes 15 camiones probados,
encuentre la probabilidad de que:
a. De 3 a 6 tengan ponchaduras.
b. Menos de 4 tengan pinchaduras.
18. Solo 40% de todos los insectos expuestos a un insecticida en condiciones
de laboratorio pudieron sobrevivir. Si se expone una muestra de 8
insectos a este insecticida, cul es la probabilidad de que:
a. Sobrevivan 4 insectos
b. No sobrevivan 3.
Estadstica
281
19. Segn NBC, el 40% de los televidentes de Colombia sintonizan
generalmente RCN. De una muestra aleatoria de 15 televidentes hallar
las siguientes probabilidades:
a. Por lo menos cinco televidentes sintonicen RCN
b. Catorce televidentes no sintonicen RCN.
20. Una fuerza de tareas gubernamental sospecha que algunas fbricas
violan los reglamentos contra la contaminacin ambiental con respecto a
la descarga de cierto tipo de producto. Quince empresas estn bajo
sospecha pero no todas se pueden inspeccionar. Suponga que cuatro
de las empresas violan los reglamentos.
a. Cul es la probabilidad de que la inspeccin de seis empresas no
encuentre ninguna violacin?
b. Cul es la probabilidad de que la inspeccin de seis empresas
encuentre que mnimo tres de ellas violan los reglamentos?
21. Una compaa fabricante utiliza un esquema de aceptacin de produccin
de artculos antes de que se embarquen. El plan tiene dos etapas. Se
preparan cajas de 25 artculos para su embarque y se prueba una
muestra de tres en busca de defectuosos. Si se encuentra alguno
defectuoso, toda la caja se regresa para verificar el 100%. Si no se
encuentran defectuosos, la caja se embarca.
a. Cul es la probabilidad de que una caja que contiene tres defectuosos
se embarque?
b. Cul es la probabilidad de que una caja que contenga slo un artculo
defectuoso se regrese para su revisin?
Estadstica
282
22. Para evitar que lo descubran en la aduana, un viajero ha colocado 6
tabletas de narcticos en una botella que contiene 9 pldoras de vitamina
que son similares en apariencia. Si el oficial de la Aduana selecciona 3
tabletas aleatoriamente para analizarlas, cul es la probabilidad de que
el viajero sea arrestado por posesin ilegal de narcticos?
23. Se est planeando un nuevo hospital para el pueblo x, una comunidad
que todava no tiene su propio hospital. Si el pueblo tiene en promedio 14
nacimientos por semana, calcule las probabilidades. de que el nmero de
nacimientos en un da sea:
a. Al menos de 3 nacimientos.
b. Entre 1 y 3 nacimientos.
24. Concediendo que el conmutador de una oficina de consultora recibe en
promedio 0.6 llamadas por minuto, determine las probabilidades de que:
a. Haya ms de una llamada.
b. Haya menos de tres llamadas.
25. El nmero promedio de quejas de pasajeros recibidas en la Secretara de
Transporte es de 6 quejas diarias. En un da cualquiera, cul es la
probabilidad de que la secretara de transporte reciba:
a. No ms de dos quejas.
b. Entre cuatro y siete quejas.
c. No reciba quejas.
Estadstica
283
26. El dimetro interno ya terminado de un anillo de pistn est normalmente
distribuido con una media de 10 centmetros y una desviacin estndar
de 0.03 centmetros.
a. Qu proporcin de los anillos tendr un dimetro interno que exceda
de 10.075 centmetros?
b. Cul es la probabilidad de que un anillo de pistn tenga un dimetro
interno entre 9.97 y 10.03?
c. Cul es la probabilidad de que un anillo de pistn tenga un dimetro
interno inferior a 10.03?
27. La resistencia a la traccin de cierto componente de metal se distribuye
normalmente con una media de 10,000 kilogramos por centmetro
cuadrado y una desviacin estndar de 100 kilogramos por centmetro
cuadrado.
a. Qu proporcin de estos componentes excede 10.150 kilogramos por
centmetro cuadrado de resistencia a la traccin?
b. Si las especificaciones requieren que todos los componentes tengan
resistencia a la traccin entre 9.800 y 10.200 kilogramos por centmetro
cuadrado inclusive, qu proporcin de piezas esperara que se
descartaran?
28. La vida til de cierto tipo de lavadora automtica tiene una distribucin
aproximadamente normal con una vida promedio de 3.1 aos y una
desviacin estndar de 1.2 aos.
b. Cul es la probabilidad de que una lavadora dure entre 2.9 y 3.5 aos?
c. Si este tipo de lavadora tiene garanta de un ao, qu fraccin de la
cantidad vendida originalmente, necesitar ser reemplazada?
Estadstica
284
29. En un proceso industrial, el dimetro de un cojinete es una parte
componente importante. El comprador establece que las especificaciones
en el dimetro sean 3.0 t 0.01 cm. La implicacin es que ninguna parte
que caiga fuera de estas especificaciones se aceptar. Se sabe que en
el proceso, el dimetro de un cojinete tiene una distribucin
aproximadamente normal con un promedio de 3.0 y una desviacin
estndar de 0.005. Qu porcentaje de cojinetes se descartarn?
30. Una muestra aleatoria de 36 cigarrillos de una determinada marca dio un
contenido promedio de nicotina de 3 miligramos, con una desviacin
estndar de 1 miligramo. Obtenga e interprete un intervalo de confianza
del 95% para el verdadero contenido promedio de nicotina en estos
cigarrillos, si el contenido en nicotina de estos cigarrillos sigue una
distribucin normal. El fabricante garantiza que el contenido promedio de
nicotina es 2.9 miligramos, qu puede decirse de acuerdo con el
intervalo hallado?
31. Los siguientes nmeros representan el tiempo (en minutos) que tardaron
15 operarios en familiarizarse con el manejo de una nueva mquina
adquirida por la empresa: 3.4, 2.8, 4.4, 2.5, 3.3, 4.0, 4.8, 2.9, 5.6, 5.2, 3.7,
3.0, 3.6, 2.8, 4.8. Supongamos que los tiempos se distribuyen
normalmente. Encuentre un intervalo de confianza del 95% para la media
poblacional.
32. Un fabricante produce focos que tienen un promedio de vida con
distribucin aproximadamente normal y una desviacin estndar de 40
horas. Si una muestra de tamao 30 focos tiene una vida promedio de
780 horas, encuentre un intervalo de confianza del 96% para la media
Estadstica
285
poblacional de todos los focos que produce esta empresa.
33. Una mquina de refrescos est ajustada de tal manera que la cantidad
de lquido despachada se distribuye aproximadamente normal con una
desviacin estndar igual a 0.15 decilitros. Encuentre un intervalo de
confianza del 95% para la media de todos los refrescos que sirve esta
mquina, si una muestra aleatoria de 36 refrescos tiene un contenido
promedio de 2.25 decilitros.
34. Un fabricante de fibras sintticas desea estimar la tensin de ruptura
media de las fibras. Disea un experimento en el que se observan las
tensiones de ruptura, en libras, de 16 hilos del proceso seleccionados
aleatoriamente. Las tensiones son: 20.8, 20.6, 21.0, 20.9, 19.9,
20.2, 19.8, 19.6, 21.1, 20.4, 20.6, 19.7, 19.6, 20.3, 20.7,
20.9. Supngase que la tensin de ruptura se distribuye normalmente,
hallar un intervalo del 95% de confianza para estimar la tensin de
ruptura promedio de la fibra.
35. Se selecciona una muestra aleatoria de 500 fumadores de cigarro y se
encuentra que 86 de ellos prefieren la marca X. Encuentre el intervalo de
confianza de 90% para la fraccin de la poblacin de fumadores que
prefieren la marca X.
36. El gerente de una sucursal bancaria en una ciudad pequea querra
determinar la proporcin de ahorradores a quienes se les paga su sueldo
semanalmente. Una muestra aleatoria de 100 indica que a 30 no se les
paga semanalmente. Estime un intervalo de confianza del 96% para la
proporcin real de ahorradores que reciben su sueldo semanalmente.
Estadstica
286
37. Una empresa elctrica fabrica focos que tienen una duracin que est
distribuida aproximadamente en forma normal con una media de 800
horas y una desviacin estndar poblaciones de 40. Pruebe la hiptesis
de que = 800 horas en contraposicin de la alternativa de que 800
horas si una muestra aleatoria de 30 focos tiene una duracin promedio
de 788 horas. Utilice un nivel de significancia de 0.04.
38. Una muestra aleatoria de 36 refrescos de una mquina despachadora
automtica tiene un contenido promedio de 21.9 decilitros, con una
desviacin estndar de 1.42 decilitros. Pruebe la hiptesis de que
22.2 decilitros en contraposicin a la hiptesis alternativa, < 22.2, en el
nivel de significancia de 0.04.
39. La altura promedio de las mujeres en el grupo de primer ao de una
institucin de enseanza superior es de 162.5 centmetros. con una
desviacin estndar poblacional de 6.9 centmetros. Hay alguna razn
para creer que existe un cambio en la altura promedio si una muestra
aleatoria de 50 mujeres del grupo actual tiene una altura promedio de
165.2 centmetros? Utilice un nivel de significancia de 0.05.
40. Se afirma que un automvil recorre un promedio anual de ms de 20.000
km. Para probar esta afirmacin, se le solicita a una muestra aleatoria
de 100 propietarios de automvil que lleve un registro de los km que
recorre. Estara usted de acuerdo con esta afirmacin si en la muestra
aleatoria resulta un promedio de 23.500 km y una desviacin estndar
poblaciones de 3.900 km? Utilice un nivel de significancia de 0.05.
Estadstica
287
41. Pruebe la hiptesis de que el contenido promedio en recipientes de un
lubricante en particular es de 10 litros si los contenidos de una muestra
aleatoria de 10 recipientes son 10.2, 9.7, 10.1, 10.3, 10.1, 9.8, 9.9,
10.4, 10.3, 9.8 litros. Utilice un nivel de significancia de 0.01 y suponga
que la distribucin de los contenidos es normal.
42. Una muestra aleatoria de 8 cigarros de una marca determinada tiene un
contenido promedio de nicotina de 4.2 miligramos y una desviacin
estndar muestral de 1.4 miligramos. Est esto de acuerdo con la
afirmacin del fabricante de que el contenido promedio de nicotina no
excede de 3.5 miligramos? Suponga que la distribucin de los contenidos
de nicotina es normal. Asuma un nivel de significancia de 0.01.
43. Un fabricante de televisores anuncia que el 90% de sus aparatos no
necesita ninguna reparacin durante los dos primeros aos de uso. La
Oficina de Proteccin al Consumidor selecciona una muestra de 100
aparatos y encuentra que 14 necesitaron alguna reparacin durante los
dos primeros aos de uso. Al nivel de significancia de 0.01, a qu
conclusin puede llegar la Oficina de Proteccin al Consumidor?
44. Una compaa productora de combustibles asegura que una quinta parte
de los hogares en una cierta ciudad se calienta con petrleo. Se tiene
alguna razn para dudar de esta afirmacin si, en una muestra aleatoria
de 1000 hogares en esta ciudad, se encuentra que 236 se calientan con
petrleo? Utilice un nivel de significancia de 0.01.
Estadstica
288
45. Se cree que al menos 60% de los residentes en una cierta rea favorecen
una demanda de anexin de una ciudad vecina. Qu conclusin sacara
usted si slo 110 en una muestra aleatoria de 200 votantes favorecen al
acta? Utilice un nivel de significancia de 0.04.
46. Un cantante graba en vdeo-cinta sus actuaciones y registra el total de los
tiempos que debe esperar a que el pblico deje de aplaudir. En
actuaciones anteriores, el tiempo promedio que tena que esperar era de
65.1 segundos. Interesado en saber si sus actuaciones son mejores,
seleccion una muestra aleatoria de 15 actuaciones en la que utiliz
nuevos tipos de msica, dando como resultado un tiempo promedio de
espera de 71.5 segundos y una desviacin estndar de 21.3 segundos.
Cree usted, a un nivel de significancia del 0.05, que sus viejas
actuaciones no son mejores que las actuaciones nuevas?
47. Se cree que un protector solar es efectivo slo en un 70% de los casos.
Resultados experimentales con un nuevo protector solar, mostraron que
de 60 personas seleccionadas aleatoriamente, 15 no fueron protegidas
contra el sol. Es sta suficiente evidencia para concluir a un nivel de
significancia de 0.05, que tanto el nuevo como el viejo protector solar son
igual de efectivos?
48. En el banco Jefferson, dado la cantidad de quejas por parte de los
usuarios por el tiempo (en minutos) que deben hacer fila para que los
atiendan, se hizo un estudio para mirar el tiempo (en minutos) que se
demoran en la fila antes de que los atiendan, para buscar la solucin al
problema despus de haber aumentado el nmero de ventanillas y los
resultados fueron los siguientes:
10.2 5.3 8.5 9.3 20.1 3.5 5.5 7.3
Estadstica
289
8.5 5.4 6.7 10.2 10.5 15.5 25 23.2
19.5 17.3 26.5 10.5 9.3 8.5 4.3 5.8
6.5 4.3 15.3 10.8 19.5 23.2
Despus del aumento de las ventanillas, cul es el tiempo promedio real
(con un nivel de significancia del 0.05 ) de espera de los clientes?
49. En el banco Z, dada la cantidad de quejas por parte de los usuarios
(cuenta con 30 clientes fijos, de los cuales 8 estn satisfechos) por el
tiempo (en minutos) que deben hacer fila para que los atiendan, se hizo
un estudio, para buscar la solucin al problema; se sabe:
El tiempo de espera se distribuye aproximadamente normal con un
tiempo promedio de 22.5 minutos y una desviacin estndar de 2.5
minutos.
En promedio se retiran del banco 2 clientes por mes.
De una muestra aleatoria de tamao 150 clientes, el 60% de ellos son
hombres.
Responder:
a. Cul es la probabilidad de que el tiempo de espera sea superior a 18
minutos?
b. De una muestra aleatoria de 15 clientes, cul es la probabilidad de que
al menos 12 estn satisfechos con el servicio del banco?
c. Si el 15% de los clientes se retiran del banco en menos de 20 das, cul
sera el tiempo promedio de retiro de ellos?
d. Con una confianza del 95%, cul sera la proporcin de clientes
hombres en el banco?
e. Los clientes afirman que consideran el servicio inefectivo si el promedio
de tiempo de espera es por lo menos de 18 minutos, cul es la
probabilidad de que sigan reclamando?
Estadstica
290
f. De una muestra aleatoria de 10 clientes, cul es la probabilidad de que
8 clientes estn satisfechos?
g. Si el 35% de los clientes esperan menos de 22 minutos, cul sera el
tiempo de espera promedio real?
h. Cul es la probabilidad de que ningn cliente est insatisfecho?
i. Cul es la probabilidad de que se retire un cliente en al menos 10 das?
j. Cul es la probabilidad de que en un mes no se retiren clientes?
Estadstica
291
ANEXOS TABLAS DE PROBABILIDAD ACUMULADA
Anexo A
n x 0,10 0,20 0,25 0,30 0,40 0,50 0,60 0,70 0,80 0,90
1 0 0,9000 0,8000 0,7500 0,7000 0,6000 0,5000 0,4000 0,3000 0,2000 0,1000
1 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000

2 0 0,8100 0,6400 0,5625 0,4900 0,3600 0,2500 0,1600 0,0900 0,0400 0,0100
1 0,9900 0,9600 0,9375 0,9100 0,8400 0,7500 0,6400 0,5100 0,3600 0,1900
2 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000

3 0 0,7290 0,5120 0,4219 0,3430 0,2160 0,1250 0,0640 0,0270 0,0080 0,0010
1 0,9720 0,8960 0,8438 0,7840 0,6480 0,5000 0,3520 0,2160 0,1040 0,0280
2 0,9990 0,9920 0,9844 0,9730 0,9360 0,8750 0,7840 0,6570 0,4880 0,2710
3 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
4 0 0,6561 0,4096 0,3164 0,2401 0,1296 0,0625 0,0256 0,0081 0,0016 0,0001
1 0,9477 0,8192 0,7383 0,6517 0,4752 0,3125 0,1792 0,0837 0,0272 0,0037
2 0,9963 0,9728 0,9492 0,9163 0,8208 0,6875 0,5248 0,3483 0,1808 0,0523
3 0,9999 0,9984 0,9961 0,9919 0,9744 0,9375 0,8704 0,7599 0,5904 0,3439
4 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
5 0 0,5905 0,3277 0,2373 0,1681 0,0778 0,0313 0,0102 0,0024 0,0003 0,0000
1 0,9185 0,7373 0,6328 0,5282 0,3370 0,1875 0,0870 0,0308 0,0067 0,0005
2 0,9914 0,9421 0,8965 0,8369 0,6826 0,5000 0,3174 0,1631 0,0579 0,0086
3 0,9995 0,9933 0,9844 0,9692 0,9130 0,8125 0,6630 0,4718 0,2627 0,0815
4 1,0000 0,9997 0,9990 0,9976 0,9898 0,9688 0,9222 0,8319 0,6723 0,4095
5 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
6 0 0,5314 0,2621 0,1780 0,1176 0,0467 0,0156 0,0041 0,0007 0,0001 0,0000
1 0,8857 0,6554 0,5339 0,4202 0,2333 0,1094 0,0410 0,0109 0,0016 0,0001
2 0,9842 0,9011 0,8306 0,7443 0,5443 0,3438 0,1792 0,0705 0,0170 0,0013
3 0,9987 0,9830 0,9624 0,9295 0,8208 0,6563 0,4557 0,2557 0,0989 0,0159
4 0,9999 0,9984 0,9954 0,9891 0,9590 0,8906 0,7667 0,5798 0,3446 0,1143
5 1,0000 0,9999 0,9998 0,9993 0,9959 0,9844 0,9533 0,8824 0,7379 0,4686
6 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
7 0 0,4783 0,2097 0,1335 0,0824 0,0280 0,0078 0,0016 0,0002 0,0000 0,0000
1 0,8503 0,5767 0,4449 0,3294 0,1586 0,0625 0,0188 0,0038 0,0004 0,0000
2 0,9743 0,8520 0,7564 0,6471 0,4199 0,2266 0,0963 0,0288 0,0047 0,0002
3 0,9973 0,9667 0,9294 0,8740 0,7102 0,5000 0,2898 0,1260 0,0333 0,0027
4 0,9998 0,9953 0,9871 0,9712 0,9037 0,7734 0,5801 0,3529 0,1480 0,0257
5 1,0000 0,9996 0,9987 0,9962 0,9812 0,9375 0,8414 0,6706 0,4233 0,1497
6 1,0000 1,0000 0,9999 0,9998 0,9984 0,9922 0,9720 0,9176 0,7903 0,5217
7 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
8 0 0,4305 0,1678 0,1001 0,0576 0,0168 0,0039 0,0007 0,0001 0,0000 0,0000
1 0,8131 0,5033 0,3671 0,2553 0,1064 0,0352 0,0085 0,0013 0,0001 0,0000
2 0,9619 0,7969 0,6785 0,5518 0,3154 0,1445 0,0498 0,0113 0,0012 0,0000
3 0,9950 0,9437 0,8862 0,8059 0,5941 0,3633 0,1737 0,0580 0,0104 0,0004
4 0,9996 0,9896 0,9727 0,9420 0,8263 0,6367 0,4059 0,1941 0,0563 0,0050
5 1,0000 0,9988 0,9958 0,9887 0,9502 0,8555 0,6846 0,4482 0,2031 0,0381
6 1,0000 0,9999 0,9996 0,9987 0,9915 0,9648 0,8936 0,7447 0,4967 0,1869
7 1,0000 1,0000 1,0000 0,9999 0,9993 0,9961 0,9832 0,9424 0,8322 0,5695
8 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
TABLA ACUMULADA DE LA DISTRIBUCIN BINOMIAL
p
Estadstica
292
n x 0,10 0,20 0,25 0,30 0,40 0,50 0,60 0,70 0,80 0,90
9 0 0,3874 0,1342 0,0751 0,0404 0,0101 0,0020 0,0003 0,0000 0,0000 0,0000
1 0,7748 0,4362 0,3003 0,1960 0,0705 0,0195 0,0038 0,0004 0,0000 0,0000
2 0,9470 0,7382 0,6007 0,4628 0,2318 0,0898 0,0250 0,0043 0,0003 0,0000
3 0,9917 0,9144 0,8343 0,7297 0,4826 0,2539 0,0994 0,0253 0,0031 0,0001
4 0,9991 0,9804 0,9511 0,9012 0,7334 0,5000 0,2666 0,0988 0,0196 0,0009
5 0,9999 0,9969 0,9900 0,9747 0,9006 0,7461 0,5174 0,2703 0,0856 0,0083
6 1,0000 0,9997 0,9987 0,9957 0,9750 0,9102 0,7682 0,5372 0,2618 0,0530
7 1,0000 1,0000 0,9999 0,9996 0,9962 0,9805 0,9295 0,8040 0,5638 0,2252
8 1,0000 1,0000 1,0000 1,0000 0,9997 0,9980 0,9899 0,9596 0,8658 0,6126
9 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
10 0 0,3487 0,1074 0,0563 0,0282 0,0060 0,0010 0,0001 0,0000 0,0000 0,0000
1 0,7361 0,3758 0,2440 0,1493 0,0464 0,0107 0,0017 0,0001 0,0000 0,0000
2 0,9298 0,6778 0,5256 0,3828 0,1673 0,0547 0,0123 0,0016 0,0001 0,0000
3 0,9872 0,8791 0,7759 0,6496 0,3823 0,1719 0,0548 0,0106 0,0009 0,0000
4 0,9984 0,9672 0,9219 0,8497 0,6331 0,3770 0,1662 0,0473 0,0064 0,0001
5 0,9999 0,9936 0,9803 0,9527 0,8338 0,6230 0,3669 0,1503 0,0328 0,0016
6 1,0000 0,9991 0,9965 0,9894 0,9452 0,8281 0,6177 0,3504 0,1209 0,0128
7 1,0000 0,9999 0,9996 0,9984 0,9877 0,9453 0,8327 0,6172 0,3222 0,0702
8 1,0000 1,0000 1,0000 0,9999 0,9983 0,9893 0,9536 0,8507 0,6242 0,2639
9 1,0000 1,0000 1,0000 1,0000 0,9999 0,9990 0,9940 0,9718 0,8926 0,6513
10 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000

11 0 0,3138 0,0859 0,0422 0,0198 0,0036 0,0005 0,0000 0,0000 0,0000 0,0000
1 0,6974 0,3221 0,1971 0,1130 0,0302 0,0059 0,0007 0,0000 0,0000 0,0000
2 0,9104 0,6174 0,4552 0,3127 0,1189 0,0327 0,0059 0,0006 0,0000 0,0000
3 0,9815 0,8389 0,7133 0,5696 0,2963 0,1133 0,0293 0,0043 0,0002 0,0000
4 0,9972 0,9496 0,8854 0,7897 0,5328 0,2744 0,0994 0,0216 0,0020 0,0000
5 0,9997 0,9883 0,9657 0,9218 0,7535 0,5000 0,2465 0,0782 0,0117 0,0003
6 1,0000 0,9980 0,9924 0,9784 0,9006 0,7256 0,4672 0,2103 0,0504 0,0028
8 1,0000 0,9983 0,9935 0,9821 0,9240 0,8062 0,6446 0,4671 0,2719 0,0738
9 1,0000 0,9983 0,9936 0,9826 0,9292 0,8330 0,7333 0,6669 0,5671 0,2869
10 1,0000 0,9983 0,9936 0,9827 0,9299 0,8384 0,7599 0,7601 0,8034 0,6704
11 1,0000 0,9983 0,9936 0,9827 0,9299 0,8389 0,7635 0,7799 0,8893 0,9842

12 0 0,2824 0,0687 0,0317 0,0138 0,0022 0,0002 0,0000 0,0000 0,0000 0,0000
1 0,6590 0,2749 0,1584 0,0850 0,0196 0,0032 0,0003 0,0000 0,0000 0,0000
2 0,8891 0,5583 0,3907 0,2528 0,0834 0,0193 0,0028 0,0002 0,0000 0,0000
3 0,9744 0,7946 0,6488 0,4925 0,2253 0,0730 0,0153 0,0017 0,0001 0,0000
4 0,9957 0,9274 0,8424 0,7237 0,4382 0,1938 0,0573 0,0095 0,0006 0,0000
5 0,9995 0,9806 0,9456 0,8822 0,6652 0,3872 0,1582 0,0386 0,0039 0,0001
6 0,9999 0,9961 0,9857 0,9614 0,8418 0,6128 0,3348 0,1178 0,0194 0,0005
7 1,0000 0,9994 0,9972 0,9905 0,9427 0,8062 0,5618 0,2763 0,0726 0,0043
8 1,0000 0,9999 0,9996 0,9983 0,9847 0,9270 0,7747 0,5075 0,2054 0,0256
9 1,0000 1,0000 1,0000 0,9998 0,9972 0,9807 0,9166 0,7472 0,4417 0,1109
10 1,0000 1,0000 1,0000 1,0000 0,9997 0,9968 0,9804 0,9150 0,7251 0,3410
11 1,0000 1,0000 1,0000 1,0000 1,0000 0,9998 0,9978 0,9862 0,9313 0,7176
12 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
Estadstica
293
n x 0,10 0,20 0,25 0,30 0,40 0,50 0,60 0,70 0,80 0,90
13 0 0,2542 0,0550 0,0238 0,0097 0,0013 0,0001 0,0000 0,0000 0,0000 0,0000
1 0,6213 0,2336 0,1267 0,0637 0,0126 0,0017 0,0001 0,0000 0,0000 0,0000
2 0,8661 0,5017 0,3326 0,2025 0,0579 0,0112 0,0013 0,0001 0,0000 0,0000
3 0,9658 0,7473 0,5843 0,4206 0,1686 0,0461 0,0078 0,0007 0,0000 0,0000
4 0,9935 0,9009 0,7940 0,6543 0,3530 0,1334 0,0321 0,0040 0,0002 0,0000
5 0,9991 0,9700 0,9198 0,8346 0,5744 0,2905 0,0977 0,0182 0,0012 0,0000
6 0,9999 0,9930 0,9757 0,9376 0,7712 0,5000 0,2288 0,0624 0,0070 0,0001
7 1,0000 0,9988 0,9944 0,9818 0,9023 0,7095 0,4256 0,1654 0,0300 0,0009
8 1,0000 0,9998 0,9990 0,9960 0,9679 0,8666 0,6470 0,3457 0,0991 0,0065
9 1,0000 1,0000 0,9999 0,9993 0,9922 0,9539 0,8314 0,5794 0,2527 0,0342
10 1,0000 1,0000 1,0000 0,9999 0,9987 0,9888 0,9421 0,7975 0,4983 0,1339
11 1,0000 1,0000 1,0000 1,0000 0,9999 0,9983 0,9874 0,9363 0,7664 0,3787
12 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9987 0,9903 0,9450 0,7458
13 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
14 0 0,2288 0,0440 0,0178 0,0068 0,0008 0,0001 0,0000 0,0000 0,0000 0,0000
1 0,5846 0,1979 0,1010 0,0475 0,0081 0,0009 0,0001 0,0000 0,0000 0,0000
2 0,8416 0,4481 0,2811 0,1608 0,0398 0,0065 0,0006 0,0000 0,0000 0,0000
3 0,9559 0,6982 0,5213 0,3552 0,1243 0,0287 0,0039 0,0002 0,0000 0,0000
4 0,9908 0,8702 0,7415 0,5842 0,2793 0,0898 0,0175 0,0017 0,0000 0,0000
5 0,9985 0,9561 0,8883 0,7805 0,4859 0,2120 0,0583 0,0083 0,0004 0,0000
6 0,9998 0,9884 0,9617 0,9067 0,6925 0,3953 0,1501 0,0315 0,0024 0,0000
7 1,0000 0,9976 0,9897 0,9685 0,8499 0,6047 0,3075 0,0933 0,0116 0,0002
8 1,0000 0,9996 0,9978 0,9917 0,9417 0,7880 0,5141 0,2195 0,0439 0,0015
9 1,0000 1,0000 0,9997 0,9983 0,9825 0,9102 0,7207 0,4158 0,1298 0,0092
10 1,0000 1,0000 1,0000 0,9998 0,9961 0,9713 0,8757 0,6448 0,3018 0,0441
11 1,0000 1,0000 1,0000 1,0000 0,9994 0,9935 0,9602 0,8392 0,5519 0,1584
12 1,0000 1,0000 1,0000 1,0000 0,9999 0,9991 0,9919 0,9525 0,8021 0,4154
13 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9992 0,9932 0,9560 0,7712
14 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000

15 0 0,2059 0,0352 0,0134 0,0047 0,0005 0,0000 0,0000 0,0000 0,0000 0,0000
1 0,5490 0,1671 0,0802 0,0353 0,0052 0,0005 0,0000 0,0000 0,0000 0,0000
2 0,8159 0,3980 0,2361 0,1268 0,0271 0,0037 0,0003 0,0000 0,0000 0,0000
3 0,9444 0,6482 0,4613 0,2969 0,0905 0,0176 0,0019 0,0001 0,0000 0,0000
4 0,9873 0,8358 0,6865 0,5155 0,2173 0,0592 0,0093 0,0007 0,0000 0,0000
5 0,9978 0,9389 0,8516 0,7216 0,4032 0,1509 0,0338 0,0037 0,0001 0,0000
6 0,9997 0,9819 0,9434 0,8689 0,6098 0,3036 0,0950 0,0152 0,0008 0,0000
7 1,0000 0,9958 0,9827 0,9500 0,7869 0,5000 0,2131 0,0500 0,0042 0,0000
8 1,0000 0,9992 0,9958 0,9848 0,9050 0,6964 0,3902 0,1311 0,0181 0,0003
9 1,0000 0,9999 0,9992 0,9963 0,9662 0,8491 0,5968 0,2784 0,0611 0,0022
10 1,0000 1,0000 0,9999 0,9993 0,9907 0,9408 0,7827 0,4845 0,1642 0,0127
11 1,0000 1,0000 1,0000 0,9999 0,9981 0,9824 0,9095 0,7031 0,3518 0,0556
12 1,0000 1,0000 1,0000 1,0000 0,9997 0,9963 0,9729 0,8732 0,6020 0,1841
13 1,0000 1,0000 1,0000 1,0000 1,0000 0,9995 0,9948 0,9647 0,8329 0,4510
14 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9995 0,9953 0,9648 0,7941
15 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000

p
Estadstica
294
n x 0,10 0,20 0,25 0,30 0,40 0,50 0,60 0,70 0,80 0,90
16 0 0,1853 0,0281 0,0100 0,0033 0,0003 0,0000 0,0000 0,0000 0,0000 0,0000
1 0,5147 0,1407 0,0635 0,0261 0,0033 0,0003 0,0000 0,0000 0,0000 0,0000
2 0,7892 0,3518 0,1971 0,0994 0,0183 0,0021 0,0001 0,0000 0,0000 0,0000
3 0,9316 0,5981 0,4050 0,2459 0,0651 0,0106 0,0009 0,0000 0,0000 0,0000
4 0,9830 0,7982 0,6302 0,4499 0,1666 0,0384 0,0049 0,0003 0,0000 0,0000
5 0,9967 0,9183 0,8103 0,6598 0,3288 0,1051 0,0191 0,0016 0,0000 0,0000
6 0,9995 0,9733 0,9204 0,8247 0,5272 0,2272 0,0583 0,0071 0,0002 0,0000
7 0,9999 0,9930 0,9729 0,9256 0,7161 0,4018 0,1423 0,0257 0,0015 0,0000
8 1,0000 0,9985 0,9925 0,9743 0,8577 0,5982 0,2839 0,0744 0,0070 0,0001
9 1,0000 0,9998 0,9984 0,9929 0,9417 0,7728 0,4728 0,1753 0,0267 0,0005
10 1,0000 1,0000 0,9997 0,9984 0,9809 0,8949 0,6712 0,3402 0,0817 0,0033
11 1,0000 1,0000 1,0000 0,9997 0,9951 0,9616 0,8334 0,5501 0,2018 0,0170
12 1,0000 1,0000 1,0000 1,0000 0,9991 0,9894 0,9349 0,7541 0,4019 0,0684
13 1,0000 1,0000 1,0000 1,0000 0,9999 0,9979 0,9817 0,9006 0,6482 0,2108
14 1,0000 1,0000 1,0000 1,0000 1,0000 0,9997 0,9967 0,9739 0,8593 0,4853
15 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9997 0,9967 0,9719 0,8147
16 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
17 0 0,1668 0,0225 0,0075 0,0023 0,0002 0,0000 0,0000 0,0000 0,0000 0,0000
1 0,4818 0,1182 0,0501 0,0193 0,0021 0,0001 0,0000 0,0000 0,0000 0,0000
2 0,7618 0,3096 0,1637 0,0774 0,0123 0,0012 0,0001 0,0000 0,0000 0,0000
3 0,9174 0,5489 0,3530 0,2019 0,0464 0,0064 0,0005 0,0000 0,0000 0,0000
4 0,9779 0,7582 0,5739 0,3887 0,1260 0,0245 0,0025 0,0001 0,0000 0,0000
5 0,9953 0,8943 0,7653 0,5968 0,2639 0,0717 0,0106 0,0007 0,0000 0,0000
6 0,9992 0,9623 0,8929 0,7752 0,4478 0,1662 0,0348 0,0032 0,0001 0,0000
7 0,9999 0,9891 0,9598 0,8954 0,6405 0,3145 0,0919 0,0127 0,0005 0,0000
8 1,0000 0,9974 0,9876 0,9597 0,8011 0,5000 0,1989 0,0403 0,0026 0,0000
9 1,0000 0,9995 0,9969 0,9873 0,9081 0,6855 0,3595 0,1046 0,0109 0,0001
10 1,0000 0,9999 0,9994 0,9968 0,9652 0,8338 0,5522 0,2248 0,0377 0,0008
11 1,0000 1,0000 0,9999 0,9993 0,9894 0,9283 0,7361 0,4032 0,1057 0,0047
12 1,0000 1,0000 1,0000 0,9999 0,9975 0,9755 0,8740 0,6113 0,2418 0,0221
13 1,0000 1,0000 1,0000 1,0000 0,9995 0,9936 0,9536 0,7981 0,4511 0,0826
14 1,0000 1,0000 1,0000 1,0000 0,9999 0,9988 0,9877 0,9226 0,6904 0,2382
15 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9979 0,9807 0,8818 0,5182
16 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9998 0,9977 0,9775 0,8332
17 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000

18 0 0,1501 0,0180 0,0056 0,0016 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000
1 0,4503 0,0991 0,0395 0,0142 0,0013 0,0001 0,0000 0,0000 0,0000 0,0000
2 0,7338 0,2713 0,1353 0,0600 0,0082 0,0007 0,0000 0,0000 0,0000 0,0000
3 0,9018 0,5010 0,3057 0,1646 0,0328 0,0038 0,0002 0,0000 0,0000 0,0000
4 0,9718 0,7164 0,5187 0,3327 0,0942 0,0154 0,0013 0,0000 0,0000 0,0000
5 0,9936 0,8671 0,7175 0,5344 0,2088 0,0481 0,0058 0,0003 0,0000 0,0000
6 0,9988 0,9487 0,8610 0,7217 0,3743 0,1189 0,0203 0,0014 0,0000 0,0000
7 0,9998 0,9837 0,9431 0,8593 0,5634 0,2403 0,0576 0,0061 0,0002 0,0000
8 1,0000 0,9957 0,9807 0,9404 0,7368 0,4073 0,1347 0,0210 0,0009 0,0000
9 1,0000 0,9991 0,9946 0,9790 0,8653 0,5927 0,2632 0,0596 0,0043 0,0000
10 1,0000 0,9998 0,9988 0,9939 0,9424 0,7597 0,4366 0,1407 0,0163 0,0002
11 1,0000 1,0000 0,9998 0,9986 0,9797 0,8811 0,6257 0,2783 0,0513 0,0012
12 1,0000 1,0000 1,0000 0,9997 0,9942 0,9519 0,7912 0,4656 0,1329 0,0064
13 1,0000 1,0000 1,0000 1,0000 0,9987 0,9846 0,9058 0,6673 0,2836 0,0282
14 1,0000 1,0000 1,0000 1,0000 0,9998 0,9962 0,9672 0,8354 0,4990 0,0982
15 1,0000 1,0000 1,0000 1,0000 1,0000 0,9993 0,9918 0,9400 0,7287 0,2662
16 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9987 0,9858 0,9009 0,5497
17 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9984 0,9820 0,8499
18 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
Estadstica
295
n x 0,10 0,20 0,25 0,30 0,40 0,50 0,60 0,70 0,80 0,90
19 0 0,1351 0,0144 0,0042 0,0011 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000
1 0,4203 0,0829 0,0310 0,0104 0,0008 0,0000 0,0000 0,0000 0,0000 0,0000
2 0,7054 0,2369 0,1113 0,0462 0,0055 0,0004 0,0000 0,0000 0,0000 0,0000
3 0,8850 0,4551 0,2631 0,1332 0,0230 0,0022 0,0001 0,0000 0,0000 0,0000
4 0,9648 0,6733 0,4654 0,2822 0,0696 0,0096 0,0006 0,0000 0,0000 0,0000
5 0,9914 0,8369 0,6678 0,4739 0,1629 0,0318 0,0031 0,0001 0,0000 0,0000
6 0,9983 0,9324 0,8251 0,6655 0,3081 0,0835 0,0116 0,0006 0,0000 0,0000
7 0,9997 0,9767 0,9225 0,8180 0,4878 0,1796 0,0352 0,0028 0,0000 0,0000
8 1,0000 0,9933 0,9713 0,9161 0,6675 0,3238 0,0885 0,0105 0,0003 0,0000
9 1,0000 0,9984 0,9911 0,9674 0,8139 0,5000 0,1861 0,0326 0,0016 0,0000
10 1,0000 0,9997 0,9977 0,9895 0,9115 0,6762 0,3325 0,0839 0,0067 0,0000
11 1,0000 1,0000 0,9995 0,9972 0,9648 0,8204 0,5122 0,1820 0,0233 0,0003
12 1,0000 1,0000 0,9999 0,9994 0,9884 0,9165 0,6919 0,3345 0,0676 0,0017
13 1,0000 1,0000 1,0000 0,9999 0,9969 0,9682 0,8371 0,5261 0,1631 0,0086
14 1,0000 1,0000 1,0000 1,0000 0,9994 0,9904 0,9304 0,7178 0,3267 0,0352
15 1,0000 1,0000 1,0000 1,0000 0,9999 0,9978 0,9770 0,8668 0,5449 0,1150
16 1,0000 1,0000 1,0000 1,0000 1,0000 0,9996 0,9945 0,9538 0,7631 0,2946
17 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9992 0,9896 0,9171 0,5797
18 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9989 0,9856 0,8649
19 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
20 0 0,1216 0,0115 0,0032 0,0008 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
1 0,3917 0,0692 0,0243 0,0076 0,0005 0,0000 0,0000 0,0000 0,0000 0,0000
2 0,6769 0,2061 0,0913 0,0355 0,0036 0,0002 0,0000 0,0000 0,0000 0,0000
3 0,8670 0,4114 0,2252 0,1071 0,0160 0,0013 0,0000 0,0000 0,0000 0,0000
4 0,9568 0,6296 0,4148 0,2375 0,0510 0,0059 0,0003 0,0000 0,0000 0,0000
5 0,9887 0,8042 0,6172 0,4164 0,1256 0,0207 0,0016 0,0000 0,0000 0,0000
6 0,9976 0,9133 0,7858 0,6080 0,2500 0,0577 0,0065 0,0003 0,0000 0,0000
7 0,9996 0,9679 0,8982 0,7723 0,4159 0,1316 0,0210 0,0013 0,0000 0,0000
8 0,9999 0,9900 0,9591 0,8867 0,5956 0,2517 0,0565 0,0051 0,0001 0,0000
9 1,0000 0,9974 0,9861 0,9520 0,7553 0,4119 0,1275 0,0171 0,0006 0,0000
10 1,0000 0,9994 0,9961 0,9829 0,8725 0,5881 0,2447 0,0480 0,0026 0,0000
11 1,0000 0,9999 0,9991 0,9949 0,9435 0,7483 0,4044 0,1133 0,0100 0,0001
12 1,0000 1,0000 0,9998 0,9987 0,9790 0,8684 0,5841 0,2277 0,0321 0,0004
13 1,0000 1,0000 1,0000 0,9997 0,9935 0,9423 0,7500 0,3920 0,0867 0,0024
14 1,0000 1,0000 1,0000 1,0000 0,9984 0,9793 0,8744 0,5836 0,1958 0,0113
15 1,0000 1,0000 1,0000 1,0000 0,9997 0,9941 0,9490 0,7625 0,3704 0,0432
16 1,0000 1,0000 1,0000 1,0000 1,0000 0,9987 0,9840 0,8929 0,5886 0,1330
17 1,0000 1,0000 1,0000 1,0000 1,0000 0,9998 0,9964 0,9645 0,7939 0,3231
18 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9995 0,9924 0,9308 0,6083
19 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9992 0,9885 0,8784
20 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
Estadstica
296
ANEXO B
x 0,1 0,2 0,30 0,4 0,5 0,6 0,7 0,8 0,9
0 0,9048 0,8187 0,7408 0,6703 0,6065 0,5488 0,4966 0,4493 0,4066
1 0,9953 0,9825 0,9631 0,9384 0,9098 0,8781 0,8442 0,8088 0,7725
2 0,9998 0,9989 0,9964 0,9921 0,9856 0,9769 0,9659 0,9526 0,9371
3 1,0000 0,9999 0,9997 0,9992 0,9982 0,9966 0,9942 0,9909 0,9865
4 1,0000 1,0000 1,0000 0,9999 0,9998 0,9996 0,9992 0,9986 0,9977
5 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9998 0,9997
6 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
x 1,0 1,5 2,0 2,5 3,0 3,5 4,0 4,5 5,0
0 0,3679 0,2231 0,1353 0,0821 0,0498 0,0302 0,0183 0,0111 0,0067
1 0,7358 0,5578 0,4060 0,2873 0,1991 0,1359 0,0916 0,0611 0,0404
2 0,9197 0,8088 0,6767 0,5438 0,4232 0,3208 0,2381 0,1736 0,1247
3 0,9810 0,9344 0,8571 0,7576 0,6472 0,5366 0,4335 0,3423 0,2650
4 0,9963 0,9814 0,9473 0,8912 0,8153 0,7254 0,6288 0,5321 0,4405
5 0,9994 0,9955 0,9834 0,9580 0,9161 0,8576 0,7851 0,7029 0,6160
6 0,9999 0,9991 0,9955 0,9858 0,9665 0,9347 0,8893 0,8311 0,7622
7 1,0000 0,9998 0,9989 0,9958 0,9881 0,9733 0,9489 0,9134 0,8666
8 1,0000 1,0000 0,9998 0,9989 0,9962 0,9901 0,9786 0,9597 0,9319
9 1,0000 1,0000 1,0000 0,9997 0,9989 0,9967 0,9919 0,9829 0,9682
10 1,0000 1,0000 1,0000 0,9999 0,9997 0,9990 0,9972 0,9933 0,9863
11 1,0000 1,0000 1,0000 1,0000 0,9999 0,9997 0,9991 0,9976 0,9945
12 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9997 0,9992 0,9980
13 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9997 0,9993
14 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9998
15 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999
16 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
TABLA ACUMULADA DE LA DISTRIBUCIN POISSON
Estadstica
297
(Continuacin)
x 5,5 6,0 6,5 7,0 7,5 8,0 8,5 9,0 9,5
0 0,0041 0,0025 0,0015 0,0009 0,0006 0,0003 0,0002 0,0001 0,0001
1 0,0266 0,0174 0,0113 0,0073 0,0047 0,0030 0,0019 0,0012 0,0008
2 0,0884 0,0620 0,0430 0,0296 0,0203 0,0138 0,0093 0,0062 0,0042
3 0,2017 0,1512 0,1118 0,0818 0,0591 0,0424 0,0301 0,0212 0,0149
4 0,3575 0,2851 0,2237 0,1730 0,1321 0,0996 0,0744 0,0550 0,0403
5 0,5289 0,4457 0,3690 0,3007 0,2414 0,1912 0,1496 0,1157 0,0885
6 0,6860 0,6063 0,5265 0,4497 0,3782 0,3134 0,2562 0,2068 0,1649
7 0,8095 0,7440 0,6728 0,5987 0,5246 0,4530 0,3856 0,3239 0,2687
8 0,8944 0,8472 0,7916 0,7291 0,6620 0,5925 0,5231 0,4557 0,3918
9 0,9462 0,9161 0,8774 0,8305 0,7764 0,7166 0,6530 0,5874 0,5218
10 0,9747 0,9574 0,9332 0,9015 0,8622 0,8159 0,7634 0,7060 0,6453
11 0,9890 0,9799 0,9661 0,9467 0,9208 0,8881 0,8487 0,8030 0,7520
12 0,9955 0,9912 0,9840 0,9730 0,9573 0,9362 0,9091 0,8758 0,8364
13 0,9983 0,9964 0,9929 0,9872 0,9784 0,9658 0,9486 0,9261 0,8981
14 0,9994 0,9986 0,9970 0,9943 0,9897 0,9827 0,9726 0,9585 0,9400
15 0,9998 0,9995 0,9988 0,9976 0,9954 0,9918 0,9862 0,9780 0,9665
16 0,9999 0,9998 0,9996 0,9990 0,9980 0,9963 0,9934 0,9889 0,9823
17 1,0000 0,9999 0,9998 0,9996 0,9992 0,9984 0,9970 0,9947 0,9911
18 1,0000 1,0000 0,9999 0,9999 0,9997 0,9993 0,9987 0,9976 0,9957
19 1,0000 1,0000 1,0000 1,0000 0,9999 0,9997 0,9995 0,9989 0,9980
20 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9998 0,9996 0,9991
21 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9998 0,9996
22 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999
23 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999
24 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
Estadstica
298
(continuacin)
x 10 11 12 13 14 15 16 17 18
0 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
1 0,0005 0,0002 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
2 0,0028 0,0012 0,0005 0,0002 0,0001 0,0000 0,0000 0,0000 0,0000
3 0,0103 0,0049 0,0023 0,0011 0,0005 0,0002 0,0001 0,0000 0,0000
4 0,0293 0,0151 0,0076 0,0037 0,0018 0,0009 0,0004 0,0002 0,0001
5 0,0671 0,0375 0,0203 0,0107 0,0055 0,0028 0,0014 0,0007 0,0003
6 0,1301 0,0786 0,0458 0,0259 0,0142 0,0076 0,0040 0,0021 0,0010
7 0,2202 0,1432 0,0895 0,0540 0,0316 0,0180 0,0100 0,0054 0,0029
8 0,3328 0,2320 0,1550 0,0998 0,0621 0,0374 0,0220 0,0126 0,0071
9 0,4579 0,3405 0,2424 0,1658 0,1094 0,0699 0,0433 0,0261 0,0154
10 0,5830 0,4599 0,3472 0,2517 0,1757 0,1185 0,0774 0,0491 0,0304
11 0,6968 0,5793 0,4616 0,3532 0,2600 0,1848 0,1270 0,0847 0,0549
12 0,7916 0,6887 0,5760 0,4631 0,3585 0,2676 0,1931 0,1350 0,0917
13 0,8645 0,7813 0,6815 0,5730 0,4644 0,3632 0,2745 0,2009 0,1426
14 0,9165 0,8540 0,7720 0,6751 0,5704 0,4657 0,3675 0,2808 0,2081
15 0,9513 0,9074 0,8444 0,7636 0,6694 0,5681 0,4667 0,3715 0,2867
16 0,9730 0,9441 0,8987 0,8355 0,7559 0,6641 0,5660 0,4677 0,3751
17 0,9857 0,9678 0,9370 0,8905 0,8272 0,7489 0,6593 0,5640 0,4686
18 0,9928 0,9823 0,9626 0,9302 0,8826 0,8195 0,7423 0,6550 0,5622
19 0,9965 0,9907 0,9787 0,9573 0,9235 0,8752 0,8122 0,7363 0,6509
20 0,9984 0,9953 0,9884 0,9750 0,9521 0,9170 0,8682 0,8055 0,7307
21 0,9993 0,9977 0,9939 0,9859 0,9712 0,9469 0,9108 0,8615 0,7991
22 0,9997 0,9990 0,9970 0,9924 0,9833 0,9673 0,9418 0,9047 0,8551
23 0,9999 0,9995 0,9985 0,9960 0,9907 0,9805 0,9633 0,9367 0,8989
24 1,0000 0,9998 0,9993 0,9980 0,9950 0,9888 0,9777 0,9594 0,9317
25 1,0000 0,9999 0,9997 0,9990 0,9974 0,9938 0,9869 0,9748 0,9554
26 1,0000 1,0000 0,9999 0,9995 0,9987 0,9967 0,9925 0,9848 0,9718
27 1,0000 1,0000 0,9999 0,9998 0,9994 0,9983 0,9959 0,9912 0,9827
28 1,0000 1,0000 1,0000 0,9999 0,9997 0,9991 0,9978 0,9950 0,9897
29 1,0000 1,0000 1,0000 1,0000 0,9999 0,9996 0,9989 0,9973 0,9941
30 1,0000 1,0000 1,0000 1,0000 0,9999 0,9998 0,9994 0,9986 0,9967
31 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9997 0,9993 0,9982
32 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9996 0,9990
33 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9998 0,9995
34 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9998
35 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999
36 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999
37 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
Estadstica
299
ANEXO C
Z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
-3,9 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
-3,8 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001
-3,7 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001
-3,6 0,0002 0,0002 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001
-3,5 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002
-3,4 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0002
-3,3 0,0005 0,0005 0,0005 0,0004 0,0004 0,0004 0,0004 0,0004 0,0004 0,0003
-3,2 0,0007 0,0007 0,0006 0,0006 0,0006 0,0006 0,0006 0,0005 0,0005 0,0005
-3,1 0,0010 0,0009 0,0009 0,0009 0,0008 0,0008 0,0008 0,0008 0,0007 0,0007
-3,0 0,0013 0,0013 0,0013 0,0012 0,0012 0,0011 0,0011 0,0011 0,0010 0,0010
-2,9 0,0019 0,0018 0,0018 0,0017 0,0016 0,0016 0,0015 0,0015 0,0014 0,0014
-2,8 0,0026 0,0025 0,0024 0,0023 0,0023 0,0022 0,0021 0,0021 0,0020 0,0019
-2,7 0,0035 0,0034 0,0033 0,0032 0,0031 0,0030 0,0029 0,0028 0,0027 0,0026
-2,6 0,0047 0,0045 0,0044 0,0043 0,0041 0,0040 0,0039 0,0038 0,0037 0,0036
-2,5 0,0062 0,0060 0,0059 0,0057 0,0055 0,0054 0,0052 0,0051 0,0049 0,0048
-2,4 0,0082 0,0080 0,0078 0,0075 0,0073 0,0071 0,0069 0,0068 0,0066 0,0064
-2,3 0,0107 0,0104 0,0102 0,0099 0,0096 0,0094 0,0091 0,0089 0,0087 0,0084
-2,2 0,0139 0,0136 0,0132 0,0129 0,0125 0,0122 0,0119 0,0116 0,0113 0,0110
-2,1 0,0179 0,0174 0,0170 0,0166 0,0162 0,0158 0,0154 0,0150 0,0146 0,0143
-2,0 0,0228 0,0222 0,0217 0,0212 0,0207 0,0202 0,0197 0,0192 0,0188 0,0183
-1,9 0,0287 0,0281 0,0274 0,0268 0,0262 0,0256 0,0250 0,0244 0,0239 0,0233
-1,8 0,0359 0,0351 0,0344 0,0336 0,0329 0,0322 0,0314 0,0307 0,0301 0,0294
-1,7 0,0446 0,0436 0,0427 0,0418 0,0409 0,0401 0,0392 0,0384 0,0375 0,0367
-1,6 0,0548 0,0537 0,0526 0,0516 0,0505 0,0495 0,0485 0,0475 0,0465 0,0455
-1,5 0,0668 0,0655 0,0643 0,0630 0,0618 0,0606 0,0594 0,0582 0,0571 0,0559
-1,4 0,0808 0,0793 0,0778 0,0764 0,0749 0,0735 0,0721 0,0708 0,0694 0,0681
-1,3 0,0968 0,0951 0,0934 0,0918 0,0901 0,0885 0,0869 0,0853 0,0838 0,0823
-1,2 0,1151 0,1131 0,1112 0,1093 0,1075 0,1056 0,1038 0,1020 0,1003 0,0985
-1,1 0,1357 0,1335 0,1314 0,1292 0,1271 0,1251 0,1230 0,1210 0,1190 0,1170
-1,0 0,1587 0,1562 0,1539 0,1515 0,1492 0,1469 0,1446 0,1423 0,1401 0,1379
-0,9 0,1841 0,1814 0,1788 0,1762 0,1736 0,1711 0,1685 0,1660 0,1635 0,1611
-0,8 0,2119 0,2090 0,2061 0,2033 0,2005 0,1977 0,1949 0,1922 0,1894 0,1867
-0,7 0,2420 0,2389 0,2358 0,2327 0,2296 0,2266 0,2236 0,2206 0,2177 0,2148
-0,6 0,2743 0,2709 0,2676 0,2643 0,2611 0,2578 0,2546 0,2514 0,2483 0,2451
-0,5 0,3085 0,3050 0,3015 0,2981 0,2946 0,2912 0,2877 0,2843 0,2810 0,2776
-0,4 0,3446 0,3409 0,3372 0,3336 0,3300 0,3264 0,3228 0,3192 0,3156 0,3121
-0,3 0,3821 0,3783 0,3745 0,3707 0,3669 0,3632 0,3594 0,3557 0,3520 0,3483
-0,2 0,4207 0,4168 0,4129 0,4090 0,4052 0,4013 0,3974 0,3936 0,3897 0,3859
-0,1 0,4602 0,4562 0,4522 0,4483 0,4443 0,4404 0,4364 0,4325 0,4286 0,4247
0,0 0,5000 0,4960 0,4920 0,4880 0,4840 0,4801 0,4761 0,4721 0,4681 0,4641
TABLA DE PROBABILIDADES ACUMULADAS NORMAL
Estadstica
300
(Continuacin)
Z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,0 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817
2,1 0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857
2,2 0,9861 0,9864 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,9887 0,9890
2,3 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916
2,4 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,9932 0,9934 0,9936
2,5 0,9938 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952
2,6 0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964
2,7 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 0,9973 0,9974
2,8 0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,9980 0,9981
2,9 0,9981 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986
3,0 0,9987 0,9987 0,9987 0,9988 0,9988 0,9989 0,9989 0,9989 0,9990 0,9990
3,1 0,9990 0,9991 0,9991 0,9991 0,9992 0,9992 0,9992 0,9992 0,9993 0,9993
3,2 0,9993 0,9993 0,9994 0,9994 0,9994 0,9994 0,9994 0,9995 0,9995 0,9995
3,3 0,9995 0,9995 0,9995 0,9996 0,9996 0,9996 0,9996 0,9996 0,9996 0,9997
3,4 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9998
3,5 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998
3,6 0,9998 0,9998 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,7 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,8 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,9 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
TABLA DE PROBABILIDADES ACUMULADAS NORMAL
Estadstica
301
ANEXO D
0,4 0,3 0,2 0,15 0,1 0,05 0,025 0,02 0,015 0,01 0,008 0,005 0,003
1 0,325 0,727 1,376 1,963 3,078 6,314 12,706 15,895 42,433 31,821 42,433 63,657 127,321
2 0,289 0,617 1,061 1,386 1,886 2,920 4,303 4,849 8,073 6,965 8,073 9,925 14,089
3 0,277 0,584 0,978 1,250 1,638 2,353 3,182 3,482 5,047 4,541 5,047 5,841 7,453
4 0,271 0,569 0,941 1,190 1,533 2,132 2,776 2,999 4,088 3,747 4,088 4,604 5,598
5 0,267 0,559 0,920 1,156 1,476 2,015 2,571 2,757 3,634 3,365 3,634 4,032 4,773
6 0,265 0,553 0,906 1,134 1,440 1,943 2,447 2,612 3,372 3,143 3,372 3,707 4,317
7 0,263 0,549 0,896 1,119 1,415 1,895 2,365 2,517 3,203 2,998 3,203 3,499 4,029
8 0,262 0,546 0,889 1,108 1,397 1,860 2,306 2,449 3,085 2,896 3,085 3,355 3,833
9 0,261 0,543 0,883 1,100 1,383 1,833 2,262 2,398 2,998 2,821 2,998 3,250 3,690
10 0,260 0,542 0,879 1,093 1,372 1,812 2,228 2,359 2,932 2,764 2,932 3,169 3,581
11 0,260 0,540 0,876 1,088 1,363 1,796 2,201 2,328 2,879 2,718 2,879 3,106 3,497
12 0,259 0,539 0,873 1,083 1,356 1,782 2,179 2,303 2,836 2,681 2,836 3,055 3,428
13 0,259 0,538 0,870 1,079 1,350 1,771 2,160 2,282 2,801 2,650 2,801 3,012 3,372
14 0,258 0,537 0,868 1,076 1,345 1,761 2,145 2,264 2,771 2,624 2,771 2,977 3,326
15 0,258 0,536 0,866 1,074 1,341 1,753 2,131 2,249 2,746 2,602 2,746 2,947 3,286
16 0,258 0,535 0,865 1,071 1,337 1,746 2,120 2,235 2,724 2,583 2,724 2,921 3,252
17 0,257 0,534 0,863 1,069 1,333 1,740 2,110 2,224 2,706 2,567 2,706 2,898 3,222
18 0,257 0,534 0,862 1,067 1,330 1,734 2,101 2,214 2,689 2,552 2,689 2,878 3,197
19 0,257 0,533 0,861 1,066 1,328 1,729 2,093 2,205 2,674 2,539 2,674 2,861 3,174
20 0,257 0,533 0,860 1,064 1,325 1,725 2,086 2,197 2,661 2,528 2,661 2,845 3,153
21 0,257 0,532 0,859 1,063 1,323 1,721 2,080 2,189 2,649 2,518 2,649 2,831 3,135
22 0,256 0,532 0,858 1,061 1,321 1,717 2,074 2,183 2,639 2,508 2,639 2,819 3,119
23 0,256 0,532 0,858 1,060 1,319 1,714 2,069 2,177 2,629 2,500 2,629 2,807 3,104
24 0,256 0,531 0,857 1,059 1,318 1,711 2,064 2,172 2,620 2,492 2,620 2,797 3,091
25 0,256 0,531 0,856 1,058 1,316 1,708 2,060 2,167 2,612 2,485 2,612 2,787 3,078
26 0,256 0,531 0,856 1,058 1,315 1,706 2,056 2,162 2,605 2,479 2,605 2,779 3,067
27 0,256 0,531 0,855 1,057 1,314 1,703 2,052 2,158 2,598 2,473 2,598 2,771 3,057
28 0,256 0,530 0,855 1,056 1,313 1,701 2,048 2,154 2,592 2,467 2,592 2,763 3,047
29 0,256 0,530 0,854 1,055 1,311 1,699 2,045 2,150 2,586 2,462 2,586 2,756 3,038
30 0,256 0,530 0,854 1,055 1,310 1,697 2,042 2,147 2,581 2,457 2,581 2,750 3,030
31 0,256 0,530 0,853 1,054 1,309 1,696 2,040 2,144 2,576 2,453 2,576 2,744 3,022
32 0,255 0,530 0,853 1,054 1,309 1,694 2,037 2,141 2,571 2,449 2,571 2,738 3,015
40 0,255 0,529 0,851 1,050 1,303 1,684 2,021 2,123 2,542 2,423 2,542 2,704 2,971
60 0,254 0,527 0,848 1,045 1,296 1,671 2,000 2,099 2,504 2,390 2,504 2,660 2,915
120 0,254 0,526 0,845 1,041 1,289 1,658 1,980 2,076 2,468 2,358 2,468 2,617 2,860
V
VALORES CRTICOS DE LA DISTRIBUCIN T
Estadstica
302
GLOSARIO
Ajuste de una recta: aproximacin a una ecuacin de una serie de parejas
de datos (x,y), relacionados linealmente.
Amplitud: es la distancia entre el valor mximo observado y el valor mnimo
observado en un conjunto o distribucin de datos.
Amplitud intercuartila: es la distancia entre la primera y tercera cuartilas del
conjunto de datos.
Al azar, estocstico: este trmino representa una idea que debe ser
expresada en trminos del concepto de probabilidad. Tenemos la nocin de
que un fenmeno ocurre en forma aleatoria cuando no sigue un patrn
particular que se pueda describir directamente por ecuaciones. As, no
podemos hacer una prediccin perfecta del resultado que se obtendr del
fenmeno. Al decir que un proceso es aleatorio estamos diciendo que sigue
alguna distribucin de probabilidad.
Atributo: caracterstica cualitativa de un objeto o individuo tal como sexo,
pas de origen, estado marital.
Censo: decimos que realizamos un censo cuando se observan todos los
elementos de la poblacin estadstica
Coeficiente de correlacin: medida de la intensidad de la relacin entre dos
variables.
Estadstica
303
Coeficiente de determinacin: medida en la cual las variaciones de una
variable se pueden atribuir a las variaciones en la otra variable.
Confiabilidad: indica cun seguros podemos estar de que el proceso
seguido resulte en valores que representen verdaderamente la poblacin. Se
usa ms comnmente con intervalos de confianza. En sentido probabilstico,
si tuviramos una confiabilidad del 95%, decimos que si repitiramos el
proceso muchas veces, en cerca del 95% de las veces obtendramos
resultados que reflejan verdaderamente la realidad. Cerca del 95% de los
intervalos as construidos contendran el valor desconocido del parmetro.
Correlacin: relacin existente entre dos variables sin un nexo definido de
dependencia.
Datos: valores que se obtienen al observar directamente los resultados de
una variable en la muestra o poblacin. Pueden ser numricos o cualitativos.
Diagrama de dispersin: grfica en la cual se presentan las parejas (x,y) de
datos de una muestra.
Distribucin bimodal: distribucin de datos que tiene dos modas.
Distribucin multimodal: distribucin de datos que tiene ms de una moda.
Distribucin unimodal: distribucin de datos que tiene una sola moda.
Estadgrafos: clculos realizados con los datos de la muestra.
Estadstica
304
Encuesta: mtodo de obtener datos de una poblacin o muestra, sin
ejercer control alguno sobre los factores que pueden afectar las
caractersticas de inters o resultados de la encuesta.
Error tipo I: ocurre cuando rechazamos la hiptesis nula siendo sta cierta.
Error tipo II: ocurre cuando no rechazamos la hiptesis nula siendo sta
falsa.
Error muestral: es la diferencia entre un estadstico y su parmetro
correspondiente. Es una medida de la variabilidad de las estimaciones del
parmetro usando muestras repetidas en torno al valor de la poblacin; nos
da una nocin clara de hasta dnde y con qu probabilidad una estimacin
basada en una muestra se aleja del valor que se hubiera obtenido por medio
de un censo completo.
Error no muestral: son errores que ocurren en la seleccin, recoleccin,
anotacin y tabulacin de los datos. Son usualmente resultado de error
humano.
Espacio muestral: es el conjunto de todos lo posibles resultados de un
experimento.
Estadstica: es una funcin real de los datos, concretamente, es un valor
que se calcula a partir de los datos. Ejemplos: suma, producto, mediana,
mximo, desviacin absoluta, media de los datos.
Estadstica
305
Estadstica Descriptiva: mtodos que usamos para describir los datos que
se han obtenido de la muestra o poblacin. Nos sirve para presentar una
idea de la realidad y para hacer inferencia informal.
Estadstica Inferencial: mtodos probabilsticos que usamos para tomar
decisiones, estimar, predecir o hacer generalizaciones sobre una poblacin
basados en una muestra.
Estadstica prueba: cantidad calculada de los datos maestrales, que se usa
para decidir si se rechaza o no la hiptesis nula. Generalmente, un valor
grande de esta estadstica es un indicador que nos apunta hacia el rechazo
de la hiptesis nula.
Estimador: el estimador de un parmetro poblacional es una funcin de las
observaciones que de alguna manera resulta en un valor cercano al
parmetro poblacional. Por ejemplo, la media de la muestra es un estimador
de la media poblacional.
Estimador insesgado: es un estimador cuyo promedio es el valor del
parmetro desconocido. Su valor esperado es el valor del parmetro
poblacional. Un estimador insesgado es uno que tiene la propiedad de
exactitud.

Evento: conjunto o coleccin de uno o ms posibles resultados de un
experimento. Un evento ocurre cuando cualquier resultado contenido en el
evento es observado.
Eventos independientes: dos eventos son independientes si el que uno
ocurra no afecta la probabilidad de que el otro ocurra
Estadstica
306
Eventos mutuamente excluyentes: son dos o ms eventos que no pueden
ocurrir simultneamente.
Exactitud: una medida (o un instrumento para medir) tiene la propiedad de
exactitud cuando las observaciones que se toman se distribuyen alrededor
del valor "real". El valor "real" es un parmetro de la poblacin cuyo valor es
usualmente desconocido, tal como la media poblacional. Un estimador de un
parmetro es exacto cuando es insesgado, es decir, cuando su valor
esperado o promedio es igual al parmetro que se estima. Por ejemplo, la
media muestral es un estimador exacto (insesgado) para la media
poblacional.

Experimento: es un proceso que cuando lo llevamos a cabo resulta en uno y
slo uno de los posibles resultados que podramos obtener (probabilidad).
Generalmente, son datos observados de los miembros de la poblacin o
muestra, ejerciendo control sobre uno o ms de los factores que podran
alterar la caracterstica de inters o los resultados del experimento (ciencia).
Funcin de densidad: se asocia a una variable aleatoria continua X. Es una
funcin, f(x), no negativa y su integral sobre todos los nmeros reales resulta
en 1. El rea bajo f(x) y sobre el intervalo [a, b] (el integral de f(x) desde a
hasta b) nos da la probabilidad de que X adquiera algn valor en ese
intervalo: P( a <= X <= b).
Funcin de distribucin acumulativa: se asocia a cualquier variable
aleatoria X. F(x) nos da la probabilidad de que X sea menor o igual al
nmero x: F(x) = P( X x).
Funcin de probabilidad: se asocia a una variable aleatoria discreta X. Es
una funcin, f(x), no negativa, tal que la suma sobre todos los posibles
Estadstica
307
valores que puede asumir X resulta en 1. La funcin de probabilidad de X
evaluada en un nmero a es igual a la probabilidad de que X sea igual al
nmero a: f(a) = P( X = a).
Hiptesis nula: es una aseveracin sobre el valor de un parmetro
desconocido de una poblacin. Se presume cierta hasta tanto se demuestre
lo contrario. Esta hiptesis se rechaza o no (no decimos se acepta)
dependiendo del valor de la estadstica prueba o del valor p al nivel de
significancia deseado.
Individuos: se llama unidad estadstica o individuo a cada uno de los
elementos que componen la poblacin estadstica. El individuo es un ente
observable que no tiene por qu ser una persona, puede ser un objeto, un
ser vivo, o incluso algo abstracto.
Margen de error: cuando deseamos estimar el valor de un parmetro,
usamos una estadstica para ello y construimos un intervalo alrededor de esa
estadstica. Decimos entonces que con una confiabilidad establecida, el
intervalo incluye el valor desconocido del parmetro. El margen de error es la
mitad del ancho de ese intervalo.
Mtodo de mnimos cuadrados: mtodo para ajustar una recta, que hace
mnimo el promedio de los errores de las estimaciones de Y, a partir de X.
Muestra: es un subconjunto finito de elementos de la poblacin. A las
caractersticas que poseen los elementos de la poblacin y que son objeto
de estudio se denominan variables. A cada valor medido de la variable le
llamamos dato.
Estadstica
308
Nivel de significancia: probabilidad de rechazar la hiptesis nula cuando es
cierta. Probabilidad de cometer un error tipo I. Este nivel es seleccionado por
el investigador antes de realizar el experimento. Los valores ms
comnmente seleccionados son niveles de .01, .05 y .10.
Parmetros: clculos realizados con los datos de la poblacin.
Prueba de hiptesis: es un procedimiento por el cual establecemos
hiptesis nula y alterna con el fin de resolver un problema. El procedimiento
incluye el diseo y seleccin de la muestra. Luego de tomados los datos de
la muestra, se calcula el valor de una estadstica prueba. A un nivel de
significancia previamente seleccionado, la estadstica prueba se compara
con el valor obtenido de la tabla de la distribucin estadstica apropiada. Esa
comparacin nos lleva a tomar la decisin de rechazar o no la hiptesis nula.
Poblacin: llamamos poblacin estadstica, universo o colectivo al conjunto
de referencia sobre el cual van a recaer las observaciones.
Regresin: relacin que se da entre una variable independiente y otra
dependiente.
Significancia: corresponde a la probabilidad de error tipo I que estamos
dispuestos a permitir cuando hacemos una prueba de hiptesis. Usualmente
se expresa como un porcentaje. Los valores ms comunes son 1%, 5%,
10%. Una significancia del 5% quiere decir que de cada cien pruebas donde
rechacemos la hiptesis nula, nos permitimos la posibilidad de haberla
rechazado en 5 ocasiones a pesar de ser cierta. El nivel de significancia se
selecciona de acuerdo con una amplia gama de criterios que incluyen el
Estadstica
309
costo de cometer error tipo I y la tradicin en el rea de contenido sobre el
cual se est haciendo la prueba.
Tabla de contingencia: es una tabla que sirve para clasificar a los
miembros de un grupo de acuerdo con algunas caractersticas cualitativas o
cuantitativas.
Variable: caracterstica de un conjunto de elementos.
Variable aleatoria: es una funcin que asigna un valor numrico a cada
suceso elemental del espacio muestral. Es decir, una variable aleatoria es
una variable cuyo valor numrico est determinado por el resultado del
experimento aleatorio. La variable aleatoria la notaremos con letras en
mayscula X, Y, ... y con las letras en minscula x, y, ... sus valores.
Variable aleatoria discreta: se dice que una variable aleatoria X es discreta
si puede tomar un nmero finito o infinito, pero numerable, de posibles
valores. Una variable aleatoria discreta se obtiene despus de sumar o
contar; trabaja con nmeros enteros, ejemplo: nmero de artculos
defectuosos en una produccin, nmero de artculos vendidos por da,
nmero de personas que se presentan a la universidad, etc.
Variable aleatoria continua: se dice que una variable aleatoria X es
continua si puede tomar un nmero infinito (no numerable) de valores, o bien,
si puede tomar un nmero infinito de valores correspondientes a los puntos
de uno o ms intervalos de la recta real. Una variable aleatoria continua se
obtiene despus de hacer una medicin; trabaja con nmeros reales.
Estadstica
310
Ejemplo: temperatura, estatura, presin, tiempo, rea, dimensiones, peso
etc.
Variable dependiente: aquella cuyos valores dependen de los valores que
tome la variable independiente.
Variable independiente: aquella que puede manipular el investigador,
determinando los valores que puede tomar.
Estadstica
311
BIBLIOGRAFA
BIBLIOGRAFA FUNDAMENTAL
ANDERSON, David; SWEENEY, Dennis y WILLIAMS, Thomas. Estadstica
para administracin y economa. 8

edicin. Thomson, Mxico, 2003. 884 p.
BERENSON, Mark; LEVINE, David y KREHBIEL, Timothy. Estadstica para
administracin. 2

edicin. Pearson educacin, Mxico, 2001. 784 p.
MENDENHALL, William. Estadstica para administradores. 2. ed.
Mxico: Iberoamerica, 1995. 817 p.
BIBLIOGRAFA RECOMENDADA
CHAO, Lincoln y CASTAO, Jos Mara. Estadstica para las ciencias
administrativas, Lincoln. 3. ed. Bogot: McGraw-Hill, 1993. 464 p
LIND, Douglas A; MASON, Robert D. y MARCHAL, William G. Estadstica
para administracin y economa. Espaa: McGraw-Hill, 2000. 575 p.
SPIEGEL, Murray. Estadstica. 2.

edicin. McGRAW-HILL, Espaa,
1993.665p.
WALPOLE, Ronald E. y MYERS, Raymond H. Probabilidad y estadstica, 4.
ed Mxico: McGraw-Hill, 1992. 757 p.
Estadstica
312

Estadistica PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Estadistica PDF

Uploaded by

Copyright:

Available Formats

GUA DIDCTICA Y MDULO

GABRIEL JAIME POSADA HERNNDEZ

Fuente: Datos hipotticos

: diferencia entre la frecuencia absoluta mayor y la frecuencia absoluta

: diferencia entre la frecuencia absoluta mayor y la frecuencia absoluta

para una poblacin) se

es emplearla para estimar la varianza de todo el conjunto de datos, es decir,

Con frecuencia se le da el nombre de valor estandarizado al valor de z. El

Distribucin mesocrtica: presenta un grado de concentracin medio

4.2.1 Paralelo entre la distribucin discreta y la continua de

b). Para la probabilidad de que en un da ocurran ms de 2 accidentes.

c). Para la probabilidad de que en un da ocurran menos de 4 accidentes.

d). Para la probabilidad de que en un da ocurran entre 4 y 6 accidentes.

La probabilidad de que en un MEDIO da ocurra 1 accidente es de 20.52%.

You might also like