Você está na página 1de 87













0(XJHQLDQJHO

I.S.B.N. 987-9082-31-7
C&C Editorial
$ORVGRFHQWHV

 (OPRWLYRTXHPHLPSXOVyDODUPDGRGHHVWHPDWHULDOIXH
HO SHQVDU TXH SRGUtD VHUYLU SDUD TXH HQ pO DOJXQRV GRFHQWHV
HQFRQWUDUDQ XQD PRGDOLGDG DOWHUQDWLYD SDUD GHVDUUROODU HQ HO
DXODORVWHPDVSURSXHVWRV

 (OHVTXHPDGHWUDEDMRTXHSURSRQJRQRHVHO~QLFRSRVL
EOH7DPSRFRVR\OD~QLFDGRFHQWHTXHORKDOOHYDGRDODSUiF
WLFD/RTXHVtSXHGRDILUPDUHVTXHDWUDYpVGHVXDSOLFDFLyQ
KHORJUDGRREWHQHUORVPHMRUHVUHVXOWDGRVFRQORVDOXPQRV

 7DQWRXVWHGHVFRPR\RFRWLGLDQDPHQWHQRVHQIUHQWDPRV
DO GHVDItR TXH LPSOLFD HQVHxDU \ HQFRQWUDU ORV FDPLQRV PiV
DGHFXDGRV SDUD OOHYDU DGHODQWH HO SURFHVR GH HQVHxDQ]D
DSUHQGL]DMH3RUHVHPRWLYRFRQItRHQTXHHVWHPDWHULDOSRGUi
UHVXOWDUOHV~WLO

 (O SUHVHQWH WUDEDMR QR SUHWHQGH VHU XQ FRPSHQGLR GH
3UREDELOLGDG\(VWDGtVWLFD(QpOPHKHOLPLWDGRDH[SRQHUORV
WHPDV TXH FRQVLGHUR PiV UHOHYDQWHV SDUD VX HQVHxDQ]D HQ OD
(VFXHOD



0(XJHQLDQJHO


I
1',&(
7(0$3*,1$
3ULPHUDSDUWH(VWDGtVWLFD
,QWURGXFFLyQ-------------------------------------------------------------------------------- 1
'LVWLQWRVWLSRVGHYDULDEOHV


Variables cualitativas y cuantitativas.--------------------------------------------------- 2


$QiOLVLVGHYDULDEOHVFXDOLWDWLYDV 
Primer ejemplo: una variable cualitativa no ordenable.------------------------------- 4
Frecuencia absoluta.Tabla de distribucin de frecuencias.Diagrama de Barras.
Medida de Posicin: Modo. Frecuencias relativas y porcentuales. Diagrama
Circular.
Segundo ejemplo: una variable cualitativa ordenable.-------------------------------- 7
Frecuencias acumuladas. Medida de Posicin: Mediana.
Tercer ejemplo: dos variables.------------------------------------------------------------ 10
Tabla de distribucin conjunta. Diagrama de barras adyacentes.
$QiOLVLVGHYDULDEOHVFXDQWLWDWLYDV
Primer ejemplo: una variable cuantitativa discreta.------------------------------------ 13
Diagrama de Bastones y de Puntos. Medida de Posicin: Media Aritmtica.
Segundo ejemplo: dispersin.------------------------------------------------------------ 16
Medidas de Dispersin: Rango o amplitud, Varianza y Desvo standard.
Tercer ejemplo: una variable cuantitativa continua.----------------------------------- 20
Intervalos o Clases.Tabla de distribucin de frecuencias para variables cuanti-
tativas continuas. Histograma y Polgono de frecuencias. Ojiva. Clculo de las
medidas para variables cuantitativas continuas: Media aritmtica, Varianza,
Desvo, Modo y Mediana.
8QWLSRGHFRPSDUDFLyQ
Primer ejemplo: dos conjuntos de datos con igual media y distinto desvo.------ 30
Segundo ejemplo: dos conjuntos de datos con distinta media y distinto desvo.- 31
Coeficiente de variacin.
8QSUREOHPDGLVWLQWR---------------------------------------------------------------------  33
(MHUFLFLRLQWHJUDGRU--------------------------------------------------------------------------  37






6HJXQGDSDUWH3UREDELOLGDG



II
,QWURGXFFLyQ-------------------------------------------------------------------------------- 39
 ([SHULPHQWRV
Experimentos aleatorios.---------------------------------------------------------- 40
(VSDFLRVPXHVWUDOHV\VXFHVRV 


Primer ejemplo: Espacios muestrales.--------------------------------------------------- 41


Segundo ejemplo: Sucesos.--------------------------------------------------------------- 42
Tercer ejemplo: Operaciones entre sucesos. Sucesos mutuamente excluyentes.- 43
 'HILQLFLyQGHSUREDELOLGDG 
Definicin axiomtica de probabilidad.------------------------------------------------- 45
&yPRDVLJQDUSUREDELOLGDGHV
Primer ejemplo.----------------------------------------------------------------------------- 47
Espacios muestrales equiprobables.La teora clsica de la probabilidad.
Segundo ejemplo.--------------------------------------------------------------------------- 49
La teora frecuencial de la probabilidad.
&XDQGRORVVXFHVRVQRVRQPXWXDPHQWHH[FOX\HQWHV
51

Ejemplo.--------------------------------------------------------------------------------------
'HSHQGHQFLDHLQGHSHQGHQFLDGHVXFHVRV



53
55
Primer ejemplo: Probabilidad condicional. Probabilidad de la interseccin.-----
Segundo ejemplo: Diagrama de rbol.--------------------------------------------------- 

Tercer ejemplo: Sucesos independientes.----------------------------------------------- 57

$SOLFDQGRORDQWHULRU 
 

Primer ejemplo: Probabilidad total.------------------------------------------------------ 59


Segundo ejemplo:Probabilidad de las causas.----------------------------------------- 60
9DULDEOHDOHDWRULD\GLVWULEXFLRQHVGHSUREDELOLGDG 
 

Primer ejemplo: Variable aleatoria.------------------------------------------------------ 62


Funcin de probabilidad de una variable aleatoria discreta. Esperanza. 
Segundo ejemplo: Funcin de densidad de probabilidad de una variable aleato- 65

ria continua.
0RGHORV 


Primer ejemplo: Modelo Binomial.------------------------------------------------------ 68


Segundo ejemplo: Modelo Normal. Funcin Normal Standard.-------------------- 71


5HVSXHVWDDHMHUFLFLRVSURSXHVWRV------------------------------------------------ 76


%LEOLRJUDItD--------------------------------------------------------------------------- 82


 



III





(67$'67,&$

,1752'8&&,1


La funcin principal de la estadstica es elaborar principios y mtodos que nos ayu-
den a tomar decisiones frente a hechos inciertos.
De las dos ramas de la estadstica que son ODGHVFULSWLYDy ODLQIHUHQFLDO el inters
de este material se centra en la primera y el objetivo del mismo es la presentacin y
desarrollo de los temas bsicos partiendo de ejemplos de distintas situaciones con-
cretas.
La estadstica descriptiva nos permite, ante un problema en particular, ODUHFROHF
FLyQ GH ORV GDWRV OD RUJDQL]DFLyQ GH ORV PLVPRV SRU PHGLR GH WDEODV \ JUiILFRV
SDUDYLVXDOL]DUORVPHMRUHOUHVXPHQSRUPHGLRGHOFiOFXORGHODVPHGLGDVTXHSXH
GDQFDUDFWHUL]DUORV\ILQDOPHQWHHQORSRVLEOHODH[WUDFFLyQGHFRQFOXVLRQHV
/D UHFROHFFLyQ del conjunto de datos de inters constituye la primera etapa de la


Estadstica Descriptiva. El tipo de datos a relevar, surge de la definicin de la situa-


cin o problema y de la poblacin a estudiar que puede ser cualquier conjunto de
individuos (personas u objetos).
Por ejemplo, nos puede interesar describir las particularidades de un determinado
conjunto de alumnos, comparar distintos grupos de jvenes, caracterizar los hogares
de los que provienen ciertas personas, etc.
Luego de elegida la poblacin de estudio, se relevan todas las caractersticas de ella
que resulten de inters y a la vez que respondan al problema planteado1.
Por ejemplo: el peso, la cantidad de hermanos, la edad, el lugar de residencia, etc.
Si son varias las caractersticas que se quieren analizar de la poblacin, es conve-
niente volcar los datos relevados en una matriz denominada PDWUL] GH GDWRV. La
matriz facilitar posteriormente la RUJDQL]DFLyQ \UHVXPHQ de los mismos para as
poder extraer todas las conclusiones posibles del problema planteado2.

1
Si la poblacin a estudiar es infinita o muy grande, es conveniente elegir una muestra, con lo cual
se disminuye el costo econmico y temporal del estudio.
En el caso de seleccionar una muestra, sta debe ser representativa de la poblacin, es decir que
debe reunir todas las caractersticas de la misma. Si la muestra es representativa, es la poblacin en
miniatura y es slamente a travs de ella que podemos inferir o extrapolar en forma vlida los re-
sultados obtenidos a la poblacin en su totalidad.
2
Ver: ESTADSTICA DESCRIPTIVA. Aplicacin a un caso concreto. Sara E. Elizondo, Mara E. ngel.


Ed. Rocamora.

1
',67,17267,326'(9$5,$%/(6

Si queremos estudiar una poblacin en particular, tendremos caractersticas de ella


que nos resulten de inters; por ejemploVH[RHGDGDxRGHQDFLPLHQWRVXHOGRWLSR
GHYLYLHQGDWLSRGHWUDEDMRWLHPSRGXUDFLyQHWF. Cada una de estas caractersticas
toman distintos valores segn cada individuo que conforma la poblacin.

A estas FDUDFWHUtVWLFDV que pueden variar de un individuo a otro las denominamos


YDULDEOHV
En la tabla siguiente se presentan algunas variables y categoras o valores que ellas
pueden tomar.3

9DULDEOHV &DWHJRUtDVRYDORUHV
6H[R IHPHQLQRPDVFXOLQR
&RQIRUPLGDG FRQ ORV FRQWHQLGRV GLVFRQIRUPH SRFR FRQIRUPH FRQ
DSUHQGLGRVHQODHVFXHOD IRUPHPX\FRQIRUPH
0DWHULDGHSUHIHUHQFLD PDWHPiWLFDOHQJXDItVLFD
'HVHPSHxRHVFRODU PDORUHJXODUEXHQRPX\EXHQR
&DQWLGDGGHKHUPDQRV 
(GDGHQDxRV 
$SUR[LPDGDDYDORUHQWHUR 
3URPHGLRGHODVFDOLILFDFLRQHVRE 
WHQLGDV
6XHOGRPHQVXDO 
(Q 
&DQWLGDGGHKLMRV 
$OWXUDHQPHWURV 

De la observacin de las variables con las que se est trabajando se puede deducir
que stas conforman dos grupos: las numricas y las no numricas.4

3
Tabla adaptada de ESTADSTICA DESCRIPTIVA. Aplicacin a un caso concreto.
4
Cuando hablamos de las variables numricas o no numricas nos referimos a los verdaderos valores
que ellas pueden tomar independientemente de la codificacin que se realice a posteriori de los


mismos.

2
Distintos tipos de variables

A las variables numricas las denominamos

&8$17,7$7,9$6

A las variables que no son numricas las denominamos5

&8$/,7$7,9$6

(MHUFLFLR
Cules de todas las variables citadas anteriormente son cualitativas y cules son
cuantitativas?

Entre las YDULDEOHVFXDOLWDWLYDV, algunas admiten orden.



(MHUFLFLR
Cules de las variables cualitativas ya mencionadas son las que admiten un cierto
orden?

Las YDULDEOHVFXDQWLWDWLYDV pueden ser:


'LVFUHWDV


si se obtienen por conteo


&RQWLQXDV


si se obtienen por medicin





(MHUFLFLR
Cules de las variables anteriores son cuantitativas discretas y cules continuas?

5
En general y para un mejor procesamiento de los datos, a los valores de las variables cualitativas se
los suele codificar con nmeros, a pesar de que la codificacin sea cuantitativa, la variable sigue


siendo cualitativa.

3
$1/,6,6'(9$5,$%/(6&8$/,7$7,9$6


35,0(5(-(03/2

En un colegio se desea implementar una actividad extraprogramtica, dndose a


elegir entre taller de teatro, ingls o taller de msica. Para poder decidir entre alguna
de ellas se interroga a un grupo de alumnos, obtenindose los siguientes resultados:

1 $FW 1 $FW 1 $FW 1 $FW 1 $FW
 7  ,  0  0  ,
 7  ,  0  ,  ,
 0  ,  ,  0  ,
 0  ,  7  ,  0
 ,  7  ,  7  0
 ,  0  0  0  ,
 ,  7  ,  ,  7
 0  0  ,  ,  0
 7  0  0  ,  ,
 7  ,  7  0  7

- Las columnas con N indican el nmero de alumno interrogado, en total se


interrogaron 50.
- Las columnas con Act. indican la actividad elegida por cada alumno donde:
T es teatro, M es msica e I ingls.

La variable $FWLYLGDGH[WUDSURJUDPiWLFD que tiene por categoras M, T o I es FXDOL


WDWLYD\QRDGPLWHRUGHQ

Organizamos los datos obtenidos en una tabla, donde en la primera columna colo-
camos las categoras que toma la variable y en la segunda la cantidad de veces que
aparece cada una de esas categoras.
I se denomina IUHFXHQFLDDEVROXWD e indica
$FWLYLGDG &DQWLGDG
; I
la cantidad de veces que aparece cada valor o
categora de la variable.
Msica 17
Teatro 11 La suma de todos los valores de I da como
Ingls 22
WRWDO Q  
resultado el total de las observaciones. A este
valor se lo denomina Q


4
Anlisis de variables cualitativas Primer ejemplo.

La tabla anterior recibe el nombre de:

7DEODGHGLVWULEXFLyQGHIUHFXHQFLDV


Uno de los grficos que corresponden a la distribucin de este tipo de variables es el
siguiente GLDJUDPDGHEDUUDV


'LDJUDPDGH%DUUDV
La flecha indica la categora de la va-
riable con mayor frecuencia, (Ingls) es
 
decir, la eleccin que predomina.


)UHFXHQFLDV

 
DEVROXWDV



0 7 ,
$FWLYLGDG

6HGHQRPLQD02'2R02'$\VHVLPEROL]D0R DOYDORURFDWHJRUtDGHODYDULDEOH
TXHSRVHHPD\RUIUHFXHQFLD.6


En este caso, 0R ,




Este valor calculado nos permite extraer la siguiente conclusin:


(QHOJUXSRGHDOXPQRVHQWUHYLVWDGRVSUHGRPLQDQDTXHOORV
TXHSUHILHUHQLQJOpVFRPRDFWLYLGDGH[WUDSURJUDPiWLFD

El Modo es una 0HGLGDGHSRVLFLyQy para este tipo de variables es la ~QLFDPHGL


GDSRVLEOHGHFDOFXODU

Es decir que, si la variable con la que trabajamos es cualitativa y no admite orden, la
nica medida de posicin que podemos calcular es el modo.

Adems de la frecuencia absoluta, para cada valor de la variable puede interesarnos
calcular:


Si una distribucin presenta dos valores predominantes, dos Mo, se dice que es bimodal.

5
Anlisis de variables cualitativas. Primer ejemplo.

/DIUHFXHQFLDUHODWLYDproporcin entre la cantidad de veces que aparece un valor
de la variable y el total de las observaciones.
I  IQ
U

/DIUHFXHQFLDSRUFHQWXDO porcentaje.


I  I 

 U

La tabla con todas las frecuencias calculadas es la siguiente:


$FW )UHF )UHF )UHF

Sobre el total de alumnos interroga-
; DEV UHO SRUF dos,
I I I  la proporcin de alumnos que elige
0~VLFD   
U 
Msica es 0,34;
7HDWUR   
la proporcin de alumnos que elige
,QJOpV   
Teatro es 0,22 y

7RWDO   


la proporcin de alumnos que elige


Ingls es 0,44.

Los porcentajes podemos representarlos en un diagrama circular.

'LDJUDPD&LUFXODU
,QJOpV

Sobre el total de alumnos interrogados,
el 44% elige Ingls;
el 34% elige Msica y
el 22% elige Teatro.
0~VLFD


7H DWUR


2EVHUYDFLRQHV
El Diagrama de Barras podra haberse realizado con cualquiera de las tres fre-
cuencias.
Para calcular porcentajes es conveniente que las frecuencias absolutas no sean
muy pequeas.
Para comparar distintas distribuciones de una misma variable, cuando el n es
distinto en cada caso, debe utilizarse la fr o la f%.


6
Anlisis de variables cualitativas. Segundo ejemplo.

6(*81'2(-(03/2

Antes de implementar alguna actividad extraprogramtica, las autoridades del cole-


gio desean conocer la opinin de los padres de los alumnos, por tal motivo se entre-
vist a un grupo de 105 padres.

En la entrevista se les pregunt si la implementacin de tal actividad les resultaba


una idea mala, regular, buena, muy buena o excelente. Las respuestas obtenidas se
encuentran volcadas en la siguiente tabla:

    )UHFDEV )UHFUHO )UHFSRUF


2SLQLyQ I IU I DFXPXODGDV DFXPXODGDV DFXPXODGDV
) ) )
0DOD      
5HJXODU      
%XHQD      
0X\%XHQD      
([FHOHQWH      
7RWDO      



La variable RSLQLyQcuyas categoras son mala, regular, buena, muy buena o exce-
lente; HVXQDYDULDEOHFXDOLWDWLYDTXHDGPLWHRUGHQ

El hecho de que la variable pueda ordenarse, nos permite acumular frecuencias, es
decir, calcular las )UHFXHQFLDV$FXPXODGDV

Cada FrecuenciaAcumulada se obtiene sumando las frecuencias anteriores a la de


la categora que se est considerando. Por ese motivo, la primera de las acumuladas
no vara y la ltima coincide con el total de las observaciones. El clculo de las fre-
cuencias acumuladas puede realizarse tanto sobre las frecuencias absolutas, como
sobre las relativas o las porcentuales.

La frecuencia porcentual acumulada (F%) que muestra la tabla nos permite realizar
la siguiente observacin:
HOGHORVSDGUHVHQWUHYLVWDGRVRSLQDQTXHODLGHD
GHLPSOHPHQWDUXQDDFWLYLGDGH[WUDSURJUDPiWLFDHVPDOD
RUHJXODU


7
Anlisis de variables cualitativas. Segundo ejemplo.

Representaremos grficamente la frecuencia porcentual (f%) y la frecuencia porcen-


tual acumulada (F%) en los correspondientes diagramas de barras.

I 


) 










 

0 5 % 0% (
0 5 % 0% (
2SLQLyQ 2SLQLyQ

Transcribimos nuevamente la tabla de distribucin de frecuencias y observamos que


la categora que predomina es %XHQD, con lo cual:
0R %

2SLQLyQ )UHFDEV I 
0DOD 20
5HJXODU
Como la variable admite un orden, otra de
25
%XHQD 
las medidas de posicin que puede calcu-
larse es la 0HGLDQD la cual se simboliza
0X\%XHQD 15 0H
([FHOHQWH 5 
7RWDO  

/D0HGLDQDHVHOYDORURFDWHJRUtDGHODYDULDEOHREVHUYDGRRQRTXHVXSHUD\HVVXSH


UDGRDORVXPRSRUHOGHODVREVHUYDFLRQHV.

0H %


Cmo proceder para localizar la mediana.


En este caso disponemos de 105 observaciones. El 50% de 105 es 52,5; esto indica que la media-
na debe superar como mximo a 52 datos y que debe ser superada como mximo por 52 datos (no
podemos tomar 52,5 datos).
Comenzamos a contar los datos desde el menor valor de la variable que es la categora 0 donde
tenemos 20; le sumamos los 25 siguientes que corresponden a 5 y obtenemos 45; a stos no po-
demos sumarles los de % puesto que tendramos 85 que es mayor que 52; por lo tanto, los nicos
datos que se encuentran por debajo de la 0H son los 45 de las dos primeras categoras.

8
Anlisis de variables cualitativas. Segundo ejemplo.

Luego contamos los datos desde el mayor valor de la variable, el cual es la categora ( en donde
hay 5; le sumamos los 15 siguientes que corresponden a 0% y ya obtenemos 20; a stos no po-
demos sumarles los de % porque tendramos 60, que es mayor que 52; por lo tanto los nicos da-
tos que se encuentran por encima de la 0H son los 20 de las dos ltimas categoras.
De ambas sumas de datos se deduce que la 0H es la categora %.

Las medidas calculadas nos permiten extraer las siguientes conclusiones:


(QHOJUXSRGHSDGUHVFRQVXOWDGRVSUHGRPLQDORVTXHRSLQDQTXH
ODFUHDFLyQGHXQDDFWLYLGDGH[WUDSURJUDPiWLFDHVEXHQDLGHD
(OGHORVSDGUHVFRQVXOWDGRVRSLQDTXHODLPSOHPHQWDFLyQGH
GLFKDDFWLYLGDGHVXQDPDODUHJXODUREXHQDLGHD

2EVHUYDFLRQHV


El clculo de la Mediana requiere que la variable se pueda ordenar.


En algunos casos, a pesar de que la variable cualitativa admite orden, puede ocu-
rrir que la 0H no exista. Por ejemplo, si se tiene la siguiente tabla de distribucin
de frecuencias para la variable (VFRODULGDGpuede observarse que:
En este caso no es posible encontrar un valor para la mediana,
(VFRODULGDG I porque: la cantidad de observaciones es 70, el 50% es 35, la
categora 3 ya tiene las 35 y la suma de las frecuencias de 67
3ULPDULD 
8 tambin es 35.
6HFXQGDULD 
7HUFLDULD  La mediana debera ubicarse entre 3 y 6 y como entre ellos no
8QLYHUVLWDULD  existe categora alguna, OD PHGLDQD QR H[LVWH FRPR YDORU A
7RWDO  pesar de ello, su posible ubicacin nos orienta con respecto a la
distribucin.

(MHUFLFLR
1- Completar la siguiente tabla de distribucin de frecuencias de una variable cuali-
tativa y graficar en un diagrama de barras utilizando f%.
; I IU I


$
2- Cul es el modo de la distribucin y qu
10 ? ?
%
indica ese valor?
? 0,15 ?
& ? ? 25
'
3- Puede calcularse la mediana de la distri-
25 ? ?
(
bucin?. En caso afirmativo, calcularla e
? ? 10
)
interpretar su resultado.
? 0,12 ?
* ? ? ?
7RWDO 200


9
Anlisis de variables cualitativas. Tercer ejemplo.

7(5&(5(-(03/2

Los datos que se presentan en la siguiente matriz corresponden a una encuesta sobre
el hbito de fumar, realizada a los 45 alumnos del ltimo ao de un determinado
establecimiento escolar. En ella se les pregunt si fumaban y el conocimiento sobre
los efectos perjudiciales que el cigarrillo puede ocasionar en la salud.

(QF +iEHQ &LJDUU (QF +iEHQ &LJDUU (QF +iEHQ &LJDUU


1 DOXPQR 3HUMXG 1 DOXPQR 3HUMXG 1 DOXPQR 3HUMXG
 1   1   6 
 6   1   6 
 1   1   1 
 1   1   1 
 1   6   1 
 1   1   6 
 6   1   6 
 6   1   1 
 1   6   1 
 6   6   1 
 1   1   1 
 6   6   6 
 6   1   6 
 6   6   1 
 1   1   1 

Para la variableKiELWRGHIXPDUHQHODOXPQR se tomaron las categoras: fuma y


no fuma. Esta variable es cualitativa, no admite orden y su codificacin fue:
6- fuma.
1- no fuma.
Para la variable FRQRFLPLHQWRVREUHORVHIHFWRVSHUMXGLFLDOHVTXHRFDVLRQDHOFL
JDUULOORHQODVDOXG se consideraron las categoras: desconocimiento, escaso cono-
cimiento y amplio conocimiento. La variable es cualitativa, admite orden y se la
codific de la siguiente manera:7
- desconocimiento.
- escaso conocimiento.
- amplio conocimiento.

7
En este caso hemos utilizado una codificacin numrica, a pesar de ello la variable sigue siendo


cualitativa.

10
Anlisis de variables cualitativas. Tercer ejemplo.

Para una mejor observacin de los datos volcados en la matriz, los organizamos en
la siguiente tabla.

7DEODGHGLVWULEXFLyQFRQMXQWD
+iELWRHQ &RQRFLPLHQWRGHORVHIHFWRVSHUMXGLFLDOHV  
HODOXPQR    7RWDO
6    
1    
7RWDO    

En cada casilla de la zona sombreada aparece la frecuencia absoluta correspondiente


a la interseccin entre las categoras de las dos variables consideradas.

Podemos observar, por ejemplo, que 6 alumnos fuman y a su vez desconocen los
perjuicios de dicho hbito, de los alumnos que no fuman 12 poseen escasos cono-
cimientos sobre el perjuicio del cigarrillo, etc.

Algunas frecuencias consignadas en la tabla nos brindan informacin sobre el total


de alumnos consultados que puede resultarnos til:
1RKD\DOXPQRVTXHQRIXPHQ\GHVFRQR]FDQORVHIHFWRVSHUMXGLFLDOHVGHOFL


JDUULOOR
3UHGRPLQDQORVTXHQRIXPDQ\SRVHHQEDVWDQWHFRQRFLPLHQWR DOXPQRV 


'HORVDOXPQRVTXHIXPDQVyORFRQRFHQEDVWDQWHORVHIHFWRVSHUMXGLFLDOHV


GHOFLJDUULOOR


Observamos que el modo se localiza en la interseccin entre las categoras no fuma


y posee amplios conocimientos sobre los efectos perjudiciales del cigarrillo. Esto
indica que:
3UHGRPLQDQORVDOXPQRVTXHQRIXPDQ\SRVHHQDPSOLRVFRQRFLPLHQWRVVREUH
ORVHIHFWRVSHUMXGLFLDOHVGHGLFKRKiELWR


Las frecuencias que aparecen en la columna y fila de totales se denominan IUHFXHQ
FLDVPDUJLQDOHV, stas son, para cada variable, las frecuencias absolutas de cada una
de sus categora.


11
Anlisis de variables cualitativas. Tercer ejemplo.

De las frecuencias marginales podemos extraer que del total de alumnos encuesta-
dos:
3UHGRPLQDQORVDOXPQRVTXHQRIXPDQ GHORV 
 6RQ PX\ SRFRV ORV TXH GHVFRQRFHQ ORV HIHFWRV SHUMXGLFLDOHV GHO FLJDUULOOR


VyORGHORV 

Los datos que proporciona la tabla de distribucin conjunta pueden graficarse en el


siguiente diagrama:
'LDJUDPDGH%DUUDV$G\DFHQWHV



)XPD
 1R)XPD





'HVFR (VFDVR $PSOLR


QRFH FRQRF FRQRF


(MHUFLFLR
En el club A debe reorganizarse la actividad deportiva destinada a chicos de 12 a 15
aos. La direccin de la institucin decide realizar un relevamiento, para lo cual
consulta a un grupo de socios de esa edad y anota en una tabla el sexo y el deporte
preferido por cada uno de ellos. La tabla confeccionada es la siguiente:
6H[R 'HS 6H[R 'HS 6H[R 'HS 6H[R 'HS 6H[R 'HS
3UHI 3UHI 3UHI 3UHI 3UHI 1- Presentar en una mis-
) 7 ) 7 ) 3 ) 7 ) 9 ma tabla la informa-
0 3 0 7 ) 7 ) 7 0 3 cin relevada por los
0 7 0 7 0 3 0 9 ) 3
0 7 ) 9 0 3 ) 9 ) 7
directivos del club.
) 9 0 3 0 3 ) 7 ) 7
2- Graficar en un dia-
0 7 ) 9 ) 3 0 3 ) 9 grama de barras los
) 9 ) 7 0 9 ) 7 0 3 resultados de la tabla
) 9 0 3 ) 9 0 7 0 3 anterior.
Para sexo: F-femenino. M-masculino
Para deporte preferido: V-voley. T-tenis. P-paddle


12
$1/,6,6'(9$5,$%/(6&8$17,7$7,9$6


35,0(5(-(03/2

Se consult a un grupo de 40 nios sobre cuntos hermanos tenan y los resultados


se resumieron en la siguiente tabla de distribucin de frecuencias:

; I I I )
    
U  

    


    
    
    
    
7RW    

La variable de este ejemplo (x) FDQWLGDGGHKHUPDQRVesFXDQWLWDWLYDGLVFUHWD y sus


valores son: 0,1, 2, 3, 4 y 5

En las variables cuantitativas, tanto discretas como continuas, el clculo de las dis-
tintas frecuencias (f, fr, f%, F, Fr y F%) se efecta de la misma manera que para las
cualitativas.

De la observacin de la tabla obtenemos, por ejemplo, que el 70% de los alumnos


consultados tienen a lo sumo 2 hermanos.

Cuando la variable es cuantitativa discreta, la obtencin de las medidas de posicin


definidas (modo y mediana) tambin se realiza de la misma forma que para las va-
riables cualitativas.

En este caso observamos que el 0R  y la 0H .

Estos resultados nos permiten extraer las siguientes conclusiones:


3UHGRPLQDQORVQLxRVTXHWLHQHQVyORXQKHUPDQR


(OGHORVQLxRVWLHQHQFRPRPXFKRKHUPDQRV



Para representar grficamente la distribucin de una variable discreta utilizamos el
GLDJUDPDGHEDVWRQHVo el GLDJUDPDGHSXQWRV

13
Anlisis de variables cuantitativas. Primer ejemplo.

Podemos entonces presentar la informacin de la tabla de la siguiente manera:

'LDJUDPDGH%DVWRQHV
'LDJUDPDGH3XQWRV

I 
IU 






















; ;


 que la distribucin no es simtrica, presenta


En ambos grficos puede observarse
DVLPHWUtDDGHUHFKD 

Al ser la variable del ejemplo cuantitativa, adems del 0R y la 0H podemos calcu-


lar otra medida de posicin, OD 0HGLD $ULWPpWLFD o 3URPHGLR, que se simboliza
X 

/D0HGLD$ULWPpWLFDHVODVXPDGHWRGRVORVGDWRVREVHUYDGRV (o todos los valores
de X con sus repeticiones) GLYLGLGDSRUODFDQWLGDGWRWDOGHHOORV.

  +   +   +   +   +  
;=  

En este caso8,

El valor obtenido nos indica que para el grupo de nios consultado HOSURPHGLRGH


KHUPDQRVHV

La 0HGLD$ULWPpWLFDpuede definirse de acuerdo con la siguiente expresin:

[ I  + [  I  + + [ P I P
; = 
Cantidad de valores
Cantidad total de distintos de x. Siempre
datos observados. n es menor o igual que el
total de datos observa-
dos.
; f
P

L L

Tambin la podemos expresar como: ;= L 

n
8
El numerador de esta suma sintetiza la siguiente operacin:
(0+0+0+0+0)+(1+1+1+1+1+1+1+1+1+1+1+1+1+1)+(2+2+2+2+2+2+2+2+2)+(3+3+3+3+3+3+3)+(4+4+4)+(5+5)


en la cual se suman los 40 datos.

14
Anlisis de variables cuantitativas. Primer ejemplo.

(MHUFLFLR
Para cada una de las variables de la tabla de la pgina 2, decir cul o cules de las
tres medidas de posicin, 0R0H\ ;  puede calcularse y explicar por qu.

(MHUFLFLR
El dueo de una cadena de libreras quiere abrir una nueva en un cierto barrio, pero
antes de tomar la decisin, resuelve preguntarle a cada familia del vecindario cun-
tos hijos en edad escolar tiene y con las respuestas elabor la siguiente tabla:
+LMRVHQHGDGHVFRODU 
&DQWLGDGGHIDPLOLDV 

1- A cuntas familias consult?


2- Cul es la variable en estudio?
3- Graficar la distribucin.
4- En ese vecindario, las familias con cuntos nios en edad escolar, son las que
predominan?, cul es el nmero promedio de nios en edad escolar por fami-
lia?, el 50% de las familias a lo sumo cuntos hijos en edad escolar tienen?



3DUDWHQHUHQFXHQWD



Muchas veces cuando se trabaja con variables cuantitativas discretas, suele aparecer
el siguiente grfico.
'LDJUDPDGHOtQHDV

I




      ;

Este diagrama slo sirve para observar mejor la forma de la distribucin. No es


el grfico correcto ya que al ser x una variable discreta, entre los puntos del


plano (0,5) - (1,14) - ...el espacio est vaco.



15
Anlisis de variables cuantitativas. Segundo ejemplo.

6(*81'2(-(03/2

En cada uno de los casos siguientes se indica la cantidad de hijos que poseen 8 fa-
milias que habitan en un edificio de departamentos.

&DVR  La cantidad de hijos para I



cada una de las 8 familias es:

1-1-2-2-2-2-3-3

/DPHGLDDULWPpWLFDHV



El correspondiente Diagrama        ;
de puntos.
Media Aritmtica

&DVR  La cantidad de hijos para


cada una de las 8 familias es:
I
0-0-1-1-2-2-4-6 

/DPHGLDDULWPpWLFDHV
 

 

El correspondiente Diagrama de        ;

puntos.
Media Aritmtica

Puede observarse que en el caso 1. la media aritmtica es ms representativa del


total de datos que en el caso 2. Esto se debe a que en 1. los datos se encuentran me-
nos dispersos, en este caso la variabilidad o dispersin de las observaciones con
respecto a la media aritmtica result menor.

&XDQWRPiVSHTXHxDHVODGLVSHUVLyQGHORVGDWRVFRQUHVSHFWRDODPHGLDDULWPpWL
FDPiVUHSUHVHQWDWLYDGHOFRQMXQWRGHGDWRVVHUiHVWDPHGLGD.


16
Anlisis de variables cuantitativas. Segundo ejemplo.

Vamos a definir y calcular algunas de las 0HGLGDVGH'LVSHUVLyQ ms utilizadas:

5DQJRR$PSOLWXG

(O5DQJRHVODPHGLGDGHGLVSHUVLyQTXHQRVLQGLFDODORQJLWXGRH[WHQVLyQWRWDO
GHODGLVWULEXFLyQ.
Esta medida se calcula restndole al valor mximo de X (Xmx) el valor mnimo que
toma X (Xmn).

5DQJR ; Pi[ -; PtQ

Con respecto a los datos del problema:


El rango para la situacin 1. es: El rango para la situacin 2. es:
R=3-1=2 R=6-0=6
Como esperbamos result menor el rango de 1., pues la variabilidad de las obser-
vaciones es menor
Esta medida no nos orienta sobre la distribucin de todos los datos, pues slo utiliza
los valores extremos.9

9DULDQ]D

/D 9DULDQ]D  9 ;  HV XQD PHGLGD GH GLVSHUVLyQ TXH QRV LQGLFD HO FRPSRUWD
PLHQWRGHWRGDVODVREVHUYDFLRQHVFRQUHVSHFWRGHODPHGLDDULWPpWLFD.

Cuanto mayor es la variacin de las observaciones respecto de la media aritmtica,


mayor ser el valor de la varianza.

Para calcular la varianza, promediamos todas las ;  ; . Es decir, promediamos


L


las diferencias al cuadrado entre todos los datos observados y la media aritmtica.10
9
Puede ocurrir que se obtenga un rango muy grande a pesar de que los datos no estn demasiado
dispersos entre s salvo los extremos, esto podra haber ocurrido si en el caso 1. la cantidad de hijos
fuera: 1, 1, 2, 2, 2, 2, 3 y 8.
10
La varianza, al ser calculada por medio de la suma de los desvos al cuadrado, respecto de la me-
dia, queda expresada en la magnitud de la variable al cuadrado. En nuestro ejemplo, la magnitud de
la variable es hijos entonces la varianza queda expresada en hijos al cuadrado y esto carece de sen-


tido.

17
Anlisis de variables cuantitativas. Segundo ejemplo.

Como en los casos del problema los valores que toma la variable no son todos dis-
tintos, para calcular la varianza, a cada diferencia al cuadrado la multiplicamos por
la frecuencia correspondiente. Obtenemos.

Para el caso 1.
(1-2)2.2 + (2 2)2.4 + (3 2)2.2
V(X)= =
8
1.2 + 0.4 + 1.2
V(X) = =
8 
2+0+2
V(X) = =
8
4
V(X) =
8
Obtenemos 9 ; 

Para el caso 2.


(0 2)2.2 + (1 2)2.2 + (2 2)2.2 + (4 2)2 + (6 2)2


V(X) = =
8
4.2 + 1.2 + 0.2 + 4 + 16
V(X) = =
8 
8 + 2 + 0 + 4 + 16
V(X) = =
8
30
V(X) =
8
Obtenemos 9 ; 


As como ocurri con el rango, la varianza tambin result menor para el primer
caso.

Definimos la 9DULDQ]D con la siguiente expresin:

X fi
P

(X )
2

9 ; L 

n

18
Anlisis de variables cuantitativas. Segundo ejemplo.

'HVYtR6WDQGDUG

(OGHVYtRVWDQGDUG '6 HVXQDPHGLGDSRUPHGLRGHODFXDOVHREWLHQHODGLVSHU
VLyQGHORVGDWRVFRQUHVSHFWRDODPHGLDDULWPpWLFDHQODPLVPDPDJQLWXGGHOD
YDULDEOH

La definicin del desvo es la siguiente:

'6 V(X)


Si calculamos los desvos para nuestro ejemplo, obtenemos:


Para el caso 1. Para el caso 2.
'6  =  '6  = 

Como era de esperar, el desvo standard tambin result menor para el caso 1.


Con el clculo de las medidas de dispersin para los datos del ejemplo, hemos con-
firmado lo observado en los grficos, es decir, que a pesar de que en los dos casos la
cantidad promedio de hijos es la misma, la distribucin de los hijos para el primer
caso es menos variable, ms homognea, que para el segundo



2EVHUYDFLRQHV

Cuando se trabaja con datos de toda la poblacin, a la varianza se la suele llamar


V al desvo standard Vy a la media aritmtica P. En el caso de trabajar con una


muestra 6  6y ; respectivamente.




En este texto se estn utilizando las notaciones 9 ; '6\ ; para ambos casos.


(MHUFLFLR
Calcular todas las medidas de dispersin dadas para la distribucin de los datos del
ejercicio 7.


19
Anlisis de variables cuantitativas. Tercer ejemplo.

7(5&(5(-(03/2

Para seleccionar a los nuevos ingresantes a primer ao, un colegio decide tomar una
prueba de nivel a los 50 postulantes y las calificaciones obtenidas, entre 0 y 100,
fueron las siguientes:






La variable FDOLILFDFLyQ es FXDQWLWDWLYDFRQWLQXD puede tomar cualquier valor real
comprendido entre 0 y 100. En este caso, los datos observados nos indican que el
menor valor de la variable es 39 y el mayor 100.

Cuando la variable es cuantitativa continua, es comn tener muchos datos distintos


entre s, por ese motivo, una tabla de distribucin de frecuencias en la que figure el
listado de todos los valores de la variable, como las que se confeccionaron hasta el
momento, podra ser muy extensa y de poca utilidad.11

En estos casos, se consideran intervalos para ubicar todos los valores observados de
la variable que denominamos

,QWHUYDORVR&ODVHV


Para la construccin de los intervalos, debemos tener en cuenta que FDGDGDWRRE




VHUYDGRGHEHSHUWHQHFHUDXQ~QLFRLQWHUYDOR. Lo que es equivalente a decir que las


clases deben ser excluyentes y exhaustivas.

En este ejemplo agruparemos todos los datos en 7 intervalos de igual amplitud y


para determinar dicha amplitud calculamos el UDQJRde la distribucin de califica-
ciones12

11
Esta situacin puede presentarse tambin en casos donde la variable de estudio sea cuantitativa
discreta, presente un amplio rango y la cantidad de observaciones sea grande.
12
El procedimiento siguiente no es adecuado para distribuciones que poseen un rango muy grande
debido a valores extremos muy alejados, en estos casos, los intervalos a tomar son en general de


distinta amplitud.

20
Anlisis de variables cuantitativas. Tercer ejemplo.

5DQJR ; Pi[ ; PtQ  

Luego dividimos el rango entre la cantidad de intervalos elegida


 

Finalmente usamos como amplitud de cada intervalo un valor levemente mayor al


obtenido en la cuenta. Esto garantiza que todos los datos puedan incluirse en algn
intervalo.

Consideramos entonces LQWHUYDORVGHDPSOLWXGFDGDXQREstos intervalos son


los nmeros comprendidos entre:
39 y 48 - 48 y 57 - 57 y 66 - 66 y 75 - 75 y 84 - 84 y 93 - 93 y 102

El primer valor de cada intervalo se llama lmite inferior (L1) y el ltimo lmite su-
perior (L2).

Cada calificacin observada pertenece a uno slo de los intervalos considerados,


excepto aquellas que coinciden con alguno de los lmites, en estos casos debemos
decidir en cul de los intervalos incluirlas, ya que deben pertenecer slo a uno.

En general, se consideran intervalos que contienen al lmite inferior pero no al supe-


rior.

Usando ese criterio


la calificacin 39 la ubicamos en el intervalo que va de 39 a 48,
la calificacin 48 en el de 48 a 57,
la calificacin 57 en el de 57 a 66, y as sucesivamente.

En consecuencia, FXDQGRXQDREVHUYDFLyQFRLQFLGHFRQHOH[WUHPRROtPLWHLQIHULRU
GHXQLQWHUYDORODLQFOXtPRVHQpO6LFRLQFLGHFRQHOOtPLWHVXSHULRUODLQFOXtPRV
HQHOLQWHUYDORVLJXLHQWH

Para cada intervalo o clase elegimos un representante y como tal utilizamos al punto
medio de dicho intervalo13 que se denomina 0DUFDGH&ODVHy se denota por ;

13
Este valor se calcula dividiendo por dos la suma de los lmites del intervalo /   /  sumndole al



lmite inferior del intervalo la mitad de la amplitud.

21
Anlisis de variables cuantitativas. Tercer ejemplo.

Una vez escogidos los intervalos para agrupar los datos, organizamos la informa-
cin en la siguiente tabla de distribucin de frecuencias.

,QWHUYDORVGH 0DUFD
&DOLILFDFLRQHV ;II I )) ) 
 
U  U 

 
 
 
 
 
 
7RWDO 

El grfico correspondiente a f, fr, o f% es un diagrama de barras consecutivas, el cual


se denomina

+LVWRJUDPD

IU





 



 








;
Intervalo modal Intervalo mediano

El polgono superpuesto al histograma se construy tomando las coordenadas de los


puntos medios de cada intervalo (marca de clase) y el grfico formado se llama
3ROtJRQRGHIUHFXHQFLDV


22
Anlisis de variables cuantitativas. Tercer ejemplo.

Observando el grfico notamos que HO 3ROtJRQR GH IUHFXHQFLDV HQFLHUUD XQ iUHD
LJXDODODGHO+LVWRJUDPD.

Para calcular el rea encerrada por el Histograma tomamos como unidad de medida
la amplitud de los intervalos. Observamos que la base de cada rectngulo mide 1
unidad y que la altura, mide el valor de la frecuencia asociada al intervalo.

De esta manera,
HOiUHDGHOKLVWRJUDPDHV VLVHWUDEDMDFRQODVIUHFXHQ
FLDV UHODWLYDV  VL VH FRQVLGHUDQ ODV IUHFXHQFLDV GH
SRUFHQWDMHV\HOWRWDOHQHOFDVRGHXWLOL]DUODVDEVROXWDV

Por ese motivo, si los intervalos son de distinta amplitud, la altura de los rectngu-
los no coincidir con el valor de la frecuencia con la cual se trabaja. Esta altura debe
calcularse en forma proporcional al ancho del intervalo y manteniendo el rea co-
rrespondiente.

Notemos que cuanto ms pequeos son los intervalos, ms suave es el grfico del
polgono de frecuencias. Esto significa que a medida que la amplitud de los interva-
los se acerca a 0 el polgono se aproxima al grfico de una funcin matemtica que
servir de modelo terico para la distribucin.


Otro grfico de gran utilidad para este tipo de distribuciones es el de las frecuencias
acumuladas, para el que puede considerarse tanto F, como Fr F%. El grfico no
vara segn la frecuencia acumulada elegida.

Para su construccin se consideran los puntos determinados por los pares lmite
superior y frecuencia acumulada de cada intervalo. En el caso de utilizar la frecuen-
cia acumulada porcentual, los puntos sern: (39,0), (48,8), (57,20), (66,46),...,
(93,90) y (102,100)14 . La poligonal que queda determinada por dichos puntos recibe
el nombre de 2MLYD

14
Notemos que todos los puntos de abscisa mayor o igual a 102 tienen como ordenada 100, como as


tambin todos los de abscisa menor o igual a 39 tienen como ordenada 0.

23
Anlisis de variables cuantitativas. Tercer ejemplo.


2MLYD


)












; 

Para esta distribucin de calificaciones FDOFXODUHPRVODVPHGLGDVGHSRVLFLyQ\GH


GLVSHUVLyQ\DGHILQLGDV.

L 5DQJR


El rango ya fue calculado para establecer la amplitud de los intervalos de la


distribucin
5DQJR 


LL 0HGLD$ULWPpWLFD


Para el clculo de la media aritmtica se procede de la misma forma que con


las variables discretas, considerando como X a la marca de clase.

X=
X .f
L
i i

n
43,5.4 + 52,5.6 + 61,5.13 + 70,5.9 + 79,5.7 + 88,5.6 + 97,5.5
X=
50
3498
X= = 69,96
50

; =  


24
Anlisis de variables cuantitativas. Tercer ejemplo.

Este valor indica que OD FDOLILFDFLyQ SURPHGLR REWHQLGD SRU ORV  SRVWX
ODQWHVHQODSUXHEDGHQLYHOHVGHSXQWRV.


LLL 9DULDQ]D


Tambin para el clculo de esta medida se considera como X a la marca del


intervalo.

(X )
2
i X .fi
V(X) = L
=
n
(43,5 69,96)2.4 + (52,5 69,96)2.6+.....+(97,5 69,96)2.5
= =
50
700,13.4 + 304,85.6+..............+343,73.6 + 763,97.5
= =
50
12082,01
=

50


9 ; = 

LY 'HVYtR6WDQGDUG


DS(X)= V(X) = 241,64




DS = 15,53

Y 0RGR
En este caso, si observamos la tabla, no podemos obtener a simple vista el
valor del modo pero s el intervalo que posee mayor frecuencia 57-66, por
ese motivo el intervalo recibe el nombre de LQWHUYDOR PRGDOEl modo es
un valor que pertenece a dicho intervalo.
Muchas veces se suele tomar como valor del modo al punto medio del in-
tervalo modal (en este caso 61,5), el cual no siempre coincide con el ver-
dadero valor.
Antes de calcular el valor del modo, lo localizaremos grficamente, para lo
cual confeccionamos el histograma de frecuencias absolutas.


25
Anlisis de variables cuantitativas. Tercer ejemplo.



Recta determinada por los
puntos (57,13) y (66,9) Recta determinada por los
I
puntos (57,6) y (66,13)

 

Punto interseccin

 
 
  

 


;
0R

Intervalo modal

(O0RHVODDEVFLVDGHOSXQWRGHLQWHUVHFFLyQGHODVGRVUHFWDVPDUFDGDVHQHOJUi
ILFR.

Se lo puede obtener hallando las ecuaciones de esas rectas y luego calculando la


abscisa del punto interseccin.

Si el clculo de las rectas y de la interseccin se efecta para puntos genricos, se


obtiene la siguiente expresin para calcular el modo:

Lmite inferior del intervalo


modal Amplitud del in-

Mo = / +
tervalo modal
d1
a 
d1 + d2
 Diferencia entre la frecuencia

Diferencia entre la frecuencia del
del intervalo modal y la fre-

intervalo modal y la frecuencia del
cuencia del intervalo posterior

intervalo anterior


26
Anlisis de variables cuantitativas. Tercer ejemplo.

Para el problema planteado, el clculo del modo ser:

(13 6)
Mo = 57 + .9 =
(13 6) + (13 9)
7
= 57 + .9 =
7+4
7
= 57 + .9
11


0R 


Este valor indica que ODFDOLILFDFLyQTXHSUHGRPLQDHVGHSXQWRV.

Observamos que el resultado obtenido no coincide con el punto medio del intervalo
modal (61,5).

(MHUFLFLR
En qu casos el modo coincidir con el punto medio del intervalo modal?

YL 0HGLDQD

El valor de la mediana, como ocurre con el modo, no se obtiene directamen-


te de la observacin de la tabla, lo que s se obtiene es el intervalo mediano
66-75 y la mediana es un valor que pertenece a dicho intervalo .15

La mediana se localiza grficamente en la Ojiva, que es donde se representan


las frecuencias acumuladas.

15
Para localizar el intervalo mediano, notamos que la cantidad de observaciones es 50, los tres pri-
meros intervalos suman 23, no puedo agregar las 9 del cuarto intervalo porque superara 25, y lo


mismo ocurre con los tres ltimos que suman 18.

27
Anlisis de variables cuantitativas. Tercer ejemplo.

)



 %  

Q  $


  

 Intervalo mediano


         ;
0H

Si se calcula la ecuacin de la recta en forma genrica, luego se reemplaza por el


punto (Me, n/2) y se despeja Me, se obtiene la siguiente expresin para el clculo de
la mediana:

Frecuencia acumulada del intervalo


Mitad de los datos anterior al intervalo mediano

n
Fa
Amplitud del intervalo mediano

Me = / + 2 a
f
Lmite inferior del intervalo mediano Frecuencia absoluta del intervalo mediano

Para el problema planteado el clculo de la mediana ser

25 23
Me = 66 + .9 =
9
2
= 66 + .9
9
Me = 68


28
Anlisis de variables cuantitativas. Tercer ejemplo.

Este resultado indica que HO  GH ORV DVSLUDQWHV REWXYLHURQ XQD FDOLILFDFLyQ
LQIHULRURLJXDODSXQWRV\HOUHVWDQWHXQDFDOLILFDFLyQVXSHULRUDSXQ
WRV


2EVHUYDFLRQHV

Cuando la variable es cuantitativa, las medidas de posicin no necesariamente


dan por resultado un valor observado.

En el caso de variables cuantitativas continuas, la mediana supera y es superada


exactamente por el 50% de las observaciones.

Si el modo, la mediana y la media coinciden, la distribucin es simtrica.

(MHUFLFLR


La siguiente distribucin de frecuencias corresponde a las horas semanales de traba-


jo de un grupo de docentes de enseanza media.
+RUDVGH &DQWLGDG
WUDEDMR GHGRFHQWHV
10-15 5 1. Graficar el histograma, el polgono de fre-
15-20 7 cuencias y la ojiva.
20-25 25
2. Calcular todas las medidas posibles y ubicar-
25-30 15
las en los grficos correspondientes,
30-35 45
35-40 18 3. Extraer conclusiones.
40-45 13
45-50 6
50-55 3


29
817,32'(&203$5$&,1


35,0(5(-(03/2

Un profesor dicta su materia en 1 A y 1 B, dos cursos de un mismo colegio.

Al iniciar el ao escolar, el profesor decidi tomarles a ambos una prueba de nivel


para evaluar el grado de conocimientos previos de los alumnos. El puntaje de la
prueba vara de 0 a 10.

Luego de organizar y resumir los puntajes de la prueba tomada a ambos cursos,


volc los resultados en la siguiente tabla:

&XUVRV
0HGLGDV $ %
X  
'6  

Al observar los datos de la tabla, se puede afirmar que los puntajes de todos los
alumnos de 1 B en relacin a los del grupo de 1 A, variaron menos respecto al
puntaje promedio, es decir que estn ms concentrados alrededor de dicho prome-
dio.

Esto significa que los alumnos de 1 B obtuvieron puntajes ms KRPRJpQHRV que


los de 1 A. El grupo 1 B es PHQRVYDULDEOH con respecto a los puntajes que el
otro grupo.16

Para extraer la conclusin anterior bast con observar los desvos de los puntajes,
dado que los promedios coinciden para ambos grupos.

En general, cuando se comparan dos o ms grupos con respecto a una misma varia-
ble, es difcil que se presente la situacin anterior donde los promedios coinciden.
Pero, a pesar de ello, es factible analizar la variabilidad de los grupos entre s.

16


Una situacin similar es la que se present en el segundo ejemplo del punto 4.

30
Un tipo de comparacin. Segundo ejemplo.

6(*81'2(-(03/2

Tomaremos el mismo problema que en el primer ejemplo pero con la siguiente tabla
de resultados:
&XUVRV
0HGLGDV $ %
X  
'6  

Con los resultados obtenidos en este caso no podemos decidir cul de los dos cursos
presenta mayor KRPRJHQHLGDG en los puntajes.

Para este tipo de problemas necesitamos de otra medida de dispersin denominada



&RHILFLHQWHGH9DULDFLyQ

(O FRHILFLHQWHGHYDULDFLyQ &9 H[SUHVDDOGHVYtRVWDQGDUGFRPRXQSRUFHQWDMH


GHODPHGLDDULWPpWLFD y se define con la siguiente expresin:

100 
DS
CV =
X


Al comparar dos o ms grupos respecto a una misma variable y calcular para cada
uno de ellos el CV, este valor nos permitir decidir sobre la homogeneidad de los
mismos pues:
HO JUXSR PiV KRPRJpQHR UHVXOWDUi VHU DTXHO TXH
SRVHDHOPHQRUFRHILFLHQWHGHYDULDFLyQ. 

Al calcular los CV para los dos cursos de nuestro ejemplo obtenemos:

Para 1 A Para 1 B
2,7 2,4
CV = .100 CV = .100
6 5
CV = 45 CV = 48


31
Un tipo de comparacin. Segundo ejemplo.

Como para 1 A el coeficiente de variacin result menor que para 1 B, puede


afirmarse que ORVSXQWDMHVGH$IXHURQPiVKRPRJpQHRVTXHORVGH%

(MHUFLFLR
Se tom una prueba de nivel con un puntaje mximo de 20 a dos comisiones de
estudiantes (C1 y C2) y los resultados obtenidos fueron los siguientes:


Puntajes obtenidos
Comisin 15-16 16-17 17-18 18-19 19-20
C1 8 20 19 13 10
C2 16 18 19 9 8


1. Para cul de los dos grupos el promedio de los puntajes result mayor?
2. Para cul de los dos grupos el puntaje result ms homogneo?




32
81352%/(0$',67,172


Ante un hecho real, las variables a analizar no siempre se presentan en forma tan
clara, como en los ejemplos tratados. Muchas veces, ciertas variables, pueden cum-
plir el rol de las frecuencias absolutas y la dificultad surge al calcular las medidas
que permitan extraer conclusiones.

Por ese motivo es muy importante poder identificar y clasificar la variable de inters
en un estudio.

(-(03/2

En la Direccin de Turismo de una determinada Ciudad, se buscaron los datos refe-


ridos a la entrada de turistas durante los ltimos tres aos, seleccionando slo los
meses de temporada alta. La finalidad de dicha bsqueda, es la de realizar una snte-
sis de la informacin que permita analizar posibles cambios con respecto a las me-
didas implementadas hasta el momento y de esta manera incrementar la afluencia
turstica en la ciudad.

En la siguiente tabla se presenta la informacin obtenida.

&DQWLGDGGHWXULVWDV HQPLOHV SRUPHV\DxRFRQVLGHUDGR



0HV 3ULPHUDxR 6HJXQGRDxR 7HUFHUDxR 7RWDO
'LFLHPEUH    
(QHUR    
)HEUHUR    
0DU]R    
7RWDO    

Observamos que las variables DxR y PHVGHWHPSRUDGDDOWD son ambas cualitativas.

Graficamos toda la informacin de la tabla en el siguiente diagrama de barras adya-


centes:


33
Un problema distinto.

'LDJUDPDGH%DUUDV$G\DFHQWHV
SDUDFDQWLGDGGHWXULVWDVVHJ~QPHV\DxR

R  0DU
x
D

U
 )HE
H
F
U  (QHUR
H
7  'LF

R
x 
D

R
G

Q
X 
J
H
6 

R
x

D

U 
H
P
L 
U
3 

      

De la observacin tanto de la tabla como del grfico extraemos entre otras las si-
guientes conclusiones:

/DPD\RUDIOXHQFLDGHWXULVWDVVHUHJLVWUyHQHOVHJXQGRDxR
'HORVFXDWURPHVHVFRQVLGHUDGRVSUHGRPLQDODHQWUDGDGHWXULVWDVHQHOPHVGH


HQHUR(VWHKHFKRVHGDHQORVWUHVDxRVHVSHFLDOPHQWHHQHOSULPHUR


Pero si consideramos OD FDQWLGDG GH WXULVWDV TXH LQJUHVDURQ VHJ~Q PHV \ DxR
como una tercera variable de estudio, podemos realizar un anlisis ms completo de
la informacin dada.

Esta nueva variable es cuantitativa discreta por tal motivo podemos calcularle todas
las medidas antes definidas, sus valores son las frecuencias que aparecen en la tabla
antes confeccionada.
Notamos que todos los valores tienen frecuencia 1, por tal motivo carece de sentido
graficar la informacin.


34
Un problema distinto.

Las siguientes son algunas de las conclusiones que podemos extraer:

1. /DHQWUDGDGHWXULVWDVDOD&LXGDGHQORV~OWLPRVWUHVDxRVIXHHQSURPHGLRGH
WXULVWDVDQXDOHV

331 + 393 + 369


Pues = 364,33


3

2. 'XUDQWHORVWUHV~OWLPRVDxRVHOSURPHGLRPHQVXDOGHWXULVWDVTXHLQJUHVDURQ
DOD&LXGDGIXHGH

216 + 350 + 295 + 232
Pues = 273,25
4

As como obtuvimos las conclusiones anteriores, podemos adems calcular el pro-


medio mensual de turistas que ingresaron en cada uno de los tres aos, el promedio
anual de turistas para cada mes de la temporada considerado el promedio mensual
de turistas que ingresaron a la Ciudad.

Puede resultarnos tambin de inters averiguar en qu mes de la temporada alta el


ingreso de turistas a la Ciudad result ms homogneo. Para esto necesitamos com-
parar los coeficientes de variacin de los cuatro meses considerados.

Calculamos entonces para cada uno de los meses el promedio de ingreso de turistas,
el desvo estndar y el coeficiente de variacin correspondiente, obteniendo los si-
guientes resultados, para:

Diciembre:
50 + 76 + 90
X= = 72
3

(50 72) 2 + (76 72) 2 + (90 72) 2


DS = = 16,57
3
S 16,57
CV = 100 = 100 = 23
X 72


35
Un problema distinto.

Enero:
125 + 120 + 105
X= = 116,67 DS = 8,50
3
S 8,50
CV = 100 = 100 = 7,28


X 116,67

Febrero:

= 98,33DS = 8,73
89 + 110 + 96
X=
3
S 8,73
CV = 100 = 100 = 8,88
X 98,33

Marzo:


= 77,33DS = 8,18
67 + 87 + 78
X=
3
S 8,18
CV = 100 = 100 = 10,58
X 77,33

En los clculos realizados observamos que el coeficiente de variacin menor se ob-


tuvo en el mes de Enero esto indica que:
3DUDODWHPSRUDGDDOWDVHREWXYRTXHHOLQJUHVRGHWXULVWDVD
OD&LXGDGUHVXOWyPiVKRPRJpQHRHQHOPHVGH(QHUR


36
(-(5&,&,2,17(*5$'25
Las autoridades educativas de cierta comunidad decidieron describir el perfil de los
docentes que se desempean en ella. Por tal motivo se seleccion una muestra de 32
docentes y los datos relevados se volcaron en una matriz.
1GHHQ 6H[R (VWDGR (GDG 6XHOGR &DQWOXJD
WUHYLVWDGR FLYLO HQDxRV HQ UHVGRQGH Con los datos proporcionados
WUDEDMD por la matriz:
 ) 6   
 ) &    1. Determinar de qu tipo es
 0 6    cada una de las variables
 0 '    que intervienen en el estu-
 0 6    dio.
 ) 6   
 0 &   
 0 &   
2. Confeccionar las tablas y

 ) &   


grficos que crea ms

 ) '   


conveniente para cada una

 ) '   


de ellas.
 ) &   
 ) &   
3. Calcular todas las medidas
 0 &   
posibles e interpretar sus
 0 6   
resultados.
 ) &   
 ) &   
4. Establecer las comparacio-
 ) &   
nes posibles.
 ) &   
 0 '   
 ) &   
 ) &   
 ) 6   
 0 6   
 0 &   
 ) &   
 ) &   
 ) 6   
 ) 6   
 0 6   
 ) 6   
 ) 6   
En Sexo: F para femenino y M para masculino.
En Estado Civil: S para soltero, C para casado y D para divorciado o separado


37





352%$%,/,'$'

,1752'8&&,1

Al realizar un anlisis estadstico de un conjunto de datos provenientes de una de-


terminada poblacin que se desea estudiar, puede ocurrir que dichos datos hayan
sido relevados de la poblacin en su totalidad o de una muestra representativa de
dicha poblacin.1

Si los datos fueron obtenidos de toda la poblacin, al organizarlos, presentarlos y


resumirlos por medio de la estadstica descriptiva, se extraern conclusiones referi-
das a dicha poblacin.
Pero si los datos fueron obtenidos de una muestra,al realizar un anlisis descriptivo
de los mismos slo se sacarn conclusiones referidas a esa muestra. En este caso, las
conclusiones acerca de la poblacin se debern inferir a travs de los resultados
muestrales.

En consecuencia, slo al realizar un anlisis descriptivo de toda una poblacin, las
conclusiones extradas sern acerca de dicha poblacin. En otra situacin, los resul-
tados de la estadstica descriptiva no alcanzan, se deber transferir esos resultados
para obtener conclusiones sobre la poblacin.

Los mtodos y procedimientos que permiten inferir los resultados muestrales a la
poblacin en su totalidad corresponden a la denominada HVWDGtVWLFD LQIHUHQFLDO y
pVWDVHIXQGDPHQWDWHyULFDPHQWHHQODWHRUtDGHOD3UREDELOLGDG


$WUDYpVGHOD3UREDELOLGDGVHHODERUDQORVPRGHORVWHyULFRVHQORVTXHVHEDVD
OD(VWDGtVWLFDSDUDODWRPDGHGHFLVLRQHVDQWHODLQFHUWLGXPEUH

/DSUREDELOLGDGHVDODYH]HOOHQJXDMH\ODPHGLGD
GHLQFHUWLGXPEUH\ORVULHVJRVDVRFLDGRVFRQHOOD2

1
Esto depender del tamao de la poblacin y de la posibilidad de recoleccin de los datos.
2


Chou Ya Lun en Anlisis Estadstico.

39
(;3(5,0(1726



Podemos realizar, entre otros, los siguientes experimentos:


1. Observar la cantidad de alumnos ausentes en el colegio en el da D.
2. Sortear una bicicleta entre los 35 alumnos de 2 ao.
3. Organizar un campeonato de ftbol entre los colegios A, B, C y D y premiar al
ganador.
4. Calcular los promedios generales de todos los alumnos de 5 ao y anotar el me-
jor.

Observamos que en estos experimentos no se puede predecir el resultado a obtener.


1RH[LVWHIyUPXODDOJXQDTXHSXHGDGHWHUPLQDUODFDQWLGDGGHDOXPQRVTXHIDOWD
UiQDOFROHJLRTXLpQJDQDUiODELFLFOHWDFXiOVHUiHOFROHJLRSUHPLDGRQLFXiOVHUi
HOPHMRUSURPHGLR.

Para los juegos de azar ocurre exactamente lo mismo; no se puede predecir el resul-
tado a obtener al lanzar una moneda, ni al lanzar un dado, ni al hacer girar la ruleta,
etc.

Todos estos experimentos tienen ms de un resultado posible y estos resultados son


inciertos. En otras palabras, no puede determinarse un resultado a priori. Por ese
motivo se los llama:
([SHULPHQWRVQRGHWHUPLQtVWLFRVDOHDWRULRVRHVWRFiVWLFRV
(VVyORHQHVWHWLSRGHH[SHULPHQWRVGRQGHVHSXHGHKDEODUGHSUREDELOLGDG
En consecuencia, para la probabilidad se necesita que los experimentos a realizar
sean aleatorios.

(MHUFLFLR
Decidir cules de los siguientes experimentos son aleatorios y explicar porqu.
1- Calcular la superficie de un terreno rectangular de 10m de ancho por 25m de largo.
2- Jugar un torneo de tenis.
3- Tirar una tiza desde el fondo del aula y medir la distancia de donde cae al pizarrn.
4- Medir la altura de una planta al ao de ser plantada.
5- Determinar el desplazamiento de un mvil que se mueve durante 3h a velocidad
constante de 80 km/h.
6- Depositar $100 en una entidad bancaria y calcular el monto total a retirar luego de 2
meses, en un perodo de estabilidad econmica.
7- Depositar $100 en una entidad bancaria y calcular el monto total a retirar luego de 2
meses, en un perodo de inflacin econmica.


40
(63$&,2608(675$/(6<68&(626


35,0(5(-(03/2
En el experimento que consiste en organizar un campeonato de ftbol entre los
colegios A, B, C y D; si el inters es premiar al ganador, no podemos predecir cul
de ellos resultar premiado pero s podemos afirmar que ser alguno de los cuatro
colegios.
En consecuencia, un conjunto con todos los resultados posibles para este experi-
mento puede ser: E = {A, B, C, D}

A este conjunto lo denominamos HVSDFLRPXHVWUDO


8QHVSDFLRPXHVWUDOHVXQFRQMXQWRIRUPDGRSRUWRGRV


ORVUHVXOWDGRVSRVLEOHVGHXQH[SHULPHQWRDOHDWRULR

En la siguiente tabla figuran distintos experimentos y un espacio muestral corres-
pondiente a cada uno de ellos.

([SHULPHQWR (VSDFLRPXHVWUDO
Observar la cantidad de alumnos que faltan E = {0,1,2,...20,........n}
al colegio en el da D. n depende de la cantidad total de alumnos.

Lanzar dos monedas. E = {CC, SS, SC, CS}


Considerar el mejor promedio general entre E = {xR/ 0 x 10}
los alumnos de 5 ao.
Registrar el nmero de veces que se debe E = {1,2,3,4,.....}
lanzar un dado hasta que aparezca el 1.
Contar la cantidad de alumnos de un curso E = {0,1,2,.......,40}
de 40, que cumplen aos en un mismo mes.

Los espacios muestrales son conjuntos que pueden tener una cantidad finita o infini-
ta de elementos3.

(MHUFLFLR
Cules de los espacios muestrales asociados a los experimentos aleatorios anterio-
res son conjuntos de finitos elementos?


El conjunto E puede ser finito, infinito numerable o infinito no numerable.

41
Espacios muestrales y sucesos. Segundo ejemplo.

6(*81'2(-(03/2

Consideremos la siguiente situacin: Se realiza un sorteo entre 40 nmeros, del 1 al
40, cul de los nmeros ser el ganador?. En este caso el espacio muestral es:
( ^`

Ahora bien, si yo tengo todos los nmeros que terminan con 7 voy a ganar si en el
sorteo sale alguno de los resultados del siguiente conjunto
$ ^`
Si tengo slo el nmero 30 voy a ganar si en el sorteo sale
% ^`
Si tengo todos los nmeros voy a ganar siempre
C = {1,2,3,4,5,....,40}
& (

Pero si no tengo ningn nmero no ganar nunca


' ^`

Los conjuntos A, B, C y D son subconjuntos del espacio muestral E y reciben el


nombre de VXFHVRV
8QVXFHVRHVXQVXEFRQMXQWRGHXQHVSDFLRPXHVWUDO


8Q VXFHVR RFXUUH FXDQGR HO UHVXOWDGR TXH VH REWLHQH HQ HO H[SHULPHQWR HV XQ


HOHPHQWRGHGLFKRVXFHVR.

En particular:
6LXQVXFHVRWLHQHXQVyORHOHPHQWRVHGLFHTXHHVXQVXFHVRHOHPHQWDO (B).
6LXQVXFHVRFRLQFLGHFRQHOHVSDFLRPXHVWUDORFXUUHVLHPSUHSRUORTXHVH
GHQRPLQDVXFHVRFLHUWR (C).
6LXQVXFHVRQRWLHQHHOHPHQWRVFRLQFLGHFRQHOFRQMXQWROXHJRQRSXHGH
RFXUULUQXQFDHVGHFLUHVHOVXFHVRLPSRVLEOH(D).

Como todo conjuntoes subconjunto de s mismo, y adems, el conjunto vaco es un


subconjunto de cualquier conjunto, tanto el suceso cierto como el suceso imposible
estn asociados a cualquier experimento aleatorio.

42
Espacios muestrales y sucesos. Tercer ejemplo.

7(5&(5(-(03/2

Para un torneo de ajedrez se inscribieron 6 nios de 10 aos: Mara (M), Cristina
(C), Vernica (V), Luis (L), Alejandro (A) y Gerardo (G). Se deben sortear dos ni-
os para realizar el partido de iniciacin. Los resultados posibles del sorteo son to-
dos los elementos del siguiente conjunto:
( ^0&090/0$0*&9&/&$&*9/9$9*/$/*$*`

Consideremos los siguientes sucesos:


$: Los dos nios son del mismo sexo.
$ ^0&09&9/$/*$*`

%: Los dos nios son de distinto sexo.


% ^0/0$0*&/&$&*9/9$9*`

&: Al menos uno de los nios es varn.


& ^0/0$0*&/&$&*9/9$9*/$/*$*`

': Uno de los nios debe ser Vernica.


' ^09&99/9$9*`

Entre los sucesos podemos realizar las siguientes RSHUDFLRQHV4



,QWHUVHFFLyQ
 &
C D = {VG, VA, VL} 0/0$'
0*&/9*09 Los elementos de
&$ la interseccin
El suceso C D ocu- &*/$9$&9 son los comunes
rre cuando ocurren C /*9/ a C y D.
y D simultneamente. $*

&XDQGR OD LQWHUVHFFLyQ HQWUH GRV VXFHVRV HV HO FRQMXQWR YD
FtRVHGLFHTXHORVVXFHVRVVRQPXWXDPHQWHH[FOX\HQWHV.

4
Como los sucesos son conjuntos, las operaciones que se pueden realizar son las mismas que las


operaciones entre conjuntos.

43
Espacios muestrales y sucesos. Tercer ejemplo.

Es decir que dos sucesos son mutuamente excluyentes cuando no pueden ocurrir
simultneamente. En el ejemplo, A y B son dos sucesos excluyentes.

8QLyQ
A D = {MC, MV, CV, LA, LG, AG, VL, VA, VG}
$'

0&9*ML
El suceso AD ocurre cuando
/$099/MA ocurre por lo menos uno de ellos.
/*MG
&99$CL En la unin estn todos los ele-
$*CA
CG (
mentos de A y todos los de D.

'LIHUHQFLD
B - D = {ML, MA, MG, CL, CA, CG,}
%'
 La diferencia entre los sucesos
0/ B y D (B-D), es el suceso cu-
0$ yos elementos son los de B
0*
VL MV MC
que no pertenecen a D.
&/
VG LG

&$&*
VA CV LA
AG El suceso B-D ocurre cuan-

(
do ocurre B y no ocurre D

&RPSOHPHQWR
El suceso B es el complemento del suceso A (B = Ac), pues VXVHOHPHQWRVVRQ


WRGRVORVGHOHVSDFLRPXHVWUDOTXHQRSHUWHQHFHQD$ y ocurre cuando no ocu-


rre A.
$  ($ F

A y Ac son sucesos mutuamente excluyentes.

2EVHUYDFLyQ
Tanto la unin como la interseccin pueden obtenerse para ms de dos sucesos.

(MHUFLFLR
Dados los sucesos A y B asociados a un experimento aleatorio, representarlos en
diagramas y sombrear las regiones correspondientes a: AB, AB, Ac, Bc, A-B y B-A


44
'(),1,&,1'(352%$%,/,'$'


Hasta ahora hemos considerado distintos tipos de sucesos de un espacio muestral
asociado a un experimento aleatorio, algunas de las operaciones entre ellos y, ade-
ms, la ocurrencia o no de un suceso.

Volviendo al ejemplo del sorteo entre 40 nmeros, del 1 al 40, en el cul el espacio
muestral es:
E = {1,2,3,4,5,.......,39,40}
Analizaremos las siguientes situaciones:

 Si soy poseedor de todos los nmeros que terminan con 7 voy a ganar si ocurre
A = {7,17,27,37}
Adems de esperar que ocurra el suceso A, puedo medir su posibilidad de ocu-
rrencia y esa medida es la que denominamos probabilidad del suceso A, denotada
P(A).
Luego
/DSUREDELOLGDGHVXQQ~PHURTXHLQGLFDODSRVLELOLGDG
TXHWLHQHGHRFXUULUXQGHWHUPLQDGRVXFHVR

Si queremos asignarle una probabilidad al suceso A de nuestro ejemplo ser


3 $   
Luego, la probabilidad de ganar es 0,1.

 Si tengo slo el nmero 30 voy a ganar si ocurre el suceso: B = {30}


y en este caso
3 %   
Con lo cual, la probabilidad de ganar es 0,025.

 Si tengo todos los nmeros voy a ganar siempre 3 (  Es decir, la probabili-
dad de ganar es 1.

 Si no tengo ningn nmero no ganar nunca 3 Luego, la probabilidad de


ganar, en este caso, ser 0.


45
Definicin de probabilidad.

 Qu probabilidad tendr de ganar si adems de poseer los nmeros que terminan
con 7, tengo el nmero 30?

En este caso voy a ganar si ocurre el suceso S = {7,17,27,37,30} = A B


En este FDVR3 6    3 $ 3 % 
Podemos decir entonces, que la probabilidad de ganar es 0,125.

En los puntos 1.,2.,3.,4. y 5. hemos observado que la probabilidad es un nmero real


que vara entre 0 y 1.

Adems, en el punto 5. se observa que la probabilidad de la unin de dos sucesos


excluyentes es la suma de sus respectivas probabilidades.

Conclumos en la GHILQLFLyQD[LRPiWLFDGHSUREDELOLGDG:

/DSUREDELOLGDGHVXQDIXQFLyQTXHDFDGDVXFHVR$GHXQHVSD
FLRPXHVWUDO(DVRFLDGRDXQH[SHULPHQWRDOHDWRULROHDVLJQDXQ
Q~PHUR(VHQ~PHURPLGHODSRVLELOLGDGGHRFXUUHQFLDGHOVXFHVR
\FXPSOHFRQORVVLJXLHQWHVD[LRPDV

d3 $ d

3 ( 

3 $% 3 $ 3 % VL$% 


El tercer axioma de probabilidad puede extenderse a un nmero finito o infinito
numerable de sucesos mutuamente excluyentes.



(MHUFLFLR
Si se conoce P(A), cmo puede calcularse P(AC)?


46
&02$6,*1$5352%$%,/,'$'(6


Para la asignacin de probabilidades consideraremos dos de las principales teoras:
ODWHRUtDFOiVLFD\ODWHRUtDIUHFXHQFLDO.

En ambos casos consideraremos que los espacios muestrales son finitos.




35,0(5(-(03/2

En un curso de un determinado colegio se desea seleccionar a un alumno delegado.
Para ocupar el cargo se postularon en total 5 alumnos del curso, entre ellos dos mu-
jeres (M1 y M2) y tres varones (V1, V2 y V3). La seleccin se realizar por sorteo.

Podemos pensar al conjunto de los resultados posibles en el sorteo como:


( ^90`


Tambin podra ser:


( ^99900`

Los dos espacios muestrales estn asociados al mismo experimento, pero en el se-
gundo estamos distinguiendo a los alumnos postulados.

La diferencia entre ambos espacios muestrales es que en el primero, los resultados


(V o M) no tienen la misma posibilidad de ocurrir dado que hay ms varones que
mujeres. En cambio en el segundo, FDGD UHVXOWDGR R VXFHVR HOHPHQWDO WLHQH OD
PLVPDSRVLELOLGDGGHRFXUULU por ese motivo decimos que:
(HVXQHVSDFLRPXHVWUDOHTXLSUREDEOH

Por lo tanto:

8QHVSDFLRPXHVWUDODVRFLDGRDXQH[SHULPHQWRHVHTXLSUREDEOH
VLWRGRVVXVUHVXOWDGRVWLHQHQODPLVPDSUREDELOLGDGGHRFXUULU


Para este ejemplo es lgico pensar que la probabilidad de que en el sorteo salga se-
leccionada una mujer sea 2/5 y no 1/2.


47
Cmo asignar probabilidades. Primer ejemplo.

/$7(25$&/6,&$'(/$352%$%,/,'$'
Define a la probabilidad del suceso A
asociado a un experimento, como el cociente entre la cantidad de casos favorables a
A y la cantidad de casos igualmente posibles para el experimento.

Es decir que
&DQWLGDGGHFDVRVIDYRUDEOHVD$
3 $ =
&DQWLGDGGHFDVRVSRVLEOHVHQHOH[SHULPHQWR
&DQWLGDGGHHOHPHQWRVGH$
3 $
&DQWLGDGGHHOHPHQWRVGH(

Esta definicin de probabilidad, aplicable slo a espacios muestrales finitos y equi-


probables, es conocida como la GHILQLFLyQGHSUREDELOLGDGGH/DSODFH.

Aplicando esta definicin al ejemplo considerado, el espacio muestral debe ser:


E = {V1, V2, V3, M1, M2}

El suceso, sea seleccionada una mujer es: A = {M1, M2}

Con lo cual, si queremos calcular la probabilidad de que sea seleccionada una mu-
jer, esta probabilidad ser:
P(A) = 2/5.

Este resultado coincide con el pensado anteriormente.

(MHUFLFLR
Para el ejemplo, calcular la probabilidad de que el alumno seleccionado sea:
a) varn, b) de cualquier sexo, c) ni mujer ni varn, d) M1 y e) V1 V2.
Para cada caso escribir el suceso correspondiente y relacionar los resultados obteni-
dos con lo expuesto hasta el momento.





48
Cmo asignar probabilidades. Segundo ejemplo.

6(*81'2(-(03/2

Un vendedor de videogames, posee en stock 3 marcas distintas y del mismo precio
(A, B y C). Debe reponer su mercadera, pero puede hacerlo slo de una de dichas
marcas, por lo que decide seleccionar aquella que tenga menor probabilidad de re-
clamo por garanta de parte del cliente.

El vendedor tiene el problema de no saber cul es la probabilidad de reclamo para


cada marca. Lo que s puede saber, a travs de las facturas entregadas a los clientes,
es la cantidad de reclamos para cada una de ellas en los ltimos 6 meses. Con los
datos confecciona la siguiente tabla:

0DUFDGHO &DQWGHUHFODPRV )UHFUHODWLYD


YLGHRJDPH I IU
Recordamos que:

$   Cada frecuencia relativa


%   vara entre 0 y 1.
&   La suma de todas las fre-
7RWDO   cuencias relativas es 1.

Considerando la informacin de la tabla y, pensando que lo ocurrido durante esos


meses puede seguir ocurriendo, el vendedor cree que la marca ms conveniente es la
C.

Si bien los datos no nos proporcionan las probabilidades de reclamo para cada mar-
ca de videogame, observando las frecuencias relativas podemos suponer que la mar-
ca C tendr la menor probabilidad de reclamo.

/$7(25$)5(&8(1&,$/'(/$352%$%,/,'$'
Define a la probabilidad en tr-
minos de la frecuencia relativa. Es decir, que si un experimento aleatorio se repite
un nmero grande de veces, entonces, la probabilidad de un suceso en particular
puede asimilarse a la frecuencia relativa.

En realidad, con la frecuencia relativa estamos tomando una aproximacin estimada


de la probabilidad y esa aproximacin es la que denominamos probabilidad.


49
Cmo asignar probabilidades. Segundo ejemplo.

Cantidad de veces que ocurri el suceso A
se acerca a P(A)
Cantidad de repeticiones del experimento
Por lo tanto
f(A)
se acerca a P(A) a medida que n crece
n

(MHUFLFLR
En la siguiente tabla se presenta la cantidad de hermanos y el sexo para los 45
alumnos de un curso determinado.

&DQWKHUPDQRV 9DURQHV0XMHUHV Si se selecciona un alumno al azar cul es


  la probabilidad de que:
  a) sea varn?, b) sea mujer?, c) tenga un
  slo hermano?, d) no tenga hermanos? y
  e) sea varn y tenga 3 hermanos?


50
&8$1'2/2668&(626126210878$0(17((;&/8<(17(6


(-(03/2

En el recreo del colegio el 15% de los alumnos compra solamente un sandwich, el
30% compra solamente golosinas y el 10% compra un sandwich y alguna golosina.
En el siguiente diagrama se muestran los porcentajes anteriores:

6*
Los sucesos S: comprar un sandwich y G: comprar
 golosinas no son sucesos mutuamente excluyentes,
dado que hay alumnos que compran ambas cosas.


Si se selecciona al azar un alumno del colegio, cul es la probabilidad de que ese


alumno compre:
1. solamente un sandwich? P(slo S) = 0,15
2. solamente una golosina? P(slo G) = 0,30
3. un sandwich? P(S) = 0,25
4. una golosina? P(G) = 0,40

5. un sandwich y una golosina? P(S G) = 0,10

6. un sandwich o una golosina? P(S G) = 0,15+ 0,10+ 0,30 = 0,55


Observemos que P(S G) = 0,55.
sin embargo P(S) + P(G) = 0,25 + 0,40 = 0,65

(QHVWHFDVR3 6* QRFRLQFLGHFRQ3 6 3 * SXHV6*z

Al realizar P(S) + P(G) estamos sumando dos veces P(S G).

Entonces, podramos calcular P(S G) recurriendo a la siguiente expresin:


P(S G) = P(S) + P(G) - P(S G)
P(S G) = 0,25 + 0,40 - 0,10 = 0,65 - 0,10 = 0,55
Este valor coincide con el calculado anteriormente.

51
Cuando los sucesos no son mutuamente excluyentes. Ejemplo.

Por lo tanto VLGRVVXFHVRV6\*QRVRQPXWXDPHQWHH[FOX\HQWHV
3 6* 3 6 3 * 3 6* 



(MHUFLFLR
Para los datos del ejercicio 6, si se selecciona un alumno al azar, cul es la proba-
bilidad de que:
1. sea varn o tenga dos hermanos?
2. sea mujer o no tenga hermanos?
3. sea mujer o tenga ms de dos hermanos?

(MHUFLFLR
Para un grupo de 35 alumnos de un curso se obtuvieron los siguientes datos referi-
dos a si es socio de algn club y cuntos deportes practica:

Si se selecciona un alumno al azar, &DQWGHGHS 6RFLRGHDOJ~QFOXE


calcular la probabilidad de que: TXHSUDFWLFD 6L1R
1. no practique deportes.  
2. sea socio de algn club.  
3. practique como mnimo un deporte.  
4. no sea socio de algn club o no practique deportes.
5. sea socio de algn club o practique como mnimo un deporte.


(MHUFLFLR
La probabilidad de que un vendedor de computadoras personales le venda a un
cliente una computadora sin impresora es de 0,15; una impresora solamente es 0,05
y una computadora con la impresora es 0,25.
Si un cliente concurre al negocio, cul es la probabilidad de que le venda una im-
presora, una computadora, una computadora o una impresora?.


52
'(3(1'(1&,$(,1'(3(1'(1&,$'(68&(626


35,0(5(-(03/2

Usaremos los datos del ejercicio 6
&DQWLGDGGH 6H[R 
KHUPDQRV 9DURQHV0XMHUHV 7RWDO
  
  
  
  
7RWDO  

Si se selecciona al azar un alumno.

1. La probabilidad de que sea mujer, es:


P(M)= 25/45

2. La probabilidad de que tenga 3 hermanos y sea mujer, es:


P(3H M)= 2/45

3. Sabiendo que es mujer, la probabilidad de que tenga 3 hermanos. En este caso


estamos condicionando el suceso: tener tres hermanos, al suceso: es mujer.
Esta SUREDELOLGDGFRQGLFLRQDO se denota: 3 +0
Para calcularla, como sabemos que el alumno es mujer el total de casos posibles
se reduce de 45 a 25, por lo que estamos ubicados en la segunda columna de la
tabla y la cantidad de casos favorables es 2. Es decir, que dentro del conjunto de
las mujeres seleccionamos a las que tienen 3 hermanos.
Luego P(3H/M)= 2/25

De la observacin de 1.,2. y 3. conclumos que:



 3 + 0
3 +  0 =  =
  3 0

3 + 0
/XHJR 3 +  0
3 0


53
Dependencia e independencia de sucesos. Primer ejemplo.

4. La probabilidad de que tenga 3 hermanos, es:
P(3H)= 3/45

5. La probabilidad de que sea mujer y tenga tres hermanos, es:


P(M 3H)= 2/45

6. La probabilidad de que sea mujer sabiendo que tiene tres hermanos, en este caso
la probabilidad condicional es: P(M/3H). Como sabemos que el alumno tiene tres
hermanos, los casos posibles se reducen de 45 a 3, nos ubicamos en la tercera fila
y en ella los casos favorables son 2.
Luego: P(M/3H)= 2/3

Al observar 4.,5. y 6. conclumos que:



 3 0 +
3 0  + =  =
  3 +

3 0 +
3 0  +
3 +

En consecuencia, dados dos sucesos A y B, definimos la probabilidad condicional


como:

/DSUREDELOLGDGFRQGLFLRQDOGH $GDGR%(si P(B)0) es:


3 $ %
3 $  %
3 %
/DSUREDELOLGDGFRQGLFLRQDOGH%GDGR$(si P(A)0) es:
3 % $
3 %  $
3 $

De lo anterior deducimos la SUREDELOLGDGGH la LQWHUVHFFLyQGHGRVVXFHVRV5


3 $ % 3 $  % 3 %


R
3 % $ 3 %  $ 3 $

5
Debemos tener en cuenta que las dos intersecciones indican lo mismo A B = B A.

54
Dependencia e independencia de sucesos. Segundo ejemplo.

6(*81'2(-(03/2

Retomaremos el ejemplo de los 5 alumnos que se postularon para ser delegados de
curso; V1, V2, V3, M1 y M2. Pero en este caso vamos a seleccionar 2 delegados y
calcular la probabilidad de que: a) los dos alumnos seleccionados sean mujer y b)
slo un alumno seleccionado sea varn.
Para calcular las probabilidades pedidas necesitamos saber cules son todas las po-
sibilidades que existen de elegir los dos delegados, es decir, los elementos del espa-
cio muestral E.
Un manera de obtener los elementos de E es por medio del denominado GLDJUDPD
GHiUERO el cual puede realizarse de dos formas distintas.

 En la primera columna del diagrama escribimos las posibilidades que tenemos de


seleccionar el primer delegado y en la segunda, las posibilidades de seleccionar
el segundo delegado para cada caso. Cada rama del rbol indica un resultado po-
sible para la seleccin de los dos delegados, es decir que del diagrama de rbol
completo obtenemos el conjunto de todos los resultados posibles para esta situa-
cin..
'LDJUDPDGHiUERO 5HVXOWDGRVSRVLEOHV(
9 99
9 99


9


0 90

0 90
9 99


9 9 99




 0 90
 0 90
9 99
9 9 99


 0 90
 0 90
 9 09
0 9 09
 9 09
 0 00
9 09


0 9 09




 9 09
 0 00

55
Dependencia e independencia de sucesos. Segundo ejemplo.

En total tenemos 5 x 4 = 20 resultados posibles.
Calculamos finalmente las probabilidades de que:
a) los dos alumnos seleccionados sean mujer.
Si observamos el rbol, los resultados favorables son 2: 00y 00.
Luego: 3 00 = 2/20 = 
b) slo un alumno sea varn.
Los resultados favorables son 12:
909090909090
0909090909\09.
Luego: 3 VyORXQRHV9 = P(uno sea V y el otro sea M) = 12/20 = 


 La otra forma de construir el diagrama del rbol es sin discriminar a los varones y


a las mujeres entre s, sta determina un espacio muestral que no es equiprobable.


Para evitar tal dificultad colocamos en cada una de sus ramas la probabilidad co-
rrespondiente, de la siguiente manera:
'LDJUDPDGHiUERO
Como se seleccion un alumno

99
De los 5 alumnos hay 3 quedan 4 y de ellos 2 varones por


varones, luego P(V)=3/5 ser el primero varn, luego

 0
P(V/V)=2/4
De los 5 alumnos hay 2  

Entre los 4 alumnos restantes hay 2
09


mujeres, luego P(M/V)=2/4



mujeres, luego P(M)=2/5

0


Calculamos las probabilidades de que:
a) los dos alumnos seleccionados sean mujer:
3 00 = P(M). P(M/M) = 2/5. 1/4 = 2/20 = 
b) slo un alumno sea varn:
P[(V M) (M V)] al ser sucesos excluyentes:
3 90 3 09 = P(V). P(M/V) + P(M). P(V/M) = 3/5. 2/4 + 2/5. 3/4
= 6/20 + 6/20 = 12/20 = 
Como era de esperar, los resultados no cambiaron.

56
Dependencia e independencia de sucesos. Tercer ejemplo.

(MHUFLFLR
Para el ejemplo anterior, calcular la probabilidad de que:
a) los dos alumnos seleccionados sean varn, b) al menos uno de los alumnos selec-
cionados sea mujer y c) a lo sumo uno de los alumnos seleccionados sea varn.


7(5&(5(-(03/2

En una juguetera hay 8 casettes de videogames de 20 juegos cada uno. El dueo de
la juguetera sabe que 2 de ellos, en realidad, no tienen 20 juegos distintos, sino,
varias repeticiones de un mismo juego. Es decir, que vinieron fallados. Como espe-
cula con venderlos igual, tiene todos los casettes mezclados.

 Si entran dos clientes a la juguetera a comprar casettes, cul es la probabilidad


de que a ambos les halla tocado los fallados?
El siguiente diagrama de rbol, en donde F indica que el casette est fallado y S
sano, nos puede guiar para el clculo de la probabilidad.

 En este caso, la probabilidad pedida es:


6)


6 P(F F) = P(FF) = P(F/F). P(F) = 1/7. 2/8 = 1/28
 
))


Luego, la probabilidad de que los dos clientes com-

6 pren casettes fallados es 1/28.

Esta situacin es del mimo tipo que las anteriores, pero, en qu hubiera cambiado
esta probabilidad si:

. El primer cliente compra un casette y antes de que el segundo entre a comprar, lo


devuelve?
En este caso, la segunda venta se realiza sobre un total de 8 como la primera y el
diagrama correspondiente es el siguiente:

6)

6


 
Luego: P(FF) = P(F/F) . P(F) = 2/8. 2/8 = 1/16
))

6



57
Dependencia e independencia de sucesos.

Observamos que P(S/F) = P(S), P(F/S) = P(F) ......, la segunda venta no depende
de la primera. Luego:

P(S F) = P(S). P(F) P(F F) = P(F). P(F)


P(S S) = P(S). P(S) P(F S) = P(F). P(S)

Definimos entonces sucesos independientes como:

'RVVXFHVRV$\%VRQLQGHSHQGLHQWHVVL\VyORVL

3 $%  3 $ 3 % 


(Q ORV VXFHVRV LQGHSHQGLHQWHV OD RFXUUHQFLD GH XQR GH HOORV QR LQFLGH HQ OD RFX
UUHQFLDGHORWUR

2EVHUYDFLyQ

La definicin de independencia puede extenderse a ms de dos sucesos.

Es muy importante tener en cuenta que el concepto de independencia entre suce-


sos es distinto al de exclusin.

(MHUFLFLR
En una caja hay 5 pilas comunes y 4 pilas de larga duracin.
1. Si se extraen dos al azar y simultneamente, cul es la probabilidad de que:
a- ambas sean pilas comunes?
b- slo una sea una pila comn?
c- ninguna sea una pila comn?
2. Si se extraen dos pilas al azar, pero reponiendo la primera extrada, cul es la
probabilidad de que:
a- ambas sean comunes?
b- slo una sea comn?
c- ninguna sea comn?

(MHUFLFLR
Cul es la diferencia entre sucesos mutuamente excluyentes y sucesos indepen-
dientes?

58
$3/,&$1'2/2$17(5,25


35,0(5(-(03/2

Debe seleccionarse un alumno cualquiera de 5to ao para representar al colegio en
un acto. En el colegio hay cuatro quintos, A con 30 alumnos, B con 25, C con 35 y
D con 27 alumnos. A la vez, en A hay 10 varones, en B hay 11 varones, en C hay 20
y en D hay 12 varones. Cul es la probabilidad de que el alumno seleccionado sea
varn?
Como el alumno puede pertenecer a cualquiera de los cuatro quintos, la probabili-
dad de que sea varn P(V), es:
3> 9\SHUWHQHFHD$ R 9\SHUWHQHFHD% R 9\SHUWHQHFHD& R 9\SHUWHQHFHD' @

Es decir: 3 9  3> 9$  9%  9&  9' @

/RVVXFHVRVVRQH[FOX\HQWHVSXHVWRTXHXQDOXPQRQRSXHGHHVWDUHQ$\%DOPLV
PRWLHPSR, entonces:
P(V) = P(V A) + P(V B) + P(V C) + P(V D)

&RPR OD SUREDELOLGDG GH 9 YD D GHSHQGHU GHO FXUVR DO TXH SHUWHQHFH HO DOXPQR,
aplicando a la probabilidad de la interseccin la definicin correspondiente, tendre-
mos:
P(V) = P(V/A) . P(A) + P(V/B) . P(B) + P(V/C) . P(C) + P(V/D) . P(D)

Con los datos del problema construmos la siguiente tabla:

 &XUVR  Y de la observacin de la misma se deduce que:


6H[R $%&' 7RWDO P(A) = 30/117 P(V/A) = 10/30
9   P(B) = 25/117 P(V/B) = 11/25
0   P(C) = 35/117 P(V/C) = 20/35
7RWDO  

P(D) = 27/117 P(V/D) = 12/27

Reemplazando en P(V) cada uno de los valores nos queda:


P(V) = 10/30 . 30/117 + 11/25 . 25/117 + 20/35 . 35/117 + 12/27 . 27/117
P(V) = 10/117 + 11/117 + 20/117 + 12/117

3 9 


59
Aplicando lo anterior. Segundo ejemplo.

Notemos que en la tabla aparece directamente cada una de las intersecciones y el
ejercicio se podra haber resuelto de la siguiente manera:

P(V) = P(V A) + P(V B) + P(V C) + P(V D)

12/117 = 

= 10/117 + 11/117 + 20/117 +


(MHUFLFLR
Para este ejemplo calcular: a) La probabilidad de que el alumno seleccionado sea
mujer. b) Si el alumno seleccionado result ser varn, cul es la probabilidad de
que est en 5to A?. c) Si el alumno seleccionado result ser mujer, cul es la pro-
babilidad de que est en 5to D?

6(*81'2(-(03/2


Un vendedor de computadoras personales, compra chips de memoria de tres fabri-
cantes distintos;(A, B y C) en la misma proporcin. La probabilidad de que los
chips tengan alguna falla es de 0,1; 0,09 y 0,11 para cada uno de ellos respectiva-
mente. Si al armar una PC selecciona al azar uno de los chips y resulta con falla (F),
cul es la probabilidad de que el chip provenga de B?

Llamaremos A al suceso el chip proviene del fabricante A,


B al suceso el chip proviene del fabricante B y
C al suceso el chip proviene del fabricante C

En este caso se est pidiendo: P(B/F) y las probabilidades conocidas son:

P(A) = 1/3 P(B) = 1/3 P(C) = 1/3


Pues los tres proveen en la misma proporcin.

P(F/A) = 0,1 P(F/B) = 0,09 P(F/C) = 0,11

Recurriendo a la definicin de P(B/F) tenemos que:


60
Aplicando lo anterior. Segundo ejemplo.

3 % ) 3 )  %  3 %
3 %  )
3 ) 3 )
=

Reemplazamos el numerador y el denominador para usar las probabilidades conocidas


3 )  %  3 %
3 %  )
3 )  $ 3 $  3 )  % 3 %  3 )  & 3 &
0,09. 0,33 0,0297 0,0297
P(B / F) = =
0,1. 0,33 + 0,09. 0,33 + 0,11. 0,33 0,033 + 0,0297 + 0,0363 0,099

Luego 3 %)  

/DSUREDELOLGDGGHTXHHOFKLSSURYHQJDGHOIDEULFDQWH%VDELHQGRTXHHVWiIDOOD
GRHV

(MHUFLFLR
Para este ejemplo. Si al armar una PC el chip seleccionado resulta sin fallas (S).
1. Cul es la probabilidad de que provenga de C?
2. Cul es la probabilidad de que provenga de A?


61
9$5,$%/($/($725,$<',675,%8&,21(6'(352%$%,/,'$'

35,0(5(-(03/2

Retomaremos el ejemplo del comerciante que dispone de 8 casettes de videogame


de los cuales 2 estn fallados. Si concurren al negocio 3 clientes a comprar casettes,
todas las ventas posibles sern:



F S FFS
F


 S F FSF
 S


FSS


F SFF


F S SFS
S






S F SSF



S SSS

Los resultados posibles (ventas) no son valores numricos, pero si elegimos la va-
riable ;FDQWLGDGGHFDVHWWHVIDOODGRVTXHVHYHQGLHURQ a cada resultado le va a
corresponder un nmero y de esta manera queda determinada la siguiente asigna-
cin:

))6
)6)
6))
)66
6)6
66)
666 

Los nmeros 0, 1 y 2 son los valores que puede tomar la variable X.

A esta aplicacin, que a cada resultado posible de un experimento aleatorio le asig-


na un valor numrico la denominamos

9DULDEOHDOHDWRULD



62
Variable aleatoria y distribuciones de probabilidad. Primer ejemplo.

8QDYDULDEOHDOHDWRULDHVXQDIXQFLyQTXHDFDGDUHVXOWD
GRGHXQH[SHULPHQWRDOHDWRULROHDVLJQDXQQ~PHURUHDO

Al conjunto de todos los valores que asume una variable aleatoria lo llamamos UH
FRUULGR
&XDQGRHOUHFRUULGRGHXQDYDULDEOHDOHDWRULD;HVXQFRQMXQWRILQLWRR
LQILQLWRQXPHUDEOHVHODGHQRPLQDYDULDEOHDOHDWRULDGLVFUHWD
&XDQGRHOUHFRUULGRGHXQDYDULDEOHDOHDWRULD;HVXQFRQMXQWRLQILQLWR
QRQXPHUDEOHVHODGHQRPLQDYDULDEOHDOHDWRULDFRQWLQXD


La variable aleatoria cantidad de casettes fallados que se vendieron es discreta


pues tiene como recorrido al conjunto 5  ^0,1,2`que es un conjunto finito.

[

A cada valor de una variable aleatoria discreta le podemos calcular la probabilidad y


con ello nos queda determinada la IXQFLyQGHSUREDELOLGDG

Si calculamos la probabilidad de cada valor del recorrido de la variable X conside-


rada en este ejemplo, tenemos:
   
  =
   
P(x = 0) = P(SSS) =
   
P(x = 1) = P(FSS SFS SSF) = P(FSS) + P(SFS) + P(SSF) =    =
   
   
P(x = 2) = P(FFS FSF SFF) = P(FFS) + P(FSF) + P(SFF) =    =
   

Estas probabilidades determinan la funcin de probabilidad de X que presentamos


en la siguiente tabla:
7DEODGHGLVWULEXFLyQGHSUREDELOLGDG
9DORUHVGH 3UREDELOLGDG
; GHFDGDYDORU








 


 

7RWDO 



63
Variable aleatoria y distribuciones de probabilidad. Primer ejemplo.

Observamos que cada valor de la segunda columna vara entre 0 y 1 por ser una
probabilidad y la suma total de ellos es 1, pues coincide con la probabilidad del
espacio muestral.


/DIXQFLyQGHSUREDELOLGDGGHXQDYDULDEOHDOHDWRULDGLVFUHWDFXPSOHFRQODVVL
JXLHQWHVSURSLHGDGHV
FDGDYDORUGH OD IXQFLyQFRPRHVXQDSUREDELOL


GDGHVXQQ~PHURHQWUH\
ODVXPDGHWRGRVORVYDORUHVGHODIXQFLyQHV


La grfica de la funcin de probabilidad de una variable aleatoria discreta es el dia-


grama de bastones o el de puntos.
'LDJUDPDGHSXQWRV



GD 
GOL 
LE
DE 
RU 
3


    

9DORUHVGH;


Para toda variable aleatoria se puede calcular un nmero que indica el valor que de
ella se espera obtener, no necesariamente ese valor pertenece al recorrido de la va-
riable. En el caso que estamos tratando nos puede interesar calcular cuntos casettes
fallados se espera vender en el negocio si concurren 3 clientes.

El valor que se espera de una variable aleatoria se denomina YDORUHVSHUDGRRHVSH


UDQ]DVHdenota ( ; y si la variable en cuestin es discreta,se define como:

( ; = [S [
[ 5[


64
Variable aleatoria y distribuciones de probabilidad. Segundo ejemplo.

Puede verificarse que si X es una variable aleatoria discreta, el clculo de E(X) co-
incide con el de la media aritmtica.

Volviendo al ejemplo, VLDOQHJRFLRFRQFXUUHQFOLHQWHVSDUDFRPSUDUFDVHWWHVVH


HVSHUDYHQGHUQLQJXQRRXQRGHORVTXHHVWiQIDOODGRVpues:
E(X)= 0.5/4 + 1.15/28 + 2.3/28 = 0,75

6(*81'2(-(03/2

Si compramos un cuaderno Arte 21x27 y medimos el ancho de una hoja cualquie-
ra de dicho cuaderno con distintas reglas, es difcil que con todas obtengamos exac-
tamente 21 cm; pero s obtendremos aproximadamente 21 cm. Cuanto ms precisa
sea la regla ms nos acercaremos a la verdadera medida.

Lo mismo va a ocurrir si queremos medir el ancho de todas las hojas del cuaderno.
Es difcil que todas midan exactamente lo mismo.

No podemos afirmar que el ancho de una hoja del cuaderno mide exactamente 21
cm pero podemos decir que mide alrededor de 21 cm. En otras palabras, podemos
afirmar que el ancho de la hoja del cuaderno mide, por ejemplo, entre 20,5 cm y
21,5 cm.

Si consideramos a la variable aleatoria;: PHGLGDGHODQFKRGHXQDKRMDGHOFXD


GHUQR esta variable tendr un recorrido que puede ser cualquier nmero real com-
prendido, por ejemplo, entre 20,5 y 21,5.

Se observa que la variable aleatoria X tiene como recorrido un conjunto infinito no


numerable, entonces decimos que ;HVXQDYDULDEOHDOHDWRULDFRQWLQXD

Cuando una variable aleatoria es continua no se pueden listar todos los valores que
toma, pero s considerar intervalos de valores de su recorrido6; por tal motivo, en
este caso slo es posible calcular probabilidades para intervalos. Las probabilidades
puntuales son cero.


Esto coincide con lo observado en los ejemplos de estadstica referidos a variables continuas.

65
Variable aleatoria y distribuciones de probabilidad. Segundo ejemplo.

La funcin de probabilidad de una variable aleatoria continua I [ permite calcular
las probabilidades para cualquier intervalo del recorrido de dicha variable,esta fun-
cin se denomina IXQFLyQGHGHQVLGDGGHSUREDELOLGDGy su grfica puede tener
distintas formas.

Los siguientes son posibles grficos para una funcin de densidad de probabilidad.

I [ 
I [

[
[
0
0

I [ I [ 

3 D[E

0 [ 0 a b [

Estas funciones son algunos ejemplos de modelos a los cuales se puede aproximar
el grfico del polgono de frecuencias relativas correspondiente a una variable con-
tinua, cuando la base de los rectngulos del histograma respectivo tiende a 0.

Recordando que los polgonos de frecuencias relativas, de las distribuciones de fre-


cuencias de variables continuas, encierran un rea igual a 1, tenemos que el rea
total que la funcin de densidad de probabilidad encierra respecto al eje de las abs-
cisas es 1.


66
Variable aleatoria y distribuciones de probabilidad. Segundo ejemplo.

8QDIXQFLyQI [ HVGHGHQVLGDGGHSUREDELOLGDGGHXQDYDULDEOHDOHDWRULDFRQ
WLQXDVLFXPSOHFRQODVVLJXLHQWHVSURSLHGDGHV
HVPD\RURLJXDOTXHSDUDWRGRVORVYDORUHVUHDOHVGRQGHHVWiGHILQLGDOD


IXQFLyQ
HOiUHDHQFHUUDGDHQWUHODIXQFLyQ\HOHMHGHODVDEVFLVDVHV


ODIXQFLyQGHGHQVLGDGQRHVXQDSUREDELOLGDGSHURDWUDYpVGHHOODSRGH


PRVFDOFXODUODSUREDELOLGDGGHTXHODYDULDEOHDOHDWRULDVHHQFXHQWUHHQWUH
GRVYDORUHVD\E
(VWD SUREDELOLGDG HV LJXDO DO iUHD HQFHUUDGD SRU OD IXQFLyQ HO HMH GH ODV
DEVFLVDVODUHFWD[ D\ODUHFWD[ E



(MHUFLFLR
Por qu hemos afirmado anteriormente que si una variable aleatoria es continua,
las probabilidades puntuales son cero?
(Si x es una variable aleatoria continua entonces P(x = a) = 0)

(MHUFLFLR
Qu tipo de curva puede aproximar mejor el grfico de la funcin de densidad de
probabilidad, correspondiente a cada una de las siguientes variables aleatorias?
1. X: medida del ancho de una hoja del cuaderno del ejemplo.
2. X: estatura de un nio de 5 aos.
3. X: tiempo que tarda en quemarse una lamparita encendida


67
02'(/26

El objetivo de un modelo es describir y explicar determinados fenmenos o situa-


ciones del mundo real, bajo condiciones especficas.

En este punto introduciremos dos de los modelos probabilsticos ms usados: SDUD


YDULDEOHVDOHDWRULDVGLVFUHWDVHO0RGHOR%LQRPLDO\SDUDYDULDEOHVDOHDWRULDVFRQ
WLQXDVHO0RGHOR1RUPDO

35,0(5(-(03/2

En una esquina transitada hay un cartel de propaganda y la experiencia previa indica
que de cada 20 personas que pasan por dicha esquina a cualquier hora del da, 8 leen
el cartel. Es decir, la probabilidad de que una persona que pase por esa esquina lea
el cartel es 8/20 (0,4).

Supongamos que por esa esquina, en un momento determinado pasan 3 personas,


que pueden leer (L) o no leer (N) el cartel.

Los resultados posibles son:

////
/1//1
0,4

/
0,4 0,6

1//1/
0,4
0,6 0,4

1/11

0,6

/1//
/11/1
0,4

1
0,4 0,6

1/11/
0,6
0,6 0,4

0,6 1111




La variable aleatoria discreta X: cantidad de personas que leen el cartel. Tiene un


recorrido Rx = {0,1,2,3}

En este ejemplo, a diferencia del anterior, las probabilidades no cambian,


P(L) = 0,4 y P(N) = 0,6

68
Modelos. Primer ejemplo.

En este caso la tabla de distribucin de probabilidades es la siguiente:
9DORUHVGH; 3UREDELOLGDGGHFDGDYDORU
 () = 


  () () = 





  ()  () =  





 () = 


WRWDO 


Si para esta distribucin de probabilidad queremos calcular el valor esperado:


E(X)= 0.0,216+ 1.0,432+ 2.0,288+ 3.0,064
( ; 
(VWHUHVXOWDGRLQGLFDTXHGHODVSHUVRQDVTXHSDVDQFDPLQDQGRSRUHVDHVTXLQD
VHHVSHUDTXHOHDHOFDUWHO.

3DUWLFXODULGDGHVGHOHMHPSOR

D1. Se repite 3 veces la situacin de que una persona pase por esa esquina (n = 3)
y esas UHSHWLFLRQHVVRQLQGHSHQGLHQWHV.
2. Cada persona que pasa por la esquina, puede leer o no leer el cartel.
Existen nicamente dos resultados posibles: e[LWRR)UDFDVR.
3. La probabilidad de xito es la misma para cada persona, S 
La probabilidad de fracaso es la misma para cada persona, S  
ELa funcin de probabilidad se puede expresar mediante la siguiente expresin:


Probabilidad de xito

Cantidad de xitos

3 ; N =  ()  ()
N Q N

N
Nmero combinatorio. Cantidad de com-
binaciones posibles para los k xitos. Probabilidad de fracaso

FEl valor esperado de la variable X es el producto entre el nmero de repeticiones




(n = 3) y la probabilidad de xito (p = 0,4).


( ;   

69
Modelos. Primer ejemplo.

/DYDULDEOHDOHDWRULD;GHOHMHPSORWLHQH'LVWULEXFLyQ%LQRPLDOVHODVXHOHGHQR
PLQDUYDULDEOHDOHDWRULD%LQRPLDO


02'(/2%,120,$/

8Q H[SHULPHQWR DOHDWRULR VH SXHGH HVWXGLDU EDMR XQ PRGHOR


%LQRPLDO\VHGHQRPLQDH[SHULPHQWR%LQRPLDOVL
 &RQVLVWH HQ Q UHSHWLFLRQHV LQGHSHQGLHQWHV GH XQ PLVPR


HQVD\RRH[SHULPHQWR
(QFDGDHQVD\RH[LVWHQVyORGRVUHVXOWDGRVSRVLEOHV
p[LWRIUDFDVR
/DSUREDELOLGDGSGHp[LWRHVFRQVWDQWHHQFDGD HQVD\R

La variable aleatoria discreta


X: cantidad de xitos en las n repeticiones de un experimento binomial
cuyo recorrido es Rx ={0,1,2,3,4,....}

Se denomina YDULDEOHDOHDWRULDELQRPLDOde parmetros Qy Ssi:

Q
3 ; N  (S)  ( S)
N Q N

Adems, el valor esperado de X es: ( ;  QS




(MHUFLFLR
Con respecto al ejemplo. Cul es la probabilidad de que 10 de las 15 personas que
pasan por esa esquina, en un momento determinado, lean el cartel?

(MHUFLFLR
Decidir cules de los siguientes experimentos responden al modelo binomial:
1. Lanzar una moneda 4 veces.
2. Extraer simultneamente y al azar 6 chicles de menta de una bolsa que contiene
10 chicles de menta y 8 de fruta.
3. Una caja de 20 lamparitas tiene 4 quemadas. Extraer de a una y con reposicin 3
lamparitas de dicha caja.


70
Modelos. Segundo ejemplo.

6(*81'2(-(03/2

Una empresa embotelladora de gaseosas compra una mquina para llenar botellas de
1 litro.
Puede pensarse que la mquina no llenar todas las botellas con un litro exacto de
gaseosa sino que el promediode llenado ser de un litro. Habr un desvo propio al
proceso de llenado, y ste depender de la precisin de la mquina; cuanto ms pre-
cisa, menor ser el desvo.7

Podemos suponer que:


- la probabilidad de que una botella tenga una capacidad inferior al prome-
dio (1 litro) es la misma que la probabilidad de que tenga una capacidad
superior al promedio.
- la mayora de las botellas tendrn una capacidad de aproximadamente un
litro.
- es muy poco probable que la capacidad de una botella se aleje demasiado
del litro. Que tenga, por ejemplo, una capacidad inferior a 0,9 litros o su-
perior a 1,1 litros.

La variable aleatoria X: capacidad de una botella de gaseosa, es una variable alea-
toria continua.

Una funcin de densidad de probabilidad posible para esta variable tendr un grfi-
co semejante al siguiente:

I [ 

El rea de esta regin es P(a < X < b)

 DE ;
El rea que encierra
la funcin es 1

7
Si observamos varias botellas de igual capacidad, de una misma gaseosa, en el estante de una su-


permercado, podemos notar a simple vista que no todas tienen igual cantidad de lquido.

71
Modelos. Segundo ejemplo.

&RQVLGHUDFLRQHV

A la media aritmtica la denominamos P y al desvo V

Si la media aritmtica cambia (considerar por ejemplo, como promedio de llenado


un litro o un litro y medio) pero el desvo se mantiene, la grfica de la funcin se
traslada sobre el eje de las abscisas.
Grficamente obtenemos la siguiente situacin:

V  V
 

V
V


P P ;
 

Si por el contrario, para la misma media el desvo es el que cambia, a medida que el
desvo crece la grfica de la funcin tiende a achatarse.
En este caso obtenemos:

V V


V 

V 

P ;


72
Modelos. Segundo ejemplo.

02'(/21250$/

El modelo normal es un modelo de distribucin de probabilidad de una variable
aleatoria continua. El mismo se ha convertido en el modelo de probabilidad ms
importante para el anlisis estadstico.

La distribucin normal fue descubierta en 1733 por De Moivre como la forma lmite
del modelo binomial, pero se le atribuy a Gauss debido a que fue el primero que
hizo referencia a ella en 1809.

8QDYDULDEOHDOHDWRULD;WLHQHGLVWULEXFLyQQRUPDOVL
(VFRQWLQXD


6XUHFRUULGRVRQWRGRVORVQ~PHURVUHDOHV


 ([LVWHQ ORV SDUiPHWURV P OD PHGLD  \ V HO GHVYtR  6LHQGR P




FXDOTXLHUQ~PHURUHDO\VXQQ~PHURUHDOSRVLWLYR
/DIXQFLyQGHGHQVLGDGHVODVLJXLHQWH 



 [ P 

I [ = H 

V
V S

La grfica de la funcin normal es:

Esta funcin en forma de campana


se conoce como Campana de
Gaus y tiene, entre otras, las si-
guientes caractersticas:

- es simtrica respecto de .
- depende de y de .

P ;
- es positiva para cualquier nme-
ro real y asinttica respecto al
eje X.


La ecuacin de la funcin se indica slo a modo informativo.

73
Modelos. Segundo ejemplo.

Cuando = 0 y = 1 el modelo se denomina 1RUPDO6WDQGDUG y la variable se


denota por =

*UiILFRGHODIXQFLyQQRUPDOVWDQGDUG

I ]
P(-1 z 1)= 0,6827

P(-2 z 2)= 0,9545




P(-3 z 3)= 0,9973




  =
Indica el rea dentro de
1, 2 y 3 desvos. 68,27%
Entre z = -1 y z = 1 el 95,45%
rea es el 68,27%
99,73%
Entre z = -2 y z = 2 es el
95,45%
Entre z = -3 y z = 3 es el
99,73%

Cualquier variable aleatoria X con distribucin normal de parmetros y , puede


standarizarse, es decir, transformarse en una variable normal satandard, basta con
considerar:

;P
=
V

La importancia de poder standarizar una variable aleatoria normal radica en el


hecho de que las probabilidades de una variable normal standard estn tabuladas.


74
Modelos. Segundo ejemplo.

(-(03/2'($3/,&$&,1

Las estaturas de 300 estudiantes estn distribudas normalmente con media 1,70m y
desvo 10 cm. Si se elige un estudiante al azar cul es la probabilidad de que mida
menos de 1,60m?
La probabilidad pedida es P(x 1,60), si estandarizamos la variable X tenemos:
1,60 1,70
P(x 1,60) = P(z ) = P(z -1) = 0,1587
0,10

En la tabla que se adjunta obte-


nemos el rea para z 1, pero
como la funcin es simtrica,
coincide con el rea para z -1

;
=

Luego, ODSUREDELOLGDGGHTXHXQHVWXGLDQWHHOHJLGRDOD]DUPLGDPHQRVGHP
HV
Con este resultado, tambin podemos afirmar que:
HOGHGLFKRVHVWXGLDQWHVPLGHQPHQRVGHP
DSUR[LPDGDPHQWHGHORVHVWXGLDQWHVPLGHQPHQRVGHP


(MHUFLFLR
Con respecto a los datos del ejemplo anterior calcular:
1. La probabilidad de que un estudiante elegido al azar mida entre 1,65m y 1,75m.
2. Cuntos estudiantes miden menos de 1,50m?
3. Qu porcentaje de estudiantes mide entre 1,62m y 1,72m?
(MHUFLFLR
En una prueba de nivel tomada a 500 estudiantes, se obtuvo un puntaje promedio de
57,50 puntos y un desvo de 12 puntos. Suponiendo que la distribucin de los punta-
jes es aproximadamente normal:
1. Qu porcentaje de estudiantes tuvieron un puntaje superior a 60 puntos?
2. Qu porcentaje de estudiantes tuvieron un puntaje entre 40 puntos y 60 puntos?

75
5(638(67$$(-(5&,&,2635238(6726


(67$'67,&$

(MHUFLFLR
Cualitativas Cuantitativas
Sexo. Cantidad de hermanos.
Conformidad con los conteni- Edad en aos.
dos aprendidos en la escuela. Promedio de las calificaciones obtenidas.
Materia preferida. Sueldo mensual.
Desempeo escolar. Cantidad de hijos.
Altura en metros.

(MHUFLFLR
Conformidad con los contenidos aprendidos en la escuela.
Desempeo escolar.

(MHUFLFLR


Cuantitativas discretas Cuantitativas continuas


Cantidad de hermanos. Edad en aos.
Cantidad de hijos. Promedio de las calificaciones obtenidas.
Sueldo mensual.
Altura en metros.
Observacin: al tomar la aproximacin a valores enteros en una variable continua se la est
discretizando pero la variable sigue siendo continua.

(MHUFLFLR
1. La tabla completa es: y el grfico:
; IIUI I

$ 10 0,05 5 
% 30 0,15 15 

&

50 0,25 25 
' 25 0,125 12,5 

(

20 0,10 10 
) 24 0,12 12 

*

41 0,205 20,5 
7RW 200 1 100 $ % & ' ( ) *

2. Mo = C. La categora que predomina es C.


76
Respuesta a ejercicios propuestos.

3. Solamente si las categoras A, B, C, D, E, F Y G responden a una variable que admite
orden puede calcularse la mediana (en otro caso no). Sera Me = D, lo cual indica que el
50% de las observaciones son inferiores o iguales a D.

(MHUFLFLR
1. 2.
'HSRUWH  
6H[R 739 7RW


)   
0  
I


7RW  






739
)0)0)0


(MHUFLFLR
9DULDEOH 0HGLGDV


Sexo. Mo
Materia preferida.
Conformidad con los contenidos... Mo, Me
Desempeo escolar.

Mo, Me y X 
Cantidad de hermanos.
Edad en aos.
Promedio de las calificaciones...
Sueldo mensual.
Cantidad de hijos.
Altura en metros.

(MHUFLFLR
3. 1. 154
I 2. Cantidad de hijos en edad escolar por familia.
 4. Predominan las familias que tienen 2 hijos en


edad escolar.
 El promedio es 1,44. Es decir 1 hijo por flia.
 El 50% de las familias a lo sumo tienen 1 hijo
 en edad escolar

     ;


(MHUFLFLR


V(X)= 1,117 DS = 1,057 R= 4


77
Respuesta a ejercicios propuestos.

(MHUFLFLR


Cuando el intervalo anterior al intervalo modal tiene la misma frecuencia que el intervalo
posterior al intervalo modal. En ese caso d1 = d2
Reemplazando en la frmula queda: l + a (d1 / 2d1 ) = l + a (1 / 2) = l + a / 2.

(MHUFLFLR


2. X = 31,33 3. El promedio de horas de trabajo


Mo (30,35) Mo = 30 +
30 semanales es de 31,33 horas; (para
.5 Mo = 32,63
30 + 27 este grupo de docentes).
68,5 52 Predominan los que trabajan 32,63
Me (30,35) Me = 30 + .5 Me = 31,83 horas por semana.
45
El 50% de los docentes con-
V(X) = 77,10 sultados trabajan a lo sumo 31,83
DS = 77,10 DS = 8,78 horas por semana.

(MHUFLFLR
Resultados para C1: Resultados para C2:
1222 1200
X= = 17,46 X= = 17,14
70 70
104,872 114,07
V(X) = = 1,498 V(X) = = 1,64
70 70
DS = 1,498 = 1,224 DS = 1,64 = 1,277
1,224 1,277
CV = .100 = 7,01 CV = .100 = 7,33
17,46 17,14
El grupo 1 present el mayor promedio y un puntaje ms homogneo.


352%$%,/,'$'

(MHUFLFLR


2, 3, 4 y 7. En ninguno de ellos se puede predecir el resultado a obtener.

(MHUFLFLR


El primero, el segundo y el quinto.

(MHUFLFLR
Como AAc = E y adems A y Ac son sucesos mutuamente excluyentes, tenemos que:
P(AAc) = P(E) P(A) + P(Ac) = 1 P(Ac) = 1- P(A)


78
Respuesta a ejercicios propuestos.

(MHUFLFLR
D B = {V1, V2, V3}, P(B)= 3/5


Como el suceso B es el complemento del suceso A del ejemplo, podramos


haber calculado P(B) como 1-P(A), es decir, P(B) = 1- 2/5 = 3/5
E C = {V1, V2, V3, M1, M2}, C = E, entonces P(C) = 1
F D = { }, P(D) = 0
G F = {M1}, P(F) = 1/5
H G = {V1, V2}, P(G) = 2/5

(MHUFLFLR
D P(V) = 20/45 E P(M) = 25/45 F P(1H) = 22/45


G P(0H) = 9/45 H P(V3H) = 1/45

(MHUFLFLR
. P(V2H) = P(V) + P(2H) - P(V2H) = 20/45 + 11/45 - 5/45 = 26/45


P(V2H)= 0,578
. P(M0H) = P(M) + P(0H) - P(M0H) = 25/45 + 9/45 - 5/45 = 29/45
P(M0H) = 0,644
. P(M3H) = P(M) + P(3H) - P(M3H) = 25/45 + 3/45 - 2/45 = 26/45
P(M3H)= 0,578

(MHUFLFLR
. 15/36 . 20/36 . 18/36 + 3/36 = 21/36


. 16/36 + 15/36 - 10/36 = 21/36 . 20/36 + 21/36 - 15/36 = 26/36

(MHUFLFLR
. 0,05 + 0,25 = 0,30 . 0,15 + 0,25 = 0,40 . 0,15 + 0,05 + 0,25 = 0,45


(MHUFLFLR
D P(VV) = 3/5.2/4 = 6/20 = 3/10


E P(VM) + P(MV) + P(MM) = 3/5.2/4 + 2/5.3/4 + 2/5.1/4 = 7/10


F P(MM) + P(VM) + P(MV) = 7/10, o sino como 1- P(VV) = 1-3/10 = 7/10

(MHUFLFLR
. a- P(CC) = 5/9.4/8 = 20/72 = 5/18


b- P(CL) + P(LC) = 5/9.4/8 + 4/9.5/8 = 5/9


c- P(LL) = 4/9.3/8 = 1/6
. a- P(CC) = 5/9.5/9 = 25/81


79
Respuesta a ejercicios propuestos.

c- P(LL) = 4/9.4/9 = 16/81


b- P(CL) + P(LC) = 5/9.4/9 + 4/9.5/9 = 40/81


(MHUFLFLR


En los sucesos mutuamente excluyentes la probabilidad de la interseccin es 0.


En los sucesos independientes la probabilidad de la interseccin es el producto de las pro-
babilidades. Salvo en algunos casos raros, cuando dos sucesos son excluyentes no pueden
ser independientes.

(MHUFLFLR
D P(M) = 64/117 E P(5A/V) = 10/53 F P(5D/M) = 15/64


(MHUFLFLR
. P(C/S) =
P(C S) P(S / C). P(C) 0,89.0,33
= = = 0.326
P(S) 0,901 0,901

. P(A/S) =
P(A S) P(S / A). P(A) 0,9.0,33
= = = 0,329
P(S) 0,901 0,901

(MHUFLFLR
P(x = a) es el rea encerrada por la funcin, el eje de las abscisas y la recta x = a, y este
rea es 0.

(MHUFLFLR
Para las variables del primero y segundo Para la variable del tercer ejemplo:
ejemplo:

[ [

(MHUFLFLR


E: una persona lea el cartel.


X: cantidad de personas que leen el cartel.

Datos: n = 15 P(E) = 0,4 = p 1-p = 0,6 k = 10


80
Respuesta a ejercicios propuestos.

15 10 5
P(x=10)= .0,4 .0,6 = 3003.0,000105.0,07776 = 0,0245
10
La probabilidad de que 10 de las 15 personas que pasan por esa esquina lean el cartel es
0,0245

(MHUFLFLR


El primero y el tercero

(MHUFLFLR


. P(1,65 x 1,75) = P(
1,65 1,70 1,75 1,70
z ) = P(0,5 z 0,5)
0,10 0,10
P(1,65 x 1,75) = 2.0,1915 = 0,383
 P(x 1,50)= P(z -2)= 0,0228
De los 300 estudiantes el 2,28%, aproximadamente 7, miden menos de 1,50m.
. P(1,62 x 1,72)= P(-0,8 z 0,2)= 0,2881+ 0,0793= 0,3674
El 36,74% de esos estudiantes mide entre 1,62m y 1,72m.

(MHUFLFLR
. P(x > 60) = P(z > 0,21) = 0,4168


El 41,68% de los estudiantes tuvieron un puntaje superior a 60 puntos.


. P(40 x 60) = P(-1,46 z 0,21) = 0,4279 + 0,0832 = 0,5111
El 51,11% de los estudiantes tuvo un puntaje entre 40 y 60.


81
%,%/,2*5$)$

- Chou Ya Lun. Anlisis Estadstico.
Ed. Interamericana. Mxico. 1988
- Elizondo S., ngel M. E. Estadstica descriptiva. (Aplicacin a un caso concreto).
Ed. Rocamora. Argentina. 1996

- Galibert M. S., Elizondo S., Angel M. E. Apuntes de Probabilidad y Estadstica.


Ed. Rocamora. Argentina. 1996

- Levin Richard I. Anlisis Estadstico.


Ed. Prentice Hall. Mxico. 1993

- Meyer. Probabilidad y aplicaciones estadsticas.


Ed. Addison-Wesley-Iberoamericana. Mxico. 1986




82