TEXTO GUÍA DE ESTADÍSTICA I

YURLYS LAUDITH ESCALANTE SALAS

LIZ ANGÉLICA HOLLMAN VERGARA

UNIVESIDAD TECNOLÓGICA DE BOLÍVAR

FACULTAD DE INGENIERÍA
PROGRAMA DE INGENIERÍA INDUSTRIAL
CARTAGENA
2010

1
 TEXTO GUÍA DE ESTADÍSTICA I

YURLYS LAUDITH ESCALANTE SALAS

LIZ ANGÉLICA HOLLMAN VERGARA

Proyecto de grado presentado como requisito para optar por el título de ingeniería
Industrial

ROBERTO E. GÓMEZ FERNÁNDEZ

INGENIERO INDUSTRIAL
Especialista en Estadística Aplicada
Especialista en Finanzas

UNIVESIDAD TECNOLÓGICA DE BOLÍVAR

FACULTAD DE INGENIERÍA
PROGRAMA DE INGENIERÍA INDUSTRIAL
CARTAGENA
2010

2
 Nota de aceptación

___________________________________________

___________________________________________

___________________________________________

___________________________________________

___________________________________________

___________________________________________

__________________________________________
Firma del presidente del jurado

__________________________________________
Firma del jurado

__________________________________________
Firma del jurado

Cartagena, 24 de Octubre de 2010

3
 DEDICATORIA

Dedico este gran logro a Dios por darme las fuerzas para luchar y mejorar cada
día para alcanzar las metas que me propongo a nivel personal y profesional.
A mi mamá Edith Salas por su amor, perseverancia y la educación que me ha
brindado en todos estos años. A mi papá José Luis por enseñarme a ser una
persona objetiva y crítica en esta vida. A mis hermanos Yesica, José Luis y Edith
Carolina por su sencillez y el ánimo que me brindaron en cada uno de los
momentos difíciles.
A mi tutor de tesis por su colaboración. A mis amigos especialmente Liz Angélica,
María Alejandra, Tere, Antonio, Camilo, Juan Carlos, Keilly, Stephanie, Betin, Juan
Diego, Angélica y a todas aquellas personas que de una u otra forma colaboraron
en el transcurso de esta maravillosa carrera.

Yurlys Laudith Escalante Salas

Dedico este logro a Dios por Ayudarme siempre en Todo momento de mi vida,
A mi Mamá por su amor, paciencia y lucha incondicional para sacarnos adelante,
mi Mami Linda por su cariño y colaboración en el transcurso de mi carrera, a mi
Papá que se que en todo momento me esta observando y intercediendo por mi
desde el cielo, a mi hermanita por su cariño, a toda mi familia que estuvieron
siempre pendientes de que cumpliera este logro, a mi novio, Fabio Andrés, a mi
compañera de tesis, Yurlys, amigos especialmente a Yira, Juan, Luz, Jesica,
Héctor y Angélica; que de alguna u otra forma colaboraron con mi crecimiento
personal y profesional en todos estos años.
Dedico este trabajo muy especialmente a Mi porque he luchado para que se
cumpla.

Liz Angélica Hollman Vergara

4
 AGRADECIMIENTOS

Gracias a Dios por darnos la perseverancia necesaria para llevar a cabo este
proyecto. A nuestros padres y familiares por apoyarnos económicamente en el
desarrollo de éste logro.

Gracias a nuestro Director de proyecto, Roberto E. Gómez Fernández, por ser

nuestro guía y poner al servicio sus conocimientos para el desarrollo de este
proyecto.

A Yira Laguna Morantes, Gerente de la planta de concretos de la empresa Laguna

Morantes S.A., por brindarnos información con el fin de plantar casos aplicados a
empresas de Cartagena.

A Fernando Figueroa, Auditor Interno de Gyptec S.A., y Francisco Solano,

Exgerente Administrativo de Gyptec S.A., por permitirnos conocer los procesos de
la empresa, de tal manera éstos sirvieran como guía para el planteamiento de
ejemplos y ejercicios prácticos.

A Daniel Toscano, Ingeniero Civil de la UTB, por ayudarnos en el desarrollo de

algunas demostraciones contenidas en el texto.

A Alicia E. Bozzi Martínez, Coordinadora de Proyectos del Proyecto Cartagena

Como Vamos, por suministrarnos información útil para la proposición de casos.

Finalmente, les extendemos nuestro más sincero agradecimiento a todas aquellas

personas y profesionales que colaboraron de una u otra manera en el proyecto.

Yurlys Laudith Escalante Salas

Liz Angélica Hollman Vergara

5
 CONTENIDO

Pág.

INTRODUCCION

CAPITULO 1. FUNDAMENTOS DE MATEMÁTICAS.

INTRODUCCIÓN
1. CONCEPTOS BÁSICOS DE MATEMÁTICAS 14
1.1 CONJUNTO 14
1.1.1 Tipos de Conjuntos 15
1.1.2 Representación de conjuntos con Diagramas de Venn. 16
1.1.3 Conjunto de los números reales 18
1.1.4 El Valor Absoluto de un Número Real 20
1.1.5 Representación de los números reales como decimales 22
1.1.5 Operaciones con números reales 23
1.1.6. Potenciación de números enteros 24
[Link] Propiedades de la Potenciación 25
1.1.7 La radicación de números enteros 26
1.1.8 El signo igual 28
1.1.9 Desigualdad 28
1.2 SUMATORIA Y PROPIEDADES DE LAS SUMATORIAS 34
1.2.1 Propiedades de la sumatoria. 34
1.2.2. Fórmulas empleadas en la sumatoria 37
1.3 FUNCIÓN MATEMÁTICA 39
1.4. USO DE LA CALCULADORA 41
1.5. FUNCIONES BÁSICAS DE EXCEL 44
1.6. STATGRAPHICS CENTURIÓN VERSIÓN XVI 46
MENÚ DE STATGRAPHICS CENTURIÓN VERSIÓN XVI. 46
EJERCICIOS CAPITULO No. 1 59
ESTUDIO DE CASOS 66

CAPÍTULO 2. CONCEPTOS BÁSICOS DE ESTADÍSTICA.

INTRODUCCION 71
2. CONCEPTOS FUNDAMENTALES DE ESTADÍSTICA 73
2.1 DEFINICION DE LA ESTADISTICA 73
2.2 POBLACIÓN (N): 75

6
2.3 MUESTRA (n): 76
2.4 VARIABLES 77
2.4.1 Clasificación De Las Variables 78
2.5 DATOS 79
2.5.1 Clasificación De los Datos 80
2.6 PARÁMETRO 80
2.7 ESTADÍSTICO O ESTADÍGRAFO 80
2.8 FRECUENCIA 80
2.8.1 Tipos de frecuencia: 81
2.8.2 Construcción de tablas de frecuencia 82
2.9 LIMITES DE CLASE 84
2.9.1 Intervalos de clase 85
2.10 AMPLITUD O RANGO DE CLASE (A) 85
2.11 MARCA DE CLASE (•• ) 85
2.12 REPRESENTACIÓN GRAFICA PARA LAS VARIABLES CUALITATIVAS 87
2.12.1 Grafico de barras 87
2.12.2. Gráfico de sectores ó gráfico de pastel 90
2.13 REPRESENTACIÓN GRAFICA DE LAS VARIABLES CUANTITATIVAS 92
2.14 MEDIDAS DE TENDENCIA CENTRAL 95
2.14.1 La media aritmética ó media: 96
[Link] Calculo de la media para Datos Agrupados 96
[Link] Propiedades de la Media Aritmética 98
2.14.2 La media ponderada: 100
[Link] Media Ponderada en datos agrupados 102
2.14.3 La media geométrica: 102
2.14.4 La mediana: 104
[Link] Mediana en Datos Agrupados 105
2.14.5 La moda 106
[Link] Calculo de la moda en datos agrupados 107
2.15 MEDIDAS DE VARIABILIDAD 108
2.15.1 El Rango 108
2.15.2 Rango Cuartílico 110
2.15.3 Rango Interfractil 111
2.15.4 Rango Intercuartil 111
2.15.5 La Desviación Estándar 111
2.15.6 Varianza de una muestra y una población. 112
[Link] Propiedades de la Varianza 113
2.16. APLICACIÓN DE EXCEL: 115
2.17. ANÁLISIS ESTADÍSTICO DE DATOS NO AGRUPADOS

7
 A TRAVÉS DE EXCEL 121
2.18 ESTADÍSTICA DESCRIPTIVA EN STATGRAPHICS
CENTURIÓN. (Versión XVI) 128
EJERCICIOS CAPITULO No. 2 140
ESTUDIO DE CASOS 149

CAPITULO 3. TEORIA DE LA PROBABILIDAD

INTRODUCCION 159
3. LA TEORÍA DE LA PROBABILIDAD 161
3.1. HISTORIA 161
3.2. DEFINICIÓN DE LA PROBABILIDAD 163
3.3 EXPERIMENTOS ALEATORIOS 168
3.4. ESPACIO MUESTRAL: 169
3.5. SUCESO O EVENTO ALEATORIO 170
3.5.1. Operaciones con suceso: 174
3.6. TÉCNICAS DE CONTEO 176
3.6.1. Combinaciones 177
3.6.2. Permutaciones 178
3.6.3. Diagrama de árbol 179
3.7. PROBABILIDAD CONDICIONAL 180
3.8. INDEPENDENCIA DE SUCESOS 183
3.9. TEOREMA DE LA INTERSECCIÓN 185
3.10. PROBABILIDAD DE INTERSECCIÓN DE SUCESOS INDEPENDIENTES 188
3.11. PROBABILIDAD DE INTERSECCION DE SUCESOS DEPENDIENTES 188
3.12. TEOREMA DE LA PARTICIÓN O DE LA PROBABILIDAD TOTAL 189
3.13. TEOREMA DE BAYES 191
3.14 ESTADISTICA A TRAVÉS DE EXCEL 192
EJERCICIOS CAPITULO No. 3 197
ESTUDIO DE CASOS 201

CAPÍTULO 4. VARIABLES ALEATORIAS

INTRODUCCION 210
4. VARIABLE ALEATORIA 212
4.1. VARIABLE ALEATORIA DISCRETA 212
4.2. VARIABLE ALEATORIAS CONTINUAS 212
4.3. EL VALOR ESPERADO DE UNA VARIABLE ALEATORIA 213
4.3.1. El valor esperado en variables aleatorias discretas 214

8
4.3.2. El valor esperado en variables aleatorias continuas 214
4.4. VARIANZA EN VARIABLES ALEATORIAS 219
4.4.1. Varianza en Variables Aleatorias Discretas 220
4.5. DESVIACIÓN TÍPICA DE VARIABLES ALEATORIAS DISCRETAS 220
4.5.1. Varianza en Variables Aleatorias Continuas 220
4.5.2. Desviación Típica en Variables Aleatorias Continuas 224
4.6. FUNCIÓN DE PROBABILIDAD •(•) DE UNA VARIABLE ALEATORIA 226
4.6.1. Función de probabilidad •(•) de una Variable Aleatoria Discreta 228
EJERCICIOS CAPITULO No. 4 231
ESTUDIOS DE CASOS 236

CAPÍTULO 5. DISTRIBUCIONES DE PROBABILIDAD

INTRODUCCION 242
5. DISTRIBUCIONES DE PROBABILIDAD 243
5.1 DISTRIBUCION DE PROBABILIDAD PARA UNA VARIABLE DISCRETA 244
5.1.1 Modelos de probabilidad de Variables Aleatorias Discretas 244
[Link] Distribución Bernoulli 245
[Link] Distribución Uniforme 247
[Link] Distribución Binomial 248
[Link] Distribución Multinominal 250
[Link] Distribución De Poisson 251
[Link] Distribución Hipergeométrica
[Link] Aproximación Entre Distribuciones Discretas 252
5.2 DISTRIBUCION DE PROBABILIDAD PARA UNA VARIABLE ALEATORIA 260
5.2.1 MODELOS DE PROBABILIDAD DE VARIABLES ALEATORIAS
CONTINUAS 260
[Link].. Distribución Normal 260
5.2 1.2 Distribución Normal Estándar • (0, 1) 262
5.2 1.3 Distribución Uniforme Continua 263
5.2 1.4. Distribución Exponencial 265
5.2 Distribución Triangular 266
5.3 APLICACIÓN EN EXCEL 269
EJERCICIOS CAPITULO No. 5 274
ESTUDIO DE CASO 278

BIBLIOGRAFIA

9
 INTRODUCCION

La estadística y la probabilidad esta presente en muchos contextos de la vida,

desde conocer el tipo de sexo de un bebe hasta llegar a predecir que números
pueden salir en un juego de azar, permitiendo analizar información, tomar
decisiones y realizar conclusiones a partir de inferencias estadísticas.

La estadística es una herramienta muy importante en cuanto proporciona

diferentes métodos como la predicción, recolección de información, descripción
gráficos; para la solución de problemas, la descripción y análisis de procesos, el
mejoramiento continuo de los mismos, el diseño y desarrollo de nuevos productos,
procesos y sistemas.

En este texto, se aborda conceptos básicos matemáticos para facilitar la

comprensión de la estadística, los métodos para resumir y describir datos.
Además de la teoría de probabilidad, variables aleatorias continuas y discretas,
distribuciones de probabilidad para variables aleatorias continuas y discretas, con
el fin de incluir toda la temática de los planes de estudio del curso de Estadística I.

Es importante destacar, que en este texto guía se plantean casos prácticos en los
cuales se deben aplicar los métodos estadísticos y el uso de herramientas
tecnológicas, tales como el Excel y Sthapgraphic para la solución de problemas de
la cotidianidad.

La estadística es aplicada en diferentes áreas como la investigación científica,

economía, psicología, sociología, ingeniería y otras. Este texto ha sido enfocado
básicamente para las carreras de Ingenierías, Ciencias Sociales y política,
Psicología, Administración y Negocios, con el propósito que el estudiante se
familiarice con la utilización de técnicas estadísticas.

10
 Capitulo 1
Fundamentos de Matemáticas.

11
 INTRODUCCION

La estadística se basa en principios y reglas matemáticas usadas como

herramientas para el análisis e interpretación de la información contenida en un
conjunto de datos, cuyo análisis e interpretación facilitan el entendimiento de
comportamientos de diferentes componentes en distintas situaciones.

El análisis matemático a lo largo de la existencia ha colaborado en la búsqueda de

soluciones a grandes problemas como fueron el cálculo de la recta tangencial ó
problemas de derivación, este tipo de análisis ayuda en cualquier problema en las
ciencias ya que utiliza la lógica en su respuesta.

En este capítulo se presenta un tratado básico que contiene los conceptos

fundamentales y métodos matemáticos, para formar una visión general de su
importancia en la estadística y en el desarrollo de la misma, a través de
razonamientos lógicos plasmados en ejercicios resueltos que muestran la
interacción de la matemática y la estadística, además de herramientas
informáticas como software –Statgraphics-, hojas de cálculo –Excel- y calculadora.

12
 COMPETENCIAS:

Reconocimeinto de la relación entre un conjunto de datos y

su representación.
Utilizacion de números reales en sus diferentes
representaciones y en diversos contextos.
Resolucion de problemas y simplifico cálculos usando
propiedades y relaciones de los números reales y de las relaciones y
operaciones entre ellos.
Utilizacion de la notación científica para representar medidas
de cantidades de diferentes magnitudes.
CONJUNTO DE LOS NÚMEROS
Identificacion REALES
y utilizacion la potenciación, la radicación y la
El conjunto de los números
logaritmación reales comprenden
para representar variosmatemáticas
situaciones conjuntos de númer
y no
matemáticas y para resolver problemas.

13
 1. CONCEPTOS BÁSICOS DE LAS MATEMÁTICAS

Para tener una mejor comprensión de la estadística y su metodología es muy

importante tener claridad de los conceptos básicos de las matemáticas que ella
involucra. Pues, ayudan en gran medida en el desarrollo de las operaciones
necesarias en la aplicación de los conceptos y teoremas estadísticos.

Es importante tener en cuenta que las matemáticas proporcionan las técnicas, las
herramientas y la tecnología que permiten hacer estadística y analizar la
información proveniente de un conjunto de datos o de una muestra representativa
tomada de una población en particular.

Por lo expuesto anteriormente, en este capítulo se presenta un pequeño tratado

de matemáticas, un cuerpo de conceptos fundamentales y de métodos básicos
matemáticos para formar una visión general de su importancia en la estadística y
en el desarrollo de la misma.

1.1 CONJUNTO

En matemática se entiende por conjunto los elementos que poseen unas

características o propiedades propias , también se expresa como “una asociación
mental de todo en ciertos objetos diferentes que pueden ser abstractos o
reales”1(Punto de Vista Teoría Intuitiva); Ejemplos de conjuntos son: Los días de la
semana, los meses del año, las letras del alfabeto, entre otros.

1
Definición de G. Cantor (1845-1918), Creador de la Teoría de Conjuntos

14
Los elementos de un conjunto se designaran con letra minúscula como •, •, •, y los
conjuntos se designan con letras mayúsculas como •, •, •; si el elemento •
pertenece al conjunto •, su notación matemática es la siguiente • • •. Si el
elemento • no pertenece al conjunto • se denota, • • •.
Si los elementos de un conjunto • son también elementos de un conjunto •, se
dice que • es subconjunto de •, y su notación es • • •. Si se verifica que
• • • y • • •, entonces • es subconjunto propio y se escribe • • •

1.1.1 Tipos de Conjuntos

Si se posee un número de elementos finitos en conjunto se conoce como

conjunto finito, si se desconoce el número de elementos de un conjunto, en otras
palabras que sus elementos sean ilimitados este tipo de conjuntos es llamado
conjunto infinito.

El conjunto acotado es aquel que define una relación de orden la cual posee una
cota superior e inferior; cuando se establece una relación de orden entre los
elementos de un conjunto este es conocido como conjunto ordenado; el conjunto
que solo posee un sólo elemento se llama conjunto unitario, el conjunto que
contiene todos los elementos se le conoce como conjunto universal (U), el
conjunto que no tiene elemento alguno es llamado conjunto vacio y se
representa por el símbolo Ø.

1.1.2 Representación de conjuntos con Diagramas de Venn.

Este diagrama es usado con frecuencia para mostrar las relaciones entre
conjuntos.

15
Figura 1.1 Diagrama de un conjunto

• El diagrama de Venn de la figura

1.1, ilustra un conjunto •

Fuente: Los Autores

Figura 1.2 Diagrama de conjuntos disyuntos

• El diagrama de Venn de la figura

• 1.2, ilustra dos conjuntos • y •
que no tienen elementos
comunes.

Este tipo de conjuntos se le

conoce como conjuntos
Fuente: Los Autores disyuntos.

Matemáticamente, se simboliza: • • • = •. Es decir que el conjunto A y el

conjunto B no tienen ningún elemento común. En estadística dos o más conjuntos
disyunto representan conjuntos mutuamente excluyentes.

16
Figura 1.3 Diagrama de Intersección de conjuntos

El diagrama de Venn de la figura

A B 1.3, ilustra dos conjuntos y
que poseen al menos un
elemento en común.

A esta relación de conjuntos se le

S conoce como intersección de
conjuntos.
Fuente: Los Autores

Matemáticamente intersección de dos conjuntos se representa:

. Es decir, para todo .

Figura 1.4 Diagrama de unión entre conjuntos

A El diagrama de Venn de la
B figura 1.4, ilustra dos conjuntos
y con características
similares.

A este tipo de conjunto, se le

S conoce como unión de
Fuente: Las Autoras conjuntos.

La unión de dos conjuntos corresponde a la unificación de elementos de dos o

más conjuntos que puede conformar un nuevo conjunto, en el cual los elementos
del nuevo conjunto corresponden a los elementos de los conjuntos originales.

Matemáticamente, si es decir para todo x,

Otro método para representar conjuntos es a través de llaves, Así:

17
1.1.3 Conjunto de los números reales

Para iniciar la construcción de los números reales se comienza con el conjunto de

los números naturales también llamados números de conteo y del que hacen
parte de los números enteros positivos. Estos se representan:
• = {1, 2, 3, 4, … , •}

Cuando al conjunto de los números naturales se le agrega el cero, obtenemos los

números enteros positivos:
•• = {0, 1, 2, 3, 4, … , •}

Los números enteros comprenden dos conjuntos: los números enteros positivos
y los números enteros negativos:

•• = {••, … , •3, •2, •1}

Y la notación de los números enteros simbólicamente es la siguiente:

• = {••, … , •3, •2, •1, 0, 1, 2, 3, 4, … , •}

El conjunto de los números racionales son aquellos de la forma ••• , donde • y •

son números enteros, con • • 0. La notación de conjunto se escribe:
• = {•/•| • • • ••• •••••••, • • 0}

No solo estos números forman el conjunto de los números, también le pertenecen

el conjunto de los números irracionales (••). Así, el conjunto de los números reales
(•), se define como la unión de los racionales con los irracionales

• = • • ••

18
Ejemplo de números irracionales ( ), son .

Nótese que está contenido en , pues cada entero se puede describir de la

forma ; con .

Ejemplo 1:

El numero se puede escribir en la forma , aunque los números enteros

estén contenidos en los números racionales, los números racionales no están

contenido en los números enteros, pues las fracciones como no son de tipo

entero.
Diagrama 1.1 Conjunto de los números reales.

Numeros Enteros
negativos Z-
-5,-4,-3,-2,-1
Numeros Enteros
Numeros naturales N
Enteros Positivos Z+
0,1,2,3,4,5...

Decimales finitos:
NUMEROS REALES
0.3; 0.25
Numeros Racionales
Q
Decimales infinitos
periodicos: 0.888;
Numeros irracionales 2.34
I Decimales infinitos
no periodico: -•, •;

Fuente: Los Autores

19
Figura 1.6. Conjunto de los números reales.

•
•
Z

Z- ••
•

Fuente: Los Autores

En el grafico anterior se muestra la relación existente entre los diferentes

conjuntos numéricos.

1.1.4 El Valor Absoluto de un Número Real

El valor absoluto ó también llamado módulo de un número real se encuentra

definido de la siguiente forma:

- Siendo • un número real positivo, su valor absoluto es el mismo número.

- Si • es negativo, su valor absoluto es el inverso aditivo, •• (que es
positivo).
- Si • es 0, su valor absoluto es 02.

2
Kearny patricia A. Fundamento de matemáticas para estadística elemental: Texto programado.
Editorial Limusa. México. 1973.

20
En resumen:
•, •• • • 0
|•| = • •
••, •• • < 0

Cabe resaltar que el valor absoluto de un número real ‘•• siempre va hacer de tipo
mayor ó igual a cero, pero nunca negativo.

Ejemplo 2:

|9|= 9
|-9|=9
|0|=0

Propiedades del valor absoluto.

|•| • 0 No negatividad
|•| = 0 • • = 0 Definición positiva
|••| = |•||•| Propiedad Multiplicativa
|• + •| • |•| + |•| Propiedad Aditiva
|••| = |•| Simetría
|• • •| = 0 • • = • Identidad de indiscernibles
|• • •| • |• • •| + |• • •| Desigualdad Triangular
• |•|
••• = |•| •• • • 0 Preservación de la división

El valor absoluto es útil para representar resultados, como: la distancia recorrida

por una persona u objeto, las piezas o productos fabricados por una maquina en
un periodo de tiempo, la deuda financiera de una persona, la cantidad de unidades
faltantes de determinado producto para satisfacer la demanda, ya que son
variables que nunca podrán tomar valores negativos.

21
1.1.5 Representación de los números reales como decimales

Cualquier número real puede escribirse como un decimal finito o infinito; por
ejemplo, teniendo un número real de forma fraccionaria 4/3, se puede representar
mediante el decimal: 1,33333.

En muchos textos se puede encontrar el decimal de la forma: 1, 3• esta barra sobre

el 3 significa que el mismo se repite indefinidamente. Otro ejemplo es el numero ½
se representa mediante el decimal 0,5. En este caso 5 se repite solo una vez, por
tal razón el número se considera como un decimal finito.

Tabla 1.1. Representación decimal de los conjuntos.

Conjunto Descripción Ejemplos Representación
decimal
Números naturales Números positivos 1, 2, 3,… Decimales Finitos
Números enteros no Números positivos y
0,1,2,3,… Decimales Finitos
negativos conjunto vacio
Números positivos,
Números enteros números negativos y ..-3,-2,-1,0,1,2,3,.. Decimales Finitos
conjunto vacio
Números que se pueden Decimales Finitos
-3, -3/4, -0.222,
Números Racionales escribir como a/b, donde o infinitos
0.5/6,
a y b son enteros y b• 0 periódicos
Números que no se
Números pueden escribir como •2, •3, • Decimales
1.414213 … infinitos no
irracionales a/b, donde a y b son
1.732050 … periódicos
enteros y b• 0
Números racionales e Todo tipo de
Números reales Todos los anteriores
irracionales decimales
Fuente: Kearny patricia A. Fundamento de matemáticas para estadística elemental: Texto
programado. 1973.

Un número irracional se representa como decimal, este no es periódico ni finito,

por ejemplo:
•2 = 1,41421 … • • = 3.14159 …

22
1.1.5 Operaciones con números reales

Las operaciones usuales con números reales son:

• La adición ó suma, notada con el símbolo más (+), permite operar dos
números cualesquiera • • • para conseguir su suma, que se denota • + •.
• La multiplicación ó producto, notada con el símbolo (•), permite operar dos
números cualesquiera a y b para formar su producto, • • • (ó ••).
• La sustracción o resta se define en términos de la suma. Así:
• • • = • + (••)

Donde – • es el inverso aditivo de •.

• De manera análoga la operación de división se define en términos de la

multiplicación. Debido a que el inverso multiplicativo de un número real •, el
•
cual es distinto de cero; es •, que también se escribe •••. Entonces,

1
•• •
•

•
Se escribe , y se dice que a se divide entre •. Ejemplo:
•

1 6
6• • =
3 3

Hay que tener en cuenta que cero no tiene inverso multiplicativo, pues la
división entre cero no está definida.

23
Tabla 1.2. Axiomas de los números reales
Reglas Ejemplo
Adición
1. • + • = • + • Ley conmutativa de la suma 5+2 = 2+5
2. • + (• + •) = (• + •) + • Ley asociativa de la suma (3+5) + 2 = 3 + (5+2)
3. • + • = • Ley del neutro de la suma 2+0=2
4. • + (••) = • Ley del inverso de la suma 7 + (-7)=0
Multiplicación
Ley conmutativa de la
1. •• = •• 6 • 2 = 2• 6
multiplicación
2. •(••) = (••)• Ley asociativa de la multiplicación 6(2 • 4) = (6 • 2)4
3. • • • = • • Ley del neutro de la multiplicación 6•1 = 1•6
• Ley del inverso de la •
4. • • • = • (• • •) 3 • • = 1 ( 3 • •)
• multiplicación •
Distributivas
Ley distributiva de la
1. •( • + •) = •• + •• multiplicación respecto de la 3(4 + 5) = 3 • 4 + 3 • 5
suma
Fuente: Kearny patricia A. Fundamento de matemáticas para estadística elemental: Texto
programado. 1973

1.1.6. Potenciación de números enteros

La potenciación es una operación que consiste en multiplicar un número,

llamado base, por si mismo varias veces según lo indique el exponente, el
resultado de la potenciación se llama potencia.

Exponente
•• = b
Base Potencia

Cuando el exponente es un numero entero positivo, la potenciación es

multiplicar el número por si mismo las veces que lo indique el exponente

3*3*3*3 = 81
a*a*a*…*a=b
4 veces

n veces

24
En el caso que el exponente es un número entero negativo, la potencia es la
fracción inversa de la base con exponente positivo

• • • • •
* * * =
• •
• • • • ••

• •• = • • 4 veces
•

[Link] Propiedades de la Potenciación

• Producto de una potencia de igual base

El resultado es otra potencia de la misma base y de exponente igual a la suma de
los exponentes de los factores, es decir:
2• • 2• • 2• = 2••••• = 2••

Simbólicamente: • • • •• • •• • … •• = • ••••••••• Si • R, x, y, z,…, n N

• Cociente de potencias de igual base.

Cuando se tiene un cociente de igual base elevadas a diferentes exponentes, el
resultado será otra potencia de la misma base y de exponentes igual a la
diferencia entre el exponente del numerador y el exponente del denominador, por
lo tanto:
7•
= 7••• = 7•
7•

••
Simbólicamente: = •••• ; •• • • • •, m, n • •; • • 0, • > •
••

25
Es importante resaltar que esto se cumple siempre y cuando el exponente del
numerador es mayor o igual al exponente del denominador.

• Potencia de una potencia.

Es una potencia de la misma base, y de exponente igual al producto de los
exponentes que haya en la expresión, luego: (5•)• = 5• × • = 5••
Simbólicamente: (•• )• = •• × • = ••• , •• • • •, •, • • •.

• Potencia de un producto
Es igual al producto de dichas potencias, es decir: (5 × 2)• = 5• × 2• = 5•2•
Simbólicamente: (• × •)• = •• × •• = •• •• , •• •, • • •, • • •.

1.2.7 La radicación de números enteros

La radicación es la operación inversa a la potenciación ó en otras palabras cuando

se necesita conocer el valor de un número • expresado de la forma •• .

Radical

Índice •
•• = • Raíz

Cantidad subradical

• Cuando hablamos de raíz cuadrada no se escribe índice, y el número • que

se encuentra debajo del símbolo radical es llamado radicando o cantidad
subradical y b es la raíz.

26
 • Las raíces que presentan índice par tienen dos posibles soluciones pero se
considera solo el positivo por la regla de signos
• Cabe resaltar que las raíces de base negativa e índice par no tienen
solución, ya que ningún número entero elevado a un exponente par da
como resultado un número negativo

Ejemplo 3:

En un estudio realizado a 20 hombres acerca de las edades en las cuales éstos

inician su vida laboral se obtiene los siguientes resultados:

Tabla 1.3. Datos de entre hombre y su edad en la cual inician a laborar

Hombre Edad en la cual Hombre Edad en la cual
encuestado inicia a trabajar encuestado inicia a trabajar
1 16 11 20
2 17 12 16
3 15 13 24
4 18 14 15
5 17 15 14
6 20 16 12
7 15 17 21
8 17 18 18
9 18 19 19
10 19 20 17
Fuente: Los Autores

Si se desea saber la edad aproximada en la cual los hombres inician su vida

laboral, se debe sumar todas las edades y dividir entre el número de hombres esto
es:

348
•= = 17,4 •ñ••
20
Este resultado de nota el promedio Con formato: Normal

27
1.2.8 El signo igual

El signo igual (=) entre dos expresiones asegura que las dos expresiones son
nombres o descripciones exactas del mismo objeto. El signo (•) significa “diferente
a” o “no es igual a”, y sirve para expresar la diferencia de los objetos.

Ejemplo 4:

X=3
y•5
Número de estudiantes del grupo G = Número de estudiantes del grupo K

1.2.9 Desigualdad

Una desigualdad es una expresión matemática en la que ambos miembros de una

afirmación no son necesariamente iguales, por ejemplo se puede decir 56 es
mayor que 15, o que 4 es menor que 16. Para denotar esta situación se usan los
símbolos > que representa “…es mayor que…”, < para representar “…es menor
que…”, • que significa “es menor que o igual a”, de manera similar, • significa “es
mayor que o igual a”. En resumen:

• <• • es menor que •

• >• • es mayor que • Con formato: Punto de tabulación:
6,25 cm, Izquierda
• • • • es menor que o igual a •
• • • • es mayor que o igual a •

28
Ejemplo 5:

El Instituto de medicina legal y ciencias forenses en acompañamiento con el

sistema de información de desaparecidos y cadáveres y el sistema de información
para el análisis de la violencia y accidentalidad en Colombia realiza un estudio
para determinar los muertos y lesionados en accidente de tránsito según sexo e
hipótesis causal en Colombia en el primer semestre de 2008, la información de
dicho estudio refleja que:

Tabla 1.4. Muertos y lesionados en accidente de tránsito según sexo e hipótesis

causal en Colombia en el primer semestre de 2008

Circunstancia Mujeres Hombres

Violación normas de otras normas de transito 56 198
Otros 112 363
Exceso de velocidad 78 324
Violación de normas de transito peatones 27 89
Embriaguez (alcohólica y no alcohólica) 13 174
Contravía 9 27
Posibles fallas mecánicas 33 93
Irrespeto de los semáforos 4 9
Malas condiciones en la vía 18 46
Malas condiciones ambientales 7 14
Subtotal 357 1337
Sin información 712 2884
Fuente: Tomado de [Link] Muertes y lesiones por accidente de transito

De acuerdo a la tabla anterior es posible afirmar que: El número de accidentes

causados por posibles fallas mecánicas en el vehículo (>) “es mayor que” el
número de accidentes causados por malas condiciones en la vía.

Para realizar el ejercicio a través de Excel se deben realizar los siguientes pasos:

1. Se introducen los datos del ejemplo al libro Excel, como se muestra en la

figura siguiente:

29
Figura 1.7 Datos en Excel

Fuente: Los Autores

2. Para obtener la sumatoria de las edades, se ingresa a la función (fx.) Se

despliega un cuadro de dialogo llamado “Insertar función” y se selecciona una
categoría, para llevar a cabo el ejemplo se debe escoger la función
Matemáticas y Trigonométricas e inmediatamente aparecen diferentes
funciones, de las cuales se tomara la función suma y se da clic en aceptar o
se presiona la tecla “Enter”.

30
Figura 1.8 Excel Aplicado al ejercicio

Fuente: Los Autores

31
 3. En el cuadro argumentos de la función, se da clic en el icono señalado en la
siguiente figura:

Figura 1.9 Excel Aplicado al ejercicio

Fuente: Los Autores

Y se introduce el rango de valores de la columna “mujeres”, que corresponden al

número de mujeres que se accidentaron por diferentes circunstancias y se da clic
en aceptar, otra manera de escoger el rango es escribiendo la dirección de la
celda de inicio y la celda donde se encuentra el ultimo datos. Por ejemplo:
(B3:B13). De igual manera se puede hacer para obtener la sumatoria del número
de hombres accidentados.

Otra forma de realizar la operación de la sumatoria más rápida es a través del

icono que aparece en la parte superior de la barra de herramientas indicado con
ó sumatoria, para esto solo hay que dar clic sobre el icono y seleccionar el
rango de valores que se desea sumar.

32
 Figura 1.10 Excel Aplicado al ejercicio

Letra sigma o sumatoria

Fuente: Los Autores.

De manera general, se pueden realizar diversas operaciones que se encuentran

en el cuadro de dialogo de insertar función, en esta se encuentran diferentes
categorías tales como matemáticas y trigonométricas, estadísticas, financieras,
ingeniería, lógicas, entre otras; y cada una dispone de sus respectivas funciones.

Ejemplo 6:

El proyecto Cartagena Como Vamos en el año de 2007 realizó una encuesta para
evaluar las expectativas de estudiantes de último año de educación media en
Cartagena, tomando como muestra a los estudiantes de colegios públicos y
privado de la cuidad. En su boletín de informe de resultados de la encuesta
emitida en julio de 2008, se encuentra una pregunta que relaciona el nivel
educativo de los padres, el resultado se describe a continuación:

33
Figura 1.11. Nivel educativo de los padres

Fuente: Proyecto Cartagena como vamos, 2007

A partir de la grafica anterior es importante destacar que el porcentaje de padres

que cursan hasta el nivel básica primaria es menor que el porcentaje de
padres que cursan hasta la secundaria.

1.3 SUMATORIA Y PROPIEDADES DE LAS SUMATORIAS

El operador matemático que nos permite representar sumas muy grandes, ya sea
de n o incluso infinitos sumandos está expresado con la letra griega sigma (•).

La sumatoria se representada por un símbolo

Donde es una letra griega correspondiente a S, llamada Sigma.

Donde:

i Elemento genérico de la sumatoria

n : Limite superior de la sumatoria
: Letra sigma e indica la sumatoria
i=1: índice o límite inferior de la suma

34
Teniendo en cuenta que la suma es una operación de los números enteros, en
este sentido, la sumatoria es la suma de datos de una variable (x): x1, x2, x3,… ,xn.

Ejemplo 7:

Del ejemplo 1.1 se quiere obtener el total de:

• Mujeres accidentadas por circunstancias conocidas
• Mujeres accidentadas en el primer semestre de 2008
• Hombres accidentados por circunstancias conocidas
• Hombres accidentados en el primer semestre de 2008

En este caso, tomamos xi, donde i le corresponden los valores del número de
accidentes, reemplazando cada xi por su valor correspondiente, la solución de
dicha sumatoria sería:
• Mujeres accidentadas por circunstancias conocidas
••

• •• = 56 + 112 + 78 + 27 + 13 + 9 + 33 + 4 + 18 + 7 = 357
•••

• Mujeres accidentadas en el primer semestre de 2008, esto es:

••

• •• + •••••• •• ••••••• • sin ó•

•••

Total de mujeres accidentadas = 357+712 =1426

• Hombres accidentados por circunstancias conocidas
••

• •• = 198 + 363 + 324 + 89 + 174 + 27 + 93 + 9 + 46 + 14 = 1337

•••

• Hombres accidentados en el primer semestre de 2008, también se puede

expresar como:

35
 ••

• •• + •••••• •• ••••••• sin ó•

•••

Total de Hombres accidentados = 1337 + 2884 = 5558

1.2.1 Propiedades de la sumatoria.

• La sumatoria de una constante de 1 a n es igual a n veces la constante.

•

• • = • + • + • + • = ••
•••

• La sumatoria del producto de una constante por una variable es igual a la

constante por la sumatoria de la variable.
•

• ••• = ••• + ••• + • + •• • = •(•• + •• + • + •• )

•••

• •

• ••• = • • ••
••• •••

• La sumatoria de los valores de una variable mas una constante es igual a la

sumatoria de la variable mas n veces la constante.
•

•(•• + •) = (•• + •) + (• • + •) + • + (•• + •) = •• + •• + • + •• + • + • + • + •

•••

•••••(•• + •) = • •••• •• + ••

Corolario
• •

•(•• • •) = • •• • ••
••• •••

36
 • Las sumatoria de una constante, cuyo límite inferior es diferente de 1 se
expresa:
•

• • = (• • • + 1)•
•••••

•, ••••• • =

1.2.2. Fórmulas empleadas en la sumatoria

En algunos casos se puede emplear la letra • en vez de xi, de forma general:

•

••
•••

Donde, • es el elemento genérico de la sumatoria.

Ejemplo 8:

Un grupo de estudiantes de Psicología de la UTB desea comparar los resultados

de la encuesta del ejemplo 1.4, para confirmar el promedio de edad en la cual los
hombres inician su vida laboral. Para ello escoge 20 muestras de la población
(hombres de la ciudad de Cartagena), pero deciden escoger el mismo número de
muestra para cada población, los estudiantes quieren saber ¿Cuantos hombres
encuestarán?

Para obtener el número de hombres a encuestar es necesario aplicar la formula

anterior. Así:

•••
••• • = 1 + 2 + 3 + 4 + 5 + 6 + 7 + 8 + 9 + 10 + 11 + 12 + 13 + 14 + 15 + 16 + 17 + 18 + 19 + 20 = 210

En conclusión, se encuestarán a 210 hombres.

37
Otras operaciones de sumatoria simple son:

• •••• • • ; • •••• • • ; ••••• • •

Estas son las formulas sencillas que proporcionan el valor de la suma de •

números comprendidos entre 1 y •, inclusive3:

•
•(• + 1)
•• =
2
•••

•
•(• + 1) •
• •• = • •
2
•••

Ejemplo 9:

•(•••)
••••• • = 28; aplicando la formula: ••••• • =
•
•
7(7 + 1)
•• = = 28
2
•••

•(•••) •
Para la fórmula: ••••• • • = • •
•

La sumatoria de las 7 encuestas elevadas al cubo.

•
7(7 + 1) •
• •• = • • = 784
2
•••

3
Adaptado de Ciro Martínez

38
1.3 FUNCIÓN MATEMÁTICA

Una función matemática es una aplicación entre dos conjuntos numéricos de Con formato: Interlineado: 1,5 líneas

forma que a cada elemento del primer conjunto le corresponde uno y sólo un
elemento del segundo conjunto:
f:XY
x -> y = f(x)

X Y

1 a

2 b

3 c

4 e

La Función de X en Y: según la condición de existencia asegura que de cada

elemento sale alguna flecha y la de unicidad que sólo sale una.
Los elementos de X se llaman origen y los elementos de Y se llaman imagen,

Se debe cumplir que X se encuentre relacionado con los elementos de Y

considera una relación de conjuntos la correspondencia de un elemento con otro,
o cuando existe una conexión entre ellos. Es decir, la conexión de un elemento de
un conjunto con elementos de otro conjunto.

Una función se denota por la letra f y se puede representar:

• • • → • que se lee “ función de A en B”

39
Entonces, se puede definir una función matemática como una relación entre Con formato: Sangría: Izquierda: 0
cm, Primera línea: 0 cm
elementos de conjuntos. Donde los elementos se les conocen con el nombre de
variables, debido que al describir la relación entre ellos, pueden variar.

Una función matemática no solo depende de la asociación de los conjuntos • y •,

sino también de la definición de los mismos en la función. Ya que si se cambian
los elementos de • o •, la función cambia.

Ejemplos de funciones pueden ser:

• El costo de un pan entre diferentes panes
• El costo de una llamada telefónica que depende de la duración de la misma
• El salario de un trabajador que depende del total de horas trabajadas.

1.4 USO DE LA CALCULADORA

La calculadora es una herramienta que sirve para resolver problemas que

requieran cálculos grandes, o también puede ser de utilidad para resolver algunos
problemas de ingenio. La calculadora consta principalmente de un teclado, con el
cual introduces los números --y operaciones que deseas realizar, y de una pantalla
o “display”, en la cual aparecen los números que teclas y los resultados de las
operaciones que realiza la calculadora.
Teclas marcadas con los números dígitos:

Con formato: Interlineado: 1,5

líneas, Punto de tabulación: 3 cm,
Izquierda

40
Teclas marcadas con los números dígitos:

9 8 7 6 5

4 3 2 1 0

Teclas marcadas con funciones especiales:

Tecla para ejecutar las operaciones: =

Tecla para colocar el punto decimal: .

Teclas para ejecutar las operaciones básicas:

Suma: +

Resta: -

Multiplicación: x o *

División: ÷ o /

41
Para realizar algunas operaciones como potencias, raíces y recíprocos, las
calculadoras disponen de las siguientes teclas:

X2
Para obtener el cuadrado de un número

Para obtener la raíz cuadrada de un número ••

Para obtener el resultado de un número elevado a cualquier exponente ••

•
Para obtener la raíz n-sima de un número ••

shift
Las anteriores teclas es posible acceder por medio de la tecla función

Ejemplo de cómo se usan estas teclas:

De acuerdo a una encuesta realizada en la que se evalúa las calificaciones de un

grupo de estudiantes de estadística, se tiene que la varianza de las calificaciones
es 2, se desea conocer el patrón de variación de dicha variable, esto es la
varianza. Conceptualmente:

La desviación estándar= •••••••••

Por lo cual, la desviación estándar es igual a •4 que es lo mismo que 2. Para

hacer este cálculo, inicialmente se oprime la tecla que denota la operación raíz
cuadrara y se introduce el numero. Sin embargo, otros tipos de calculadora esta
operación se realiza de manera inversa, primero se introduce el número y luego la
tecla que muestra la raíz cuadrada.

En caso tal, que el dato que se proporcionara en el estudio fuera la desviación

estándar, en vez de la varianza, se puede hallar la varianza, elevando esta el
cuadrado. De este modo:

42
La varianza= (La desviación estándar)2

El procedimiento en la calculadora para hacer la operación de elevar el cuadrado

de cualquier número se realiza de manera similar a la operación de la raíz
cuadrada. Se introduce el dato y se oprime la tecla que muestra el cuadrado de un
número y se obtiene el resultado deseado.

Otras de las operaciones que se puede realizar en la calculadora es elevar el valor

de una variable a una potencia “x” específica. Por ejemplo si se desea obtener el
resultado de 45, primero se escribe el número 5, se oprime la tecla ^ o en
•
otras calculadoras se encuentra de la forma •

•
•• Esta tecla sirve para obtener la raíz específica x de un número (y). Por
ejemplo, Para hallar la raíz quinta de 256 en la calculadora, inicialmente se
introduce el índice en este caso es 5, luego se oprime la tecla para así introducir la
•
cantidad llamada radical. Obteniendo
•256 como resultado 3,031.

43
APLICACIÓN EXCEL

44
1.5 FUNCIONES BÁSICAS DE EXCEL

Figura 1.12 Aplicaciones en Excel

Fuente: Los Autores.

Funciones Estadísticas: Excel ofrece diversas funciones estadísticas, tales como:

• [Link]: Por medio de esta función se puede contar la cantidad de
veces que se repite un carácter o una palabra que concuerde con las
características descritas.
• DESVESTA: Por medio de esta función se puede calcular el valor de la
desviación estándar de una muestra.
• FRECUENCIA: calcula el número de veces que se repite un valor en la
muestra obtenida
• MAX: a partir de esta función se obtiene el valor máximo dentro de la
muestra.

45
 • MIN: A partir de esta función se obtiene el valor mínimo dentro de la
muestra.
• PROMEDIO: Corresponde a la media aritmética de una muestra, el
promedio se obtiene de datos numéricos.
• VAR: Esta función sirve para hallar la varianza en una muestra.

Funciones matemática y trigonométrica:

• ALEATORIO: A partir de esta función se puede calcular un número

aleatorio entre 0 y 1.
• FACT: Por medio de esta función se puede calcular el factorial de un
número.
• EXP: Calcula el valor de la siguiente expresión matemática • • ; donde • es
la representación de una constante, generalmente conocida como Euler, y
la letra n es el valor a ingresar
• LN: A través de esta función se obtiene el logaritmo natural de un número
cualquiera
• LOG: Sirve para hallar el logaritmo de un número, definiendo la base.
• POTENCIA: Calcula el resultado de un número elevado a una potencia
cualquiera.
• PRODUCTO: Realiza la multiplicación de dos o más números
• RAÍZ: Calcula la raíz cuadrada de un número cualquiera.
• REDONDEAR: Aproxima un numero a la cantidad de decimales que se
desea.
• [Link]: Aproxima un numero a la cifra decimal siguiente.
• REDONDEAR. MENOS: Aproxima un numero a la cifra decimal anterior.
• SUMA: Realiza la operación de suma en los rangos establecidos.
• TRUNCAR: Transforma los decimales en numero enteros, o fracciona la
parte decimal del numero Con formato: Fuente: Negrita,
Español (Colombia)

46
 Con formato: Centrado
APLICACIÓN STATGRAPHICS
CENTURION

47
1.6 STATGRAPHICS CENTURIÓN VERSIÓN XVI

Para resolver los ejercicios y casos planteados en este texto, se utilizará el

software Statgraphics centurión versión XVI.
Cuando se ingresa al programa Statgraphics centurión versión XVI, se despliega
la ventana que se ilustra en la siguiente figura.

Figura 1.13 Aplicaciones en Statgraphics

Fuente: Los Autores

Menú de STATGRAPHICS centurión versión xvi.
• Archivo: Incluye funciones como abrir, cerrar, guardar, imprimir (vista
previa de impresión, configuración de impresión, configuración de pagina),
combinar y publicar en internet un StatFolio, datos, Statgallery y
StatReporter.
StatFolio: Son archivos de datos de Statgraphics u otra aplicación.
Statgallery: Es una ventana en la que se pueden pegar las graficas que son
creadas en Statgraphics, la galería son varias ventanas en la cual cada una
contiene una grafica.

48
 StatReporter: Es una ventana donde se pueden crear y guardar reportes
como archivos. Además de copiar y pegar tablas y graficas creadas en
algún otro lugar usando las opciones copiar y pegar en el menú editar.

Figura 1.14 Aplicaciones en Statgraphics

Fuente: Los Autores

• Editar: Es una opción que ofrece la siguientes funciones:

- Fijar las propiedades de cada fuente de datos en un libro de datos.
- Deshacer la última operación que se realice en el libro de datos.
- Cortar un objeto o texto seleccionado.
- Copiar en el portapapeles de Windows los datos seleccionados, o la
tabla o gráfica seleccionada.
- Fijar preferencias para la operación del sistema y procedimientos
estadísticos comunes.
- Definir un conjunto de operaciones a ejecutar cuando se carga un
StatFolio (Rutina de Inicio del StatFolio)
- Cambiar la fuente que se usa en la ventana activa.

49
 - Cambiar el título de una ventana de análisis.
- Crear una copia de la ventana de análisis resaltada.
- Insertar renglones (filas), columnas o celdas en una hoja de datos.
- Borrar los datos u objeto(s) resaltados.
- Actualizar Fórmulas en la hoja de datos activa.
- Cambiar el nombre, comentario o tipo de una columna de datos.
- Crear y añadir datos a una columna de la hoja de datos usando una
expresión.
- Recodificar los datos en una columna de la hoja de datos.
- Ordenar los datos en una hoja de datos.

Figura 1.14 Aplicaciones en Statgraphics.

Fuente: Los Autores

• Graficar: Sirve para crear gráficos estadísticos entre los cuales tenemos:

Figura 1.15 Aplicaciones en Statgraphics

50
Fuente: Los Autores

• Describir: Sirve para aplicar procedimientos estadísticos, tales como:

Figura 1.16 Aplicaciones en Statgraphics

Fuente: Los Autores

51
Diagrama 1.1. Funciones de Gráficos

Gráficos de Gráficos Gráficos de Gráficos de

dispersión Exploratorios Secuencia en Negocios
Tiempo

Gráficos
Gráfico Gráfico de Gráfico básicos para
Univariante (X) Caja y Bigotes Univariante (X) mostrar datos
de negocios.

Gráfico X-Y Diagrama de Cartas de Gráficos de

Puntos Rachas Barras

Gráfico X-Y Histogramas Individuales Gráfico de

Múltiple de Frecuencias Pastel

Gráfico de Gráfico Normal Datos Gráfico de

Coordenadas de Agrupados Barras Múltiple
Polares Probabilidad

Gráfico de
Burbujas Gráfico Línea Distribuciones
Gráfico X-Y-Z de de
Gráfico Componente Probabilidad
Radar/Araña

Gráfico X-Y-Z Gráfico Alto-

Múltiple Bajo-Cierre

Gráfico de
Coordenadas
Esféricas

Gráfico de
Matriz

Fuente: Los Autores

52
Diagrama 1.2. Funciones para ingresar Datos

Datos Ajuste de
datos numéricos
Categóricos Distribución

Distribuciones
Análisis de
Tabulación de
Una Variable
Probabilidad

Análisis de
Mapa de EUA Gráficos de
Varias
por Estado Probabilidad
Variables

Ajustar Datos
Análisis de Tabulación
No
Subgrupo Cruzada
Censurados

Estadísticas Tablas de Ajustar Datos

por Filas Contingencia Censurados

Transformacio
Pruebas de
nes de
Hipótesis
Potencia

Identificación
de Valores
Atípicos

Fuente: Los Autores.

• Comparar: incluye procedimientos estadísticos para comparar dos o más

grupos de datos, incluyendo procedimientos de dos muestras y de ANOVA.

53
Figura 1.17 Aplicaciones en Statgraphics

Fuente: Los Autores

- A través de esta opción se pueden realizar análisis de:

- Dos Muestras
- Muestras Independientes
- Muestras en Pares
- Pruebas de Hipótesis
- Varias Muestras
- Comparación de Varias Muestras
- Comparación de Proporciones
- Comparación de Tasas
- Análisis de Varianza
- Gráfico de Medias de Factor
- ANOVA Simple
- ANOVA Multifactorial
- Pulido de Mediana de Tabla Bidireccional
- Componentes de la Varianza
- Modelos Lineales Generalizados

• Relacionar: procedimientos estadísticos para ajustar modelos de regresión.

54
Figura 1.18 Aplicaciones en Statgraphics

Fuente: Los Autores.

Diagrama 1.3. Funciones para Relacionar

Varios Datos de
Un factor
factores atributos

Regresión Regresión Regresión

Simple Múltiple Poisson

Modelos de Selección de Regresión

Calibración Modelo de Binomial
Regresión

Comparación
de Líneas de Regresión
Regresión No Lineal

Regresión de
Cordillera

Modelos
Lineales
Generalizado
s

Mínimos
Cuadrados
Parciales

Fuente: Los Autores

55
 • Pronosticar: Permite realizar pronósticos de cambios en los procesos a
través del tiempo para tomar la toma de decisiones. Los pronósticos de
pueden hacer mediante un modelo definido por el usuario o pronósticos
automáticos.

Figura 1.19 Aplicaciones en Statgraphics

Fuente: Los Autores

• CEP: Denotan las siglas de control estadístico de procesos. Esta

herramienta emplea las técnicas para el control estadístico de la calidad.

Figura 1.20 Aplicaciones en Statgraphics

Fuente: Los Autores

56
 Diagrama 1.4. Funciones CEP
Análisis de Pareto

Matriz QFD
Análisis de Tendencia de Costos-de-
Evaluación de la Calidad
Calidad
Diagrama Causa-y-Efecto

Mapa de Procesos

Gráfico Multi-Vari

Individuales

Variables Datos Agrupados

Capacidad
Análisis de Multivariada
capacidad
Porciento
defectuoso
Atributos
Defectos por unidad
Gráficos por variables

Gráficos por atributos

Gráficos (cartas) Gráficos Ponderados por el

de control Tiempo
Gráficos de control
multivariados
Gráficos de propósitos
especiales

Datos continuos
Estudios de
calibración
Datos categóricos

Atributos
Muestreo de
aceptación
Variables

Fuente: Los Autores

• DDE: Sirve para crear diseños de experimentos, incluye las siguientes

funciones para el análisis de experimentos:
- Asistente de diseño de experimento
- Importar experimento
- Procedimientos de diseño de experimento

57
Figura 1.21 Aplicaciones en Statgraphics

Fuente: Los Autores.

• SnapStats!!: Incluye los siguientes procedimientos estadísticos:

- Análisis de una muestra
- Comparación de dos muestras
- Comparación de muestras pareadas
- Comparación de varias muestras
- Ajuste de curva
- Evaluación de capacidad para datos individuales y agrupados
- Estudios R&R
- Pronósticos automáticos

Figura 1.22 Aplicaciones en Statgraphics

Fuente: Los Autores.

58
 • Herramientas: Incluye procedimientos estadísticos, tales como:
- Visor de datos
- Evaluador de expresiones
- Determinación del tamaño de muestra
- Calculadora seis sigma
- Distribuciones en el muestreo
- Diseñador de perfiles gráficos
- Alertas de StatFolio
Figura 1.23 Aplicaciones en Statgraphics

Fuente: Los Autores.

• Ver: Incluye opciones básicas para visualizar la barra de herramienta, la barra

de estado, barra de navegación, la barra de tareas y el StatAdvisor.

Figura 1.24 Aplicaciones en Statgraphics

Fuente: Los Autores.

59
• Ventana: Sirve para listar de ventanas abiertas.

Figura 1.25 Aplicaciones en Statgraphics

Fuente: Los Autores.

• Ayuda: Permite el acceso a los manuales de ayuda y al sitio Web de

STATGRAPHICS.

Figura 1.26 Aplicaciones en Statgraphics

Fuente: Los Autores.

60
EJERCICIOS PROPUESTOS
CAPÍTULO N° 1.

61
Ejercicios Propuestos

1. En el siguiente diagrama de Venn se muestran los conjuntos: A, B, C y D.

A B

C
S

Sombree la región que corresponda a cada uno de los siguientes eventos:

a. (• • •) • •
b. D’
c. (• • •)’
d. (• • •)’ • •

2. En la cafetería de la Universidad Tecnológica de Bolívar, se evalúan tres

eventos.
A: El estudiante encuentre la chocolatina del sabor deseado
B: El estudiante encuentre la chocolatina del tamaño deseado
C: El estudiante encuentre la chocolatina con la dureza que desea

Esto se hace con el fin de conocer si el estudiante, como cliente de la

cafetería queda satisfecho al encontrar la chocolatina con las
características deseadas.

62
 Se le pide a usted que interprete los siguientes diagramas de Venn:

A A
B B

C C

S S

3. El proceso de fabricación de un lapicero se ensamblan tres piezas A, B, y

C. Si todas las piezas son ensambladas correctamente se puede vender el
lapicero a los clientes, debido a que cumple con las especificaciones de
calidad, de lo contrario se reprocesa. Muestre en diagramas de Venn, las
dos situaciones.

4. En los números naturales existe un orden de conteo, el hecho de que

existan números mayores que o menores dentro de los mismos, se le
conoce como:
a. Desigualdad
b. Diferencia
c. Igualdad
d. Mezcla

5. Juan tiene dos hermanos, llamados Julián y María, él quiere regarles unos
dulces que ha comprado, pero quiere que sus dos hermanos queden
satisfechos, debido que Julián come mucho ha decidido darle dos dulces a
Julián por cada dulce que le de a María.

63
 Sea A, el conjunto de los dulces que Juan le regala a María y B el conjunto
de dulces que Juan le regala a Julián. Escoge el diagrama que muestra
esta relación de conjuntos.
a. b.
A B A B

x x y
y

1 2 1
2

5 10 3
6

3 6 5
10

c. A B d. A B

x y x y
1 2 1 2
5 6 5 6
3 10 3 10

6. Del ejercicio anterior:

a. Representa a través de una función matemática la relación de los

conjuntos A y B.
b. Menciona cuál de las graficas no cumple con alguna de las propiedades
de asociación de conjuntos. Argumenta tu respuesta.

7. Siguiente grafica muestra los resultados de una encuesta relacionada con

la percepción ciudadana sobre la calidad de vida en cinco ciudades

64
 colombianas, realizada en diciembre de 2008 en el marco del proyecto
Cartagena Como Vamos.

Grafico 1.6 Estado del carro y del camino

Fuente: Proyecto Cartagena Como Vamos

De la gráfica anterior, se puede concluir:

a. El nivel de optimismo en Cali es mayor que el nivel de optimismo en

Cartagena
b. El nivel de optimismo en Barranquilla es menor que el nivel de
optimismo en Cartagena
c. El nivel de optimismo en Cartagena es menor que el nivel de optimismo
en Medellín
d. El nivel de optimismo en Bogotá es mayor que el nivel de optimismo en
Medellín

8. El siguiente cuadro muestra la distribución porcentual de las principales

importaciones registradas en Colombia, según país de origen, de acuerdo
al boletín de prensa del Comportamiento de las Importaciones y Balanza
Comercial (Comercio Exterior) en diciembre de 2009, emitido por el

65
 Departamento de Impuestos y Aduanas Nacionales (DIAN) el 16 de febrero
de 2010.

Tabla 1.5. Distribución porcentual de las principales importaciones, según el

país de origen de Enero – Diciembre (2009-2008)

Fuente: DIAN Cálculos DANE

Del anterior cuadro calcula:

a. La sumatoria de la participación (%) de las importaciones de enero a

diciembre de 2009.
b. Suponiendo que, el Departamento de Impuestos y Aduanas Nacionales
(DIAN) esperaba que las importaciones para el año 2009 incrementara
la participación en 0,1 de cada país, de acuerdo a las participaciones en
las importaciones registradas en el año 2008. Calcula la sumatoria de la
participación esperada para el año 2009.

9. Escribe F, si la afirmación es falsa o V si es verdadera.

a. Los números irracionales están conformados por los números

enteros negativos y los números racionales ( )

66
 b. Los números racionales están conformados por los números enteros
negativos y los números racionales ( )
c. La unidad de la varianza de una variable es la unidad de la variable
al cuadrado ( )
d. La sumatoria •••••(•• + •) no es igual a ••••• •• + •• ( )
e. Cualquier número real puede escribirse como un número decimal ( )

10. Una familia de estrato 4 de la ciudad de Cartagena, tiene un consumo de

energía en Kw/h, se conoce el costo de 1Kw/h, además en la facturación se
relaciona el costo del alumbrado público que es tres cuartas partes mayor que el
subsidio, y el subsidio a estratos 0 y 1 que es 0.2% del costo total de la factura.
Plante la función con la cual se puede determinar el costo total de la factura.

67
ESTUDIO DE CASOS

CASO 1

En la empresa “Lechecita y Algo Mas”, se producen productos derivados de la

leche, como son: mantequilla, quesos, leches con sabores, kumis, suero, y yogurt.

El yogurt es un producto lácteo fermentado, levemente ácido, de cultivo semisólido

que es producido por homogenización y pasteurización.

La leche entera o descremada, fresca o en polvo, puede ser utilizada para producir
yogurt mediante el siguiente proceso:

Inicialmente, la leche es bombeada a un tanque de almacenamiento. Luego es

bombeada a través de un filtro hacia el clarificador que va a utilizar una fuerza
centrífuga para obtener algunas impurezas insolubles en la leche. En seguida la
leche es pasteurizada y desinfectada en un sistema de pasteurización de
temperaturas muy altas (UHT) el cual disminuye el crecimiento de las bacterias de
ácido láctico a un nivel aceptable; después, los cultivos de steptococus termofílica
y el lactobacilo bulgaris, que crecen en un ambiente controlado son injertados
dentro de la leche esterilizada y luego pasan a los tanques de fermentación donde
son fermentados a una temperatura de 40°C por 30 horas. Luego, se mezclan los
saborizantes y algunos aditivos para ser esterilizados en un sistema de
esterilización de altas temperaturas y corto tiempo (HTST).

El yogurt fermentado y los aditivos esterilizados son mezclados y homogenizados.

Seguidamente, el yogurt es colocado en cajas de polipropileno o polietileno por
una máquina rellenadora, finalmente los envases de yogurt se colocados en el
almacén de refrigeración.

68
El gerente de la empresa desea saber cómo sería la interrelación entre cada uno
de los procesos que se llevan a cabo para la producción del yogurt. Además saber
cuáles son los procesos llamados independientes, de igual manera el proceso que
se relaciona con todos los procesos.

CASO 2

En un estudio realizado por el Departamento Administrativo Nacional de

Estadística (DANE) acerca de los principales indicadores del mercado laboral
relacionado con la seguridad social. Se tomo como referencia la población de
personas que se encuentran laborando y están afiliadas en seguridad social,
salud, y pensión; de dicha población se tuvo en cuenta muestras en cada uno de
los trimestres de tipo móvil desde Diciembre de 2008 hasta Enero de 2010.

Se utilizo un mecanismo de encuestas aleatorias, para ser aplicadas en la muestra

teniendo en cuenta la población.

Los datos obtenidos se muestran en la siguiente tabla:

2009 2010
Concepto Dic- Ene- Feb- Mar- Abr- May- Jun- Jul- Ago- Sep- Oct- Nov09-
feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic Ene 10
Total Ocupados 1839
17493 17650 18103 18375 18491 18489 18321 18655 18974 19248 18867
Nacional 6

1615
Salud 15280 15347 15723 15970 16129 16178 16153 16451 16778 17033 16759
7

R. Contributivo. 7861 7856 8157 8338 8351 8373 8302 8343 8403 8479 8488 8313

R. Especial 377 389 398 413 432 425 405 393 385 415 421 440

R. Subsidiado 7039 7101 7167 7217 7344 7377 7447 7416 7662 7884 8121 8003

No sabe 2 2 2 2 3 2 3 2 1 1 2 3

Pensiones 5271 5288 5455 5550 5573 5595 5550 5645 5582 5602 5512 5452

a) Realice un informe ejecutivo donde muestre los resultados obtenidos a partir

de la encuesta realizada, comparando los trimestres y cuál de los semestres

69
 se encuentren mayores personas afiliadas, además saque conclusiones de
porque se presenta el caso de tener mayor número de personas afiliadas en
salud que en pensión, en este informe se debe mostrar en cual trimestre se
presenta mayor y el menor aporte entre los régimen y determinar en este
tiempo los hechos históricos que ayudaron a que se diera esta situación

b) Suponiendo que exista una relación entre la proporción de afiliados a salud

y los afiliados a pensión, establezca cuanto es el número de personas que
se encuentran afiliadas a pensión para cada régimen de salud.

70
 CAPÍTULO 2
CONCEPTOS BÁSICOS DE ESTADÍSTICA.

71
 INTRODUCCION

La estadística está presente en la lógica humana; el razonamiento de situaciones

con datos cualitativos y/o cuantitativos da como resultado teorías que al paso del
tiempo pueden servir como datos para futuros escenarios, permitiendo al ser
humano predecir resultados, así, la estadística puede remontarse a datos pasados
o presentes para estudiarlos y generar nuevas interpretaciones del
acontecimiento presente o prever el futuro, es por esto que la estadística es
definida como “La ciencia que se ocupa de los métodos y procedimientos para
recoger, clasificar, resumir y analizar los datos, siempre y cuando la variabilidad e
incertidumbre sea una causa intrínseca de los mismos; así como de realizar
inferencias a partir de ellos, con la finalidad de ayudar a la toma de decisiones y
en su caso formular predicciones”

La estadística actualmente es una herramienta importante y fundamental en todos

los aspectos de la sociedad, y su evolución constante como ciencia facilita el
análisis de la información y la solución de problemas reales, ayudando en la
investigación en los diferentes niveles de la ciencia, convirtiéndose en uno de los
pilares de ésta.

En este capítulo se incluirá los conceptos básicos en la estadística tales como la

población, muestra, variables, parámetro, estadísticos que sirven como base para
entender la estadística descriptiva, la cual se relaciona con el desarrollo y uso de
técnicas para la cuidadosa recolección y efectiva presentación de la información
cuyo fin es describir las características principales de los datos reunidos de tal
modo que permitan sugerir o aventurar cuestiones a analizar en mayor
profundidad.

Además se presentarán tres tipos de medidas de resumen: medidas de tendencia

central, medidas de dispersión o variabilidad de los datos y medidas de ubicación,

72
las cuales hacen parte de los conceptos fundamentales de la estadística ya que
muestran el comportamiento de los datos y son usadas en otras operaciones más
complejas utilizadas para el análisis de datos.

73
COMPETENCIAS:

• Interpretacion de nociones básicas relacionadas con el

manejo de información como población, muestra, variable
aleatoria, distribución de frecuencias, parámetros y
estadígrafos).
• Utilizacion de medidas de tendencia central (media, mediana,
moda) para interpretar comportamiento de un con- junto de
datos.
• Utilizacion de modelos (diagramas de árbol, por ejemplo)
para discutir y predecir posibilidad de ocurrencia de un
evento.
• Interpretacion y utiliacion de conceptos de media, mediana y
moda y explicito sus diferencias en distribuciones de distinta
dispersión y asimetría.
• Seleccion y uso de algunos métodos estadísticos adecuados
al tipo de problema, de información y al nivel de la escala en
la que esta se representa (nominal, ordinal, de intervalo o de
razón).

74
 2. CONCEPTOS FUNDAMENTALES DE ESTADISTICA

Desde los comienzos de la civilización, la estadística ha estado presente de una u

otra manera en formas sencillas, pues se utilizaban representaciones gráficas y
otros símbolos sobre pieles y paredes de cuevas para representar animales,
personas o ciertas cosas.

La mayor parte de las primeras aplicaciones de la estadística consistieron

principalmente en la presentación de datos en forma de tablas y gráficas. Este
campo se desarrolló con rapidez llegando a incluir gran variedad de métodos para
ordenar, resumir y expresar en alguna forma las características de un conjunto de
números.

Durante el siglo XVIII empieza el auge de la estadística descriptiva en asuntos

sociales y económicos, y es a finales de ese siglo y comienzos del XIX cuando se
comienzan a asentar verdaderamente las bases teóricas de la teoría de
probabilidades con los trabajos de Joseph Louis Lagrange y Pierre Simon de
Laplace, Carl Friedrich Gauss, y de Simeón-Denis Poisson. Previamente, cabe
destacar el descubrimiento de la distribución normal por Abraham de Moivre,
distribución que será posteriormente “redescubierta” por Gauss y Poisson.

En nuestros días, la estadística se ha convertido en un método efectivo para

describir con exactitud los valores de los datos económicos, políticos, sociales,
psicológicos, biológicos y físicos, y sirve como herramienta para relacionar y
analizar dichos datos. Sin embargo, la estadística implica más que reunir y tabular
los datos, sino sobre todo en interpretar esa información.

75
2.1 DEFINICION DE LA ESTADISTICA

La estadística es “La ciencia que se ocupa de los métodos y procedimientos para

recoger, clasificar, resumir y analizar los datos, siempre y cuando la variabilidad e
incertidumbre sea una causa intrínseca de los mismos; así como de realizar
inferencias a partir de ellos, con la finalidad de ayudar a la toma de decisiones y
en su caso formular predicciones”4

La estadística se clasifica en:

• Estadística descriptiva es la rama o disciplina que se relaciona con el

desarrollo y uso de técnicas para la cuidadosa recolección y efectiva
presentación de la información la cual tiene como objetivo describir las
características principales de los datos reunidos. Básicamente hay tres
tipos de medidas de resumen: medidas de tendencia central, medidas de
dispersión o variabilidad de los datos y medidas de ubicación.

Uno de los objetivos de la Estadística Descriptiva es presentar los datos de

tal modo que permitan sugerir o aventurar cuestiones a analizar en mayor
profundidad.

• Estadística Inferencial: Sólo se centra en tomar una pequeña muestra

representativa de la población y a partir de la información de la misma,
infiere que el resto de los elementos de la población tienen el mismo
comportamiento. En caso de que un muestreo para cierto estudio no sea
factible realizarlo por cuestiones de tiempo, recursos o costo; se puede
calcular un tamaño de muestra para medir solo algunos elementos de la
población; posteriormente se infiere que el resto de los elementos de la
población se comportan igual que la muestra tomada.
4
Tomado de [Link]

76
Diagrama 2.1 Estadística Descriptiva y sus componentes

Frecuencia absoluta

Frecuencia relativa
Frecuencias
Frecuencia absoluta acumulada

Frecuencia relativa acumulada

Población Muestra

Histograma

Diagramas Círculo

Caja
Estadística
descriptiva
Media

Mediana

Medidas de tendencia central Moda

Media geométrica

Media ponderada

Rango
Medidas de resumen
Medidas de dispersión Desviación estándar

Varianza

Cuartiles

Medidas de ubicación Deciles

Percentiles

Fuente: Los Autores

77
2.2 POBLACIÓN (•):

La población es el conjunto de personas, datos u objetos que poseen

características comunes observables en un espacio y tiempo determinado.

En el proceso investigativo, la población corresponde al conjunto de referencia

sobre el cual se va a desarrollar la investigación o estudio.

En una investigación, cuando se selecciona una población para su estudio se

debe tener en cuenta las siguientes características:

• Homogeneidad: se refiere a la similitud en las características de las

variables a estudiar de la población, un ejemplo es la población de
estudiantes de Ingeniería Industrial de la Universidad Tecnológica de
Bolívar, por lo cual, todos los miembros que hacen parte de esta población
necesariamente deben estar estudiando en la Universidad Tecnológica de
Bolívar.
• Cantidad: Hace referencia al tamaño de la población. La población se
puede clasificar de acuerdo a su tamaño en:

Ø Población finita: Es el conjunto que incluye un número limitado de

elementos, que se puede determinar a través de conteo. Ejemplo: El
número de pacientes que se encuentran hospitalizados en la sala de
urgencia del Hospital Metropolitano, la cantidad de silla instaladas en la
primera sala de cine del Centro Comercial Plaza Caribe.
Ø Población Infinita: Es el conjunto en el cual no existe limite en el número
de elementos que lo conforman. Ejemplo: Los productos de belleza que
hay en el Mercado, el conjunto de resultados obtenidos en la prueba
ECAES realizada a los estudiantes de Psicología, la cantidad de taxis
que transitan por la avenida Pedro Heredia el día Sábado.

78
2.3 MUESTRA (•):

La muestra es un subconjunto de la población.

Muestra

Población

Una muestra se selecciona con las siguientes finalidades:

Ø Conocer o inferir las características de toda población a partir del análisis y

estudio de la muestra.
Ø Disminuir los costos de realización de la investigación, al realizar el estudio
en una población numerosa se pueden elevar los costos.
Ø Disminuir la destrucción de objetos cuando se realiza el estudio, esto aplica
a los procesos de ensayo destructivos.
Ø Acortar el tiempo de realización del estudio, debido que estudiar toda la
población implica mayor tiempo que estudiar parte de la misma.
Ø Aumentar la calidad del estudio, al realizar las mediciones y observaciones
a un número reducido de miembros de la población puede que sea más
exactos que si se realizan al total de la población.
Ø La selección de muestras específicas pueden reducir la variabilidad en las
características de la población al indicar criterios de inclusión o exclusión
en el estudio.

Cuando se escoge una muestra se debe asegurar que esta sea confiable y
representativa. Es decir, que la muestra tenga todas las características relevantes
de la población.

79
Es importante destacar que la muestra no debe resultar sesgada, es decir,
manipulada u orientada durante el proceso de selección, con el fin de establecer si
la variable estudiada se comporta de acuerdo a una distribución de probabilidad.

2.4 VARIABLES:

Las variables son características que pueden ser medidas en el tiempo, para
diferentes individuos u objetos de consideración, y de esta forma se obtienen los
datos.

Matemáticamente, una variable es un símbolo que puede tomar valores de un

conjunto de datos.

Ejemplo 2.1:
• = marca de zapatos que tiene puesto una persona
• = Cantidad de no conformidades detectadas en la auditoria
• = Distancia entre dos puntos A y B

2.3.1 Clasificación de las variables

Las variables pueden ser clasificadas como cuantitativas o cualitativas

(categóricas), dependiendo si los valores presentados tienen o no un orden de
magnitud natural (cuantitativas), o simplemente un atributo no sometido a
cuantificación (cualitativa).

Un atributo corresponde a un valor específico e una variable, como ser el cpor

ejemplo la variable estado civil puede ser: soltero, casado, viudo, unión libre.

80
Diagrama 2.2 Clasificación de las variables

Ordinales
Cualitativas
Nominales
Variables
Discretas
Cuantitativas
Continuas

Fuente: Los Autores

Variables Cualitativas: Son aquellas que indican cualidades o nombres. Puede

ser dicotómica. Es decir, adopta un valor sin jerarquía entre sí tales como “si” o
“no”, “Femenino” o “masculino” y multicotómicas, si existe la posibilidad que
adopten varios valores tales como grupo sanguíneo, religión, edad.

• Variables nominales: Son aquellas variables que no tiene un orden

determinado. Por ejemplo: nombres de personas, raza, tipos de pizzas.
Estas variables no tienen ningún orden inherentes a ellas ni un orden de
jerarquía.

• Variables ordinales: Estas variables poseen un orden, secuencia o

progresión natural esperable determinado, ejemplos: grados de escolaridad,
nivel socioeconómico, meses del año. A pesar de este orden jerárquico no
es posible obtener valoración numérica lógica entre dos valores.

Variables cuantitativas: Son aquellas variables cuyo valor son números.

• Variables discretas: Son aquellas que solo pueden adoptar un solo valor
numérico, entero, con valores intermedios que carecen de sentido

81
 ejemplos: El número de estudiantes de cada género que tiene un salón de
clase, El número de computadores que se encuentran en funcionamiento
en una empresa.
• Variables continuas: Son aquellas que toman cualquier valor dentro de un
rango numérico determinado, Ejemplos: La cantidad de minutos que gasta
una persona en llenar 5 galones de agua, la estatura de los jóvenes que
integran el equipo de baloncesto de la selección Bolívar, el valor del pasaje
del Transcaribe.
Con formato: Sangría: Izquierda:
1,27 cm, Sin viñetas ni numeración
• Tanto las variables discretas como las continuas pueden agruparse
costruyend intervalos, entre cuyos valores extremos se ubicaran las
diferentes observaciones registradas. Sin embargo, solo las variables
continuas pueden ser objeto de categorización mediante intervalos.

2.5 DATOS:

Un dato hace referencia a la información y puede definirse como un valor que

puede tomar una variable; tTambién se puede decir que es cuando una variable se
mide en un conjunto de una unidad experimental.

2.5.1 Clasificación de datos estadísticos:

Los datos estadísticos se pueden clasificar en las siguientes formas:

• Datos Cuantitativos: Son todos aquellos datos que pueden medirse,
cuantificarse o expresarse numéricamente. Ejemplo: Las edades de los
estudiantes
• Datos Cualitativos: Son todos aquellos datos que pueden ser expresados
por cualidades o atributos, Ejemplo: Las diferentes razas (Blanco, Moreno,
mestizo, mulato, hindúes, etc.) de continente americano.
La medición de estos tipos de datos se puede realizar:

82
 o Nominalmente: Es la manera de categorizar los datos que no tiene una
relación de orden entre sí, por ejemplo programas universitarios que
ofrece la universidad, estado civil, etc.
o Ordinalmente: Son aquellos datos que presentan un orden o jerarquía
entre las categorías. por ejemplo, totalidad de semestres a cursar de los
programas tecnológicos.

2.6 PARÁMETRO

Definimos un parámetro como una medición numérica o valor representativo de la

población, que describe algunas características de la misma, es decir, los
parámetros sirven para caracterizar una población a través de un valor fijo (no
aleatorio) generalmente desconocido, debido a la dificulad de observar todas y
cada una de las unidades que conforman la població[Link]: El promedio de
vida de los hombres colombianos; el promedio de horas extras dominicales
laboradas por los trabajadores de una empresa; el porcentaje de desempleo de los
jóvenes entre 20 y 35 años de la ciudad de Cartagena.

2.7 ESTADÍSTICO O ESTADÍGRAFO

Un estadístico es una medición numérica que describe algunas características de

una muestra con el fin de comparar las características de una población o modelo
estadístico5., es decir, los estadísticos surgen por la necesidad de estimar el valor
de un parámetro y dicha estimación se realiza por medio de muestras, por tanto se
puede definir como una variable aleatoria ya que va en función de las
observaciones muestrales. ejemplos: La edad promedio de los primeros 10
estudiantes que ingresaron a estudiar ingeniería mecánica en la Universidad
Tecnológica de Bolívar en el segundo semestre académico de 2009; 75 jóvenes
5
TRIOLA, Mario F. “PROBABILIDAD ESTADÍSTICA”, Ed. Pearson Educación, Novena Edición Pag. 5

83
entre 15 y 19 años hacen parte del programa de planificación familiar de
Profamilia, y de estos jóvenes el 20% utiliza métodos como el DIU (Dispositivo
Intrauterino) para planificar

2.8 FRECUENCIA

Es el número de ocurrencias de un suceso en cierto periodo o espacio, ejemplos:

Se desea evaluar las llegadas de las personas a una cola (un evento aleatorio)
durante 30 minutos, de la observación realizada se obtuvo que durante estos
treinta minutos llegaran 15 personas a la cola. Las 15 personas representan la
frecuencia, es decir el número de personas que llegaron a la cola después de
transcurridos 30 minutos.

2.8.1 Tipos de frecuencia:

• Frecuencia absoluta (•• ): Es el número de veces que se repite el valor de una

variable dentro del conjunto de datos.
Las propiedades de las frecuencias absolutas son:
a. La frecuencia absoluta de un conjunto de datos cualitativos o
cuantitativos debe ser un número comprendido entre cero y el
tamaño de la muestra (•), incluyendo 0 y •. Esto es: 0 • •• • •
b. La sumatoria de la frecuencia absoluta de los datos cualitativos o
cuantitativos es igual al tamaño de la muestra (n).
,
•

• •• = •
•••

84
• Frecuencia relativa (•• ): Es el cociente entre la frecuencia absoluta (•• ) y el
tamaño de la muestra (n)

Las propiedades de las frecuencias relativas son:

a. La frecuencia relativa de un conjunto de datos cualitativos o cuantitativos
debe ser un número comprendido entre cero y uno, incluyendo 0 y 1.
Esto es: 0 • •• • 1
b. La sumatoria de la frecuencia relativa de datos cualitativos o
cuantitativos es igual a 1.
•

• •• = 1
•••

La frecuencia relativa puede expresarse como un porcentaje, ya que

relacionan una parte del conjunto con el total.

Frecuencia absoluta acumulada (•• ): es la suma de las frecuencias absolutas de

los valores menores o iguales que xi. Se representa por Fi: Fi + f1 + f2 + f3 + ... + fi.

• Frecuencia relativa acumulada (•• ): es el cociente que se presenta entre la

frecuencia absoluta acumulada (Fi )y el número total de datos, N. Es decir.
••
•• =
•

85
2.8.2 CONSTRUCCIÓN DE TABLAS DE FRECUENCIA

Las tablas de frecuencias son un método para organizar y resumir datos indicando
el número de veces que se repite cada valor de la variable estudiada.

Para construir la tabla de frecuencia se debe realizar los siguientes pasos:

1. Cuando los datos no están agrupados, se debe realizar el conteo del número
de veces que se repite una variable
2. Para variables continuas, se debe determinar el valor máximo y mínimo dentro
del conjunto de datos que se posean.
3. Para variables continuas, se calcula el rango del intervalo, esto es la diferencia
entre el valor máximo o límite superior y el valor mínimo o limite inferior.
4. Para variables continuas, se debe calcular el numero de intervalos y la Marca
de clase de cada intervalo
5. Finalmente se determina la frecuencia absoluta, la frecuencia relativa y las
frecuencias absoluta acumulada y relativa acumulada.

Ejemplo 2.2:

En una empresa Metalmecánica se realizó un estudio para determinar la

capacidad de una sustancia sólida para resistir deformación o abrasión de su
superficie en un material (dureza del material), en este se registraron los
siguientes datos:

3.2, 3.1, 2.8, 2.9, 3.3, 3.2, 3.1, 3.0, 3.1, 3.1, 2.7, 2.8, 2.9, 3.0, 3.2,
3.1, 3.1, 3.0, 3.0, 2.9, 2.9, 3.0, 3.0, 3.1, 3.0, 3.1, 3.4, 3.3, 3.3, 2.9,
2.9.
La unidad de medida de la dureza es el DIN

86
Primero se debe realizar conteo del valor de cada una de las variables

Tabla 2.1 Dureza del material.

Clase •• ••
1 2.7 1
2 2.8 2
3 2.9 6
4 3.0 7
5 3.1 8
6 3.2 3
7 3.3 3
Fuente: Los Autores

El segundo, tercer y cuarto paso no se realiza debido que la variable solo toma 7
clase de valores específicos y la amplitud del intervalo es pequeño.
Quinto paso: Hallar la frecuencia relativa (•• ):
••
•• =
•
Para la primera clase:
•• •
•• = = = •, •••
• ••

La formula anterior se aplica para cada una de las clases.

Luego, se puede expresar la frecuencia relativa en forma de porcentaje, esto es:

••
•• = × •••%
•
Para •• = •, ••• × •••% = •, •% y así sucesivamente.

87
Tabla 2.2 Tabla de Frecuencia del ejemplo 2.2
Clase •• •• •• •• (%) •• ••
1 2.7 1 0,033 3,3% 1 0,033
2 2.8 2 0,067 6,7% 3 0,100
3 2.9 6 0,200 20,0% 9 0,300
4 3.0 7 0,233 23,3% 16 0,533
5 3.1 8 0,267 26,7% 24 0,800
6 3.2 3 0,100 10,0% 27 0,900
7 3.3 3 0,100 10,0% 30 1,000
Total 30 1 100% - -
Fuente: Los Autores

2.9 LIMITES DE CLASE

Cada clase está limitada por dos límites; Limites Inferior y Limite Superior de
clase.

El límite inferior se denotará por •i y el límite superior por •s.

2.9.1 Intervalos De Clase

Son los intervalos en que pueden agruparse los datos de una variable continua.

Tipos de intervalos:

• Cerrados: Conjunto de todos los valores de la variable continua (•) que

puede estar comprendido entre • y •, incluyendo • y •.
Matemáticamente: • • • • •

88
 Se denotan a través de llaves, así: [ ]
• Abiertos: Conjunto de todos los valores de la variable continua (•) que
puede estar comprendido entre • y •, sin incluir • y •.
Matemáticamente: • < • < •
Se denotan a través de paréntesis, así: ( )
• Mixtos: Conjunto de todos los valores de la variable continua (•) que puede
estar comprendido entre • y •. además incluye en valor de • o •.
Matemáticamente: • < • • • y • • • < •
Se denotan a través de paréntesis, así: ( ] y [ ) respectivamente.

2.10 AMPLITUD O RANGO DE CLASE (•)

La amplitud de una clase es la diferencia entre los límites superior e inferior. La

amplitud se denota por •s – •i

2.11 MARCA DE CLASE (•• )

La marca de clase es el punto medio entre cada intervalo, y con este valor se
pueden hallar muchos cálculos en los parámetros.
Ejemplo 2.3

Se realizó un segundo estudio de dureza en los materiales en la empresa

Metalmecánica, con el fin de verificar si la clasificación de esta serie de datos era
la correcta, a continuación se muestran los datos que se obtuvieron del estudio:

0.3, 1.5, 2.4, 2.8, 3.3, 3.5, 3.8, 4.2, 4.3, 3.8, 3.6, 3.4, 2.9, 2.5, 1.7, 0.7, 3.4, 3.6, 3.9, 4.4, 3.1, 2.6,
2.0, 1.1, 1.3, 2.2, 2.7, 4.7, 3.9, 3.7, 3.4, 3.2, 3.5, 2.8, 3.8, 4.1, 4.8, 1.5, 3.2, 1.3

89
La unidad de medida de la dureza es el DIN
Para construir la tabla de frecuencia se sigue los 5 pasos anteriormente descritos:

1. Hallar los límites inferior y superior de clase.

• • = 0.3 •••
•• = 4.8 •••
2. Rango del intervalo= Ls – Li = 4.8 DIN - 0.3 DIN = 4.5 DIN• 5 DIN
Después se divide 5DIN/0.5=10
Este resultado aquí presente es el número de intervalos que se deben tener
en cuenta para que el límite inferior de la clase pertenezca al intervalo, pero
el límite superior no pertenece al intervalo, o viceversa, para la solución del
ejemplo, se considero el intervalo mixto de la forma: • • • < •

Calculando la frecuencia relativa, la frecuencia relativa acumulada y la

frecuencia absoluta acumulada. Se tiene el resumen en la siguiente tabla:

Tabla 2.3 Tabla de Frecuencia de la dureza del material

Lj – Ls Yj fj Fj hj Hj
[0, 0.5) 0.25 1 1 0.025 0.025
[0.5, 1.0) 0.75 1 2 0.025 0.050
[1.0, 1.5) 1.25 3 5 0.075 0.125
[1.5, 2.0) 1.75 3 8 0.075 0.200
[2.0, 2.5) 2.25 3 11 0.075 0.2775
[2.5, 3.0) 2.75 6 17 0.150 0.425
[3.0, 3.5) 3.25 7 24 0.175 0.600
[3.5, 4.0) 3.75 10 34 0.250 0.850
[4.0, 4.5) 4.25 4 38 0.100 0.950
[4.5, 5.0) 4.75 2 40 0.050 1
- 40 - 1 -

Fuente: Los Autores

90
2.12 REPRESENTACIÓN GRAFICA PARA LAS VARIABLES CUALITATIVAS

En el momento de llevar a cabo la representación de las variables cualitativas

existen una serie de gráficos que son conocidos como los más comunes para
representar este tipo de datos, estos son: el diagrama de barras y el grafico de
sectores.

2.12.1 Grafico de Barras

Es el que consiste en conjunto sucesivo de barras de la misma amplitud, con

altura determinada por la frecuencia absoluta de cada una de las categorías en las
que se encuentran las características establecidas, retomando el ejemplo 2.3 se
desarrollara el siguiente grafico de barras:

Tabla 2.4 Dureza del Material

Grafico 2.1 Grafico de barra de dureza del material

91
 9
8
7
6
Frecuencia

5
4
3 fi
2
1
0
2.7 2.8 2.9 3.0 3.1 3.2 3.3
Dureza del Material

Fuente: Los Autores

Ejemplo 2.4:

En las elecciones del Senado de la República de Colombia se obtuvieron los

siguientes resultados:

Tabla 2.5. Resultados de elecciones al Senado de Republica de Colombia 2010

NOMBRE LISTA No CURULES
Partido de la U 27
Partido Conservador 23
Partido Liberal Colombiano 18
Partido de integración Nacional PIN 8
Partido Cambio Radical 8
Polo Democrático Alternativo 8
Partido Verde 5
MIRA 2
Compromiso ciudadano por Colombia 1
Fuente: [Link]

92
Mediante el histograma podemos apreciar la distribución de las frecuencias.

Grafico 2.2 Histograma de Frecuencia

Elecciones Senado
30
25
No de curules

20
15
27
10 23
18
5 8 8 8 5 2 1 No CURULES
0

Fuente: Los Autores

2.12.2. Gráfico De Sectores ó Gráfico De Pastel

Consiste en un circulo dividido en sectores, cuyo tamaño es determinado por a

frecuencia relativa de cada una de las categorías en la que se divide la variable.
Retomando el ejemplo 2.4:

Para expresar el valor de la dureza en el material de forma porcentual, es

necesario multiplicar por 100% el valor de la frecuencia relativa.
Otra forma de hallar el porcentaje es a partir de la siguiente fórmula:

Para el primer dato,

93
Y así sucesivamente para cada uno de los valores de la variable.

Tabla 2.6 Dureza en el material, frecuencia relativa, y porcentaje

Dureza en el Frecuencia Porcentaje
material relativa
2.7 0.032 12,86%
2.8 0.065 13,33%
2.9 0.194 13,81%
3.0 0.226 14,29%
3.1 0.258 14,76%
3.2 0.097 15,24%
3.3 0.097 15,71%
Sumatoria 1 12,86%
Fuente: Los Autores

Grafico 2.3 Grafico Pastel de Dureza del material

Dureza del material

3.3 2.7
16% 13%
2.8
3.2 13%
15%

2.9
3.1 14%
15% 3.0
14%

Fuente: Los Autores

94
El Grafico anterior representa los sectores de la diferentes dureza del material
donde se tiene que los materiales con mayor dureza ser encuentran ubicados en
el rango de 3,3 DIN, y cada un cuenta con los diferentes grados de la dureza.

2.13 REPRESENTACIÓN GRAFICA DE LAS VARIABLES CUANTITATIVAS

En el caso de las variables cuantitativas ó datos agrupados en intervalos tenemos

varias representaciones gráficas como: Histogramas, Polígonos de Frecuencias,
Polígonos de Frecuencia acumulada, Curvas de Frecuencia, entre otros.
A continuación explicaremos cada una de las representaciones para este tipo de
variable:

Histograma: Es la representación de una variable en forma de un grafico de

barras, en donde las barras no guardan una separación entre si, este se obtiene
construyendo cada intervalo de clase de la variable estadística con un rectángulo
cuya área es proporcional a la Frecuencia de dicho intervalo. La suma de las
áreas de los rectángulos debe ser uno, además si los intervalos tienen igual
anchura la altura de los rectángulos es proporcional a las frecuencias de la clase

Ejemplo 2.5,

Tabla 2.7 Frecuencia de la dureza del material

•• •, •• •, •• •, •• •, •• •, •• •, •• •, •• •, •• •, •• •, •• -
•• 1 1 3 3 3 6 7 10 4 2 40

Fuente: Los Autores

95
Grafico 2.4. Histograma de Frecuencia de la Dureza del Material
12
11
10
9
8
Frecuencia

7
6
5
4
3
2
1
0
0 0,5 1 1,5 2 2,5 3 3,5 4 4,5 5
Dureza del material

Fuente: Los Autores

Polígonos de Frecuencia: Este se construye uniendo con una línea poligonal los
puntos, en otras palabras los puntos que forman las marcas de clase y sus
correspondientes frecuencias absolutas, el polígono de frecuencia es la
representación más real de los datos por cuanto que los valores individuales en
cada intervalo son gradualmente más frecuentes a medida que se acercan al
punto medio de la marca de clase.

Del ejemplo anterior podemos apreciar que el polígono de frecuencia sería:

Grafica 2.5 Polígono de Frecuencia de la Dureza del Material

12

10

8
Frecuencia

0
0 1 2 3 4 5
Dureza del material

Fuente: Los Autores

96
Polígono de Frecuencias Acumuladas: Se construye tomando las frecuencias
absolutas acumuladas hasta que cada uno de los limites de los intervalos y
uniendo estos puntos son rectas. Esta representación grafica es importante ya que
muchas veces el investigador enfoca su interés en el número de casos que caen
por debajo o por encima de un valor específico más bien que el número de casos
por cada intervalo.

Del ejemplo anterior podemos apreciar que el polígono de frecuencia sería:

Grafica 2.6 Histograma de Frecuencia Acumulada de la Dureza del Material

50

40
Frecuencia

30

20

10

0
0 1 2 3 4 5
Dureza del material

Fuente: Los Autores

Curvas de Frecuencia: Este sugiere el uso de una curva suave como la

representación idealizada de la distribución de la población.

97
Grafica 2.7 Curva de Frecuencia de la Dureza del Material
Gráfico de Densidad Suavizada

0,4

0,3
densidad

0,2

0,1

0
0 1 2 3 4 5
Frecuencia

Fuente: Los Autores

2.14 MEDIDAS DE TENDENCIA CENTRAL

Existen tres medidas principales de tendencia central, las cuales son: la media
aritmética ó media, mediana y moda

2.14.1 La media aritmética ó media:

La media aritmética, también llamada promedio o simplemente media es el valor

que se obtiene al sumar todos los datos, y dividir el resultado entre el numero de
valores de datos.
La media se denota por •• (se llama “x barra”), cuando se toman los valores de una
muestra aleatoria este recibe el nombre de media muestral.
••••• ••
•• =
•

Y se le llama • (mu minúscula), cuando se desea hallar la media de una población

es de la siguiente forma:

98
 ••
••• ••
•• =
•
Tabla 2.8 Notaciones de la Media

Fuente: Estadística y probabilidad de Ciro Martínez B.

Ejemplo 2.6:

En la escuela GRF está realizando una competencia de relevos entre los cursos
del plantel educativo, y se han conformado grupos de diferentes tamaños, se
toman 5 muestras las cuales tienen el siguiente número de estudiantes en la
competencia:

Tabla 2.9. Estudiantes de GRF

1 2 3 4 5

estudiantes 14 13 17 15 16

Fuente: Los Autores

Se desea calcular el número medio o media aritmética de la muestra de grupo de

estudiantes es de:
••••• ••
•• =
•

•• + •• + •• + •• + •• ••
= = = ••
• •
• = •• Numero medio de estudiantes por grupo de la muestra

99
[Link] Cálculo de la media para Datos Agrupados

En algunas ocasiones se cuentan con datos en forma agrupada ó en forma de

distribución de frecuencia, por eso se tiene otra forma para la estimación de la
media y la cual se calcula; primero hallando el punto medio de cada clase, para
lograr que los puntos medios se tengan en cifras cerradas se deben redondear las
cantidades que se obtengan, seguidamente se multiplica cada punto medio por la
frecuencia de observación de la clase, sumamos los resultados y dividimos entre
el numero de observaciones de la muestra
La formula es la siguiente:
•••••(•• × ••)
•=
•

Tabla 2.10 Notaciones Media Muestral con datos agrupados

Notaciones
•= media de la muestra
• =Sumatoria de un conjunto de valores
•• =frecuencia del numero de observaciones de cada clase
•• = Punto medio de cada clase de la muestra
• = Numero de observaciones de la muestra
Fuente: Estadística y probabilidad de Ciro Martínez B.

Ejemplo 2.7:

La siguiente tabla de frecuencia muestra la distancia promedio recorrida por 385

niños de un plantel educativo

100
Tabla 2.11 Distancia promedio Recorrida
Clase (distancia mts) Frecuencia (No. de Niños) (••)

1 – 49.999 99
50 – 99.999 43
100 – 149.999 85
150 – 199.999 65
200 – 249.999 78
250 – 299.999 15
TOTAL 385

Fuente: Los Autores

Para calcular la media o distancia promedio que pueden recorrer los niños en
metros se debe calcular la media para datos de frecuencia:

Tabla 2.11 Frecuencias de distancia promedio recorrida

Clase (•• ) Punto medio Frecuencia (No. •• × •
(distancia m) de la Clase (x) De Niños)
0 – 49.999 25.00 99 2475
50 – 99.999 75.00 43 3225
100 – 149.999 125.00 85 10625
150 – 199.999 175.00 65 11375
200 – 249.999 225.00 78 17550
250 – 299.999 275.00 15 4125
• 385 49375

Fuente: Los Autores

•••••••• × •••
•=
•
•••••
•= = •••. ••
•••

101
 • = ••• . •• • ••••• ó ••• ••••• •••••••• •• ••ñ•

[Link] Propiedades de la Media Aritmética

• Tiene un cálculo sencillo en el cual intervienen cada uno de los datos que
se encuentran en la muestra ó población
Se utiliza para comparar frecuencia entre poblaciones, pero se recomienda
utilizar este con una medida de dispersión
• Es la interpretación de “punto de equilibrio” ó en otros casos de “centro de
masa”, ya que puede equilibrar las desviaciones de sus datos con relación
a su propio valor.
•••••(•• • •) ••••• •• ••••• •
= • = •••= •
• • •

• El valor de una desviación cuadrática es mínimo cuando;

••
•••(••••)
•
• • = •, esto se conoce como Teorema de Kôning, y es muy
•

importante en la varianza
Su valor se ve influido por cambios de origen y escala quiere decir que:
• = ••
Si •• • = ••• + • entonces •• • es la media aritmética de
• + • , donde ••
los •• •, para • = 1, . . . , • y • y • números reales.
• Es poco sensible a tener fluctuaciones o variabilidad. Es un parámetro muy
útil en la estadística
• Cuando en un conjunto de datos existe mucha dispersión; sucede que
entre más heterogéneos sean los datos menor va ser representativos la
media de sus componentes
• La media se ve muy afectado por los valores extremos, y los valores que
están por encima o son superiores siempre van a tener mayor peso, por

102
 ejemplo si se está realizando un experimento en un laboratorio con cultivo
de bacterias y existen 6 muestras; en la muestra numero 1 se produjeron
50 bacterias, y en las muestras 2,3,4,5,6 se produjeron solamente 10 esto
quiere decir que el valor de la muestra numero 1 tiene tanto peso como el
de las otras 5 muestras, y su media será 16,666 valor que se encuentra por
encima de la mayoría de los datos de la población

2.14.2 La media ponderada:

La media pondera es un tipo de media, en la cual se calcula el promedio dándole

importancia (mayor – menor) ó peso de cada valor con relación al total
La formula de la media ponderada es la siguiente:
•

••• = • •• •• •• •
•••
•••

Tabla 2.12 Notaciones de la media ponderada

Notaciones
•••
•••= media ponderada
• =Sumatoria de un conjunto de valores
• =peso asignado a cada una de las observaciones
•(••) = la sumatoria de los productos de los pesos con cada
elemento correspondiente
• •= Suma de todos los pesos de las observaciones
Fuente: Estadística y probabilidad de Ciro Martínez B.

Ejemplo 2.8:

En una empresa de Obras Civiles FAPF se han realizado 7 tomas de datos

relacionadas con el ACPM suministrado en una motoniveladora, y su costo en las
últimas 2 semanas, para esto se suministró los datos en la siguiente tabla:

103
Tabla 2.13 Costo Vs Cantidad de Galones de Gasolina
Suministro Costo por Galón Cantidad de Galones
1 5850 35
2 6500 25
3 4200 75
4 5750 45
5 6200 15
6 5400 54
7 6550 8
Fuente: Los Autores

Se observa que el costo del galón de varia de $4200 a $6550 y la cantidad de 8Gl
a 75 Gl, si se desea hallar el costo promedio por galón de ACPM, se aplica media
ponderada:

Los valores del costo en los datos son

•

•••••
• = • •• •• •• •
•••

•• = 5850; •• = 6500; •• = 4200; •• = 5750; •• = 6200; •• = 5400;

•• = 6550

Para este ejemplo tomaremos los factores de ponderación o pesos iguales a los
galones correspondientes

•• = 35; •• = 25; •• = 75; •• = 45; •• = 15; •• = 54; •• = 8

Y tenemos que

•(•••• × ••) + (•••• × ••) + (•••• × ••) + (•••• × ••) + (•••• × •• ) + (•••• × ••) + (•••• × •)
••••
•• =
•••

104
 •••••••
•• =
•••• = $••••/•••••
•••

Se observa que el costo promedio por galón de ACPM es $5010/••• ó•

Los factores de ponderación en los cálculos son determinados, estos dependen de

lo que se esté manejando.

[Link] Media Ponderada en datos agrupados

Para el cálculo de la media ponderada solamente en datos agrupados se toma el

punto medio de cada clase como significativo y la frecuencia de la clase, los pesos
son definidos por •, y el denominador es igual a la suma de las frecuencias el
cual es el tamaño de muestra •, la formulación es la siguiente,
••••• •• ••
•• =
•

Tabla 2.14 Notación de Media Ponderada en datos agrupados

Notaciones

•• = punto medio de la marca de clase

•• =Frecuencia de la clase
• = • •• = tamaño de la muestra

Fuente: Estadística y probabilidad de Ciro Martínez B.

2.14.3 La media geométrica:

La media geométrica actúa cuando se desea conocer una tasa de cambio, tales
como: la serie de crecimiento promedio; en estos casos puntuales no se puede
utilizar media aritmética porque proporciona resultados equivocados, entonces se
utiliza este tipo de media.

105
Su formulación es la siguiente:
••••• •••• é••••• = ••••, ••, ••, . . . , ••

Tabla 2.15 Notación de la media geométrica

Notaciones

• = numero de valores de •
•. • = Media Geométrica
Fuente: Los Autores
Ejemplo 2.9

Se tiene en un banco un CDT, el cual presenta un crecimiento. Suponiendo que

inicialmente son consignados a este como apertura $150, y dejamos que tenga un
acumulación de interese (diferentes dependiendo el tiempo) en 3 años.
El crecimiento es igual a:
•••• •• •••••••
1+
150

Este es el factor porque se multiplican los ahorros al inicio del año para obtener el
saldo al finalizar este.

Si las tasas de intereses son las siguientes: para el primer año es de 1.09%, para
el segundo es de 1.13, y para el tercer año es de 1.16; si este valor es buscado
por media aritmética se tendría que (1.09 + 1.13 + 1.16)/3 = 1.13, que
corresponde a una tasa anual de de 19.5% anual, entonces el depósito solamente
crecería:

$150 × 1.195 × 1.195 × 1.195 = $181.64, lo cual sería un error porque el factor
de crecimiento es de $168.945, lo que quiere decir que no se puede desarrollar
por media aritmética sino media geométrica, donde seria
•
•. • = •1.09 × 1.13 × 1.16 = 1.12630

106
 •. • = 1.12630 • •••••• ••

Se puede observar que la verdadera tasa de crecimiento promedio es de 12.63%

anual, lo cual está un poco lejos de la tasa incorrecta de 19.5% anual

2.14.4 La mediana (•• ):

Ésta medida de tendencia central es calculada cuando se organizan los datos de

mayor a menor, o viceversa, y se busca el valor medio de estos.

Para calcular la mediana de los datos de una muestra o población dada, se tiene
que realizar lo siguiente:

• Se clasifican los datos, sea en orden ascendente o descendente.

• Se siguen cualquiera de los siguientes modos:
a. Si la cantidad de valores es impar, la mediana se localizara en la
mitad de todos los números
b. Si la cantidad de valores es de tipo par, la mediana se calcula
tomando los dos números que están en la mitad y sacándole la
media a estas.

Ejemplo 2.10:

En una escuela se desea calcular la mediana de las calorías que tienen los
almuerzos de los estudiantes; se toma una muestra de 7 datos con relación a los
gramos proporcionados:

107
 150 100 50 230 580 450 300; Se organizan los datos en forma ascendente.
50 100 150 ••• 300 450 580

Como • = 7 se toma el valor intermedio, así que la media en las calorías que
tienen los almuerzos es 230

Ahora supongamos que deseamos hallar de nuevo la mediana de cuanto es el

valor de los almuerzos y tenemos lo siguientes valores:

5000 1000 4500 2700 5800 13000; Se organizan los datos en forma
ascendente

1000 2700 •••• •••• 5800 13000

Dos valores intermedios

Como • = 6 es par, ya identificados los dos valores intermedios, la mediana seria

la media de los números:

4500 + 5000
•• = = $4750
2

La mediana tiene mejor indicación que la media, porque esta no se deja influenciar
por valores extremos.

[Link] Mediana en Datos Agrupados:

Cuando se tiene un grupo de datos agrupados de tipo par en una distribución de

frecuencia y se desea hallar la mediana se debe saber cuál es la sumatoria de las
(•••)
frecuencias, y seria hallar , después se determina el numero de elemento
•

dentro de la clase y la localización de la clase que contiene a la mediana,

108
seguidamente se determina el ancho de cada paso para pasar de una observación
a otra en la clase mediana, dividiendo el intervalo de la clase entre el número de
elementos contenido en la clase, después se determina el numero de pasos que
hay desde el límite inferior de la clase mediana hasta el elemento correspondiente
a la mediana, se calcula el valor estimado de la mediana multiplicando el numero
de pasos necesarios para llegar a la observación mediana por el ancho que se le
da a cada paso y al producto se le suma el límite inferior de la clase.

Cuando el numero de clase es impar simplemente se aplica la siguiente formula

(• + 1)
• (• + 1)
•• = • 2 • • + •• •
•••

Tabla 2.16 Notación de la mediana para datos agrupados

Notaciones
•• =mediana de la muestra
•= numero total de elementos de la distribución
•= suma de todas las frecuencias de la clase hasta, pero sin incluir la clase de
la mediana
••• =suma de todas las frecuencias de la clase mediana
•= ancho de intervalo de clase
••• =limite inferior del intervalo de clase de la media

Fuente: Estadística y probabilidad de Ciro Martínez B.

La mediana es más fácil de entender y se calcula con cualquier tipo de datos,

incluyendo los datos agrupados con clase de extremos abiertos en distribución de
frecuencias, a menos que la mediana se encuentre en esos datos, pero igual
posee desventajas como el tipo de procedimiento que utiliza la mediana, además
los datos deben ser ordenados antes de llevar a cabo cualquier calculo

109
2.14.5 La moda

Este es el valor que se encuentra con mayor frecuencia en los datos, ésta es
comúnmente utilizada en distribuciones de tipo asimétrico, para eliminar los
efectos de los valores extremos.
También se puede dar el caso que se presente dos modas en un conjunto, y este
tipo de moda se conoce como Bimodal.

Algunos autores catalogan la mitad del rango como una medida de tendencia
central, y es la que constituye el valor que se encuentra en la mitad de una serie
de valores y esta se halla realizando una suma del valor máximo y del mínimo y
dividiéndolo entre 2.

Tabla 2.17 Datos sobre la Moda

•Cuando una coleccion de datos es aproximadamente

simetrica, con una moda, la media, mediana y la
PARA TENER EN mitad del rango tienden a ser iguales
CUENTA
•Cuando los datos es de tipo asimetrico, es bueno
probar la media y la mediana

Fuente: Los Autores

[Link] Calculo de la moda en datos agrupados:

Cuando los datos se encuentran en una distribución de frecuencia, es de suponer

que la moda se localiza en la clase que contiene la mayor frecuencia. Por
consiguiente se utiliza la siguiente formula

110
Tabla 2.18 Notación de la moda en datos agrupados
Notaciones
d1=frecuencia de la clase modal menos la frecuencia de la clase que se
encuentra inmediatamente menor a ella
d2=frecuencia de la clase modal menos la frecuencia de la clase que se
encuentra inmediatamente mayor a ella
A= ancho de intervalo de clase
LMO=Limite inferior de la clase modal

Fuente: Estadística y probabilidad de Ciro Martínez B.

La moda se puede utilizar para todo tipo de datos, no afectan los valores
extremos, aunque cuando el valor extremo es muy alto o bajo se escoge el valor
más frecuente del conjunto de datos como el valor modal, la moda no se utiliza
muy a menudo, otra desventaja es cuando existen tres modas en un conjunto es
muy difícil la interpretación de los datos

2.15 MEDIDAS DE VARIABILIDAD

Entre las medidas de variación se encuentran las siguientes:

2.15.1 El Rango (r):

En un conjunto de datos es la diferencia entre el valor máximo y el valor mínimo,

su fórmula es la siguiente:
••••• •• •• ••••• •• ••
••••• = •
••• •••••• ••• •••••ñ•

111
Es fácil encontrar el rango, pero su utilidad es muy limitada, ya que este solo tiene
en cuenta el valor más alto y el valor más pequeño.

2.15.2 Rango Cuartílico (Q)

En el momento de ordenar los datos de una población en función al valor de la

variable, se dividen en grupos de intervalos iguales, de tal forma que cada uno de
ellos tenga el mismo número de observaciones, los cuartiles son valores de la
variable de los elementos que ocupen las posiciones divisorias.

Este tipo de rango se clasifica por el numero de partes en que se desee dividir la
distribución, los cuales son: Cuartiles son equivalente a cuatro partes iguales;
Quintiles que son equivalentes en cinco partes iguales; percentiles o centiles en
cien partes iguales

Para obtener los valores de los Cuartiles se debe utilizar:

••
• • • ••••
•• = •••• + 4 ••
••
Qk= Es el valor de la variable cuartil K (K=1,2,3, o 4)

Los quintiles (Ck) se pueden utilizar la siguiente expresión general:

••
• • • ••••
•• • •••• = • ••
••
C k= Es el valor de la variable para el cuartil de orden K de C

Para hallar el valor del percentil

••
• • • ••••
•• = •••• + 100 ••
••

112
 Pk= Es el valor de la variable para el percentil K pedido

Ejemplo 2.11:

Hallar los Cuártiles de la siguiente distribución:

Tabla 2.19 Datos de Distribución

xi 18 19 20 21 22
ni 10 30 35 15 10
Ni 10 25 50 75 100
Fuente: Los Autores

Se divide la distribución en cuatro partes iguales: Q1, Q2, Q3 y Q4, donde hay
realmente tres Cuartiles significativos. Pensemos que Q1, será el primer cuarto de
observación y así sucesivamente,

Los Cuártiles serán los valores de la variable a la cual corresponde la frecuencia

absoluta acumulada •/4, 2•/4 • 3•/4 y la distribución es • = 200, tendremos
que •/4 = 50; 2•/4 = 100; 3•/4 = 150

Los valores de la variable que corresponde a cada uno de los cuartiles es:

20 + 21
•1 = 19; •2 = 20; •3 = = 20,5
2

2.15.3 Rango Interfractil

Es una medida de dispersión entre dos fractiles de una distribución de frecuencia,

diferencia entre los valores de los dos fractiles en una distribución de frecuencia,

113
que proporciona datos que caen en un fractil o debajo de este; un ejemplo clave
es la mediana el cual tiene un fractil de 0.5 por que la mitad del conjunto de datos
en ella es menor o igual a este valor.

Los fractiles tienen nombres especiales, dependiendo del número de partes en las
que se dividen los datos, los fractiles que se dividen en 10 se llaman deciles,
percentiles los que se dividen en 100

2.15.4 Rango Intercuartil

El cuartil son los valores más altos de cada una de estas cuatro partes, y el rango
Intercuartil es la diferencia entre los valores del primero y tercer cuartil
••••• = •• • ••

El rango además mide aproximadamente que tan lejos esta de la mediana, y se

debe ir en cualquiera de las dos direcciones antes de recorrer una mitad en los
valores de los rangos del conjunto de datos. Para cálculo de este rango se divide
en cuatro partes, en otras palabras, el 25% de los datos de la distribución

2.15.5 La Desviación Estándar

Es la medida de variación de los valores con respecto a la media. El valor de la

desviación estándar es un valor positivo, y la única posibilidad de que sea igual a
cero es que los valores de los datos sean iguales, porque no presentar una
variación. Para calcular la desviación estándar se utiliza la siguiente ecuación:

114
 •(• • •• )•
•=•
••1

La fórmula de cálculo de la desviación se obtiene de la siguiente manera:

•••••(•• • •)• •••••(••• + •• • 2••• ) ••••• ••• + ••• • • 2• • •••• ••
•• = = =
••1 ••1 ••1

•
Y puesto que • = ( ) ••••• •• , la cual se reduce a:
•

•(• • •• )•
•=•
••1

Para hallar la desviación estándar de la muestra se utiliza la siguiente expresión:

• •(• •)•(• •)•

•=•
•(• • 1)

Las unidades de la desviación estándar son las mismas unidades en las que se
encuentran los datos observados.

También existe una desviación estándar para la población, su fórmula es la

siguiente:

•(• • •)•
•=•
•

2.15.6 Varianza de una Muestra y una población.

La varianza es una medida de variabilidad, la cual es igual al cuadrado de la

desviación estándar, esta presenta una gran desventaja: las unidades de la
varianza son diferentes a las unidades del conjunto original de datos, esto se debe

115
a que las unidades de la desviación estándar también son elevadas al cuadrado
en el momento de buscar la varianza.

Existen dos ámbitos en los cuales se puede buscar la varianza, los cuales son:

Varianza muestral: es el cuadrado de la desviación estándar de la muestra s2.

Varianza poblacional: es el cuadrado de la desviación estándar poblacional •2

En todos los casos la varianza muestral utiliza el divisor • • 1, es decir el tamaño

de la muestra menos1; por otra parte la varianza poblacional implementa como
divisor el tamañ006F de la población •, si se conociera el valor exacto de la media
poblacional •, de esta manera se encuentra la varianza muestral elevando al
cuadrado la desviación promedio de las observaciones muéstrales alrededor de •.

[Link] Propiedades de la Varianza

Es de gran importancia conocer las propiedades de la varianza, ya que en algunos

casos simplifica las operaciones, además de servir como base de algún proceso
matemático. Las propiedades son las siguientes:

Ø La varianza siempre debe ser positiva. •0.

Ø La varianza de una variable mas una constante es igual a la varianza de la
variable.
•[•••] = •[•] + •[•] = •••
Ø La varianza de una constante por una variable es igual al producto de la
constante elevada al cuadrado por la varianza de la variable.
•[•••] = • • •••

116
 Es una propiedad que facilita la conversión de la varianza, sin la necesidad
de volver a retomar todos los datos iníciales;
Ejemplo: En un estudio la media es 10 horas y su desviación es de 4,2
horas, se desean convertir esos resultados en minutos, para mayor rapidez
en esto se utiliza esta propiedad de la varianza
•(km) = ••• = 60(10) = 600 minutos, ahora se calcula la varianza
•[x. k]= K2S2= 602(4,2) = 15.120

Ø La varianza de dos o más sub-muestras se obtiene mediante la siguiente

aplicación:
••••• + ••• •• •(•
•••• • •• )••• + •(•
•••• • •• )• ••
•• = + , • = •• + •• • 2
• •
••••••
• • ••
•••••••
Hay que tener en cuenta que: •• =
•
Supongamos que los datos para la variable discreta que se utilizan
corresponde a la primera sub-muestra con la media •••
•• = 2,82 y de varianza
••• = 2,19 , mientras que la segunda sub-muestra es •••
•• = 51,8 y••• = 59,81,
con esta información se calcula la media y la varianza, para un conjunto de
101 observaciones cada una. Siendo:
2,82(100) + 51,8(100)
•• = = 27,31 •
200
• = 101 + 101 • 2 = 200
2,19(100) + 59,81(100) (2,82 • 27,31)•(100) + (51,8 + 27,31)•(100)
•• = +
200 200
• • = 31 + 599,7601 = 630,7631

117
2.16 CONSTRUCCIÓN DE DIAGRAMAS DE BARRAS, POLÍGONOS DE
FRECUENCIA Y DIAGRAMA CIRCULAR A TRAVÉS DE EXCEL

1. Inicialmente, se debe ingresar los datos a la hoja de cálculo, para realizar el

ejercicio se utilizarán los datos del ejemplo 2.4

2. En la barra de herramientas, se escoge la opción insertar se escoge el tipo

de gráfico a realizar. Previamente, se debe seleccionar los datos.
Para realizar el diagrama de barra, se escoge la opción columna y la forma
del grafico de barras que se desee. El ejercicio se realizará un gráfico en 2
D. Es decir, en dos dimensiones.

118
3. Dar clic en el icono que representa la forma del grafico de barras a realizar,
automáticamente se visualiza la grafica en la hoja de cálculo.

4. Si se desea realizar cambios al grafico de barras, se da clic sobre la imagen

para acceder a la opción herramientas de gráficos, el cual ofrece la
siguientes funciones:
o Cambiar el diseño y estilo (colores y forma) del gráfico
o Modificar la presentación del gráfico, la cual incluye:
• Adicionar títulos de ejes y del gráfico
• Visualizar la tabla de datos, leyenda y etiqueta de datos

119
 • Cambiar el formato y diseño de cada eje, por medio de la opción eje
• Visualizar área de trazado del gráfico
• Realizar un análisis del grafico
• Verificar las propiedades del gráfico

o Cambiar el formato al gráfico:

§ Colocar contorno al área del gráfico
§ Modificar los colores de relleno del gráfico

Otros cambios se pueden realizar al dar clic sobre las barras del gráfico para
seleccionarlas. Luego, se debe dar clic derecho y se despliega el cuadro con las
siguientes opciones:

De las opciones se debe escoger Dar formato a serie de datos…

120
En opciones de serie, se disminuye el ancho del intervalo de las barras y el resto
de opciones sirven para modificar el formato de las barras.

Para realizar el Gráfico de polígono de frecuencia se escoge la opción línea y se

realiza una línea en 2D.

121
Para realizar el Gráfico de pastel se debe realizar los siguientes pasos:
1. Insertar los datos en la hoja de cálculo.

122
2. Se busca en la barra de Insertar el tipo de Grafica que se desea, para
realizar el diagrama circular se escoge la opción circular y la forma del
gráfico que se desee.

3. Después se inserta la grafica deseada

123
APLICACIÓN EXCEL

124
2.17 ANÁLISIS ESTADÍSTICO DE DATOS NO AGRUPADOS A TRAVÉS DE
EXCEL

Para realizar el análisis de datos no agrupados a través e Excel se considerará el

siguiente ejemplo:

En un estudio realizando con el fin de conocer el peso corporal de un grupo de

jóvenes estudiantes de secundaria comprendidas entre las edades de 14 y 17
años, se obtuvieron los siguientes datos:

Tabla 2.20. Datos de Peso en Kilogramos

DATOS (peso en kg)
57 48 51 43 50 51 45 49 46 52
49 57 47 55 52 46 47 50 52 46
45 46 57 53 45 45 48 51 46 49
47 53 52 48 46 45 47 45 50 46
Fuente: Los Autores

PASOS:

1. Ingresar los datos en una columna.

2. Para hallar la media de los datos, se debe ubicar sobre una celda vacía donde
se desee mostrar el resultado y se da clic en el icono f(x) o función.
Se selecciona la categoría estadística o se puede realizar la búsqueda de la
función a través de Buscar una función.

Para hallar la media de los datos, Excel dispone de una función estadística
llamada promedio.

125
 Cuando se selecciona la función promedio y se da clic en aceptar, aparece un
cuadro llamado Argumentos de función, en el cual se deben ingresar el rango
de valores de la variable peso.

De esta misma manera se obtiene las diferentes medidas de tendencia central y

dispersión de los datos.

126
También se puede realizar el análisis estadístico a través de la función
complementaria de Excel: análisis de datos.

En la barra de herramientas datos, se verifica que se tenga instalado la función

análisis de datos.

En el caso que no se encuentre instalada, se procede a instalarla, para esto:

1. Ingresar a opciones de Excel.

2. En complementos, se escoge la función “herramientas para análisis”, y

posteriormente se realiza la instalación del mismo.

127
3. Una vez instalada, se da clic sobre el icono análisis de datos y en el cuadro
análisis de datos, se escoge la función para análisis.

4. Para realizar un análisis descriptivo de los datos, se escoge la función

estadística descriptiva y se da clic en aceptar.

128
5. Seguidamente se introduce el rango de entrada que corresponde a los
datos, y se determina como se encuentra agrupado, teniendo en cuenta el
ejemplo que se realiza, los datos fueron ingresados en una columna.
Además se debe escoger la opción de salida de los datos que puede ser en
la misma hoja de cálculo (Rango de salida), en una hoja nueva o en un libro
nuevo.

6. Finalmente, se muestra el resumen estadístico de la siguiente manera:

129
Para realizar el histograma de frecuencia, se escoge la opción histograma del
cuadro análisis de datos y se da clic en aceptar.

Posteriormente, se escoge todos los datos o valores de la variable y se escoge la

opción “crear grafico” en una hoja nueva.

Además ofrece la opción para realizar el histograma con la frecuencia relativa a

través de “Porcentaje acumulado”.

Se obtienen los siguientes histogramas:

130
131
APLICACIÓN STATGRAPHICS
CENTURION

132
2.18ESTADÍSTICA DESCRIPTIVA EN STATGRAPHICS CENTURIÓN. (Versión
XVI)

Para ilustrar la forma como se utiliza el software Statgraphics centurión para

realizar un análisis estadístico descriptivo, se realizará el siguiente ejemplo:

Durante un turno en una empresa de acero se registraron los siguientes datos de

la tenacidad en un material
32,31,28,29,33,32,31,30,31,31,27,28,29,30,32,31,31,30,30,29,29,30,30,31,
30, 31, 34, 33,33, 29,29.

Las unidades de tenacidad son pulg-libra/pulg3

1. Se introducen los datos a Statgraphics centurión en una columna.

2. Luego se modifica el formato de la columna, para esto se da clic sobre la

cabecera de la columna para seleccionarla y luego de da clic derecho y se
despliega un cuadro de opciones en la cual se debe escoger modificar columna.

133
 La opción de modificar columna se puede realizar antes de introducir o después
de introducir los datos.

3. Después, se despliega el cuadro Modificar columna tal como se muestra en la

Figura 3 y se procede a introducir los datos.

Es importante tener en cuenta que para el tipo de variable numérica, la

denotación decimal de los datos es a través de la coma (,), por ejemplo: 2,0-
1,2.
Para las variables que representan carácter, los decimales pueden separarse
por medio de un punto (.) o una coma (,), por ejemplo: 5,3- 3.2.

4. Una vez ingresados los datos, se procede a realizar el análisis estadístico de la

variable tenacidad del material.

Para realizar una descripciòn estadística detallada del comportamiento de la

variable, en la opción Describir, se da clic en la opción Datos Numéricos,
finalmente clic en Análisis de una variable.

134
 5. Automáticamente se despliega el cuadro Análisis de una Variable, en el cual
se referenciarán los datos a analizar, se da clic sobre el nombre de la variable
TENACIDAD DEL MATERIAL, posteriormente se da clic en el icono del
campo datos y se clic en Aceptar.

6. En el cuadro Tablas y Gráficos, se escogen las tablas y gráficos que se deseen

visualizar y se da clic en aceptar.

135
7. Cada recuadro del cuadro Análisis de Una Variable- TENACIDAD DEL
MATERIAL muestra la descripción estadística de la variable.
Si se desea observar de manera detallada, se da doble clic sobre el recuadro y
se despliega el recuadro, de igual manera se da doble clic y se minimiza el
recuadro.

136
8. Para agregar o desagregar gráficos y tablas se da clic en el ícono

En el recuadro de Resumen Estadístico, se muestra una tabla donde se detalla las

medidas de tendencia central y medidas de dispersión de la variable, seguido hay
un texto donde se describe de manera general el comportamiento de estas
medidas en la variable Tenacidad del material.

Para las opciones de gráficas, tomando el Gráfico de cajas y Bigotes, ubicándose

sobre la grafica, se da un clic derecho y aparecen diferentes opciones.

137
• En opciones de ventana: Se puede cambiar la dirección del gráfico y se
modifican las características

.
• En Opciones Gráficas: Sirve para modificar el aspecto de la gráfica,
relacionados con el diseño, rellenos, título, etc.

138
• Seleccionar: Como su nombre lo indica, sirve para seleccionar la graficas o
parte de ella.
• Localizar: Se activa una línea que tiene la función de localizar un punto en
la gráfica.

139
 De manera general se pueden utilizar las funciones anteriormente descritas
para dar formato a la gráfica.

Otra manera de realizar los gráficos es a través del menú Graficar, la cual
ofrece diversos tipos de gráficas, para realizar el histograma de frecuencia se
utiliza la opción de Gráficos Exploratorios.

Automáticamente se despliega el cuadro Histograma, en el cual se referenciarán

los datos a graficar, se da clic sobre en el nombre de la variable TENACIDAD DEL
MATERIAL, posteriormente se da clic en el icono del campo datos y se clic en
Aceptar.

140
En el cuadro de tablas y gráficos se escoge las tablas y gráficos que se desee
visualizar.

Finalmente se obtiene el histograma de frecuencia.

Para modificar las opciones de gráfico, se da clic en el ícono

141
En opciones Gráfico de Frecuencias, se puede modificar el Número de Clases y
escoger el gráfico de frecuencia (Relativa, Acumulada) y el tipo de Gráfico
(Histograma o polígono).

Con un número de clases igual a 8, se obtiene le siguiente histograma:

142
El polígono de frecuencia es el siguiente:

143
El grafico de frecuencia relativa:

El gráfico de frecuencia acumulada:

De manera general, en Statgraphics centurión se pueden realizar diferentes tipos

de gráficos.

144
EJERCICIOS PROPUESTOS
CAPÍTULO N° 2.

145
Pregustas propuestas.

Preguntas Tipo I
Pregunta de Selección Múltiple con única respuesta

1. Una población infinita es cuando:

a. El número de elementos está completamente delimitado
b. El número de elementos está escondido
c. El número de elementos es mayor que 1.000
d. Ninguna de las anteriores
e. El número de elementos no está limitado

2. Para determinar que una buena muestra seleccionada del sector industrial
es la correcta esta debería ser:
a. Pequeña
b. Grande
c. Mediana
c. Representativa de la población objetivo
d. e. Incluir sólo establecimientos pequeños

3. Se selecciona una muestra es aleatoria cuando:

a. En forma repetitiva
b. Por conveniencia
c. Al azar
d. De manera que todas tengan la misma posibilidad
e. A través de un censo

146
4. Una medida aplicada a la característica de la unidad de una población se
llama:
a. Parámetro
b. Estimador
c. Variable
d. Dato
e. Población

5. Un ejemplo de característica cualitativa puede ser:

a. Gasto mensual en alimentación
b. Pulsaciones por minuto
c. Salarios
d. Ocupación
e. Todas las anteriores

Ejercicios Propuestos

1. Con los siguientes datos identificar y clasificar según el tipo de dato al cual
pertenezca, ya sea cuantitativos (numéricos) y cualitativos (categóricos), o
discretos o continuos:

a. Peso de kilogramos de 19 agricultores.

b. Promedio de notas en los seguimientos trimestrales de una planta.
c. Escolaridad de 189 empleados
d. Numero de acero utilizado en estructuras metálicas.
e. Trayecto recorrido en kilómetros por un automóvil durante 1 año
f. Dinero ahorrado por 5 personas por un periodo de tiempo.
g. Estatura de un grupo de personas.
h. Promedio de dureza en un material

147
 2. Explique y de ejemplo qué entiende usted por:

a. Marca de clase.
b. Variable continúa.
c. Intervalo de clase.
d. Histograma de frecuencias.
e. Polígono de frecuencias.
f. Amplitud del intervalo.

3. Responder verdadero o falso a las siguientes afirmaciones, en caso de que

sea falso, cambiar la palabra subrayada por otra, en la cual el enunciado
tenga validez.

a. En un grupo de valores se le puede calcular más de un promedio.

b. En una serie de datos, cuando el valor es par, la mediana es igual al
valor central.
c. La moda divide a los datos de una distribución en dos mitades: la mitad
mayores y la mitad menores que su propio valor.
d. La media es el valor de la variable que más aparece en los datos de una
distribución.

4. Responder verdadero o falso a las siguientes afirmaciones, justificar la

respuesta.

a. Si la desviación estándar de un conjunto de datos es 0, entonces, los

datos son iguales.
c. Existen datos con desviación estándar negativa.
d. En una distribución simétrica, la media, la mediana y la moda son
iguales.
e. La desviación estándar esta dada por las mismas unidades que la media.

148
 f. Toda información numérica proporciona datos cuantitativos.
g. Toda información no numérica ofrece datos cuantitativos.
h. Cuando todos los datos son categóricos, la moda es la única medida de
tendencia central que se puede utilizar.
i. Si el primer cuartil en el primer examen de estadística fue de 3,0,
entonces, este valor indica que el 25% de los estudiantes ganaron el
examen.

6. Los siguientes datos representan los ahorros mensuales en miles de pesos,

de 25 trabajadores en una fábrica de guante.

21,48 21,15 25,12 23,47 27,81 19,8 36,05 28,5 26,66

20,35 30,22 25,49 20,8 23,83 25,35 23,48 25,81 21,07
26,83 30,96 33,38 20,77 19,98 35,87 22,02

a. ¿Qué porcentaje del grupo pagó menos de 21.000 pesos?

b. ¿Qué porcentaje pagó más de 22.000 pesos pero menos de 27.000
pesos?

7. En una empresa de hilos recubiertos se desea saber cuál es el grado de

escolaridad de las personas que trabajan en la misma, sabiendo que la
empresa cuenta con una población de 800 personas, se extrajo una muestra
de 80 personas de diferentes áreas de la compañía.

8. La escolaridad de la muestra tomada es la siguiente:

Primaria: 22
Secundaria: 30
Técnicos: 15
Tecnólogos: 8
Universitarios: 5

149
 a) Hallar cual es la frecuencia absoluta
b) Hallar cual es la frecuencia acumulada
c) Hallar cual es la frecuencia relativa
d) Crear un diagrama de frecuencias e interpretar

9. En una población de estudiantes universitarios de ingeniería, se seleccionan al

azar una muestra de 15 alumnos por el total de estudiantes existentes (534
estudiantes), y se quieren determinar sus promedios por el numero de materia
que posen (5 materias)

5 4 1 4 5 1 4 3 3 2
4 1 4 5 5 4 4 3 2 4
3 4 3 3 4 5 4 1 2 4
2 3 2 4 5 1 4 4 2 4
2 1 4 3 5 3 2 5 5 3
3 4 1 5 1 5 4 4 4 2
2 5 4 4 3 4 1 4 4 5
2 5 4 2 4

En la universidad se poseen unos criterios de evaluación

a. Crear un histograma de frecuencias en el que se identifiquen cada
una de las clases.
b. Hallar cual es la frecuencia acumulada.
c. Hallar cual es la frecuencia relativa

10. La siguiente información muestra el pero en kilogramos de 50 piezas tomadas

de una máquina de hacer poleas y estos son

150
83 51 66 61 82 65 54 56 92 60
65 87 68 64 51 70 75 66 74 68
44 55 78 69 98 67 82 77 79 62
38 88 76 99 84 47 60 42 66 74
91 71 83 80 68 65 51 56 73 55

Use datos para construir las distribuciones de frecuencia relativa con 7 y 13

intervalos iguales. Se debe de tener más de 50% del peso mayor al 50Kg, de lo
contrario las piezas se tomaran como no conformes.

a. ¿Cumplen las presas con lo pedido?

b. ¿La distribución de frecuencias relativas de 13 intervalos ayuda a
responder el inciso a) mejor que la distribución de 7 intervalos?
c. Se desea saber que porcentaje de los pesos se encuentran entre 45 y
50 Kg de edad. ¿A partir de cuál distribución de frecuencias relativas, de
7 o de 13 intervalos, puede estimar la mejor respuesta?
d. Calcule la media, la mediana y la moda para 7 y 13 intervalos y
determinar el porcentaje de error con los datos hallados en el
STAGRAPHICS.
e. Calcule la varianza, desviación estándar, coeficiente de variación para 7
y 13 intervalos y determine el porcentaje de error con los datos hallados.
f. Para los 7 y 13 intervalos hacer los diagramas de frecuencia, la ojiva y la
grafica de torta para intervalos.

[Link] una clínica se han llevado 50 muestras de sangre para una

investigación, en las muestras observadas se mira que uno de los
componentes de la sangre se tiene en las siguientes cantidades:

151
 25.3 20.7 22.5 21.2 23.8 23.3 20.9 22.9 23.5 19.5
20.8 22.8 21.9 22.0 20.7 20.9 25.0 22.2 22.8 20.1
23.7 20.3 23.6 19.0 25.1 25.0 19.5 24.1 24.2 21.8
19.7 24.2 23.8 20.7 23.8 24.3 21.1 20.9 21.6 22.7
21.3 21.5 23.1 19.9 24.2 24.1 19.8 23.9 22.8 23.9
a. Ordenar los datos en un arreglo ascendente.
b. Construya una distribución de frecuencias absolutas y una distribución de
frecuencias acumuladas “menor que” a partir de los datos. Utilice intervalos
de 0,8 minutos.
c. Construya un polígono de frecuencia con base en los datos.
d. A parir de los datos, construya una Ojiva “menor que”.
e. Tomando en cuenta su Ojiva, estime qué porcentaje de sustancia existe
en la sangre que sea inferior a 24 ml.

11. Los trabajadores de una empresa solicitan en una convención colectiva que
cada salario semanal de sus afiliados sea aumentado según la ecuación:
y i = 2,27 x i + 67 .750

La empresa tiene 9.560 trabajadores y antes de solicitar el reajuste salarial

devengaban un promedio de $496.000 mensual.

a. ¿Cuál será el nuevo promedio de ingreso trimestral de los trabajadores si

la empresa acepta?
b. El coeficiente de variación antes de solicitar el reajuste salarial es del
25%. ¿Cuál será el nuevo coeficiente de variación?

[Link] un grupo de 120 personas, se sabe que 70 de ellas tienen un salario medio
diario de $17.000 los restantes de $36.000.
a. Se pide calcular la ganancia media de 120 personas.
b. Si se sabe que el coeficiente de variación es del 35%, ¿Cuál es la
varianza de los salarios diarios de las 120 personas?

152
[Link] una empresa de plásticos, los jornales semanales tienen una media de
$246.000. Como una solución al conflicto laboral surgido se proponen dos
soluciones al conflicto:

a. un aumento del 3,5% en el salario semanal

b. un aumento del 6%, más una bonificación semanal de $10.000 por cada
obrero
c. ¿cuál de las dos alternativas mejora la situación del obrero?

14. En una fábrica de hilos recubiertos se proyecta lanzar al mercado un nuevo

tipo de hilo que cumple la función del chaleco antibalas. Se realiza un test de
aceptación en una muestra de 40 políticos utilizando una escala de 10 puntos.
Los valores obtenidos fueron los siguientes:
2 • 6 • 8 • 7 • 4 • 5 • 10 • 6 • 6 • 7 • 6 • 7 • 3 • 8 • 7 • 6 • 8 • 6 • 5 • 4
•7 • 8 • 5 • 7 • 6 • 7 • 2 • 7 • 2 • 7 • 4 • 6 • 7 • 1 • 8 • 7 • 9 • 1 • 6 • 9

Hacer una tabla de frecuencia en donde se encuentre:

a. Marca de clase
b. Intervalos
c. Frecuencia (Relativa, Absoluta, Acumulada)
d. Rango

153
ESTUDIO DE CASOS

CASO 1

El observatorio del Caribe colombiano, la Universidad del Atlántico y la Cámara de

Comercio de Cartagena, con el apoyo del Grupo Bancolombia, presentan un
nuevo número de la serie de estudios sobre la competitividad de Cartagena, en
este caso analiza la situación competitiva de 22 departamentos de Colombia y la
ciudad de Bogotá D.C., centrando específicamente el análisis en los
departamentos de Atlántico y Bolívar.

La siguiente tabla muestra las fortalezas y debilidades en competitividad. Se

entienden como fortalezas los indicadores en los cuales las ciudades se hayan
ubicado en los 10 primeros lugares, y debilidades aquellos en los que ocuparon
las 10 últimas posiciones.

Tabla 2.20. FORTALEZAS Y DEBILIDADES EN COMPETITIVIDAD, 2008

DEPARTAMENTO FORTALEZAS DEBILIDADES BALANCE
Bogotá 45 6 39
Santander 44 6 38
Atlántico 38 4 34
Antioquia 38 7 31
Valle del Cauca 39 9 30
Caldas 30 12 18
Cundinamarca 31 14 17
Risaralda 30 15 15
Bolívar 23 18 5
Boyacá 22 20 2
Norte de 20 21 -1
Santander
Meta 22 26 -4
Quindío 25 19 -6
Cesar 18 30 -12
Tolima 10 22 -12
Cauca 15 30 -15

154
Huila 8 25 -17
Nariño 13 14 -21
Sucre 12 37 -25
Córdoba 9 38 -29
La Guajira 10 39 -29
Magdalena 6 35 -29
Caquetá 2 43 -41
Fuente: Estudios sobre la competitividad de Cartagena, 2008

De esta forma, se resaltan las ventajas y desventajas de los departamentos, con el

fin de hacer un balance que nos muestre la situación competitiva, conociendo de
manera precisa aquellos indicadores pasivos y activos que influyen en la
competitividad de los departamentos.

a) Realice un análisis estadístico de los datos, donde muestre el grafico

adecuado para la representación de los datos, explicando el porqué de la
escogencia de este grafico y cuál era la falencia de los otros gráficos.

b) El DANE quiere saber si los datos obtenidos presentan algún tipo de

tendencia o se ajustan algún tipo de distribución.

155
CASO 2.

MOVILIDAD EN TRANSPORTE PÚBLICO COLECTIVO EN CARTAGENA6

El proyecto Cartagena Cómo Vamos (CCV) llevó a cabo un monitoreo mediante

trabajo de campo, de los tiempos y velocidades promedio de desplazamiento del
transporte público en la ciudad de Cartagena.

La herramienta aplicada fue diseñada en septiembre de 2005 para CCV por un

equipo de ingenieros civiles y de transporte, economistas y estadísticos de las
Universidades de los Andes, Nacional, Cartagena y Tecnológica de Bolívar, y
desde entonces es aplicada semestralmente con el apoyo de profesores y
estudiantes de la Universidad Tecnológica de Bolívar, y en esta oportunidad con el
apoyo de la Facultad de Ingeniería Civil de la Universidad de Cartagena.

Hay que tener en cuenta que en el trabajo de campo se miden los tiempos y
velocidades de desplazamiento en las cinco rutas de transporte público colectivo
que movilizan el 37% de los pasajeros según un estudio de la Universidad
Nacional de 2002: bus de Ternera-Centro-Laguito (TCL), bus de Socorro-Bosque-
Manga (SBM), buseta de Bosque (B), buseta de Socorro-Jardines (SJ), y buseta
de Ternera-Avenida (TA). Estas rutas cubren la Avenida Pedro de Heredia y la
Avenida del Bosque que son las dos arterias viales de la ciudad. Las muestras son
tomadas semestralmente en ambos sentidos de las rutas (del centro a la periferia
y de la periferia al centro) durante la mañana, mediodía y tarde y en semanas sin
festivos. Debido a la ejecución de las obras de TRANSCARIBE, algunas partes del
recorrido de las rutas evaluadas han sufrido variaciones. En la prueba efectuada
en el primer semestre del año 2006 se registraron cambios con respecto a la ruta
original, y en el segundo semestre de 2008 se volvieron a registrar otros. Estos

6
Tomado y adaptado de Cartagena como Vamos.

156
cambios incidieron en la distancia de algunos recorridos. En el primer semestre de
2009 no hubo cambios.

En la última medición realizada entre mayo y junio de 2009, no se registraron

cambios frente a los resultados de los cuatro años anteriores
Los siguientes datos son los relacionados con el tiempo promedio de
desplazamiento entre las diferentes horas picos y las horas no pico:

Tabla 2.21. Tiempo promedio de desplazamiento

Tiempo promedio de Cualquier Franja
desplazamiento Horaria (min)
primer periodo de 2006 53
Segundo periodo de 2006 64
primer periodo de 2007 65
Segundo periodo de 2007 62
primer periodo de 2008 61
Segundo periodo de 2008 62
primer periodo de 2009 58
Fuente: Proyecto Cartagena Como Vamos

Tabla 2.22. Velocidad promedio de desplazamiento

Velocidad promedio de Cualquier Franja

desplazamiento Horaria (Km/hr)
Segundo periodo de 2005 15.4
primer periodo de 2006 15.6
Segundo periodo de 2006 15.2
primer periodo de 2007 15.7
Segundo periodo de 2007 15.2
primer periodo de 2008 15.6
Segundo periodo de 2008 16
primer periodo de 2009 16.6
Fuente: Proyecto Cartagena Como Vamos

157
Para el año 2009, se obtuvieron estos tiempos y velocidades relacionados con la
movilidad en cada una de las rutas:

Tabla 2.23. Tiempo Promedio en horas pico

Tiempo Mañana Medio día Tarde

Global 58,2 63,1 64,0
TCL 66,1 71,1 69,7
SBM 64,4 68,6 74,1
B 56,4 59,2 64,4
SJ 52,2 59,0 53,7
TA 52,0 57,9 58,3
Fuente: Proyecto Cartagena Como Vamos

Tabla 2.24. Velocidad Promedio en horas pico

Velocidad Mañana Medio Día Tarde

Global 15,7 15,6 16,1
TCL 15,2 14,7 15,7
SBM 18,9 18,9 17,9
B 16,8 18,1 17,4
SJ 13,3 12,9 15,2
TA 14,5 13,5 14,1
Fuente: Proyecto Cartagena Como Vamos

TCL = Ternera-Centro-Laguito
SMB = Socorro-Manga-Bosque
B = Bosque
SJ = Socorro-Jardines
TA = Ternera-Avenida

158
Tabla 2.25. Tiempo Promedio en horas no pico

Tiempo Mañana Medio día Tarde

Global 62 64 66

TCL 71 69 73

SBM 66 68 75

B 62 64 67

SJ 55 57 59

TA 54 62 57

Fuente: Proyecto Cartagena Como Vamos

Tabla 2.26. Velocidad Promedio en horas no pico

Velocidad Mañana Medio día Tarde

Global 15 15 15

TCL 14 16 15

SBM 19 18 18

B 14 14 14

SJ 14 13 14

TA 13 13 14

Fuente: Proyecto Cartagena Como Vamos

159
Tabla 2.27. Tiempo Promedio de acuerdo a franja horaria

Ruta Pedro Heredia Ruta Bosque

Franja Horaria Tiempo Franja Horaria Tiempo
Global 62 Global 67
Pico 63 Pico 68
No Pico 60 No Pico 64
Fuente: Proyecto Cartagena Como Vamos

Tabla 2.28. Velocidad Promedio de acuerdo a franja horaria

Ruta Pedro Heredia Ruta Bosque

Franja Horaria Velocidad Franja Horaria Velocidad
Global 14 Global 16
Pico 14 Pico 16
No Pico 15 No Pico 17
Fuente: Proyecto Cartagena Como Vamos

1. Realice un paper donde se muestre el análisis y gráficos estadísticos de las

variables: tiempo y velocidad. Además determine si existe alguna relación
de dependencia entre éstas variables, el tipo de relación y las
consecuencias de esto.

2. Con base en el análisis estadístico, determinar cuál es el mayor y menor

tiempo y velocidad que puede existir.

3. Teniendo en cuenta las variables Tiempo y Velocidad. Además si usted

puede escoger el horario en el cual desplazarse, ¿cuál de las rutas
escogería en el horario de la mañana, medio día, y tarde?

160
4. De acuerdo a la información suministrada, ¿Cuál ruta (Pedro de Heredia o
Bosque) es más conveniente tomar en horario pico, teniendo en cuenta el
tiempo y la velocidad?.
5. Suponiendo que para el 2012 la velocidad promedio del transporte público
colectivo será de 28 km/hr. Determinar cuál es la ganancia en tiempo del
implementar un sistema masivo de transporte transcaribe. ¿Cuál es la
ganancia en minutos de que se ahorraría en implementar este sistema?

161
 CAPITULO 3
TEORIA DE LA PROBABILIDAD

162
 INTRODUCCION

El azar está presente en la vida cotidiana en muchos contextos en los que

aparecen nociones de incertidumbre, riesgo y probabilidad, en los que la persona
debe tomar decisiones que le pueden afectar, emitir juicios sobre relación entre
sucesos o efectuar inferencias y predicciones (Gigerenzer, 2002).

La teoría de la probabilidad proporciona métodos para cuantificar las

oportunidades, o, probabilidades asociadas con varios resultados. En la
actualidad, la teoría de la probabilidad constituye el fundamento de las
aplicaciones estadísticas en diferentes áreas como la investigación científica,
economía, psicología, sociología, ingeniería y otras como base para la toma de
decisiones.

La probabilidad inicialmente surgió como un concepto matemático, pero

actualmente recibe múltiples significados que se deben principalmente al tipo de
problemas que se resuelven, la forma de asignar probabilidades e incluso sus
propiedades.

El desarrollo de la teoría de la probabilidad ha aumentado el alcance de las

aplicaciones de la estadística. Muchos conjuntos de datos se pueden aproximar,
con gran exactitud, utilizando determinadas distribuciones probabilísticas; los
resultados de éstas se pueden utilizar para analizar datos estadísticos. La
probabilidad es útil para comprobar la fiabilidad de las inferencias estadísticas y
para predecir el tipo y la cantidad de datos necesarios en un determinado estudio
estadístico.

En este capítulo se presenta el bosquejo histórico de la teoría de la probabilidad,

los conceptos fundamentales de la teoría de probabilidad tales como experimentos

163
aleatorios, eventos y espacio muestral. Además las técnicas de conteo,
probabilidades condicionales e independientes.

164
COMPETENCIAS:

• Conjeturo acerca del resultado de un experimento aleatorio usando

proporcionalidad y nociones básicas de probabilidad.

• Resolucion y formulacion de problemas a partir de un conjunto de

datos presentados en tablas, diagramas de barras, diagramas
circulares.

• Prediccion y justificacion de razonamientos y conclusiones usando

información estadística.

Comparacion de resultados de experimentos aleatorios con los

resultados previstos por un modelo matemático probabilístico.

Utilizacion comprensivamente de algunas medidas de

centralización, localización, dispersión y correlación (percentiles, cuartiles,
centralidad, distancia, rango, varianza, covarianza y normalidad).

165
 3. LA TEORÍA DE LA PROBABILIDAD

3.1. HISTORIA

La probabilidad ha existido en formas sencillas, desde el inicio de las civilizaciones

en Grecia, Roma, e India explicaban el azar mediante la voluntad divina, utilizaban
la configuración resultante de tirar cuatro dados para predecir el futuro y revelar la
voluntad favorable o desfavorable de los dioses.

En el renacimiento, surge un nuevo enfoque global de considerar al mundo en el

cual el abandono progresivo de las explicaciones teológicas conduce a una
reconsideración de los experimentos aleatorios. Los matemáticos italianos del
siglo XVI, comienzan a interpretar los resultados de experimentos aleatorios
simples. Cardano, establece la equiprobabilidad de aparición de las caras de un
dado a largo plazo. A finales del siglo XVI, existía un intuitivo pero preciso análisis
empírico de los resultados aleatorios.

Durante los siglos XVI y XVII se desarrolla el análisis matemático de los juegos de
azar y algunos autores consideran como origen del cálculo de probabilidades la
resolución del problema de los puntos en la correspondencia entre Pascal y
Fermat en 1654.

Pero es tan solo a comienzos del siglo XVIII cuando la probabilidad se consolida
como disciplina. Posteriormente, el cálculo de probabilidades se extiende a
problemas físicos debido a los problemas de astronomía y física que surgen
ligados a la contrastación empírica de la teoría de Newton. Estas investigaciones
van a ser de importancia fundamental en el desarrollo de la Estadística.

166
La teoría de la probabilidad fue aplicada en gran medida en los juegos de azar, por
medio de la teoría de juegos, que tuvo sus inicios con una publicación de Von
Neumann titulada “The Game Theory and Economic Behaviour”, la teoría de
juegos muestra una solución para los juegos de suma cero y con fundamentos
para el análisis de juego entre más de dos jugadores, después aportó Nash
soluciones para una gama amplia de juegos.

Ante los problemas socioeconómicos y el surgimiento de la industria de los

seguros en el siglo XIX, se inició la enseñanza de la probabilidad como un
instrumento que les permitiría entender los fenómenos sociales y conocer con
exactitud el riesgo de perder a través del cálculo de las pólizas de seguros.

D. Bernoulli fue pionero en la aplicación del cálculo infinitesimal al cálculo de

probabilidades, proporciona la primera solución aplicando la teoría de errores, al
estimar una cantidad desconocida a partir de un conjunto de mediciones de su
valor que por el error experimental presentan variabilidad.

Es importante destacar autores como Abraham de Moivre, el reverendo Thomas

Bayes y Joseph LaGrange quienes inventaron fórmulas y técnicas de probabilidad.

El impulso fundamental de la teoría de las probabilidades proviene de la obra de

Pierre Simon, Marqués de Laplace, quien indujo la primera definición explícita de
probabilidad y desarrolló la ley normal como modelo para describir la variabilidad
de los errores de medida; también formuló y estimó el primer modelo explicativo
estadístico. Por su parte, Gauss hizo su aportación en la estimación de modelos
estadísticos.

Bravais, realizo su aporte al considerar la relación entre errores de medida

dependientes entre sí; Benjamín Pierce propone el primer criterio para rechazar
observaciones heterogéneas con el resto y S. Newcomb, el más famoso

167
astrónomo americano del siglo XIX, introduce los primeros métodos de estimación
cuando hay errores fuertes en algunos datos (Estimación Robusta).

A finales del siglo XIX y en todo el siglo XX, se dio lugar a la creación de diferentes
escuelas y tendencias dedicadas al estudio de la teoría de la probabilidad, las más
importantes son:

o La escuela rusa que dominó todas las áreas relativas al cálculo de

probabilidades y la estadística, la escuela fue dirigida por Andrei
[Link] (1903-1987) y Khinchine. Entre sus predecesores se
encontraron Chebyshev, Markov y Liapunov entre otros.
o La escuela estadounidense: Los principales exponentes de esta escuela
fueron Feller y Doob, aunque el iniciador de este movimiento fue Nortber
Wiener (1894-1964) quien desarrolló una medida de las probabilidades para
conjuntos de trayectorias que no son diferenciables en ningún punto,
asociando una probabilidad a cada conjunto de trayectorias. William Feller
se hizo conocido por sus estudios relacionados con el Teorema Central del
Límite, además de la demostración de la condición de Lindeberg.
o La escuela francesa: Entre sus exponentes se encuentran Meyer, Nevev y
Fortret de París, entre sus aportes más importantes se encuentra la
generalización del concepto de diferenciación utilizando la teoría de
distribuciones.

3.2. DEFINICIÓN DE LA PROBABILIDAD

El término probabilidad se refiere al estudio de la aleatoriedad y la incertidumbre,

en cualquier situación donde se produzca alguno de varios resultados posibles. La
probabilidad mide la frecuencia con la que ocurre un resultado en un experimento
bajo condiciones suficientemente estables. Además se puede considerar que la

168
probabilidad es la percepción o grado de creencia que las personas tienen de la
ocurrencia de un suceso.
•••••• •• •••••
=
•••••• ••

La probabilidad se puede definir como la frecuencia relativa de aciertos o casos

favorables. Es decir, la ocurrencia de un evento determinado en un proceso
aleatorio en el cual se ha repetido un gran número de pruebas o experimentos. La
frecuencia relativa es el número de casos favorables dividido entre el número de
pruebas efectuadas

Todas las probabilidades deben satisfacer los siguientes axiomas:7

Estos axiomas se pueden interpretar como una regla para el cálculo de las
probabilidades:

• La probabilidad cuando se presenta en un suceso imposible es 0: P(∅)=0

Figura 3.1. Representación de un suceso imposible.

A

S
Fuente: Los Autores

7
Tomado y Adaptado de Curso De Especialista En Gestión y Control De La Calidad Departamento De
Estadística E Investigación Operativa, Universidad Politécnica de Valencia, Autores Andrés Carrión García Mª
Teresa Carot Sánchez

169
• La probabilidad cuando se presenta en un suceso seguro es 1.
Figura 3.2. Representación de un suceso seguro.

S
Fuente: Los Autores

• Una probabilidad nunca puede ser menor que 0 ni mayor que 1: : La

probabilidad comprende números entre y . Desde otro punto de vista se
puede también decir la probabilidad como la proporción de muestra en los que
se verifica una acción.

• La probabilidad de la unión de dos sucesos es:

Figura 3.3. Representación de la unión de sucesos.

Fuente: Los Autores

Y en general podemos decir que:

   
P  U AI  = ∑ P ( Ai ) + ∑∑ P( Ai ∩ A j ) + ⋅ ⋅ ⋅ + (−1) n−1 P  I Ai  i=1,2,...,n
 i  i i j  i 

170
Las probabilidades se pueden estimar mediante:

• La frecuencia relativa de eventos pasados: Cuando se realiza un

experimento controlado o un muestreo en una población finita, las
probabilidades se deduce de la experiencia obtenida de la observación
prolongada.

Ejemplo 3.1:

En un estudio sociológico se determino que la mayoría de los casos de

violencia intrafamiliar se da porque el padre puede poseer problemas con el
alcohol, es desempleado o sufrió de maltrato en su infancia, se desea calcular
la probabilidad de que los encuestados sean personas que no hayan sufrido
algunos de los tres problemas anteriores y tengan problemas de violencia
intrafamiliar:

Para determinar esto se aplicó una encuesta a 30 hombres y los resultados

obtenidos fueron:

Tabla 3.1. Casos de violencia intrafamiliar

Encuestados Frecuencia
Alcohólicos, Desempleados, Maltrato de en su infancia 18
Violencia Intrafamiliar sin ningún suceso anterior 12
Sumatoria 30

Fuente: Los Autores

Siendo (•) = Personas Alcohólicas, desempleados, y que sufrieron algún

maltrato en su infancia

171
 Siendo (1 • •) = Personas que sufren de violencia intrafamiliar sin ningún
suceso anterior (Alcoholismo, desempleo, maltrato en la infancia)

•••••• •• ••••• •• •••••• • •(•) 18

• (•) = = = = 0.6
•ú•••• •• ••••• •••••••• ••• •(•) 30

Por lo tanto, la probabilidad de que los encuestados sean personas que no

hayan sufrido algunos de problemas de Alcoholismo, desempleo y maltrato en
la infancia y tengan problemas de violencia intrafamiliar es •(1 • •) = 0.4

• Distribuciones teóricas: Las probabilidades pueden determinarse sin recurrir

a las frecuencias relativas. Para esto se utilizan distribuciones de
probabilidad como la binomial, en la cual la validez de dichas distribuciones
teóricas depende del grado que la hipótesis representen la realidad.

• Apreciación subjetiva: Muchas veces la toma de decisiones dependen del

juicio o criterio de una persona con experiencia, el cual se basa en esta
experiencia para estimar las probabilidades. Una probabilidad subjetiva es
una evaluación que una persona que toma decisiones hace acerca de la
ocurrencia de un evento incierto. La probabilidad estimada es de carácter
personal, por lo tanto se puede encontrar que un mismo evento tenga
diferentes probabilidades de ocurrencia.

Clases de probabilidad entre las cuales tenemos:

172
Figura 3.4. Tipos de probabilidades.

Probabilidad a Priori Probabilidad Empirica

• Es aquella que se puede • Este es determinada por

definir de manera pruebas y experimentos
inmediata, sin necesidad de • Ejemplo: la probabilidad de
realizar pruebas o ganar un partido de futbol:
experimentos. será: número de partidos
• Ejemplo: la probabilidad de ganados, entre el total de
que salga un 6 en el partidos
lanzamiento de un dado, se • P=# de casos favorables/#
sabe que es igual a 0,16666 de casos posibles

Fuente: Los Autores

Ejemplo 3.2.

En un estudio psicológico la relación entre las condiciones psiquiátricas y el

comportamiento de una persona apostadora, ya sea joven o adultos. El estudio fue
realizado a 16 jóvenes y 25 adultos. Se selecciona al azar una persona de esa
muestra. Se desea saber cuál es la probabilidad de que un joven se comporte
como un apostador.

3.3 EXPERIMENTOS ALEATORIOS

Un experimento aleatorio es un fenómeno que puede arrojar diferentes resultados,

no siendo previsible los mismos, debido a la incertidumbre con la cual se producen
dichos resultados ya sea a partir de la observación o experimentación.

173
Características de un experimento aleatorio:
• Un experimento se puede repetir de manera indefinida en iguales
condiciones
• Cuando se modifican las condiciones iniciales y se repetirá la
experimentación, los resultados pueden variar
• Se pueden establecer un conjunto de posibles resultados pero no
pronosticar un resultado particular
• Se pueden obtener un modelo estadístico de los datos siempre y cuando el
experimento se repita un número considerable de veces.

3.4. ESPACIO MUESTRAL:

Es el conjunto de los resultados posibles, los cuales se obtienen de realizar un

experimento aleatorio o un muestreo de tipo aleatorio, se representa por •, existen
diferentes tipos de espacios muéstrales entre los cuales está:

• Espacio muestral discreto: Cuando el conjunto está formado por elementos

finitos o infinitos de números enteros.

Ejemplo 3.3:

Juan se dirige en su auto por la avenida Pedro de Heredia, él está pensando

en el semáforo que se encuentra en el sector cuatro vientos, el desea
encontrar la luz en verde, pero esto no se sabe con certeza porque podría
encontrar el semáforo con la luz en rojo ó amarillo.
Por lo cual, el espacio muestral (•) asociado al experimento aleatorio es:
• = {•••••, ••••, •••••••• }

174
 Ejemplo 3.4:
En una empresa que fabrican refrigeradores, realizan un estricto control de
calidad de sus productos, para esto seleccionan una muestra de cada lote de
fabricación, la muestra es igual a 3 refrigeradores. Cuando se realiza la prueba
de calidad, el espacio muestral que contiene los posibles resultados de
encontrar productos defectuosos en un lote de fabricación es:
• = {0, 1, 2 , 3}

• Espacio muestral continuo: Es el conjunto de resultados, los cuales son

intervalos de tipo continuo, es decir que entre dos resultados existen infinitos
de resultados posibles, por ejemplo:
La selección de un punto cualquiera al azar de un punto del segmento
[0,1],que está formado por el par (E, U), donde tenemos que:
• = {• • •|0• • • • 1}

3.5. SUCESO O EVENTO ALEATORIO

Un suceso es un subconjunto de resultados elementales de un experimento

aleatorio y que pertenecen al espacio muestral, existen diferentes tipos de
sucesos o eventos, los cuales son:

• Suceso elemental: También conocido como suceso simple o punto muestral,

se da en el momento que el suceso se encuentra formado por un único
elemento del espacio muestral

Ejemplo 3.5:

La medición de la temperatura de un cuarto frío en horas específicas del día,

cada una de las temperaturas que se obtienen representan un elemento.

175
Figura 3.5. Diagrama de Venn de un suceso elemental.

A
4° C.

S
Fuente: Los Autores

Si el espacio muestral es la temperatura que se toman, la temperatura a la cual se

encuentra el cuarto frio a la 1:00 p.m. corresponde al suceso elemental

• Suceso compuesto: Es cuando el suceso se encuentra formado por más de

un elemento del espacio muestral.

Ejemplo 3.6:

Si la medición de la temperatura de un cuarto frio se realiza durante una hora, las

temperaturas que se obtienen son los sucesos elementales.

Figura 3.6. Diagrama de Venn de un suceso compuesto.

4° C.
4,5° C.
4,2° C.

Fuente: Los Autores

Si el espacio muestral es la temperatura que se toman, la temperatura en la que

se encuentra el cuarto frio entre la 1:00 p.m. y 2:00 p.m. corresponde al conjunto
de sucesos.

176
• Suceso imposible: Es el suceso que nunca ocurre. Esto es, • • •

Ejemplo 3.7:
Al lanzar un dado se obtenga 7 como resultado.

Figura 3.7. Diagrama de Venn de un suceso imposible.

S
Fuente: Los Autores

• Suceso seguro: Es el suceso que siempre ocurre, por lo que existe un

espacio muestral constituido por todos los sucesos elementales.

Ejemplo 3.8:
María tiene una bolsa que contiene canicas de color azul y Luis extrae una canica
azul. Cualquier canica que Luis desee extraer será de color azul.

Figura 3.8. Diagrama de Venn de un suceso seguro.

S
Fuente: Los Autores

• Sucesos mutuamente excluyentes: Son aquellos que no se pueden

presentar de manera simultánea. Es decir, • • • = •

177
Ejemplo 3.9:

En McDonald hay dos colas, la primera cola es para realizar el pedido de comidas
rápidas y la segunda cola es para realizar el pedido de productos de heladería.
Cuando un cliente llega a McDonald tiene la opción de unirse a la cola para
realizar el pedido de comidas rápidas o unirse a la cola para realizar el pedido de
productos de heladería, pero no las dos al mismo tiempo.

Figura 3.9. Diagrama de Venn de sucesos mutuamente excluyentes

A B

S
Fuente: Los Autores

• Suceso dependiente: Este aquel donde el suceso que se presente depende

de un suceso anterior o de otro suceso.

Ejemplo 3.10:
En el proceso de fabricación de un calzado se realizan las siguientes actividades:

1. Corte de piezas: Se realiza el corte de la moldura de acuerdo a las medidas y

el modelo diseñado.
2. Montado: Se selecciona la horma de acuerdo a la numeración para conformar y
fijar la planta a base de clavos.
3. Pegado: Se hace una hendidura para que el pegamento se impregne mejor y
posteriormente se realiza el pegado de la suela
4. Acabado: Se pega la plantilla, se pintan los bordes de la suela y forros, se
desmancha el zapato de residuos del proceso productivo.
5. Pigmentado: Se realiza con el fin de uniformizar el color.
178
6. Empaque: Se guarda el producto en caja de cartón

Para realizar la segunda actividad es necesario realizar la primera, gráficamente:

Figura 3.10. Proceso de fabricación de calzado

Corte de
Montado pegado Acabado Pigmentado Empaque
piezas

Fuente: Los Autores

• Suceso compatible: Son aquellos sucesos que se pueden presentar de

manera simultánea.

Ejemplo 3.11:
Para fabricar masilla, el operario debe vaciar en la mezcladora las materias primas
para iniciar el proceso de mezclado, en este tiempo un segundo operario realiza el
alistamiento de los envases donde será vaciada la masilla. Sea:

•: vaciar las materias primas en la mezcladora

•: Alistar los envases

Estas dos actividades se realizan en el mismo tiempo, por lo cual son compatibles.

3.5.1. OPERACIONES CON EVENTOS:

Teniendo en cuenta la teoría de conjuntos tratada en el primer capítulo, se pueden

explicar las operaciones con sucesos.
• Unión: (• • •) Subconjunto de elementos de • que están incluidos, al
menos en uno de esos eventos (A o B)

179
Figura 3.11. Diagrama de Venn de unión de eventos.

A
S

Fuente: Los Autores

• Intersección: Es el subconjunto que se encuentran incluidos al

mismo tiempo en los subconjuntos de ambos eventos.

Figura 3.12. Diagrama de Venn de intersección de eventos.

A
B

Fuente: Los Autores

Diferencia de eventos: es el subconjunto de sucesosS formados por todos

los elementos que son parte de pero no de . esto es:

Figura 3.13. Diagrama de Venn de diferencia de sucesos.

A
B

Fuente: Los Autores

180
Ejemplo 3.12:

“Se lanza un dado y se observa el número de puntos que aparecen en sus lados”,
este puede presentar seis posibles resultados; el espacio muestral de este es
• = {1, 2, 3, 4, 5, 6} y • = 6

Un resultado posible de un lanzamiento es que salga un número impar. Este tipo

de resultado podemos llamarlo como evento y en este caso seria A= {1, 3, 5} y
seria e=3

3.6. TECNICAS DE CONTEO

Las técnicas de conteo son aquellas que sirven para enumerar eventos difíciles de
cuantificar.

Ejemplo 3.13:

Establecer lotes de producción Cuando se establecen muestras o grupos de

productos a fabricar resulta más fácil realizar el conteo unidad por unidad de los
productos fabricados. Si un operario sabe que se produjeron 4 lotes en un turno de
8 horas y cada lote está formado por 12 productos, entonces se llega a la
conclusión que se hizo un total de 48 productos en el turno.

Ejemplo 3.14:

Las medidas de un terreno Si se conoce la cantidad en metros de la longitud del

terreno y la cantidad en metros de anchura del terreno, es posible conocer la
extensión del terreno el cual equivale a la multiplicación de la longitud por el ancho
del terreno.

181
Figura 3.15. Extensión del terreno. Con formato: Punto de tabulación: 4
cm, Izquierda

Medidas del terreno (área) =

15• × 20 • = 300 ••
20 m

15 m
Fuente: Los Autores

Las técnicas de conteo se basan en las operaciones de la suma y la multiplicación.

Entre las técnicas de conteo tenemos:

• Combinaciones
• Permutaciones
• Diagrama de árbol

3.6.1. COMBINACIONES

Una combinación es un arreglo o grupo de • elementos formados a partir de •

elementos donde el orden de los mismos NO es importante, lo que se busca con
una combinación es la formación de grupos y el contenido de los mismos. La
r!
combinación se calcula a través de la fórmula: Cm =
r

(r − m)!⋅m!
Donde:
• > •
C = Combinaciones de • elementos tomados de entre • objetos
r
m

• Combinaciones con repetición:

182
 (m + n − 1)!
CRmn =
n!⋅(m − 1)!

Es el caso de común juego del bingo salga 39, 40, 3, 10, 22, 49, que salga
40, 10, 39, 3, 22, 49. Además es sin repetición puesto que no puede salir dos veces
el mismo número. La combinación premiada básica (6 aciertos) tiene C 649
posibilidades diferentes.

3.6.2. PERMUTACIONES

Teniendo un conjunto finito con sus elementos se le llama permutación a todos los
posibles casos como pueden organizar los elementos de un conjunto.
Matemáticamente; •• = •!
Donde
•j: Es la permutación
•: • Elementos tomados de • en •.
!: Es la representación matemática de la operación factorial.

• Con repetición:
o Variaciones con repetición: • elementos en grupos de •
•
•• • = ••
o Permutaciones con repetición(pr): ordenaciones con elementos
repetidos
••,…,•• •!
•• • =
••! … •• !
Ejemplo 3.15:
Si tenemos • manzanas y deseamos colocarlas en una cesta, tendremos:
a) Si caben todas •n

183
 b) Si no caben más de • manzanas, habría Vmn formas diferentes de
introducirlas en la cesta

3.6.3. DIAGRAMA DE ÁRBOL

Por medio de esta técnica se muestra de forma grafica la secuencia de los

sucesos que se pueden realizar.

Tabla 2.2 Asignación de probabilidad.

ASIGNACIÓN DE PROBABILIDAD

Suceso Evento(s) # de Combinación(es) Probabilidad(es)

C (c) ½ = 0.5
a) Lanzar una
½ = 0.5
moneda
S (s) 1 1,00
2c (cc) ½ = 0.25
2
b) Lanzamiento de 1c y 1s (c) (s) /4 = 0.5
2 monedas 2s (ss) ½ = 0.5
1 1,00
1
3c (ccc) /8 = 0.125
3
2c y 1s (cc) (s) /8 = 0.5
c) Lanzamiento de 3
2s y 1c (ss) (c) /8 = 0.5
3 monedas 1
2s (sss) /8 = 0.125
1 1,00
Fuente: MARTINEZ B. Ciro. Estadística y Muestreo. Doceava Edición. Bogotá DC. ECOE 2005.

La elaboración de este espacio muestral se realiza por medio de un diagrama de

árbol de la siguiente manera:

184
Figura 3.16. Diagrama de árbol.
C
C
C
C
C
S
Lanzamiento de una S
moneda C
C
S
S
S
S
S
Fuente: MARTINEZ B. Ciro. Estadística y Muestreo. Doceava Edición. Bogotá DC. ECOE 2005.

3.7. PROBABILIDAD CONDICIONAL

Un condicional es un estado en el cual se tiene un evento en particular, dado que

otro evento ya ha ocurrido o es seguro que ocurra.
Ejemplo 3.16:

• Si la temperatura aumenta, el hilo se derrite

• No habría sentido remordimiento, si te hubiera dicho la verdad

Se puede definir probabilidad condicional como “la probabilidad de que un suceso

• ocurra cuando se sabe que ya ocurrió un suceso •” como:
P ( B ∩ A)
PB ( A ) = P ( A B ) = , P (B ) f 0
P (B)

Ejemplo 3.17:

185
Cuando se lanzan unos dados la probabilidad de que salga cierto número es de
1/6, si se dispone de la información anterior como que ha salido un número par en
el evento anterior la probabilidad de que ahora salga un numero escogido que sea
par es de 1/3.

Se puede decir que cuando se posee información, el espacio muestral • de los

posibles resultados pasa de ser • = {1, 2, 3, 4, 5, 6} a ser • = {2, 4, 6} y con este se
trabaja.

Ejemplo 3.18:

En una planta existen dos líneas de ensamble diferentes B y B’, se ensamblan

componentes complejos, La línea B es de tipo manual, y la línea B’ tiene un
sistema automatizado, en día cualquiera en la línea B se ensamblan 17
componentes, donde se obtienen 7 componentes defectuosos (C), y en la línea B’
se realizan 20 componentes, de los cuales 2 salen defectuosos (C).

Sin saber esta información, el jefe de producción elige al azar uno de los 57
componentes para realizar una demostración:

Antes de la demostración se escoge el componente de la línea:

•(•) ••
P (Elegir un componente de la línea) = P(B) = •
= •• = 0.45.

186
Si resulta defectuoso el componente elegido, entonces ocurrió el suceso C, así que
el componente se encuentra entre los 9 componentes defectuosos. Puesto que
estos tres componentes son equiprobables entres si después que ocurrió:
7
7 37 •(• • • )
•(•|•) = = =
9 2 •(•)
37

La probabilidad condicional es expresada como una relación de probabilidad

incondicional, el numerador es la probabilidad de la intercepción de los dos
sucesos, mientras que el denominador es la probabilidad condicional C. Esta
relación es ilustrada en la siguiente figura:

Figura 3.18. Diagrama de Venn de probabilidades condicional.

B C

Fuente: Los Autores

Dado que ocurrió C, el espacio muestral ya no es •, sino que consiste en el

resultado de •; • ocurre si y solo si ocurre uno de los resultados de la
intersección, así que la probabilidad condicional de B dada C es proporcional a
•(• • •). La constante de proporcional 1/•(•) se usa para asegurar que la
probabilidad •(•|•) del nuevo espacio muestral • es igual a 1

Ejemplo 3.19.

En el proceso productivo de la leche se pueden obtener derivados diferentes como

queso y suero. La probabilidad de que el lunes se haga queso es de 0,6 y la que el

187
martes se haga queso es de 0,3, la probabilidad de que hagan queso el lunes y el
martes es de 0,1. Suponiendo que el día lunes se hace queso, ¿Cuál es la
probabilidad de que se haga el martes?

Sean los eventos A: hacer queso el lunes y el evento B: hacer queso el martes.
Entonces,
•(• • •) 0.1
•(•|••) = = = 0.166
•(•) 0.6

Se desea saber si el evento • se realiza. Cual sería la probabilidad de que el

evento B no se haga:
1 − P ( A | B ) = 1 − 0 ,166 = 0 ,833

3.8. INDEPENDENCIA DE SUCESOS

Se dice que dos o más sucesos son independientes entre sí, si se tiene
conocimiento de que cuando ocurre uno o múltiples de ellos no existe modificación
alguna con la probabilidad de que ocurran los otros. Por lo cual se cumple que:

Si • y • son dos sucesos, la idea intuitiva de que son independientes seria que:
P (•|•)• = P (•) P(•/•) = •.

Por lo anterior también se cumple lo siguiente:

P( A ∩ B)
P(B | A) = P(B) = ⇒ P(•∩•)=P(•)·P(•)
P( A)
Para generalizar, • sucesos son independientes, podemos decir que:
P(A1∩A2∩···∩An)=P(A1)·P(A2)·…·P(An)
En este se cumple la independencia entre los mismos sucesos tomados de dos en
dos, de tres en tres, etc.

188
Figura 3.19. Sucesos independientes.

Si dos sucesos A y B son independientes

Los sucesos A* y B también Los sucesos A y B* también Los sucesos A* y B* también
son independientes son independientes son independientes.

si tenemos n sucesos
independientes cualquier
combinación de sucesos
negados y no negados
también serán
independientes.

Fuente: Los Autores

Evento A: Salir a caminar
Evento B: Que llueva en el día de hoy

Ejemplo 3.20

El proceso de elaboración de láminas de Dry Wall se realiza mediante 4

subprocesos, para fabricar una lámina de Dry Wall que cumpla con las
especificaciones es necesario que los estándares de calidad no estén por debajo
del 0,98.

Si se asume que los estándares de calidad de cada subproceso es independiente

de las demás.

189
Se Ai: la parte i es que se cumpla con el estándar de calidad

P (la probabilidad de obtener una lamina de Dry Wall que cumpla con las
especificaciones) = P(A1). P(A2). P(A3). P(A4)

P= (0,98) (0,98) (0,98)(0,98) = (0,98)4= 0, 92236816

Ejemplo 3.21.

Un edificio cuenta con dos ascensores para el transporte de personal, debido a la

demanda y a la posibilidad de falla, la probabilidad que un ascensor esté
disponible es de 0,8. La disponibilidad de los ascensores es independiente una de
la otra, en caso de necesitar los ascensores:
• ¿Cuál es la probabilidad de que los dos estén disponibles?
• ¿Cuál es la probabilidad que ninguno esté disponible?

Sean los eventos:

C1: el ascensor 1 esté disponible
C2: el ascensor 2 esté disponible

Probabilidad que estén disponibles= P (C1). P (C2).= (0,8). (0,8)= 0,64

Probabilidad que no estén disponibles= (1- P (C1).).(1- P (C2)) = (0,2) (0,2) = 0,04

3.9. TEOREMA DE LA INTERSECCIÓN

Sabemos que

190
 P( A ∩ B) P( A ∩ B)
P(B A) = P( A B) =
P( A) P(B)
Si se despeja la intercepción de cada una de las ecuaciones se obtiene lo
siguiente:
P (A∩B)=P(A|••)·P(B)=P(B|••)·P(A)
Este es llamado Teorema de la Intersección para dos sucesos. El siguiente es
para tres sucesos, se puede colocar la condicional como:
P(C∩B/ A ) P( A ∩B∩C)
P(C/B/ A ) = = =P(C/( A∩B))
P(B/ A ) P(A ∩B)

El teorema de intercepción tres sucesos es:

P (A∩B∩C) = P (B) P (A/B) P (C/A∩B)

En generalidad para un número de • sucesos es el siguiente:

Sean •• , •• , … , •• n sucesos tal que •(•• |•• • … • ••••) > 0,entonces:
•(•• • … • •••• ) = •(••)•(••|•• )•(••|•• • ••) … •(•• |•• • … • •••• )

Ejemplo 3.22

En una urna se tienen 4 esferas azules y 2 esferas rojas. Si se extraen dos esferas
al azar de la urna. Cuál es la probabilidad de que:
Ambas sean azules
La primera sea rojas y la segunda azul

Todas las extracciones se hacen sin remplazo. Los eventos son los siguientes:
•1: Obtener una esfera azul en la primera extracción
•2: Obtener una esfera azul en la segunda extracción
•3: Obtener una esfera roja en la primera extracción
•4: Obtener una esfera roja en la segunda extracción

191
 • • •
P (las 2 esferas azules) = P(A• • A •) = P(A•) × •••• = • × • = 0.4
•

P (La primera esfera roja y la segunda azul) = P(A• • A • )

• •
= P(A• × P(A•/A •)) = •
× • = 0.2666

Si las extracciones se realizan con reemplazo:

• • •
P (las 2 esferas azules) = P(A• • A •) = P(A•) × • •• = × = 0.444
•• • •

P (la primera esfera roja y la segunda azul) = P(A • • A •) = P(A• × P(A • /A•) =
• •
× = 0.2222
• •

Ejemplo 3.23

La refinería de Cartagena produce tres tipos de productos Petróleo (Pe), Crudo

(C), Gasolina (G), se escoge el porcentaje de ventas de un semestre con relación
a los productos descritos anteriormente

Tabla 3.3 Probabilidad de Comprar

Pe C G Pe•C Pe•G G•C Pe•G•C
0.23 0.37 0.14 0.13 0.08 0.09 0.05
Fuente: Los Autores

Figura 3.21 Diagrama de Venn del porcentaje de ventas.

Pe 0.08 C
0.20
0.07
0.05
0.03 0.04

0.02 G
0.51

192
Fuente: Los Autores

Por lo tanto se tiene que:

•(• • •• ) 0.08
•(•|•• ) = = = 0.35
•(•) 0.23
•(• • (•• • •) 0.04 + 0.05 + 0.03 0.12
•(•|•• • •) = = = = 0.26
•(•• • •) 0.47 0.47
•(• • (• • •• • •)
•(•|•••••• ••• •• ••••• •• •••••••) = •(•|• • •• • •) =
•(• • •• • •)
•(•) 0.14
= = = 0.29
•(• • •• • •) 0.49

3.10. PROBABILIDAD DE INTERSECCIÓN DE SUCESOS INDEPENDIENTES:

Si • y • son dos sucesos independientes, se verifica que la probabilidad de la

intersección de A y B es igual al producto de las probabilidades de cada uno de los
sucesos:
•(• • •) = •(•) • •(•) •• • • • •••

Ejemplo 3.24:
En una empresa productora de relojes se tiene un lote de 40 productos, los cuales
se encuentran distribuidos de la siguiente forma: 20 relojes grandes, 15 relojes
pequeños, y los demás medianos, se extrae uno y se vuelve a meter. ¿Cuál es la
probabilidad de extraer dos medianos?
5 5 5
•(•• • •• ) = •(•• ) • •(•• ) = • =
40 40 320

3.11. PROBABILIDAD DE INTERSECCION DE SUCESOS DEPENDIENTES:

193
Es la probabilidad de que uno de los sucesos, multiplicado por la probabilidad del
segundo sabiendo que ha ocurrido el primero
:

Ejemplo 3.25

Se tiene el mismo lote del ejemplo anterior pero ahora, se extraen dos relojes.
¿Cuál es la probabilidad de extraer dos ases?

3.12. TEOREMA DE LA PARTICIÓN O DE LA PROBABILIDAD TOTAL.

Se tiene la partición de un espacio muestral, es decir, n sucesos que cumplen que

∪Ai=E y Ai∩Aj=∅ ∀ i≠j, como se muestra en la siguiente figura:

Figura 3.22. Teorema de la partición.

A3
A4

B
A2

A5

A1

Fuente: Los Autores

194
Donde el suceso B es la unión de:
B=U(Ai∩B) con (Ai∩B)∩(Aj∩B)=∅ ∀ i≠j
Según el tercer axioma de la probabilidad, podemos hallar la probabilidad de que
ocurra el suceso B como:
n n
P(B) = ∑ P( B ∩ Ai ) = ∑ P( B Ai ) ⋅ P( Ai )
i =1 i =1

Este es llamado como Regla de la Probabilidad Total.

Ejemplo 3.26:

Consideremos dos líneas de ensambles de productos, con productos no

conformes y productos conformes. La primera contiene 3 no conformes y 4
conformes, la segunda 5 no conformes y 3 conformes. Sacamos un producto de la
línea número 1 y sin ver su estado lo introducimos en la línea número 2 y a
continuación extraemos de ésta un producto. Nos preguntamos por la probabilidad
de que este segundo producto sea no conforme.

Figura 3.23. Líneas de ensambles 1 y 2.

C N

Fuente: Los Autores

195
Primeros denotaremos los productos como “C” es un producto conforme y “NC”
producto No Conforme, acompañado de los subíndices para indicar la línea de
ensamble ya sea 1 ó 2.

Entonces tenemos que NC1 es el suceso de sacar el primer producto no conforme

de la línea No. 1, y con NC2 se quiere saber el segundo suceso que el primer
producto sale no conforme, pero se tiene en cuenta que la composición de la
segunda línea de ensamble cambia en el momento que le introducen el producto

Figura 3.24. Líneas de ensambles 1.

2 ?

C NC

Fuente: Los Autores

Por lo cual tendríamos un total de 9 productos y el número de productos
conformes y no conformes dependen del extraído de la línea #1, por lo tanto la
probabilidad del suceso NC2 depende si en el primer suceso se extrajo NC1 ó C1,
pero los dos sucesos no pueden acontecer al mismo tiempo.

•(•••) = •(••• ) • •(•••|••• ) + •(••) • •(••• |•• ) =

3 6 4 5 38
• + • =
7 9 7 9 63

3.13. TEOREMA DE BAYES8

8
Tomado y Adaptado de Curso De Especialista En Gestión Y Control De La Calidad Departamento De
Estadística E Investigación Operativa, Universidad Politécnica de Valencia, Autores Andrés Carrión García Mª
Teresa Carot Sánchez

196
El teorema de Bayes es el que determina la probabilidad de que la causa Ai haya
sido provocada por un efecto B, en donde Ai son las llamadas causas de un
suceso B que se desempeña como el efecto producido.
Si los Ai son una partición del espacio muestral y el suceso B es de probabilidad
no nula, se cumple que:
P( Ai ∩ B)
P( Ai B) =
P( B)

Aplicando los expuestos anteriormente los cuales son Teorema de la Intersección

en el numerador y el Teorema de la Partición en el denominador, obtenemos que:

P ( Ai ) ⋅ P ( B A i )
P ( Ai B ) = n

∑ P( A ) ⋅ P( B A )
i =1
i i

197
3.14 DETERMINACION DE PROBABILIDADES A TRAVÉS DE EXCEL.

Excel dispone de funciones estadísticas que permiten determinar las

probabilidades de ocurrencia de un suceso o evento.

Para indicar como se calcula las probabilidades en Excel se realizará el siguiente

ejemplo:

Ejemplo 1.
Si deseamos calcular la probabilidad de cierto evento, como es el lanzamiento de
dados, primero se introducen todos los datos en la hoja de cálculo.

Después se busca en funciones la función de probabilidad, y en esta se selecciona

la categoría de estadística, y dentro se busca la función de probabilidad.

198
199
Se coloca el rango x, después el rango de la probabilidad que debe ser mayor
que 0, pero siempre menor que 1, se colocan los limites de donde se quiere que
llegue, el inferior y el superior. Queda de la siguiente manera; como se muestra en
la siguiente figura:
Y este daría el resultado de la probabilidad que estamos hallando, tomando el
segundo caso de del ejemplo No. 3.2, podemos hacerlo de manera que primeros
nos de los resultados deseados y después se le reste este resultado a uno para
que hallemos el deseado, si es así no se coloca el límite superior como se muestra
en la siguiente figura.

200
Pero si se desea obtener el resultado de manera directa se toma dándole como
límite inferior 0 y como límite superior 12.

Ejemplo 2

En el proceso productivo de la leche se pueden obtener derivados diferentes como

queso y suero. La probabilidad de que el lunes se haga queso es de 0,6 y la que el

martes se haga queso es de 0,3, la probabilidad de que hagan queso el lunes y el

201
martes es de 0,1. Suponiendo que el día lunes se hace queso, ¿Cuál es la

probabilidad de que se haga el martes?

Se tomo la función de probabilidad para buscar la unión correspondiente, y se
documentan los datos en los requisitos según lo muestra la figura.

202
EJERCICIOS PROPUESTOS
CAPÍTULO N° 3.

203
EJERCICIOS PROPUESTOS

1. Dar ejemplo de tres eventos aleatorios

2. En el lanzamiento de dos dados, se observa el número de puntos que

aparecen en las caras superiores. Especifique los elementos del espacio
muestral y los siguientes eventos:

A. La suma de los puntos es igual a 7

B. Uno de los dados muestra 4 puntos
C. La suma de los puntos es menos a 4
D. Los eventos A y B se dan de manera simultánea
E. Los eventos B y C se dan de manera simultanea
F. Se puede presentar el evento A o B

3. Del problema anterior calcular la probabilidad para los sucesos C, D, E, y

F.

4. Una caja contiene 3 pares de zapatos (6 zapatos), ¿cuál es la probabilidad

que en la primera extracción de la caja se saquen los zapatos que son
pares?

5. En una fábrica se selecciona al azar 10 cantidades de un productos y de

estos se seleccionan 2 muestras del producto para evaluar los estándares
de calidad del mismo, si después de ser evaluados no se encuentra algún
producto no conforme ¿Cuál es la probabilidad de que en el grupo de 10
productos se acepten 3 productos no conformes?

204
6. Ay B son equipos de voleibol y juegan cinco sets. Suponiendo que no hay
empate, determine los posibles resultados de los tres sets teniendo en
cuenta tanto al ganador como al perdedor de cada una. Ahora Suponiendo
que A gana por lo menos dos partidas, ¿cuál es la probabilidad de esta?

7. Un Mago dice que puede adivinar por medio de sus poderes la presencia
de petróleo en el suelo, para corroborar dicha información se han colocado
seis recipientes que contienen lo siguiente: 2 agua, 2 petróleo, 1 aceite, 1
gaseosa; para que el mago determine cuál es el que contiene petróleo; si
los poderes del mago son mentira, Cual es la probabilidad de que el mago
identifique correctamente los dos recipientes que contienen petróleo?

8. Se acerca septiembre y seis amigos deciden jugar al amigo secreto, para

esto colocan sus nombres en un papel y los introducen dentro de una bolsa;
Cada persona selecciona un papel al azar, cual es la probabilidad de que a)
Uno de los amigos le salga su nombre, b) dos de los amigos elijan sus
propios nombres.

9. En un grupo de 15 personas se encuentran 5 menores de edad, y estos

desean entrar a una discoteca (Lo cual no se permite por ser menores de
18 años y va contra la ley). De repente cuando se acercan a la portería de
la discoteca el portero se les acerca. A) calcule la probabilidad de que el
portero no deje entrar a uno de los menores, b) a 3 de los menores, c) a los
5 menores

10.4 mujeres y 4 hombres se acomodan en una fila de 8. Si eligen sus puestos

al azar cual es la probabilidad : a) de que queden de manera intercalada, b)
de que los hombres queden juntos, c) de que queden 2 hombres 2 mujeres
2 hombres 2 mujeres.

205
[Link] la probabilidad de obtener 7 cuando se lanzan los dados tres
veces?

[Link] un experimento de sicología no se pueden utilizar individuos que sean

zurdos, en la población en donde se va a aplicar dicho experimento cada 7
personas 2 son zurdas. Si se escoge al azar un individuo, ¿Que
probabilidad existe que no pueda participar en dicho experimento?

[Link] una urna se introducen 7 esferas blancas, 6 esferas rojas, 3 esferas

negras, 3 esferas naranja. Si se extraen 3 esferas al azar al mismo tiempo
de la urna. ¿Calcular la probabilidad de que estas sean del mismo color?

[Link] un estudio de control estadístico de procesos se realizaron

experimentos, en donde se extrajeron muestras de un liquido cada 3 horas
durante una semana (7 días), existe la probabilidad que el 35% de las
muestras se encuentren defectuosas ¿Calcule la probabilidad de que en 15
días se extraigan 2 muestras que no se encuentren defectuosas?

15. El jefe de control de calidad y de control de procesos revisan un artículo

para catalogarlo como bueno o defectuoso. El primero de los jefes no
detecta como defectuosos el 7% de los artículos revisados. Y el segundo
jefe no detecta el 2% de los artículos defectuosos detectados por el primero
de los jefes. Calcule la probabilidad de que un articulo defectuoso pueda
pasar por los estándares de calidad sin ser detectado?

[Link] realizo un estudio entre un grupo de personas con relación a las alzas
en los diferentes servicios públicos (todo eso para sopesar los impuestos
para la guerra), el 18% de las personas que interfirieron en el estudio
estuvieron de acuerdo con el alza, y de eso el 55% eran personas las
cuales sus trabajos se encontraban relacionados con la política. Calcule la

206
 probabilidad de que una persona que se encuentre trabajando en el área de
la política este de acuerdo con el alza?

[Link] personas se encuentran de caza y visualizan un pato, estos disparan

al mismo tiempo disparan. La probabilidad de que el primer tirador le de al
pato es 4/5, y que el segundo tirador le de al pato es de 3/4. Calcule la
probabilidad de que el animal quede muerto?

[Link]ún el Ministro Empleo en Colombia el 30% de la población tiene

empleos de tipo informal, el 14% de la población se encuentra
desempleada, si se eligen 7 personas al azar. Calcular la probabilidad de
que los 7 se encuentre desempleados, que 3 tengan empleo de tipo
informal y los restantes se encuentren desempleados, 2 de ellos tenga
trabajo de tipo informal, y por último que ninguno se encuentre entre estos
porcentajes?

[Link] persona tiene que llegar al odontólogo y al supermercado a tiempo. La

probabilidad de llegar al odontólogo a tiempo es de 0.8% y de llegar a
tiempo al supermercado es de 0.1, Sabiendo que se retraso al momento de
llegar al odontólogo, cual es la probabilidad de que a pesar del retraso se
llegue a tiempo al supermercado?

207
ESTUDIO DE CASOS

CASO 1

En la empresa “CONCRETOS CARTAGENA” dedicada al suministro de concreto

se realizan los pedidos con un día de anterioridad, y en la mañana con un intervalo
de 7 a.m. hasta las 9 a.m., este tipo de pedidos que entran en el horario diurno no
pueden estar entre los pedidos diurnos (7a.m a 12 a.m) a menos que algunos de
clientes que tienen pedidos diurnos lo cancele, la probabilidad de que un pedido
sea cancelado es de 0.25, y la probabilidad de que entre algún pedido solicitado
en horario de 7 a.m. a 9 a.m. entre es de 0.15; en la empresa se despachan
aproximadamente 16 viajes de concreto, y cuentan con 5 carros para el suministro
de concreto, la capacidad de los carros es de 7Mts3.

En la empresa existe un problema con los tiempos de entrega del producto, ya que
en muchas ocasiones influye en la entrega el estado del tiempo, la probabilidad de
que llueva en un mes es de 0.066 en las épocas calurosas y en las épocas de
lluvia es de 0.26, además que es necesario tener en cuenta los siguientes puntos:

Los tiempos de alistamiento (TA): es el tiempo que le toma al operario realizar la

acción de colocar debajo de la planta que suministra el concreto el vehículo para
iniciar el proceso de cargue, inspección de agregados, y cargue de agregados a la
planta dosificadora (Min)
Los tiempos de producción (TP): tiempo que toma realizar la mezcla de grava,
arena, cemento, agua y aditivos para obtener el concreto (min)
Tipos de concreto los cuales tienen tiempos de descargue.
Velocidad recorrida: 12 Km/hr, esta velocidad no es variable

208
Tabla 3.4 Datos LMTM
Tipo de Concreto Tiempo de Tiempo de producción Tiempo de
Alistamiento min/mts3 descargue
Min min/mts3
2000 PSI 2.52 1.12 10.71
3000 PSI 2.15 1.01 29.55
3500 PSI 2.11 1.59 38.12
MR – 39 1.15 0.47 8.54
MR – 45 1.02 0.52 5.27
Fuente: Datos tomados por un estudio de métodos y tiempos de la empresa LMTM

Figura 3.25 Diagrama de Proceso de la Producción de Concreto

Fuente: Datos tomados por un estudio de métodos y tiempos de la empresa LMTM

209
Lo siguiente es una programación:

Horario Tipo de Concreto Cantidad Distancia de Recorrido

(•• ) (Km)

7:00 3000 PSI 5 5.2

7:30 2000 PSI 7 3
8:00 MR-45 7 2
8:30 MR-45 4 8
9:00 MR-45 4 8
9:30
10:00 MR-39 3.5 5.6
10:30 3000 PSI 6 10
11:00 2500 PSI 4.2 1
11:30
14:00 3000 PSI 2 3.27
14:30 MR-39 9 15
15:00 MR-45 7 3.5
15:30 3000 PSI 1 10
16:00 3000 PSI 9 3
16:30 3500 PSI 12 13
Fuente: Datos tomados por un estudio de métodos y tiempos de la empresa LMTM
Teniendo en cuenta que la época del año es soleada:

• Realiza un estudio con los datos anteriores determinando las probabilidad

de puntualidad de los pedidos si existe o no, y plante una nueva
programación para este tipo de pedidos mostrando una posible solución a
este problema, en el caso que no se pueda dar una solución que propuesta
de mejora se podría aplicar a la situación, además, plante con algunos de
los tipos de concreto un despacho continuo simultaneo en donde estos
lleguen a tiempo, recuerde este tipo de estudio se realiza para épocas
soleadas y lluviosas

210
• En el caso que ha sido cancelado un pedido para las 9:30, ¿Cuál es la
probabilidad que un pedido de 3500 PSI de 2.5 Mts3m que recorra una
distancia de 5 km, llegue a tiempo? ¿Existe alguna probabilidad para
determinar que se cuenta con el número de carros para despachar este
pedido? De lo contrario, justifique su respuesta.

211
CASO 2

Siguiendo con el Caso No. 2 del Capítulo 2, tenemos el siguiente formulario

Utilizado en Cartagena Como Vamos.:
FORMULARIO DE OBSERVACIONES
CARTAGENA COMO VAMOS

Plantilla de Movilidad Vial

FECHA: ______________
Trayecto*
Lugar de Salida Hora de Salida
Ruta por Tramos Tiempo registrado (HH-MM)
Lugar de Llegada Hora de llegada
Duración total del
Trayecto
Observaciones
1. Cuantos pasajeros hay en el bus al
momento en que usted lo aborda
2. El vehículo tiene los asientos a)Si
completos b) No
3. El volumen que lleva el radio del a)Bajo
vehículo es b)Alto
N.A. – No tiene el radio encendido
4. El vehículo dispone de timbre para a)Si a1) Funciona a2) No
solicitar la parada funciona
b) No
5. Hay extinguidores a la vista a) Si
b) No
6. Tiene el vehículo salidas de a) Si
emergencia señalizadas b) No
6ª Junto a las salidas de emergencia hay a) Si
instrucciones indicando la forma en b) No
que deben ser usadas
7. Durante el recorrido, las puertas de a) Abiertas
vehículo estuvieron: b) Cerradas
8. Presentó el vehículo alguna falla a) Si Debió: a) Hacer
mecánica que retrasara el recorrido trasbordo
B) No b) Esperar para
continuar en el mismo bus
9. Independiente de una falla mecánica, a) Si
¿debo hacer trasbordo de vehículo? b) No
Código encuestador
Coordinador a cargo

212
A continuación se muestra el resultado para el año 2009 de esta encuetas

2. Que vehículos tiene los asientos completos?

Si (244 vehículos) No (5 Vehículos)
3. El volumen que lleva el radio del vehículo es?
Alto (66 vehículos) Bajo (115 vehículos) NA (36 vehículos)
4.a. El vehículo dispone de timbre para solicitar la parada?
Si (195 vehículos) No (52 vehículos)
4.b. El vehículo del timbre…
Funciona (114 vehículos) No Funciona (47 vehículos)
5. Hay extintores a la vista
Si (28 vehículos) No (219 Vehículos)
6.a. Tiene el vehículo salidas de emergencia señalizadas
Si (201 vehículos) No (25 Vehículos)
6.b. Junto a las salidas de emergencia hay instrucciones indicando la forma en
que deben ser usadas.
Si (124 vehículos) No (123 Vehículos)
7. Durante el recorrido, las puertas del vehículo estuvieron
Si (243 vehículos) No (5 Vehículos)
8.a Presentó el vehículo alguna falla mecánica que retrasara el recorrido
Si (5 vehículos) No (243 Vehículos)
8.b. Debió hacer transbordo por la falla mecánica
Si (5 vehículos) No (0 Vehículos)
9. Independiente de una falla mecánica. Debió hacer trasbordo del vehículo?
Si (2 vehículos) No (3 Vehículos)

213
De acuerdo a los resultados:

1. Relaciona cada uno de los aspectos abordados en el estudio y determina la

probabilidad que estos aspectos se cumplan o no.
2. Realice un balance general del estado de los vehículos utilizados para el
transporte público en Cartagena, tenga en cuenta la seguridad que
proporcionan, la comodidad y demás aspectos abordados en las preguntas.

214
 CAPÍTULO 4
VARIABLES ALEATORIAS

215
 INTRODUCCION

El concepto de variables aleatoria constituye uno de los pilares básicos de la

teoría de la probabilidad.

El concepto de variable aleatoria estuvo presente desde el inicio de la teoría de la

probabilidad. Huygens introdujo una variable aleatoria que sigue una distribución
Hipergeometrica para resolver uno de los problemas de su libro. Cuando Galileo
habló de los errores ‘aleatorios’ que no se pueden predecir y que varían de medida
en medida, en el cual los errores constituyen una variable aleatoria de distribución
desconocida.

Cuando Bernoulli enunció su ley de los grandes números, al contabilizar el número

bolas blancas extraídas de la urna, ese número de éxitos es una variable aleatoria
que toma valores entre 1 y n el número total de pruebas, siguiendo una
distribución binomial.

En el comienzo del siglo XIX, se utilizaba ampliamente la distribución normal para

resolver problemas que surgían. Sin embargo autores como De Moivre, Gauss,
Daniel Bernoulli o Laplace mencionaron el concepto de variables aleatorias.

El primero en mencionar la idea de variable aleatoria fue Poisson en el año de

1832, en su libro sobre la Probabilidad de los Resultados Promedios de
Observaciones. No utilizó el término ‘variable aleatoria’, pero introdujo la idea de
las variables aleatorias discretas al considerar la relación que existe entre un
conjunto a1, a2, …, an con sus correspondientes probabilidades p1, p2, …, pn.
También, consideró variables aleatorias continuas y sus densidades.

La expresión ‘variable’ fue utilizada por primera vez por Chebyshev, que asumió
implícitamente que todas las variables aleatorias eran independientes y fue A.

216
Liapunov (1857–1918) el primero que usó sistemáticamente el término ‘variable
aleatoria’ y especificó que serían independientes cuando fuese necesario.

En el comienzo de su obra sobre una afirmación en la teoría de probabilidad,

Liapunov dio la definición de función de distribución tal y como la conocemos hoy:
•(• < • < •) = • (•) – • (•).

El estudio del comportamiento de una variable aleatoria se origina de su medición

cuantitativa obteniendo valores que conforman un espacio muestral que resulta de
un ensayo, experimento o fenómeno aleatorio.

En muchos problemas es necesario determinar las probabilidades de que una

variable aleatoria describa valores específicos dentro de un rango de valores
posibles.

Por lo anterior, en este capítulo se incluye el concepto de variable aleatoria, tipos

de variables aleatorias, función de probabilidades para cada tipo de variable
aleatoria. Además del valor medio o esperanza, la varianza y desviación típica,
que son propiedades importantes de una variable aleatoria ya que permiten
estimar parámetros de la población para determinar su comportamiento.

217
COMPETENCIAS:

• Interpretacion e identificación de variables aleatorias

discretas y continuas en un experimento aleatorio
• Calculo del valor esperado, varianza y desviación típica
para variables aleatorias discretas y continuas.
• Interpretación de valores esperado, varianza y
desviación típica para variables aleatorias discretas y continuas.
• Resolucion y formulacion de problemas determinando la
función de distribución que describe una variable aleatoria discreta
o continua
• Resolucion y planteamiento de problemas usando las
diferentes distribuciones para variables aleatorias discretas,
argumentando el uso de cada una de ellas.

218
 4. VARIABLE ALEATORIA

Las variables aleatorias corresponden a una caracterización cualitativa de los

resultados que constituyen un espacio muestral, cada cantidad o valor es el
resultado de un experimento aleatorio, como tal, puede tomar distintos valores.

Se dice que se define una variable aleatoria para un experimento aleatorio cuando
se asocia un valor numérico a cada resultado del experimento.

En este sentido, Sea • el espacio muestral asociado a un experimento, se llama

variable aleatoria a toda aplicación del espacio muestral • en el conjunto de los
números reales •

Para designar variables aleatorias, se utilizan letras mayúsculas •, •, • … y las

letras minúsculas •, •, • … para designar valores de la variable.

El valor de la variable aleatoria, depende del resultado del experimento, una

variable aleatoria puede ser discreta o continua, depende del tipo de valores
numéricos que asuma.

Sin embargo, es importante destacar que en aquellos experimentos en los cuales

se realiza conteo, el valor numérico de la variable que se obtiene es de tipo
discreto. Mientras, que en los experimentos en los cuales se realiza medición, la
variable es continua.

4.1. VARIABLE ALEATORIA DISCRETA

Las variables aleatorias discretas son aquellas que toman un número finito o
infinito numerable de valores.

219
Ejemplo 4.1:

a) Una empresa se dedica a la producción de laminas de Drywall, fabrica al

día aproximadamente 2000 placas,

Se define la Variable aleatoria discreta como X= “No. De laminas

defectuosas”
X puede tomar valores desde 0, 1, 2, 3… 2000.
Esta variable en la manera como se encuentra definida es de tipo discreta.

b) En una bolsa se encuentran 10 canicas de color rojo y 10 canicas de color

azul. Se extrae al azar una canica. No se sabe con certeza el color de la
canica que se extrajo, este experimento se sigue realizando 6 veces más.

Al terminar de realizar el experimento se desea conocer cuantas canicas de

cada color se extrajeron. Para esto Definimos las variables aleatorias:

X = "número de canicas de color azul que se extrajeron de la bolsa"

Y = "número de canicas de color rojo que se extrajeron de la bolsa"

Las variables aleatorias así definidas son discretas siendo su valor inicial 0,
decir que no se extrajo ninguna canica de determinado color y para cada
una de las variables X o Y, el máximo valor que puede tomar es 7. Debido
que se realizan 7 extracciones en total.

4.2. VARIABLE ALEATORIAS CONTINUAS

Las variables aleatorias continuas son aquellas que pueden obtener cualquier
valor en la recta de los reales.

220
Los resultados de experimentos basados en escala de medición del peso, tiempo,
temperatura, distancia pueden ser descritas por variables aleatorias continuas.

Es importante destacar que el estudio de las variables aleatorias continuas

requiere del cálculo matemático, las integrales y las derivadas.

Ejemplo 4.2:

Para el proceso de fabricación de las galletas, las materias primas deben ser
almacenadas a temperaturas reguladas para su refrigeración.

La refrigeración es necesaria para la conservación de la materia prima, esta se

debe realizar a una temperatura entre 4º C y 8º C. Para esto el operario debe
medir constantemente la temperatura.

Definamos X como la temperatura de refrigeración, esta puede asumir valores

como 4,5º C; 5,8º C. en general: 4º C • X • 8º C.

Ejemplo 4.3:

En la pizzería Paco’s se realiza un estudio para determinar el tiempo en espera

promedio que demora un cliente en ser atendido una vez el ingresa a la cola para
realizar su pedido.

Este estudio se realiza con el fin de lograr aumentar la satisfacción de los clientes,
reduciendo los tiempos de espera.

Definamos Y como el tiempo de permanencia de un cliente en la cola.

Para un primer cliente C1, se cronometra y se obtiene un tiempo de 1,3 minutos
en la cola.

221
Esto se hace con el resto de clientes que llegan en determinado rango de hora a la
pizzería Paco’s.

De acuerdo al estudio el tiempo mínimo que puede permanecer un cliente en cola

es de 1 minuto y el tiempo máximo es de 10 minutos. Por lo cual:
1 • • • 10

4.3. EL VALOR ESPERADO DE UNA VARIABLE ALEATORIA

En estadística, el valor esperado también conocido como la esperanza

matemática, media o esperanza de una variable aleatoria es el número que
describe el valor medio en un experimento.

4.3.1. El Valor Esperado En Variables Aleatorias Discretas

Si X toma los valores x•, x• , … , x• , … , x• con probabilidades p• , p, … , p• , … , p•, Se

establecerá la esperanza o media como lo siguiente:
•

E[X] = • x• • p•
•••

Propiedades:
• Una variable aleatoria que describe un valor constante C, en otras palabras
la variable es constante. Su esperanza es esa misma constante.
• •

•[•] = • ••• = • • •• = •
••• •••

222
 • Cuando se multiplica una variable aleatoria por una constante, su
esperanza se ve multiplicada por esa constante.
• •

•[•• ] = • ••• •• = • • •• •• = ••[•]

••• •••

••• • •[•]• = 0
Entonces:
• • • • •

••• • •[•]• = •(•• • •[•])•• = • •• •• • • •[•]•• = • •• •• • •[•] • ••

••• ••• ••• ••• •••

= • [ • ] • • [• ] = 0
• Si X e Y son dos variables aleatorias, •[• + •] = •[•] + •[•]
En general, •[•• + •] = ••[•] + •

Ejemplo 4.4:

En un lote de producción de láminas de Drywall se presenta una probabilidad de

obtener lotes defectuosos de la siguiente forma: 0,25 presentan 5 lotes
defectuosos, una probabilidad de 0,20 presentan 10, de 0,15 presentan 15, y por
ultimo 0,1 presentan 20 lotes defectuosos. Si se considera la variable aleatoria
como productos defectuosos. ¿Cuál es su esperanza?

La variable aleatoria X toma los valores de 10, 5, 15, 20 con las probabilidades a
que les corresponde 0.2, 0.25, 0.15, 0.1, esto es una variable aleatoria de tipo
discreta. Y su esperanza matemática es:

•[•] = 10 (0.25) + 5(0.25) + 20(0.1) + 15(0.15) = 2 + 1.25 + 2 + 2.25 = 7.5 •

8 lotes defectuosos

223
4.3.2. El Valor Esperado En Variables Aleatorias Continuas

Consideremos una variable aleatoria continua X. La media o esperanza de X se

representa mediante la siguiente expresión:
•
•[•] = • • • •(•)••
••

Donde • son los valores que toman la variable y •(•) es la función de densidad.

Propiedades:

• Dada una variable aleatoria continua que toma el valor de C, es decir, la

variable es constante. Su esperanza es esa misma constante.
• •
•[•] = • • • •(•)•• = • • •(•)•• = •
•• ••

Teniendo en cuenta que:

•
• •(•)•• = 1
••

• Cuando una variable aleatoria continua se multiplica por una constante, la

media también se multiplica por dicha constante.
• •
•[••] = • • • •• • •(•)•• = • • •• •(•)•• = • • • [•]
•• ••

••• • •[•]• = 0
Entonces:
• • •
••• • •[•]• = • (•• • •[•]) • •(•)•• = • •• •(•)•• • • •[•] • •(•)••
•• •• ••
• •
= • •• • •(•)•• • •[•] • •(•)•• = •[•] • •[•] = 0
•• ••

• Sean • e • dos variables aleatorias continuas, entonces:

•[• + •] = •[•] + •[•]. En general, •[•• + •] = ••[•] + •

224
Ejemplo 4.5

Se hace un experimento para determinar el tiempo de duración de una batería de

1.5 voltios, la cual se puede describir por una variable continua x mediante la
siguiente función:
•
•(•) = ••3•(• • 1) •ñ•• 0•••1 •
0 •• ••••

Hallar valor esperado de duración de la batería de 1.5 voltios.

Entonces,
• •
•(•) = • • • •(•)•• = • • • (•3•)(• • • 1)••
•• •

• • • •••
3• •
= • (•3• • + 3• • )•• = • •3• • •• + • 3• • •• = = •• + ••• = 0,4
• • • 5 •••

El resultado muestra que en promedio, un repuesto electrónico tiene una vida

promedio de 0,4 años, es decir:
•• •••••
0,4 •ñ•• = 4,8 ••••• • 5 •••••
• •ñ•

Ejemplo 4.6.

El bienestar familiar colombiano, realiza un estudio para evaluar el índice de masa

corporal de un grupo de niñas que oscilan en edades entre 13 y 14 años,
encontrando que el IMC es una variable aleatoria que describe la siguiente
función:

225
 1 19 • • • 20
•(•) = • •
0 •• ••••

El Índice de Masa Corporal (IMC) es una medida de asociación entre el peso y la

talla de un individuo.
Hallar la media del índice de masa corporal del grupo de niñas.
• ••
•(•) = • • • •(•)•• = • • ••
•• ••

• ••••
•
=• • = 19,5
2 ••••
•••• (•• )
El índice de masa corporal es IMC =
•••••• • (•)

De acuerdo a la clasificación realizada por la OMS (Organización mundial de la

salud), el índice de masa corporal es adecuado. Es decir las niñas tienen un peso
apropiado en relación con su estatura.

4.4. VARIANZA EN VARIABLES ALEATORIAS

La varianza de una variable aleatoria es una característica numérica que

proporciona una idea de la dispersión de la variable aleatoria respecto de su
esperanza. Por lo cual es un parámetro de dispersión.
La varianza es:
2
•(•) = •[(• • •[•]) ]

En otras palabras, la varianza es el promedio de las desviaciones cuadráticas de

los diferentes valores que puede tomar la variable respecto de su valor medio
teórico o esperanza.

226
Una de las características de la varianza es que se expresa en unidades
cuadráticas respecto de las unidades originales de la variable. Un parámetro de
dispersión derivado de la varianza y que tiene las mismas unidades de la variable
aleatoria es la desviación típica, que se define como la raíz cuadrada de la
varianza.

2
•• = ••[(• • •[•]) ]

Propiedades de la varianza

1. V(X) • 0
2. • (• · •) = • • · Var(•) para todo número real k.
3. • (•) = 0 para todo número real k.
4. •(• · • + •) = •• · ••• (•) para todo par de números reales • y •.
5. • (• + •) = •(•) + • (•) únicamente en el caso que • e • sean
independientes.

4.4.1. VARIANZA EN VARIABLES ALEATORIAS DISCRETAS

La varianza es definida como la esperanza del cuadrado de la diferencia entre la

variable y su esperanza:
•(•) = • [(• – • [•])• ]

Teniendo en cuenta la definición de esperanza, la varianza queda:

•

•(•) = •(• • •[•])•••

•••

Desarrollando el cuadrado llegamos a la siguiente expresión:

227
 • • • •

•(•) = •(•• • •[•]) •

•• = • ••• •• •
+ • •[•] •• • 2 • •• • •[•] • ••
••• ••• ••• •••
• • •

= • ••• •• + •[•]• • •• • 2•[•] • •• •• = •[• •] + •[•]• • 2•[•]•

••• ••• •••

= • [• • ] • • [• ]•

Finalmente,
•(•) = •[• •] • • [•]•
• •

•• = • ••• • •• • •• = •(•• • •)• • ••

••• •••

Ejemplo 4.7:

Retomando el ejemplo 4.1 se le halla la varianza a la variable aleatoria de la

siguiente manera:

Sabiendo que •(•) = • lotes defectuosos;

La variable aleatoria X toma los valores de 10, 5, 15, 20 con las probabilidades a
que les corresponde 0.2, 0.25, 0.15, 0.1
•

•• = •((•• • •)• • •. • + (• • •)• • •. •• + (•• • •)• • •. •• + (•• • •)• • •. •• )

•••

•• = ••. •

4.5. DESVIACIÓN TÍPICA DE VARIABLES ALEATORIAS DISCRETAS

Se llama desviación típica o estándar a la raíz cuadrada positiva de la varianza

• = ••(•)

228
Para determinar la varianza hemos elevado los datos al cuadrado, esto implica
que las unidades se elevan al cuadrado. La desviación típica consigue tener las
desviaciones en la misma unidad que los datos.

• = •• ••• • •• • ••
•=•

Ejemplo 4.8:

Del ejemplo 4.1 podemos hallar la desviación estándar del número de lotes
defectuosos de láminas de Drywall que se pueden encontrar.

Reemplazando en la ecuación:

• = •[(•• • •. ••) • •• ] + [(10• • •. •) • •• ] + [(••• • •. •) • ••] + [(10• • •. •) • ••]

• = •. ••

En la distribución de variable discreta se define el momento de orden k centrado

en el origen como •• = •(•• ), que para variable discreta será:
• •

•• = • (• • ) = • ••• •(• = •• ) = • ••• ••

••• •••

Se define el momento de orden • centrado en la media como •• = •[(• • •)•],

que para variable discretas será:

•• = •((• • •)• ) = •(•• • •)• •(• = •• ) = •(•• • •)• ••

• •

229
4.5.1. VARIANZA EN VARIABLES ALEATORIAS CONTINUAS

Se define como la esperanza del cuadrado de la diferencia entre la variable y su

esperanza: así: •(•) = • [ (• • •[•] )•], teniendo en cuenta la definición de
esperanza:
•
•[•] = •[(• • •[•])•] = • (• • •[•])• •(•)••
••

Desarrollando el cuadrado queda la siguiente expresión:

• • •
•] • •
•[•] = •[• • •[•] = • • • •(•)•• • •• • • •(•)•••
•• ••

Retomando el ejemplo 4.6, hallar la varianza.

El bienestar familiar colombiano, realiza un estudio para evaluar el índice de masa

corporal de un grupo de niñas que oscilan en edades entre 13 y 14 años,
encontrando que el IMC es una variable aleatoria que describe la siguiente
función:
1 19 • • • 20
•(•) = • •
0 •• ••••

Para calcular la varianza es necesario calcular •[•] y • [•• ]

•• •• •
•[•] = •[•• ] • •[•]• = • • • • •(•)•• • •• • • •(•)•••
•• ••

•• •
• ••
•• •
= • • • •• • • = 380,3333 • 380,25 = 0,0833
3 •• 2 ••

4.5.2. DESVIACIÓN TÍPICA EN VARIABLES ALEATORIAS CONTINUAS

Se llama desviación típica o estándar a la raíz cuadrada positiva de la varianza

• = ••(•)

230
Y se define por la siguiente expresión:
• •
• = •• • • •(•)•• • (• ••(•)••)•
•• ••

Del ejemplo anterior, la desviación estándar es igual a:

• = •0,0833 = 0,2886

4.6. FUNCIÓN DE PROBABILIDAD •(•) DE UNA VARIABLE ALEATORIA

Una función de probabilidad es una función (•) cuyo dominio es un intervalo

(••, •) y que cumple con las siguientes propiedades:
• •(•) • 0 para toda •
•
• ••• •(•)•• = 1

La función de probabilidad puede reflejar la frecuencia con la que se determinan

los valores de cierta población o variable.

4.6.1. Función De Probabilidad •(•) De Una Variable Aleatoria Discreta

Una variable aleatoria discreta X, el cual toma valores •• , •• , … , •• . Supongamos

que conocemos la probabilidad de que la variable X tome dichos valores, es decir,
se conoce que
P(X=x1) = p1,
P(X=x2) = p2,
P(X=x3) = p3, ..., p(X=xn) = pn

En general p(X=xi) = pi

La función de probabilidad f(x) de la variable aleatoria X es aquella que se asigna

a cada valor xi de la variable su correspondiente probabilidad pi.

231
 •: • • • •. •• • 0, •• = 1,2, … , •
•

• • •(•) = •(• = •) ••. • •• = 1

•••

Tabla 4.1 Valores de Función de Probabilidad de una Variable Aleatoria Discreta

X x1 x2 … xn
pi=p(X=xi) p1 p2 … pn
Fuente: Los Autores

La representación gráfica más usual de la función de probabilidad es un diagrama

de barras no acumulativo.

Figura. 4.1 Función de Probabilidad de una Variable Aleatoria Discreta

Fuente: Los Autores

En otras palabras, se asocia a cada valor de la variable aleatoria discreta la
probabilidad acumulada hasta ese valor (la probabilidad de que la variable
aleatoria tome valores menores o iguales a xi).

Propiedades:

F(x) es una probabilidad; 0•F(x)•1

F(x) = 0 para todo x<x1

232
F(x) = 1 para todo x•xn
Es constante en cada intervalo [•• •, ••••• )

Es creciente
•(• < • • •) = •(•) • •(•)
Podemos expresar la función de distribución de la siguiente forma:

Si una variable aleatoria X tiene como función de probabilidad:

Tabla. 4.2 Valores de una Función de distribución de Probabilidad Acumulada

X x1 x2 … xn
F(x)= p(X=x) p1 p2 … pn
Fuente: Los Autores

Su función de distribución es:

Su representación gráfica tiene forma escalonada, donde los saltos coinciden

con la probabilidad •i correspondiente a los valores •i de la variable •.

233
Figura. 4.2 Función de distribución de Probabilidad Acumulada

Fuente: Los Autores

Ejemplo 4.9.

El departamento de mercadeo de una empresa de mensajería, realiza la

trazabilidad de los paquetes enviados que no llegan a tiempo, lo cual ocasiona
quejas por parte de los clientes, quienes confían en la llegada oportuna de los
paquetes enviados. De acuerdo a la información recopilada se encuentra que:
En el mes de abril de este año, un total de 20 paquetes no llegaron en el tiempo
convenido con el cliente. El cuadro siguiente detalla el número de paquetes que no
fueron entregados a tiempo en cada semana.

Tabla 4.3 Numero de Paquetes que no fueron entregados a tiempo en semanas.

Semana 1 2 3 4
No. De Paquetes que no fueron entregados a tiempos 3 9 4 4
Fuente: Los Autores

234
La meta del departamento de mercadeo es reducir el 5% de las quejas
presentadas por llegadas el incumplimiento a los clientes en cuanto a los tiempos
de entrega de los paquetes enviados.
El personal de mercadeo está haciendo todas las gestiones posibles para que el
próximo mes, no se presente la misma situación del año pasado, en el cual los
meses de abril y mayo presentaron igual número de quejas por incumplimiento en
los tiempos de entrega de los paquetes enviados por los clientes.

El jefe del departamento quiere conocer la probabilidad que se presenten quejas

por parte de los clientes en cada una de las semanas del mes de mayo.
Suponiendo que la variable se comporte igual que el mes de abril.

Para estimar cada una de las probabilidades se aplica la siguiente fórmula:

•• •• ••• •• ••••• •• •• ••••••
• (• = •••••• •) =
••••• •• ••• •• •• •• •••
3
• (• = •••••• 1) =
20
•
• (• = •••••• 2) =
••
4
• (• = •••••• 3) =
20
4
• (• = •••••• 4) =
20

En resumen:

Tabla 4.4 Probabilidad de quejas en semanas.

Semana 1 2 3 4
Probabilidad que se presenten quejas 0.15 0.45 0.2 0.2
Fuente: Los Autores

235
4.6.2. FUNCIÓN DE PROBABILIDAD DE UNA VARIABLE ALEATORIA
CONTINUA

La función de probabilidad •(•) nos brinda la información que es llamada

densidad de probabilidad, lo que quiere decir que el área que se encuentra por
debajo de la función entre dos valores de la variable [•, •] es la misma
probabilidad de que ésta pueda tomar cualquier valor entre los mismos, como se
muestra en la siguiente figura.

Figura 4.3 Función de Probabilidad de una Variable Aleatoria Continua

Fuente: Los Autores

La probabilidad de que la variable • pueda tomar cualquier valor entre • y • se

calcula de la siguiente forma:
•
•(• • • • •) = • •(•)••
•

Si el área que se encuentra debajo de la función sirve para la determinación de la

probabilidad en un intervalo de valores, por lo tanto se debe cumplir que el área
total por debajo de ella debe ser 1;
•
• •(•)•• = 1
••

236
Y en consecuencia de que • sea continúa, o sea que cualquier valor • de la
variable su probabilidad es nula; •(• = •) = 0. Este resultado se deriva de:
•
•(• = •) = • •(•)•• = 0
•

En resumen, una función •(•) es una función de probabilidad de una variable

aleatoria continua si cumple con las siguientes condiciones:
• Es positiva en todo su dominio: 0 • •(•) • 1
• La probabilidad •(• • •(•) • •) corresponde al área bajo la gráfica,
comprendida en los valores a y b de la variable x.
•
•(• • • • •) = •• •(•)••
• El área total de la gráfica de • y el eje X, equivale a 1. Es decir,
•
••• •(•)•• = 1
• Permite obtener F(x) como área bajo la gráfica hasta el valor de x.

Ejemplo 4.10:

Hallar la probabilidad que el precio de una libra de café varíe entre 1,0 y 2,0
dólares, de acuerdo a la siguiente función de probabilidad
• (•)=Probabilidad de una libra de cafe.
2• • 2 1,0 • • • 2,0
• (• ) = • •
0 •• ••••
•
• = • (2• • 2)•• = |• • • 2•|•• = 1
•

237
EJERCICIOS PROPUESTOS
CAPÍTULO N° 4.

238
Preguntas Propuestas.

Responda las siguiente preguntas, marque con una X si está es Verdadero (V) ó
Falso (F)
1. Se define que una variable aleatoria es la que se encuentra asociada a un
experimento aleatorio, y a este se le asocia un valor numérico a cada valor
del experimento, estos valores pueden ser de dos tipos tanto positivos
como negativos, existen dos tipos de variable aleatoria; los cuales son
discreta y continua. ________

2. Se denomina variable discreta si únicamente toma valores finitos o

numerables; y variable continua cuando toma valores infinitos ó no
numerables. __________

3. Se denomina función de probabilidad de una variable aleatoria cuando a

este se le es asignada una probabilidad. Cuando se especifican los
diferentes valores de la variable aleatoria y sus diferentes probabilidades,
de esta forma se construye un modelo de distribución de probabilidad.
___________

Ejercicios propuestos.

1. Dada la ley de probabilidad discreta P(X=i) = i/120, i=1,2,3,…,10 calcular: P

( 2 ≤ X ≤ 7) = 0 y P ( X 2 ≤ 50) . Calcular también la esperanza y la varianza de
la variable X

2. La siguiente tabla contiene la distribución de probabilidad del número de

pacientes diarios que son atendidos en un hospital psiquiátrico.

239
Tabla 4.5 Probabilidad de Pacientes Atendidos en el Hospital Psiquiátrico
PACIENTES ATENDIDOS EN EL
HOSPITAL PSIQUIATRICO
Pacientes atendidos Probabilidad
diariamente (y) P(y)
0 0,05
1 0,10
2 0,25
3 0,15
4 0,30
5 0,15
Fuente: Los Autores

Calcula el número de pacientes atendidos por día.

3. En un estudio realizado para determinar la relación del uso del internet con el
riesgo de padecer depresión entre jóvenes de 18 a 25 años, se determinó que
esta relación se describe a través de una función de probabilidad:
2
( x + 2) 0•x•1 •
•5
0 en cualquier punto

Determinar el número esperado de jóvenes que sufren depresión.

4. La velocidad del arrastre de un colido genera en una fuente fluvial

contaminación debido a la acumulación de sedimentos en el fondo del mismo,
la probabilidad de los sedimentos en su totalidad está dada por la siguiente
función:
(4x + 1) 0•x•1 •
•
0 en cualquier punto

240
 Hallar la probabilidad de que se dispersen totalmente los sedimentos.

5. La tasa de mortalidad de una ciudad se encuentra dada por la siguiente

distribución de probabilidad.
(e• • e + 2) 0•x•1 •
•
0 en cualquier punto

a. Calcula el valor esperado y varianza del tiempo anual

b. Si cada familia de la persona fallecida se le cancelan $2000 dólares por
seguro de vida anual. Calcular el valor esperado y varianza.
c. Cree que el costo excedería con frecuencia los $2.000.000

6. Los costos de combustible para una empresa se manejan con la siguiente

distribución,
(6x • • 1) 0•x•1 •
•
0 en cualquier punto

Si en la empresa existen nueve vehículos que consumen 55gl - diarios por

vehículo, calcule el valor esperado y la varianza del costo de galones
mensuales.

7. La producción de una empresa de concreto se encuentra dada por la siguiente

distribución en (metros cúbicos – minutos):
•
(•2xe• + e) 0•x•1 •
•
0 en cualquier punto

El costo de un metro cubico es de:

Agua $11m3
Grava $250 /kg
Arena $ 125 /kg
Cemento $ 450/kg

241
¿Cuál sería el punto de equilibrio para la empresa, si además se deben de
saber cuántos metros se deben de producir sabiendo que la hora hombre
es equivalente a $1300 y se necesitan 5 operarios para el proceso, y los
imprevistos son del 10% de lo producido?

242
ESTUDIO DE CASOS

CASO 1

En una empresa metalmecánica fabrican piezas en acero inoxidable, estas piezas

de acero inoxidable deben cumplir las especificaciones técnicas del cliente. por lo
cual se debe asegurar las medidas críticas que se encuentren dentro de los
rangos de tolerancia.

Para fabricar la pieza, se realizan dos procesos básicos, torneado y fresado. El

fresado es el proceso en el cual ocurren el 80% de los reprocesos. Por lo cual la
empresa realizó un estudio para establecer las causas de las mismas.

A partir del análisis de causas se llegó a la conclusión que los reprocesos son
causados por fallas en las máquinas. A continuación se muestra la cantidad de
piezas que se fabrican en el mes:

Descripción Enero Febrero Marzo Abril Mayo Junio

Total Piezas 94 93 136 140 160 148
Fabricadas

Otra conclusión derivada del estudio, es que las no conformidades se generan

cuando la operación se realiza a altas velocidades por lo que cuando se realizan
las piezas a estas velocidades la probabilidad que una pieza no cumpla las
especificaciones es igual a 0.01 del 70% de las piezas que se fabriquen. ,

Para los meses de Julio, agosto, septiembre y octubre, la empresa debe cumplir
con las demandas de los clientes los cuales son:

243
 Mes Demanda
Julio 215
Agosto 180
Septiembre 145
Octubre 123

Para cumplir con la demanda de los clientes, las maquinas deben operar a altas
velocidades. Teniendo en cuenta lo anterior:
1. Cuál es la probabilidad que se incrementen los reprocesos en un 10%
2. Genere alternativas para disminuir los reprocesos

244
CASO 2

Un partido político realizo un estudio con el fin de evaluar las preferencias de las
personas con el potencial de votar en las épocas de elecciones.

Dicho estudio es realizado a 200 personas en 10 de las principales ciudades de

Colombia. En el estudio se evalúan aspectos decisivos por los electores, tales
como: Educación, Salud, Seguridad, Capacidad de generar empleo.

Los resultados fueron los siguientes:

Electores que se inclinan por un gobierno donde la prioridad es la capacidad de
generar empleo: 60%
Electores que se inclinan por un gobierno donde la prioridad es la educación: 60%
Electores que se inclinan por un gobierno donde la prioridad es la salud: 60%
Electores que se inclinan por un gobierno donde la prioridad es la seguridad: 60%

Además el 30% de las personas con potencial de votar no están seguras de

sufragar.
El 40% no sufragan porque consideran no votar una alternativa para manifestar
que no están de acuerdo son ningún partido político y el 25% ejercen su derecho
al voto.

Otro aspecto muy relevante es que el 30% que no están seguras por quién votar,
el 25% son jóvenes.
Para alcanzar el porcentaje de las votaciones necesaria para ganar las elecciones,
el partido político decide fortalecer su proyecto de generación de empleo y llegar a
la población de personas que ejercen su derecho al voto y los jóvenes que no
están seguros por quién votar. Teniendo en cuenta lo anterior:
1. Cree usted que la estrategia a implementar por el partido político es la
mejor. Argumente su respuesta

245
2. Proponga una estrategia que asegure mayor probabilidad de ganar las
elecciones

246
 CAPÍTULO 5
DISTRIBUCIONES DE PROBABILIDAD

247
 INTRODUCCION

La distribución de probabilidad es una función que asigna a cada suceso de una

variable aleatoria la probabilidad de ocurrencia del suceso.

Las distribuciones de probabilidad describe como se distribuye las probabilidades

de los diferentes valores de una variable aleatoria, la aleatoriedad se asocia con la
ocurrencia de ciertos eventos cuando se lleva a cabo un experimento. Estas se
pueden representar gráficamente:

1. Cuando la variable aleatoria es discreta, la gráfica de la función de

probabilidad puede construirse usando segmentos de retas verticales. Los
valores de la variable aleatoria se localizan en el eje horizontal y las
probabilidades en el eje vertical, en cada valor se construye un segmento
de recta vertical de altura igual a la probabilidad de la variable aleatoria. La
suma de las longitudes verticales debe ser igual a uno.

2. A través de un histograma de probabilidad en donde los rectángulos están

dibujados de tal forma que sus bases, con el mismo ancho, están centradas
en cada valor de x de X, y sus alturas son iguales a la correspondientes
probabilidades dadas por f(x), puesto que cada base tiene un ancho igual a
uno.

A través de la distribución de probabilidad se puede describir como se espera que

se comporte los resultados de una variable. Por lo cual pueden representar
modelos que sirven para realizar inferencias y tomar decisiones en condiciones de
incertidumbre.

248
Muchos conjuntos de datos se pueden aproximar, con gran exactitud, utilizando
determinadas distribuciones probabilísticas; los resultados de éstas se pueden
utilizar para analizar datos estadísticos.

En este capítulo se trataran las diferentes distribuciones de probabilidad para las

variables aleatorias discretas y continuas.

249
COMPETENCIAS:

• Interpretación y aplicación de las distribuciones de

probabilidad de variables aleatorias continuas y discretas
• Interpretacion e identificación de tablas de probabilidad de las
diferentes distribuciones de probabilidad para determinar la
probabilidad de una variable aleatoria
• Interpretación y Calculo de los teoremas para determinar el
valor esperado de una variable aleatoria con una distribución
de probabilidad.
• Utilizacion conceptos básicos de distribuciones de
probabilidad
• Diseño de experimentos aleatorios (de las ciencias físicas,
naturales o sociales) para estudiar un problema o pregunta.
• Proposicion de inferencias a partir del estudio de las
distribuciones de probabilidad.

250
5. DISTRIBUCION DE PROBABILIDAD

5.1 DISTRIBUCIÓN DE PROBABILIDAD PARA UNA VARIABLE DISCRETA

Este tipo de distribuciones de probabilidad es un listado mutuamente excluyente

de todos los posibles resultados, para este tipo de variables, tanto que se dice que
la probabilidad particular se encuentra asociada con cada uno de los resultados-

Ejemplo:

Mauricio ha lanzado dado, cuál es la distribución de probabilidad para hallar el

resultado que obtuvo Mauricio.

Distribución de probabilidad de un dado 1 2 3 4 5 6

Probabilidad 1/6 1/6 1/6 1/6 1/6 1/6

Entonces:

La probabilidad que se obtenga 3 como resultado es 1/6

Usando la regla de la adición para eventos mutuamente excluyentes, la

probabilidad de una cara impar es:

P (impar) = P(1)+P(3)+P(4)= 1/6+1/6+1/6 = 2/6

La probabilidad de que la cara sea mayor que 6 es P(• > 6)=0, X se define como
el posible reslutado.

En la distribución de probabilidad discreta se cumple que:

251
 • 0 • •(•) • 1 para toda y

• •• •(•) = 1, donde la sumatoria es sobre todos los valores posibles de la

variable y, con una probabilidad diferente de cero.

5.1.1 MODELOS DE PROBABILIDAD DE VARIABLES ALEATORIAS

DISCRETAS

Dentro de los modelos de probabilidad, correspondiente a variables aleatorias

discretas, las de mayor aplicación se tienen: Bernoulli, Binomial, Poisson,
Exponencial, Multinomial e hipergeométrico. Mientras que los modelos de
probabilidad correspondiente a variables aleatoria continuos se considera el
modelo normal estandarizado.

[Link] Distribución Bernoulli

Un experimento de Bernoulli tiene uno de dos resultados mutuamente

excluyentes, que generalmente se denotan S (éxito) y F (fracaso). Por ejemplo, al
seleccionar un producto con el fin de verificar que cumpla con las especificaciones
de calidad, se lleva a control de calidad, después de efectuar las pruebas
necesarias puede ocurrir que este cumpla o no cumpla las especificaciones. El
espacio muestral E, para este experimento Bernoulli consta de dos resultados E=
{cumple, no cumple}.

Supongamos que p es la probabilidad de observar un éxito en un ensayo

Bernoulli, es decir que el producto cumpla con las especificaciones, donde
0 • • • 1.

La distribución de probabilidad de la variable aleatoria en Bernoulli, está dada por:

•(• = 1) = •, •(• = 0) = 1 – • = •

252
Donde x el resultado que se obtiene a partir de las pruebas de calidad, los cuales
pueden ser que el producto cumpla o que no cumpla las especificaciones.
La distribución de probabilidad de la variable aleatoria de Bernoulli X está dada
por:
X ~ Bernoulli (p), P(X=x) = • • •••• , • = 0,1

Si • variable de Bernoulli (p), entonces

E(X)=p
E(X) = 0·q + 1· p = p

•• (X) = E[(X • E(X))• ] = (0 • •)• • + (1 • •)•• =

= ••• + • •• = ••(• + •) = ••
•• (X) = ••

Propiedades
1. Función de distribución

0 •• • < 0
•(•) = •(• • •) = •1 • • •• 0 • • < 1•
1 •• • • 1

Ejemplo 5.1:

Si X variable de Bernoulli (1/3) • P(x) = (1/3)x(2/3)1-x

Entonces p = 1/3 y q = 2/3, luego
E(X) = 1/3 y • • (X) = 2/9

253
Una variable aleatoria de Bernoulli, por sí sola, tiene poco interés en las
aplicaciones de ingeniería y ciencias. Pero cuando estas son aplicables con una
serie de pruebas de Bernoulli, produce varias distribuciones de probabilidad
discretas bien conocidas y útiles.

[Link] Distribución Uniforme

La distribución uniforme es la que corresponde a una variable que toma todos sus
valores, x1, x2..., xn, con una probabilidad igual; el espacio muestral debe ser finito.
Si la variable tiene k posibles valores, la función de probabilidad sería:
1
•• • • •(•, •) =
•
En donde k es un parámetro de la distribución (un parámetro es un valor que sirve
para determinar la función de probabilidad o densidad de una variable aleatoria)
La media y la varianza de la variable uniforme se calculan por las expresiones:

•(•) = • •• • •(• = •• )
•••
• •
1 1
• •• • = • ••
• •
••• •••

• • •
1 1
• (•) = • ••• • • • •• •
•
• •
••• •••
• • •
• •) • 1•
• (•) = •(• • ••(•)• = • • • •(• = •• ) • • • •• •
•
••• •••
• • • • • •
1 1 1 1
= • •• • • • • •• • = • ••• • • • •• •
• • • •
••• ••• ••• •••

Propiedades

254
 1. Función de Distribución:

•(•) = •(• • •) = • •(• = •• )

•• ••

[Link] Distribución Binomial

Esta distribución corresponde a una distribución de variable aleatoria discreta.

Para calcular esta distribución se hace necesario recordar el binomio de Newton y
el triángulo de Pascal.
Binomio de Newton: Puede describirse de la siguiente manera:

•(• • 1) ••• •
(• + •)• = •• + ••••• • + • • + • + ••
1×2
(• + •)• = • + •
(• + •)• = •• + 2•• + ••
(• + •)• = •• + 3•• • + 3••• + ••
(• + •)• = •• + 4•• • + 6•• •• + 4••• + ••
(• + •)• = • • + 5••• + 10•• •• + 10•••• + 5••• + ••
(• + •)• = •• + 6•• • + 15•• •• + 30•• •• + 15•• •• + 6••• + ••

•
La formula de (• + •)• = • • • •••• •• permite establecer una correspondencia
•
entre los coeficientes binomiales y el numero de combinaciones.

Sea A un suceso que tiene una probabilidad “p” de ocurrir. Para observar si en
cada experiencia ocurre el suceso A. Supongamos, además, que las repeticiones
son independientes, es decir, que después de cada repetición la probabilidad “p”
de que ocurra el suceso A no se ha modificado.

255
Ahora bien, para cada “número de veces que ocurre el suceso A, de probabilidad
p, cuando efectuamos n repeticiones independientes de la experiencia”,
designamos por X a la variable aleatoria entonces X es una variable binomial de
parámetros n y p y se representa:
X≡B(n,p)
En el caso de una variable aleatoria binomial la Función de Probabilidad viene
definida por la ecuación:
n
PX ( x) =   ⋅ p x ⋅ (1 − p) n− x con x=0,1, 2,...,n
 x

La media y la varianza de una variable binomial se determinan mediante:

•(•) = ••

Sabemos que una variable del tipo binomial •(•, •) puede expresarse como una
suma de • variables de tipo Bernouilli •(•), por tanto:
•(•) = •(•• + •• + • + •• ) = •(••) + •(••) + • + •(••) =
= • + • + • + • = ••

σ 2 ( X ) = n ⋅ p ⋅ (1 − p) ; Donde • = 1 • •
• • (•) = • •(•• + •• + • + •• ) = • • (•• ) + • • (•• ) + • + • • (•• ) =
= •• + •• + • + •• = •••

Otra cuestión de interés a estudiar es el caso de la adición de distribuciones: la

suma de dos variables binomiales independientes con idéntico parámetro p es otra
Binomial:
B(n1,p)+B(n2,p)=B(n1+n2,p)

256
Ejemplo 5.2:

Una agencia de viajes vende paquetes de viajes que incluyen: tiquete de

aeropuerto-hotel-aeropuerto y viceversa, hospedaje por tres días y dos noches en
una habitación doble, y desayuno, de este tipo de paquete vende a 7 personas,
todos el mismo día. La probabilidad de que una persona viaje en quince días es de
0.7, determinar la probabilidad que dentro de quince días viajen:
a) Las 7 personas
b) Al menos 4
c) Solo 3
d) Al menos 1

Es una situación en donde las personas tienen dos opciones de ir de viaje en

quince días o de no ir de viaje en quince días, esta tiene una probabilidad de éxito
(asistir al viaje en quince días) o de fracaso (no asistir al viaje en quince días)

a) Que asistan las 7 personas

P(X=7)è
7
P( X = 7) =   ⋅ 0.7 7 ⋅ (0.3) 0 = 1 ⋅ 0,0823⋅ 1 = 0,0823
7

b) Al menos 4
P(• • 4)è
P(• • 4) = 1 • •(• = 4) = 1 • •(• = 0) • •(• = 1) • •(• = 2) • •(• = 3) =
Se hallan las probabilidades para cada una de las X; y son las siguientes
P(• = 0) = 0.00021
P(• = 1) = 0.00357
P(• = 2) = 0.02500
P(• = 3) = 0.09724

257
 P(• • 4) = 1 • •(• = 4) = 1 • 0.00021 • 0.00357 • 0.02500 • 0.09724 = 0.8739

c) Solo 3
P(X=3)
 7
P( X = 3) =   ⋅ 0.7 3 ⋅ (0.3) 7−3 = 35 ⋅ 0.343⋅ 0.0081 = 0,09724
 3

d) Al menos 1
P(X=1)è •(• = 1) = 1 • •(• = 0) = 1 • 0.00021 = 0.9997

[Link] Distribución Multinominal

La distribución multinomial es muy similar a la binomial con la diferencia que cada

prueba tiene más de dos posibles resultados mutuamente excluyentes.
Si tenemos que K es un resultados posibles (Ei,i = 1, ... , K) con probabilidades
fijas (pi, i = 1, ... , K), la variable que expresa el número de resultados de cada tipo
obtenidos en n pruebas realizadas de manera independientes tiene distribución
multinomial.

Tabla 5.1 Valores de una Distribución Multinominal

Resultados No. De ocurrencias Probabilidad
en n pruebas

E1 X1 P1
E2 X2 P2
… … …
Ek Xk Pk
• •

Total • •• = • • •• = 1
••• •••

Fuente: Los Autores

258
Una variable aleatoria k-dimensional (••, … , •• ) sigue una distribución del
parámetro •, •• , … , •• , su función de probabilidad es la siguiente:
•!
•(••, … , •• ) = ••••••• , … , ••••• • = • •• … … ••••
••! … … •• ! •

Para •• = 0,1, … , •, con ••••• •• = •. Se dice que la variable (••, … , •• ) es de tipo

•(•, •• , … , •• ),

La media y la varianza de una variable k-dimensional se determinan mediante:

•(•• ) = •••
•
•
•• (••, … , •• ) •
•(•• ) = • • = • •• •• • •• • •
••• •
•••
•••••• •• •••
•••••• • ••

= ••• • •• •(•• • •• + • + •• • •• + • + •• ••• )••• |••••••

• ••

= ••• (•• + • •• )••• = •••

• • (•) = ••• (1 • •• )
•• (•• , … , •• )
•(•• ) = • • = •• ••• • •••• + •••
••• • ••••• • ••

Se tiene que:
•
• •(•) = •••••• • ••••• •• = •• ••• • •••• + ••• • •••••

• • (•) = ••• (1 • •• )

[Link] Distribución de Poisson

Consideremos X una variable Binomial de parámetros n y p. Cuando n tiende

hacia infinito y p tiende hacia 0, manteniéndose constante el valor medio λ= • · •,
por lo cual X tiene una distribución de Poisson y la representaremos por:

259
 •≡•• (λ)

Para la distribución de Poisson la Función de Probabilidad es:

e− λ ⋅ λx
PX (x ) = con x=0, 1, 2, ...
x!

Y la media y la varianza son:

•(•) = λ
• •
λ• •λ
•(•) = • ••(• = •) = • • •
•!
••• •••

λ λ• λ•
= • •λ •0 + 1 + 2 + 3 + • • =
1! 2! 3!
λ• λ•
= • λ •λ + + +•• =
1! 2!
λ λ
= • •λ λ •1 + + +•• =
1! 2!
= • •λ • λ • •λ = λ

• •(X)=λ
• •
λ• •λ
•(• • ) = • • ••(• = •) = • • • • =
•!
••• •••
•
λ λ λ•
= • •λ •0 + 1 + 2• + 3• + • •
1! 2! 3!
3λ• 4λ•
= • •λ •λ + 2λ• + + +••
2! 3!
3λ• 4λ•
= λ• •λ •1 + 2λ + + +••
2! 3!
λ• λ•
= λ• •λ •1 + (1 + 1)λ + (1 + 2) + (1 + 3) + • •
2! 3!
λ λ•
= λ• •λ •• λ + λ •1 + + + • ••
1! 2!
= λ• •λ •• λ + λ•λ • = λ(1 + λ) = λ + λ
•

260
La adición para el caso de la distribución de Poisson se define como: la suma de
dos variables de Poisson independientes resultando otra variable de Poisson cuyo
parámetro es la suma de parámetros de las variables sumadas:

Ps(λ1)+Ps(λ 2)=Ps(λ1+λ 2)

Ejemplo 5.3:

En la fila de un banco el número promedio que llegan las personas a la cola es de

150 por hora, si el banco puede atender máximo un total de 8 personas por
minuto, hallar la probabilidad que en un minuto cualquiera llegue mas personas a
la cola esperando ser atendida?

El número de personas aleatorio el cual llega a la cola esperando ser atendido en

minutos se encuentra dado de Pla siguiente forma, siendo X la variable de Poisson
de parámetro m=150/60=2,5, este sería el número medio de llegadas a la cola del
banco en minutos

La probabilidad que se debe hallar es P(• > 8), ya que para que lleguen mas
personas a la cola la probabilidad se debe encontrar por encima de la media,
entonces,
•(• > 8) = 1 • •(• • 8), siendo •(• • 8) la función de distribución de la variable
de parámetro 2.5
•(• • 8) = •(• = 0) + •(• = 1) + •(• = 2) + •(• = 3) + •(• = 4) + •(• = 5)
+ •(• = 6) + •(• = 7)

Entonces, aplicando la formula de probabilidad para una distribución de poisson

•• ••
•(• =) •
•!
Obtenemos que:

261
 •(• = 0) = 0,08
•(• = 1) = 0,21
•(• = 2) = 0,26
•(• = 3) = 0,21
•(• = 4) = 0,13
•(• = 5) = 0,07
•(• = 6) = 0,03
•(• = 7) = 0,01
Entonces •(• • •) = • • • = •

La probabilidad de que sea mayor es 0

[Link] Distribución Hipergeométrica

Supongamos una población formada por N individuos (finita) de la que extraemos

al azar n de ellos. Comprobamos cuántas veces ocurre un determinado suceso A
que tiene una probabilidad p de ocurrir. Si llamamos X al número de individuos de
entre los n que hemos tomado al azar que tienen esa característica A entonces •
es una variable Hipergeométrica y lo denotaremos por • = •(•, •, •).

La distribución Hipergeométrica es el mismo que el de la Binomial. La única

diferencia es que en el caso de la Binomial las repeticiones debían ser
independientes y en este caso deben ser dependientes.
X=H(M,n,p)

La Función de Probabilidad de una distribución Hipergeométrica es:

262
 M ⋅ p   M ⋅ (1 − p) 
  ⋅  
PX ( x ) = 
x   n − x  ••• • = 0,1,2, . . . , •
M 
 
n
Y la media y la varianza son:
•(•) = ••
••• •••
• •• •
•(•) = • • • •(• = •) = • • • • ••• =
•
• • • •
•
••
1 •• • (•• • 1) … … (•• • • + 1) • • •
= •• • ••• =
• • • (• • 1) … … 1
• • •
•
•• •• • 1 •• •• • • 1
= •• ••• •= • •
• • • • •
• • • • • 1 • • ••1
• •
••
= • • = ••
•

•••
• •(•) = •••
••1
•• ••
• •• •
•(•• ) = • • • • •(• = •) = • •• • • •••
•
• • • •
•
•• •• • 1 ••
• •• •
• ••1
• • ••
= •• •
•
• • •
•
•• •• • 1 ••
= ••(• • 1) + 1• • •• •
• ••1 •••
• • •
•
•• •• • • •• •• • • ••
= •(•• • •) • • •• • + •• •• ••
• • • • • • • • • • • ••
• • • •
•
•• •• + •• • • •• + •• • •
= •(•• • •) • •+• ••
• •• •+ ••• •••+•••
• •
•

263
 •• ••• •••
= •(•• • •) • •+• ••
• • • • •••
• •
•
•• [(•• • •)(• • •) + (• • •)]
=
•••
Entonces,
• (•) •
• = •••• • • ••(•)•
•• [(•• • •)(• • •) + (• • •)]
= • (•• )•
•••
•••
= ••• •
•••

Ejemplo 5.4:

En una empresa dedicada a la fabricación de llantas se dispone de un

departamento de control de calidad en el cual se encuentran muestras de
productos conformes y no conformes, se tienen 10 muestras de productos
conforme y 7 de productos no conformes, si no se saben cuales son los conformes
y los no conformes, y desea seleccionar al azar dos muestra de estos productos,
suponiendo que al extraer una de las dos muestras miramos que es un producto
no conforme, cual es la probabilidad de que la otra muestra también sea un
producto no conforme?

Sea A el suceso que al seleccionar dos muestras al menos una sea un producto
no conforme, y B el suceso de que al seleccionar dos muestras las dos sean
productos no conformes?

Sea A el suceso que al seleccionar dos muestras al menos una sea un producto
no conforme, y B el suceso de que al seleccionar dos muestras las dos sean
productos no conformes

264
La probabilidad del suceso A es igual de que los dos productos sean no
conformes, o que uno sea no conforme y el otro sea conforme, y se halla mediante
la suma de dos probabilidades ajustables a la distribución hipergeométrica, la
probabilidad de A será la siguiente:
7 10 7 10
• •• • • •• •
1 1 + 2 0 = 0.514 + 0.154 = 0.669
17 17
• • • •
2 2

Y la probabilidad de B se halla como el cociente de los posibles casos favorables

entre casos posibles, de la siguiente forma:
7
• •
2 = 0.154
17
• •
2

Para hallar la probabilidad de que al conocer que una de las llantas seleccionadas
sea un producto no conforme, la otra también sea un producto no conforme se
realiza el cociente de la probabilidad B/A ya que se tiene una intersección entre los
sucesos de A con B.

•(•••) •.•••
Entonces p(B|••)= = = 0.2307
•(•) •.•••

265
[Link] Aproximación entre Distribuciones Discretas

Durante el estudio que hemos hecho de las principales distribuciones discretas,

hemos visto que éstas sólo se diferencian en pequeños matices. Por ejemplo, la
distribución de Poisson es la misma que la Binomial pero cuando n es grande y p
pequeña; la distribución Hipergeométrica también es la misma que la Binomial
pero en el primer caso el tamaño de la población es finito y en el segundo es
infinito.

Así pues, es evidente que éstas distribuciones pueden cierto parecido en el caso
de que los parámetros tomen valores límites. En la figura siguiente. Se han
representado los valores que deben tener dichos parámetros para poder realizar
una buena aproximación.

Los valores que se dan en esta figura no son valores estándares aunque sí que
son suficientes para hacer una buena aproximación. Dependiendo de la
publicación éstos valores cambian:

Algunos autores recomiendan que sea λ≥18.

Figura 5.1 Aproximación de Distribuciones Discretas

HIPERGEOMETRICA
H(N,n,p)

N/n≥10
BINOMIAL
B(n,p)

POISSON n≥50
Ps(n x p≤0’1
p)=Ps(•) n·p≥5
Fuente: Los Autores

266
5.2 DISTRIBUCIÓN DE PROBABILIDAD PARA UNA CONTINUA

La Distribución de probabilidad •(•) proporciona el valor de probabilidad particular

asociados a la función entre dos valores de la variable [•, •], bajo el área de la
curva.

5.2.1 MODELOS DE PROBABILIDAD DE VARIABLES ALEATORIAS

CONTINUAS

Dentro de los modelos de probabilidad, correspondiente a variables aleatorias

continua, las de mayor aplicación se tienen: Normal Estándar, Uniforme Continua,
Exponencial y Triangular. Además, los modelos de probabilidad correspondiente a
variables aleatoria continuos se consideran los modelos normales estandarizados.

[Link] Distribución Normal

La distribución normal fue reconocida por primera vez por el francés Abraham de
Moivre (1667-1754). Posteriormente, Carl Friedrich Gauss (1777-1855) elaboró
desarrollos más profundos y formuló la ecuación de la curva; de ahí que también
se la conozca, más comúnmente, como la "campana de Gauss". La distribución de
una variable normal está completamente determinada por dos parámetros, su
media y su desviación estándar (• y •).
Una variable aleatoria continua • sigue una distribución normal de media • y
desviación típica •, si:

1. El recorrido de la variable • es toda la recta del conjunto de números reales.

2. La función de densidad es de la siguiente forma:

267
 1 • /•• •
•(•) = • • (•••)
••2•

Hay muchas variables continuas cuya función de densidad tiene forma de

campana. La distribución normal describe fenómenos en cuyo resultado final
interviene gran número de factores independientes entre sí.
Ejemplo de esto es:
• Caracteres morfológicos de individuos (personas, animales y plantas) con
características similares, ejemplo: Estatura, peso, etc.
• Caracteres fisiológicos como el efecto de un mismo fármaco
• Caracteres sociológicos

Las principales características de la función de densidad de la distribución normal

son las siguientes:
• Es simétrica respecto de la recta • = • , pues:
•(• + •• ) = •(• • •• ), ••• • •
A causa de la simetría de la distribución normal de probabilidad, la mediana
y la moda de la distribución también se hallan en el centro, por tanto en una
curva normal, la media, la mediana y la moda poseen el mismo valor.
• Posee un máximo en el punto de abscisa • = •, y no tiene mínimos, por
consiguiente es unimodal.
• Tiene dos puntos de inflexión en los puntos de abscisa •• = • + • y
•• = • • • por lo cual las dos colas (extremos) de una distribución normal
de probabilidad se extienden de manera indefinida y nunca tocan el eje
horizontal
• El eje de abscisas es una asíntota de la curva.
• Presenta forma de campana
• La media de una población distribuida normalmente se encuentra en el
centro de su curva normal.

268
Para expresar que una variable continua •, tiene una distribución normal de media
• y desviación típica •. Se escribe •(•, •)

Figura 5.2. Gráfica de la distribución normal

Fuente: tomado de [Link]

Ejemplo 5.5:

La media de los pesos de 500 estudiantes de un colegio es 70 kg y la desviación

típica 3 kg. Suponiendo que los pesos se distribuyen normalmente, hallar
cuántos estudiantes pesan:
1. Entre 60 kg y 65 kg.
60 • 70 75 • 70
•(60 < • < 75) = • • <•< •
3 3
•(•3.33 < • < 1.67) = •(• • 1.67) • [1 • •(• • 3.33]
0.9525 • (1 • 0.9996) = 0.9521(500)
2.Más de 90 kg.

269
 90 • 70
•(• > 90) = • • •
3
1 • •(• < 6.67) = 1 • 1 = 0,500 = 0

[Link] Distribución Normal Estándar •(•, •)

La distribución normal estándar es aquella que corresponde a una distribución de

media 0 y varianza 1. La función de densidad está definida por la expresión:
1 •
••• •••
•(•) = • ; •• < • < •
•2•

A partir de una variable • que tenga una distribución normal, se puede obtener
otra característica z con una distribución normal estándar, a partir de la siguiente
fórmula:
•••
•=
•
Para determinar la probabilidad de una variable con distribución normal estándar,
existen tablas.

[Link] Distribución Uniforme Continua

En la distribución de probabilidad uniforme, una variable •, es aquella cuyos

valores tienen la misma probabilidad.
Se dice que una variable aleatoria continua x tiene una distribución uniforme en el
intervalo [•, •] si la función de densidad de probabilidad es:
1
•••• • • • • •
•(•) = •• • • •
0 •••• •• •••••

270
La función de distribución en el caso continuo entre • y • es:
0 •••• • < •
•••
•(•) = • •••• • • • < ••
•••
1 •••• • • •

Su media estadística es
(• + •)
•(•) =
2
• • •
1 1 •• •+•
•(•) = • ••(•)•• = • • •• = • • =
•• • ••• ••• 2 • 2

y su varianza es:
(• + •)•
• • (•) =
12

• • •
1 1 ••
•(•• ) = • •• •(•)•• = • •• •• = • •
•• • ••• ••• 3 •

1 •• • •• 1 •
= = (• + •• + •• )
3 ••• 3

Entonces:
1 • •+• •
• • (•) = •(• •) • [•(•)• ] = (• + •• + •• ) • • •
3 2
(•• + •• + •• ) (•• + 2•• + •• )
= •
3 4
•• • 2•• + •• (• • •)•
= =
12 12

Figura 5.2 Grafica de Distribución Uniforme

271
Fuente: Los Autores

Ejemplo 5.6:
Una variable de comportamiento uniforme, presenta una media de 100 y una
varianza de 6. Calcular que probabilidad que existe cuando • sea menor que 98.
En primer lugar se debe calcular • y •
Primero se sabe que
•+•
•= = 100
2
(• • •)•
•• = =6
12
• = 97
• = 103
La función de densidad de • es

0 •• • • 97
1
•(•) = • •• 97 • • • 103•
6
0 •• • > 103

•• •• • •
Entonces tenemos que •(• • 97) = ••• •(•)•• = ••• •• =
• •

272
[Link] Distribución Exponencial

La distribución exponencial es una distribución de probabilidad continua con un

parámetro • = 0 cuya función de densidad es:
•••
•(•) = ••• •••• • • 0 •
0 •• •••• ••••

Su función de distribución es:

0 •••• • < 0
•(•) = •(• • •) • •
1 • • ••• •••• • • 0

El valor esperado y la varianza de una variable aleatoria • con distribución

exponencial son
1
•[•] =
•

Y este se halla en primer lugar de su función característica

• •
(••••)•
•
••(•) = • • ••• •• •••
•• = • •• •• = •
• • •• • •
••
•••(•) =
(•• • •)•
•• •(0) 1
•[•] = =
• •

La derivada se haya realizando segunda derivada

•
•• = ••

•2•• • 1
•• •• (•) = =
(•• • •)• ••

273
Figura 5.3 Grafica de Distribución Exponencial

Fuente: Los Autores

Ejemplo 5.7

En un aeropuerto se realizo un estudio de la llegada de los aviones de manera

aleatoria e independiente y arrojo como resultado 180 aviones por hora. Utilizar la
distribución exponencial, para encontrar la probabilidad de que un avión de
manera aleatoria no llegue en medio minuto.
Teniendo en cuenta que X es la variable tiempo que transcurre entre dos llegadas
consecutivas, se transforma las unidades de horas a minutos
180
•= =3 /•••
60•••
Entonces tenemos que:
•(• > 0.5) = 1 • •(• < 0.5) = 1 • • (0.5)
= 1 • (1 • • ••••.• ) = • ••.• = 0.22313

[Link] Distribución Triangular

274
Esta distribución tiene 3 parámetros, a (límite inferior de la variable); b (el modo) y
c (límite superior de la variable).

Tabla 5.2 Distribución de Probabilidad Triangular

Triangular TR (a, b, c)
Función de densidad •(•••)
• (•) = (•••)(•••)
si • ••••
•(•••)
•(•) = (•••)(•••)
si • ••••
Distribución acumulada (•••)•
•(•) = (•••)(•••) si • • • • •
(•••)•
•(•) = 1 • (•••)(•••)si • • • • •
Parámetros Parámetro de localización:•
Parámetro de escala: •
Rango a, b
Media •+•+•
3
Varianza •• + • • + • • + •• • •• • ••
18
Fuente: Adaptado y Tomado de “Estadística y Probabilidad de Ronald Walpol”

Se denomina triangular porque la función de densidad tiene una forma triangular,

que viene definida en la tabla de anterior

Una distribución de probabilidad se denomina triangular cuando viene definida por

dos parámetros, que representan el valor mínimo y el valor máximo de la variable.
En este caso el triángulo es equilátero. Se denomina triangular (triangular
general), cuando viene dada por tres parámetros, que representan el valor mínimo
y el valor máximo de la variable, y el valor del punto en el que el triángulo toma su
altura máxima. En este caso el triángulo no es necesariamente equilátero.

275
5.3 APLICACIÓN EN EXCEL

DISTRIBUCION BINOMIAL

Ejemplo 5.2:

Primero se busca el tipo de distribución a utilizar, en esta ocasión se utiliza

distribución binomial.

276
Se coloca la forma de distribución binomial de la forma =[Link](0;7;0.7;Falso);
el Falso es que no es acumulativo
De igual forma se emplea para cada una de las X que se desean hallar;

Y se hallan cada uno de los resultados

DISTRIBUCION DE POISSON

Ejemplo 5.3.

277
Primero se busca el tipo de distribución a utilizar, en esta ocasión se utiliza la
función de distribución a aplicar

Se coloca la forma de distribución de poisson de la forma =POISSON (0; 2.5;

Falso); el Falso es que no es acumulativo
De igual forma se emplea para cada una de las X que se desean hallar;

DISTRIBUCION HIPERGEOMETRICA

Ejemplo 5.4:
Primero se halla la función de distribución hipergeometrica para el suceso A, se
busca en las funciones de Excel, en la parte de estadística

278
Segundo se insertan los datos allí solicitados

Esto es solo para cuando de la muestra una de las llantas es un producto no

conforme, para cuando se halla la otra parte de A la que determina el caso cuando
los dos productos son no conformes, se tiene que realizar una suma de las
distribuciones hipergeometricas

279
Para el suceso B se halla la combinatoria que las dos selecciones sean de
productos no conformes.

De la forma =Combinat(7,2)/Combinat(17,2)
Y por último se halla el cociente entre B y A

280
EJERCICIOS PROPUESTOS
CAPÍTULO N° 5

281
EJERCICIOS PROPUESTOS

1. En un equipo de fútbol se desea alcanzar un total de un gol por la cantidad

de jugadores que se encuentran en la cancha (11 jugadores), los cuales
todos tienen un mismo ritmo de trabajo, la probabilidad de que un jugador
no haga un gol es de 12/15. Determinar la probabilidad de que en un juego
los jugadores
1. Realicen goles todos los jugadores(11 Jugadores)
2. Al menos 9 jugadores hagan goles
3. Solo 7 jugadores hagan goles
4. Al menos 3 jugadores hagan goles
5. Ningún Jugador Realice Goles

2. En la empresa “Singer” se producen 60 maquinas de coser por día, si se

seleccionan aleatoriamente 15 maquinas y se someten a una prueba para
encontrar posibles defectos en ella, si 4 de las 60 maquinas están
defectuosos:
a) Cual es la probabilidad que la muestra contenga al menos 2 maquinas
defectuosas?
b) Cual es la probabilidad que solo haya 1 maquina defectuosas?
c) Cual es la probabilidad que no existan maquinas defectuosas?

3. Se desea saber cuántos vacas en total se tienen en una finca, por esto se
marcan 500 vacas y luego se dejan solas, días después se toman 100
vacas y se nota que 35 de ellas se encuentran marcadas. Se desea saber
cuánto es el estimador máximo del tamaño de la población (N)?

4. En una sala de urgencias ingresan 225 personas enfermas. La probabilidad

de que uno de los pacientes lleguen con problemas cardio-respiratorios es
de 1/45. ¿Cuál es la probabilidad que en urgencias estén más de 3

282
 personas con este tipo de problemas?, Cual es la probabilidad que en
urgencias estén menos de 2 pacientes con este tipo de problemas?

5. En una tienda de ropa ingresan 55 compradores por hora.

a) Cual es la probabilidad que no ingresen personas en un espacio de 15
minutos?
b) Cual es la probabilidad que en 10 minutos ingresen 40 compradores?

6. En el departamento de control de calidad de una empresa de cementos se

inspecciona el producto terminado. La proporción de productos defectuosos
es de 0.017.
a) Cual es la probabilidad de que la trigésima segunda unidad sea la quinta
que se encuentra defectuosa?
b) Cual es la probabilidad si se toma una muestra de 102 productos se
encuentre solamente 1 con defecto?

7. En un casino existen diferente tipos de juegos como son los de poker,

maquinas traga monedas, caballos, black jack y ruleta; la ruleta consta de
38 puestos que se conforman de la siguiente forma: 18 son rojos y negros,
2 son verdes.
Si Y es una variable aleatoria que determina cual es el numero de veces
que es necesario para girar la ruleta para obtener en la primera una
posición en verde. Hallar la función de densidad Y?

8. Fabio Pedraza es el director del departamento de control de calidad de una

marca muy reconocida de computadores portátiles, el realiza la revisión
diaria de los inversores de la pantalla de los computadores portátiles. En la
revisión se extraen 15 inversores y son revisados con el fin de encontrar
algún defecto en ellos; según las estadísticas a lo largo del tiempo solo el

283
 20% se convierten en productos no conformes, De acuerdo a lo anterior,
responda:
a) Cuál es la probabilidad de que la muestra contenga más de 4 inversores
defectuosos.
b) Cuál es la probabilidad de que ningún inversor se convierta en
defectuoso?

9. Una maestra de física se encuentra muy escandalizada ya que cada vez

que realiza un quiz se encuentra con que 13 de sus estudiantes realizan
fraude en él, La maestra le informa a la coordinadora académica de la
situación y le advierte que si llega a encontrar 3 estudiantes con fraude le
anula el examen a todos los estudiantes. Cual es la probabilidad de que la
profesora le anule todo los quices a los estudiantes?

[Link] un supermercado se están dando puntos por la compra de cierta

cantidad de productos; X es una variable con una distribución normal • • •.
El supermercado decide asignar el puntaje de cliente platino a los clientes
que excedan • + •, a los que tengan puntaje entre • • • + • como cliente
Gold, si el cliente es VIP es por que su puntaje se encuentra entre el • • •
y •, si es Importantes es porque su puntaje se encuentra con un puntaje
entre • • 2• y • • •, y por ultimo si es de la categoría de comprador
básico es porque su puntuación se encuentra inferior a • • 2•.
a) Cual es el porcentaje de compradores que se encuentran en las
diferentes categorías; Platino, Gold, VIP, Importante y Básico.

[Link] una variable aleatoria x con una distribución normal y una

desviación típica igual a 2. Si se consideran muestras de tamaño 25, que
distribución sigue la variable aleatoria?

284
ESTUDIO DE CASOS.

CASO 1

Comercializadora el Punto Ltda., es un distribuidor de ropa deportiva bastante

reconocido de la cuidad.
El punto Ltda. Tiene varios proveedores, actualmente ropa sport le suministra los
uniformes a un costo de 20.000 cada uno.
Por política de la empresa, los uniformes que no llegan a ser vendidos, son
devueltos al proveedor quienes pagan 8.000 pesos por cada uno. Esto se hace
con el fin de bajar los niveles de inventario de la empresa.
Para realizar el pedido a los proveedores, la empresa analiza y hace estimaciones
de las ventas futuras teniendo en cuenta las ventas de meses anteriores. De
acuerdo al departamento de mercadeo, las ventas registradas son las siguientes:

Tabla 5.3 Unidades Vendidas.

Mes Unid. vendidas Mes Unid. vendidas
Enero 08 215 Enero 09 230
Febrero 08 200 Febrero 09 206
Marzo 08 185 Marzo 09 175
Abril 08 120 Abril 09 143
Mayo 08 145 Mayo 09 169
Junio 08 176 Junio 09 198
Julio 08 180 Julio 09 156
Agosto 08 135 Agosto 09 176
Septiembre 08 189 Septiembre 09 170
Agosto 08 145 Agosto 09 150
Octubre 08 180 Octubre 09 193
Noviembre 08 210 Noviembre 09 203
Diciembre 08 250 Diciembre 09 260
Fuente: Los Autores.

285
El gerente de ventas asegura que las ventas se comportan de acuerdo a una
distribución normal con media 190 y desviación estándar de 30 unidades y que el
pedido se debe realizar teniendo en cuenta la relación critica entre el costo de
tener inventarios excedentes y el costo de tener inventarios faltantes. Es decir:
costo de faltante/ (costo de excedente + costo de faltante).

Es importante destacar que el proveedor solo suministra cantidades especificas de

uniformes, es decir producen por lote, un lote está constituido por 50 uniformes.
Así que la empresa solo podrá pedir 50, 100, 150, 200, 250 o 300 unidades.

Podría pedir más de 300 unidades pero el gerente de ventas analiza que no es
conveniente, puesto que las ventas en ningún mes han superado esta cantidad.
Está usted de acuerdo con el gerente de ventas en la afirmación que este realiza
respecto al tipo de distribución de los datos. Justifique su respuesta.
De acuerdo la información de las ventas anteriores de la empresa, cree usted
conveniente que el gerente se base en la relación crítica.

Como interpreta usted la relación critica desde el punto de vista de la estadística.

Teniendo en cuenta la relación critica, cuál es la cantidad de uniformes que la
empresa debería comprar a su proveedor en enero del año 2010.

286
CASO 2.

Logitrans S.A es una empresa de logística de transporte y almacenamiento de

mercancía, esta empresa cuenta con 5 agencias alrededor de Colombia, y 2 de
sus agencias se encuentra en zona franca para minimizar algunos gastos de
aranceles; además, reciben en puntos de servicio la mercancía con 3 horas antes
de salir a su destino (estos envíos no supera el peso de los 50 kg).

La empresa tiene un reconocido nombre, pero en sus inicios tuvo fallas en los
tiempos de entrega, lo que hacía que los clientes perdieran credibilidad en la
misma, lo cual ocasionaba la perdida de mucho dinero, por incumplimiento en las
clausulas de los contratos que se establecían con cada uno de los clientes.
En la medida que la empresa iba mejorando utilizó la planificación como medio
para determinar los retrasos
Después de realizar estudios de tiempos, métodos y otra serie de estudios donde
intervinieron deferentes variables que intervenían en el problema de los atrasos, y
con los datos obtenidos se llego a la conclusión que el comportamiento de la
variable que determinaba los retrasos se encontraba bajo la siguiente función de
densidad
1
•(•) = •1 + • • •• 0 < • < 1 •
0 •• •••• ••••

Teniendo en cuenta la anterior función de densidad cual es el retraso medio de un

pedido y la desviación típica. Para el 95% de los casos.
Si a usted le piden asesoría en la empresa Logitrans S.A que recomendaciones le
daría según el comportamiento de la variable.

287
 BIBLIOGRAFÍA

• DEVORE, Jay L. Probabilidad y estadística para ingeniería y ciencias.

Séptima edición. México D.F. Cengage Learning. 2008

• INSTITUTO COLOMBIANO DE NORMAS TÉCNICAS.Y CERTIFICACIÓN

Trabajos Escritos: Presentación y referencias Bibliográficas. NTC 1486.
BOGOTÁ. ICONTEC 2008.

• INSTITUTO COLOMBIANO DE NORMAS TÉCNICAS.Y CERTIFICACIÓN

Trabajos Escritos: Presentación y referencias Bibliográficas. NTC 5613.
BOGOTÁ. ICONTEC 2008.

• LLINÁS S., Humberto. ROJAS, A., Carlos. Estadística descriptiva y

distribuciones de probabilidades. Barranquilla. Ediciones Uninorte. 2005.

• MARTÍNEZ Bencardino, Ciro. Estadística y muestreo. Doceava edición.

Bogotá D.C. ECOE. 2005.

• MASON D, ROBERT. Estadística para administración y economía. Décima

Edición. México D.F. Alfa omega, 2001.

• MONTGOMERY, Douglas C. Probabilidad y Estadística aplicadas a la

ingeniería. Segunda Edición. México D.F. Limusa. 2005

• MONTGOMERY, Douglas C. Diseño y análisis de Experimentos. Segunda

Edición. México D.F. Limusa. 2007.

• PÉREZ López, César. Estadística aplicada a través de Excel. Madrid.

Pearson. 2002.

• PEREZ López, César. Estadística práctica con Statgraphics. Madrid.

Prentice Hall. 2002

• WALPOLE, Ronald E., MYERS, Raymond H., MYERS, Sharon L., YE,

288
 Keying., Probabilidad y estadística para ingeniería y ciencias. Octava
Edición. México D.F. Pearson. 2007.

• WAYNE, DANIEL. Estadística con aplicaciones a las ciencias sociales y a

la educación. México D.F. Mc Graw - Hill. 1988

289