UNIVERSIDAD NACIONAL SANTIAGO ANTÚNEZ DE MAYOLO

FACULTAD DE INGENIERÍA CIVIL

TRABAJO MONOGRAFICO

ÁNCASH – 2025

PRESENTADO POR:

Alcantara Corpus Franck Josseeph 241.0909.027

Camones García Steff Jhonn 232.0909.005

Castillo Rímac Williams Andrés 232.0909.007

Valentin Romero Cristian Kenedy 232.0909.030

23 DE JULIO DE 2025
Resumen Ejecutivo
La estadística descriptiva constituye la piedra angular del análisis de datos,

proporcionando las herramientas esenciales para organizar, resumir y presentar la información

de manera comprensible. Esta monografía explora en profundidad los conceptos

fundamentales de esta disciplina, desde la definición de población y muestra hasta la

clasificación de variables y escalas de medición. Se aborda la organización y presentación de

datos a través de tablas de frecuencia y representaciones gráficas, destacando las mejores

prácticas para una comunicación efectiva.

El núcleo del análisis descriptivo se centra en las medidas de tendencia central (media,

mediana, moda), de posición no centralizada (cuartiles, deciles, percentiles), de dispersión

(rango, desviación media, varianza, desviación estándar, coeficiente de variación) y de forma

(asimetría y curtosis). Para cada concepto, se proporciona una explicación detallada, sus

fórmulas correspondientes y, crucialmente, problemas resueltos paso a paso. Este enfoque

dual, teórico y práctico, busca no solo impartir conocimiento conceptual sino también

desarrollar la capacidad de aplicar estas herramientas en la investigación y en la resolución de

problemas reales, permitiendo una comprensión profunda de la naturaleza de los datos y sus

implicaciones.
1. Introducción a la Estadística Descriptiva
1.1. ¿Qué es la Estadística Descriptiva?
La estadística es una ciencia cuyo propósito principal es la recolección, organización,

resumen, análisis e interpretación de datos para extraer conclusiones válidas o realizar

proyecciones futuras. En esta rama se divide entre la estadística descriptiva y la estadística

inferencial.

La estadística descriptiva se concentra en la presentación de datos mediante el uso de

tablas y gráficos, así como en el cálculo de medidas que sintetizan o caracterizan el

comportamiento de un conjunto de datos. Su alcance se limita a describir los datos observados

sin extender las conclusiones a una población más amplia de la cual provienen los datos.

Los orígenes de la estadística se remontan a civilizaciones antiguas, evidenciando su

utilidad práctica desde tiempos inmemoriales. Por ejemplo, en el antiguo Egipto, alrededor del

3050 a.C., se realizaban censos de población y riqueza, una práctica fundamental para la

planificación de la construcción de pirámides y la estimación de impuestos. De manera similar,

los romanos llevaban a cabo censos cada cinco años para registrar nacimientos, defunciones,

matrimonios e inventariar bienes, lo que subraya la importancia histórica de la estadística

como una herramienta para la gestión y el control social.

La relevancia de la estadística descriptiva en la investigación contemporánea radica en

su capacidad para proporcionar una comprensión inicial y estructurada de las características de

un fenómeno estudiado. La raíz histórica de la estadística en necesidades prácticas, como los

censos y la recaudación de impuestos 1, demuestra que sus conceptos fundamentales no son

meramente abstractos. Por el contrario, surgieron como soluciones directas a problemas

concretos de la sociedad. Esta conexión intrínseca entre la teoría estadística y su aplicación

práctica subraya la importancia de incluir problemas resueltos en cualquier estudio de la

disciplina. La estadística es, por su propia naturaleza, una herramienta diseñada para abordar y

resolver desafíos del mundo real, y la integración de ejercicios prácticos es esencial para

capturar esta esencia pragmática.

1.2. Población y Muestra

En el ámbito de la investigación estadística, la población o universo se define como el

conjunto total de individuos, objetos o elementos sobre los cuales se desea obtener

información y que poseen una característica específica de interés para el estudio.

Existen dos clasificaciones principales para las poblaciones:

● Población Finita: Se refiere a una población cuya cantidad de individuos es limitada y

puede ser conocida o contada con exactitud. Ejemplos incluyen todos los árboles de un

bosque específico o la totalidad de habitantes de una ciudad determinada.1

● Población Infinita: Se caracteriza por tener una cantidad ilimitada de elementos o un

número tan grande que no puede conocerse con exactitud. Un ejemplo sería todos los

mamíferos del océano o los resultados de lanzar un dado un número ilimitado de veces.

Dado que en muchas investigaciones no es factible estudiar a toda la población debido

a su elevado número, el costo asociado o el tiempo requerido, se recurre al concepto de

muestra. Una muestra es un subconjunto o una parte de la población que se selecciona para

llevar a cabo el estudio.

La utilidad de la muestra radica en que, a partir de ella, se pueden extraer conclusiones

(inferencias) que se aplican a la población de la cual fue extraída. Para que estas conclusiones

sean válidas y puedan generalizarse a la población (lo que se conoce como validez externa), es

fundamental que la muestra sea lo más representativa posible de la población diana. Esto

implica que la muestra debe reflejar las características básicas del conjunto total.
 El trabajo con muestras en la investigación ofrece varias ventajas significativas, tales

como la reducción del tiempo y los gastos del estudio, la posibilidad de profundizar en el

análisis de las variables y un mayor control sobre las mismas. Convencionalmente, el número

total de individuos en la población se denota con la letra N, mientras que el número de

individuos en la muestra se representa con n.

La necesidad de emplear una muestra en lugar de una población completa surge

directamente de limitaciones prácticas como el tiempo, el costo y la magnitud inabarcable de

la población. Esta realidad implica que, si bien el objetivo final de la investigación es

comprender la población, la mayoría de los estudios se basan en inferencias derivadas de

muestras.

Tabla 1: Comparación entre Población y Muestra

Característica Población Muestra

Definición Conjunto total de elementos Subconjunto seleccionado

bajo estudio de la población

Tamaño N (grande, a veces infinito) n (menor que N)

Objetivo del estudio Conocer características del Inferir sobre la población

universo

Notación N n

Generalización No aplica (es el universo) Requiere representatividad

para ser válida

1.3. Variables Estadísticas
Las variables estadísticas son características o cualidades de una persona, animal u

objeto que pueden ser medidas y que, por su naturaleza, pueden cambiar, adquiriendo

diferentes valores. Estas variables son el objeto de estudio en cualquier análisis estadístico y su

correcta identificación y clasificación son fundamentales para la aplicación de métodos

adecuados.

Se distinguen dos tipos principales de variables:

● Variables Cualitativas (Categóricas): Describen atributos o cualidades que no pueden

expresarse numéricamente. Se manifiestan a través de palabras o categorías. Aunque a

veces se les asignan códigos numéricos, estos no tienen un significado cuantitativo, sino

que sirven como etiquetas para facilitar la entrada de datos.

 Ejemplos:

El color de ojos (azul, marrón, verde), el género (masculino, femenino), el estado civil

(soltero, casado, divorciado, viudo) o la marca de un producto (Ford, BMW, Seat).

● Variables Cuantitativas (Numéricas): Representan características que pueden ser

expresadas con números y sobre las cuales es posible realizar operaciones aritméticas con

sentido lógico.

Ejemplos: La edad, los ingresos económicos, el peso, la altura, la presión arterial o el

número de hermanos.

A su vez, las variables cuantitativas se subdividen en:

 Discretas: Son aquellas que solo pueden tomar ciertos valores fijos,
 generalmente números enteros, y son el resultado de un conteo. No permiten

valores decimales entre dos números consecutivos.

-Ejemplos: El número de pacientes en un hospital, el número de alumnos en una clase

o el número de hijos en una familia.

 Continuas: Pueden tomar cualquier valor dentro de un intervalo dado,

permitiendo la existencia de números decimales. Son el resultado de una

medición.

-Ejemplos: La estatura de una persona (1.75 m), el peso (68.3 kg), el tiempo

transcurrido, la temperatura o la distancia entre dos puntos.

La naturaleza de una variable (cualitativa, cuantitativa discreta o continua) determina

directamente los métodos de organización, presentación y análisis estadístico que son válidos y

significativos. Por ejemplo, intentar calcular una media para una variable cualitativa nominal,

como el color de cabello, carece de sentido estadístico, ya que el promedio de "rubio" y

"castaño" no produce una categoría interpretable. En contraste, para una variable cuantitativa

continua, como la altura, el cálculo de la media es una medida fundamental y altamente

interpretable. Esta relación directa entre el tipo de variable y la aplicabilidad de las

herramientas estadísticas es un pilar metodológico. Una clasificación incorrecta de las

variables puede llevar a la aplicación de técnicas inadecuadas, resultando en conclusiones

erróneas o sin significado.

 Tabla 2: Tipos de Variables Estadísticas

Tipo de Variable Descripción Ejemplos

Cualitativa Características no Color de ojos, Género,

numéricas, expresadas con Estado civil

palabras o categorías

Cuantitativa Discreta Conteo de valores enteros, Número de hijos, Número

no admite decimales entre de pacientes

valores consecutivos

Cuantitativa Continua Medición con valores en un Edad, Peso, Altura,

rango, permite decimales Temperatura

1.4. Parámetros y Estadígrafos

En estadística, la distinción entre un parámetro y un estadígrafo (o estadístico) es

fundamental para comprender si una cantidad numérica se refiere a la totalidad de una

población o a una parte de ella.

● Un parámetro es una cantidad numérica calculada sobre una población completa y que

resume los valores que esta toma en algún atributo específico. Su propósito es condensar

toda la información disponible en la población en unos pocos números representativos.

Ejemplo: Si se midiera la altura de todos los sujetos en un país y se calculara su

promedio, ese valor sería la altura media poblacional, un parámetro.8 Los parámetros suelen

representarse con letras griegas, como

μ(media poblacional)o σ (desviación estándar poblacional).

 ● Un estadístico (o estadígrafo) es una cantidad numérica calculada sobre una muestra de

la población y que resume su información sobre algún aspecto. Dado que estudiar a toda

la población es a menudo impracticable debido a su tamaño, costo o tiempo, se calcula un

estadístico a partir de una muestra con la expectativa de que sea una buena aproximación

al parámetro real de la población. Cuando un estadístico se utiliza para aproximar un

parámetro, se le denomina estimador.

Ejemplo: Si se toma una muestra de 500 personas de un país y se calcula su altura

media, ese valor sería la altura media muestral, un estadístico. Los estadígrafos se representan

comúnmente con letras latinas, como

x (media muestral)o S(desviaciónestándar muestral).

La distinción entre parámetro y estadístico es crucial para la interpretación de los

resultados de cualquier investigación. En la práctica de la investigación, es raro poder calcular

un parámetro real, ya que esto implicaría realizar un censo completo de la población. Por lo

tanto, la mayoría de los valores numéricos que un investigador calcula son estadígrafos. Estos

estadígrafos actúan como estimadores de los parámetros poblacionales, lo que significa que

cualquier "verdad" reportada a partir de un estudio basado en una muestra es inherentemente

una aproximación y está sujeta a un grado de incertidumbre, conocido como error de muestreo.

Esta realidad subraya la necesidad de la estadística inferencial, que se encarga de cuantificar

esta incertidumbre y permitir la generalización de los hallazgos muestrales a la población con

un nivel de confianza determinado.

 Tabla 3: Parámetros vs. Estadistico

Característica Parámetro Estadígrafo (Estadístico)

Base de cálculo Población Muestra

Símbolo Letras griegas (μ, σ, ρ) Letras latinas ( x , s, r)

Propósito Describe una característica Resume información de la

de la población total muestra, estima el parámetro

poblacional

Ejemplos Media poblacional, Media muestral, Desviación

Desviación estándar estándar muestral

poblacional

1.5. Escalas de Medición

Las escalas de medición son sistemas que permiten asignar valores numéricos a las

características medibles de las variables. La elección de la escala es una decisión metodológica

crucial, ya que determina directamente la codificación, el tratamiento informático y los tipos

de análisis estadísticos que son válidos y significativos para los datos.

Existen cuatro tipos principales de escalas de medición, ordenadas de menor a mayor

cantidad de información que proporcionan:

● Nominal: Esta escala clasifica los objetos de estudio en categorías que son mutuamente

excluyentes, sin que exista un orden o jerarquía inherente entre ellas. Los números que se

asignan a estas categorías son simplemente etiquetas o códigos y no tienen ningún

 significado cuantitativo; su función es únicamente facilitar la entrada y manejo de datos.

Ejemplos: El sexo (masculino/femenino), el estado civil (soltero, casado, divorciado,

viudo), o el color de cabello.

● Ordinal: Además de clasificar en categorías, esta escala establece un orden o jerarquía

entre ellas. Esto significa que se puede determinar si una categoría es "mayor que" o

"menor que" otra. Sin embargo, las distancias o intervalos entre las categorías no son

necesariamente iguales o significativas. Los números asignados solo indican la posición

relativa.

Ejemplos: La clase social (baja, media, alta), los grados de estudio (grados 1ro, 2do, 3ro,

4to), o el nivel de acuerdo con una afirmación (completo desacuerdo, acuerdo parcial, acuerdo

total).

● De Intervalo: Esta escala posee todas las características de la escala ordinal, y además,

los intervalos entre sus clases son iguales y significativos. Esto implica que las diferencias

entre los valores son consistentes. Sin embargo, el punto cero en una escala de intervalo

es arbitrario y no representa la ausencia total de la característica medida. Por esta razón,

se pueden realizar operaciones de suma y resta, pero las multiplicaciones o divisiones no

tienen un significado inherente de razón.

Ejemplos: La temperatura en grados Celsius o Fahrenheit (0°C no significa ausencia

de temperatura), las fechas en un calendario o las puntuaciones de pruebas estandarizadas

como el IQ.

● De Razón (o Proporción): Es la escala de medición más potente y proporciona la mayor

cantidad de información. Posee todas las propiedades de la escala de intervalo, pero con

una diferencia crucial: tiene ceros absolutos, lo que significa que el valor cero indica la
 ausencia total de la característica medida. Esto permite realizar todas las operaciones

aritméticas (suma, resta, multiplicación y división), y las razones entre los valores son

significativas.

Ejemplos: El peso, la altura, los ingresos económicos, la concentración de glucosa en

una muestra o la tasa de mortalidad.

La elección de la escala de medición para una variable es una decisión metodológica

fundamental que restringe o habilita directamente los tipos específicos de análisis estadísticos

que pueden aplicarse. Por ejemplo, intentar calcular la media de variables nominales u

ordinales (como el estado civil o la clase social) carece de sentido matemático y puede llevar a

conclusiones erróneas. De manera similar, realizar operaciones de razón (como decir que algo

es "el doble" de otro) en escalas de intervalo (como la temperatura en Celsius) es incorrecto

porque el cero no es absoluto. Esta implicación significa que una comprensión profunda de las

escalas de medición es un prerrequisito indispensable para la aplicación correcta de cualquier

técnica estadística, ya sea descriptiva o inferencial. Un error en esta fase inicial de la

investigación invalidaría cualquier análisis posterior, por muy sofisticado que este sea.

Tabla 4: Escalas de Medición de Variables Estadísticas

Escala Características Operaciones Ejemplos

Clave Válidas

Nominal Clasificación sin Conteo, Moda Género, Estado civil

orden ni jerarquía

Ordinal Orden o jerarquía, Conteo, Moda, Nivel

intervalos desiguales Mediana socioeconómico,

 Grado de acuerdo

De Intervalo Orden, intervalos Conteo, Moda, Temperatura (C/F),

iguales, cero Mediana, Suma, Fechas

arbitrario Resta

De Razón Orden, intervalos Todas las Peso, Altura,

iguales, cero absoluto operaciones Ingresos

(ausencia) aritméticas (suma,

resta, multiplicación,

división)

2. Organización y Presentación de Datos Unidimensionales

La organización y presentación de datos son pasos iniciales cruciales en cualquier

análisis estadístico. Permiten transformar conjuntos de datos brutos en formatos comprensibles

y visualmente accesibles, facilitando la identificación de patrones, tendencias y características

clave.

2.1. Tablas de Frecuencia

Una tabla de frecuencias es una herramienta estadística fundamental que organiza un

conjunto de datos de manera sistemática, asignando a cada valor o categoría una frecuencia

que indica cuántas veces se repite. Estas tablas pueden utilizarse tanto para variables

cuantitativas como cualitativas.

Las tablas de frecuencia se componen de varios tipos de frecuencias:

● Frecuencia Absoluta (fi ​): Es el número de veces que un dato específico o una categoría

aparece en el conjunto de datos.

 ● Frecuencia Absoluta Acumulada (Fi ​) : Es la suma de las frecuencias absolutas de un

valor y todos los valores anteriores a él en la distribución ordenada.

● Frecuencia Relativa (hi ​) : Representa la proporción de veces que un dato se repite en

relación con el total de datos. Se expresa como un valor decimal o, comúnmente, como un

porcentaje. Se calcula dividiendo la frecuencia absoluta de un dato entre el número total

de datos.

● Frecuencia Relativa Acumulada (Hi ​) : Es la suma de las frecuencias relativas de un

valor y todos los valores anteriores a él.

● Porcentaje Válido (Hi % o ​hi %): Este tipo de frecuencia relativa indica el porcentaje de

una característica, pero solo considera los casos que tienen respuestas válidas, excluyendo

los valores perdidos o no respondidos. Su inclusión es aconsejable para evitar que los

estadísticos se distorsionen por datos incompletos.

La construcción de una tabla de frecuencias generalmente sigue estos pasos: recopilar y

organizar los datos, calcular la frecuencia absoluta para cada valor, sumar las frecuencias

absolutas en diagonal para obtener las frecuencias acumuladas, y luego calcular las frecuencias

relativas (en decimales y porcentajes) y sus acumulados.

La forma de construir la tabla varía según el tipo de datos:

● Datos No Agrupados: Se utilizan cuando la muestra es pequeña (generalmente menos de

30 datos) o cuando la variable tiene pocas categorías. En este caso, cada dato individual o

categoría se considera una clase.

● Datos Agrupados: Son necesarios cuando el número de datos es muy grande o cuando la

variable es cuantitativa continua. Los datos se organizan en "clases", "grupos" o

 "categorías" de valores, que son intervalos. La construcción de estos intervalos implica

determinar el rango de los datos (diferencia entre el valor máximo y mínimo), calcular el

número de intervalos apropiado (a menudo utilizando la fórmula de Sturges) y definir la

amplitud de cada intervalo.

La inclusión del "porcentaje válido" en las tablas de frecuencia 12 es una práctica

crucial que va más allá de la mera presentación de datos. Su uso implica una conciencia

metodológica sobre la existencia de "valores perdidos" (missing data), un problema común en

la investigación real, especialmente en encuestas. Al diferenciar entre el porcentaje total

(basado en todos los casos, incluidos los no respondidos) y el porcentaje válido (calculado solo

sobre los casos con respuestas), se evita que las estadísticas se distorsionen por datos

incompletos. Esta distinción lleva a una interpretación más precisa y confiable de la

distribución de las variables, lo que es fundamental para la toma de decisiones informadas y la

credibilidad del informe de investigación.

A continuación, se presentan ejemplos de la estructura de tablas de frecuencia para

datos no agrupados y agrupados:

Tabla 5: Estructura de una Tabla de Frecuencias (Datos No Agrupados)

Dato (fi) (Fi) (hi) (Hi) (hi ¿%) ( Hi %)

f1
Valor 1 f1 F 1 ​=f 1 h 1 ​= H 1 ​=h 1 h 1(100) H1(100)
N

f2
Valor 2 f2 F 2 ​=f 1 ​+ f 2 h 2 ​= H 2 ​= h1 ​+ h 2 h 2 ¿) H2(100)
N

... ... ... ... ... ... ...

 fk
Valor k fk F k =N h k= Hk=1 hk (100) 100
N

Total N 1 100%

Tabla 6: Estructura de una Tabla de Frecuencias (Datos Agrupados)

I (xi) (fi) (Fi) (hi) (Hi) (hi ¿%) ( Hi %)

( L1 ​+ L 2 ) f1
¿ f1 F 1 ​=f 1 h 1 ​= H1 h 1(100) H1(100)
2 N

L2 ​+ L 3 f2
¿ f2 F2 h 2 ​= H2 h 2 ¿) H2(100)
2 N

... ... ... ... ... ... ... ...

Lk+(Lk +1) fk
[ Lk , Lk +1 ​] fk F k =N h k= Hk=1 hk (100) 100
2 N

Total N 1 100%

2.2. Representaciones Gráficas

Las representaciones gráficas son herramientas visuales poderosas que complementan

las tablas de frecuencia, facilitando la comunicación de información estadística de manera

efectiva y permitiendo la identificación rápida de patrones y relaciones en los datos.6 La

elección del tipo de gráfico depende intrínsecamente de la naturaleza de la variable que se

desea representar.

Para las variables cualitativas, se utilizan principalmente los siguientes tipos de

gráficos:
 ● Diagramas de Barras: En estos gráficos, las categorías de la variable se representan en

un eje (comúnmente el horizontal) y las frecuencias (absolutas o relativas) en el otro

(generalmente el vertical). La altura de cada barra es directamente proporcional a la

frecuencia de la categoría que representa. Son particularmente útiles para comparar una

variable cualitativa entre diferentes poblaciones. En tales comparaciones, es aconsejable

emplear frecuencias relativas (porcentajes) para evitar interpretaciones engañosas que

podrían surgir si los tamaños de las poblaciones difieren significativamente.

A continuación, se muestra un gráfico de barras que representa una encuesta para

identificar cual es la mejor fruta de una muestra.

Imagen 1. Diagrama de barras

● Diagramas de Sectores (o "Tartas"): Consisten en un círculo dividido en porciones,

donde cada porción representa una categoría de la variable. El tamaño del arco de cada

porción es proporcional a la frecuencia (absoluta o relativa) de la categoría. Son ideales

para mostrar la composición de un todo en sus partes, pero se vuelven menos efectivos

con un gran número de categorías.

Por ejemplo, a continuación se tiene un diagrama de sectores que representa los

deportes practicados

Imagen 2. diagrama de sectores

● Pictogramas: Emplean dibujos o íconos alusivos al tema de estudio para representar las

frecuencias de las modalidades de la variable. El escalamiento de los dibujos debe

asegurar que el área de cada uno sea proporcional a la frecuencia que representa, no solo

su altura. Son gráficos populares en los medios de comunicación, diseñados para ser

comprendidos por un público no especializado sin necesidad de explicaciones complejas.

Imagen 3. pictograma
 Para las variables cuantitativas, especialmente las continuas o de escala métrica, el

gráfico más común es:

● Histogramas: A diferencia de los diagramas de barras, en un histograma, las barras están

adyacentes y representan intervalos de clase de una variable continua. La altura de cada

barra indica la frecuencia de los datos dentro de ese intervalo. Son fundamentales para

visualizar la distribución de frecuencias de variables cuantitativas.

Imagen 4. histograma

La elección del tipo de gráfico no es arbitraria, sino que está directamente determinada

por la naturaleza de la variable (cualitativa versus cuantitativa) y el objetivo específico de la

presentación (por ejemplo, comparar la distribución de una característica entre diferentes

poblaciones). Una selección inadecuada del gráfico puede distorsionar la percepción de los

datos y llevar a interpretaciones erróneas. Por ejemplo, el uso de frecuencias absolutas en

diagramas de barras para comparar poblaciones de tamaños dispares puede sugerir diferencias

de magnitud que no existen en términos proporcionales. La práctica de usar frecuencias

relativas (porcentajes) en gráficos comparativos es una mejor práctica que previene estos

sesgos visuales, asegurando que la comunicación de los resultados sea precisa y no engañosa.

Esta consideración es vital para la validez de las conclusiones presentadas en cualquier

informe de investigación.

3. Análisis Estadístico Descriptivo: Medidas de Tendencia Central y Posición

El análisis descriptivo de datos no solo implica su organización y presentación, sino

también la síntesis de sus características principales a través de medidas numéricas. Estas

medidas se dividen en aquellas que indican la centralidad de los datos y aquellas que señalan

puntos específicos dentro de la distribución.

3.1. Medidas de Tendencia Central

Las medidas de tendencia central son valores numéricos que indican el punto

alrededor del cual los datos de una distribución tienden a agruparse.9 Su propósito principal es

resumir grandes volúmenes de información en un solo valor representativo, permitiendo

identificar el elemento "típico" o "promedio" de un grupo y facilitando la comparación entre

diferentes conjuntos de datos.16 Las principales medidas son la media, la mediana y la moda.

● Media Aritmética (Promedio): Es la medida de tendencia central más común y

ampliamente utilizada. Se calcula sumando todos los valores de un conjunto de datos y

dividiendo el resultado entre el número total de datos.9 Se interpreta como el "centro de

gravedad" de los datos.

○ Fórmula para Datos No Agrupados:

x=n ∑ xi Donde ∑ xi es la suma de todos los valores y n es el número total de datos.

○ Fórmula para Datos Agrupados:

x=N ∑( xi⋅ fi ​)Donde xi es la marca de clase (punto medio del intervalo), fi es la

frecuencia absoluta de cada clase y N es el número total de datos.

○ Una característica importante de la media es su sensibilidad a valores atípicos

(extremos). Unos pocos valores muy grandes o pequeños pueden distorsionar

significativamente la media, haciendo que no sea representativa del resto de los datos.
● Mediana: Es el valor central de un conjunto de datos una vez que estos han sido

ordenados de menor a mayor. La mediana divide la distribución en dos partes iguales, de

modo que el 50% de los datos se encuentran por debajo de ella y el otro 50% por encima.

A diferencia de la media, la mediana es menos sensible a la presencia de valores

extremos, lo que la convierte en una medida de tendencia central más robusta en

distribuciones asimétricas.

Cálculo para Datos No Agrupados:

 Si el número de datos (n) es impar, la mediana es el valor que ocupa la posición

(n+1)
central (ej. la posición .
2

 Si el número de datos (n) es par, la mediana es el promedio de los dos valores

centrales.

Fórmula para Datos Agrupados:

(
[
−F )
]
N
i−1
2 Donde Li es el límite inferior de la clase mediana, N es el número
Me=Li ​+ ⋅A
fi

total de datos, F i−1 es la frecuencia acumulada de la clase anterior a la mediana, fi es la

frecuencia absoluta de la clase mediana, y A es la amplitud del intervalo de clase.

● Moda: Es el valor o los valores que aparecen con mayor frecuencia en un conjunto de

datos.9 Una distribución puede ser unimodal (una moda), bimodal (dos modas),

multimodal (varias modas) o no tener moda si ningún valor se repite. La moda es la única

medida de tendencia central que puede utilizarse para variables cualitativas.

Cálculo para Datos Agrupados:

Para datos agrupados, la moda es la marca de clase del intervalo que presenta la mayor
frecuencia absoluta. Existen fórmulas más complejas para una estimación más precisa de la

moda en este tipo de datos.

La elección entre la media y la mediana como medida de tendencia central presenta un

dilema crucial en el análisis de datos. Mientras que la media es el "centro de gravedad" de la

distribución, su alta sensibilidad a los valores atípicos puede llevar a una representación

engañosa del valor "típico" si la distribución de los datos es asimétrica o contiene valores

extremos. En contraste, la mediana, al ser una medida de posición que no se ve afectada por la

magnitud de los valores extremos, ofrece una descripción más precisa y robusta del centro en

tales casos. Esto implica que un analista debe evaluar la forma de la distribución de los datos

antes de seleccionar la medida central más apropiada para el informe, lo que conecta

directamente con la necesidad de analizar las medidas de forma, como la asimetría. La

decisión informada sobre qué medida utilizar es vital para la validez y la honestidad de la

interpretación de los datos.

Problema Resuelto 1: Cálculo de Media, Mediana y Moda para Datos No

Agrupados

Enunciado: Un grupo de 8 estudiantes obtuvo las siguientes calificaciones en un

examen de estadística: {2, 5, 5, 6, 8, 8, 9, 11}. Calcular la media, la mediana y la moda de

estas calificaciones.

Solución:

1. Cálculo de la Media Aritmética:

La media se obtiene sumando todos los datos y dividiendo por el número total de datos.

xˉ=82+5+5+6+8+8+9+11=854=6.75

La media de las calificaciones es 6.75.17

2. Cálculo de la Mediana:

Primero, se deben ordenar los datos de menor a mayor. En este caso, los datos ya están

ordenados: {2, 5, 5, 6, 8, 8, 9, 11}.

Dado que el número de datos (n=8) es par, la mediana es el promedio de los dos valores

centrales. Las posiciones centrales son n/2=8/2=4 y (n/2)+1=4+1=5.

Los valores en estas posiciones son 6 (4ª posición) y 8 (5ª posición).

Me=26+8=214=7

La mediana de las calificaciones es 7.17

3. Cálculo de la Moda:

La moda es el valor que más se repite en el conjunto de datos.

En el conjunto {2, 5, 5, 6, 8, 8, 9, 11}:

○ El 2, 6, 9 y 11 aparecen una vez.

○ El 5 aparece dos veces.

○ El 8 aparece dos veces.

Dado que el 5 y el 8 aparecen con la misma máxima frecuencia (dos veces), este

conjunto de datos es bimodal.

Las modas son 5 y 8.17

Interpretación:

● La media (6.75) indica que el promedio de las calificaciones de los estudiantes es de

6.75.

● La mediana (7) significa que la mitad de los estudiantes obtuvo una calificación igual o

inferior a 7, y la otra mitad obtuvo una calificación igual o superior a 7.

● Las modas (5 y 8) revelan que las calificaciones de 5 y 8 fueron las más frecuentes en

este grupo de estudiantes.

 Problema Resuelto 2: Cálculo de Media, Mediana y Moda para Datos Agrupados

Enunciado: Se realizó un estudio sobre el peso (en kg) de 40 estudiantes de una

universidad, y los datos se agruparon en la siguiente tabla de frecuencias:

Masa corporal (kg) Frecuencia absoluta (fi) Marca de clase (xi)

[50,55) 6 52.5

[55,60) 13 57.5

[60,65) 9 62.5

[65,70) 8 67.5

[70,75 4 72.5

Total 40

Calcular la media, la mediana y la moda de la masa corporal de estos estudiantes.

Solución:

Para facilitar los cálculos, se amplía la tabla con columnas adicionales:

Masa corporal
fi xi xi⋅fi Fi
(kg)

[50,55) 6 52.5 315.0 6

[55,60) 13 57.5 747.5 19

[60,65) 9 62.5 562.5 28

 [65,70) 8 67.5 540.0 36

[70,75 4 72.5 290.0 40

Total 40 2455.0

1. Cálculo de la Media Aritmética:

Se utiliza la fórmula para datos agrupados:

x=N ∑( xi⋅ fi ​) x=402455.0 ​= 61.375 kgLa media de la masa corporal es

aproximadamente 61.38 kg.

2. Cálculo de la Moda:

La clase modal es el intervalo con la mayor frecuencia absoluta. En este caso, la mayor

frecuencia es 13, que corresponde al intervalo [55,60).

La moda para datos agrupados se estima como la marca de clase de la clase modal.

Mo=57.5 kg

La moda de la masa corporal es 57.5 kg.

3. Cálculo de la Mediana:

Primero, se identifica la clase mediana. Se busca el intervalo donde se encuentra la

posición

N 40
= =20.En la columna de frecuencia acumulada (Fi), el valor 20 se encuentra en el
2 2

intervalo [60,65), ya que su Fi es 28 (el primer Fi que supera 20).

Los valores para la fórmula de la mediana son:

○ Li (límite inferior de la clase mediana) = 60

○ N (número total de datos) = 40

○ Fi−1 (frecuencia acumulada de la clase anterior a la mediana) = 19 (la Fi del intervalo

[55,60))
 ○ fi (frecuencia absoluta de la clase mediana) = 9

○ A (amplitud del intervalo de clase) = 65−60=5

Aplicando la fórmula:

(
[ −F )
]
N
i−1
2
Me=Li + ⋅A
fi

(
[ ]
−19 )
40
2
Me=60+ ⋅5
9

Me=60+
[]1
9
⋅5

Me=60+ 0.55555=60.5555 kg

La mediana de la masa corporal es aproximadamente 60.56 kg.

Interpretación:

● La media (61.38 kg) indica que el peso promedio de los estudiantes es de 61.38 kg.

● La moda (57.5 kg) sugiere que la masa corporal de 57.5 kg es la más frecuente entre los

estudiantes, al ser la marca de clase del intervalo con mayor concentración de datos.

● La mediana (60.56 kg) significa que el 50% de los estudiantes tiene una masa corporal

igual o inferior a 60.56 kg, y el otro 50% tiene una masa corporal igual o superior a esta

cantidad.

3.2. Medidas de Posición No Centralizada

Las medidas de posición no centralizada son estadísticos que dividen un conjunto
ordenado de datos en grupos con la misma cantidad de individuos.8 A diferencia de las

medidas de tendencia central que buscan el "centro" de la distribución, las medidas de posición

no centralizada proporcionan información sobre puntos específicos de la distribución, más allá

del valor central. Son particularmente útiles para comprender la dispersión y la forma de los

datos, así como para identificar segmentos o subgrupos dentro de una población o muestra.

Las principales medidas de posición no centralizada son:

● Cuartiles (Q K ):Dividen la distribución de datos en cuatro partes iguales, lo que resulta en

tres puntos de división:

○ Primer Cuartil (Q1): El valor por debajo del cual se encuentra el 25% de las

observaciones y por encima del cual se encuentra el 75% restante.

○ Segundo Cuartil (Q2): El valor que divide la distribución exactamente por la mitad,

con el 50% de las observaciones por debajo y el 50% por encima. Es equivalente a la

mediana (Me) y al percentil 50 (P50).

○ Tercer Cuartil (Q3): El valor por debajo del cual se encuentra el 75% de las

observaciones y por encima del cual se encuentra el 25% restante.

● Deciles ( D K ): Dividen la distribución de datos en diez partes iguales, lo que resulta en

nueve puntos de división (desde D1 hasta D9), correspondientes al 10%, 20%,..., 90% de

los datos. El quinto decil (D5) es equivalente a la mediana y al segundo cuartil.

● Percentiles ( P K ): Dividen la distribución de datos en cien partes iguales, lo que resulta en

noventa y nueve puntos de división (desde P1 hasta P99), correspondientes al 1%, 2%,...,

99% de los datos. El percentil 50 (P50) es equivalente a la mediana, al segundo cuartil y al

quinto decil. De igual manera, el percentil 25 (P25) es equivalente al primer cuartil (Q1), y

el percentil 75 (P75) es equivalente al tercer cuartil (Q3).

Las fórmulas para encontrar la posición de estas medidas varían si los datos están
agrupados o no:

● Para Datos No Agrupados:

k ( n+ 1 )
○ Posición del Cuartil Q K :
4

k ( n+ 1 )
○ Posición del Decil D K :
10

k ( n+1 )
○ Posición del Percentil Pk :
100

Una vez calculada la posición, se busca el valor correspondiente en los datos

ordenados. Si la posición es decimal, se interpola entre los valores adyacentes.

● Para Datos Agrupados:

N
○ Posición del Cuartil Qk ​: k ⋅
4

N
○ Posición del Decil Dk ​: k ⋅
10

N
○ Posición del Percentil Pk ​:k ⋅
100

Una vez identificada la clase (intervalo) donde se encuentra la posición, se utiliza una

fórmula general para calcular el valor de la medida:

(
[k ⋅ )−F
]
N
i−1
X Donde Mk es la medida de posición (cuartil, decil o
M =Li ​+
k ⋅A
fi ​− F i−1

percentil) que se desea calcular, Li es el límite inferior de la clase donde se localiza la

medida, N es el número total de datos, X es 4 para cuartiles, para 10 deciles o 100

para percentiles, F i−1 es la frecuencia acumulada de la clase anterior a la clase de la

medida, fi es la frecuencia absoluta de la clase de la medida, y A es la amplitud del

 intervalo de clase.

Las medidas de posición no centralizada ofrecen un valor añadido significativo en la

investigación al permitir la segmentación y el análisis detallado de subgrupos dentro de un

conjunto de datos. Por ejemplo, en un contexto empresarial, la capacidad de identificar las

plantas que se encuentran "por debajo del cuartil inferior" en términos de producción permite a

la gerencia enfocar sus esfuerzos de mejora de manera precisa. Esto implica que estas medidas

no solo sirven para describir la distribución de los datos, sino que también actúan como

herramientas directas para la toma de decisiones estratégicas y la identificación de áreas de

interés o problemas específicos dentro de una población o muestra. Su aplicación va más allá

de la mera descripción, convirtiéndolas en instrumentos de diagnóstico y gestión en diversos

campos de estudio.

Problema Resuelto 3: Cálculo de Cuartiles, Deciles y Percentiles para Datos No

Agrupados

Enunciado: Un profesor registró las evaluaciones de un examen para 20 estudiantes:

{5, 5, 8, 7, 9, 10, 7, 6, 8, 7, 8, 9, 10, 10, 8, 7, 6, 5, 9, 6}. Calcular el Primer Cuartil (Q1), el

Quinto Decil (D5) y el Percentil 75 (P75).

Solución:

1. Ordenar los datos:

Primero, se ordenan los 20 datos de menor a mayor:

{5, 5, 5, 6, 6, 6, 7, 7, 7, 7, 8, 8, 8, 8, 9, 9, 9, 10, 10, 10}

2. Cálculo del Primer Cuartil (Q1):

k ( n+ 1 )
Se utiliza la fórmula de posición para datos no agrupados: Q K : . Para Q1, k=1 y
4
 n=20.

1 ( 20+1 ) 21
QK : = =5.25Como la posición es decimal, el valor de Q1 se encuentra entre la
4 4

5ª y la 6ª posición de los datos ordenados.

El valor en la 5ª posición es 6.

El valor en la 6ª posición es 6.

Dado que ambos valores son iguales, Q1=6. Si fueran diferentes, se interpolaría.

El Primer Cuartil (Q1) es 6.

3. Cálculo del Quinto Decil (D5):

k ( n+ 1 )
Se utiliza la fórmula de posición para datos no agrupados: D K : . Para D5, k=5 y
10

n=20.

5 ( 20+1 ) 21 105
D5 : .=5 ⋅ = =10.5 Como la posición es decimal, el valor de D5 se
10 10 10

encuentra entre la 10ª y la 11ª posición de los datos ordenados.

El valor en la 10ª posición es 7.

El valor en la 11ª posición es 8.

Se interpola: D 5 ​=7 +0.5 ⋅(8−7)=7 +0.5 ⋅1=7.5

El Quinto Decil (D5) es 7.5

4. Cálculo del Percentil 75 (P75):

k ( n+1 )
Se utiliza la fórmula de posición para datos no agrupados: Pk : . Para P75, k=75 y
100

n=20.

75 ( 20+1 ) 21 1575
P75 : .=75 ⋅ = =15.75Como la posición es decimal, el valor de P75 se
100 100 100

encuentra entre la 15ª y la 16ª posición de los datos ordenados.

 El valor en la 15ª posición es 9.

El valor en la 16ª posición es 9.

Dado que ambos valores son iguales, P75=9. Si fueran diferentes, se interpolaría.

El Percentil 75 (P75) es 9.

Interpretación:

● El Primer Cuartil (Q1=6) indica que el 25% de los estudiantes obtuvo una calificación

de 6 o menos.

● El Quinto Decil (D5 =7.5) indica que el 50% de los estudiantes obtuvo una calificación de

7.5 o menos. Este valor coincide con la mediana.

● El Percentil 75 (P75=9) indica que el 75% de los estudiantes obtuvo una calificación de 9

o menos. Este valor coincide con el Tercer Cuartil (Q3).

Problema Resuelto 4: Cálculo de Cuartiles, Deciles y Percentiles para Datos

Agrupados

Enunciado: Se realizó una encuesta a 50 personas sobre su edad y los datos se

agruparon en la siguiente tabla de frecuencias:

Edad (años) Frecuencia absoluta (fi) Frecuencia acumulada (Fi)

[10,19) 5 5
 [19,28) 11 16

[28,37) 8 24

[37,46) 5 29

[46,55) 8 37

[55,64) 6 43

$$ 7 50

Total 50

Calcular el Tercer Cuartil (Q3), el Cuarto Decil (D4) y el Percentil 70 (P70).

Solución:

1. Cálculo del Tercer Cuartil (Q3):

 Paso 1: Calcular la posición de Q3: Se utiliza la fórmula para datos agrupados:

k ( n)
Posición Q K : . Para Q3, k=3 y N=50.
4

3 ( 50 ) 150
Q3 : = =37.5
4 4

 Paso 2: Identificar la clase de Q3: Se busca en la columna de Frecuencia

Acumulada (Fi) el primer valor que sea igual o superior a 37.5. El valor 37 no es

suficiente, por lo que se toma el 43, que corresponde al intervalo [55,64).

La clase de Q3 es [55,64).

 Paso 3: Aplicar la fórmula del cuartil:

 [ (( ) ) ]
N
k⋅ −F i−1
4 Donde:
Qk=Li+ ​ ⋅A
fi

■ Li (límite inferior de la clase Q3) = 55

■ (k ⋅ N /4) (posición de Q3) = 37.5

■ F i−1 (frecuencia acumulada de la clase anterior a Q3) = 37 (del intervalo [46,55))

■ fi (frecuencia absoluta de la clase Q3) = 6

■ A (amplitud del intervalo) = 64−55=9

Q 3 ​=55+
[ 37.5−37
6 ]
⋅9Q 3 ​=55+[60.5 ​] ⋅9

Q 3 ​=55+(0.0833)⋅9=55+0.75=55.75 a ñ os .

2. Cálculo del Cuarto Decil (D4):

N
○ Paso 1: Calcular la posición de D4: Posición D K =k ⋅ . Para D4, k=4 y N=50.
10

4 ⋅50 200
D4 = = =20.24
10 10

○ Paso 2: Identificar la clase de D4: Se busca en la columna de Frecuencia Acumulada

(Fi) el primer valor que sea igual o superior a 20. El valor 16 no es suficiente, por lo

que se toma el 24, que corresponde al intervalo [28,37).

La clase de D4 es [28,37).

Donde:

Li=28

N
(k ⋅ )=20
10

F i−1 =16 D 4 ​=28+[84 ​]⋅9D 4 ​=28+(0.5)⋅9=28+4.5=32.5 a ñ os .

3. Cálculo del Percentil 70 (P70):

 N
○ Paso 1: Calcular la posición de P70: Posición Pk =k ⋅ . Para P70, k=70 y N=50.
100

70 ⋅50 3500
P70= = =35.24
100 100

○ Paso 2: Identificar la clase de P70: Se busca en la columna de Frecuencia

Acumulada (Fi) el primer valor que sea igual o superior a 35. El valor 29 no es

suficiente, por lo que se toma el 37, que corresponde al intervalo [46,55).

La clase de P70 es [46,55).

○ Paso 3: Aplicar la fórmula del percentil:

[
( 100 )
]
N
k⋅ −F i−1
Donde:
Pk=Li + ⋅A
fi

■ Li = 46

N
■ (k ⋅ )=35
100

■ F i−1 = 29 (del intervalo [37,46))

■ fi = 8

■ A=9

P 70 ​= 46+
[ ( 35−29 )
8 ]
⋅ 9P 70 ​= 46+[86 ​]⋅9

P 70 ​= 46+(0.75)⋅ 9=46+6.75=52.75 a ñ os .

Interpretación:

● El Tercer Cuartil (Q3=55.75 años) indica que el 75% de las personas encuestadas tiene

55.75 años o menos, y el 25% restante tiene más de 55.75 años.

● El Cuarto Decil (D4=32.5 años) significa que el 40% de las personas encuestadas tiene

32.5 años o menos, y el 60% restante tiene más de 32.5 años.

 ● El Percentil 70 (P70=52.75 años) indica que el 70% de las personas encuestadas tiene

52.75 años o menos, y el 30% restante tiene más de 52.75 años.

4. Análisis Estadístico Descriptivo: Medidas de Dispersión y Forma

Además de conocer el centro y la posición de los datos, es fundamental entender cómo

se distribuyen y cuán homogéneos o heterogéneos son. Las medidas de dispersión y forma

proporcionan esta información crucial.

4.1. Medidas de Dispersión Absolutas

Las medidas de dispersión son valores numéricos que cuantifican la variabilidad de

un conjunto de datos, indicando cuán separados o juntos están los valores entre sí y con

respecto a una medida de tendencia central (generalmente la media). Un valor pequeño en una

medida de dispersión sugiere que los datos están concentrados alrededor del centro, mientras

que un valor grande indica que están más dispersos o alejados. Las medidas de dispersión

absolutas se expresan en las mismas unidades de medida que la variable original (o en sus

unidades al cuadrado).

Las características generales de estas medidas incluyen que sus valores son siempre

positivos o cero (si todos los datos son idénticos, la dispersión es cero). Son aplicables en

diversos campos, desde la salud hasta la economía.

Las principales medidas de dispersión absolutas son:

● Rango (o Recorrido): Es la medida de dispersión más simple y se define como la

diferencia entre el valor máximo y el valor mínimo de un conjunto de datos.8

Fórmula para Datos No Agrupados: R=Xmax ​−Xmin ​.

Para Datos Agrupados: Se calcula como la diferencia entre el límite superior de la

última clase y el límite inferior de la primera clase.

 Su principal limitación es que solo considera los dos valores extremos, ignorando la

distribución de los datos intermedios, lo que lo hace muy sensible a valores atípicos.

● Desviación Media: Es el promedio de los valores absolutos de las desviaciones de cada

dato con respecto a la media aritmética del conjunto. A diferencia del rango, utiliza todas

las observaciones para su cálculo.

Fórmula para Datos No Agrupados:

∑ ∣ x i−x ∣
Dm=
n

Fórmula para Datos Agrupados:

∑ ∣ x i−x ∣
Dm= ⋅fi ​​
N

(donde xi es la marca de clase).

● Varianza (σ 2): Es el promedio del cuadrado de las desviaciones de los datos respecto a la

media.8 Se expresa en las unidades de la variable original elevadas al cuadrado, lo que

puede dificultar su interpretación directa en el contexto real de los datos.

Fórmula Poblacional (Datos No Agrupados):

2
2 ∑ ( xi−μ )
σ =
N

Fórmula Muestral (Datos No Agrupados):

2
2 ∑ ( x−x )
s=
n−1

La división por n−1 en la varianza muestral se utiliza para obtener un estimador

insesgado de la varianza poblacional.

Fórmula para Datos Agrupados:

2
2 ∑( xi−x) ⋅fi
s=
N−1

(para muestra, donde xi es la marca de clase).

● Desviación Estándar (o Típica) (σ o s ): Es la raíz cuadrada de la varianza. A diferencia

de la varianza, se expresa en la misma unidad de medida que la variable original, lo que

facilita enormemente su interpretación y la convierte en la medida de dispersión más

utilizada y comprensible en la práctica.

La varianza, aunque es una medida fundamental en estadística, se expresa en unidades

cuadradas, lo que dificulta su interpretación directa en el contexto original de los datos. Por

ejemplo, hablar de "seguros cuadrados” carece de sentido intuitivo. La desviación estándar

resuelve este problema al devolver la medida de dispersión a las unidades originales de la

variable mediante la extracción de la raíz cuadrada. Esta implicación significa que, si bien la

varianza es un paso necesario en el cálculo, la desviación estándar es la medida de dispersión

absoluta preferida para la mayoría de las interpretaciones prácticas en informes de

investigación, ya que es más intuitiva y directamente comparable con la media.

Problema Resuelto 5: Cálculo de Medidas de Dispersión Absolutas para Datos No

Agrupados

Enunciado: Calcular el rango, la desviación media, la varianza y la desviación

estándar para el siguiente conjunto de edades de 6 alumnos: {14, 15, 16, 17, 18, 18}.27

Solución:
 Primero, calculamos la media aritmética, ya que es necesaria para las demás medidas:

xˉ=614+15+16+17+18+18=698≈16.33 años.

1. Cálculo del Rango:

R=Xmax− Xmin ​=18−14=4 a ñ os .

2. Cálculo de la Desviación Media:

∑ ∣ x i−x ∣
Dm=
n

∣14−16.33 ∣+∣15−16.33∣+∣16−16.33 ∣+∣ 17−16.33 ∣+ ∣18−16.33 ∣+∣18−16.33∣

Dm=
6

∣−2.33 ∣+ ∣−1.33∣+∣−0.33 ∣+ ∣0.67 ∣+ ∣1.67 ∣+∣ 1.67 ∣

Dm=
6

Dm=62.33+1.33+0.33+ 0.67+1.67+1.67 ​=68.67 ​≈1.445 a ñ os .

3. Cálculo de la Varianza (muestral):

2
∑ ( x−x )
s2=
n−1

( 14−16.33 )2 + ( 15−16.33 )2+ (16−16.33 )2 + ( 17−16.33 )2 + ( 18−16.33 )2+ ( 18−16.33 )2

s2=
6−1
2
s =55.4289+1.7689+ 0.1089+0.4489+2.7889+ 2.7889

2
s =513.3334 ​≈ 2.667 a ñ os

4. Cálculo de la Desviación Estándar (muestral):

s= √ 2.667 ≈ 1.633 años .

Interpretación:

● El rango (4 años) indica que la diferencia entre la edad del alumno mayor y la del menor

es de 4 años.

● La desviación media (1.445 años) significa que, en promedio, las edades de los alumnos
 se desvían 1.445 años de la media.

● La varianza (2.667 años$^2$) es una medida de la dispersión cuadrática promedio

alrededor de la media. Su interpretación directa es limitada debido a las unidades

cuadradas.

● La desviación estándar (1.633 años) es la medida más interpretable. Indica que, en

promedio, las edades de los alumnos se desvían aproximadamente 1.633 años de la edad

media (16.33 años). Un valor bajo sugiere que las edades están relativamente agrupadas

alrededor de la media.

Problema Resuelto 6: Cálculo de Medidas de Dispersión Absolutas para Datos

Agrupados

Enunciado: Utilizando la tabla de frecuencias de la masa corporal de 40 estudiantes

del Problema Resuelto 2, calcular el rango, la varianza y la desviación estándar.

Masa corporal
fi xi xi⋅fi Fi
(kg)

[50,55) 6 52.5 315.0 6

[55,60) 13 57.5 747.5 19

[60,65) 9 62.5 562.5 28

[65,70) 8 67.5 540.0 36

$$ 4 72.5 290.0 40

Total 40 2455.0

Recordemos que la media ( x ) calculada previamente es 61.375 kg.

Solución:

1. Cálculo del Rango:

Para datos agrupados, el rango se calcula como la diferencia entre el límite superior de la

última clase y el límite inferior de la primera clase.

R=75−50=25 kg .

2. Cálculo de la Varianza (muestral):

Para calcular la varianza, se añaden columnas para ( xi ​− xˉ ), (xi−xˉ)2 y (xi−xˉ)2⋅fi:

Masa
2 2
corporal fi xi xi⋅fi (xi− x ) ( xi−x ) ( xi−x ) . fi

(kg)

[50,55) 6 52.5 315.0 -8.875 78.7656 472.5936

 [55,60) 13 57.5 747.5 -3.875 15.0156 195.2028

[60,65) 9 62.5 562.5 1.125 1.2656 11.3904

[65,70) 8 67.5 540.0 6.125 37.5156 300.1248

$$ 4 72.5 290.0 11.125 123.7656 495.0624

Total 40 2455.0 1474.374

Se utiliza la fórmula de la varianza muestral para datos agrupados:

2
2 ∑( xi−x) ⋅fi
s=
N−1

2 1474.374
s=
40−1

2
s =37.804 kg

3. Cálculo de la Desviación Estándar (muestral):

s= √ 37.804 ≈ 6.148 kg

Interpretación:

● El rango (25 kg) indica que la diferencia entre el límite superior de la masa corporal más

alta y el límite inferior de la más baja en la distribución es de 25 kg.

● La varianza (37.804 kg) cuantifica la dispersión promedio de los datos al cuadrado

 alrededor de la media. Su interpretación directa es compleja debido a las unidades

cuadradas.

● La desviación estándar (6.148 kg) es la medida más interpretable. Significa que, en

promedio, las masas corporales de los estudiantes se desvían aproximadamente 6.148 kg

de la masa corporal media (61.375 kg). Un valor de desviación estándar de 6.148 kg, en

relación con una media de 61.375 kg, sugiere una dispersión moderada de los pesos en la

muestra.
 5. Fundamentos de la probabilidad un enfoque teórico y práctico

En un mundo caracterizado por la incertidumbre inherente a la mayoría de los

fenómenos naturales, sociales y económicos, la probabilidad emerge como una disciplina

matemática fundamental para comprender, cuantificar y tomar decisiones frente a lo aleatorio.

Desde el pronóstico del tiempo hasta el diseño de experimentos científicos, la gestión de

riesgos financieros o la toma de decisiones en inteligencia artificial, la capacidad de modelar y

predecir la ocurrencia de eventos inciertos es una habilidad indispensable. La probabilidad, en

esencia, proporciona el lenguaje y las herramientas para navegar en este paisaje de

incertidumbre, permitiendo a profesionales de diversas áreas transformar la mera intuición en

un análisis riguroso y sistemático.

En el tema número 3 titulado como “Probabilidad un enfoque teórico y práctico se

presentará los fundamentos esenciales de la probabilidad, desglosando conceptos clave la

metodología que permite su aplicación en diversos contextos, a su vez se presentarán

problemas en cada subtema orientado a la aplicación a la ingeniería civil.

5.1. Experimentos aleatorios, espacio muestral.

El estudio de la probabilidad se asienta sobre la comprensión de los fenómenos

aleatorios y la capacidad de cuantificar sus posibles resultados. Para ello, es indispensable

definir un conjunto de conceptos básicos que permiten modelar y analizar la incertidumbre

inherente a estos fenómenos.

5.1.1. Experimento Aleatorio

Un experimento aleatorio, también conocido como experimento estocástico, es un

proceso o acción cuyo resultado no puede ser predicho con certeza antes de que ocurra, pero

del cual se conocen todos los posibles resultados. Para que un proceso sea considerado un
experimento aleatorio, debe cumplir con las siguientes características fundamentales:

- Es repetible: El experimento puede ser realizado bajo las mismas condiciones cuantas

veces se desee.

- Resultados conocidos: Todos los posibles resultados del experimento son conocidos de

antemano.

- Resultado incierto: A pesar de conocer todos los resultados posibles, el resultado

particular de cada repetición es impredecible.

- Patrón a largo plazo: Aunque el resultado de una sola repetición es aleatorio, si el

experimento se repite un gran número de veces, las frecuencias relativas de los

resultados tienden a estabilizarse hacia valores determinados.

Algunos ejemplos de experimentos aleatorios son:

- Lanzar una moneda al aire y observar la cara superior.

- Lanzar un dado y registrar el número que aparece en la cara superior.

- Extraer una carta de una baraja bien barajada.

- Medir el tiempo de vida de un componente electrónico.

- Contar el número de vehículos que pasan por un peaje en una hora determinada.

5.1.2. Espacio Muestral denotado por (Ω)

El espacio muestral de un experimento aleatorio es el conjunto de todos los posibles

resultados o puntos muestrales. Se denota comúnmente con la letra griega omega (Ω). Cada

elemento del espacio muestral es un resultado único y elemental del experimento. La

naturaleza del espacio muestral puede variar, lo que tiene implicaciones en cómo se calcula la

probabilidad:

a) Espacio muestral finito: Contiene un número limitado y contable de resultados.

 - Ejemplo 1: Al lanzar un dado, el espacio muestral es Ω= {1,2,3,4,5,6}.

- Ejemplo 2: Al lanzar una moneda dos veces, el espacio muestral es Ω=

{CC, CS, SC, SS}.

b) Espacio muestral infinito numerable: Contiene un número infinito de resultados que pueden

ser contados o enumerados en una secuencia (es decir, pueden ponerse en correspondencia

uno a uno con los números naturales).

- Ejemplo: Contar el número de lanzamientos de una moneda hasta obtener la primera

cara:

Ω= {1,2,3, 4, …}.

c) Espacio muestral continuo: Contiene un número infinito no numerable de resultados,

típicamente en un intervalo de números reales.

- Ejemplo: Medir el tiempo de vida de una bombilla (en horas): Ω= {t / t ≥ 0}, donde t

puede ser cualquier valor real positivo.

- Ejemplo: La temperatura ambiente en un lugar específico: Ω= {T/ T mín ≤T ≤T máx },

donde T puede tomar cualquier valor real dentro de un rango.

5.1.3. Eventos (Sucesos)

Un evento (o suceso) es cualquier subconjunto del espacio muestral de un experimento

aleatorio. Representa uno o más resultados de interés del experimento. Los eventos se denotan

comúnmente con letras mayúsculas como A, B, C, etc.

a) Evento elemental (o simple): Es un subconjunto del espacio muestral que contiene un

único punto muestral.

- Ejemplo: Al lanzar un dado, el evento "obtener un 4" es un evento elemental: A= {4}.

b) Evento compuesto: Es un subconjunto del espacio muestral que contiene dos o más

puntos muestrales.
 - Ejemplo: Al lanzar un dado, el evento "obtener un número par" es un evento

compuesto: B = {2,4,6}.

c) Evento imposible (∅): Es el subconjunto vacío del espacio muestral, es decir, el evento

que nunca puede ocurrir.

- Ejemplo: Al lanzar un dado, el evento "obtener un 7" es imposible: C=∅.

d) Evento seguro (Ω): Es el propio espacio muestral, es decir, el evento que siempre

ocurrirá.

- Ejemplo: Al lanzar un dado, el evento "obtener un número entre 1 y 6" es seguro:

D= {1,2,3,4,5,6} =Ω.

Operaciones con Eventos

Dado que los eventos son conjuntos, se pueden aplicar las operaciones básicas de la

teoría de conjuntos para combinarlos y generar nuevos eventos. Estas operaciones son

fundamentales para el cálculo de probabilidades de eventos más complejos. Sean A y B dos

eventos dentro de un espacio muestral Ω:

a) Unión de Eventos (A∪B):

Definición: El evento A∪B ocurre si el evento A ocurre, o el evento B ocurre, o ambos

ocurren. Representa el conjunto de todos los puntos muestrales que pertenecen a A, a B, o a

ambos.

- Ejemplo: Al lanzar un dado, sea A el evento "obtener un número par" (A= {2,4,6}) y B

el evento "obtener un número mayor que 3" (B= {4,5,6}). Entonces, A∪B= {2,4,5,6}.

Diagrama de Venn: La unión se representa como la región que abarca ambos círculos,

incluyendo la intersección.
b) Intersección de Eventos (A∩B o AB):

Definición: El evento A∩B ocurre si y solo si tanto el evento A como el evento B

ocurren simultáneamente. Representa el conjunto de todos los puntos muestrales que son

comunes a A y a B.

- Ejemplo: Usando los eventos A y B del ejemplo anterior: A= {2,4,6} y B={4,5,6}.

Entonces, A∩B= {4,6}.

Diagrama de Venn: La intersección se representa como la región donde los círculos de

A y B se superponen.

c) Complemento de un Evento ( Ac o A′):

Definición: El evento Ac ocurre si el evento A no ocurre. Representa el conjunto de

todos los puntos muestrales en el espacio muestral Ω que no pertenecen al evento A.

- Ejemplo: Al lanzar un dado, sea A el evento "obtener un número par" (A= {2,4,6}).

Entonces, el complemento de A es Ac = {1,3,5} (obtener un número impar).

Diagrama de Venn: El complemento de A es la región fuera del círculo de A, pero

dentro del rectángulo que representa el espacio muestral.

d) Eventos Mutuamente Excluyentes (o Disjuntos):

Definición: Dos eventos A y B son mutuamente excluyentes si no pueden ocurrir

simultáneamente en el mismo experimento. Es decir, su intersección es el conjunto vacío:

A∩B=∅.

- Ejemplo: Al lanzar un dado, sea A el evento "obtener un número par" (A= {2,4,6}) y C

el evento "obtener un 1" (C= {1}). A y C son mutuamente excluyentes porque A∩C=∅.
 Diagrama de Venn: Los círculos de A y B no se superponen.

e) Eventos Colectivamente Exhaustivos:

Definición: Una colección de eventos E1 , E2 , E 3 , … , En es colectivamente exhaustiva

si su unión cubre todo el espacio muestral, es decir, E1 ∪ E2∪ E3 ∪…∪ En =Ω. Esto significa que

al menos uno de los eventos debe ocurrir.

- Ejemplo: Al lanzar un dado, los eventos "número par" ( E1= {2,4,6}) y "número impar"

( E2= {1,3,5}) son colectivamente exhaustivos, ya que E1∪ E2= {1,2,3,4,5,6} = Ω.

La comprensión de estos conceptos básicos es esencial para construir el marco sobre el

cual se calcularán las probabilidades de eventos más complejos, utilizando las reglas y

teoremas que se abordarán en secciones posteriores.

Problema 1:

Se lanza una moneda balanceada tres veces consecutivas. Define el experimento

aleatorio.

Solución:

El experimento aleatorio es el lanzamiento de una moneda balanceada tres veces

consecutivas, observando la secuencia de caras (C) y cruces (S) obtenidas en cada

lanzamiento.

Problema 2:

Una urna contiene 4 bolas rojas (R1, R2, R3, R4) y 2 bolas azules (A1, A2). Se extraen

dos bolas consecutivamente y sin reemplazo (es decir, la primera bola extraída no se devuelve

a la urna antes de extraer la segunda). Construye el espacio muestral (Ω) de todos los posibles
resultados. Cada resultado debe ser un par ordenado que indique el orden de extracción.

Solución:

Hay un total de 6 bolas al inicio (4 rojas + 2 azules). Los resultados son pares

ordenados (bola 1, bola 2), donde la bola 2 es diferente de la bola 1.

Ω = { (R1,R2), (R1,R3), (R1,R4), (R1,A1), (R1,A2), (R2,R1), (R2,R3), (R2,R4),

(R2,A1), (R2,A2), (R3,R1), (R3,R2), (R3,R4), (R3,A1), (R3,A2), (R4,R1), (R4,R2), (R4,R3),

(R4,A1), (R4,A2), (A1,R1), (A1,R2), (A1,R3), (A1,R4), (A1,A2), (A2,R1), (A2,R2), (A2,R3),

(A2,R4), (A2,A1) }

Se cuenta con 30 elementos en el espacio muestral.

Problema 3 (Aplicado a la ingeniería civil):

Una empresa constructora recibe lotes de 40 sacos de cemento de un proveedor. Para

asegurar la calidad, un ingeniero civil selecciona aleatoriamente tres sacos de cemento de cada

lote para una inspección detallada. Durante la inspección, cada saco se clasifica como

"Aceptable" (A) o "Defectuoso" (D) según sus propiedades de resistencia y fraguado.

a) Define el experimento aleatorio.

b) Construye el espacio muestral (Ω) de los posibles resultados para la inspección de

los tres sacos.

Solución:

a) El experimento aleatorio es la selección y clasificación de tres sacos de cemento de

un lote, registrando si cada saco es Aceptable (A) o Defectuoso (D) en el orden en que son

inspeccionados.
 b) Dado que cada uno de los tres sacos puede ser clasificado como A (Aceptable) o D

(Defectuoso), y hay 2 posibilidades para cada saco, el número total de resultados posibles es 23

=8. El espacio muestral es: Ω= {AAA, AAD, ADA, DAA, ADD, DAD, DDA, DDD}.

5.2. Conteo de puntos muestrales:

En muchos experimentos aleatorios, el espacio muestral puede ser grande, lo que

dificulta la enumeración directa de todos sus puntos muestrales. Las técnicas de conteo,

también conocidas como análisis combinatorio, proporcionan métodos sistemáticos para

determinar el número de posibles resultados sin necesidad de listarlos explícitamente. Estas

herramientas son cruciales para el cálculo de probabilidades cuando se aplica el enfoque

clásico, y son la base para comprender la estructura de muchos eventos.

5.2.1. Principio de Multiplicación:

Este principio establece que, si una operación puede realizarse de n1 maneras, y una

segunda operación puede realizarse de n2 maneras, y así sucesivamente hasta una k-ésima

operación que puede realizarse de n k maneras, entonces el número total de maneras en que

pueden realizarse las k operaciones juntas es el producto: n1×n2 ×…×n k.

- Ejemplo: Si se puede elegir una camisa de 3 colores, un pantalón de 4 colores y unos

zapatos de 2 colores, el número total de combinaciones de vestimenta es 3×4×2=24.

5.2.2. Variaciones:

Las variaciones se refieren a las diferentes formas de seleccionar y ordenar un

subconjunto de elementos de un conjunto mayor. El orden de los elementos sí importa.

a) Variaciones sin repetición (Permutaciones de n elementos tomando k a la vez): Se

utilizan cuando se seleccionan k elementos de un conjunto de n elementos distintos, y

 el orden en que se seleccionan es relevante. Una vez que un elemento ha sido

seleccionado, no se puede volver a seleccionar. La fórmula para calcular el número de

variaciones sin repetición de n elementos tomados de k en k es:

n!
V (n ,k )=P (n , k )=
(n−k )!

b) Variaciones con repetición: Se utilizan cuando se seleccionan k elementos de un

conjunto de n elementos, y el orden importa, permitiendo que los elementos se repitan.

La fórmula es:
k
VR(n , k )=n

5.2.3. Permutaciones:

Las permutaciones son un caso especial de variaciones sin repetición donde se utilizan

todos los elementos del conjunto (k=n). Es decir, las permutaciones son las diferentes maneras

de ordenar un conjunto completo de n elementos distintos. El orden es fundamental.

a) Permutaciones de n elementos distintos: La fórmula para calcular el número de

permutaciones de n elementos distintos es:

P(n)=n!

b) Permutaciones con objetos repetidos: Cuando se tienen n elementos donde n1 son de

un tipo, n2 de otro tipo, ..., n k de un k-ésimo tipo, y n1 +n2+…+n k =¿ n, el número de

permutaciones distintas es:

n!
P ¿,n2,…,n k¿=
n1 !+ n2 ! +…+n k !

5.2.4. Combinaciones:
 se refieren a las diferentes formas de seleccionar un subconjunto de elementos de un

conjunto mayor, donde el orden de los elementos seleccionados no importa.

a) Combinaciones sin repetición: Se utilizan cuando se seleccionan k elementos de un

conjunto de n elementos distintos, y el orden de selección no es relevante. La fórmula

para calcular el número de combinaciones de n elementos tomados de k en k es:

C ( n , k )=
n!
()
=
k ! ( n−k ) ! k
n

Problemas:

Problema 1:

Un sistema de seguridad en una obra requiere un código de 4 dígitos. Si los dígitos

pueden ser del 0 al 9 y se permite la repetición, ¿cuántos códigos diferentes son posibles?

Solución:

Aquí, n=10 (dígitos del 0 al 9) y k=4 (longitud del código).

VR (10,4) =104=10,000 códigos diferentes.

Problema 2:

En un proyecto de construcción, se deben asignar 3 ingenieros (de un grupo de 8

disponibles) a 3 roles distintos: jefe de Obra, Supervisor de Seguridad y Encargado de Control

de Calidad. ¿De cuántas maneras diferentes se pueden asignar los roles?

Solución:

n=8 (total de ingenieros) y k=3 (roles a asignar).

El orden importa, ya que no es lo mismo ser jefe de Obra que Supervisor de Seguridad.

8!
V ( 8 , 3 )= =336 maneras
( 8−3 ) !

Problema 3:

Solución:

Un ingeniero civil debe organizar la secuencia de 5 inspecciones de rutina en una

jornada laboral. ¿De cuántas maneras diferentes puede planificar la secuencia de estas

inspecciones?

Solución:

n=5 (inspecciones).

P(5)=5 !=5 × 4 ×3 ×2 ×1=120 maneras .

Problema 4:

De un equipo de 10 ingenieros, se necesita formar un comité de 4 ingenieros para

evaluar un nuevo sistema de gestión de proyectos. ¿De cuántas maneras diferentes se puede

formar el comité?

Solución:

n=10 (total de ingenieros) y k=4 (miembros del comité). El orden no importa, ya que

ser miembro del comité es lo mismo, independientemente de cómo se haya elegido.

(104)= 4 ! ( 10−4
10 !
)!
=210 maneras

5.3. Probabilidad de un evento:

 Una vez que se han definido los experimentos aleatorios, los espacios muestrales y los

eventos, el siguiente paso fundamental en el estudio de la probabilidad es la asignación de un

valor numérico a la ocurrencia de un evento. Este valor, conocido como probabilidad,

cuantifica la verosimilitud de que un evento ocurra. A lo largo de la historia, se han

desarrollado diferentes enfoques para definir y calcular la probabilidad de un evento, cada uno

con sus propias bases y aplicaciones.

5.3.1. Enfoque clásico:

El enfoque clásico, propuesto por Pierre Simón Laplace, es el más intuitivo y se aplica

cuando todos los resultados posibles de un experimento aleatorio son igualmente probables. Se

define la probabilidad de un evento A como la razón entre el número de resultados favorables

al evento A y el número total de resultados posibles en el espacio muestral.

Definición: Si un experimento aleatorio tiene N resultados posibles igualmente

probables, y de estos N resultados, n(A) son favorables al evento A, entonces la probabilidad

del evento A se calcula como:

n ( A ) Número de resultados favorables a A

P ( A )= =
N Número total de resultados posibles

Este enfoque requiere que el espacio muestral sea finito y que todos los puntos

muestrales tengan la misma probabilidad de ocurrir (sean equiprobables). La principal

limitación de este enfoque es que no siempre es posible asumir que todos los resultados son

igualmente probables, ni que el espacio muestral es finito.

5.3.2. Enfoque Frecuentista:

El enfoque frecuentista, también conocido como probabilidad empírica o estadística, se

basa en la observación de la frecuencia relativa de un evento cuando un experimento se repite

un gran número de veces bajo condiciones similares.

Definición: La probabilidad de un evento A se estima como la frecuencia relativa con

la que ocurre el evento en una larga serie de repeticiones del experimento. A medida que el

número de repeticiones (n) tiende a infinito, la frecuencia relativa se aproxima a la

probabilidad real del evento;

Número de vecesque ocurre A

P ( A )=lim
n→∞ n

Este enfoque es útil cuando no se pueden enumerar los resultados igualmente probables

o cuando la naturaleza del fenómeno es incierta. Es la base de las estadísticas inferenciales y el

control de calidad.

5.3.3. Enfoque Axiomático:

El enfoque axiomático, formulado por el matemático ruso Andréi Kolmogórov,

proporciona una base matemática rigurosa para la teoría de la probabilidad, sin depender de la

equiprobabilidad o la repetición de experimentos. Este enfoque define la probabilidad como

una función que asigna un número real a cada evento en un espacio muestral, y establece un

conjunto de axiomas que esta función debe satisfacer.

Sea Ω el espacio muestral y F la colección de todos los eventos (uniones e

intersecciones de los subconjuntos del espacio muestral). Una función de probabilidad P es

una función P: F→R que satisface los siguientes tres axiomas:

- Axioma 1 (No negatividad): La probabilidad de cualquier evento A es un número no

negativo.

- Axioma 2 (Normalización): La probabilidad del evento seguro (el espacio muestral

completo) es igual a 1.
 - Axioma 3 (Aditividad): Para cualquier secuencia de eventos mutuamente excluyentes

(disjuntos) A1 , A 2 , A3 , …(es decir , A i ∩ A j=∅ para i/ j), la probabilidad de su unión es

la suma de sus probabilidades individuales.

A partir de estos axiomas, se pueden deducir otras propiedades importantes de la

probabilidad:

- La probabilidad del evento imposible es cero: P (∅) = 0.

- La probabilidad de que un evento no ocurra (su complemento) es 1 menos la

probabilidad de que ocurra: P ( Ac )=1 − P(A).

- Si A ⊆ B, entonces P(A) ≤ P(B).

- Para dos eventos cualesquiera A y B (no necesariamente mutuamente excluyentes):

P(A∪B) =P(A)+P(B)−P(A∩B).

Este enfoque es la base matemática moderna de la probabilidad, permitiendo el

desarrollo de modelos probabilísticos complejos y la integración con la teoría de la medida.

Aunque es más abstracto, valida y unifica los enfoques clásico y frecuentista bajo un marco

coherente.

Problemas:

Problema 1:

Un ingeniero de calidad inspecciona un lote de 100 componentes electrónicos para un

sistema de automatización. Se sabe que 5 de estos componentes son defectuosos. Si el

ingeniero selecciona un componente al azar, ¿cuál es la probabilidad de que sea defectuoso?

Solución:

Resultados favorables (componentes defectuosos) n(A)=5.

 Total de resultados posibles (total de componentes) N=100.

P(Defectuoso)=1005=0.05.

Problema 2:

Para determinar la probabilidad de que un tipo particular de viga de hormigón falle

bajo una carga específica, un laboratorio realiza 1000 pruebas. Si 8 de estas vigas fallan, ¿cuál

es la probabilidad empírica?

Solución:

P(Falla)=10008=0.008

5.4. Cálculo de probabilidades según el tipo de espacio muestral.

El método para calcular la probabilidad de un evento varía significativamente

dependiendo de la naturaleza del espacio muestral. Como se mencionó anteriormente, los

espacios muestrales pueden ser finitos, infinitos numerables o continuos, cada uno requiriendo

un enfoque específico para la asignación y el cálculo de probabilidades.

5.4.1. Cálculo de Probabilidades en Espacios Muestrales Finitos

Cuando el espacio muestral Ω de un experimento aleatorio es finito y consta de N

resultados posibles (N<∞ ), el cálculo de probabilidades a menudo se basa en el enfoque

clásico o en la asignación de probabilidades a cada punto muestral.

a) Enfoque de Puntos Muestrales Equiprobables:

Si todos los N puntos muestrales en Ω son igualmente probables, entonces la

probabilidad de cada punto muestral es 1/N. La probabilidad de cualquier evento A se

calcula sumando las probabilidades de los puntos muestrales que lo componen, lo que
 equivale a la fórmula clásica:

n ( A) Número de puntos muestrales en A

P ( A )= =
N Número total de puntos muestrales en Ω

Las técnicas de conteo (variaciones, permutaciones, combinaciones) son

indispensables aquí para determinar n(A) y N.

b) Enfoque de Puntos Muestrales No Equiprobables:

En algunos casos, los puntos muestrales en un espacio finito pueden no ser

igualmente probables. En este escenario, a cada punto muestral se le asigna una

probabilidad pi tal que

- 0 ≤ pi ≤1 para todo i .

N
- ∑ pi =1
i=1

La probabilidad de un evento A es entonces la suma de las probabilidades de todos

lo puntos muestrales que pertenecen a A.

5.4.2. Cálculo de Probabilidades en Espacios Muestrales Infinitos Numerables:

En un espacio muestral infinito numerable, los resultados del experimento pueden ser

contados (ej. 1, 2, 3, ...), pero el número de resultados es infinito. En este caso, no es posible

asignar una probabilidad uniforme a cada punto muestral (ya que 1/∞ no se comportaría como

una probabilidad). En su lugar, se utiliza una función de masa de probabilidad (FMP), P(x),

que asigna una probabilidad a cada valor discreto x que puede tomar la variable aleatoria.

Definición de FMP: Para una variable aleatoria discreta X sobre un espacio muestral

infinito numerable, una función P(x) es una FMP si satisface:

 - P(x)≥0 para todos los valores x posibles.

- ∑ P (x)=1, donde la suma se extiende sobre todos los valores posibles de x. La

x

probabilidad de un evento A se calcula sumando las probabilidades de los valores x

que pertenecen al evento A:

P ( A )= ∑ P(x )
X∈A

5.4.3. Cálculo de Probabilidades en Espacios Muestrales Continuos

Los resultados del experimento pueden tomar cualquier valor dentro de un intervalo (o

varios intervalos) de números reales. En este caso, la probabilidad de que una variable

aleatoria tome un valor específico es cero, P(X=x) =0. En su lugar, se calcula la probabilidad

de que la variable caiga dentro de un rango de valores. Esto se hace utilizando una función de

densidad de probabilidad (FDP), f(x).

Definición de FDP: Para una variable aleatoria continua X, una función f(x) es una

FDP si satisface:

- f (x)≥ 0 para todos los valores de x

- El área de la curva de f (x) es ∫ f ( x ) dx = 1, la probabilidad de que X tome un valor en

−∞

un intervalo (a, b) se calcula con el área bajo FDP en ese intervalo:

b
P ( a ≤ X ≤b )=∫ f ( x ) dx
a

Función de Distribución Acumulada (FDA o CDF): Para ambos tipos de espacios

muestrales (discretos y continuos), la FDA, F(x)=P (X≤ x), es una función que da la

probabilidad de que la variable aleatoria X tome un valor menor o igual a x. Es una

herramienta muy útil para calcular probabilidades de rangos. Para variables continuas,
x
F ( x )= ∫ f ( t ) dt
−∞

Problemas:

Problema 1:

Un ingeniero de estructuras selecciona al azar 2 vigas de un lote de 10 vigas idénticas

(V1, V2, ..., V10) para una prueba de resistencia. ¿Cuál es la probabilidad de que las vigas V1

y V2 sean seleccionadas?

Solución:

El número total de formas de seleccionar 2 vigas de 10, donde el orden no importa, se

calcula con combinaciones: 45 pares posibles.

Evento A (Vigas V1 y V2 son seleccionadas): Solo hay una forma de que este evento

ocurra:

A= {{V1, V2}}. Así, n(A)=1.

n ( A) 1
P ( A )= =
N 45

Problema 2:

Un ingeniero de software calcula el número de errores de programación (bugs)

encontrados en un módulo de código de un programa de simulación de estructuras hasta que el

primer bug es detectado. El número de revisiones hasta encontrar el primer bug (X) es una

variable aleatoria que puede tomar valores 1,2, 3, … (un espacio muestral infinito numerable).
 Solución:

Supongamos que la probabilidad de encontrar el primer bug en la x-ésima revisión está

dada por la función P(x)=(0.7) x−1 (0.3) para x=1,2, 3, …

Evento C (El primer bug se encuentra en la tercera revisión): C = {3}

Cálculo de Probabilidad: P(C)= P (3) = (0.7)3−1 (0.3) = (0.7)3−1 ¿0.3) = 0.49×0.3 =

0.147.

Evento D (El primer bug se encuentra en menos de 3 revisiones): D = {1,2}.

Cálculo de Probabilidad: P(D) = P (1) +P (2) = (0.7)0 (0.3) + (0.7)1 (0.3) = 0.3+0.21=

0.51.

Problema 3:

El tiempo de vida (en años) de un tipo de sensor de deformación utilizado en puentes

sigue una distribución continua con una función de densidad de probabilidad dada por f(t)=0.2
−0.2 t
(e ) para t≥0, y f(t)=0 para t < 0. (Esto corresponde a una distribución exponencial).

Solución:

Evento E (El sensor dura entre 3 y 5 años): E = {t/3 ≤ t ≤ 5}.

5
P ( 3 ≤t ≤ 5 ) =∫ 0.2(e)
−0.2 t
dx
3

Calculando la integral:

−0.2 x 5
(−e ) −(−e )−0.2 x 3= 0.1809
La probabilidad de que el sensor dure entre 3 y 5 años es aproximadamente 0.1809.

5.5. Probabilidad condicional:

En el ámbito de la probabilidad, a menudo nos encontramos con situaciones en las que

la ocurrencia de un evento afecta la probabilidad de que otro evento ocurra. La probabilidad

condicional es una herramienta esencial que permite cuantificar esta relación, calculando la

probabilidad de que un evento suceda dado que otro evento ya ha ocurrido. Este concepto es

fundamental para el análisis de la dependencia entre eventos y es la base para el desarrollo de

reglas más complejas como el Teorema de Bayes.

5.5.1. Definición de Probabilidad Condicional:

La probabilidad condicional del evento A, dado que el evento B ha ocurrido, se denota

como P(A∣B) y se define de la siguiente manera:

P( A ∩ B)
P ( A / B )=
P(B)

Esta fórmula es válida siempre que P(B)>0.

Interpretación: P(A/B) representa la probabilidad de que el evento A ocurra, sabiendo

que el evento B ya ha ocurrido. En esencia, la ocurrencia de B restringe el espacio muestral

original a solo aquellos resultados donde B es verdadero, y dentro de ese nuevo espacio

reducido, se evalúa la probabilidad de A.

Si consideramos el espacio muestral original, P(A∩B) es la probabilidad de que ambos

eventos A y B ocurran. Al "condicionar" sobre B, estamos diciendo que solo nos interesan los

casos en los que B ha sucedido. Por lo tanto, dividimos por P(B) para "re-escalar" las

probabilidades dentro del nuevo espacio muestral definido por B, de modo que la suma de las
probabilidades dentro de ese espacio condicional sea 1.

Problemas:

Problema 1:

En un estudio de fiabilidad de componentes estructurales, se sabe que:

- La probabilidad de que un componente tenga una grieta interna (G) es P(G)=0.08.

- La probabilidad de que un componente tenga una grieta interna Y falle prematuramente

(F) es P(G∩F) = 0.03.

- La probabilidad de que un componente falle prematuramente (F) es P(F)=0.05.

¿Cuál es la probabilidad de que un componente tenga una grieta interna, dado que ya se sabe

que ha fallado prematuramente?

Solución:

Aplicando la fórmula de probabilidad condicional:

0.03
P ( G/ F ) = =0.60
0.05

Esto significa que, si un ingeniero ya ha identificado que un componente ha fallado

prematuramente, la probabilidad de que esa falla se deba a una grieta interna aumenta

significativamente al 60%. Esto es crucial para el diagnóstico y la mejora de procesos de

fabricación.

Problema 2:
 Un ingeniero de control de calidad está inspeccionando lotes de concreto fresco. Se

sabe que:

- La probabilidad de que un lote tenga una consistencia adecuada (C) es P(C) = 0.90.

- La probabilidad de que un lote tenga una resistencia a la compresión adecuada (R) es

P(R)=0.85.

- La probabilidad de que un lote tenga ambas propiedades adecuadas (C y R) es P(C∩R)

= 0.80.

Si se selecciona un lote y se verifica que tiene una consistencia adecuada, ¿cuál es la

probabilidad de que también tenga una resistencia a la compresión adecuada? Es decir,

queremos calcular P(R/C).

Solución:

Aplicando la fórmula de probabilidad condicional:

0.80
P ( R/C )= =0.8889
0.90

Si se ha confirmado que un lote de concreto tiene la consistencia correcta, la

probabilidad de que también cumpla con la resistencia a la compresión adecuada es de

aproximadamente 88.89%. Esta información es valiosa para la toma de decisiones en obra,

permitiendo proceder con la colocación del concreto con mayor confianza.

5.6. Eventos independientes

El concepto de eventos independientes es fundamental en probabilidad, ya que

simplifica considerablemente el cálculo de probabilidades conjuntas y la modelación de

fenómenos donde la ocurrencia de un suceso no tiene influencia sobre otro. A diferencia de la

probabilidad condicional, donde la información de un evento modifica la probabilidad de otro,

la independencia implica una falta de interconexión probabilística

Dos eventos, A y B, son considerados independientes si la ocurrencia de uno no afecta

la probabilidad de ocurrencia del otro. Formalmente, la independencia puede definirse de

varias maneras equivalentes:

- Definición 1: Usando probabilidad condicional

P(A/B) = P(A), siempre que P(B)>0. Esto significa que la probabilidad de A es la

misma, se sepa o no que B ocurrió.

- Definición 2: Usando la regla de la multiplicación

P(A∩B) = P(A)P(B). Esto establece que la probabilidad de que ambos eventos A y B

ocurran es simplemente el producto de sus probabilidades individuales. Esta es la

condición más utilizada para probar la independencia.

Es importante destacar que, si se cumple una de estas condiciones, se cumplen todas las

demás. Si A y B no satisfacen estas condiciones, se les denomina eventos dependientes.

5.6.1. Diferencias entre Eventos Independientes y Mutuamente Excluyentes:

a) Eventos Mutuamente Excluyentes: Dos eventos A y B son mutuamente excluyentes si

no pueden ocurrir al mismo tiempo; es decir, A∩B=∅. Esto implica que P(A∩B) =0. Si

P(A)>0 y P(B)>0, entonces no pueden ser independientes, ya que P(A)P(B)≠ 0. Por lo

tanto, si dos eventos con probabilidad no nula son mutuamente excluyentes, ¡son

necesariamente dependientes! La ocurrencia de uno de ellos (por ejemplo, A) nos

asegura que el otro (B) no puede ocurrir, cambiando drásticamente su probabilidad de

cero.
 b) Eventos Independientes: Dos eventos A y B son independientes si la ocurrencia de uno

no afecta la probabilidad del otro. Como se vio, esto implica P(A∩B) = P(A)P(B).

Los eventos mutuamente excluyentes no pueden ocurrir juntos, mientras que los

eventos independientes pueden ocurrir juntos, y la ocurrencia de uno no da información sobre

la ocurrencia del otro.

Problemas:

Problema 1:

Un ingeniero de materiales realiza dos pruebas de resistencia idénticas y separadas en

dos muestras diferentes de un nuevo lote de acero.

- Sea A el evento de que la primera muestra de acero pase la prueba de resistencia.

P(A)=0.95.

- Sea B el evento de que la segunda muestra de acero pase la prueba de resistencia.

P(B)=0.95.

Dado que las dos muestras son diferentes y las pruebas se realizan de manera

independiente, es razonable asumir que los eventos A y B son independientes.

¿Cuál es la probabilidad de que ambas muestras pasen la prueba de resistencia?

Solución:

Si A y B son independientes, entonces: P(A∩B) = P(A)P(B) = 0.95×0.95 = 0.9025.

 La independencia de los eventos permite multiplicar directamente sus probabilidades

para encontrar la probabilidad de su ocurrencia conjunta, lo cual simplifica enormemente el

cálculo.

Problema 2:

Un sistema hidráulico en una estación de bombeo de agua para una ciudad consta de

dos bombas (B1 y B2) que operan de forma independiente.

- La probabilidad de que la Bomba 1 falle en un mes es P ( F 1) = 0.02.

- La probabilidad de que la Bomba 2 falle en un mes es P ( F 2) = 0.03.

¿Cuál es la probabilidad de que ambas bombas fallen en un mes determinado?

¿Cuál es la probabilidad de que al menos una bomba falle en un mes?

Solución:

Dado que las fallas son independientes: P ( F 1∩ F 2 ) = P ( F 1) P ( F 2) = 0.02×0.03 =

0.0006.

Podemos usar la regla de la adición para eventos no mutuamente excluyentes:

P(F1∪F2) = P ( F 1) + P ( F 2) – P ( F 1∩ F 2)

P(F1∪F2) = 0.02 + 0.03 − 0.0006 = 0.05 − 0.0006 = 0.0494.

Alternativamente, usando el complemento:

P (al menos una falle) = 1−P (ninguna falle)

P (ninguna falle) = P ( F c1∩ F c2) Como F 1 y F 2 son independientes, sus complementos F c1 y F c2

también lo son.
P ( F c1 ) =1−0.02=0.98

P ( F c2 ) =1−0.03=0.97

P ( F c1 ∩ F c2) =P(F1c) P ( F c2) =0.98×0.97=0.9506.

P (al menos una falle) =1−0.9506=0.0494.

5.7. Reglas de la Multiplicación:

Las reglas de la multiplicación son un conjunto de principios fundamentales en

probabilidad que permiten calcular la probabilidad de que dos o más eventos ocurran

conjuntamente (es decir, la probabilidad de su intersección). La forma específica de la regla

depende de si los eventos son dependientes o independientes. Estas reglas derivan

directamente de la definición de probabilidad condicional y son esenciales para el análisis de

secuencias de eventos.

5.7.1. Regla General de la Multiplicación (para Eventos Dependientes):

Esta regla se aplica cuando la ocurrencia de un evento sí afecta la probabilidad de

ocurrencia del otro. Es una reordenación de la fórmula de probabilidad condicional

La probabilidad de que dos eventos, A y B, ocurran conjuntamente es igual a la

probabilidad de que ocurra el primer evento (A), multiplicada por la probabilidad condicional

de que ocurra el segundo evento (B), dado que el primer evento (A) ya ocurrió.

P( A ∩ B)=P( A) P ( A /B )

Alternativamente, también puede expresarse como:

P( A ∩ B)=P(B)P ( A/ B )

Siempre que P(A)>0 y P(B)>0 respectivamente.

 - Extensión para múltiples eventos: Esta regla puede extenderse para calcular la

probabilidad de la intersección de más de dos eventos. Por ejemplo, para tres eventos

A, B y C:

P( A ∩ B ∩C)=P( A )P ( B / A ) P ( C / A ∩B )

5.7.2. Regla de la Multiplicación para Eventos Independientes:

Cuando los eventos son independientes, la ocurrencia de uno no influye en la

probabilidad de ocurrencia del otro. En este caso, la regla general de la multiplicación se

simplifica significativamente.

Si dos eventos, A y B, son independientes, la probabilidad de que ambos ocurran

conjuntamente es simplemente el producto de sus probabilidades individuales.

P( A ∩ B)=P ( A ) P (B)

- Extensión para múltiples eventos independientes: Para una serie de eventos

independientes

P ( A 1 ∩ A 2 ∩ … ∩ A k ) =P ( A 1 ) P ( A 2) … P ( Ak )

Las reglas de la multiplicación son herramientas esenciales para el cálculo de

probabilidades conjuntas, permitiendo a los ingenieros modelar y analizar situaciones que

involucran la secuencia o concurrencia de eventos, ajustando los cálculos según la

dependencia o independencia de los mismos.

Problemas:

Problema número 1:
 Una caja contiene 5 planos de proyectos de estructuras (P) y 3 planos de proyectos de

cimentación (C). Un ingeniero selecciona al azar dos planos de la caja, uno tras otro, sin

reemplazo. ¿Cuál es la probabilidad de que ambos planos seleccionados sean de estructuras?

Solución:

Sea P1 el evento de que el primer plano seleccionado sea de estructuras.

P ( P1) = 5/8

Sea P2 el evento de que el segundo plano seleccionado sea de estructuras. Dado que el

primer plano de estructuras no fue reemplazado, ahora quedan 4 planos de estructuras y un

total de 7 planos.

P ( P1 / P2) = 4/7

Usando la regla general de la multiplicación:

5x 4 5
P ( P 1 ∩ P 2) = P ( P 1 ) P ( P 2/ P 1 ) = = =0.3571
8 x 7 14

La probabilidad de obtener dos planos de estructuras consecutivamente, sin reemplazo,

es aproximadamente 35.71%. Este cálculo es común en escenarios donde la población de la

cual se muestrea se ve afectada por cada extracción.

Problema 2:

En un sistema de señalización de tráfico en una carretera, dos semáforos (S1 y S2)

operan de forma independiente.

 La probabilidad de que el Semáforo 1 funcione correctamente en un día determinado es

P( S 1C) = 0.98.

La probabilidad de que el Semáforo 2 funcione correctamente en un día determinado es

P( S 2C ) = 0.97.

¿Cuál es la probabilidad de que ambos semáforos funcionen correctamente en un día dado?

Solución:

Dado que los eventos son independientes:

P ( S 1C∩ S 2C ) = P ( S 1C) P ( S 2C ) = 0.98×0.97 = 0.9506

La probabilidad de que ambos semáforos operen sin fallas, asumiendo su

independencia, es del 95.06%. Esta simplificación es clave en el análisis de fiabilidad de

sistemas con componentes no interconectados.

5.8. Regla de la Probabilidad Total y Regla de Bayes

La probabilidad total y el Teorema de Bayes son herramientas poderosas en el campo

de la inferencia probabilística. La Regla de la Probabilidad Total permite calcular la

probabilidad de un evento combinando las probabilidades de escenarios mutuamente

excluyentes y exhaustivos que conducen a ese evento. El Teorema de Bayes, por su parte, es

fundamental para la actualización de probabilidades a la luz de nueva información o evidencia,

transformando probabilidades "a priori" en probabilidades "a posteriori"

5.8.1. Regla de la Probabilidad Total

 La Regla de la Probabilidad Total es útil cuando un evento B puede ocurrir en conjunto

con varios eventos mutuamente excluyentes y colectivamente exhaustivos. Si A1 , A 2 ,… , A n

son una partición del espacio muestral entonces la probabilidad de cualquier evento B se puede

calcular como la suma de las probabilidades de las intersecciones de B cada Ai :

n
P ( B )=∑ P(B ¿ ∩ A i)¿
i=1

Aplicando la regla de la multiplicación, la fórmula se expresa comúnmente como:

P ( B )=P ( A 1 ) P (B / A 1)+ P ( A2 ) P( B/ A2 )+… P ( A 3 ) P(B / A 3 )

5.8.2. Teorema de Bayes:

El Teorema de Bayes es una de las fórmulas más importantes en estadística y

probabilidad. Permite calcular la probabilidad condicional inversa, es decir, actualizar la

probabilidad de una "causa" o "hipótesis" dada la observación de un "efecto" o "evidencia".

Si A1 , A 2 ,… , A nconstituyen una partición del espacio muestral (eventos mutuamente

excluyentes y colectivamente exhaustivos), y B es un evento tal que P(B)>0, entonces la

probabilidad condicional de cualquier A j dado B es:

P( A ¿¿ 1∩ B)
P( A j /B)= ¿
P( B)

Sustituyendo P ( A j ∩ B) con P ( A j) P ( B/ A j) (de la regla de la multiplicación) y P(B)

con la Regla de la Probabilidad Total, obtenemos la forma más conocida del Teorema de

Bayes:
 P( A j) P( B/ A j)
P( A j /B)= n

∑ P( A i ¿ )P(B/ Ai ) ¿
i=1

Problemas:

Problema 1:

Una empresa constructora utiliza tres proveedores ( P1, P2, P3) para el hormigón, con

las siguientes proporciones de suministro:

- P1 suministra el 50% del hormigón (P( P1) = 0.50).

- P2 suministra el 30% del hormigón (P( P2) = 0.30).

- P3 suministra el 20% del hormigón (P( P3) = 0.20).

Se sabe que el porcentaje de hormigón que no cumple con las especificaciones de

resistencia es:

- 4% para P1 (P (No Cumple/ P1) = 0.04).

- 6% para P2 (P (No Cumple/ P2) = 0.06).

- 3% para P3 (P (No Cumple/ P3) = 0.03).

Si un ingeniero selecciona un lote de hormigón al azar, ¿cuál es la probabilidad de que

no cumpla con las especificaciones de resistencia? Sea NC el evento "el hormigón no cumple".

Solución:

Aplicando la regla de la probabilidad total:

P ( NC )=P ( P1 ) P(NC / P1 )+ P ( P2 ) P(NC /P 2)+… P ( P3 ) P ( NC / P3)

P ( NC )= (0.50) (0.04) + (0.30) (0.06) + (0.20) (0.03)

P ( NC ) = 0.020 + 0.018 + 0.006

P ( NC )= 0.044

La probabilidad general de que un lote de hormigón seleccionado al azar no cumpla

con las especificaciones es del 4.4%. Esta regla permite consolidar las probabilidades de un

evento que puede manifestarse a través de diferentes "causas" o "estados".

Problema 2:

Retomando el ejemplo anterior de los proveedores de hormigón. Supongamos que un

ingeniero de calidad recibe un lote de hormigón y, al inspeccionarlo, descubre que no cumple

con las especificaciones de resistencia ( NC ) .¿Cuál es la probabilidad de que este lote provenga

del proveedor P2?

Solución:

Aplicando el teorema de Bayes para P(P¿¿ 2 /NC )¿:

P(P¿¿ 2)P (NC / P2)

P(P¿¿ 2 /NC )= ¿¿
PC (NC )

( O .30 ) ( 0.06 ) 0.018

P(P¿¿ 2 /NC )= = =0.4091 ¿
0.044 0.044

Una vez que se observó que el lote no cumplía con las especificaciones, la probabilidad

de que proviniera de P2 se actualizó y aumentó a aproximadamente 40.91%. Esto se debe a

que el hormigón de P2 tiene una tasa de incumplimiento relativamente más alta.