MEDIA Y DESVIACIN ESTANDAR - COEFICIENTE DE VARIACIN

-VALORES DE ESTANDARIZACIN -REGLA DE SHEBYSHER

Mara De Los ngeles Gonzlez Lozada

Araure, 27 Marzo 2016

INTRODUCCIN
El coeficiente de curtosis mide cuan 'puntiaguda' es una distribucin respecto
de un estndar. Este estndar es una forma acampanada denominada 'normal', y
corresponde a una curva de gran importancia en estadstica. Las medidas de curtosis
(tambin llamadas de apuntamiento o de concentracin central) tratan de estudiar la
mayor o menor concentracin de frecuencias alrededor de la media y en la zona
central de la distribucin.
Mientras que las medidas de curtosis miden la mayor o menor concentracin de
datos alrededor de la media. Se suele medir con el coeficiente de curtosis:
1.- Si este coeficiente es nulo, la distribucin se dice normal (similar a la
distribucin normal de Gauss) y recibe el nombre de mesocrtica.
2.- Si el coeficiente es positivo, la distribucin se llama leptocrtica, ms
puntiaguda que la anterior. Hay una mayor concentracin de los datos en torno a la
media.
3.- Si el coeficiente es negativo, la distribucin se llama platicrtica y hay una
menor concentracin de datos en torno a la media. Sera ms achatada que la primera.
Sesgo: se puede decir que es como un error que aparece en dicho resultado de
alguna investigacin, esto puede deberse a los factores que dependen de la
recoleccin de datos que nos podran conducir a conclusiones que pueden ser
verdaderas o falsas de lo podramos llamar la realidad.
Asimetra: esta medida nos permite identificar si los datos que se estn
analizando o investigando se distribuyen de alguna forma uniforme o con cabalidad,
existen tres tipos de estado las cuales pueden ser:
Asimetra positiva: se dice que esta ocurre cuando la mayora de los datos
recolectados se encuentran por encima del valor de la media aritmtica. Simetra: esta
sucede cuando los datos recolectados se distribuyen de una forma igual de ambos
lados, o sea que aproximadamente quedan con los mismos datos de los dos lados con
respecto a la media. Asimetra Negativa: en este caso es cuando la mayora de los
datos recopilados se juntan o aglomeran en los valores menores que la media.

MEDIA ESTANDAR
Al recolectar 850 datos con una distribucin normal, se obtuvo una media de x
= 27 y una desviacin estndar s = 5.34 . Calcular el nmero de datos aproximados
que hay entre la media y el dato nominal x = 20 .
Solucin: En este caso el enunciado proporciona los valores de la media y de la
desviacin estndar, por lo que los incisos a) y b) del proceso quedan sin efecto.
Entonces, continuando con el inciso c), hay que convertir a dato z el valor nominal x
= 20, con la frmula:

.- Un laboratorio envasa un medicamento con un peso promedio de 136 gramos y

una desviacin estndar de 2 gramos. Habr alguna posibilidad de que uno de
los frascos pese menos de 100 gramos?
Esta es una prueba paramtrica sobre la media, ya que de lo que se trata es de
verificar si ha tenido variacin la produccin promedio de medicamento con un peso
promedio de 136 gramos y una desviacin estndar de 2 gramos.
Sean las probabilidades de los eventos
P(X=2)=

136

C100

P(1 P)

136

C100

P(1 P)

136100

136100

P(X=2)=
Peso del producto = p(x)= 136gr
n= 2 gr

x e
P( X x)
x!
212 e 136
P( X 2)
2!

.-Complete el siguiente cuadro sabiendo que XN(10,4) (lese X normalmente

distribuida con media igual a 10 y varianza = 4).
X
12
9
5
1

Z
1,46
-0,63

X
12
9
5
1

Z
1,76
1,46
1,06
-0,63

.-De la siguiente regin determinar los valores de Z1, Z2, Z1, Z3, A1 y A2.

Toda distribucin normal con media y desviacin tpica tiene la caracterstica de

tener el rea bajo la curva de su funcin de densidad, distribuida de la siguiente
forma:

1. P( < < +) = 68.27% del rea bajo la curva normal

2. P( 2 < < +2) = 95.45% del rea bajo la curva normal
3. P( 3 < < +3) = 99.73% del rea bajo la curva normal
A estas tres expresiones se les llaman comnmente reglas de las 3 sigmas.
Como es una variable continua para calcular probabilidad se tendra que integrar la
funcin de
X, en el intervalo que se quiere hallar la probabilidad.
La nica forma de hacer una tabla para evitar este clculo sera estandarizando la
variable, es
decir cualquier variable aleatoria normal X, se convierte en una variable aleatoria
estandarizada
"Z" que siempre tendra como media cero y desviacin tpica 1; y as se tendra la
posibilidad
de tabular los resultados.
DESVIACIN ESTANDAR
.-En un grupo de 300 autos viejos; 160 tienen los cauchos malos, 132 tienen luces
malas y 90 los dos defectos. Determine las probabilidades de que 1 auto:
a-no tenga defectos
b-tenga slo los cauchos malos
c-tenga alguno de los dos defectos
d-no tenga las luces malas
El espacio muestral en este experimento es: S = { M, L, P2, P3, N, OK }. Con la
siguiente notacin M: cauchos malos, L: luces malas, ML: ambos defectos.
Al examinar el evento slo se realiza cuando las llantas no tienen defecto.
En este ltimo ejemplo se tiene un evento simple porque consta de un solo punto del
espacio muestral. Ser compuesto cuando tiene varios puntos del espacio muestral. Se

llama evento imposible al que no puede ocurrir; ste evento corresponde al conjunto
vaco. Otro evento extremo es el espacio muestral mismo que, puesto que siempre
ocurre, se llama evento seguro.
1
21
41
61
81
101
121
141
16

2
22
42
62
82
102
122
142
16

3
23
43
63
83
103
123
143
16

4
24
44
64
84
104
124
144
16

5
25
45
65
85
105
125
145
16

6
26
46
66
86
106
126
146
16

7
27
47
67
87
107
127
147
16

8
28
48
68
88
108
128
148
16

9
29
49
69
89
109
129
149
16

10
30
50
70
90
110
130
150
17

11
31
51
71
91
111
131
151
17

12
32
52
72
92
112
132
152
17

13
33
53
73
93
113
133
153
17

14
34
54
74
94
114
134
154
17

15
35
55
75
95
115
135
155
17

16
36
56
76
96
116
136
156
17

17
37
57
77
97
117
137
157
17

18
38
58
78
98
118
138
158
17

19
39
59
79
99
119
139
159
17

20
40
60
80
100
120
140
160
18

1
18

2
18

3
18

4
18

5
18

6
18

7
18

8
18

9
18

0
19

1
19

2
19

3
19

4
19

5
19

6
19

7
19

8
19

9
19

0
20

1
20

2
20

3
20

4
20

5
20

6
20

7
20

8
20

9
20

0
21

1
21

2
21

3
21

4
21

5
21

6
21

7
21

8
21

9
21

0
22

1
22

2
22

3
22

4
22

5
22

6
22

7
22

8
22

9
22

0
23

1
23

2
23

3
23

4
23

5
23

6
23

7
23

8
23

9
23

0
24

1
24

2
24

3
24

4
24

5
24

6
24

7
24

8
24

9
24

0
25

1
25

2
25

3
25

4
25

5
25

6
25

7
25

8
25

9
25

0
26

1
26

2
26

3
26

4
26

5
26

6
26

7
26

8
26

9
26

0
27

1
27

2
27

3
27

4
27

5
27

6
27

7
27

8
27

9
27

0
28

1
28

2
28

3
28

4
28

5
28

6
28

7
28

8
28

9
28

0
29

1
29

2
29

3
29

4
29

5
29

6
29

7
29

8
29

9
29

0
30

LUEGO:
160 tienen los cauchos malos
132 tienen luces malas
90 los dos defectos.

LUEGO:
Sean las probabilidades de los eventos
P(M) = 160/300 = 0.5;

P(L) = 132/300 = 0.44;

P(ML) = 90/300 =

0,3
COEFICIENTE DE VARIACIN

El coeficiente de variacin es la relacin entre la desviacin tpica de una

muestra y su media.

El coeficiente de variacin se suele expresar en porcentajes:

El coeficiente de variacin permite comparar las dispersiones de dos

distribuciones distintas, siempre que sus medias sean positivas.
Se calcula para cada una de las distribuciones y los valores que se obtienen se
comparan entre s. La mayor dispersin corresponder al valor del coeficiente de
variacin mayor.
Ejercicio: Una distribucin tiene x = 140 y = 28.28 y otra x = 150 y = 24.
Cul de las dos presenta mayor dispersin?

La primera distribucin presenta mayor dispersin.

VALORES DE ESTANDARIZACIN
Por lo dicho en el prrafo anterior, los datos pertenecientes a una
distribucin normal se pueden estandarizar o normalizar, lo cual se consigue
utilizando la frmula en donde:
z = dato estandarizado o normalizado
x = valor nominal del dato a estandarizar
x = media aritmtica del conjunto de datos
s = desviacin estndar.

Ejemplo 1: Convertir cada uno de los datos nominales de la siguiente tabla a

datos estandarizados.
Solucin: Para transformar un dato nominal en dato estndar, tambin llamado
dato z, se requiere calcular la media de todo el conjunto. Para este caso ya se da por
hecho que se sabe calcular la media y la desviacin estndar, por lo que se omiten sus
clculos. La media es y la desviacin x = 12 estndar es .

s . = 2 2994

Se tienen ya todos los datos para utilizar la frmula del dato z:

REGLA DE CHEBYSHEV
Es un resultado estadstico que ofrece una cota inferior a la probabilidad de que
el valor de una variable aleatoria con varianza finita est a una cierta distancia de su
esperanza matemtica o de su media; equivalentemente, el teorema proporciona una
cota superior a la probabilidad de que los valores caigan fuera de esa distancia
respecto de la media. Teorema: Sea X una variable aleatoria de media y varianza
finita s. Entonces, para todo nmero real k > 0,

Slo los casos con k > 1 proporcionan informacin til.

Para ilustrar este resultado, supongamos que los artculos de Wikipedia tienen una
extensin media de 1000 caracteres y una desviacin tpica de 200 caracteres. De la
desigualdad de Chebyshev se deduce que al menos el 75% de los artculos tendrn
una extensin comprendida entre 600 y 1400 caracteres (k = 2).
Otra consecuencia del teorema es que para cada distribucin de media y desviacin
tpica finita s, al menos la mitad de los valores caern en el

intervalo

Las cotas proporcionadas por la desigualdad de Chebyshev, en general, no se

pueden mejorar; es posible construir una variable aleatoria cuyas cotas de Chebyshev
sean exactamente iguales a las probabilidades reales. Sin embargo, en general el
teorema proporcionar cotas poco precisas.
El teorema puede ser til a pesar de las cotas imprecisas porque se aplica a una
amplia gama de variables que incluye las que estn muy alejadas de la distribucin
normal, y porque las cotas son fciles de calcular. El teorema se emplea para
demostrar la ley dbil de los nmeros grandes.
El teorema recibe su nombre del matemtico Pafnuty Chebyshev.
Si una distribucin es simtrica con forma de campana, prcticamente todas las
observaciones se encuentran entre la media ms o menos tres desviaciones
estndares.
La proporcin de cualquier conjunto de observaciones que caen dentro de
desviaciones tpicas, medidas a partir medidas a partir de la media es al menos.

, esto es que estn en

Donde

es cualquier numero mayor 1

Ejemplo

Del ejemplo:
Al menos que porcentaje de observaciones caer dentro de 3 desviaciones
tpicas a partir de la medio Soluciones:

Sol.

88%

75%

93%
El teorema indica que:

Para

Al menos

de las observaciones caen dentro de dos observaciones estndar

de la media.
Es decir

cuartos o ms de las observaciones cae en el intervalo

MEDIDAS DESCRIPTIVAS

Las medidas descriptivas son valores numricos calculados a partir de la muestra y

que nos resumen la informacin contenida en ella.

10

Media: (media aritmtica o simplemente media). es el promedio aritmtico de las

observaciones, es decir, el cociente entre la suma de todos los datos y el numero de
ellos. Si xi es el valor de la variable y ni su frecuencia, tenemos que:

Si los datos estn agrupados utilizamos las marcas de clase, es decir ci en vez de
xi.
Mediana (Me):es el valor que separa por la mitad las observaciones ordenadas
de menor a mayor, de tal forma que el 50% de estas son menores que la mediana y el
otro 50% son mayores. Si el nmero de datos es impar la mediana ser el valor
central, si es par tomaremos como mediana la media aritmtica de los dos valores
centrales.

Moda (M0): es el valor de la variable que ms veces se repite, es decir, aquella

cuya frecuencia absoluta es mayor. No tiene por qu ser nica.

11

COEFICIENTE DE SESGO
Coeficiente de sesgo
Se llama sesgo de un estimador a la diferencia entre su esperanza matemtica y
el valor del parmetro que estima. Un estimador cuyo sesgo es nulo se llama
insesgado o centrado.
Coeficiente de Asimetra
Si As > 0 Es sesgo hacia la derecha o positivo.
Si As < 0 Es sesgo hacia la izquierda o negativo.
Si As = 0 no hay sesgo. Es una distribucin simtrica.
Coeficiente de Pearson
Son los mismos criterios que el coeficiente de asimetra.
Asimetra y sesgo
El no tener sesgo es una propiedad deseable de los estimadores. Una propiedad
relacionada con sta es la de la consistencia: un estimador puede tener un sesgo pero
el tamao de ste converger a cero conforme crece el tamao muestral.
Dada la importancia de la falta de sesgo, en ocasiones, en lugar de estimadores
naturales se utilizan otros corregidos para eliminar el sesgo. As ocurre, por ejemplo,
con la varianza muestral.
Con frecuencia una distribucin no es simtrica alrededor de ningn valor, pero
en lugar de ello se tiene que los datos estn ms aglomerados o distribuidos hacia los
extremos. Si hay pocos datos distribuidos hacia el extremo derecho se dice que la
distribucin es sesgada a la derecha, mientras que si hay pocos datos distribuidos
hacia la izquierda, se dice que la distribucin es sesgada hacia la izquierda. Las
medidas que describen esta asimetra se denominan coeficiente de sesgo, o
simplemente sesgo. Una de dichas medidas es
Donde

12

es un valor de la variable de estudio

es el valor de la media poblacional de la variable de estudio.
es el total de datos en la poblacional.
La medida

ser positiva o negativa si la distribucin es sesgada a la derecha

o a la izquierda, respectivamente. Para una distribucin simtrica,

COEFICIENTE DE CURTOSIS
Coeficiente de curtosis
En teora de la probabilidad y estadstica, la curtosis es una medida de la forma
o apuntamiento de las distribuciones.
El Coeficiente de Curtosis analiza el grado de concentracin que presentan los
valores alrededor de la zona central de la distribucin.
Se definen 3 tipos de distribuciones segn su grado de curtosis:
Distribucin mesocrtica: presenta un grado de concentracin medio alrededor
de los valores centrales de la variable (el mismo que presenta una distribucin
normal).
Distribucin leptocrtica: presenta un elevado grado de concentracin alrededor
de los valores centrales de la variable.
Distribucin platicrtica: presenta un reducido grado de concentracin
alrededor de los valores centrales de la variable.

El Coeficiente de Curtosis viene definido por la siguiente frmula:

13

Los resultados pueden ser los siguientes:

g2 = 0 (distribucin mesocrtica).
g2 > 0 (distribucin leptocrtica).
g2 < 0 (distribucin platicrtica).
Ejemplo: Vamos a calcular el Coefiente de Curtosis de la serie de datos
referidos a la estatura de un grupo de alumnos (leccin 2):
Variable

Frecuencias absolutas

(Valor)

Simple

Acumulada

Frecuencias relativas
Simple

Acumulada

x
1,20
1,21

x
1
4

x
1
5

x
3,3%
13,3%

x
3,3%
16,6%

1,22
1,23
1,24

4
2
1

9
11
12

13,3%
6,6%
3,3%

30,0%
36,6%
40,0%

1,25

14

6,6%

46,6%

1,26

17

10,0%

56,6%

1,27

20

10,0%

66,6%

1,28

24

13,3%

80,0%

1,29

27

10,0%

90,0%

1,30
3
30
10,0%
Recordemos que la media de esta muestra es 1,253

100,0%

Por lo tanto, el Coeficiente de Curtosis de esta muestra es -1,39, lo que quiere

decir que se trata de una distribucin platicrtica, es decir, con una reducida
concentracin alrededor de los valores centrales de la distribucin.
TEORIA ELEMENTAL DE LA PROBABILIDAD

14

Una de las caractersticas de un experimento aleatorio es que no se sabe qu

resultado particular se obtendr al realizarlo. Es decir, si A es un suceso asociado con
un experimento aleatorio, no podemos indicar con certeza si A ocurrir o no en una
prueba en particular. Por lo tanto, puede ser importante tratar de asociar un nmero al
suceso A que mida la probabilidad de que el suceso ocurra. Este nmero es el que
llamaremos P(A).

PROBABILIDAD CLSICA
Probabilidad Clsica o a Priori
Si un suceso puede ocurrir de N maneras mutuamente excluyentes e
igualmente probables, y m de ellas poseen una caracterstica A

Ejemplo 1: P(de que salgan dos caras al tirar 2 monedas)

P(de que salga una cara al tirar 2 monedas )

Ejemplo 2: P(de que salga un varn al tomar 2 bebs y observar su sexo)

La probabilidad mide la mayor o menor posibilidad de que se d un

determinado resultado (suceso o evento) cuando se realiza un experimento aleatorio.
Para calcular la probabilidad de un evento se toma en cuenta todos los casos
posibles de ocurrencia del mismo; es decir, de cuntas formas puede ocurrir
determinada situacin.

15

Los casos favorables de ocurrencia de un evento sern los que cumplan con la
condicin que estamos buscando.
La probabilidad toma valores entre 0 y 1 (o expresados en tanto por ciento,
entre 0% y 100%):
El valor cero corresponde al suceso imposible; ejemplo: lanzamos un dado al
aire y la probabilidad de que salga el nmero 7 es cero.
El valor uno corresponde al suceso seguro, ejemplo: lanzamos un dado al aire
y la probabilidad de que salga cualquier nmero del 1 al 6 es igual a uno (100%).
El resto de sucesos tendr probabilidades entre cero y uno: que ser tanto
mayor cuanto ms probable sea que dicho suceso tenga lugar.
Mtodos de medicin de Probabilidad
Uno de los mtodos ms utilizados es aplicando la Regla de Laplace: define la
probabilidad de un suceso como el cociente entre casos favorables y casos posibles.

Ejemplos:
1) Probabilidad de que al lanzar un dado salga el nmero 2:
Por lo tanto:

TCNICAS DE CONTEO
TERMINOLOGA DE CUENTAS Y OPERACIONES ENTRE
CONJUNTOS

16

El principio fundamental en el proceso de contar ofrece un mtodo general para

contar el nmero de posibles arreglos de objetos dentro de un solo conjunto o entre
carios conjuntos. Las tcnicas de conteo son aquellas que son usadas para enumerar
eventos difciles de cuantificar.
Si un evento A puede ocurrir de (n) maneras y una vez que este ha ocurrido,
otro evento B puede n2maneras diferentes entonces, el nmero total de formas
diferentes en que ambos eventos pueden ocurrir en el orden indicado, es igual
a n1 x n2. De cuntas maneras pueden repartirse 3 premios a un conjunto de 10
personas, suponiendo que cada persona no puede obtener ms de un premio?
Aplicando el principio fundamental del conteo, tenemos 10 personas que
pueden recibir el primer premio. Una vez que ste ha sido entregado, restan 9
personas para recibir el segundo, y posteriormente quedarn 8 personas para el tercer
premio. De ah que el nmero de maneras distintas de repartir los tres premios.
n 10 x 9 x 8 = 720
Cuntas placas de automvil se pueden hacer utilizando dos letras seguidas de
tres cifras? No se admiten repeticiones.
26 x 25 x 10 x 9 x 8 = 468000
n un nmero entero positivo, el producto n (n-1) (n-2)...3 x 2 x 1 se llama
factorial de n.
Particin de un conjunto
El total de formas diferentes en que se pueden repartir N elementos en K
subconjuntos cada uno de tamao N , i = 1,2,....k se representa

por:
Es equivalente a tener N individuos de los cuales N , i = 1,2,....,k son iguales
constituyndose as k clases, por tanto el total de ordenaciones posibles N! incluyen
algunas N-uplas iguales las cuales se corrigen conociendo los N i que causan esas
17

formas idnticas por tanto el total de ordenaciones diferentes se calcula segn la

formula anterior.
Ejemplo
Se reparte un naipe de 52 cartas entre cuatro personas de tal manera que al
primero le correspondan los ases, al segundo las figuras, al tercero los nmeros
impares y al cuarto las dems cartas. De cuntas maneras se puede lograr esta
particin? Solucin: En una baraja de pquer hay 4 ases, en cada una de las cuatro
pintas se tienen 3 figuras y las dems cartas estn numeradas del 2 al 10. Por lo tanto:
N = 52 N = 4 N = 12 N = 16 N = 20 El total de particiones es igual a:

PRINCIPIOS DE MULTIPLICACIN
Si se desea realizar una actividad que consta de r pasos, en donde el primer paso
de la actividad a realizar puede ser llevado a cabo de N1 maneras o formas, el
segundo paso de N2 maneras o formas y el r-simo paso de Nr maneras o formas,
entonces esta actividad puede ser llevada a efecto de. El principio multiplicativo
implica que cada uno de los pasos de la actividad deben ser llevados a efecto, uno tras
otro. Si un evento E1 puede suceder de n1 maneras diferentes, el evento E2 puede
ocurrir de n2 maneras diferentes, y as sucesivamente hasta el evento Ep el cual puede
ocurrir de np maneras diferentes, entonces el total de maneras distintas en que puede
suceder el evento ocurren E1 y E2..y Ep es igual a producto.
N1 x N2 x ..........x Nr maneras o formas
Ejemplo:
Se dispone de 3 vas para viajar de C1 a C2 y de 4 vas para viajar de C2 a C1. De
cuntas formas se puede organizar el viaje de ida y vuelta de C1 a C2.Respuesta: (3)
(4)=12
18

Ejercicios resueltos del Principio Multiplicativo.

1.- Calcular cuntos nmeros enteros diferentes de tres dgitos se pueden formar
con los dgitos 2,3,4,5,6,7,8 si los dgitos no pueden repetirse.
Solucin:
Si es un nmero de tres dgitos, necesitamos un dgito para las centenas que puede ser
cualquiera de los siete dgitos dados, despus un dgito para las decenas que puede
elegirse entre los seis dgitos restantes y finalmente el dgito de las unidades se
elegir de los cinco ltimos dgitos. Aplicando el Principio multiplicativo, tendremos:
7x6x5 = 210 nmeros
2.- Calcular cuntos nmeros enteros diferentes de tres dgitos se pueden formar
con los dgitos 2,3,4,5,6,7,8 si los dgitos pueden repetirse.
Solucin:
Si es un nmero de tres dgitos, necesitamos un dgito para las centenas que puede ser
cualquiera de los siete dgitos dados, despus un dgito para las decenas que puede
elegirse entre los siete dgitos y finalmente el dgito de las unidades se elegir de los
siete dgitos. Aplicando el Principio multiplicativo, tendremos:
7x7x7 = 343 nmeros

PRINCIPIOS DE ADICIN
Si una primera operacin puede realizarse de m maneras y una segunda
operacin de n maneras, entonces una operacin o la otra pueden efectuarse de:
m+n maneras.
Ejemplo:
Una pareja que se tiene que casar, junta dinero para el enganche de su casa, en
el fraccionamiento lomas de la presa le ofrecen un modelo econmico un
condominio, en el fraccionamiento Playas le ofrecen un modelo econmico como
modelos un residencial, un californiano y un provenzal. Cuntas alternativas
diferentes de vivienda le ofrecen a la pareja?
PRESA
Econmico

PLAYAS
Residencial

19

Condominio

Californiano
Provenzal

m=2

n=3
2+3= 5 maneras

Si se desea llevar a efecto una actividad, la cual tiene formas alternativas para
ser realizada, donde la primera de esas alternativas puede ser realizada de M maneras
o formas, la segunda alternativa puede realizarse de N maneras o formas ..... y la
ltima de las alternativas puede ser realizada de W maneras o formas, entonces esa
actividad puede ser llevada a cabo de,
M + N + .........+ W maneras o formas
Ejemplos:
1)

Una persona desea comprar una lavadora de ropa, para lo cul ha pensado

que puede seleccionar de entre las marcas Whirpool, Easy y General Electric, cuando
acude a hacer la compra se encuentra que la lavadora de la marca W se presenta en
dos tipos de carga ( 8 u 11 kilogramos), en cuatro colores diferentes y puede ser
automtica o semiautomtica, mientras que la lavadora de la marca E, se presenta en
tres tipos de carga (8, 11 o 15 kilogramos), en dos colores diferentes y puede ser
automtica o semiautomtica y la lavadora de la marca GE, se presenta en solo un
tipo de carga, que es de 11 kilogramos, dos colores diferentes y solo hay
semiautomtica. Cuntas maneras tiene esta persona de comprar una lavadora?
Solucin:
M = Nmero de maneras de seleccionar una lavadora Whirpool
N = Nmero de maneras de seleccionar una lavadora de la marca Easy
W = Nmero de maneras de seleccionar una lavadora de la marca General
Electric
M = 2 x 4 x 2 = 16 maneras
N = 3 x 2 x 2 = 12 maneras
W = 1 x 2 x 1 = 2 maneras
Luego tengo que:
M + N + W = 16 + 12 + 2 = 30 maneras de seleccionar una lavadora
Regla de Adicin

20

Los eventos compuestos se generan al aplicar las operaciones bsicas de los

conjuntos a los eventos simples. Las uniones, intersecciones y complementos de
eventos son de inters frecuente. La probabilidad de un evento compuesto a menudo
pueden obtenerse a partir de las probabilidades de cada uno de los eventos que lo
forman. En ocasiones, las operaciones bsicas de los conjuntos tambin son tiles
para determinar la probabilidad de un evento compuesto.
De esta manera para A y B eventos del espacio muestral S, entonces:

Demostracin:
Se conoce que

por otro lado se tiene que

Entonces

MUESTRA DE ORDENADAS CON REPETICIN

Con repeticin o con reemplazo.
En este caso se puede asumir que en cada etapa de seleccin se va agregando un
elemento nuevo, desde luego a excepcin de la primera etapa, equivale esto a
aumentar la poblacin en el nmero de etapas de seleccin menos una. Implica decir
que (n-1) de los N elementos pueden volver a se seleccionados. La combinatoria que
aparece a continuacin permite contar el total de muestras.

Muestras Ordenadas

21

Sea un conjunto de N elementos distinguibles, llamado poblacin. Cualquier

subconjunto o arreglo de nelementos se denomina muestra. La seleccin de los
elementos de la muestra puede cumplirse de dos formas: i. Sin repeticin o sin
reemplazo.
(Permutaciones)
La seleccin de un elemento corresponde a cada etapa del experimento, cada
vez que se elija un elemento no se vuelve a tener en cuenta para la siguiente seleccin
y aplicando el principio de la multiplicacin se tiene que el total de formas diferentes
de obtener la muestra
es:

Muestras

ordenadas sin repeticin: MOSR ii. Con repeticin o con reemplazo Igual al caso
anterior, pero cada vez que se realice una seleccin se vuelve a tener en cuenta el
elemento extrado anteriormente, as que el total de formas diferentes con repeticin
es: N * N *... *N =N
Muestras ordenadas con repeticin : MOCR
Ejemplo
Suponga el conjunto

= {a, b, c, d} N = 4 El total de formas diferentes de

seleccionar n = 2 elementos de los 4 teniendo en cuenta que se pueden distinguir uno

de otro es: a. MOSR:

b. MOCR: 42 = 16 = {(a, a), (b, b), (c, c), (d, d), A}

Cuantas alternativas son posibles para obtener una cifra de 4 dgitos a. Sin que
ninguno dgito sea repetido. Los nmeros del 0 a 9 son distintos y se desean cifras sin
que ningn digito se repita, la solucin es a partir de MOSR, es decir:
P . b. No empiece con cero y no se repita ningn dgito.

22

La cifra debe empezar con cualquiera de los 9 dgitos distintos de cero, como
no se puede repetir un dgito entonces para el segundo nmero se cuenta con 9
dgitos, por la anterior razn las posiciones tres y cuatro se pueden llenar con 8 y 7
dgitos, respectivamente. Aplicando el principio de la multiplicacin se tiene un total
de cifras igual a: 9* 9*8*7 c.
MUESTRA DE ORDENADAS SIN REPETICIN
Sin repeticin o sin reemplazo. (Combinatoria)
Equivalen a las permutaciones eliminando los n! trminos ordenados. Por lo
tanto el total de muestras lo da la expresin:

Ejemplo 2.28 De acuerdo al ejemplo 2.26, el total de subconjuntos de tamao 2

tomados de el conjunto de 4 elementos que no requieren ser distinguidos es:

Ejemplo 2.29 Determinar el nmero de sucesiones binarias de longitud 32

utilizando en cada lnea 7 nmeros.
Los dgitos a utilizar pueden ser 0 y 1 que ocuparan 7 posiciones de cada
sucesin generando as un nmero cada vez. Como se trata de conocer el nmero de
sucesiones que se pueden establecer y no la cantidad de cifras de 7 nmeros, el
problema se reduce a seleccionar de una lnea de 32 posiciones 7 de ellas, teniendo en
cuenta que estas no requieren distincin y que adems no es posible tomar una

23

cualquiera ms de una vez, entonces se tienen muestras no ordenadas sin repeticin

(MNSR) y por tanto la respuesta es 32C7
Le queda como ejercicio al lector, establecer la cantidad de nmeros diferentes
que se pueden construir con este tipo de sucesiones.
Muestras no Ordenadas
Los N elementos de la poblacin aunque diferentes no requieren distinguirse, el
total de muestras posibles depende de la forma como se realice la seleccin pudiendo
ser: i. Sin repeticin o sin reemplazo. (Combinatoria). Equivalen a las
permutaciones eliminando los n! trminos ordenados. Por lo tanto el total de muestras
lo da la expresin:

Formas diferentes.
i. Muestras no Ordenadas sin repeticin: MNOSR
ii. Con repeticin o con reemplazo.
En este caso se puede asumir que en cada etapa de seleccin se va agregando un
elemento "nuevo", desde luego a excepcin de la primera etapa, equivale esto a
aumentar la poblacin en el nmero de etapas de seleccin menos una. Implica decir
que (n-1) de los N elementos pueden volver a ser seleccionados. La combinatoria que
aparece a continuacin permite contar el total de muestras

Muestras no ordenadas con repeticin MNOCR

Ejemplo
De acuerdo al ejemplo 38, el total de subconjuntos de tamao 2 tomados de el

conjunto de 4 elementos que no requieren ser distinguidos es: a.

24

b.

PROPIEDADES ELEMENTALES DE LA PROBABILIDAD

AXIOMAS (I-II-III)
En 1993 el enfoque axiomtico de la probabilidad fue formalizado por el
matemtico ruso A. N. Kolmogorov. La base de este enfoque est formalizado en las
siguientes propiedades:

Propiedad II: si en particular A representa un suceso cierto, es decir un hecho

que se presentar necesariamente cada vez que se realice el experimento E,
luego f = n por lo tanto

Probabilidad III: Si por el contrario, A es un suceso imposible, es decir un

suceso que no puede presentarse al efectuar el experimento, luego f = 0 por lo tanto
TEOREMAS 4.1; 4.2; 4.3
Los axiomas de probabilidad son las condiciones mnimas que deben
verificarse para que una funcin definida sobre un conjunto de sucesos determine

25

consistentemente sus probabilidades. Fueron formulados por Kolmogrov en1933.

Axiomas de Kolmogrov:
Primer axioma:
La probabilidad de que ocurra un evento A cualquiera se encuentra entre cero y
uno.
0 p(A) 1
Ejemplo: La probabilidad de sacar par en un dado equilibrado es 0,5. P(A)=0,5
Segundo Axioma:
La probabilidad de que ocurra el espacio muestral d debe de ser 1.
p(d) = 1
Ejemplo: La probabilidad de sacar un nmero del 1 al 6 en un dado equilibrado
es "1".
Tercer Axioma:
Si A y B son eventos mutuamente excluyentes, entonces la,
p(AB) = p(A) + p(B)
Ejemplo: La probabilidad de sacar en un dado "as" o sacar "nmero par" es la
suma de las probabilidades individuales de dichos sucesos.
Segn este axioma se puede calcular la probabilidad de un suceso compuesto de
varias alternativas mutuamente excluyentes sumando las probabilidades de sus
componentes.
Generalizando:
Si se tienen n eventos mutuamente excluyentes o exclusivos A1, A2, A3,.....An,
entonces;
p(A1A2.........An) = p(A1) + p(A2) + .......+ p(An)
Ejemplo:
Para el experimento aleatorio de tirar un dado, el espacio muestral es W = {1, 2,
3, 4, 5, 6}. En este espacio el conjunto de sucesos es P(W) = {, {1}, {2}, ...{1,2},

26

{1,3}, ...{1,2,3,4,5,6}}. Para establecer una probabilidad hay que asignar un nmero a
todos esos sucesos.
Sin embargo si se ha asignado a los sucesos elementales p({1})= p({2})= ...=
p({6})= 1/6, por la propiedad ii), p.e. la probabilidad del suceso {1, 3} es p({1,3})=
p({1})+ p({3})=2/6.
Nota: El suceso {1} es: "el resultado de tirar el dado es la cara 1", el suceso {1, 3} es:
"el resultado de tirar el dado es la cara 1, o la 3", el suceso {1, 3, 5} es: "el resultado
de tirar el dado es una cara impar".

CONCLUSIONES

27

El Coeficiente de Curtosis es muy empleado, esta medida determina el grado de

concentracin que presentan los valores en la regin central de la distribucin. Por
medio del Coeficiente de Curtosis, podemos identificar si existe una gran
concentracin de valores (Leptocrtica), una concentracin normal (Mesocrtica)
una baja concentracin (Platicrtica).
Mientras que la asimetra presenta tres estados diferentes, cada uno de los
cuales define de forma concisa como estn distribuidos los datos respecto al eje de
asimetra. Se dice que la asimetra es positiva cuando la mayora de los datos se
encuentran por encima del valor de la media aritmtica, la curva es Simtrica cuando
se distribuyen aproximadamente la misma cantidad de valores en ambos lados de la
media y se conoce como asimetra negativa cuando la mayor cantidad de datos se
aglomeran en los valores menores que la media.
Se puede definir cada una como como una generalizacin de una teora de los
parmetros estadsticos, el sesgo, como problema relacionado con el muestreo surge
siempre que no se respeta el principio de que todos los individuos de la poblacin han
de tener la misma probabilidad de ser elegidos, y la Curtosis, el cuarto momento
respecto de la media mide la curtosis de la distribucin, es decir, la forma de la
distribucin de probabilidad.
Se llevan por Momentos, donde los momentos son una forma de generalizar
toda la teora relativa a los parmetros estadsticos y guardan relacin con una buena
parte de ellos. Est el momento estndar, en teora de la probabilidad y estadstica, el
k-simo momento estndar de una distribucin de probabilidad es donde k es el ksimo momento centrado sobre la media y es la desviacin estndar.
Luego el Momento central que en estadstica el momento central o centrado de
orden k de una variable aleatoria X es la esperanza matemtica E[(X E[X])k] donde
E es el operador de la esperanza. Si una variable aleatoria no tiene media el momento
central es indefinido.
BIBLIOGRAFA

28

BENALCZAR, Marco, (2002), Unidades para Producir Medios Instruccionales en

Educacin, SUREZ, Mario Ed. Graficolor, Ibarra, Ecuador.
DAZA, Jorge, (2006), Estadstica Aplicada con Microsoft Excel, Grupo Editorial
Megabyte, Lima, Per.
ESCOBAR, M. (2000) Anlisis Grfico/Exploratorio. Cuadernos de Estadstica.
Editorial La Muralla.
RIAL, A.; VARELA, J. y ROJAS, A. (2001). Depuracin y Anlisis Preliminares de
Datos en SPSS. Sistemas Informatizados para la Investigacin del
Comportamiento. RA-MA.
SUREZ, Mario, (2004), Interaprendizaje Holstico de Matemtica, Ed. Grficas
Planeta, Ibarra, Ecuador.
SUREZ, Mario, (2011), Interaprendizaje de Estadstica Bsica

29

30