Professional Documents
Culture Documents
Qu es
estadstica?
Qu es la Estadstica?
OBJETIVOS
Al terminar este captulo podr:
Qu significa Estadstica?
Estadstica
es la ciencia de recolectar,
organizar, presentar, analizar e interpretar
datos con el propsito de ayudar a una toma
de decisiones ms efectiva.
Estadistica 1
Las
tcnicas
estadsticas
se
usan
ampliamente por personas en reas de
comercializacin, contabilidad, control de
calidad,
consumidores,
deportes,
administracin de hospitales, educacin,
poltica, medicina, etctera...
Estadistica 1
Tipos de estadsticas
Estadistica 1
Tipos de estadsticas
Estadstica inferencial: una decisin,
estimacin, prediccin o generalizacin
sobre una poblacin, con base en una
muestra.
Una poblacin es un conjunto de todos
los posibles individuos, objetos o
medidas de inters.
Una muestra es una porcin, o parte, de
la poblacin de inters.
Estadistica 1
Tipos de estadsticas
(ejemplos de inferencia estadstica)
Estadistica 1
Tipos de Variables
Estadistica 1
Tipos de Variables
Estadistica 1
Tipos de Variables
Las variables cuantitativas se pueden
clasificar como discretas o continuas.
Variables discretas: slo pueden adquirir
ciertos valores y casi siempre hay brechas
entre esos valores.
10
Tipos de Variables
Las variables cuantitativas se pueden
clasificar como discretas o continuas.
Variables
continuas: pueden tomar
cualquier valor dentro de un intervalo
especfico.
11
Cualitativos o de atributos
(tipo de auto que posee)
Cuantitativos o numricos
discretos
(nmero de hijos)
continuos
(tiempo para resolver el examen)
Estadistica 1
13
Niveles de Medicin
Estadistica 1
14
Niveles de Medicin
Estadistica 1
15
Niveles de Medicin
Estadistica 1
16
Niveles de Medicin
Estadistica 1
17
Niveles de Medicin
Estadistica 1
18
Capitulo 2
Descripcin de los datos:
Distribuciones de
frecuencias y
representaciones grficas
Distribucin de frecuencias
Estadistica 1
20
Elaboracin de una
distribucin de frecuencias
pregunta que
se desea
responder
recoleccin
de datos
(datos originales)
organizacin
de datos
presentacin
de datos
(grfica)
obtencin
de
conclusiones
distribucin
de frecuencias
Estadistica 1
21
Distribucin de frecuencias
Estadistica 1
22
EJEMPLO 1
Estadistica 1
23
EJEMPLO 1
continuacin
Considere las clases 8-12 y 13-17. Las marcas de clase son 10 y 15. El
intervalo de clase es 5 (13 - 8).
Horas de estudio
8-12
13-17
18-22
23-27
28-32
33-37
Frecuencia,
1
12
10
5
1
1
bajo)/nmero de clases.
Estadistica 1
25
Estadistica 1
26
Estadistica 1
Frecuencia,
f
1
12
10
5
1
1
30
Frecuencia
relativa
1/30=0.0333
12/30=0.400
10/30=0.333
5/30=0.1667
1/30=0.0333
1/30=0.0333
30/30=1
27
Estadistica 1
28
EJEMPLO 2
Estadistica 1
hoja
89
234568
126
29
Estadistica 1
30
Estadistica 1
31
14
12
10
8
6
4
2
0
10
15
20
25
30
35
Horas de estudio
Estadistica 1
32
Frecuencia
12
10
8
6
4
2
0
10
15
20
25
30
35
Horas de estudio
Estadistica 1
33
Distribucin de frecuencias
acumuladas menor que para las
horas de estudio
35
Frecuencia
30
25
20
15
10
5
0
10
15
20
25
30
35
Horas de estudio
Estadistica 1
34
Grfica de barras
Estadistica 1
35
2-18
EJEMPLO 3
continuacin
Ciudad
Nmero de desempleados
por 100 000 habitantes
Atlanta, GA
Boston, MA
Chicago, IL
Los Angeles, CA
New York, NY
Washington, D.C.
7300
5400
6700
8900
8200
8900
2-19
# desempleados/100 000
8900
7300
8200
8900
6700
Atlanta
Boston
Chicago
Los Angeles
New York
Washington
5400
6000
4000
2000
0
1
Ciudades
Estadistica 1
37
2-20
Grfica circular
Una grfica circular es en especial til
para desplegar una distribucin de
frecuencias relativas. Se divide un crculo
de manera proporcional a la frecuencia
relativa y las rebanadas representan los
diferentes grupos.
EJEMPLO 4: se pidi a una muestra de 200
corredores que indicaran su tipo favorito
de zapatos para correr.
Estadistica 1
38
2-21
EJEMPLO 4
continuacin
Estadistica 1
Tipo de zapato
# de corredores
Nike
92
Adidas
49
Reebok
37
Asics
13
Otros
9
39
2-22
Asics
Otros
Nike
Adidas
Reebok
Asics
Otros
Adidas
Nike
Estadistica 1
40
Capitulo 3
Descripcin de los datos:
Medidas de Ubicacin
3-2
Media de la poblacin
X / N
Estadistica 1
42
3-3
EJEMPLO 1
Parmetro: una caracterstica de una poblacin.
La familia Kiers posee cuatro carros. Los datos
son las millas recorridas por cada uno:
56 000, 23 000, 42 000 y 73 000. Encuentre el
promedio de millas de los cuatro carros.
Esto es:
(56 000 + 23 000 + 42 000 + 73 000)/4 = 48 500
Estadistica 1
43
3-4
X X / n
Estadistica 1
44
3-5
EJEMPLO 2
Estadistica 1
45
3-6
Propiedades de la media
aritmtica
Estadistica 1
46
3-7
EJEMPLO 3
( X X ) 0
Estadistica 1
47
3-8
Media ponderada
Estadistica 1
48
3-9
EJEMPLO 6
Durante un periodo de una hora en una
tarde calurosa de un sbado, el cantinero
Chris sirvi cincuenta bebidas. Calcule la
media ponderada de los precios de las
bebidas. (Precio ($), cantidad vendida):
(.50,5), (.75,15), (.90,15), (1.10,15).
La media ponderada es: $(.50 x 5 + .75 x
15 + .90 x 15 + 1.10 x 15) / (5 + 15 + 15 +
15) = $43.75/50 = $0.875
Estadistica 1
49
3-10
Mediana
Mediana: es el punto medio de los valores
despus de ordenarlos de menor a mayor,
o de mayor a menor. La misma cantidad de
valores se encuentra por arriba de la
mediana que por debajo de ella.
Nota: para un conjunto con un nmero par
de nmeros, la mediana ser el promedio
aritmtico de los dos nmeros medios.
Estadistica 1
50
3-11
EJEMPLO 4
Estadistica 1
51
3-12
Propiedades de la mediana
Estadistica 1
52
3-13
Moda
La moda es el valor de la observacin
que aparece con ms frecuencia.
EJEMPLO 5: las calificaciones de un
examen de diez estudantes son: 81, 93,
84, 75, 68, 87, 81, 75, 81, 87. Como la
calificacin 81 es la que ms ocurre, la
calificacin modal es 81.
Estadistica 1
53
3-14
Media geomtrica
54
3-15
EJEMPLO 7
Estadistica 1
55
3-16
Media geomtrica
continuacin
Estadistica 1
56
3-17
EJEMPLO 8
El nmero total de mujeres inscritas en
colegios americanos aument de 755 000 en
1986 a 835 000 en 1995.
Aqu n = 10, as (n - 1) = 9.
Estadistica 1
57
3-18
Xf
Xf
X
f
n
Estadistica 1
58
3-19
EJEMPLO 9
Xf
Xf
X
f
n
Estadistica 1
59
3-20
EJEMPLO 9
continuacin
Pelculas
exhibidas
1-2
frecuencia
f
1
punto medio de
clase X
1.5
(f)(X)
3-4
3.5
7.0
5-6
5.5
16.5
7-8
7.5
7.5
9-10
9.5
28.5
Total
10
1.5
61
60
3-21
Estadistica 1
61
3-22
Clculo de la clase de la
mediana
Estadistica 1
62
3-23
EJEMPLO 10
Pelculas
exhibidas
1-2
Frecuencia
1
Frecuencia
acumulada
1
3-4
5-6
7-8
9-10
10
La clase de la mediana es 5 - 6, ya
que contiene el 5 valor (n/2 = 5)
Estadistica 1
63
3-24
EJEMPLO 10
continuacin
De la tabla, L = 5, n = 10, f = 3, i = 2,
FA = 3.
As, mediana = 5 + [((10/2) - 3)/3](2) =
6.33
Estadistica 1
64
3-25
Estadistica 1
65
3-26
Distribucin simtrica
sesgo cero
media
Estadistica 1
moda = mediana =
66
3-27
Estadistica 1
67
3-28
68
3-29
NOTA
Si se conocen dos promedios de una
distribucin de frecuencias con sesgo
moderado, el tercero se puede aproximar.
moda = media - 3(media - mediana)
media = [3(mediana) - moda]/2
mediana = [2(media) + moda]/3
Estadistica 1
69
Capitulo 4
Descripcin de los datos:
Medidas de Dispersin
4-3
Desviacin media
XX
MD
n
Estadistica 1
71
4-4
EJEMPLO 1
Los pesos de una muestra de cajas con
libros en una librera son (en lb) 103, 97,
101, 106 y 103.
X = 510/5 = 102 lb
= 1 + 5 + 1 + 4 + 1 = 12
MD = 12/5 = 2.4
Por lo comn los pesos de las cajas estn
a 2.4 lb del peso medio de 102 lb.
Estadistica 1
72
4-5
Variancia de la poblacin
2
Estadistica 1
( X ) 2
N
73
4-6
EJEMPLO 2
Estadistica 1
74
4-7
Variancia poblacional
continuacin
Estadistica 1
X 2
(
)
N
75
4-8
Desviacin estndar
poblacional
La desviacin estndar poblacional () es
la raz cuadrada de la variancia de la
poblacin.
Para el EJEMPLO 2, la desviacin
estndar poblacional es 15.19 (raz
cuadrada de 230.81).
Estadistica 1
76
4-9
Variancia muestral
(
X
X
)
Frmula conceptual = S 2 =
n 1
2
(
X
)
X 2
n
Frmula operativa = S 2 =
n 1
Estadistica 1
77
4-10
EJEMPLO 3
Una muestra de cinco salarios por hora
para varios trabajos en el rea es: $7,
$5, $11, $8, $6. Encuentre la variancia.
X = 37/5 = 7.40
2
s = 21.2/(5-1) = 5.3
Estadistica 1
78
4-11
Estadistica 1
79
4-12
Medidas de dispersin:
datos no agrupados
Estadistica 1
80
4-13
2
(
fX
)
fX 2
n
n 1
Estadistica 1
81
4-14
Interpretacin y usos de la
desviacin estndar
Estadistica 1
82
4-15
Interpretacin y usos de la
deviacin estndar
Estadistica 1
83
3
Estadistica 1
2 1
1 2 3
84
4-17
Dispersin relativa
Estadistica 1
85
4-18
Asimetra
Asimetra (sesgo) es la medida de la
falta de simetra en una distribucin.
El coeficiente de asimetra se calcula
mediante la siguiente frmula:
Sk = 3(media - mediana)
desviacin estndar
Estadistica 1
86
4-19
Amplitud intercuartlica
La amplitud intercuartlica es la
distancia entre el tercer cuartil Q3 y el
primer
cuartil Q1.
Amplitud intercuartlica
= tercer cuartil - primer cuartil
= Q3 - Q1
Estadistica 1
87
4-20
Primer cuartil
donde
L = lmite de las clases que contienen Q1,
CF = frecuencia acumulada que precede a la clase
que contiene a Q1,
f = frecuencia de la clase que contiene Q1,
i= tamao de la clase que contiene Q1.
Estadistica 1
88
4-21
Tercer cuartil
CF
(i )
donde
L = lmite inferior de la clase que contiene a Q3,
CF = frecuencia acumulada precedente a la clase que
contiene a Q3,
f = frequencia de la clase que contiene a Q3,
i = tamao de la clase que contiene a Q3.
Estadistica 1
89
4-22
Desviacin cuartlica
La desviacin cuartlica es la mitad de la
distancia entre el tercer cuartil, Q3, y el
primero, Q1.
QD = [Q3 - Q1]/2
Estadistica 1
90
4-23
EJEMPLO 5
Estadistica 1
91
4-24
Amplitud cuartlica
Cada conjunto de datos tiene 99
porcentiles, que dividen el conjunto en 100
partes iguales.
La amplitud cuartlica es la distancia entre
dos porcentiles establecidos. La amplitud
cuartlica 10 a 90 es la distancia entre el
10 y 90 porcentiles.
Estadistica 1
92
4-25
P
Lp = ( n + 1)
100
Estadistica 1
93
4-26
Diagramas de caja
Un diagrama de caja es una ilustracin
grfica, basada en cuartiles, que ayuda a
visualizar un conjunto de datos.
Se requieren cinco tipos de datos para
construir un diagrama de caja: el valor
mnimo, el primer cuartil, la mediana, el
tercer cuartil, y el valor mximo.
Estadistica 1
94
4-27
EJEMPLO 6
Estadistica 1
95
4-28
EJEMPLO 6
continuacin
mediana
mn
Q1
12
14
Estadistica 1
Q3
16
18
20
22
mx
24
26
28
30
32
96
Capitulo 5
Probabilidades
5-3
Definiciones
Estadistica 1
98
5-4
Enfoques de la probabilidad
Probabilidad clsica se basa en la
consideracin de que los resultados de un
experimento son igualmente posibles.
Utilizando el punto de vista clsico,
Probabilid ad de un evento =
Estadistica 1
99
5-5
EJEMPLO 1
Considere el experimento de lanzar dos
monedas al mismo tiempo.
El espacio muestral S = {HH, HT, TH, TT}
Considere el evento de una cara.
Probabilidad de una cara = 2/4 = 1/2.
Estadistica 1
100
5-6
Eventos mutuamente
excluyentes
Eventos mutuamente excluyentes: la
ocurrencia de cualquier evento implica
que ningn otro puede ocurrir al mismo
tiempo.
En el EJEMPLO 1, los cuatro
resultados posibles son mutuamente
excluyentes.
Estadistica 1
101
5-7
Eventos colectivamente
exhaustivos
Colectivamente exhaustivos: por lo menos
uno de los eventos debe ocurrir cuando se
realiza un experimento.
En el EJEMPLO 1, los cuatro resultados
posibles son colectivamente exhaustivos.
En otras palabras, la suma de las
probabilidades es = 1 (.25 + .25 + .25 + .25).
Estadistica 1
102
5-8
Concepto de frecuencias
relativas
Estadistica 1
103
5-9
EJEMPLO 2
A lo largo de su carrera, la profesora
Jones ha otorgado 186 calificaciones de A
entre sus 1200 estudiantes. Cul es la
probabilidad de que un estudiante de su
clase en este semestre reciba una A?
Aplicando el concepto de frecuencias
relativas, la probabilidad de una A es
186 /1200 = 0.155
Estadistica 1
104
5-10
Probabilidad subjectiva
Probabilidad
subjectiva:
la
posibilidad
(probabilidad) de que suceda un evento
especfico que asigna una persona con base en
cualquier informacin disponible.
Ejemplos de la probabilidad subjectiva son
estimar la probabilidad de que los Redskins de
Washington ganen el Super Bowl el prximo
ao y estimar la probabilidad de que ocurra un
terremoto en Los Angeles este ao.
Estadistica 1
105
5-11
Estadistica 1
106
5-12
EJEMPLO 3
Estadistica 1
Llegada
Frecuencia
Antes de tiempo
100
A tiempo
800
Demorado
75
Cancelado
25
Total
1000
107
5-13
EJEMPLO 3
continuacin
Estadistica 1
108
5-14
Estadistica 1
109
5-15
continuacin
Estadistica 1
~A
110
5-16
EJEMPLO 4
Recuerde el EJEMPLO 3.
Si C es el evento de que un vuelo llegue a tiempo,
entonces P(C) = 800 /1000 = 0.8.
Si D es el evento de que un vuelo sea cancelado,
entonces
P(D) = 25 /1000 = 0.025.
Utilice la regla del complemento para mostrar que la
probabilidad de que el vuelo llegue antes de tiempo
(A) o demorado (B) es 0.175.
Estadistica 1
111
5-17
EJEMPLO 4
continuacin
C
.8
D
.025
~(C o D) = (A o B)
.175
Estadistica 1
112
5-18
Estadistica 1
113
5-19
B
AyB
A
Estadistica 1
114
5-20
EJEMPLO 5
Estreo
320
Estadistica 1
Ambos
100
TV
175
115
5-21
EJEMPLO 5
continuacin
Si un estudiante es seleccionado
aleatoriamente, cul es la probabilidad
de que tenga slo un estreo, slo una TV
y uno de cada uno?
P(S) = 320 /500 = .64.
P(T) = 175 /500 = .35.
P(S y T) = 100 /500 = .20.
Estadistica 1
116
5-22
EJEMPLO 5
continuacin
Si un estudiante es seleccionado
aleatoriamente, cul es la probabilidad
de que tenga un estreo o una TV en su
habitacin?
P(S o T) = P(S) + P(T) - P(S y T)
= .64 +.35 - .20 = .79.
Estadistica 1
117
5-23
Probabilidad conjunta
Estadistica 1
118
5-24
Estadistica 1
119
5-25
EJEMPLO 6
Chris posee dos inventarios independientes
uno de otro. La probabilidad de que el
inventario A aumente su valor el prximo
ao es .5. La probabilidad de que el B
aumente el suyo es .7.
Cul es la probabilidad de que ambos
aumenten su valor el prximo ao?
P(A y B) = (.5)(.7) = .35.
Estadistica 1
120
5-26
EJEMPLO 6
continuacin
Estadistica 1
121
5-27
Probabilidad condicional
Probabilidad condicional es la probabilidad
de que ocurra un evento en particular,
dado que ocurri otro evento.
Nota: la probabilidad de que ocurra el
evento A dado que ya ocurri B se denota
como
P(A|B).
Estadistica 1
122
5-28
Estadistica 1
123
5-29
Estadistica 1
124
5-30
EJEMPLO 7
Hombre
Mujer
Total
Contabilidad
170
110
280
Finanzas
120
100
220
Mercadotecnia
160
70
230
Administracin
150
120
270
Total
600
400
1000
Estadistica 1
125
5-31
EJEMPLO 7
continuacin
Estadistica 1
5-32
Diagrama de rbol
Estadistica 1
127
5-33
EJEMPLO 8
continuacin
6/11
7/12
R1
5/11
7/11
5/12
B2
R2
B1
4/11
Estadistica 1
R2
B2
128
5-34
Teorema de Bayes
P( A1) * P( B | A1)
P( A1 | B)
P( A1) * P( B | A1) P( A2) * P( B | A2)
Estadistica 1
129
5-35
EJEMPLO 9
Estadistica 1
130
5-36
EJEMPLO 9
A
B
continuacin
% de
% de
produccin faltante en
total
botellas
55
3
45
Estadistica 1
131
5-37
Estadistica 1
132
5-38
Estadistica 1
133
5-39
Principios de conteo
n!
nCr
r !(n r ) !
Estadistica 1
134
5-40
EJEMPLO 11
El entrenador Thompson tiene que elegir 5
jugadores entre los doce del equipo para
incluirlos en alineacin. Cuntos grupos
diferentes se pueden formar?
12C5 = (12!)/[5!(12-5)!] =792
Suponga que el entrenador Thompson
debe clasificarlos en orden:
12P5 = (12!)/(12-5)! = 95,040.
Estadistica 1
135
Capitulo 6
Distribuciones
Probabilsticas
Discretas
6-3
Variables aleatorias
Una variable aleatoria es un valor
numrico determinado por el resultado
de un experimento.
EJEMPLO 1: considere un
experimento aleatorio en el que se
lanza tres veces una moneda. Sea X el
nmero de caras. Sea H el resultado
de obtener una cara y T el de obtener
una cruz.
137
Estadistica 1
6-4
EJEMPLO 1
continuacin
Estadistica 1
138
6-5
EJEMPLO 1
continucin
Estadistica 1
139
6-6
Distribuciones probabilsticas
1/8 = .125
3/8 = .375
3/8 = .375
1/8 = .125
Total
8/8 = 1
Estadistica 1
140
6-7
Caractersticas de una
distribucin porbabilstica
La probabilidad de un resultado siempre
debe estar entre 0 y 1.
La suma de todos los resultados
mutuamente excluyentes siempre es 1.
Estadistica 1
141
6-8
Estadistica 1
142
6-9
Estadistica 1
143
6-10
La media:
indica
Estadistica 1
144
6-11
= E ( x ) = [ x * P( x )]
Estadistica 1
145
6-12
Estadistica 1
146
6-13
[( x ) * P( x )]
2
Estadistica 1
147
6-14
EJEMPLO 2
Dan Desch,
propieatario de
College Painters,
estudi sus registros
de las ltimas 20
semanas y obtuvo
los siguientes
nmeros de casas
pintadas por
semana:
Estadistica 1
# de casas pintadas
Semanas
10
11
12
13
148
6-15
EJEMPLO 2
continuacin
Distribucin probabilstica:
Estadistica 1
Nmero de casas
pintadas, X
10
Probabilidad, P(X)
11
.30
12
.35
13
.10
Total
.25
149
6-16
EJUEMPLO 2
continuacin
Estadistica 1
150
6-17
EJEMPLO 2
continuacin
Estadistica 1
151
6-18
Distribucin probabilstica
binomial
152
6-19
Distribucin probabilstica
binomial
el nmero de ensayos
xel nmero de xitos observados
la probabilidad de xito en cada ensayo
Estadistica 1
153
6-20
Distribucin probabilstica
binomial
n!
x
n x
P( x )
(1 )
x !(n x )!
Estadistica 1
154
6-21
EJEMPLO 3
Estadistica 1
6-22
EJEMPLO 3
continuacin
o ms estn desempleados:
P(x 3)=.250 +.172 +.086 +.032
+.009 +.002=.551
al menos un trabajador est desempleado:
P(x 1) = 1 - P(x=0) =1 - .044 = .956
a lo ms dos trabajadores estn desempleados: P(x 2)=.044 +.154 +.250
=.448
156
Estadistica 1
6-23
Media y variancia de la
distribucin binomial
n (1 )
2
Estadistica 1
157
6-24
EJEMPLO 4
Del EJEMPLO 3, recuerde que =.2 y
n=14.
As, la media = n = 14(.2) = 2.8.
La variancia = n (1 - ) = (14)(.2)(.8)
=2.24.
Estadistica 1
158
6-25
Poblacin finita
Una poblacin finita es una poblacin que
consiste en un nmero fijo de individuos,
objetos o medidas conocidos.
Los ejemplos incluyen: el nmero de
estudiantes en esta clase, el nmero de
automviles en el estacionamiento.
Estadistica 1
159
6-26
Distribucin hipergeomtrica
Frmula:
( S Cx )( N S Cn x )
P( x )
N Cn
donde N es el tamao de la
poblacin, S es el nmero de xitos
en la poblacin, x es el nmero de
xitos de inters, n es el tamao de la
muestra, y C es una combinacin.
Estadistica 1
160
6-27
Distribucin hipergeomtrica
161
6-28
EJEMPLO 5
Estadistica 1
162
6-29
EJEMPLO 5
continuacin
C3 *6 C2 4 * 15
P (3)
.238
252
10 C5
4
N=10
S=4
x=3
n=5
Estadistica 1
163
6-30
Distribucin de Poisson
La distribucin de probabilidades binomial
se hace cada vez ms sesgada a la
derecha conforme la probabilidad de
xitos disminuye.
La forma lmite de la distribucin binomial
donde la probabilidad de xito es muy
pequea y n es grande se llama
distribucin de probabilidades de Poisson.
Estadistica 1
164
6-31
Distribucin de Poisson
e
x
P( x )
x!
Estadistica 1
165
6-32
Distribucin de Poisson
El nmero medio de xitos se puede
determinar en situaciones binomiales por
n , donde n es el nmero de ensayos y
la probabilidad de xito.
La varianza de la distribucin de Poisson
tambin es igual a n .
Estadistica 1
166
6-33
EJEMPLO 6
La Sylvania Urgent Care se especializa en
el cuidado de lesiones menores,
resfriados y gripe. En las horas de la tarde
de 6-10 PM el nmero medio de llegadas
es 4.0 por hora.
Cul es la probabilidad de 4 llegadas en
una hora? P(4) = (4^4)(e^-4)/4!=.1954.
Estadistica 1
167