You are on page 1of 92

UNI- NORTE - SEDE REGIONAL

Estel, Nicaragua
UNIVERSIDAD NACIONAL DE INGENIERA

Estadstica Bsica Nivel I

% Desarrollo de Tizn en Tomate

30

20

10

0
13

20

27

34

41

Das despues del trasplante

R23 n (k +1)
k
12
2
X=

nk ( k +1 ) j=1

/03/2010

Luis Mara Dicovskiy Riobo

48

55

62

69

76

UNI Norte

Tabla de contenido
Captulo 1. Estadstica Descriptiva............................................................................4
1.1 Introduccin. Tipos de Variables..............................................................................4
1.2 Anlisis de datos, Tablas de Distribucin de frecuencias y Tablas de Contingencia
.......................................................................................................................................7
1.3 Grficos..................................................................................................................17
1.4 Medidas de Tendencia Central.............................................................................23
Media Aritmtica.......................................................................................................24
La Mediana...............................................................................................................25
La Moda....................................................................................................................26
Otras medidas de tendencia central........................................................................28
La Media Geomtrica...............................................................................................28
La Media Cuadrtica................................................................................................28
Cuartiles, Deciles y Percentiles................................................................................28
1.5 Medidas de Dispersin o de Variabilidad..............................................................30
El Rango...................................................................................................................30
El Desvo Estndar...................................................................................................30
La Varianza...............................................................................................................32
El Coeficiente de variacin.......................................................................................32
1.6 Otras medidas tiles en Estadstica Descriptiva..................................................33
La Asimetra o Sesgo...............................................................................................33
La Curtosis...............................................................................................................35
1.7 Muestras y Poblacin.............................................................................................36
Muestreo Aleatorio Simple.......................................................................................37
Muestreo Estratificado..............................................................................................39
Muestreo por Conglomerados..................................................................................40
Muestreo Sistemtico...............................................................................................41
Captulo 2. Teora Elemental de Probabilidades.....................................................42
2.1 Introduccin a las Probabilidades..........................................................................42
Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

UNI Norte

2.2 Trminos Bsicos...................................................................................................42


2.3 Propiedades de la Probabilidad.............................................................................44
Regla del producto...................................................................................................45
Regla de la Suma.....................................................................................................45
2.4 Probabilidad condicionada.....................................................................................46
2.3 Teorema de Bayes.................................................................................................49
Regla de la probabilidad total...................................................................................49
Planteo del Teorema de Bayes................................................................................50
2.4 Tcnicas de conteo: Combinaciones y Permutaciones........................................54
Captulo 3. Variables aleatorias y sus distribuciones..............................................57
3.1 Distribuciones de Frecuencia, Introduccin..........................................................57
3.2 Variables aleatorias................................................................................................58
El Desvo Estndar y el Teorema de Chebyshev.....................................................64
3.3 Distribucin Normal...............................................................................................65
3.4 Distribucin t de Student.....................................................................................69
3.5 La distribucin X2 de Pearson................................................................................71
3.6 La distribucin F de Fisher..................................................................................72
3. 7 La distribucin Binomial........................................................................................73
3.8 Distribucin de Poisson.........................................................................................77
Captulo 4. Estimacin y prueba de hiptesis.........................................................79
4.1 Estimacin por Intervalos de Confianza................................................................79
4.2 Generalidades de las pruebas de Hiptesis..........................................................81
4.3 Prueba de hiptesis con pruebas t......................................................................84
La media de una muestra pertenece a una poblacin con media conocida...........84
Comparaciones por parejas de muestras no independientes.................................85
Las medias de dos muestras o grupos pertenecen a una misma poblacin..........86
Bibliografa Consultada............................................................................................89

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

UNI Norte

Captulo 1. Estadstica Descriptiva


Objetivos
Reflexionar sobre el uso de la estadstica a travs de situaciones de la vida
profesional.
Introducir a la recoleccin de datos a partir de un problema del entorno de un
ingeniero y desde la experiencia del estudiante.
Realizar medidas de tendencia central, de variabilidad y diferentes tipos de Grficos
ms comunes que permite una tabla de distribucin de frecuencia, TDF.
Explicar principios bsicos de muestreo con ejemplos cotidianos.
Diferenciar las diferentes formas de realizar muestreos que permitan estudiar el
contexto socioeconmico y productivo.
Aprender a calcular de forma ordenada el tamao de una muestra con variables
construidas en con ejemplos de su carrera.
Valorar actitudes de orden, perseverancia, capacidades de investigacin para
desarrollar el gusto por la Estadstica y contribuir al desarrollo del entorno social y
natural.

1.1 Introduccin. Tipos de Variables


La estadstica, es una ciencia relativamente nueva pero con miles de aos de uso
emprico, Mara y Jos parten de Nazaret a Beln para ser censados por los romanos.
Hace 2000 aos ste imperio llevaba un control estadstico de lo que posean sus
colonias para luego cobrar impuestos En la actualidad los procedimientos estadsticos
son de particular importancia en las ciencias biolgicas

y sociales para reducir y

abstraer datos. Una definicin que describe la estadstica de manera utilitaria es la que
dice que es: un conjunto de tcnicas para describir grupos de datos y para tomar
decisiones en ausencia de una informacin completa. La estadstica a diferencia de la
matemtica no genera resultados exactos, los resultados siempre tienen asociada un
grado de incertidumbre o error. La estadstica trata de lograr una aproximacin de la
Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

UNI Norte

realidad, la cual es siempre mucho ms compleja y rica que el modelo que podemos
abstraer. Si bien esta ciencia es ideal para describir procesos cuantitativos, tiene serios
problemas para explicar el porqu cualitativo de las cosas
En general podemos hablar de dos tipos de estadsticas, las

descriptivas que nos

permiten resumir las caractersticas de grandes grupos de individuos y las


inferenciales que nos permite dar respuestas a preguntas (hiptesis) sobre poblaciones
grandes a partir de datos de grupos pequeos o muestras.
Construccin de Variables a partir de informacin.
Para poder analizar datos, ya sea de forma manual o por computadora, hay que
entender que trataremos a partir del estudio de la realidad observable crear un
modelo numrico terico donde se estudian variables para describirlas y analizar sus
relaciones. Para hacer esto primero es necesario definir algunos trminos tericos.
Variable: es una caracterstica observable de un objeto y que vara. Las variables se
pueden clasificar de diferentes maneras, un enfoque es reconocer dos grandes grupos
de variables las Cualitativas y Cuantitativas.

Tipos
Tipos de
de
Variable
Variable
s
s
Cualitativ
Cualitativ
as
as

Nominal
Nominal
es
es

Ordinale
Ordinale
s
s

Cuantitati
Cuantitati
vas
vas

Continu
Continu
as
as

Discreta
Discreta
s
s

Variables Cualitativas, son aquellas que se ordenan en categoras debido a su


carcter subjetivo y absoluto, pueden ser de dos tipos nominales, u ordinales. En las
Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

UNI Norte

variables nominales los valores no pueden ser sometidos a un criterio de orden o


importancia como por ejemplo el sexo de una persona o el pas de origen. Las
variables ordinales pueden tomar distintos valores ordenados siguiendo una escala
establecida, aunque no es necesario que el intervalo entre mediciones sea uniforme,
por ejemplo: leve, moderado, grave.
Variables Cuantitativas, son las que sus caractersticas estn expresadas en valores
numricos, stas asumen cualquier valor y pueden variar en cualquier cantidad, sobre
una escala aritmtica e infinita y pueden subdividirse en dos tipos continuas o
medibles y discretas o contables.
Las variables continuas pueden adquirir cualquier valor dentro de un intervalo
especificado de valores, permite siempre que se encuentre un valor nuevo entre dos
valores previos. El rendimiento de un lote de frjol se mide en qq/mz es una variable
continua, se mide o pesa.
Las variables discretas presentan interrupciones en la escala de valores que puede
tomar. Estas separaciones o interrupciones indican la ausencia de valores entre los
distintos valores especficos que la variable pueda asumir por nmero de miembros de
una familia es una variable discreta, se cuenta y entre dos personas no hay un valor
intermedio, no existe 1.5 personas . Los atributos, en control de calidad, son variables
discretas.
Las variables generan datos, con ellos se hace la estadstica y cada uno de stos
ocupa una celda

de una matriz o base de datos. La Matriz de datos es un

ordenamiento de datos en fila y columnas donde cada fila es un individuo, una parcela,
una muestra, una unidad experimental o una encuesta determinada y cada columna:
una variable. Los programas Access, Excel, Infostat y SPSS ordenan los datos en
forma de matriz. Por ejemplo en una encuesta (cuestionario) cada pregunta que se
tiene, genera al menos, una variable generalmente discreta. Hay casos donde una

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

UNI Norte

pregunta puede generar muchas variables de tipo dicotmico, SI- NO, que se suele
codificar como 1= SI y 0= NO.
Ejercicio 1.1: Construya variables relacionadas con su carrera, 5 nominales, 5
ordinales, 5 continuas y 5 ordinales.
Ejercicio 1.2 Clasifique las siguientes variables.

Peso de un estudiante.

# de ladrillos de una pared.

Dimetro de una casa.

Belleza de una flor.

Color de ojos.

Temperatura semanal.

Tipo de techo.

Largo de peces de un estanque.

Vida til de un monitor

Dimetro de un tornillo

1.2 Anlisis de datos, Tablas de Distribucin de frecuencias y Tablas


de Contingencia
A partir de la realidad observable se debe crear un modelo
numrico terico para intentar estudiar sta realidad
Una vez que los datos se han codificado, transferidos a una matriz y guardado en una
computadora podemos proceder a analizarlos, proceso que se hace con un programa
estadstico como SPSS o INFOSTAT, de forma manual solo se pueden manejar pocos
datos y variables es por ello que el nfasis de este libro est ms en la interpretacin
de resultados que en los procedimientos de clculo.
El procedimiento de anlisis sugerido se esquematiza en la figura siguiente:

Creacin de
la matriz de
datos

Definicin de
anlisis a
realizar

Estadstica Bsica para Ingenieros

Ejecucin de
anlisis en
computadora

Interpretaci
n de
resultados
Luis Mara Dicovskiy Riobo

UNI Norte

En general el investigador debe buscar de primero cmo describir sus datos y


posteriormente efectuar el anlisis estadstico para relacionar las variables generadas.
Los tipos de anlisis son variados y cada mtodo tiene su razn de ser un propsito
especfico, la estadstica no es un fin en s misma, sino una herramienta para analizar
datos.
Los principales anlisis que pueden efectuarse son:

Estadstica descriptiva de las variables.

Pruebas de hiptesis para la toma de decisiones.

la estadstica est ligada a la toma, organizacin,


presentacin y anlisis de un grupo de datos.

Una primera tarea luego de construir una tabla o matriz de datos, es explorarlos
buscando informacin atpica o anormal y corregir los casos que la informacin atpica
se deba a una mala digitacin o error en la recoleccin de datos.
Lo siguiente para observar el comportamiento de los datos es realizar una distribucin
frecuencias en forma de tabla y grficos. Para esto, los datos se agrupan en clases o
categoras y para grupo se calcula las frecuencias absolutas y relativas.
En este momento es importante poder definir el tipo de escala de medicin usada,
sucesin de medidas que permite organizar datos o para agrupar los datos, en este
sentido se pueden reconocer diferentes escalas:

Las Escalas Nominales, son discontinuas y se usan cuando describimos algo


dndole un nombre a cada categora o clase y estas son mutuamente excluyentes.
A cada categora se le adjudica un valor numrico. Por ejemplo la variable sexo
donde varn = 1 y mujer = 2.

Las Escalas Ordinales, son discontinuas y se usan donde hay un orden jerrquico
de un conjunto de objetos o eventos con respecto a algn atributo especfico, por
ejemplo ordenar los ingresos en tres niveles: alto =1, medio = 2 y bajo = 3.

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

UNI Norte

Las Escalas de Intervalos Iguales, estas pueden ser sumadas, restadas


multiplicadas y divididas sin afectar las distancias relativas entre las calificaciones.
Por ejemplo las medidas de temperatura en Grados C 0, las calificaciones de un
examen en una escala de 1 a 100. En esta escala el 0 es arbitrario y no
necesariamente representa ausencia, tambin nos dice que un valor de 30 puntos
de un examen de espaol no necesariamente representa la mitad de conocimiento
de un valor de 60 puntos.

Las Escala de Razn Constante, tienen todas las propiedades de las Escalas de
intervalos ms un cero absoluto, por ejemplo las medidas de tiempo, peso y
distancia, el valor 0 representa ausencia del valor.

Un caso especial de escala ordinal es la escala de Likert, esta escala es muy usada en
las ciencias sociales y se usa para medir actitudes, Una actitud es una predisposicin
aprendida par responder consistentemente de una manera favorable o desfavorable
ante un objeto de sus smbolos. As las personas tenemos actitudes hacia muy
diversos objetos o smbolos, por ejemplo: actitudes hacia la poltica econmica, un
profesor, la ley, nosotros, etc. Las actitudes estn relacionadas con el comportamiento
que mantenemos. Estas mediciones de actitudes deben interpretarse como sntomas
y no como hechos. Esta escala es bipolar porque mide tanto el grado positivo como
negativo de cada enunciado y consiste en un conjunto de tem presentado en forma de
afirmaciones o juicios ante los cuales se pide reaccin a los sujetos en estudio en una
escala de 5 puntos, cada punto tiene un valor numrico. Un ejemplo de cmo calificar
con afirmaciones positivas es Le gusta cmo se imparte la clase de estadstica?:
1- Muy en desacuerdo, 2- En desacuerdo, 3- Ni de acuerdo, ni en desacuerdo,
4- De acuerdo, 5-Muy de acuerdo.
Estar de acuerdo con la idea presentada significa un puntaje mayor.
Ejercicio 1.3: entre los participantes de la clases tomar

datos de 15 variables al

menos por ejemplo: Edad, Sexo, Procedencia, etc. Y luego ordnelos en forma de
matriz de datos, recodifique la informacin cualitativa en numrica.
Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

UNI Norte

Organizacin de una matriz de informacin a partir de un cuestionario.


Una encuesta impersonal con preguntas cerradas es una manera de recolectar mucha
informacin rpidamente que luego se puede codificarla fcilmente, la debilidad de este
instrumento es que no siempre la gente responde adecuadamente y que

las

respuestas generadas se limitan a las opciones previamente definidas y la experiencia


nos dice que la realidad es mucho ms rica que lo que creemos ocurre a priori. Para
los que trabajan con entrevistas hay que saber que tambin la informacin que se
genera de las entrevistas puede luego tabularse numricamente de la misma manera
que una encuesta.
Encuestas o Cuestionarios: Al disear una encuesta esta debe ayudar a responder a
las preguntas que genera la hiptesis del trabajo, un error comn es hacer una
encuesta primero y luego que se han recolectado los datos, se solicita a un estadstico
que no ayude a analizar la informacin, la lgica es al revs se debe pensar como se
analizar la informacin desde el mismo momento que se disea la encuesta. Se
sugiera que las variables cualitativas (ej. nombres) se deben recodificar al momento
del llenado de la base de datos creando variables numricas discretas, por ej. Si
quiero clasificar la becas que otorga una Universidad puedo codificar a estas de la
siguiente manera: Beca interna =1, Beca externa =2 y No beca =0.
Si las opciones que genera una variable discreta permite hacer combinaciones de las
respuestas se sugiere crear muchas variables dicotmicas del tipo Si o No (1,0).
Veamos un ejemplo: Si se pregunta: que prcticas de en los cultivos

realiza un

campesino, estas pueden ser varias y combinadas como: Insecticidas Botnicos,


Trampas amarillas, Barreras vivas, Semilla resistente etc. En este caso lo que se hace
es generar un variable del tipo 0-1 para cada opcin de prctica de cultivo, generando
muchas variables en una sola pregunta.

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

10

UNI Norte

Para crear una base de datos hay que recordar que se est obteniendo una matriz de
datos donde en la primera fila se tiene el nombre abreviado de la variable y en el resto
de las filas los datos para cada

encuesta o individuo en estudio. Las variables

cualitativas se deben recodificar, veamos el siguiente ejemplo hipottico de 8


encuestas:
Encuesta

Sexo

Edad

Ingresos

Comunidad

semanales C$
1
1
31
1,394
2
1
35
1,311
3
1
43
1,300
4
1
28
1,304
5
2
45
1,310
6
2
36
1,443
7
2
21
1,536
8
2
32
1,823
Esta matriz se codifica as: la variable Sexo: 1= varn, 2 =

Labor

realizada
2
3
4
2
2
3
3
1
1
3
2
2
2
3
1
3
mujer. Para la variable

comunidad hay 4 tipos diferentes donde: 1= Estel, 2= Condega, 3= Pueblo Nuevo y


4= Limay y para Labor realizado: 1= en otra finca, 2= en la cuidad y 3= en la propia
finca.
De esta manera se transforma en datos numricos una informacin descriptiva, estos
nmeros permiten luego hacer estadstica.
Ejercicio 1.4: Intente codificar numricamente las respuestas que se generan a partir
de la

encuesta de caracterizacin socioeconmica, que a continuacin se detalla,

discuta las posibles respuestas, diga si las preguntas estn bien formuladas, sugiera si
alguna de ellas est de ms y que preguntas propone para completar la informacin.
Hoja de Encuesta
Nmero de ficha___________
Fecha: ______________________________________________________
Primer Apellido_______________ Segundo Apellido___________________________
Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

11

UNI Norte

Nombres:________________________ Ao____________
Direccin: _____________________________________________________
Estado Civil: _____ Nmero de personas que habitan la vivienda________________
Nivel de estudio de ellos ______________Edad de cada una de ellos________
Profesin: _____________________________________________________
Ejercicio 1.5:

Defina variables para caracterizar a los estudiantes del curso con el objetivo de
determinar posibles causas que tengan influencia en el rendimiento acadmico
del grupo.

Cree una base de datos de al menos 25 individuos. Ver ejemplo.

Ejemplo de una matriz de datos generados con datos de estudiantes.


Cdigos: Estado Civil: 1 Soltero, 2 Casado; Origen: 1 Estel, 2 No Estel; Sexo: 1
Varn, 2 Mujer; Becas: 1 Si 2 No; Opinin: 1 Negativa 5 Positiva

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

12

UNI Norte

Principios a utilizar al construir una Tabla de Distribucin de Frecuencias, TDF.


Aunque esta tabla sirve para resumir informacin de variables discretas continuas, de
manera particular la TDF permite transformar una variable continua, a una variable
discreta definida por el nmero de intervalos y su frecuencia. Esta transformacin
permite construir grficos de histogramas o polgonos. Con Variables continuas como
(peso, altura, produccin / superficie, etc.) el recorrido de la variable se parte en
intervalos semiabiertos, las clases.
Lo primero para construir una TDF es definir el nmero de clases intervalos a crear
y el ancho de cada intervalo. Para que los grficos permitan visualizar tendencias de
la variable en estudios, el nmero de clases se recomienda que no sean menor de 5 ni
mayor de 20. Al ancho de clase se calcula dividiendo el Rango (valor mayor valor
Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

13

UNI Norte

menor), con un valor que debe variar entre 5 y 20. Hay que utilizar ms clases cuando
se tiene ms datos disponibles, si el nmero de clases es muy grande es posible tener
muchas clases vacas, si es demasiado pequeo podran quedar ocultas caractersticas
importantes de los datos al agruparlos. Se tendra que determinar el nmero de clases
a partir de la cantidad de datos presente y de su uniformidad, en general con menos de
treinta datos se usa una TDF con 5 clases, para tener un criterio sobre el nmero de
clases en funcin del nmero de datos ver la tabla siguiente .
Tabla para determinar el nmero de clases de una TDF
Nmero datos
30-50
51-100
101-250
+250

Nmero de clases
5-7
6-10
7-12
10-20

El valor central de una clase se llama marca de clase, este valor se usa para construir
los grficos de polgonos de frecuencia. Veamos un ejemplo de cmo se construye una
Tabla de Distribucin de Frecuencias. Es importante resaltar que con las variables
nominales no se construyen intervalos, lmites marcas de clase, esto no tiene sentido
con este tipo de variable.
Ejemplo con Datos de ingresos de 24 familias. Variable: Ingresos semanales en C$
por familia, n = 24 datos.
1,450
1,480
1,425
1,304
Secuencia de actividades

1,443
1,355
1,360
1,260

1,536
1,350
1,430
1,328

1,394
1,430
1,450
1,304

1,623
1,520
1,680
1,360

1,650
1,550
1,540
1,600

Se calcula el Rango de los datos, valor mayor menos valor menor: 1680- 1,260 =

420 C$.
Ancho de clase: El rango se divide en cuatro, 420/4= 105 C$, se ajusta a 100 C$ y

de esta manera el nmero de clases queda en cinco.


Se construye los lmites inferiores y superiores de cada clase como intervalos

semiabiertos,
Luego se cuentan las frecuencias por clase, esto es la Frecuencia Absoluta

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

14

UNI Norte

Se calcula la Frecuencia Relativa (Frecuencia Absoluta / n)


Se hace Frecuencia Acumulada. que es la suma de las frecuencias absolutas.
Tambin se pueden hacer las frecuencias expresadas en porcentajes.
Tabla de Distribucin de frecuencias, TDF.

Clase

Lmite

Lim. Superior

Marca de

Frecuencia

Frecuencia

Frecuencia

Inferior

Menor a

clase

Absoluta

Relativa

Acumulada

Igual a

1
2
3
4
5

1,200
1,300
1,400
1,500
1,600

<1,300
<1,400
<1,500
<1,600
<1,700

1,250
1,350
1,450
1,550
1,650
Total
Ejemplo de grfico construido con estos datos

1
8
7
4
4
24

Texto..

0.04
0.33
0.29
0.17
0.17
1.00

1
9
16
20
24

0.35

frecuencia relativa

0.28

0.21

0.14

0.07

0.00
1100

1200

1300

1400

1500

1600

1700

1800

C$

Histograma y Polgono de Frecuencias Relativas de Ingresos semanales de 24


familias del Barrio Virginia Quintero, Estel. 2008
Se puede observar que la informacin que lleva el grfico es completa, incluye todos
los datos y permite explicar el contenido del mismo por ejemplo: la barra de mayor
altura contiene la moda y al no ser un grfico simtrico concluyo que la media y
mediana son diferentes y que los datos son sesgados hay un agrupamiento de
frecuencias a la izquierda del centro.

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

15

UNI Norte

Una manera de representar una distribucin de Frecuencias es:


1. Por medio de un grfico de Barras con variables nominales.
2. Con un Histograma con variables continuas.
3. Un polgono de Frecuencias cuando se quieren mostrar las frecuencias absolutas.
4. Con un grfico de Pastel cuando se tienen porcentajes o proporciones.
Tablas de contingencia
Las tablas de contingencia, o tablas cruzadas, se usan para resumir la relacin de
variables cualitativas con pocas categoras, incluso dicotmicas. Estas tablas
generalmente vinculan dos variables y en las celdas generadas se muestran las
frecuencias absolutas o relativas de las variables involucradas, tambin se puede
mostrar los porcentajes. En las filas suele ir la variable ms importante y si se muestran
las frecuencias relativas stas se calculan por fila. Las sumas de las filas y las
columnas generan frecuencias marginales y en la celda de la esquina inferior derecha
se tiene el total de datos. Con estas tablas se pueden construir grficos de barras
bivariados. A continuacin a modo de ejemplo se muestran dos tablas,

una de

frecuencias absolutas y otra de frecuencias relativas de los datos de una seccin de 31


estudiantes, las variables en estudio son: sexo y si disponen de beca. Cmo en
este estudio la variable ms importante de cruce es sexo, sta se ubica en las filas y
as se observan las frecuencias relativas.
Frecuencias absolutas

Frecuencias relativas por filas

En columnas: Beca

En columnas: Beca

Sexo No

Si

Total

Sexo No

Si

Total

Mujer 10

17

Mujer 0.59

0.41

1.00

Varn 7

14

Varn 0.50

0.50

1.00

Total 17

14

31

Total 0.55

0.45

1.00

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

16

UNI Norte

Ejercicio 1.6 Realizar una tabla de frecuencias con una variable discreta (contable) y
una variable continua (medible) de la matriz generada con los datos obtenidos en
clase. Con dos variables cualitativas construye una tabla de contingencia.

1.3 Grficos
Los grficos nos permiten presentar la informacin que dan los datos de manera
rpida, resumida y fcil de entender. Los grficos se pueden clasificar de mltiples
maneras pero en ste texto los consideraremos como: univariados, bivariados y
multivariados, segn el nmero de variables involucradas.
Grficos univariados, Ejemplo de edad de una muestra de personas, datos presentados
en forma de Histograma de frecuencias. En este grfico las barras se encuentran
unidas, no habiendo espacio entre las barras. Para su construccin primero se tiene
que hacer una tabla de distribucin de frecuencias, TDF, donde se precisen los lmites
reales de frecuencia, que se usan para construir las barras. El centro de cada barra es
la marca de clase, esta medida se usa para construir polgonos.
40

Frecuencia de personas

30

20

10

0
0

5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90

Edad

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

17

UNI Norte

Histograma de Frecuencias absolutas, de la edad, de una muestra de personas


de una comunidad rural del Departamento de Estel. 2008.
Este grfico univariado se acompaa de estadstica descriptiva como medias,
medianas, desvos estndares e intervalos de confianza.
Grfico de Pastel o Sectores Ejemplo

del nivel de educacin, de una muestra de

598 personas de origen rural. Este Grfico creado con frecuencias y porcentajes,
permite resaltar segmentos de clases determinadas.

otros
19%

primaria
45%

ninguno
15%

secundaria
21%

Grfico de pastel o sectores.


Grfico de Barras bivariado. Ejemplo de las notas de tres asignaturas presentadas
en forma de barras. Este resume la media de notas obtenido por asignatura. Entre
barra y barra hay un espacio. El grfico observado a continuacin se construy con
una variable nominal, asignatura y una variable continua, nota.

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

18

UNI Norte

75.5
75.2

75.0

74.5

74.0

Nota Promedio

73.5

73.5

73.0

73.0

72.5

72.5

72.0
Matematica

Contabilidad

Programacin

Algebra

Asignatura

Polgono de Frecuencias Ejemplo de un donde se grafica en el tiempo el desarrollo


de una enfermedad, tizn temprano, en el follaje de las platas de tomate. Este polgono
se construye con los valores medio de cada clase, Marca de clase y las frecuencias por
clase.

El Polgono es una lnea quebrada que se construye uniendo los puntos


medios en la parte superior de cada barra, marca de clase de un
histograma

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

19

UNI Norte

% Desarrollo de Tizn en Tomate

30

20

10

0
13

20

27

34

41

48

55

62

69

76

Das despues del trasplante

Polgono de frecuencias acumuladas, en porcentaje del desarrollo de una


enfermedad fungosa, en plantas de tomate.
Grficos Multivariados. Son grficos que incorporan 2 o ms variables.
Grfico de Barras que incorpora 4 variables dicotmicas (si- no)

Porcentje de respuesta afirmativa

120

Este tipo de grfico permite


resumir de manera muy

100
98

eficiente la informacin de

80

hasta 6 o 7 variables. Es
ideal

60

para

usar

con

escalas de opinin como la


40

escala

43

Likert o variables

dicotmica, SI y NO.

30
20

19

0
Escuela Cercana

Agua Potable

Electricidad

Estadstica Bsica para Ingenieros

Telfono

Asistencia Mdica

Luis Mara Dicovskiy Riobo

20

UNI Norte

Grfico De Barras, Bivariado en Cluster o Agrupamientos


Grfico bivariado, se puede

50

acompaar de una tabla de

46
40

contingencia de frecuencias
41

o porcentajes y con una


prueba estadstica X2 de

30

independencia.
23

20

Porcentaje

19

Sexo

13

10
9

varn
mujer

primaria

secundaria

universitario

solo lee

Nivel educativo

Grfico Bivariado De Barras Apiladas


Grfico bivariado que
reduce el nmero de
barras y por lo tanto
se

simplifica

diseo.

Se

el
puede

construir
frecuencias

con
o

porcentajes

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

21

UNI Norte

Un
Grfico
permite
ver
rpidamente lo que dicen los datos

Ejercicio 1.7. Realizar un grfico de barras y un grfico de Pastel a partir de los datos
recolectados en clase.

1.4 Medidas de Tendencia Central


Al forjarnos una imagen mental de la distribucin de frecuencias de un conjunto de
mediciones, una de las primeras apreciaciones descriptivas de inters es una medida
de tendencia central, es decir, una que localiza el centro de la distribucin.
Una de las medidas de tendencia central ms comn y til es la media comn o media
aritmtica, pero tambin son de importancia, segn las circunstancias y el tipo de
variables la moda y la mediana. Otras medidas de tendencia central menos usadas
son la media geomtrica y la media cuadrtica.
La sumatoria, un concepto bsico introductorio:
En matemtica, el smbolo Griego en mayscula se utiliza para indicar sumatoria de
datos donde:
n

xi
1

= x1 +x2 +x3 +x4 +.......+

xn
Siendo x un valor de una medicin de la variable en estudio e i un ndice que vara
de 1 a n .El nmero de datos de la muestra se identifica con la letra n.

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

22

UNI Norte

Media Aritmtica
La media aritmtica o simplemente media de un conjunto de mediciones es la medida
de tendencia central ms usada y conocida. Esta medida se simboliza como x (x con
raya) cuando representa la media muestral y como (letra griega minscula) para
representar la media poblacional. x o es la suma de todos los valores de la
muestra o poblacin divididos por el nmero de casos. En el caso de la media muestral
esta es igual a: x (x1 + x2 + x3 ++ xn)/ n donde n es el nmero de datos de la
muestra y x el valor numrico del dato. La frmula simplificada de la media es:
n

x
x =

, donde

representa la letra griega sigma que en matemticas es el

smbolo de sumatoria de datos, el subndice i es un valor que vara desde 1 a n.


Cuando se tienen datos agrupados en una distribucin de frecuencias se obtiene el
punto medio de cada intervalo y se determina media de la siguiente manera:
n

xf
x =

Donde f es la frecuencia de la clase y x el punto medio de cada intervalo.


Una debilidad de la media aritmtica es que es sensible a valores extremos de la
distribucin y que carece de sentido para variables medidas con un nivel nominal u
ordinal.
n

Media Aritmtica

x
x =

Muestral

x
=

Poblacional

N es el nmero de datos de la poblacin.


Ejemplo de clculo de una media.

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

23

UNI Norte

Si tengo la nota de un examen de matemticas de 10 estudiantes en una escala de 1 a


100 donde:
Estudiante
Luis
Alberto
Juan
Pedro
Roberto
Mara
Raquel
Luisa
Rosa
Diana

Variable Nota = xi
X1
X2
X3
X4
X5
X6
X7
X8
X9
X10

10
1

xi

Valor de xi
62
68
92
88
55
79
89
92
67
69
761.

En este caso i varia de 1 a 10.


Media de notas de los estudiantes =

10
1

xi

/10 = 761/10 = 76.1

La Mediana
La segunda medida de tendencia central es la mediana. La mediana m de un
conjunto de mediciones x1, x2, x3,...., xn es el valor de x que se encuentra en el punto
medio o centro cuando se ordenan los valores de menor a mayor.
Si las mediciones de un conjunto de datos se ordenan de menor a mayor valor y n es
impar, la mediana corresponder a la medicin con el orden (n + 1) / 2. Si el nmero
de mediciones es par, n = par, la mediana se escoge como el valor de x a la mitad de
las dos mediciones centrales, es decir como el valor central entre la medicin con
rango n/2 y la que tiene rango (n/2) + 1.
Reglas para calcular la mediana
Ordenar las mediciones de menor a mayor

Si n es impar, la mediana m es la medicin con rango (n + 1) / 2

Si n es par, la mediana m es el valor de x que se encuentra a la mitad


Ejemplo de clculo de una mediana.
entre la medicin con rango n / 2 y la medicin con rango (n /2)+1.

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

24

UNI Norte

En el ejemplo de las notas de matemticas la mediana se construye ordenando los


datos de menor a mayor:
Estudiante
Roberto
Luis
Rosa
Alberto
Diana
Mara
Pedro
Raquel
Juan
Luisa

Datos ordenados
1
2
3
4
5
6
7
8
9
10

Valor de xi
55
62
67
68
69
79
88
89
92
92

Como n es par, la mediana es igual a la mitad entre la medicin con rango n / 2 y la


medicin con rango (n/2) +1, donde n / 2 = 5 y (n /2) +1)= 6.
El dato 5 vale 69 y el dato 6=79, entonces la mediana es igual a 69 + 79 / 2= 74
En este ejemplo la mediana es semejante a la media.

La Moda
La moda es la medida de tendencia central ms fcil de calcular y tambin es la ms
sujeta a fluctuaciones cuando cambian unos pocos valores de la distribucin. Por esta
razn la moda se suele usar para una evaluacin rpida de la tendencia central. La
moda se define como el valor ms frecuente de una distribucin. En una tabla de
frecuencias, la frecuencia mayor es la que contiene a la moda. Esta medida se usa ms
y tiene ms sentido cuando se describen datos nominales, de hecho es la nica
medida de tendencia central que funciona con este tipo de escala.

La moda es el valor ms frecuente y


funciona bien con escalas nominales

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

25

UNI Norte

Comparaciones entre las diferentes medidas.


Las tres medidas de tendencia central, la media, mediana y moda, no son igualmente
tiles para obtener una medida de tendencia central. Por el contrario, cada una de
estas medidas tiene caractersticas que hacen que su empleo sea una ventaja en
ciertas condiciones y en otras no.
La media es la medida de tendencia central, generalmente ms usada y tiene la
caracterstica que incorpora todos los datos de la variable en su clculo por lo tanto su
valor suele ser ms estable. Adems se suele preferir en la construccin de pruebas de
hiptesis, en la estadstica inferencial. Se usa normalmente cuando las distribuciones
tiene forma simtrica.
La mediana suele ser la medida preferida cuando se emplea una escala ordinal, estas
son las situaciones donde el valor asignado a cada caso no tiene otro significado ms
que el indicar el orden entre los casos. Por ejemplo saber en una clase cuales alumnos
estn dentro del 50% con mejores notas y cuales dentro del 50% con peores notas.
Tambin se suele preferir la mediana cuando unos pocos valores extremos distorsionan
el valor de la media. Por ejemplo si tengo 9 personas con 0 ingresos y uno sola que
tiene ingresos de 10 unidades, la media me puede dar a entender que la mayora
recibe 1 unidad, cuando esto no es real.
La moda en ciertas condiciones puede ser la ms apropiada, por ejemplo cuando se
quiere informacin rpida y cuando la precisin no sea un factor especialmente
importante. En ciertos casos solo esta medida tiene sentido por ejemplo en un equipo
de ftbol llevo la estadstica por jugador (escala ordinal) de la cantidad de pases que
realiza por juego, esto para detectar quien es el que mejor distribuyendo la pelota, en
este caso la media y la mediana no tendran significado, solo la moda.

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

26

UNI Norte

No necesariamente una escala de medida nos debe decir qu tipo de medida de


tendencia central debemos usar, pero si nos ayuda a determinar cul es la ms
apropiada.
Un aspecto interesante entre las tres medidas es su comportamiento referente a la
simetra que toma una distribucin. Cuando las distribuciones son simtricas, sin
sesgo, caso de la distribucin Normal que tiene forma de campana, la media, la
mediana y la moda coinciden. Si la distribucin es asimtrica con sesgo positivo, hay
ms datos hacia la izquierda de la media, entonces la media es mayor que la mediana
y esta mayor que la moda. Si ocurre lo contrario, el sesgo es negativo, entonces la
media es menor que la mediana y sta menor que la moda.

Otras medidas de tendencia central.


La Media Geomtrica.
La media geomtrica se define como

x g n x1 x2 x3..xn

geomtrica de los valores 4, 5, 4, 6 es

, por ejemplo la media

x g 4 (4)(5)( 4)(6) 4.68

Una ventaja de su uso es que considera todos los valores de la distribucin y es menos
sensible que la media aritmtica a los valores extremos, sin embargo es de clculo
complicado y si un valor vale 0 se anula.

La Media Cuadrtica.
Se construye a partir de suma de los cuadrados de un conjunto de valores. Su forma de

xc
clculo es

x12 x22 x32 ... xn2


n

, si tomamos los valores anteriores la

xc

4 2 52 4 2 6 2
4.81
4

media cuadrtica tiene el siguiente valor


Se utiliza cuando se quiere evitar los efectos de los signos. sta media solo puede
tomar valores positivos.

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

27

UNI Norte

Cuartiles, Deciles y Percentiles.


Cuartiles: si a un conjunto de datos se ordena de mayor a menor, el valor central es la
mediana, este valor divide el grupo, en dos subgrupos cada uno con el 50 % de los
datos. Si a cada subgrupo ordenado se le marca el valor central, tenemos as tres
valores seleccionados que llamaremos Cuartiles, Q 1, Q2 y Q3. Estos valores dividen al
conjunto de datos en cuatro grupos con igual nmero de trminos, cada cuartil contiene
el 25% de los datos. La mediana es el cuartil dos, Q 2. Con los Cuartiles se construye un
grfico especial, el diagrama de caja, este permite visualizar la variabilidad de los
datos por Cuartil.
En el diagrama de caja, el centro de la caja es el Q 2, la mediana, los bordes de la caja
son el Q1 y el Q3. En los extremos del diagrama se trazan dos rayas horizontales que
representan los valores mximo y mnimo de la distribucin y que no se consideran
anmalos. Para hallar los valores de las rayas se multiplica la amplitud inter cuartil (Q 3
-Q1) por 1,5 y el resultado se suma a Q 3 y se resta a Q1.Por ltimo, por encima y por
debajo de las rayas

se representan de forma individual los valores extremos y

anmalos de la distribucin.
Diagrama de caja, variable: cantidad de carne consumida por ao.

18.7

Carne consumida por ao

Kg

14.9

11.2
Mediana

7.5

3.7

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

28

UNI Norte

Deciles, si el conjunto de valores, ordenados de de mayor a menor, se dividen en diez


partes iguales, los valores que dividen los datos se llaman deciles y son nueve, D 1,
D2,..D9.
Percentiles, si se tiene un conjunto de datos muy numerosos y a este se lo divide en
100 partes iguales, cada valor que divide los datos se llama percentil, P 1, P2, P3P99.

1.5 Medidas de Dispersin o de Variabilidad


Las medidas de variabilidad indican la dispersin de los datos en la escala de medicin
y son tan importantes como las medidas de tendencia central y as como stas son
valores puntuales en una distribucin, las medidas de dispersin son intervalos,
distancias o un nmero de unidades en la escala de medicin. Este tipo de medida se
complementa con las medidas de centralidad y ambas permiten describir a la mayora
de las distribuciones. Los tipos de medidas de Dispersin ms comunes son: el
Rango, el Desvo Estndar y la Varianza.

El Rango.
El Rango, Recorrido o Amplitud de un conjunto de mediciones, es la diferencia entre el
valor mayor y el valor menor, indica el nmero necesario y mnimo de unidades, en la
escala de medicin, para incluir los valores mnimo y mximo. Es la medida de
dispersin ms fcil de calcular, pero tambin es la menos estable al estar fuertemente
influenciada por valores extremos atpicos.
Cuanto ms grande es el rango, mayor ser la dispersin de los datos de una
distribucin. Es adecuada para medir la variacin de pequeos conjuntos de datos.

El Desvo Estndar.
El Desvo Estndar es la medida de dispersin ms ampliamente usada y es la ms
estable ya que depende de todos los valores de la distribucin. Es la media de
Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

29

UNI Norte

desviacin de los valores con respecto a la media, aunque una definicin completa
sera: la raz cuadrada de la suma de las desviaciones alrededor de la media, elevadas
al cuadrado y divididas entre el nmero de casos menos uno en el caso de S.

Desvo Estndar S: la raz


cuadrada de la suma de las
desviaciones alrededor de la
media, elevadas al cuadrado y
divididas entre el nmero de
casos menos uno.
Cuando se trabaja con muestras el desvo estndar se simboliza con una S y con la
letra sigma minscula cuando se usan datos de una poblacin. Su frmula de
clculo tradicional es:

( (
N

x i ) /N

( (
n

S=

x ix )2 /(n1)

Donde i es cualquier valor de uno a n o N, y n es el nmero total de datos de la


muestra y N de la poblacin.
El desvo estndar, S o , se interpreta como cuanto se desva de la media un
conjunto de valores. Este valor se grafico como un intervalo. Esta medida solo se utiliza
con variables continuas u ordinales.
Clculo del desvi estndar S por suma de cuadrados, para datos no
agrupados.
El desvi estndar se puede expresa tambin de la siguiente manera:

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

30

UNI Norte

S=

( )
x

x 2

n1

Esta forma de resolucin es equivalente a la forma de clculo tradicional, es de ms


fcil resolucin cuando se tiene calculadoras de mano que hacen sumas de cuadrados.
Clculo del desvi estndar S para datos agrupados

S=

(x i x )2 f i
i=1

n1

Donde xi es la marca de clase i, k en el nmero de clases y n en nmero total de


datos.
Ejemplo de clculo de Desvo Estndar S
Con el ejemplo de las notas de matemticas haremos clculo de S

((55 76.1) 2 (62 76.1) 2 (67 76.1) 2 (68 76.1) 2 (69 76.1) 2 (79 76.1) 2
(88 76.1) 2 (89 76.1) 2 (92 76.1) 2 (92 76.1) 2 ) / 9
S=
= 13.6
Se sugiere hacer estos clculos usando una calculadora cientfica en funcin
estadstica.

La Varianza.
La varianza es el desvo estndar elevado al cuadrado y se simboliza con S 2 cuando
es muestral, o 2 cuando es poblacional. Este es una medida que se usa en muchas
pruebas de Hiptesis estadsticas, por ejemplo el Anlisis de Varianza, ANDEVA que
se basa en la descomposicin y relacin de las varianzas de las causas de variacin de

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

31

UNI Norte

los datos. Pero para fines descriptivos se prefiere usar el desvo estndar en vez de la
varianza, que suele ser un valor mayor y difcil de interpretar.

El Coeficiente de variacin
El coeficiente de variacin, CV, es un cociente entre el desvo estndar y la media de
los datos, expresado en porcentaje,

S
100 . Este
X

( )

CV =

coeficiente permite

comparar la variabilidad de diferentes muestras en una misma variable la variabilidad


existente entre variables diferentes. Una investigacin experimental en el campo
agropecuario que tenga un CV menor al 10 %, muestra que en el experimento hubo
un muy buen control del error experimental entre las diferentes repeticiones, sin
embargo en procesos productivos industriales ste valor de variabilidad en una
variables de salida, sera muy alto, en general se aceptan valores muy pequeos,
inferiores al 1%.
Interpretacin de las medidas de tendencia central y de la variabilidad.
Cabe destacar que al describir nuestros datos, debemos interpretar nuestros datos de
tendencia central y de variabilidad en conjunto y no de manera separada. Con la
media y el desvo estndar se pueden construir intervalos donde supongo estn la
mayora de los datos en el caso que la distribucin sea normal. La moda, mediana y el
rango pueden completar la informacin sobre la distribucin y as tener una buena idea
de lo que sucede con la variable en estudio.

En una variable continua:

La media, la mediana y la moda son puntos en una recta.


El desvo estndar y el rango son intervalos.
1.6 Otras medidas tiles en Estadstica Descriptiva.
Cuando los polgonos de frecuencia de una variable se presentan en forma de curva
hay dos medidas esenciales para describir estas curvas: La Asimetra y la Curtosis.
Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

32

UNI Norte

La Asimetra o Sesgo.
La Asimetra es una medida necesaria para conocer cunto se parece nuestra
distribucin a la distribucin terica de una curva normal, curva con forma de
campana,

y constituye un indicador del lado de la curva donde se agrupan las

frecuencias. Esta medida se construye con el valor medio, la mediana y el desvi


estndar. Si el valor del sesgo es cero (asimetra = 0), la curva de distribucin es
simtrica, en este caso coinciden los valores de la media, la mediana y la moda.
Cuando el sesgo es positivo, la media es mayor que la mediana, quiere decir que hay
valores agrupados hacia la izquierda de la curva y la cola de la distribucin es ms
larga a la derecha. Cuando el sesgo es negativo, la media es menor a la mediana,
significa que los valores tienden a agruparse hacia la derecha de la curva, por encima
de la media y la cola de la distribucin es ms larga a la izquierda.
Su forma de clculo original es:

Sesgo=

3( x Moda)
S

pero como aproximadamente

se cumple que Media Moda = 3 (Media - Mediana), se usa la siguiente forma de


clculo prctico del sesgo:
Sesgo=

3( x Me )
S

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

33

UNI Norte

Consumo Kg/ ao de cereal por pas

frecuencia relativa

0.34

Asimetria 0.93

0.25
0.17
0.08
0.00
15

22

28

34

41

47

54

60

Cereal

Histograma de consumo de cereal en Kg/ ao por habitante de diferentes pases. En


este grfico se observa una asimetra o sesgo positivo de 0.93, hay un agrupamiento
de datos a la izquierda de la curva de distribucin normal, curva en color negro.
Sesgo estandarizado, es una medida que se calcula de la siguiente manera:
Sesgo
6
n
Para datos que siguen una distribucin normal (ver Captulo 3) el sesgo estandarizado
Sesgo estandarizado =

debe caer dentro de un intervalo (-2,+2).

La Curtosis.
La curtosis es una medida que indica o mide lo plano o puntiaguda que es una curva
de distribucin. Cuando esta es cero, curtosis = 0, significa que se trata de una curva
Normal. Si es positiva, quiere decir que la curva o distribucin o polgono es ms
puntiaguda o levantada que la curva normal (curva leptocrtica). Si es negativa quiere
decir que es ms plana (curva mesocrtica).
n

( xi x )4
Curtosis =

Estadstica Bsica para Ingenieros

i=1

n
S4

Luis Mara Dicovskiy Riobo

34

UNI Norte

Curtosis estandarizada, es una medida que se se calcula de la siguiente manera:


curtosis
Curtosisestandarizada =
. Para datos que siguen una distribucin normal (ver
24
2

Captulo 3) la curtosis estandarizada debe caer dentro de un intervalo (-2,+2).

Definicin:
Las medidas calculadas a partir de la poblacin, Ej. y se llaman
PARMETROS
Las medidas calculadas a partir de las muestras, Ej. x S se llaman
ESTADSTICOS
Ejercicio 1.8:
Tomando como fuente de datos las variables continuas recolectadas a partir de los
datos que generen los estudiantes en clase deben construir:

medidas de tendencia central: medias, modas, medianas.

medidas de dispersin: desviacin estndar y rango.

distribucin de frecuencias.

espacios:

grficos de barras, histogramas y grficos de pastel.

x 2 S y determinar cuantos datos entran en este intervalo.

Ejercicio 1.9:
Se tiene los datos de 30 aos de precipitaciones de San Ramn, Matagalpa. Calcule
los datos promedios y el coeficiente de variacin

de los 30 aos

y de forma

quinquenal (cada 5 aos). Haga una tabla de los valores mximos y mnimos
quinquenales. Comente si observa alguna tendencia de variacin de lluvias.
Datos de precipitaciones, San Ramn Matagalpa
Ao
1970
1971
1972
1973
1974

mm
1793
1610
1126
1647
1344

Estadstica Bsica para Ingenieros

Ao
mm
1980
2373
1981
1854
1982
1470
1983
1185
1984
1522

Ao
mm
1990
1583
1991
1302
1992
1651
1993
2250
1994
1361
Luis Mara Dicovskiy Riobo

35

UNI Norte

1975
1976
1977
1978
1979

1820
974
1248
1530
1164

1985
1986
1987
1988
1989

1154
1383
1335
2266
1038

1995
1996
1997
1998
1999

2072
1869
1499
2980
2175

1.7 Muestras y Poblacin.


Llamaremos poblacin a un conjunto homogneo de elementos en el que se estudia
una caracterstica dada. El censo es la forma de estudio de todos los elementos de una
poblacin. Frecuentemente no es posible estudiar toda la poblacin ya que suele ser
econmicamente inviable o llevar tanto tiempo que es impracticable.
Como generalmente no se puede estudiar la poblacin, se selecciona un conjunto
representativo de elementos de esta, que llamaremos muestra. Cuando la muestra
est bien escogida podemos obtener informacin de la poblacin similar a la de un
censo, pero con mayor rapidez y menor costo.
La clave de un procedimiento de muestreo es garantizar que la muestra sea
representativa de la poblacin. Por lo tanto cualquier informacin al respecto de las
diferencias entre sus elementos debe tenerse en cuenta para seleccionar la muestra,
esto origina diferentes tipos de muestreo, los cuales se describen a continuacin.

Muestreo Aleatorio Simple


Es la manera ms sencilla de hacer muestreo. Decimos que una muestra es aleatoria
cuando:

Cada elemento de la poblacin tiene la misma probabilidad de ser elegido.

La poblacin es idntica en todas las extracciones de muestreo. Esta


caracterstica es irrelevante si el tamao de la poblacin (N) es grande en
relacin al tamao de la muestra (n).

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

36

UNI Norte

El muestreo aleatorio simple debe utilizarse cuando los elementos de la poblacin son
homogneo respecto a las caractersticas a estudiar, es decir a priori no conocemos
que elementos de la poblacin tendrn valores altos de ella. El primer problema al
aplicar esta forma de muestreo, es calcular el n, nmero de de elementos de la
muestra.
Clculo de n por ecuacin predeterminada: Cuando la fraccin n / N a priori se
determina que ser

mayor que 0.1, un mtodo para determinar n de manera

aproximada es el siguiente:

n=

Npq
( N 1 ) D+ pq

Donde:

Los valores p y q, probabilidades de una distribucin binomial, cumplen que


p + q = 1 y generalmente se acepta si stos no son conocidos que p = q =
0.5.

D es un valor que se vincula al error de estimacin prefijado donde D = B 2 /4

B es el error de estimacin que se debe fijar y generalmente flucta entre 0.01


y 0.10

p x q es la variancia de una distribucin binomial, de una pregunta dicotmica,


tema que se aborda ms adelante, que tiene 2 posibles respuestas por ejemplo
al fabricar un producto ste puede ser Defectuoso-Aceptable.

Si bien este modelo es bastante terico es un mtodo muy usado para aproximar un
valor de n entrevistados, cuando se realiza investigacin social para determinar el
tamao de muestra de un lote de piezas donde lo que se evala es si stas estn
defectuosas o no, muestreo por atributos.
Clculo de n Grficamente: Se sabe que a ms grande la muestra mejor sta
estima la media de la poblacin, sin embargo hay un momento que la media que se
calcula a partir de la muestra casi no cambia, aunque sta aumente de tamao, en ese
momento el tamao de la muestra comienza a ser ptimo.

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

37

UNI Norte

Esta estabilidad de medias se puede observar grficamente con un grfico de medias.


La primera media de este grfico se hace con un dato de la poblacin, el segundo con
dos datos, el tercero con tres datos y as sucesivamente, hasta que en el grfico las
medias casi no flucten entre muestra y muestra. A continuacin se muestra un ejemplo
de 15 datos de notas que obtuvieron 15 estudiantes en la asignatura de Fsica. En la
fila tercera se calcularon las medias consecutivos, con un dato, dos datos, tres datos
hasta 15 datos. Se observa que a partir de 10 datos, la media se estabiliza en el valor
75, el valor de n, tamao de muestra para esta variable estara entre 11 y 12 datos.
72

68

82

88

65

79

89

92

67

69

75

79

71

78

75

x1

x2

x3

x4

x5

x6

x7

x8

x9

x1

x1

x1

x1

x1

x1

77

77

77

77

77

77

72

70

74

77

75

76

78

79

78

Grfico de Estabilidad de Promedios

79

nota

77

75

72

70

p1

p2

p3

p4

p5

p6

p7

p8
p9
promedio

p10

p11

p12

p13

p14

p15

Clculo emprico para lotes y atributos. Si en un proceso industrial se tienen lotes,


volumen de produccin por tiempo por cantidad de materia prima, para realizar un
muestreo del proceso productivo por atributos, por ejemplo artculos sanos
defectuosos, se puede seguir el siguiente criterio, el cual es una adaptacin resumida
del mtodo desarrollado por el ejrcito de EEUU en su norma Military Standar 414.
Tabla sobre el nmero de piezas a muestrear
Tamao del Lote

% de piezas de la
muestra

60-300
301-1000
Estadstica Bsica para Ingenieros

10
5
Luis Mara Dicovskiy Riobo

38

UNI Norte

1001-5000
+ 5000

2
1

Muestreo Estratificado
Se denomina muestra estratificada aqul en que los elementos de la poblacin se
dividen en clases o estratos. La muestra se toma asignando un nmero o cuota de
miembros a cada estrato y escogiendo los elementos por muestreo aleatorio simple
dentro del estrato.
Cuando dispongamos de informacin sobre la poblacin conviene tenerla en cuenta al
seleccionar la muestra. Un ejemplo clsico son las encuestas de opinin, donde los
elementos (personas) son heterogneas en algunas variables como: sexo, edad,
profesin, etc. Interesa en estos casos que la muestra tenga una composicin anloga
a la poblacin, lo que se consigue mediante una muestra estratificada. En concreto si
existen k estratos de tamao N1...Nk y tales que N = N1 + N2 +....+ Nk se tomar una
muestra n que garantice una presencia adecuada de cada estrato n i.
Una forma sencilla para dividir el tamao total de la muestra n entre los estratos de
ni es por el Mtodo de Asignacin Proporcional, el cual toma en cuenta el tamao
relativo del estrato de la poblacin, por ejemplo si en la poblacin hay un 55 % de
mujeres y un 45 % de hombres, mantendremos esta proporcin en la muestra. En
general se har de la manera ni= n Ni/N.

Muestreo por Conglomerados


Existen situaciones donde ni el muestreo aleatorio simple ni el estratificado son
aplicables, ya que no disponemos de una lista con el nmero de elementos de la
poblacin ni en los posibles estratos. En estos casos tpicamente los elementos de la
poblacin se encuentran de manera natural agrupados en conglomerados, cuyo
nmero es conocido, por ejemplo la poblacin rural se distribuye en comunidades y los
Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

39

UNI Norte

habitantes de un barrio en manzanas. Si suponemos que cada uno de estos habitantes


es parte de un conglomerado que pertenece a una poblacin total de conglomerados
semejantes para una variable dada, podemos seleccionar algunos conglomerados al
azar y dentro de ellos analizar a todos sus elementos o una muestra aleatoria simple.
Este mtodo se conoce como muestreo por conglomerados y tiene la ventaja de
simplificar la recogida de la informacin muestral, no es necesario visitar todos los
conglomerados para recolectar una muestra. El inconveniente obvio es que si los
conglomerados son heterogneos entre s, cmo se analizan solo algunos de ellos la
muestra final puede ser no representativa de la poblacin, algo as sucede si estudio a
fondo una comunidad en lo referente a un opinin dada y supongo que los resultados
son representativos de un conjunto de comunidades, pero si esta comunidad estudiada
tiene opiniones distintas del resto, los resultados no sern representativos de la
poblacin, por ejemplo las comunidades ms ricas suelen tener opinin diferente a las
ms pobres respecto a la ayuda social que da el estado
En resumen las ideas de estratificacin y de conglomerados son opuestas, la
estratificacin funciona tanto mejor cuanto mayor sean las diferencias entre los estratos
y ms homogneas sean estos internamente. Los conglomerados funcionan si hay
poca diferencia entre ellos y son muy heterogneos internamente, que incluyan toda la
variabilidad de la poblacin en el conglomerado.

Muestreo Sistemtico
Cuando los elementos de la poblacin estn en una lista o un censo, se puede utilizar
el muestreo sistemtico. Supongamos que tenemos una poblacin de tamao N y se
desea una muestra de tamao n y sea K un valor entero ms prximo a la relacin
n/N. La muestra sistemtica se toma eligiendo al azar, con nmeros aleatorios, un
elemento entre los primeros K elementos y se denomina n 1. El muestreo se realiza
seleccionando los elementos (n 1 + K); (n1 + 2 K), etc. a intervalos fijos de K hasta
completar la muestra. Si el orden de los elementos en la lista es al azar, este

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

40

UNI Norte

procedimiento es equivalente al muestreo aleatorio simple, aunque resulta ms fcil de


llevar a cabo sin errores.
Si el orden de los elementos es tal que los ms prximos tienden a ser ms semejantes
que los alejados, el muestreo sistemtico tiende a ser ms preciso que el aleatorio
simple al cubrir ms homogneamente toda la poblacin.
El muestreo sistemtico puede utilizarse conjuntamente con el estratificado para
seleccionar le muestra dentro de cada estrato.

La regla general que se aplica a los procedimientos de muestreo es


que: cualquier informacin previa debe utilizarse para asegurar mayor
representatividad de la muestra.
Ejercicio 1.10:
Suponga que quiere conocer la opinin de una comunidad donde hay 50 personas
adultas, N = 50. Cul es la es tamao de n mnimo a calcular?
Cul sera el valor de n con una ciudad de 50,000 habitantes?
Discuta que mtodo de muestreo usara si quiere estudiar la opinin de la gente de 12
barrios semejantes en cuanto a su nivel de vida y forma de de generar sus ingresos.

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

41

UNI Norte

Captulo 2. Teora Elemental de Probabilidades


Objetivos
Definir conceptos bsicos de probabilidad a partir de situaciones cotidianas.
Explicar las Reglas de Adicin y Multiplicacin de probabilidades en la resolucin de
problemas observables.

A travs del trabajo en equipo, valorar la importancia de utilizar probabilidad


condicional.

Construir ejemplos del uso del teorema de Bayes al describir situaciones de nuestro
entorno profesional.

2.1 Introduccin a las Probabilidades


Con esta teora se estudian fenmenos naturales
con el fin de descubrir regularidades en la ocurrencia
de

los

mismos.

Esta

ciencia

comenz

desarrollarse en la Francia Monrquica cuando los


aristcratas se preocuparon en el estudio de los
juegos de azar, dados, cartas, ruletas, etc.

Sin

embargo, hoy da, sus aplicaciones abundan en las


diferentes ciencias, por ejemplo su teora se usa en
el diseo de modelos de mejoramiento gentico,
anlisis de experimentos, predicciones del tiempo, prediccin de vida til de un equipo,
etc. En nuestra vida diaria aplicamos inconscientemente probabilidades cuando
compramos un billete de lotera o llevamos un paraguas cuando vemos el cielo
nublado.

2.2 Trminos Bsicos.


Experimento aleatorio: Es el proceso que permite obtener una o varias
observaciones, de los cuales no se puede predecir de antemano su resultado.
Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

42

UNI Norte

Espacio Muestral S : Todos los posibles resultados de un experimento.


Evento A: Algn resultado del experimento que nos interesa.
Ejemplo: Experimento: tirar un dado.
Espacio muestral = (1, 2, 3, 4, 5, 6)
Evento A = sale 3.
Probabilidades, definicin Clsica:
Si la probabilidad de un evento A se define como la
frecuencia relativa de A en el espacio muestral y se
denota como P(A).

P(A) = # casos favorables A / # casos Totales de


Es la definicin ms
antigua y se atribuye al matemtico francs Pierre Laplace
(1749- 1827); tambin se conoce con el nombre de
probabilidad a priori pues, para calcularla, es necesario conocer, antes de realizar el
experimento aleatorio, el espacio muestral y el nmero de resultados o sucesos
elementales que entran a formar parte del suceso.
La aplicacin de la definicin clsica de probabilidad puede presentar dificultades de
aplicacin cuando el espacio muestral es infinito o cuando los posibles resultados de un
experimento no tienen iguales probabilidades. Por ejemplo En un proceso de
fabricacin de artculos puede haber algunos defectuosas y si queremos determinar la
probabilidad de que uno que sea defectuoso, no podemos utilizar la definicin clsica
pues necesitaramos conocer previamente el resultado del proceso de fabricacin.
Para resolver estos casos, se hace una extensin de la definicin de probabilidad, de
manera que se pueda aplicar con menos restricciones, llegando as a la definicin
frecuencial de probabilidad
Probabilidades, definicin frecuencial:
Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

43

UNI Norte

P ( A )=lim
n

n( A)
n

La definicin frecuencial define la probabilidad de la proporcin o frecuencia relativa del


suceso como el lmite cuando n tiende al infinito. Es imposible llegar a este lmite, ya
que no podemos repetir el experimento un nmero infinito de veces, pero si podemos
repetirlo muchas veces y observar como las frecuencias relativas tienden a
estabilizarse.
En esta definicin frecuencial la probabilidad se llama tambin probabilidad a posteriori,
ya que slo podemos dar la probabilidad de un suceso despus de repetir y observar
un gran nmero de veces el experimento aleatorio correspondiente. En un experimento
aleatorio, en la medida que aumenta n, la frecuencia relativa de un suceso se
aproxima cada vez ms a su probabilidad terica, esto se conoce cmo la Ley de los
Grandes Nmeros.
Por ejemplo si en una regin hay 640 campesinos que siembran frijol de forma manual
y 160 con bueyes. En este caso hay 2 eventos: Siembra manual y
Siembra con bueyes y existen las probabilidades, P (bueyes) y la
P (manual), asociados ambas a la frecuencia de ocurrencia de
cada evento. La probabilidad que al elegir una parcela al azar
sta fue sembrada con bueyes, P (bueyes) es de 160/800 =
0.20 20 %.

2.3 Propiedades de la Probabilidad

0 P(A) 1

El evento A es ms probable que B P(A) P(B)

Un Evento cierto, que seguramente ocurre, tiene probabilidad 1.

Un Evento imposible, que nunca ocurrir, tiene probabilidad 0.

Tiene dos reglas bsicas que la estructuran: la regla del producto y la regla de la
suma.

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

44

UNI Norte

Regla del producto.


Si dos evento A y B son independientes si A no influye de ninguna manera en B
y viceversa. La probabilidad que los eventos independientes A y B ocurran al mismo
tiempo es P(A y B) = P (AB) = P(A) x P (B)= P( A B) , A interseccin B.
Por ejemplo si la Probabilidad de un nacimiento de un nio es 0.5, P (nio) = 0.5, la
probabilidad que dos mujeres su primer parto tengan hijos varones es un evento
independientes, uno no influye sobre otro, la P (nio, nio) es de 0.5 2 = 0.25
Una paradoja es que una persona que compra todas las semanas la lotera, para un
sorteo dado, tiene la misma probabilidad de sacar el premio mayor que una persona
que compr un nmero por primera vez.
Ejercicio 2.1: Estime la probabilidad que al elegir por sorteo dos estudiantes del grupo,
ambos sean varones. Se supone que la misma persona elegida en el primer sorteo
puede ser elegida en el segundo.
Determinar tambin cuales eventos forman es este caso.
Se considera que los sucesos son independientes: P(A) x P (B) es igual

P( A B) ,

Regla de la Suma.
Para que dos eventos A y B se puedan sumar directamente, estos deben ser
incompatibles, esto quiere decir que los eventos A y B no pueden ocurrir al mismo,
tiempo

P ( A B )=0 . Un ejemplo de eventos incompatibles es cuando tiro una vez un

dado y que salgan al mismo tiempo el nmero 1 y el nmero 6.


La probabilidad que ocurra A B para eventos incompatibles A y B es P(A B) =
P ( A )+ P ( B )=P( A B)
Si los eventos no son incompatibles P ( A B )=P ( A ) + P ( B )P( A B) . Esta sera la regla
general de la suma de probabilidades.
Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

45

UNI Norte

Ejemplo, si se arroja dos veces una moneda al aire, la probabilidad que salga una vez
escudo y el otro nmero sin importar el orden, es la probabilidad de los eventos
escudo, nmero y nmero, escudo. Debido a que son cuatro los eventos posibles

= escudo nmero, nmero escudo, nmero nmero y escudo-escudo y cada


uno con igual probabilidad, cada uno de esto eventos tiene una P

= 0.25,

de

ocurrencia. Por lo tanto la ocurrencia de escudo-nmero ms nmero escudo es de


P (n, e) + P (e, n)), que en valor de probabilidades es de P (0.25) + P (0.25) = 0.5
Ejercicio 2.1. En la matricula de primer ao de la universidad, 150 estudiantes son
originarios del departamento de Estel, 60 estudiantes del departamento de Nueva
Segovia y 100 estudiantes del resto del pas. Cul es la probabilidad que un
estudiante tomado al azar no sea del departamento de Estel?
Ejercicio 2.2. Si la probabilidad anual de que en una ciudad ocurra un movimiento
telrico mayor de 5 grados Ritcher es del 0.01 y la probabilidad que se inunde por
lluvias es del 0.02 anual. Cul es la probabilidad que en un mismo ao la ciudad sufra
un terremoto y una inundacin?
Ejercicio 2.3. Se hace un juego donde se tira un dado una vez, y se gana si sale el
nmero 1,2 3. Si sale un nmero diferente se pierde. Qu es ms probable perder o
ganar?

2.4 Probabilidad condicionada


Como la probabilidad est ligada a nuestra ignorancia sobre los resultados de la
experiencia, el hecho de que ocurra un suceso, puede cambiar la probabilidad de los
dems que ocurran luego. El proceso de realizar la historia de un caso, explorar y
realizar pruebas complementarias ilustra este principio, cuando ms se conoce de lo

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

46

UNI Norte

que ocurri, mejor puedo predecir el futuro, la probabilidad condicionada se nutre de


este principio.
La probabilidad de que ocurra el suceso A dado que ha ocurrido el suceso B es la
P (A\B), se denomina probabilidad condicionada y se define.

Si p (B) 0

La condicin que P (B) > 0, esto es necesario para una buena definicin de
probabilidad condicional. Es de notar que si A y B son sucesos independientes, la P
(A\B) es igual a la P(A), es otro enfoque de mirar independencia. Cmo regla general
se enuncia que:

Dos eventos A y B son independientes si y slo si: P (A\B) = P (A) y P (B\A) = P (B)

que es lo mismo:

A
De lo anterior se deduce que:

P ( A B ) =P

= P(A) x P (B)

Ejemplo: Se conoce que los estudiantes de la UNI tienen las siguientes preferencias
en el consumo de gaseosas:
Consumo de Gaseosas
por semana
No consume
1-5 veces
Ms de 5 veces
Total

Varones

Mujeres

30
50
20
100

Si de un grupo de jvenes del bar de la universidad,

10
25
15
50

Total
40
75
35
150

se selecciona al azar un

estudiante varn Cul es la probabilidad que ese que ese joven halla consumido ms
Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

47

UNI Norte

de 5 gaseosas por semana? En este problema ya no es necesarios conocer el nmero


total de estudiantes, porque al seleccionar a un individuo del sexo masculino, los
individuos del sexo femenino no son tomados en cuenta. Entonces se puede definir la
probabilidad deseada como Qu probabilidad existe de que un individuo beba ms
de 5 gaseosas a la semana dado que el individuo seleccionado sea varn? Esta es una
probabilidad condicional y se resuelve de la siguiente manera:
P(C+5\Sv) =

P(C+5 S v )
P( S v )

= (20/150) / (100/150) = 20/100= 0.2, donde C es por

consumo y S por sexo.


Ejercicio 2.4 Si se tiene una escuela de 200 alumnos distribuidos en tres aulas: A, B y
C. Por sexo: mujer, y varn; como sigue:
Aula/ Sexo
A
B
C
Total

Varn
20
30
56
106

Mujer
20
30
44
94

Cul es la probabilidad que un estudiante, sin importar el sexo, sea del aula B?
Cul es la probabilidad que un estudiante que pasa por el corredor sea del aula A, si
el estudiante es mujer?
2.5
En un aula hay 6 estudiantes realizando un examen, dos son mujeres y cuatro son
varones. Cul es la probabilidad que finalice una mujer de segunda dado que el
primero en finalizar fue un hombre?
Si la solucin es:

P
Explicar cmo se construyeron los valores 8/30 y 4/6?

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

48

UNI Norte

2.3 Teorema de Bayes


Regla de la probabilidad total
Si se tiene una particin de sucesos Ai que son un conjunto de sucesos mutuamente
excluyentes y que cubren todo el espacio muestral.
.

A1 A2 ... An = y Ai Aj = i j

A1

A2

An

Y si el conjunto de sucesos Ai que forman una particin del espacio muestral y sucede
que p (Ai) 0 Ai. Entonces si ocurre un suceso B dentro del mismo espacio muestral
y se cumple que:
P ( B ) =P ( B A1 ) + P ( B A 2 ) +..+ P ( B A n)

A1

A2

B
An

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

49

UNI Norte

Entonces se llamara a P (B) cmo probabilidad total, la cual se puede interpretar


como una media ponderada de los diferentes

B {A
.
P( i)

P (B) tambin se puede expresar cmo la sumatoria de las probabilidades


condicionadas por la probabilidad del evento A correspondiente.
B{A
B{A
B{A
B{A
n

P ( B ) =P ( 1 ) P ( A 1 ) + P ( 2 ) P ( A2 ) +..+ P ( n ) P ( A n )= P ( i ) P( Ai )
i=1

Planteo del Teorema de Bayes


El teorema de Bayes, enunciado por Thomas Bayes y publicada por primera vez en
1763, parte de una situacin en la que ocurran una serie de sucesos Ai que son una
particin completa de un espacio muestral y donde P (A i) 0. Pero tambin dentro
del mismo espacio muestral existe un suceso B, tal que P (B) 0, y que las
probabilidades de ocurrencia de B son distintas segn el suceso A i que haya ocurrido,
tal como se explica en la regla de la probabilidad total.
Conociendo que ha ocurrido el suceso B, la frmula del teorema de Bayes nos indica
como modifica esta informacin las probabilidades de los sucesos A i . Se resalta que al
disponer informacin de B se cambian las probabilidades de Ai. El teorema se presenta
algebraicamente de la siguiente manera:

Ai

B{A
B{A
P
Ejemplo con los datos de preferencias de consumo de gaseosas de los estudiantes de
la UNI se puede construir el siguiente diagrama de Bayes:
Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

50

UNI Norte

P= 0.27

P= 0.50

P= 0.23
Varn

Mujer

P= 0.25

No Consume

P= 0.33

P= 0.43

Mujer

1-5 Gaseosas

+ 5 Gaseosas

Resolviendo por Bayes, la probabilidad que una mujer no consuma gaseosas es:

NoC

P(NoC )

P
P

NoC

P
Ejercicio resuelto usando el teorema de Bayes:
Tres mquinas, A, B y C, producen el 45%, 30% y 25%, respectivamente, del total de
las piezas producidas en una fbrica. Los porcentajes de produccin defectuosa de
estas mquinas son del 3%, 4% y 5%.

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

51

UNI Norte

a. Seleccionamos una pieza al azar; calcula la probabilidad de que sea defectuosa.


(probabilidad Total)
b. Tomamos, al azar, una pieza y resulta ser defectuosa; calcula la probabilidad de
haber sido producida por la mquina B.
c. Qu mquina tiene la mayor probabilidad de haber producido la citada pieza
defectuosa?
Sea D= "la pieza es defectuosa" y N= "la pieza no es defectuosa". La informacin del
problema puede expresarse en el diagrama de rbol adjunto.
a. Para calcular la probabilidad de que la pieza elegida sea defectuosa, P(D), por la
propiedad de la probabilidad total,
P (Total) =P(D) = P(A) P(D\A) + P(B) P(D\B) + P(C) P(D\C) =
= 0.45 x 0.03 + 0.30 x 0.04 + 0.25 x 0.05 = 0.038
Resolucin por diagrama de rbol. Un diagrama de rbol es una representacin
grfica de un experimento que consta de pasos, donde cada uno de los pasos tiene un
nmero finito de maneras de ser llevado a cabo .

Prob.

Mquina

Prob.

Tipo de
produccin

0.45

0.30

Estadstica Bsica para Ingenieros

0.03

0.97

0.04

Luis Mara Dicovskiy Riobo

52

UNI Norte

0.25

0.96

0.05

0.095

b. Debemos calcular P(B\D). Por el teorema de Bayes,

D)

D)
P(A)P
P ( B) P
P
0.3(0.04)
12
= =0.316
(
)
(
)
0.45 0.03 + 0.3 0.04 +0.25( 0.05) 38
c. Calculamos P(A\D) y P(C\D), comparndolas con el valor de P(B\D) ya
calculado. Aplicando el teorema de Bayes, obtenemos:

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

53

UNI Norte

P
La mquina con mayor probabilidad de haber producido la pieza defectuosa es la A, sin
embargo las tres mquinas tienen probabilidades semejantes de producir piezas
defectuosas
Ejercicio 2.6 El reporte meteorolgico ha anunciado tres posibilidades para el da de
maana: que llueva: probabilidad del 50%, que salga el sol: probabilidad del 30% y
que est nublado: probabilidad del 20%.
Segn estos posibles estados meteorolgicos y datos histricos de comportamiento
vehicular, la posibilidad de que ocurra un accidente es la siguiente: si llueve:
probabilidad de accidente del 20%, si sale el sol: probabilidad de accidente del 10% y si
est nublado: probabilidad de accidente del 5%.
Si se sabe que ocurri un accidente,
Cul es la probabilidad de que haya llovido?
Cul es la probabilidad de que haya salido el sol?
Cul es la probabilidad de que haya estado nublado?
Ejercicio 2.7 Cierto artculo es manufacturado por tres fbricas: F1, F2 y F3. Se sabe
que la primera produce el doble de artculos que la segunda y que sta (F2) y la tercera
producen el mismo nmero de artculos (durante un perodo de tiempo especificado, el
mismo para las tres). Se sabe tambin que el 1.5% de los artculos producidos por las
dos primeras fbricas es defectuoso, mientras que en la tercera los es el 3.5%.
Se colocan juntos todos los artculos producidos por las tres fbricas y se escoge uno
al azar.
Cul es la Probabilidad de que un artculo sea Defectuoso?
Cul Fbrica tiene la mayor probabilidad de haber producido el artculo Defectuosos?

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

54

UNI Norte

2.4 Tcnicas de conteo: Combinaciones y Permutaciones


Las tcnicas de conteo son aquellas que son usadas para enumerar eventos difciles
de cuantificar de forma directa. Estas tcnicas sirven para construir probabilidades.
Dentro de estas tcnicas podemos diferencias las combinaciones y las permutaciones.
Combinaciones:
La expresin "Cm,n" representa las combinaciones de "m" elementos, formando
subgrupos de "n" elementos. Para calcular el nmero de combinaciones se aplica la
siguiente frmula:
Cmn =

m!
n ! ( mn ) !

El trmino " n! " se denomina "factorial de n" y es la multiplicacin de todos los


nmeros que van desde "n" hasta 1.
Por ejemplo: 4! = 4 X 3 X 2 X 1 = 24
Ejemplo: C10,4 son las combinaciones de 10 elementos agrupndolos en subgrupos de
4 elementos sin importar el orden:

C10,4

10!
10.9.8.7.6.5.4.3.2.1

210
4!(10 4)! (4.3.2.1)(6.5.4.3.2.1)

Se pueden formar 210 subgrupos diferentes de 4 elementos, a partir de los 10


elementos.
Por ejemplo: Si tomamos el conjunto A= {a, b, c, d}, cuntos subconjuntos de 2
elementos cada uno se pueden obtener?
Hacindolos se obtienen: {a, b}, {a, c}, {a, d}, {b, c}, {b, d}, {c, d}. Son seis los
subconjuntos.
Permutaciones:
Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

55

UNI Norte

La expresin "Pm,n" representa las variaciones de "m" elementos, formando subgrupos


de "n" elementos. En este caso, un subgrupo se diferenciar del resto, bien por los
elementos que lo forman, o bien por el orden de dichos elementos. Para calcular el
nmero de permutaciones se aplica la siguiente frmula:
Pmn=

m!
( mn ) !

Ejemplo: P(10,4) son las permutaciones de 10 elementos agrupndolos en subgrupos de


4 elementos:

P10,4

10!
10.9.8.7.6.5.4.3.2.1

5,040
(10 4)!
6.5.4.3.2.1

Podramos formar 5.040 subgrupos diferentes de 4 elementos, a partir de los 10


elementos.
Ejemplo: Sea A= letras {a, b, c, d}, cuntos subgrupos de dos letras se pueden
obtener?
Lo que se pide es formar permutaciones u ordenaciones de 2 letras, cuando el total de
letras es 4. En este caso n=2 y m =4. Las "palabras" de 2 letras formadas son: ab, ac,
ad, ba, bc, bd, ca, cb, cd, da, db, dc. En total son 12.
Ejercicio 2.7. De entre 9 personas debemos formar un equipo tcnico de 3 individuos.
Cuntas diferentes formas existen para formar el equipo?
Ejercicio 2.8. Una persona tiene 4 CD diferentes de msica clsica y 3 CD de msica
moderna, determine de cuantas maneras diferentes:
a) Puede acomodar solo los CD de msica clsica en un estante.
b) Si acomoda todos los CD a la vez.
Ejercicio 2.9. Una persona olvido su clave de acceso a una caja fuerte, la clave est
formada por 3 nmeros, determina cuantas formas diferentes puede tener la clave si no
se permite repetir los nmeros.
Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

56

UNI Norte

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

57

UNI Norte

Captulo 3. Variables aleatorias y sus distribuciones.


Objetivos
Aplicar el concepto de variable aleatoria con ejemplos de su campo laboral.
Explicar las distribuciones de variables discretas y continuas ms usadas en la
resolucin de problemas de investigacin de las ingenieras.

3.1 Distribuciones de Frecuencia, Introduccin.


Los modelos estadsticos son un puente entre la muestra observada y la
poblacin desconocida.
Hasta ste captulo nos hemos ocupado de descripciones de muestras usando tablas,
grficos y medidas como la media y la varianza. Pero generalmente nuestro inters va
ms all que una simple descripcin, suele haber inters en tratar de generalizar los
resultados de la muestra hacia el grupo total, es decir la Poblacin. Para generalizar
podemos usar modelos estadsticos tericos diseados por estadsticos famosos como
Gauss, Fisher, Gosset y otros.
Hoy en da los modelos estadsticos tericos son frecuentemente utilizados para
observar y comprender fenmenos naturales que implican el estudio de variables o
caractersticas de poblaciones naturales. El instrumento conceptual que permitir esta
generalizacin es un modelo de la poblacin, es decir una representacin simblica de
su comportamiento. Los modelos estadsticos van a actuar de puente entre lo
observado, la muestra y lo desconocido, la poblacin.
Las distribuciones de probabilidad estn relacionadas con las distribuciones de
frecuencias. Una distribucin de frecuencias terica es una distribucin de
probabilidades que describe la forma en que se espera que varen los resultados.

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

58

UNI Norte

Debido a que estas distribuciones tratan sobre expectativas de que algo suceda,
resultan ser modelos tiles para hacer inferencias y para tomar decisiones en
condiciones de incertidumbre.
Las distribuciones de probabilidad son idealizaciones de los polgonos de frecuencias.
En el caso de una variable estadstica continua consideramos el histograma de
frecuencias relativas, y se puede comprobar que al aumentar el nmero de datos y el
nmero de clases el histograma tiende a estabilizarse llegando a convertirse su perfil
en la grfica de una funcin.
Una distribucin de frecuencias son las frecuencias observadas de todos los resultados
de un experimento que se presentaron cuando ya se efectu el experimento, es
emprica. Mientras que una distribucin de probabilidad es un listado de las
probabilidades de todos los posibles resultados que podran obtenerse si el
experimento se va a llevar a cabo, es terica.
Las distribuciones de probabilidad pueden basarse en consideraciones tericas o en
una estimacin subjetiva de la posibilidad. Se pueden basar tambin en la experiencia.
Las distribuciones de probabilidad se clasifican como continuas y discretas. En la
distribucin de probabilidad discreta la variable aleatoria, la que toma los posibles
resultados del experimento, slo toma un nmero limitado de valores, por ejemplo que
un ladrillo tomado sea defectuoso o no. En una distribucin de probabilidad
continua, la variable que se est considerando puede tomar cualquier valor dentro de
un intervalo dado, por ejemplo los ladrillos de una poblacin que pesen entre 1,5-1,6
Kg. Las distribuciones discretas se asemejan a las distribuciones continuas, cuando
stas tienen muchos resultados posibles, todos muy cercanos entre s.

3.2 Variables aleatorias.


Una variable es aleatoria si toma los valores de los resultados de un experimento
aleatorio. Esta variable puede ser discreta o continua. De manera general se puede
decir que si el experimento toma un nmero finito de valores o un nmero infinito pero
Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

59

UNI Norte

numerable, que se puede contar, tenemos una variable aleatoria discreta. En el otro
extremo, si el experimento puede tomar cualquier valor dentro de un intervalo dado,
entonces se trata de una variable aleatoria continua, generalmente son aquellas
variables que se miden se pesan. Las variables aleatorias definidas sobre espacios
muestrales discretos se llaman variables aleatorias discretas y las definidas sobre
espacios muestrales continuos se llaman continuas.
Se puede pensar en una variable aleatoria como un valor o una magnitud que cambia
de una presentacin a otra, sin seguir una secuencia predecible. Los valores de una
variable aleatoria son los valores numricos correspondientes a cada posible resultado
de un experimento aleatorio.
Una variable aleatoria asocia un nmero o ms generalmente una caracterstica a todo
resultado posible del experimento. Por ejemplo, si consideramos el experimento que
consiste en realizar mediciones de la concentracin de un producto en una solucin,
nos interesa la variable aleatoria X= valor medido de la concentracin de azcar en
una salsa. Otro ejemplo de variable aleatoria asociada a un proceso de fabricacin, al
experimento de escoger un elemento producido, y considerar la variable aleatoria X=
duracin de vida de un monitor de una computadora hasta el fallo. Ambas variables
anteriores son continuas. Un ejemplo de variable aleatoria discreta es el nmero de
nmero de televisores fallados por lote de produccin mensual.
La distribucin de probabilidad de una variable aleatoria proporciona una probabilidad
para cada valor posible, y estas probabilidades en su totalidad deben sumar uno.
Funcin de densidad de probabilidad: Es la funcin que mide la concentracin de
la probabilidad alrededor de los valores de una variable aleatoria. A cada valor de una
variable aleatoria discreta o a un intervalo de una variable aleatoria continua, le
corresponde una probabilidad asociada.
Ejemplo: Va a nacer tres bebes. Representamos varn por v y nia por .

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

60

UNI Norte

S = {vvv, vv, vv, vv, v, v, v, }


La probabilidad de cada suceso elemental es 1/8. Por ejemplo p (vvv)=1/8, ya que la
probabilidad de nacer un varn en un nacimiento es 1/2 segn la definicin clsica y los
nacimientos son independientes, p (vvv)= ()3.
Si se define la variable aleatoria. X: nmero varones nacidos en 4 partos, la cual puede
tomar los valores {0, 1, 2, 3, 4}. Se buscan todos sucesos de la muestra que dan lugar
a cada valor de la variable y a ese valor se le asigna la probabilidad del suceso
correspondiente.

Sucesos

px

{}

1/16

{v, v, v, v}

4/16

{vv, vv, vv, vv, vv, vv}

6/16

{vvv, vvv, vvv, vvv}

4/16

{vvvv}

1/16

A esta funcin px se le denomina funcin densidad de probabilidad (fx), que acta de


distinta manera en las variables discreta que en las continuas. En el caso de las
variables discretas, como en el ejemplo, es una funcin que da una probabilidad a cada
valor de la variable.

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

61

UNI Norte

Grfico de Funcin de Densidad

Probabilidad

0.39
0.31
0.22
0.13
0.05

Nro Nios

Sin
embargo

para las variables continuas la probabilidad de que una variable tome cualquier valor
concreto es 0, por lo tanto la fx slo permite calcular la probabilidad para un intervalo
del tipo (a<X<b), mediante el rea bajo la curva de la fx.
Para las variables aleatorias de inters hay tablas, y programas de computacionales,
donde buscar esos valores.
Distribucin acumulativa o funcin de distribucin. Funcin que acumula
probabilidades asociadas a una variable aleatoria. Su notacin es F(x) = p (X x).
Para el ejemplo anterior, F (X) es:

fx

Fx

1/16

1/16

4/16

5/16

6/16

11/16

4/16

15/16

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

62

UNI Norte

1/16

En variables continuas F (X) = P (X < a) =

16/16

f ( x)dx

La probabilidad de que la variable est dentro de un intervalo [a - b] se calcula:


P (a< x < b) = F (b) F (a)
La probabilidad de que la variable continua tome un valor particular se puede expresar
como: F(c) - F(c) = 0. Esto explica la idea de que para el caso de una variable aleatoria
continua no tiene sentido trabajar con la probabilidad de un valor particular, ya que esta
vale 0. Por ejemplo de una poblacin de personas, la probabilidad que una persona
mida exactamente 1.75000 cm es de cero. Sin embargo hay probabilidad para un
intervalo dado de altura como 1,70-1.80 cm, esto es un rea bajo una curva de
probabilidad.
Parmetros caractersticos de una funcin de densidad de probabilidad,
esperanza y varianza.
Valor esperado o esperanza matemtica o promedio

x E ( x) xf ( x)

xf ( x)dx

x E ( x)

Caso discreto

Caso continuo

Cambio de variable, si X es una variable aleatoria cualquier funcin de ella, h(x), es


tambin una variable aleatoria, en consecuencia tambin se define el promedio es esta
nueva variable aleatoria de la siguiente manera.

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

63

UNI Norte

x E h( x ) h( x ) f ( x )

Caso discreto

h( x) f ( x) dx

x E h( x )

Caso continuo

Ejemplo con una variable discreta: Se tira un dado y se define como variable aleatoria
el nmero que sale Cul es su media?
La variable X puede tomar los valores 1, 2,..., 6 y para todos ellos f(x) = 1/6. En
consecuencia la media es
6

1
1
1
x = xf ( x )=1 +2 + +6 =3.5
6
6
6
x=1

Obsrvese que el promedio es un nmero terico que la variable aleatoria discreta no


puede alcanzar.
Si se define ahora una nueva funcin sobre X: h(x)= C$ a pagar, qu se define de la
siguiente manera: si X sale 1 2 h(x) 90 C$, si X sale 3 h(x) 450 C$ y si X sale 4, 5 6
h(x) es 0 C$.

Estadstica Bsica para Ingenieros

h(x)

90

90

450

Luis Mara Dicovskiy Riobo

64

UNI Norte

Cul es el valor medio de esta nueva funcin?


6

1
1
1
x = h ( x ) f ( x )=90 + 90 + 450 +0+ 0+0=105
6
6
6
x=1

Qu significa 105? es el valor promedio luego de jugar mucho tiempo, si se juega un


nmero grande de veces la ganancia final es como si en cada jugada se hubiera
ganado 105 C$. Si la apuesta costara menos de eso el juego sera ventajoso para el
jugador, si costara ms, sera para la banca. Se debe considera que el juego sera justo
si la apuesta costara exactamente 105 C$, igual probabilidades de ganar por la banca y
por el jugador. Como regla general los juegos de azar son injustos para el jugador y
ventajosos para el casino. La estadstica nos ensea que el jugador consuetudinario de
casino a la larga siempre pierde.
Varianza
Es una medida de variabilidad de la variable aleatoria y se define como:
2x =E(x x )2
Para el clculo se usa sta otra frmula equivalente:
2x =E ( x 2 )2x

Qu mide la varianza? Mide la dispersin de la variable aleatoria alrededor de la


media.
Ejemplo de clculo de varianza:
Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

65

UNI Norte

Si ocurren tres nacimientos de bebes, la esperanza y la varianza de la variable


aleatoria X varones nacidos es:
E (X) = 0 x 1/8 + 1 x 3/8 + 2 x 3/8 + 3 x 1/8 = 3/2= 1,5
2x =E ( x 2 )2x = 02 x 1/8 + 12 x 3/8 + 22 x 3/8 + 32 x 1/8 (3/2)2 =
2

3
=0.866
4
x =

x =

Ejercicio 3.1: En los casino el juego de ruleta mesa tiene 38 nmeros, esto incluye el
nmero 0 y doble 00. Si usted apuesta una moneda a un nmero y gana, el casino le
paga 36 monedas. Este es un juego justo? Justificar la respuesta.

El Desvo Estndar y el Teorema de Chebyshev


Es conocida en el rea de la probabilidad y estadstica, la desigualdad de Chebyshev,
matemtico Ruso del siglo XIX, que dice que la probabilidad de que una variable
aleatoria est distanciada de su media en ms de a veces la desviacin estndar, es
menor o igual que

1
2 . Si E(x) es la media (o la esperanza matemtica) y
a

es el

desvo estndar, entonces podemos redefinir la siguiente relacin:


P (|xE ( x )| a )

1
2
a

P (|xE ( x )| 2 ) 0.25 P (|xE ( x )|<2 0.75 )


Tomando en cuenta el teorema de Chebyshev se puede resumir las siguientes reglas
sobre el uso del desvo estndar:

Segn el teorema de Chebyshev, y sin importar el tipo de distribucin de los


datos, se cumple que:

El intervalo x 2 S contendr al menos de los datos.

El intervalo x 3 S contendr al menos 8/9 de los datos.

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

66

UNI Norte

Ejercicio 3.2 Una industria produce ventanas cuya ancho tiene una media de 250 cm
y una desviacin estndar de 1.80 cm Construya un intervalo donde se encuentre al
menos el 8/9 de los datos?

3.3 Distribucin Normal


La distribucin Normal es un modelo terico para variables aleatorias y continuas y
representa la distribucin de frecuencias de una poblacin de valores.
La curva normal es una campana simtrica cuya forma y posicin depende de dos
parmetros

media poblacional, que se localiza en el centro de la del eje horizontal.

desviacin estndar que determina el ancho de la curva.

Para una variable x con media y desviacin estndar que est normalmente
distribuida, escribimos: x es N (, ).
La funcin de densidad de la distribucin normal es:
2

1
f (x) =
e
2

(x)
2
2

Ejemplo de una distribucin de frecuencias de mg. de aflotoxinas (toxinas) en maz y la


curva Normal terica que genera el programa SPSS.

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

67

UNI Norte

Histograma de frecuencias y curva terica Normal


30

20

Frecuencia

10

0
5

10

15

20

25

30

35

40

45

50

55

60

65

70

Cantidad de Aflatoxinas en mg en maiz

Si un Distribucin de datos tiene aproximadamente el perfil o forma de campana se cumple


que:

El intervalo

El intervalo 2 contendr aproximadamente el 95 % de los datos.

El intervalo 3 contendr aproximadamente casi la totalidad de los datos, 99.74

contendr aproximadamente el 68 % de los datos.

%.

Un tipo de distribucin Normal especial es la distribucin Normal Tipificada (0,1),


simbolizada con la letra z. Esta distribucin se usa mucho para resolver pruebas de
hiptesis ya que cualquier dato xi de una variable normal ( , ) se puede convertir
en dato zi de una variable normal tipificada con la siguiente transformacin:

Z i=

x i

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

68

UNI Norte

Luego con una tabla normal tipificada es fcil determinar probabilidades por intervalos
para diferentes valores de la variable x. Esta distribucin funciona relativamente bien
para hacer probabilidades cuando se tiene ms de 30 datos, y estos tienen una
distribucin en forma de campana. A continuacin se observa un grfico de una
distribucin normal tipificada (0,1) donde est sombreado un intervalo de

1.96

desvi estndar.
Funcin de densidad distribucin normal tipificada
0.40

Normal(0,1): p(evento)=0.9500

Densidad

0.30

0.20

0.10

0.00
-3.00

-2.00

-1.00

0.00

1.00

2.00

3.00

Variable

Ejercicio 3.3. Si la media de edad de los alumnos de la universidad es de 21 aos, con


un desvo estndar de 3.2 aos. Cul es la probabilidad que un estudiante tenga ms
de 28 aos?
Z 28=

( 2821)
=2.1875
3.2

, se debe buscar la P (z i 2,1875) en una tabla normal

tipificada que resulta como 0.5 - 0.4854 (el valor de tabla) = 0.014. Este problema se
puede resolver grficamente usando el programa INFOSTAT, con el mdulo
aplicaciones didcticas.

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

69

UNI Norte

Funcin de densidad
Normal(21,10.24): p(evento)=0.0144
0.13

Densidad

0.09
0.06
0.03
0.00
5.00

13.00

21.00
Variable

29.00

37.00

El rea sombreada es la respuesta, que un estudiante tenga ms de 28 aos y tiene


una probabilidad de 0,014.
Ejercicio 3.4 Una fbrica produce puertas cuya altura tiene una distribucin normal con
media de 250 cm y una desviacin estndar de 2.60 cm
Cul es la probabilidad que una puerta seleccionada de este grupo tenga una altura
entre 244 y 255 cm?
Ejercicio 3.5 Una poblacin de nios en edad escolar tiene una media de 11.5 aos y
un desvo estndar de 3 aos. Cul es la probabilidad de que un nio sea entre 8.5 y
14.5 aos, ms de 10, y menos de 12?
Ejercicio 3.6 La media de notas de un grupo de estudiantes es 70 y el desvo
estndar es 10. Cul es la probabilidad que un estudiante obtenga ms de 80 puntos?
Cul es la proporcin de aplazados esperados (P<60 puntos)?
Ejercicio 3.7 Se producen quesos con un dimetro es 35cm y se acepta una varianza
de 0.1 cm2. Si por problemas de envase se rechaza productos con dimetros menores

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

70

UNI Norte

a 34.5cm y mayores a 35.5 Cul es la probabilidad de rechazo de la produccin por


problemas de envase?

3.4 Distribucin t de Student


La curva Normal y Normal Tipificada son modelos tericos adecuados para describir
muchas poblaciones, basndose en dos parmetros y . Sin embargo por lo general
trabajamos con muestras, con y desconocidos, lo que da inseguridad sobre el uso
de la distribucin Normal cuando se desconocen estos parmetros. Un investigador,
Gosset (seudnimo Student) estudi ste problema y lleg a la conclusin que la
distribucin Normal no funciona bien con muestras pequeas, de tamao menor a 30
datos, y dise una distribucin que supera este problema. Luego esta distribucin se
llamara t de Student en honor a Gosset.
Esta distribucin es simtrica, con forma de campana y su media vale 0. Cuando hay
pocos datos la campana es ms aplanada que una campana Normal, con de 30 datos
la distribucin t es casi igual que la distribucin Normal Tipificada (0,1).
Esta Distribucin se usa mucho para construir de intervalos de confianza de y para
realizar pruebas de hiptesis de uno y dos medias, con variables continuas.

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

71

UNI Norte

Funcin de densidad Distribucin "t"


0.40

n=100

n=10

Densidad

0.30
n=1

0.20

0.10

0.00
-5.00

-2.50

0.00

2.50

5.00

Variable
Se observa que a ms datos, la campana es ms alta, con valores menos dispersos y
semejante a una curva Normal.
Ejemplo Se sabe que la media histrica de edad de los estudiantes de una universidad
es de 21 aos. Cul es la probabilidad que un grupo de 30 estudiantes tenga un
promedio de edad mayor a 22 aos? En este grupo se calcul S, desvo estndar, y
este era de 5 aos La forma de clculo del estadstico es

En este caso

t=

2221
5 / 29

t=

x
S / n1

=0.92. La probabilidad de ste valor se resuelve

grficamente con el mdulo de aplicaciones didcticas de INFOSTAT, P vale 0.18.


Grfico de Funcin de Densidad de la Distribucin t, n=29

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

72

UNI Norte

Funcin de densidad
T Student(29): p(evento)=0.1805

0.40

Densidad

0.30

0.20

0.10

0.00
-5.18

-2.59

0.00
Variable

2.59

5.18

Ejercicio 3.9 Histricamente se venden postes con un dimetro de 25cm, y con una
varianza de 64 cm. Si el comprador rechaza un lote si este tiene un promedio de
dimetro menor a 24 cm. Cul es la probabilidad de rechazar un lote de 100 postes?
Resolver con el mdulo didctico de INFOSTAT.

3.5 La distribucin X2 de Pearson


La distribucin X2, X es la minscula de la letra griega ji, se genera a partir de n
variables aleatorias independientes normales con media 0 y varianza 1. Si
realizamos la siguiente operacin:

2n=z 21 + z 2n

Es decir elevamos los n valores generados al cuadrado y los sumamos. Si aplicamos


este procedimiento muchas veces, obtendremos la distribucin de una variable que
solo depende del nmero de sumandos, n. Esta distribucin se denomina X 2 con n1 grados de libertad. Esta distribucin no posee valore negativos por ser creada a
partir de suma de valores cuadrados.
Este tipo de distribucin se usa en pruebas de hiptesis sobre:
Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

73

UNI Norte

Distribuciones, por ejemplo para verificar si una distribucin observada se


comporta como una distribucin Normal.

Independencia, para verificar si dos variables nominales son independientes o


no.
Funcin de densidad de una Distribucin Chi cuadrada
0.24

D ensidad

0.18

0.12

0.06

0.00
0.00

3.81

7.62

11.44

15.25

Variable

3.6 La distribucin F de Fisher.


La distribucin F de Fisher surge del cociente de dos distribuciones X 2
independientes, con n y m grados de libertad respectivamente. Un valor F se
define matemticamente de la siguiente manera:
2n
n
F n , m= 2
m
m
La distribucin de F es asimtrica y comienza del valor 0, no posee valores
negativos, al igual que la distribucin X2.
Este tipo de distribucin se usa mucho con pruebas de hiptesis de medias, Anlisis de
Variancia, donde:

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

74

UNI Norte

Hiptesis nula, las medias de los tratamientos pertenecen a una mismo media
H 0 : x 1 , x 2 x n

poblacional

Hiptesis alternativa, al menos una media de los tratamientos evaluados no


pertenecen a la misma media poblacional

H 0 : x 1 , x 2 x n

Funcin de densidad de una distribucin "F"


0.6

D e n sid a d

0.5

0.3

0.2

0.0
0.00

4.14

8.29

12.43

16.57

Variable

3. 7 La distribucin Binomial
Se usa con variables discretas, es decir cuyos valores son contables. Este modelo se
aplica a poblaciones finitas de las que tomamos elementos al azar con
reemplazamiento y tambin a poblaciones conceptualmente infinitas, como son piezas
que generara una mquina, siempre que el proceso generador sea estable (proporcin
de pieza defectuosas constante a largo plazo) y sin memoria (el resultado en cada
momento es independiente de lo previamente ocurrido).
Un experimento Binomial tiene las siguientes caractersticas:

Las observaciones se clasifican en dos categoras, por ejemplo A = aceptable y


D = defectuoso.

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

75

UNI Norte

La proporcin de elementos A y D en la poblacin es constante y no se


modifica, siendo en este caso p la probabilidad de defectuosos y q la
probabilidad de aceptables.

Las observaciones son independientes, es decir que la probabilidad de elemento


defectuoso es siempre la misma y no se modifica por cualquier combinacin de
elementos defectuosos o aceptables observados.

Ejemplos de este proceso son:

Observar cinco varones en 12 nacimientos.

Ganar 4 veces apostando a docena en diez tiradas sucesivas de una ruleta

La aparicin de 10 plantas planta enferma en 100 plantas de cultivo.

Tener 5 ladrillos defectuosos en un lote de 500 ladrillos.

Generalizando, la variable binomial posee siempre 2 eventos, por ejemplo A y B. Se


define como x:

x = nmero de elementos del evento A al observar n


experimentos
Conociendo que:

p es la probabilidad de ocurrencia del evento A

q es la probabilidad de ocurrencia del evento B

Siendo q = 1-p. Por lo tanto la probabilidad de encontrar x elementos que cumplen el


evento A luego de n repeticiones del experimento, se define como P (x):

P (x) =

Siendo

(nx)

(nx) p q
x

nx

siendo x = 0, 1, ..., n

las posibles combinaciones de ocurrencia de x en n experimentos que

se resuelve de la siguiente manera:

Estadstica Bsica para Ingenieros

n!
(nx)= x ! ( nx
)!

Luis Mara Dicovskiy Riobo

76

UNI Norte

Estos problemas se pueden resolver directamente o con una tabla de probabilidades


binomiales.
Una distribucin binomial B(n, p) se parece a una normal tanto ms cuanto mayor es
el producto n p. Cuando n p superan el valor 5, la aproximacin es casi perfecta.
En estas condiciones:

B(n, p) se aproxima a un distribucin normal,

N ( np, npq )

Veamos un ejemplo donde se usa esta distribucin,


Ejemplo 1 Cual es la probabilidad de nacer 5 varones en 12 nacimientos? Este
problema se puede resolver con un diagrama de rbol de probabilidades, pero se hace
muy complicado. Por distribucin Binomial se resuelve el problema de la siguiente
manera.
Si sabemos que:

A evento varn

B evento no varn, es decir mujer.

p probabilidad de varn = 0.5

q probabilidad de mujer = 0.5

n son 12 nacimientos totales

x son 5 nacimientos de varones

Por lo tanto:

P (5 varones) =

12

5
12 5
0 .5 0 .5

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

77

UNI Norte

12

Donde

12!/ 5!(12 5)!

P (5 varones) =

= 792

792(0.5 5 )0.5 7

= 792 (0.03125) (0.0078125) = 0.19

Ejemplo. Existe una empresa que produce vasos, y se sabe que histricamente el 2 %
de estos salen fallados. Por otro lado existe un comprador que tolera el 2 % de fallos, si
el valor es mayor rechaza el lote completo que quiere comprar. Se decide tomar una
muestra de 100 vasos, Cul es la probabilidad de que el comprador acepte el lote?
P ( x 2 ) =P ( x=0 ) + P ( x =1 )+ P ( x=2 ) =0.67

( )
P ( x=1 )=( 100 ) 0.02 0.98 =0.27
1
P ( x=1 )=(100 ) 0.02 0.98 =0.27
2

P ( x=0 )= 100 0.020 0.98100 =0.13


0
1

99

98

Ejercicio 3.10 El Ministerio del Trabajo reporta que 20% de la fuerza de trabajo en un
pueblo est desempleada. De una muestra de 14 trabajadores, calcule las siguientes
probabilidades con la frmula de la distribucin binomial (n=14, p=0.2): Resuelva:
1. Tres estn desempleados: P(x=3)=.250
2. Al menos un trabajador est desempleado:
P(x 1) = 1 - P(x=0) =1 - .044 = .956
3. A lo ms dos trabajadores estn desempleados:
P(x 2)=.044 +.154 +.250 =.448
Ejercicio 3.11 Si el 20% de las piezas producidas por una mquina son defectuosas,
cul es la probabilidad de que entre cuatro piezas elegidas al azar, a lo sumo 2 sean
defectuosas?

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

78

UNI Norte

Ejercicio 3.12 Si de seis a siete de la tarde se admite que un nmero de telfono de


cada cinco est comunicando, cul es la probabilidad de que, cuando se marquen 10
nmeros de telfono elegidos al azar, slo comuniquen dos?

3.8 Distribucin de Poisson


El lmite de la distribucin binomial donde la probabilidad de xito es muy pequea y n
es grande se llama distribucin de probabilidades de Poisson. La distribucin de
Poisson es una distribucin de probabilidad discreta que expresa la probabilidad de un
nmero de eventos ocurriendo en un tiempo fijo si estos eventos ocurren con un valor
medio conocido, y son independientes del tiempo desde el ltimo evento. La
distribucin fue desarrollada por Simen Poisson en 17811840.

Esta distribucin permite construir probabilidades de una variable binomial,


slo conociendo el valor de su promedio histrico,
La distribucin de Poisson se puede describir matemticamente por la frmula:
P ( x )=

x
x!

Donde es la media aritmtica del nmero de ocurrencias en un intervalo especfico de


tiempo,

es la constante 2.71828 y X es el nmero de ocurrencias.

El nmero medio de xitos, , se puede determinar en situaciones binomiales por n p,


donde n es el nmero de ensayos y p la probabilidad de xito. La varianza de la
distribucin de Poisson tambin es igual a n p.
En general utilizaremos la distribucin de Poisson como una aproximacin de
experimentos binomiales donde el nmero de pruebas es muy alto, pero la probabilidad
de xito muy baja. En la prctica esta distribucin se utiliza para calcular la
probabilidad de un nmero especfico de eventos, durante un perodo o espacio
particular. El tiempo o la cantidad de espacio suele ser la variable aleatoria.
Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

79

UNI Norte

Ejemplo: Se est haciendo un estudio para ampliar una terminal de taxis y se sabe que
en las horas de la tarde de 6-10 PM el nmero medio de llegadas es 4.0 personas por
hora.
Cul es la probabilidad de 4 llegadas en una hora?
P (4) = (44) (e-4) / 4!= 0.1954.
Ejercicio 3.13 La produccin de computadoras trae asociada una probabilidad de
defecto del 1.5%, si se toma un lote o muestra de 100 computadoras, obtener la
probabilidad de que existan 4 computadoras con defectos.
Ejercicio 3.14 Se calcula que en la ciudad el 20% de las personas tienen aficin a
mirar TV de noche,

si tomamos una muestra de 150 personas al azar Calcular la

probabilidad de que 25 de ellos tengan el hbito de mirar TV de noche?


Ejercicio 3.15 El 6% de los registros contables de una empresa presentan algn
problema, si un auditor toma una muestra de 50 registros Calcular probabilidad de
que existan 5 registros con problemas?
Ejercicio 3.16 Si cada una de las 18 gallinas de un gallinero pone 0.5 huevos al da. Si
se recogen los huevos cada 8 horas.
Cul es el nmero medio de huevos que se recogen en cada visita? Con qu
probabilidad encontraremos x huevos para x = 0,1, 2, 3? Cul es la probabilidad de
que x 4?
Ejercicio 3.17

Como una forma de hacer control de calidad en una empresa

comercializadora de puertas de madera, el dueo exige que antes de salir de la fbrica


cada puerta sea revisada en busca de imperfecciones en la superficie de madera. El
encargado de control de calidad encontr que el nmero medio de imperfecciones por
puerta es 0,5. El dueo decidi que todas las puertas con dos o ms imperfecciones
sean rechazadas y sean devueltas para su reparacin.
a. Cul es la probabilidad de que al menos una puerta pase la inspeccin?

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

80

UNI Norte

Captulo 4. Estimacin y prueba de hiptesis.


Objetivos

Desarrollar el concepto de estimacin de parmetros desde los aprendizajes de


los captulos anteriores.

Explicar cmo una prueba de hiptesis sirve para contestar preguntas de


investigacin.

Diferenciar grupos o tratamientos de conjunto de datos, utilizando pruebas de


Student, pruebas de varianzas.

Realizar pruebas de independencia chi cuadrado con ejemplos aplicables a su


carrera.
Se debe poder hacer conclusiones generales para toda la
poblacin, a partir del estudio de las muestras.

4.1 Estimacin por Intervalos de Confianza.


En estadstica difcilmente se conoce el valor exacto de los parmetros, (Ej.: y ) de
una poblacin, sin embargo estos se pueden estimar. Por lo tanto podemos definir
estimacin al conjunto de tcnicas que permiten dar un valor aproximado de un
parmetro a partir de estadsticos, generados por los datos (Ej.: x
estimador puntual de un parmetro

S, n). Un

es un valor que puede ser considerado

representativo de este y se obtiene a partir de alguna funcin de la muestra, por Ej.,


x

media muestral, estima puntualmente , la media poblacional. Una propiedad

que se suele pedir a los estimadores es que no tengan sesgo, lo que significa que el
valor esperado, esperanza del estimador, es igual al parmetro a estimar, esta
propiedad la tiene la media aritmtica y la varianza.
La estimacin por intervalos consiste en la obtencin de un intervalo dentro del cual
estar el valor del parmetro estimado, con una cierta probabilidad. Un uso de la

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

81

UNI Norte

distribucin Normal y de la t de Student es la creacin de Intervalos de confianza,


estimacin por intervalos, de las medias poblacionales, .
La media poblacional, , se estima por un intervalo calculado a partir de S y

, de

muestras.
El intervalo de confianza de con un 95 de confianza, IC

95 %,

es el ms usado y para

muestras de ms de 30 datos se calcula como:

IC 95 % de = x 1.96 ( s / n )

Para menos de 30 datos se usa:


IC 95 % de = x t95 ( s / n 1) ,
Donde t es el valor dado por la distribucin t de Student con n-1 Grados de
Libertad, para un 95 % se busca el valor del t 0.975, ya que esta es una prueba de
dos colas.
El IC

95 %

nos dice que con un 95 % de confiabilidad en este intervalo encuentro la

media de la poblacin, el cual desconozco. Para esto necesito conocer de la muestra


los siguientes estadsticos: x

El grfico de IC

95 %

, S y n.

se usa cuando se cruza una variable discreta que genera grupos,

con una variable continua. En este grfico se observan las medias de cada grupo con
sus intervalos de confianza al 95 %, estos en forma de dos rayas. Veamos un ejemplo
de este tipo.

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

82

UNI Norte

Grfico de Medias e Intervalos de Confianza de , t95%, desagregada por sexo,


de la Edad de una poblacin adulta.
49

48

47

I de C al 9 5% de la Edad

46

45

44

43
42
Ho mbre

Mujer

Sexo

En este tipo de grfico es interesante observar si los intervalos de confianza de las


diferentes medias tienen valores superpuestos, ya que si es as, al hacer una prueba
de hiptesis lo ms probable que la respuesta sea de hiptesis nula, es decir las
medias superpuestos pertenecen a una misma media poblacional.
Ejercicio 4.1 Una fbrica produce puertas, una muestra de 50 de stas arroja que
tienen una altura media de 250 cm y una desviacin estndar de 2.60 cm. Construir
el intervalo de confianza de la media poblacional?

4.2 Generalidades de las pruebas de Hiptesis


Una prueba de hiptesis es una pregunta relativa a una o varias poblaciones, que
puede ser cierta o no y que se va a responder a partir de los datos de muestrales. Las
hiptesis estadsticas se pueden contrastar con la informacin generada de las
muestras y siempre se tienen el riesgo que si se aceptan como si se rechazan se
puede cometer un error. En las ingenieras las pruebas de hiptesis se suelen utilizar

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

83

UNI Norte

cuando se evalan nuevas tecnologas, tomando cmo referencias la tecnologa


tradicional
La hiptesis formulada con intencin de rechazarla se llama hiptesis nula y se
representa por H0. Rechazar H0 implica aceptar una hiptesis alternativa (HA).
Cuando se acepta o se rechaza una hiptesis puede ocurrir que:

H0 rechazada
H0 no rechazada

H0 cierta

H0 falsa

Error tipo I ()
Decisin correcta

HA cierta
Decisin correcta
Error tipo II ( )

= probabilidad de rechazar H0 siendo H0 cierta.


= probabilidad de aceptar H0 siendo H0 falsa.

Se debe tener un cuenta qu generalmente es ms peligroso el error de tipo I, que


suele significar cambiar la tecnologa tradicional por una nueva cuando esto no se
deba hacer, en cambio el error de tipo II suele significar que se rechaza una nueva
tecnologa cundo lo correcto era aceptarla cmo mejor.

El concepto es que

generalmente es mejor ser conservador, no captar el cambio sino estoy muy seguro
que este es ventajoso.
Los pasos necesarios para realizar un contraste relativo a un parmetro son:
1.

Establecer la hiptesis nula en trminos de igualdad


H0: = 0

2. Establecer la hiptesis alternativa, que puede hacerse de tres maneras,


dependiendo del inters del investigador
H0: 0 > 0 < 0
Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

84

UNI Norte

En el primer caso se habla de contraste bilateral o de dos colas, utilizada generalmente


con la distribucin Normal o la t de Student. En los otros dos casos se tiene un
contraste lateral derecho en el segundo caso, o izquierdo en el tercer caso, ambos
son pruebas de una cola. Con la distribucin X2 y la F, por ser distribuciones
asimtricas positivas los contrastes son unilaterales por el lado derecho.
Elegir un nivel de significacin: nivel crtico para generalmente del 5 % en las

ingenieras. En ciencias sociales se suele aceptar un del 10%.


4. Elegir un estadstico de contraste: Este estadstico de contraste es un estadstico
cuya distribucin es conocida en H 0, que est relacionado con y permite establecer,
en base a dicha distribucin, la regin crtica: regin en la que el estadstico calculado
tiene una probabilidad menor que
Obsrvese que, de esta manera, se est ms seguro cuando se rechaza una hiptesis
que cuando no. Por eso se fija como H 0 lo que se quiere rechazar. Cuando no se
rechaza, no se ha demostrado nada, simplemente no se ha podido rechazar. Por otro
lado, la decisin se toma en base a la distribucin de la muestra en H 0.
5. Calcular el estadstico para una muestra aleatoria y compararlo con la regin
crtica. Si el estadstico tiene en valor absoluto, un valor menor al valor tabular de la
distribucin conocida correspondiente al se acepta H 0.
Esto es equivalentemente calcular el "valor p" del estadstico (probabilidad de obtener
ese valor, u otro ms alejado de la H 0, si H0 fuera cierta) y compararlo con valor de .
Este valor p es el valor de una integral y generalmente lo calculan los programas
estadsticos como el INFOSTAT o SPSS. Si el valor de es el 5 % la regla de decisin
para aceptar o rechazar una hiptesis en pruebas unilaterales es la siguiente:

Si el valor p calculado es > a 0.05 ocurre H 0


Si el valor p calculado es a 0.05 ocurre H A

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

85

UNI Norte

El valor p es la probabilidad de rechazar la Hiptesis nula


siendo sta verdadera

4.3 Prueba de hiptesis con pruebas t


La media de una muestra pertenece a una poblacin con media conocida.
Esta es una prueba que permite contrastar si una muestra de una variable difiere
significativamente de una media poblacional dado o no. Generalmente esta media es
histrica.
La hiptesis nula es H0:

X , La hiptesis alternativa es HA:

El estadstico de contraste es el valor t calculado:


t=

x
S / n

El valor t crtico se encuentra con n-1 grados de libertad.


Ejemplo:
Histricamente se cosecha los rboles a los 18 aos. Se quiere saber si este ao la
edad de corte ser la misma a la histrica.
Se tom una muestra de 36 rboles y se calcul la edad. De los datos observados
surgi la hiptesis que la edad de los rboles este ao es mayor que 18 aos. La
muestra de 36 rboles dio los siguientes datos:

x = 18.5

S=3.6

Se trata de un contraste sobre medias. La hiptesis nula (lo que queremos rechazar)
es: H0: = 18. La hiptesis alternativa es: HA: > 18. Este un contraste lateral derecho.
Fijamos "a priori" el nivel de significacin en = 0,05 y la regin crtica en este ejemplo
t(35)0,05=1,70.

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

86

UNI Norte

Calculamos el valor de tc en la muestra


t c=

18.518
=0.83
3.6
36

El valor tc de 0.83 no est en la regin crtica de rechazo de la hiptesis nula (no es


mayor que el valor t975 con 30 gl de 1,70), por tanto no rechazamos H 0, concluimos
que la edad histrica de de corte se mantiene.

Comparaciones por parejas de muestras no independientes.


Esta es una prueba t para muestras relacionadas, donde se pretende contrastar las
medias de una misma poblacin que se ha medido dos veces en los mismos sujetos,
por ejemplo: A- si en un grupo de estudiantes se quiere comparar el resultado del
primer examen parcial con el del segundo parcial para saber si el comportamiento ha
cambiado. B- Se quiere saber si diez fbricas artesanales de producir bloques estn
manteniendo la calidad de sus productos en el tiempo, para eso se comparan 10
muestras del mes uno con 10 muestras del mes dos.
El estadstico de contraste es
t c=

d
Sd
n

Donde

es la media de las diferencias de los datos repetidos, S d es la desviacin

estndar de las diferencias, n es el nmero de pares (diferencias). El valor t crtico


se encuentra con n-1 grados de libertad.
Ejemplo. Se evalu el % de germinacin de nueve lotes de semillas de maz, a los 6 y
a los 12 meses de estar almacenada. Se tom una muestra por lote en los dos

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

87

UNI Norte

momentos. Se quiere saber si ha disminuido de forma general el poder de germinacin


durante el almacenamiento.
Datos Poder germinativo por lote.
Lote
1
2
3
4
5
6
7
8
9

% Mes 6
86
82
80
78
75
82
85
86
86

% Mes 12
79
69
74
70
67
64
76
63
76

La hiptesis nula es H0: 6=12, hiptesis alternativa H A: 6>12. Fijamos "a priori" el
nivel de significacin en = 0,05 y la regin crtica en este ejemplo t (8)0,05=1,86.

Calculamos el valor de tc en con los dos conjuntos de muestra


11.33
t c=
=5.96
5.70
9
El valor tc de 5.96 est en la regin crtica (el valor P es de 0.002), por lo tanto
rechazamos H0, concluimos que el poder germinativo de la semilla de maz disminuy
al estar 12 meses almacenados.

Las medias de dos muestras o grupos pertenecen a una misma poblacin.


Esta es una prueba de hiptesis muy usada cuando se tienen dos grupos y se quiere
saber si estos tienen una misma media poblacional.
La hiptesis nula es H0: 1=2, la hiptesis alternativa es HA: 12

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

88

UNI Norte

Hay diferentes tipos de prueba t, pero suponiendo varianzas iguales, el estadstico a


calcular se hace:
t c=

x 1x 2

S1
S
+ 2
n11 n 21

Ejemplo. En un ensayo para evaluar la vida til de dos productos. La variable medida
es el tiempo de vida til en aos: producto T, n = 35;
producto P n = 40;

x = 3,7 aos de vida y s2 =13,9;

x = 15,1 aos y s2 = 12,8. El producto P tiene igual vida til que

el producto T? Se trata de un contraste sobre diferencias de medias

Como no conocemos como son las varianzas entre s, el modelo nos obliga a verificar
si la varianzas son iguales, si fueran distintas es otra la prueba t a realizar. Para ello
se debe plantear primero un contraste de prueba de hiptesis de variancias. Si las
variancias son iguales se sigue con la prueba t que se presenta, sino se debe hacer
otra variante de prueba t de ms difcil clculo.
Hiptesis de Variancias
H0: 2T = 2P, HA: 2T 2P
El estadstico es de contraste es una prueba F= S 2P / S2T = 13.9 / 12.8= 1.09, como el
valor F de tabla es 1.74, en consecuencia aceptamos la H 0 y concluimos que las
varianzas son iguales. Luego se hace la prueba de hiptesis de medias con el
estadstico antes detallado.
t c=

15.13.7
=13.28
13.9
12.8
+
351 401

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

89

UNI Norte

Se concluye que se rechaza la H0 , ya que el valor t calculado es mayor que el valor


de tabla con n1 + n2 2 , 35 + 40 -2 = 73 grados de libertad. Con estos grados de
libertad y con un alfa del 5% bilateral (2.5 % de rechazo en cada extremo) el valor t es
de 2.0, valor menor que 13.28. Concluimos que las medias de aos de vida til de los
dos productos son distintas.
Ejercicio 4.2 Se evalu 2 tipos de abono, uno con base de pulpa de caf, otro con
base de abono de lombriz, La variable de produccin fue grs. promedio del peso seco
de las plntulas de caf a los 6 meses de siembra por unidad experimental, el ensayo
tuvo cuatro repeticiones.
Tabla de Datos. Peso en onzas. Parte area plntula de caf.
Tratamiento/ Repeticin
Pulpa caf
Lombrihumus

I
1.00
1.65

II
0.90
1.59

III
1.16
2.00

IV
0.98
1.65

Realizar e Interpretar su prueba de hiptesis. Resolver con una prueba t para dos
grupos que pertenecen a una misma poblacin

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

90

UNI Norte

Bibliografa Consultada
Cajal, H. U. (sf). Material docente de la Unidad de Bioestadstica Clnica. Recuperado el
15 de Enero de 2009, de http://www.hrc.es/bioest/M_docente.html#tema2
Cebran, M. (2001). Distribuciones continuas. Recuperado el 14 de Julio de 2009, de
Ministerio de Educacin y ciencia:
http://descartes.cnice.mecd.es/Bach_HCS_2/distribuciones_probabilidad/dis_continu
as.htm
CYTA. (s.f.). Gua de Estadsticas. Distribucin de Poisson . Recuperado el 14 de Julio
de 2009, de
http://www.cyta.com.ar/biblioteca/bddoc/bdlibros/guia_estadistica/index.htm
Daniel, W. (2006). Bioestadstica. Base para el anlisis de las ciencias de la salud .
Mxico: Limusa.
DATA MINING INSTITUTE . (2001). UNIANOVA - Diseo Completamente Aleatorio.
Recuperado el 17 de Julio de 2009, de http://www.estadistico.com/arts.html?
20011015
Gonzalez, L. (2004). INFOSTAT, Manual del usario. Crdoba: Universidad Nacional de
Crdoba.
Gutirrez, H., & De la Vara, R. (2004). Control estadstico de la calidad y seis sigmas.
Mxico: McGraw Hill.
Kessler, M. (2005). Apuntes de Mtodos estadsticos de la Ingeniera. Recuperado el
14 de Julio de 2009, de http://filemon.upct.es/~mathieu/metodos/teoria/pdftema3.pdf
Lacayo, I. (2002). Anlisis de Variancia con SPSS 8.0. Recuperado el 5 de Diciembre
de 2008, de Universidad Rafael Belloso:
http://www.aibarra.org/Apuntes/Estadistica/00032969.doc
Little T y Hills, J. (1990.). Mtodos estadsticos para la investigacin en la agricultura.
Mxico: Trillas.
Martnez Garza, A. (1988). Diseos experimentales, mtodos y elementos de teora.
Mxico: Trillas.
Mendenhall, W. (2008). Estadstica para administradores. Mxico: Iberoamericana.
Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

91

UNI Norte

Pea, D. Estadstica I, modelos y mtodos, Fundamentos.


Prez de Vargas, A., & Abraira, V. (1996). Bioestadstica. Recuperado el 14 de Julio de
2009, de Salud Madrid: http://www.hrc.es/bioest/Probabilidad_1.html
Ross, S. (2002). Probabilidad y estadstica para ingenieros. Mxico: Mc Graw Hill.
Sampieri, R., & Fnndez, C. y. (2003). Metodologa de la Investigacin. Mxico: Mc
Graw Hill.
Snchez, G. (s.f.). CARTAS DE CONTROL CON SPSS. Recuperado el 24 de Junio de
2008, de Universidad de Salamanca: http://web.usal.es/~guillerm/
Sifuentes, V. (2002). Curso Anlisis Multivariante aplicado a la industria pesquera. Per:
IMARPE.
Spiegel, M. y. (2002). Estadstica. Mxico: Mc Graw Hill.
Vermeer, I. (1996). Estadstica. Curso Bsico. Estel: EAGE.
Young, R. y. (1975). Introduccin a la Estadstica Aplicada a las Ciencias de la
Conducta. Mxico: Trillas.
Zad, I. (s.f.). Metodologa. Variable Aleatoria. . Recuperado el julio de 15 de 2009, de
http://www.southlink.com.ar/vap/VARIABLE%20ALEATORIA.htm

Estadstica Bsica para Ingenieros

Luis Mara Dicovskiy Riobo

92

You might also like