Probabilidad y Estadistica Unidad 1,2

INSTITUTO TECNOLOGICO DE PACHUCA DEPARTAMENTO DE CIENCIAS BASICAS
DEPARTAMENTO DE CIENCIAS DE LA TIERRA CARRERA DE INGENIERIA CIVIL

ING. LUIS ALONSO LVAREZ 1

Probabilidad y Estadstica

CONTENIDO POR UNIDAD DE LA MATERIA:

Unidad 1 Teora de la probabilidad
1.1 Conjuntos, sus operaciones, leyes y su representacin.
1.2 Introduccin a la probabilidad
1.2.1 Probabilidad de eventos aleatorios.
1.2.2 Diagramas de rbol
1.2.3Permutaciones y combinaciones.
1.2.4 espacio muestral y eventos
1.3 Definiciones de probabilidad.
1.3.1 Definicin clsica.
1.3.2 Con base en la frecuencia relativa.
1.3.3 Axiomtica.
1.4 Probabilidad condicional e independencia
1.5 Teorema de Bayes
Unidad 2 Variables aleatorias y distribuciones
2.1 Variable aleatoria y funciones de densidad de probabilidad y de distribucin acumulativa.
2.2 Valor esperado y momentos.
2.3 Distribuciones discretas.
2.3.1 Bernoulli
2.3.2 Binomial
2.3.3 Poisson.
2.3.4 Geomtrica.
2.4 Distribuciones contnuas.
2.4.1 Uniforme
2.4.2 Exponencial.
2.4.3 Normal y normal estndar
2.4.4 Aproximaciones con la normal.
Unidad 3 Estadstica descriptiva y la teora del muestreo, Inferencia estadstica
3.1 Distribuciones de frecuencia, de frecuencia relativa y acumulada.
3.2 Medidas de tendencia central: media, mediana, moda, promedio (ponderado, mvil), media
geomtrica, media armnica, cuantiles (cuarteles, deciles y percentiles).
3.3 Medidas de dispersin: rango o amplitud de variacin, desviacin media, varianza, desviacin
estndar, momentos y kurtosis.
3.4 Muestreo aleatorio: simple, sistemtico, estratificado, por conglomerados.
Texto adaptado para la carrera de
Ingeniera Civil

3.5 Muestreo no aleatorio: dirigido, por cuotas, deliberado.
Unidad 4 Inferencia estadstica
4.1 Estimacin puntual y por intervalos de confianza.
4.2 Estimacin de la media, de la diferencia de medias, de la proporcin y de la diferencia de
proporciones.
4.3 Determinacin del tamao de la muestra.
4.4 Prueba de hiptesis
4.4.1 Pruebas unilaterales y bilaterales.
4.4.2 Pruebas para media y para diferencia de medias.
4.4.3 pruebas para proporcin y diferencia de proporciones.
4.5 Muestras pequeas.
4.5.1 Distribucin t de Student.
4.5.2 Distribucin de ji-cuadrada. Cuadros de contingencia, limitaciones de la
prueba.
Unidad 5 Anlisis de regresin y correlacin
5.1 Regresin lineal simple, curvilnea y mltiple.
5.2 Correlacin.
5.3 Regresin y correlacin para datos agrupados.
5.4 Correlacin por rangos.
5.5 Coeficiente de correlacin para datos nominales.

UNIDAD 1

INTRODUCCION

La ciencia y la tecnologa siempre se desarrollan con algn grado de incertidumbre ocasionados por los
errores inherentes al humano, errores que pueden ser accidentales, sistemticos o producto de la
casualidad, o bien por variabilidad (despreciable o no) en los resultados obtenidos de algn proceso de
produccin; dichos resultados pueden considerarse iguales a la mejor estimacin disponible, gracias a
una frmula de diseo o al promedio de algn nmero de valores observados; Por otra parte, existen
tambin diferentes factores con los que debemos relacionarnos en nuestras actividades diarias de
produccin: capacidades individuales de los obreros, condiciones de rendimiento y eficiencia de
mquinas y/o instrumentos, manejo de materiales heterogneos producidos o utilizados, condiciones
climticas, propiedades de elasticidad o plasticidad de los materiales, destreza del operador, etc.

Es posible encontrar siempre un valor confiable en los diseos? Puede predecirse con certeza el
comportamiento de una instalacin con solo una estimacin conservadora?

La incertidumbre y variabilidad deben ser manejadas adecuadamente por los Ingenieros Civiles, por
medio de mejorar las estimaciones o realizar clculos ms conservadores, que permitan tomar decisiones
para elaborar mejores diseos, proyecciones o realizacin de las construcciones. Si la variabilidad es
pequea y sus consecuencias no son significativas se pueden ignorar, de lo contrario, el diseo o la
proyeccin, deben ser modificados.


Cuando la incertidumbre es considerable, el Ingeniero puede hacer estimaciones prudentes, que muchas
ocasiones sucede fijando un mnimo especificado, como la resistencia a la compresin del concreto o
de la mampostera, volmenes de transporte diario u horario, altura de precipitaciones pluviales,
coeficientes de rugosidad, coeficientes de evapotranportacin, coeficiente de rugosidad, coeficiente de
escurrimiento, etc.

La Probabilidad, tiene como objetivo medir o determinar cuantitativamente la posibilidad de que ocurra
un determinado evento o suceso. La probabilidad se basa en el estudio de la combinacin.

La Estadstica, tienen como objetivo reunir, organizar y analizar datos numricos, que ayudan a resolver
problemas como el diseo de experimentos y la toma de decisiones.

Francamente no es variado ni verstil el material desarrollado para el estudio de la Probabilidad y la
Estadstica aplicada a la Ingeniera Civil, es por eso que el estudiante de Ing. Civil queda con una
limitada apreciacin prctica de los conceptos tericos, razn por la que (en la medida de lo posible), los
ejemplos en el presente documento se aplican al campo de la Ingeniera Civil.

Un Ingeniero Civil resuelve problemas de inters aplicando eficientemente principios cientficos; La
Ingeniera Civil se relaciona con eventos que dependen de clases de operadores humanos, materiales
heterogneos, actitud de los trabajadores, condiciones climatolgicas, etc.; Los resultados esperados
muchas veces pueden ser de gran variabilidad en la ocurrencia sucesiva de dichos fenmenos o
sistemas los cuales no producen el mismo resultado; debe estudiarse cundo representan mayor
impacto. Para esta tarea se perfeccionan productos o procesos ya existentes o se disean otros que
sean nuevos para satisfacer las necesidades de los consumidores;

Debemos tener un concepto de qu son los errores; Existen dos clases de errores: Sistemticos y
Accidentales
Los errores sistemticos son constantes y del mismo signo y por tanto son acumulativos (defecto en un
instrumento repetidamente utilizado, arrastre de malas graduaciones, equivocaciones en puntos de
inicio); Los errores accidentales se cometen indiferentemente en un sentido u otro, por lo que tienen la
misma probabilidad de ocurrir en sentido positivo o negativo (lecturas de graduaciones, ngulos de
visualizaciones incorrectas, colocacin de marcas).
El origen de los errores:
a) Instrumentales: mala calibracin, desgaste por uso, mala calidad, inapropiados para ciertas
ocasiones.
b) Personales: falta de pericia, falta de inters, mala actitud
c) Naturales: influencias climtolgicas, casos fortuitos.

Para estudiar un fenmeno de inters, un proceso constructivo o de investigacin, necesitamos
establecer una metodologa que nos oriente cmo estudiar de manera sistemtica nuestro objeto de
anlisis; Algunos pasos lgicos de esta metodologa son:

1. Descripcin clara y concisa del problema
2. Identifica los factores importantes que afectan el problema o la solucin
3. Proponer un modelo para resolver el problema, fijando las limitaciones y/o
Las suposiciones del modelo.
4. Realizar experimentos o pruebas con el modelo propuesto, recolectando datos que
validan el modelo propuesto o las conclusiones planteadas en los pasos 2 y 3.
5. Refinar el modelo en base a los datos planteados
6. Manipula el modelo para contribuir a desarrollar una solucin del problema
7. Realizar experimentos para verificar que la solucin planteada es efectiva y

eficiente.
8. Realizar conclusiones y recomendaciones en base a la solucin del problema.
Grficamente podramos hacer el siguiente esquema:

Entonces resulta evidente la importancia de adquirir y dominar ciertos conocimientos de Estadstica y
Probabilidad que permitan conocer y manejar tcnicas adecuadas para disear y mejorar productos,
sistemas y procesos de produccin.
Una relacin sencilla de la Estadstica sobre el problema es la siguiente:

La Probabilidad utiliza mucho la variabilidad, que es un fenmeno que ocurre por observaciones
sucesivas de un fenmeno o sistema que no produce exactamente el mismo resultado; por ejemplo, el
rendimiento de un tanque de gasolina de un auto (depende de muchos factores: trafico, desgaste del
motor, clima, condiciones de la carretera); Los factores representan la fuente de variabilidad y podemos
determinar cules representan mayor impacto.

#1
recolecta
datos
#2
presenta
datos
#3 analiza
datos
# 4 utiliza
datos para
toma de
desiciones
#5
soluciona
problemas
# 6 disea
productos
# 7 disea
procesos
Descripcin clara del problema
Identificar factores importantes
Realizar experimentos Proponer o refinar un modelo
Manipular el modelo
Confirmar la solucin
Conclusiones y recomendaciones

1.1 Conjuntos, operaciones de conjuntos leyes y sus representaciones

Conjunto es una coleccin de objetos, elementos o miembros, se designan con maysculas, los
elementos de un conjunto se designan con letras minsculas
A, es un conjunto a, es un elemento de conjunto.
p A = p es un elemento del conjunto A, p pertenece al conjunto A
p A = p no es un elemento del conjunto A
Principio de extensin, este es el hecho de que en un conjunto se determine completamente cuando se
dan especificados sus elementos.
A = B, los conjuntos son iguales A B, los conjuntos son diferentes <
Dos formas para especificar un conjunto:
A= { a, e, i, o, u }, se anotan los elementos ente corchetes y comas
B= {x:x, es un entero, x > o }, se enuncia la propiedad que caracteriza los elementos del conjunto.
A = { x | x es una letra del alfabeto espaol, x es una vocal }
b A; e A; p A
B = { 1, 2, 3, 4, . }
8 B; - 6 B
E = { X| X
2
3 X + 2 = 0 }
Es el conjunto que son la solucin de X
2
3 X + 2 = 0, las races de la ecuacin son 1 y 2,
podramos escribir E = { 1, 2 }.
E = { X : X
2
3 X + 2 = 0 }, F = { 1, 2 }, G = { 1, 2, 2, 1, 6/3 }
E = F = G , un conjunto no depende de la manera como se escriban los elementos; un conjunto
permanece igual si se repiten o reordenan los elementos.
Cuando un conjunto tiene pocos elementos, los elementos se escriben; cuando son muchos, se escribe
la propiedad que los caracteriza.

Principio de abstraccin: dado cualquier conjunto y cualquier propiedad P, hay un conjunto A, tal que
los elementos de A, son exactamente aquellos miembros de que tienen la propiedad P.

Conjunto universal : generalmente todos los conjuntos que se investigan pertenecen a algn conjunto
grande fijo, llamado conjunto universal o universo de discurso.

Ejemplos: En geometra del plano, el conjunto son todos los puntos del plano;
En estudios de poblacin humana, el conjunto es toda la gente del mundo.

Puede existir un conjunto fijo y una propiedad P, y puede suceder que ningn elemento de tenga a la
propiedad P; ejemplo,
S = { X | X es un entero positivo, X
2
= 3 } este conjunto no tiene elementos, ningn entero la positivo la
cumple.
= conjunto vaco, conjunto sin elementos.
Por el principio de extensin se concluye que solamente existe un conjunto vaco; si S y T son ambos
conjuntos vacos, entonces S = T, ya que ambos conjuntos tienen exactamente los mismos elementos, es
decir, ninguno.

Subconjuntos: si cada elemento del conjunto A es tambin elemento del conjunto B, entonces A se
denomina subconjunto de B y decimos que A esta contenido en B, que B contiene a A.
A B, A est contenido en B, A es un subconjunto de B
B A, B contiene a A

A B, A no es un subconjunto de B ( por lo menos un elemento de A no pertenece a B )
B A, B no contiene a A ( por lo menos un elemento de A no pertenece a B ).

Ejemplo, A = { 1, 3, 4, 5, 8, 9 } B = { 1, 2, 3, 5, 7 } C = { 1, 5 }
C A; C B 1 y 5 son elementos de A, B y C.
B A, 2 y 7 no pertenecen a A
A, B y C tienen que pertenecer al conjunto universal U; por tanto U tiene que tener por lo menos los
elementos { 1, 2, 3, 4, 5, 7, 8, 9 }-

Existen conjuntos de nmeros que ocurren con mucha frecuencia, se adopta la siguiente convencin:
N = conjunto de los enteros positivos: 1, 2, 3,
Z = es el conjunto de los nmeros enteros: - 3, - 2, - 1, 0, 1, 2, 3
Q = es el conjunto de los nmeros racionales,
Enteros positivos, negativos y el cero
Fracciones positivas y negativas: 2/7, - 4/ 5, 87/9
Decimales positivos y negativos con nmero infinito de dgitos: 2.36, 236/1000
Decimales peridicos positivos y negativos con un nmero infinito de dgitos: 1/3 =
0.333333.
R = es el conjunto de los nmeros reales

Ejemplo: E = { 2, 4, 6 } F = { 6, 2, 4 }
E es un subconjunto de F, ya que cada nmero 2, 4 y 6 que pertenece a E, tambin pertenece a F.
De hecho E = F, cada conjunto es subconjunto de s mismo.
Cada conjunto A es un subconjunto de U ( todos los miembros de A pertenecen a U ).
es un subconjunto de A
A es un subconjunto de A, cada elemento de A pertenece a A
Si A B, y B C, entonces A C
Si A B, y B A, entonces A = B, es decir, tienen los mismos elementos.
Recprocamente, si A = B, entonces A B, y B C, ya que todo conjunto es subconjunto de s
mismo.

Teorema 1
a) Para todo conjunto, se tiene que A U
b) Para todo conjunto A, se tiene que A A
c) Si A B, y B C, entonces A C
d) A = B, si y slo si, A B, y B A

Diagramas de Venn
Es una representacin grfica de conjuntos por conjuntos de puntos en el plano; el conjunto Universal U
se representan por el interior de un rectngulo; Los otros conjuntos se representan por discos dentro del
rectngulo.

A B, el disco A est completamente dentro del disco B


A y B son disjuntos, no tienen elementos en comn.

A y B son conjuntos arbitrarios, es posible que:
Algunos elementos estn en A pero no en B
Algunos elementos estn en B pero no en A
Algunos elementos estn en ambos conjuntos
Algunos elementos no estn ni en A ni en B

Algunos enunciados verbales pueden traducirse en enunciados equivalentes sobre conjuntos por medio
de diagramas de Venn, stos se utilizan a veces para determinar si un argumento es vlido.

Ejemplos. ( 1 )
1) Determinar cules de los siguientes conjuntos son iguales.
2) Haga una lista de los elementos que pertenecen a cada uno de los siguientes conjuntos, donde N
= { 1, 2, 3, .. }
3) Considere los siguientes conjuntos:
, A = { 1 }; B = { 1, 3 }; C = { 1, 5, 9 }; D = { 1, 2, 3, 4, 5 }
E = {1, 3 5, 7, 9 }
Ahora coloque el smbolo , segn corresponda en las siguientes parejas de conjuntos:
a) , A
b) A, B
c) B, C
d) B, E
e) C, D,
f) C, E
g) D, E
h) D, U

Operaciones con conjuntos:

Unin: la unin de dos conjuntos A y B, A B, es el conjunto de todos los elementos que pertenecen a A
o a B.
A B = { x : x A x B }

Interseccin de dos conjuntos A y B: A B, es el conjunto de los elementos que pertenecen tanto a A
como a B.

A B = { x | x A, x B }


A B A B

Ejemplos: (2)

Complementos:
En cierto momento todos los conjuntos son subconjuntos del conjunto uiniversal U; El complemento
absoluto o simplemente el complemento de un conjunto A, es A
c
, es el conjunto de los elementos que
pertenecen a U, pero que no pertenecen a A.
A
c
= { x : x U, x A }

A
c
= A =

A
c

Complemento relativo de un conjunto B con
respecto a un conjunto A, o sencillamente la
diferencia de A y B, denotada por A\ B, es
el conjunto de los elementos que pertenecen a
A pero no a B

Ejemplos: ( 3 ) A \ B

LEYES DEL ALGEBRA DE CONJUNTOS
Leyes de Idempotencia


1a) A A = A 1b) A A = A
Leyes asociativas
2 a) ( A B) C = A ( B C ) 2b) ( A B ) C = A ( B C )
Leyes conmutativas
3 a) A B = B A 3b) A B = B A
Leyes distributivas
4 a) A ( B C ) = ( A B ) ( A C ) 4b) A ( B C ) = ( A B ) ( A C )
Leyes de Identidad
5 a) A = A 5b) A U = A
6 a) A U = A 6b) A =
Leyes de Involucin
( A
C
)
C
= A
Leyes de Complemento
8 a) A A
C
= U 8b) A A
C
=
9 a) U
C
= 9b)
C
= U
Leyes de De Morgan
10 a) ( A B)
C
= A
C
B
C
10b) ( A B)
C
= A
C
B
C

CONJUNTOS FINITOS, PRINCIPIOS DE CONTEO
Un conjunto es finito si contiene exactamente m elementos diferentes donde m es un entero no negativo,
en caso contrario es un conjunto infinito. Ejemplos:
El conjunto vaco es un conjunto finito
El conjunto de letras del alfabeto es finito
El conjunto de los enteros positivos pares { 2, 4, 6, .} es infinito
Si A es un conjunto finito, n (A) es el nmero de elementos de A.
Si A y B son conjuntos finitos disjuntos, entonces A B es finito y n (A B ) = n (A) + n (B).
DEMOSTRACION: Al contar los elementos de la A B, primero contamos los elementos que estn en el
conjunto A; los otros elementos de la union A B, son los elementos que estn en el conjunto B (pero no
estn en A), como A y B son disjuntos ningn elemento de B esta en A, por tanto existen n(B) elementos
que estn en B pero que no estn en A y se comprueba que
n (A B ) = n (A) + n (B).

TEOREMA: Si A y B son conjuntos finitos entonces A B y A B son finitos, y entonces tenemos n
(A B ) = n (A) + n (B). n ( A B )
Si A, B y C son conjuntos finitos, entonces A B C, tambin es un conjunto finito, y tenemos.
n(ABC) = n(A) + n(B) + n(C) n (A B) n ( A C) n (B C ) + n ( A B C)
Ejemplo : En la escuela de Ing. Civil existen 120 alumnos, 100 de ellos estudian por lomenos un
idioma entre francs, alemn, e italiano suponga adems que:
65 estudian francs 45 estudian alemn 42 estudian italiano
20 estudian francs y alemn 25 estudian francs e italiano 15 estudian alemn e italiano
a) Encuentre el nmero de estudiantes que estudian los 3 idiomas simultneamente.
b) Encuentre el nmero exacto de estudiantes en cada una de las 8 regiones del diagrama de Venn.
Definamos: F = { conjunto de los estudiantes de francs }
A = { conjunto de los estudiantes de alemn }
I = { conjunto de los estudiantes de Italiano }
Entonces:
n( F I ) = n( F ) + n( A ) + n( I ) n ( F A ) n ( F I ) n ( A I ) + n ( F A I )
n ( F I ) = 100, por lo menos 100 alumnos estudian un idioma)
n ( F ) = 65; n ( A ) = 45; n ( I ) = 42; n ( F A ) = 20
n ( F I ) = 25; n ( A I ) = 15
100 = 65 + 45 + 42 20 25 15 + n ( F A I )
100 92 = n ( F A I ); por tanto, 8 estudian los 3 idiomas simultneamente, luego,
20 8 = 12, estudian francs y alemn pero no italiano
25 8 = 17, estudian francs e italiano pero no alemn
15 8 = 7, estudian alemn e italiano pero no francs
65 12 8 17 = 28, estudian solamente francs
45 12 8 7 = 18, estudian solamente alemn
42 17 8 7 = 10, estudian solamente italiano
120 100 = 20, no estudian ningn idioma


HISTOGRAMAS
Sirven para representar datos con diagramas de barra; se deben organizar los datos disponibles para
apreciar la naturaleza y el grado de incertidumbre en los datos existentes del evento.
Ejemplo: precipitacin pluvial del ro papagayo, Gro.
Mes: Junio 2005.

0
2
4
6
8
10
12
Serie 1
Serie 2
Serie 3
Serie 4
Semana hp
1 3
2 5
3 11
4 7
Mes hp
Enero 4
Febrero 3.5
Marzo 4.1
Abril 6
Mayo 10
Junio 25
Julio 32
Agosto 44
Septiembre 40
Octubre 31
Noviembre 20
Diciembre 8


1.2 Introduccin a la probabilidad

Los siguientes dos ejemplos muestran las formas posibles de representar los datos de un experimento y
el grado de variabilidad que se presenta en el registro de datos; Dichos ejemplos muestran la necesidad
de desarrollar tcnicas que nos permiten una organizacin estructurada de los datos del experimento que
permitan un anlisis matemtico del mismo.

Valor promedio o Media Aritmtica X : Es el nmero ms simple y til asociado a un conjunto de datos.
X
1
, X
2
, ..X
n
, es la sucesin de valores observados, con un nmero finito de observaciones.
Se llama Media Muestral porque los datos se consideran como una muestra
Es el valor tpico o central de los datos

DEFINICION: Si las n observaciones de una muestra se denotan por X
1
, X
2
, .X
n
, entonces la
Media Muestral es:

N

Ejemplo: Se requiere disear un conector de nylon para un motor de automvil, se considera que el
espesor ideal puede ser 3/32; si la fuerza de desconexin es muy dbil puede causar
averas al motor, se fabrican 8 unidades prototipo y se miden las fuerzas de desconexin
que son: 12.6, 12.9, 13.4, 12.3, 13.6, 13.5, 12.6, 13.1
El diagrama de puntos de los datos es el siguiente:

puede apreciarse fcilmente la localiza--
cin y dispersin de los datos; Un nme-
ro corto de pruebas reduce el anlisis.
12 13 14

0
5
10
15
20
25
30
35
40
45
50
Categora 1
Columna11
Columna10
Columna9
Columna2
Columna1
25
Columna8
Columna7
Columna6
Columna5
Columna4
Columna3

Estos datos se pueden describir tambin numricamente; por ejemplo, la localizacin o tendencia central
de los datos .puede caracterizarse con el promedio aritmtico ordinario o media; En este caso, ya que los
datos se consideran como una muestra, la media aritmtica se refiere como la media muestral.

Aplicando esta frmula al problema de los conectores de nylon, la Media Muestral es:

= 12.6 + 12.9 + 13.4 + 12.3 + 13.6 + 13.5 + 12.6 + 13.1

8 8

X = 13.0 La Media Muestral es el punto de
12 13 14 equilibrio de un sistema de peso.

DIAGRAMA DE DISPERSION

Si existe un nmero finito de observaciones en la poblacin, entonces la Media Poblacional es

; La Media Muestral X es una estimacin razonable de la Media Poblacional ; La

Media Muestral no proporciona toda la informacin acerca de una muestra de datos; La Variabilidad o
dispersin de los datos puede medirse con la varianza muestral o desviacin estndar muestral.

Definicin: Si X
1
, X
2
, . X
n
es una muestra de N observaciones, entonces la varianza muestral es:

S
2
= ( )
2
La desviacin estndar muestral S es la raz cua--
drada positiva de la varianza muestral. Estas uni--
N 1 dades se miden en las unidades originales de la va--
riable de inters X.

12 13 14
X
2
X
8

X
1
X
3

X
7
X
6

X
4
X
5

DIAGRAMA DE DISPERSION

Entre mayor sea la variabilidad en los datos de la fuerza
de desconexin, ms grande ser la magnitud absoluta
de algunas de las desviaciones X
i
X.

Esta es la forma en que la varianza muestral
mide la variabilidad por medio de las
desviaciones X
i
X.

Ejemplo: se construyen 15 trabes de concreto reforzado los cuales se ensayan a flexin simple,
todas se construyen con las mismas especificaciones y la misma resistencia a compresin;
los resultados a la primera grieta y a la carga final se aproximaron a 50 lb.

X =
= 3.32 Ton. ( de la primera carga )

= 67.29 = 4.486 Ton. ( Carga ltima )

15 15

4.48 Ton.

Ton.

4.0 4.25 4.5 4.75 5.0

DIAGRAMA DE DISPERSION PARA LA CARGA FINAL

D1

D3 D2

4.0 4.81
No.
Trabe
Carga en la cual
aparece la
primera grieta
(Ton)
Carga final
(ton.)
1 4.7 4.70
2 3.88 4.22
3 3.27 4.35
4 2.31 4.67
5 2.95 4.26
6 4.81 4.81
7 2.72 4.58
8 2.72 4.49
9 4.31 4.31
10 2.95 4.63
11 4.22 4.22
12 2.72 4.33
13 2.72 4.33
14 2.63 4.76
15 2.45 4.63
49.81 67.29
Todas las trabes de construyeron con las
mismas especificaciones
Con el mismo tipo de concreto
Los resultados a la primera grieta y a la carga
final se aproximaron a 50 kgs.
La dispersin de los datos puede deberse a:
Diferencias de construccin
Diferencias de ensayo
Mano de obra deficiente
Errores humanos
Heterogeneidad del material
Errores en las mediciones y
observaciones.
La media muestral es el punto de equilibrio de
un sistema de peso.
D1 = la carga ltima observada fue de 4.81 Ton., es un
evento simple (existe una carga especfica)
D2 = la carga es mayor de 4.81 Ton, evento compuesto
D3 = la carga es mayor de 4.0 Ton, pero menos de 4.81
Ton., evento compuesto.

P R O B A B I L I D A D

Se refiere al estudio de sucesos que ocurren con mucha aleatoriedad y con cierto grado de incertidumbre
de los fenmenos que ocurren en la ingeniera; La probabilidad proporciona mtodos para cuantificar
oportunidades o probabilidades asociados con varios tipos de resultados.
La probabilidad trata de construir modelos matemticos que describan sucesos de situaciones reales en
forma simple e idealizada, esos modelos deben ser adecuados para el clculo y prediccin de dichos
sucesos.
Cuando aparece un factor de incertidumbre en el estudio de un evento o suceso, originado por causas
naturales o por conocimiento parcial del fenmeno, se utilizan modelos probabilsticos para su anlisis.

Experimento: Es cualquier accin o suceso que genera observaciones y que puede tener distintos
resultados posibles, y cuyos resultados se conocen hasta que se ha llevado a cabo.

Espacio muestral de un experimento S : Es el conjunto de todos los posibles resultados de ese
experimento. Es un evento seguro, porque es seguro que ocurre, su probabilidad es 1.

Puntos muestrales o evento simple: Son los elementos del conjunto S, cada uno de ellos asociado con
uno, y solo un resultado muestral, distinto de un experimento.

Evento: es un subconjunto del espacio muestral

Evento compuesto es aqul que consta de 2 ms puntos muestrales.

A
c
, complemento de A, son todos los puntos muestrales del espacio muestral del experimento que no
pertenecen a A; el complemento de un suceso es tambin un suceso.

Variable Aleatoria: es una variable cuyo valor ser el resultado de un determinado evento si lo
hiciramos.
Ejemplo:
Tirar un dado, la variable aleatoria X sera el nmero que salga.
El conjunto de valores posibles de X es el espacio muestral S

Evento Aleatorio: es el evento que ocurre dependiendo del azar

El grado de probabilidad que un evento ocurra es su PROBABILIDAD

Conjunto vaco , es un evento imposible, no tiene ningn evento elemental, es imposible que
ocurra, su probabilidad es cero.

Ejemplos de espacio muestrales de eventos aleatorios, si los eventos fueran:
a) Tirar un dado, s = { 1, 2, 3, 4, 5, 6 }
b) las letras del alfabeto = { a, b, c, d, e, f, g, .z }
c) lanzar una moneda al aire = { sol, guila }
d) Los meses del ao = { E;F, M, A, M, J, J, A, S, O, N, D }

Adecuamos el espacio muestral a lo que consideramos posible o no posible.
En un experimento el espacio muestral no es nico ni inapelable, por tanto se deben definir
caractersticas importantes del espacio muestral:
1. Cules son los resultados posibles y cules los imposibles?
2. Cmo se anotan los resultados?
3. Qu es un resultado?
a. Tiramos al aire una moneda de $ 1.0, existen dos resultados { sol, guila }
b. Tiramos al aire dos monedas de $ 1.0, existen 3 resultados posibles:
i. Sol sol
ii. Sol guila
iii. guila guila
c. Tiramos al aire una moneda de $ 1.0 y una de 1.0, existen 4 resultados posibles:
i. Sol cara
ii. Sol cruz
iii. guila cara
iv. guila cruz
porqu el nmero de resultados del experimento b y c son distintos, Si en ambos casos fueron dos
monedas de 1.0? porque en el experimento b las monedas son iguales y los resultados son
distinguibles y en el experimento c las monedas son diferentes y los resultados no distinguibles.
Por tanto en un espacio muestral es bsico tener claro cules son los resultados distinguibles y cules
son no distinguibles.
Por ejemplo, al tirar un dado los diferentes resultados pueden anotarse como conjuntos numricos o
conjuntos por comprensin:
{ 1 }, { 2 }, { 1, 3 }, { 2, 4, 6 }, { 1, 2, 3 }, { 4, 5 }
{ que salga un nmero par }
{ que salga un nmero impar }
{ Que salga un nmero mayor que 3 }
S = { 1, 2, 3, 4, 5, 6 }
A = { 1 }, un evento A S
B = { 5 }, un evento B S

Ejemplo: Experimento: se tira un dado
A = { que salga menos de 4 } A = { 1, 2, 3 }
B = { que salga mayor que 2 } B = { 3 }
A B = { 3 }, es el evento que ocurre cuando ocurren simultneamente A y B.
C = { que salga 1 2 } C = { 1, 2 }
D = { que salga ms de 4 } D = { 5, 6 }
C D = , tienen interseccin nula, no pueden ocurrir simultneamente; C y D son disjuntos o
mutuamente excluyentes.
E = { que salga menos de 4 } E = { 1, 2, 3 }
F = { que salga 2 6 } F = { 2, 6 }
E F = { 1, 2, 3, 6 }, es el suceso que ocurre cuando ocurre E, F, o los dos simultneamente.
Evento G = { sale 1, sale 2, sale 3, sale 4, sale 5, sale 6 }
H = { sale 4 }
H
c
= { sale 1, sale 2, sale 3, sale 5, sale 6 }
H y H
c
son subconjuntos de G
H H
c
= G
H H
c
= , un evento y su complemento son disjuntos, no pueden ocurrir al mismo tiempo.

Particin del espacio muestral

Ejemplo: se lanza un dado,
El espacio muestral es S E = resultados posibles = { 1, 2, 3, 4, 5, 6 }
N es el nmero de eventos N : A
1
= { 1 }; A
2
= { 2 }; A
3
= { 3 }
A
4
= { 4 }; A
5
= { 5 }; A
6
= { 6 }
E = es la unin de los eventos del espacio muestral = A
1
A
2
A
3
A
4
A
5
A
6

A
1
A
2
= ; A
1
A
3
= .. A
5
A
6
= A
i
A
j
= , todos los posibles
pares tienen interseccin nula.
Se dice entonces que A
1
,A
2
,A
3
,A
4
,A
5
y A
6
son una particin de E.
A A
c
= E y A A
c
=

Ejemplo: una persona es propietario de dos gasolineras las que se encuentran ubicadas una enfrente
de la otra en un bulevar de la ciudad; cada gasolinera tiene 6 bombas; cuntas bombas estn
funcionando de manera simultnea en un da cualquiera?
(# de bombas gasolinera 1, # de bombas gasolinera 2) existen 49 probabilidades diferentes.
( 0, 0 ) ( 0, 1 ) ( 0, 2 ) ( 0, 3 ) ( 0, 4 ) ( 0, 5 ) ( 0, 6 )
( 1, 0 ) ( 1, 1 ) ( 1, 2 ) ( 1, 3 ) ( 1, 4 ) ( 1, 5 ) ( 1, 6 )
( 2, 0 ) ( 2, 1 ) ( 2, 2 ) ( 2, 3 ) ( 2, 4 ) ( 2, 5 ) ( 2, 6 )
( 3, 0 ) ( 3, 1 ) ( 3, 2 ) ( 3, 3 ) ( 3, 4 ) ( 3, 5 ) ( 3, 6 )
( 4, 0 ) ( 4, 1 ) ( 4, 2 ) ( 4, 3 ) ( 4, 4 ) ( 4, 5 ) ( 4, 6 )
( 5, 0 ) ( 5, 1 ) ( 5, 2 ) ( 5, 3 ) ( 5, 4 ) ( 5, 5 ) ( 5, 6 )
( 6, 0 ) ( 6, 1 ) ( 6, 2 ) ( 6, 3 ) ( 6, 4 ) ( 6, 5 ) ( 6, 6 )

Ejemplo: Una empresa constructora tiene 3 casas por vender, en la bodega del proyecto solamente
existen 2 colores de pintura (amarillo y verde); encuentre la probabilidad de secuencia de resultado
cuando las casas se pinten.

V = verde
A = amarillo 2 = 8 (2 = # opciones, 3 = # de casas, 8 = # de probabilidades )

Si dos eventos no tienen puntos en comn son mutuamente excluyentes o disjuntos
Los sucesos simples son mutuamente excluyentes por definicin
A B, son los puntos comunes a los sucesos A y B
D1 D2, si la interseccin de dos sucesos es igual a uno de ellos, se dice que ste est
contenido en el otro.

La media muestral no proporciona toda la informacin acerca de una muestra de datos. Para una mejor
informacin, se utiliza la varianza muestral.

Varianza muestral = es la variabilidad o dispersin de los datos.

S
2
= ( )
2

N 1


Desviacin estndar muestral = S =
= raz cuadrada positiva de la varianza muestral

Mientras ms pequea es la desviacin estndar, los datos se concentrarn ms alrededor de la
media muestral y las desviaciones grandes respecto al valor promedio sern menos frecuentes.

Para el ejemplo de las Trabes:
a) Para la carga de falla:
Varianza muestral = S
2
=
= 0.0401

Desviacin estndar = S = = 0.20 Ton.

Coeficiente de variacin muestral = V =
= 0.0446 Ton.

b) Para la 1 carga:

Varianza muestral = S
2
= 0.6349 Ton.
Desviacin estndar = 0.7968
Coeficiente de variacin muestral = V = 0.24 Ton.
Conclusin:
cuando se forma la primera grieta las cargas son ms variables o ms difciles de predecir, que
las cargas de ruptura.
Esto es muy importante cuando la resistencia es el criterio de diseo.

Probabilidad de Eventos Aleatorios

Definicin de Probabilidad: Es el grado de certeza de que ocurrir un determinado experimento al
realizar un determinado evento aleatorio.
Mientras ms alta sea la probabilidad de un evento, mayor es el grado de certeza de que ocurrir
al hacer el evento.
P (A) es la probabilidad de un evento.

Definicin informal: La Probabilidad de un evento es un nmero entre 1 y 0.
Si la probabilidad es cero, se sabe que el evento no ocurrir, probabilidad cercana a cero es baja.
Si la probabilidad es 1, se sabe que el evento ocurrir, probabilidad cercana a 1 es alta.

Ejemplo: E = evento que consiste en lanzar una moneda al aire.
S = sol; A = guila
P (E) = P (A) + P (S) = 0.5 + 0.5 = 1.0

Definicin Emprica: consiste en asociar las probabilidades de los resultados con sus frecuencias
relativas, luego de repetir el experimento una determinada cantidad de veces.
P * A Fr.
relativa
* A = Fr.
absoluta
* A * n
Fr.
absoluta
= cantidad de veces que ocurri A en las n veces que se llev a cabo el experimento.
Cuanto ms grande sea n, mejor ser la aproximacin de P (A) por Fr
relativa(A)
.

Ejemplo: Si se elige un estudiante de la clase de Probabilidad cul es la probabilidad que el elegido sea
mujer?
Suponiendo que en el grupo de estudiantes de Probabilidad existen 41 personas de las cuales 6 son
mujeres, entonces P(m)
6/41
= 0.1463

Definicin Axiomtica: La probabilidad consiste en asignar a cada evento A, un nmero P (A )
(probabilidad del evento A, que frecuentemente se llama suceso aleatorio) que proporciona una medida
precisa de la probabilidad de que el evento suceda, dado un experimento y un espacio muestral S. Se
deben cumplir las tres condiciones para las probabilidades asignadas a los sucesos del espacio muestral:
Axioma I:
Para cualquier evento A, 0 ( ) , no existen probabilidades negativas
Axioma II:
La probabilidad de un suceso seguro A, es la unidad P ( A ) = 1
Axioma III:
a) La probabilidad de un suceso que sea la unin de eventos mutuamente excluyentes, es la suma
de las probabilidades individuales de cada evento:
P ( A U B ) = P ( A ) + P ( B ) = ()

b) Si A
1
, A
2
, A
3
,..A
n
es un conjunto infinito de eventos mutuamente excluyentes, entonces
P ( A
1
, A
2
, A
3
,..A
n
) = ()

Luego deducimos que:

a) P(A) 1 la probabilidad no puede ser mayor que 1
b) P(A) + P(A
c
) = 1 P ( A ) = 1 P ( A
c
)
c) p ( ) = 0
d) A B = P(A) P(B)
e) P ( A B ) = P(A) + P(B) P ( A B )

El espacio muestral es el evento que debe ocurrir cuando el experimento se realiza ( S tiene todos los
resultados posibles ).
Ejemplo: se lanza una moneda al aire Espacio muestral S = { sol, guila }
P ( S ) = 1 se debe determinar P ( S = sol ) y P ( A = guila )
a y s son eventos disjuntos s a = S
Por el axioma 3 1 = P ( S ) = P ( s ) + P ( a )
1 = P ( s ) + P ( a ) P ( s ) = 1 P ( a )
Si P ( a ) = 0.5, luego P ( s ) = 0.5
P ( a ) = 0.75, entonces P ( s ) = 0.25
Si P es cualquier nmero fijo entre 0 y 1, entonces P ( S ) = P y P ( a ) = 1 P ( s )

Frecuencia relativa
Para cualquier evento, n ( A ) = nmero de repeticiones donde ocurre el evento A de un experimento.

n ( A ) = frecuencia relativa de ocurrencia del evento A en la secuencia de repeticiones
n
Cuando crece n , se estabiliza [ n ( A ) ] / n ( porque se aproxima a un valor lmite conocido como
frecuencia relativa )

frecuencia x x

relativa x x x x x
x x

n

P (A) = frecuencia relativa limitante
Las probabilidades se asignan a eventos con frecuencias relativas limitantes, entonces en el caso de
las monedas es guila = 0.5, sol = 0.5.
Esta es la interpretacin objetiva de probabilidad porque se apoya en una propiedad del experimento;
pero en la prctica no se conoce la frecuencia relativa limitante; por tanto, debemos asignar
probabilidades basadas en nuestras creencias del experimento en estudio.
Por ejemplo,
consideramos en el caso de la moneda P ( a ) = P( s ) = 0.5 ;
P (guila) =
; P( sol ) =

En el caso de un dado P = { {1}, {2}, {3}, {4}, {5}, {6{ } = 1/6
En el caso de la letra con la cual inicia el ttulo de cualquier libro
s={las letras del alfabeto} p(letras)=

los Meses del ao s={E,F,M,A,M,J,J,A,S,O,N,D} p(M)=

Estos son ejemplos en los que adecuamos el espacio muestral a lo que consideramos posible o no
posible; En un experimento el espacio muestral no es nico ni inapelable, por lo tanto deben definirse las
caractersticas importantes del espacio muestral:
1) Cules son los resultados posibles e imposibles?
2) Como se anotan los resultados?
3) Que es un resultado?

Propiedades de la Probabilidad

1) Ley # 1 Para cualquier evento A, P(A) = 1 P(A
c
)
Aplicando el axioma 3 de la probabilidad
Sea K = 2, A
1
= A y A
2
= A
c
Por definicin de A
c
tenemos que mientras A y A
c
sean disjuntos, S = A A
c

Luego 1 = P (S) = P (A A
c
) = P(A) + P(A
c
)
Ejemplo: existen al menos 5 procesos para la fabricacin de una mezcla de concreto
1. Agregar ptreos
2. Mezclar ptreos
3. Agregar el cemento
4. Revolver ptreos + cemento
5. Agregar agua segn diseo y mezclar
Sean: F = proceso que falla dos probabilidades de resultados
X = proceso bien hecho
Definimos A = evento en el que por lo menos un proceso falla
A
c
= evento donde todo el proceso de fabricacin es bueno = X X X X X
Existen solamente 2 eventos, debemos calcular 2 probabilidades.
Probabilidad = 2
5
= ( 2 probabilidades )
5 (procesos)
= 32 1 = 31

Para un 90 % de eficiencia P ( A
c
) = X X X X X = (0.9)
5
= 0.5905 (90% es la probabilidad que el
proceso de fabricacin es bueno).
Luego P ( A ) = 1 0.59 = 0.41 % del proceso de fabricacin de la mezcla fallar

2) Ley # 2 Si A y B son mutuamente excluyentes, entonces P ( A B ) = 0
Como A B no tiene resultados, entonces S = P (A B )
c

Por tanto, 1 = P ( A B )
c
= 1 P ( A B ) esto implica que P (A B ) = 1 1 = 0
Cuando A y B son mutuamente excluyentes, el axioma 3 genera como resultado:
P ( A B ) = P (A) + P(B)

Cuando A y B no son mutuamente excluyentes, la probabilidad de la unin se obtiene de
la siguiente ley:

3) Ley # 3 Para cualquiera de los dos eventos A y B
P ( A B ) = P(A) + P(B) P ( A B ) esto tambin es vlido cuando A
y B son mutuamente excluyentes porque en ese caso P ( A B ) = 0

Principios Bsicos de Conteo: (Adicin y Multiplicacin)

Principio de Adicin: Suponga que un evento E puede ocurrir de m formas y otro evento F puede
ocurriren n formas, adems suponga que ambos eventos no pueden ocurrir simultneamente; Entonces E
F pueden ocurrir en m + n formas.
Suponga que A y B son disjuntos, entonces n (A B ) = n (A) + n (B)

Ejemplo: Suponga que existen 6 ingenieros y 4 arquitectos para disear el edificio de una bodega; El
propietario puede escoger el profesionista que va a disear de 6 + 4 = 10 formas.

Ejemplo: Suponga que en el Instituto de Ingeniera de la UNAM, existen 3 maestras diferentes en
Mecnica de Suelos, 5 maestras en Ingeniera Estructural y 4 maestras diferentes en
Hidrulica; Entonces existen n = 3 + 5 + 4 = 12 formas diferentes para que un estudiantes
de Ingeniera Civil pueda especializarse en una maestra.

Ejemplo:

= +

A B A ( B A
C
)

A B = A ( B A
C
) A y ( B A
C
) son mutuamente disjuntos
P ( A B ) = P (A) + P (B A
c
) (1)
Pero B = ( B A ) ( B A
C
)
Por tanto P (B) = P ( B A ) + P ( B A
C
), despejando P ( B A
C
) = P (B) P ( B A

)


Sustituyendo P ( B A
C
) en (1)
P (A B) = P(A) + [ P (B) P (BA)]
= P(A) + P (B) P (B A)

Ejemplo: En cierta poblacin del estado de Hidalgo
60% de familias tiene servicio de agua potable A = 60 % = 0.6 = P (A)
80% de familias tiene servicio de electricidad B = 80 % = 0.80 = P (B)
50% de familias tienen ambos servicios A B = 50 % = 0.50 = P ( A B )

Al seleccionar una familia al azar:
1) Cul es la probabilidad que reciba al menos un servicio?
2) Cul es la probabilidad que reciba exactamente uno de los servicios?

A) Tienen servicios de agua potable = 60% = P(A) = 0.6
B) Tienen servicio de electricidad = 80% = P(B) = 0.8

P (A B) = 50% = 0.5
P ( familias que reciben por lo menos un servicio ) = P (A B) = P (A) + P (B) P (A B )
= 0.6 + 0.8 0.5
= 0.90
( A
c
B ) = familias que no reciben Agua potable pero s reciben electricidad
P ( A B ) = P (A) + P ( A
c
B )
0.90 = 0.60 + P ( A
c
B ) despejando P ( A
c
B ) = 0.90 0.60 = 0.30
( A B
c
) = familias que s reciben Agua potable pero no reciben electricidad
P ( A B ) = P ( B ) + P ( A B
c
)
0.90 = 0.80 + P ( A B
c
) despejando P ( A B
c
) = 0.90 0.80 = 0. 10
Probabilidad que las familias que reciben solamente un servicio exactamente:
P ( uno exactamente ) = P ( A
c
B ) + P ( A B
c
) = 0.10 + 0.30 = 0.40

0.5

P (A B
c
) P ( A
c
B ) = 0.50 + 0.30 + 0.1 = 0.90

Principio de multiplicacin:

Suponga que un evento E puede ocurrir en m formas e independientemente a este evento un evento F
puede ocurrir en n formas; entonces las combinaciones de ambos eventos pueden ocurrir en m*n formas.

En notacin de conjunto: suponga que A y B son conjuntos finitos, entonces

n(A*B) = n(A) * n(B);
A=0.1 B=0.3

Si existiera un tercer evento entonces podra ocurrir de n1* n2 * n3 formas.

Ejemplo:
Se debe dar el acabado final decorativo a la columna central del lobby de un hotel; en la bodega
del proyecto existen 3 tipos de pasta stuco, y 4 colores diferentes de pintura, entonces existen n =
3 * 4 = 12 formas diferentes de dar el acabado final a la columna.

Ejemplo:
Una empresa constructora debe enviar al gerente a una licitacin en la ciudad de Mexicali; la
compaa A tiene 3 vuelos diarios del DF. hacia Mexicali
la compaa B tiene 2 vuelos diarios (ida y vuelta) a Mexicali.

A) Cuntas formas de volar existen del DF., a Mexicali en la lnea A y volar de regreso en la
aerolnea B?
B) Cuntas formas existen para volar del DF., a Mexicali? M = 3 + 2 = 5 formas

A3 vuelos diarias del DF., a Mexicali
B2 vuelos diarias del DF., a Mexicali

a) (A1 B1), (A1 B2) , (A2 B1), (A2 B2), (A3 B1), (A3 B2) = n = 3 (2) = 6
b) A A A B B = 5
c) N = 5 (5) = 25

A
1

A
2
A
3
B
1
B
2
( la misma posibilidad para los dems vuelos de ida )

A
R1
A
R2
A
R3
B
R1
B
R2

Ejemplo:
El ITP tiene entre sus actividades extracurriculares 3 deportes diferentes, 4 tipos de danzas
tpicas, 2 tipos de otras actividades culturales.

a) Si un alumno debe escoger una de entre cada tipo de actividad, el nmero de formas de hacerlo
es n = (3)(4)(2) = 24 formas
b) Si necesita escoger solamente una de cada actividad entonces tiene:
M = 3+4+2 = 9 formas de escoger

Nmero factorial ( N! )

N ! = 1 x 2 x 3 x.(n-1) n
0 ! = 1 por definicin
8 * 7 = 56
1 ! = 1
2 ! = 1 x 2 = 2
3 ! = 1 x 2 x 3 = 6
306
4 ! = 1 x 2 x 3 x 4 = 24

5 ! = 5 * 4 ! = 120

11,880

Aproximacin de Stirling a N! Se utiliza cuando n es muy grande

Cuando n es muy grande la relacin entre ambos miembros tienden a 1

Coeficiente binomial
(
) donde n y

r son enteros positivos, se lee n tomado de r en r
r n

(
)
( )( ) ( )
( )
( )

De otra forma n(n-1)(n r +1)
()
()

(
) (
) equivalentemente (
) (
) donde a + b = n ecuacin ( 2 )

(
()
(solo hay una forma de seleccionar 0 elementos)

(
) = 1 (solo hay una forma de seleccionar todos los elementos)

(
) = n (hay un subconjunto de tamao 1)

(
()
28

(
()
126

(
()
792

(
()
120

(
()
13

(
)
()()()
()()()
120 calculando de otra forma por medio

de la ecuacin ( 2 ); 10 7 = 3

(
) (
= 120 (
) (
)
(
) (
)

Ya que 7 + 3 = 10 entonces (
) (
)

Luego (
) (
) =
= 120

Permutaciones:

Es el ordenamiento de un conjunto de n objetos en un orden dado (tomados todos al mismo tiempo).
Cualquier ordenamiento de r n de estos objetos en un orden determinado se llama una
permutacin r o una permutacin de n objetos tomados r a la vez.

Ejemplo

Conjunto de letras del alfabeto

a b c d, b c d a, c a b d, son permutaciones de las 4 primeras letras del alfabeto (tomadas todas a
la vez).
a b d, c b a, b c d son permutaciones de las primeras 4 letras (tomadas en grupos de 3).
a c, c b, b a, b d, son permutaciones de las primeras 4 letras (tomadas en grupos de 2)

P ( n, r ) es el nmero de permutaciones de n objetos, tomados r a la vez

Ejemplo:
Encuentre las permutaciones del conjunto A, B, C, D, E, F, tomados en grupos de 3 cada vez sin
repeticiones.
La primera letra se puede seleccionar en 6 formas diferentes
La segunda letra se puede seleccionar en 5 formas diferentes
La tercera letra se puede seleccionar en 4 formas diferentes
Se pueden formar palabras de 3 letras A B C
A C D
A D E
A E F

A F
A
Por el principio de conteo (6) (5) (4) = 120

Por el principio de multiplicacin existen (6)(5)(4)=120 posibles palabras de 3 letras, sin repeticin
de las 6 letras
Existen 120 permutaciones de 6 objetos tomados 3 a la vez; entonces P ( 6, 3 ) = 120
El primer elemento en una permutacin r de n objetos pueden seleccionarse de n formas
diferentes
El segundo elemento de una permutacin se puede seleccionar de n 1 formas.
El tercer elemento de una permutacin se puede seleccionar de n 2 formas.
El ltimo elemento de una permutacin se puede seleccionar de n (r 1) formas.

P ( n, r ) = P ( 6, 3 ) = (
120

Por el principio de conteo tenemos:

P ( n, r ) = n ( n 1 ) ( n 2 )( n r + 1)

n ( n 1 ) ( n 2 ) (n r + 1 )=
()()()()
()
=
()

P( n r ) =
()

Cuando n = r P ( n , n ) = n ! existen n! permutaciones de n
objetos tomados todos al mismo tiempo

Ejemplo:
Existen 3 ! Permutaciones de las letras a b c

a b c b a c c a b a c b b c a c b a

Permutaciones con repeticiones

P (n; n
1
, n
2
, n
3
,,n
r
) =

Ejemplo:
Cuntas palabras de 5 letras se pueden formar utilizando las letras de la palabra BABBY?
Solucin:
P ( 5, 3) =
20

BBBAY BBBYA BABBY BYBAB ABBBY YABBB ABYBB
BBAYB BBABY BYBBA BAYBB YBBBA ABBYB YBABB
BBYAB BBYBA BABYB BYABB AYBBB YBBAB

Ejemplo:
Encuentre el nmero de m palabras que pueden formarse con la letras BENZENE
Nm. Letras = 7
Num. Rep. De E = 3
Num. Rep. de N = 2

m = P ( 7, 3, 2 ) =
420

Muestreos con reposicin:

Se toma un elemento del conjunto y se reemplaza en el conjunto antes de seleccionar el prximo
elemento, por tanto existe n formas diferentes de seleccionar cada elemento.

n * n * n * n *n =
diferentes muestras ordenadas con reposicin de tamao r.

r veces

Muestreo sin reposicin

El elemento escogido no se reemplaza antes de tomar el prximo elemento, no existen repeticiones en la
muestra ordenada.

P ( n, r ) =
()

Ejemplo:
En una baraja existen 52 cartas, se escogen 3 sucesivamente; encuentre el nmero de formas en
que esto puede hacerse

A) Con reposicin
()
140,608

B) Sin reposicin= P(52,3) =
()
132,600

Combinaciones

Si se tiene una coleccin de n objetos, la combinacin de stos n objetos tomados r a la vez, es cualquier
seleccin de r objetos, en donde el orden no cuenta; es decir, una combinacin r de un conjunto de n
objetos es cualquier subconjunto de r elementos.

Ejemplo:
Combinaciones de las letras a, b, c, d, tomados en grupos de 3 son:

a b c a b d a c d b c d


Ejemplo:

Las siguientes combinaciones son iguales { a b c, a c b, b a c, b c a, c a b }, es decir, cada uno
representa el mismo conjunto a b c.

C ( n, r ) Es el nmero de combinaciones de n objetos tomados r a la vez.

Ejemplo:

Encuentre el nmero de combinaciones de 4 objetos a, b, c, d, tomados en grupos de 3; Cada
combinacin que contiene 3 objetos, produce 3 ! = 6 permutaciones de los objetos en cada
combinacin que se realice.

Combinaciones Permutaciones
a b c a b c, a c b, b a c, b c a, c a b, c b a.
a d b a b d, a d b, b a d, b d a, d a b, d b a.
a c d a c b, a d c, c a d, c d a, d a c, d c a .
b c d b c d, b d c, c b d, c d b, d b c, d c b.

Esto indica que el nmero de combinaciones multiplicado por 3 ! es igual al nmero de
permutaciones, es decir:

C ( 4, 3 ) * 3 ! = P ( 4, 3 ) =
()

Las permutaciones P ( 4, 3 ) = 4 * 3 * 2 = 24 C(4,3)=
()
4

Ya que una combinacin de n objetos tomados r a la vez determina r ! permutaciones de los objetos en
la combinacin, entonces la permutacin es igual a:

P ( n, r ) = r ! C ( n , r ) despejando C ( n, r ) se tiene:

C ( n, r ) =
()
()
, lo cual es igual al coeficiente binomial, por tanto

C ( n, r ) = (
)

Ejemplo:

Encuentre el nmero de Q equipos de trabajo de obreros que pueden formarse en grupo de 3 de un total
de 8 obreros.


Q = C ( 8, 3 ) = (
56 equipos

Ejemplo:

Un contratista de pintura compra en un almacn 3 cubetas de pintura vinlica, 2 rodillos y 4 galones de
pintura de aceite; las existencias en el almacn, son 6 cubetas de pintura vinlica, 5 rodillos y 8 galones
de pintura de aceite Cuntas formas de escoger tiene el contratista si cada galn es de color diferente?

Existencias: 6 cubetas de p. v. Compra: 3 cubetas de p. v.
5 rodillos 2 rodillos
8 galones de p. a 4 gal de p. a

Puede escoger:
.
(
20 cubetas de pintura vinlica

(
10 rodillos

(
= 70 galones de pintura de aceite

En total, los insumos los puede escoger de (
)(
)(
) 20 * 10 * 70 = 14,000 formas

Diagramas de rbol

Es un mecanismo para enumerar todos los resultados posibles de una secuencia de experimentos o
eventos, donde cada uno puede ocurrir en un numero finito de formas (se utilizan en problemas donde
aplica la regla del producto); sirve para tomar decisiones con informacin conocida.

Ejemplo: Encuentre el conjunto de productos A x B x C donde A, B y C son

A = { 1, 2 }; B = { a, b, c }; C = { 3, 4 }

3

a
4
3
1 b
4
3
c
4
3

a
4

2 b 3

4
C 3

4

Ejemplo:

Una empresa constructora de cimentacin debe hincar 54 pilotes de acero para la fundacin de un
edificio; el programa de obra indica que hasta este momento cuenta con 8 das hbiles para retirar su
equipo y trasladarlo a otro proyecto, si no cumple con los tiempos enfrentar una multa por da en ambos
proyectos. En el proyecto actual, la profundidad de la roca es incierta, las opciones son: hincar pilotes de
10 a 15 mts. estudien las consecuencias accin-estado y realice el diagrama de rbol.

Accin
Estado

Pilote hincado hasta 10 mts.

Pilote hincado hasta 15 mts.

A
Profundidad
lecho rocoso es
15 mts
Los pilotes deben empalmarse
para alargarse; mientras se hace
esto, el personal y equipo para
perforar permanecern ociosos.

Decisin correcta no hay perdida

B
Profundidad
lecho rocoso es
10 mts.

Decisin correcta, no hay perdida

Se deber recortar 5 mts. de cada
pilote y desecharse; se perdern 270
ml. de pilote.

Realice el diagrama de rbol correspondiente

PROBABILIDAD CONDICIONAL:

Se ilustra conforme se desarrolla el siguiente ejemplo:

Existe un parque industrial que tiene 6 naves construidas; las acometidas de agua y electricidad son
subterrneas, las construcciones son para arrendamiento, se desconoce las necesidades de cada una de
ellas, para cualquier industria en particular.

Si se suministra agua potable y electricidad en exceso a la demanda efectiva, habr un
desperdicio de capital.
Si las instalaciones son inadecuadas habr de hacerse cambios costosos

Para simplificar el problema, se supone que una construccin particular necesita :
potencia elctrica de 5 10 unidades.
Capacidad de agua 1 o 2 unidades


El espacio muestral asociado con una nave es: (5,1), (5,2), (10,1), (10,2)

En una entrevista el cliente expone al ingeniero varios planteamientos sobre las posibilidades y peso
relativos a partir de los cuales el ingeniero calcula el siguiente conjunto de probabilidades.

Punto muestral Suceso simple Probabilidad estimada
por el cliente
( 5, 1 ) E
5
A
1
0.1
( 5, 2 ) E
5
A
2
0.2
( 10, 1 ) E
10
A
1
0.1
( 10, 1 ) E
10
A
1
0.6
1.00

Recordando:

Un suceso est asociado con una o ms puntos muestrales o sucesos simples.
Dichos sucesos simples son mutuamente excluyentes por la construccin del espacio
muestral.
Entonces la probabilidad de un suceso es la suma de las probabilidades asignadas a los
puntos muestrales con las que el suceso est asociado.
La probabilidad de un suceso asociado con todos sus puntos muestrales es 1.
La probabilidad de un suceso imposible es 0.

P ( A
2
) = P ( E
5
A
2
) + P ( E
10
A
2
) = 0.2 + 0.6 = 0.8
P ( E
10
) = P ( E
10
A
1
) + P ( E
10
A
2
) = 0.1 + 0.6 = 0.7
P ( A
2
E
10
) = P ( A
2
) + P ( E
10
) P ( A
2
E
10
) = 0.8 + 0.7 - 0.6 = 0.90

Calculando de otra forma

P ( A
2
U E
10
) = P ( E
10
A
2
) + P ( E
5
A
1
) + P ( E
10
A
1
) = 0.1 + 0.2 + 0.6 = 0.90

Probabilidad condicional P ( A | B ):

La probabilidad condicional de un suceso A, dado que un suceso el suceso B ha ocurrido, es la relacin
entre la probabilidad de la interseccin de A y B, y la probabilidad del suceso B.

P ( A | B ) = ( )
P ( B )

Si la probabilidad de B es 0, entonces la P ( A B ) no est definida.

La probabilidad condicional de A es la probabilidad
que A haya ocurrido sabiendo que B ocurri.

Como B ha ocurrido el espacio muestral ya no es S,
ahora est formado por los resultados de B; el evento
A, sucede solo si uno de los resultados de la


interseccin suceden; por lo tanto la P ( A | B ) es
proporcional a P ( A B ).

La constante de proporcionalidad
()
se utiliza para asegurar que la probabilidad de P ( B ) / P ( B ) del
nuevo espacio muestral B sea 1.

En el ejemplo anterior el Ingeniero puede necesitar que una nave tenga demanda A
2
y E
10
, entonces:

P ( A
2
/ E
10
) =
()
()
=
0.86;
En trminos generales P ( B ) y P ( A / B ) se deducen del anlisis de cada problema en particular; Si se
requiere obtener la probabilidad de P ( A B ):
P ( A B ) = P ( A | B ) P ( B ) = P ( B | A ) P ( A )

Para 3 sucesos:

P ( A B C ) = P ( A | B C ) P ( B | C ) P ( C )

Independencia

Si 2 sucesos no estn relacionados de manera alguna, sus probabilidades particulares no se alteran, se
mantienen independientes aun si el otro ha ocurrido.

Dos eventos A y B son independientes si y solo si P ( A | B ) = P ( A )

Esto implica que: P ( A ) =
()
()

P(A)P(B)=P(AnB)

P(A/B)=P(B)

La independencia de sucesos se prueba obteniendo P(A) P(B) y P(AnB), y demostrando que se verifica
una de dichas ecuaciones.

Los sucesos A, B, C, , N son mutuamente independientes si y solo si

P(AnBnCnN)=P(A)P(B)P(C)P(N)
Regla de multiplicacion

Si los sucesos son independientes, la probabilidad de que ocurra simultneamente es simple el producto
de sus probabilidades.


En el ejemplo de las naves industriales, puede ser que el ing. tenga un criterio dif. Al expresado por el
cliente, y que en base a la inv., de otro tipo de demandas en partes ind., similares, puede establecer otra
forma de fijar las probabilidades (por ejemplo una demanda alta de energa parece que no esta
relacionada con una demanda alta de agua)

En base a la inf., de empresas de serv., publico el ing., asigna las sig., probabilidades.

Evento Prob asignada por el ingeniero
E5
E10
0.2
0.8
1.00
A1
A2
0.3
0.7
1.00

El ing. adopta el supuesto de independencia entre las demandas, de electricidad y agua, y calcula las
prob. de frecuencia conjunto de los sucesos simples.

P(E5A1)=P(E5)(A1)=0.2*0.3=0.6
P(E5A2)=P(E5)(A2)=0.2*0.7=0.14
P(E10A1)=P(E10)(A1)=0.3*0.3=0.24
P(E10A2)=P(E10)(A2)=0.3*0.7=

En la ecuacin de probabilidad condicional donde, un conjunto de evento B1, B2,, Bn mutuamente
disjuntos y exclusivos, se pueden desarrollar la prob., de otro suceso A de la sig., forma.

P(A)=P(AnB1)+P(AnB2)++P(AnBn)

()
teorema de las probabilidades totales

Esta es la probabilidad de un suceso en trminos de sus probabilidades condicionales; la probabilidad de
A est condicionada a un conjunto de sucesos mutuamente excluyentes y exhaustivos; esto es til
porque en algunas ocasiones los sumandos pueden obtenerse mas fcilmente que la prob. de A.

Una coleccin de conjuntos es exhaustivo si.

B1uB2uuBn=S

Una constructora necesita elegir una estrategia para finalizar la construccin de un proyecto, las ltimas
dos op., para concluir son pintura de paredes y limp. Gral. Y cada op., pueda realizarse das. El espacio
muestral es el siguiente:


El ing. residente considera que cada op. Puede ejecutarse en 3 velocidades dif., cada uno con costo dif.,
lo que conduce a prob., de tiempo requerido; si el proyecto no se concluye en 10 dias el contratista
pagara un amulta de $2,000 por dia; para cada combinacin de los tiempos de las actividades por
ejemplo:

P4nL5=9

En base que su experiencia el ing., residente realiza la sig., tabla de probabilidades.

Actividad Num. De
obreros
Costo
por dia
Probabilidades de tiempo necesario
para terminar
Costo
operador de
construccin
Pintura 10 200 0.2 0.5 0.3 1.0 1020
Pintura 12 240 0.3 0.6 0.1 1.0 1152
Pintura 14 280 0.6 0.4 - 1.0 1232
Limpieza 10 200 0.1 0.4 0.5 1.0 1080
Limpieza 15 300 0.3 0.4 0.3 1.0 1500
Limpieza 20 400 0.6 0.3 0.1 1.0 1800

Esta tabla refleja que acelera la obra implica mayores costos econmicos; el anlisis del ing., residente
supone que las actividades, de pintura y limp., son independientes entre si.

Los costos minimos de construccion son para esta estrategia

P10=$1020
L19=$1080

Esta estrategia debe incluir un posibilidad de multa para todas las posibilidades.

P10 y L10 requieren 8 dias de trabajo, ya que las prob., son independientes entonces las porb.,
de 8 dias es:

P8dias=(P10(4)nL10(4))=0.2(0.1)=0.002
P9dias=(P10(4)nL10(5))+(P10(5)nL10(4))=0.2(0.4)
P10dias=(P10(4)nL10(6))+(P10(5)nL10(5))+(P10(6)nL10(4))=0.2(0.5)+0.5(0.4)+0.3(0.1)=0.33

Si el proyecto se concluye en 11 o 12 das habr prdidas econmicas:

P11dias=0.5(0.5)+0.3(0.4)=0.37
P12dias=0.3(0.5)=0.015
La multa esperada es

Multa= 0.37($2000)+0.5($2000)(2 das)= $1340

estrategia Probabilidad
de 11 das
Probabilidad
de 12 das
Multa 11
das
Multa 12
das

P10L10 0.37 0.15 740 600 1340
P10L15 0.27 0.09 540 360 900
P10L20 0.19 0.03 220 120 460
P12L10 0.34 0.05 680 200 380
P12L15 0.22 0.03 440 120 560
P12L20 0.09 0.01 130 40 220
P14L10 0.20 0 400 0 400
P14L15 0.12 0 240 0 240
P14L20 0.14 0 80 0 80

COSTOS TOTALES
ESPERADOS E($)
MULTAS
ESPECIALES
COSTO
TOTAL
P10L10 1020+1080=2100 1340 3440
P10L15 1020+1500=2520 900 3420
P10L20 1020+1300=2820 900 3220
P12L10 1152+1080=2232 880 3112
P12L15 1152+1500=2652 560 3212
P12L20 1152+1800=2952 820 3172
P14L10 1232+1080=2312 400 2712
P14L15 1232+1500=2732 240 2972
P14L20 1232+1800=3032 80 3112

Este anlisis muestra una tcnica de seleccin entre las diferentes estrategias; la mas
econmica es P14L10; los costos diarios de esta estrategia seria:

P14L10 4 dias $280.00(4dias)+$200.00(4dias)=$1920
5 dias $280.00(5dias)+$200.00(5dias)=$2400
6 dias $280.00(6dias)+$200.00(6dias)=$6880

TEOREMA DE BAYES

Si E1, E2,, Ek son eventos exclusivos mutuamente excluyentes y B es cualquier evento,

(|)
(|)()
(|)() (|)() (|)()

En esta ecuacin si los eventos E se consideran causa posible del evento D, entonces se puede
calcular la probabilidad de ocurrencia de un evento Ei dado que B no ocurre.
Combinando la teora de probabilidad totales y el teorema de Bayes se tiene
(|)

(|)

(|)

Si deseamos obtener la probabilidad del evento B, a partir del diagrama de rbol tenemos
P(B)=P(A1)(|)(|) ()(|) ()(|)

Para obtener la probabilidad del evento A2(por ejemplo) tenemos
(|)
()
()
()(|)
()
()(|)
()(|)()(|)()(|)

Ejemplo:
Un proyecto de construccin se tiene:

A)30% de los trabajadores son peones, 10% tienen IMSS
B)40% de los trabajadores son albailes, 20% tienen IMSS
C)20% de los trabajadores son carpinteros 40% tiene IMSS
D)10% de los trabajadores son mecnicos 60% tiene IMSS

1.- encuentre la probabilidad que un trabajador del proyecto (cualquiera tenga IMSS
2.- si un trabajador cualquiera posee IMSS, que probabilidad existe que sea carpintero
1 P(E)= 0.3(0.1-0.4(0.2)+0.2(0.4)=0.25
por teorema de bayes se busca
P(C)=
()(|)
()
()

Unidad 2
VARIABLE ALEATORIA Y DISTRIBUCIONES
Variable aleatoria: una variable aleatoria X de un espacio muestral S es una funcin de S en el
conjunto {R} de # reales. Tales que la imagen inversa de cualquier intervalo de R es un evento
de S.
La variable discreta asigna a cada uno de los elementos del espacio muestral un nmero real
finito contable (Fx).
Variable aleatoria discreta: es aquella en la cual se asignan datos numricos (valores
cuantitativos).
X= variable aleatoria; x = valor de uno de los eventos

Cada valor posible de X representa un evento que es un subconjunto del espacio muestral S
para el experimento dado.
Espacio muestral discreto: contiene un nmero finito de posibilidades a una serie infinita con
tantos elementos enteros que existan.
Espacio muestral continuo: contiene un nmero infinito de posibilidades.
Variable aleatoria continua: son los valores que toma una variable en una escala continua; en
la mayora de los casos representan datos medidos como pesos, alturas, temperaturas,
distancias.
Para todo evento o suceso simple existe un valor numrico de la variable aleatoria definida
dentro del espacio muestral; a todo evento o suceso compuesto le corresponde uno o un
conjunto de valores de la variable aleatoria.
El comportamiento de una variable aleatoria se describe por su ley de probabilidades, la que
puede caracterizarse de varias maneras, la ms comn es la distribucin de probabilidades que
generalmente es una lista con los posibles valores que puede tomar una variable aleatoria junto
con los resultados posibles del experimento y las respectivas probabilidades.
Funcin masa de probabilidades (FMP): es un conjunto innumerable y restringido de valores
que puede tomar una variable aleatoria discreta; su probabilidad es una funcin masa de
probabilidades (FMP); esta funcin se llama Px (X) de la variable aleatoria discreta X.
Ejemplo: X= variable aleatoria que representa el numero observado de vehculos que se
detienen en un semforo.
El ing. Elige porcentajes de probabilidades.
()
{
para
{

= 1.0

.1
1
.2
.3
2 3 4 5
= directamente proporcional
Cada barra es a la probabilidad que la variable toma en ese valor.
Para que se cumplan las leyes de probabilidad se requieren las siguientes condiciones.

a) ()
b) ()

C) ( ()

Funcin de distribucin acumulada (FDA): el valor de esta funcin fx (X) es la probabilidad
del suceso que la variable aleatoria tome valores menores o iguales a x, entonces
Fx (X) =

()
Para variables aleatorias discretas o sea aquellas que poseen (FMP)
Es la suma de los valores de la funcin masa de probabilidades sobre los valores
menores o iguales a x que la variable aleatoria X puede tomar.

.1
.2
.3
.4
.5
.6
1 2 3 4
.7
.8
.9
1.0
5 6 7 8

La ingeniera civil trabaja generalmente con variables aleatorias continuas (masa, tiempo etc.); Si
se dividen los intervalos de las magnitudes en magnitudes infinitesimales dx, entonces fx(X) es
la probabilidad de que x se encuentre en el intervalo (x, x + dx ) su probabilidad ser fx(X)dx , la
cual se llama funcin de densidad de probabilidades FDP de una variable aleatoria continua ; el
F x
(x)
Para
0 X< 0
0.1 0 x
1
0.3 1x2
0.6 2x3
0.8 3x4
0.9 4x5
1.0 x

rea bajo de FDP en un intervalo es la probabilidad de que la variable aleatoria en ese intervalo
tenga una probabilidad igual a:
P [ x
1
X x
2
]=
(x)dx

Esperanza de una variable aleatoria discreta (E(x)) es el valor esperado o media de un evento
en un experimento.
E(x) = M(x) = X
1
f (x
1
) + X f (x
2
) +..X
n
f (n) = media =
f (x) Si x es discreta
E(x)=
f(x) dx si x es continua
La media o valor esperado de una variable se obtiene multiplicando cada uno de los valores
x
1
,x
2
...x
n
por su probabilidad correspondiente y sumando sus productos.
Varianza de una variable aleatoria discreta
E (x) = f (xi) = Esperanza
Varianza = E (x) - Mx = (Esperanza) - (Media)
Desviacin estndar o tpica =
x
=

Por la naturaleza de las variables aleatorias no se puede predecir el valor exacto que tendr la
variable en un experimento; la descripcin completa de su comportamiento lo aporta FDA, FDP
FMP; Sin embargo a veces no se tiene esta informacin, por lo que se utilizan uno o ms
nmeros que son promedios ponderados de ciertas funciones de las variables aleatorias, las
ponderaciones usadas son FDP FMP de la variable, el promedio se denomina Esperanza de
la funcin.
Operar con esperanza facilita el uso de la leyes de probabilidad y se obtiene estimaciones con
ms facilidad a partir de datos disponibles; es preferible tener promedios y Esperanza que no
poseer datos de ninguna especie.
La media muestral describe concisamente el valor central de la variable
La varianza muestral describe su dispersin, lo que ayuda a predecir su comportamiento.
La media y valor medio resume en un numero la informacin contenida en FDP a travs de la
suma de todos los valores de x, del producto del valor de x y su probabilidad.
En la unidad 1 se estudi la media como:
X=

Si se tienen varias observaciones de cada valor x
i
:

r = nmero total de valores distintos observados

ni = nmero total de observaciones xi

{

Esta es la media de una variable aleatoria ( en la unidad 1 se estudi la media muestral ); Esta
Media representa observaciones repetidas de la variable aleatoria.
La media muestral (unidad1) se calcula a partir de observaciones dadas; la Media o la
Esperanza se calcula a partir de las leyes de probabilidades (FDA, FDP y FMP) y a veces se
denomina Media de la poblacin.
La varianza es una medida de dispersin del valor central, de una variable aleatoria, La cual
muestra la dispersin o aleatoriedad de una variable.

Las grficas a y b tienen medias diferentes
Las grficas b y c tienen las mismas medias pero diferentes varianzas.
Entre ms pequea es una varianza, la grfica presenta menor dispersin y por lo tanto la media
es ms concentrada.
Por otro lado la desviacin estndar tiene la ventaja que permite comparacin ms fcil y ms
rpida con la media y nos da la idea del grado y de la gravedad de la incertidumbre asociada con
la variable aleatoria.
El coeficiente de correlacin facilita la comparacin entre desviacin estndar y la media, y entre
variables aleatorias de diferentes unidades.
Ejemplo: Una moneda se lanza al aire 2 veces. La variable aleatoria la llamamos x y
representa el nmero de soles obtenidos, calcular:
a) la funcin de distribucin
b) Media
c) Varianza
d) Desviacin estndar

Probabilidad de funcin: f(x):1/4
punto muestra x f(x)
ss 2 1/4
as 1 1/4
sa 1 1/4
aa 0 1/4

=1

X= nmero de soles obtenidos
x 0 1 2
f(X) 1/4 1/2 1/4

a) FDP:
= 1.0

b) Mx = 0 (
) + 1 (
) + 2 (
) = 1

c) Se requiere calcular E(
)
E(
) = (0) (
) + ()

+ ()
) = 1.5
V = E (
) =
x = 1.5 - ()
= 0.5
=

Ejemplo: Una empresa constructora participa licitacin de proyectos a nivel estatal; los
costos administrativos de la empresa han sido fijados de tal forma que la empresa
tendr una ganancia del 5% si ejecuta 3 proyectos en la misma plaza;Y tendr 3%
de perdida si ejecuta 3 proyectos en ms de una plaza Cul es su ganancia
esperada?
G = 1 plaza
P = 2 o 3 plazas

S={GGG.GGP,GPG,GPP,PGG,PPG,PGP,PPP}
E (
1
) = { GGG, PPP } 5% p1 =
(2) =
la empresa genera ganancias

E(
2
) = { GGP,GPG,GPP,PGG,PPG,PGP }P
2
= (
) =
la empresa pierde
M= E(x) = = (5%) (
) + (-3%) (
) =

La empresa perder 1 % de los costos administrativos si construye en ms de 2 plazas.

DISTRIBUCIONES DISCRETAS
A) Bernoulli
B) Binomial
C) Poisson
D) Geomtrica
A veces los experimentos consisten en pruebas repetidas con 2 resultados posibles xito o
fracaso; este proceso se llama proceso de Bernoulli y tiene las siguientes propiedades.
1.- El expresin consiste en n ensayos que se repiten.
2.- Cada ensayo tiene dos resultados posibles xito o fracaso.
3.- La probabilidad de xito P es constante de un ensayo a otro.
4.-los ensayos que se repiten son independientes entre si.
Se define la variable aleatoria de Bernoulli x y se le asignan valores, por ejemplo:
{

Entonces FMP de x es P x (X) {

p es la probabilidad de xito
La media de la varianza aleatoria es: E(x) = (1) P + 0 (1-P) = 0

La Varianza = Var(x) = (1 - P) p + (0-P) (1-P) = ( 1 - P) P

Pruebas de Bernoulli
Es una sucesin de experimentos simples de Bernoulli, cuando los resultados de los experimentos son
mutuamente independientes y cuando la probabilidad de xito no cambia (las probabilidades permanecen
inalteradas).

Distribucin binomial
B(x; n, p ) = (
x = 0,1,2n
Se consideran 2 ensayos independientes entre s
solo hay 2 resultados posibles, xito o fracaso
en cada ensayo, la probabilidad de xito es constante.
(
) ( )
P = probabilidad de xito q = probabilidad de fracaso n = nmero de pruebas
x = nmero de xitos
Ejemplo: el equipo A tiene P = 2/3 de probabilidad de ganar cuando juega. Si A juega 4 partidos,
hallar la probabilidad que gane:
a) 2 partidos
b) 1 partido por lo menos
c) Ms de la mitad de los juegos
b = (
) p
k
q
n k

si p = 2/3, entonces q = 1/3; n = 4
a) K = 2; b = (
) (2/3)
2
( 1/3 )
4 2
= 0.29 = 29 %

=

( )
(2/3)
2
( 1/3 )
4 2
= 0.29 = 29 %

b) K = 0 (
) (2/3)
0
( 1/3 )
4
=

( )
(2/3)
0
( 1/3 )
4 0
= 0.012 = 1.23 %;
Luego 100 1.23 = 98.8 %
Las probabilidades de k son 0, 1, 2, 3, 4
A cada probabilidad le corresponde un porcentaje, el porcentaje que le corresponde a 0 es 98.8 %
c) K = 3 (
) (2/3)
3
( 1/3 )
4 3
= 39.5 %
K = 4 (
) (2/3)
4
( 1/3 )
4 4
= 19.75 %
= 59.25 %
Resumen: probabilidades de 0 : 1.23 %
1: 9.88 %
2: 29.63 %
3: 39.5 %
4: 19. 75 %
La distribucin binomial viene del hecho que los ( n+1 ) de trminos de la expresin binomial de ( )

corresponde a los diversos valores de b (x ; n, p ) para x = 0,1,2,3n lo cual significa.
( )

= (
+ (
+(


= b (0;n, p) + b (1;n,p) + b (2; n, p) +.b (n; n, p) +
Como p + q = 1, entonces ( )
= 1
Esto es vlido para cualquier distribucin de probabilidad
Con frecuencia nos interesa saber la probabilidad de la variable p ( x < r ) o de la variable p ( a x b ).
Ejemplo: una empresa constructora de viviendas compra directamente al fabricante los muebles para el
W.C.; el fabricante le informa que la taza de defectos es 3% en la fabricacin.
a) El supervisor de proyectos elije 20 artculos al azar Cul es la probabilidad de que exista al menos
un producto defectuoso entre los 20?
b) Suponga que la empresa constructora recibe 10 cargamentos en un mes y que el supervisor prueba
aleatoriamente 20 productos por cada cargamento Cul es la probabilidad de que existan 3
cargamentos que contengan al menos un WC defectuosos.
Solucin: a) x = nmero de dispositivos defectuosos entre los 20.
La distribucin es b = ( x, 20, 0.03 )
P (x 1) = 1 p ( x 0 ) = 1 b (0;20,0.03) = 1 - ( )
( )
= 0.4562
b) suponemos que :
*cada cargamento puede contener al menos un WC defectuoso o no.
*probar el resultado de cada cargamento sera un experimento de Bernoulli con p = 0.4502
*suponiendo que Y = # de cargamentos que contiene al menos un artefacto defectuoso.
*suponga que cada cargamento es independiente uno al otro.
Y sigue una distribucin binomial:
b=(
1 = p q q = 1 p

P ( y = 3 ) (
)( )
( )

Ejemplo: El ingeniero Prez tiene una probabilidad P =
de ganar un partido de ajedrez cada vez

que juega; si juega 4 partidos encuentre la probabilidad que gane:
a) Dos partidos
b) Un partido por lo menos
c) Ms de la mitad de los juegos.
Solucin: si p = 2/3, entonces q = 1/3, n = 4
a) 2 partidos X=2
b=(
)(
= 0.29 = 29 %
b) X = 0 1 partido por lo menos, las probabilidades de x es: 0, 1, 2, 3,4
b=(
)(
=0.0123 por 100% = 1.23% el porcentaje que le corresponde a cero es

100 - 1.23 = 98.77%
c) x=3 b = (
)(
) = 0.395 = 39.5%
x=4 b = (
)(
= 0.1975 = 19.75% = 59. 25 %


Probabilidades
{

= 99.99%

Distribucin de Poisson
Experimento de poisson; son los valores numricos que resultan del experimento de una variable
aleatoria x, donde x misma representa, el nmero de resultados durante un intervalo de tiempo dado
o en una regin especifica. El intervalo de tiempo puede ser minutos, hora da, semana, mes o ao.
Ejemplos de experimentos:
El experimento puede ser el nmero de bacterias en un cultivo.
Numero de varillas producidas en un da, en una semana etc.
Caractersticas del proceso de poisson.
1. El nmero de resultados en un espacio de tiempo o en una regin son independientes de lo que
ocurre en cualquier otro espacio de tiempo o regin disjuntos; por eso si dice el proceso de poisson
no tiene memorias.
2. La probabilidad de que un resultado sencillo ocurra en un espacio de tiempo o regin pequea es
proporcional a la longitud del intervalo de tiempo o al tamao de la regin y no depende de los
resultados que ocurran fuera de ese intervalo de tiempo o de esa regin.
3. La probabilidad de que ms de un resultado ocurra en ese intervalo de tiempo corto o regin pequea
es despreciable.
X= variable de poisson, que es igual al nmero de resultados que ocurren en un experimento de
poisson; su distribucin de probabilidad de la variable aleatoria se llama distribucin de poisson.
El nmero de resultados promedio es la media M = = n p
t = tiempo especfico o regin de inters.
Taza de ocurrencia es p ( x ; t )
La distribucin de probabilidades de la variable aleatoria de poisson x, que representa el nmero de
resultados que ocurren en un intervalo de tiempo dado o en una regin especfica indicada por t es:
P(x; t)=
( )

P =
()
X= nmero de xitos N=nmero de pruebas

P=probabilidad de xito = media = n p
Ejemplo: En un sensor de molculas radiactivas se detectan 4 partculas radiactivas por cada
milisegundo Cul es la probabilidad que se detecten 6 partculas en el sensor radiactivo
en un milisegundo determinado.

P ( 6; 4 ) =
()
= .0.104195634 por 100% = 10.41% ( x = 6, = 4 )

Ejemplo: En un proyecto de construccin de una carretera se ha determinado que en el cadena
miento 8+640 se requieren diariamente 10 camiones de volteo de 12 metros cbicos de
balasto; la dimensin del trabajo en ese cadenamiento es una necesidad de 15 camiones
de volteo por da mximo; Cul es la probabilidad de que un determinado da se tengan
que regresar los camiones?.
X = nmero de camiones de volteo que llegan por da.
= nmero mximo de camiones por da
P =
()
= 0.0486 por 100% = 4.8610%

Ejemplo:
Un cargamento de 500 losetas de piso contiene 300 imperfecciones de acabado distribuidos en las 500
losetas; Encuentre la probabilidad que cuando el piso est ya instalado en 1 loseta:
a) Existan 2 imperfecciones exactamente.
b) Existan 2 ms imperfecciones.
Si existen 2 imperfecciones exactamente: n = 300 =
= 0.6 p =

X = 2 P=
()
= 0.0988 por 100% = 9.9%

b)
x = 0 P=
()
= 0.5488 por 100% = 54.8% probabilidad de cero imperfecciones

X=1 P=
()
= 0.3292 por 100% = 32.9% probabilidad de una imperfeccin

P1 + p2 + p3 = 100%
P2 = 100 - (54.8+32.9) = 12.3% probabilidad de ms de dos imperfecciones en una loseta.
Distribucin geomtrica discreta
( )

P=probabilidad de xito q = nmero de pruebas ( x = 1, 2, 3.)
Esta frmula se utiliza cuando existen intentos repetidos, g es el nmero de intentos en el cual ocurre el
primer xito.
Ejemplo: En la colocacin de losetas de cimbra para colar casas in-situ, una de cada 100 losetas
est defectuosa Cul es la probabilidad de que se inspeccionen 5 piezas antes de
encontrar una defectuosa?

P =
= 0.01 q = 1 - 0.01 = 0.99 g = (5;0.01) = 0.01 ( )
= 0.009005 (100%) =0.9605

Ejemplo: un estudiante de Ing. civil tiene 70% de probabilidad de aprobar la materia de algebra
lineal; encuentre la probabilidad de que dicho estudiante apruebe el examen.
a) en el tercer intento
b) antes del cuarto intento
a) x = 3 p = 70% = 0.7 q = 30% = 0.3 g = (0.7)( )

b) x = 2 g = (0.7) ( )
()
x = 1 g = (0.7) ( )
= 0.7 (100%) = 70%

= = 97.3%

Distribucin contnua
Una variable aleatoria contnua describe un intervalo, en cambio la variables discretas son puntos
aislados; la variable aleatoria contnua es una variable cuantitativa; puede adoptar una cantidad infinita de
valores que correspondan a los puntos en un intervalo lineal.
Ejemplos de varianzas continuas: peso, distancia, tiempo etc. Puede adoptar cualquier valor en puntos
a lo largo de un intervalo lineal.
f(x) es una funcin de los valores numricos de la variable continua x.
Funcin de distribucin acumulada. de una variable aleatoria continua x es:
Fx (X) = P (X x ) = ()

Funcin de densidad de probabilidad o probabilidad que varia con x.
Propiedades: a) F(x)
b) ()

c) () ( )

el rea bajo la curva es igual a la Probabilidad Los lmites para a y b son siempre nmeros
reales
Ejemplo: Existe un error en la temperatura de reaccin () para la reaccin exotrmica del colado
de una losa, la cual est representada por la variable aleatoria continua x, que tiene una
funcin de densidad de probabilidad =

f (x) = {

a) Verifique ()
= |
()

()
| =
= 1
b) Encuentre P(0 )
=

Como consecuencia de la definicin de distribucin acumulada, se puede escribir los dos resultados P
( ) () ()
Si la derivada existe f(x) =
()

Valor esperado para variable contina.
Valor esperado (varianza): E(x ) = M ()

Varianza: var. (x) =
()

Desviacin estndar: ()
Ejemplo: Sea x una variable aleatoria continua con la siguiente distribucin.
F(x)={

a) Calcular P ( 1 x 1.5 )
b) E(x)
c) Var(x)
a) ( )
()

b) ()
()

c) ()
( )

d) ()
Ejemplo: Sea x una variable aleatoria continua con la siguiente distribucin:
{

Hallar: ) ( )

)
a) ( )

b) () var. (x) =
()

()

= = 2.3
Distribucin normal (distribucin gaussiana)
Es la ms utilizada para modelar experimentos aleatorios; se obtiene al tomar el modelo bsico de una
variable aleatoria binomial cuando el nmero de ensayos es muy grande.
La frmula de una variable aleatoria X con funcin de densidad de probabilidad es:
F(x) ( x; )
()
; para , tiene una Distribucin normal con parmetros

M, donde y > 0
De igual forma E(x) = M y V(x) =

La M y la determinan la forma de la funcin de
densidad de probabilidad, esta grafica es en forma de
campana; la M determina el centro de la funcin y la
determina la dispersin; f(x) (x; M, ) siempre es
positiva, su rea es 1 en el intervalo - , su
valor mximo es ().
Funciones para densidad de probabilidad normal para
distintos valore de los parmetros
.
La distribucin normal es una distribucin
probabilstica para variables aleatorias contnuas, la
cual tiene simetra perfecta en forma de campana
unimodal.
La media, mediana y moda de la distribucin normal son todas iguales y se localizan al centro de la
distribucin.

La marca normalizada t o marca z, es un nmero que mide que tan cerca est cualquier medicin dada
con respecto a la media de todas las mediciones; la marca t est expresada en unidades de desviacin
stndar t =

.
Distribucin normal stndar: Si estandarizamos todas las mediciones en una distribucin normal que
tiene una media M y ( desviacin estndar ), se le llama distribucin normal stndar, sta tiene una
media = 0 y una varianza y desviacin stndar = 1
t =

. Que esta tambin normalmente distribuida

como una media = 0 y una varianza =1
Distribucin normal estndar:
Cuando crece la desviacin estndar la curva se aplana en
caso contrario se hace puntiaguda o compacta alrededor de la
media.
Para determinar la probabilidad de que x tome un valor entre
a y b se determina el rea bajo la curva en el intervalo a y b.
Una marca estandarizada t indica (en unidades de desviacin
estndar ) a que distancia se encuentra una marca particular
de la media, a la izquierda o a la derecha de la media.
t =

nos dice a cuntas desviaciones estndar est x

con respecto a M; si t es positiva, entonces la media t es
mayor que M ( y se ubica a la derecha ); Si t es negativa se
ubica a la izquierda.

Con estas marcas se puede comparar diferentes
mediciones.

Ejemplo de estandarizacin: Jorge tiene calificacin 70 en un examen de matemticas; el examen tiene
M = 70 y = 10; Elena toma un examen mayor y obtiene 350 de calificacin, dicho examen tiene M = 300
y = 20, Cmo hacer para comparar las calificaciones?
Se deben estandarizar ambas calificaciones para hacer una comparacin significativa.
Jorge t =
= 2 Elena t =
= 2.5


Las marcas t nos indican cmo entrar en las tablas A.3 de distribucin normal estndar, el clculo
consiste en encontrar el rea bajo la curva de gauss; las probabilidades para distribuciones continuas
son las reas bajo la curva de una distribucin normal estndar; esos clculos se resumen en la tabla A.3
los que han sido calculados para todos los casos de una distribucin normal.
Ejemplo: Dada una distribucin normal estndar encuentre el rea bajo la curva que existe en:
A ) a la derecha de t = 1.84
B ) entre t = -1.97 y t = 0.86
a) El rea bajo la curva es 1 el rea en la tabla A.3 a la izquierda
de z = 1.84; Segn tablas el rea es 0.9671
rea a la izquierda es 1 - 0.9671 = 0.03229

b) rea entre t = - 1.97 y t = 0.86
T= - 1.97 = 0.0244
T = 0.86 = 0.8051
El rea que se busca es
0.8051 - 0.0244 = 0.7807

Ejemplo: Dada una distribucin normal estndar encuentre el valor de x de tal forma que:
a) P ( t > x ) = 0.3015
b) P ( x < t < -0.18 ) = 0.4197
a) El rea a la izquierda es 1 - 0.3015 = 0.6985
Entonces de la tabla A.3 se tiene x = 0.52

b) el rea total a la izquierda de ( por tabla ) de
- 0.8 = 0.4286
el rea total entre x y - 0.18 es 0.4197
0.4287-0.4197=0.0089
Por tanto de la tabla A.3 tenemos que x = - 2.37

Ejemplo: En un examen de probabilidad la calificacin media es 72 y la desviacin tpica es 15;
determine en unidades estndar las calificaciones de los alumnos que obtuvieron 60, 93, y 72 de
puntuacin.
a) Calificacin 60: Media es = 72 Desviacin tpica: 15

b) Calificacin 93

c) Calificacin 72

d ) encontrar las calificaciones que obtuvieron correspondientes a las puntuaciones estndar siguientes.
d.1) -1

X = ( - 1 ) ( 15 ) + ( 72 ) = 57
d.2) 1.6 X = ( 1.6 ) ( 15 ) + ( 72 ) = 96

Ejemplo Encuentre el rea bajo la curva para cada uno de los siguientes casos.
a ) rea entre t = 0 y t = 1.2 P( )
Por tablas

La probabilidad negativa es 0.5.
Por tablas 1.2=0.8849-0.5 =0.3849
0.3849 es la probabilidad de que t se encuentre entre 0 y 1.2

el rea bajo la curva entre 1-0.68 y 0 P(-0.68t0)
Por tablas; 0.2483 0.5+0.2483=0.2517

c) el rea entre t=-0.46 y t=2.21
1) rea entre t=-0.46 y t=0 =0.3225
2) rea entre t=0 y t=2.21 =0.4864

rea total=0.8092

d) rea bajo la curva que esta entre t=0.81 y t =1.94
t=0.810.2910
t=1.940.4738
rea requerida es: 0.4738-0.2910=

e) rea que se encuentra a la izquierda de t=-0.6
t=-0.6 0.2743

f) rea que se encuentra a la derecha de t=-1.28
t= -1.28 0.1003

f)

g) El rea que est a la derecha de t=2.05=0.4798
El rea que est a la izquierda de t=-1.44=


T=-1.44=0.0749

El rea a la derecha es: 0.4251
El rea total es 1.0
El rea requerida es 1-.4251-0.4798=0.0951

Ejemplo: Una distribucin normal tiene una media=100 y una desviacin=10 Cul es la
probabilidad de que una media escogida aleatoriamente puede estar entre 110y 100?
T=
=1.0
La probabilidad de que una observacin este entre 100 y 110 es 0.3413 (100)=34.13%

b)
Encuentre la probabilidad con una media de 108.2 o ms alta

Luego P(x>108.2)=p(t>0.82)
=0.5-0.2939
=0.2061


Esta es la probabilidad de que la media sea mayor que 0.82
c)
Cul es la probabilidad de obtener una observacin entre 111 y 115

P(111<x<115)=
P(1.1<x<1.5)=0.4332-0.3643=0.0689

Ejemplo 4
2000 sacos de arroz tienen un peso medio de media=155 Kg con una desviacin 20Kg
a)
tienen un peso inferior a 100 kg
t=
-2.75 .4970
p(x )
N=2000 sacos (0.003)=6 sacos pesan menos de 100 kg

b)

Cuantos sacos pesan entre 120kg y 130kg?

0.4599-0.3944=0.0655=6.55%
2000 sacos (6.55%)=131 sacos pesan 120y 130kg

Cuantos sacos pesan ms de 200 kg

0.5 (0.4870)=0.0122
2000(0.0122)=24 pesan ms de 200kg
Tarea para segunda unidad

UNIDAD 3 ESTADSTICA DESCRIPTIVA Y TEORA DEL MUESTREO

3.1 FRECUENCIAS Y FRECUENCIAS RELATIVAS Y ACUMULADAS:
DISTRIBUCIN DE FRECUENCIA.

Datos cualitativos son medidas de caractersticas de cualidades, asociados con la unidad de
observacin (sexo, filiacin poltica, color de cabello, etc.)
Datos cuantitativos: son nmeros obtenidos de mediciones hechos sobre unidades de observacin,
representan cantidades y valores (reas, volmenes, velocidades.)

Frecuencia: es el nmero de veces que ocurre un valor particular o fenmeno.
Frecuencia de intervalo: es el numero de valores que caen dentro del intervalo.
Frecuencia relativa de un intervalo es la proporcin de todos los valores dados, que caen dentro del
intervalo.
Tabla de frecuencias
Es un arreglo sistemtico de valores agrupados en intervalos de clase; resume datos para presentar
claramente la frecuencia de cada intervalo y calcular fcilmente la frecuencia relativa de cada intervalo.
Fi= frecuencia de una clase dada.
N= No. Total de mediciones en un conjunto
Ejemplo para frecuencia de datos cuantitativos
Nmero anual de muertes en carretas de Mxico.
Intervalo de clase = i Frecuencia = fi Frecuencia relativa =

Entidad Numero de accidentes Porcentaje total de
accidentes
D.F. 1200 2.0
Monterrey 60 0.1
Guadalajara 780 1.3
Puebla 520 0.866
. . .
. . .
Totales 60 000 100%
Ejemplo de frecuencia para datos cuantitativos de peso de bebes, nacidos en hospital central.

Intervalo de clase i Frecuencia fi Frecuencia
relativa

Peso en Kg. Numero de bebes Porcentaje
Menor de 2.2 2 4
Mayor de 2.2 y menos que 3.1 25 51
Mayo que 3.1 y menor que 4.0 18 57
Mayor que 4.1 4 8


Lo mas difcil es definir y crear los intervalos de clase; por el rango de valores siempre presentan
fronteras naturales de clase.

Los intervalos se definen arbitrariamente, se pueden utilizar tres criterios:

Hay demasiados intervalos

0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
Categora 1 Categora 2 Categora 3 Categora 4
Serie 1
Serie 2
Serie 3
0
1
2
3
4
5
6
7
8
9
Categora 1 Categora 2
Serie 3
Serie 2
Serie 1

Hay pocos

Formas bsicas para distribucin de frecuencias.

Tabla de Sturge

Numero de valores en el conjunto Numero apropiado de intervalos de
clase
10 a 100
100 a 1000
1000 a 10 000
4 a 8
8 a 11
11 a 14

Ejemplo porciento de impurezas en agua, recolectada en pozos rurales.

22 8 15 14 13 23 23 12
10 17 11 11 13 17 11 15
19 26 17 23 14 24 21 15
15 14 21 20 10 26 13 16

Existen 40 mediciones
Amplitud de intervalos =
()

Tabla de frecuencias.

Intervalo de clase i conteo Frecuencia fi Frecuencia relativa

4.5 - 9.5
9.51 14.5
14.51 19.5
19.51 24.25
24.51 29.5
3
14
12
9
2
3
14
12
9
2
7.5
35
30

MEDIDAS DE TENDECIA CENTRAL
Medida de posicin: es un numero de representa la medida central o la posicin mas representativa en
un conjunto.
Media (media aritmtica): es el promedio aritmtico de un conjunto de mediciones

Xi= Es el elemento individual en el conjunto
M= Media del conjunto de mediciones
5 21 13 15 13 7 16 11

N= Nmero total de mediciones en el conjunto

MEDIANA (Md)
Es el numero que se encuentra a la mitad ordenado, si el numero de mediciones es impar la mediana
esta exactamente a la mitad; si el numero de mediciones es par, existen 2 nmeros a la mitad en este
caso la mediana es el promedio de ambos
Moda (Mo)
Es el numero que se presenta con mayor frecuencia en un conjunto de mediciones; un conjunto de
mediciones podra tener ms de una moda.
Las medidas de posicin son clases diferentes de promedios que pueden servir como resmenes
numricos de un conjunto de mediciones; dichos promedios definen el centro del conjunto o la posicin
del mismo.
La media es el centro fsico del conjunto
Ejemplo:
Encontrar la media del conjunto numrico: 1,1,2,3,4,4

este es el punto de balance para estos valores

Ejemplo : encuentre la media de 1,3,4,7,8,9,9.

0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
Graficamente es igual a 2.5

Si las medidas desvia en el punto de balance tambin pueden cambiar; la media es sensible a la
magnitud de nmeros en un conjunto dado, lo cual representa una desventaja en el uso de la media, en
el ejemplo anterior la media no representa la mayor parte de los nmeros, la media esta para balancear el
valor extremo de 20.
Cuando existen numero extremos al final de un conjunto, la sensibilidad de la media no permite que
pueda considerrsele representativa de la mayora de las mediciones.
En estos casos es mejor que la mediana como mejor posicin.

Md.
Existen las siguiente medias 4,1,6,20,3.
Encontrar la mediana ordenando los datos queda: 1,3,4,6,20.
N es impar, Md se toma exactamente a la mitad
20 es un valor extremo pero no afecta la Md.
Ej. Encontrar la media de 6,2,17,3,4,10,11,11.
En orden: 2,3,4,6,10,11,11,17.
N= 8

Md= 8
0
1
2
3
4
5
6
7
8
9
10
Serie 1
Serie 2
Serie 3
Serie 4
Serie 5
Serie 6
Serie 7

Moda (Mo)
Es el valor particular que ocurre ms frecuentemente que cualquier otro en un conjunto de mediciones; si
dos valores tienen la misma frecuencia o aproximadamente la misma el conjunto de bimodal, si tres
tienen la misma frecuencia el conjunto es trimodal.
Ej. Conjunto de mediciones : 1,3,4,4,7,3,3,4,2,7,8,3,1
Organizndola en una tabla de frecuencia:
Media Conteo
1
2
3
4
7
8
2
1
4moda
3
2
1

En un conjunto de mediciones 22,26,27,27,23,23,27,22,28,22,28,30,29,25.
Media Conteo
22
23
25
26
27
28
29
30
3moda
2
1 bimodal
1
3moda
2
1
1

- Aunque a veces no es una medicin central Mo. Sirve significativamente como un nmero
representativo.


Simetra Unimodal

Mo M Mo
Md

Simetra Bimodal

M Md Mo

Asimtrica ala izquierda unimodal

Mo Md Mo

Asimtrica a la derecha unimodal.
Promedio mvil
Es el promedio indicador mas utilizado en anlisis tcnico, en el valor para un cierto periodo de tiempo
que muestra el sentido u la duracin de una tendencia.
Una seri de tiempo es un conjunto de observaciones tomadas en momentos de tiempos especficos,
generalmente en un intervalos iguales ejemplos(precio diario del euro, precio diario del petrleo).

Las caractersticas mas comunes del promedio mvil son:
1. Se calcula un cierto de tiempo
2. Cuando el periodo de tiempo es muy corto, la probabilidad de un dato falso aumenta.
3. Periodos de tiempos largos produce una menor sensibilidad al promedio.
El promedio mvil es un cuerpo de datos cambiante, a veces se llama mvil aritmtico; existen 4 tipos de
promedios mviles:
1. Simple
2. Exponencial
3. Suavizacin
4. Ponderado linealmente.
Un promedio mvil de orden n se define como la secuencia de medidas aritmticas
M
Md
Mo

Promedio mvil simple
Se promedia un periodo que contiene varios puntos, se promedia un periodo que contiene varios datos,
dividiendo la sima de los valores de los puntos entre el numero de puntos, de esta forma cada punto tiene
la misma influencia.
La serie de tiempos se define por medio de los valores de y1, y2yn de una variable, para los tiempos de
t1,t2,,tn. Por tanto y es funcin de t.
y

t
Aos meses
La grafica muestra un punto que se mueve con el paso del tiempo, los movimientos pueden ser el
resultado de combinacin de fuerzas econmicas,sociolgicas, fisiolgicas, etc.

Tendencia a largo plazo Movimiento cclico a largo plazo

V
E
N
T
A
S

Movimientos cclicos estacionales y tendencia a largo plazo

Promedio mvil ponderado
Ciertos puntos se ponderan mas o menos que otros , segn de considere conveniente a la experiencia.
Dados los nmeros: 2,6,1,5,3,7,2.
Un promedio mvil de orden 3 est dado por la secuencia:

O bien: 3,4,3,5,4.
Se localiza cada numero del promedio mvil en su posicin apropiada, relacionada con los datos
originales para N aos (1, 2, 3,4,5) pueden existir promedios mviles para N meses(1,2,3,4,5).
El promedio mvil tiende a reducir la cantidad de variacin presente en un conjunto de datos , esta
propiedad se acostumbra a utilizarse para eliminar fluctuaciones en series de tiempos, este proceso se
llama suavizacin de las series de tiempo.
Si se utilizan medias aritmticas ponderadas en la secuencia de la Ec. Con pesos especificados de
antemano, entonces la secuencia resultantes conoce como promedio mvil ponderado de orden N, por
ejemplo si lo pesos 1,4 y 1 se utilizan en el anterior , un promedio mvil ponderado de orden 3 est
definido por la secuencia.

() () ()

() () ()

() () ()

() () ()

() () ()

Media Armnica H
Es una cantidad finita de nmeros que es igual al reciproco de la media aritmtica, se utiliza para
promediar tiempo, velocidades y rendimientos.
()(

Ejemplo
Calcule la media armnica de: 34,27,45,55,22,34.

Media geomtrica G
De un conjunto de observaciones es la raz n-esima de su producto, donde todas las observaciones
deben ser positivas.

Ejemplo
Calcular la media geomtrico de 34,27,45,55,22,34

=34.545

Relacin entre media Armnica, media geomtrica y media

HGM
La igualdad sucede solo cuando los datos o letras son iguales.
Ejemplo: calcular HGM de 3,5,6,6,7,10,12.

()()()()()
=6.43

No hay igualdad, no hay relacin.

Una lista de datos mediana es el promedio de los valores de en medio, que divide al conjunto en dos
partes iguales.


Cuantiles
Es el conjunto de formas que dividen lo datos en partes iguales.

Cuartiles
(Q1,Q2,Q3) divide el conjunto de datos en 4 partes iguales, que son el primero. Segundo y tercer cuatil
respectivamente
Deciles
Divide los datos en 10 pares iguales. Y se denotan por D1, D2,D9.
Percentiles
Divide al conjunto en 100 partes iguales. Y se denotan por P1,P2,P99.
Ejemplo
Obtenga el Q1, Q2, Q3, D9 y P95.
88 45 5386 33 86 85 30 89 53 41 96
71 51 86 68 29 28 47 33 37 25 36 33
42 34 79 72 88 99 82 62 57 42 28 55
96 61 57 75 93 34 75 53 22 28 73 51

56 38 62
94 73 46
67 62 60
69 91 35

Solucin ordenando datos de menor a mayor
25 28 28 28 29 30 32 33 33 33 34 34 35 36 37
38 41 42 42 45 46 47 51 51 53 53 53 55 56 57
57 60 61 62 62 62 67 68 69 71 72 73 73 75 75
79 82 85 86 86 86 88 88 89 91 93 94 96 96 99

()


Rango de un conjunto de nmeros
Es la diferencia entre el dato mayor y el menor del conjunto.
Ejemplo conjunto: 2,3,3,5,5,8,10,12.
Rango = 12-2 = 10
A veces el rango solo se indica: de 2 a 12 o 2-12

Desviacin media

(
=
= media aritmtica de los nmeros
= valor absoluto de la deviacin de Xj respecto a
Ejemplo
Encontrar la desviacin media del conjunto: 2,3,6,8,11.

Desviacin estndar(S) de un conjunto de datos x1, x2,,xn

( (
) )
( (
) )
( )

X= es la desviacin de cada uno de los numero xj respecto a la media entonces s es la raz cuadrada de
la media las desviaciones, respecto a la media
En ocasiones se calcula s utilizando como denominador (n-1)en vez de N, esto es un dato con mejo
aproximacin para valores grandes (N>30); casi no existe entre los dos clculos.

Varianza S
S = varianza muestral
= varianza poblacional

media de los cuadrado de los diversos valores de x
cuadrado de la media de los iversos valores de x


Si dj=xj-a=desviacin de xj respecto a una constante arbitraria A

Cuando exiten intervalos de clase de un mismo tamao y existe una distribucin de frecuencia en datos
agrupados, se tiene dj = cuj o xj = A+cuj
Luego

Ejemplo
Encuentre la desviacin estndar de 12,6,7,3,15,10,18,5.

((
))

(( )
( )
( )
( )
)

Momentos
Dados N valores X1, X2, X3,Xn ya que forma la variable X, se define la cantidad.

( )
Ecuacin 1
Es el r-enesimo momento respecto de cero.
El primer momento donde r=1 es la mediana aritmtica
El r-enesimo momento, respecto a la media aritmtica es:
( )

( )
( ) Ecuacin 2
Si r=1; m1=0
Si r=2; m2 es la varianza
El r-enesimo momento respecto a cualquier origen A es:

( )

( )
( ) Ecuacin 3
D=x-a; son las desviaciones de las X respecto de Aj si a=0, la ec 3 se reduce a la ecuacin 1
Este mtodo se recomienda para datos
agrupados siempre que los intervalos de clase
sean del mismo tamao

Momentos para datos agrupados
Si X1, X2,, Xn presentan frecuencias f1, f2,,fn respectivamente los momentos anteriores estn dados
por:

( )

( )
( )

( )

( )
( )

Momentos en forma adiemcioal respecto a la media se utiliza para evitar unidades particulares.

es la desviacin estndar
Como m1=, m2=s se tiene a1=0y a2=1
curtosis k: indica cuan puntiaguda es la curva de distribucin normal:
una curva de distribucin normal con pico alto se llama leptocurtica, curtosis (+).
una curva de distribucin normal con pico relativamente aplastado se llama platicurtica cortosis (-
).
una curva de distribucin normal no puntiaguda ni aplastada se llama mesocrtica, curtosis (0).
en una medida de la curtosis se emplea el 4 momento respecto a la medida, en forma tridimensional.
coeficiente momento de curtosis =

para distribuciones normales b = =3
otra forma de calcular k

( )

k= coeficiente percentil de curtosis ; para distribuciones normales k=0.263

Ejemplo dado el conjunto: 2,3,7,8,10
Rango
Semi-intercuartil

Calcular: m1, m2, m3, m4
A) M1= media aritmtica

B) M2=

C) M3 =

D) M4 =

Calcular m1, m2, m3, m4, con respecto a la media

A) M1= ( )
B) m2
( )

C) m3
( )

D) M4
( )

Unidad 4 INFERENCIA ESTADISTICA
Estimacin puntual y por intervalos de confianza
Estimacin de la media, de la diferencia de medias, de la proporcin y de la diferencia de
proporciones
Determinacin del tamao de la muestra
Prueba de hiptesis
Pruebas unilaterales y bilaterales pruebas para medias y diferencia de medias
Distribucin t de student
Distribucin de ji cuadrada

Estimacin de intervalos de confianza
Sean Ms: media de la distribucin de muestreo.
: Desviacin tpica de la distribucin de muestreo.
Si el nmero de muestreos es N30, entonces podemos confiar en encontrar Ms en los
siguientes intervalos.
Intervalos intervalo de confianza lmite de confianza para s
Intervalos Intervalo de confianza Lmite de
confianza para
s


Ms
a
Ms +

68,27%

Ms -2
a
Ms +2
95.45% 5+1.95 s
Ms -3
a
Ms + 3
99.73% 5+2.58 s

Nivel de
confianza
99.73% 99% 98% 96% 95.45% 95% 90% 80% 68.27% 50%
Zc 3.0

2.58 2.33 2.05 2.00 1.96 1.645 1.28 1.00 0.6745

Los lmites extremos de cada intervalo se denominan Lmites de confianza o fiduciales.
Zc = coeficiente de confianza o valores crticos.
Limites de confianza para proporciones.
P
P
()

PARA MUESTRA DE POBLACIN INFINITA FINITA CON REPOSICIN
p= probabilidad de xitos.
Q= probabilidad de fracasos.
P= proporcin de xitos.
N=tamao de la muestra.
PARA POBLACIN FINITA Y SIN REPOSICIN.
P

INTERVALOS DE CONFIANZA PARA SUMAS.
S
1
y S= estadsticas mustrales con distribucin de muestreos aproximadamente normales.

LIMITES DE CONFIANZA PARA DIFERENCIAS DE LOS PARMETROS DE LA
POBLACIN. CORRESPONDIENTES A S Y S
s - s Zc s - s=s - s Zc


LIMITES DE CONFIANZA PARA SUMAS.
s - s Zc s + s= s + s Zc

Limites de confianza para la diferencia de Z proporciones poblacionales con poblaciones
infinitas.
P -P Zc P -P= P -P+

P, P2 = 2 proporciones mustrales.
N, N= Tamao de las 2 muestras.
p y p2 = Proporciones en la 2 poblaciones.

Ejemplo 1.
En una muestra existen 5 medidas: 6.33, 6.37, 6.36, 6.32 y 6.37 cm.
Determina la media y la varianza.

a) Media X =

b) La estimacin sin sesgo y coeficiente de la media verdadera (de la poblacin) es:
=

s =
(

=
()
()
()
()
()
= 0.00055

Estimacin sin sesgo e ineficiente para la verdadera media.
La mediana en una buena medida; ordenando por magnitud Md= 6.36

EJEMPLO DEL CALCULO PARA INTERVALOS DE CONFIANZA PARA MEDIAS
Las medias de los dimetros de una muestra aleatoria de 200 bolas de rodamiento
(balines) producidas por una maquina en una semana dieron una medida de 0.824 cm.
Con una desviacin tpica de 0.042 cm. Hallar el limite confianza para el limite medio,
para todas las bolas.
a) 95%
b) 99%
a) Los lmites de confianza para 95% son:
X =

a) = 0.824
= 0.824 0.0058 cm

b) = 0.824
= 0.824 0.0077 cm


c) Limite por 98%, 90%, 99.73%
0.824
= 0.820 0.0069 cm
0.824
= 0.824 0.0048 cm
0.824
= 0.824 0.0089 cm

EJEMPLO PARA INTERVALO DE CONFIANZA PARA PROPORCIONES.
Un sondeo de 100 votantes elegidos al azar indican que el 55% de ellos estaba a favor de cierto
candidato. Encuentre los limites de confianza para la proporcin de todos los votantes para ese
candidato con 95%, 99%, 99.73%
a) 95% de la poblacin p son
P 1.96 =p = p1.96
()

= 0.551.96
= 0.55 0.10

se utiliza la poblacin maestral P para encontrar p.

b) 99%0.552.58
= 0.550.13
c) 99.73%0.553
= 0.550.15

EJEMPLO INTERVALOS DE CONFIANZA PARA DIFERENCIA Y SUMAS.
En una muestra de 150 lmparas tipo A Con una Media de 1,400 hrs. y desviacin tpica de 120
hrs.
Otra muestra de 200 lmparas tipo B con una Media 1,200 hrs. y desviacin tpica de 80 hrs.
Encuentra los lmites de confianza para.
a) 95%
b) 99%
Para la diferencia de las vidas medias de la poblacin de ambos tipos.
Limites de confianza para la diferencia entre medias tipo A y B
XA-XB Zc

a) Para 95%
1400-12001.96
= 200 24.8

Existe un lmite de confianza de que la diferencia de medidas de las poblaciones est entre 175
y 225 horas.
b) Para 99%
1400-12002.58
= 200 32.6. Existe un 99% de confianza de que la diferencia

de las medias de las poblaciones est entre 169 y 233 horas.
Tamao de la muestra:
La teora de la muestra estudia la relacin existente entre una poblacin y las muestras tomadas
de ellas; se obtienen magnitudes (media y varianza) y/o las diferencias entre muestras
(significativas o fortuitas).
Para que las conclusiones de la teora de muestreo sean vlidas y la inferencia estadstica sea
verdadera, se necesita que las muestras sean representativas.

Diseo del experimento: Es el anlisis de los mtodos del muestreo, las muestras
representativas de obtienen por muestreo aleatorio con o sin reposicin.
Muestreo aleatorio: Cada miembro de la poblacin tiene la misma probabilidad de ser incluido en
la muestra.
Muestra con o sin reposicin: Se hace extraccin de un elemento de la poblacin y se devuelve
o no antes de la segunda extraccin.

Poblacin finita: Cuando existe un nmero de elementos.
Poblacin infinita: Cuando no existe un nmero de elementos.
Prueba de hiptesis: En la prctica tomamos decisiones sobre poblaciones basadas en el
conocimiento en que se tiene la muestra; estas son decisiones estadsticas, para ello se realizan
hiptesis estadsticas (conjeturas) que pueden ser ciertas o no.
H
0
Hiptesis nula: Son hiptesis que se formulan para ser rechazadas o invalidarlas; por ejemplo
no hay diferencia entre los mtodos A y B, las monedas son buenas.
H
1
Hiptesis alternativas:
Es la que difiere de la hiptesis nula, por ejemplo, si existe una probabilidad 0.5 la hiptesis
alternativa seria de H
1
= 0.75 o p= 0.4
Si se asume una hiptesis y los resultados obtenidos muestran una diferencia muy grande,
entonces las diferencias observadas son significativas y la hiptesis debe ser rechazada.
Contraste de hiptesis Procedimientos que ayudan a determinar si
Contrastes de significacin las muestras observadas difieren significativamente

Reglas de decisin de los resultados esperados.

H
0
es verdadero H
0
es falso
No rechace H
0
Decisin correcta Error tipo II
Rechace H
0
Error tipo I Decisin correcta

Error tipo I: Rechaza una hiptesis cuando debi ser aceptada.
Error tipo II: Acepta una hiptesis que debi ser aceptada.
Nivel de significancia: Es la probabilidad de cometer un error tipo I
Toda buena decisin minimiza los errores; siempre que disminuye un error, existe otro que
aumenta el tamao de la muestra y esto no siempre es posible.
NIVEL DE SIGNIFICACIN DE SIGNIFICACIN DEL CONTRASTE
En cuando damos la mxima probabilidad a una hiptesis y estamos dispuestos a correr el
riesgo de cometer un error tipo I; este nivel se especifica antes de tomar la muestra (los
resultados no influyen nuestra decisin) en la prctica se usa entre el 5% y el 1%.
Por ejemplo si se elige el 5% del nivel de significacin entonces hay 5 oportunidades entre 100
de rechazar la hiptesis cuando deba ser aceptada, es decir 95% de confianza que se adopt la
decisin correcta.
Hiptesis con nivel de significancia 5%- 95% de confianza que se adopt la decisin correcta.
Existe 5% de oportunidades de rechazar la hiptesis.
CONTRASTES CON LA DISTRIBUCIN NORMAL
Supongamos que cierta hiptesis tiene una distribucin de muestreo S con distribucin normal,
con una media Ms y una desviacin . Entonces distribucin de la variable tipificada. Z =

0.025

Si Z esta fuera de 1.96 el estadstico estara afuera del rango y diferira significativamente y la
hiptesis debera ser rechazada en este caso; el rea sombreada 0.025 es el nivel de
significancia del contraste, es la posibilidad de equivocarnos al rechazar la hiptesis, decimos
que la hiptesis se realiza a un nivel de significacin del 5%; o que el valor z de estadstica
muestral dado es significativo al nivel de 0.05.
Z dentro del rango menor -1.96 a 1.96= regin de la aceptacin de la hiptesis o regin de no
significancia.
Z fuera del rango -1.96 a 1.96= regin critica de hiptesis, regin de rechazo de hiptesis, regin
de significancia.

Basados en esto se formula la regla de decisin:
1. Rechazar la hiptesis al nivel de significancia 0.05 si el valor de Z para el estadstico S,
esta fuera del rango -1.96 a 1.96; Equivale a decir que el estadstico muestral es
significativo al nivel 0.05.
2. Aceptar la hiptesis en caso contrario (o no tomar una decisin)
Z es un estadstico de contraste; se puede utilizar niveles de significacin. Cuando el nivel
de inters del contraste est a ambos lados de la curva se llama prueba bilateral o de
dos colas.
Cuando el nivel de contraste a un lado se llama prueba unilateral o de una cola.

Nivel de
significancia
0.10 0.05 0.01 0.005 0.002

Valores crticos de
Z para test
unilateral
-1.28

1.28

-1.645

1.645
-2.33

2.33

-2.58

2.58
-2.88

2.88

Valores crticos de
Z para test
bilateral

-
1.645

1.645
-1.96

1.96
-2.58

2.58
-2.81

2.81
-3.08

3.08

Todos los casos son para poblaciones infinitas o por muestreo con repeticin.

PRUEBA PARA MEDIAS
S=
= Media muestral
M
= M= Media de la poblacin


= Desviacin tpica de la poblacin
= Tamao de la muestra

Cuando sea necesario se usa la desviacin muestral S

PRUEBA PARA DIFERENCIA DE MEDIAS

1
y
2
= medias muestrales obtenidos en grandes muestras de tamao N
1
y N
2

tomados de poblaciones con respectivas medias M
1
y M
2
y desviaciones tpicas
1
y
2

Se considera la hiptesis que No hay diferencia entre las medias
M
1
= M
2

DISTRIBUCION DE MUESTREO DE DIFERENCIA DE MUESTRAS
M
1
- M
2
= 0 y

con esto se puede contrastar la hiptesis nula frente a la hiptesis alternativa.

PRUEBA PARA PROPORCIONES
S=P Proporcin de xitos en una muestra
M
S
= M
P
= P P es la proporcin de xitos en una poblacin
N= Tamao de la muestra
s
=
p
=
q= 1-p
Z=

Cuando P=
, donde X es el nmero real de xitos en una muestra

Z se calcula as

Esto es:

Mx=M =Np
x= =
S=X

DIFERENCIA DE PROPORCIONES
P
1
, P
2
= Proporciones muestrales obtenidas en grandes muestral de tamao N1 y N2 tomadas
de respectivas poblaciones que tienen proporciones P
1
, P
2

Se considera la hiptesis nula Ho = No hay diferencia entre los parmetros de las poblaciones
(P
1
= P
2
) muestras tonadas de la misma poblacin.
M
P1-P2=
=0

Se usa como estimacin para la proporcin poblacional

Ejemplo:
Un laboratorio afirma que uno de sus productos es 90% efectivo para reducir una alergia en 8
horas. En una muestra de 200 personas con esa alergia el medicamento da buen resultado en
160 personas; determine si la afirmacin del laboratorio es legtima.

P= probabilidad de curacin del frmaco
H
0
= p=0.9 la afirmacin es correcta
H
1
=p<0.9 la afirmacin es falsa
- Se elige el contraste de una cola tomando el nivel de significacin de 0.10 Zc= -1.28
- Se adopta como regla de decisin
- Si Z<-1.28, no es legitima la hiptesis
200----180 personas
160 personas si fue efectivo
Si H
0
es verdadero

|
|
.
|
\
|
+ =
2 1
2 1
1 1
N N
pq
P P
o
2 1
2 1
2 1
N N
P N P N
p
donde
+
+
=
2 1
2 1
; 1
P P
P P
z
y p q
donde
=
=
o
24 . 4 ) 1 . 0 )( 9 . 0 )( 200 (
180 ) 9 . 0 ( 200
= = =
= = =
Npq
personas NP M
o
24 . 4 = o
{ } falsa es afirmacion la _ _ _ 28 . 1 72 . 4 <

El estndar para 160 personas es

Ejemplo 2.
La tensin de ruptura de los cables fabricados por una empresa tiene una M de 1800 lbs y una
; Se desea comprobar si un nuevo proceso de fabricacin aumenta la tensin media
de ruptura; para este objetivo se da una muestra de 50 cables y la tensin media de ruptura es
de 1850 lbs. Se puede afirmar la mejora del proceso a un nivel de significancia de 0.10?
2 Hiptesis
H
0
=M=1800 lbs, no hay cambios en la tensin de ruptura
H
1
=M>1800 lbs, hay un cambio real en la tensin de ruptura

Para un nivel de significancia de 0.1 la regla de decisin es
Si Z observando es mayor a 1.28el resultado es significativo y se rechaza H
0
En caso contrario se acepta H
0

El resultado es altamente significativo y la hiptesis puede mantenerse

MUESTRAS PEQUEAS
Distribucin t de student

Para muestras N<30 las aproximaciones no son buenas y empeoran al decrecer N por eso se
realizan algunas modificaciones en los clculos; un tipo de modificacin es conocida como
distribucin t de student

Para muestras pequeas con poblacin normal se calcula t utilizando la media de x y S ;
puede obtenerse la distribucin de muestreo para t, esta distribucin viene dada por student.
Y
0
= constante que depende de N de tal forma que el
rea de la curva sea 1rados de libertad
V=(N-1)= Numero de grados de libertad

Frmula para ajustar las curvas cuando V o N> 30

72 . 4
24 . 4
180 160
=
lbs 100 = o
28 . 1 54 . 3
54 . 3
50
100
1800 1850
>
=
=
N
M X
Z
o
N
M X
N
s
M X
t
o
= -
= 1
N
M x
N
S
M x
t
o
= -
= 1
2
2
) 1 (
2
0
2
2
0
2
2
1
1
1
1
t
V N
e y
V
t
Y
N
t
Y
y
+
=
(
+
=
(
+
=
t

Distribucin t de student para valores de V

Los valores de t se obtienen por tabla (apndice 3, libro Schawm)

Por ejemplo
Si t
0.975
, t
0.975
, los valores de t para los que el 2.5% del rea est en cada cola de la
distribucin t entonces, el intervalo de confianza de 95% de t es

Contraste de hiptesis
H
0
proceso de verificacin
H
1

NOMASHTO 95% compact. Z
0
=95%
5%
X

o o

DISTRIBUCIN JI CUADRADO

Se aplica cuando:
Se considera muestras N de poblacin normal
o desviacin tpica
X
2
para cada muestra

La distribucin de muestras Ji cuadrada est dada por
0.975 t 1
S
M - x
0.975 t - < - < N
( ) ( ) ( )
2
2 2
2
2
1
2
2
......
X
2
o o
X X X X X X
N
n s
+ + +
= =
Regin
Crtica o de
rechazo
Regin de
aceptacin
Regin
Crtica o de
rechazo

Y
0
depende de V
1
tal que el rea bajo la curva es 1

Distribucin Ji cuadrada para varios valores de V el mximo Y ocurre cuando X
2
=V-2 para V>2.

BIBLIOGRAFIA
Probabilidad y Estadstica en Ingeniera Civil, Jack R Benjamin , ed. MacGraw Hill, 1981
Probabilidad y Estadstica para Ingenieros, Montgomer, Mc Graw Hill
Probabilidad y Estadstica para Ingeniera, Walpole and Meyers

UNIDAD 5 ANALISIS DE REGRESION y CORRELACION

5.1 Regresin lineal simple, curvilnea y mltiple.
5.2 Correlacin.
5.3 Regresin y correlacin para datos agrupados.
5.4 Correlacin por rangos.
5.5 Coeficiente de correlacin para datos nominales.

( )
( )
libertad de grados de N V e x Y e x Y y
x
v
x
v
_ _ _ # 1 ____
2 2
2
1
2
0
2
1
2
2
1
2
0
= = = =

Probabilidad y Estadistica Unidad 1,2

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Probabilidad y Estadistica Unidad 1,2

Загружено:

Авторское право:

Доступные форматы

INSTITUTO TECNOLOGICO DE PACHUCA DEPARTAMENTO DE CIENCIAS BASICAS

DEPARTAMENTO DE CIENCIAS DE LA TIERRA CARRERA DE INGENIERIA CIVIL

= 12.6 + 12.9 + 13.4 + 12.3 + 13.6 + 13.5 + 12.6 + 13.1

; La Media Muestral X es una estimacin razonable de la Media Poblacional ; La

= 3.32 Ton. ( de la primera carga )

= 67.29 = 4.486 Ton. ( Carga ltima )

= raz cuadrada positiva de la varianza muestral

(solo hay una forma de seleccionar 0 elementos)

) = 1 (solo hay una forma de seleccionar todos los elementos)

) = n (hay un subconjunto de tamao 1)

120 calculando de otra forma por medio

diferentes muestras ordenadas con reposicin de tamao r.

20 cubetas de pintura vinlica

= 70 galones de pintura de aceite

teorema de las probabilidades totales

r = nmero total de valores distintos observados

la empresa genera ganancias

de ganar un partido de ajedrez cada vez

=0.0123 por 100% = 1.23% el porcentaje que le corresponde a cero es

= 0.1975 = 19.75% = 59. 25 %

X= nmero de xitos N=nmero de pruebas

= .0.104195634 por 100% = 10.41% ( x = 6, = 4 )

= 0.0486 por 100% = 4.8610%

= 0.0988 por 100% = 9.9%

= 0.5488 por 100% = 54.8% probabilidad de cero imperfecciones

= 0.3292 por 100% = 32.9% probabilidad de una imperfeccin

= 0.01 q = 1 - 0.01 = 0.99 g = (5;0.01) = 0.01 ( )

= 0.009005 (100%) =0.9605

= 0.7 (100%) = 70%

; para , tiene una Distribucin normal con parmetros

. Que esta tambin normalmente distribuida

nos dice a cuntas desviaciones estndar est x

este es el punto de balance para estos valores

media de los cuadrado de los diversos valores de x

cuadrado de la media de los iversos valores de x

= 200 32.6. Existe un 99% de confianza de que la diferencia

, donde X es el nmero real de xitos en una muestra

Вам также может понравиться