Estadistica Inductiva (1) GUIA

Pgina 1 de 132
REPBLICA BOLIVARIANA DE VENEZUELA

MINISTERIO DEL PODER POPULAR PARA
LA EDUCACIN UNIVERSITARIA
UNIVERSIDAD NACIONAL EXPERIMENTAL
SIMN RODRIGUEZ
NCLEO: PALO VERDE
CTEDRA: Estadstica II

Curso elemental de
Estadstica Inductiva o Inferencial.
Blog: eststredel.blogspot.com
Email: lstredelunesr@gmail.com
Facilitador:

Prof. Lisber Stredel

Palo Verde, 04 de agosto de 2011

Pgina 2 de 132

Contenido
Estadstica Inductiva o Inferencial. ...................................................................................................... 7
1. Nmeros ndices. ............................................................................................................................. 8
- Definicin de Nmeros ndices .................................................................................................. 9
- Tipos de Nmeros ndices ........................................................................................................... 9
ndice de precios, .......................................................................................................................... 9
ndice de cantidad, ..................................................................................................................... 10
ndice de valor, ........................................................................................................................... 10
- Uso de los Nmeros ndices ...................................................................................................... 10
- Problemas relacionados con los Nmeros ndices .................................................................... 10
1.1. Clasificacin de los Nmeros ndices. ........................................................................................ 11
- ndice Simple de Precios ............................................................................................................ 11
- ndices Compuestos de Precios: ................................................................................................ 11
- ndices Compuestos de precio Sin Ponderar: ............................................................................ 12
- ndices Compuestos de precios Ponderados: ........................................................................... 12
- ndice de Laspeyres ................................................................................................................... 12
- ndice de Paasche ...................................................................................................................... 12
1.2. ndice de cantidad ...................................................................................................................... 13
1.3. ndice de valor ............................................................................................................................ 13
1.4. Conclusin .................................................................................................................................. 13
Anexo 1: Ejercicio de Elaboracin del INPC personal. ....................................................................... 14
2. Tcnica de Contar. ......................................................................................................................... 19
- Principio de Multiplicacin ........................................................................................................ 20
- Principio de Adicin ................................................................................................................... 21
Pgina 3 de 132

2.1. Muestra ordenadas con repeticin ............................................................................................ 22
2.2. Muestra ordenadas sin repeticin: Permutacion. ..................................................................... 23
2.3. Muestra no ordenadas sin repeticin: Combinacion. ............................................................... 24
- Diferencia entre permutacin y Combinacin .......................................................................... 25
Ejercicios de Tcnicas de Conteo ...................................................................................................... 25
3. Probabilidad. ................................................................................................................................. 30
3.1. Definiciones ................................................................................................................................ 34
3.2. Tres enfoques distintos de observar la probabilidad ................................................................. 35
- Probabilidad Clsica o a priori. .................................................................................................. 35
- Probabilidad de Frecuencia Relativa o a posteriori. ................................................................. 36
- Probabilidad Subjetiva.............................................................................................................. 37
3.3. Axiomas de Probabilidad. .......................................................................................................... 38
- Primer axioma (Positividad): ..................................................................................................... 38
- Segundo axioma (Certidumbre): ............................................................................................... 38
- Tercer axioma (Uniones): .......................................................................................................... 39
3.4. Eventos y su Probabilidad. ......................................................................................................... 39
- Eventos mutuamente excluyentes ( AU B): ............................................................................... 39
- Eventos solapados ( AU B): ........................................................................................................ 39
- Eventos complementarios A
C
: .................................................................................................. 39
- Eventos independientes (A B): .............................................................................................. 40
- Eventos condicionados (A B): ................................................................................................ 40
Ejercicios de Probabilidad ................................................................................................................. 40
4. Distribuciones de Probabilidad. .................................................................................................... 46
4.1. Distribuciones de Probabilidad de variables discretas ............................................................... 46
- Distribucin Uniforme Discreta ................................................................................................. 46
Pgina 4 de 132

- Distribucin de Bernoulli. .......................................................................................................... 47
- Distribucin Binomial ................................................................................................................ 48
- Mas sobre la DISTRIBUCION BINOMIAL .................................................................................... 49
- Distribucin Hipergeomtrica ................................................................................................... 53
- Distribucin Multinomial........................................................................................................... 55
- Distribucin Geomtrica ........................................................................................................... 56
- Distribucin de Pascal o Binomial Negativa .............................................................................. 57
- Distribucin de Poisson ............................................................................................................. 57
- Mas sobre la DISTRIBUCION DE POISSON ................................................................................. 59
Ejercicios de Distribuciones de Probabilidad de variables discretas. ................................................ 61
4.2. Distribuciones de Probabilidad de variables continuas. ............................................................ 66
- Distribucin Uniforme Continua ............................................................................................... 66
- Distribucin Exponencial ........................................................................................................... 68
- Distribucin de Gamma ............................................................................................................. 68
- Distribucin de Weibull ............................................................................................................. 68
- Distribucin Normal o de Gauss ................................................................................................ 68
- Mas sobre la DISTRIBUCION DE NORMAL ................................................................................. 69
- Distribucin Normal Estndar N(0, 1) ....................................................................................... 71
- Tipificacin de la variable .......................................................................................................... 71
- Clculo de probabilidades con la distribucin Normal. ............................................................ 72
- Tabla de la Normal Estandarizada N(X; 0, 1) ............................................................................. 74
Ejercicios de Distribucin Normal ..................................................................................................... 76
- Distribucin Log Normal ............................................................................................................ 80
- Distribucin de Ji- Cuadrado ..................................................................................................... 80
Pgina 5 de 132

- Distribucin T-Student .............................................................................................................. 80
- Distribucin F ............................................................................................................................ 80
5. Distribucin Muestral. .................................................................................................................. 80
5.1. Algunas de las actividades que se realizan en una investigacin por muestreo en forma
sistemtica ........................................................................................................................................ 82
- Planteamiento de la investigacin ............................................................................................ 83
- Elaboracin de los instrumentos bsicos .................................................................................. 83
- Diseo de la encuesta ............................................................................................................... 83
- Organizacin y ejecucin de las operaciones de campo ........................................................... 83
- Procesamiento de datos ............................................................................................................ 84
- Anlisis de los resultados .......................................................................................................... 84
- Plan de difusin ......................................................................................................................... 84
5.2. Distribucin de la media muestral ............................................................................................. 84
5.3. Distribucin de la diferencia de medias muestrales .................................................................. 85
5.4. Distribucin de la proporcin muestral ..................................................................................... 85
5.5. Distribucin de la diferencia de proporciones muestrales ........................................................ 85
Ejercicios de Distribucin de Muestreo ............................................................................................ 86
5.6. Conceptos bsicos para la determinacin del tamao de muestra: variable cualitativa Sexo y
variable cuantitativa Edad. ................................................................................................................ 94
- Notacin o Simbologa utilizada en el Muestreo. ..................................................................... 94
- Marco Muestral de 1200 personas, Nmero identificador y variables: Sexo y Edad. .............. 95
- Valores poblacionales de las variables: Sexo y Edad ............................................................... 104
5.7. Clculo del tamao de muestra para las variables Sexo y Edad .............................................. 105
6. Estimacin puntual y por intervalo de los parmetros. .............................................................. 106
- Intervalos de confianza utilizando desviacin estndar ................................................ 106
Pgina 6 de 132

- Relacin entre nivel de confianza e intervalo de confianza ........................................... 106
- Intervalos de prediccin aproximados .............................................................................. 106
7. Contraste de Hiptesis. ........................................................................................................... 108
8. Regresin simple y Correlacin. ........................................................................................... 108
- Anlisis de Regresin........................................................................................................... 108
- Hiptesis del modelo ........................................................................................................... 108
- Correlacion ............................................................................................................................ 108
8.1. Principales tcnicas utilizadas en el anlisis de regresin lineal simple ....................... 109
- Diagrama de dispersin e interpretacin .......................................................................... 109
- Estimacin mediante la lnea de regresin ....................................................................... 110
- Recta de regresin por el mtodo de mnimos cuadrados. ............................................ 111
- Verificacin de la ecuacin de estimacin ........................................................................ 111
- Error estndar de la estimacin .......................................................................................... 111
- Interpretacin del error estndar de la estimacin .......................................................... 112
8.2. Anlisis de correlacin .......................................................................................................... 112
- Coeficiente de determinacin ............................................................................................. 112
- Coeficiente de correlacin ................................................................................................... 114
Ejercicio de regresin lineal simple ................................................................................................. 114
9. Series Cronolgicas o Series de Tiempo. ..................................................................................... 118
9.1. Componentes de una serie cronolgica ................................................................................... 119
- Tendencia ( T
t
) ......................................................................................................................... 119
- Estacionalidad o variacionales estacionales (S
t
)...................................................................... 120
- Ciclos o fluctuaciones cclicas (C
t
) ........................................................................................... 120
- Erraticidad o sucesos aleatorios o irregulares (E
t
) .................................................................. 121
Pgina 7 de 132

9.2. Tendencia. ................................................................................................................................ 121
- Mtodo de los mnimos cuadrados ......................................................................................... 122
9.3. Variaciones estacionales .......................................................................................................... 124
- Mtodo de diferencia a la tendencia ...................................................................................... 124
- Mtodo del porcentaje de tendencia. .................................................................................... 126
Ejercicio sobre serie cronolgica o de tiempo ................................................................................ 128

Estadstica Inductiva o Inferencial.

Debido a lo extenso y variado del campo cubierto por la Estadstica es difcil
proponer una definicin precisa del concepto. No obstante, tcitamente todos los
estadsticos estn de acuerdo en clasificar la materia en dos tipos, cuales son, la
Estadstica Descriptiva y la Estadstica Inductiva o Inferencial.
La Estadstica Descriptiva trata del resumen y descripcin de los datos. Dicho
resumen puede ser Tabular, Grafico o Numrico. El anlisis se limita en s mismo a
los datos coleccionados y no se realiza inferencia alguna o generalizacin acerca de
la totalidad de donde provienen esas observaciones (Poblacin).
Si bien la descripcin de los hechos recolectados es a veces en s misma el fin que
se propone, en la mayora de los anlisis estadstico estamos realmente mas al
comienzo de la tarea que al trmino de la misma. La estadstica descriptiva no es
ms que el trabajo preliminar para la inferencia.
Por ejemplo, si un jefe de personal somete a un test de aptitud a un grupo de
graduados universitarios recientemente contratados; entre lo que puede hacer con
los datos que resultan del test valindose de la estadstica descriptiva, estn los
aspectos siguientes: Tabular los datos o clasificarlos de manera que con solo dar un
vistazo se pueda tener una imagen general de los mismos; calcular algunos
promedios y reconocer algo sobre la aptitud tpica de los empleados; construir
tablas, graficas y cuadros para visualizar el comportamiento de los datos o bien
Pgina 8 de 132

convertir los datos brutos en rangos o en percentiles para hacer comparaciones;
utilizar el promedio como punto de localizacin y describir la variabilidad o
dispersin de los datos. Adems, si despus se obtienen ciertas medidas sobre el
rendimiento en el trabajo de estos empleados, se puede tratar de describir la
relacin entre los valores obtenidos en el test y dichas mediciones. Y en cuanto se
establezca una relacin semejante, se puede predecir el rendimiento de un
empleado en su trabajo con base a los resultados obtenidos en el test de aptitud.
La Estadstica Inductiva o Inferencial es el proceso de hacer predicciones acerca de
un todo o tomar decisiones al basarnos en la informacin recogida en la muestra,
por lo tanto la estadstica inferencial se refiere a la rama de la estadstica que trata
de los procesos inferenciales, la que a su vez comprende la teora de estimacin y
prueba de hiptesis.
Al resear las dos facetas de la estadstica, se puede resumir como sigue el
significado de estadstica: La Estadstica es la ciencia, pura y aplicada, que crea,
desarrolla y aplica tcnicas, de modo que pueda evaluarse la incertidumbre
derivada de inferencias inductivas.
1. Nmeros ndices.
Uno de los problemas ms importantes al estudiar Economa y Administracin de
Empresa es como medir la cantidad de algunos agregados heterogneos.
El agregado puede ser de cantidad fsica, como una lista de precios, como los
precios pagados por las compras de diversos tipos de insumos, tambin las
cantidades adquiridas o monto de dinero erogado en la compra.
En todo caso, el problema de la medicin es deducir un solo nmero que sea
descriptivo del volumen de un agregado dado o del cambio ocurrido en l en el
tiempo o de un lugar a otro. El mtodo estadstico para esa medicin se conoce
como Nmero ndice.
En efecto los nmeros ndices relacionan una o ms variables en un periodo dado
con la misma variable o variables en otro periodo, llamado periodo base.
Pgina 9 de 132

Al paso de los aos los nmeros ndice han llegado a ser cada vez ms importantes
para la administracin y la estadstica como indicadores de la cambiante actividad
econmica o de negocios; de hecho, su uso se ha convertido en el procedimiento de
ms amplia aceptacin.
Los nmeros ndices, constituyen un sencillo artificio para comparar los trminos
de una o varias series cronolgicas; considerando sta ltima como una sucesin
de observaciones de una variable tomada en instantes sucesivos.
En muchos problemas de Economa el inters es combinar, mediante un promedio
adecuadamente definido varios ndices simples para obtener un ndice con el que
se trata de reflejar la evolucin de una magnitud no fcil de definir concretamente,
por ejemplo: coste de vida, nivel de salarios, comercio exterior, etc.
- Definicin de Nmeros ndices
El nmero ndice es una medida estadstica diseada para poner de relieve
cambios en una variable o en un grupo de variables.
Un nmero ndice es una medida estadstica que tiene como finalidad comparar
una variable o magnitud econmica en el tiempo.
Los nmeros ndices miden el tamao o la magnitud de algn objeto en un punto
determinado en el tiempo, como el porcentaje de una base o referencia en el
pasado.
- Tipos de Nmeros ndices
Los nmeros ndices son importantes y concernientes a las actividades de negocios
y econmicos pueden clasificarse en tres tipos:
ndice de precios, compara niveles de precios de un perodo a otro. El ndice
nacional de precios al consumidor (INPC) mide los cambios globales de precios de
una variedad de bienes de consumo y de servicios, y se le utiliza para definir el
costo de vida.
Pgina 10 de 132

ndice de cantidad, mide qu tanto cambia el nmero o la cantidad de una
variable en el tiempo.
ndice de valor, mide los cambios en el valor monetario total; es decir, mide los
cambios en el valor en Bs.F de una variable, combina los cambios en precio y
cantidad para presentar un ndice con ms informacin.
- Uso de los Nmeros ndices
Los nmeros ndices son tiles cuando se quiere comparar variables o magnitudes
que estn medidas en unidades distintas. Por ejemplo, con los nmeros ndices
podemos comparar los costes de alimentacin o de otros servicios en una ciudad
durante un ao con los del ao anterior, o la produccin de arroz en un ao en una
zona del pas con la otra zona.
Aunque se usa principalmente en Economa e Industria, los nmeros ndices son
aplicables en muchos campos. En Educacin, por ejemplo, se pueden usar los
nmeros ndices para comparar la inteligencia relativa de estudiantes en sitios
diferentes o en aos diferentes.
Muchos gobiernos se ocupan de elaborar nmeros ndice con el propsito de
predecir condiciones econmicas o industriales, tales como: ndices de precios, de
produccin, salariales, del consumidor, poder adquisitivo, costo de vida, etc.
- Problemas relacionados con los Nmeros ndices
La in-comparabilidad de ndices se presenta cuando se hacen intentos para
comparar un ndice con otro despus de que ha habido un cambio bsico en lo que
se ha estado midiendo.
La distorsin de los nmeros ndice tambin se puede presentar cuando se
selecciona una base no apropiada. Siempre debemos considerar cmo y por qu el
perodo base fue seleccionado antes de aceptar una aseveracin basada en el
resultado de comparar nmeros ndice.
Pgina 11 de 132

1.1. Clasificacin de los Nmeros ndices.
Desarrollaremos este punto bsicamente para los ndices de precio, pero como se
ha dicho antes, puede extenderse a los ndices de cantidad y a los ndices de valor.
Cuando calculamos ndice de precio, es ste el que est variando y tratamos de
medir esa variacin en el tiempo o en el espacio. Hay muchas formas de medirlas,
una ms simples, otras ms complejas, pero todas aplicables a cada caso.
- ndice Simple de Precios
Son los que se refieren a una sola magnitud o concepto, y, por tanto, nos
proporcionan la variacin que ha sufrido esa magnitud en dos perodos distintos.
La forma usual de calcular un ndice simple es: I = P1 / P0 X 100
Donde P1 es la magnitud en el perodo actual, y P0 es la magnitud en el perodo
base, se multiplica por 100 para expresarlo en base a 100.
Utilizaremos un ejemplo para esclarecer la naturaleza bsica y la funcin de los
nmeros ndices.
Productos P1 en mes actual P0 en mes base I = P1 / P0 * 100
Arroz 1500 1400 107,14
Carne 5000 6000 58,12
Cine 1000 1000 100,00

- ndices Compuestos de Precios:
Si lo que deseamos es medir la evolucin en el tiempo de una magnitud compleja,
o conjunto de magnitudes simples, como, por ejemplo, el precio de las frutas, en
este caso no se podr utilizar un ndice simple, ya que tendramos diferentes
precios para cada una de las variedades que presenta este tipo de
alimentos(naranjas, manzanas, peras, entre otro).
Pgina 12 de 132

- ndices Compuestos de precio Sin Ponderar:
Son los que tratan de medir la evolucin de una magnitud compleja, pero donde
las diferentes magnitudes simples que intervienen tienen todas las mismas
importancias.
- ndices Compuestos de precios Ponderados:
Aunque los ndices compuestos ponderados se pueden obtener para todo tipo de
variables, los ms importantes son los que miden las variaciones en los precios.
La caracterstica comn a estos ndices y a la mayora de los ndices de precios es
que utilizan valores como coeficientes de ponderacin; es decir, datos que se
pueden expresar como producto de un precio por una cantidad.
- ndice de Laspeyres
Este mtodo utiliza las cantidades consumidas durante el perodo base. Es el ms
usado, debido a que requiere medidas de cantidades de nicamente un perodo.
Como cada nmero ndice depende de los mismos precios y cantidades base, la
administracin puede comparar el ndice de un perodo directamente con el ndice
de otro.
Una ventaja de este mtodo es la comparabilidad de un ndice con otro. El uso de
la misma cantidad de perodo base nos permite hacer comparaciones de manera
directa. Otra ventaja es que muchas medidas de cantidad de uso comn no son
tabuladas cada ao. La principal desventaja es que no toma en cuenta los cambios
de los patrones de consumo.
- ndice de Paasche
Es un proceso parecido al seguido para encontrar un ndice de Laspeyres. La
diferencia consiste en que los pesos utilizados en el mtodo Paasche son las
medidas de cantidad correspondientes al perodo actual. Es particularmente til
porque combina los efectos de los cambios de precio y de los patrones de consumo,
Pgina 13 de 132

as, es un mejor indicador de los cambios generales de la economa que el mtodo
Laspeyres.
1.2. ndice de cantidad
En tiempos de inflacin, un ndice de cantidad proporciona una medida ms
confiable de la produccin real de materias primas y bienes terminados que el
correspondiente ndice de valores. De manera parecida, la produccin agrcola se
mide mejor si se utiliza un ndice de cantidad, debido a que ste elimina los efectos
engaosos producidos por la fluctuacin de precios. A menudo usamos un ndice
de cantidad para medir mercancas que estn sujetas a una variacin considerable
de precios.
1.3. ndice de valor
Un ndice de valor mide cambios generales en el valor total de alguna variable.
Como el valor est determinado tanto por el precio como por la calidad, un ndice
de valor realmente mide los efectos combinados de los cambios de precios y
cantidad.
La principal desventaja de un ndice de valor es que no hace diferencia alguna
entre los efectos de estados de los dos componentes.
1.4. Conclusin
Los nmero ndices son llamados tambin nmeros ndices simples o relativos
simples, estos tienen una duracin del perodo a calcular usualmente de un ao,
aunque puede ser un trimestre un mes u otra unidad de tiempo.
Desde un punto de vista terico es deseable que los nmeros ndices para grupos
de artculos tengan las propiedades que cumplan las relaciones (nmeros ndices
para un solo artculo). Todo nmero ndice que tenga tal o cual propiedad se dice
que satisface el criterio asociado con ella.
No se conoce ningn nmero ndice que cumpla todos los criterios, si bien en
muchos casos se satisfacen aproximadamente.
Pgina 14 de 132

El ndice ideal de Fisher, que en particular verifica el criterio de inversin temporal
y el de inversin de factores, es mejor que cualquier otro nmero ndice til en
cuanto a satisfacer las propiedades consideradas importantes ( de ah el apelativo
de ideal).
Anexo 1: Ejercicio de Elaboracin del INPC personal.
Primer Paso: Construir la estructura de ponderacin del gasto.
1. Se multiplica las cantidades consumidas por los precios para as obtener los
gastos de cada especfico. Se suman los gastos y se sabr cuanto se gasta en
el mes.
2. Se divide cada gasto entre el total y se multiplica por 100 y se obtendr las
ponderaciones de los gastos. Se suma y el total debe ser igual a 100,00
3. La columna estructura de ponderacin significa el porcentaje de tus gastos
destinados al consumo de cada especifico o rubro.
Ponderacin de mis gastos mensuales, Base Diciembre o un mes cualquiera que ser la base de
comparacin
Este es el primer paso, es decir elaborar la estructura de ponderacin de mis gastos mensuales.

GRUPOS ARTICULOS
Cantidades
consumidas
en el mes
Precios
de los
artculos
en ese
mes
Gastos
del mes
Estructura
de
ponderacin
ALIMENTOS Y BEBIDAS
NO ALCOHOLICAS
BISTECK 4 32 128,00 0,99
LECHE COMPLETA 4 15 60,00 0,46
AGUA 10 6 60,00 0,46
BEBIDAS ALCOHOLICAS
Y TABACO
CAJA DE CERVEZA 2 65 130,00 1,01
CAJA DE CIGARROS 2 20 40,00 0,31
VINO
CHAMPAISADO 0,25 60 15,00 0,12
VESTIDOS Y CALZADOS
PANTALON 0,25 200 50,00 0,39
ZAPATOS 0,1 550 55,00 0,43
Pgina 15 de 132

DEPORTIVOS
SWETER 0,25 280 70,00 0,54
ALQUILER DE VIVIENDA
APARTAMENTO
COMPLETO 1 2500 2500,00 19,35
HABITACION EN
RESIDENCIA 1 700 700,00 5,42
CASA EN BARRIO 1 350 350,00 2,71
SERVICIOS DE LA VIVIENDA
EXCEPTO TELEFONO
LUZ 1 60 60,00 0,46
AGUA 1 30 30,00 0,23
GAS 1 35 35,00 0,27
EQUIPAMIENTO DEL
HOGAR
JUEGO DE RECIBO
(NORMAL) 0,1 2500 250,00 1,94
LAVADORA 0,1 1800 180,00 1,39
EQUIPO DE SONIDO 0,1 3200 320,00 2,48
SALUD
ECO PELVICO 0,1 120 12,00 0,09
RESONANCIA MAG. 0,1 450 45,00 0,35
ANTICONCEPTIVO 1 70 70,00 0,54
TRANSPORTE
METRO 40 0,9 36,00 0,28
TAXI TARIFA
MINIMA 2 25 50,00 0,39
BUSETA 40 1,5 60,00 0,46
COMUNICACIONES
INTERNET 1 99 99,00 0,77
TV DIGITAL 1 140 140,00 1,08
TELEFONIA 1 70 70,00 0,54
ESPARCIMIENTO Y
CULTURA
CINE 4 14 56,00 0,43
WARAIRARREPANO 4 50 200,00 1,55
TEATRO 2 60 120,00 0,93
SERVICIOS DE
EDUCACION
CURSOS
INFORMATICA 1 270 270,00 2,09
UNIVERSIDAD
(SEMESTRE) 0,25 1800 450,00 3,48
POST GRADO
(GERENCIAL) 0,25 1500 375,00 2,90
Pgina 16 de 132

Segundo Paso: Construir los relativos de precios ponderados.
1. Se divide el precio actual entre el precio del mes anterior y se obtiene la
columna de relativos de precios.
2. Se multiplica la columna de relativos de precios por la columna de
estructura de ponderacin y se halla la columna de relativos de precios
ponderados. Se suma y el total expresa como ha afectado la variacin de
precios a tus gastos en forma globalizada y en qu porcentaje.
3. Esta columna significa como ha afectado cada especfico o rubro a tus gastos
en forma individual y en qu porcentaje.

RESTAURANTES Y HOTELES
DESAYUNO 20 20 400,00 3,10
HOSPEDAJE (POR
NOCHE) 4 180 720,00 5,57
CENA 20 150 3000,00 23,22
BIENES Y SERVICIOS
DIVERSOS
ENCOMIENDA 0,1 120 12,00 0,09
PELUQUERIA 8 200 1600,00 12,39
INTERNET (CIBER x
HORA) 40 2,5 100,00 0,77

TOTAL 12918,00 100,00
Relativos de precios entre dos meses consecutivos multiplicada por la ponderacin
Este es el segundo paso, es decir elaborar la variacin de los precios y la incidencia en los gastos.

GRUPOS ARTICULOS
Precios
de los
artculos
en el mes
actual
(ENERO)
Precios
de los
artculos
en el
mes
anterior
(DIC)
Relativos
de
precios
de Enero
a Dic.
Estructura
de
ponderacin
Relativos de
precios
ponderados
ALIMENTOS Y BISTECK 35 32 1,0938 0,99 1,08
Pgina 17 de 132

BEBIDAS
NO ALCOHOLICAS
LECHE COMPLETA 17 15 1,1333 0,46 0,53
AGUA 6 6 1,0000 0,46 0,46
BEBIDAS
ALCOHOLICAS
Y TABACO
CAJA DE CERVEZA 65 65 1,0000 1,01 1,01
CAJA DE CIGARROS 16 20 0,8000 0,31 0,25
VINO
CHAMPAISADO 60 60 1,0000 0,12 0,12
VESTIDOS Y
CALZADOS
PANTALON 200 200 1,0000 0,39 0,39
ZAPATOS
DEPORTIVOS 580 550 1,0545 0,43 0,45
SWETER 280 280 1,0000 0,54 0,54
ALQUILER DE
VIVIENDA
APARTAMENTO
COMPLETO 2500 2500 1,0000 19,35 19,35
HABITACION EN
RESIDENCIA 700 700 1,0000 5,42 5,42
CASA EN BARRIO 350 350 1,0000 2,71 2,71
SERVICIOS DE LA
VIVIENDA
EXCEPTO
TELEFONO
LUZ 42 60 0,7000 0,46 0,33
AGUA 20 30 0,6667 0,23 0,15
GAS 50 35 1,4286 0,27 0,39
EQUIPAMIENTO
DEL HOGAR
JUEGO DE RECIBO
(NORMAL) 2550 2500 1,0200 1,94 1,97
LAVADORA 1800 1800 1,0000 1,39 1,39
EQUIPO DE SONIDO 3250 3200 1,0156 2,48 2,52
SALUD
ECO PELVICO 150 120 1,2500 0,09 0,12
RESONANCIA MAG. 450 450 1,0000 0,35 0,35
ANTICONCEPTIVO 75 70 1,0714 0,54 0,58
TRANSPORTE
METRO 0,9 0,9 1,0000 0,28 0,28
TAXI TARIFA
MINIMA 35 25 1,4000 0,39 0,54
BUSETA 2 1,5 1,3333 0,46 0,62
COMUNICACIONES INTERNET 99 99 1,0000 0,77 0,77
Pgina 18 de 132

Tercer Paso: Construir los INPC, las variaciones y proyecciones.
1. Obtenidos los relativos de precios ponderados para varios meses, se
construye la columna de INPC multiplicando el relativo de precio de un
mes por el INPC del mes anterior y ese resultado corresponde al mes en
referencia dividido entre 100. Se inicia con 100 en el mes base, dado que es
la base de comparacin.

2. La columna de variacin mensual se obtiene dividiendo el ndice de un mes
TV DIGITAL 140 140 1,0000 1,08 1,08
TELEFONIA 70 70 1,0000 0,54 0,54
ESPARCIMIENTO Y
CULTURA
CINE 28 14 2,0000 0,43 0,87
WARAIRARREPANO 50 50 1,0000 1,55 1,55
TEATRO 60 60 1,0000 0,93 0,93
SERVICIOS DE
EDUCACION
CURSOS
INFORMATICA 270 270 1,0000 2,09 2,09
UNIVERSIDAD
(SEMESTRE) 1800 1800 1,0000 3,48 3,48
POST GRADO
(GERENCIAL) 1500 1500 1,0000 2,90 2,90
RESTAURANTES Y
HOTELES
DESAYUNO 35 20 1,7500 3,10 5,42
HOSPEDAJE (POR
NOCHE) 180 180 1,0000 5,57 5,57
CENA 150 150 1,0000 23,22 23,22
BIENES Y
SERVICIOS
DIVERSOS
ENCOMIENDA 150 120 1,2500 0,09 0,12
PELUQUERIA 200 200 1,0000 12,39 12,39
INTERNET (CIBER x
HORA) 2,5 2,5 1,0000 0,77 0,77

TOTAL 100,00 103,24
Pgina 19 de 132

entre el ndice del mes anterior y se multiplica por 100 y se le resta 100 y ese
resultado corresponde al mes de referencia. Se inicia con cero en el mes
base, dado que es la base de comparacin.
3. La columna de proyeccin del gasto se obtiene multiplicando el gasto actual
por el ndice del mes en referencia, dividido entre 100 y as sucesivamente.
4. Significa la proyeccin del gasto para ese mes en cuestin.

2. Tcnica de Contar.
En muchos casos debemos ser capaces de resolver un problema de probabilidad
mediante el conteo del nmero de elementos del espacio muestral sin listar
realmente todos los elementos.
Las tcnicas de conteo son aquellas que son usadas para enumerar eventos difciles
de cuantificar. Se les denominan tcnicas de conteo a las combinaciones,
permutaciones y diagrama de rbol, las que a continuacin se explicarn y hay que
destacar que stas nos proporcionan la informacin de todas las maneras posibles
en que ocurre un evento determinado.
ndice de precios y variacin mensual para varios meses, ejemplo Dic. a Junio en base a los relativos
de precios ponderados obtenidos
Este es el tercer paso, es decir elaborar los INPC, la variacin mensual y la proyeccin de los gastos.
Meses
Relativos de
precios
ponderados
INPC de
Dic. a
Junio
Variacin
mensual del
INPC
Gastos del mes
proyectado en base
a la variacin
mensual
Gastos del mes
proyectado en base
al INPC
Diciembre 100,0000 100,0000 0,0000 12918,00 12918,00
Enero 103,2435 103,2435 3,2435 13337,00 13337,00
Febrero 105,1254 108,5352 5,1254 14020,57 14020,57
Marzo 101,3589 110,0101 1,3589 14211,10 14211,10
Abril 98,2541 108,0894 -1,7459 13962,99 13962,99
Mayo 102,3685 110,6495 2,3685 14293,70 14293,70
Junio 103,5689 114,5985 3,5689 14803,83 14803,83
Pgina 20 de 132

La teora combinatoria estudia los mtodos que permiten contar el nmero de
diversos arreglos o selecciones que puede formarse con los elementos de conjuntos
finitos.
Entre sus aplicaciones prcticas est el clculo de probabilidades, al permitir
enumerar los casos favorables y casos posibles. Tiene tambin utilidad en otras
ramas, como por ejemplo, el clculo de la complejidad o tiempo de ejecucin de un
algoritmo o programa informtico, al estimar el nmero de operaciones que se
realizan en un procedimiento algortmico.
Las bases para entender el uso de las tcnicas de conteo son el principio
multiplicativo y el aditivo, los que a continuacin se definen y se hace uso de ellos.
- Principio de Multiplicacin
Se establece como sigue: Si un primer experimento puede tener exactamente n1
resultados distintos; si para cada una de stas un segundo experimento puede
producir n2 resultados distintos; y si para cada una de las dos primeras se puede
realizar un tercer experimento con n3 resultados distintos; y as sucesivamente para
k experimentos; entonces los experimentos combinados, del primero al k esimo,
pueden tener exactamente (n1) (n2) (n3) (n4) (n5) (n6)<<<<< (nk) resultados
distintos.

Ejemplo 1. Cuantos almuerzos que consisten en una sopa, seco, postre y bebida
son posibles si podemos seleccionar 4 sopas, 3 secos, 5 postres y 4 bebidas?
Solucin: Como (n1)= 4 (n2)= 3 (n3)= 5 (n4)= 4
hay 4 x 3 x 5 x 4 = 240 diferentes maneras de elegir un almuerzo.
Ejemplo 2. Suponga que se desea formar una terna para elegir presidente,
vicepresidente y secretario de una junta directiva. Hay 15 candidatos para la
presidencia; 40 candidatos para la vicepresidencia y 200 para la secretaria, de
cuantas formas se puede elaborar la terna?
Solucin: Como (n1)= 15 (n2)= 40 (n3)= 200
hay 15 x 40 x 200 = 120.000 ternas diferentes.
Pgina 21 de 132

Ejemplo 3. Un profesor de Estadstica desea exhibir tres carteles en la planta baja
del Ncleo Palo Verde, uno a continuacin del otro. De cuantas formas puede
colocar los tres carteles?
Numero de formas como se puede colocar el primer cartel = 3
Numero de formas como se puede colocar el segundo cartel = 2 (puesto que el
primero est colocado)
Numero de formas como se puede colocar el tercer cartel = 1 (puesto que el
primero y el segundo estn colocados)
Solucin: Como (n1)= 3 (n2)= 2 (n3)= 1
hay 3 x 2 x 1 = 6 formas diferentes.
Ejemplo 4. Se dispone de 3 vas para viajar de C1 a C2 y de 4 vas para viajar de C2
a C1. De cuntas formas se puede organizar el viaje de ida y vuelta de C1 a C2?
Solucion: 34=12
- Principio de Adicin
Se establece como sigue: Si un primer experimento puede tener exactamente n1
resultados distintos; un segundo experimento puede producir n2 resultados
distintos; un tercer experimento n3 resultados distintos; y as sucesivamente para k
experimentos; si solo una de estos k experimentos se puede realizar entonces, los
experimentos combinados, del primero al k esimo, pueden tener exactamente
(n1) +(n2)+ (n3)+ (n4)+ (n5)+ (n6)+<<<<< +(nk) resultados distintos.

Ejemplo 1. Una persona puede viajar de una ciudad a otra por tres carreteras
disponibles, o por dos lneas frreas o por 3 lneas areas. De cuantas formas esta
persona puede hacer el viaje entre las dos ciudades?
Obsrvese que si la persona decide por una de las formas quedan descartadas las
otras.
Numero de formas como puede viajar por carretera = 3
Numero de formas como puede viajar por va frrea = 2
Numero de formas como puede viajar por lneas areas = 3
Solucin: Como (n1)= 3 (n2)= 2 (n3)= 3
hay 3 + 2 + 3 = 8 formas diferentes de llegar a su destino.

Pgina 22 de 132

Ejemplo 2: Un repuesto de auto se vende en 6 tiendas de la ciudad A y en 8 tiendas
de la ciudad B. En cuantas tiendas se puede adquirir el repuesto?
Solucion: 6+8=14
El anlisis estadstico se hace con base en datos (muestra). Estos datos en atencin
a la forma como sean recolectados o a la manera como deban estudiarse pueden
ser Ordenados o No ordenados y Con repeticin o Sin repeticin, de forma tal que
por el Principio de Multiplicacin existen 4 modalidades como pueden recolectarse
los datos

Ordenados No ordenados
Con repeticin Ordenados con repeticin No ordenados con
repeticin
Sin repeticin Ordenados sin repeticin No ordenados sin repeticin

En lo que sigue utilizaremos el trmino muestra para referirnos a cualquier
sucesin de datos.
2.1. Muestra ordenadas con repeticin
Se obtiene cuando cada observacin puede darse tantas veces como sea
posible porque la unidad observada se retorna a la poblacin o porque hay
un nmero grande de unidades que poseen la misma medida y el orden en
que se suceden tales observaciones es de importancia. Este tipo de muestra
se llama enupla (dupla, tripla, cudrupla, etc.)
El numero de muestras (tamao del espacio muestral) est dada por
N
n
en donde N es el tamao de la poblacin y n es el tamao de la muestra.

Ejemplo 1. Un examen de Verdadero o Falso es respondido por una persona
que carece de todo conocimiento sobre el tema. Si la persona debe
responder 10 preguntas, De cuantas formas distintas puede responder el
examen?
Pgina 23 de 132

Solucin:
N es el tamao de la poblacin = 2 (verdadero o falso)
n es el tamao de la muestra = 10 (numero de respuestas)
S es el tamao del espacio muestral o numero de exmenes distintos
= N
n
= 2
10
= 1024 exmenes distintos.
2.2. Muestra ordenadas sin repeticin: Permutacion.
Resultan cuando cada observacin solo se da una vez porque cada unidad
una vez observada no se retorna a la poblacin.
Este tipo de muestras se llaman Permutaciones. El numero de muestras
(tamao del espacio muestral) est dada por
PN,n

en donde N es el tamao de la poblacin y n es el tamao de la
muestra.
Si se tiene los elementos a1, a2, ..., an, cada ordenamiento diferente de esos n
elementos recibe el nombre de permutacin. Es importante resaltar que el orden es
una caracterstica importante en la permutacin, cuando variamos el orden de los
elementos se dice que permutamos dichos elementos y se obtiene otra
permutacin.
PN,n

= N! / (N-n)! El smbolo ! se llama factorial y es un operador, por
ejemplo
8 ! = 8 x 7 x 6 x 5 x 4 x 3 x 2 x 1 = 40.320
Ejemplo:
El nmero total de permutaciones que se puede obtener con las letras A, B y C
tomadas de 3 en 3
ser: P3,3

= 3 ! / (0-0)! = 3 = 3*2*1 = 6
Estas sern las permutaciones {ABC BAC CAB ACB BCA CBA }
Ejemplo 1. Un profesor de estadstica dispone de 8 temas sobre los que debe
dictar el curso de Estadstica II. Se le pide que lo reduzca a 5 para lo cual
debe presentar una serie de 5 temas ante un jurado evaluador. De cuantas
formas puede organizar los temas?
Pgina 24 de 132

Solucin: Como se trata de organizar temas hay implcito un orden y una no
repeticin, as que estamos ante una permutacin con N = 8 y n = 5
P8,5 = 8! / ( 8 5)! = 8! / 3! = 8 x 7 x 6 x 5 x 4 = 6720 paquetes.
2.3. Muestra no ordenadas sin repeticin: Combinacion.
Se obtienen cuando cada observacin se da solo una vez y el orden en que
aparecen no es de importancia. Este tipo de muestras se llaman
Combinaciones.
El numero de muestras (tamao del espacio muestral) est dada por
CN,n

en donde N es el tamao de la poblacin y n es el tamao de la
muestra.
En el caso de las combinaciones, lo importante es el nmero de agrupaciones
diferentes de objetos que pueden ocurrir sin importar su orden.
Por lo tanto en las combinaciones se busca el nmero de subgrupos diferentes que
pueden tomarse a partir de n objetos.
El nmero de combinaciones de N objetos tomados n a la vez es igual a:
CN,n

= N! /[n! (N-n)!]
Supongamos que se elegir a tres miembros de una pequea organizacin social de
un total de diez miembros para que integren un comit. Cul es el nmero de
grupos diferentes de tres personas que pueden ser elegidos, sin importar el orden
en el que cada grupo podra elegirse? Solucin NCn =10C3 = 10! / (7! * 3!) = 120
Es evidente que en este caso el orden en que se escojan las tres personas carece de
importancia y que ninguna de ella va a ser escogida 2 veces para formar el comit.
Por tanto es un problema de combinacin.
CN,n

= N! /n! (N-n)! = 10!/( 3! 7!) = 120 comit de tres personas distintos.
Pgina 25 de 132

- Diferencia entre permutacin y Combinacin
Normalmente usamos la palabra "combinacin" descuidadamente, sin pensar en si
el orden de las cosas es importante. En otras palabras:

"Mi ensalada de frutas es una combinacin de manzanas, uvas y bananas": no
importa en qu orden pusimos las frutas, podra ser "bananas, uvas y
manzanas" o "uvas, manzanas y bananas", es la misma ensalada.

"La combinacin de la cerradura es 472": ahora s importa el orden. "724" no
funcionara, ni "247". Tiene que ser exactamente 4-7-2.
As que en matemticas usamos un lenguaje ms preciso:

Si el orden no importa, es una combinacin.

Si el orden s importa es una permutacin.
Estos dos conceptos forman parte de la tcnica de conteo.
Ejercicios de Tcnicas de Conteo

1. Se lanzan 5 dados ; de cuantas formas pueden caer?
Resp. 7776 formas
2. Se lanzan 4 veces una moneda; de cuantas formas pueden caer?; utilizar un
diagrama de rbol para mostrar todos los resultados posibles.
Resp. 16 formas
3. Una placa para vehculos consta de 2 letras (considerar 26 letras del
alfabeto) y a continuacin 3 dgitos.

a) Cuntas matrculas pueden hacerse si las 2 letras son diferentes y tambin los
3 dgitos son diferentes? Resp. 468.000
Pgina 26 de 132

b) Cuntas matrculas pueden hacerse si las letras pueden coincidir e
igualmente los dgitos pueden ser iguales? Resp. 676.000
Aqu podemos observar que usamos el principio de la Multiplicacin.
4. Los asegurados de una compaa se clasifican por edades: menos de 30 aos
(A1); de 30 a 45 (A2) y ms de 45 aos (A3); por estado civil: solteros (S), casados (C)
y divorciados (D); y por sexo: masculino (M) y femenino (F); de cuantas formas se
pueden clasificar las plizas de los asegurados? Cul es el espacio muestral de este
experimento? Construir un diagrama de rbol para representar el espacio
muestral.
Resp. 18 formas.
5. La carta de un restaurant ofrece a eleccin sopa (S) o ensalada (E) para empezar,
carne de res (R), de cerdo (C), o mariscos (M) como plato principal; y torta (T),
pastel (P) o frutas (F) a elegir como postre. La comida completa consta de 3 platos
elegidos de cada una de las 3 clases. Cuantos almuerzos distintos se pueden
preparar?
Resp. 18 almuerzos
6. Si un conjunto A tiene 5 elementos, cuantas duplas se puede formar con los
elementos de A?
Resp. 25 duplas
7. Si en un concurso se presentan 10 libros, de cuantas formas se pueden otorgar
los primeros 3 premios?
Resp. 720 formas
8. En el concurso de belleza de Miss Venezuela, se suelen escoger 15 semifinalistas
y luego se eligen 5 finalistas; de cuantas formas se pueden ocupar las 5 primeras
posiciones entre las 15 finalistas?
Resp. 360.360 formas
9. Se sacan 5 cartas de un mazo de 10 numeradas del 0 al 9; de cuantas formas se
pueden sacar 5 cartas en rdenes distintos con reemplazo y sin reemplazo?
Resp. Con reemplazo =100.000 sin reemplazo = 30.240
10. La junta directiva de la compaa ABC consta de 15 miembros; de cuantas
formas se pueden elegir presidente, vicepresidente y secretario?
Resp. 15P3= 2.730 Formas 15C3= 455
Pgina 27 de 132

11. Se va a elegir un comit de 5 entre un grupo de 7 candidatos; de cuantas formas
se puede hacer esto? Si los 7 candidatos van a ocupar 5 cargos distintos; de cuantas
formas se pueden ocupar los cargos?
Resp. 2.520 formas 21 formas
12. Cuantos equipos de basquetbol de 5 hombres se puede formar de una escuadra
de 12 hombres si no se tiene en cuenta las posiciones del juego o en caso contrario,
es decir, se toma en cuenta las posiciones?
13. Un club tiene 15 miembros; de cuantas formas se puede elegir una junta
directiva de 3 miembros?
14. En una clase de Estadstica hay 30 estudiantes, 10 hombres y 20 mujeres; de
cuantas formas distintas se puede constituir un comit de 5 estudiantes? De
cuantas formas si debe haber 3 mujeres en el comit?
Resp. 17100720 comits 615600 comits
15. En La Asamblea Nacional hay 20 diputados del Gobierno Nacional y 10
diputados de la Oposicin. Se va a elegir una comisin integrada por 5 diputados;
de cuantas formas puede hacerse? De cuanta si tiene que haber 3 diputados del
gobierno y 2 de la oposicin; de cuantas formas si todos tienen que ser del mismo
grupo partidista?
Resp. 17100720 comisiones 615.600 comisiones 1890720 comisiones
16. Si se cuenta con 14 alumnos que desean colaborar en una campaa pro
limpieza del Tecnologico, cuantos grupos de limpieza podrn formarse si se desea
que consten de 5 alumnos cada uno de ellos, b) si entre los 14 alumnos hay 8
mujeres, cuantos de los grupos de limpieza tendrn a 3 mujeres?, c.cuntos de
los grupos de limpieza contarn con 4 hombres por lo menos?
Solucion: 14C5: 2002 grupos 8C3*6C2 = 840 grupos
6C4*8C1+ 6C5* 8C0= 126
17. Para contestar un examen un alumno debe contestar 9 de 12 preguntas,
a.Cuntas maneras tiene el alumno de seleccionar las 9 preguntas?, b.Cuntas
maneras tiene si forzosamente debe contestar las 2 primeras preguntas?
Pgina 28 de 132

Solucin: 12C9 = 220 maneras 2C2*10C7 = 120 maneras
18. Cuntas palabras diferentes se pueden formar con las letras n, l, o, e; as no
tengan sentido?

nloe, nleo, nelo, neol, nole noel, lnoe, lneo, leno, leon, lone, loen, elon, elno,
enlo, enol, eoln, eonl, olne, olen, oeln, oenl, onle, onel.

19. Cuntos nmeros de tres cifras se pueden construir con los dgitos
1,2,3,4,5,6,7,8,9,0 si ninguno se puede repetir

20. De cuntas maneras se puede escoger un comit de 4 hombres de un grupo de
8?

21. Cuntas palabras diferentes, aun sin significado, se pueden formar con las
letras de la palabra amorosos?

22. Cuntos nmeros de cuatro cifras existen?

23. En el primer grupo de la clase A del campeonato de futbol participan 17
equipos. Los premios son: Medalla de Oro, medalla de plata y medalla de bronce.
De cuantas formas estas pueden ser distribuidas? Resp. 4080 formas.
24. Cuantas representaciones diferentes sern posibles formar, si se desea que
consten de Presidente, Secretario, Tesorero, Primer Vocal y Segundo Vocal?, s esta
Pgina 29 de 132

representacin puede ser formada de entre 25 miembros del sindicato de una
pequea empresa. Resp. 6375600
25. Una persona puede viajar de una ciudad a otra por 3 carreteras disponibles o
por 2 lneas areas. de cuantas formas esta persona puede hacer el viaje?
Resp. 3+2=5 formas
26. De cuantas maneras se pueden ordenar las letras de la palabra XSIAON de
modo que las palabras ASI y NO nunca aparezcan?
Respuesta:
El nmero total de ordenaciones es de n = 6! = 720
El nmero de las que levan la palabra ASI es 4! = 24, pues basta con considerar la
palabra ASI como una sola letra del grupo X(ASI)ON.
Razonando de igual manera, se obtiene que las que llevan la palabra NO son 5! =
120
Las que llevan simultneamente ASI Y NO vienen dadas por 3! = 6 ( Se considera
ASI como una letra y NO como otra)
El nmero de las que llevan ASI o NO viene dado, aplicando el principio de
inclusin y exclusin por 120 + 24 8 =138
El nmero de ordenaciones pedidas es por tanto 720 138 = 582

27. Se quiere conformar un equipo de profesionales, se tienen: 12
Administradores, 13 Educadores y 16 Contadores de cuantas maneras se pueden
formar?
12 * 13 * 16 =2496 maneras
28. En la Universidad Simon Rodrguez, ncleo la Urbina el Director de la ctedra
de Estadstica, necesita conformar un equipo conformado por cinco docentes, tiene
en la terna para escoger: dos Psiclogos, tres Administradores y cuatro Socilogos,
decide tomar un Psiclogo, dos administradores y dos Socilogos, De cuantas
maneras puede estar conformado el equipo?
P(x)=nCr
P (1)=2C1+ P (2)=3C2+ P (2)=5C2= 60
Pgina 30 de 132

29. En una clase de 10 alumnos van a distribuirse 3 premios. Averiguar de cuantos
modos puede hacerse si los premios son diferentes o si los premios son iguales.
Respuesta: Hay dos supuestos posibles:
a. Si una misma persona no puede recibir ms de un premio:
a.1. Hay P10; 3 = 10
*
9 * 8 = 720 maneras de distribuir los premios si estos son
diferentes
a.2. En el caso de que los premios sean iguales, pueden distribuirse de
C10; 3 = 120 maneras.
b. Si una misma persona puede recibir ms de un premio
b.1. Se pueden distribuir los premios, si estos son diferentes, de
PR10; 3 = 10 ^ 3 = 1000 maneras;
b.2. Hay C10; 3 = 120 maneras de distribuir los premios si estos son iguales.?
3. Probabilidad.

En ocasiones cuando se habla de probabilidad o posibilidad de que un evento
ocurra, se pierde la credibilidad acerca del evento en cuestin, pero es posible
tener siempre la certeza total en todo proyecto o actividad que se desea realizar?,
es muy difcil tenerla, debido a que el llevar a efecto un proyecto cualquiera por
ms simple que ste sea, ste est sujeto a una gran diversidad de factores que
afectan su ocurrencia, Entonces qu es lo ms aconsejable para predecir su
ocurrencia?, la probabilidad es la que nos ayuda en estos casos, ya que basndose en
estadsticas, podemos cuantificar la posibilidad de ocurrencia de los eventos y por
consiguiente tomar una buena decisin basados en esta informacin.
La probabilidad se encarga de evaluar todas aquellas actividades en donde se tiene
incertidumbre acerca de los resultados que se pueden esperar, esto quiere decir
que la probabilidad est presente en casi todas las actividades que se pretenda
realizar, ejemplos:
Pgina 31 de 132

-Cualquier proyecto de Ingeniera o de otras reas
-Competencias deportivas
-Juegos de azar, etc., etc.
Cmo podemos calcular probabilidades? Haciendo uso de las estadsticas.
En este caso, se hace uso de la informacin que se ha acumulado acerca del evento
que nos interesa, y despus de esto se procede a calcular las probabilidades
requeridas.
Ejemplo 1. Determine la probabilidad de que en cierta lnea de produccin se
manufacture un producto defectuoso, si se toma como referencia que la
produccin de la ltima semana en esta lnea fue de 1,500 productos, entre los que
se encontraron 18 productos defectuosos.
p(producto defectuoso) = No de productos defectuoso /Total de productos
producidos en la semana = 18 / 1500 = 0.012
Las Probabilidades pertenecen a la rama de la matemtica que estudia ciertos
experimentos llamados aleatorios, o sea regidos por el azar, en que se conocen
todos los resultados posibles, pero no es posible tener certeza de cul ser en
particular el resultado del experimento. Por ejemplo, experimentos aleatorios
cotidianos son el lanzamiento de una moneda, el lanzamiento de un dado,
extraccin de una carta de un mazo de naipes. Ms adelante se ver que debemos
distinguir entre los conceptos de probabilidades matemticas o clsicas de las
probabilidades experimentales o estadsticas.
La probabilidad de un resultado se representa con un nmero entre 0 y 1, ambos
inclusive. La probabilidad 0 indica que el resultado no ocurrir nunca y la
probabilidad 1 indica que el resultado ocurrir siempre.
Los problemas ms sencillos estudian la probabilidad de un suceso favorable en
un experimento o acontecimiento con un nmero finito de resultados, todos ellos
con igual probabilidad de ocurrir.
Si un experimento tiene n posibles resultados, y f de ellos se consideran favorables,
la probabilidad de un suceso favorable es f/n. Por ejemplo, un dado no trucado se
Pgina 32 de 132

puede lanzar de seis formas posibles, por tanto, la probabilidad de que salga un 5
un 6 es 2/6.
Para calcular la probabilidad de un evento se toma en cuenta todos los casos
posibles de ocurrencia del evento; es decir, de cuntas formas puede ocurrir
determinada situacin.
Los casos favorables de ocurrencia de un evento sern los que cumplan con la
condicin que estoy buscando.
As para el lanzamiento de una moneda con una cara de un lado y un sello en el
otro lado, tengo 2 casos posibles de ocurrencia (o cae cara o cae sello) y slo 1 caso
favorable de que pueda caer cara (pues slo hay un cara en la moneda).
Para calcular la probabilidad de un evento se utiliza la siguiente frmula:

Para nuestro ejemplo: Probabilidad de "que caiga una cara" tenemos:
P (cara) =1 (caso favorable) / 2 (casos posibles)
P(cara)= = 0.5
Por lo tanto, existe una probabilidad del 50% que yo obtenga una cara al tirar una
moneda.
Ejemplo 2. En un juego de baraja de 40 cartas, Cul es la probabilidad de que al
sacar al azar una de ellas sta sea de espadas?
Respuesta:
Casos posibles: las 40 cartas
Casos favorables: 10 cartas de espada
P = 10 / 40 = 1 / 4 = 0,25

La probabilidad es el medio por el cual a partir de la informacin contenida en una
muestra tomamos decisiones o hacemos afirmaciones que se refieren a toda una
poblacin mediante el proceso llamado Inferencia Estadstica.
Pgina 33 de 132

La estadstica descriptiva se puede usar directamente para la toma de decisiones si
se trata de parmetros poblacionales. Sin embargo, si se trata de estadsticas
muestrales, se debe seguir otro proceso antes de que la decisin sea tomada. Ese
proceso comprende la generalizacin de los parmetros en base a la estadstica.
Este proceso se llama Inferencia Estadstica y comprende dos tipos de problemas:
La estimacin y la prueba de hiptesis.
La probabilidad y la estadstica se refieren a situaciones diferentes y por lo tanto
resuelven problemas distintos. Sin embargo, las dos se complementan como
veremos en la discusin de los dos problemas siguientes:
Un problema de probabilidad: Se lanza un dado balanceado una vez. Cul es la
probabilidad de obtener el 3?
Como el dado puede caer de 6 formas diferentes y solo una de estas corresponde
al 3, diramos entonces que tenemos una probabilidad de un caso probable de
acertar entre 6 casos posibles. En trminos de probabilidad, decimos que esta es de
1/6 .
Un problema de estadstica (inferencial): Se lanza un dado 20 veces para
determinar si est balanceado y se observ que el 3 se obtuvo 17 veces, que
podemos pensar de este dado?
La respuesta es que el dado no est balanceado. Porque de estarlo y si se toma en
cuenta que en este caso cada una de las caras tiene la misma probabilidad de
obtenerse; es decir 1/6, es bastante extrao que el 3 aparezca 17 de cada 20. Una
probabilidad de 17/20.
Es importante darnos cuenta que en el primer caso (Un problema de probabilidad)
partimos de lo general a lo particular, mientras que en segundo caso (Un
problema de estadstica) partimos de un hecho particular a lo general: el dado no
est balanceado basndonos en la probabilidad que tiene cada resultado de darse.
La probabilidad nos permite estudiar o analizar los fenmenos o procesos
aleatorios o estocsticos o probabilstico o no determinstico.
Pgina 34 de 132

3.1. Definiciones
Antes de introducirnos en los axiomas, los teoremas y los clculos de probabilidad
vamos a definir algunos conceptos bsicos y a denotar la simbologa utilizada que
nos ayudar a comprender este tema.
- Experimento aleatorio: Un experimento se dice aleatorio cuando puede
ocurrir de diversas maneras sin que sea posible predecir con certeza que
resultado particular va a ser observado.
Ejemplos de experimentos aleatorios son los siguientes:
- Lanzamiento de un dado una sola vez
- Peso de una persona
- Los valores de las acciones de cierta empresa en el da de maana
- El estado del tiempo atmosfrico en el da de maana
- Espacio muestral: El conjunto de todos los resultados posibles de un
experimento aleatorio y se denota con la letra S
- Eventos o sucesos: Es un subconjunto del espacio muestral o resultados
favorables o probables y se denota con la letra E pero puede utilizarse las
letras A, B, C, etc.
- Probabilidad del evento E: Se denota como Prob ( E ) y se calcula
dependiendo del enfoque que se utilice. La probabilidad es un numero que
oscila entre 0 y 1; por lo tanto 0 <= Prob ( E ) <= 1
- Evento Seguro: Se tiene la certeza de que siempre ocurrir y se denota con
la letra S; siendo su probabilidad Prob (S) = 1; ; por ejemplo, la probabilidad
de que una persona muera es uno porque es un evento seguro.
- Evento Imposible: Se tiene la certeza de que nunca ocurrir y se denota con
la letra que significa conjunto vacio; siendo su Prob () = 0; por ejemplo,
Pgina 35 de 132

la probabilidad de que una persona nunca muera es cero porque es un
evento imposible.
3.2. Tres enfoques distintos de observar la probabilidad
Probabilidad Clsica o a priori, Probabilidad de Frecuencia Relativa o a posteriori
y Probabilidad Subjetiva.
- Probabilidad Clsica o a priori.

La probabilidad clsica o a priori o cannica fue introducido por Laplace y se
establece de la forma siguiente:
Si un experimento aleatorio tiene n(S) resultados mutuamente excluyentes e
igualmente posibles (nmero de casos posibles) y m(E) de estas n maneras poseen
la caracterstica del evento E (nmero de casos probables), entonces la
probabilidad de E se denota y est dada por Prob ( E) = m(E) / n(S) ; es decir
Prob ( E) = nmero de casos probables / nmero de casos posibles

Calculemos algunas probabilidades:
Probabilidad de cara cuando se lanza una moneda una sola vez
S = (cara,sello) n(S) = 2
E = (cara) m(E) = 1
Prob ( E) = m(E) / n(S) = 1/2
Probabilidad de (cara,cara) cuando se lanza una moneda dos veces
S = ((cara,cara) (cara,sello) (sello,cara) (sello,sello)) n(S) = 4
E = (cara,cara) m(E) = 1
Prob ( E) = m(E) / n(S) = 1/4
Probabilidad (la suma sea igual a 8) cuando se lanza un dado dos
veces
D1+D2 1 2 3 4 5 6
1 2 3 4 5 6 7
2 3 4 5 6 7 8
Pgina 36 de 132

S = n(S) = 36

E (D1 + D2 = 8) m(E) = 5
Prob ( E) = m(E) / n(S) = 5/36
- Probabilidad de Frecuencia Relativa o a posteriori.

En los ejercicios anteriores la probabilidad se pudo determinar mediante el criterio
de Laplace, puesto que se trata de experimentos aleatorios con resultados
igualmente posibles (probables) No obstante cuando la igualdad no se da, el
problema de asignar probabilidad debe ser resuelto de otra forma (Probabilidad a
posteriori o de frecuencia relativa)
Este enfoque se debe a Richard von Mises y se establece de la manera siguiente:
Si un experimento se repite un numero grande de veces, denotmoslo con n(S) y
sea m(E) el nmero de veces que un evento E ocurri. Es un hecho observable
experimentalmente que a medida que n(S) aumenta, el cociente m(E) / n(S) tiende a
estabilizarse en un numero P; este nmero P se llama la probabilidad del evento E
y se denota por Prob ( E)
A este valor o probabilidad se llega mediante la frecuencia relativa y si los
resultados presentan regularidad probabilstica o estadstica, lo cual quiere decir
que en un numero grande de repeticiones del experimento los distintos resultados
se presentan en la misma proporcin aproximadamente.
En el siguiente ejercicio ilustramos como se llegara a la probabilidad de obtener
cara cuando se lanza una moneda mediante el criterio frecuentista.
3 4 5 6 7 8 9
4 5 6 7 8 9 10
5 6 7 8 9 10 11
6 7 8 9 10 11 12
Pgina 37 de 132

Se lanzo una moneda 1000 veces en total, con conteo del nmero de caras y
sellos que se iban obteniendo progresivamente en el transcurso de los
lanzamientos. Los resultados fueron como se indica en la tabla que sigue

Nmero
de
lanzamien-
tos
Nmero
de caras
Nmero
de
sellos
Frec.
Relativa
de caras
Frec.
Relativa
de
sellos
Probabilidad
de caras
Probabilidad
de sellos
10 6 4 0.600 0.400 0.600 0.400
20 11 9 0.550 0.450 0.550 0.450
100 48 52 0.480 0.520 0.480 0.520
200 112 88 0.560 0.440 0.560 0.440
500 243 257 0.486 0.514 0.486 0.514
1000 521 479 0.521 0.479 0.521 0.479

El punto en donde se va deteniendo el conteo es arbitrario y siempre se ir
contando sobre el resultado anterior. As por ejemplo, cuando hemos registrado 20
lanzamientos, nuevos solo han sido 10, ya que estos 20 se cuentan sobre los 10
anteriores.
De acuerdo con los valores de frecuencia relativa que hemos venido observando
podemos decir que la probabilidad de obtener cara o sello es 0.5 o 1/2
- Probabilidad Subjetiva.

A esta concepcin probabilstica se le ha prestado mucha atencin en las ltimas
dcadas y se encuentra principalmente relacionada con aquellas situaciones que
solo ocurrirn una vez, como es el caso del precio que tendrn ciertos tipos de
acciones en el da de maana o el estado del tiempo atmosfrico el da 31 de
diciembre de este ano. En estos casos la informacin del pasado (semejante a la
Pgina 38 de 132

frecuencia relativa), la experiencia y las actitudes sirven de soporte para hacer
evaluaciones probabilsticas.
La probabilidad subjetiva se define o se interpreta como sigue:
Dado un experimento determinado, una situacin o un suceso, la probabilidad de
un evento E es el grado de creencia asignado a la ocurrencia de este evento por
un individuo particular; las nicas exigencias son que: 1) Prob ( E) = 0 representa la
certeza de que el evento no ocurrir, 2) Prob ( E) = 1 representa la certeza de que el
evento si ocurrir, y 3) 0 <= Prob ( E) < =1 representa el grado de certeza de que
evento E ocurrir.
Esto es, la Probabilidad Subjetiva de la ocurrencia de un evento es un nmero
ndice, asignado por una persona y que representa el grado de conocimiento que
esta tiene sobre el suceso en particular considerado. Otra persona, con otros
conocimientos, podra asignar un nmero ndice distinto.
Cuando usted trata de responder una interrogante como Cual es la probabilidad
de que maana en el juego de apertura de la Serie Mundial gane el equipo Home
Club? Est considerando una probabilidad subjetiva.
3.3. Axiomas de Probabilidad.

El clculo de probabilidad tiene como fundamento la teora de los conjuntos y se
desarrolla a partir de 3 axiomas o postulados del evento probabilstico.
- Primer axioma (Positividad):
La probabilidad de un evento es no negativo; significa que puede ser cero o un
numero positivo y se expresa as; Prob ( E) >= 0
- Segundo axioma (Certidumbre):
Este axioma manifiesta que la probabilidad de todo el espacio muestral es 1 y se
expresa as; Prob ( S) = 1; obsrvese que los dos primeros axiomas indican que la
probabilidad de cualquier evento vara entre 0 y 1. Por lo tanto, tenemos que 0 <=
Prob ( E) <= 1
Pgina 39 de 132

- Tercer axioma (Uniones):
La probabilidad de un evento compuesto E es la suma de las probabilidades de los
eventos simples de los cuales E es compuesto.
3.4. Eventos y su Probabilidad.
Para calcular las probabilidades es necesario definir bien los eventos.
- Eventos mutuamente excluyentes ( AU B):
Se dice que dos eventos, A y B son mutuamente excluyentes, o simples, si no
pueden ocurrir simultneamente o no tienen ningn punto muestral en comn.
Prob (A U B) = Prob (A) + Prob (B)
Ejemplo: Se extrae aleatoriamente una carta de un mazo de cartas
espaolas; Cual es la probabilidad de que aparezca un As o un Rey?
Resp: Prob (As U Rey) = Prob (As) + Prob (Rey) = 4/40 + 4/40 = 2/10
- Eventos solapados ( AU B):
Se dice que dos eventos, A y B son solapados, si tienen puntos muestrales en
comn. Los puntos muestrales que pertenecen tanto a A como a B forman un
subconjunto que se llama interseccin de A y B, representada por (AB); Prob (A
U B) = Prob (A) + Prob (B) - Prob (A B)
Ejemplo: Se extrae aleatoriamente una carta de un mazo de cartas espaolas;
Cual es la probabilidad de que aparezca un As o una espada?
Resp: Prob (As U Espada) = Prob (As) + Prob (Espada) - Prob (As Espada)
= 4/40 + 10/40 1/40 = 13/40
- Eventos complementarios A
C
:
Se dice que dos eventos A y A
C
son complementarios si el segundo es un
subconjunto que contiene todos los sucesos elementales del espacio muestral que
no estn el primero; los sucesos complementarios son mutuamente excluyentes y
su unin es el espacio muestral S.
Prob (A
C
) = Prob (S) - Prob (A) = 1 - Prob (A)
Pgina 40 de 132

Ejemplo: Cual es la probabilidad de que aparezca un 1, 2, 3, 4 o 5 cuando se
arroja un dado comn?
Resp: Prob (1, 2, 3, 4 o 5) = 1 - Prob (6) = 1 1/6 = 5/6
- Eventos independientes (A B):
Se dice que dos eventos son independientes si el resultado de uno no afecta al
otro, o no es afectado por el otro. De esta forma si A y B son independiente,
entonces la
Prob (A B) = Prob (A) x Prob (B); Esto significa que si A y B son
independientes, entonces la probabilidad de que A y B aparezcan
simultneamente, como lo denota (A B), es el producto de sus
probabilidades separadas.
Ejemplo: Se arrojan 2 dados, uno Azul A y otro Blanco B; Cual es la
probabilidad de que A <= 4 y B >= 5
Resp. Prob (A B) = Prob (A) x Prob (B) = 4/6 x2/6 = 2/9
- Eventos condicionados (A B):
Se dice que dos eventos son condicionados o dependientes si el resultado de uno
si afecta al otro, o es afectado por el otro. De esta forma si A y B son dependientes,
entonces la
Prob (A B) = Prob (A) x Prob (B/A) o
Prob (B A) = Prob (B) x Prob (A/B)
Ejemplo: En un conjunto de 100 productos manufacturados, 15 son
defectuosos. Suponga que 2 son extrados aleatoriamente sin reemplazo;
Cual es la probabilidad de que ambos sean defectuosos?
Resp. Designemos con D a los defectuosos, entonces tenemos que
Prob (D1 D2) = Prob (D1) x Prob (D2/D1) = 15/100 x 14/99 = 21/990
Ejercicios de Probabilidad

1. Explique por qu hay error en cada una de las afirmaciones siguientes:
a) Las probabilidades de que un camionero no sufra accidentes, sufra uno,
dos o ms durante el ano, son 0.90; 0.02; 0.09
Pgina 41 de 132

b) Un agente de Bolsa afirma que la probabilidad de que suba el precio de
ciertas acciones es 0.48, de que no cambie el valor es 0.64 y de que baje es
- 0.12
c) Las probabilidades de que haya cero, 1, 2 o 3 das de lluvia la semana
que viene son 0.54; 0.28; 0.14 y 0.04 respectivamente.
2. Un estudiante responde al azar a 4 preguntas de una prueba de verdadero o
falso.
a) Escriba el espacio muestral.
b) Escriba el suceso responder falso a una sola pregunta.
c) Escriba el suceso responder verdadero al menos a 3 preguntas.
d) Escriba la unin de estos dos sucesos, la interseccin y la diferencia del 2 y el 1.

3. En un conjunto de 100 tems manufacturados, 7 de ellos son defectuosos. Se saca
un tem aleatoriamente del conjunto; Cual es la probabilidad de que sea
defectuoso? Resp. 7/100
4. Cul es la probabilidad de que aparezca un 7 o un 11 si se arrojan un par de
dados regulares? Resp. 2/9
5. Se selecciona un participante de una escuela en la que hay 500 varones y 200
hembras; Cual es la probabilidad de que el estudiante elegido sea hembra?
Resp. 2/7
6. Una persona posee un billete de lotera perteneciente a una tira de 150 billetes
que ofrecen un primero, un segundo y un tercer premio. Cul es la probabilidad de
que ganara a) el primer premio, b) el segundo premio, c) el tercer premio, d) un
premio.
7. Se arroja dos dados. Cul es la probabilidad de no obtener un doble?
8. Durante una campaa poltica, la probabilidad de A de ganar es de 2/5 y la de B
es 1/3; Cual es la probabilidad de A o de B de ganar si ambos estn en la misma
campaa?
9. Se arroja un dado; Cual es la probabilidad de que aparezca:
(a.) un nmero par ( b) un nmero divisible entre 3 (c ) un numero mayor que 4?
Pgina 42 de 132

10. Un dado esta cargado de manera que la probabilidad de salir una cara dada es
proporcional al nmero de puntos que tiene la cara. Halle la probabilidad de
obtener:
a) Un nmero menor que tres
b) Un nmero menor o igual que cuatro
c) Un nmero impar
d) Un nmero mayor o igual que cuatro
11. Tres contratistas, A, B y C, licitan por la construccin de una nueva escuela. Un
experto cree que A tiene la mitad de la probabilidad que B; B, a su vez, tiene 2/3 de
la probabilidad de C de ganar el contrato. Cul es la probabilidad para cada uno de
ganar el contrato si las estimaciones del experto son acertadas?
12. Se arrojan juntos dos monedas y un dado. Cual es la probabilidad de que
ambas monedas resulten cara y de que el dado de un numero menor que 3? Resp.
1/12
13. Si yo tengo una cesta llena de peras y manzanas, de las cuales hay 20 peras y 10
manzanas. Qu fruta es ms probable que saque al azar de la canasta?
Razone analticamente en terminos probabilistico su respuesta
14. Se toma un producto al azar, cual es la probabilidad
MAQUINAS
PRODUCTOS A B C TOTAL
Defectuoso 13 12 14 39
No defectuoso 36 34 42 112
TOTAL 49 46 56 151

a.- sea de la maquina B b.- sea defectuoso
c.- sea de la maquina A o C d.- no defectuoso de B
15. Se lanza un dado, si el nmero obtenido es <= 3 se extrae una bola de la urna
nmero 1 que contiene 4 bolas blancas y 3 rojas; si el nmero es > 3 se extrae una
bola de la urna urna numero 2 que contiene 2 bolas blancas y 6 rojas. Calcular la
probabilidad de que salga un 5 y que la bola sea roja.

Pgina 43 de 132

16. Una rata es colocada en una caja con tres pulsadores de colores rojo, azul y
blanco. Si pulsa dos veces las palancas al azar:
a) Cul es la probabilidad de que las dos veces pulse la roja?
b) Cul es la probabilidad de que pulse la primera vez o la segunda o ambas la
tecla Azul?
a) Para que las dos veces pulse la roja tiene que ocurrir que la primera vez pulse la
roja y la segunda tambin pulse la roja, es decir que se verifique el suceso (R1
R2). Ahora bien , como ambos sucesos son independientes, la probabilidad de la
interseccin es igual al producto de las probabilidades de ambos sucesos. La
probabilidad de estos sucesos se determina mediante la regla de Laplace de casos
favorables (uno), partido por casos posibles (tres) .
P(R1 x R2) = P(R1) P(R2) = 1/3 1/3 = 1/9
b) En este apartado, claramente, nos piden la probabilidad de la unin de los
sucesos pulsar azul la primera vez y pulsar azul la segunda. Ahora bien, estos dos
sucesos no son incompatibles, luego la probabilidad de la unin ser igual a la
suma de las probabilidades menos la probabilidad de la interseccin. La
probabilidad de la interseccin, al igual que en el apartado anterior, se calcula
basndonos en el hecho de que son independientes.
P(A1 x A2) = P(A1) + P(A2) P(A1 x A2) = 1/3 + 1/3 1/9 = 5/9
17. Como todo el mundo sabe, la probabilidad de que en una ruleta salga 10 veces
seguidas el color rojo es muy pequea. Habiendo salido 9 veces seguidas el rojo,
un jugador apuesta al negro Qu probabilidad tiene de ganar?
Para que el jugador gane tiene que ocurrir la secuencia R1, R2, ..., R9, N10. Como
sabemos ya se ha producido R1, R2, ..., R9. La probabilidad que buscamos ser la
probabilidad de que salga negro en el dcimo lanzamiento, condicionada por que
haya salido rojo en las nueve anteriores. Por la definicin de probabilidad
condicionada:

Pgina 44 de 132

Como vemos el hecho de que previamente haya salido nueve veces rojo no cambia
la probabilidad de que salga la dcima vez. Esto es as porque cada lanzamiento es
independiente de los restantes. (Nota. En realidad la probabilidad de que salga
rojo o negro en una ruleta no es exactamente 0,5, sino 18/37 ya que adems de los
18 nmeros rojos y los 18 negros, existe el cero que no tiene asignado color, pero
este dato no cambia el razonamiento hecho y el resultado sera 18/37)
18. En una asignatura se ha decidido aprobar a aquellos que superen uno de los
dos parciales. Con este criterio aprob el 80%, sabiendo que el primer parcial lo
super el 60% y el segundo el 50% Cul hubiese sido el porcentaje de aprobados,
si se hubiese exigido superar ambos parciales?
Sea A1 el suceso aprobar el primer parcial y A2 aprobar el segundo. Los datos del
problema nos dicen que:
P(A1 x A2) = 0,8 P(A1) = 0,6 P(A2) = 0,5
Y se pide la probabilidad de la interseccin de ambos sucesos. Como A1 y A2 no
son incompatibles, la probabilidad de la unin ser:
P(A1 x A2) = P(A1) + P(A2) P(A1 x A2)
Despejando tenemos: P(A1 x A2) = P(A1) + P(A2) P(A1 xA2)
Sustituyendo los valores numricos: P(A1 x A2) = 0,6 + 0,5 0,8 = 0,30
La conclusin es que si se hubiese exigido aprobar los dos parciales el porcentaje
de aprobados hubiese sido del 30%.
19. Se lanza un dado tantas veces como sea necesario hasta que aparezca un tres. Si
suponemos que el tres no aparece en la primera lanzada.
(a) Cul es la probabilidad que se necesiten ms de cuatro lanzadas?
(b) Cul es la probabilidad de que suceda en la tercera lanzada?
Pgina 45 de 132

Definimos los eventos:
A es el evento que la primera lanzada no es tres.
B es el evento en el que en las primeras cuatro lanzadas no sale tres.
P (B|A) es la probabilidad de que se necesiten ms de cuatro lanzadas para que
aparezca tres. si en la primera no sale tres. Debemos calcular
p (B \ A) y p(A).
p(B)= 54/64 p(A)= 5/6
P(B/A) = 53/63
p (B|A) indica la probabilidad de que el tres aparece por primera vez en la tercera
lanzada sabiendo que no sali en la primera. A \ B = B Puesto que si tres sale por
primera vez en la tercera lanzada entonces la primera lanzada no es tres.
p (B) = 52/63 P(A) = 5 /6 p (B|A) = 5/62
20. Un avin con tres bombas trata de destruir una lnea frrea; la probabilidad de
destruir la lnea con cualquiera de las bombas es 1/3. Cul es la probabilidad de qe
la lnea quede destruida si el avin emplea las tres bombas?
Solucin
La probabilidad de que una determinada bomba no haga blanco es : 1 - 1/3 = 2/3
La probabilidad de que ninguna haga blanco, es (2/3) elevado a la 3
Anlisis es decir no acierte ni la primera ni la segunda ni la tercera, pues son
sucesos independientes.
La probabilidad de que al menos una haga blanco es 1 - (2/3) elevado a la 3 = 19/27,
ya que son contrarios.

21. Suponga que dos tiradores, A y B, disparan simultneamente sobre un blanco
situado a 1000 metros. Las probabilidades de dar en el blanco son: P(A) = 0.3, P(B)
= 0.4 y P(A y B) = 0.12. Cul es la probabilidad de que A d en el blanco, en vista
de que B dio? Resp. 0,30 = 30%
Pgina 46 de 132

4. Distribuciones de Probabilidad.
Este tema lo vamos a desarrollar indicando para cada distribucin los
valores que toma la variable aleatoria y la funcin de probabilidad. En
virtud de lo anterior, expresaremos qu se pretende calcular y la frmula
asociada para calcular la media y la desviacin estndar de la variable
aleatoria. Recordemos que la varianza es el cuadrado de la desviacin
estndar, por lo que dejamos al participante el clculo de la misma. En
estadstica la variable aleatoria puede ser discreta o continua, ya sea que
tome valores enteros o valores reales, por lo tanto habr que hacer la
distincin en el estudio de las mismas.
4.1. Distribuciones de Probabilidad de variables discretas
- Distribucin Uniforme Discreta
Es la ms simple de todas las distribuciones de probabilidad discreta; donde
la variable aleatoria toma cada uno de sus valores con una probabilidad
idntica.
Aplicacin Experimento Valores o
resulta-
dos
Prob (X = X0)
La variable aleatoria X toma
n valores distintos
Cada valor
tiene la
misma
probabilidad
de ser
seleccionado
X1, X2, X3,
X4, X5, X6,
<<<Xn,
Prob (X = X0) = 1/n

Variable aleatoria X
Cada valor tiene la misma probabilidad
de ser seleccionado
Pgina 47 de 132

Esperanza o Media (X) = Xi /n
Desviacin Est{ndar (X) =Raz de (Xi - )
2
/n

- Distribucin de Bernoulli.
La distribucin de Bernoulli se aplica a una variable aleatoria que puede
tomar solo 2 valores o dicotmicas y que se pueden etiquetar como xito o
fracaso.
resulta-
dos
Probabi-
lidad
Es adecuado en cualquier caso en
que se sienta inters por un
experimento que d cmo
resultado un evento E o su
opuesto, como xito y fracaso,
masculino o femenino, positivo o
negativo, etc.
Se repite una
sola vez
1, xito,
defec -
tuoso
Prob (xito)
= p
0,
fracaso,
no defec-
tuoso
Prob
(fracaso) = q
= 1-p

Variable aleatoria X xito o fracaso
Esperanza o Media (X) = p
Desviacin Estndar (X) = Raz de [p(1-p)]

Ejemplo: Supongamos que 60% de los empleados de una compaa
favorecen un plan de jubilacin propuesto. Se selecciona un empleado
aleatoriamente; Sea X=1 si est a favor del plan y X=0 si est en contra. La
Pgina 48 de 132

probabilidad de estar a favor del plan es p = 0.60 o de estar en contra del
plan es (1-p) = 0.40; la esperanza es 0.60 y la desviacin estndar es 0.4
- Distribucin Binomial
Esta distribucin puede considerarse como una serie de pruebas repetidas e
independientes de Bernoulli. Debe cumplir estas condiciones:
- Se repite un experimento sencillo un nmero de veces, y sus resultados
son independientes
- Los resultados de cada prueba pueden clasificarse en dos categoras
mutuamente excluyentes, arbitrariamente llamadas xitos y Fracasos
- La probabilidad de xito en una sola prueba, se representa por p y es
invariable en todas las pruebas. La probabilidad de fracaso en una sola
prueba, se representa por q = 1-p
- En una prueba determinada, la atencin se centra en el nmero de xitos
que ocurrieron o no y es la variable aleatoria a estudiar.
- Se realiza el experimento en las mismas condiciones un nmero fijo de
pruebas, digamos n, o tamao de la muestra.
Aplicacin Experi-
mento
Valores o
resultados
Prob (X = X0)
Es adecuado en cualquier caso
en que se sienta inters por el
nmero de xitos (1) obtenidos
despus de realizar n ensayos
de Bernoulli
Se repite
n veces
0, 1, 2, 3,
<<..n. La
variable
toma n+1
valores
b(x,n,p) =(
n
x) p
x
(1-p)
n-x

Numero de xitos en n ensayos con
reemplazamiento
Pgina 49 de 132

Esperanza o Media (X) = np
Desviacin Est{ndar (X) = Raz de [np(1-p)]

Ejemplo 1: Se arroja una moneda 10 veces; Cual es la probabilidad de
obtener 8 caras o ms? Calcular la media y la desviacin estndar.
Resp. Habr que calcular para 8, 9 y10 caras que son los xitos y sumarse
los resultados de las probabilidades obtenidas.

La media es igual a 5 y la desviacin estndar es igual a 1.58
- Mas sobre la DISTRIBUCION BINOMIAL
Supongamos que un experimento aleatorio tiene las siguientes caractersticas:
- En cada prueba del experimento slo son posibles dos resultados: el
suceso A (xito) y su contrario A
c
(fracaso).
- El resultado obtenido en cada prueba es independiente de los
resultados obtenidos anteriormente.
- La probabilidad del suceso A es constante, la representamos por p, y
no vara de una prueba a otra. La probabilidad de A
c
es 1- p y la
representamos por q .
- El experimento consta de un nmero n de pruebas.
X (
n
x) p
x
(1-p)
n-x
Prob (X = X0)
8 45 0.003906 0.250000 0.043943
9 10 0.001953 0.500000 0.009765
10 1 0.000977 1.000000 0.000977
Total 0.054685
Pgina 50 de 132

Las caractersticas de esta distribucin son:
- a) En los experimentos que tienen este tipo de distribucin, siempre se
esperan dos tipos de resultados, ejem. Defectuoso, no defectuoso, pasa, no
pasa, etc, etc., denominados arbitrariamente xito (que es lo que se espera
que ocurra) o fracaso (lo contrario del xito).
- b) Las probabilidades asociadas a cada uno de estos resultados son
constantes, es decir no cambian.
- c) Cada uno de los ensayos o repeticiones del experimento son
independientes entre s.
Todo experimento que tenga estas caractersticas diremos que sigue el modelo de
la distribucin Binomial. A la variable X que expresa el nmero de xitos obtenidos
en cada prueba del experimento, la llamaremos variable aleatoria binomial.
La variable binomial es una variable aleatoria discreta, slo puede tomar los valores
0, 1, 2, 3, 4, ..., n suponiendo que se han realizado n pruebas. Como hay que
considerar todas las maneras posibles de obtener k-xitos y (n-k) fracasos
debemos calcular stas por combinaciones (nmero combinatorio n sobre k).
La distribucin Binomial se suele representar por B(n,p,x) siendo n y p los
parmetros de dicha distribucin y x los valores que toma la variable.
Funcin de Probabilidad de la v.a. Binomial
Funcin de probabilidad de la distribucin Binomial o tambin denominada funcin de la
distribucin de Bernoulli (para n=1).

Como el clculo de estas probabilidades puede resultar algo tedioso se han
construido tablas para algunos valores de n y p que nos facilitan el trabajo.
Pgina 51 de 132

Parmetros de la Distribucin Binomial

Funcin de Distribucin de la v.a. Binomial

siendo k el mayor nmero entero menor o igual a xi.
Esta funcin de distribucin proporciona, para cada nmero real xi, la probabilidad
de que la variable X tome valores menores o iguales que xi.
Sea X una variable aleatoria discreta correspondiente a una distribucin binomial.

Ejemplo 2:
Se lanza al aire una moneda normal 3 veces, determine la probabilidad de que
aparezcan 2 caras.
Antes de empezar a resolver este problema, lo primero que hay que hacer es
identificarlo como un problema que tiene una distribucin binomial, y
podemos decir que efectivamente as es, ya que se trata de un experimento en
donde solo se pueden esperar dos tipos de resultados al lanzar la moneda, cara
o sello, cuyas probabilidades de ocurrencia son constantes, cada uno de los
lanzamientos es independiente de los dems y el nmero de ensayos o
repeticiones del experimento son constantes, n = 3.
Pgina 52 de 132

Luego la frmula de la distribucin Binomial sera:
donde:
p(x, n, p) = probabilidad de obtener en n ensayos x xitos, cuando la probabilidad
de xito es p
Dando solucin al problema del ejemplo tenemos lo siguiente:
n = 3, x = 2, p =

Ejemplo 3:
Se dice que el 75% de los accidentes de una planta se atribuyen a errores
humanos. Si en un perodo de tiempo dado, se suscitan 5 accidentes,
determine la probabilidad de que; a) dos de los accidentes se atribuyan a
errores humanos, b) como mximo 1 de los accidentes se atribuya a errores
de tipo humano, c) tres de los accidentes no se atribuyan a errores
humanos.

Solucin:
a) n = 5
x = variable que nos define el nmero de accidentes debidos a errores humanos
x = 0, 1, 2,...,5 accidentes debidos a errores de tipo humano
p = p(xito) = p(un accidente se deba a errores humanos) = 0.75
q = p(fracaso) = p(un accidente no se deba a errores humanos) = 1-p = 0.25

b)
x n x
x n n
q p C ) p , x , n ( p

=
8
3
8
1
3
2
1
4
1
1 2
3
2 1 2 1 2 1 2 3
2 3 2
2 3
= = = = = = =

* * *
! !
!
) / ( ) / ( C ) / p , x , n ( p
08789 0 015625 0 5625 0 10 25 0 75 0 75 0 5 2
2 5 2
2 5
. ) . )( . )( ( ) . ( ) . ( C ) . p , n , x ( p = = = = = =

+ = = + = = = = =
0 5 0
0 5
25 0 75 0 1 0 75 0 5 1 0 ) . ( ) . ( C ) x ( p ) x ( p ) . p , n , , x ( p
Pgina 53 de 132

c) En este caso cambiaremos el valor de p;
n =5
x = variable que nos define el nmero de accidentes que no se deben a
errores de tipo humano
x = 0, 1, 2,...,5 accidentes debidos a errores humanos
p = p(probabilidad de que un accidente no se deba a errores humanos) =
0.25
q = p(probabilidad de que un accidente se deba a errores humanos) = 1-p
= 0.75
- Distribucin Hipergeomtrica
La manera ms simple de ver la diferencia con la distribucin binomial est
en la forma en que se realiza el muestreo. La variable aleatoria es el nmero de
observaciones que caen en una categora particular como xito y fracaso. En el caso
de la binomial, se requiere la independencia entre las pruebas porque el muestreo
es con reemplazo de cada artculo despus de que se observe; la distribucin
Hipergeomtrica no requiere independencia y se basa en el muestreo sin
reemplazo.

Aplicacin Experi-
mento
Valores o
resultados
Prob (X = X0)
en que se sienta inters en
seleccionar x xitos de los k
artculos considerados como
xitos y n-x fracasos de los
N k artculos que se
Se repite
n veces
0, 1, 2, 3,
<<..n. La
variable
toma n+1
valores
h(x,N,n,k)
=(
k
x) (
N-k
n-x)/(
N
n)
015624 0 014648 0 000976 0 25 0 75 0
1 5 1
1 5
. . . ) . ( ) . ( C = + =
Pgina 54 de 132

consideran como fracasos
cuando se selecciona una
muestra aleatoria de tamao n
de N artculos. Sin
reemplazamiento.

Numero de xitos en n ensayos sin
reemplazamiento
Esperanza o Media (X) = nk/N
Desviacin Estndar (X) = Raz de {[(N-n)/(N-1)](1-k/N)nk/N}

Ejemplo: Lotes de 40 componentes cada uno se denominan aceptables si no
contienen ms de 3 defectuosos. El procedimiento para muestrear el lote es la
seleccin de 5 componentes al azar y rechazar el lote si se encuentra un
componente defectuoso. Cul es la probabilidad de que se encuentre exactamente
un defectuoso en la muestra si hay 3 defectuosos en todo el lote? Encuentre la
media y la desviacin estndar de la variable aleatoria del ejemplo.
Solucin:
N = 40 (Tamao de la poblacin) n = 5 (Tamao de la muestra)
k = 3 (defectuosos en la poblacin) x = 1 (defectuosos en la muestra)
h(x,N,n,k) = (
k
x) (
N-k
n-x)/(
N
n) = h(1,40,5,3) = (
3
1) (
40-3
5-1)/(
40
5) = 0.3011
La media es igual a nk/N = 5*3/40 = 0.3750
La desviacin estndar es igual a Raz de {[(N-n)/(N-1)](1-k/N)nk/N}
= Raz {[(40-5)/(40-1)](1-3/40)5*3/40} = Raz (0.3113) = 0.5579
Pgina 55 de 132

- Distribucin Multinomial
El experimento binomial se convierte en experimento Multinomial si cada prueba
tiene ms de dos resultados posibles. En general, si una prueba dada puede tener
como consecuencia de los k resultados posibles E1, E2 ,<<..Ek con probabilidades
p1 , p2 , <<<.pk entonces la distribucin Multinomial dar la probabilidad de que
E1 ocurra x1veces, E2 ocurra x2 veces <<.y Ek ocurra xk veces en n pruebas
independientes, donde x1 + x2 + <..xk = n

Aplicacin Experi-
mento
Valores o
resultados
Prob (X = X0)
en que se tenga ms de dos
resultados posibles con
reemplazamiento.
Denotaremos esta distribucin
de probabilidad conjunta
como
Se repite
n veces
0, 1, 2, 3,
<<..n. La
variable
toma n+1
valores
h(x1, x2,.. xk,, p1 ,
p2 ,.. pk , n)
=(
n
x1, x2,.. xk) p1
x
1
p2
x
2.. pk
x
k = [n!/( x1
! x2 !.. xk !)] p1
x
1
p2
x
2.. pk
x
k

Ejemplo: Si se lanza seis veces un par de dados. Cul es la probabilidad de obtener
un total de 7 u 11 dos veces, un par igual una vez y cualquiera otra combinacin
tres veces?
Solucin: Listamos los siguientes eventos posibles,
E1 : Ocurre un total de 7 u 11 Prob (E1) = 8/36 = 2/9
E2 :Ocurre un par igual Prob (E2) = 6/36 = 1/6
E3 : Cualquier otra combinacin Prob (E3) = 22/36 = 11/18
Suma 1 2 3 4 5 6
1 2 7
Pgina 56 de 132

2 4 7
3 6 7
4 7 8
5 7 10 11
6 7 11 12

h(x1, x2,.. xk,, p1 , p2 ,.. pk , n) =(
n
x1, x2,.. xk) p1
x
1 p2
x
2.. pk
x
k = [n!/( x1 ! x2 !.. xk !)] p1
x
1 p2
x
2..
pk
x
k = h(2,1,3,, 2/9, 1/6,11/18 , 6) =(
6
2,1,3)( 2/9)
2
(1/6)
1
(11/18)
3
= [6!/( 2 ! 1! 3! )( 2/9)
2

(1/6)
1
(11/18)
3
= 0.1127
- Distribucin Geomtrica

Numero de ensayos requeridos hasta
alcanzar el primer xito
Esperanza o Media (X) = 1/p
Desviacin Est{ndar (X) =( 1/p)Raz de (1-p)

resulta-
dos
Prob (X = X0)
Se relaciona con una secuencia
de ensayos de Bernoulli, de
hecho la variable aleatoria de
interes denotada por X es el
numero de ensayos requeridos
para alcanzar el primer xito.
El numero de
experimentos
o ensayos no
es fijo
1, 2, 3,
<<..

Prob (X = X0)
=(1-p)
(x-1)
p
Pgina 57 de 132

- Distribucin de Pascal o Binomial Negativa

resulta-
dos
Prob (X = X0)
Se relaciona con una
secuencia de ensayos de
Bernoulli y es una extensin
lgica de la distribucin
geomtrica, de hecho la
variable aleatoria de interes
denotada por X es el
nmero de ensayos
requeridos para alcanzar el
r-esimo xito.
El numero
de
experimen-
tos o
ensayos no
es fijo
r, r+1, r+2,
r+3, <<
Prob (X = X0) =
(
x-1
r-1)(1-p)
(x-r)
p
r

Numero de ensayos requeridos hasta
alcanzar el r-esimo xito
Esperanza o Media (X) = r/p
Desviacin Est{ndar (X) =( 1/p)Raz de [r(1-p)]

- Distribucin de Poisson
Los experimentos que dan valores numricos a una variable aleatoria X, el
nmero de resultados que ocurren durante un intervalo dado o en una regin
especifica, se llaman experimentos de Poisson. El intervalo dado puede ser de
cualquier longitud como un minuto, un da, una semana, un mes e incluso un ao.
Debe cumplirse estas condiciones:
Pgina 58 de 132

- El nmero de resultados que ocurren en un intervalo o regin especfica
es independiente del nmero que ocurre en cualquier otro intervalo o
regin del espacio disjunto.
- La probabilidad de que ocurra un solo resultado durante un intervalo
muy corto o en una regin pequea es proporcional a la longitud del
intervalo o al tamao de la regin y no depende del nmero de
resultados que ocurran fuera de ese intervalo o regin.
- La probabilidad de que ocurran ms de un resultado en tal intervalo
corto o que caiga en tal regin pequea es insignificante.
Aplicacin Experi-
mento
Valores o
resultados
Prob (X = X0)
en que se sienta inters por el
nmero de resultados o
registros por unidad de tiempo
o espacio.
Se fija
un
tiempo o
espacio
para
medir la
frecuenc
ia.
0, 1, 2, 3,
<<..
Donde es
el nmero
promedio de
resultados
por unidad y
e = 2.71828..
p(x,t) =
(e
-t
)( t)
X
/X!

Numero de resultados que ocurren en un
intervalo dado o regin especifica que se
denota por t
Esperanza o Media (X)
= t
Desviacin Est{ndar (X) =Raz de t

Pgina 59 de 132

- Mas sobre la DISTRIBUCION DE POISSON
Se dice que existe un proceso de Poisson si podemos observar eventos discretos en
un rea de oportunidad un intervalo continuo (de tiempo, longitud, superficie,
etc.) de tal manera que si se reduce lo suficiente el rea de oportunidad o el
intervalo,
1. La probabilidad de observar exactamente un xito en el intervalo es
constante.
2. La probabilidad de obtener ms de un xito en el intervalo es 0.
3. La probabilidad de observar un xito en cualquier intervalo es
estadsticamente independiente de la de cualquier otro intervalo.
Para determinar la probabilidad de que ocurran x xitos por unidad de tiempo,
rea, o producto, la frmula a utilizar sera:
donde:
p(x, ) = probabilidad de que ocurran x xitos, cuando el nmero promedio de
ocurrencia de ellos es
= media o promedio de xitos por unidad de tiempo, rea o producto
c = 2.718
x = variable que denota el nmero de xitos que se desea que ocurra
Hay que hacer notar que en esta distribucin el nmero de xitos que ocurren por
unidad de tiempo, rea o producto es totalmente al azar y que cada intervalo de
tiempo es independiente de otro intervalo dado, as como cada rea es
independiente de otra rea dada y cada producto es independiente de otro
producto dado.
Esta distribucin se aplica en situaciones como:
- El numero de pacientes que llegan al servicio de emergencia de un hospital
en un intervalo de tiempo.
! x
) , x ( p
x
c

=
Pgina 60 de 132

- El numero de radiaciones radiactivas que se recibe en un lapso de tiempo,
- El numero de glbulos blancos que se cuentan en una muestra dada.
- El numero de partos triples por ao
- # de defectos de una tela por m
2

- # de aviones que aterrizan en un aeropuerto por da, hora, minuto, etc, etc.
- # de bacterias por cm
2
de cultivo
- # de llamadas telefnicas a un conmutador por hora, minuto, etc, etc.
- # de llegadas de embarcaciones a un puerto por da, mes, etc, etc.
Su utilidad en el rea de la salud es muy amplia.
La expresin matemtica para la distribucin de Poisson para obtener X xitos,
dado que se esperan xitos es:

Donde: P(X) = probabilidad de X xitos dado el valor de
= esperanza del nmero de xitos.
e = constante matemtica, con valor aproximado 2.711828
X = nmero de xitos por unidad
La distribucin de Poisson se considera una buena aproximacin a la distribucin
binomial, en el caso que np < 5 y p < 0.1 n > 100 y p < 0.05 y en ese caso = np. El
inters por sustituir la distribucin Binomial por una distribucin de Poisson se
debe a que esta ultima depende nicamente de un solo par{metro, , y la binomial
de dos, n y p.
Ejemplo 1:
Pgina 61 de 132

Si un banco recibe en promedio 6 cheques sin fondo por da, cules son las
probabilidades de que reciba, a) cuatro cheques sin fondo en un da dado, b)
10 cheques sin fondos en cualquiera de dos das consecutivos?
Solucin:
a) a) x = variable que nos define el nmero de cheques sin fondo que
llegan al banco en un da cualquiera = 0, 1, 2, 3, ....., etc, etc.
= 6 cheques sin fondo por da
c = 2.718

b) x= variable que nos define el nmero de cheques sin fondo que llegan
al banco en dos das consecutivos = 0, 1, 2, 3, ......, etc., etc.
= 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en dos
das consecutivos
Nota: siempre debe estar en funcin de x o dicho de otra forma, debe
hablar de lo mismo que x.

Ejercicios de Distribuciones de Probabilidad de variables discretas.

1. En cierto distrito de la ciudad la necesidad de dinero para comprar drogas se
establece como la razn del 75% de los robos. Encuentre la probabilidad de entre
los siguientes 5 casos de robo que se reporten en ese distrito,
a) Exactamente 2 resulten de la necesidad de dinero para comprar drogas.
b) Al menos 3 resulten de la necesidad de dinero para comprar drogas.
2. Un prominente medico afirma que 70% de las personas con cncer de pulmn
son fumadores empedernidos. Si su aseveracin es correcta:
13392 0
24
00248 0 1296
4
718 2 6
6 4
6 4
.
) . )( (
!
) . ( ) (
) , x ( p = = = = =

104953 0
3628800
000006151 0 10 1917364 6
10
718 2 12
12 10
12 10
.
) . )( . (
!
) . ( ) (
) , x ( p =
E
= = = =

Pgina 62 de 132

a) Encuentre la probabilidad de que 10 de tales pacientes admitidos
recientemente en un hospital, menos de la mitad sean fumadores
empedernidos.
3. Al probar cierta clase de neumticos para camin en un terreno escabroso, se
encuentra que 25% de los camiones no completaban la prueba sin espichaduras. De
los siguientes 15 camiones probados, encuentre la probabilidad de que:
a) De 3 a 6 tengan problemas.
b) Menos de 4 tengan problemas
c) Ms de 5 tengan problemas.
4. Se sabe que el porcentaje de victorias del equipo de beisbol de su preferencia
pasara a las finales de esta temporada fue 62.5%, es decir tuvo que ganar 10 de 16
juegos.
a) Cul es la probabilidad de que sean campeones?
5. Cul es la probabilidad de que un mesonero de un bar se rehuse a servir bebidas
alcohlicas a solo 2 menores si verifica al azar las identificaciones de 5 estudiantes
de entre 9 estudiantes de los cuales 4 no tienen la edad legal?
6. El estudio de un inventario determina que, en promedio, las demandas de un
artculo en particular en un almacn se realizan 5 veces al da. Cul es la
probabilidad de que en un da dado se pida este artculo:
a) Ms de 5 veces
b) Ninguna vez
c) Exactamente 2 veces
d) Menos de 2 veces
7. Las llamadas de servicio llegan a un centro de mantenimiento de acuerdo con un
proceso de POISSON con un promedio de 2.7 llamadas por minutos. Encuentre la
probabilidad de que:
a) Lleguen no ms de 4 llamadas en cualquier minuto
b) Lleguen menos de 2 llamadas en cualquier minuto
c) Lleguen ms de 10 llamadas en un periodo de 5 minutos
8. Se dice que el 75% de los accidentes de una planta se atribuyen a errores
humanos. Si en un perodo de tiempo dado, se suscitan 5 accidentes, determine la
probabilidad de que:
Pgina 63 de 132

a) dos de los accidentes se atribuyan a errores humanos
b) como mximo 1 de los accidentes se atribuya a errores de tipo humano
Resp. 0,08789 0,01464
9. Si un banco recibe en promedio 6 cheques sin fondo por da, cules son las
probabilidades de que reciba, a) cuatro cheques sin fondo en un da dado, b) 10
cheques sin fondos en cualquiera de dos das consecutivos?
Resp. 0,13385 0,04130
10. Cul es la probabilidad de obtener un total de nueve al lanzar dos dados seis
veces. A) Dos veces b) Al menos dos veces
11. Calcular la probabilidad de que una familia de cuatro hijos tres de ellos sean
Varones.
Resp.
12. El nmero de pacientes que llega a un hospital sigue una distribucin de
Poisson. Si el nmero promedio es de 120 por hora, cul es la probabilidad de que
en un minuto lleguen por lo menos 3 pacientes? Resp. 0,3233
13. Diez por 100 de los radios producidos en la compaa A son defectuosos. Si se
extrae una muestra aleatoria de 5 tems del total de cierto dia de produccin (que
es ms de 100,000 unidades), Cul es la probabilidad de que haya: a) 0
defectuosos, b) 5 defectuosos, y c) por lo menos 3 defectuosos en la muestra?
14. Ocurren diversos accidentes en forma aleatoria en cierta carretera, a un
promedio de 20 por mes. Cul es la probabilidad de que ocurra al menos un
accidente en un intervalo dado de 15 dias? Resp.
15. La ltima novela de un autor ha tenido un gran xito, hasta el punto de que el
80% de los lectores ya la han leido. Un grupo de 4 amigos son aficionados a la
lectura:
a) Cul es la probabilidad de que en el grupo hayan leido la novela 2 personas?
b) al menos 2?
Pgina 64 de 132

16. Un agente de seguros vende plizas a cinco personas de la misma edad y que
disfrutan de buena salud. Segn las tablas actuales, la probabilidad de que una
persona en estas condiciones viva 30 aos o ms es 2/3. Hllese la probabilidad de
que, transcurridos 30 aos, vivan:
a) Las cinco personas.
b) Al menos tres personas.
c) Exactamente dos personas.
17. Si de seis a siete de la tarde se admite que un nmero de telfono de cada cinco
est comunicando, cul es la probabilidad de que, cuando se marquen 10 nmeros
de telfono elegidos al azar, slo comuniquen dos?
18. La probabilidad de que un hombre acierte en el blanco es 1/4. Si dispara 10
veces cul es la probabilidad de que acierte exactamente en tres ocasiones? Cul
es la probabilidad de que acierte por lo menos en una ocasin?
19. La produccin de televisores en SAMSUNG trae asociada una probabilidad de
defecto del 2%, si se toma un lote o muestra de 85 televisores , obtener la
probabilidad de que existan 4 televisores con defectos. Resp. 0,0635746
20. En una jaula con 100 pericos 15 de ellos hablan ruso calcular la probabilidad de
que si tomamos 20 pericos al azar 3 de ellos hablen ruso. Resp. 0,2240418
21. Se calcula que en la ciudad el 20% de las personas tienen defecto de la vista si
tomamos una muestra de 50 personas al azar Calcular la probabilidad de que 10
de ellos tengan defecto en la vista. Resp. 0,12511
22. Una mquina fabrica una determinada pieza y se sabe que produce un 7 por
1000 de piezas defectuosas. Hallar la probabilidad de que al examinar 50 piezas
slo haya una defectuosa. Resp.
23. La probabilidad de xito de una determinada vacuna es 0,72. Calcula la
probabilidad de a que una vez administrada a 15 pacientes:
a) Ninguno sufra la enfermedad
Pgina 65 de 132

b) Todos sufran la enfermedad
c) Dos de ellos contraigan la enfermedad
24. La probabilidad de que un alumno de primer ao de bachillerato repita el
curso es de 0,3, elegimos 20 alumnos al azar, Cual es la probabilidad de que haya
exactamente 4 alumnos repetidores?

25. En una fbrica de partes de automviles se sabe que de los productos
elaborados el 12% tienen algn defecto, se toma una muestra al azar de 20 piezas,
cual es la probabilidad de: a) Exactamente tres defectuosos b) Ninguno defectuoso
c) Menos de cinco defectuosos d) Como mnimo cuatro no defectuosos
e) Valor esperado de no defectuoso f) Varianza g) Riesgo
26. Un transportista de pasajeros se tarda en recorrer de Caracas a Valencia tres (3)
horas, si reduce la velocidad, sugerencia de los pasajeros y por algunos
inconvenientes en la autopista regional del centro (ARC), cul es la probabilidad
que tarde cuatro (4) horas? Resp. 0,1680
27. La probabilidad de que un estudiante nuevo se gradu es 0,4. Determinar la
probabilidad de que 5 estudiantes nuevos a) ninguno, b) uno, c) al menos uno se
gradu.
Resp. 0,08 0,26 0,92
28. Un 10% de los utensilios producidos en un cierto proceso de fabricacin resulta
ser defectuoso. Hallar la probabilidad de que de una muestra de 10 utensilios
elegidos al azar sean exactamente 2 los defectuosos mediante (a) la distribucin
binomial, (b) la aproximacin de Poisson a la distribucin binomial.

29. Si un 10 % de los remaches producidos por una maquina son defectuosos. Cual
es la probabilidad de que de 5 remaches elegidos al azar:
a) Ninguno sea defectuoso
b) Uno sea defectuoso
c) Al menos 4 sean defectuosos
Pgina 66 de 132

d) Menos de 2 sean defectuosos

30. Se sabe de que la probabilidad de que en una interseccin de vas de trnsito
ocurra un accidente es p = 0,001. Cul ser la probabilidad de que por cada 2.000
vehculos ocurran exactamente dos o ms accidentes?
31. La probabilidad de que un jugador de golf haga hoyo en un lanzamiento a una
cierta distancia es 0,3. Si lo intenta 5 veces, calcular la probabilidad de que:
a) no acierte ninguna
b) b) acierte alguna
c) c) acierte 2.

4.2. Distribuciones de Probabilidad de variables continuas.
- Distribucin Uniforme Continua
Es una de las distribuciones continuas ms simples de la estadstica. Esta
distribucin se caracteriza por una funcin de densidad que es plana, y por ello
la probabilidad es uniforme en un intervalo cerrado, digamos [a,b]. Aunque las
aplicaciones de esta distribucin continua no son muy abundantes, es apropiado
para el principiante comenzar esta introduccin a las distribuciones continuas con
la distribucin uniforme.
Aplicacin Experi-
mento
Valores o
resultados
Prob (X = X0)
Esta densidad surge de un
modo natural en la seleccin
aleatoria de nmeros. Si X =
numero seleccionado
aleatoriamente entre 0 y 1,
entonces la densidad de
probabilidad de X es plana
sobre el intervalo [0,1]: ningn
Seleccin
aleatoria
de
nmeros.
Valores
comprendi
do en el
intervalo.
f(x; a,b) = 1/(b-a)
para a<=X<=b
= 0 en cualquier
otro caso
Pgina 67 de 132

nmero tiene una
probabilidad ms alta que
otro.

Cualquier valor en el intervalo cerrado
[a,b]
= (a +b) / 2
Desviacin Est{ndar (X) =Raz de [ (b a)
2
/ 12 ]

Se debe recalcar que la funcin de densidad forma un rectngulo con base
(b-a) y altura constante 1/(b-a). Como resultado, la distribucin uniforme a
menudo se llama Distribucin Rectangular.
Ejemplo Suponga que se puede reservar una sala de conferencia grande para
cierta compaa por no ms de 4 horas. Sin embargo, el uso de la sala de
conferencia es tal que muy a menudo tienen lugar conferencias largas y cortas. De
hecho, se puede suponer que la duracin X de una conferencia tiene una
distribucin uniforme en el intervalo [0 , 4]
a) Cul es la funcin de densidad?
b) Cul es la probabilidad de que cualquier conferencia dada dure al menos 3
horas?
c) Cul es la duracin promedio y la desviacin estndar?
Respuesta: el intervalo [a , b] es [0 , 4]
a) f(x; a,b) = 1/(4)
b) Prob *X >= 3+ = 3
4
(1/4) dx =
Pgina 68 de 132

c) (X) = (a +b) / 2= 2 (X) = Raz de [ (b a)
2
/ 12 ]= 1.15

- Distribucin Exponencial
- Distribucin de Gamma
- Distribucin de Weibull
- Distribucin Normal o de Gauss
Es la distribucin continua de probabilidad ms importante en todo el campo de la
estadstica. Su grfica se denomina curva normal y tiene forma de campana. La
ecuacin matemtica para la distribucin de probabilidad de la variable normal
depende de 2 parmetros , la media y , la desviacin estndar. De aqu,
denotamos a esta distribucin a menudo denominada gaussiana con N(X; , )
Aplicacin Experi-mento Valores o
resultado
s
Prob (X = X0)
Esta funcin de densidad es
aplicable a mucho fenmenos
que ocurren en la naturaleza,
la industria, la educacin, la
economa, finanzas, anlisis
de mercado, investigacin,
etc. basado en la suposicin
de que la poblacin es normal
Es la distribucin
limite de todas las
distribuciones
Valores
compren
dido
entre -,

N(X; , )
= 1/raz(2 ) * e
-
(1/2)[(x-

u)/

]2
para - <=X<=
donde =
3.14159 y e =
2.71828

Pgina 69 de 132

Cualquier valor en el intervalo de
menos infinito a infinito
= la media
Desviacin Est{ndar (X) =la Desviacin est{ndar

Una vez que se especifican y la curva normal queda determinada por
completo. A continuacin listamos las siguientes propiedades de la curva normal;
a) La moda, que es el punto sobre el eje horizontal donde la curva es un
mximo, ocurre en X =
b) La curva es simtrica respecto de un eje vertical a travs de la media
c) La curva tiene sus puntos de inflexin en X = +- , es cncava hacia abajo
si < X < + , y es cncava hacia arriba en cualquier otro punto
d) La curva normal se aproxima al eje horizontal de manera asinttica
conforme nos alejamos de la media en cualquier direccin
e) El rea total bajo la curva y sobre el eje horizontal es igual a 1
La distribucin de una variable aleatoria normal con media 0 y desviacin estndar
1 se denomina Distribucin Normal Estndar y se denota como N(X; 0, 1)
Cualquier variable aleatoria normal X se puede transformar en una variable
aleatoria normal tipificada o estandarizada Z sustrayendo el valor esperado y
dividiendo el resultado entre la desviacin estndar . De aqu tenemos que
Z = ( X - ) /
- Mas sobre la DISTRIBUCION DE NORMAL
Esta distribucin es frecuentemente utilizada en las aplicaciones estadsticas. Su
propio nombre indica su extendida utilizacin, justificada por la frecuencia o
normalidad con la que ciertos fenmenos tienden a parecerse en su
Pgina 70 de 132

comportamiento a esta distribucin.
Muchas variables aleatorias continuas presentan una funcin de densidad cuya
grfica tiene forma de campana.
En otras ocasiones, al considerar distribuciones binomiales, tipo B(n,p), para un
mismo valor de p y valores de n cada vez mayores, se ve que sus polgonos de
frecuencias se aproximan a una curva en "forma de campana".
En resumen, la importancia de la distribucin normal se debe principalmente a que
hay muchas variables asociadas a fenmenos naturales que siguen el modelo de la
normal.
- Caracteres morfolgicos de individuos (personas, animales, plantas,<) de
una especie, p. ejm. Tallas, pesos, envergaduras, di{metros, permetros<
- Caracteres fisiolgicos, por ejemplo; efecto de una misma dosis de un
frmaco, o de una misma cantidad de abono.
- Caracteres sociolgicos, por ejemplo: consumo de cierto producto por un
mismo grupo de individuos, puntuaciones de examen.
- Caracteres psicolgicos, por ejemplo: cociente intelectual, grado de
adaptacin a un medio<<
- Errores cometidos al medir ciertas magnitudes.
- Valores estadsticos muestrales, por ejemplo: la media.
- Otras distribuciones como la binomial o la de Poisson son aproximaciones
normales<
Una distribucin normal con media y desviacin tpica se designa por N(, ).
Su grfica es la campana de Gauss:

El rea del recinto determinado por la funcin y el eje de abscisas es igual a la
unidad.
Pgina 71 de 132

Al ser simtrica respecto al eje que pasa por x = , deja un rea igual a 0.5 a la
izquierda y otra igual a 0.5 a la derecha.
La probabilidad equivale al rea encerrada bajo la curva.
- Distribucin Normal Estndar N(0, 1)
La distribucin normal estndar, o tipificada o reducida, es aquella que tiene por
media el valor cero, =0, y por desviacin tpica la unidad, =1.

La probabilidad de la variable X depender del rea del recinto sombreado en la
figura. Y para calcularla utilizaremos una tabla.
- Tipificacin de la variable
Para poder utilizar la tabla tenemos que transformar la variable X que sigue una
distribucin N(, ) en otra variable Z que siga una distribucin N(0, 1).

DISTRIBUCIN NORMAL.
Caractersticas:
a) Es generada por una variable de tipo continuo, denominada x;
-< x <
b) La funcin que nos define esta distribucin es:

Pgina 72 de 132

-< x <

Al dar a la funcin los valores de , o
2
y valores a x, obtendremos la
distribucin en cuestin, la que tiene forma de campana, por lo que
tambin se le conoce como campana de Gauss. Hay un nmero
infinito de funciones de densidad Normal, una para cada
combinacin de y o. La media mide la ubicacin de la
distribucin y la desviacin estndar o mide su dispersin.
c) Es simtrica con respecto a su eje vertical.
d) Es asinttica con respecto a su eje horizontal; esto quiere decir que jams va a
tocar el eje de las equis.
e) El rea total bajo la curva es 1.
f) S sumamos a o, se observar que aproximadamente el 68.26% de los
datos se encuentran bajo la curva; si sumamos a 2o, el 95.44% de los datos
estar entre esos lmites y si sumamos a 3o, entonces el 99.74% de los datos
caer dentro de esos lmites.
Esta caracterstica es a la vez una forma emprica y rpida de demostrar si los datos
que se analizan tienen una distribucin Normal; ya que para trabajar los datos con
esta distribucin, debe verificarse que efectivamente as se distribuyen, ya que de
no hacerlo, las decisiones que en un momento dado se tomaran de un anlisis de
los datos con la distribucin Normal, seran errneas.
- Clculo de probabilidades con la distribucin Normal.
Para calcular lo ms lgico es que la funcin f(x, , o
2
), se integre entre
los lmites de la variable x; esto es,

2 2
2 2
2
1
o
c
t o
o
/ ) x (
) , , x ( f

=
}
= < >
b
a
dx ) , , x ( f ) b x a ( p
2
o
Pgina 73 de 132

La integral anterior nos dara el rea bajo la curva de la funcin, desde a
hasta b, que corresponde o es igual a la probabilidad buscada.
Debido a la dificultad que se presenta para integrar esta funcin cada
vez que sea necesario, lo que se hace es tipificar el valor de la variable x,
esto es, x se transforma en un valor de z, de la siguiente manera:

Este valor de z es buscado en una tabla donde vienen reas asociadas a
este valor, y haciendo uso de los valores tabulados, se determina la
probabilidad requerida. La tabla que es usada para calcular las
probabilidades es la que nos da el rea que se muestra a continuacin:

El acero que se utiliza para tuberas de agua a menudo se recubre
internamente con un mortero de cemento para evitar la corrosin. En un estudio
de los recubrimientos de mortero de una tubera empleada en un proyecto de
transmisin de agua en California (Transportation Engineering Journal,
Noviembre de 1979) se especific un espesor de 7/16 pulgadas para el mortero.
Un gran nmero de mediciones de espesor dieron una media de 0.635 pulgadas
y una desviacin estndar de 0.082 pulgadas. S las mediciones de espesor,
tenan una distribucin Normal, qu porcentaje aproximado fue inferior a 7/16
de pulgada?
Solucin: x = variable que nos define el espesor del mortero en pulgadas
= 0.635 pulgadas o = 0.082 pulgadas
valor
x
z =
=
o
0

Z

Pgina 74 de 132

p(x < 7/16 pulgadas) = 0.5- p(0 <= z =< -2.41) = 0.5-0.492 = 0.008
Por tanto, 0.008 x 100% = 0.8% de los recubrimientos de mortero tienen un espesor
menor de 7/16 pulgadas
- Tabla de la Normal Estandarizada N(X; 0, 1)

Distribucin Normal Tipificada o estandarizada: P(0 < = Z <= Zo)

Z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,0000 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359
0,1 0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753
0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141
0,3 0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517
0,4 0,1554 0,1591 0,1628 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879
41 2 4085 2
082 0
635 0 4375 0
082 0
635 0 16 7
. .
.
. .
.
. /
Z ~ =
=
X = 7/16

=0.635

Z

Pgina 75 de 132

0,5 0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224
0,6 0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549
0,7 0,2580 0,2611 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852
0,8 0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133
0,9 0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389
1,0 0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621
1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830
1,2 0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015
1,3 0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177
1,4 0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319
1,5 0,4332 0,4345 0,4357 0,4370 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441
1,6 0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545
1,7 0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633
1,8 0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706
1,9 0,4713 0,4719 0,4726 0,4732 0,4738 0,4744 0,4750 0,4756 0,4761 0,4767
2,0 0,4772 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817
2,1 0,4821 0,4826 0,4830 0,4834 0,4838 0,4842 0,4846 0,4850 0,4854 0,4857
2,2 0,4861 0,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,4890
2,3 0,4893 0,4896 0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916
2,4 0,4918 0,4920 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936
2,5 0,4938 0,4940 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 0,4951 0,4952
Pgina 76 de 132

2,6 0,4953 0,4955 0,4956 0,4957 0,4959 0,4960 0,4961 0,4962 0,4963 0,4964
2,7 0,4965 0,4966 0,4967 0,4968 0,4969 0,4970 0,4971 0,4972 0,4973 0,4974
2,8 0,4974 0,4975 0,4976 0,4977 0,4977 0,4978 0,4979 0,4979 0,4980 0,4981
2,9 0,4981 0,4982 0,4982 0,4983 0,4984 0,4984 0,4985 0,4985 0,4986 0,4986
3,0 0,4987 0,4987 0,4987 0,4988 0,4988 0,4989 0,4989 0,4989 0,4990 0,4990
3,1 0,4990 0,4991 0,4991 0,4991 0,4992 0,4992 0,4992 0,4992 0,4993 0,4993
3,2 0,4993 0,4993 0,4994 0,4994 0,4994 0,4994 0,4994 0,4995 0,4995 0,4995
3,3 0,4995 0,4995 0,4995 0,4996 0,4996 0,4996 0,4996 0,4996 0,4996 0,4997
3,4 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4998
3,5 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998
3,6 0,4998 0,4998 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999

Z 1,2820 1,6450 1,9600 2,3260 2,5750 3,0900 3,2910 3,8910 4,4710
F(Z) 0,900 0,950 0,975 0,990 0,995 0,999 0,9995 1,0000 1,0000
2(1-
F(Z)) 0,200 0,100 0,050 0,020 0,010 0,002 0,001 1E-04 7,8E-06

Ejercicios de Distribucin Normal

1. Sea Z una variable aleatoria normal estandarizada, encuentre:
a) Prob (0 <= Z <= 1.96)
b) Prob (Z > = 1.96)
Pgina 77 de 132

c) Prob (- 1.96 <= Z <= 1.96)
d) Prob (- 1 <= Z <= 1.96)
e) Prob (- 1 <= Z <= 2)
f) Prob ( Z < = 0.70)
2. Sea X una variable aleatoria normal con media igual a 500 y desviacin estndar
igual a 100, encuentre:
a) Prob (500 <= X <= 696)
b) Prob (X >= 696)
c) Prob (304 <= X <= 696)
d) Prob (400 <= X <= 696)
e) Prob (600 <= X <= 696)
3. Obtenga el valor de Z0 en las siguientes ecuaciones para la variable aleatoria
normal estandarizada.
a) Prob (- Z0 <= Z <= Z0) = 0.98
b) Prob ( Z >= Z0) =0.01
c) Prob ( Z <= - Z0) = 0.01
d) Prob (- Z0 <= Z <= Z0) = 0.6826
e) Prob (- Z0 <= Z <= Z0) = 0.9544
f) Prob (Z >= Z0) = 0.95
4. Sea X una variable aleatoria normal con media igual a 100 y desviacin estndar
igual a 15, encuentre X0
a) Prob (100 <= X <= 100 + X0) = 0.45
b) Prob (100 X0 <= X <= 100 + X0) = 0.90
Pgina 78 de 132

c) Prob (X >= X0) = 0.20
d) Prob (X <= X0) = 0.30
e) Prob (X <= X0) = 0.80
f) Prob (X >= X0) = 0.70
5. Un analista financiero seala que (conforme a su probabilidad subjetiva) el
precio X de los bonos del gobierno a largo plazo, con un valor de Bs.F 1000,00
tendr al cabo de un ano una distribucin normal con valor esperado de Bs.F
980,00 y desviacin estndar de Bs.F 40,00 . Encuentre
a) Prob (X >= 1000)
b) Prob (X <= 940)
c) Prob (960 <= X <= 1060)
d) Encuentre el valor de X0 que satisface Prob (X >= X0) = 0.90
e) Encuentre el valor de X0 tal que la probabilidad de que el precio de los
bonos (un ao despus) exceda a X0 sea de 0.60

6. Suponga que el salario por hora de un profesor en una universidad (que se basa
en un sistema de pago a destajo) tiene una distribucin normal con media Bs.F
30,00 y desviacin estndar Bs.F 5,00
a) Encuentre la probabilidad de que el salario por hora de un profesor sea
superior a Bs.F 37,50
b) Encuentre la probabilidad de que el salario por hora de un profesor se
ubique entre 25 y 35 bolvares fuertes
c) Encuentre la probabilidad de que el salario por hora de un profesor sea
superior al salario mnimo contratado de Bs.F 20,00
d) Encuentre la probabilidad de que el salario por hora de un profesor sea
superior al salario mximo contratado Bs.F 40,00
Pgina 79 de 132

7. Se calcul que el promedio de enfriamiento de todas las neveras para una lnea
de cierta compaa, emplean una temperatura de -4C con una desviacin tpica de
1.2C.
a. Cul es la probabilidad de que una nevera salga con una temperatura superior
a -3C?
b. Cul es la probabilidad de que una nevera salga con una temperatura menor a -
5.5C?
8. De los 31 productos cul es la probabilidad de que 20 salgan defectuosos, si el
50% de los productos normalmente sale defectuoso.
9. Los sueldos de 65 empleados de una empresa se distribuyen normalmente con
una x = 2300 bolivares y una =150 bolivares se pide :
Hallar la probabilidad de que un empleado obtenga un sueldos inferior a Bs 2400
10. La vida media de los habitantes de un pas es de 68 aos. Con una varianza de
25. Se hace un estudio en una pequea ciudad de 10000 habitantes:
a) Cuntas personas superarn previsiblemente los 75 aos?
b) Cuntos vivirn menos de 60?
11. Supongamos que la estatura masculinos adultos de chile estn normalmente
distribuida con = 70 pulgadas y = 9 pulgadas; de que longitud deberan ser
los colchones para que ellos cupiera por lo menos 99 por 100 de los individuos?
12. En una ciudad se estima que la temperatura mxima en el mes de junio si una
distribucin normal, con media 23 y desviacin tpica 5. Calcular el nmero de
das del mes en los que se espera alcanzar mximas entre 21 y 27.
13. Las calificaciones de los 500 aspirantes presentados a un examen para
contratacin laboral, se distribuye normalmente con media 6'5 y varianza 4.
a) Calcule la probabilidad de que un aspirante obtenga ms de 8 puntos.
b) Determine la proporcin de aspirantes con calificaciones inferiores a 5 puntos.
Pgina 80 de 132

c) Cuntos aspirantes obtuvieron calificaciones comprendidas entre 5 y 7'5
puntos ?.
14. Se sabe que los 5200 estudiantes que han inscrito Estadstica aplicada por
primera vez en la Universidad Nacional Experimental Simn Rodrguez tienen un
promedio de 4,25 puntos, con una varianza de 0,06 puntos, Cul es la
probabilidad de escoger un estudiante al azar y?
a) No apruebe b) Entre 4 y 4.5 puntos c) Al menos 4.5 puntos
d) Entre 3 y 4 puntos e) Cantidad de aprobados
f) Entre que calificaciones esta el 50% central
g) Calificacin mxima del 15% de las notas mas bajas
h) Calificacin minima del 10% de las notas mas altas
15. las estaturas de cierta poblacin se distribuyen segn una normal de media 1.68
y desviacin tpica 8. Calcula la probabilidad de que elegida una persona al azar su
altura sea 1.70cm como mximo.
- Distribucin Log Normal
- Distribucin de Ji- Cuadrado
- Distribucin T-Student
- Distribucin F
5. Distribucin Muestral.
La formulacin de los procedimientos de decisin depende de nuestro
conocimiento de las consecuencias que pueden resultar de las diferentes acciones
tomadas en una situacin dada y del estado natural predominante en el momento
de llevar a la prctica la decisin. En este caso, estado natural se refiere a los
modelos de poblacin o a los fenmenos aleatorios. Sin embargo a menudo
encontramos que las propiedades precisas del modelo, o del estado natural, no se
conocen.
Pgina 81 de 132

El anlisis estadstico es el mtodo matemtico empleado para obtener una misma
informacin, con la menor cantidad de datos. Una de sus aplicaciones ms
conocidas es el control estadstico de calidad en el rea de produccin. Los
mtodos estadsticos permiten producir el mximo de informacin a partir de los
datos disponibles. El anlisis estadstico provee los medios para la eleccin de
muestras y sus caractersticas para que sean representativos del universo de datos,
as como del riesgo relacionado con la decisin de aceptar o rechazar un lote de
producciones en funcin de la informacin proporcionada por el anlisis de la
muestra.
Un mtodo de aproximarnos a los conocimientos de las caractersticas de la
poblacin es por el muestreo directo de la misma. Los mtodos estadsticos que
nos permiten inferir a partir de datos limitados (muestras) los comportamientos
(poblaciones) a largo plazo que se esperan se llaman Estadstica Inductiva o
Inferencial. Rama de la estadstica que estudia el comportamiento y propiedades
de las muestras, y la posibilidad y lmites de la generalizacin de los resultados
obtenidos a partir de aquellas a las poblaciones que representan. Esta
generalizacin de tipo inductivo, se basa en la probabilidad. Tambin se le llama
tambin estadstica matemtica, por su complejidad matemtica en relacin a la
estadstica descriptiva.
Tiene como objetivo generalizar las propiedades de la poblacin bajo estudio,
basado en los resultados de una muestra representativa de la poblacin.
En el proceso podemos cometer errores pero debemos apreciar esos errores para
tener una medida de confianza en nuestras conclusiones inductivas.
La distribucin de probabilidad de una estadstica muestral, dado que es una
variable aleatoria, es comnmente llamada Distribucin Muestral. A partir de las
propiedades de la distribucin del estadstico podemos calcular los riesgos
(errores) que se corren al hacer generalizaciones de la poblacin con base en la
muestra.
En este curso desarrollaremos la distribuciones muestrales para la media, la
diferencia de medias, la proporcin, y la diferencia de proporciones.
Pgina 82 de 132

Pero antes de introducirnos de plano en el tema de las distribuciones muestrales,
mencionaremos a ttulo informativo y somero algunas de las actividades que se
realizan en una investigacin por muestreo en forma sistemtica.
5.1. Algunas de las actividades que se realizan en una investigacin
por muestreo en forma sistemtica
Se llama muestra a una parte de la poblacin a estudiar qu sirve para
representarla.
El determinar el tamao de una muestra representa una parte esencial del mtodo
cientfico para poder llevar a cabo una investigacin. Al muestreo lo podemos
definir como el conjunto de observaciones necesarias para estudiar la distribucin
de determinadas caractersticas en la totalidad de una poblacin, a partir de la
observacin de una parte o subconjunto de una poblacin, denominada muestra.
El clculo del tamao de la muestra es uno de los aspectos a concretar en las fases
previas de la investigacin comercial y determina el grado de credibilidad que
concederemos a los resultados obtenidos.
Al definir el tamao de la muestra, nosotros deberemos procurar que sta
informacin sea representativa, vlida y confiable y al mismo tiempo nos
represente un mnimo costo. Por lo tanto, el tamao de la muestra estar
delimitado por los objetivos del estudio y las caractersticas de la poblacin,
adems de los recursos y el tiempo de que se dispone.
En Estadstica el tamao de la muestra es el nmero de sujetos que componen la
muestra extrada de una poblacin, necesarios para que los datos obtenidos sean
representativos de la poblacin. Para calcular el tamao de una muestra hay que
tomar en cuenta tres factores: El porcentaje de confianza con el cual se quiere
generalizar los datos desde la muestra hacia la poblacin total. El porcentaje de
error que se pretende aceptar al momento de hacer la generalizacin. El nivel de
variabilidad que se calcula para comprobar la hiptesis. La confianza o el
porcentaje de confianza es el porcentaje de seguridad que existe para generalizar
los resultados obtenidos
Pgina 83 de 132

Una poblacin se precisa como un conjunto finito o infinito de personas u objetos
que presentan caractersticas comunes.
- Planteamiento de la investigacin
- Definir objetivos
- Definir cobertura y periodo de referencia
- Definir las variables en estudio
- Definiciones y relaciones bsicas
- Antecedentes
- Recursos
- Asignacin de responsabilidades
- Elaboracin de los instrumentos bsicos
- Plan de tabulacin
- Cuestionario estadstico
- Prueba y ajuste del cuestionario
- Instructivos
- Entrevistas
- Diseo de la encuesta
- Universo estadstico
- Poblacin estadstica
- Mtodo de recoleccin
- Marco muestral
- Tipo de muestreo
- Diseo y tamao de la muestra
- Organizacin y ejecucin de las operaciones de campo
- Diseo de los controles de operacin
- Encuesta piloto
- Preparacin del personal de campo
- Codificacin de preguntas abiertas
Pgina 84 de 132

- Ejecucin de la encuesta
- Procesamiento de datos
- Entrada o captura de los datos
- Salidas o reportes
- Anlisis estadstico de la informacin
- Anlisis de los resultados
- Confiabilidad de la informacin
- Estudio de comportamiento
- Anlisis econmico social
- Plan de difusin
- Medios de comunicacin
- Medios informativos
- Publicaciones
- Limitaciones legales

Extrado del libro:
Investigacin por Muestreo del Profesor Flix Serijas, segunda edicin,
Caracas , 1993
5.2. Distribucin de la media muestral
Si se extrae una muestra aleatoria de tamao n de una poblacin con media y
desviacion estandar , las observaciones muestrales son Independiente y las
variables aleatrias estn distribudas em forma identicas, entonces la distribucion
muestral de la media es como sigue:
Variable aleatoria X Media muestral X
Esperanza o Media (X) =
Desviacin Est{ndar (X) = [/n +* *(N-n )/(N-1)]
Pgina 85 de 132

5.3. Distribucin de la diferencia de medias muestrales
En muchos campos de la investigacion cientfica deseamos a menudo comparar las
medias de dos variables aleatorias, como por ejemplo, el efecto de dos condiciones
o tratamientos o mtodos de produccin.
Variable aleatoria X1-X2 Medias muestrales X1-X2
Esperanza o Media (X1-X2) = 1- 2
Desviacin Estndar (X1-X2) = (
2
1/n1 +
2
2/n2 )

5.4. Distribucin de la proporcin muestral
Recordemos que una proporcin poblacional se define como P = X / N, en donde X
es el numero de elementos que poseen una cierta caracterstica y N es el numero
total de elementos de la poblacin o tamao de la poblacin.
Recordemos igualmente que una proporcin muestral se define como p = x / n, en
donde x es el numero de elementos de la muestra que poseen cierta caracterstica y
n es el tamao de la muestra.
Variable aleatoria X Proporcion muestral p
Esperanza o Media (X) = P
Desviacin Est{ndar (X) = (P*Q/n)* *(N-n )/(N-1)]

5.5. Distribucin de la diferencia de proporciones muestrales
Cuando se comparan dos muestras aleatorias extraidas de dos variables
binomiales, es posible trabajar solo con la proporcin de xitos, no con el numero
Pgina 86 de 132

de xitos, a menos que ambas muestras sean del mismo tamao. Por ejemplo,
durante una eleccin presidencial , toma una muestra de 100 votantes de un estado
y se halla que 40 estan a favor del candidato A; se toma otra muestra de 150
votantes de otro estado y se encuentra que 50 estan a favor del candidato A. Sin
duda, estos dos conjuntos de nmeros no se pueden evaluar a menos que se
reduzcan a proporciones. Mas especficamente, lo que aqu necesitamos es un
modelo de probabilidad de la diferencia de dos proporciones.
Variable aleatoria p1-p2 Proporciones muestrales p1-p2
Esperanza o Media (p1-p2) = P1- P2
Desviacin Estndar (p1-p2) = (P1 * Q1/n1 + P2 * Q2/n2 )
Ejercicios de Distribucin de Muestreo

1. Si la vida media de operacin de una pila de linterna es de 24 horas y est
distribuida normalmente con una desviacin de 3 horas. Cul es la probabilidad
de que una muestra aleatoria de 100 pilas tenga una media que se desve por ms
de 30 minutos del promedio?
Resp. La probabilidad de que el promedio de la vida til de las pilas supere las
24.5 Horas es de 4.75%. P (X > 24.5horas) = 4.75%
Z = (24.5 24)/(3/100) = 1.67 P (Z > 1.67) = 4.75%

2. En un estudio para comparar los pesos promedios de nios y nias de sexto
grado en una escuela primaria se usar una muestra aleatoria de 20 nios y otra de
25 nias. Se sabe que tanto para nios como para nias los pesos siguen una
distribucin normal. El promedio de los pesos de todos los nios de sexto grado de
Pgina 87 de 132

esa escuela es de 100 libras y su desviacin estndar es de 14.142 libras, mientras
que el promedio de los pesos de todas las nias de sexto grado de esa escuela es de
85 libras y su desviacin estndar es de 12.247 libras. Cul de la probabilidad de
que el promedio de los pesos de los 20 nios sea al menos 20 libras ms mayor que
el de las 25 nias?.
Resp. P (X1 X2 >= 20) = 0.1056 Por lo tanto, la probabilidad de que el peso
promedio de los nios sea al menos 20 libras mayor que el peso promedio de las
nias es 10.56%.

Z = (20-15) / (199,9962/20 + 149,989/25 ) = 5/3.9999 = 1,25
P (X1 X2 >= 20) = P ( Z >= 1,25 ) = 10,56%
3. Previo a una eleccin la senadora X contrata los servicios de la compaa Y para
f ijar la contienda establecida con los electores. Ella percibe con respecto a este
punto que si tiene el 45% de los votos ser nominada de acuerdo con su estrategia
de campaa. Suponiendo que la compaa contratada selecciona una muestra
aleatoria simple de 1600 electores registrados. Cul es la probabilidad de que la
muestra pueda producir una proporcin de 45% ms dado que la verdadera
proporcin es del 40%?
Resp. P (p >= 0,45) = P (Z>= 4,09) = 0 La probabilidad es de casi el 0%.

Pgina 88 de 132

4. Hallar la probabilidad de que en 120 lanzamientos de una moneda el nmero de
caras (a) est comprendido entre el 40% y el 60%, (b) sea 5/8 o ms del nmero de
lanzamientos.
5. Si X N (40,10), calcular Pr (39 X 41) para n=10 En que intervalo se obtendr{
el 95% de los resultados?
6. Al medir el tiempo de reaccin, un psiclogo estima que la desviacin tpica del
mismo es de 0,05 segundos, Cul es el tamao de la muestra mas adecuada para
estimar la media, con una confianza del 95% y un error que no exceda a 0,01?
n= Z* / e n= 1,96*0,05 / 0,01 =96 sujetos
7. El porcentaje de votantes de un Distrito dado que estn a favor de determinado
candidato es el 55%. Hallar el tamao de la muestra con un nivel de confianza del
99% si se quiere un error mximo de 2%, para la proporcin de todos los votantes
que estn a favor de ese candidato.
n= Z*P*Q / e n= 2,58*0,55*0,45 / 0,02 = 4119 electores
8. Cul es la probabilidad de que el candidato 1 supere al candidato 2?

Porcentaje de
Votantes
Candidato 1 30%
Candidato 2 40%
Candidato 3 30%
Pgina 89 de 132

Resp. Prob[ (p1 p2 > = 0] = Prob (Z >= 1,49) = 6,81 % La probabilidad de
que el candidato 1 supere al candidato 2 es del 6.81%

9. Un fabricante de focos afirma que su producto durar un promedio de 500 horas
de trabajo. Para conservar este promedio esta persona verifica 25 focos cada mes. Si
el valor y calculado cae entre t = -0.05 y t = 0.05, l se encuentra satisfecho con esta
afirmacin.
Qu conclusin deber l sacar de una muestra de 25 focos cuya duracin fue?:

520 521 511 512 510 = 500 h
513 522 500 521 495 n = 25
496 488 500 502 512 Nc = 90%
510 510 475 505 521 X = 505.36
506 503 487 493 500 S =12.07

Pgina 90 de 132

gl = n -1 = 24 t = 2.22

Se puede concluir que la media poblacional no es 500, porque la muestra
Poblacional est por encima de esta, y por lo tanto debera estar por encima de
500.
10. Un proceso manufacturero usado por una fabrica durante los ultimos 10 aos,
tiene una distribucin normal con la desviacin estndar de 8 unidades por hora,
se desea estimar un intervalo de confianza de 90% para el promedio de unidades
por hora producido con dicho proceso. Para tal efecto, se toma una muestra
aleatoria de la produccin por hora y se obtiene un promedio de 160 unidades.
Resp. 157.376 < < 162.624
11. En un estudio de prevalencia de factores de riesgo en una cohorte de 412
mujeres mayores de 15 aos de la regin metropolitana se encontr que el 17.6% de
ellas era hipertensas. Determinar un intervalo para la proporcin de mujeres
hipertensas en la regin metropolitana con un nivel de confianza del 95%.
Resp. 0.14268< P < 0.20932

12. Que tan grande debe seleccionarse una muestra para tener un intervalo de
95% de confianza con un margen de error de 10 unidades? Suponga que la
desviacin estndar poblacional es 40. Resp. n= 61.46
13. Cuntas personas tendramos que estudiar para conocer la prevalencia al
diabetes? Con un nivel de confianza 95%, un error 3%, proporcin esperada
asumamos que pueda ser aproxima al 5%.
Pgina 91 de 132

14. Una poblacin se compone de tres nmeros 3, 6,8, Considerar todas las
muestras posibles de tamao dos que puedan extraerse. Hallar:
a. Media de la Poblacin =5,6667
b. Desviacin tpica de la poblacin = 2,0548
c. Media de la distribucin media con reemplazo= 5,67
d. Media de la distribucin media sin reemplazo = 5,67
e. Desviacin tpica de la distribucin muestra de media con reemplazo
/ n = 1,45
f. Desviacin tpica de la distribucin muestra de media sin reemplazo
/ n *[(N-n)/(N-1)] = 1,02
15. Si la sumatoria de la edades de diez estudiantes es de 126,45 Cul es el
promedio de las edades? Media X= 12,645 aos
16. De los 56 estudiantes en las dos secciones de estadstica aplicada, que cursan la
carrera de Informtica solo aprobaron 32. Cual es la proporcin de aprobados?
P= 32/56= 0,5714
17. Las medidas de los dimetros de una muestra al azar de 200 cojinetes de bolas
hechas por una determinada mquina durante una semana dieron una media de
0,824 pulgadas y una desviacin tpica de 0,042 pulgadas. Hallar los lmites de
confianza del 95% para el dimetro medio de todos los cojinetes.
IC= Med X Z* x IC= [0,8182; 0,8298]
Los intervalos de confianza para estimar el dimetros de cojinetes de bolas hechas
por una determinada mquina se encuentra entre [0,8182; 0,8298], con una
confianza del 95%
18. Una muestra de 100 votantes elegidos al azar entre todos los de un Distrito
dado, indic que el 55% estaban a favor de un determinado candidato. Hallar los
lmites de confianza del 99% para la proporcin de todos los votantes que estaban
a favor de ese candidato
IC= p Z* p IC= [0,46; 0,64]
Pgina 92 de 132

Los intervalos de confianza para estimar la proporcin de todos los votantes
que estaban a favor de ese candidato se encuentra entre [0,46; 0,64], con una
confianza del 99%
19. Una compaa que fabrica pastelitos desea estimar la proporcin de
consumidores que prefieran su marca. Los agentes de la compaa observan a 450
compradores, del nmero total observado 300 compraron los pastelitos. Calcule un
intervalo de confianza del 95% para la proporcin de compradores que prefieren
la marca de esta compaa.
Resp.
71,02%
p =
62,31%

La demanda del producto flucta entre 62,31% que seria el mnimo y 71,02% que
seria lo mximo.

20. Calcule el tamao muestral de una encuesta realizada por CIS sobre la Unin
Europea que inclua todas las provincias excepto Ceuta y Melilla. El error terico
era de + 2, con un intervalo de confianza de 95,5% y P=Q en el supuesto de un
muestreo aleatorio simple.
Resp. n = 2500
Pgina 93 de 132

21. Una fbrica desea saber la proporcin de amas de casa que preferiran una
aspiradora de su marca. Se toma al azar una muestra de 100 amas de casa y 20
dicen que les gustara la mquina. Calcule e interprete un intervalo del 95% de
confianza para la verdadera proporcin de amas de casa que preferiran dicha
aspiradora.
Interpretacin: se tiene una certeza del 95% de que la verdadera proporcin de
amas de casa que preferiran la aspiradora est entre 122% y 278%.
22. Se desea medir la diferencia entre dos categoras de empleados en la actividad
de seguros. Una est formada por personas con ttulo superior y la otra por
personas que slo tienen estudios secundarios. Tomamos una muestra de 45
empleados entre los primeros y la media de ventas resulta ser 32. Tomamos 60
empleados del segundo grupo y la media es 25. Suponga que las ventas de los dos
grupos se distribuyen normalmente con varianzas de 48 para los titulados
superiores y 56 para los de estudios secundarios.
Calcule e interprete un intervalo del 90% de confianza para la verdadera diferencia
de las medias.
De acuerdo con el intervalo hallado, hay evidencia de que las medias sean
iguales?
I.
Interpretacin: La verdadera diferencia de medias se halla entre 467 y 933 con
una certeza del 90%.
Si las dos medias son iguales, la diferencia entre ambas es cero. Por lo tanto
para que la igualdad entre las medias no pueda descartarse el cero debe
estar en el intervalo calculado. Como en este caso no sucede, no hay
evidencia de la igualdad entre las medias.
Pgina 94 de 132

5.6. Conceptos bsicos para la determinacin del tamao de
muestra: variable cualitativa Sexo y variable cuantitativa Edad.
- Notacin o Simbologa utilizada en el Muestreo.
Variable: Edad Smbolo Variable: Sexo Smbolo
Parmetro
Media
poblacional
Parmetro
Proporcin
poblacional
P
Estimador
media
muestral
X media Estimador
Proporcin
muestral
p
Parmetro
Desviacin
estndar
poblacional
(X) Parmetro
Desviacin
estndar
poblacional
(X)
Estimador
Desviacin
estndar
muestral
S Estimador
Desviacin
estndar
muestral
S
Poblacin
Tamao de la
Poblacin
N Poblacin
Tamao de la
Poblacin
N
Muestra
Tamao de la
Muestra
n Muestra
Tamao de la
Muestra
n
Desviacin
estndar del
estimador

(X
media)
Desviacin
estndar del
estimador
(p)
Error mximo
admisible
e
Error mximo
admisible
e
Nivel de
confianza
(Probabilidad)
Z = f (Alfa)
Nivel de
confianza
(Probabilidad)
Z = f (Alfa)
Tipo de
muestreo
Probabilstico
Tipo de
muestreo
Probabilstico
Clase de
muestreo
Muestreo
aleatorio
simple
mas
Clase de
muestreo
Muestreo
aleatorio
simple
mas
Pgina 95 de 132

- Marco Muestral de 1200 personas, Nmero identificador
y variables: Sexo y Edad.

Nmero Sexo Edad Nmero Sexo Edad Nmero Sexo Edad
1 Masculino 26 401 Femenino 80 801 Femenino 30
3 Femenino 28 403 Femenino 37 803 Masculino 49
5 Femenino 36 405 Femenino 25 805 Femenino 75
6 Masculino 60 406 Masculino 49 806 Femenino 18
7 Femenino 68 407 Masculino 58 807 Masculino 20
21 Masculino 48 421 Femenino 54 821 Masculino 39
26 Masculino 35 426 Masculino 71 826 Masculino 68
Pgina 96 de 132

45 Femenino 71 445 Masculino 54 845 Femenino 73
Pgina 97 de 132

Pgina 98 de 132

Pgina 99 de 132

200 Femenino 34 600 Masculino 60 1.000 Masculino 18
201 Masculino 20 601 Femenino 34 1.001 Masculino 59
202 Masculino 45 602 Femenino 27 1.002 Femenino 79
204 Femenino 76 604 Masculino 18 1.004 Femenino 28
205 Femenino 35 605 Femenino 54 1.005 Femenino 62
208 Femenino 20 608 Femenino 22 1.008 Masculino 52
209 Masculino 34 609 Masculino 76 1.009 Femenino 41
227 Masculino 58 627 Masculino 48 1.027 Masculino 30
Pgina 100 de 132

Pgina 101 de 132

Pgina 102 de 132

Pgina 103 de 132


Pgina 104 de 132

- Valores poblacionales de las variables: Sexo y Edad
Valores poblacionales de las variables: Sexo y Edad
Tamao de la Poblacin
N = 1200
Edad promedio

45,2042
Desviacin estndar de la edad
(X)
18,4239
Proporcin Poblacional
P (Femenino) % 51,5833
Q (Masculino) % 48,4167
Desviacin estndar del sexo
(X)
0,4997
Niveles de confianza = 1 - 2* Alfa Valores correspondiente de Z
90,0% 1,6449
95,0% 1,9600
97,5% 2,2414
99,0% 2,5758
99,5% 2,8070
Frmula para n tamao de la muestra para la
media
n = (Z* (X)/e )2 donde (X) es la
desviacin estndar de la variable en
estudio.
Frmula para n tamao de la muestra para la
proporcin
n = (Z/e)2 *P*Q, donde P y Q son las
proporciones de la variable en estudio.

Pgina 105 de 132

5.7. Clculo del tamao de muestra para las variables Sexo y Edad

Determinacin del tamao de muestra de la variable Sexo en funcin del
nivel de confianza (NC) y del error (e)

Error mximo admisible
en porcentajes
Nivel de confianza (Prob) Valores de Z
50% 25% 10% 5% 1%
90,00% 1,6449
3 11 68 270 6757
95,00% 1,9600
4 15 96 384 9594
97,50% 2,2414
5 20 125 502 12547
99,00% 2,5758
7 27 166 663 16571
99,50% 2,8070
8 31 197 787 19679
Determinacin del tamao de muestra de la variable Edad en funcin del
nivel de confianza (NC) y del error (e)

Error mximo admisible
en aos
Nivel de confianza (Prob) Valores de Z
20 10 5 2 1
90,00% 1,6449
2 9 37 230 918
95,00% 1,9600
3 13 52 326 1304
97,50% 2,2414
4 17 68 426 1705
99,00% 2,5758
6 23 90 563 2252
99,50% 2,8070
7 27 107 669 2675

Pgina 106 de 132

6. Estimacin puntual y por intervalo de los parmetros.
- Intervalos de confianza utilizando desviacin estndar
En estadstica, la probabilidad que asociamos con una estimacin de intervalo se
conoce como el nivel de confianza
Esta probabilidad nos indica que tanta confianza tenemos en que la estimacin del
intervalo incluya al parmetro de la poblacin. Una probabilidad mas alta significa
mas confianza.
El intervalo de confianza es el alcance de la estimacin que estamos haciendo pero
a menudo hacemos el intervalo de confianza en trminos de errores estndar, para
esto debemos calcular el error estndar de la media as:
Donde es el error estndar de la media para una poblacin infinita, es la desviacin
estndar de la poblacin.
Con frecuencia expresaremos los intervalos de confianza de esta forma: en la que:
= limite superior del intervalo de confianza
= limite inferior del intervalo de confianza
- Relacin entre nivel de confianza e intervalo de confianza
Podra pensarse que deberamos utilizar un alto nivel de confianza, como 99% en
todos los problemas sobre estimaciones, pero en algunos casos altos niveles de
confianza producen intervalos de confianza alto por lo tanto imprecisos.
Debe tenerse un intervalo de confianza que vaya de acuerdo al tema que se este
estimando.
- Intervalos de prediccin aproximados
una forma de ver el error estndar de la estimacin es concebirla como la
herramienta estadstica que podemos usar para hacer un enunciado de
probabilidad sobre el intervalo alrededor del valor estimado de , dentro del cual
cae el valor real de Y.
Pgina 107 de 132

Cuando la muestra es mayor de 30 datos, se calcula los intervalos de prediccin
aproximados de la siguiente manera,
Si queremos estar seguros en aproximadamente 65% de que el valor real de Y caer
dentro de + 1 error estndar de . Podemos calcular los limites superior e inferior de
este intervalo de prediccin de la siguiente manera:
= Limite superior del intervalo de prediccin
= Limite inferior del intervalo de prediccin
Si, en lugar decimos que estamos seguros en aproximadamente 95.5% de que el
dato real estar dentro de + 2 errores estndar de la estimacin de . Podramos
calcular los limites de este intervalo de la siguiente manera:
y por ultimo decimos que estamos seguros en aproximadamente el 99.7% cuando
usamos + 3 errores estndar de la estimacin de Podramos calcular los limites de
este intervalo de la siguiente manera:
Como ya habamos mencionado solo se usa para grandes muestras (mayores de 30
datos) para muestras ms pequeas se usan la distribucin T
Debemos poner nfasis en que los intervalos de prediccin son solo
aproximaciones, de hecho los estadsticos pueden calcular el error estndar exacto
para la prediccin Sp, usando la formula:
en la que:
X0 = valor especifico de x en el que deseamos predecir el valor de Y

Pgina 108 de 132

7. Contraste de Hiptesis.
8. Regresin simple y Correlacin.
La regresin lineal simple, es una herramienta muy importante para la
econometra, que estudia la dependencia existente entre una variable dependiente
y una o ms variables explicativas.
El inventor de dicha teora fue Francis Galton, junto con la del concepto de
correlacin
El modelo de regresin lineal simple, busca encontrar la recta de regresion Y = 0
+ 1 X + error que relacione dos variables (X e Y) de forma que el error sea
minimo
Un ejemplo de dicha regresin lineal, es la renta, ya que no podemos saber el nivel
de renta en un futuro, pero si podemos saber si el promedio de la renta aumentar
o disminuir determinando con cierta exactitud la cantidad
- Anlisis de Regresin
En el anlisis de regresin lo que se pretende es predecir o estimar el valor
promedio de la variable explicada en base a unos valores fijos de las variables
explicativas. En el anlisis de regresin, las variables explicativas son fijas y la
variable explicada es estocstica.
- Hiptesis del modelo
1. La variable Y se relaciona linealmente con la variable X
2. La variable Y es cuantitativa y aleatoria
3. Los errores son independientes entre si
- Correlacion
La correlacin es el grado de dependencia mutua entre las variables, y mide la
intensidad de su relacin.
Pgina 109 de 132

En otras palabras, el anlisis de correlacin trata de averiguar el grado o fuerza de
influencia que tienen las variables explicativas (una o ms) en la variable
dependiente o explicada.
El coeficiente de correlacin es llamado r, y su frmula es:

r = Sxy /[ Sx Sy] = (x - X )( y - Y) / Raiz* (( x - X )
2
(y - Y)
2
] =
= (xy - nXY ) / Raiz *(x
2
nX
2
) (y
2
nY
2
)] cuyo valor oscila entre 1 y -1;
X= media de la variable x e Y = media de la variable y
8.1. Principales tcnicas utilizadas en el anlisis de regresin lineal simple
- Diagrama de dispersin e interpretacin
El primer paso para determinar si existe o no una relacin entre dos variables es
observar la grafica de datos observados. Esta grafica se llama diagrama de
dispersin.
Un diagrama nos puede dar dos tipos de informacin, visualmente podemos
buscar patrones que nos indiquen que las variables estn relacionadas. Entonces si
esto sucede, podemos ver que tipo de lnea, o ecuacin de estimacin, describe esta
relacin.
Primero tomamos los datos de la tabla que deseamos analizar y dependiendo de
que se desea averiguar se construye la grafica colocando la variable dependiente
en el eje Y y la independiente en el eje X, Cuando vemos todos estos puntos juntos,
podemos visualizar la relacin que existe entre estas dos variables. Como
resultado, tambin podemos trazar, o ajustar una lnea recta a travs de nuestro
diagrama de dispersin para representar la relacin. Es comn intentar trazar estas
lneas de forma tal que un numero igual de puntos caiga a cada lado de la lnea.
Pgina 110 de 132

- Estimacin mediante la lnea de regresin
Hasta el momento las lneas de regresin se colocaron al ajustar las lneas
visualmente entre los puntos de datos, pero para graficar estas lneas de una forma
ms precisa podemos utilizar una ecuacin que relaciona las dos variables
matemticamente.
La ecuacin para una lnea recta donde la variable dependiente Y esta determinada
por la variable independiente X es: Y = A + B X + e
La A se denomina interseccin con el eje Y porque su valor es el punto en el cual la
lnea de regresin cruza el eje Y, es decir el eje vertical.
La B es la pendiente de la lnea, representa que tanto por cada cambio de unidad
de la variable independiente X cambia la variable dependiente Y. Tanto A como B
son constantes numricas, puesto que para cada recta dada, sus valores no
cambian.

Pgina 111 de 132

- Recta de regresin por el mtodo de mnimos cuadrados.
Como estamos buscando la lnea de estimacin que minimiza la suma de los
cuadrados de los errores a este mtodo lo llamamos Mtodo de los Mnimos
Cuadrados.
cmo podemos saber cuando hemos encontrado la mejor lnea de ajuste?
Los estadsticos han derivado dos formulas que podemos utilizar para encontrar la
pendiente y la interseccin Y de la lnea de regresin del mejor ajuste. Las formulas
son
A = (y / n) B (x / n)
B = *(xy / n) -(x / n) (y / n)+/ *(x
2
/ n) - (x / n)
2
]

- Verificacin de la ecuacin de estimacin
Ahora que sabemos como calcular la lnea de regresin, podemos verificar que
tanto se ajusta.
La suma de los errores individuales positivos y negativos deben dar cero.
- Error estndar de la estimacin
El error estndar nos permite deducir la confiabilidad de la ecuacin de regresin
que hemos desarrollado.
Este error se simboliza e y es similar a la desviacin estndar en cuanto a que
ambas son medidas de dispersin.
El error estndar de la estimacin mide la variabilidad, o dispersin de los valores
observados alrededor de la lnea de regresin y su formula es la siguiente:
e = Raiz *(y a b x)
2
/(n 2)] = Raiz [(y
2
ay bxy)/(n 2)]
Pgina 112 de 132

- Interpretacin del error estndar de la estimacin
Como se aplicaba en la desviacin estndar, mientras ms grande sea el error
estndar de estimacin, mayor ser la dispersin de los puntos alrededor de la
lnea de regresin. De manera inversa, si e = 0, esperemos que la ecuacin de
estimacin sea un estimador perfecto de la variable dependiente. En este caso
todos lo puntos deben caer en la lnea de regresin y no habra puntos dispersos.
Usaremos el error estndar como una herramienta de igual forma que la
desviacin estndar. Esto suponiendo que los puntos observados estn
distribuidos normalmente alrededor de la lnea de regresin, podemos encontrar
un 68% de los puntos entre +- 1 e; 95.5% entre +- 2 e y 99.7% de los puntos entre
+- 3 e. Otra cosa que debemos observar es que el error estndar de la estimacin
se mide a lo largo del eje Y, y no perpendicularmente de la lnea de regresin.
8.2. Anlisis de correlacin
El anlisis de correlacin es la herramienta estadstica que podemos usar para
describir el grado hasta el cual una variable esta linealmente relacionada con la
otra. Con frecuencia el anlisis de correlacin se utiliza junto con el anlisis de
regresin para medir que tan bien la lnea de regresin explica los cambio de la
variable dependiente Y. Sin embargo, la correlacin tambin se puede usar sola
para medir el grado de asociacin entre dos variables.
Los estadsticos han desarrollado dos medidas para describir la correlacin entre
dos variables: el coeficiente de determinacin y el coeficiente de correlacin.
- Coeficiente de determinacin
El coeficiente de determinacin es la principal forma en que podemos medir la
extensin, o fuerza de asociacin que existe entre dos variables, X y Y. Puesto que
hemos desarrollado una muestra de puntos para desarrollar las lneas de regresin,
nos referimos a esta medida como el coeficiente de determinacin de la muestra.
El coeficiente de determinacin de la muestra se desarrolla de la relacin entre dos
tipos de variacin: la variacin de los valores Y en conjunto de los datos alrededor
de
Pgina 113 de 132

la lnea de regresin ajustada
su propia media
el termino variacin en estos dos casos se refiere a la suma de un grupo de
desviaciones cuadradas. Al usar esta definicin, entonces es razonable expresar la
variacin de los valores Y alrededor de la lnea de regresin con esta ecuacin:
variacin de los valores Y alrededor de la lnea de regresin = ( y Yr)
2
la segunda variacin, la de los valores de Y con respecto a su propia media, esta
determinada por
variacin de los valores de Y alrededor de su propia media = ( y Y)
2

uno menos la razn entre estas dos variaciones es el coeficiente de determinacin
de la muestra que se simboliza r2 = ( Yr -Y)
2
/ ( y Y)
2
esta ecuacin es una medida del grado de asociacin lineal entre X y Y
Una correlacin perfecta es aquella en que todos los valores de Y caen en la lnea
de estimacin , por lo tanto el coeficiente de determinacin es 1
Cuando el valor del coeficiente de determinacin es 0 quiere decir que no hay
correlacin entre las dos variables
En los problemas con que se topa la mayora de los responsables de la toma de
decisiones, r2 caer en alguna parte entre estos dos extremos de 1 y 0. recuerde, no
obstante que un r2 cercano a 1 indica una fuerte correlacin entre X y Y, mientras
que un r2 cercano a 0 significa que existe poca correlacin entre estas dos variables.
Un punto que debemos subrayar fuertemente es que r2 mide solo la fuerza de una
relacin lineal entre dos variables.
Otra interpretacin de r2
Los estadsticos tambin interpretan el coeficiente de determinacin viendo la
cantidad de variacin en Y que es explicada por la lnea de regresin.
Pgina 114 de 132

Mtodo de atajo para calcular el coeficiente de determinacin (r2)
Hay una formula que nos ahorra muchos clculos tediosos y esta es:
en la que:
r2= coeficiente de determinacin de la muestra
a = interseccin en Y
b = pendiente de la lnea de estimacin de mejor ajuste
n = numero de puntos de datos
X = valores de la variable independiente
Y = valores de la variable dependiente
= media de los valores observados de la variable dependiente
- Coeficiente de correlacin
El coeficiente de correlacin es la segunda medida que podemos usar para
describir que tambin una variable es explicada por la otra. Cuando tratamos con
muestras, el coeficiente de variacin de muestra se denomina como r y es la raz
cuadrada del coeficiente de determinacin de la muestra:
cuando la pendiente de estimacin de la muestra es positiva, r es la raz cuadrada
positiva, pero si b es negativa, r es la raiz cuadrada negativa. Por lo tanto, el signo
de indica la direccin de la relacin entre las dos variables X y Y. Si existe una
relacin inversa, esto es , si y disminuye
Ejercicio de regresin lineal simple
Un corredor de bienes races estudio la relacin entre X= ingreso anual en miles de Bs.F
de los compradores de viviendas e Y= precio de ventas de las viviendas en miles de Bs.F
Se obtuvieron los datos de las solicitudes hipotecarias correspondientes a 24 ventas en una
temporada en el rea de inters del corredor.

Pgina 115 de 132

X=Ingreso 25.0 28.5 29.2 30.0 31.0 31.5 31.9 40.9
Y=precio 84.9 94.0 96.5 93.5 102.9 99.5 101.0 120.8
X=Ingreso 33.5 34.0 35.9 36.0 39.0 39.0 40.5 33.0
Y=precio 110.0 100.0 116.0 110.0 125.0 119.9 130.6 99.9
X=Ingreso 44.0 45.0 50.5 54.6 65.0 70.0 32.0 42.5
Y=precio 135.5 140.0 150.7 170.0 110.0 185.0 105.0 129.9

X =
Ingresos
Y =
Precios
Precios
Proyectados
25 84,9 92,22
28,5 94 98,53
29,2 96,5 99,79
30 93,5 101,23
31 102,9 103,03
31,5 99,5 103,93
31,9 101 104,65
40,9 120,8 120,88
33,5 110 107,54
34 100 108,44
35,9 116 111,87
36 110 112,05
39 125 117,45
39 119,9 117,45
Pgina 116 de 132

40,5 130,6 120,16
33 99,9 106,64
44 135,5 126,47
45 140 128,27
50,5 150,7 138,18
54,6 170 145,57
65 110 164,32
70 185 173,34
32 105 104,83
42,5 129,9 123,76

Pgina 117 de 132

Coeficiente
de
Regresin
A
47,15
Coeficiente
de
Regresin
B
1,80
Coeficiente
de
Correlacin
R
0,8201
Pgina 118 de 132

9. Series Cronolgicas o Series de Tiempo.
Una serie cronolgica, est formada por un conjunto de observaciones de una
variable, ordenadas en funcin del tiempo.
Su mbito de aplicacin, no est limitado a la esfera estrictamente econmica. Su
metodologa puede utilizarse en la medicina (electrocardiograma,
electroencefalograma, etc.), agricultura (evolucin de las lluvias en las diferentes
estaciones), psicologa (evolucin del coeficiente intelectual de una persona) y en
muchas otras disciplinas.
El propsito perseguido con el anlisis de series, consiste en predecir los valores
futuros de la variable estudiada.
Para ello, las observaciones son descompuestas en un conjunto de elementos
(componentes), que permitan descubrir las regularidades que presentan.
El anlisis de series cronolgicas, se realiza a travs de dos modelos bsicos.
A) Modelo Aditivo Yt = Tt + St + Ct + Et
B) Modelo Multiplicativo Yt = Tt * St * Ct * Et
Yt - Variable estudiada
Tt - Tendencia
St - Variaciones estacionales
Ct - Fluctuaciones cclicas
Et Sucesos aleatorios o irregulares
La eleccin del modelo a utilizar, estar dada por el que mejor se ajuste a los datos,
de cada problema en particular.
En el modelo aditivo todos los componentes son valores reales, mientras que en el
multiplicativo, la tendencia es real, pero los restantes componentes se expresan
como un porcentaje de ella.
Pgina 119 de 132

9.1. Componentes de una serie cronolgica
- Tendencia ( Tt)
El componente de tendencia de una serie representa movimientos lentos y
graduales del conjunto de datos. Su desplazamiento es uniforme, y se identifica
con los cambios permanentes y fundamentales, como los crecimientos de la
poblacin, los cambios en el salario real de una comunidad, etc.
Si analizamos el consumo de un producto alimenticio, en condiciones normales, es
razonable suponer que un aumento en la poblacin, traer como consecuencia un
mayor consumo del mismo.
Este aumento no se percibe en perodos cortos de tiempo, pues como veremos,
existen otros factores que distorsionan las observaciones, pero s se advierte en el
largo plazo.
En el grfico se aprecia una tendencia creciente, a pesar de que las observaciones
fluctan a lo largo del tiempo, por la influencia de los otros componentes.

0
5
10
15
20
25
30
35
40
45
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Pgina 120 de 132

- Estacionalidad o variacionales estacionales (St)
Las variaciones estacionales representan los movimientos oscilatorios,
dentro de un plazo relativamente corto (un ao o menos). En el perodo escogido,
presentan una considerable dosis de regularidad.
Si analizamos la evolucin de las ventas de una heladera, encontraremos
picos bastantes acentuados, en los meses de verano. La estacin, est
condicionando la distribucin de las ventas anuales, y ese cuadro se repetir en los
aos sucesivos.
El concepto de estacionalidad, se utiliza tambin para explicar variaciones
que no se corresponden con el concepto de estacin.
Las mayores ventas de un supermercado los das sbado, tambin se consideran
fluctuaciones estacionales, por ser una configuracin repetida a intervalos
regulares, del mismo fenmeno.
- Ciclos o fluctuaciones cclicas (Ct)
Las fluctuaciones cclicas, se identifican con los movimientos oscilatorios
alrededor de la tendencia, que no se encuentran ceidos a perodos regulares, pero
que siempre son de largo plazo. Aunque son fenmenos diferentes, podemos
asociar (al solo efecto de su compresin) estas fluctuaciones, al concepto de ciclo
econmico.
Ellos se caracterizan por una primera etapa de crecimiento acelerado, a
mayor ritmo que la tendencia.
Esta faz expansiva del ciclo, hace que los valores aumenten por encima del
valor de tendencia, hasta llegar al momento del boom en el cual la situacin se
revierte.
Los valores comienzan a caer vertiginosamente en esta faz depresiva, hasta
que un nuevo impulso vuelva a estabilizar la situacin, y pueda dar lugar al
surgimiento de un nuevo ciclo.
La construccin de viviendas en el Uruguay, ha estado caracterizada por
fluctuaciones de este tipo.
Pgina 121 de 132

- Erraticidad o sucesos aleatorios o irregulares (Et)
Los sucesos aleatorios o irregulares, reflejan el componente de la serie que vara en
forma totalmente espordica.
Sus variaciones son generalmente ocasionadas por factores accidentales
(huelgas, terremotos, inundaciones).
Si estudiamos las ventas de una empresa, cuya fbrica se incendi y
permaneci seis meses inactiva, es lgico encontrar una cada brusca durante ese
perodo.
Este componente representa un residuo, que no puede ser explicado por
las variaciones de tendencia, estacionalidad y ciclo.
Sus movimientos suelen suavizarse mediante la utilizacin de promedios,
que distribuyen sus efectos a lo largo del tiempo.
9.2. Tendencia.
Cuando se desea conocer la evolucin de una variable en el largo plazo, el estudio
de la tendencia se convierte en un factor relevante.
La orientacin de la demanda en el largo plazo, es un aspecto de vital importancia
para muchas empresas. Una demanda creciente, puede indicar la ampliacin de las
instalaciones, adquirir maquinaria y equipos ms productivos, o requerir fondos
que financien su desarrollo.
Una demanda decreciente en cambio, puede sugerir otro tipo de cambios, como
reducir los gastos fijos, reconsiderar la poltica de publicidad, o lanzar nuevos
productos al mercado.
Para obtener la tendencia es necesario proceder a su aislamiento. Esto se realiza en
funcin de los siguientes objetivos bsicos:
1. Para proyectar los valores futuros de la variable.
Pgina 122 de 132

2. Para eliminar la tendencia calculada para la serie, y estudiar el
comportamiento de los restantes componentes.
La ecuacin de la tendencia puede ser lineal o curvilnea (parbola, exponencial).
Nuestro enfoque ser lineal por la gran aplicabilidad que posee y la simplicidad
de los clculos.
La estimacin de la tendencia puede hacerse mediante diversos mtodos, nosotros
utilizaremos el mtodo de los mnimos cuadrados.
- Mtodo de los mnimos cuadrados

Este mtodo es el ms utilizado para la obtencin de la tendencia y ya fue
definido al hablar de regresin.
En este caso consideraremos a la variable X (tiempo) como independiente e Y
(valores observados) como dependiente, y las llamamos t y Yt
respectivamente.
Suponemos que el sistema causal que influye en la serie, es una funcin del
tiempo.
Los coeficientes de la recta, definidos al hablar de recta de regresin son:

A = (y / n) B (x / n)
B = *(xy / n) -(x / n) (y / n)+/ *(x
2
/ n) - (x / n)
2
]

Pgina 123 de 132

Ejemplo.
Ao t Yt t.Yt t
2
1998 1 10 10 1
1999 2 12 24 4
2000 3 11 33 9
2001 4 13 52 16
2002 5 14 70 25
2003 6 16 96 36
2004 7 12 84 49
2005 8 15 120 64
2006 9 14 126 81
45 117 615 285

B = [( 615/ 9) -(45 / 9) (117 / 9)]/ [(285 / 9) - (45 / 9)
2
] = 0,50
A = (117 / 9) 0,50 (45 / 9) = 10,50
Yt = A + B Xt = 10,50 + 0,50 Xt
La primera columna y la tercera corresponden a informacin obtenida, o
sea los datos en el tiempo. Las restantes columnas son de clculo para hallar los
coeficientes de la recta.
Con la recta obtenida pueden proyectarse los valores de tendencia para los
aos siguientes.

Pgina 124 de 132

Si quisiramos conocer el valor para 2009 bastara identificar el nmero que
le corresponde a ese ao el cual es 12 y sustituirlo en la recta
Yt = 10,50 + 0,50 x 12 = 16,50
9.3. Variaciones estacionales

Las variaciones estacionales de una serie cronolgica, son aquellas
fluctuaciones que se repiten regularmente dentro del ao.
El aislamiento del componente estacional, se funda en los siguientes
objetivos:
a.- Para identificar los valores estacionales, que complementan la estimacin
de valores futuros a travs de la tendencia.
b.- Para estudiar el componente cclico de la serie desestacionalizada.
Por ejemplo, si los productos que comercializa una empresa, tienen una
demanda estacional, el ritmo de produccin de los mismos, deber adaptarse
lgicamente a estos factores.
Si esa empresa se dedica a la fabricacin y venta de equipos de calefaccin y
aire acondicionado, no puede pasar por alto los factores estacionales opuestos que
tienen sus productos.
El proceso productivo se disear, para tener los calefactores en stock antes
de comenzar el invierno, y los equipos de fro antes del verano, procurando que los
stocks de los mismos sean mnimos fuera de la temporada.
En las siguientes lneas, veremos los mtodos ms usuales para aislar el
componente estacional.
- Mtodo de diferencia a la tendencia

Este procedimiento consiste en restar la tendencia de la informacin
Pgina 125 de 132

original, para eliminar posteriormente las variaciones cclicas e irregulares a travs
de la promediacin.

t t t t t
E C S T Y + + + =
; luego
t t t t t
E C S T Y + + =
Al promediar los elementos del segundo miembro, se suavizan los
factores cclicos y accidentales, quedando aislada la funcin estacional.
Ejemplo:
2004 2005 2006
1
er
cuatrim. 16 19 24
2
do
cuatrim. 19 26 34
3
er
cuatrim. 24 31 41

Yt = A + B Xt = 12,917 + 2,617 Xt

Los valores de tendencia para cada uno de los cuatrimestres son los que
aparecen en el siguiente cuadro.
2004 2005 2006
1
er
cuatrim. 15.533 23.383 31.233
2
do
cuatrim. 18.150 26.000 33.850
3
er
cuatrim. 20.767 28.617 36.467

Pgina 126 de 132

Si restamos los valores de tendencia hallados, de los valores observados del
cuadro anterior, se obtiene un nuevo cuadro con las diferencias, que luego se
promedian para calcular el componente estacional.

La funcin de estacionalidad (St) es la que aparece en la ltima columna. Si
por efecto del redondeo de cifras, su suma no fuera nula, los valores deberan
ajustarse, sumando o restando una constante adecuada.
Si quisiramos proyectar los valores de la serie para 2007 en base a tendencia y
estacionalidad, haramos lo siguiente:

1
er
cuatr./07=
5
Y = 12,917 + 2,617 x 10 3,716 = 35,371

2
do
cuatr./07=
6
Y = 12,917 + 2,617 x 11 + 0,333 = 42,037

3
er
cuatr./07=
7
Y = 12,917 + 2,617 x 12 + 3,383 = 47,704

- Mtodo del porcentaje de tendencia.
Este procedimiento es similar al descrito en el punto anterior, salvo
que la eliminacin de la tendencia, se realiza mediante una divisin, pues se
aplica en esquemas multiplicativos.

t t t t t
E C S T Y * * * =
; luego

t t t
t
t
E C S
T
Y
* * =
2004 2005 2006 /3
1
er
cuatrim. 0.467 -4.383 -7.233 -11.149 -3.716
2
do
cuatrim. 0.850 0.000 0.150 1.000 0.333
3
er
cuatrim. 3.233 2.383 4.533 10.149 3.383
0 0
Pgina 127 de 132

Los valores obtenidos se promedian para suavizar las variaciones
cclicas e irregulares.
Para ilustrar el mecanismo de clculo, podemos utilizar los valores
hallados en el punto anterior.

Yt Tt Yt / Tt
16 15.532 1.0302
19 18.149 1.0469
24 20.766 1.1558
19 23.383 0.8126
26 26 1.0000
31 28.617 1.0833
24 31.234 0.7684
34 33.851 1.0044
41 36.468 1.1243

St
Yt/Tt 2004 2005 2006 /3 Ajuste
1
er
cuatrim. 1,0302 0,8126 0,7684 2,6112 0,8704 0,8679
2
do
cuatrim. 1,0469 1,0000 1,0044 3,0513 1,0171 1,0142
3
er
cuatrim. 1,1558 1,0833 1,1243 3,3634 1,1211 1,1179
3,0086 3,0000
Pgina 128 de 132

La suma de los valores estacionales debe ser 3, pues estamos considerando
3 cuatrimestres
Esto significa que en el 1
er
cuatrimestre, los valores se encuentran
Un 13.21% por debajo del promedio, mientras que en el segundo y tercero, estn
respectivamente el 1.42% y 11.79% por encima de l.
Ejercicio sobre serie cronolgica o de tiempo

Un proveedor de equipos de informtica acumula durante 5 aos los datos relativos a las
ventas mensuales de computadoras. Los datos en miles de unidades son los siguientes:

1 2 3 4 5 6 7 8 9 10 11 12
Ano E F M A M J J A S O N D Total
1 101.9 93.0 93.5 93.9 104.9 94.6 105.9 116.7 128.4 118.2 107.3 108.6
2 109.0 98.4 99.1 110.7 100.2 112.1 123.8 135.8 124.8 114.1 114.9 112.9
3 115.5 104.5 105.1 105.4 117.5 106.4 118.6 130.9 143.7 132.2 120.8 121.3
4 122.0 110.4 110.8 111.2 124.4 112.4 124.9 138.0 151.5 139.5 127.7 128.0
5 128.1 115.8 116.0 117.2 130.7 117.5 131.8 145.5 159.3 146.5 134.0 134.2
Total

a) Trace una grafica de los datos. Puede ver una tendencia global en los datos?
Parece haber efectos cclicos o estacionales?
b) Ajuste una ecuacin de tendencia lineal Yt=A+B t a los datos. Yt representa las
ventas correspondientes al mes t, donde t= 1,2,3..60. y trace la curva de
tendencia lineal sobre la misma grafica en donde estn los datos.
c) Determine los valores de A Y B de la recta de ajuste y estime algunos valores de
Yt.
d) Interprete los resultados y exprese sus conclusiones.

Pgina 129 de 132

Pgina 130 de 132

Meses
Meses Produccin
Ao 1
Produccin
Ao 2
Produccin
Ao 3
Produccin
Ao 4
Produccin
Ao 5
Enero 1 101,90 109 115,5 122 128,1
Febrero 2 93,00 98,4 104,5 110,4 115,8
Marzo 3 93,50 99,1 105,1 110,8 116
Abril 4 93,90 110,7 105,4 111,2 117,2
Mayo 5 104,90 100,2 117,5 124,4 130,7
Junio 6 94,60 112,1 106,4 112,4 117,5
Julio 7 105,90 123,8 118,6 124,9 131,8
Agosto 8 116,70 135,8 130,9 138 145,5
Septiembre 9 128,40 124,8 143,7 151,5 159,3
Octubre 10 118,20 114,1 132,2 139,5 146,5
Noviembre 11 107,30 114,9 120,8 127,7 134
Diciembre 12 108,60 112,9 121,3 128 134,2
Coeficiente
de
Regresin
A 92,06 101,95 103,85 109,67 115,17
Coeficiente
de
Regresin
B 2,08 1,70 2,25 2,37 2,50
Pgina 131 de 132

Meses Meses
Pronostico
Ao 1
Pronostico
Ao 2
Pronostico
Ao 3
Pronostico
Ao 4
Pronostico
Ao 5
Enero 1 94,14 103,65 106,11 112,04 117,66
Febrero 2 92,61 101,94 104,36 110,20 115,68
Marzo 3 90,48 100,11 102,10 107,87 113,16
Abril 4 90,14 97,58 101,73 107,50 112,71
Mayo 5 92,95 96,84 104,89 110,83 116,17
Junio 6 100,63 107,42 112,99 119,29 125,18
Julio 7 100,29 107,57 112,71 119,04 124,90
Agosto 8 101,06 106,17 113,52 119,89 125,87
Septiembre 9 98,94 106,64 111,24 117,41 123,28
Octubre 10 98,11 103,30 110,43 116,58 122,23
Noviembre 11 99,50 103,33 112,12 118,46 124,21
Diciembre 12 108,53 109,05 122,43 129,33 135,73

Pgina 132 de 132

Estadistica Inductiva (1) GUIA

Загружено:

Сведения о документе

Оригинальное название

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

Estadistica Inductiva (1) GUIA

Загружено:

Авторское право:

Доступные форматы

Pgina 1 de 132

REPBLICA BOLIVARIANA DE VENEZUELA

Y = 12,917 + 2,617 x 10 3,716 = 35,371

Y = 12,917 + 2,617 x 11 + 0,333 = 42,037

Y = 12,917 + 2,617 x 12 + 3,383 = 47,704

Вам также может понравиться