Estadistica Administrativa I1

INSTITUTO TECNOLGICO DE APIZACO Ciencias Bsicas
INSTITUTO TECNOLGICO DE APIZACO

DEPARTAMENTO DE CIENCIAS BSICAS
www.itapizaco.edu.mx/~cbasicas
ESTADSTICA ADMINISTRATIVA I
(Licenciatura en administracin)
M. en C. JOS LUIS HERNNDEZ GONZLEZ
www.itapizaco.edu.mx/~joseluis (~ alt 126)
Enviar las tareas al correo: tareasjlhg@yahoo.com
Alum.:____________________________________________
Apizaco Tlax., Enero junio 2007
Ingeniera Industrial Probabilidad 1 M. en C. Jos Luis Hernndez Gonzlez
PROBABILIDAD
OBJETIVO GENERAL DEL CURSO.
Resolver problemas donde se involucren eventos con incertidumbre, aplicando los modelos
analticos apropiados.
I Estadstica Descriptiva
1.1 Introduccin, notacin sumatoria
1.2 Datos no agrupados.
1.2.1 Medidas de tendencia central y de posicin.
1.2.2 Medidas de dispersin
1.3 Datos agrupados
1.3.1 Tabla de frecuencia
1.3.2 Medidas de tendencia central y de posicin
1.3.3 Medidas de dispersin
1.4 A partir de un conjunto dado de datos, representarlos mediante un histograma, polgono de
frecuencias, ojivas, etc.
II Fundamentos de probabilidad
2.1 Conjuntos y tcnicas de conteo.
2.2 Concepto clsico y como frecuencia relativa.
2.3 Espacio muestral y eventos.
2.4 Axiomas y teoremas.
2.5 Espacio finito equiprobable.
2.6 Probabilidad condicional e independencia.
2.7 Teorema de Bayes
III Modelos analticos de fenmenos aleatorios discretos.
3.1 Definicin de variable aleatoria discreta.
3.2 Funcin de probabilidad y de distribucin, valor esperado, varianza y desviacin estndar.
3.3 Distribucin Binomial.
3.4 Distribucin Hipergeomtrica
3.4.1Aproximacin de la hipergeomtrica por la Binomial.
3.5 Distribucin Geomtrica.
3.6 Distribucin Multinomial.
3.7 Distribucin de Poisson.
3.7.1 Aproximacin de la Binomial por la de Poisson.
IV Modelos analticos de fenmenos aleatorios continuos
4.1 Definicin de variable aleatoria continua.
4.2 Funcin de densidad y acumulativa.
4.3 Valor esperado, varianza y desviacin estndar.
4.4 Distribucin Uniforme y Exponencial.
4.5 Distribucin Normal.
4.5.1 Aproximacin de la Binomial a la Normal.
4.6 Teorema de Chebyshev.
V Regresin y correlacin Simple
5.1 Regresin lineal simple y curvilnea.
5.1.1Distinguir entre variable dependiente e independiente.
5.1.2 Definir ecuacin de regresin y cual es su aplicacin.
5.1.3 Aplicar el mtodo de mnimos cuadrados para determinar la recta, parbola o curva que mejor
se ajuste a un conjunto de datos.
5.2 Correlacin
Bibliografa temario
1 Montgomery- Runger.
Probabilidad y Estadstica para Ingeniera y Administracin.
Ed. Limusa Wiley.
2 Walpole- Myers.
Probabilidad y Estadstica para Ingenieros.
Ed. Prentice- Hall.
3 William Mendenhall.
Probabilidad y Estadstica (Schaum).
Ed. Learning Thomson.
4 Luis Magaa Cullar.
Estadstica y Probabilidad.
Coleccin Bachiller.
Ed. Nueva Imagen S.A. de C.V.
5 Levin Rubin.
Estadstica para Administradores.
Ed. Prentice Hall.
6 Mason- Lind- Marchal.
Estadstica para Administradores
Ed. Alfaomega.
7 Howard. B. Chisten.
Estadstica paso a paso.
Ed. Trillas.
8 Heinz Kohler.
Estadstica Para negocios y Economa
Ed. CECSA.
9 Piot. M. Wisniewski- Guillermo Bali.
Ejercicios y problemas de la teora de las Probabilidades.
Ed. Trillas
10 Humberto Gutierres Pulido.
Calidad total y productividad.
Ed. McGraw Hill
11 Cesar Argusto Bernal T.
Mtodos de la Investigacin para Administracin y Economa.
Ed. Prentice Hall.
12 Irwin R. Miller-John E. Freund.
Probabilidad y Estadstica Para Ingenieros.
Ed. Prentice Hall.
BIBLIOGRAFA (Apuntes)
Estadstica I
Napolen Labastida Lpez
I.P.N. Limusa
Estadstica Inferencial y Econometra
Jos Felipe Padilla Daz
I.P.N.
Probabilidad y Estadstica
Walpole y Mier
Mc Graw Hill
Probabilidad y Estadstica
Problemas de Probabilidad
Hugo E. Borras Garca
Rafael Iriarte B.
Facultad de Ingeniera
UNAM
LINKS
http://cran.r-project.org/
Winplot y Winstat
http://math.exeter.edu/rparris/winplot.html
http://math.exeter.edu/rparris/winstats.html
Calculadoras modelos de regresin
http://www.people.hofstra.edu/faculty/Stefan_Waner/RealWorld/newgraph/regressionframes.html
http://faculty.vassar.edu/lowry/corr_stats.html?
Datos para anlisis de regresin
http://www.seattlecentral.org/qelp/Data_MathTopics.html
http://www.minitab.com
http://www.spss.com/corpinfo/
IMPORTANTE
Entregar apuntes completos al
finalizar el curso (con
anotaciones de la clase en las
copias y fechas 4 revisiones
durante el semestre)
Las tareas o trabajos de
investigacin se deben entregar
como mapas conceptuales (en
hojas blancas, nombre y fecha)
Elaborar proyecto con algn
software de la lista
ESTADSTICA DESCRIPTIVA
Medidas descriptivas. Es posible realizar una interpretacin o anlisis de los datos mediante diferentes
medidas descriptivas que nos permiten extraer y resumir las principales caractersticas de los datos. Las
medidas descriptivas pueden calcular a partir de una muestra con los datos de una poblacin o de una
poblacin, adems es necesario realizar una tabla de frecuencias cuando los datos son demasiados para
poder graficarlos e interpretarlos.
DISTRIBUCIN DE FRECUENCIAS
Distribucin de Frecuencia: Es una representacin tabular en la cual se disponen datos divididos en
grupos ordenados numricamente y que se denominan clases o categoras.
Al construir una tabla de distribucin de frecuencias, debemos de:
1) Se selecciona el nmero adecuado de clases para la tabla.
2) Se selecciona un intervalo de clase o anchura apropiada.
3) Establecer los lmites de clase para evitar traslapes.
La seleccin del nmero de clases depende de la cantidad de datos sin embargo, se propone de entre
5 y 15.
CLCULO DE NMEROS DE CLASES
Para calcular el nmero de clases de una tabla de frecuencias podemos usar las siguientes
expresiones frmulas:
a) Raz cuadrada
n k
b) Regla de Sturges
k = 1 + 3.3 log n
c) Regla de Stockes
1
) 2 ln(
) ln(
+
n
k
Considere los siguientes datos aleatorios:
15 7 5 10 18 20 19 14 17 10
13 20 10 11 16 7 19 12 1 4
3 16 15 13 8 5 20 7 2 6
3 9 10 13 19
n = 35
a) Raz cuadrada 35 k = 5.916 6
b) Regla de Sturges k = 1 + 3.3 log 35 = 6.095 6
c) Regla de Stockes
1
) 2 ln(
) ln(
+
n
k
= 6.129 6
Rango= 20 1 = 19
4 1667 . 3
6
19

k
recorrido
I
Si redondeamos a I = 4 tendremos k = 5 y si redondeamos a I = 3, tendremos k = 6, por simplicidad
se toma en este ejemplo I = 4 y k = 5.
Clase Frecuencias Frecuencias
Frecuencias
acumuladas
Frecuencias
relativas
frecuencias
acumuladas
relativas
Marca de
clase
li ls f f f a f r f a r x
0.5 a menos de 4.5 xxxxx 5 5 5/35 5/35 2.5
4.5 a menos de 8.5 xxxxxxx 7 12 7/35 12/35 6.5
8.5 a menos de 12.5 xxxxxxx 7 19 7/35 19/35 10.5
12.5 a menos de 16.5 xxxxxxxx 8 27 8/35 27/35 14.5
16.5 a menos de 20.5 xxxxxxxx 8 35 8/35 35/35 18.5
35 35
k = Nmero de clases ls = Lmite Superior li = Lmite Inferior
I = Ancho de clase
HISTOGRAMAS
Histograma de Frecuencias: Est formado por un conjunto de barras rectangulares, levantadas
sobre el eje de las abscisas (x), cuyas reas son proporcionales a las frecuencias, la altura de cada
barra representa a la frecuencia.
0
1
2
3
4
5
6
7
8
9
2.5 6.5 10.5 14.5 16.5
marca de clase
f
r
e
c
u
e
n
c
i
a
s
Polgonos de frecuencia: Es un diagrama de lnea que usa los mismos ejes y escala del histograma,
formando un polgono.
Diagramas acumulativos
(ojivas): En ocasiones se desea mostrar la distribucin de datos, en forma acumulada. Las
frecuencias acumuladas se pueden formar sobre una base menor que mayor que y se obtienen
sumando en orden ascendente o descendente las
frecuencias.
0
2
4
6
8
10
-1.5 2.5 6.5 10.5 14.5 16.5 20.5
marca de clase
f
r
e
c
u
e
n
c
i
a
s
0
2
4
6
8
10
-1.5 2.5 6.5 10.5 14.5 16.5 20.5
marca de clase
f
r
e
c
u
e
n
c
i
a
s
0
10
20
30
40
0.5 4.5 8.5 12.5 16.5 20.5
lmites
f
r
e
c
u
e
n
c
i
a
s

a
c
u
m
u
l
a
d
a
s
Efecto de la cantidad de datos en un
histograma.
0
10
20
30
40
0.5 4.5 8.5 12.5 16.5 20.5
lmites
f
r
e
c
u
e
n
c
i
a
s

a
c
u
m
u
l
a
d
a
s
MEDIDAS DE TENDENCIA CENTRAL O DE POSICIN (datos no agrupados)
La mayora de los datos se muestra la tendencia de agruparse alrededor de un punto central y es posible
elegir un valor promedio que describa al conjunto. Los mas usuales son: la Media Aritmtica, la
Mediana, Moda y el Rango Medio.
Media aritmtica
muestra
n
x x x
n
x
x
n
n
i
i
+ + +

2 1 1
poblacin
N
x
N
i
i

1
Mediana
posicin
n
M
d
2
1 +
Nota: Es importante ordenar los datos de mayor a menor o de menor a mayor.

Moda (Mo)
Es aquel valor con mayor frecuencia.
Rango medio
2
menor mayor
m
x x
R
+
Media geomtrica
n
n
n
i
n
i
g
x x x x M
2 1
1

utilizando logaritmos
,
_
+ + +
,
_
n
x log x log x log
10
n
x log
10 M
n 2 1 x
n
1 i
i
x
g

Media armnica (M-1)
n
n
i
i
x x x
n
x
n
M
1 1 1
1
2 1
1
1
+ + +

Media cuadrtica (Mc)

n
x x x
n
x
M
n
n
i
i
c
2 2
2
2
1 1
2
+ + +

Media aritmtica ponderada
n
n n
n
i
i
n
i
i i
w w w
x w x x w x
w
x w
x
+ + +
+ + +

2 1
2 2 1 1
1
1
Cuartiles (Qi)
posicin
i n
Q
i
2
1
4
+
Deciles (Di)
posicin
i n
D
i
2
1
10
+
Percentiles (Pi)
posicin
i n
P
i
2
1
100
+
MEDIDAS DE DISPERSIN (datos no agrupados)

Es una propiedad que describe a un conjunto de datos en relacin al grado de variacin o diseminacin
de los mismos las medidas mas usuales son el rango, la desviacin media, la varianza y la desviacin
Estndar.
Rango (recorrido, amplitud, oscilacin)
menor mayor
x x R
Desviacin media (D. M.)
+ + +
n
i
n i
n
x x x x x x
n
x x
M D
1
2 1
| | | | | | | |
. .

Varianza
muestra

+ + +
n
1 i
2
n
2
2
2
1
2
i 2
1 n
) x x ( ) x x ( ) x x (
1 n
) x x (
s

poblacin

N
i
i
N
x
1
2
2
) (
Desviacin estndar
muestra

n
1 i
2
i 2
1 n
) x x (
s s
poblacin

N
1 i
2
i 2
N
) x (
Coeficiente de variacin
x
s
cv
cv
Coeficiente de asimetra
s
) M x ( 3
ca
d
) M ( 3
ca
d
Ejemplo: Considere el siguiente conjunto de calificaciones obtenidas de una muestra de 8 alumnos
del grupo. 80, 78, 60, 33, 80, 90, 80, 98
875 . 74
8
599
8
98 80 90 80 33 60 78 80

+ + + + + + +
x
posicin M
d
5 . 4
2
1 8
Md = 80
Mo = 80
5 . 65
2
33 98
m
R
posicin Q 5 . 4
2
1
4
) 2 )( 8 (
2
+
MEDIDAS DE DISPERSIN
65 33 98 R
839 . 403
7
88 . 2826
1 8
) 36 . 9 98 ( ) 36 . 9 78 ( ) 36 . 9 80 (
2 2 2
2

+ + +

s
0958 . 20 839 . 403 s
268 . 0
875 . 74
0958 . 20
cv
0765 .
0958 . 20
) 80 875 . 74 ( 3

ca
Cuando el conjunto de datos es muy grande lo podemos organizar en un tabla de frecuencias y
despus calcular sus medidas como datos agrupados.
DATOS AGRUPADOS
33 60 78 80 80 80 90 98
1 2 3 4 5 6 7 8
4.5 posicin
Media
n
i
i
n
i
i i
f
f x
x
1
1
Mediana
I
f
fa
2
n
li M
a
d
,
_
+
Moda
I li M
o

,
_
+
2 1
1
Cuartiles
I
f
fa
4
i n
li Q
a
i
,
_
+
Deciles
I
f
fa
10
i n
li D
a
i
,
_
+
Percentiles
I
f
fa
100
i n
li P
a
i
,
_
+
Varianza

k
i
i
i
k
i
f
f x
1
1
2
2
) (
n = Nmero de datos
li = Lmite inferior
f = Frecuencia
x = Valor Medio o marca de clase
1
= Diferencia entre la mayor frecuencia y la frecuencia anterior
2
= Diferencia entre la mayor frecuencia y la frecuencia que le sigue
I = Ancho de la clase intervalo
fa
a
= Frecuencia acumulada anterior
Ejemplo: Calcular en la tabla de frecuencias anterior la media aritmtica, mediana, moda,
desviacin estndar y compara como datos no agrupados.
li ls f f a x
xf (x-)
2
f
0.5 a menos de 4.5 5 5 2.5 12.5 387.2
4.5 a menos de 8.5 7 12 6.5 45.5 161.28
8.5 a menos de 12.5 7 19 10.5 73.5 4.48
12.5 a menos de 16.5 8 27 14.5 116.0 81.92
16.5 a menos de 20.5 8 35 18.5 148.0 414.72
35 395.5 1049.6
Media
30 . 11
35
5 . 395

Mediana
Buscar en las frecuencias acumuladas el valor de 5 . 17
2
35
2

n
en las frecuencias acumuladas,
como no aparece tmese el rengln con la frecuencia mayor a 17.5 que corresponde a la clase de 8.5
a menos de 12.5.

li ls f f a x
0.5 a menos de 4.5 5 5 2.5
4.5 a menos de 8.5 7 12 6.5
8.5 a menos de 12.5 7 19 10.5
12.5 a menos de 16.5 8 27 14.5
16.5 a menos de 20.5 8 35 18.5
35
sustituir
li = 8.5 fa
a
= 12 f = 7 I = 4
64 . 11 4
7
12 5 . 17
5 . 8
,
_

+
d
M
Moda
Tomar la mayor frecuencia, considerar el valor de 8 en la clase de 12.5 a menos de 16.8.
li = 12.5
1

= 1
2
= 0 I = 4
5 . 16 4
0 1
1
5 . 12 M
o

,
_
+
+
Varianza
99 . 29
35
6 . 1049
2

Desviacin estndar
473 . 5 99 . 29
Comparativa de la media aritmtica y la desviacin estndar
= 11.34 (no agrupados) 11.30 (agrupados)
= 5.79 (no agrupados) 5.47 (agrupados)
Asimetra. Es una medida del grado de distorsin respecto a la simetra que presenta una distribucin
de frecuencias. Cuando una distribucin es perfectamente simtrica los valores de la media, la
mediana y de moda son iguales.
Curtsis. Mide el grado de apuntamiento de la distribucin. La curva normal se toma como
referencia para medir la curtsis. Si una curva es menos apuntada que la normal se dice que es
Asimetra positiva
(a la derecha)
Asimetra negativa
(a la izquierda)
Simtrica
platicrtica y una curva ms apuntalada que la normal se llama leptocrtica. El termino mesocrtica
es utilizado para describir a la curva normal.
Leptocrtica
Platicrtica
Mesocrtica
UNIDAD II
INTRODUCCIN A LA PROBABILIDAD Y VALOR ESPERADO
CONJUNTOS Y TCNICAS DE CONTEO
DEFINICIN Y NOTACIN DE CONJUNTOS
El trmino conjunto juega un papel fundamental en el desarrollo de las matemticas modernas;
Adems de proporcionar las bases para comprender con mayor claridad algunos aspectos de la teora
de la probabilidad. Su origen se debe al matemtico alemn George Cantor (1845 1918).

Podemos definir de manera intuitiva a un conjunto, como una coleccin o listado de objetos con
caractersticas bien definidas que lo hace pertenecer a un grupo determinado.
Para que exista un conjunto debe basarse en lo siguiente:
La coleccin de elementos debe estar bien definida.
Ningn elemento del conjunto se debe contar ms de una vez, generalmente, estos elementos
deben ser diferentes, si uno de ellos se repite se contar slo una vez.
El orden en que se enumeran los elementos que carecen de importancia.

NOTACIN
A los conjuntos se les representa con letras maysculas A, B, C, ... y a los elementos con letras
minsculas a, b, c, ..., por ejemplo, el conjunto A cuyos elementos son los nmeros en el
lanzamiento de un dado.
A = { 1, 2, 3, 4, 5, 6 }
En base a la cantidad de elementos que tenga un conjunto, estos se pueden clasificar en conjuntos
finitos e infinitos.
FINITOS: Tienen un nmero conocido de elementos, es decir, se encuentran determinados por su
longitud o cantidad.
El conjunto de das de la semana
INFINITOS: Son aquellos en los cuales no podemos determinar su longitud.
El conjunto de los nmeros reales
Existen dos formas comunes de expresar un conjunto y la seleccin de una forma particular de
expresin depende de la conveniencia y de ciertas circunstancias siendo:
EXTENSIN: Cuando se describe a cada uno de los elementos.
A = {a, e, i, o, u}
COMPRENSIN: Cuando se enuncian las propiedades que deben tener sus elementos.
A = {x | x es una vocal}
Para describir si un elemento pertenece o no a un conjunto, se utiliza el smbolo de pertenencia o es
elemento de, con el smbolo , en caso contrario .

A = {1, 2, 3}
2 A; 5 A
TIPOS DE CONJUNTOS
CONJUNTO VACI O NULO: Es aquel que no tiene elementos y se simboliza por o { }.
A = {x
2
+ 1 = 0 | x R}
El conjunto A, es un conjunto vaco por que no hay ningn nmero real que satisfaga a x
2
+1 = 0
CONJUNTO UNIVERSAL: Es el conjunto de todos los elementos considerados en una poblacin
o universo, en un problema en especial. No es nico, depende de la situacin, denotado por U o .

RELACIONES ENTRE CONJUNTOS

IGUALDAD DE CONJUNTOS
Considerando el conjunto A y el conjunto B, si ambos tienen los mismos elementos, es decir, si
cada elemento que pertenece a A tambin pertenece a B y si cada elemento que pertenece a B
pertenece tambin a A.
A = B
SUBCONJUNTO
Si todo elemento de un conjunto A es tambin elemento de un conjunto B, entonces se dice que A es
un subconjunto de B. Representado por el smbolo .
A B o B A
SUBCONJUNTOS PROPIOS
Se dice que es un subconjunto propio de A s todos los elementos de un conjunto B se encuentran
incluidos en l A, denotado por .
A B o B A
CONJUNTO POTENCIA
La familia de todos los subconjuntos de un conjunto se llama conjunto potencia. Si un conjunto es
finito con n elementos, entonces el conjunto potencia tendr 2
n
subconjuntos.
A = {1, 2 }
El total de subconjuntos es:
2
2
= 4
{1,2}, {1}, {2}, { }
CONJUNTOS DISJUNTOS
Son aquellos que no tienen elementos en comn, es decir, cuando no existen elementos que
pertenezcan a ambos.
F = {1, 2, 3, 4, 5, 6}
G = {a, b, c, d, e, f}
PARTICIN
Cuando un conjunto es dividido en subconjuntos mutuamente excluyentes y exhaustivos, se le
denomina particin.
OPERACIONES DE CONJUNTOS
Unin.
Interseccin.
Diferencia.
Complemento.
Producto cartesiano.
UNIN DE CONJUNTOS. Sean A y B dos subconjuntos cualesquiera del conjunto universal. La
unin de A y B, expresada por A B, es el conjunto de todos los elementos que pertenecen a A o
pertenecen a B.
A B = {x | x A o x B}
INTERSECCIN DE CONJUNTOS. Sean A y B dos conjuntos cualesquiera del conjunto
universal. La interseccin de A y B, expresada por A B, es el conjunto de todos los elementos que
pertenecen a A y a B simultneamente, es decir:
A B = {x | x A y x B}
DIFERENCIA DE CONJUNTOS O COMPLEMENTO RELATIVO. Sean A y B dos conjuntos
cualesquiera del conjunto universal. La diferencia o complemento relativo de B con respecto a A, es
el conjunto de los elementos que pertenecen a A, pero no pertenecen a B.
A - B = {x | x A, x B}
Nota: A - B B - A
COMPLEMENTO ABSOLUTO O SIMPLEMENTE COMPLEMENTO. Sea A un subconjunto
cualesquiera del conjunto universal. El complemento de A es el conjunto de elementos que
perteneciendo al universo y no pertenecen al conjunto A, denotado por A o A
c
.
A = {x | x U, x A}
Nota: A = U - A
PRODUCTO CARTESIANO. Sean A y B dos conjuntos, el conjunto producto o producto
cartesiano expresado por A x B est formado por las parejas ordenadas (a, b) donde a A y b B.
A x B = {(a, b) | a A y b B}
LEYES DE CONJUNTOS
DE IDEMPOTENCIA
A A = A A A = A
ASOCIATIVA
(A B) C = A (B C )
(A B) C = A (B C)
CONMUTATIVA
A B = B A A B = B A
DISTRIBUTIVA
A (B C) = (A B) (A C)
A (B C) = (A B) (A C)
DE IDENTIDAD
A U = U A U = A
A = A A =
DE INVOLUCIN
(A) = A
DE COMPLEMENTO
A A = U A A =
U= = U
DMORGAN
(A B) = A B (A B)= A B
PRINCIPIO DE CONTEO
n(A B) = n(A) + n(B) A B =
n(A B) = n(A) + n(B) - n(A B) A B
DIAGRAMAS DE VENN
Un diagrama de Venn es una representacin pictrica de conjuntos en el plano. El conjunto universal
U se representa por un rectngulo, cualquier otro conjunto se representa con un crculo. Una
operacin se representa mediante el sombreado de los elementos del conjunto.
EVENTOS
EXPERIMENTO ESTADSTICO: Es el proceso mediante el cual se genera un conjunto de datos
y puede ser determinstico o aleatorio.
ESPACIO MUESTRAL: Son todos los posibles resultados que se obtienen de un experimento
denotado por S o .
S = {1, 2, 3, 4, 5, 6}
EVENTO SIMPLE: Son los eventos constituidos por un slo elemento.
A = {4}
EVENTO COMPUESTO: Es cualquier evento que se puede descomponer en dos o ms eventos
simples.
B = {2, 4, 6}
EVENTOS MUTUAMENTE EXCLUYENTES: Llamados tambin disjuntos, no pueden ocurrir
simultneamente, es decir, la ocurrencia de ellos excluye la ocurrencia de los otros.
A B =
S
B A
A B
EVENTOS INDEPENDIENTES: Cuando la ocurrencia o no ocurrencia de un evento no afecte la
ocurrencia de otro evento.
EVENTOS DEPENDIENTES: Si los eventos A y B estn relacionados de tal modo que la
ocurrencia de B depende de la ocurrencia de A, entonces A y B son independientes.
TCNICAS DE CONTEO
Para determinar el espacio muestral o el tamao del espacio muestral, es necesario desarrollar
algunas tcnicas de enumeracin las cuales son:
El Diagrama de rbol
Anlisis Combinatorio.
DIAGRAMAS DE RBOL
Los diagramas de rbol son ordenaciones empleadas para enumerar todas las posibilidades lgicas
de una secuencia de eventos, donde cada evento puede ocurrir en un nmero finito. Proporcionan un
mtodo sistemtico de enumeracin objetiva de los resultados.
A continuacin, se presenta un Diagrama de rbol, referente a las respuestas que se pueden dar a
tres preguntas de Verdadero o Falso.
Tenemos dos opciones posibles para cada pregunta, V o F el rbol presenta dos ramas en cada
pregunta.
1) La teora de conjuntos fue desarrollada por G. Cantor.
a) V b) F
2) G. Cantor es de origen francs.
a ) V b) F
3) La teora de conjuntos sirve para simplificar la Estadstica.
a) V b) F
V
F
V
F
V
F
1)
2
)
3)
V
F
V
F
V
V
F
F
Raz
Ramas
Las diferentes formas en que se puede contestar son ocho y forman el espacio muestral.
S = {VVV, VVF, VFV, VFF, FVV, FVF, FFV, FFF}
Se tienen en un estante 3 libros uno de lgebra, otro de Contabilidad y otro de Biologa. De
cuntas formas distintas se pueden ordenar los libros?
{ACB, ABC, BCA, BAC, CAB, CBA}
ANLISIS COMBINATORIO
Los diagramas de rbol muestran objetivamente el nmero de resultados posibles en que se puede
disponer de la ordenacin de un conjunto de elementos, pero esta enumeracin es limitada, pues a
medida que aumenta el nmero de objetos dicha ordenacin se complica, por lo que hay que utilizar
otro procedimiento ms sencillo para determinar el nmero total de resultados. Con este fin, nos
A
C
C B
B
B
A
A C
C
C
A
A B
B
l
g
e
b
r
a
B
i
o
l
o
g
a
C
o
n
t
a
b
i
l
i
d
a
d
l
g
e
b
r
a
B
i
o
l
o
g
a
C
o
n
t
a
b
i
l
i
d
a
d
l
g
e
b
r
a
B
i
o
l
o
g
a
C
o
n
t
a
b
i
l
i
d
a
d
l
g
e
b
r
a
B
i
o
l
o
g
a
C
o
n
t
a
b
i
l
i
d
a
d
l
g
e
b
r
a
B
i
o
l
o
g
a
C
o
n
t
a
b
i
l
i
d
a
d
l
g
e
b
r
a
B
i
o
l
o
g
a
C
o
n
t
a
b
i
l
i
d
a
d
apoyaremos en los conceptos permutaciones y combinaciones, los cuales tienen como base el
principio fundamental del conteo.
PRINCIPIO FUNDAMENTAL DE CONTEO
Si un evento A puede ocurrir de n
1
maneras, y una vez que este ha ocurrido, otro evento B puede
ocurrir de n
2
maneras diferentes, entonces el nmero total de formas diferentes en que ambos
eventos pueden ocurrir en el orden indicado, es igual a n
1
x n
2
.
De cuntas maneras pueden repartirse 3 premios a un conjunto de 10 personas, suponiendo que
cada persona no puede obtener ms de un premio?
Aplicando el principio fundamental del conteo, tenemos 10 personas que pueden recibir el primer
premio. Una vez que ste ha sido entregado, restan 9 personas para recibir el segundo, y
posteriormente quedarn 8 personas para el tercer premio. De ah que el nmero de maneras
distintas de repartir los tres premios.
n
1
x n
2
x n
3
10 x 9 x 8 = 720
Cuntas placas de automvil se pueden hacer utilizando dos letras seguidas de tres cifras? No se
admiten repeticiones.
26 x 25 x 10 x 9 x 8 = 468000
El smbolo ! se lee factorial y es el producto resultante de todos los enteros positivos de 1 a n; es
decir, sea n un nmero entero positivo, el producto n (n-1) (n-2)...3 x 2 x 1 se llama factorial de n.
n! = n (n -1 ) (n -2 )...3 x 2 x 1
5! = 5 x 4 x 3 x 2 x 1 = 120
Por definicin 0! = 1
PERMUTACIONES
Una permutacin de un conjunto de elementos, es un ordenamiento especfico de todos o algunos
elementos del conjunto, facilita el recuento de las ordenaciones diferentes que pueden hacerse con
los elementos del conjunto.
Nota: En una permutacin el orden en que se disponen los elementos del conjunto es importante.
PERMUTACIONES DE n ELEMENTOS
Por el principio fundamental del conteo podemos enunciar que el nmero de permutaciones de n
objetos distintos tomados de n en n, es:
! n
n n
P
Se quiere conocer el conjunto de todas las disposiciones posibles de tres personas colocadas en
hilera para tomar una fotografa.
3
P
3
= 3! = 6
Cinco personas desean nombrar un Comit Directivo compuesto de un presidente, un
vicepresidente, un secretario, un tesorero y un vocal. Cuntas maneras hay de constituir el
comit?
5
P
5
= 5! = 120
Hay seis banderas de distintos colores. Cuntas seales diferentes se pueden enviar usando las
seis banderas al mismo tiempo?
6
P
6
= 6! = 720
PERMUTACIONES DE n ELEMENTOS EN DIFERENTES GRUPOS DE r ELEMENTOS.
Podemos calcular el nmero de permutaciones
n
P
r
, de n elementos, tomados en grupos o
subconjuntos de r elementos.
)! (
!
r n
n
r n
P
Si de un estante tomamos 2 de 3 libros Cuntas permutaciones pueden realizarse?
6 ! 3
)! 2 3 (
! 3
2 3

P

Cuntas ternas pueden formarse con las 26 letras del alfabeto, si cada letra slo puede utilizarse
una sola vez?
15600
! 23
! 26
)! 3 26 (
! 26
3 26

P
Cinco personas entran a una sala en la que hay 8 sillas. De cuntas maneras diferentes pueden
ocupar las sillas?
6720
! 3
! 8
)! 5 8 (
! 8
5 8

P
PERMUTACIONES DONDE NO TODOS LOS ELEMENTOS SON DIFERENTES.
Si los elementos de un conjunto no son todos diferentes entre s, es decir, algunos de los elementos
son idnticos, la frmula de las permutaciones presenta un nuevo aspecto.
El nmero de permutaciones que se pueden formar en el caso de n elementos, cuando hay n1
elementos idnticos, n2 elementos de otro tipo idnticos, etctera, es:
! ... ! !
!
nk n2 n1
n
nk ..., n2, n1, n
P
Cuntas palabras diferentes de cuatro letras pueden formarse con las letras LULU?
6
4
24
! 2 ! 2
! 4
2 , 2 4
P
S = {LLUU, LULU, UULL, ULUL, LUUL, ULLU}
Cuntas palabras de once letras pueden formarse con la palabra Mississippi?.
34650
! 1 ! 2 ! 4 ! 4
! 11
1 , 2 , 4 , 4 11
P
Cuntos mensajes pueden enviarse con diez banderas utilizndolas todas, si son cuatro negras,
tres verdes y tres rojas?
4200
! 3 ! 3 ! 4
10
3 , 3 , 4 10
P
PERMUTACIONES CIRCULARES
Cuando los elementos se encuentran dispuestos en forma circular tenemos:
)! 1 ( n
n
Pc
De cuntas maneras podemos ordenar 5 llaves en un llavero?
24 ! 4 )! 1 5 (
5
Pc
COMBINACIONES
Ya sabemos que en una permutacin el orden de los elementos es importante, pero cuando el orden
de colocacin carece de importancia, a la disposicin de dichos elementos se le denomina
combinacin.
Por lo tanto, una combinacin es un subconjunto o una disposicin de todos los elementos de un
conjunto, sin tener en cuenta el orden de ellos.
El nmero de combinaciones o subconjuntos no ordenados, cada uno formado por r elementos, que
pueden obtenerse de un conjunto de n elemento es:
! )! (
!
r r n
n
r n
C o
! )! (
!
r r n
n
r
n
,
_
Si de un estante tomamos 2 de 3 libros, Cuntas combinaciones pueden realizarse?

3
2
6
! 2 ! 1
! 3
! 2 )! 2 3 (
! 3
2 3

C

Por lo tanto, el resultado se reduce a 3 posibles formas ya que en una combinacin el orden de los
elementos no es importante.
Se tienen cinco obreros para un trabajo especial que requiere de tres de ellos. De cuntas maneras
diferentes se puede seleccionar un equipo de tres?

10
12
120
! 3 ! 2
! 5
! 3 )! 3 5 (
! 5
3 5

C
De un club de 20 socios, se van a seleccionar 3 para formar la mesa directiva. De cuntas formas
puede constituirse?
1140
6
6840
! 3 ! 17
! 20
! 3 )! 3 20 (
! 20
3 20

C
Es conveniente observar que:
r n n r n
C C
As:
2 100 98 100 100 98 100
C C C

FRMULA DEL BINOMIO
,
_
+
n
r
r r n n
r
n
0
) ( b a b a
AXIOMAS Y TEOREMAS DE LA PROBABILIDAD.
DEFINICIONES DE LA PROBABILIDAD.
La palabra probabilidad se utiliza para cuantificar nuestra creencia de que ocurra un acontecimiento
determinado. Existen tres formas de estimar probabilidades: el enfoque clsico, el cual se aplica
cuando todos los resultados posibles que se consideran igualmente probables; el de frecuencias
relativas o probabilidad emprica, se refiere a la estimacin con base en un gran nmero de
experimentos repetidos en las mismas condiciones. El enfoque subjetivo basado en situaciones
especiales, en las cuales no es posible repetir el experimento y slo usa un grado de confianza
personal.
PROBABILIDAD CLSICA O DE LAPLACE (fines del siglo XVI).
Bajo este concepto definiremos la probabilidad de obtener un determinado resultado A, en un
experimento aleatorio como la relacin por cociente, entre el nmero de casos favorables a su
ocurrencia, y el nmero de casos posibles. Si representamos la probabilidad de ocurrencia del evento
A, por P(A), se tendr:
posibles Casos
evento al favorables Casos A
A P ) (
Esta es la definicin clsica o apriori (antes de), es de aplicacin fcil, pues no se necesita de ningn
experimento para su clculo, sino nicamente el conocimiento de las condiciones en que se realiza el
experimento. Se supone que todos los resultados posibles son conocidos, y que todos tienen la
misma probabilidad de ocurrir.
Si una urna contiene 10 esferas blancas, 15 azules y 5 rojas, la probabilidad de extraer al azar una
esfera blanca, es:
3
1
30
10
) ( B P
Esta probabilidad se basa en razonamientos abstractos y no depende de la experiencia, lo cual
permite estimar probabilidades sin realizar una gran cantidad de experimentos.
PROBABILIDAD FRECUENTISTA O DE VON MISES (frecuencias relativas 1957)
La probabilidad experimental de que ocurra un evento es la frecuencia relativa observada con que
ocurre ese evento. Si un experimento se realiza n veces, bajo las mismas condiciones y si ocurren
n(A) resultados favorables al evento A, el valor estimado de la probabilidad de que ocurra A como
resultado de la experimentacin, puede determinarse de la manera siguiente:
n
A n
A P
) (
) (
Donde n(A) es el nmero de veces que se observ realmente el evento A, y n es el nmero de veces
que se efectu el experimento.
La probabilidad estimada, obtenida en esta forma, se denomina probabilidad experimental. A medida
que aumenta el nmero de ensayos o experimentos, la probabilidad estimada de que ocurra un
evento, que se obtiene a travs de la frecuencia relativa, se va acercando al valor apriori.
Por medio del enfoque de frecuencias relativas, la probabilidad se determina sobre la base de la
proporcin de veces que ocurre un resultado favorable, en un nmero de observaciones o
experimentos. No hay supuesto previo de iguales probabilidades.
De 70 alumnos que se inscribieron al curso de probabilidad y estadstica en el semestre anterior. 15
no lo terminaron, 20 obtuvieron una calificacin de NA y el resto lo aprobaron, Cul es la
probabilidad de que un alumno acredite la materia?
2
1
70
35
) ( A P
PROBABILIDAD SUBJETIVA (1969)
La probabilidad estimada mediante los enfoques clsicos y experimental, son completamente
objetivos, ya que se determinan con base en hechos reales. En cambio, en algunos casos se presentan
situaciones en las cuales no es posible realizar experimentos repetitivos y los resultados tampoco son
igualmente probables. En estas condiciones, la probabilidad de ocurrencia de un evento debe
evaluarse en forma subjetiva.
Tales apreciaciones suelen ser de criterio personal, y por lo tanto, dos personas pueden cuantificar en
forma diferente, la probabilidad subjetiva del mismo evento. Podemos entonces considerar la
probabilidad subjetiva como la evaluacin personal de la ocurrencia de un evento incierto, que se
hace con base en criterios o experiencias sobre casos semejantes.

AXIOMAS DE PROBABILIDAD
Los axiomas de la formulacin moderna de la teora de la probabilidad constituyen una base para
deducir a partir de ellas un amplio nmero de resultados.
La letra P se utiliza para designar la probabilidad de un evento, siendo P(A) la probabilidad de
ocurrencia de un evento A en un experimento.
AXIOMA 1
Si A es un evento de S, entonces la probabilidad del evento A es:
1 ) ( 0 A P
Como no podemos obtener menos de cero xitos ni ms de n xitos en n experimentos, la
probabilidad de cualquier evento A, se representa mediante un valor que puede variar de 0 a 1.
AXIOMA 2
Si dos eventos son mutuamente excluyentes, la probabilidad de obtener A o B es igual a la
probabilidad de obtener A ms la probabilidad de obtener B.
P(A B) = P(A) + P(B)
Excluirse mutuamente quiere decir que A y B no pueden ocurrir simultneamente en el mismo
experimento. As, la probabilidad de obtener guila o sol en la misma tirada de una moneda ser
P(A B) = P(A) + P(B)
P(A B) = 1/2 + 1/2 = 1.
En general podemos decir que la suma de las probabilidades de todos los posibles eventos
mutuamente excluyentes es igual a 1:
P(A
1
) + P(A
2
) + P(A
3
) + ... + P(A
n
) = 1
AXIOMA 3
Si A es un evento cualquiera de un experimento aleatorio y A es el complemento de A, entonces:
P(A) = 1 - P(A)
Es decir, la probabilidad de que el evento A no ocurra, es igual a 1 menos la probabilidad de que
ocurra.
TEOREMAS DE LA SUMA DE PROBABILIDADES
Suponiendo que P(A) y P(B) representan las probabilidades para los dos eventos A y B, entonces
P(A B) significa la probabilidad de que ocurran A o B. Si representamos los eventos A y B en un
Diagrama de Venn con A B =
Entonces A y B son conjuntos disjuntos o mutuamente excluyentes, o sea que no pueden ocurrir en
forma simultnea
P(A B) = P(A) + P(B)
S
B A
A B =
En cambio, si ambos eventos tienen puntos muestrales en comn A B
P(A B) = P(A) + P(B) - P(A B)
PROBABILIDAD CONDICIONAL
La probabilidad condicional se simboliza P(B/A), que se lee probabilidad de B, dado A, o la
probabilidad de que ocurra B, condicionado a que haya ocurrido A.
Se dice que dos o ms eventos son independientes entre s cuando la probabilidad de que ocurra uno
no es influida por la ocurrencia de otro. Si A y B representan dos eventos y si la ocurrencia de A no
afecta a la ocurrencia de B, y la ocurrencia de B no afecta a la ocurrencia de A, entonces se dice que
A y B son Independientes.
En este caso, la probabilidad de que ocurran A y B es igual al producto de sus respectivas
probabilidades, y se expresa as:
P(A B) = P(A) P(B)
En una caja hay 5 esferas blancas, 4 rojas y 3 negras. Se extrae una esfera, se observa su color y se
regresa a la caja. Bajo estas condiciones, Cul es la probabilidad de que al extraer 3 esferas, stas
sean de color rojo?
27
1
1728
64
12
4
12
4
12
4
) ( x x R3 R2 R1 P

Si dos eventos A y B no son independientes, es decir, si A y B son dependientes, la probabilidad
compuesta de A y B no es igual al producto de sus probabilidades respectivas. Por lo cual, podemos
decir, que para eventos dependientes:
P(A B) P(A) P(B)
Es decir:
P(A B) = P(A) P(B / A)
o
S
B A
A B
P(B A) = P(B) P(A / B)
En una caja hay 5 esferas blancas, 4 rojas y 3 negras. Si se extraen al azar 3 esferas en forma
consecutiva, sin reemplazo, Cul es la probabilidad de que las 3 sean de color rojo?
Sea R
1
el evento extraer una esfera roja.
P(R
1
R
2
R
3
) = P(R
1
) P(R
2
/ R
1
) P(R
3
/ R
1
R
2
) =
51
1
1320
24
10
2
11
3
12
4
x x
De la expresin P(AB) = P(A)P(B/A) despejamos P(B/A) y se obtiene la probabilidad
condicional de "B dado A".
) (
) (
) / (
A P
B A P
A B P

En forma anloga, la probabilidad condicional de "A dado B", es :

) (
) (
) / (
B P
A B P
B A P

Una caja contiene 200 focos, 50 azules y 50 rojos; de los cuales, 10 son defectuosos: 6 azules y 4
rojos. Cul es la probabilidad de que un foco elegido al azar, sea defectuoso (evento D)?

100
1
100
10
) ( D P
Si seleccionamos un foco al azar y se observa que ste es azul (evento A), Cul es la probabilidad
de que el foco sea defectuoso, dado que es azul ?
Escribiremos P(D/A), para representar la probabilidad del evento D, dado A. Entonces, puesto que
hay 50 focos azules y de stos, 6 son defectuosos
25
3
50
6
) / ( A D P
TEOREMA DE BAYES
El procedimiento que se utiliza para encontrar probabilidades posteriores, a partir de probabilidades
previas, se llama regla Bayesiana. Las probabilidades apriori o previas se conocen antes de obtener
informacin alguna del experimento en cuestin. Las probabilidades aposteriori se determinan
despus de conocer los resultados del experimento.
El teorema de Bayes consiste en un mtodo para encontrar la probabilidad de una causa especfica
cuando se observa un efecto particular.
Esto es, si el evento B ha ocurrido, Cul es la probabilidad de que fue generado por el evento A
1
(que es una causa posible ) o por el A
2
(otra causa posible)?
Si suponemos que los eventos A
1
, A
2
, A
3
, ...., An, forman una particin de un espacio muestral S;
esto es, que los eventos A
1
son mutuamente excluyentes y su unin es S. Ahora, sea B otro evento,
entonces :
B = S B = (A
1
A
2
A
3
... A
n
) B
Donde A
i
B son eventos mutuamente excluyentes. En consecuencia:
P(B) = P(A
1
B) + P(A
2
B) + P(A
3
B) + ... + P(A
n
B)
Luego por la regla de multiplicacin:
P(B) = P(A
1
) P(B/A
1
) + P(A
2
) P(B/A
2
) + P(A
3
) P(B/A
3
) ... P(A
n
) P(B/A
n
)
Si A
1
, A
2
, A
3
, ..., A
n
es una particin de S, y B es cualquier evento. Entonces para cualquier i,

) / ( ) ... ) ) )
)
) / (
n n 2 2 1 1
i i
i
A B P A P A B P A P A B )P A P
A B P A P
B A P
( / ( ( / ( (
/ ( ) (
+ + +
Es decir:
)
)
) / (
i i
i i
i
A B )P A P
A B P A P
B A P
/ ( (
/ ( ) (
La expresin anterior puede interpretarse de la manera siguiente: Si un evento puede ocurrir en ms
de una forma, entonces la probabilidad de que ocurra en una forma particular ser igual a la razn de
la probabilidad de que se presente la forma respecto a la probabilidad de que ocurra.
Se tienen dos cajas. La caja I contienen 3 esferas rojas y 2 azules, en tanto que la caja II contiene 2
esferas rojas y 8 azules. Se arroja una moneda. Si se obtiene guila se saca una esfera de la caja I;
si se obtiene sol se saca una esfera de la caja II. R indica el evento sacar una esfera roja
mientras que I y II indican los eventos escoger caja I y caja II, respectivamente. Una esfera roja
puede resultar al escoger cualquiera de las cajas.
a) Hallar la probabilidad de sacar una esfera roja.
A
1
A
2
A
3
A
4
A
n
B
) / ( ) ( ) / ( ) ( ) ( II R P II P I R P I P R P +
5
2
10
2
2
1
5
3
2
1
) (
,
_
,
_
+
,
_
,
_
R P

b) Hallar la probabilidad de que se escogiera la caja I, dado que la esfera es R, (es decir que el
resultado de arrojar la moneda sea guila).
La persona que arroj la moneda no da a conocer si result guila o sol (de tal manera que la caja de
la cual se sac la esfera se desconoce) pero indica que se extrajo una esfera roja.
Buscamos la probabilidad de que se escoja la caja I y se sabe que se sac una esfera roja. Empleando
el teorema de Bayes, esta probabilidad est dada por:
) / ( ) ( ) / ( ) (
) / ( ) (
) / (
II R P II P I R P I P
I R P I P
R I P
+
4
3
0 |
2
2
1
5
3
2
1
5
3
2
1
) / (
,
_
,
_
+
,
_
,
_
,
_
,
_
R I P

En un Instituto Superior, el 25 por ciento de los hombres y el 10 por ciento de las mujeres estudian
Biologa. Las mujeres constituyen el 60 por ciento del estudiantado. Si se selecciona en forma
aleatoria un estudiante y resulta que est cursando Biologa, determinar la probabilidad de que sea
mujer.
P(H) = 0.40;
P(M) = 0.60;
P(B/H) = 0.25;
P(B/M) = 0.10
375 . 0
) 1 . 0 )( 6 . 0 ( ) 25 . 0 )( 4 . 9 (
) 1 . 0 )( 6 . 0 (
) / (
+
B M P
UNIDAD III
DISTRIBUCIN DE PROBABILIDAD DE VARIABLES ALEATORIAS
DISCRETAS
ESPACIO MUESTRAL. El el conjunto de todos los resultados posibles de un experimento estadstico
denotado por S o
VARIABLE. Se denomina variable a la entidad que puede tomar un valor cualesquiera durante la
duracin de un proceso dado. Si la variable toma un solo valor durante el proceso se llama constante.
VARIABLE ALEATORIA: Es una funcin que asocia un nmero real a cada elemento del espacio
muestral. Es decir son aquellas que pueden diferir de una respuesta a otra.
Una variable aleatoria se puede clasificar en:
Variable aleatoria discreta.
Variable aleatoria continua.
Variable aleatoria discreta. Una variable discreta proporciona datos que son llamados datos
cuantitativos discretos y son respuestas numricas que resultan de un proceso de conteo.

La cantidad de alumnos regulares en un grupo escolar.
El nmero de guilas en cinco lanzamientos de una moneda.
Nmero de circuitos en una computadora.
El nmero de vehculos vendidos en un da, en un lote de autos
Variable aleatoria continua. Es aquella que se encuentra dentro de un intervalo comprendido entre dos
valores cualesquiera; sta puede asumir infinito nmero de valores y stos se pueden medir.
La estatura de un alumno de un grupo escolar.
El peso en gramos de una moneda.
La edad de un hijo de familia.
Las dimensiones de un vehculo.
DISTRIBUCIONES
Distribucin de probabilidad. Es una distribucin terica de frecuencias que describe cmo se
espera que varen los resultados de un experimento. Existen diferentes tipos de modelos que
permiten describir el comportamiento de fenmenos estadsticos que permiten hacer inferencias y
tomar decisiones en condiciones de incertidumbre.
Se pueden clasificar en:
Distribuciones
Continuas
x
1
x
n
x
P(x)
x
1
x
n
x
2
x
P(x)
Discretas
Distribuciones discretas. Son aquellas donde las variables asumen un nmero limitado de valores,
por ejemplo el nmero de aos de estudio.
Distribuciones continuas. Son aquellas donde las variables en estudio pueden asumir cualquier
valor dentro de determinados lmites; por ejemplo, la estatura de un estudiante.
Una distribucin de frecuencias es un listado de las frecuencias observadas de todos los resultados
de un experimento que, en realidad se han presentado cuando se lleva a cabo un experimento; en
cambio, una distribucin de probabilidad es un listado de las probabilidades de todos los
resultados posibles que podran presentarse si se efectuara el experimento.
Las probabilidades que se asocian a cada uno de los valores que toma la variable aleatoria x constituyen
lo que se conoce como DISTRIBUCIN DE PROBABILIDAD, la cual puede ser representada
mediante una funcin matemtica, una grfica o una tabla de valores. La diferencia consiste en que la
funcin matemtica se transforma en una funcin probabilstica.
S E
0
E
1
... E
n
X x
0
x
1
... x
n
P(X) p(x
0
) p(x
1
) ... p(x
n
)
Dados los eventos E
1
, E
2
, ..., E
n
S, se dice que x es una variable aleatoria, si a cada valor de x
i
que
asume cada E
i
, se le asocia su probabilidad de ocurrencia y cumple con las siguientes condiciones:
Uniforme
Continuas
Exponencial
Normal
Binomial
Hipergeomtrica
Multinomial
Poisson
Discretas
a) La probabilidad para todo valor que asuma la variable aleatoria x
i
, ser mayor o igual a cero
pero menor que uno.
0 P(x
i
) 1 x
i
b) La suma de todas las probabilidades asociadas a todos los valores que toma la variable x, es
igual a la unidad.

n
i
x P
1
1 ) (

1 ) ( dx
i
x P
Encuentre la distribucin de probabilidad de lanzar dos monedas y la variable aleatoria nmero de
guilas.
S {Lanzar dos monedas}
X Nmero de guilas
E
0
Caen x = 0 guilas P(E
0
) =
4
1
E
1
1
) =
2
1
E
2
2
) =
4
1
Existen ciertas caractersticas que diferencian a las distribuciones de probabilidad, llamadas
momentos de la distribucin que son: la media aritmtica o esperanza matemtica y la desviacin
estndar.
FUNCIONES DE PROBABILIDAD DISCRETAS
La distribucin de probabilidad para una variable aleatoria discreta puede ser:
1.- Una relacin terica de resultados y probabilidades que se puede obtener de un modelo
matemtico y que representa algn fenmeno de inters.
2.- Una relacin emprica de resultados y sus frecuencias relativas observadas.
X
P(X)
0 1 2
2
1
4
1
3.- Una relacin subjetiva de resultados relacionados con sus probabilidades subjetivas o artificiales
que representan el grado de conviccin del encargado en tomar decisiones sobre la probabilidad
de posibles resultados.
Sabemos que una variable aleatoria discreta o discontinua es aquella en la que existe una distancia
bien definida entre dos de los valores consecutivos que asume; y dichos valores son numerables.
Existen varios modelos matemticos que representan diversos fenmenos discretos de la vida real.
Las ms tiles son:
1.- La distribucin uniforme discreta.
1.- La distribucin de probabilidad Binomial o de Bernoulli.
2.- La distribucin de probabilidad Hipergeomtrica.
3.- La distribucin de probabilidad de Poisson.
UNIFORME DISCRETA
Si la variable aleatoria X asume valores de X
1
, X
2
, ..., X
k
con iguales probabilidades, entonces la
distribucin uniforme es:
k
k x f
1
) , (
k
x
k
i
i

1
( )
k
x
k
i
i

1
2
2
La distribucin de probabilidad del lanzamiento de un dado es:
S = {1, 2, 3, 4, 5, 6}
6
1
) 6 ..., , 2 , 1 ( x P
5 . 3
6
6 5 4 3 2 1
+ + + + +

x
1
x
2
x
k
P(x)
91 . 2
6
) 6 . 3 6 ( ) 5 . 3 2 ( ) 5 . 3 1 (
2 2 2
2

+ + +

LA DISTRIBUCION BINOMIAL
Esta distribucin fue elaborada por Jacobo Bernoulli y es aplicable a un gran nmero de problemas
de carcter econmico y en numerosas aplicaciones como:
- Juegos de azar.
- Control de calidad de un producto.
- En educacin.
- En las finanzas.
La distribucin binomial posee las siguientes propiedades esenciales:
1.- El espacio muestral contiene n ensayos idnticos.
2.- Las observaciones posibles se pueden obtener mediante dos diferentes mtodos de muestreo.
Se puede considerar que cada observacin se ha seleccionado de una poblacin infinita sin
reposicin o de una poblacin finita con reposicin.
3.- Cada observacin se puede clasificar en una de dos categoras conocidas como xito E o
fracaso E', las cuales son mutuamente excluyentes es decir E E' = 0.
4.- Las probabilidades de xito p y de fracaso q = 1 - p en un ensayo se mantienen constantes,
durante los n ensayos.
5.- El resultado de cualquier observacin es independiente del resultado de cualquier otra
observacin.
La probabilidad de que el evento E ocurra x veces y el evento E' ocurra (n - x) veces en n ensayos
independientes est dado por la frmula binomial:
q p
x
n
p n x P
x - n x
,
_
= ) , , (
donde: p = Probabilidad caracterstica o probabilidad de xito.
q = Probabilidad de fracaso
x = Nmero de xitos deseados
n = Nmero de ensayos efectuados
Si se lanza 4 veces una moneda, calcular el evento "Nmero de guilas que caen."
datos:
n = 4 ensayos.
2
1
p
probabilidad de xito en un ensayo.
q = 1 - p =
2
1
2
1
1
x = 0, 1, 2, 3, 4
S = {lanzar 4 veces la moneda}
A = {nmero de guilas que caen}
16
1
2
1
2
1
0
4
2
1
, 4 , 0
4 0
= = = (
,
_
,
_
,
_
,
_
P )
E
P
0
16
4
2
1
2
1
1
4
2
1
, 4 , 1
3 1
= = = ) (
,
_
,
_
,
_
,
_
P
E
P
1
16
6
2
1
2
1
2
4
2
1
, 4 , 2
2 2
= = = ) (
,
_
,
_
,
_
,
_
P E P
2
16
4
2
1
2
1
3
4
2
1
, 4 , 3
1 3
= = = ) (
,
_
,
_
,
_
,
_
P
E
P
3
MEDIDAS DE TENDENCIA CENTRAL Y DE DISPERSIN
El clculo de estas magnitudes pueden realizarse con las siguientes frmulas:
= np

2
= npq
= npq
= Media
2
= Varianza
= Desviacin estndar
DISTRIBUCIN MULTINOMIAL
Ocurre cuando en el experimento binomial cada intento tiene ms de dos resultados posibles.
Las probabilidades de ocurrencia p
1
, p
2
, ..., p
k
en un solo ensayo, la distribucin de probabilidad de las
variables aleatorias k
1
, k
2
, ..., k
n
que representan el nmero de ocurrencias de E
1
, E
2
, ..., E
n
en n
intentos independientes es:
n 1
k
n
k2
2
k
1
n 2 1
n 2 1
p p p
k k k
n
k , , k , k n, P
! ! !
!
) (
Calcular la probabilidad de obtener dos veces el nmero 4, dos veces el nmero 5 y una vez el
nmero 2, en el lanzamiento de un dado 5 veces.
00385 . 0
6
1
6
1
6
1
1 2 2
5
1 2 2 5
1 2 2

,
_
,
_
,
_
! ! !
!
) , , , ( P
LA DISTRIBUCIN HIPERGEOMTRICA
Se emplea para calcular la probabilidad de obtener determinado nmero de xitos en un espacio
muestral de n ensayos; pero a diferencia de la distribucin binomial es que los datos de la muestra se
extraen sin reemplazo en una poblacin finita. Por esto es que el resultado de una observacin depende
o es afectado por el resultado de cualquier otra u otras observaciones anteriores.
Es decir la distribucin hipergeomtrica se emplea para muestreos sin reemplazo de una poblacin finita
cuya probabilidad de ocurrencia cambia a lo largo del ensayo.
Dado un espacio muestral S de tamao N con los subespacios M N y (N - M) N entonces, la
probabilidad de que en n ensayos x pertenezca a M y (n - x) pertenezca a (N - M) est dada por:
,
_
,
_
,
_
n
N
n x
M N
x
M
= n) M, N, P(x,
Grficamente se puede representar como:
donde:
N = El tamao de espacio muestral S
n = El nmero de ensayos
M = El nmero de xitos en el espacio muestral
N - M = Nmero de fracasos del espacio muestral
x = Nmero de xitos en la muestra
n - x = Nmero de fracasos de la muestra.

Si en una empresa se presentan para cubrir dos vacantes 13 aspirantes de los cuales 5 son hombres y
8 son mujeres, calcular " El nmero de hombres contratados."
N = {13 aspirantes para cubrir 2 vacantes}
A = {Nmero de hombres contratados}
E
0
= Se contratan x
0
= 0 hombres, equivale a contratar (n - x
0
) = 2 mujeres.
E
1
= Se contratan x
1
1
) = 1 mujeres.
E
2
= Se contratan x
2
2
) = 0 mujeres.
N
n n-x
N - M M
x
E E
N = 13
n = 2 n-x = 2
N-M = 8 M = 5
x = 0
E E
desarrollando
N = 13 total de aspirantes
M = 5 aspirantes hombres
N-M = 8 aspirantes mujer
n = 2 vacantes totales
x = 0,1,2 hombres posibles a contratar
n-x = 2,1,0 mujeres posibles a contratar
35.88% = 0.3588 = =

= (0,13,5,2) = ) (
78
28
2
13
2
8
0
5
,
_
,
_
,
_
P
E
P
0
51.28% = 0.5128 = =

= (1,13,5,2) = ) (
78
40
2
13
1
8
1
5
,
_
,
_
,
_
P
E
P
1
12.82% = 0.1282 = =

= (2,13,5,2) = ) (
78
10
2
13
0
8
2
5
,
_
,
_
,
_
P
E
P
2
,
_

N
M
n
1) (N N
n) M)(N nM(N
2

2
2

= Media
2
= Varianza
= Desviacin estndar
sustituyendo en el ejemplo anterior.
7693 . 0
13
5
2
,
_

4339 . 0
) 1 13 ( ) 13 (
) 2 13 )( 5 13 )( 5 )( 2 (
2
2

6587 . 0 4339 . 0
DISTRIBUCIN HIPERGEOMTRICA GENERALIZADA (MULTIVARIADA)
Si N resultados pueden dividirse en la k celdas N
1
, N
2
, ..., N
k
con k
1
,k
2
, ..., k
n
elementos
respectivamente, entonces la distribucin de probabilidad representa el nmero de elementos
seleccionados, en una muestra aleatoria de tamao n, es:
,
_
,
_
,
_
,
_
n
N
k
N
k
N
k
N
k k k n P
n
n
2
2
1
1
n 2 1
) , , ; (
,
Si en un refrigerador hay 12 envases de refrescos de los cuales son 10 de manzana, 5 de naranja y 4
de uva, cul es la probabilidad de que al surtir un pedido de 7 envases tomados al azar 2 sean de
manzana, 4 de naranja y 1 de uva.
N
1
= 3 N
2
= 5 N
3
= 4 N = 12
k
1
= 2 k
2
= 4 k
3
= 4 n = 7
0758 . 0
7
12
1
4
4
5
2
3
) 1 , 4 , 2 ; 7 (
,
_
,
_
,
_
,
_
P
DISTRIBUCIN DE POISSON
Esta funcin de distribucin de variable discreta se emplea para calcular las probabilidades asociadas a
la variable aleatoria dentro de un intervalo continuo de tiempo o espacio; este intervalo es generalmente
una unidad de medida conocida: cm
2
, km, gramos, litros, pulgadas, etc.
Algunos de los problemas que presentan como un fenmeno con distribucin de Poisson son:
- Los embotellamientos que se producen por da.
- Nmero de llamadas por hora.
- Defectos por m
2
de tela.
- Nmero de defectos por lote de un proceso de produccin.
- Nmero de negocios cerrados por semana.
A este tipo de problemas se les conoce el nmero de xitos x obtenidos por unidad de medida en n
ensayos; pero es totalmente imposible conocer el nmero de fracasos (n - x).
Se dice que se da un proceso de Poisson si se pueden observar eventos discretos en un intervalo
continuo en forma tal que si se acorta el intervalo lo suficiente:
1.- La probabilidad de observar exactamente un xito en el intervalo es estable.
2.- La probabilidad de observar dos o ms xitos en el intervalo es cero.
3.- La ocurrencia de un xito en cualquier intervalo es estadsticamente independiente de que
suceda en cualquier otro intervalo.
La distribucin de Poisson se expresa mediante la siguiente frmula.
!
e
= ) , ( = ) (
-
x
x P E P
x
donde:
n = Nmero de ensayos
x = Nmero de xitos esperados en n ensayos
e = 2.71828...
= n p = Constante igual al nmero de xitos promedio por unidad de medida
p = Probabilidad constante durante el proceso igual al nmero de xitos promedio por unidad de
medida.
Un conmutador recibe en promedio 5 llamadas sobre autos extraviados por hora. Cul es la
probabilidad de que en una hora tomada al azar reciba?
a) Ninguna llamada.
b) Exactamente 3 llamadas.
c) No ms de 3 llamadas.
Para este problema = 5, en otros casos deber calcularse con: = n p.
a) Ninguna llamada. x = 0
00674963 . 0
! 0
5
) 5 , 0 ( ) (
5 . 0

e
P E P
0
b) Exactamente 3 llamadas: x = 3
1404 . 0
! 3
5
) 5 , 3 ( ) (
5 . 3

e
P E P
3
c) No ms de 3 llamadas: x < 4
P(x < 4) = P(x 3) = P(x
0
= 0) + P(x
1
= 1) + P(x
2
= 2) + P(x
3
= 3)
P(x < 4) = 0.0067+ 0.0337 + 0.0842 + 0.1406 = 0.2652 = 26.52 %
np

2

= Media
2
= Varianza
= Desviacin estndar
DISTRIBUCIN DE PROBABILIDAD DE VARIABLES CONTINUAS
DISTRIBUCIN NORMAL DE PROBABILIDAD.
La funcin de densidad de probabilidad normal es comnmente empleada en el anlisis estadstico ya
que existe una gran cantidad de fenmenos continuos de tipo econmico, sociales, de ingeniera,
bilgicos, entre otros los cuales son posible expresarlos con ella; siendo la base tanto para la descripcin
como para la inferencia.
La distribucin normal de probabilidad es una distribucin continua de probabilidades que es simtrica
y mesokrtica. Representada por la siguiente figura.
La distribucin normal de probabilidad es muy importante por las siguientes razones:
1.- Se sabe que las mediciones que se obtienen en muchos procesos aleatorios tienen esta clase de
distribucin.
2.- Con frecuencia puede utilizarse en probabilidades normales para aproximar otras distribuciones
de probabilidad tales como la distribucin Binomial y Poisson.
3.- Las distribuciones estadsticas como la media muestral y la proporcin muestral tienen
distribucin normal cuando el tamao de la muestra es grande, sin importar la forma de la
distribucin de la poblacin de origen.
En el caso de distribuciones continuas de probabilidad slo es posible determinar el valor de
probabilidad para un intervalo de valores. La altura de la funcin de densidad o curva de probabilidad
para una variable con distribucin normal est dada por:
e
2
1
= f(x)
x
-
2
1
1
]
1
2
) (
2
donde:
= 3.1416
e = 2.7183
= Media de la distribucin
= Desviacin estndar de la distribucin
La tabla de probabilidades normales se basan en la distribucin especfica de la distribucin normal
estndar, donde = 0 y = 1 cualquier valor de x de una poblacin con distribucin normal se puede
convertir a su valor normal estndar equivalente z por la siguiente ecuacin.
-
=
x
z
CARACTERSTICAS DE UNA DISTRIBUCIN NORMAL DE PROBABILIDAD.
1.- Es unimodal ya que slo tiene un valor mximo en el que coincide la media, la mediana y la
moda.
P(x)
x
2.- Presenta una forma de campana y es simtrica.
3.- La media de una poblacin distribuida normalmente se encuentra en el centro de su curva
normal.
4.- Los dos extremos de una distribucin normal de probabilidad se extienden de manera indefinida
y nunca tocan el eje horizontal.
5.- Est determinada por medio de dos parmetros: la media y la desviacin estndar.
6.- El rea total bajo la curva se considera igual a la unidad y se usa como masa probabilstica.
7.- El rea comprendida bajo la curva entre dos valores x
1
y x
2
es igual a la probabilidad de que
dicha variable suma cualquier valor dentro de ellos.
El promedio de estudiantes inscritos en jardn de nios es de = 500, con una desviacin estndar
= 100. El nmero de alumnos inscritos tienen una distribucin aproximadamente normal. Cul es la
probabilidad de que el nmero de alumnos inscritos en una escuela elegida al azar sea?:
a) entre 500 y 650.
b) entre 450 y 600.
c) menor de 500.
d) menor de 500.
e) menor de 300.
f) mayor de 650.
g) mayor de 400.
h) menor de 610.
SOLUCIN:
a) P(500 < x < 650)
50 . 1
100
500 650
- x
= z
de las tablas estandarizadas obtenemos
A = 0.4332 = 43.32%
b) P(450 < x < 600)
50 . 0
100
500 450
1
1

- x
= z
A1 = 0.1915
00 . 1
100
500 600
2
2

- x
= z
A1 = 0.3413
A = A1 + A2 = 0.1915 + 0.3413 = 0.5338 = 53.38%
c) P(x > 500)
00 . 0
100
500 500
= z
Sin embargo de la grfica observamos que:
A = 0.5000 = 50%
d) P(x < 500)
00 . 0
100
500 500
= z
Sin embargo de la grfica observamos que:
A = 0.5000 = 50%
e) P(x < 300)
00 . 2
100
500 300
1

= z
A
1
= 0.4772 = 47.72%
A = 0.5 - A1 = 0.5 - 0.4772 = 0.0228 = 2.28%
f) P(x > 650)
50 . 1
100
500 650
1

= z
A
1
= 0.4332 = 43.32%
A = 0.5 - A1 = 0.5 - 0.4332 = 0.0668 = 6.68%
g) P(x > 400)
00 . 1
100
500 400
1

= z
A
1
= 0.3413
A = A
1
+ 0.5 = 0.3413 + 0.5 = 0.8413 = 84.13%
h) P(x < 610)
10 . 1
100
500 610
1

= z
A
1
= 0.3665
A = 0.5 + A
1
= 0.5 + 0.3665 = 0.8665 = 86.65%
FORMULARIO
Factorial
n!=n(n-1)(n-2)(3)(2)(1)
Permutaciones de n elementos
! n
n n
P
Permutaciones de n elementos en diferentes
grupos de r elementos.
)! (
!
r n
n
r n
P
Permutaciones donde no todos los elementos
son diferentes.
! ... ! !
!
nk n2 n1
n
nk ..., n2, n1, n
P
Permutaciones circulares
)! 1 ( n
n
Pc
Combinaciones
! )! (
!
r r n
n
r n
C
Frmula binomial
,
_
+
n
r
r r n n
r
n
0
) ( b a b a
Probabilidad de un evento
posibles Casos
evento al favorables Casos A
A P ) (
n
A n
A P
) (
) (
Axiomas
1 ) ( 0 A P
P(A
1
) + P(A
2
) + P(A
3
) + ...... + P(A
n
) = 1
P(A) = 1 - P(A)
Teoremas de la suma de probabilidades.
S A B =
P(A B) = P(A) + P(B)
S A B
P(A B) = P(A) + P(B) - P(A B)
Probabilidad condicional
P(A B) = P(A) P(B) (Independientes)
P(A B) = P(A) P(B / A)
) (
) (
) / (
A P
B A P
A B P

P(B A) = P(B) P(A / B)

) (
) (
) / (
B P
A B P
B A P


Instituto Tecnolgico de Apizaco Departamento de Ciencias Bsicas
Teorema de Bayes
) / ( ) ... ) ) )
)
) / (
n n 2 2 1 1
i i
i
A B P A P A B P A P A B )P A P
A B P A P
B A P
( / ( ( / ( (
/ ( ) (
+ + +
Probabilidad pag. 56 M. en C. Jos Luis Hernndez Gonzlez

Instituto Tecnolgico de Apizaco Departamento de Ciencias Bsicas
Al lanzar un dado, calcula la probabilidad de obtener tres veces el nmero 1, dos veces el
nmero 3 y una vez el nmero 5, en el lanzamiento de un dado 6 veces. (15)
Un banco recibe en promedio 8 clientes por hora, de los cuales, 6 realizan un trmite
bancario. Cul es la probabilidad de que en una hora tomada al azar el banco reciba?(30)
a) 1 cliente que realiza algn trmite bancario.
b) 4 clientes en general.
c) Al menos 6 clientes que realizan trmites.
En una construccin, se deben emplear 5 paneles de hormign para cubrir uno de los
laterales de la misma, se tienen 15 piezas suministradas por 2 compaas diferentes. La
compaa A suministra 6 piezas, mientras que la compaa B 9. Calcule la probabilidad de
(30)
a) instalar los 5 paneles de la compaa A.
b) 3 de los 5 paneles sean de la compaa B.
Toyota produce 15 modelos diferentes de autos para el mercado japons, de los cuales 4 son
camionetas, 6 son sedanes, 2 son SUV y 3 son hatchback. Calcule la probabilidad de que a
una agencia de nueva creacin, se le surta un pedido de 9 autos y ste incluya 3 camionetas,
2 SUV, 2 hatchback y 2 sedanes.(25)
Probabilidad pag. 57 M. en C. Jos Luis Hernndez Gonzlez

Estadistica Administrativa I1

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 Administrativa I1

Загружено:

Авторское право:

Доступные форматы

INSTITUTO TECNOLGICO DE APIZACO Ciencias Bsicas

INSTITUTO TECNOLGICO DE APIZACO

Nota: Es importante ordenar los datos de mayor a menor o de menor a mayor.

Media cuadrtica (Mc)

MEDIDAS DE DISPERSIN (datos no agrupados)

Si de un estante tomamos 2 de 3 libros, Cuntas combinaciones pueden realizarse?

En forma anloga, la probabilidad condicional de "A dado B", es :

P(B A) = P(B) P(A / B)

Ingeniera Industrial Probabilidad 55 M. en C. Jos Luis Hernndez Gonzlez

Probabilidad pag. 56 M. en C. Jos Luis Hernndez Gonzlez

Вам также может понравиться