UNIVERSIDAD DE GUAYAQUIL

FACULTAD
DE
CIENCIAS
MATEMTICAS Y FSICAS
Carrera de Ingeniera en Sistema Computacionales &
Networking

Pertenece:
Andrs Rosado Gutirrez

Curso:
S3B

Profesor:
Ing. Lorenzo Cevallos

INDICE
INTRODUCCION A LA ESTADISTICA.......................................................................................... 6
PARAMETRO Y ESTIMADOR...................................................................................................... 8
TIPOS DE VARIABLE................................................................................................................. 9
DATOS NO AGRUPADOS......................................................................................................... 10
DATOS AGRUPADOS Y TABLAS DE FRECUENCIA.....................................................................13
GRAFICAS ESTADISTICAS....................................................................................................... 15
ESTADISTICA DE POSICION..................................................................................................... 20
MEDIDA DE LA CURTOSIS....................................................................................................... 23
CONTEO................................................................................................................................. 25
PRINCIPIO BASICO DE CONTEO.............................................................................................. 25
TECNICAS DE CONTEO........................................................................................................... 26
EXPERIMENTO ESTADISTICO Y ESPACIO MUESTRAL................................................................28
FUNCION DE PROBABILIDADES.............................................................................................. 29
MUESTREO CON O SIN REPOSICION....................................................................................... 29
LEY DEL COMPLEMENTO........................................................................................................ 30
LEY ADITIVA DE PROBABILIDAD.............................................................................................. 30
PROBABILIDAD CONDICIONAL................................................................................................ 32
EVENTOS INDEPENDIENTES................................................................................................... 33
REGLA MULTIPLICATIVA DE PROBABILIDAD............................................................................. 34
PROBABILIDAD TOTAL............................................................................................................ 35
TEOREMA DE BAYES............................................................................................................... 36
VARIABLE ALEATORIA............................................................................................................. 36
VALORES ESPERADOS............................................................................................................ 37
MEDIA Y VARIANZA DE UNA VARIABLE ALEATORIA.................................................................37
FUNCION DE DISTRIBUCION DE PROBABILIDADES.................................................................38
HISTOGRAMA DE PROBABILIDADES........................................................................................ 38
DISTRIBUCION ACUMULADA................................................................................................... 39
GRAFICA DE LA DISTRIBUCION ACUMULADA..........................................................................39
EXPERIMENTO BINOMIAL....................................................................................................... 40
DISTRIBUCION BINOMIAL....................................................................................................... 40
DISTRIBUCION BINOMIAL NEGATIVA....................................................................................... 40
DISTRIBUCION HIPERGEOMETRICA.......................................................................................... 41
DISTRIBUCION POISON............................................................................................................ 41
VARIABLE ALEATORIA CONTINUA............................................................................................ 42
DISTRIBUCION ACUMULADA................................................................................................... 42
VALORES ESPERADOS.............................................................................................................. 43
MEDIA Y VARIANZA DE UNA VARIABLE ALEATORIA CONTINUA..................................................44
DISTRIBUCION GAMMA........................................................................................................... 44
BIBLIOGRAFIA........................................................................................................................ 46

INTRODUCCION

El libro presentado a continuacin nos permitir la comprensin de los

temas estadsticos, mediante el planteamiento de conceptos y ejercicios
claros. Sabemos que la estadstica es un poco compleja y un poco difcil de
comprenderla en su totalidad, para esto se desarroll este libro.
El libro presentado est basado en las clases recibidas en la carrera de
Ingeniera Sistemas Computacionales, son apuntes prcticos para un mejor
desarrollo de futuros proyectos y tema.

SUMARIO
3

UNIDAD 1: Estadstica Descriptiva

1.1: Introduccin a la Estadstica
1.2: Tipos de datos y escalas de medicin
1.3: Diferencia entre poblacin, muestras parmetros y estimador
1.4: Medidas de tendencia central y dispersin (Datos no agrupados)
1.5: Datos agrupados y tablas de frecuencia
1.6: Medidas de tendencia central y dispersin (Datos agrupados)
1.7: Medidas de forma y pensamiento
1.8: Graficas estadsticas (Histograma, ojiva, diagrama de caja)
UNIDAD 2: Diseo muestral
2.1: Tipos de muestreo
2.2: Elaboracin de cuestionario
2.3: Recopilacin, tabulaciones y procesamiento de datos
2.4: Elaboracin de informe
UNIDAD 3: Introduccin a la probabilidad
3.1: Probabilidad clsica, emprica y subjetiva
3.2: Experimento, evento, espacio muestral y punto muestral.
3.3: Eventos exhaustivos independientes y mutuamente excluyentes
3.4: Reglas de probabilidad (Complementario, aditiva, multiplicativa)
3.5: Probabilidad Condicional
3.6: Tcnicas de conteo y probabilidad
3.7: Teorema de probabilidad total
UNIDAD 4: Variables aleatorias discretas y funciones de probabilidad
4.1: Introduccin a las variables aleatorias discretas
4.2: Esperanza y ventaja de una variable aleatoria
4.3: Funcin generadas de momentos de una variable aleatoria discreta
4.4: Distribucin binomial
4.5: Distribucin geomtrica
4.6: Distribucin binomial negativa
4.7: Distribucin de Pusson
UNIDAD 5: Variables aleatorias y continuas, y funciones de distribucin
5.1: Introduccin a las variables aleatorias y continuas
5.2: Esperanza y varianza de una variable aleatoria contina
5.3: Distribucin uniforme
5.4: Distribucin normal
5.5: Distribucin Gammo
UNIDAD 6: Estimacin puntual e intervalos de confianza
6.1: Distribucin T-Studen y cuadrado
6.2: Estimacin puntual dada la media y proporciones
6.3: Intervalos de confianza para la media y proporciones
UNIDAD 7: Prueba de hiptesis
4

7.1: Introduccin a la prueba de hiptesis

7.2: Potencia de la prueba y curva OC
7.3: Error tipo I y Error tipo II
7.4: Prueba de hiptesis para la media, proporcin y varianza
UNIDAD 8: Distribucin conjunta y condicional
8.1: Distribucin de probabilidad conjunta
8.2: Distribucin de probabilidad condicional
8.3: Independencia de variables aleatorias
UNIDAD 9: Regresin lineal
9.1: Modelo de regresin lineal simple
9.2: Modelo de progresin lineal simple
9.3: Tabla anova de progresin

INTRODUCCION A LA ESTADISTICA
Qu es la Estadstica?
Es la sistematizacin, ordenacin y presentacin de los datos referentes a un fenmeno
que presenta variabilidad e incertidumbre para su estudio metdico, con objeto de
deducir las leyes que rigen esos fenmenos y poder de esa forma hace previsiones sobre
los mismos, tomar decisiones y obtener conclusiones.
Sheldon M. Ross (2007) indica:
La estadstica s el arte de aprender a partir de los datos. Est
relacionado con la recopilacin de datos, su descripcin subsiguiente y
su anlisis, lo que nos lleva a extraer conclusiones.

Para qu se utiliza la Estadstica?

La estadstica se utiliza como tecnologa al servicio de las ciencias donde l variabilidad
y la incertidumbre forman parte de la naturaleza.
Michael J. Evans & Jeffrey Rosenthal (2004) establecen:
Debemos tener presente que la estadstica es una ciencia aplicada. Es
por ello que hemos de considerar que en ltimo trmino la teora
estadstica se aplicara a situaciones reales para proporcionar respuestas
de importancia prctica.

Estadstica Descriptiva
Es la que utiliza todos los datos de la poblacin.
Sheldon M. Ross (2007) indica:
La parte de la estadstica relacionada con la descripcin y la clasificacin
de los datos se conoce con el nombre de Estadstica Descriptiva.

Estadstica Inferencial
Al obtener o formular inferencias (previsiones y decisiones) acerca de una poblacin
con base en informacin obtenida de una muestra.
Sheldon M. Ross (2007) indica:
La parte de la estadstica relacionada con la extraccin de conclusiones
a partir de los datos se conoce con el nombre de Estadstica Inferencial.

Poblacin Objetivo
Conjunto bien definido de elementos que son sujetos de alguna medicin.
Irwin Miller & John Freund (1963) establece:
Las poblaciones finitas, nos referimos a la distribucin real de sus
valores.

Unidades de Investigacin
Elementos de la poblacin objetivo a los que se les efecta alguna medicin.

Muestra
Subconjunto n de unidades de investigacin tomadas de la poblacin objetivo.
Jos Tomas Prez (2004) indica:
Se denomina muestra a un subconjunto (una parte) de la poblacin.

Observacin
Son cada uno de los valores incluidos en la muestra.

EJEMPLO
Tiempo de duracin de un componente elctrico.

10

12

23

24

25

23

25

28

31

30

23

21

12

15

18

31

36

21

23

14

15

17

17

21

Muestra

x = media muestral
u = media poblacional
2
s = varianza muestral

PARAMETRO Y ESTIMADOR
Parmetros
Es una cantidad numrica calculada a partir de los elementos de una poblacin por
ejemplo la altura de los habitantes de un pas.

Estimador o Estadstico
Es una cantidad numrica calculada a partir de elementos de una muestra por ejemplo,
la altura de las personas de un curso.

TIPOS DE VARIABLE
Existen dos tipos de variable:
Cuantitativas
Si sus valores son numricos, es decir, se pueden hacer operaciones algebraicas entre
ellas. Tenemos dos tipos de esta variable cuantitativa:
Discretas: Es cuando se toman valores puntuales por ejemplo:
Nmero de hijos
Numero de mquinas con problemas
1. Continuas: Es cuando , si entre dos valores, son posibles infligir los valores
intermedios por ejemplo:
El tiempo que se demora una maquina en encuadernar
Antonio Vargas S. (1995) indica:
Se dice cuantitativo cuando sus diversas modalidades pueden ser
medidas o numeradas. La talla, el peso, la edad, el dimetro de una pieza
circulas son caracteres cuantitativos.

Cualitativas
Son el tipo de variables que como su nombre lo indica expresan distintas cualidades,
caractersticas o modalidad. Cada modalidad que se presenta se denomina atributo o
categora, y la medicin consiste en una clasificacin de dichos atributos.
Antonio Vargas S. (1995) establece:
Se dice cualitativo cuando sus distintas modalidades no son medibles ni
contables, sino que su variacin se pone de manifiesto mediante
cualidades que presentan formas alternativas, como puede ser el estado
matrimonial, el sexo.

DATOS NO AGRUPADOS
Ejemplo
El nmero de faltas ortogrficas que cometen un grupo de estudiantes en un
dictado fue:
n = 40

CLASE

MARCA
CLASE

FRECUENCIA
ABSOLUTA
12

FRECUENCIA
RELATIVA
12/40

FRECUENCIA
ACUMULADA
12

F. RELATIVA
ACUMULADA
0.3

9/40

21

0.525

7/40

28

0.7

6/40

34

0.85

3/40

37

0.925

3/40

40

40

40/40

10

 En una maternidad se han tomado los pesos de 50 recin nacidos.

a) Cul es la variable y de qu tipo es?

La variable es peso de los recin nacidos.
b) Construya la tabla de frecuencias para los datos
c) Cul es el tamao de la muestra?
El tamao de la muestra es de 50.

2.8
3.0
2.9
2.4
2.9

3.2
2.6
3.5
3.4
2.8

3.8
1.8
3.0
2.0
3.1

2.5
3.3
3.1
2.6
3.1

2.7
2.9
2.2
3.1
3.0

3.7
2.1
3.4
2.3
3.1

1.9
3.4
2.5
3.5
2.8

2.6
2.8
1.9
2.9
2.6

3.5
3.1
3.0
3.0
2.9

2.3
3.9
2.9
2.7
3.3

Tabla de Frecuencia
CLASE

MARCA
CLASE

FRECUENCIA
ABSOLUTA

FRECUENCI
A RELATIVA

11

FRECUENCIA
ACUMULAD
A

F. RELATIVA
ACUMULAD
A

1.8
1.9
2.0
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
3.0
3.1
3.2
3.3
3.4
3.5
3.7
3.8
3.9

1
2
1
1
1
2
1
2
4
2
4
6
5
6
1
2
3
3
1
1
1
50

0.02
0.04
0.02
0.02
0.02
0.04
0.02
0.04
0.08
0.04
0.08
0.12
0.10
0.12
0.02
0.04
0.06
0.06
0.02
0.02
0.02
50/50

1
3
4
5
6
8
9
11
15
17
21
27
32
38
39
41
44
47
48
49
50

0.02
0.06
0.08
0.10
0.12
0.16
0.18
0.22
0.30
0.34
0.42
0.54
0.64
0.76
0.78
0.82
0.88
0.94
0.96
0.98
1

DATOS AGRUPADOS Y TABLAS DE FRECUENCIA

Tabla de Frecuencia
Para tabular datos cuantitativos se requiere conocer los siguientes trminos. Clase,
marca de clase, frecuencia absoluta, frecuencia relativa, frecuencia acumulada, y
frecuencia relativa acumulada.

Clase
Si tenemos datos agrupados son intervalos de igual longitud que son exhaustivos y
mutuamente excluyentes.
12

Vctor Crdova & Ariel Cortez (2008) indica:

Son los intervalos en las que se agrupan y ordenan los valores
observados. Cada uno de estos intervalos esta delimitado (acotado) por
dos valores extremos que les llamamos lmites.

Marca de clase
Para datos agrupados es el punto medio de cada una de las clases.

Frecuencia Absoluta
Numero de observaciones que se pueden clasificar en la clase.
Vctor Crdova & Ariel Cortez (2008) indica:
Es el nmero de veces que se repite ese dato, tambin se presenta la
frecuencia absoluta que se refiere al numero de datos que pertenecen a ese

Frecuencia Relativa
Se la obtiene dividiendo la frecuencia de la clase i=1/n
Vctor Crdova & Ariel Cortez (2008) indica:
Se obtiene al vivir la frecuencia absoluta de cada dato entre el nmero
total de datos.

Frecuencia Acumulada
Resulta de sumar la frecuencia de la clase i-1.
Vctor Crdova & Ariel Cortez (2008) indica:
Es la suma de las frecuencias empezando con la primera frecuencia y
terminando con la orden n.

Frecuencia Relativa Acumulada

Se obtiene dividiendo de la frecuencia acumulada de la clase i para el total de
observaciones.
13

Vctor Crdova & Ariel Cortez (2008) indica:

Es la suma de las frecuencias relativas de todos los datos anteriores.

EJEMPLO

CLASE

MARCA
CLASE

FRECUENCI
A ABSOLUTA

FRECUENIA
RELATIVA

FRECUENCI
A
ACUMULAD
A

F. RELATIVA
ACUMULAD
A

[0 - 6)
[6 - 12)
[12 - 18)
[18 - 24)
[24 - 30)
[30 - 36)
[36 - 42)

0+6/2
6+12/2
12+18/2
18+24/2
24+30/2
30+36/2
36+42/2

2
6
8
16
10
7
1
50

0.04
0.12
0.16
0.32
0.20
0.14
0.02
50/50

2
8
16
32
42
49
50

0.04
0.16
0.32
0.64
0.84
0.98
1

GRAFICAS ESTADISTICAS
Histograma de frecuencias
El histograma es un grfico bidimensional en donde en el eje de las X se encuentra las
clases y en el eje de las Y la frecuencia relativa.
Vctor Crdova & Ariel Cortez (2008) indica:
Es una grfica en forma de barras que consta de 2 ejes, uno horizontal,
llamado eje de la variable en observacin en donde situamos la base de
una serie de rectngulos o barras contiguas.

HISTOGRAMA

14

-4
2)

[3
6

-3
6)

[3
0

-3
0)

[2
4

-2
4)

[1
8

-1
8)

[1
2

-1
2)

VARIABLE

[6

[0
-6
)

0.4
0.3
0.2
0.1
0

Polgono de frecuencias relativas

Es un grfico bidimensional en cuyos ejes de las X se encuentra la marca de clase y en
el eje de las Y la frecuencia relativa.
Vctor Crdova & Ariel Cortez (2008) indica:
Es una grfica del tipo de las grficas de lneas trazadas sobre las marcas
de clase ( de ah el nombre de polgono), y se traza uniendo con segmentos
de recta de izquierda a derecha, las parejas ordenadas que se forman.

POLIGONO DE FRECUENCIA

-4
2)
[3
6

-3
6)
[3
0

-3
0)
[2
4

-2
4)
[1
8

-1
8)
[1
2

-1
2)

VARIABLE

[6

[0
-6
)

0.4
0.3
0.2
0.1
0

Ojiva
Es un grfico que presenta en el eje horizontal la caracterstica cuantitativa que se est
investigando y en el eje vertical la frecuencia relativa acumulada.
Vctor Crdova & Ariel Cortez (2008) indica:
Es igual que el histograma y polgono de frecuencias se utiliza para el
anlisis y representacin de variables continuas, solo que en vez de utilizar
las frecuencia relativa utilizamos la frecuencia relativa acumulada.

15

OJIVA
1
0.8
VARIABLE

0.6
0.4
0.2
0
6

12

18

24

30

36

42

Diagrama de cajas
Se lo utiliza para variables discretas o caractersticas cualitativas. Para esto se deja una
separacin entre las barras para indicar los valores que no son posibles. El histograma se
lo utiliza para variables continuas. No se deja separacin de espacios entre cada barra.
Vctor Crdova & Ariel Cortez (2008) indica:
Es un mtodo grfico que consta de dos ejes: Uno horizontal, en el que se
representan los valores (Eje de los datos) utilizando barras verticales en
forma rectangular y de la misma amplitud, y un eje vertical, en el cual la
frecuencia representa la altitud que tendr la barra rectangular (Eje de las
frecuencias), las barras van separadas la misma distancia unas de otras y
para distinguirlas puede utilizarse distintos colores o entramados segn se

DISEO MUESTRAL
1.
2.
3.
4.

R = X(mayor) X(menor)
ni = 1 + 3.32 lg(n)
i = R/ni
Nuevo R = ni*i

16

EJERCICIOS
Si en una distribucin de 40 datos el valor mayor es de 41 y el menor es 20.
Construya una tabla de frecuencia y cuantos intervalos posee y su ancho.

1. R = X(mayor) X(menor)
R = 41 20
R = 21
INTERVALOS

2. ni = 1 + 3.32 lg(n)
ni = 1 + 3.32 lg(40)
ni = 1 + 5.32
ni = 6.32 = 6

[19 23)
[23 27)
[27 31)

3. i = R/ni
i = 21/6
i = 3.5 = 4
X(1) = 30

[31 35)
[35 39)
[39 43)

X(21) = 48

X(2) = 30
4. R= ni*i
X(3) =R=
326*4
R= 24
X(4) = 32

X(22)
4924 21 =
R- =
R=

X(5) = 35

X(25) = 50

X(6) = 35

X(26) = 52

X(7) = 35

X(27) = 54

X(8) = 35

X(28) = 55

X(9) = 36

X(29) = 56

3 = 50
X(23)

-1

X(24) = 50
+2
1. R = Xmayor Xmenor
R = 65 30
R = 35

2. ni = 1 + 3.32 lg(n)
ni = 6.32 = 6

X(10) = 37
X(30) = 56
A 40 estudiantes se les pidi que estimen el nmero de horas que haban
X(11) =dedicado
38
X(31) la
= 56
a estudiar
semana pasada ( dentro y fuera de clase) obteniendo los
siguientes resultados.
3. i = R/ni
X(12) = 39
X(32) = 56
36 =
X(13)
54
X(14)
32 =
58 =
X(15)
58
X(16) =

39 30
35
40 35
45 50
50
45

47 =
X(33)
45
X(34)
56 =
65 =
X(35)
47
X(36) =

58 60
52
58 48
58 35
58
58

32
48
30
56
55

i = 35/6
i35
= 5.83 =40
6

58
55
47 ni * i
4. R=
39 6*6
R=

60
49
37
58

R= 36

X(17) = 47los datos X(37) = 58

Ordenamos
X(18) = 47

X(38) = 60

X(19) = 47

X(39) = 60

X(20) = 48

X(40) = 65

17

5. R- R = 36 35
=1

50
38
39
56
45

Tabla de frecuencia
CLASE

[29
[35
[41
[47
[53
[59

35)
41)
47)
53)
59)
65)

MARCA
CLASE

FRECUENCI
A ABSOLUTA

FRECUENCI
A RELATIVA

FRECUENCI
A
ACUMULAD
A

F. RELATIVA
ACUMULAD
A

32
38
44
50
56
62

4
10
2
10
11
3
40

0,1
0,25
0,05
0,25
0,275
0,075

4
14
16
26
37
40

0,10
0,35
0,40
0,65
0,925
1

Media

18

2.

x= xi =
i=1 n

( )

46.95

Varianza
3.

S 2=

1
( xi x)2=
n1 i=1

9.91

ESTADISTICA DE POSICION

Percentil de orden i = cuartil

i
100

19

Cuartiles
Divide los elementos de las muestra en 4 grupos con frecuencias similares.

Deciles
Divide los elementos de la muestra en 10 grupos con frecuencias similares.

Q1 = 25%
Q2 = 50%
Q3 = 75%

= P = 25
= P = 50
= P = 75
20

D = 2.5
D=5
D = 7.5

C = 0,25
C = 0,50
C = 0,75

Q4 = 100%

= P = 100 D = 10

C=1

Para valores impares tenemos:

X ( i, a )=X ( i )+ 0, a ( X ( i+1 ) X ( i ) )

i = Posicin real del elemento

a = Parte decimal
Percentil

P ( i )= X (

( n+1 ) i
)
100

EJERCICIO
Encuentre los cuartiles y percentiles.

Q1=P (25 )=X

20

25

34

39

23

29

36

40

24

31

36

40

24

31

37

41

24

33

39

45

) 25
=X 5,25
( ( 20+1
100 )
21

X(5,25) = X(5) + 0,25 ( X(5+1) X(5))

= 24 + 0,25 (25 24)
= 24,25
Q2=P (50 )=X

) 50
=X 10,5
( ( 20+1
100 )

X(10,5) = X(10) + 0,5 ( X(10+1) X(10))

= 33 + 0,5 (34 33)
= 33,5
D7=P ( 70 )= X

) 70
=X 14,7
( ( 20+1
100 )

X(14,7) = X(14) + 0,7 ( X(14+1) X(14))

= 37 + 0,7 (39 37)
= 38,4

MEDIDA DE LA CURTOSIS

Asimetra hacia la izquierda(Negativa)

Asimetra hacia la derecha (Positiva)

22

EJERCICIOS
1,2,3,4,4,4,4,5,5,5,6,6,6,6,8,8,8,8,9,10,11,12,13,15,17

La media es 7
La mediana es 6

1,2,3,4,5,6,9,9,12,12,12,15,17

23

Platicurtica:
Es una distribucin menos puntiaguda y menos apuntada a la distribucin estndar.
Mesocurtica:
Es aquella distribucin que se asemeja o se parece a la distribucin normal.
Leptocurtica:
Presenta una distribucin ms apuntada, con una elevacin superior a la curva normal.

24

CONTEO
EJERCICIOS
1. Cuntas placas de auto se pueden formar para la provincia del guayas?

26

26

10

10

10

10

1 x 26 x 26 x 10 x 10 x 10 x 10
2. Cuntos nmeros telefnicos diferentes hay por cada regin ahora con 7 dgitos
y antes cuando eran 6?

10

10

10

10

10

10

1 X10 X 10 X 10 X 10 X 10 X 10

PRINCIPIO BASICO DE CONTEO

Si un grupo tiene n elementos y otro tiene m elementos entonces existen m x n formas
diferentes de tomar un elemento del primer grupo y otro del segundo grupo.

1. Se lanza un dado y una moneda cuantos resultados se obtienen en ese

experimento
m=6
n=2

n = moneda
m = dado

={(1,c), (1,s), (2,c), (2,s), (3,s), (3,c), (4,s), (4,c), (5,s), (5,c), (6,s), (6,c)}

2. Para irme al trabajo yo tengo en mi armario 5 diseos diferentes de camisa

tambin tengo 4 estilos de pantalones y 2 diferentes marcas de zapato. Quisiera
saber cuntas formas diferentes me pude haber vestido hoy?
25

5 x 4 x 2 = 40

3. En un restaurante el men que me presenta el bar tender es 3 entradas de

comidas y 4 entradas de bebidas, 2 de postres y 5 platos fuertes. En este da me
siento medio lleno y solamente quiero que me recomienden platos fuertes un
postre y una comida. Cuantas formas tengo de escoger mi almuerzo?
5 x 3 x 2 = 30

TECNICAS DE CONTEO
Regla multiplicativa
Si se tiene K tareas o actividades y la tarea I se puede realizar de N formas entonces el
total de maneras diferentes de hacer las K tareas de manera simultnea est dada por:
N1, n2 nk

Combinaciones
Si se tiene un conjunto de N elementos y se desean tomar K de ellos, y el orden de
seleccin de los elementos no es importante, entonces el nmero de formas diferentes de
tomar los K elementos est dada por:
!
(nk )= K ! ( nnk
)!

Ejercicios Combinaciones
26

 Si se tiene en un nfora 7 canicas negras, 2 rojas y 3 amarillas, y de esta nfora

se extraen al azar 5 canicas. De cuantas formas se puede extraer las canicas?

(nk)= 3 12!
! ( 9 !)

= 220

De cuantas formas se puede sacar 3 canicas negras

(nk )= 3 !7( 4! ! )

= 35

De cuantas formas se puede sacar una canica de color

7!
2!
3!
x
x
1 ! ( 6 ! ) 1 ! ( 1 ! ) 1 ! ( 2! )

= 42

Ejercicios Permutaciones
Son los arreglos diferentes que se pueden hacer con los elementos de un grupo. En estos
arreglos se debe considerar el orden de los elementos incluidos.
Si se tiene 3 nios y 3 nias. De cuantas formas diferentes se pueden sentar en
forma alternada?

36

36

27

72

Un grupo de 10 personas debe elegir a su directiva; presidente, secretario,

tesorero. Todos pueden ser elegidos, pero una persona no puede tener ms de un
cargo De cuantas maneras diferentes puede realizarse la seleccin?

10

P3 =

n!
10 !
10 x 9 x 8 x 7
=
=
=720
7
( nk ) ! ( 103 ) !

Tenemos 720 formas de elegir un cargo.

EXPERIMENTO ESTADISTICO Y ESPACIO MUESTRAL

Experimento
Conjunto de acciones con las que, utilizando procedimientos claramente establecidos, se
efecta algn tipo de observacin medida.

Espacio Muestral del Experimento

Se denomina as al par (, L) donde:
a) es el conjunto de todos los resultados posibles del experimento
b) L es el conjunto potencia de esto es, L es el conjunto de todos los
subconjuntos de y es denominado espacio muestral.

Ejercicios
Lanzar 3 monedas

28

 = {(ccc), (ccs), (csc), (scc), (sss), (ssc), (scs), (css)}

Eventos
Todo subconjunto de se denomina evento.
Si el experimento consiste en lanzar un dado y observar el nmero que queda en
la cara superior del mismo el conjunto = {1,2,3,4,5,6}
Walpole, Ronald E. (1999) establece:
Un evento es un subconjunto de un espacio muestral

FUNCION DE PROBABILIDADES
Una funcin P cuyo dominio es l y cuyo conjunto de llegada es el intervalo de nmeros
reales de 0 a 1, es una funcin de probabilidades.
P=l [ 0,1 ] y solo si:

P ( ] =1

0 P ( E ) 1 E l

P ( E 1 U E 2 )=P ( E 1 ) + P ( E 2 ) si y solamente si E 1 y E 2 son mutuamentes excluyentes

MUESTREO CON O SIN REPOSICION

La probabilidad de un evento E se calcula de acuerdo a la forma clsica como:
P ( E )=

N ( E)
N ()

Ejercicios
Lanzamiento de un dado:
= {1,2,3,4,5,6}

E1: Lanzamiento de un dado y que salga 1

29

P ( E 1) =

1
6

E2: Lanzamiento de un dado y que salga 2:

P ( E 2) =

1
6

E3:Lanzamiento de un dado y que salga un numero par:

P ( E 3 )=

3
6

LEY DEL COMPLEMENTO

Si P es una funcin de probabilidades para cualquier evento EL, la probabilidad de que
c
c
el mismo ocurra es P(E) = 1 P( E ) . Siendo E el complemento de E en .

LEY ADITIVA DE PROBABILIDAD

Si P es una funcin de probabilidades y E1 y E2 son eventos en el correspondiente
espacio muestral (, L), entonces:
P=( E 1 E 2 )=P ( E 1 ) + P ( E 2 )P(E 1 E 2)

Ejercicios

30

 Si la probabilidad que en un estudiante apruebe algebra lineal sea 0.7 con la

probabilidad que apruebe ingles que es de 0.8 y la probabilidad que apruebe
ambas es 0.6
Cul es la probabilidad que el estudiante al menos apruebe una?
P ( A B )=0.7+0.80.6=0.9

Sea

B,

tales

que

la

probabilidad

de

es

0.35

P ( B c ) =0.27 y P ( A c B ) =0.59
Calcule la probabilidad de ( A B ) = 0.14
Calcule la probabilidad de ( A B ) = 0.35 + 0.73 -0.14 = 0.94
c
Calcule la probabilidad de ( A B ) = 0.35 + 0.27 0.21 = 0.41
c
Calcule la probabilidad de ( A B )

= 0.65 + 0.27 -0.06 = 0.86

Un grupo de 15 personas, 7 leen la revista A, 5 leen la revista B y 6 ninguna

revista. Encuentre la probabilidad que al elegir al azar una persona, esta lea al
menos una revista.

31

7 x + x + 5 - x + 6 = 15
-x = 15 7 6 5
(-1) x = -3 (-1)
X=3

PROBABILIDAD CONDICIONAL
La probabilidad de un evento puede depender o estar condicionada al valor de
probabilidad de otro evento.
Sean A, B eventos de la probabilidad condicional de elemento A dado B se escribe de
la siguiente forma:

Walpole, Ronald E. (1999) establece:

La probabilidad de que un evento B ocurra se sabe que ya ocurri algn
evento A se llama probabilidad condicional y se denota por P (B|A).

Ejercicios
Un experimento consiste en lanzar una vez el dado y una moneda calcule la
probabilidad de tener el nmero 5 y sello.

32

 Suponga que luego de lanzar el dado y la moneda nos informa que el numero del
dado fue impar.

Las enfermedades A y B son comunes entre las personas de una regin.

Suponga conocido que 10% de la poblacin contraer la enfermedad A, 5% la
enfermedad B, y 2% ambas enfermedades.
Encuentre la probabilidad que cualquier persona
a) Contraiga al menos una enfermedad
b) Contraiga la enfermedad A pero no B
c) Contraiga la enfermedad A dado que ya contrajo B
d) Contraiga la enfermedad B dado que no contrajo A
e) Contraiga ambas enfermedades dado que ya contrajo al menos una

Solucin para cada uno de los literales:

33

EVENTOS INDEPENDIENTES
Sean A y B eventos independientes si:
P=( A B )=P ( A ) P( B)

Ejercicios
Calcule la probabilidad que el ultimo digito del numero de una plca de carro
elegida al azar sea par y el penltimo digito sea impar
A: El ltimo digito sea par
B: El penltimo digito es un impar
P=( A B )=P ( A ) P ( B ) =0.5 x 0.5=0.25

En una caja hay 10 bateras de las cuales 4 estn en buen estado. Se repite dos
veces el siguiente ensayo: extraer una batera al azar, revisar su estado y
devolvera a la caja.
a) Encuentre la probabilidad que en ambos intentos se obtenga una batera
en buen estado.
A: La primera batera que se toma de la caja esta en buen estado
B: La segunda batera que se toma de la caja esta en buen estado
P=( A B )=P ( A ) P ( B ) =0.4 x 0.4=0.16

b) Calcule la probabilidad que en los intentos se obtenga al menos una

batera en buen estado
P=( A B )=P ( A ) + P ( B )P ( A B ) =0.4 x 0.40.16=0.64

34

REGLA MULTIPLICATIVA DE PROBABILIDAD

Sean A y B eventos nulos cualquiera de entonces la probabilidad que el primer evento
ocurra y el segundo evento ocurra ser igual a :
P ( A B ) =P ( A ) P( A /B)

Ejercicios
En una caja hay 10 bateras de las cuales 4 estn en buen estado. Se extraen al
azar dos bateras sin devolverlas a la caja. Calcule la probabilidad que.
a) Ambas bateras estn en buen estado
b) Solamente una batera este en buen estado
c) Al menos una batera este en buen estado
d) Ninguna batera este en buen estado

PROBABILIDAD TOTAL
El siguiente grafico permite visualizar esta relacin entre los eventos descritos:
P ( A )=P ( A E1 )+ P ( A E 2 ) + P ( A E 3 )+ P ( A E 4 )

Ejercicios

Una empresa
tiene
3
personas
para atender a sus clientes: Mara, Carmen y Beatriz. Se dispone de un registro
histrico del porcentaje de quejas de los clientes atendidos por estas tres
personas: 1%, 3%, 2%
respectivamente.
35

Cierto da acudieron 50 clientes a la empresa de los cuales 15 fueron atendidos

por Mara, 10 por Carmen y 25 por Beatriz.
Calcule la probabilidad que un cliente elegido al azar de entre los que fueron
atendidos ese da se queje por la atencin recibida.
Datos:

A: El cliente elegido al azar presenta una queja

B1: El cliente fue atendido por Mara
B2: El cliente fue atendido por Carmen
B3: El cliente fue atendido por Beatriz
B1, B2 y B3 son eventos que conforman una particin y contribuyen a la realizacin de
otro evento, A. Por lo tanto es un problema de Probabilidad Total:

TEOREMA DE BAYES
Sean B1, B2, ., Bk eventos nulos mutuamente excluyentes de y que constituyen
una particin de , y sea A un evento no nulo cualquiera de .
La siguiente formula se denomina Formula de Bayes y permite calcular la probabilidad
correspondiente a cada uno de los eventos que contribuyen a la realizacin de otro
evento, dado que se conoce la probabilidad de este evento

VARIABLE ALEATORIA

36

Sea ( , L), el Espacio Muestral de un experimento estadstico y sea X una funcin

cuyo dominio es , y cuyo conjunto de llegada es R, donde R es el conjunto de nmeros
reales; bajo estas condiciones, la funcin X es una variable aleatoria.
En definitiva su representacin como funcin es: X: R; lo cual significa que a
cada w W, la funcin X le asigna uno y solo un nmero real.
Supongamos que un experimento consisten en lanzar tres monedas y se observa
la terna de lados que sale, el conjunto de posibles resultados es
={ccc,ccs,csc,scc,css,scs,ssc,sss}
Si definimos la variable aleatoria X igual al nmero de monedas en las que sale cara
en la parte superior. Los valores que toma X son 0,1,2 y 3
={ccc,ccs,csc,scc,css,scs,ssc,sss}

P(X=0)=1/8 P(X=1)=3/8 P(X=2)=3/8 P(X=3)=1/8

VALORES ESPERADOS

E g x g x P X x
xs

Sea X una variable aleatoria con distribucin de

probabilidades P(X=x) y g(x) una funcin en trminos de x. El valor esperado de g(x) si
existe, se define como:
E c c

Propiedades:
E cg x cE g x

E g1 x g 2 x E g1 x E g 2 x

37

MEDIA Y VARIANZA DE UNA VARIABLE ALEATORIA

E X

La media de una variable aleatoria X con distribucin de probabilidades

P(X=x) se define como:

2 E X E X 2 2
2

La varianza de una variable aleatoria X con distribucin

de probabilidades P(X=x) se define como:

FUNCION DE DISTRIBUCION DE PROBABILIDADES

0 P X x 1

Con cada variable aleatoria discreta asociaremos una funcin

f=P(X=x): R [0,1] a la que denominaremos Funcin de Distribucin de Probabilidades
de X, funcin que debe cumplir las siguientes condiciones:

P X x 1
xS

1
x 0,3
8 ;
3
P X x
;
x 1,2
8

0 ; resto de x

Para la variable X igual al nmero de monedas en las que

sale cara en la parte superior del lanzamiento de tres monedas su distribucin de
probabilidades sera:

38

HISTOGRAMA DE PROBABILIDADES

0.3
0.2
P(X=x)

0.1
0

DISTRIBUCION ACUMULADA
Una funcin de variable real F: R [0,1] es definida como Distribucin Acumulada de X,
si y solo si: F(x)=P(X x) para todo valor x real, est o no en el soporte S de X.
La distribucin acumulada de X igual al nmero de monedas en las que sale cara en la
parte superior del lanzamiento de tres monedas es:

0
1/ 8

F x 4 / 8
7/8

;
;
;
;
;

si x 0
si 0 x 1
si 1 x 2
si 2 x 3
si x 3

39

GRAFICA DE LA DISTRIBUCION ACUMULADA

EXPERIMENTO BINOMIAL
Un experimento es Binomial cuando tiene las siguientes caractersticas
Lo constituyen n repeticiones idnticas, este nmero de repeticiones se fija
previo el inicio del experimento
En cada repeticin o prueba hay dos posibles resultados suceso o falla.
La probabilidad de que en una repeticin cualquiera ocurra suceso es p y falla
(1-p) y se mantiene invariable durante todo el experimento
Cada una de las repeticiones es independiente de la otra

40

DISTRIBUCION BINOMIAL
n
n x
P X x p x 1 p , x S
x

La variable aleatoria discreta X tiene distribucin

binomial si es igual al nmero de sucesos que ocurren en un experimento Binomial y su
distribucin de probabilidades esta dada por:
Siendo S={0,1,2,,n}

2 np1 p np

La media y la varianza estn dadas por:

DISTRIBUCION BINOMIAL NEGATIVA

x 1 r
xr
p 1 p , x S
r 1

P X x

Se tiene una sucesin independiente de

repeticiones, todas ellas con probabilidad de suceso p; si r es un nmero entero
previamente definido, diremos que X es una Variable Aleatoria Binomial Negativa si y
solo si X representa el nmero de repeticiones para que el r-simo suceso ocurra. Su
distribucin es:
siendo S={r,r+1,r+2,}

La media y la varianza estn dadas por:

r 1 p
r

2
p
p

P X x p 1 p

x 1

, xS
Si r=1 la distribucin Binomial Negativa recibe el nombre

de distribucin Geomtrica
siendo S={1,2,3,}
41

1 p
p

1
p
La media y la varianza estn dadas por:

DISTRIBUCION HIPERGEOMETRICA

P X x

a

x

N a

nx
N

n

xS

Se tiene una poblacin objetivo constituida por N entes;

entre estos N entes haya de ellos que tienen una caracterstica de inters en la
investigacin. Se toma una muestra de tamao n de la poblacin. Bajo estas
condiciones, X es una Variable Aleatoria Hipergeomtrica si y solo si representa el
nmero de elementos con la caracterstica de inters en la muestra. Su distribucin es:

y S={0,1,2,,k} donde k=min{a,n}

an N a N n
an

N N N 1
N

La media y la varianza de la distribucin

Hipergeomtrica est dada por:

DISTRIBUCION POISON

42

P X x

e x
x!

xS

Una variable aleatoria discreta X tiene distribucin Poisson

con parmetro l cuando representan la cantidad de eventos que ocurren en una unidad de
tiempo, espacio, volumen o alguna otra dimensin. Su distribucin es:
siendo S={0,1,2,,}

La media y la varianza vienen dadas por:

VARIABLE ALEATORIA CONTINUA

Sea X una variable aleatoria continua, con ella se asocia una funcin f(x), denominada
funcin de densidad de X tal que:

f ( x) 0

f ( x ) dx 1

DISTRIBUCION ACUMULADA
Sea X una variable aleatoria continua con funcin de densidad f(x), la distribucin
Acumulada de X se define como:

F x P X x

f (t )dt

Notemos que F(x)=f(x)

Propiedades:

lim F x 0

43

lim F x 1

F(x) es creciente
F(x) es continua

VALORES ESPERADOS
Sea X una variable aleatoria continua con funcin de densidad f(x) y g(x) una funcin
en trminos de x. El valor esperado de g(x) si existe, se define como:

E g x

g x f x dx

Propiedades:

44

E c c

E cg x cE g x

E g1 x g 2 x E g1 x E g 2 x

MEDIA Y VARIANZA DE UNA VARIABLE ALEATORIA

CONTINUA
La media de una variable aleatoria X continua con funcin de densidad f(x) se define
como:

E X

La varianza de una variable aleatoria X continua con funcin de densidad f(x) se define
como:

2 E X E X 2 2
2

DISTRIBUCION GAMMA
Sea X una variable aleatoria contina, X tiene distribucin Gamma con parmetros a>0
y b>0 si su funcin de densidad es:

45

1
1
f x
x e

, S x R x 0

La media y la varianza de la distribucin Gamma es:

2 2

Grfica de la densidad de una variable aleatoria Gamma

0.5
0.4

0.3
Axis Title

0.2

0.1
0
0

10 20 30 40

46

Casos particulares de la distribucin Gamma

Cuando a=1 la distribucin se denomina Distribucin Exponencial
x

1
f x e

, S x R x 0

La media y la varianza de la distribucin Exponencial es:

2 2

Cuando a=n se denomina distribucin Erlang

Cuando a=n/2 y b=2 se denomina distribucin Ji-Cuadrado con n grados de
libertad

BIBLIOGRAFIA
Sheldon M. Ross(2007), Introduccion a la Estadistica , Barcelona, Espaa,
Editorial Reverte S.A
Michael J. Evans & Jefrey S. Rosenthal (2004), Probabilidad y Estadistica,
Barcelona, Espaa; Editorial Rverte S.A
Irwin Miller & John E. Freund(1963), Probabilidad y Estadistica para
Ingenieros, Barcelona, Espaa. Editorial Reverte S.A
Jose Tomas Perez Romero(2004)Estadistica, Espaa, Editorial MAD S.L

47

 Elmer B. Mode(2005), Elementos de Probabilidad y Estadistica, Barcelona,

Espaa. Eitorial Reverte S.A
Victor M. Cordova & Ariel U, Cortez, Probabilidad y Estadistica I,
Hermosillo, Sonora Mexico.
Walpole,
Ronald
E..Probabilidad
Ingenieros,Mexico,Prentice-Hall.

48

Estadistica

para