U

PROBABILIDAD Y TEORA DE CONJUNTOS.

4.1 ASPECTOS GENERALES DE LA PROBABILIDAD (CONCEPTOS, TIPOS DE PROBABILIDAD, ENFOQUES
DE PROBABILIDAD).

4.2 LEYES DE LA PROBABILIDAD.

4.3 APLICACIONES DE LA PROBABILIDAD EN LA ADMINISTRACIN.

4.4 RBOLES DE PROBABILIDAD.

4.5 TEOREMAS DE BAYES.

4.6 TEORA DE CONJUNTOS; OPERACIONES APLICADAS EN LA ADMINISTRACIN .

EJERCICIOS

4.1 ASPECTOS GENERALES DE LA PROBABILIDAD (CONCEPTOS, TIPOS

DE PROBABILIDAD, ENFOQUES DE PROBABILIDAD).

INTRODUCCION A LA PROBABILIDAD

Las Probabilidades pertenecen a la rama de la matemtica que estudia ciertos experimentos llamados
aleatorios; o sea, regidos por el azar, en que se conocen todos los resultados posibles, pero no es posible tener
certeza de cul ser en particular el resultado del experimento.
LA PROBABILIDAD
Es el estudio de los fenmenos de los que no estamos seguros de su ocurrencia.
FENMENO
Un fenmeno es la ocurrencia de un hecho o suceso. Los que nos interesan son aquellos fenmenos los cuales
podemos observar.
EXPERIMENTO
Es un fenmeno observable perfectamente definido.
Debido a que el proceso de obtener toda la informacin relevante a una poblacin particular es difcil y en
muchos casos imposible de obtener, se utiliza una muestra para estimar la informacin necesaria para la toma
de decisiones Muestra (n) inferencia Poblacin = 8 estimado de = 7.5.
Tomemos por ejemplo una compaa como la compaa Ford. Si la empresa desea introducir un nuevo producto
al mercado, sera absurdo pretender que toda la poblacin pruebe el producto.
En este caso, se da a probar el producto a una muestra de consumidores y con base a los resultados de esa
muestra se decide si el producto se elabora o no. Ahora bien, como los resultados obtenidos a partir de una
muestra difieren de los resultados que se obtendran si se observara la poblacin total o universo, existe un
riesgo al tomar la decisin. Es en este caso que se utiliza la PROBABILIDAD como una medida de riesgo.
EXPERIMENTO ALEATORIO Y DETERMINSTICO.
Experimento aleatorio:
Es aquel que al repetirlo varias veces, se obtienen resultados diferentes en forma aleatoria (al azar).
Ejemplo: al realizar la medicin del tiempo en que se tardan en contestar un examen de conocimientos, los
estudiantes aspirantes para entrar al Colegio de Bachilleres del Plantel Villa de Seris; es decir, es aquel que no
se puede prever el resultado.

Experimento determinstico:
Es aquel que nos proporciona siempre el mismo resultado.
Ejemplo: Un ingeniero qumico, al determinar el nmero de molculas de hidrgeno y oxgeno que hay en el
agua (H2O) siempre encontrar que es el mismo, no cambia.

CAMPO DE LA PROBABILIDAD
La probabilidad estudia el tipo de fenmenos aleatorios.
Experimento aleatorio.- Una accin que se realiza con el propsito de analizarla. Tiene como fin ltimo
determinar la probabilidad de uno o de varios resultados.

Se considera como aleatorio y estocstico, si sus resultados no son constantes.

Puede ser efectuado cualquier nmero de veces esencialmente en las mismas condiciones.
Un experimento es aleatorio si se verifican las siguientes condiciones:
1

Se puede repetir indefinidamente, siempre en las mismas condiciones;

Antes de realizarlo, no se puede predecir el resultado que se va a obtener;

El resultado que se obtenga, s, pertenece a un conjunto conocido previamente de resultados posibles.

Espacio Muestral

Es el conjunto de todos los posibles resultados de inters de un experimento dado, y se le denota

normalmente mediante la letra E.
Ejemplos:
Experimento1: Se lanza una moneda.
Espacio muestral = total de formas en cmo puede caer la moneda, o sea dos formas de inters, que
caiga sol o que caiga guila. (Si cae de canto no es de inters y se repite el lanzamiento).
E= { s, a }

Experimento 2: Se lanza un dado.

Espacio muestral = total de caras en que puede caer el dado
S = { 1, 2, 3, 4, 5, 6 }
Punto muestral
Cada uno de los resultados posibles de un experimento aleatorio.
Ejemplo.
Lanzamiento de un dado, el espacio muestral es E= {1, 2, 3, 4, 5, 6 } y #E=6
Los puntos muestrales son {1},{2},{3},{4},{5},{6}
Al nmero de puntos muestrales de E se le representa por #E

DEFINICION DE EVENTO
Evento.
Cualquier caracterstica observada del resultado de un experimento.
El evento es aleatorio si como resultado del experimento puede ocurrir o no ocurrir.
Los eventos pueden ser:
Evento Simple. Es aquel que tienen un solo punto muestral.
Evento Compuesto. Son aquellos que tienen dos o ms puntos muestrales.

Los eventos se denotan normalmente con las letras maysculas A, B, C, ...

A, B, C son subconjuntos de E, esto es,
A, B, C E
Los eventos son conjuntos que pueden contener un solo elemento, una infinidad de elementos, y tambin no
contener ningn elemento.
Los Eventos aleatorios aparecen con gran frecuencia en el clculo de probabilidades:
Evento seguro.- Se verifica despus del experimento aleatorio, si los resultados son los mismos del
espacio muestral.
E=A

y #E = #A

Evento Imposible.- Es aquel que nunca se verifica como resultado del experimento aleatorio.
No tiene elementos de inters para su fenmeno.
Sin embargo es un subconjunto de E y la nica posibilidad es que el evento imposible sea el conjunto vaco.

E y No tiene elementos

Ejemplo:
Experimento: Se lanza una moneda tres veces.
Espacio Muestral:
E = { (S,S,S), (S,S,A), (S,A,S), (A,S,S), (A,A,S), (A,S,A), (S,A,A), (A,A,A) },
#E= 8, E es el evento seguro.

Evento simple:
B: Que salgan tres soles; B ={ (S,S,S) } , #B = 1
Evento compuesto:
E: Que salgan al menos dos soles;
E = { (S,S,S), (S,S,A), (S,A,S), (A,S,S) }, #E = 4

ENFOQUES DE LA PROBABILIDAD INTUITIVO:

Es aquel basado en la experiencia previa sin la justificacin de algn clculo.
Por ejemplo, en
pocas de lluvias se puede afirmar a priori que existe una probabilidad de 0.1 de que no llueva en uno de los
das de tal temporada.
DE FRECUENCIA RELATIVA:
Es en el que la probabilidad se obtiene como una proporcin del nmero de veces en que sucede un evento en
una serie prolongada de experimentos repetidos.

4.2 LEYES DE LA PROBABILIDAD.

Leyes De La Probabilidad
Las relaciones que se dan entre los eventos al ser aplicadas las operaciones que se presentaron,
se facilitan y comprenden mejor haciendo uso de los axiomas y teoremas de probabilidad (Leyes
de Probabilidad).

Axiomas y teoremas de la probabilidad

Para el clculo de probabilidades hay que tomar en cuenta los Axiomas y Teoremas que a continuacin se
enumeran.
AXIOMAS
1) La probabilidad de que ocurra un evento A cualquiera se encuentra entre cero y uno.
0 p(A) 1
2) La probabilidad de que ocurra el espacio muestral debe de ser 1.
p ) = 1
3) Si A y B son eventos mutuamente excluyentes, entonces la p(AB) = p(A) + p(B) Generalizando:
Si se tienen n eventos mutuamente excluyentes o exclusivos A1, A2, A3,.....An, entonces;
p(A1A2.........An) = p(A1) + p(A2) + .......+ p(An)
TEOREMAS
TEOREMA 1. Si es un evento nulo o vaco, entonces la probabilidad de que ocurra debe ser cero.
p()=0
DEMOSTRACIN:
Si sumamos a un evento A cualquiera, como y A son dos eventos mutuamente excluyentes, entonces
p(A)=p(A) +p()=p(A). LQQD
TEOREMA 2.
La probabilidad del complemento de A, Ac debe ser, p(Ac)= 1 p(A)

DEMOSTRACIN:
Si el espacio muestral , se divide en dos eventos mutuamente exclusivos, A y A c luego =AAc, por tanto
p()=p(A) + p(Ac) y como en el axioma dos se afirma que p()=1, por tanto, p(Ac)= 1 - p(A) .
TEOREMA 3.
Si un evento A B, entonces la p(A) p(B).
DEMOSTRACIN:
Si separamos el evento B en dos eventos mutuamente excluyentes, A y B \ A (B menos A), por tanto, B=A(B \
A) y p(B)=p(A) +p(B \ A), luego entonces si p(B \ A)0 entonces se cumple que p(A)p(B).
TEOREMA 4.
La p( A \ B )= p(A) p(AB)
DEMOSTRACIN: Si A y B son dos eventos cualquiera, entonces el evento A se puede separar en dos eventos
mutuamente excluyentes, (A \ B) y AB, por tanto, A=(A \ B)(AB), luego p(A)=p(A \ B) + p(AB), entonces,
p(A \ B) = p(A) p(AB).
TEOREMA 5.
Para dos eventos A y B, p(AB)=p(A) + p(B) p(AB).
DEMOSTRACIN: Si AB = (A \ B) B, donde (A \ B) y B son eventos mutuamente excluyentes, por lo que p(A
B) = p(A \ B) + p(B) y del teorema anterior tomamos que p(A \ B) = p(A) p(AB), por tanto, p(AB) = p(A) +
p(B) p(AB).

4.3 APLICACIONES DE LA PROBABILIDAD

Dos aplicaciones principales de la teora de la probabilidad en el da a da son en el anlisis de riesgo y en el
comercio de los mercados de materias primas. Los gobiernos normalmente aplican mtodos probabilsticos
en regulacin ambiental donde se les llama "anlisis de vas de dispersin", y a menudo miden el
bienestar usando mtodos que son estocsticos por naturaleza, y escogen qu proyectos emprender
basndose en anlisis estadsticos de su probable efecto en la poblacin como un conjunto.
Un buen ejemplo:
Es el efecto de la probabilidad percibida de cualquier conflicto generalizado sobre los precios del petrleo en
Oriente Medio - que producen un efecto domin en la economa en conjunto. Un clculo por un mercado de
materias primas en que la guerra es ms probable en contra de menos probable y enva los precios hacia arriba
o hacia abajo e indica a otros comerciantes esa opinin. Por consiguiente, las probabilidades no se calculan
independientemente y tampoco son necesariamente muy racionales.
La teora de las finanzas conductuales surgi para describir el efecto de este pensamiento de grupo en el
precio,
en
la
poltica,
en
la
paz
y
en
los
conflictos.
Se puede decir razonablemente que el descubrimiento de mtodos rigurosos para calcular y combinar los
clculos de probabilidad ha tenido un profundo efecto en la sociedad moderna. Por consiguiente, puede ser de
alguna importancia para la mayora de los ciudadanos entender cmo se calculan los pronsticos y las
probabilidades, y cmo contribuyen a la reputacin y a las decisiones, especialmente en una democracia.

Otra aplicacin significativa de la teora de la probabilidad en el da a da es en la fiabilidad. Muchos bienes de

consumo, como los automviles y la electrnica de consumo, utilizan la teora de la fiabilidad en el diseo del
producto para reducir la probabilidad de avera. La probabilidad de avera tambin est estrechamente
relacionada
con
la garanta del
producto.

4.4 RBOLES DE PROBABILIDAD.

Diagrama de rbol.

DIAGRAMA DE ARBOL.
Un diagrama de rbol es una representacin grfica de un experimento que consta de r pasos,
donde cada uno de los pasos tiene un nmero finito de maneras de ser llevado a cabo.
Ejemplos:
1. Un mdico general clasifica a sus pacientes de acuerdo a: su sexo (masculino o femenino), tipo de sangre (A,
B, AB u O) y en cuanto a la presin sangunea (Normal, Alta o Baja). Mediante un diagrama de rbol diga en
cuantas clasificaciones pueden estar los pacientes de este mdico?

Si contamos todas las ramas terminales, nos damos cuenta que el nmero de clasificaciones son 2 x 4 x 3 = 24
mismas que podemos enumerar;
MAN, MAA, MAB, MBN, MBA, MBB, etc.
Dos equipos denominados A y B se disputan la final de un partido de baloncesto, aquel equipo que gane dos
juegos seguidos o complete un total de tres juegos ganados ser el que gane el torneo. Mediante un diagrama
de rbol diga de cuantas maneras puede ser ganado este torneo,
Solucin:
A = gana el equipo A
B = gana el equipo B

En este diagrama se muestran que hay solo diez maneras de que se gane el torneo, que se obtienen contando
las ramas terminales de este diagrama de rbol, las que es posible enumerar;
AA, ABB, ABAA, ABABA, ABABB, etc.

4.5 TEOREMAS DE BAYES.

TEOREMA DE BAYES
Sea un espacio muestral que est formado por los eventos A1, A2, A3,.....,An mutuamente excluyentes, luego,
= A1A2A3.....An

A1

A3

B
Luego si ocurre un evento B definido
en , observamos que;

A2

A4

An

B = B = (A1A2A3.....An)B =(A1B)(A2B)(A3B).....(AnB)
Donde cada uno de los eventos AiB son eventos mutuamente excluyentes, por lo que
p(B) = p(A1B) + p(A2B) + p(A3B) +......+ p(AnB)
y como la p(AiB) = p(Ai)p(B Ai) , o sea que la probabilidad de que ocurra el evento Ai y el evento B es igual al
teorema de la multiplicacin para probabilidad condicional, luego;
p(B) = p(A1)p(B A1) + p(A2)p(B A2) + p(A3)p(B A3) + p(An)p(B An)
Si deseamos calcular la probabilidad de que ocurra un evento Ai dado que B ya ocurri, entonces;

P( Ai | B )

p( Ai B )
p( Ai ) p( BAi )

p( B )
p( A1 ) p( BA1 ) p( A2 ) p( BA2 ) .... p( An ) p( BAn )

La expresin anterior es el teorema de Bayes, que como se observa es una simple probabilidad condicional.
Sea A1, A2, ...,An un sistema completo de sucesos, tales que la probabilidad de cada uno de ellos es distinta de
cero, y sea B un suceso cualquier del que se conocen las probabilidades condicionales P(B/Ai). entonces la
probabilidad P(Ai/B) viene dada por la expresin:

4.6 TEORA DE CONJUNTOS; OPERACIONES APLICADAS EN LA

ADMINISTRACIN.
La teora de conjunto, permite en los clculos de probabilidad, realizar operaciones entre los eventos como unir,
intersectar o complemento.
En los casos de los eventos, UNIR implica que los elementos de un evento A y del otro B formaran un
conjunto, este representa que el evento A ocurra o que el evento B ocurra.
Conjunto potencia
Si un espacio muestral contiene n puntos mustrales, hay un total de 2 n subconjuntos o eventos (se le conoce
como conjunto potencia).
Por tanto para el ejemplo siguiente existen:
28 = 256, eventos posibles.
Para el caso del experimento: se tira una moneda, el espacio muestral es de 2 puntos mustrales
E = {A, S},
Por lo que se tienen 22 = 4 subconjuntos y el conjunto potencia est dado por: {A,S}, {A}, {S},

Operaciones Bsicas con Eventos Aleatorios

Ya que los eventos son subconjuntos del espacio muestral E, se pueden aplicar las conocidas
operaciones con conjuntos, a los eventos, como son la unin, la interseccin y la diferencia de eventos.

OPERACIN

EXPRESION

DESCRIPCION

UNIO N

AB

Unin de eventos originales: es el evento que sucede si y solo si A

sucede o B sucede o ambos suceden

INTERSECCION

AB

Interseccin de los eventos originales, es el evento que sucede si y

slo si A y B suceden simultneamente.

A-B

La diferencia de los eventos originales A y B, es el evento que

sucede solo en A pero no en B.

DIFERENCIA

Grficamente estas operaciones se pueden representar a travs de los diagramas de Venn.

Sea E el espacio muestral y A y B eventos tal que A, B E grficamente se puede expresar como:

E
A

Fig. 1 Los eventos A y B no tienen elementos del espacio muestral en comn.

AB

E
A

Fig. 2 Los eventos A y B tienen elementos del espacio muestral

De acuerdo a lo indicado en las figuras 1 y 2, la unin de dos eventos se presenta de dos formas diferentes:
1

cuando los eventos son mutuamente excluyentes (que no tienen elementos en comn)

cuando entre los eventos hay elementos comunes.

Definicin.-Se dice que dos eventos A y B son mutuamente excluyentes, cuando no pueden ocurrir
simultneamente, es decir, A B = , lo que ocurre en la fig. 1.
Experimento: Se lanza un dado.
Espacio muestral = total de caras en que puede caer el dado, o sea seis formas de inters:
E = {1, 2, 3, 4, 5, 6}
Sean A, B, C los eventos:
A: Que caiga un nmero impar
A= {1, 3, 5},
B: Que caiga un nmero mayor de 2 y menor que 5 B= {3, 4}
C: Que caiga un nmero par
C= {2, 4, 6}

Ejercicios de Probabilidades
1) Al lanzar un dado tres veces, segn las probabilidades, es conveniente apostar a favor o en
contra de obtener al menos una vez el 2?
"Al menos una vez el 2" quiere decir "alguna vez se obtiene el 2".

Llamando A= {alguna vez se obtiene el 2}, su complemento es Ac= {ninguna vez se obtiene el 2} P(Ac)=P(no
sale 2 en 1er lanzam.) P (no sale 2 en 2 lanzam.) P (no sale 2 en 3er lanzam.)=5/65/65/6 =125/216 0,58.

Luego, como P(A)+P(Ac)=1 P(A)=1-0,58=0.42=42%.

Por lo tanto, no conviene apostar a favor.
2) En una tmbola hay dos bolitas blancas y tres bolitas negras, cul es la probabilidad de sacar una blanca y
despus una negra?
a) Si hay reposicin, esto es, despus de sacar la primera bolita, sta se devuelve a la tmbola.
b) Si no hay reposicin, esto es, despus de sacar la primera bolita, sta no se devuelve a la tmbola.
a) En este caso los eventos son independientes ya que al reponer la bolita la ocurrencia de un evento no afecta al
otro.
Sean los eventos A: "sacar una bolita blanca" y B: "sacar una bolita negra", entonces, usando P(A B)=P(A)P(B),
P(A B)=2/53/5=6/25
b) Si no hay reposicin, los eventos son dependientes ya que la bolita no es repuesta a la tmbola, por lo que
ocupamos P(A B)=P(A)P(B/A)=2/53/4=3/10
3) Repita el problema 2) anterior, pero ahora la pregunta es cul es la probabilidad de sacar una blanca y una negra?
(note que ahora no importa el orden).
a) Si hay reposicin, esto es, despus de sacar la primera bolita, sta se devuelve a la tmbola
b) Si no hay reposicin, esto es, despus de sacar la primera bolita, sta no se devuelve a la tmbola.
a) Usando la definicin, el nmero total de casos posibles es 55=25 y el nmero de casos favorables es
23+32=12(una blanca y una negra una negra y una blanca), luego, P(A)=12/25=48%. O bien, usando las
propiedades, P(A)=P(sacar blanca)P(sacar despus negra) + P(sacar negra)P(sacar despus
blanca)=2/53/5+3/52/5=12/35=48%
b) Nmero de casos posibles: 54=20 y el nmero de casos favorables =23+32=12, luego,
P(B)=12/20=3/5=60%. O bien, usando las propiedades P(B)=P(sacar blanca)P(sacar negra/sabiendo que ha
salido blanca) +P(sacar negra)P(sacar blanca/sabiendo que ha salido negra)=2/53/4+3/52/4=3/5=60%

Ejercicio:
1. Un mdico general clasifica a sus pacientes de acuerdo a: su sexo (masculino o
femenino), tipo de sangre (A, B, AB u O) y en cuanto a la presin sangunea (Normal, Alta o
Baja). Mediante un diagrama de rbol diga en cuantas clasificaciones pueden estar los
pacientes de este mdico?

Si contamos todas las ramas terminales, nos damos cuenta que el nmero de
clasificaciones son 2 x 4 x 3 = 24 mismas que podemos enumerar;
MAN, MAA, MAB, MBN, MBA, MBB, MABN,MABA, MABB, MO,
FA,FBN,FBA,FBB,FABB,FOB,FOA,FOB.

DISTRIBUCIONES DE PROBABILIDAD APLICADAS EN LA

ADMINISTRACIN

5.1 DISTRIBUCIN PARA VARIABLES DISCRETA

5.2 DISTRIBUCIN PARA VARIABLES CONTINUA

5.1 DISTRIBUCIN PARA VARIABLES DISCRETA

Variable aleatoria
Una funcin que asocia un nmero real, perfectamente definido, a cada punto muestral.
A veces las variables aleatorias (v.a.) estn ya implcitas en los puntos muestrales.
Los conjuntos pueden ser:
Discretos: nmero finito o infinito numerable de elementos.
Continuos: nmero infinito no numerable de elementos.
Las v.a. definidas sobre espacios mustrales discretos se llaman v.a. discretas y las definidas sobre espacios
mustrales continuos se llaman continuas.
Una v.a. puede ser continua, aunque nosotros slo podamos acceder a un subconjunto finito de valores.
Por ejemplo la presin arterial es una v.a. continua pero slo podemos acceder a un conjunto finito de valores
por la limitacin de los aparatos de medida.
En general, las medidas dan lugar a v.a. continuas y los conteos a v.a. discretas.

DEFINICIN DE VARIABLE ALEATORIA DISCRETA.

VARIABLES ALEATORIAS DISCRETAS

En gran cantidad de experimentos aleatorios es necesario cuantificar los resultados, es decir,
asignar a cada resultado del experimento un nmero, con el fin de poder realizar un estudio
matemtico.
Ejemplos
Consideremos el experimento aleatorio que consiste en lanzar tres monedas, supongamos que a cada
elemento de su espacio muestral E= {ccc, ccx, cxc, xcc, cxx, xcx, xxc, xxx} le asignamos un nmero real, el
correspondiente al nmero de caras (discreta).
Esta correspondencia que acabamos de construir es una funcin del espacio muestral E en el conjunto de los
nmeros reales R. A esta funcin la llamaremos variable aleatoria y la denotaremos por X.
Supongamos el experimento aleatorio que consiste en lanzar dos dados, podemos asignar a cada resultado la
suma de los puntos aparecidos en cada dado (discreta).
Consideremos el experimento que consiste en elegir al azar 500 personas y medir su estatura. La ley que
asocia a cada persona con su talla es una variable aleatoria (continua).
Consideremos el experimento que consiste en elegir al azar 100 sandias de una plantacin y pesarlas. La ley
que asocia a cada sanda su peso es una variable aleatoria (continua).

VARIABLE ALEATORIA (V.A.)

Se dice que hemos definido una variable aleatoria para un experimento aleatorio cuando hemos asociado un
valor numrico a cada resultado del experimento.
Sea E el espacio muestral asociado a un experimento. Se llama variable aleatoria a toda aplicacin del espacio
muestral E en el conjunto de los nmeros reales (es decir, asocia a cada elemento de E un nmero real).
Se utilizan letras maysculas X, Y, ... para designar variables aleatorias, y las respectivas minsculas (x, y, ...)
para designar valores concretos de las mismas.
Si un experimento con espacio muestral E, tiene asociada la variable aleatoria X, es natural que se planteen
preguntas como: Cul es la probabilidad de que X tome un determinado valor?, esto nos lleva a establecer,
por convenio, la siguiente notacin:
(X=x) representa el suceso "la variable aleatoria X toma el valor x", y
p(X=x) representa la probabilidad de dicho suceso.
(X<x) representa el suceso "la variable aleatoria X toma un valor menor a x", y
p(X<x) representa la probabilidad de que la v.a. X tome un valor menor a x.
(X x) representa el suceso "la variable aleatoria X toma un valor menor o igual a x", y
p(X x) representa la probabilidad de que la v.a. X tome un valor menor o igual a x.
Si una variable aleatoria slo toma valores enteros, es decir, un nmero finito de valores o infinito numerable
diremos que es discreta (los dos primeros ejemplos). Si tericamente, puede tomar todos los valores de un
intervalo de R, diremos que es continua (los dos ltimos ejemplos).

FUNCIN DE PROBABILIDAD Y DE DISTRIBUCIN (DISCRETA)

Cuando hablamos de la funcin de probabilidad, estamos evaluando la posibilidad de que una variable
aleatoria tome un valor especfico o bien al hablar de una funcin de distribucin nos referimos al hecho de
que una variable aleatoria tom algn valor dentro de un intervalo (donde una variable aleatoria es una
variable continua) pero estos conceptos no contemplan el hecho de que se requiera conocer la informacin de
un valor esperado, valor medio o esperanza matemtica de una variable aleatoria.

DISTRIBUCIN DE PROBABILIDAD DISCRETA.

Caractersticas:
Es generada por una variable discreta (x).
xVariable que solo toma valores enteros
x0, 1, 2, 3, 4, 5, 6, 7, 8, ... etc,etc.
2. p(xi)0 Las probabilidades asociadas a cada uno de los valores que toma x deben ser mayores
o iguales a cero.
3.p(xi) = 1 La sumatoria de las probabilidades asociadas a cada uno de los valores que toma x
debe ser igual a 1.

CALCULO DE MEDIA (valor esperado) Y DESVIACIN ESTNDAR PARA UNA DISTRIBUCIN

DISCRETA

1.

Media o valor esperado de x.- Para determinar la media de la distribucin discreta se utiliza la siguiente
frmula:

E( x ) xi* p( xi )
Donde:
= media de la distribucin
E(x) = valor esperado de x
xi = valores que toma la variable
p(xi) = probabilidad asociada a cada uno de los valores de la variable x
Desviacin estndar. Para determinar la desviacin estndar de la distribucin discreta se utiliza la siguiente
frmula:

( xi )

* p( xi )

Dnde:
= desviacin estndar
= media o valor esperado de x
xi = valores que toma la variable x
p(xi) = probabilidad asociada a cada uno de los valores que toma x

5.2 VARIABLE ALEATORIA CONTINUA.

Sea X una v.a. diremos que es continua cuando toma un nmero infinito no numerable de valores, es el caso de
los intervalos de R o todo R.
Ejemplos:
1.-Un estudio estadstico quiere conocer la duracin de un conjunto de bombillas, para ello se define la v.a.
X="duracin de una bombilla.
La v.a. as definida es una variable continua pues puede tomar cualquier valor mayor que0.
2.-Una empresa dedicada a la confeccin de pantalones de caballero ha determinado que la cintura de los
varones en una determinada localidad oscila entre 70 cm y 130 cm. La v.a. X= "medida de la cintura de un
varn" puede tomar cualquier valor comprendido entre 70 y 130 cm.
Toma por tanto un nmero infinito no numerable de valores, X es una v.a. continua.
Funcin de densidad
Segn la definicin, una v.a. continua puede tomar un nmero infinito no numerable de puntos, la probabilidad
que hemos de asignarle a cada valor de la variable estar en [0,1] con la condicin de que la suma de todas las
probabilidades es 1, como hay un nmero infinito no numerable de valores con masa, sta es desplecible por lo
que se dice que no tienen masa
P[X = x] = 0.
Definimos

una funcin que verifica:

A esta funcin asociada a una v.a. continua se le llama funcin de densidad.

Funcin de distribucin
La funcin de distribucin

nos da la probabilidad acumulada desde

hasta el valor que se tiene

en consideracin

grficamente la funcin de distribucin es el rea limitada por la funcin de densidad y el eje de abscisas entre
yx

Varianza (v.a. continua)

Se define la varianza como la esperanza del cuadrado de la diferencia entre la variable y su esperanza:
V(X) = E[ (X - E[X] ) 2 ],
Teniendo en cuenta la definicin de esperanza, la varianza queda

Desarrollando el cuadrado llegamos a una expresin de la varianza ms cmoda para operar que la definicin

Ejemplo:
La distribucin de probabilidad de x , el nmero de defectos por cada 10 metros de una tela sinttica en rollos
continuos de ancho uniforme , es
x
p(x)

0
0.41

1
0.37

2
0.16

3
0.05

4
0.01

a)

Determine la distribucin de probabilidad acumulada de x; P(x).

b)
Determine el nmero esperado de defectos por cada 10 metros de tela sinttica en rollos continuos
de ancho uniforme y la desviacin estndar del nmero de defectos por cada 10 metros de tela.....
c)
Determine la probabilidad de que en 10 metros de tela sinttica se encuentren como mximo 2
defectos.
d)
Determine la probabilidad de que en 10 metros de tela sinttica se encuentren por lo menos 2
defectos.
Solucin:
a)
p(x)
P(x)

0.41
0.41

0.37
0.78

0.16
0.94

0.05
0.99

0.01
1.0

 E( x ) xi* p( xi ) ( 0 )( 0.41 ) ( 1 )( 0.37 ) ... ( 4 )( 0.01 )

0.0 0.37 0.32 0.15 0.04 0.88 1 defecto
Interpretacin: 0.16, 0.05 ,0.01
b) Se espera que por cada 10 metros de tela se encuentre un defecto.

( xi )

* p( xi ) ( 0 1 )2 ( 0.41 ) ( 1 1 )2 ( 0.37 ) ... ( 4 1 )2 ( 0.01 )

0.41 0.0 0.16 0.2 0.09 0.86 0.9274 1defecto

Interpretacin:
El nmero de defectos esperado puede variar en 1 defecto, es decir que el nmero de defectos esperado
por cada 10 metros de tela puede variar de 0 a 2.
c)

p(x 2)= p(x=0) + p(x=1) + p(x=2) = 0.41+0.37+0.16 = 0.94

d)

p(x 2) = p(x=2) + p(x=3) + p(x=4) = 0.16 + 0.05 + 0.01= 0.22

EJERCICIOS
Una calculadora genera nmeros al azar en el intervalo [0,1], con igual probabilidad para cada nmero del
intervalo. Una variable as definida es continua, y adems se reparte uniformemente la probabilidad en el
intervalo [0,1]. La funcin de densidad es :

1. Esta funcin as definida cumple las dos condiciones:

2. Dada la funcin

Determnese el valor de k para que f sea una funcin de densidad

Atendiendo a la definicin de la funcin de densidad, para que f sea funcin de densidad 3 + k = 1 , sin ms
que despejar en la ecuacin se deduce que k = -2

1)Se ha detectado en una lnea de produccin que 1 de cada 10 artculos fabricados

es defectuoso; se toman de esa lnea tres artculos uno tras otro, a) obtenga la
distribucin de probabilidad del experimento, b) encuentre el nmero esperado de
artculos defectuosos en esa muestra y su desviacin estndar.
Solucin:
Tambin haciendo uso de in diagrama de rbol, se obtiene el espacio muestral
a)
D = objeto defectuoso
N = objeto no defectuoso
=DDD, DDN, DND, DNN, NDD, NDN, NND, NNN
Este espacio muestral ha sido obtenido haciendo uso de un diagrama de rbol,
x = Variable que nos define el nmero de objetos defectuosos encontrados
x = 0, 1, 2 o 3 objetos defectuosos
p(x=0)=p(NNN)=(0.9)(0.9(0.9)=0.729
p(x=1)=p(DNN, NDN, NND)=(0.1)(0.9)(0.9)+(0.9)(0.1)(0.9)+(0.9)(0.9)(0.1)=0.243
p(x=2)=p(DDN, DND, NDD)=(0.1)(0.1)(0.9)+(0.1)(0.9)(0.1)+(0.9)(0.1)(0.1)=0.027
p(x=3)=p(DDD)=(0.1)(0.1)(0.1)=0.001
Distribucin de probabilidad
x

P(x)

0.729

0.243

0.027

0.001

b)

xi* p( xi )

(0)(0.729)+(1)(0.243)+(2)(0.027)+(3)(0.001)=
= 0.0 + 0.243 + 0.054 + 0.003 = 0.3 0 productos defectuosos

Interpretacin:
Se espera que ninguno de los productos inspeccionados sea defectuoso.

( xi )* p( xi )
2

( 0 0 )*( 0.729 ) ( 1 0 )*( 0.243 ) ... ( 3 0 )*( 0.001 )

0.0 0.243 0.108 0.009 0.36
= 0.6 = 1 producto defectuoso

Interpretacin:

En este experimento se espera que ninguno de los productos inspeccionados sea defectuoso, pero los
resultados de este experimento pueden variar en 1 producto defectuoso, por lo que al inspeccionar los 3
productos el nmero de productos defectuosos puede variar desde 1 producto defectuoso, hasta 1
producto defectuoso, pero, es posible obtener 1 producto defectuoso?, claro que esto no puede ocurrir,
luego el nmero de productos defectuosos en el experimento variar de 0 a 1 producto defectuoso
solamente.

MUESTREO Y ESTIMACIN APLICADO AL CONTROL

ESTADSTICO DE PROCESOS
6.1 Fundamentos tericos del muestreo y estimacin.

6.2 Distribucin
administrativa.

de

muestreo;

caractersticas

aplicacin

en

6.3 Teorema del lmite central.

6.4 Tipos de estimacin y caractersticas.

6.5 Determinacin del tamao de la muestra.

6.6 Intervalos de confianza aplicados al control estadstico de procesos.

el

rea

6.7 Grficas de control y tipos de variacin en los procesos.

6.1 FUNDAMENTOS TERICOS DEL MUESTREO Y ESTIMACIN.

MUESTREO
Es el procedimiento mediante el cual seleccionamos una muestra representativa de la
poblacin objeto de estudio.
EL DISEO Y LA ELECCIN DE LA MUESTRA DE ESTUDIO
El paso siguiente que debe resolver el investigador es el del diseo y la eleccin de la muestra. Ambas acciones
est ntimamente unidas puesto que dependiendo del diseo que utilice el investigador as ser la eleccin de
los sujetos de estudio. Los elementos, personas, fenmenos, constituyen la muestra de la investigacin.

Etapas del muestreo

Preparacin
En esta se define el universo y la poblacin a partir de la cual se va a extraer la muestra.

Muestreo.
En esta fase se determina la tcnica ms apropiada en funcin del problema, las hiptesis y el diseo. Aqu
cabe diferenciar varios tipos de muestras resultado de las distintas depuraciones que se van haciendo a lo largo
del proceso de la recogida de los datos. Nos referimos a:
Muestra invitada. Son los sujetos de la poblacin a quienes se les invita a participar.
Muestra participante. Son los sujetos que aceptan formar parte del estudio.
Muestra real. Es la muestra productora de los datos que servirn para el anlisis final.
La diferencia entre la muestra invitada y la muestra real rara vez aparece especificado en los informes de
investigacin.

Tcnicas de muestreo
La eleccin de la muestra puede hacerse desde dos perspectiva: probabilsticas o al azar y no probabilsticas.
Las tcnicas ms comunes son:

Probabilsticas:
Azar simple.
Aleatorio sistemtico.
Aleatorio estratificado.
Aleatorio por conglomerados.
Multietapa.
No Probabilsticas:

Deliberado.
Accidental o causal.
Muestra de voluntarios.
Muestreos mixtos.

Tamao de la muestra

El tamao que debe tener la muestra que se selecciona depende bsicamente del tipo de estudio que se vaya
a realizar. Si el trabajo es experimental, la muestra puede ser bastante ms pequea que si realizamos trabajos
descriptivos, en los que la nica forma de controlar los muchos factores que pueden aparecer a lo largo del
proceso, es aumentar el nmero de elementos en la muestra.

Teora de la estimacin.
La estimacin de parmetros por intervalos, permite construir un intervalo que contendr el parmetro a
estimar con un confianza fijada a priori por el experimentador.

El objetivo principal de la estadstica inferencial es la estimacin, esto es que mediante el estudio de una
muestra de una poblacin se quiere generalizar las conclusiones al total de la misma.
Existen dos tipos de estimaciones para parmetros; puntuales y por intervalo.

Una estimacin puntual es un nico valor estadstico y se usa para estimar un parmetro.

El estadstico usado se denomina estimador.

Una estimacin por intervalo es un rango, generalmente de ancho finito, que se espera que contenga
el parmetro.

6.2 DISTRIBUCIN DE MUESTREO; CARACTERSTICAS Y

APLICACIN EN EL REA ADMINISTRATIVA.
Distribucin de muestreo
Tipos de distribucin

Distribucin
Distribucin
Distribucin
Distribucin

de frecuencias
normal (Gaussiana)
de probabilidad
de Poisson

 Distribucin binomial
Distribucin de muestreo
Distribucin t
Distribucin F

Qu es la distribucin de muestreo?
Muestreo es definido como el proceso de seleccionar un nmero de observaciones (sujetos) de un grupo
en particular de la poblacin.
Distribucin de muestreo mes definida como la distribucin de frecuencias de la estadstica de muchas
muestras.
Es la distribucin de medias y es llamada la distribucin de muestreo de la media.

Hechos de la distribucin de muestreo

Los cuatro hechos de la distribucin de muestreo, incluyen:
1)
2)
3)
4)

La estadstica de inters (proporcin, desviacin estndar, o media)

Seleccin aleatoria de la muestra
Tamao de la muestra aleatoria (muy importante)
Las caractersticas de la poblacin siendo muestreada.

Caractersticas de la distribucin de muestreo

Teorema del lmite central
Cuando muestras aleatorias del mismo tamao son tomadas de la poblacin, la distribucin de las
medias de las muestras se acercar a la distribucin Normal.

Cuando la distribucin de muestreo de la media tiene muestras de tamao de 30 o mayores se dice que
estn Normalmente distribuidas.

Caractersticas estadsticas de la distribucin de muestreo

Las estadsticas principales son:
Media
Desviacin estndar
Error estndar
El error estndar (ES o ESM) de la distribucin de muestreo es dado por la frmula:

s
n
Donde, n = tamao de muestra s- desviacin estndar de la muestra x media de la muestra

a) SE de una proporcin = p (1-p)/n Donde, p es la proporcin de la muestra

b) SE de un porcentaje = p (100-p)/n Donde, p es el porcentaje de la muestra
Intervalo de confianza
a) IC = p z /2 p (1-p)/n
b) IC= p z /2 p (100-p)/n

Puntaje Z (Puntaje estndar)

Z = x-
/n
Donde, X es la media de la muestra
es la media de la distribucin de muestreo
es el ES de la distribucin de muestreo n

Otros tipos de distribucin de muestreo

Distribucin F
Es una distribucin de muestreo de la media con una desviacin estndar estimada.
Distribucin t
Es una distribucin de muestreo de dos varianzas (desviaciones estndar al cuadrado).

Aplicacin de la distribucin de muestreo

La distribucin de muestreo, como una distribucin Normal, es un modelo descriptivo,
que es usado para describir situaciones del mundo real.
Es muy til para hacer sealamientos acerca de la probabilidad de que ocurran
observaciones especficas.
Investigadores/modeladores la usan para estimaciones y pruebas de hiptesis

6.3 TEOREMA DEL LMITE CENTRAL.

Teorema del Lmite Central
El Teorema del Lmite Central dice que si tenemos un grupo numeroso de variables independientes y todas
ellas siguen el mismo modelo de distribucin (cualquiera que ste sea), la suma de ellas se distribuye segn
una distribucin normal.

Ejemplo: la variable "tirar una moneda al aire" sigue la distribucin de Bernoulli.

Si lanzamos la moneda al aire 50 veces, la suma de estas 50 variables (cada una independiente entre si) se
distribuye segn una distribucin normal.
Este teorema se aplica tanto a suma de variables discretas como de variables continuas.
Los parmetros de la distribucin normal son:

Media: n * m (media de la variable individual multiplicada por el nmero de variables independientes)

Varianza: n * s2 (varianza de la variable individual multiplicada por el nmero de variables individuales)

Teorema del lmite central

Si se seleccionan muestras aleatorias de n observaciones de una poblacin con media

y desviacin estndar

, entonces, cuando n es grande, la distribucin muestral de medias tendr aproximadamente una

distribucin normal con una media igual a y una desviacin estndar de

ms exacta a medida de que n sea cada vez mayor.

. La aproximacin ser cada vez

6.4 TIPOS DE ESTIMACIN Y CARACTERSTICAS.

ESTIMACIN
Un estadstico utilizado para aproximar un parmetro de poblacin se denomina estimador del parmetro. El
nmero obtenido cuando se evala el estimador para una muestra en particular, es una estimacin del
parmetro.
Se deben distinguir dos tipos de estimacin: la estimacin puntual y la estimacin por intervalo.
La estimacin puntual: consiste en asignar un nico valor como estimacin del parmetro; esta estimacin se
utiliza cuando queremos conocer el valor concreto de un parmetro poblacional y no disponemos de este valor.
La estimacin por intervalo: es aquella que calcula un intervalo que contenga entre sus lmites, con cierta
probabilidad, el verdadero valor del parmetro poblacional. Este intervalo se llama INTERVALO DE
CONFIANZA.

INTERVALO DE CONFIANZA DE UNA PROPORCION

Estimacin de una proporcin.
El mejor estimador de la proporcin (p) de una caracterstica de una poblacin es la proporcin observada (p o
) en una muestra, que se corresponde con la frecuencia relativa de una caracterstica en la muestra.
Al seguir esta variable p una distribucin normal, se puede calcular un intervalo que contenga entre sus lmites
una gran proporcin de los valores de la variable p :

p
Distribucin de intervalos de proporcin

6.5 TAMAO DE LA MUESTRA

A la hora de determinar el tamao que debe alcanzar una muestra hay que tomar en cuenta varios
factores: el tipo de muestreo, el parmetro a estimar, el error muestral admisible, la varianza
poblacional y el nivel de confianza. Por ello antes de presentar algunos casos sencillos de clculo del
tamao muestral delimitemos estos factores.

Para calcular el tamao de una muestra hay que tomar en cuenta tres factores:
1

El porcentaje de confianza con el cual se quiere generalizar los datos desde la muestra hacia la
poblacin total.

El porcentaje de error que se pretende aceptar al momento de hacer la generalizacin.

El nivel de variabilidad que se calcula para comprobar la hiptesis .

El tamao de la muestra:
Al realizar un muestreo probabilstica nos debemos preguntar Cul es el nmero mnimo de
unidades de anlisis ( personas, organizaciones, captulo de telenovelas, etc.), que se necesitan para
conformar una muestra (

que me asegure un error estndar menor que 0.01 ( fijado por el

muestrita o investigador), dado que la poblacin

es aproximadamente de tantos elementos.

En el tamao de una muestra de una poblacin tenemos que tener presente adems si es conocida
o no la varianza poblacional.

Para determinar el tamao de muestra necesario para estimar

prefijado y conocida la varianza poblacional (

con un error mximo permisible

) podemos utilizar la frmula:

(1)

Que se obtiene de reconocer que

expresin

es el error estndar o error mximo prefijado y est dado por la

para el nivel de confianza

estimacin, por lo que podemos inferir adems que

y constituye una medida de la precisin de la

.

Ejemplo 1
De una poblacin de 1 176 adolescentes de una ciudad X se desea conocer la aceptacin por los programas
humorsticos televisivos y para ello se desea tomar una muestra por lo que se necesita saber la cantidad de
adolescentes que deben entrevistar para tener una informacin adecuada con error estndar menor de 0.015 al
90 % de confiabilidad.
Solucin:

= 1 176
= 0,015

por lo que

Es decir para realizar la investigacin se necesita una muestra de al menos 298 adolescentes.

6.6 INTERVALOS DE CONFIANZA APLICADOS AL CONTROL

ESTADSTICO DE PROCESOS.
Estimacin por Intervalos
Un estimado puntual, por ser un slo nmero, no proporciona por s mismo informacin alguna sobre
la precisin y confiabilidad de la estimacin. Por ejemplo, imagine que se usa el estadstico para
calcular un estimado puntual de la resistencia real a la ruptura de toallas de papel de cierta marca, y
suponga que = 9322.7.

Debido a la variabilidad de la muestra, nunca se tendr el caso de que

nada dice sobre lo cercano que esta de .

. El estimado puntual

Una alternativa para reportar un solo valor del parmetro que se est estimando es calcular e
informar todo un intervalo de valores factibles, un estimado de intervalo o intervalo de confianza (IC).
Un intervalo de confianza se calcula siempre seleccionando primero un nivel de confianza, que
es una medida del grado de fiabilidad en el intervalo.
Un intervalo de confianza con un nivel de confianza de 95% de la resistencia real promedio a la
ruptura podra tener un lmite inferior de 9162.5 y uno superior de 9482.9.
Encontrar z a partir de un nivel de confianza
Existen varias tablas en las cuales podemos encontrar el valor de z, segn sea el rea proporcionada
por la misma. En esta seccin se realizar un ejemplo para encontrar el valor de z utilizando tres
tablas diferentes.

Ejemplo:
Encuentre el valor de z para un nivel de confianza del 95%.
Solucin 1:
Se utilizar la tabla que tiene el rea bajo la curva de -

hasta z.

Si lo vemos grficamente sera:

El nivel de confianza bilateral est dividido en partes iguales bajo la curva:

En base a la tabla que se esta utilizando, se tendr que buscar el rea de 0.975, ya que cada
extremo o cola de la curva tiene un valor de 0.025.

Por lo que el valor de z es de 1.96.

6.7 GRFICAS DE CONTROL Y TIPOS DE VARIACIN EN LOS

PROCESOS.
GRFICA DE CONTROL
Es una herramienta estadstica que detecta la variabilidad, consistencia, control y mejora de un proceso.
La grfica de control se usa como una forma de observar, detectar y prevenir el comportamiento del proceso a
travs de sus pasos vitales.

Caractersticas Generales de las Grficas de Control

El termino consistencia se refiere a la uniformidad en la salida del proceso; es preferible tener un producto de
un proceso consistente, que tener uno con calidad superior, pero de un proceso intermitente.
Una grfica de control se inicia con las mediciones considerando, sin embargo que las mediciones dependen
tanto de los instrumentos, como de las personas que miden y de las circunstancias del medio ambiente , es
conveniente anotar en las grficas de control observaciones tales como cambio de turno, temperatura
ambiente.

Tipos de Grfica y Caractersticas Principales

Para construir una grfica de control, es importante distinguir el tipo de datos a graficar pueden ser:
Datos continuos * Datos discretos * Dicha grfica depender del tipo de datos.
Para la utilizacin de las grficas se requiere un procedimiento especfico:

Decidir la grfica de control a emplear

Construir grficas de control para el control estadstico del proceso
Controlar el proceso, si aparece una anormalidad sobre la grfica de control, investigar inmediatamente
las causas y tomar acciones apropiadas.

GRFICAS DE VARIABLES
Una grfica de control X-R, en realidad son dos grficas en una, una representa los promedios de las muestras
de la (grfica X) y la otra representa los rangos (grfica R), deben construirse juntas, ya que la grfica X, nos
muestra cualquier cambio en la media del proceso y la grfica R nos muestra cualquier cambio en la dispersin
del proceso, para determinar las X y R de las muestras, se basan en los mismos datos.
Algunos puntos importantes a considerar previo a la elaboracin de esta grfica son:

Variable a considerar
Tamao de la muestra
Tener un criterio para decidir si conviene investigar causas de variacin del proceso de produccin.
Familiarizar a l personal con el uso de esta grfica.

El proceso que se debe seguir para construir una grfica es:

La construccin de una grfica de rangos y promedio resulta de formar una unidad, tanto de la grfica
de promedios como de la de rangos, consta de dos secciones,
Parte superior se dedica a los promedios,
Parte inferior a los rangos, en el eje vertical se establece la escala, a lo largo del eje horizontal se
numeran las muestras.
Mediante este proceso est bajo control cuando no muestra ninguna tendencia y adems ningn punto
sale de los lmites.

Grfica de medidas y desviaciones estndar

Esta grfica es el instrumento estadstico que sirve para estudiar el comportamiento de un proceso de
manufactura, considerando como indicador la desviacin estndar.
La estructura general, est constituida por dos porciones, una se destina al registro de los promedios de la
caracterstica de calidad en consideracin y otra para controlar la variabilidad del proceso.

Grficas de medianas y rangos

Es la herramienta estadstica que permite evaluar el comportamiento del proceso a partir de la mediana y del
rango. La estructura es la comn a todas las grficas de control para variables.
La parte superior registra el valor medio de las caractersticas de calidad en estudio, y la parte inferior indica la
variabilidad de la misma.
El clculo de la mediana, es muy sencillo, de modo que utilizar esta grfica para monitorear el proceso es
atractivo para el usuario.
Para el procedimiento de construccin de esta grfica es muy similar al de la grfica de medias y rangos; estos
es calculando los lmites de control, luego se grafican los puntos y se integran los lmites de control y lneas
centrales.

Grfica de control por atributos

Dentro de la clasificacin de las caractersticas calidad por atributos se requiere:
De un criterio
De una prueba
De una decisin
El criterio se establece de acuerdo con las especificaciones.
La prueba consiste en la operacin que se realiza para averiguar la existencia o no del criterio establecido.
La decisin determina que ttulo debe darse al productos, es decir si pas o no pasa.

Ejercicios
Un epidemilogo estudi un grupo aleatorio de 25 individuos (hombres y mujeres) entre 30-49 aos de edad y
encontr que la frecuencia cardiaca media es de 70 latidos por minuto.

Ejercicio # 1
Cun frecuentemente la muestra de 25 individuos tienen una frecuencia cardiaca media de 74 latidos por
minuto o ms? O en otras palabras;
Qu proporcin de la muestra tendr valor medio de 74 latidos por minuto o mayor, si muestras repetidas de
25 individuos son aleatoriamente seleccionadas de la poblacin?
R: 2.3%

Ejercicio # 2
Investigacin adicional mostr que 25 individuos parecan haber usado un medicamento para tratamiento y
ahora el epidemilogo quiere detectar los eventos adversos del medicamento sobre la tasa de frecuencia
cardiaca. El epidemilogo asume que la frecuencia cardiaca media est en el 5% superior de la distribucin y
ser la causa de inters.
Determine el valor que divide el 5% superior del 95% inferior de la distribucin de muestreo.
El uso de la curva Normal para resolver problemas

95%

5%
73.29

1 2

R: 73.29

Ejercicio # 3
El detective de enfermedades (epidemilogo) quiere saber cuntos pacientes sern incluidos en el estudio
para determinar el efecto del medicamento. El epidemilogo asume que la frecuencia cardiaca media deber
no ser mayor a 72 latidos por minuto, 90% de las veces.
O en otras palabras
Para incluir a individuos en el estudio, cul ser el tamao de muestra para que el 90% de las medias de las
muestras sea de 72 latidos por minuto o menos?
R: 40.96

Ejercicio # 4.
La renta media de los habitantes de un pas se distribuye uniformemente entre 4,0 mil pesos. y 10,0 mil pesos.
Calcular la probabilidad de que al seleccionar al azar a 100 personas la suma de sus rentas supere los 725 mil
pesos.
Cada renta personal es una variable independiente que se distribuye segn una funcin uniforme. Por ello, a la
suma de las rentas de 100 personas se le puede aplicar el
Teorema del Lmite Central.
La media y varianza de cada variable individual es:
u = (4 + 10 ) / 2 = 7
o 2 = (10 - 4)^2 / 12 = 3
Por tanto, la suma de las 100 variables se distribuye segn una normal cuya
media y varianza son:
Media: n * u= 100 * 7 = 700
Varianza: n * o= 100 * 3 = 300
Para calcular la probabilidad de que la suma de las rentas sea superior a 725 mil pesos, comenzamos por
calcular el valor equivalente de la variable normal tipificada:

Luego:
P (X > 725) = P (Y > 1,44) = 1 - P (Y < 1,44) = 1 - 0,9251 = 0,0749
Es decir, la probabilidad de que la suma de las rentas de 100 personas seleccionadas al azar supere los 725 mil
pesos es tan slo del 7,49%

GLOSARIO
ALEATORIA: Perteneciente o relativo al juego de azar.
AZAR: Casualidad, caso fortuito.
AXIOMA: Cada uno de los principios fundamentales e indemostrables sobre los que se

construye una teora.

ESPACIO: Parte que ocupa cada objeto sensible.

EXCLUYENTE: Que excluye, deja fuera o rechaza.

INTERVALO: Espacio o distancia que hay de un tiempo a otro o de un lugar a otro.

PROBABILIDAD: En un proceso aleatorio, razn entre el nmero de casos favorables y

el nmero de casos posibles.

SUBCONJUNTO: Conjunto de elementos que pertenecen a otro conjunto.

TEOREMA: Proposicin demostrable lgicamente partiendo de axiomas o de otros

teoremas ya demostrados, mediante reglas de inferencia aceptadas.

BIBLIOGRAFIA

http://www.mitecnologico.com/admon/main/laest
adisticaenlasactividadesempresarialesconenfoqu
eadministrativo.
http://html.rincondelvago.com/estadistica-en-laadministracion.html

http://www.itescam.edu.mx/portal/syllabus.php?
nombre=LADM-2010-234
www.vitutor.com/estadistica/descriptiva/d-4.html
Anderson D.; Sweeney, D. y Williams, T. Estadstica para la administracin y economa. Mxico. Editorial
Thomson. Octava edicin. 2005/ PDF.