I NSTI T UT 0

TECNOLOGICO

DE

TEPIC

Probabilidad y Estadistica

Jesus Olaz Olaz

Erv1AIL: diazdiaz@ttepic.edJ.mx

Impreso en el Instituto Tecnol6gico de Tepic

Agosto del 2000

INTRODUCCION

JesUs Diaz Diaz

Este manual introduce al lector a la probabilidad y estadistica de una manera informal

mediante aplicaciones sencillas. Sacrifica el rigor matematico y utiliza tenninos comunes
buscando la facilidad de comprensi6n de los conceptos y presenta ejemplos procurando
siempre que estos sean problemas domesticos 0 de feicil comprensi6n.

Este manual pretende ser directo, claro y preciso, esta estructurado de manera tal, que cada
tema inicia con su parte te6rica, enseguida. resalta las f6rmulas propias del tema, describe
cada terrnino de las f6rmulas, y continua con la aplicaci6n de las mismas mediante la
soluci6n de problemas explicando su soluci6n. Asi

tam~ien

cada vez que se considera

necesario, dentro de un rectangulo de lineas punteadas presenta Tip's que nos proporcionan
ideas muy importantes, puntos medulares para el entendimiento cabal del tema.

EI manual tambien promueve el uso de la computadora. En el capitulo 1 presenta un

software que titule "aprendamos a contar". Este Software es un tutorial muy interaetivo
donde el alumno aprendera las diversas tecnic.as de contar a la vez que se divierte. Asi
mismo en el capitulo 3 se presenta un ejercicio con su respectivo programa para calcular la
media aritmetica, la varianza y la desviaci6n estandar mediante el uso del paquete excel.

Las matematicas que se utilizan son muy basicas por 10 que este texto tambien es muy
accesible para estudiantes de preparatoria y de otras licenciaturas.

EI objetivo que persigue este trabajo, es pues, proporcionar una guia completa a los
estudiantes del curso de ''Probabilidad'' que se imparte en los Institutos Tecnol6gicos y que
sirva de texto de consulta a los alumnos de preparatoria y de otras licenciaturas buscando
facilitarles el proceso de iniciarse en esta disciplina.

INTRODUCCION

JesUs Diaz Diaz

INDICE

PRESENTACION

Pagina iv

UNlOAD UNO . Tecnicas de conteo

Pagina 1

1.1 Introduccion

1.2 Principio fundamental de conteo

1.3 Diagramas de 3rbo1

1.40 Exponencial

1.5 Notaci6n Factorial

1.6 Permutaciones

1.6.1 De "n" objetos tornados todos a la vez

1.6.2 De "n" objetos tornados una parte "r" ala vez

1.6.3 Con repeticiOn

1.6.4 Circulares

1.7 Combinaciones

1.8 Particiones ordenadas

1.9 Software "Aprendamos a contar"

1.10 Recomendaciones didacticas y bibliognificas del capitulo

1.11 Resumen

UNIDAD DOS. Teoria de las probabilidades

2.1 Introduccion

2.2 Conjuntos

2.3 EI concepto clcisico de la probabilidad

2.4 La probabilidad interpretada a traves de la frecuencia relativa

2.5 EI concepto de probabilidad subjetiva

2.6 Espacios muestrales y eventos

2.7 Postulados de la probabilidad

2.8 Probabilidades y posibilidades

2.9 RegIa de la adici6n

2.10 Eventos independiente y dependientes

2.11 Probabilidad condicional e independencia

2.U RegIa de la multiplicaci6n

2.13 Teorerna de Bayes

2.14 Probabilidad utilizando Aruilisis combinatorio

2.15 Recomendaciones Didacticas y bibliognificas del

capitulo

2.16 Resumen

Pagina 35

INfRODUCCION

JesUs Diaz Diaz

UNIDAD TRES. Estadistica descriptiva

ii

Pagina 76

3. 1 Introducci6n
3.2 Manejo de datos

3.2.1 Distribuciones de frecuencia y terminologia

3.2.2 Gnificos de rama y hoja

3.2.3 Presentaciones gr3ficas

3.2.3.1 Histograma y poligono de frecuencias

3.2.3.2 Gnifico de barras

3.2.3.3 Gnifico circular 0 de pastel

3.2.3.4 Ojiva mayor y menor que

3.3 Medidas de tendencia central

3.3. 1 Notaci6n sumatoria

3.3.2 Media aritmetica

3.3.3 Mediana

3.3.4 Moda

3.3.5 Media geometrica

3.3.6 Media Ponderada

3.3.7 Cuartiles deci1es y percentiles

3.4 Medidas de dispersi6n

3.4.1 Desviaci6n media

3.4.2 Varianza

3.4.3 Desviaci6n eSUindar

3.5 Uso de la PC en la soluci6n de problemas de estadistica

descriptiva

3.6 Recomendaciones didacticas y bibliogr3ficas

3.7 reswnen

UNlOAD CUATRO.

Variables aleatorias y distribuciones de

probabilidad discreta

4.1
4.2
4.3
4.4

4.5
4.6
4.7
4.8
4.9
4.10
4. 11
4.12
4.13

Introducci6n.

Distnbuciones de probabilidad

Valor esperado de variables aleatorias discretas.

Varianza y desviaci6n eSUindar de una distribuci6n de

probabilidad discreta.

EI proceso de Bernoulli

Distribuci6n Binomial.

Distribuci6n geometrica.

Distribuci6n hipergeometrica.

Distribuci6n Poisson

Aproximaci6n de Poisson a la binomial

Aplicaci6n de tablas para la soluci6n de

distribuciones binomiales y de Poisson
Recomendaciones didacticas y bibliognificas del capitulo.

Resumen.

Pagina 120

INTRODUCCION

JesUs Diaz Diaz

UNIDAD CINCO. Variables aleatorias y distribuciones de

probabilidad continua.

iii

Pagina 153

5.1
5.2

Introduccion.
Distribuciones de probabilidad continua y funcion de
densidad.
5.3 Distribucion unifonne continua
5.4 Valor esperado y varianza para una distribucion
uniforme continua
5.5 Distribucion normal
5.5. 1 Construcci6n de la curva normal estandar
5.5.2 C31culo de areas bajo la curva normal esuindar
5.6 Aproximacion de la normal a la binomial
5.7 Recomendaciones didacticas y bibliognificas del
capitulo
5.8 Resumen

APENDICE

Pagina 180
Tabla L Distribuciones Binomiales
Tabla 2. Distribucion Poisson
Tabla 3. Distribucion normal est<indar (Areas bajo la CUIVa)

BmLIOGRAFIA

Pagina 190

INTRODUCCION

JesUs Diaz Diaz

iv

PRESENTACION.

Nuestra vida es un continuo decidir en un clima de incertidumbre.

Continuamente lomamos decisiones, algunas de mayor y otras de menor importancia, pero

por 10 general en elIas queda inmiscuida una cierta dosis de azar, por 10 que siempre existe
el riesgo y la incertidumbre de no lomar la mejor decision.

El estudio de la probabilidad ciertamente no nos permite predecir el futuro con total

certidumbre, pero si nos proporciona herramientas para analizar esta incertidumbre y con
ello reducir en 10 posible errores de decision ante problemas complejos.

El crecimiento mundial de la poblacion y con ello de la industria, el comercio y de todas las

actividades humanas, ha requerido cada vez mas de la investigacion y como consecuencia
del desarrollo y la aplicacion creciente de la probabilidad y la estadistica, al grado tal, que
en la actualidad la inmensa mayoria de las carreras profesionales la incluyen en su reticula.

El sistema Nacional de Institutos Tecnologicos del pais, no podia ser la excepcion. En lodas
las carreras que ofrece incluye la probabilidad y la estadistica que se imparte en 1, 2, 3 0 4
semestres, seg(In la carrera de que se trate.

La probabilidad y la estadistica siendo una herramienta basica indispensable para los

economistas ha tornado mi atenci6n, y al cabo de diez alios de experiencia docente
impartiendo el curso de ''Probabilidad'' en el Instituto Tecnologico de Tepic, he observado
en los alumnos de grupos propios y no propios, cierta dificultad para entender los conceptos
y la aplicacion de la probabilidad. Este hecho me ha motivado, luego de consultar muy
diversa bibliografia, a escribir este manual hecho 'justo" para dicho curso y que a su vez
pueda ser un texto de consulta para los estudiantes de preparatoria y de otras licenciaturas.

UNIDADI Ti&:nicasdeconteo

JeWs Diaz Diaz

-i

""

.'"
~

UNIDAD UNO I~
-

TECNICAS DE CONTEO.

1. 1

Introducci6n

1.2

Principio fundamental del conteo.

1.3

Diagramas de arbol.

1.4

Exponencial.

1.5

Notaci6n Factorial.

1.6

Permutaciones:
1.6.1

De "n" objetos tornados todos a la vez.

1.6.2

De "n" objetos tornados solo una parte "r" ala vez.

1.6.3

Con repetici6n.

1.6.4

Circulares

1.7

Combinaciones.

1.8

Particiones ordenadas

1.9

Software "Aprendamos a eontar"

1.10 Recomendaciones didacticas y bibliografia del capitulo.

1.11 Resumen.

UNIDAD I TOCnicas de conteo

JesUs Diaz Diaz

1.1 INTRODUCCION

En nuestra vida cotidiana continuamente tenemos que "contar". Frecuentemente son

conteos simples como contar monedas, en el banco las personas de la fila que llegaron
antes, el numero de aspirantes que solicitamos determinado empleo etc. Pero en muchas
otras ocaciones seran conteos mas complejos que no podemos realizar directamente, y en
estos casos necesitaremos utiJizar tecnicas especiales de conteo para obtener el resultado.
Entonces, saber contar no solo significa saber enumerar los elementos de un conjunto y
saber cuantos son estos. Saber contar significa saber calcular todos los posibles resultados
que podemos obtener cuando un conjunto tamafio "n":

a. - Es tornado

reacomodado todo a la vez.

b.- Es tornado 0 reacomodado una parte a la vez.

c.- Requiere que todos los subconjuntos resultantes guarden determinado orden.
d. - Ha sido acomodado en posicion lineal 0 circular.
e.- Presenta algunas otras particularidades.

...............................................................................................
.

: Para aprender a contar Fijate muy bien en los puntos clave teoricos para que .
.
:

: facilmente comprendas como formular las soluciones de los diversos problemas. Cada :

: tecnica tiene sus caracteristicas muy claras, que si las analizas bien, te llevan a entender .

: facilmente como plantear las soluciones a los diversos problemas de conteo.

:
.

: Las matematicas que usaremos no representaran problema ya que son matemliticas .

:
: basicas.
.

. .....................................................................................

UNIDAD I Ta:nicas de conteo

JesUs Diaz Diaz

1.2 PRINCIPIO FUNDAMENTAL DEL CONTEO. Llamado

tambien LLENADO DE CAJAS.

Se aplica cuando tenemos un experimento que puede resolverse de

"01"

formas, y

enseguida, un segundo experimento que puede resolverse de "n2" formas. Entonces el total
de formas en que pueden resolverse ambos experimentos es:

Total de formas posibles.

Esta regia puede enenderse para 3 0 mas experimentos.
Y se usa cuando solo nos interesa calcular el numero total
de posibles resultados. (no nos interesa enlistarlos).

........................................................

EJEMPW 1.1.

Si entre dos compafieros propuestos, (Ivan y Alin), escogeremos al jefe de grupo, y entre

(Benjamin, Luis y Carlos) escogeremos un tesorero. i,De cuantas formas puede quedar

formada la pareja Gefe de grupo y tesorero)?

Deberemos decidir dos veces:

La primera para elegir jefe de

grupo y la segunda para elegir tesorero. Por tanto hacemos dos

cajas y colocamos en elias el numero de opciones que tenemos
para decidir.

Caja 1

caja2

D D
X

Jefe de grupo

Opci6n
No.
1.2.-

Tesorero

tesorero
Benjamin
Luis

4.-

Ivan y carlos
Alin y Benjamin

5.6.-

Alin y
AIin y

3.-

= 6opdones

Jefede
grupo
Ivan y
Ivan y

Luis
Carlos

UNIDAD I TaEcas de contro

JesUs Diaz Diaz

_................................................. .................................

TIP

.........

EL LLENADO DE CAJAS es muy eficiente cuando un problema nos

impone restricciones que nos limitan el total de posibles arreglos

.
.:
~

.............................................................................

EJEMPLO 1.2.
i,Cmintos niuneros de dos dfgitos puedo formar usando los numeros { 4, 5, 6, 7 Y 8 } si el
primero NO puede ser [4 0 5 ]

si

a. -

puedo repetir los digitos?

b.- No puedo repetirlos

Solucion al inciso a:

* Es

un experimento donde tomaf(~ dos decisiones, una para seleccionar el primer

digito y la otra decision para seleccionar el segundo digito. Por tanto hare dos cajas
y en ellas anotare la cantidad de opciones que tengo.

-*

en la primera no puedo usar [4 ni 5 ] por 10 que solo puede estar alguno de los
numeros [ 6, 7 u 8], (3 opciones ). Y en la segunda puede estar cualquiera de los
numeros [ 4, 5, 6, 7 u 8], (5 opciones )

6 Y 4, 6 Y 5 6 Y 6 6 Y 7 6 Y 8

Primer

Segundo

digito

dhrito

3
opciones

5
opciones

7y4 7y5 7y6 7y7 7y8

15 Diferentes nUmerosu=>

8y4

8y5 8y6 8y7 8y8

Solucion al inciso b:

.*

Hacemos igual que en el inciso (a), excepto que al colocar el segundo digito no
podemos repetir el primero por 10 que disponemos de (5 - 1) = 4 opciones

~ X ~ ~ 12 Diferentes nllrneros ~----"-

6 Y 4 6 Y 5 6~ 6 y 7 6 Y 8

7y8

8 Y4 8 Y 5 8 Y6 8 y 7

~8

7y4 7y5 7y6

UNIDAD I TOCnicas de conteo

JesUs Diaz Diaz

EJEMPLO 1.3.- Queremos marcar todos los muebles y los equipos del Instituto

Tecnol6gico [TEC] para el control del activo fijo. Queremos hacerlo con calcomanias que
tendn'm: primeramente dos de las 26 letras del alfabeto, y en seguida tres digitos. si las
letras no deben repetirse en la misma calcomania y los digitos si pueden repetirse pero el
primero no debe ser cero, l,CUilOtas calcomanias diferentes pueden hacerse?

Tengo que colocar dos letras y enseguida tres numeros, es decir, hare cinco cajas.

Para la primer letra (primer caja) dispongo de 26 opciones de colocar una letra

Para la segunda letra ( segunda caja) solo tengo 25 opciones ya que no debo repetir
la que haya colocado en la primer caja.

En la 3er caja no puedo colocar el cero. Sera un nfunero del

0pclOnes

lal 9. Tengo 9

En las cajas 3 y 4 ya no hay restricciones. En cada una colocare un digito de entre el

cero y el nueve ya que si pueden repetirse. Entonces en carla caja tengo 10
opClOnes.

r. Letra

ler. Letra

ler. Digito

2. Digito

3er. Digito

~ ~ 585,000 etiQuetas

EJEMPLO 1.4 Una persona decide comprar un auto. de cuantas maneras puede escogerlo

si el distribuidor Ie ofrece:

a.- de dos 0 cuatro puertas,

b.- cinco diferentes

colores, C.- estilndar 0 automatico, d.- austero 0 de lujo.

Debera tomar cuatro decisiones por tanto haremos cuatro cajas.

* Caja 1.- dos opciones (2 64 puertas),

opciones del sistema de transmisi6n
opciones (austero 0 de lujo)

Caja 2.- 5 opciones de color, caja 3.- Dos

(estindar 0 automatico). Caja 4, Dos

DxDxDxD ~

No. Puertas

Color

Transmision

Accesorios

4000';00..

UNlDAD I T&:nicas de conteo

JesUs Diaz Diaz

1.3 DIAGRAMAS DE ARBOL.

Cuando no solo queremos calcular el total de posibles resultados de un experimento, sino

que deseamos obtener el Iistado de todos esos arreglos, el Diagrama de Arbol, es un

metodo que nos guia perfectamente para no duplicar ni omitir resultados.

EJEMPLO 1.5.

Chelo (C) y Jesus (1) jugaran tres partidas de ajedrez. Elabore UDa lista de cOmo pudiera

quedar el marcador final si no hay empates.

-*

ler. Juego. Puede ganarlo (C 6 J) , por tanto hacemos dos ramas partiendo de ''0''.

2. Juego. Este juego, al igual que el anterior, puede ser ganado por "c 6 r.
Entonces abriremos dos ramas "c 6 r despues de carla posible resultado
deljuego 1
-* 3er. Juego 19ualmente puede ser ganado por "c 6 r, Abriremos dos ramas
despues de cada posible resultado del juego 2.
* Finalmente siguiendo las lineas desde "0" hasta cada final del juego 3 obtenemos
cada posible resultado.

-*

I
I

ler. Juego

1
1

I
I

2. Juego

3er. juego

:/C

C~J

c<r~c
~

I
I

I
I

J;

<
I

11

I
I

J
C

~J

--------~

C-C-C

--------~

C-C-J

--------~

C - J- C

--------~

C- J -J

--------~

J-C-C

--------~

J-C-J

- - - - - - - -~

J- J -C

-------

J- J - J

~C
1
I

-~

8 POSffiLES RESULTADOS

UNIDAD I Ticnicas de conteo

JesUs Diaz Diaz

EJEMPLO 1.6.

Eduardo y Oscar son candidatos a presidente, Xavier y Susi son candidatos a secretario, y
Sonia, Adriana y Tatiana son candidatos a tesorero. Elabore una lista de todos los

posibles resultados de los tres puestos.

-'" Presidente, puesto que pudiera ganar Eduardo u Oscar, partiendo de "0" abrimos dos
ramas
-* Secretario: Primero suponemos que gane Eduardo y entonces secretario pudiera ser
Xavier 0 Sus~ por tanto abrimos dos ramas.
Pero el que gano "presidente" pudo
haber sido Oscar y entonces, de Oscar abrimos dos ramas para Xavier 0 Susi.

-*

Tesorero. Igualmente, despues de cada opci6n de ganador como secretario,

abriremos tres ramas ( Sonia, Adriana y Tatiana) ya que cualquiera de las tres puede
ganar como tesorera.

-*

Finalmente seguiremos cada camino desde "0" hasta el fin de cada rama y
obtendremos todos los posibles resultados de la elecci6n (presidente, secretario y
tesorero)

Todos los posibles resultados

_ _A~
_
PreSf"d
Sno.
.
"Tesorero

PreSI"dente

Secretano
"

Tesorero

D D D

1
(

- - - - - - - . Eduardo

'er~~:========::::

EdwKdo

Sonia

Xavier Sonia
Xavier Adriana
Xavier Tatiana

Sonia - - - - - - - . EdwKdo Susi

: Susi ~ Adriana - - - - - - - . Eduardo Sosi
~Tatiana - - - - - - - . EdwKdo Susi
1

<
1

4
1

I
I

1
1

Susi

Oscar
Oscar
Oscar

Xavier Sonia
Xavier Adriana
Xavier Tatiana

Oscar
Oscar
Oscar

Susi
Susi
Susi

Sonia - - - - - - -
Adriana
I Tatiana

Tatiana

Sonia

~ Xavier~~= =~~~:

Oscar

Sonia
Adriana

-------.

Sonia
Adriana
Tatiana

UNIDAD I TOCnicas de contro

JesUs Diaz Diaz

EJEMPLO 1.7.

AI final del tomeo de fut-beis, se disputaran el primero y segundo lugar entre Sistemas e
Informatica, y eI tercero y cuarto entre Arquitectura, Bioquimica y Electrica. Mediante un
diagrama de ilrbol elabore la lista de todos los posibles resultados.

*.- Primer lugar.- Puede ganarlo Sistemas (S) 6 Informatica (I). Por tanto del punto
"0" abrimos dos ramas que correspondenin a los dos posibles ganadores.

*.- Segundo lugar.- En seguida de cada posible primer lugar, colocaremos el segundo
lugar. Si primero fuera Sistemas, Segundo sera Informatica y viceversa.

*.- Tercer lugar.- Puede obtenerlo ya sea Arquitectura (A), Bioquimica (B) 6 Electrica
(E) Entonces partiendo de cada posible segundo lugar, abrimos tres ramas que seran
los posibles tercer lugar.

*.- Cuarto lugar.- Partiendo de cada posible tercer lugar abrimos dos ramas que seran
el posible cuarto lugar

*.-

Finalmente siguiendo desde "0" basta cada Ultima rama elaboramos la lista de
resultados posibles.

ler. Lugar

r.Lugar

3er. Lugar 4. Lugar

I

A~B
I
I

B~A
: E
I

E~A
0

A~B
:

B~A
I
I

E~A
I
I

Todos los posibles resultados

-------.
-------.-.
-------.
-------.
-------.
- - - -

- - - -

- -

-.

-------.
-------.
-------.
-------.
-------.

UNIDAD I TOCnicas de conteo

JesUs Diaz Diaz

1.4.- EXPONENCIAL.

Se usa cuando necesitamos tomar una "n" sene de decisiones en secuencia pero con la
condicioo de que cada vez que vayamos a decidir tengamos exactamente el mismo
Romero de opciones "m"

Se obtiene
mediante

donde:

II

m=

Num. de opciones al decidir.

n=

Nfun.. de veces que debo decidir.

EJEMPLO 1.8.

i...

De cuantas formas puedo resolver un examen que consiste en cinco preguntas donde a

cada una debere contestar (verdadero 0 falso ) ?

*.- Es

un claro caso de solucion exponencial ya que debo tomar 5 decisiones en

secuencia, una decision para cada pregunta. Y cada vez que decido tengo
exactamente eI mismo numero de opciones de solucion (verdadero 0 falso),
(2opciones).

= opciones en carla decision =

n = NUm. de veces que decidire =

-entonces

2
5

mn = 25 = 32 diferentes soluciones aI examen.

*.- Puede ser tambien resuelto por llenado de cajas. Son cinco las veces que vamos a decidir, por tanto
hacemos cinco cajas y en cada una de ellas anotamos 2, que son las opciones de soluci6n, (verdadero 0
falso)

~ X ~ X ~ X ~ X ~

- 32 diferentes soluciones.

UNlDAD I Ticnicas d.e conteo

JesUs Diaz Diaz

10

EJEMPLO 1.9.

" De cuantas diferentes formas puedo llenar una quiniela de pronosticos deportivos si anoto

para cada juego solamente en una de las casillas ( local, empate 0 visitante) ?

Semanalmente en el fut bol mexicano se llevan a cabo 14 juegos.

Estas quinielas consisten en atinar los resuhados de cada uno de los

juegos, considerando para cada juego: que gane el equipo local, que haya
empate 0 que gane el visitante.

*. - Entonces para cada juego hay tres opciones de decision. Y tendremos que

decidir 14 veces.
*.- Es por tanto un caso de solucion exponencial.

m=3
n= 14-,

entonces:

m = 3

14

4'782,969 diferentes Quinielas.

*.- Para bacerlo por llenado

de cajas necesitamos 14 cajas, una por cada juego, y dentro de cada una
colocamos un 3 que SOD las opciones de soluci6n, local, empati: 0 visitante.

1.5 NOTACION FACTORIAL.

Es una operacion que mucho se utiliza en los c8lculos que se realizan en las operaciones de
contoo. El factorial de un numero se denota por ( n! ) y se lee (n factorial) y es igual:

o! - n (0-1) (0-2) (0-3) .... (o-o)!

Donde por definicion ( O! ) = 1

UNlDAD I TOCnicas de conteo

JesUs Diaz Diaz

11

EJEMPLO 1.10.- Calcular el factorial de 5.

5! = 5 (5-1) (5-2) (5-3) (5-4) (5-5)! = 5 X 4 X 3 X 2 X 1 X O! =120

EJEMPLO 1.11.-

Calcular 61..

6! = 6 (6-1) (6-2) (6-3) (6-4) (6-5) (6-6)! = 6 X 5 X 4 X 3 X 2 X 1 X O! = 720

EJEMPLO 1.12.- Calcular el factorial de 8.

Simplemente: 8! = 8 X 7 X 6 X 5 X 4 X 3 X 2 X 1 = 40,320

EJEMPLO 1.13.- Calcular 65! /60!

65!

Dejamos fijo el numero menor,

60!, y desarrollamos el mayor hasta
igualarlo. Entonces eliminamos.

65X64X63X62X6lX~
991'186,560

60!

EJEMPLO 1.14. Calcular. 8! - 31.

(8X7X6X5X4X3X2Xl) - (3X2Xl) =

= (40,320) - ( 6 ) = 40,314

*-

Para solucionar (8!-3!) Primero

desarrollamos los factoriales de 8! Y
de 3!, despues efectuamos la resta.

*.- Si fuera ( 8 - 3 )!, primero restamos

(8-3)! queda 5! = 120

UNIDAD 1 TOCnicas de conteo

JesUs Diaz Diaz

12

1.6 PERMUTACIONES.
Pennutar significa cambiar una cosa por otra,

tambien significa, "variar la disposici6n u

orden en que se encuentran dos 0 mas elementos, esto es intercambiando lugares"

Mediante las diversas tecnicas de

permutaciones calcularemos todos los posibles

resultados que se puedan obtener at seleccionar uno, varios e inclusive todos los elementos
de un conjunto, seg(m interese.

.. --------------- .....................................................

TIP

Siempre que usemos pennutaciones, obtendremos resultados donde nos

interesa el orden de los elementos en cada subconjunto resultante, y

solo obtendremos el numero total, .!!!! Ia Iista que pudieramos

obtener con un diagrama de arbol.

1.6.1 PERMUTACIONES DE "0" OBJETOS, TOMADOS

TODOS A LA VEZ.
Se obtiene
mediante

II

nPn - n!

Donde n = at nfunero de elementos

que se desean permutar.

"

Se utiliza cuando tenemos un conjunto de "n" elementos y deseamos saber de cuantas

formas pudieran ser reacomodados, si en cada arreglo siempre consideramos a todos los
elementos. Por tanto, 10 que importa, es el orden en que aparezcan. (no es 10 mismo ser
primero que segundo ni viceversa)

UNIDAD I Tocnicas de conteo

JesUs Dia.z Diaz

13

EJEMPLO 1.15.

En el concurso anual de ciencias basicas que organiza e1 Tec. de Tepic, quedan como
finalistas los representantes de la Prepa 1, el colegio Colon, la Prepa 13 y Cetis 100. iDe
cuantas diferentes formas pudieran quedar ocupados los cuatro lugares?

Puesto que se consideran cuatro lugares y son cuatro participantes, todos

tendran un lugar. Entonces 10 que importa solamente es el orden en que
queden al final.

Tenemos cuatro elementos considerados los cuatro a la vez por 10 tanto:

~4=

4!

( 4 x 3 x 2 xl) = 24 posibles resultados.

1.
Puede tambien resolverse por llenado de cajas.

Hacemos 4

cajas. La primera pueden ocoparla cualquiera de los cuatro.

La segunda cualquiera de los tres restantes, Ia tercera

cualquiera de los dos que quedan y la Ultima el que falt6.

ler. lugar

2 logar

3er lugae

2.

3.

PI C.C PI3
PI c.c C
P13
PI C
PI C C.C
c.c PI P13

4.

P13

c.c
P13
C

Y asi basta obtener los 24 resultados

posibles. La lista total ya sabemos
como obtenerla mediante un diagrama

de arbol.

EJEMPLO 1.16.

iDe cmlntas maneras pudiera formarse la lista de los diez estudiantes que individualmente,

uno a uno, entren al examen oral de la unidad uno de probabilidad yestadistica?

*.- En cada lista que se pueda formar siempre

nPn = n!

lOPIQ=

10! = 3'628,800

figuraran los diez alumnos, pOf tanto es

una permutacion (nPn), diez tornados
todos ala

* Tambien podemos solocionarpor cajas: Diez cajas. Anotamos l0X9X8X7X5X4X3X2XI= 3'628,800

UNIDAD I TOCnicas de conteo

JesUs Diaz Diaz

14

EJEMPLO 1.17.

i,En cuantas formas puede un juez acomodar a seis corredores en la linea de salida?

nPn =

6P6

= 6!

* En cada posible arreglo debeni considerar a

los seis corredores, 10 que variara sera el carril
en que se encuentren. Es entonces nPn, 6P6

720

*.- POT llenado de cajas hacemos 6 cajas y anotamos

6X5X4X3X2Xl = 720

EJEMPLO 1.18.

EI director de la escuela ha citado para manana a las doce horas a diez catedraticos en la
sala de juntas de la direcci6n. Si todos Uegaran a la cita en distinto momento, i,de cuantas
formas pudiera ser el orden en que llegaran?

nPn

= IOPlO =

En cada posible arreglo seran considerados siempre los diez

catedrciticos.

*.-

La que importa es el orden en que vayan llegando.

*.-

Por tanto es una nPn.

lO! -

3'628,800

POT

llenado de cajas, hacemos diez cajas y anotamos.

1OX9x8x7x6x5x4x3x2x1= 3 '628,800

JesUs Diaz Diaz

UNmAD I Tecmcas de conteo

15

EJEMPLO 1.19

Para el concierto del 20 Aniversario del grupo Nipeneucami, 6, profesores del Tee.

compran 6 localirlades numeradas, seguidas en la misma fila De cuiuttas formas pueden

acomodarse si:

a.- No existen condiciones; aSI que cada elemento puede tomar cualquier asiento.

b.- Entre ellos hay una pareja que desea sentarse junta.

c. - Son tres parejas y han de sentarse juntos cada pareja.

a.- Son seis elementos tornados tOOos a la vez. Entonces sera J>6 = 6!

720 formas

b.- Supuesto que la pareja debe ir junta, si cambiamos a uno, el otro no puede quedar

separado. Por tanto los podemos considerar a ambos como un solo elemento en
relaci6n a los demas. Y entonces sera ~5 = 5! = 120.
Pero tambien en cada arreglo si intercambiamos entre sl a la pareja, segwran
estando juntos y no altera las condiciones del problema. Esto puede lograrse de zPz
=2!=2
Entonces el total de arreglos sera: 5P5 zPz = (5!) (2!) = (120) (2) = 240 arreglos.

c.- Carla pareja debe estar junta, entonces carla pareja la consideramos como un solo
elemento y as~ por parejas, podemos realizar 3P3 = 3! = 6 cambios.
Pero tambien si intercambiamos los elementos de carla pareja entre st, 10 podemos
hacer de zPz = 2!=2 arreglos por cada pareja.
Entonces el total de arreglos que podemos lograr sera:

(JP3) (zpz) (zpz) (zpz) = 3! 2! 2! 2! = (6) (2) (2) (2) = 48 diferentes arreglos.
Por parejas pareja pareja pareja
1
2
3

UNIDAD I Ticn.icas de centeo

JesUs Diu Diu

1.6.2

16

PERMUTACIONES DE "0" OBJETOS TOMADOS

UNA PARTE "r" A LA VEZ.

Se utiliza cuando tenemos un conjunto de "n" elementos y queremos saber cuantos
diferentes arreglos podemos formar si tomamos una parte "r" de dichos elementos. (Como
en cualquier permutacion, el orden es importante)

II

Se obtienen
mediante

n!

n = Numero de elementos del

nPr=
(n - r)

conjunto.
r= Cantidad de elementos que

esperamos en
cada subconjunto

II
EJEMPLO 1.20.

Si en el concurso nacional de ciencias basicas de los Tecnol6gicos, en su ultini'a etapa

quedaran los representantes de los Tee's de Tepic, LeOn, Durango, Culiacan, Toluca,
Apizaco y Morelia, {,oomo pudieran ser ocupados los tres primeros lugares ?

*.- Son (n=7)

participantes, de los cuaIes cualquier de elIos ocupara el ler. Lugar, otto

el segundo y otro el tercero; es decir en carla posible arreglo solo figuraran (r=3)
participantes, por tanto es un caso de nPr = 7P3

*.- El orden es importante ya que no es 10 mismo quedar en primero que en segundo 0

tercero. Por ejemplo, un posible resultado puede ser [T,L,D] otro arreglo puede ser
[L,T,D], 0 cualquier diferente orden y/o equipos ganadores.

7!

*.- Puede ser resuelto tambien por Uenado de Cajas

7!
210

(7-3)!

4!

*.- Hacemos tres cajas y en cada una anotamos el

mon. de opciones.

X 5

210

UNIDAD r TOCnicas de conteo

JesUs Diaz Diaz

17

EJEMPLO 1.21.

Una compaitia en expansion solicita dos personas para trabajar en su departamento de

ventas, uno como gerente y el otro como jefe de vendedores.

Si se presentan siete

aspirantes que reunen los requisitos para ocupar cualquiera de los dos puestos y entre ellos
se hani la seleccion, "de cmintas formas pueden quedar ocupados los dos puestos?

*.- De "n=7 aspirantes",

"r = 2 serim contratados", uno para gerente y el otro como

jefe de vendedores.

*.-

Entre muchos posibles resultados, uno pudiera ser [gerente Paulina y jefe de
vendedores Angel]. Pero tambien pudiera ser [gerente Angel y jefe de vendedores
Paulina].

*.- Puesto que no

es igual ser gerente que jefe de vendedores, entonces, el orden en

que se seleccionen es muy importante. Y por ende es una permutacion nP r , 7P2 .

7!
42 Posibles resultados
(7-2)

*.- Pudieramos resolverlo por llenado de cajas:

Hacemos dos cajas. Una para seleccionar gerente la otra para seleccionar jefe de vendedores.
Para la primera tenemos 7 opciones, para la segunda 7 menos UNO que sera el gerente,
~
r7l
entonces tenemos 6 opciones.

LJx

~ = 420PCIONES

UNIDAD I TOCnicas de conteo

JesUs Diaz Diaz

18

EJEMPLO 1.22.

El peri6dico ''1 Financiero" en cada edici6n, publica la lista de las diez empresas que mas
titulos accionarios negociaron en la Bolsa Mexicana de Valores. Si tienes dinero y deseas
realizar tres importantes inversiones en tres de esas empresas, i,cuilntos posibles arreglos,
al seleccionar las tres empresas que mas te interesen, puedes hacer para elegir tu inversi6n?

*.- Entre" n =

10 opciones" escogeremos "r = 3 empresas" en orden de importancia.

Por tanto, se trata de una permutaci6n nPr

lOP 3.

10!
nPr

lOP3=

720 Opciones

(1O-3)!

*.- Tambien por cajas:

*.- Hacemos tres Qijas, (para escoger el titulo 1, e12 y el 3) y anotamos en la primera, 10opciones, en la

segunda 10-1=9 opciones,

y en la tercera 9-1 =8 opciones.

= 720 Opciones

~x

EJEMPLO 1.23.

El director de la escuela de Economia recibe tres solicitudes para designaci6n de asesor de

tesis, de igual numero de tesistas. J)e cmintas maneras pudiera hacer la designaci6n, de no

mas de una tesis por catedratico, si hay seis catedrilticos disponibles?

*.- Seleccionara tres eatedraticos para que cada uno atienda a un tesista.
*-

Es importante el orden en que realice la asignaci6n, ya que no es 10 mismo asesorar

a un tesista que a otro, ni es 10 mismo ser asesorado por un catedrAtico que por otro.
Entonces sera una permutacion nPr, &3

6!

= 120 formas
(6 - 3)!

UNlDAD I TOCnicas de conteo

JesUs Diaz Diaz

19

1.6.3 PERMUTACIONES CON REPETICION.

Se utiliza cuando tenemos un conjunto de "n" elementos, el cuill contiene uno

mas

subconjuntos de elementos identicos entre si, y queremos calcular el total de posibles

permutaciones que podemos hacer con sus elementos pero, "que cada cambio que
hagamos, verdaderamente 10 percibao ouestros seotidos" Obtendremos el resultado
mediante:

Se obtiene
mediaote

II

doode:
o = Total de elementos

O!

01, 02, 03, 0r=

(Ot!) (O2!) (03!)(Or!)

Cada subconjunto
de

elementos

identicos entre si.

II

EJEMPLO 1.24.

Rento un local comercial que en su exterior tiene un letrero de cuatro letras luminosas
individuales que forman la palabra

[]

[U

~ Como no deseo gastar

dinero en un nuevo anuncio, cambiare de orden las letras para obtener un nuevo nombre
para el negocio. l,Cmintos diferentes nombres puedo obtener?

Si decido intercambiar la segunda letra con la cuarta, es decir la primer A" por la
segunda "A", obtendre exactamente la misma palabra "C AS A". Estos cambios no
S1fVen.

Si cambio la primer letra por la segunda obtengo "ACSA". Ahora si percibo el

cambio. Pero si en esta nueva palabra, "ACSA", cambio la primer "A" por la
segunda "A" no 10 percibire, volvere a obtener "ACSA".

Si quiero obtener el total de cambios que verdaderamente perciba, 10 puedo calcular

mediante una permutaci6n con repetici6n. que elimina justamente todas las
repeticiones.

UNlDAD I Ticnicas de conteo

JesUs Diaz Diaz

0=

Nfun. de elem.

01=

Una vez

"c"

02=

Dos veces "A"

03

Una vez

"S"

20

4!

n!

12 posibles oombres difereotes.

( l! )( 2! ) (I! )

EJEMPLO 1.25.
Un soldado desde una colina hace senales a la tropa que se encuentra en el valle, mediante
[dos banderas rojas, dos azules y una verde colocadas en linea horizontal], l,cmintas
diferentes senales puede enviar

*.- Un posible arreglo puede ser [~~A,A,V,], Si cambia la primer raja con la segunda
roja, la tropa no percibira el cambio. E igualmente sucedera si intercambia entre si
las azules.

*.-

si el soldado intercambia elementos iguales entre si, la tropa no 10

Pero si intercambiamos elementos diferentes, entonces si 10 notaran. Por
ejemplo, si cambio el primer rojo con el primer azul obtengo [ A, R R A V].

Entonces,
percibir~

De 10 anterior conc1uimos que 10 que vamos a calcular son todos aquellos

intercambios entre elementos diferentes para obtener arreglos nQ repetidos, es decir,
que sean cambios que puedan percibir ouestros sentidos. La logramos mediante
una Permutacion con repeticion.

UNIDAD I TOCnicas de conteo

JesUs Diaz Diaz

o! = Total de banderas

=5

5!

01 = Dos banderas rojas = 2

02 = Dos banderas azUles =

21

(nl!) (n 2) ( n3 )

30 senates

( 2!) (2!) ( I! )

03 = Una bandera verde = 1

EJEMPLO 1.26.

En una gran ferreteria de nueva creacion contratan 18 empleados para atender el mostrador.
Todos ellos muestran aptitudes para el puesto. Se eligen 8 para atender el primer tumo,
otros 8 atendenin el segundo turno y los 2 restantes senin relevos. "De cmintas formas
pudiera el gerente asignar los horarios a los 16 fijos y a los 2 relevos?

Aqui 10 que importa es si el trabajador queda en el ler. turno, 2. turno 0 relevo, ya

que Ia actividad de los empleados en cada tumo es la misma. Por tanto el orden en
que sea seleccionado dentro de cada grupo careee de importancia.

* - Entonces
*-

de n = 18 trabajadores, tenemos tres grupos: n 1 = 8, n2 = 8 Y n3 = 2.

Uno de los arreglos pudiera ser que los trabajadores de relevo fueran Jorge y
Anam, 0 ~ Esta repetici6n no tiene sentido ya que los dos harian 10
mismo. Y de igual forma sucede entre los empleados de 1. y 2. turno entre si. Por
tanto aplicamos una permutaciOn con repeticion, para e1iminar todos los arreglos
repetidos.

Total de empleados =

0= 18

Ernpleados 1er. tumo=

01=

Empleados 2. tuno

02=

03=

Ernpleados de relevo=

n!
nt! n2! n3!
18!
=

=
(8!) (8!) (2!)

1'969,110

UNlOAD I TOCnicas de conteo

JesUs Diaz Diaz

1.6.4

22

PERMUTACIONES CIRCULARES.

Se utiliza cuando los elementos estan acomodados en fonna circular y deseamos saber de
cuantas formas pudieramos reacomodarlos.

II
Se obtiene
mediante

(n-l)!

EJEMPLO 1.27.

Tres personas juegan una partida de domino en tomo de una mesa redonda. l,De cuantas

fonnas diferentes pudieran acomodarse?

*.-

E1 problema indica claramente que estim en fonna circular. Por tanto aplicaremos
(n-1)!.

Num. de elementos = 3. entonces: (n - 1)1 = (3 - I)! = 2! =2 formas

c
A

l------lOpcion 1

En la opcion 1, a la izquierda
del jugador "A" esta el
jugador "B" y a la derecha
esta "C".

*-

En la opcion 2, a la izquierda
del jugador
"A" esta el
jugador "c" y a la derecha

*.- Cualquier otro arreglo que se pretenda tendra las caracteristicas de alguno de los
anteriores.

*.-

Estos dos ejemplos muestran que aim

cuando cambiamos de silla a los tres
a la vez, mantienen las caracteristicas
de las opciones 1 y 2.

derechaC

[-~:b,:,-.._!_~J

ci
De A: izq~"C:ab-echa B

(repetici6n de la opci6n 2) (Repetici6n de la opcion 1)

UNIDAD I TtDlica8 d.e conteo

JesUs Diaz Diaz

23

............................................................

*.- Si las mismas tres personas del problema anterior estuvieran sentadas en linea, por

ejemplo, en tres asientos seguidos en un cine, entonces pudieran acomodarse de :

n! = 3! = 6 diferentes arreglos

[A,B,C,], [A,C,B],

[B,A,C,],

[B,C,A],

[C,A,B],

[C,B,A,]

6 formas

~ TIP. Cuando tenemos "n" elementos en forma lineal, tornados todos a la vez ,

podemos reubicarlos de n! formas, por que existen en cada arreglo dos

:
:

extremos que nos dan mas opciones de diferencia. Mientras que si estos
mismos "n" elementos estim colocados en forma circular, no hay extremos, :
solo habra un elemento como punto de referencia.

.:

Por tanto solo habra (n-1)! posibles arreglos.

.:

: ............................................ ............................................. ~

EJEMPLO 1.28.

Cinco personas se sentaran en tomo a un mesa.

a.- i,De cuantas formas pueden acomodarse.

b.- i,De cuantas si dos de elias son pareja y desean sentarse juntos.

a.- Es soluci6n simple. Cinco en forma circular = (5-1 )!

b.- En estos casos, si cambio de lugar a '1''', D, tendra
que cambiarse a su lado. Y si cambio a "D", F se
ira junto. Por tanto, a D y F debemos considerarlos
como uno solo y asi tendremos solo cuatro ele
mentos en forma circular que se pueden reacomodar
de (o-l)! = (4-1)! = 6 formas.
Pero ademas en cada arreglo, si cambiamos en
tre si a F y D podemos hacerlo de 2! = 2 formas.
Entonces la soluci6n sera:
Cambio:

global

4! = 24 formas.

..... ..0.
....

...

de F y D

( 4 - I)! (2)!

3! 2!

(6) (2) = 12 dif~rentes arreglos donde F y D,

queden juntos.

UNlDAD I TOCnicas de conteo

JesUs Diaz Diaz

24

EJEMPLO 1.29.

En la feria de Tepic, se exhibiran alrededor de una plataforma redonda 26 autom6viles,

todos diferentes. 4 de la VolksWagen, 6 de la For~ 5 de la Nissan, 6 de la Chrysler y 5 de
la Chevrolet.

loDe CU{lOtas diferentes formas pudiera asignarseles lugares si se desean

juntos los de cada marca entre si?

*.- Primero

consideraremos cada grupo de autom6viles de cada marca como un solo

elemento ya que deben quedar juntos y a donde se mueva uno debera moverse el
grupo entero. Entonces tenemos 5 grupos en forma circular: (5 - 1 )! = 4! = 24
arreglos.

*.- Tambien debemos considerar que si

movemos autom6viles entre los de su mismo

grupo, (Ford entre Ford, VW entre WV etc.) no se altera el problema. Por tanto
tambien podemos mover: Los VW= 4!, los Ford =6!, los Nissan = 5!, los Chrysler
= 6! Y los Chevrolet = 5!.

Entonces el total de arreglos que podemos obtener sera

(5 -I)! (4)! (6)! (5)! (6)1 (5)! = (24) (24) (720) (120) (720) (120) =
Por mareas

VW

Fordo

Nissan Chrysler Chevrolet

4.29981696 X IOU

Diferentes arreJ!los

*-

Si el problema no hubiera sido planteado en fonna circular, si no que los

autom6viles fueran a exhibirse en forma lineal, entonces la soluci6n seria:

(5 )!
mal'Call

(4)! (6)! (5)! (6)!

VW

Ford

( 5 )! = 2.14990848 X 1013 diferentes arreglos

Nissan Chrysler Chevrolet

UNIDAD I Ttrnicas de conteo

JesUs Diaz Diaz

25

1.7 COMBINACIONES.
Se utilizan cuando tenemos un conjunto de "n" elementos y deseamos seleccionar todos los
subconjuntos posibles tamafio "r" [ donde "r" es menor

igual que"n"], pero en esta

selecci6n, el orden en que aparezcan no importa.

II

Se obtiene

mediante

n= Num. de elementos del

conjunto.

nl

r= Num.

nCr =

de elementos de cada

sobconjunto resultante

rl ( n r ) 1

........
..........

..........................

..

TIP. En las PERMUTACIONES, dijimos que el orden en que aparecen los ~

elementos en los resultados es muy

secretario!! Jorge presidente, Paulina secretario].

importante, [Paulina presidente, Jorge :

Es muy importante el orden, por que .
importancia. es diferente.
.

la actividad, ganancia 0

: Las COMBINACIONES, se aplican cuando el orden carece de importanci~ como seria .

:
el seleccionar entre 10 personas a 2 para exponer la siguiente clase. Si fueran
seleccionados [Gabi y Anahi 6 l\naW , 8at1t]" no tendria sentido la repetici6n
del dato ya que son las mismas dos personas para realizar y/o ganar
exactamente 10 mismo. Asi entonces En las COMBINACIONES eI orden en
que aparecen los elementos en cada remltado carece de impomncia .

:
:
:
:

::
.

. .................................................................................................

EJEMPLO 1.30.
Deseo pintar mi recamara y para ella necesito tres litros de pintura. Tengo 1 litro azUl, otro
rojo y otro verde..,Pero quiero que todo quede del mismo color, asi que decido revolverlo.
i,De cuantas fonnas puedo hacerlo?
3!

*.- No importa el orden en que revuelva

cada color, [primero azul, luego rojo y luego

3!

verde !LPrimero verde, luego rojo y luego azul,

=

3! (3-3 )!

3 r (0)'

1 forma

[O!

1]

finalmente obtendre el mismo

resultado, un cafe muy obscuro. EI
orden en que 10 baga no importa

etc.]

UNIDAD I Ticnicas de conteo

JesUs Diaz Diaz

26

EJEMPLO 1.31.
Llegan a la vez 16 alumnos al centro de computo a solicitar una PC para trabajar. En ese
momento hay 6 disponibles en la sala "A" , otras 4 en la sala ''B'' y en la siguiente hora se
desocupanin otras 6 para los restantes. l,De cuantas formas pudiera asignarse tumo a estos
alumnos?

*.- Si observamos,

el orden en cada grupo que se forme carece de importancia, 10

que importa es en que grupo va a quedar carla alumno. Es decir si por ejemplo Jorge
quedara en el grupo de la sala "A", nada importaria que fuera el [ 1., 2.~ ..... o 6.] de
la lista. Por 10 tanto 10 resolvemos por combinaciones.

*.- Nos

resultaran tres combinaciones. La primera 16C6 para calcular las fonnas de

como seleccionar de los 16 a 6 para la sala "A". La segunda lOC4 , para calcular las
formas de cOmo seleccionar de los 10 restantes, 4 para la sala ''B''. Y finalmente 6C6
= 1 formas de los que esperaran hasta la siguiente hora.

*.- Para que se complete el problema, deben ocurrir las tres cosas anteriores
multiplicaremos los resultados parciales para obtener el resultado final.

16!

6! ( 16-6 )!

1O!

4! ( 1O-4)!

POf

tanto

4!

4! ( 4-4 )!

[ 8008] [210] [1]

1'681,680

formas

.....................................................................................

~ TIP. - En casos como el ejercicio anterior, que para completar un problema debe ~

.

: suceder algo Y enseguida otra cosa Y luego otro resultado, esa 00 intermedia podemos :
: interpretarla como indicaci6n de que hay que multiplicar los resultados oarciales.
:

.

: En

otros casos donde se presentan varios resultados posibles, puede suceder que el
problema quede resuelto si sucede el primer resultado (0) el segundo resultado (0) el
tercer resultado. En esos casos esa (0) intermedia podemos interpretarla como una
indicaci6n de que debemos s-umar los resultados parciales ya que son opciones de
solucion y con cualquiera de ellosquedara resuelto el problema

:
.
.
:

EI caso de la adicion de resultados se ilustra en el ejercicio siguiente.

................................................................................................

UNJDAD I TOCnicas de conteo

Jesus Diaz Diaz

27

EJEMPLO 1.32.

El rector de la Universidad piensa encargar un trabajo de investigaci6n a tres catedrirticos

de la Universidad. Escogera entre 10 catedniticos de la escuela de Economia (, entre ocho
catedraticos de las escuela de Comercio, pero no de ambas escuela "Cuantas opciones tiene
para escoger?

*.-

Lo que importa en este problema es de que escuela son los escogidos y quienes
seran, pero carece de importancia el orden en que sean seleccionados ya que la
actividad y la responsabilidad sera igual. Si por ejemplo escoge a (A,ByC 6 a
B,CyA6 a C,AyB etc.) es un mismo resultado puesto que son las mismas personas
solo que en diferente orden.

*-

*.-

Entonces seran dos combinaciones. La primera lOC3, que senin las opciones en la
escuela de Economia y, sC3 que seran las opciones en la escuela de Comercio.
Finalmente como el problema se completa si escoge de la escuela de Economia

de Comercio, la 6 intermedia indica SUMAR los resultados parciales.

10!

-----3!(10-3)!

8!
(120) + (56) = 176 formas

+
3! ( 8-3 )!

EJEMPLO 1.33.

Un estudiante tiene que escoger y resolver 10 de 12 preguntas de un examen.

a. "cuantas opciones para escoger tiene? b.- "cuantas si la 1 Y 2 son obligatorias?

a.- Las que escoja, no importa en el orden que sea senin las mismas preguntas. Por
tanto es una combinaci6n.
12C 10 = 66 opciones

b.- 1 Y2 obligatorias. Entonces solo tiene que escoger 8 de las 10 restantes.

lOC S = 45 opciones

JesUs Diaz Diaz .

UNIDAD I TOCnicas de conteo

28

EJEMPLO 1.34.

Si de entre diez presidentes previamente seleccionados, Zedillo decide invitar a seis de ellos

para hablar de las relaciones comerciales de sus paises. l,De cuantas formas puede

seleccionarlos si?:

a.- Cualquiera puede ir.

b.- Entre los diez figuran Castro Ruz y Clinton y no debe invitar a ambos a la vez

C.-

De cuantas maneras si decide invitar a Clinton y al primer ministro de Canada.

a.- No importa el orden en la lista de invitados, por tanto es una combinaci6n.

lOC6 =

210 diferentes grupos.

b.- Puesto que no puede invitar a la vez a Castro y a Clinton tiene 3 opciones.
e. Invita a Castro y no invita a Clinton. Tendril que reservar lugar a Castro, y Ie
quedanin solo cinco lugares. Ademas borrara a Clinton de la lista de invitados
posibles por 10 que solo tiene para escoger entre 8. sCs = 56
2a Invita a Clinton y no invita a Castro. Ahora reserva lugar a Clinton y elimina
a Castro de la lista de invitados posibles. Asi puede escoger sCs = 56.
3a No invita ni a Castro ni a Ointon. Ahora solo tiene 8 posibles invitados y Ie
quedan los seis lugares. Ahora puede escoger sC, = 28
Como no puede suceder las tres opciones a la vez, es decir sucede la 18 . 6 la 28
38 . La 6 intermedia me indica que debo sumar los resultados parciales.

gC S + gC S + gC6 = 56 + 56 + 28 = 140 opciones.

la

c.- En este caso como decide invitar a Clinton y al primer ministro de Canada, les
asignara su lugar, y solo Ie quedaran 4 lugares mas y 8 posibles invitados de donde
seleccionara los cuatro restantes

sC4 = 70 opciones

UNlOAD I TOCnicas de conteo

JesUs Diaz Diaz

29

1.8 PARTICIONES ORDENADAS.

Si tengo un conjunto de "n" elementos y 10 voy a repartir todo en "nl, n2, n3, ....nr

"

subconjuntos, (dentro de los cuales el orden de los elementos carece de importancia), puedo
solucionarlo mediante varias combinaciones, pero mas facilmente mediante una partici6n
ordenada.

Se obtieoe
mediante

II

Doode:

O!
Ot! 2! 03!.Or!

oh

02,

II

EJEMPLO 1.35.

0).... 0

0 son cada
subconjunto de
elementos que
se va a repartir

De un grupo de 10 alumnos seleccionare 3 para exponer el terna uno; 2 para el tema dos; 2
para el tema tres; y los 3 restantes expondnin el terna cuatro. (,Cuantos diferentes grupos
puedo formar?

*.-

Tengo un conjunto "n = 10 alumnos". Y repartire trabajo a todos.

*-

Formare cuatro grupos. "nl = 3; n2

AI interior de cada subconjunto el orden carece de importancia Por ejemplo, si

fueran seleccionadas para exponer el tema 3 [Angel y Gabi] 6 r<Jahi y A nacU. La
segunda pareja es una repetici6n, puesto que ambas hanin 10 mismo.

*-

Entonces puedo calcularlo mediante una partici6n ordenada.

n!

2;

ll] =

2; I4 = 3".

10!

3628800

3! 2! 2! 3!

144

25,200 grupos

Puede tambien ser por combinaciones:

*.- Selecciono 3 de los 10; Luego 2 de los 7 restantes; enseguida 2 de los 5 que quedan; y finalmente los

tresquerestan.

[ IO C3] [7C2] [sC 2] bC3] = 120 X 21 X 10 X 1 = 25,200 Gmpos

UNlDAD I TOCnicas de coateo

JesUs Diaz Diaz

30

EJEMPLO 1.36.
Se inscribe en un torneo de fitt beis 12 equipos. uno de ellos es representante de esta aula.
para una primera ronda, cada equipo jugani con los 11 equipos oponentes. de cuantas
formas puede terminar esta ronda con 6 ganados, 3 empates y 2 perdidos?
*. EI orden en que ganen 6, empaten 3 y pierdan 2, carece de importancia. (Si pierden
los primeros dos 6 el 7 y 9 6 el 1 y 3 etc. para el resultado cuenta 2 empatados sin
importar el orden en que haya sucedido. Yes 10 mismo en los perdidos y ganados).

*.- En cada posible arreglo contaremos todos los n = 11 juegos. Donde hay n1 = 6
ganados n2 = 3 ernpates, y n3 = 2 perdidos.

*.- Resolvemos entonces por Particiones ordenadas.

11 !

39'916,800

6! 3! 2!

8640

4620formas

Podemos resolver por combinaciones:

*.- Seleccionamos todas las formas en que pudieron ganar 6 de 11 juegos; luego todas las formas en que
pudieron empatar 3 de 5 juegos restantes y finalmente los 2 perdidos.
[114] [sC3 ] [Z~] = 46i X 10 X

1 = 4620 formas.

EJEMPLO 1.37.
Ocho alumnos de informatica y ocho de sistemas Began al mismo tiempo al centro de
c6mputo y pide cada uno una computadora, hay seis disponibles en ese momento, en la
siguiente hora se desocuparan cinco y en el resto del dia no habra mas disponibles. Si 10
sortean, l,de CUl:intas formas pudieran quedar los grupos?

Los 16 alumnos formaran tres grupos

donde ninguno sobra, y el orden dentro
de los grupos carece de importancia.
Por tanto puede resolverse por Particiones
Ordenadas. Este problema es similar at
resuelto por combinaciones en el punto
1.6

n = 16,

n1 = 6,

n2= 5,

n3= 5

16!

2'018,016 grupos
6! 5! 5!

UNlOAD J Tecnica.s de cmteo

31

1.9 SOFTWARE"APRENDAMOS A CONTAR"

REQUERIMIENTOS:
El programa requiere para su instalacion una PC ffiM 0 1000.10 compatible.
EI sistema operativo debe ser Windows 95

98.

El monitor: 64~ X480 a 256 colores. 0 bien 800 X 600 a 256 colores
Los demas requerimientos son los propios del sistema operativo.

INSTALACI6N:
En realidad no es necesario instalar el programa, ya que este puede ejecutarse desde
el disquete que acompafta a este libro, pero si decides instalarlo en tu disco duro
simplemente baz 10 siguiente:
Abre el explorador de Windows
Dirigete at menu archivo y selecciona nuevo
Haz clic 0 enter en la opcion carpeta

Teelea un nombre para la carpeta: Probabilidad y presione enter

Ahora selecciona la unidad A .

Arrastra el archivo: Probabilidad_l.exe desde la unidad "A" basta la carpeta

que acabas de crear en la unidad "c"

Jesus Diaz Diaz

UNIDAD I Tecnicas de conleo

32

NAVEGACION:
Durante el programa encontraras paginas casi en blanco y algUnos botones en elias,
presionalos y averigiia que sucede, no te preocupes, explora y divien:ete mientras
aprendes, algunos personajes te ayudaran durante el recorrido....

EJECUCION:
Ds doble die en el archivo Probabilidad_1.exe en la unidad "A",

si' copiaste el

programa en algun directorio de tu disco duro entoces:

Da doblt die en el archivo probabilidad _l.exe de la carpeta de tu disco duro.

Una vez hecho esto veras una pantalla como esta, que te ofi'ece tres opciones:

OPcrON INTRODUCCION:
Bienvenido a;

Esta opcion es importante si quteres

aprender las bases te6ricas

de

las

t&micas de contar ya que te muestra

algunas definiciones y tips que te serim
muy utiles y frecuentemente necesarios
para poder comprender los temas propios
de las tecnicas de contar.

OPOON

TE

Te

lleva

directamente al indice de ternas, donde

podnls practicar las diversas tecnicas de

cornaro Una vez ahi, selecciona tu opcion

y luego selecciona el boton de ver terns.

.-

UNIDAD I Ticn.icas de conteo

JesUs Diaz Diaz

33

OPCION SALIR: Cuando desees abandonar el programa simplemente selecciona Salir.

1. 10 RECOMENDACIONES DIDACTICAS Y BmLIOGRAFiA DEL

CAPITULO.

Luego de haber analizado

esta

unidad, es recomendable resolver los

ejercicios propuestos en:

sa

edici6~

WALPOLE Myers "Prob. y Estadistica" Ed. Me Graw Hill 6a

edici6~

FREUND John E.

"Estadistica elemental" Ed. Pentice Hill,

Mexico 1994, p.p.99-103.

Mexico 1999, p.p. 2S-27

FREUND Williams Perles

"Estadistica para la Administraci6n. Con

enfoque moderno" Ed. Prentice Hall,

sa

edici6~

Mexico

1990, p.p. 102-IOS

BmLIOGRAFIA DEL CAPITULO.

Ademas de los tres anteriores:
WIMER Richad C. ''Estadistica'' Ed. Ceesa, 1a

ediei6~

Mexico 1996.

LIPSCHUTZ Seymour ''Probabilidad'' Ed. Me Graw Hill.

LIPSCHUTZ Seymour ''Teoria de conjuntos y temas afines", Ed. Me Graw
Hil

JesUs Diaz Diaz

1.11 RESUMEN.

Ante un problema de conteo pregimtate primero I, imports el orden en que aparecen los resultados?
LtENADO DE CAJAS, Se titiliza principalmente euatido el problema nos impone restricciones Por ejemplo: i,Cuantos
nUmeros de tres digitos puedo formar si debe aparecer el 7 en todos ellos?
DIAGRAMA DE ARBOt. Se utiliza cuando se desea obtener la Usta de todos los posibles arreglos. Por ejemplo: Elabore
la lista de todos los posibles resultados de un examen de 8 preguntas a las que debera contestar V 6 F.
EXPONENCIAL,- Se utiliza cuando necesitamos tomar decisiones en secuencia y en todas tenemos igual numero de
opciones. EJemplo: Calcule los posibles resultados de un examen de 8 preguntas a las que debera contestar V6 F.

SI.

Entonces sera

una Permutaci6n

;,Importa

PERMUTACIONES nPn.- Se utillza cuando queremos calcular el total de arreglos que resulta de intercambiar todos los
elementos de un conjunto "n" considerando siempre todos a la vez. Por ejemplo: Calcule el total del orden en que
diez alunmos pueden pasar a hacer examen oral.
PERMUTACIONES nP,.;- Se utiliza cuando de un conjunto "n",queremos calcular el total de arreglos que resulta de
seleccionar una parte "r" de Sus elementos a la vez. Por ejemplo: calcule el total de posibles listas en que de diez
alwnnos de la clase, podemos escoger un presidente y un secretario.
pERMUTACIONES CON REPETICION.- Se utiliza cuando tenemos un conjunto de "n" elementos donde hay
subconjuotos identicos entre si, y quiero calcular el total de arreglos diferentes, que verdaderamente Diis sentidos
persiban diferencia entre los difereotes atreglos. Por ejemplo: 8i cambio las letras de la palabra ORO cuantos
verdaderos cambios puedo obtener? Cambiar una "0" por otra "0", no se notana, sma repetici6n.

Elorden?

PERMUTACIONES CIRCULARES. Se utiliza cuando los elementos estan acomodados en forma circular 0 fortttando
una figura tal, que no existen extren10S como en la forma lineal. Por ejemplo. iJ)e cuantas diferentes formas
pudieran tomar lugar 8 personas alrededor de una mesa?

NO.Entonces sera
una combinaci6n

Jesus Diaz Diaz

COMBINACIONES.- Se utiliza cuando de un conjunto de "n" elementos, seleccionamos de el una parte "r". Los
seleccionados obtendran 10 mismo, harao 10 mismo paganin 10 mismo, es decir el orden no in1portaPor ejemplo: La
direcci6n de la escuela otorgara tres becas completaS en el Tee. de Monterrey a los tres prin1eros mas altos
prontedios de los egresados de infornuitica este semestre. Da 10 mismo ser 10 , 20 6 30 , el premio es igual.
PARTICIONES ORDENADAS,-Se utiliza cuando un conjunto de "n" elementos se va a repartir todo. Por ejemplo: De
un grupo de 12 egresados de Ing. Quimica, 3 hanln sus practicas profesionales en una empresa local, 4 en una de
Guadalajara y 5 en una empresa de Monterrey. i,De cuaotas formas pueden quedar conformados los grupos?
Dnidad I T&:nicas de Conteo

34

UNIDAD II

JesUs Diaz Diu

Teoria de las probahilidades

UNIDAD DOS

TEORIA DE LAS PROBABILIDADES.

2.1

Introducci6n.

2.2

Conjuntos.

2.3

EI concepto chisico de probabilidad.

2.4

La probabilidad interpretada a traves de la frecuencia

relativa.

2.5

EI concepto de probabilidad subjetiva.

2.6

Espacios muestrales yeventos.

2.7

Postulados de la probabilidad.

2.8

Probabilidades y posibilidades.

2.9

Regia de la adici6n.

2. 10

Eventos independientes y dependientes.

2.11

Probabilidad condicional e independencia.

2.12

Regia de la multiplicaci6n.

2.13

Teorema de Bayes.

2.14

Probabilidad utilizando anaIisis combinatorio.

2.15

Recomendaciones didacticas y bibliografia del capitulo.

2.16

Resumen.

35

UNIDAD II

JesUs Diaz Diaz

Teoria de las JX'obabilidades

36

2.1 INTRODUCCION.

Nuestra vida es un continuo

incertidumbre.

decidir en

un

cHma

de

Continuamente tomamos decisiones, algunas de mayor y otras de menor importancia, pero

por 10 general en ellas queda inmiscuida una cierta dosis de azar, por 10 que siempre existe
el riesgo y la incertidumbre de no tomar la mejor decision.

Este riesgo que debemos correr cada vez que tomamos una decision se

incrementa

mientras menos conozcamos del problema y por el contrario, se reduce mientras mayor
informacion tengamos de el 0 de la solucion de problemas similares.

El estudio de la probabilidad ciertamente no nos permite predecir el futuro con total

certeza, pero si nos proporciona herramientas para analizar esta incertidumbre. El amilisis
probabilistico utilizando la informacion conocida, busca facilitamos la toma de decisiones
por diversos metodos aplicables ante diferentes situaciones, y con ella, reducir en 10 posible
errores de decision ante problemas complejos.

El estudio de la probabilidad se inicia hacia el siglo XVI por la necesidad de los jugadores
de los juegos de azar, de un metoda que les permitiera apostar con menor riesgo ante las
diversas situaciones del juego. Y por ella recurren a los matematicos en

busca de

estrategias optimas. A Girolamo Cardano (1501-1576) Fisico, Astronomo y Matemcitico, se

Ie atribuye la primera discusion sobre probabilidad en su "Manual para tirar los dados",
pero un gran numero de matematicos como, Pascal Leibniz, Bernoulli y muchos mas, no
menos importantes, han participado en el desarrollo de la probabilidad y la estadistica tanto
descriptiva como inferencial. Y es basta este siglo donde estas toorias han tornado
verdadera fuerza inmiscuyendose como herramienta indispensable de todas las ramas del
saber; Politica, negocios, pronosticos, investigacion, etc.

UNlDAD II

JesUs Dlaz Dlaz

Teoriade las JX'Obabilidades

37

2.2 CONJUNTOS.

Revisaremos aqui algunos t6picos de la Teoria de Conjuntos por que este simbolismo y su
nomenclatura nos permitini explicar y entender la Probabilidad en forma mas sencilla, mas
precisa y menos propensa a ambigiiedades. Los temas que tocaremos, son los justamente
necesarios para nuestro prop6sito.

CONJUNTO. Es una lista

colecci6n de objetos. A estos objetos se les llama

ELEMENTOS.

Los conjuntos se denotan mediante una letra mayliscula como A, B, N, R, W,

Mientras que los Elementos se denotanin por letras minusculas como a, b, n, r,

W,

etc.
etc.

Si deseamos definir, por ejemplo, el conjunto A con la enumeraci6n de sus elementos que
fueran los numeros enteros que se encuentran entre

2 y 6, sera: A = { 2,3,4,5,6}. Los

elementos se escriben uno a uno entre llaves y separados con una coma. Esta notaci6n se
llama Forma Tabular de un conjunto. Pero tambien podemos hacerlo mediante la
definicion por comprensi6n

Hamada constructiva de un conjunto, que enuncia las

propiedades que tienen sus elementos. Asi el ejemplo anterior A = { x I 2 ~ x

EZ} 10 leeremos, A es el conjunto de los numeros x tal

~6;

"I "que x es un numero mayor 0

igual a 2 y menor 0 igual a 6, y x pertenece "E" a los enteros "Z".

Si por ejemplo el elemento {c} es parte del conjunto B, podemos escribir c

B, [y se lee:

el elemento c pertenece al conjunto B]. Si c no pertenece a B, entonces escribimos cllB.

SUBCONJUNTO "c". Cada elemento,

cada grupo de elementos que puedan formarse

de un conjunto es un subconjunto "c" de dicho conjunto; Asi un conjunto puede tener uno
o varios subconjuntos. Por ejemplo si A= {a,b,c,d,e}

Y si B={a,b,c}, C{a,c,e}, D{b,d}, E{a,b,c,d,e} entonces [B,C,D,E c AJ.

UNIDAD II

JesUs Diaz Diaz

Para analizar mas facilmente la relaci6n

en~re

Teona de las probabitdades

38

conjuntos frecuentemente recurrimos a los

DIAGRAMAS DE VENN-EULER, que consisten en un rectangulo que simboliza el

universo y dentro del cuill, cada conjunto que se quiera analizar se representa mediante un
circulo. Si hay mas de un conjunto, los circulos estanin separados si no tienen elementos en
comun,

bien, pueden tener una parte de ellos encimados (intersectados), si tienen

elementos en comun.

Fig. 2.1.

No tienen elementos en com(m

Fig. 2.2

Si tienen elementos en comUn

En el estudio de la probabilidad frecuentemente recurrimos a algunas operaciones con

conjuntos tales como Union ''u'', Interseccion "n" y Complemento" A

C
".

LA UNION" u ", Es el equivalente a la adici6n en aritmetica. La union de A con B, es

el conjunto de todos los elementos que pertenecen a (A 6 a B, 6 a ambos) y se denota por:
(A u B).

EJEMPLO: Si A = ~ 1,2,3 ~ Y Sl B

~ 4,5 ~ entonces:

( A u B ) ~ 1,2,3,4,5 ~ es decir, la union contendra tanto los elementos de A Como

deB.

1,2,3

4,5

Fig 2.3. (A u B ) = ~ 1,2,3,4,5 ~

UNIDAD II

JesUs DI.az Diu

Teoria de las p-obahilidades

39

LA INTERSECCION, la conforman todos aquellos elementos que se encuentran tanto en

A como enB.

EJEMPLO: Si A = ~ 1,2,3,4,5 ~

Y Sl B = ~ 3,4,5,6,7 ~ entonces:

( A n B ) = ~ 3,4,5 ~ por que 3,4 y 5 se encuentran tanto en A como en B.

Si en problemas como el presente, (Fig. 2.4) deseamos

conocer la Union de A y B entonces:

6,7

Fig. 2.4.

(AuB) = ~ 1,2,3,4,5 ,6,7 ~

( An B ) = ~ 3,4,5 ~

COMPLEMENTO DE A,

(AJ

Lo forman todos aquellos elementos que !!.Q se

encuentran en el conjunto A.
EJEMPLO: Si el universo 10 forman los numeros del ~ 1 aI 10 ~ Y Sl

~ 3,4,5 ~

entonces el complemento de A es:

(AJ

=~

1,2,6,7,8,9, 10 ~

~ 1,2,6,7,

8,9,10~

3,4,5

Fig.2.5.... A<= {I, 2, 6, 7, 8, 9, 10}

CONJUNTO UNIVERSO ( S). Contiene todos los posibles resultados de un evento; por

tanto:

(A)+(AJ=(S) = {1,2,3,4,5, 6,7,8,9, 1O}

comovemosenla Figwa2.5

UNIDAD II

JesUs Diaz Diaz

2.3

Teona de las JI'Obabilidades

40

CONCEPTO CLASICO DE LA PROBABILIDAD

Este concepto surge del estudio de los juegos de azar y es aplicable en los casos en que el
experimento puede tener solamente ciertos resultados bien definidos, donde "todos estos
posibles resultados, son igualmente probables". Entonces la determinacion de la

probabilidad de un suceso estani definida par:

peA) ==

Donde:

.n

= Num. total de posibles resultados a favor.

==

Todos los posibles resultados (tanto de acierto

como de no acierto).

....................................................................

Observese que ests definicion tiene una restriccion muy importante Y8 que solo .
puede emplearse cuando todas las probabilidades son igualmente probables y que :

.................................................................................................

exists un nomero fin ito de posibles resultados como sucede en los juegos de azar.

EJEMPLO 2.1.-

Si lanzo un dado perfectamente bien balanceado que probabilidad

tengo de que caiga en 3.

*.- Puesto que el dado tiene 6 caras, existen n = 6 posibles resultados.

*.- solo una de las caras tiene el nUmero 3 portanto solo hay

m=1 posible resultado de

acierto.
*.- Cada lanzamiento que haga del dado, siempre existira la misma probabilidad para
cada una de las caras, 1/ 6.

=--

P(3) =
n

= 0.16667

UNJDAD II

JesUs Diu Diu

Teoria d.e las probabilid.ad.es

41

EJEMPLO 2.2.

Si en el aula de clases hay 32 alumnos, (18 hombres y 14 mujeres),

y selecciono

perfectamente al azar un alumno:

a.- l,que probabilidad tiene cada uno de ser seleccionado?

b.- l,que probabilidad existe de que resulte seleccionada una mujer?

a.-

*.- Hay 32 alumnos.

Entonces n
posibles resultados.

32

*.- Las opciones de ser seleccionado cada uno

senm.

~P(A)=-n

= - - =0.03125
32

m = 1 opciones. Entonces:

b.- *.- Siguen siendo n = 32 posibles resultados

(todos tienen la misma probabilidad).
*.- Ahora los resultados posibles a favor son
cualquier mujer. Entonces m = 14 opciones

f--\
Y

m
14
P(M) = - = - - = 0.43750
n
32

EJEMPLO 2.3.

De una baraja de 52 cartas saco una al azar. l, que probabilidad existe que sea un rey?

Hay un resultado posible por cada carta

Entonces n

= 52

posibles resultados.

La baraja tiene 4 reyes. Por tanto, seriul m = 4

posibles resultados de acierto.

4
P(K) = - = - = 0.07692
n
52

UNlOAD II

JesUs Diaz Diaz

Teoria de las p-obabilidades

42

EJEMPLO 2.4.

La maestra del curso de probabilidad han!. un examen oral a 32 alumnos. Pero el dia de hoy

solo alcanzara a examinar a 16 de ellos. Si 8 de los 32 alumnos no estudiaron, Y si realiza

una seleccion perfeetamente al azar, que probabilidad hay de que:

a.- " Solo a 2 de los 8 que no estudiaron les toque examen este dia?

b.- " Que de los que no estudiaron a ninguno les toque hoy?

3.-

Ya que la seleccion es aleatoria, cada resultado puede considerarse igualmente

probable.

* El

total de formas en que la maestra puede seleccionar a los 16 de los 32 que

examinara el dia de hoy es: nCr = 32C16 = 601 '080.,390 diferentes formas = n.

Los posibles resultados de acierto seran todos aquellos que se obtienen de

seleccionar 2 de los 8 que no estudiaron [gC2], y 14 de los 24 que S1 estudiaron
h4C14], para completar los 16 que examinara. Entonces, los resultados a favor
seran:

*.- Puesto que deben ser seleccionados 2 de los 8 que no estudiaron Y

14 de los 24
que si estudiaron, entonces la Y intermedia indica que debemos multiplicar
ambos resultados parciales para obtener todos los posibles resultados de
acierto.

54'915,168

601 '080,390

b- *.- El total de posibles selecciones sigue siendo

32C16

= 601 '080,390 = n

*.-

Ahora los posibles resultados de acierto seran seleccionar [0 de 8] que no

estudiaron [8Co] = 1 Y [16 de 24] que si estudiaron [24C 16 ] = 735.471.

*.-

19ual que el inciso (a), la Y indica multiplicacion, entonces:

[8CO] bC 16] = [1] [735,471] = 735,471 = m

735,471
=

0.09136

601 '080,390

0.00122

UNlDAD II

JesUs Diaz Diaz

Teoria de las probabilidades

43

2.4 LA PROBABILIDAD INTERPRETADA A TRAVES DE

LA FRECUENCIA RELATIVA.
"Cuando un experimento se realiza un gran numero veces en condiciones similares, la
probabilidad de acierto, estara dada por la relacion del total de resultados de acierto
observados, dividido por el numero total de observaciones"

Niun de resultados observados a favor

P(A)=
Ninn. total de observaciones realizadas.

..........................................................................

: En la actualidad este concepto es el mas aceptado cuando bacemos investigaciOn. En infmidad de

casos las probabilidades no siempre son igualmente probables. Y en estos casos es cuando solo la
observaci6n y el arullisis de pruebas repetidas nos permite calcular las probabilidades del evento.

..........................................................................................

Por ejemplo: Si cuidando todos los detalles necesarios, sembramos una semilla de naranja,
podremos esperar solo dos resultados, que gennine 0 que no germine; Pero 10 anterior !!!!
signifiea que la probabilidad de que germine sea 1 de 2 posibles resultados

1/2. Para

poder obtener la probabilidad de que germine cualquier semilla de naranja, necesitamos

hacer muchas pruebas,. es decir, sembrar una gran cantidad de semilias, observar cuantas
de elIas germinan, y luego realizar el cillculo mediante la formula anterior.

Num de semilIas germinadas en la prueba.

P (germine) =
Nu.m. total de semilias sembradas para la prueba.

.................................................................................................

: La LEY DE LOS GRANDES NUMEROS aJU'lIla que si un experimento se continua repitiendo sin :

aJterar sus condiciones, la proporcion de aciertos se acercani a la probabilidad del evento.

;
~ ...........................................................................................
.

~--

----------

- -

UNIDAD II

JesUs Diaz Diaz

Teoria de las IX"Obabilidades

44

EJEMPLO 2.5.
Si un inspector de control de calidad en una empresa que produce tornilleria, observa que
una determinada maquina que ha venido trabajando correctamente, y que seg6n las
estadisticas, en los ultimos tres meses ha producido 326,000 unidades diarias, de las cuales
en promedio, 765 han estado defectuosas

(10 que

se considera aceptable).

l,Con esta

informaci6n, que probabilidad de efectividad en el trabajo pudieramos establecer para dicha

maquina?

*.- Por cada 326,000 unidades producidas arroja en

promedio 765 piezas defectuosas,

765 1 = 325,235 piezas

seg6n la realidad observada. Por tanto [326,000 buenas diarias.

Aqui la informaci6n surge de la observaci6n de pruebas repetidas. Entonces es un

caso de probabilidad interpretada a traves de su frecuencia relativa.

Piezas buenas diarias

325,235

Producci6n diana

326,000

P ( piezas aceptables )

0.9976 de efectividad

EJEMPLO 2.6.

Un mayorista recibe en sus bodegas un cami6n que Ie surtira 8000 cajas de lapices, cada

una debe traer 50 lapices. El mayorista decide investigar si el contenido es el correcto y

para ello selecciona al azar 500 cajas de la carga, cuenta los lapices y resulta que 26 cajas

no tienen los 50 lapices. l,Que probabilidad hay que si toma cualquier otra caja del cami6n,

no tenga esta el contenido correcto?

*-

Es el caso de pruebas repetidas. Se realizan 500 pruebas y se obtienen

resultados de acierto (Son aciertos poT que 10 que se buscaba era errores en el contenido).

26

26 resultados de acierto

P ( menor contenido )

500 pruebas sucesivas

0.052 en la muestra y para cualguier

otra caia en el cami6n.

UNlOAD II

JesUs Diaz Diaz

Teoria de las probabilidades

........................................................................ _
.; *.- Lo anteri-or se llama muestrear. Y cuando la muestra es aleatoriamente bien

1
~

seleccionada y en una proporci6n de elementos adecuada al total de la poblaci6n,

todos los resultados del amilisis de la muestra podemos generalizarlos a todo el
conjunto del emil fue tomada dicha muestra.

45

..

;.

1
~

.....................................................................................................................................................................

2.5

EL CONCEPTO DE PROBABILIDAD SUBJETIVA.

Es la estimacion personal de la probabilidad de ocurrencia de un evento. Esta medici6n se

basa en el poco

mucho conocimiento de las condiciones en que se desarrolla un

experimento, pero no es mas que una simple suposici6n de probabilidades basada en la

intuici6n personal.

Por ejemplo si en un partido America Vs Chivas, preguntamos a los aficionados sobre la

probabilidad de ganar que asignan a los equipos contendientes, pudieramos escuchar una
gran cantidad de opiniones diferentes. Esto es por que las respuestas senin solo la intuici6n
personal de cada aficionado.

2.6

ESPACIOS MUESTRALES Y EVENTOS.

EI espacio muestral

(S) es el conjunto de todos los posibles resultados de un

experimento. Por ejemplo si de 10 peliculas que deseo ver, rento solo una, mi espacio
muestral sera igual al numero de peliculas {l,2,3,....,1O} =10 opciones. Pero si rento tres,
ahora el tamafio de mi espacio muestral sera IOC]

120 opciones. Y si decido rentar 5

peliculas, ahora el espacio muestral constara lOC 5

252 opciones, y el espacio muestral

sena la lista de los 252 posibles resultados.

A cada posible resultado tambien se Ie llama punto muestral de tal manera que el primer
ejemplo tiene 10 puntos muestrales (diez posibles resultados), el segundo tiene 120 puntos
muestrales y el tercero tiene 252 puntos muestrales.

UNlDAD II

JesUs Diaz Diaz

Un

46

Trona de las (I"Obabilidades

EVENTO, en estadistiea, es cualquier subconjunto del espacio muestral. Este

subeonjunto puede incluir desde cero, una parte,

muestral.

todos los elementos del espacio

Por ejemplo en el problema anterior, si en las 10 pelieulas esta incluida,

"Regreso al futuro ", si seleeeiono una pelicula al azar, "que probabilidad tengo, de que
resulte seleccionada dieha einta?

EI evento, sera el punto muestral ["Regreso al futuro" ]. Por tanto la probabilidad de

aeierto de este evento sera :

Suma de puntos muestrales de aeierto

=0.1

Probabilidad de "Regreso al futuro" =

Suma de puntos del espacio muestral

10

Otro evento seria, siguiendo el ejemplo anterior, el seleeeionar al azar de entre las 10, una
pelieula. "Que probabilidad existe que la seleeeionada no sea "Regreso al futuro"?

Ahora el evento sera, todas aqueUos puntos muestrales que no son la pelieula "regreso al
futuro" y la probabilidad de exito de no seleecionarla sera:

Probabilidad de coalqnier pelicuJa

excepto "regreso al futuro"

Suma de puntos muestrales de acierto

Suma de puntos del espacio muestral

2.7

0.9

10

POSTULADOS DE LA PROBABILIDAD.

Volviendo al ejemplo anterior: De un conjunto de 10 pelieulas seleceionare al azar una de

eUas "que probabilidad tengo de que la seleeeionada pertenezea al conjunto de las diez?

Por logiea debera pertenecer. EI evento sera eualquier punto muestral de las 10 eintas. Por
tanto:

Probabilidad de seleccionar
cualquiera de las 10 peliculas

47

TeOilade las p-obabilidades

UNIDAD II

JesUs Diaz Diaz

Suma de puntos muestrales de acierto

10

= !
Suma de puntos del espaeio muestral

10

........................................ ..................................
.
~

Entonces: Cuando un evento definitivamente es seguro que sueeda., por que no haya :

opci6n de 10 eontrario, su probabilidad sera igual a 1, 0 bien 100%.:.

Es decir, todo .

espacio muestral "S" tiene probabilidad

.~~. ~~~~.~.~:

..1

r..CSJ;:.l..l

POSTULADO I

Por el eontrario, si la pregunta del problema anterior fuera: De entre un conjunto de 10

pelieulas seleeeionare al azar una de elias, mue probabilidad tengo de seleccionar una que

no pertenezea al grupo del eual fue extraido?

Por 16giea debera perteneeer al grupo del eual fue extraido. Y entonees:

Probabilidad de que no perteneua

at gmpo donde foe extraido

Sumadepumosmuestralesdeacierto

o
-=

Suma de pumos del espacio muestral

!!

10

:_..........................................................................

Cuando un evento definitivamente no puede suceder, por que no haya opcion de 10 :

: contrario, su probabilidad sera i".al a cero.

:

...................................................................................................
La probabilidad de acierto de un evento se denota con una letra mayuscula:

P ( A ).

:........................................................................

La probabilidad de cualquier evento, jamas sera menor que cero y jamas sera
:
: mayor que uno.

.....................l.!:::::===O=<=P=(=A=)<=1==::::::!J....

"II

POSTULADO 2

La "no" ocurrencia de ( A) sera el complemento de A (A') entonees:

II"

Teoriade las p-obabilidades

UNlOAD II

JesUs Diaz Diaz

Total de puntos muestrales de no acierto de A

P ( AC )

48

Complemento de A
fo que es igua/

Total de puntos del espacio muestral

Total de puntos del espacio muestral

:_........................................................................

.
podemos concluir que:
P (A) + P (A) = P (8). Y como P ( 8) = 1 entonces: .
~

~ P(A

)=l-P(A)

.~

P(A)=l-P(A C ) .

............................................................................................
_..................................................................................

La probabilidad de que suceda

(A 0 B), es decir que suceda uno de los dos

eventos cuando estos son mutuamente excluyentes:

P (A U B) = P (A) + P(B)

Se anali.zari mas adelante en eI punto 2.9

11
~

POSTULADO 3

~ ..

I'

2.8 PROBABILIDADES Y POSffiILIDADES.

Las posibilidades no es sino otra forma de escribir las probabilidades.
Como ya vimos, una probabilidad es:

Total de posibles resultados de acierto

Total de puntos muestrales a favor

P(A)= - - - - - - -
Total de posibles resultados

puntos muestrales de acierto + puntos muestrales de no acierto

La posibilidad de ( A ) es solamente tomar el denominador de la ecuaci6n anterior y

enfrentar [los resultados a favor

Vs

los resultados en contra] de tal manera que se

escribira:
.,).. Se lee "es a": )

PosibiJidad (A)
contra.

= total de puntos muestrales a

favor "total de puntos muestrales en

UNIDAD II

JesUs Diaz Diaz

Teoriade las p-obabilidades

49

EJEMPLO 2.7.

Si estimamos en 52% la probabilidad de que la Prepa 1 gane primer lugar en la disciplina

de Quimica, en el proximo concurso de Ciencias Basicas que organiza anualmente el TEC.

i,cuaI seria la posibilidad de triunfo?

52

52

P (Prepa 1 )

; Separamos el denominador en resultados a favor y en contra = -

52 +48

( La cantiOOd a favor es igual aI numerador)

100

Entonees enfrentando los resultados a

favor con los resultados en contra

Posibilidades. ( Prepa 1 ) = 52: 48

bien

[52 a 48 J

ohtenemos:

EJEMPL02.8
i, Cuilles son las posibilidades de aprobar cierto examen si las probabilidades estimadas son

.85?
85

85

100

85 + 15

P( A ) = 0.85

entonees

Posibilidad de (A) = [85: 1510 bien [85 a 15 J

EJEMPLO 2.9.

Si el problema anterior estuviera planteado at reves:

Cuales son las probabilidades de

aprobar cierto examen si las posibilidades estimadas son [85: 15 ]?

Sabemos que el primer OOto [ 85 ] son las opciones a favor y que el [15] senin las opciones en contra y que 1a
suma de ambos

deberan

ser todos los posibles resultados. Es decir, el denominador de la ecnaci6n de

probabiliOOd

Opciones a favor

P(A)=----
A favor + en contra

85

85
=0.85

85 + 15

100

UNIDAD II

JesUs Diaz Diaz

Teoriade las probabilidades

50

EJEMPLO 2.10.
Si un analista financiero en una entrevista dijera que para el final del siguiente trimestre las
posibilidades de que el dalar repunte contra el peso en mas de 50 centavos es [4: 2]. Que
las posibilidades que cuando mucho repunte hasta 50 centavos es

[1: 8 ], que la

posibilidad de que se mantenga sin cambios es [ 1 : 10]. Y la posibilidad que repunte el

peso es [ 1 : 23]

~Podemos confiar

en sus declaraciones?

Las cuatro opciones que presenta, son todas las que pueden suceder: [a) repunte el
dalar mas de 50 centavos. b) repunte el dalar no mas de 50 centavos. c) se mantenga
sin cambios. d) repunte el peso.] Por 10 anterior, la suma de las probabilidades debera
ser igual a la probabilidad del espacio muestral, es decir igual a 1

a.- Repunte el d61ar mas de 50 centavo

POSffiILIDAD DE (A) = [4 : 2 ];

P(A) =
4

-- =

+ 2

0.66667

b.- Repunte el dolar no mas de 50 centavos.

POSffiILIDAD DE (B) =

1 : 8 ];

P(B) =

1+8

0.11110

c.- Que se mantenga sin cambios.

POSffiILIDAD DE (C) =

1 : 10];

P(C) = -
1+10

1
=

11

0.09090

UNIDAD II

JesUs Diaz Diaz

Teoria de las ~abilidades

51

d.- Repunte el peso.

POSIBILIDAD DE (D) =

1 + 23

24

P(D) =

1 : 23 ],

0.04160

SUMA DE (a + b + c + d) = 0.91027:to P(S) 0 bien 0.91027 :to 1

La suma de las probabilidades de los incisos (a+b+c+d), supuesto que no hay mas opciones, deberia ser
iguaI a la probabilidad del espacio muestraI P(S) =1, Yno 10 es.

Por tanto sus declaraciones no

SOD

cone:ruentes.

2.9 REGLA DE LA ADICION.

La regia de la adici6n se utiliza cuando deseamos conocer la probabilidad de que ocurra

alguno de dos 0 mas eventos,

U

bien varios a la vez, cuando se realiza un solo experimento

observaci6n. P (A 6 B 6 C 6 ....)

El calculo se realiza seglin sean los eventos. Estos pueden ser mutuamente excluyentes,

no mutuamente excluyentes.

Los eventos son MUTUAMENTE EXCLUYENTES si no tienen elementos en comun

si no pueden ocurrir a1 mismo

tiempo.

En estos casos 1a probabilidad se calcula:

Fig. 2.6. Mutuamente excluyentes
Poede suceder A 0 pnede snuder B. pero no ambos &1& vez.

P(A 6 B) = P(A) + P(B).

10 que es 10 rnismo

P(A U B) = P(A) + P(B).

UNlDAD II

JesUs Diaz Diaz

Teena de las pubabilidade:s

52

Cuando los eventos presentan elementos comunes entre si y pueden ocurrir al mlsmo
tiempo se dice que son NO MUTUAMENTE EXCLUYENTES.

.----------------,

Y en estos casos se calcula con:

P(A 6 B) = P(A) + P(B) - P(AnB)

o bien:

P(A U B) = P(A) + P(B) - P(AnB)

Fig. 2.7
(A 6

B, no se excluyen. Puede suceder A

opuede suceder B, pero tambien pueden

suceder a la vez en A y B en AnB.)

...................................................... .............................................

.
: En el caso excluyentes consideramos la probabilidad de que suceda (A) 0 que :
~

suceda (B), estos se excluyen, puesto que no tienen elementos en comllO no pueden :
suceder a la vez.
~

I ::e:e:::),D:u::::::S(B;i:::~:S::::::b:~;;; ::~::rm~~ I
*

~

:

resta una vez (AnB) para no duplicar el dato ya que al calcular (A), inc1uimos los .
elementos de su intersecci6n con (B). Y al calcular (B) volvemos a incluir los ~
elementos de la intersecci6n
:

: ...............................................................................................:

.............................................................................

.
~ TIP.
Podemos distinguir mcilmente que debemos aplicar la regla de la adici6n
~

: cuando hagamos una sola observaci6n ensayo y tengamos varias opciones de acierto. .

:

.

: Ademas al plantear P (A 6 B), la (6) indica c1aramente (SUMAR);

P(A) + P(B)
:
................................................................................................. :.

EJEMPLO 2.11.

Si selecciono al azar, una carta de un mazo de 52 cartas "Que probabilidad tengo de haber

tornado un As (A) 6 un Rey (K).

Es un solo ensayo ( solo una carta extraere), y gano con mas de un posible resuhado,
(cualquier As 0 Rey). Lo anterior me indica que debo aplicar la regia de la
adicion
* Puesto que no pueden suceder a la vez un As y un Rey en una sola carta, es clara la
indicaci6n que debera ser para eventos excluyentes

UNIDAD II

JesUs Diaz Diaz

P(A6K) = P(A+P (K) = -

52

52

Simplemente la [ 6 ] intermedia en
Tambien
= P(A6K) me indica adici6Jt
puede plantearse P (AuK) = P(A) + P(K)

13

Q., K.
10., J. , Q., K.
10... , J... , Q... , K...

3. , 4. , 5., 6. , 7. , 8., 9., 10. , J .,

A., 2. , 3. , 4. , 5. , 6. , 7. , 8. , 9.,
A ..., 2... ,

53

+
52

A., 2.,

Toona de las probabilidades

3 "', 4 ... , 5... , 6 ..., 7... , 8... , 9... ,

Q., K.

A., 2., 3., 4., 5. , 6. , 7. , 8. , 9. , 10. , J. ,

TABLA 2.1

Espacio muestral de una baraja de 52 cartas. [son: 4 de cada nfunero; 13 de cada figura; J,Q,K son monos

EJEMPLO 2.12.

Si selecciono al azar una carta de un mazo de 52 cartas l.que probabilidad tengo de haber

tornado un As

un coraz6n rojo?

Es un solo ensayo ( solo una carta extraere), y gano con mas de un posible resultado,
(cualquier As 0 .). Lo anterior me indica que debo aplicar la regia de la adicion

Puesto que sf pueden suceder a la vez un As y un en una sola carta [Ia carta

A.]
es clara la indicaci6n que debera ser para eveotos
pueden suceder a la vez, no se excluyen.

(fig. 2.8),

P(Ao . ) =P(A)+P(.)-P(A.)=

II
EI resultado 4/13
realmente debe
interpretarse
como:
P(A,o.,6
ambos)

13

52

52

-- +
52

0.0

excluyeotes, ya que

16

52

13

Cuando contamos los Ases, contamos 4, inclusive el A., y

enseguida al contar los. contamos 13, es decir, volvemos a
contar el A.. Por tanto debernos restar una vez el A.. Esto
sucede siempre que existe interseccion entre los eventos.
Empleamos la formula para eveotos 00 excluyeot-es ya que no se
excluyen, pueden suceder a la vez como en este caso que puede
salir la carta A., donde se cumple que salga un As y a la vez, se
cumple que tambien salga un .

UNlDAD II

JesUs Diaz Diaz

Teona de las II"Obahilidades

54

EJEMPLO 2.13.

Si selecciono al azar una carta de un mazo de 52 cartas que probabilidad tengo de haber

tornado un "" 6 un.?

* Es solo un ensayo (tomar una carta) y espero cualquiera de dos posibles eventos
["" 6 un .]. Lo anterior indica que debo aplicar la regia de la adicion.

* No puede suceder a la vez "" y.

Lo cwil implica para eventos excluyentes.

13

13

26

52

P("" 6 .) = P("" ) + P( ) = - - +
52

52

Recordemos que simplemente la 0 intermedia, P("" 0.). nos indica que debemos
sumar

EJEMPLO 2.14.

Selecciono al azar 125 alumnos a la entrada del Tee, encontrando que 53 de ellos lIevan
Matematicas, 68 lIevan Programaci6n y ninguno de los entrevistados lIevan ambas
materias. Si selecciono de entre esos 125 alumnos, uno

at azar, l.CuaI es la probabilidad

que lIeve:
a) l.Matematicas?, b) l.Programaci6n?, c) l.Matematicas 6 Programaci6n? d) l.ninguna de
elias?
53

Opciones a favor

---

a.- P(M)=
Total de posibles resultados

0.424

125

53
Opciones a favor

Ni Mate. ni Pro!mIIIUICi6n.

figura 2.8

b.-

68

0.544

PcP) =
Total de posibles resultados

125

UNIDAD 11

JesUs Diaz Diaz

Teoria de las probabi.lid.ades

55

Para el inciso c, acierto si selecciono un alwnno que este cursando Matematicas 0

Programaci6n, (M 6 P).
La ( 6 ) intermedia me indica que debo sumar
P(M) + P(P) Y como ninguno de los 125 alumnos cursa a la vez matematicas y
programaci6n, no existe intersecci6n por 10 que debo aplicar la regIa de la adici6n
para eventos excluyentes

53

c. - P( M 6 P) = P(M) + P (P) =

68

121

---=0.968

125

125

125

Opciones a favor

Total de posibles resultados

125

d.- P (Ninguna de ellas) =

0.032

EJEMPLO 2.15

Seleccionamos al azar 100 alumnos a la entrada del Tec. y encontramos que 53 de ellos
Bevan Matematicas , 68 lIevan Programaci6n y que 25 de los 100 lIevan ambas materias. Si
de entre esos 100 alumnos seleccionamos uno al azar

~cual

es la probabilidad de que al

menos lIeve una de esas dos materias?

Cuando se pide "al menos una de esas materias"
implica que puede ser Matenuiticas 0
Programaci6n, pero pueden ser tambien ambas
materias, es decir:
P(solo matematicas)+P( solo Prog)+P(MatenProg) =
28

43

25

96

+-- +-
Ni Mate. oi Programacioo.

100

100

100

100

Figura 2.9

Tambien puede resolverse mediante la regIa de la adici6n para eventos no excluyentes

como sigue:

UNlOAD II

JesUs Diaz Diaz

Teoriade las probabilidades

56

Solution mediante la regia de la adicion para eventos no exduyentes:

P ( MoP) = P ( M ) + P ( P ) - P ( M n P ). Probabilidad de todos los que Bevan
matematicas (mas) probabilidad de todos los que Bevan programaci6n (menos) la
probabilidad de las que Bevan ambas materias puesto que este grupo fue contado dos
veces, primero en P(M) y despues en P(P)
53

P( MoP) = P(M) + P(P) - P ( M n P) = -

100

68

25

96

100

100

= 0.96

-t

100

PROBLEMA 2.16

En la biblioteca central de la Universidad se encuentran 18 mujeres y 12 hombres

estudiantes de Turismo, tambien estan 8 hombres y 6 mujeres estudiantes de Economia y
15 hombres y 23 mujeres estudiantes de Comercio. Si para una entrevista selecciono al azar
un estudiante, i.Que probabilidad tengo de seleccionar un estudiante de Economia

de

Comercio?

8 Hombres
6 Mujeres

18 Mujeres y
12 Hombres
=

= 30 estudiantes

de Turismo

14 Estudiantes
de Economia

Puesto que no consideramos

alumnos que a la vez sean de
Economia y de Comercio,
entonces no Hay intersecci6n,
no puede suceder a la vez. Y
sera regia de la adicion para
eventos excluyentes.

P(E0q

P( E) + P(C) =
14

38

52

P(E6C)=- + ---82
Figura 2.10

82

82
=

0.6341

UNIDAD II

JesUs Diaz Diaz

Teoria de las p-obabilidades

57

PROBLEMA 2.17

Si en el problema anterior la pregunta es:

l,Que probabilidad tengo de seleccionar un

alumno que sea mujer 0 estudiante de Turismo?

Sigue siendo un solo experimento,
"seleccionar un alumno", y varios posibles
resultados.
- Consideraremos como acierto a cualquier
mujer 0 a cualquier estudiante de Turismo.
Pero como hay mujeres que a la vez son
estudiantes de Turismo, hay intersecci6n
(puede suceder a la vez "mujer y estudiante de
turismo"). Es una clara indicaci6n de que
debemos aplicar la regia de la adicion para
eventos no excluyentes. Y restamos una vez
P(M n T) para no duplicar el dato ya que se
incluv6 en P(M) v en peT).

P(M 0 T) = P(M)+P(T) - P{Mn T) =

47

30

18

59

P(MoT)= - + - - - =
82

82

82

82

P(MoT)=0.7195

PROBLEMA 2.18

Seg(ln una casa de bolsa, con base en sus experiencias pasadas, la probabilidad de que un
cliente invierta en CETES es 0.4, de que invierta en acciones de Telefonos de Mexico es
de 0.12 y la probabilidad de que invierta en ambos instrumentos es 0.05.

l,Cual es la

probabilidad e que este cliente invierta solamente en CETES 0 en acciones de TELMEX?

Usando el diagrama de YEN facilmente

obtenemos el resultado.
TELMEX
== 0.07

P(C 6 T) = 0.35 + 0.07 = 0.42

Sin el diagrama de YEN tambien

podemos obtener el resultado facilmente
con la regia de la adicion para eventos
Figura 2.ll

no excluyentes:
P( CoT) = P(C) + P(T) - 2[ P( CnT)] = 0.4 + 0.12 - 2[ 0.05] = 0.42

Restamos dos

veces P( Cnl) que significa "ambos", por que este valor se incluyo tanto en P(C) como en P(l).

UNlDAD II

JesUs Diaz Diaz

58

Teoria de las probabilidades

PROBLEMA 2. 19

Si el ano pasado de 100 profesionistas que solicitaron ingresar en el area academica de la

Universidad Aut6noma de Nayarit 80 tenian experiencia docente y 38 tenian un titulo de
Ingeniero en Sistemas; pero 22 de esos 100 solicitantes tenian tanto experiencia docente
como titulo de ingeniero en sistemas. l,Cuill es la probablidad de que un solicitante
aleatoriamente escogido tenga experiencia 6 un titulo de Ingeniero en Sistemas 6 ambos?

La

soluci6n

con

ayuda

del

diagrama es sencilla:
Experien
cia doc.

Titulo
de
Ing. Sist

58

58

22

16

P(E6T)=-+-+ -

16

100

4 sin ex

periencia
ni titulo

100

100

P(E 6 T) = 0.96

Figura 2.12

Pero sin el diagrama tambien podemos

solucionarlo mediante la regia de la adicion para
eventos no excluyentes. La 0 intermedia entre
P(E 0 T) me indica que debo sumar. Y como
puede suceder a la vez (E y tambien T), entonces
hay intersecci6n, no se excluyen y restare una vez
P( EnT), para no duplicar el dato.

P(EoT) = PeE) + peT) - PeEn T) =

80

38

22

P(EoT)= + - - - - =
100

100

100

96

100

2. 10 EVENTOS INDEPENDIENTES Y DEPENDIENTES

Cuando ocurren en secuencia dos

mas eventos puede suceder:

a: Que la ocurrencia de cualquiera de ellos no afecte la ocurrencia del otro. En tal caso, se
dice que ambos son eventos independieotes.

UNIDAD II

JesUs Diaz Diaz

Teoria de las JI'ObabilidadtS

59

b: 0 bien que la ocurrencia de uno de ellos afecte la ocurrencia del otro. En tal caso, se

dice que ambos son eventos dependientes.

Si por ejemplo: Torno una carta de un paquete de 52 cartas, la regreso al paquete,

revuelvo bien, y en seguida tomo una segunda carta del mismo paquete, i.Que
probabilidad tengo de obtener un As (A)? a.- en la primera extracci6n. b.- en la
segunda extracci6n
Para la 18 . P(A) = 4/52 = 0.07692. Para la 28 . P(A) = 4/52 =0.07692. AI regresar la
primer carta al paquete, dejamos intacto el Espacio Muestral y por tanto no modific6 las
condiciones para la extracci6n de la segunda el haber sacado la primer carta. Es un
ejemplo de eventos independientes.
Siguiendo el ejemplo anterior, si ahora tomo la primer carta, la dejo sobre la mesa, y de
las restantes del paquete tomo la segunda carta. Hago la misma pregunta, i.Que
probabilidad tengo de que la segunda haya sido As (A).
En estos casos, en principio, al sacar la primer carta modificamos el espacio muestral
para la extracci6n de la segunda carta, ahora senm solo 51 eartas y ademas, la
probabilidad que tiene la segunda carta depende de 10 que haya salido en la prirnera:
a.- Si la 18 sali6 As, solo quedariln 3 Ases en 51 cartas. Y para la 28 sera P(A) = 3/51 =
0.0588
b.- Si la 18 . No sali6 As (A), para la segunda carta quedaran 4 opciones de acierto, los 4
Ases, y seran 51 cartas por 10 que para la 28 . Sera P(A) = 4/51 = 0.0784

*- Como puede sucede ( a 6 b), implica (adici6n). Asi P(A) = 0.0588 + 0.0784 = 0.137
Este es on ejemplo de eventos dependientes la ocurrencia de uno si afecta al otm.

2.11 PROBABILIDAD CONDICIONAL E INDEPENDENCIA.

La probabilidad condicional se presenta cuando deseamos calcular la probabilidad de que
un evento ( B ) ocurra dado que un evento ( A ) haya sucedido.

Lo anterior 10 indicamos mediante: P(B

I A),

dado que sucede A). Siempre y cuando A >0.

(y se lee, probabilidad de que suceda B,

JesUs Diaz Diaz

UNlOAD II

Teoria de las probabiWes

60

Si tenemos a los eventos (A, B), dentro de

un espacio muestral S y queremos calcular

PCB A), tenemos que dar por ocurrido el

evento A, y al hacer esto el espacio muestral

para la ocurrencia de (B A) se reduce

Unicamente al area de A, y la forma en que
puede ocurrir B, solo se encuentra en la
Figura 2.13

P(B

interseccion de A y B. Por tanto:

P(Ay B)

P(AnB)

peA)

peA)

I A)=

P(B A) Se lee: La probabilidad de

que suceda B dado que sucede A. Es
notacion, no es un cociente.

...................................................................................................

~
En P(B I A), (B) es la condicionada y (A), es fa condicionante.
~

TIP

AI aplicar la fOrmula siempre va fa interseccion en el numerador y siempre ~

ira la condicionante en el denominador.
:

:
AI suceder la condicionante afecta a la condicionada :

...................................................................................
:

EJEMPLO 2.20
Supongamos que en un centro de c6mputo hay 35

lIP

Lanix

computadoras lIP, de las cuales 23 tienen

instalado el paquete Excel. Tambien hay 25
computadoras Lanix, donde en 20 de ellas estli

Con Excel
Sin Excel

instalado el paquete Excel.

23
12
35

Llega un alumno y al azar, Ie asignan una computadora.

20
5
25

43
17
60

Tabla 2.2

l.Culil sera la probabilidad que dicha maquina tenga instalado Excel dado que es una

maquina Lanix?

P( EnL) 20/60
P(EIL)=----=--= 0.8
P(L)
25/60

Damos por hecho que es Lanix y con ello las

oportunidades de acierto de que tenga el Excel
se limitan exclusivamente a 20 Llinix con Excel
y e1 espacio muestal se reduce a solo 25 Lanix.

UNlOAD II

Jesu.s Diaz Diaz

Teona de las probabi~dades

61

Para checar si existe DEPENDENCIA 0 INDEPENDENCIA de (A a B) 0

de (B a A) :
P(A) = P( A I B)

Si,

Si,

Quiere decir que el heeho de que haya

oeumdo el evento ~ no modifie6 la
ocurreneia del evento B. Por tanto:
No hay dependencia

f--

P(A) :;t: P( A I B)

Quiere deeir que el heeho de que haya

oeumdo el evento A, si modifie6 la
oeurrencia del evento B. Por tanto:
Si hay dependencia

EJEMPLO 2.21

Cheque si existe 0 no dependeneia entre los eventos (A y B) en e1 Ejereicio 2.20.

Sera: I.P(A) = P( A I B)? Sustituyendo: , - - - - - - - - - - - - - - - - - - ,

* peA) = Probabilidad de seleceionar

(43/60)

:;t:

una eon excel. Entonees

P (A) = 43 /60.
* P( A \ B) = 0.8 fue ealeulada en el
ejereieio 2.20

0.8 Son diferentes. Entonees

quiere deeir que B si es dependiente de A

EJEMPLO 2.22
Un reporte del Departamento de Tnmsito del Estado aeerea de los aecidentes del pasado
mes por causa de eonducei6n de vehieulos en estado de ebriedad se presenta en el siguiente
euadro:

I~
H
M

Aeeidente Null.
1.

2.6 mas

35

18
4

53
12

43

22

65

Caleule la probabilidad que si seleeciono al

azar un expediente de estos accidentes, sea
de alguien con un primer accidente dado que
sea de una mujer.

Tabla 2.3

P(lernM)
P( ler Accidente 1M)

8/65

=---

P(M)

12/65

0.66667

UNlOAD II

JesUs Diaz Diaz

Tecria de las p-obabilidades

62

EJEMPLO 2.23
La Secretaria de Comunicaciones y Transportes del Estado indica que en este periodo, la
probabilidad de concluir satisfactoriamente el programa de rehabilitaci6n de carreteras es
de 0.75, Yque la probabilidad de concluir el programa de construcci6n de carreteras nuevas
es de 0.8, ademas indic6 que la probabilidad de concluir ambos programas es de 0.60.

a.- Calcule la probabilidad de que concluya satisfactoriamente el programa de

rehabilitaci6n de carreteras (R), dado que si concluya adecuadamente el programa de
construcci6n (C).

P(RnC)
p(R1 C)=

0.60

P(C)

--- =

0.75

0.80

b.- Detennine Si hay dependencia 0 no

PeR) = P( R IC); Sustituyendo:
0.75 = 0.75

Son iguales P(R) y P(R IC); Por 10 tanto No bay dependencia.

2.12 REGLA DE LA MULTIPLICACION.

La regia de la multiplicaci6n la usamos cuando queremos calcular la probabilidad de que

sucedan dos eventos P(A y B) 6 10 que es 10 mismo, P(AnB). Esta regia afirma que la
probabilidad de que ocurran dos eventos es igual al producto de la probabilidad de que
ocurra uno de ellos multiplicada por la probabilidad de que ocurra el otro.

Su calculo se realiza segim sean los eventos independientes 6 dependientes.

UNlOAD II

JesUs Diaz Diaz

Troriade las prababilidades

63

:.........................................................................

PtA y B) = PtA) P(B) Cuando SOD eventos independientes

:

:
: Se
.

~ apUea
PtA y B) = PtA) P(B IA) Cuando son eventos dependjeotes
;

.
:
* P(B IA) se lee (probabilidad de ''B'' dado Que sucedi6 "A"). :
. .......................................................................................
.

:..............................................................

Cuando se presenta P(AyB), la (y) podemos interpretarla como :

TIP

::

:
:

indicaci6n de que debemos emplear la regia de la multiplicacion.

Si en PtA y B), la ocurrencia de (A) no modifica el espacio muestral

para la ocurrencia de (B), serim eventos independientes. Si la ocurrencia
de (A), si modifica el espacio muestrat para (B), serim eventos
dependientes.

:
.

:
.

. .................................................................................................
:
EJEMPLO 2.20
Si una gran encuesta concluyera que para la siguiente elecci6n de Presidencia de Mexico el
52 % de los votantes simpatiza con Vicente Fox y decidieramos if a la calle y at azar
preguntar a algunos ciudadanos sobre sus preferencias electorates. Que probabilidad existe
de que:

a.- Los primeros dos digan que votaran por Fox? P( Fy F) = P(F)P(F)=0.52XO.52

0.2704

La selecci6n es aI azar, no influye la respuesta que de uno a la que de el otro, por

tanto hay independencia. Y del planteamiento P(Fox y Fox) , la (y) intermedia
implica que debemos multiplicar. Aplieamos entonees, la regia de la multiplieacion
para eventos independientes.
b.- EI primero diga que por Fox (F) y el segundo que no votara por Fox (N).

P (F y N) = P(F) P(N) = (0.52) (0.48) = 0.2496

Sigue siendo la selecci6n al azar y por ello sigue habiendo independencia.

Para calcular la probabilidad de (No Fox) aplicamos P(Q) = 1 - PtA) = 1 - 0.52 =

0.48

La (y) intermedia indica multiplicacion. Entonees sera regia de la multiplieacion

para eventos independientes

~.-

Teolia de las JX1lbabi Iidades

UNIDAD II

,JesUs Dfaz Dfaz

64

Que uno de los dos diga que votara por Fox (F) y el otro no (N).

P(F y N) + P( Ny F) = [[P(F) P(N)] + [P(N) P(F)]] = (0.52 )(0.48) + (0.48)(0.52) = 0.4992

Siguen siendo independientes y tambien aplicamos P(Q) = 1 - P(A). Pero en este inciso
debemos hacer unaconsideracion; Hay dos opciones ( EI primero vota por Fox y el
segundo no 0 el primero no vota por Fox y el segundo si). En cada una de las opciones
apJjcamos la regia de la multiplicacion. Pero como solo una de esas opciones puede
ocurrir a la vez aplicamos la regia de la adicion para eventos excluyentes.

d.- Que de cinco entrevistados, tres voten por Fox (F) y dos, no voten por Fox (N).
P(F YF YF YNy N)

= (0.52) (0.52) (0.52) (0.48) (0.48) = 0.032396

P(F YF YNy F Y N) = (0.52) (0.52) (0.48) (0.52) (0.48)

I

= 0.032396
P(F YF YN YN Y F) = (0.52) (0.52) (0.48) (0.48) (0.52) = 0.032396

P(F YN YF YF Y N) = (0.52) (0.48) (0.52) (0.52) (0.48)

= 0.032396

P(F YN YF YNy F) = (0.52) (0.48) (0.52) (0.48) (0.52) = 0.032396

P(F YN YNy F Y F) = (0.52) (0.48) (0.48) (0.52) (0.52) = 0.032396
P(N YF YF YF Y N) = (0.48) (0.52) (0.52) (0.52) (0.48) = 0.032396

= 0.032396
P(N YF YNy F Y F) = (0.48) (0.52) (0.48) (0.52) (0.52) = 0.032396
P(N YN YF YF Y F) = (0.48) (0.48) (0.52) (0.52) (0.52) = 0.032396
P(N YF YF YN YF) = (0.48) (0.52) (0.52) (0.48) (0.52)

Podemos obtener Ia lista mediante un diagrama de arbol.

~ =

0.32396

Siguen siendo Independientes y en cada uno de los arreglos aplicamos la regia de

la multiplicacion para eventos independientes. Pero aqui debemos calcular todas
las formas en que pudiera ser que se cumpla que 3 voten por Fox y que 2 novoten
por Fox. Cada uno de los 10 arreglos anteriores puede suceder, pero a la vez, solo
uno de ellos, por tanto tambien aplicamos la regia de la adicion para eventos
excluventes.
Podemos solucionarlo tambien formando uno de los posibles arreglos, por ejemplo:
P(F y F Y F y N y N ) = (0.52) (0.52) (0.52) (0.48) (0.48) = 0.032396, luego
calcular: de cuantas maneras puede suceder que de 5 personas 3 opinen que si y 2
que no votan par Fox: sC] 2C 2 = (10) (1) = 10 formas. Cada una de estas 10
formas, tienen igual probabilidad que la anterior. Por tanto laprobabilidad del
InCISO es:
P( 3 POR FOX y 2 CONTRA FOX) = (0.032396) ( 10) = 0.32396

UNIDAD II

JesUs Diaz Diaz

65

Teoria de las p"obabilidadcs

EJEMPLO 2.21

En un grupo de 40 alumnos hay 18 mujeres y 22 hombres. Si el profesor selecciona al azar

dos alumnos para que expongan cada uno un terna diferente, (, que probabilidad e,oste de
que seleccione:
a).- Un hombre para el ler tema y una mujer para el segundo tema?

b).- Un hombre para

uno de los temas y una mujer para el otro? c).- Dos mujeres?

La ocurrencia de (H) reduce el espacio

muestral para la ocurrencia de (M) Por
a. - El orden de la ocurrencia esta bien definida tanto hay dependencia. Luego la (y)
1 hombre y 2 mujer por tanto:
en P(HyM)
indica multiplicar.
22
18
Aplicamos entonces la regia de la
P(HyM) =P(H) P(M IH) = ----x = 0.2538 muitiplicaciOn
para
eventos
dependientes.
40
39

,-------------------1

Puede ocurrir el primero 0 el segundo

arreglo, solo uno de ellos. Sera entonces
regia
aditiva
para
eventos
excluyentes. Pero al interior de cada
evento la ocurrenCla del pnmero
modifica el espacio muestral del
b.- El orden de la ocurrencia no esta definido. segundo. Por tanto aplicaremos la regia
Ya que puede ocurrir [(10 hombre y 2 mujer) multiplicativa
para
eventos
0(1 M y 2 H)] por tanto:
deoendientes en cada uno.
18
22
22 18
P(HyM) 0 P(MyH) =-X-- + - X - = 0.2538 + 0.2538 = 0.50676
40 39
40
39

,--

-------j

c. - No requiere orden puesto que se desea

obtener la P(MyM), no hay diferencia.
.l1

-l&...

P(MyM) =

40

En los dos incisos anteriores fue

necesario considerar el orden de
aparici6n por que se trataba de
elementos de I&,oto "diferentes" (H,M).
En este inciso son elementos iguales de
acierto (MyM) por 10 que el orden en
que aparezca es igual.

39

0.19615

Sigue siendo regia multiplicativa para

eventos dependientes
I

Teoriade las probabiIKYl$

UNlDAD II

JesUs Diaz Diaz

66

PROBLEMA 2.22

lIP

Lanix

Total

20

43

Supongamos que en un centro de cOmputo

hay 35 computadoras lIP, de las cuales 23
tienen instalado el paquete Excel. Tambien
hay 25 computadoras Lanix, donde en 20 de

Con Excel

23

Sin Excel

12
35

elias esta instalado dicho paquete.

5
25

17
60

Tabla 2.4

Llegan 5 alumnos y en el 'Orden que van llegando seleccionan al azar una PC. i,Que
probabilidad existe que a los primeros tres Ie toque una con Excel (E) y a los dos ultimos
sin Excel (E ') ?
La (y) nos indica multipLicar, y sera cinco veces que apliquemos la regia de la
multiplicacion. Cada vez que un alumno escoge una PC, se reduce el espacio muestral,
los que sigan serlin dependientes. Por 10 que Aplicaremos La regia multiplicativa para

eventos dependientes.
43
42
41
17
16
20,140,512
P(EyEyEyE'yE')=- X - X - X - X - =
=0.0307
60
59
58
57
56
655,381,440

2.13 TEOREMA DE BAYES.

El Teorema de Bayes es un importante metodo que nos permite analizar eventos
secuenciales ''bacia atras". Es decir, su aplicaci6n nos permite calcular la probabilidad
condicional de que haya ocurrido un evento en la primera posici6n

secuencia~

dado que se

ha observado un suceso particular en La segunda posici6n de la secuencia

P(Ai ) P(Bi

IAJ

p(AI B)=
D

L P(Ai )

P(Bi IAi)

FORMULA DE BAYES.
AI numerador corresponde toda la rama de
acierto del ilrbol de probabilidad.

i=l

Y al denominador corresponde La suma de

todas las ramas que tengan elementos simiLares al elemento conocido de exito.

UNIDAD 11

JesUs Diaz Diaz

67

Teena. de las p-obabilXlades

Lo anterior podemos interpretarlo mas facilmente con el siguiente ejemplo:

PROBLEMA 2.23
Un profesor que aplico un examen considera que en su grupo el 83% de sus a1umnos
estudiaron adecuadamente. Pero tambien estima que en examenes similares reprueba el 4 %
de los alumnos que si estudian bien, mientras que de los alumnos que no estudian bien
reprueba el 92%. EI profesor revisa un examen y es de un alumno reprobado, l,Cual es la
probabilidad de que ese alumno que reprobo

0.96

~
0.08

= 0.796 Rama 1

= 0.033

Ramal

= 0.013

Rama 3

haya estudiado bien?

EI arbol de probabilidades indica claramente las

probabilidades asociadas a cada evento.
Tenemos cuatro ramas: (OEA, OER, ONA, ONR ).
Cada rama representa dos eventos en secuencia y
su probabilidad es su producto.
E con N deben ser excluyentes (no pueden
suceder ala vez), igualmente 10 son A con R .

0.156 Rama4

E = Estudia bien.

N = No estudia bien.

A= Aprueba

R = Reprueba.

l,La probabilidad de que ese alurnno que reprobo

haya sido un alumno que si haya estudiado Ia
plantearemos: Probabilidad condicional de que
baya estudiado dado que reprobo PeE R). Y
asi 10 que vamos a calcu1ar es la probabilidad
"bacia atras". Calcularemos la probabilidad de la
primera posicion secuencial de la rama 2 dado
que conocemos la segunda posicion de su
secuencia.

* Diagrama de 3rbol de probabilidades

Figura 2.14

Aplicamos entonces el teorema de Bayes.

Opciones de acierto

P(E R) =
Todos los posibles resultados

RamJl 2
PeE) P(R E)
=---- =---------

rama 2 + rama 4

De a1umno reprobado

(0.83) (0.04)

0.0332
=

(0.83) (0.04) + (0.17) ( 0.92)

PeE) P(R E) + P (N) P(R N)

0.0332 + 0.1564

0.1751

UNlDAD II

JesUs Diaz Diaz

Teoriade las p-obahilidades

68

PROBLEMA 2.23
Con los datos del problema anterior, a)lque indice de reprobaci6n espera el profesor? b)
Si su grupo es de 40 alumnos, segUn sus cillculos l Cmintos alumnos espera que van a
reprobar?

a.- Espera que van a reprobar una parte de los que no estudiaron bien, la rama 4 del
diagrama de arbol y tambien una parte de los que si estudiaron bien, rama 2. Entonces:
P(reprobados) = (rama 2 + rama 4) = 0.0332 + 0.1564 = 0.1896

bien:

18.96 %

b.- Los reprobados senin eI18.96% de los 40 alumnos.

40 x .1896 = 7.584

8 aJumnos reprobados.

PROBLEMA 2.24
En la escuela de Economia en este momento se esta aplicando examen en tres aulas. En el
aula "A" hay 18 mujeres y 20 hombres. En el aula 'cs" hay 12 mujeres y 14 hombres y en
el aula

"e"

hay 9 mujeres y 15 hombres. Si al terminar una mujer comenta que hizo su

examen con facilidad lque probabilidad existe que 10 haya hecho en el grupo "A"?

l~8

1/3

A~OH

~
2/26

1/1

14

= 0.1579 Rama 1
=0.1754 Rama2

2M

= 0.1538

RaIna 3

4H

= 0.1795

RaIna 4

= 6.1.250

Raffia 5

= 0.2083

Raffia 6

1/3

A=AulaA

B= AulaB
C = Aula C

M= Mujer
H= Hombre

Arhol de probabilidad

Figural.I5

En el arbol de probabilidad indicamos

todas las probabilidades asociadas y la
probabilidad por cada rama.
Resulta igual seleccionar al azar cualquiera
de las tres aulas. Por tanto La probabilidad
a cada aula sera 1/3.
Hay tres formas de que una mujer venga
de esas aulas: (que venga de La A, B 6 C),
Por tanto hay tres ramas donde hay
mUjeres, Esas tres ramas seran el
denominador.
Deseamos conocer la probabilidad de que
la alumna venga del aula "A", entonces la
rama de exito sera la rama 1 y sera el
numerador, es decir P(A) (M IA).
Aplicamos entonces el teorema de Bayes.

69

Ramal

p(AI M)=

P(A) P(M I A) + P(B) P(M I B) + P(C) P(M I C)

Ranta 1 + Ranta 3 + Ranta 5

0.1579
= ----------

0.1579 + 0.1538 + 0.1250

0.1579
- - - = 0.3616
0.4367

2.14PROBABILIDAD USANDO ANALISIS COMBINATORIO

EI uso de aruilisis combinatorio viene a facilitar en muchas ocasiones la solucion de
problemas probabilisticos, especialmente aquellos donde se presenta muchas opciones de
solucion. Con frecuencia, los elementos que confonnan un resultado de acierto, si se
permutan entre ellos, forman largas listas de opciones de solucion y deben ser considerados
todos y cada uno de ellos, como el ejemplo 2.20d.

EJEMPLO 2.25

En una reunion se encuentran 6 alumnos del Tee, 8 alumnos de Economia y 4 alumnos de

Leyes. Deciden elegir al azar 3 de ellos para presentar una propuesta al gobernador.
probabilidad hay de que: a) los tres seleccionados sean alumnos de Economia? b)
sean de Economia y 1 del Tee. c)

~Que

Que 2

Que sean seleccionados Economia, Tee, Leyes. En ese

orden. d) ~Que sea uno de cada escuela?

8.-

Es simple pues los tres

son similares.

P(E1Y 14 YE 3) = P(Ed P (Ezi Ed P (E31 E 1 Y 14) =

= (8/18) (7/17) (6/16)=(336/4896)=0.0686
todas las formas de selecinar
tres de 8 de economia
gC 3

56
o bien: Mediante : P(E lyEz yE3 )
= - = - = 0,0686
Amilisis combinatorio
Todos los posibles resultados 1gC3
816
De seleccionar 3 de todos

Jeai.s Diaz Diaz

70

b.- 2 de Economia y 1 del Tee. Si no

empleo tecnicas de conteo necesito
elaborar la lista de todos los posibles

(EET) = (8/18) (7/17) (6/16) = 336/4896 = OJ)686

(ElE) = (8/18) (6/17) (7/16) = 336/4896 = 0.0686
(fEE) = (6/18) (8117) (7/16) = 336/4896 = 0.0686

Este metodo mientras mas elementos tenga mas se dificultara

0.2058

o bien mediante analisis combinatorio:

168
P(2 de Economia y 1 del Tec.) =

---=

0.2058

816

c.- Economia, Tee, Leyes, en ese orden: P(EyTyL) = P(E) P(T IE) P(L IEyT) =
= (8/18) (6/17) (4//16) = 0.039

d.,.. Uno de carla escuela:

gC l 6C l 4C l
P(EyTyL) = - - - - - - - - - - = 0.059
ISC3

EJEMPLO 2.26
Un juego de Poker esta por iniciar. Deseo saber cucil es la probabilidad de que

at recibir mis

5 cartas: a) 3 sean reyes (K), y 2 sean ases (A). b) obtenga tercia de jotos (1) c) par de ases
(A) y par de reyes (K).

Todos los incisos de este problema sercin demasiado largos hacerlos si no utilizamos
ancilisis combinatorio, ya que tendriamos que obtener la Iista de todas la opciones como
en el problema 2.25 b. pero en este ejercicio son demasiadas la opciones en cada inciso.
Por tanto es mucho mas sencillo utilizar el ancilisis combinatorio como sigue:

:-

-.

:- ................................................ ..............

~
Siempre aplicaremos la formula
fi~~~~~;,:~~~~i~~:
~............. ~ general de probabilidades.
~ P(A) =
~
~

TIP :

............................................. t

Total de posibles resultados

(de acierto y de no acierto)

:
:

...................................... :

UNlDAD II

JesUs Diaz Diaz

Teoriade las p-obah~e$

71

a.
4C J

4C 2

P(3K y2A) =

(4) (6)
24
- - - = ---=9.2345X 10~
2,598,960 2,598,960

4C J =Todas las fOTlllaS en

que puede obtener 3

de los 4 Reyes.
4C 2 = Todas las formas

en que puede obtener

2 de los 4 Ases.

las formas
en que se pueden
obtener 5 de las 52
cartas.

52C5 = Todas

4CJ =Todas las formas en

que puede obtener 3 de

los 4 lotos.

las formas en
que puede obtener 2
de las 49cartas que
quedan luego de sacar
losjotos.

b.

49C 2 = Todas

4CJ

4i~

P(3J y 2?) =

(4)(1176)

4,704

- 1.8100
2,598,960 2,598,960
-

52C5

10-3

las formas en
que se pueden obtener
5 de las 52 cartas.

52C5 = Todas

-,

C,

4C2

4G

P(2Ay2K)=
52C5

1,728
~I (6) (6) (44)
=
=
- 6.6488X 104
2,598,960
2,598,960

Muy similar al
anterior.

UNmAD II

JesUs Diaz Diaz

Teoriade las p-obabilidades

72

2.15RECOMENDACIONES DmAcTICAS Y BIBLIOGRAFIA

DEL CAPITULO.
Luego de haber analizado esta unidad, es recomendable practicar resolviendo los
problemas propuestos en:

FREUND John E. " Estadistica Elemental" Ed. Prentice Hall, 88 Edici6n,

Mexico 1994, p.p. 108,109,119-121,128-130,134-136,143
146,150,151.

LIPSCHUTZ, Seymour. ''Probabilidad'' sene Schaums Ed. Mc. Graw Hill

- WALPOLE y Myers "Probabilidad y Estadistica para ingenieros" Ed. Prentice

Hall, 68 edici6n, Mexico 1999, p.p. 17, 18,33,34,42,43,44,
49,50.

BIBLIOGRAFIA DEL CAPITULO.

Ademas de los tres anteriores:

LEVIN, Richard I.

''Estadistica para administradores" Ed. Prentice Hall,

68 edici6n,

Mexico, 1996.

MONTGOMERY, Douglas C. ''Probabilidad y Estadistica aplicadas a la

Ingenieria" Ed Mc. Graw Hill, 18 Edici6n 1996.

JesUs ow ow

UNIDAD II

Tcoria de las ~i1idad.cs

2.16 RESUMEN.

Continuamente tomamos decisiones en un clima de incertidumbre, siempre con el riesgo

de no tomar la mejor decision .

La

probabilidad, es el estudio de eventos puramente

aleatorios, es decir, al azar. La probabilidad nos proporciona herramientas para analizar

esta incertidumbre, y con ello nos proporciona una base para la toma de decisiones.

Existen varios conceptos de "Probabilidad", pero destacan:

a.- Concepto clasico.- Surge de los juegos de azar pero tiene una restricci6n ya que solo es
aplicable cuando en un experimento 'lodos los posibles resultados son igualmente
probables, y que exista un numero finito de posibles resultados" como en los juegos
de azar
b.- De la frecuencia relativa. Resulta de la observaci6n de pruebas repetidas. La
probabilidad del evento estara dada por el total de aciertosobservados dividido entre
el total de observaciones
c.-

Probabilidad subjetiva. Es la estimaci6n personal de un evento. Se basa en la

intuicion.

Tenemos tres postulados de la probabilidad:

b), peS) = 1, La probabilidad de que ocurra el espacio muestral siempre es seguro.

73

De los dos anteriores concJuimos que (PA")

= I-P(A) donde P(Q)=

Prob. de no

acierto.
a), 0

peA)

1. La probabilidad jamas es menor que cero y jamb es mayor que uno.

Cuando un evento definitivamente no puede ocurrir, su probabilidad es cero. Y por

el contrario, cuando su ocurrencia es completamente segura, su probabilidad sera
igual a uno.

c), P(AuB) = peA) + PCB). La probabilidad de A uni6n B es igual a la adici6n de ambas

probabilidades. Y de aqui surge la regia de la adici6n.

UNIDAD II

JesUs Diaz Diaz

Teoriade las probabilidades

74

Las posibilidades, no es mas que otra forma de escribir la probabilidades, solo que
enfrentan: todos los resultados a favor: todos los resultados en contra

Dos eventos pueden ser excluyentes, si no tienen elementos en comun

si no pueden

ocunir al mismo tiempo. Y pueden ser no excluyentes cuando si pueden ocunir

ala vez.

La regIa de Ia adicion, se usa cuando queremos conocer la probabilidad de que ocurran

dos 0 mas eventos, y su aplicacion dependera de si son 0 no excluyentes.

P(A 0 B) = P(AuB) = P(A) + P(B) cuando son eventos excluyentes

P(A 0 B) = P( A uB) = P(A) P(B ) - p(AnB) cuando los eventos son no
excluyentes.

Dos eventos son independientes cuando la ocurrencia de uno no afecta la ocurrencia del
otro. Y son dependientes, cuando la ocurrencia de uno modifica el espacio muestral para la
ocurrencia del otro.

La probabilidad condicional, se presenta cuando deseamos calcular la probabilidad de

que un evento suceda, dado que otro determinado evento previamente haya sucedido.

P(B

P(AyB)

p(AnB)

P(A)

P(A)

I A)=

P(B A) Se lee: La probabilidad

de que suceda B dado que sucedio A
[Es notacion, no es un cociente].

La regIa de la multiplicacion la usamos cuando queremos calcular la probabilidad de que

sucedan dos

mas eventos y se aplica seglin sean dependientes

independientes.

P(A y B) = P(A nB) = P(A) P(B)

Cuando los eventos son independientes

P(A y B) = P(A nB) = P(A) P(B IA)

Cuando los eventos son dependientes

UNIDAD II

JesUs Diaz Diaz

Teoria de las p-obabilidades

75

EI teorema de Bayes es un metodo que nos permite analizar probabilidades condicionales

"hacia atnis " ya que si observamos un suceso particular en la segunda posicion de un
evento secuencial, podremos calcular la probabilidad condicional de la ocurrencia de un
evento en la parte inicial de la secuencia.

FORMULA DE BAYES.

P(Ai) P(Bi Ai)

p(AI B)=

AI numerador corresponde toda la rama

de acierto del arbol de probabilidad.

L P(Ai) P(Bi IAi)

i=l

Y at denominador corresponde la suma de

todas las ramas que tengan elementos
similares al conocido de exito.

UNIDAD III Estadistica De&riptiva 76

JesUs Diaz Dia.z

~I

UNIDAD TRES
-

--

;l

ESTADISTICA DESCRIPTIVA.
3.1

.,
IntroducclOn.

3.2 Manejo de datos.

3.2.1 Distribuciones de frecuencia y terminologia.

3.2.2 Gnifica de rama y hoja

3.2.3 Presentaciones grMicas

3.3

3.2.3.1

Histograma y poligono de frecuencia.

3.2.3.2

Gnifico de barras.

3.2.3.3

Gnifico circular 0 de pastel.

3.2.3.4

Ojivas mayor y menor que.

Medidas de tendencia central y otras medidas de posici6n.

3.3.1 Notaci6n sumatoria

3.3.2 Media aritmetica

3.3.3 Mediana

3.3.4 Moda

3.3.5 Media geometrica

3.3.6 Media ponderada

3.3.7 Cuartiles, DecHes y Percentiles.

3.4 Medidas de dispersi6n.

3.4.1. Desviaci6n media.

3.4.2. Varianza.

3.4.3. Desviaci6n estandar

3.5 Usa de la PC en la soluci6n de problemas de estadistica

descriptiva.

3.6 Recomendaciones didacticas y bibliografia del capitulo.

3.7 Resumen

UNIDAD ill

JesUs Diaz Diaz

3.1

Estadistica Descriptiva 77

INTRODUCCION

Desde la antigiiedad, los gobiernos han tenido necesidad de contar a las personas, sus
propiedades, sus ejercitos, recursos militares y fiscales etc. Y desde entonces, para
cuantificar todos estos recursos, fue necesario levantar censos y organizar todos los datos
obtenidos de manera tal que facilitaran su analisis.

Los problemas que genero esta recoleccion, organizaci6n,

presentacion, anidisis e

interpretacion de dichos datos a dado lugar al desarrollo de metodos y tecnicas que han
venido a conformar la estadistica descriptiva, y posteriormente con base en ella y en la
probabilidad, surge la estadistica inferenciaL

La estadistica descriptiva, es pues, una sene de metodos y tecnicas que llamamos

metodos estadisticos que ayudan a recopilar, organizar, presentar, analizar, e interpretar

eficientemente datos numericos, llamados datos estadisticos; para que en base a esos
anillisis podamos observar el comportarniento historico de la poblacion a que esos datos se
refieren y con ese soporte, deducir que pudiera suceder

que decisiones pueden ser

tomadas como consecuencia de los hechos anteriores; Las tecnicas que empleamos para
ella pertenecen at campo de la estadistica inferencial.

El gran

desarrollo de la ciencia estadistica, en la actualidad, ha hecho de esta una

herramienta muy potente y cada vez mas indispensable en todas las ramas del saber para
el control y para la toma de decisiones en las diferentes areas de trabajo.

UNIDAD III Estadistica De;eriptiva 78

JesUs Diaz Diaz

3.2

MANEJO DE DATOS.

EI manejo de datos tiene que ver con el metodo estadistico, que dividiremos en cinco
pasos:
a.- Recopilacion de datos. Es la busqueda y recoleccion de los datos estadisticos que

se requieran analizar. Puede hacerse seg(In sea necesario, mediante encuestas,

entrevistas, observaciones directas, consulta en dependencias publicas
privadas,

bien obteniendolos de archivos, periodicos revistas u otros medios.

La recopilacion se hani segiln sea necesario; puede ser todos los datos
existentes (poblaci6n), 0 bien solo una parte de ella (muestra); la cantidad de
los datos que se recopilaran dependeni de 10 extenso de la poblacion, del grado
de confiabilidad necesaria en la investigacion y de los recursoS economicos y
tecnicos de que se disponga.

b.- Organization de los datos recopilados. Una vez recopilada la informacion debe
"corregirse" de omisiones, inconsistencias, respuestas irrelevantes y otros

errores que pudieran haber sucedido en la recopilacion. Luego estos datos

deberan clasificarse, organizarse y ordenarse.

c.- Presentacion. Luego de ser ordenados, los datos deberfm presentarse en la forma

mas tacil de leer de tal manera que su comprensi6n sea 10 mas sencilla y clara
posible. Puede presentarse mediante tablas 0 graticos estadisticos.

d.- Antlisis de los datos presentados. Aqui se procesani la informacion (como veremos

mas

adelante) realizando los cillculos necesarios

que arrojaran resultados y

mostraran los aspectos importantes de los datos.

e.- Interpretacion. Los resultados del anaIisis de los datos deberan ser rigurosamente

interpretados por que sus conclusiones seran las que ayuden a la toma de
decisiones.

UNmAn III &tadistica Descriptiva 79

JesUs Diu Diu

3.2.1 DISTRIBUCIONES

DE

FRECUENCIAS

TERMINOLOGIA.

Una vez recopilados y corregidos los datos. hay que ordenarlos y clasificarlos para facilitar
su a.ruilisis. Cuando es una gran cantidad de datos es muy complicado analizarlos si no se
clasifican adecuadamente, y la mejor forma de hacerlo es mediante una distn'buci6n de
frecuencia que consiste en agrupar dichos datos en varias clases, fonnando un cuad.ro
estadistico, como el siguiente ejemplo que representa la poblaci6n estudiantil, por carrera,
en el Instituto Tecnol6gico de Tepic para el cicIo Agosto Diciembre de 1999.

Especialidad

Num. de alumnos

(clase)

(frecuencia)

Se han agrupado los alumnos, en este casc,

LIC. EN INFORMATICA

461

por especialidad, es decir, en grupos de

LIC. EN ADMINISTRACI6N

623

datos similares llamados (categorias

ING. EN SISTEMAS COMPo

469

clases)

ING. ELECTRICA

178

ING. QUlMICA

72

ING. BIOQutMrCA

103

ING. CIVIL

375

cada clase y el resultado es colocado en la

ING. INDUSTRIAL

176

segunda columna que corresponde a la

ARQUITECTURA

508

(frecuencia). Y asi

2965

elementos contiene cada clase.

TOTAL

Tabla 3.1

Se efectu6 un conteo de los elementos de

esta

indica cuantos

FUENTE: Servicios escolares I.T.T

(l'abla eateg6rica) 6 (Distribuci6n de freeuencia

eateg6riea)

..............................................................................................
,Muy importante!
Toda tabla

cuadro estadfstico para tener vaUdez, debe citar la fuente de donde

provienen los datos.

.......................................................

JesUs Diaz: Diaz:

UNIDAD III Estadlstica Descriptiva 80

Existe 000 tip<> de Distribuciones de

Frecuencia, las Uamadas

numericas

siguiente

distribuciones

cuantitativas;

ejemplo

que

Como el

muestra

las

calificaciones obtenidas por los alumnos

del

grupo

"c"

Calificacion
(Clase)

No de alumnos
(FrecueDcia)

Menos de 70

70-74

4
5

75 -79
80-84

de

la

materia

probabilidad el semestre pasado.

de

85-89

6
6

90-94

95 - 100

Total

38

Tabla 3.2

FUENTE: Acta de calificaciones grupo

"c"

de probabilidad semestre 1 de 1999. I:T:T:

La estadfstica tiene su propia TERMINOLOGIA que es indispensable aprender muy bien

antes de seguir adelante y para eUo nos apoyaremos en la Tabla 3.2.

CLASES. Si observamos en la tabla (Tabla 3.2) la primera columna estA formada por siete
parejas de nfuneros, cada pareja sera una clase; A los nfuneros menores de cada
clase se les llama limite inferior de clase (Li), mientras que a los nfuneros
mayores de cada clase Ie l1amamos limite superior de clase (Ls).

FRECUENCIA (I). Como ya 10 vimos (Tabla 3.2), son los niuneros de la segunda columna
de la tabla. Cada frecuencia indica el nUmero de elementos que existen en la
clase que corresponde.

MARCA DE CLASE (X.). Llamado tambien punto medio, se localiza en el punto

central de cada clase. Se obtiene sumando ellimite inferior con ellimite superior
de la clase que se trate y dividiendo entre dose Por ejemplo: La marca de clase de
la tercera clase sera:
X3 = (75 + 79) I 2 = 77

UNlDAD III Estadistica Descriptiva 81

J~s Diaz Diaz

LIMITES REALES DE CLASE

(LRC).

Se localizan entre cada par de clases

sucesivas; y existen limite real inferior (LRI) y limite real superior (LRS)
para cada clase.

LIMITE REAL INFERIOR (LRI). Se calcula sumando el limite de clase inferior de la

clase que se trata, con el limite superior de la clase inmediata anterior y
dividiendo entre dos. Por ejemplo ellimite real inferior de la clase tres sera:

LRh = (75 + 74) / 2 = 74.5

LIMITE REAL SUPERIOR (LRS). Se calcula sumando el limite de clase superior de
la clase que se trata, con ellimite inferior de la clase siguiente y dividiendo entre
dos. Por ejemplo ellimite real superior de la segunda clase sera:
LRSz = (74 + 75) / 2 = 74.5

:_Observese que el LRS de la clase dos, es el mismo punto que el LRI de la clase tres. Y .:.

: asi sera para cada par de clases sucesivas.

:
.

:
: Para calcular el primer LRI, de la primer clase es necesario crear una clase anterior; y .

:
: para calcular el ultimo LRS, de la ultima clase deberemos generar una clase posterior, .

: como se explicara en el ejercicio 1.

:
.....................................................................

TAMANO DE CLASE 6 TAMANO DEL INTERVALO (C).

Se calcula restando el

LRI al LRS, de la c1ase que se trate. Por ejemplo, el Tamafto de clase de la

distribuci6n (tabla 3.2.) sera:
Verifiquemos por ejemplo en la clase 3; (C) =LRS3

LRI3 = 79.5 -74.5 =

RANGO. Comprende todo el espacio numerico que abarca la serie de datos recopilados;

Se obtiene restando el menor de los valores al valor mayor que contenga la serie
de datos.

UNlOAD III Estadistica Descriptiva 82

JesUs Diaz Diaz

....................................................................................................

Una distribucion de frecuencias numerica consta, entonces, de dos columnas. En la :

primera colocaremos las c1ases y en la segunda las frecuencias.

:

ZCOMO FORMULAR UNA DISTRIBUCION DE FRECUENCIAS?

:

: En toda distribucion de frecuencia el limite de c1ase inferior de la primer c1ase, debeni .

: ser menor 0 igual que el mas pequeno de los datos recopilados~ y el limite de c1ase :
: superior de la Ultima c1ase debera ser mayor 0 igual que el mayor de dichos datos para :
: que la distribucion de frecuencias pueda contener a todos esos datos recopilados.
.

: No existeD regla-s d'ermitivas para la selecci6n del tamafio de clase de la distribucion, ..

:
:
: ni para definir cuantas c1ases se deben formular. Ambas selecciones pueden hacerse
: como mejor convenga para su analisis, seg(ln sea el tipo de datos recopilados, y para .

:
:
.
~ ello debemos emplear el sentido comun~ pero es muy conveniente:

:
.
:
: a) .- AI meoos 4 y 00 mas de 15 clases. (Siempre que agrupamos datos, perdemos .

informacion. pero 10 aceptamrn; para ganar facilidad de analisis) [por ejemplo en la :

Tabla 3.2 en la clase (70-74) hay 4 a1umnos~ ellos en realidad obtuvieron (71, 72., 72 Y 74 de :
calificaci6n);
.

[al agruparlos solo sabemos que obtuvieron entre (70 y 74) Y as! eo cada clase, por 10
:

que perdemos mucha informaci6n; pero el arullisis global se facilitara mucho mas que si :
:
analizaramos alumno por alumno]. Para definir el numero de c1ases es entonces
importante considerar un numero adecuado mediando la perdida de informacion

con la ganancia de facilidad de anaIisis.

b) Cerciorarnos de que cada elemento quede solamente en una c1ase.

Para asegurarnos de ello debemos poner atencion en el redondeo que se haga de
los datos para que no pueda caer entre los limite de clase de dos c1ases sucesivas.
[Por ejemplo: si un alumno perteneciera al gmpo que representa la Tabla 3.2, y hubiera obtenido

(74.5) de calificaci6n, at querer ubicarlo en dicha tabla observariamos que no puede pertenecer a
la clase (70-74) ni a Ia siguiente (75-79), quedaria en medio de las dos entre. Entonces seria
necesario redondear mas y las clases quedarian (70-74.5), (75-79.5), (80-84.5), etc.]

c) .- Si el analisis que hagamos

10

permite es conveniente hacer que todas las

c1ases tengan el mismo tamado de intervalo.

:

UNlOAD III Estadistica Descriptiva 83

JesUs Olaz Olaz

EJEMPL03.1
Los siguientes datos corresponden a las calificaciones obtenidas en el examen de admisi6n
por 312 aspirantes a ingresar a una escuela preparatoria en el presente ano. Elabore una
distribuci6n de frecuencia.

40
53
41
53
30
88
68
70
72
63
83
59
87

46
44
66
90
56
91
73
66
75
68
56
55
78

58
55
69
83
64
67
62
65
64

79
65
63
85

62
57
79
46
66
72
82
49
61
63
75
45
62

65
64
78
55
70
61
47
38
59
60
83
84
85

25
62
57
54
85
68
52
84
61
59
57
73
46

14
68
55
62
77
40
60
49
53
58
53
58
59

42 54
97 80
64 66
63 60
61 67
48 58
70 72
65 74
59 58
58 49
50 61
54 52
71 40

57
30
68
65
86
59
77
78
35
22
76
56
88

52
44
74
65
90
65
65
69
81
49
86
62
45

56
94
72
90
46
76
62
79
89
46
89
80
57

64
18
45
82
57
71
57
46
59
52
35
22
72

66
54
47
38
62
85
38
54
42
64
66
45
88

75
61
64
43
65
38
48
62
60
69
56
56
84

20
73
74
51
76
42
51
64
61
70
70
57
76

39
67
60
56
87
53
50
50
63
58
71
71
51

56
35
76
66
25
18
64
78
77
58
57
74
85

63 61 43 77 70 69
56 57 58 67 59 50
67 75 81 47 58 66
65 65 63 61 71 84
45 63 73 69 58 59
75 59 91 80 39 55
67 73 76 82 55 62
51 51 66 60 71 60
51 53 60 63 80 86
54 47 54 72 80 77
52 49 86 81 50 63
85 82 42 87 56 67
48 54 79 81 69 49

I Tabla 3.3

Para poder analizar todos estos datos haremos una distribucion de frecuencia; y para
ello es necesario 10calizar el valor menor y el mayor; En la serie anterior seran (14 y
97), Ypor tanto, ellimite inferior de la primer crase debera ser 14 0 menor y, el limite
superior de la ultima clase debera ser 97 0 mayor. Con estos datos obtenemos el rango
97 -14 = 83
Como vamos a analizar califi.caciones, el sentido cornUn nos indica que es muy
conveniente formular las clases de 10 en 10, iniciando con un numero menor que 14
para 10 cua4 tambien el sentido comim nos indica iniciar la primer clase del numero 10
Yhasta el 19 [abarca 10 nfuneros, (10,11,12,13,14,15,16,17,18,19)], 1a segunda sera (20 a 29), la
tercera (30 a 39) y asi sucesivamente hasta cubrir (97) que es el dato mayor y ocurrirs
con la clase (90 a 99). El nUmero de clases sera el que resulte necesario. En este caso
seran 9 clases.
De esta manera el redondeo que se hace es suficiente para asegurar que todos los datos
peqenezcan solo a una clase y que ninguno caiga entre dos clases sucesivas.
Luego de formular las clases procedemos al conteo para determinar la cantidad de datos
que pertenecen a cada clase y ello detenninara la frecuencia correspondiente a cada
clase

JesUs Diaz Diaz

UNlOAD III Estadistica Descriptiva 84

CLASE

FREC.

TEO

10-19

ill

20-29

~
lmE I

30-39

11

40-49

~~~~~'mtI

36

50-59

~~ ~'H{I ~ ~BQ 1Ut~ ~ I'H(m{-.l];(rBIt~II

77

60-69

~tl;QlH(.'H{I~~lmtIQ.~~tRt1mtI;QlH(.H{I~IIII

84

70-79

DIl~~~~~~~~I

51

80-89

~~IlR~~~~II1

38

90-99

'Hll,.II

7
TOTAL

312

TABLAJ.4

3.2.2 GRAFICA DE RAMA Y HOJA.

Como ya anteriormente mencionamos a1 elaborar una distribucion de frecuencia aceptamos
perder informacion para ganar facilidad de ancilisis. Si deseamos agrupar los datos y no
perder informacion, podemos recurrir al metodo "grafica de rama y boja" que mantiene
los valores individuales integros. Asi la distribuciOn anterior bajo este metodo queda:
A

Cada uno de estos valores es el segundo digito al juntarse con el primer digito correspondiente a su
rengl6n de la columna "A". Asi los primeros son: 14, 18, 18. Los segundos: 25,20,25,22, 22. Etc.

4,8,8

5,0,5,2,2

9,0,5,8,0,8,9,8,8,5,5

0,6,2,3,4,4,1,5,7,7,6,3,6,5,0,8,2,7,8,9,9,6,2,9,9,6,7,9,5,5,2,6,0,5,8,9.

8,4,7,2,6,6,3,5,7,4,6,7,8,9,0,7, 5, 8,3,5,4,1,6,6,7,8,9,8,9,3,9,5,2,7,1,0,5,4,0,1,1,9,3,9,8,9,
1,3,9,8,8,4, 4,6,7,3,0,6,7,2,0,9,5,8,4,2,6,6,7,6,9,7,1,4,8,8,9.

2,5,4,6,3,1,9,4,2,8,1,7,7,6,9,4,6,8,4,0, 7, 6,2,3,0,5,5,6,5.,5,3,1,9,3,5,2,7,1,6,4,7,1,8, 5,2,7,4,2,5,0,2

,8, 6,5,5,9,2,4,6,0,0,3,0,3,1,0,1,1,4,3,8,3,0,4,9,3,6,1,5,3,2,7,9,2

5,7,0,3,9,8,4,2, 4,6,5,1,3,6,7,0,2,6,1,5,6,3,7,2,0,3,0,4,8,9,8,1,7,5,2,9,0,2,7,1,0,6,5,3,1,4,9,6,1,21,8.

0,1,3,2,4,7,6,5,8,5,0,2,2,4.6,0,9, 1,0,1,6,9,6,3,3,4,0,5,2,7,1,5,4,8,8,5,5,7

7,4,0,0,0,1,1

TablaJ.5

UNlOAD ill Estadistica Descriptiva 85

JesUs Diaz Diaz

EJERCICIO 3.1
En base al ejemplo 1 practiquemos ahora los c8J.culos que aprendimos junto con la

terminologia, apliclindola a la distribuci6n de frecuencia anterior y formaremos la tabla

3.6
Formaremos las columnas 1,2 y 3, tomando los datos de la tabla 3.4; luego calcularemos
las columnas 4, 5 Y6.

0
1

L
2

Clases
Ls
Li

10 19
20 29
30 39
40 49
50 59
60 69
70 79
80- 89

90 99
Total

3
Free
f

3
5
11
36
77

84
51
38
7
312

A
4

M.
6

MdeC. Limites reales

Xi
LRS LRI

(10+19)12

14.5
24.5
34.5
44.5
54.5
64.5
74.5
84.5
94.5

(10+9)/2 (10+20)/2

= 9.5
19.5
29.5
39.5
49.5
59.5
69.5
79.5
89.5

=19.5
29.5

39.5

49.5

59.5

69.5

79.5

89.5

99.5

Para calcular el primer Limite real inferiOT (LRI),

debemos generar una elase anterior a la primera de
igual tamado de intervalo:
En esta distribuei6n el tamailo de intervalo es 10 y
la primer elase (10-19) por 10 que generaremos una
clase anterior de igual tamado de intervalo. Esta
tendnl como limites (0-9). Ahora si podemos
calcularel primer limite real inferior:
LRI. = (9+10)/2=9.5
De igual manera Jm3 el ultimo limite real superior
generaremos una elase posterior a la Ultima de
igual tamailo de intervalo:

La ultima clase es (90-99) por 10 que la clase que

generemos tendnl como limites de elase (100-109)
y ahora ya podemos caleular el Ultimo limite real
superior: LRS, = (99+100)12 = 99.5

Tabla 3.6

3.2.3 PRESENTACIONES GRAFICAS.

Una gmfica consiste en un dibujo que representa todos los datos de la distribuci6n
permitiendo filcilmente observar aquellos mas importantes y por tanto, hace mas flicil su
comprensi6n. Son muy usadas cuando queremos presentar una distribuci6n de frecuencia
en una forma mas clara y objetiva.

Presentaremos algunas de las graficas mas usuales otilizando los datos del ejemplo
numero 3.1 cuyos datos se encuentran representados en la Tabla 3.4.

Jes6s Diaz DIu

UNIDAD III Estadlstica Descriptiva 86

3.2.3.1 mSTOGRAMA Y POLIGONO DE FRECUENCIA

Sobre un primer cuadrante; eo el eje "X", dibujaremos una escala con todos los limites
reales de clase de la distribuci6n; y eo el eje "Y", una escala desde 0 basta el valor de la
frecueocia maxima de clase de la distribuci6n.

Enseguida se procede a dibujar el Histograma propiamente dicho, que consiste en un

rectangulo representativo de cada clase que contenga la distribuci6n. Cada rectangulo
tendni su base en el eje "X" y cada uno iniciara en su limite real inferior terminando en
su limite real superior, con una ahura igual a su frecuencia. (Podemos tomar los datos de la Tabla
3.6)

90
F

,.,......

80

.. "
/.,

70

60
50

\'\

.I

e
c

\
\\

Polfgono de frecuencia~ /

\
.........

\I

\'"

3
n

a.

~:........,,&..:......,~....:...-~....:...-~....:...-r\;-;,..:-::;::h:.....:....n:h:.....:....="".'....::.

L..--......oll::.:;;
.":;:--":....,,_
.. .

9.5
4.5

"\. ......

39.5

14.5

49.5

44.5

1......;-;'"""":

59.5
69.5 7.5
89.5
99.5
Lfmites reales de c1ase
54.5
64.5
74.5
84.5 94.5 .104.5 Marcasdeclase(X )

Gnifica 3.1

fQente euadro 3.4

Para dibujar el poligono de :frecuencia trasladamos las marcas de clase (Xi) a los techos de
los rect8ngulos y luego las unimos con una linea punteada iniciando y terminando en el eje

''X''.

UNIDAD III Estadistica Des:riptiva 87

JesUs Diu Diu

3.2.3.2 GRAFICA DE BARRAS

Es muy similar al histograma. La Unica diferencia es que el ancho de los rect8.ngulos se

hara sobre los Iimites de elase, (no en los lfmites reales de clase como el histograma ) .

90

26.923%

80

24.679%

70
e

60
c

16.346%

50
u

40

11.538%

12.179%

30
D

20
c
1.602%
0.966%

o
8

2244%

3.526%

0
10

19 20

I
29 30

, ,
39 40
49 50
59 60
60 70
Limites de clase superior e inferior

Gr8fica 3.2

7980

89 90

I
99

Fuente Tabla 3.4

Es muy comun colorear las barras y , ademas ftecuentemente se i anota en ellas el

porcentaje que representa cada clase con respecto al total de datos.
Las primeras columnas las tomamos de la Tabla 3.6
Clases

10-19
20-29
30-39
40-49

50-59
60-69
70-79
80-89
90-90

Free
3
5
11
36

n
84
51
38
7
312

Xi
% porclase
14.5
0.966
24.5
1.602
34.5
3.526
44.5
11.538
54.5
24.679
64.5
26.923
74.5
16.346
84.5
12.179
94.5
2.244
100%

Tabla 3.7

El porcentaje por clase 10 calculamos tiicilmente mediante

una regia de tres simple; el caIculo de la primer clase sera:
[312 = 100%:: 3 = X]; ''Si 312 datos son el100010 del
total, entonces i..3 datos de esta clase que porcentaje sera?"
(100X3) / 312 = 0.966%
El caIculo del porcentaje de la segunda clase sera:

[312 = 100% :: 5 = X] Y entonces X sera igual a 1.602 %

Y as{ sucesivamente para carla clase sustituyendo el valor
de la frecuencia.

JesUs DJaz DJaz

UNIDAD III Estadistica Descriptiva 88

3.2.3.3 GRAFICA CIRCULAR 0 DE PASTEL.

Es otra forma de representar una distribuci6n de ,---------------------,
frecuencias; se forma

un

cfrculo y se dibujaran en

el a manera de rebanadas de

paste~

tantas como

clases tenga la distribuci6n; pero el ancho de cada

rebanada debera ser proporcional al nUmero de
elementos que representa con relaci6n al total de
elementos de la distribuci6n
Grades par Grades
Clases Free Xi
% porclase
10-19
3 14.5
0.966
20-29
1.602
5 24.5
11 34.5
30-39
3.526
40-49
36 44.5
11.538
77 54.5
50-59
24.679
60-69
84 64.5
26.923
70-79
51 74.5
16.346
84.5
12.179
80-89
38
90-90
7 94.5
2.244
312
100%

crase

acum.

3.4615385
5.7692308
12.692308
41.538462
88.846154
96.923077
58.846154
43.846154
8.0769231
360

3.461538
9.230769
21.92308
63.46154
152.3077
249.2308
308.0769
351.9231
360

Aprovechemos las primeras 4 columnas

que ya calculamos en la Tabla 3.7

Calculemos ahora la cantidad de grados

que corresponde a cada clase ( columna 5)

mediante tma regIa de tres simple. Para la

clase 1 sera:

312 = 360:: 3 =X, es decir, 312 (total de

elementos de la distribuci6n) equivale a

360 grados (total de grados del cfrculo)

entonces, 3 elementos de Ia clase 1,

l,cuantos grados serin?

X= [(360) (3)] / 312 = 3.461538 grados.

As! hacemos ~ las demas clases

sustituyendo en cada cillculo el valor de su

fi'ecuencia y obteniendo los grados de cada

clase.

La columna grados acumulados 1a

calculamos para facilitamos el proceso de

dibujar ya que nos da el dato de donde

termina cada clase siempre con respecto al

ptmto cero grados.

Tabla 3.8
(50-59) = 77 = 24.679%

(4Q.49) = 36 = 11.538%

(30-39) = 11 = 3.526%
(20-29) = 5 = 1.602%
(10-19) = 3 = 0.96%
(90-99) = 7 = 2.244%
(60-69) = 84 =
=26.923
(80-89)=38= 12.179

(70-79)=51 = 16.346

Grafica 3.3

Fuente Tabla 3.4

UNlOAD III Estadlstica Descriptiva 89

Jes6s Diaz Diaz

3.2.3.4 OJIVA MENOR QUE Y MAYOR QUE.

Estas dos graficas son de las llamadas de frecuencia acumulada. Primero bagamos la

ojiva menor que; pero para poder graficarla antes necesitamos realizar ciertos caIculos.
De la Tabla 3.6, usaremos las columnas correspondientes a [freeuencia, limite real

inferior y limite real superior]. Enseguida acumularemos fa frecuencia de las clases

fonnando Ia columna [frecuencia acumulada Menor que), en la Tabla 3.9.

CLA SES Free L1mites reales Free. Acumulada

LRI
LRS
menor mayor
U Ls f

10
20
30
40

19
29
39
49
59
50
60 69
70 79
80 89
90 99
TOT AL

3
5
11
36
77
84
51
38
7
312

9.5
19.5
29.5
39.5
49.5
59.5
69.5
79.5
89.5

19.5
29.5
39.5
49.5
59.5
69.5
79.5
89.5
99.5

312
309
304
293
257

3
8
19
55
132
216
267
305
312

Nos colocamos en el primer limite real superior

(19.5) y nos preguntamos l.cu8ntOS datos
meDores que 19.5 hay?; vemos eo fa freeueocia
que son solo 3 que estm entre 10-19 y set,an
menores que 19.5.
Luego haremos la misma Operaci6n con el
Ifmite real superior (29.5). Nos
segundo
preguntamos l.Cuantos dat<it .!Bores qlle 29.5
tiene la distribuci6n?;
3+5=8 que son los
que estan en las clases lQ..19 y 20-29 y serm
menores que 29.5.
Haremos 10 mismQ con la clase tres. l.Cu8ntos
datos son menores que 39.51; Ser8n
3+5+11=19; Y asl basta terminar todas tas
clases, Y con estos datos formaremos 1a

seTm

180
96
45
7

TABLA 3.9

R.
E

350
3nl=

300

267~

E
N

C
I

250

150

100

21~/

200

./

'/

5/

50
0

312

3
19.5

8
29.5

~
39.5

49.5

LIMITES

GRAFICA 3.4

REALES

59.5

69.5

S UPERIORES

OJIVA MENOR QUE

79.5

89.5

99.5

UNIDAD III Estadistica Dt3criptiva 90

JesUs Diaz Dlaz

Ahora para graficar la ojiva mayor

qu~,

necesitamos los datos de la columna frecoencia

acumulada mayor que, que para este prop6sito calculamos en Ia Tabla 3.9

Para calcular la colunma freeueneia acumulada mayor que, nos colocamos en el primer limite inferior
de la distribuci6n (9.5) y nos preguntamos l,Cuantos datos mayores que bay? L6gicamente serin(312).
Todos los datos serlin mayores, ya que los mas pequeiios de Ia distribuci6n estan basta Ia clase (10-19)
Enseguida vamos a1 segundo limite real inferia (19.5) y DOS preguntamos l.cuantos datos son mayores
que 19.5?, serin todos excepto los de la clase (10-19); serin 312-3=309.
Luego vamos al tercer limite reat inferior (29.5) y nos preguntamos l,CtW1tos datos son mayores que
19.5?; Ser3n todos excepto los de las c1ases (10-19)y (20-29); 312-3-5= 304.
As( seguimos basta el Ultimo limite real inferior, y con los datos resWtantes queda formada la columna
frecueaeia aeumuJada mayor que y COD esos datm se graficara Ia ojm. mayor que.

F
R
E

C
U
E
N
C

1
A

A
C
U
M
U
L
A

350
312

30,9

304

'1n'2

300-F=====:::::F=----.::;::.:..=::::::::293-------------
250

-~57

I---+---+----+-~~..-------

200 ..L----t-----+-----+-----+----"~Cl"I'I"J'IUr---------
150

..L----+-----+------+----+----f-~____'I<_-----

~96

100
50

~45

-+---+-------+-----+---+--~-+--_+_----""o".___~

A
O-'------l------'------'-------L.-------L..-----L-..

9.5

19.5

39.5

29.5

I, I MIT E S

GRAFICAl.5

R F. A 1. F. S

49.5

59.5

J N F F. R lOR F. S

OJIVA MAYOR QUE

69.5

L - -_ _

79.5

89.5

UNlDAD JII &tadistica Descriptiva 91

JesUs Diaz Diaz

3.3. MEDIDAS DE TENDENCIA CENTRAL Y OTRAS

MEDIDAS DE POSICION
Llamamos medidas de tendencia central a aquellos valores que calculamos de tal manera
que un solo valor puedan ser representativo y descriptivo de la poblaci6n a que se refiera.
A estos valores calculados tambien les ltamamos promedios y en este punto veremos:
media, mediana, moda, media geometrica, media ponderada y otras medidas de posicion
como son los cuartiles, deciles y percentiles.

Cada uno de los diferentes promedios (como veremos en cada subtema) se utiliza para
datos con caracteristicas especificas. Calcular un promedio en datos no propios
para ii, nos neva a resultados no muy precisos, erroneos y en ocasiones incluso
il02iCOS.

3.3.1NOTACION SUMATORIA (L).

Antes de iniciar con las medidas de tendencia

ce~tral

recordemos algo de la notaci6n

sumatoria.

Este simbolo 0::) (sumatoria) indica adicion. Por ejemplo:

~i X

12 ~ X ~ 10; X

EZ

~ = (Sumar todos los nUmeros X, tal que X es mayor 0

igual a 10 y X pertenece a los enteros)

igual a 2 y menor 0

= (2+3+4+5+6+7+8+9+ 10) =

54
n

(Xi .YI)

( Sumar desde el primero basta el Ultimo todos los resnltados del producto de cada

;=\

ex. .V

ji)

donde i = ( 1,2,3 .... n)

= (Sumar desde el primero basta el Ultimo de los resultados de multiplicar ( f",XI )

n

donde i = (1,2,3 ... n); yel resuJ:tado de la sumatoria dividirlo entre n.

UNIDAD III Estadistica Descriptiva 92

JesUs Diaz Dia.z

3.3.2 MEDIA ARITMETICA

La media aritmetica de un grupo de datos ( X) es 10 que muy comunmente llamamos

promedio. Se obtiene seg(In sean los datos 00 agrupados 0 agrupados.

Media aritmetica para datos no agrupados.

n

Se obtieoe
mediante

LXI
;=)
-

X=

La media aritmetica (x) para datos no agmpados es

igual a la soma de valores desde el primero basta el Ultimo de
los datos, dividida entre el niunero total de datos.

EJEMPL03.2
Cwil sera el promedio general (media aritmetica) de un alumno que el semestre pasado
obtuvo sus calificaciones como sigue:

"F-------------------------..,

Matematicas 11 = 85
Fisica 1

87

Prob. Y Estad.

80

Metodologia

95

Quimica 1

76

85 + 87 + 80 + 95 + 76
=

423

84.6

n = 5 datos (materias)

Media aritmetica para datos agrupados

Se obtieoe
mediante

II

L
-

fiXi

;=)

X=

La media aritmetica (X) para datos agmpados se

obtiene multiplicando cada marca de clase (XI) de cada
una de las clases por su respectiva frecuencia (fj); luego
estos resultados semn sumados desde el primero basta el
Ultimo y el resultado de la adici6n sera dividido entre el
total de datos (n) = (suma de las frecuencias).

UNIDAD III Estadistica I:briptiva 93

JesUs Diaz Diaz

EJEMPL03.3

Utilizando los datos del problema 1 representados en la Tabla 3.4. calcule el promedio
general obtenido por los 312 aspirantes a ingresar a la escuela preparatoria.

Las
C I a se s
Li
Ls

10
20
30
40
50
60
70
80
90

19
29
39
49
59
69
79
89
99

Free
Fi

Marca de cJase

3
5
11
36
77
84
51
38
7

fiXi

XI

14.5
24.5
34.5
44.5
54.5
64.5
74.5
84.5
94.5

312

43.5
122.5
379.5
1602
4196.5
5418
3799.5
3211
661.5
19434

primeras euatro columnas podemos

tomarlas de Ia Tabla 3.6 puesto que ya las
habfamos calcuIado previamente. Si no las
hubieramos calculado previamente seria
necesario calcularlas para poder obtener (Xi fi)
y poder sustituir en la rormula.

La f6rmula de la (X) nos indica multiplicar

(Xi fi ), asi formamos la columna No.4.
FinaJmente sumamos todos esos
dividimos entre n= 312 datos.

datos

Total
Tabla 3.10

19434
X

=-------- = 62.288
312

3.3.3. MEDIANA
Es otra medida de tendencia central (promedio) que utilizamos en algunos casos cuando

en la serle de datos existen valores extremos

extremadamente superiores

aberrantes, es decir valores que son

inferiores con relaci6n a la gran mayoria de los demas datos

y que si calcularamos el promedio mediante la media aritmetica nos mentiria, ya que estos
valores extremos, jalaran el valor promedio fuera del valor 16gico de la mayoria de los
datos.

JesUs Diaz Diaz

UNIDAD III Estadistica Descriptiva 94

Mediana para datos no agrupados:

Se obtiene
mediante

a. - Ordenaremos todos los datos en fonna ascendente 0 descendente.

I!:::::=====ll b.- seleccionamos el dato que se encuentre justamente a la mitad de la serie
de datos y el valor que este tenga sera el valor de la mediana. Por
ejemplo si son 25 datos, el dato numero 13, sera el dato central y el
valor que este tenga sera el valor de la mediana.
c. - En caso que el numero total de datos fuera par, por ejemplo 26 datos,
seran los datos 13 y 14, los que ocupen el lugar central y en tal caso,
se deberan suma los valores de ambos y dividir entre dos. Este
resultado sera el valor de la mediana

EJEMPL03.4
Calcule el promedio de edad de las personas que viajan en un microbus escolar donde
viajan un guia y 6 ninos cuyas edades son las que siguen:

Nino 1

6aiios

Nino 2

6 aiios

Nino 3

7 aiios

Tenemos siete datos, seis de ellos muy

similares ya que experimentan un
crecimiento paulatino y no severo. Pero
tambien
tenemos
un
dato
extremadamente mayor.
E1 promedio mediante Ia media
arit:Jnetica sera:
45+6+6+7+7+8+10 89

Nino 4

7 anos

X=

Guia

45 aiios

Nm05

8 aiios

Nino 6

10 aiios

=__=12.71
7

Este promedio es ilOgico ya que es

muy superior a Ia gran mayoria de los
datos. Entonces cuando existen datos
extremos 0 aberrantes la media
aritmetica miente.
Y el metodo
adecuado sera Ia mediana

Para caJcular fa med.iana primero

ordenamos los datos en forma
ascendente 0 descendente como
sigue:
[ 45, 10, 8, L 7, 6, 6 ]. Luego
tomamos el dato que ocupe el Ingar
central de la sene. En este caso es
el 4 0 dato cuyo valor es 7 y asi el
promedio mediante la mediana sera

7.
Este metodo en casos similares es
mucho mas eficiente porque ignora
los valores extremos 0 aberrantes y
sitUa el valor promedio en el valor
del dato central resultando mas
confiable.

Si en el ejemplo anterior agregamos otro nino de 8 aiios, al ordenarlos tambien en

forma descendente quedarian: [ 45, 10,8, 8, 7, 7, 6, 6 ], y ahora ellugar central de la
serie 10 ocupan dos datos, un 8 y un 7. Entonces 10 que haremos sera sumarlos y
dividir entre 2 obteniendo asi el valor de la mediana.
[ 8 + 7
2

= 7.5

UNIDAD III Estadistica Descriptiva 95

JesUs Diaz Diaz

Mediana para datos agrupados.

II

Se obtiene
mediante

Me

nl2 = Posicion del dato mediano

(n/2)-"Lf1

Me = Li + ------------------- (C)

fmed.

Mediana

Li

= Limite real inferior de la clase mediana.

= Niunero total de datos.

L f) = Su rna de todas las frecuencias

acumuladas basta antes de la elase
mediana.
f moo = Frecuencia de la clase mediana.

(C)

= Tamafio del intervalo 6 anchura de la

clase mediana

a.- Primero localizamos el "dato mediano" mediante ( nl2 ). Luego 10 buscamos en la

frecuencia acumulada; para ello antes haremos una columna acumulando las
frecuencias de clase.
b.- Ala clase donde pertenezca el dato mediano Ie Ilamaremos clase mediana y de esa
clase tomaremos todos los datos necesarios para sustituir en la formula.

EJEMPLO 3.5
Utilizando los datos del ejemplo 3.1 representados en la tabla 3.4. calcule la mediana de la
distribucion de las calificaciones obtenidas por los 312 aspirantes a ingresar a la escuela
preparatoria.

Aprovechando que ya previamente 10 calculamos, nos apoyamos en las

columnas 1,2,3 y 6 de la tabla 3.9

Clases Free
f
Li Ls

Free
Acum

10
20
30
40

3
8
19
55
132
216
267
305
312

50

60
70
80
90

19
29
39

49
59
69
79
89
99

3
5
11
36
77
84

51
38
7
Total 312

Tornado del cuadro 3.9

Con ( nl2 ) = (312 I 2) = 156 localizamos la posici6n del dato

mediano, mismo que buscaremos en la frecuencia acumulada
encontrando que basta la clase (50-59) los datos acumulados son 132
por tanto no cubre los 156 que es el dato mediano. Es basta la clase
(60- 69) donde se encuentra el dato 156 ya que esta contiene desde el
dato 133 basta el 216.. Entonces la clase (60-69) es la clase mediana y
de ella se tomaran todos los datos para sustituir en 1a f6rmula y obtener
el valor de la mediana.

Li

= Limite real inferior = [ ( Linf + Lsup. clase anterior) I 2 =

= [ ( 59 + 60) / 2] = 59.5

= (LRS - LRI) = 69.5 - 59.5

10

UNlOAD III Estadistica Dew:iptiva 96

JesUs Diaz Diaz

( n / 2) - L f}
Me = Li + --------------- (C)
fmed.

( 312 / 2 ) - 132
(59.5) + ----------------- ( 10) = 62.3571
84

Asi el dato mediano es el dato numero 156 cuyo valor es de 62.3571

NOTA: Si el numero de datos bubiera sido impar, aI aplicar nl2 darla un numero fraccionario pero
se procederia de igual forma.

3.3.4 MODA
AI igual que en el vestir, en el calzar, en la musica y en muchas cosas mas, donde 10 que
mas se repite se dice que esta de moda, tambien sucede en los datos. EI dato que mas se
repite es el dato que esta de moda. Y en una serie de datos:

a.- Puede no haber moda. Esto sucede cuando ninguno de ellos se repite.
b.- Puede ser que solo exista una moda. Sucede cuando la frecuencia de un dato es mayor
que la frecuencia de los demas.
c.- Puede ser que existan dos modas. Sucede cuando hay dos datos cuya frecuencia es igual
entre ambos, y es mayor que la frecuencia de los demas datos.
d.- Y asi puede haber tres 0 mas modas.

Moda para datos no agrupados.

Localizamos la moda simplemente buscando el

los datos que mas se repiten

EJEMPL03.6

De los siguientes datos indique cual es la moda:

a.- (2,4,5,8, 12, 15) = Ninguno se repite, por tanto es amodal, no hay moda.

UNlDAD III Estadistica Descriptiva 97

JesUs Diaz Diaz

b.- (2, 2,4,4,4, 5, 8, 12, 15) = Es unimodal por hay solo un numero que se repite mas que
los demas y es el 4 tres veces, mientras que el dos solo dos
veces.
c.- (2, 2, 2, 4, 4, 4, 12, 12,) = Es bimodal por que tanto el 2 como el 4 se repiten igual
numero de veces, tres veces, mientras que el 12 solo dos
veces.

Moda para datos agrupados

~
Se obtiene
mediante

dl
Mo=Li + -------- (C)
d l +d2
d]

dz

(frn -f])
(frn-fz )

f rn = Frecuencia modal
f] = Frecuencia de la clase inmediata anterior a la
modal
fz = Frecuencia de la clase inmediata posterior a la
modal

L;

= Limite real inferior de la clase modal

= tamaito del intervalo modal

NOTA: La clase modal la localizamOli por que es

Ia que mayor frecuencia tiene.

EJEMPLOJ.7

Utilizando los datos del ejemplo 1 representados en la Tabla 3.4. calcule la moda de la
distribuci6n de las calificaciones obtenidas por los 312 aspirantes a ingresar a la escuela
preparatoria.
Clases Free
f
Li
Ls

10
20
30
40
50
60

70
80
90

19
29
39
49
59
69
79
89
99

3
5
11
36

La clase que mayor frecuencia tiene es la ( 60-69) por tanto semla clase modal,
y de ella obtendremos los datos para sustituir en la f6rmula.
NOTA: en este ejercicio coincidieron en la clase (60-69) tanto la mediana
como la moda, pero para otros ejemplo puede no coincidir asi.
Li = Limite real inferior =[ ( Li + Ls. clase anterior) / 2 = [ ( 60 + 59) / 2] = 59.5
C = (LRS - LRl) = 69.5 - 59.5 = 10

77

84
51
38
7

Total 312
Tornado de la tabla 3.4

d1 = Urn-f]) = (84-77) = 7
dz = (frn- f2)= (84 -51)= 33

7
Mo = 59.5 +--------- ( 10) = 61.25
7 + 33

JesUs Diaz Diaz

UNlOAD III Estadistica Descriptiva 98

3.3.5 MEDIA GEOMETRICA

La media geometrica es el metodo mas eficiente cuando deseamos promediar razones,

tasas de cambio, crecimientos poblacionales y demas datos que presenten crecimiento
geometrico.

Se obtiene II
mediante

G=

= Tasa promedio de crecimiento geometrico

= Niunero de periodos en que creci6

Cr = Cantidad at final del Ultimo periodo.

-(1)

C1

C1

= Cantidad con que inici6 el crecimiento

II

1 crecimiento geometrico sucede cuando una cantidad genera otra cantidad extra cada

periodo de tal manera que el siguiente periodo, iniciara con una cantidad mayor que el
primer periodo y asi sucesivamente, como sucede con las tasas de interes.
Por ejemplo: Si prestamos $200.00 al 25% anual para cobrar el total en dos aiios. Al
final del primer ano, ya nos deberan [$200 + 25% de interes = $ 250 ]; iniciamos el 2
aDo con los $250 y cobraremos al final del 2 ano [$250 + 25% = 312.5]. EI interes
genero mas interes. Y asi sucede con el crecimiento poblacional y todos aquellos casos
donde hay crecimiento geometrico.

EJEMPL03.8
~

Que tasa de interes promedio anual nos pretenden cobrar si al prestarnos $10,000 el dia

de hoy, deberemos pagar $28,000 cuando se cumplan cuatro aDos?

COMPROBACION
/\ 4

Cr
C.

{28:000'

V 10,000
~:-~-: -1

0.293568
29.3568 %
anoal

= 4 periodos de un afio c/u

= Cantidad final = 28,000
= Cantidad inicia1 = 10.000

ADo Cant. inicial

1
2
3
4

Cant. fInal

10,000
10,000.00 + 29.3568 %
12935.68 12,935.68 + 29.3568 %
16,733.18 16,733.18 + 29.3568 %
21,645.50 21,645.50 + 29.3568 %

= 12,935.68
= 16,733.18
= 21,645.50

= 28,000.00

UNIDAD III Estadistica Descriptiva 99

JesUs Diaz Diaz

EJEMPL03.9

Unos bi610gos sueltan 200 conejos en una isla para realizar algunos estudios. Un ano

despues realizan un conteo encontrando que la poblaci6n aument6 a

10,900 coneJos.

i,Cucil es la tasa promedio de crecimiento poblacional mensual?

COMPROBACION
Cant. final

MES Cant. inicial

-1

= 0.395403
=

39.5403%

n = 4 periodos de un afio cIu

Cr

= Cantidad final = 28,000

C, = Cantidad inicial = 10,000

No son solo los 200 conejos iniciales

quienes generaron los 10,900. Tambien
coadyuvaron cada generaci6n que
llegaba a la edad reproductiva. Por tanto
se realiza un crecimiento geometrico.

1
2
3
4
5
6
7
8
9
10
11
U

200.00
279.08
389.42
543.41
758.27
1,058.10
1,476.48
2,060.28
2,874.92
4,01l.68
5,597.91
7,811.35

200.00 + 39.5403 %
279.08 + 39.5403 %
389.42 + 39.5403 %
543.41 + 39.5403 %
758.27 + 39.5403 %
1,058.10 + 39.5403 %
1,476.48 + 39.5403 %
2,060.28 + 39.5403 %
2,874.92 + 39.5403 %
4,01l.68 + 39.5403 %
5,597.91 + 39.5403 %
7,811.35 + 39.5403 %

279.08
389.42
543.41
758.27
1,058.10
1,476.48
= 2,060.28
= 2,874.92
= 4,011.68
= 5,597.91
= 7,811.35
=10,899.99
=
=
=
=
=
=

3.3.6 MEDIA PONDERADA

Muchas veces necesitamos comparar cantidades que son diferentes, ya sea que algunas de
elIas tengan diferente grado de dificultad, que sean mas importantes que otras 0 bien que
tengan mas relevancia 0 peso que las demas; en estos casos la media ponderada nos
permite hacerlo ya que es un promedio 'justo"

Si por ejemplo queremos saber quien es mejor vendedor, Juan que realiza dos ventas por
mes, 0 Raul que realiza 16 ventas en el mismo periodo.

Sin mas informaci6n

asegurariamos que Raul es mejor. Pero si luego sabemos que Juan vende bienes raices y
que RaUl vende articulos electrodomesticos , ahora ya no es facil decidir quien es mejor,
necesitamos un factor que nos permite pesar la dificultad del trabajo de RaUl y el de Juan; a
este factor Ie lIamamos ponderaci6n

UNIDAD III Estadistica Descriptiva 100

JesUs Diaz Diaz

II

II

La media
ponderada se
obtiene

L(Xi Wi)

= Media ponderada

Xi = Cadadato

;=1

w = --------------

W=

La ponderaci6n, 0 bien el peso que se

asigna a cada dato

L(Wi)
;=1

..............................................................

~ La media ponderada nos permite comparar entre si, datos que presentan diferente ~
: grado de dificultad mediante sus promedios ponderados. Es un promedio "justo" .:

.....................................................................................................
EJEMPW3.10

Sabemos que hace afios, en los Tecnol6gicos se calificaba a los alumnos mediante
promedio ponderado y que el departamento escolar tenia una ponderaci6n para cada
materia, que representaba el grado de dificultad de la misma.

EI siguiente cuadro muestra las calificaciones obtenidas por dos alumnos. l.Cmil de los dos
alumnos se esforzaria mas para haber Iogrado esas caJificaciones?
CALIFICACION
Alumno 1 Alumno 2

Ponderaci6n

Promedio ponderado
Alumno 1 Alumno 2

MATERIA

X1

X2

X1W

X2W

Metodologia de la invest.
Economia
Infonnacion tecnologica

100
90
100
80
80
75
80
605

75
90
70
90
88
98
79
590

1
1.3
1
1.8
1.8
2
1.8

100
117
100
144
144
150
144

75
117
70
162
158.4
196
142.2

10.7

899

920.6

Matematicas '"
Fisica II
Mecanismos
Probabilidad y Estad.
TOTALES

Tabla 3.11

899
X

Wi = -------

10.7

920.6

= 84.018; X
alumno I

WI

= ------

10.7

= 86.037
a1numo 2

A pesar de que el alumno (1) obtuvo 605

contra 590 de calificaci6n acumulada, se
esfon6 mas el alumno (2) por que
aprob6 mejor las materias dificiles y asi
10 refleja el promedio ponderado

UNIDAD III Estadistica Deseripriva 10 1

JesUs Diaz Diaz

EJEMPLO 3.11
EI siguiente cuadro muestra las maquinas que para el proceso de troquelado de cofres
automotrices, tiene una ensambladora de autos. Ademas muestra la produetividad de
dichas maquinas.
Maquina tipo

Cantdemaq Productividad

(piezas /hora) = X

18

c
d

22
25

30

i,CuaI sera la produetividad promedio de esas

maquinas?
[ W, serala cantidad de IDaquinas de cada tipo ya
que dada su productividad afectan la prodncci6n total y con
ello la productividad promedio.

Tabla 3.12

( 2 )( 18) + (3) ( 22) + (2) ( 25 ) + ( 4 ) ( 30 )

X w

24.72 piezas / bora

11

EJEMPLO 3.12

En una fabrica de zapatos el patron decide premiar con un bono en efectivo al mejor obrero
de la semana. Puede distinguir facilmente al mejor en cada area de trabajo pues sera el que
mas produccion bien hecha entregue, pero no es asi de facil entre obreros de distintas areas
por que las actividades son diferentes y tambien diferente es la dificultad y el tiempo de
trabajo requerido
EI siguiente cuadro muestra las aetividades de la producci6n donde hubo obreros
destacados, y presenta tambien los tiempos del promedio industrial para cada actividad.
Ademas la produccion promedio diaria del mejor obrero de cada area.
otorgarle el bono?
Tiempopro
Actlvldad medlo Ind.
Cortar Piel

4min

promedlo dia
rio del mejor

Grado de
dlficultad

XW

138 pares

138

Promedio
media ponde
rada
Xw

pespuntar

amin

66 pares

132

13216.5= 18.17

horma!

10min

56 pares

2.5

140

14G'6.5= 21.54

4 min

134 pares

134

13416.5= 20.61

ensuelar

Tabla 3.13

6.5

AI calcular el promedio
ponderado medimos el
grado de dificultad del
trabajo y asi podemos
hacer una comparaci6n
"justa", numericamente.

13816.5= 21.23

Y rebajar

adomo

i,A quien debe

Por tanto debera darle

el bono a quien horma
y ensuela poe que
realiz6 mas trabajo y 10
re:t1eja su promedio
ponderado, es el mas

alto.

UNlDAD III Estadistica Descriptiva 102

JesUs Diaz Diaz

a.- Tenemos de informaci6n las tres primeras colmnnas.

b.- Para calcular la columna correspondieme a "grado de dificultad w" observamos en la columna 2 ewU
es la actividad que menos tiempo requiere. sera ( cottar piel y rebajar con 4 minutos y tambi6I
adomar con 4 minutos), entonces a esas dos actividades les asignamos la ponderaci6n de 1.

c. - Luego checamos las demas actividades calculando sus ponderaciones mediante una regia de 3 simple.
Por ejemplo [4 min := 1 de ponderaci6n :: 8 min := X de ponderaci6n ] := [(1 X 8)/4] =

que

corresponde a la ponderaci6n de pespuntar. Luego igualmente para la ponderaci6n de "Montar en

horma y pegar suela haremos la regia de tres. [ 4 =: I :: 10:= X] := [(1 X 10) /4] = 2.5

d. - Enseguida como indica la f6rmula multiplicamos cada X por su W correspondiente y formamos la

columna 5.

e. Finalmente dividimos cada dato de la columna 5, cada XW, entre 6.5 que es la suma de las
ponderaciones y obtenemos la columna 6 que son los promedios ponderados. Ahora si podemos
comparar el trabajo individual desarrollado de igual a igual por su valor numerico y resulta
muy objetivo.

3.3.7 CUARTILES, DECILES Y PERCENTILES

Son tambien medidas de posici6n. Las empleamos cuando deseamos calcular el maximo
valor que haya obtenido digamos el primer 10% de los datos,

bien del primer 25% de los

datos 0 pudiera ser del primer 34% de dichos datos. En general con iste metodo podemos

obtener el maximo valor alcanzado basta cualquier punto de los datos ya sean
agrupados

no.

UNlOAD III Estadistica Dacriptiva 103

JesUs Diaz Diaz

Cuartiles ( Q). Se refiere a cuartas partes de la serle de datos, por 10 tanto cada serie de
datos tendra cuatro Cuartiles . Con el QI obtenemos el valor maximo
alcanzado por el primer 25% de los datos; con el Q2, 10 alcanzado hasta
el 50% de dichos datos; con el QJ, basta el 75% y con el Q4, sent hasta
el 1000,10

Deciles (D).

Senin decimas partes de Is: serie de datos y por tanto cada serie tendra 10
deciles. Con el D I podemos caJcular el valor maximo alcanzado por el
primer 10% de los datos, con el D 2 hasta el maximo alcanzado por el
20% de los datos y asi sucesivamente hasta el 010 que sera el maximo
~

alcanzado por el 100% de los datos.

Percentiles ( P). Podemos calcular con ellos cada centesima parte de la serie de datos.
Con el PI caJculamos el maximo valor alcanzado par el primer 1% de
los datos; con el P2, sera del 2% y asi sucesivamente basta el P100 que
sera del total de datos.

.................................................... ...............................

Si el dato buscado ocupa un lugar que sea multiplo de 25 estaremos calculando un

cuartil, QI, Q2,

OJ 6

Q4.

calculando un. decil, D I, D 2

Si ocupara un lugar que sea multiplo de 10, estaremos

.... 010;

Y si ocupara un lugar que sea multipJo de 1,

estaremos calculando un percentil PI, P2, PJ .... P lOo.

anterioTes aplica para valores = {X 0::;; X

S;

En todos los casos

100 }.

.....................................................................................................
,

Cuando los datos no estan agrupados y deseamos obtener el valor maximo alcanzado
por una parte de eUos podemos obtenerlo simplemente ordenando todos los datos
en forma ascendente, en seguida calculamos su posicion mediante el porcentaje
planteado y podemos obtener directamente de cil su valor.

UNIDAD III &tadistica Dcscriptiva 104

Cuartiles (Q), decfles (D) y percentiles (P), para datos agrupados.

Se obtiene
mediante

(Q, D 6 P) = Lrt+ -

(C)

f(q.d 6 p)

r =Cantidad de datos que toman

de la c1ase en que ocurri6

f = Frecuencia de la c1ase en que

ocuni6

\'

4t = Limite real inferior de la

c1ase en aue ocurri6

j.

Es la misma f6rmuJa para calcular Q, D 0 P.

EI proceso es similar aJ del ci.lcuJo de la mediana.

Por ejemplo si deseamos el primer cuartiI.
primero localizamos la posici6n del dato mediante
(l~ n ) es decir eJ 25% de los datos, luego
bufcamos tste valor en una columna previamente
becba de frecuencias. acumuJadas y en la c1ase
que corresponda el dato aplicaremos la f6nnula
para obtener su valor.

Si deseamos elsegundo cuartil. localizamos la posici6n del dato mediante [(214) n], es decir el 50% de

"n", buscamos en Ia frecuencia acumuJada y aplicamos la f6rmula EI tercer ~ sera COD [( JI.) D).

EI decil uno sera con [ (1/10) nJ es decir el 10% de los datos; igualmcnte se busea en Ia frecueDcia
acumulada y se aplica la f6rmula. EI segundo dedI con [(2110) n]. EI tercer decil con [(3110)n) as(
sucesivamente.
Y de igual manera, la posici60 del primer perceDtillo Iocalizamos mediante 1(1/100)D] y su valor, 10
obteDemos al aplicar la f6rmula. El segundO percentil mediante [(21100) oj y si queramos saber el valor
niaximo obtenido por el 95% de los datos calcuJaremos la posici6n del dato mediante P 9s = [(95/100) 0 ]
, luego aplicaremos la f6rmuJa a Ia clase donde pertenezca y obtendremos el valor buscado.

EJEMPW3.13
Utilizando los datos del problema 1 representados en la tabla 3.3. y aprovechando Ia
columna de frecuencia acumulada ya calculada en la tabla 3.8, calcule de los J 12
aspirantes i,cual fue la maxima caJificaci6n
obtenida poe
Clases

Li
8.-

el primer 25% del grupo?

b.- el primer 50% de ellos?

c.- el primer l00.lo?

d.- e180% de los alumnos?

e.- el primer 15%

f.- el 95% del total?

1.9
10 19
20 29
30 39
40 49
50 59
60 69
70 79
80 89
90 99

Total

Free
f

3
5
11
36
77

84
51
38
7

Free

01

P15

Acum
3

8
19
55
132
216
267
305
312

Q1

O2

312
Tabla 3.14

De
P95

UNlOAD ID EatadUtica Desaiptiva , 105

8.-

Localizamos lao posici6n del dato correspondiente al 25 % respecto aI total ( 0 sea el

primer cuartil), mediante [ (1/4) (312) ]

312/4 = 78, enseguida este valor 10

buscamos eli la columna de frecuencia acumulada encontnindolo hasta la c1ase (50-59)

que contiene desde' el dato numero 56 hasta el 132. Luego apJicamos la f6rmula:
r

23

Ql = Lri

+ ----- (C) = 49.5 + --------- ( 10) = 52.48

~

77

= nlimero de

datos que toma

de la clase en que cae. En
este caso, cay6 en la clase
(50-59) de donde torna 23
datos para quesumados a 55
datos acumulados en clases
inferlores, completen los 78
requeridos.
r

Entonces 78 aspirantes que corresponden aJ primer

(78-55) = 23

25% del total obtuvieron una calificaci6n maxima

hasta 52.48.

b.-

Localizarnos la posicion del dato donde se completa el primer 50% de los datos
mediante [(1/2) 312]

156. Buscamos este valor en la frecuencia acumulada y 10

encontramos en la clase (60-69) que contiene desde el dato 133 hasta el 216. Luego
aplicamos la formula:
r

132 = 24

.I

24

Q2 = Lri + --- ( C) = 59.5 + ------- ( 10) = 62.35

~

C.-

= 156 -

84

Entonces 156 aspirantes

que son el primer 50%
obtuvo
una
maxima
calificacion de 62.35

10% equivale al primer dedI. Siguiendo el inismo metodo ahora calculamos [(1/10)
312] = 31.2. Lo 10caJizamos en la clase (40-49) de la que tomara (31.2 - 19) = 12.2

datos. Aplicamos la formula:

12.2

D. = L ri + - (e) = 39.5 + ----- ( 10) = 42.89

~

36

=31.2 -

19 = 12.2

31.2 aspirantes que son el

primer 10% de los 312
examinados y obtuvieron un
maximo de 42.89 %

J ~$ Diaz Diaz

UNmAn III &taJutica Deseriptiva 106

d.- Ahara procedemos igual, 80% equivale aJ

deciL

encontramos en la c1ase (70-79) y aplicando I fOnnula.:

33.6

Ds = Lrt + ---- (C) = 69.5 + ------- ( 10) = 76.09

fd

51

[(8110) 312J

= 249.6 10

r = 249.6 - 216 = 33.6

249.6 alumnos que

representan el 80 % en
orden ascendente de los
312 alumnos, obtuvieron
una maxima calificaci6n
de 76.09

e.- EI 15% tendni que ser resuelto por percentiles y sera el percentillS por 10 tanto:
[(151100) 312J

46.8, Y10 encontramos en la clase (40-49) y su valor sera:

r=46.R-19= 27.8

27.8

r
P15 =

Lrt + ---- (C) = 39.5 + ------ ( 10) =

~

47.~2

36

46.8 8spirantes son el is%

de los 312 examinados. Y
obtuvieron un maximo de
47.22 de calificacion

f.- El 95% tendra que ser calculado tambien mediante percentiles. Sera con el percenti)
95. Entonces .[(95/1 00) 312] = 296.4, valor que encontramos en la c1ase '(80-89)

Aplicando la formula tendremos:

29.4

. P95

L ri + ----- (C)
~

I r = 296.4 - 267 = 29.4_ _-"

79.5 + ----- ( 10)0= 87.24

38

El 95% de los 312 aspirantes

son 296.4 aJumnos, mismos que
obtuvieron un maximo de
calificacion de 87.24

,.

UNlOAD III Ertadistica De.criptiva 107

JesUs Diu Diu

3.4 MEDIDAS DE DISPERSION

La dispersion

desviaci6n de los datos es de mucha importancia para conocer mejor como

estos se encuentran distribuidos dentro de la poblacion a la que pertenecen. Esta dispersion

se refiere a "q\Je tanto se desvian (Xi - X)". con relaci6n de la linea de la media.
Si por ejemplo, para realizar un trabajo importante una empresa recibe dos candidatos, y
son dos alumnos que obtuvieron exa\;tamente el mismo promedio como muestra el cuadro
siguiente:
En este ejemplo observamos que el
Calificaci6n
Desviaci6n .
Semestre Alumna 1 Alumna 2 Alumna 1 Alumna 2
3
100
75 ..f24.376 - 0.625
4
60
80 -15.625 +-4.375
5
60
75 -15.625 - 0.625
6
100
75 +24.375 - 0.625
7
70
75 ~ 5.625 - 0.626
8
70
75 . 5.625 - 0.625
9
75
75 - 0.625 -0.~5
10
70
75 .... 5.625 - 0.625
0
1;=605
1;=605
0

promedio no nos muestra diferencia

entre los dos alumnos, tienen el
nusDlO

promedio.
las

analizamos

51

calificaciones

observamos que mientras el alumno

2 se mantiene con calificaciones de
75,

el

alumno

inconsistenfe

X =75.62 X =75.62

Pero

ya

es

que

muy
algunos

semestres obtiene 60 y otros 100, se

Tabla 3.15

Alta dispersi6n

c
A

va a los extremos.

100

baja dispersi6n

A1UJDDO 2

80

A1ulDJlO 1

60

I
0

S E ME

S T R E

Gnifica 3.6

10

UNlOAD III ElllIdiatica Dtariptiva 108

Si calculamos las desviaciones individuales (XI - X) en ambos alumnos (columnas 4 y 5)

observamos que, en ambos casos suman cero, y siempre sera asi, por que estamos restando
contra la media aritmetica y Iii media aritmetica siempre si situara en el centro de los datos,
de modo que al obtener las dispersiones la mitad quedan con valores negativos y la otra
mitad quedarim con valores positivos.

Para poder medir numericamente y por tanto, mas eficientemente estas dispersiones
disponemos de varios metodos como son, la desviacion media, la varianza y la desviacion
estandar. Todos estos metodos 10 que hacen es eliminar el problema de los signos al
calcular las dispersiones y final mente obtener el promedio de dispersion de los datos.

../

.,,"',

3.4.1 DESVIACION MEDIA.

Con ella calculamos el promedio de dispersion que sufi-en los datos con relaci6n a la linea
media. Este metodo se utiliza para evitar que al calcular las desviaciones individuales, es
decir al restar cada (XI - X), las cantidades negativas resultantes eliminen a las positivas.
Este metodo simplemente aplica a todas estas desviaciones, [lvalor absoluto

I).

Enseguida se procede segim sean los datos agrupados 0 no agrupados aplicando la f6nnula.

Desviacion media para datos no agrupados.

Se obtiene
mediante

/I

IXi-

XI

1:1

L"

I Xi - X 1= Sumar dcsde eI primero basta el ultimo

;=1

~d == -----------------

las desviaciones individuales en

Ivalor absolutol.
n = numcro de elementos

* Valor absoluto consiste solamente en elimiDar el signo

ncgativo a las canCidades negativu para battrlu pOllitivu

UNlDAD III Estadistica Descriptiva 109

JesUs Diaz Diaz

EJEMPLO 3.14

Con los datos del problema 3.2, ealeule la desviaeion media.

Md =

(85 - 84.6) + (87 - 84.6) + ( 80 - 84.6 ) + ( 95 - 84.6 ) + ( 76 - 84.6 ) ] / 5 =

= [(OA) +(2.4) + (-4.6) + (lOA) + (-8.6)] /5 =

Seriaigualacel'O.Paraevitarestoaplicamosvalorabsoluto.

[(OA) + (2.4) + (4.6) + (lOA) + (8.6)] /5 = 26.4 /5 =5.28

Desviaci6n media para datos agrnpados.

Se obtiene
mediante

II

[C( I Xi - XI ) ]

1=1

Md = -------------------------

[fi(IXJ-XI ) ] = sumar desde el

1=1

primero basta el Ultimo los resultados de restal

a cada marca de clase, su media aritmetica y
ese resu1tado multiplicarlo por su frecuencia de
clase.

frecuencia de la clase.

n = Niunero de marcas de clase

EJEMPLO 3.15

Utilizando los datos del ejemplo 3.1 representado en la tabla 3.4 a cerea de las
ealificaeiones de los 312 aspirantes a ingresar a una eseuela preparatoria, ealeule emil es el
promedio de dispersion de los datos usando el metodo de la desviaei6n media.

UNIDAD III Estadistica Descriptiva 110

JesUs Diaz Diaz

Li

Fi

Ls

19
10
20
29
30
39
49
40
59
50
69
60
79
70
89
80
90
99
Total

Podemos apoyamos en las

marcas desviaciones desviaciones

individuales valor absoluto
crase

Crases Free

3
5
11
36
77
84

51
38
7
312

(Xj

14.5
24.5
34.5
44.5
54.5
64.5
74.5
84.5
94.5

Xl

I~- Xli

fj

r I~ - Xlil

47.79
37.79
27.79
17.79
7.79
2.21
12.21
22.21
32.21

-47.79
-37.79
-27.79
-17.79
-7.79
2.21
12.21
22.21
32.21

143.37
188.95
305.69
640.44
599.83
185.64
622.71
843.98
225.47
3756.08

Tabla 3.16

cuatro primeras columnas

de la tabla 3.10. y asi ya
solo

calcularemos

desviaciones

las

(Xi - X )

y el valor absoluto de esta

misma. Ademas tambien
sabemos que la media
aritmetica vale 62.288 par
que la calcuiamos en el
ejemplo 3

[C( I Xi - X I )]

3756.08

J=1

Md =

--------------------------- = --------------

12.039

312

3.4.2 V ARlANZA (0'2)

Tambien calcula el promedio de dispersion que sufren los datos con relacion a la linea
media, solo que el valor de este promedio 10 expresa al cuadrado.

El metodo de la varianza para evitar que al restar (Xt - X), las cantidades negativas
eliminen a las positivas es elevar al cuadrado cada uno de los resultados de (Xi - X), asi
todo signo, quedara positivo. Y en seguida se procede segUn sean los datos, agrupados
no agrupados, aplicando la formula correspondiente.

UNIDAD ill Estadistica Deseriptiva 111

Je&is Diu Diaz

Varianza para datos no agrupados.

Se obtiene
mediante

II

( Xi X i

= Obtener las desviaciones

;=1

individuales, elevar cada una

de elias at cuadrado y
sumarlas.

(Xt-Xi

;=1

--

-------------------
n = numero de datos.

EJEMPLO 3.16

Con los datos del ejemplo 3.2 calcule la varianza de las calificaciones.

(Xt X

(O.4i + (2.4)2 + (-4.6)2 + (10.49)2 +(_8.6)2

211.08

1=1

cr

=----------------- =------------------------------------------------ =------- = 42.21

5

unidades
cuadradas

Varianza para datos agrupados

Se obtiene
mediante

II

Podemos
n

observar

que

todas

las

il

formulas para datos no agrupados y

a 2 = ----------------------

agrupados son iguales, 10 Unico que

[fi(Xj- X

1=1

cambia, siempre, es que en las formulas

de datos agrupados en el numerador
encontraremos ( Ii ) .

UNlOAD III Estadistica Desaiptiva 112

EJEMPLO 3.17
Utilizando los datos del ejemplo 1 representado en la Tabla 3.4. calcule emil es el
promedio de dispersion de las calificaciones de los 312 aspirantes, usando el metodo de la
vananza.
Clases
Li

10
20
30
40
50
60
70
80
90

Ls

19
29
39
49
59
69
79
89
99
Total

Xi

14.5
24.5
34.5
44.5
54.5
64.5
74.5
84.5
94.5

3
5

11
36
77
84
51
38
7
312

I( Xi -)0

(Xi -

-47.79
-37.79
-27.79
-17.79
-7.79
2.21
12.21
22.21
32.21

Ai

2283.88
1428.08
772.284
316.484
60.6841
4.8841
149.084
493.284
1037.48

t(X;- Ai
6851.65
7140.42
8495.13
11393.43
4672.68
410.26
7603.29
18744.79
7262.39
72574.04

ya

que

Aprovechamos

Desv.

Free
fi

calculamos las pnmeras

CInCO

columnas de la tabla 3.16 solo

haremos 10 que resta para poder
sustituir en la formula.

Elevamos las desviaciones

cuadrado

(~

- A)

2
I

al

luego las

multiplicamos por su frecuencia

Cuadro 3.17

y final mente sumamos.

72,574.04

1=1

cr = ------------------------ = -------------- =

232.61 unidades al cuadrado

312

3.4.3 DESVIACION ESTANDAR

Para datos agrupados y no agrupados
Se obtiene
mediante

La desviacion

II

estandar la obtenemos

simplemente de la raiz cuadrada de la

varianza, tanto para datos agrupados

como en no agrupados.

UNIDAD III &tadistica De:;eriptiva 113

JesUs Diaz Diaz

EJEMPLO 3.18

Calcule la desviaci6n estimdard (0') para los datos del ejemplo 3.2 [Son datos no agropados]

Podemos apoyarnos en los datos

a=~

F=60497

obtenidos en el ejemplo 16 donde

ya calculamos la varianza para
estos mismos datos. Asi ya solo es
necesario obtener la raiz.

EJEMPLO 3.19
Calcule la desviaci6n estimdar (0') de los datos del ejemplo 3.1 representados en la tabla
3.4 [son datos agrupados ]

Podernos apoyamos en los

232.61

15.25 datos obtenidos en el ejemplo

17 donde ya calculamos la
vananza para estos mismos
datos. Asi ya solo es necesario
obtener la raiz.

desviaci6n estandar, en vez de N calcuJaremos con (n-l) por que el valor resultante
representa WI estimador mejor de la poblacion de la que file extraida la muestra.

Tambien puede obtenerse WI buen estimador para muestras menores de 30 observaciones si utilizamos la
primer definicion, es decir dividir entre N y el resultado mnltiplicarlos por
acostumbre ntilizar siempre la formula primera cuyo denominador es N.

~ N-1
N

De aqui que se

UNlDAD III Estadistica Descriptiva 114

JesUs Diaz Diaz

3.5

usa

DE LA COMPUTADORA EN LA SOLUCION DE
PROBLEMAS DE ESTAD(STICA DESCRIPTIVA.

Existen en el mercado diversos programas profesionales de computo para la solucion de

estos problemas, pero en ocasiones se dificulta obtenerlos.
Por 10 anterior y considerando que la inmensa mayoria de las micro computadoras en la
actualidad tienen instalado el ''Excel'', que es una hoja de calculo muy potente y que con
poeas instrucciones nos ayuda a realizar los caIculos engorrosos de la estadistica
estudiaremos aqui el procedimiento que debe seguirse para tal fin, y 10

descriptiva,

haremos a la vez que solucionamos el siguiente problema.

EJEMPLO 3.20
Utilizando el paquete Excel calcule la desviacion estandar y dibuje algunos graficos para
los datos del problema numero 1 representado en

la Tabla 3.4 consistente en las

calificaciones de los 312 aspirantes a ingresar a una escuela preparatoria.

Para calcular la desviacion estilndar
aplicaremos su formula:
Por que sabemos que la desviacion estilndar es
igual a la raiz cuadrada de la varianza. Asi

[tj ( Xj

Xi]

j=\

primero calcularemos las ( Xi ), luego (fi Xi)

para con ella calcular la (X ). Enseguida sera (

cr
n

X Ji - X ), luego sera al cuadrado (Xi - Xi, 10

anterior 10 multiplicamos por su frecuencia,

efectuaremos la suma de todo, dividimos entre
(n) y extraemos raiz cuadrada.

Pasos para:
1.- Entrar al Excel
~ Presiona menu INICIO
~ Programas
~ Microsoft Excel <ENTER>

ijNIDAD III &tadlstica Desriptiva 115

JesUs Diaz Diaz

Pr:ocedimiento para utilizar excel en la solucian de problemas de estadistica eJescriptiva.

C8Iculo mediante excel de la desviaci6n estandar para los datos del ejemplo 1 representado
en 18 tabla 3.4
Acci6n PosiciOn
I

Al

2
3
4
5

A2

B2
A3
A4

A4

7
8

B3
B4

B4

10
II
12
I3
14
15
16
17
18
19

C2
C3
CI2
D2

E2
E3
E3
E12

20
21
22
23
24

EI4
EI5
F2
F3
F3

25

G2
G3

D3
D3

26
27
28
29
30
31
32
33
34
35

H3
H3
H12
Gl4
H14
G16
Hl6

C3

2
3

G3
H2

ACTIVIDAD
Seleccione las ceIdas Al Y BI y eon el ratOn seleccione e ieono (combinar centrar). Escriba
"CLASES"
EsCriba Ii
Escriba Ls
Escriba el primer limite inferior ( 10)
En el ejemplo el tamaf10 de clase es 10. par tanto Lx", incrementara de 10 en 10. Escriba: = A3+IO
enter
Posicionado eon eI rat6n en eI 8ngulo inferior izquierdo de Ia ceIda "arrastre" basta All. A,parece~
los Li
Escriba eI primer limite superior (19)
Como el tamafl.o de clase es 10, este limite tambien incrementani de 10 en 10. Escriba:
=B3+lC
enter
Posieionado con el ratbn en el8ngulo inferior izquierdo de Ia ceIda "1IJT8SIre" basta Bll. Aparecer8I:
los Ls.
Escriba fi
A partir de ~ celda y bacia abajo, escribitlas frecuencias: 3,5,11,36;
84. 51, 38.7
Con el ratOn seleccione el leono sumatoria a:> enter. aparece la suma de frecuencias.

EscribaXi

Escriba: =(A3+B3)12 enter

Posieionado con el rat6n en el lIngulo inferior izquierdo de Ia ceIda "arrastre" basta Dll enter

Escriba: fiXj

EscnlJa: =C3*D3 enter

Posicionado con el rat6n en el Angulo inferior izquierdo de la celda "arrastre" basta Ell enter

Con el rat6n seleccione el icono sumatora eL) y baga clie, luego enter aparece Ia suma de IB

columna.

Escriba: Xmedia=

Escriba: =112/312 enter

Escriba: Xi-Xm entfr

Escriba: =DJ...62288 enter

Posieionado con el rat6n en el8ngulo inferior izquierdo de la ceIda "8IllIStre" basta Fll enter

Escriba: (X"t-Xmedi

Escriba: =F3*F3 enter

Posieionado eon eI ratOO en el 8ngulo inferior izquierdo de Ia ceIda "arrastre " basta GIl enter

Escribe: ft(Xi-Xmed)l

Escriba:
CJ*G3 enter

Posicionado con el rat6n en el8ngulo inferior izquierdo de la ceIda "arrasIre .. basta HII

Seleccione el icono sumatoria eL) enter

Escriba: VarillllZa =

Escriba: =HUIJ12 enter.

Escribe desv. st. =:

Escriba: =raiz 014 enter Aparece eI valor de la desviaci6n est8ndar.

GRAFICOS

Marque eon el ratOn desde (3 basta ell y a Ia vez desde D3 HASTA DU.

n.

Con el ratOn se1eccione el leono de grSficos

En el monitor aparecenln todas las instrucciones necesarias para seleccionar y terminar los gnificos

deseados

Jesus Diaz Diaz ..

UNIDAD III Estadistica Descriptiva 116

Monitor de una computadora fuego de baber efectuado los clIcuJos para la obtencion de la
desviacion estlindar mediante el uso de "excel" con el procedimiento de Ia pligina anterior

................................................................................................

: TIP

Cuando deseemos hacer una operacion matematica en excel, debemos

posicionamos en la celda en que queramos el resultado, luego eseribir el signo igual =

y enseguida la operacion deseada, por ejemplo [ = 56/2 enter], 0 bien indicando las
eoordenadas de las cantidades que se desean ealeular, por ejemplo [ =C3+D3 enter ].
Esta ultima forma de eseribir tiene una gran ventaja ya que si necesitaramos hacer la
misma operacion para cada pareja de renglones de las mismas eolumnas, despues de
obtener eI primer resultado regresamos a la misma eelda y tomando con el raton el
cingulo inferior izquierdo, haciendo clie y sin soltar, "arrastramos" es decir, movemos el :
raton hasta el ultimo renglon necesario y automaticamente se realizanin todos los :
calculos.
:

..

Si deseamos sumar todos los datos de una columna, solo tenemos que marear con el

raton todos los datos y luego hacer die en el ieono:L.

". ". ".. "

"."
""""""""""" """ """""" "" """"""""."""""" .. """"""""""""""""""".""""" """ """"" "" w

UNIDAD III Estadistica Descriptiva 117

JesUs Diaz Diaz

3.6

RECOMENDACIONES DIDACTICAS Y BmLIOGRAFIA

DEL CAPITULO.

Luego de haber analizado esta unidad es recomendable practicar

resolviendo diversos problemas.

Los datos para estos problemas pueden ser tomados de los censos, revista,
peri6dicos

cualquier otra fuente bibliognifica

hemerognmca de que se

disponga.

Tambien es recomendable levantar una encuesta en un grupo social en cuanto

a ingreso, estatura, escolaridad, etc. y con esos datos practicar todo el proceso
estadistico y mejor aim si empleamos el paquete excel.

BmLIOGRAFIA DEL CAPITULO

FREUND Williams Perles. "Estadistica para la administraci6n con
enfoque modemo" Ed. Prentice Hall, 58 edici6n, Mexico
1990
SAID Infante Gil.

''Metodos estadisticos" Ed. Trillas, 28 edici6n,

Mexico 1994
WEIMER Richard C. "Estadistica" Ed.
espafiol, Mexico 1996

CECS~

1a edici6n en

UNIDAD III Estadistica Descriptiva 118

JesUs Diaz Diaz

3.7

RESUMEN

La estadistica descriptiva es una serie de metodos y tecnicas cuya funcion es recopilar

informacion, organizar los datos recopilados, presentar los mismos en una forma clara,
realizar el amilisis de dichos datos e interpretar eficientemente la informacion.

Una vez que los datos hayan side recopilados, hay que organizarlos. Y una de las mejores
formas es mediante una distribucion de frecuencia que consiste en agrupar los datos en
varias c1ases de elementos con caracteristicas similares. Para haeer estas distribuciones de
frecuencia no hay reglas, pero se recomienda: a) no menos de 4 ni mas de 15 clases. b) que
cada elemento pueda caer solo en una clase. c) Si es posible hacer clases de igual tamafio.

Para presentar la informacion es recomendable recurrir a los "graficos" como son el

Histograma y su poligono de frecuencia, el grafico de barra, el circular

bien a las ojivas

que son de frecuencia acumulada.

Los promedios son datos que la estadistica descriptiva puede proporcionarnos: La media
aritmetica es el promedio que ofrece mejores caracteristicas matematicas, es el valor que

mejor representa a un gropo de datos, pero tiene un inconveniente que se desvia y miente
cuando en los datos existen valores extremos

aberrantes, en esos casos es mas confiable

la mediana que se obtiene simplemente partiendo en dos la serie de datos, asi en numero
que ocupe el lugar central, el valor que este tenga, sera el valor de la mediana. Existe
tambien la moda que se usa para calcular cual es el valor que mas se repite en la serie de
datos.

Tambien muy importante es la media geometrica que se usa para calcular promedios en
datos que presentan un crecimiento geometrico como en tasas de interes, crecimientos
poblacionales y muchos otros.

UNlDAD III Estadistica Descriptiva 119

JesUs Diaz Diaz

La media ponderada con frecuencia es usada ya que permite comparar datos aim cuando

sean diferentes, aim cuando algunos de ellos tengan mayor importancia, grado de dificultad
o peso especifico, es un promedio "justo".

Y los cuartiles, deciles y percentiles, que son tambien medidas de posicion y nos penniten

saber el valor maximo alcanzado hasta cualquier punto de los datos. Se utilizan segUn se
requiera, si son cuartas, decimas 0 centesimas partes de la serie de datos.

Los promedios nos proporcionan informacion importante de los datos, pero aunado a las
medidas de dispersion , tenemos un mejor panorama de como estan distribuidos dichos
datos. Las medidas de dispersion calculan el promedio de como se dispersa cada dato con
relacion al promedio, es decir que tan lejos esUin,
consistentes pueden ser,

10

que nos pennite ver que tan

en su defecto, que tanta diferencia existe entre elIos,

10

que para

toma de decisiones es elemental.

Las medidas de dispersion que aqui tratamos son la desviacion media, la varianza y la
desviacion estandar.

UNIDAD IV

Variabks abtocias y Distribuciones de probabilidad discreta 120

-UNIDAD CUATRO

VARIABLES ALEATORIAS Y DISTRIBUCIONES

DE PROBABILIDAD DISCRETA.
4. 1 Introducci6n.
4.2 Distribuciones de probabilidad.

4.3 Valor esperado de variables aleatorias discretas.

4.4 Varianza y desviaci6n estimdar de una distribuci6n de

probabilidad discreta.

4.5 EI proceso de Bernoulli

4.6 Distribuci6n Binomial.

4.7 Distribuci6n geometrica.

4.8 Distribuci6n hipergeometrica.

4.9 Distribuci6n Poisson

4.10 Aproximaci6n de Poisson a la binomial

4.11 Aplicaci6n de tablas para la soluci6n de distribuciones

binomiales y de Poisson

4.12 Recomendaciones didacticas y bibliognificas del capitulo.

4.13 Resumen.

UNlOAD IV

JesUs Diaz Diaz

Vm.Lb abtmas y Distribuciones d.e probabilid.ad. discreta 121

4.1 INTRODUCCION

AI realizar un experimento podemos obtener resultados cualitativos y cuantitativos. Estos

resultados obtenidos siempre debenin someterse a un amUisis. El analisis estadistico nos
exige saber relacionar los resultados de un experimento con numeros reales que son mas
faciles de analizar. Y es el concepto de variable aleatoria 10 que nos permite pasar de los
resultados experimentales a una funci6n numerica de los resultados. Lo analizaremos con
el siguiente ejemplo:

EJENJPLO 4.1

Tenemos el caso de un ingeniero en control de calidad que sometera a pruebas de

resistencia 4 zapatos que fueron tornados al azar de una linea de producci6n. Debera
clasificarlos segiln las normas como aprobado (A) 0 rechazado (R), por 10 que los
resultados que puede esperar son resultados cualitativos:
AAAA
RAAA ARAA AARA AAAR

Asi el espacio muestral siguiente constara de 16 posibles

RRAA RARA RAAR ARRA ARAR AARR

resultados que podemos obtener mediante un diagrama de

RRRA RRAR RARR ARRR

RRRR

arno1:

Para poder realizar un analisis estadistico eficiente, es necesano que estos datos
cualitativos sean convertidos en valores numericos. Entonces 10 que deberemos hacer es
asociar con el numero de zapatos rechazados, un unico numero real a cada resultado, que
sera justamente el numero de zapatos que pudiera resultar rechazado al analizar la muestra
de los cuatro, y por tanto hay cinco valores posibles que puede tomar esta variable
aleatoria: X =

0, 1, 2, 3 Y4 }.

Entonces una variable aleatoria es una regIa 0 funci6n que asigna un unico numero real a
cada resultado en el espacio muestral de un experimento aleatorio.

JeU Diaz Diaz

UNlOAD IV

Variables aleatorias y Distribuciones de prMiIidad. <!meta 122

Las variables aleatorias se denotan mediante una letra mayUscula, por ejemplo X, mientras
que los valores que esta pueda tomar se escribinin con letras minusculas 0 numeros.
Cuando los valores que puede tomar una variable aleatoria podemos enlistarlos uno a uno
y, graficarlos punto por punto, decimos que es una variable aleatoria discreta. Y si no
pueden ser enlistados todos, a la variable se Ie denomina variable aleatoria continua. EI
hecho que no se puedan enlistar punto por punto, es por que este tipo de variables pueden
tomar cualquier valor dentro de cualquier rango aUn por pequeno que este sea.
EI numero de personas que asistinin a la final del futbol mexicano, el numero de l<imparas
que se fundin'm hoy en la universidad, el numero de computadoras que se usarim esta
semana en el centro de c6mputo del Tee, etc, son variables discretas, podemos enlistar
elemento por elemento. Mientras que cualquier variable aleatoria que mida temperatura,
distancias

pesos sera una variable continua. Por ejemplo si queremos enlistar punto a

punto los valores que puede tomar la variable aleatoria del peso entre 1 y 2 gramos, no
podemos hacerlo porque puede tomar un infinito numero de valores, ( 1.1, 1.01, 1.001,
1.000000001,

,2 )

4.2 DISTRIBUCIONES DE PROBABILIDAD

Una distribuci6n de probabilidad es un listado de las probabilidades de todos los posibles
resultados que pudieran obtenerse cuando un experimento aleatorio se realiza. Este listado
resulta de asociar a cada uno de los valores que puede tomar una variable aleatoria discreta
su probabilidad de ocurrencia, generando una tabla de probabilidades que consta de dos
columnas, la primera que representa los valores que puede tomar la variable aleatoria
discreta y, la segunda contendni las probabilidades asociadas.

EJEMPL04.2
Con los datos del ejemplo 4.1 construya una tabla de probabilidades
probabilidad.

distribuci6n de

Variables aleatorias y Distribuciones de probabiJidad discreta 123

UNIDAD IV

Jam Diaz Diaz

conteo

P(x)

1/16

1111

4/16

lllll 1

6/16

llll

4/16

1/16

Total

16

16/16

Tabla 4.1

:.........................................................

.
Notemos que existe una gran diferencia entre 10 :

..
: que es una distribuci6n de frecuencias (vista en la :

..
: unidad 3) y 10 que es una distribuci6n de :

..:
: probabilidad.

..
: La distribuci6n de frecuencias se genera de las :
: frecuencias realmente observadas cuando se llev6 a ..:

...
: cabo un experimento, mientras que una distribuci6n :

..
: de probabilidad es un listado de las probabilidades :

..
: de todos los posibles resultados que pudieran :.

..
: obtenerse si el experimento se llevara a cabo.
........... .. ...... . .. ..
..:

EJEMPL04.3
Una empresa de mudanzas durante un periodo de 41 dias laborables a llevado una
estadistica de los servicios que Ie requirieron seg(m la distribuci6n de frecuencias
siguiente:

Cantidad
demandada

Dumero de dias

Esta compaiiia ha observado que el comportamiento

0
1
2
3
4

1
4
8
10
9
6
2
1
41

del mercado ha sido muy parecido en cada periodo de

5
6

7
TOTAL

Tabla 4.2

La probabilidad de (x) para cada valor

que puede tomar la variable aleatoria estaci
en funci6n de la proporci6n de dias de
demanda en relaci6n al periodo analizado.

41 dias que se ha analizado.

Transforme los datos anteriores en una distribuci6n de

probabilidad para los siguientes 41 dias.
Demanda
posible (x)
0
1
2
3
4

5
6

7
TOTAL

Numerode Probabilidad Probabilidad

P(x)
Ph)
dias
1
4
8
10
9
6
2
1
41

1/41
4/41
8/41
10/41
9/41
6/41
2/41
1/41

Tabla 4.3

0.024
0.098
0.196
0.244
0.22
0.146
0.049
0.024
1.000

Jesm Diaz Dlaz

EJEMPLO 4.4
Represente 1a distribuci6n de probabilidad anterior mediante un histograma y mediante un
gnifico de ptmto.
p
r 0.2

....--

"-'

P
r

a 0.1

'!'

0.2

f--

.--

(x)

r-

3
4
5 6
Demanda posible

0.1

GrAfka 4.1

Ti p.

i
I
i

En un histograma representamos un

infinito n6m.ero de puntos por tanto no es

eficiente para representar va10res discretos.
Sabemos que los valores discretos son datos
que podemos graficar punto por punto y por
tanto 10 correcto es utilizar e1 diagrama de
puntos (fig. 4.2) Yno e1 histograma (fig. 4.1).

(x)

0 1 2 3 4 5 6
Demanda posible

Grifica 4.2

EJEMPLO 4.5

Una fabrica de zapatos produce calzado para cab,allero, y 10 vende de mayoreo por lotes,
(Cada tQte tiene 36 pares). SegUn sus normas de calidad carla 10te p1,lede llevar Q1l maximo de

5 defectos 1eves (no filcilmeote perceptibles), y seglin sus estadisticas en cada 100 10tes e1
nfunero de defectos por Iote se presenta en las dos primeras columnas del cuadro siguiente.

Posibles
defectos
DOr lote

0
1
2

3
4
5
Total

Probabilid.d
P(x)

Probabitidad
P(x)

1/100
4/100
12/100
20/100

.01
.04

.20

La probabilidad de (x) para cada valor que puede

281100
351100

.28

35

.35

tomar la variable aleatoria esta ~ :fimcioo de la

100

100/100

NDmero
de Iotes

to
1
4

12
20
28

Tabla 4.4

Elabore una distribuci6n de probabilidad.

.12

cantidad de lotes con determinado oUmero de

defectos en relaci6n a cada grupo de 100 lotes.

JesUs Diaz Diaz

EJEMPL04.6
En una ernpresa que vende agua purificada segiIn sus estadisticas el nurnero de carniones
repartidores que llegan a surtirse por hora esUi representado en las dos prirneras columnas
del siguiente cuadro :

Posibles
camiones
POr hora

Cantldad de
hol'll8 en
quesucede

Probabllidad
p(x)

ProbabDidad
p(x)

0
1
2
3
4
5
8

1
2
4
3
3
2
1
16 horns

1/16
2/16
4/16
3/16
3/16
2/16
1/16
16/16

0.063
0.125
0.250
0.187
0.187
0.125
0.063
1.000

Total

Elabore una distribuci6n de probabilidad

La probabilidad de (x) Jm3. cada valor que puede

tomar la variable aleatoria esta en funcion del
niunero de horns que sucede, en relaci6n al
tiempo total de labores

Tabla 4.5

4.3

VALOR

ESPERADO

DE

UNA

VARIABLE

ALEATORIA DISCRETA E(X)

EL VALOR ESPERADO

Se obtiene r;:==!1I!:::::===========jJ
mediante
n
1!:::::=====I1 E(X) = LA][P(A])]
J=\

E(X) = Valor esperado de X

media de una variable
aleatoria discreta
~=

Cada valor que puede tomar

la variable aleatoria

P(XJ = La probabilidad de cada

posible valor de la variable
aleatoria XI

PRIMERO FORMAMOS LA DISTRIBUCION

DE
PROBABILIDADES
(Como
ya
aprendimos) es decir
- Definimos que valores puede tomar la variable
aleatoria (X)
- Calculamos la probabilidad de ~xito [P(X)] para
cada punto posible de la variable aleatoria
Y

LUEGO CALCULAMOS
ESPERADO:

EL

VALOR

- Y Jm3. ello mnltiplicamos cada poSIble valor de

la variable aleatoria (X) por su probabilidad
de ocurrencia P(X). Finalmente sumamos
todos los [Xp(X)], y el resultado sera E(X)

UNIDAD IV

JesUs Diaz Diaz

variabies aieatorias y Distribuciones de probabilidad. discrela 126

EJEMPL04.7
En un gran hotel, segim sus estadisticas mensuales, el numero de servicios de alimentos a
la habitaci6n que piden los clientes (cerrando a la decena mas cercana) estim representados en las
primeras dos columnas del cuadro siguiente:
Calcule el numero de servicios que
Nmnerode
servicios
00

P(X)

Niunero F
de dias E.

10
20
30
40
50
Total

1
7
15
6
1
30

esperan sean solicitados en cualquier

P(X)

XP(X)

dia seleccionado al azar.

1/30
7/30
= 15/30
6/30
1/30

0.033
0.233
0.500
0.200
0.033
1.000

.333
4.660
15.0000
8.000
1.650

Tabla 4.6

Esperaran en cualquier dia tomado aI azar

29.643

servicios

de

alimentos

la

Lo que se pide es cakular el valor

esperado de 00. Para aplicar 50 f6rmula
n

E(X)= 2: XiP(Xi),

antes

;=1

necesitamos obtener p(x) (E"'a cada

valor de X es decir formar la
distribucion de probabilidades, y para
ella formamos la columna 3 (ya sea en
decimales 0 en fracciones, columna 4).
Luego formamos la columna 5
multiplicando cada XP(X) y la suma de
estos sera eI valor esperado

habitacion.

Calcule que cantidad de servicios puede esperar en cualquier dia seleccionado al azar, la
compania de mudanzas del ejemplo 4.3.
En este problema 10 que se esta pidiendo calcular es
el valor esperado de servicios.
En el ejemplo 4.3 ya calculamos la distribuci6n de
probabilidad y ahora nos apoyaremos en ella
tomando de la tabla 4.31as columnas 1 y4
Enseguida calcu1aremos:
n

E(X)

2:X1IP(Xi), y para ello formamos la

;=1

columna 3 multiplicando cada X por 50 P(X) Y

finalmente
sumamos los resultados,
donde
obtendremos E(X) = 3.294 .

Demanda
Dosible (x)
0
1
2
3
4
5
6
7
TafAL

Probabilidad
Pix)
0.024
0.098
0.196
0.244
0.22
0.146
0.049
0.024
1.000

XPOO
0
0.098
0.392
0.732
0.880
0.730
0.294
0.168
EOO=3.294

Tabla 4.7

Cualguier dia esperara 3.294 servicios

JesUs Diaz Diaz

UNmAD IV

variables aleatorias y Distribuciones de prOOaWidad. discnta 127

EJEMPL04.9
Una empresa que cuenta con 2 Bobcat (trascabos para demoler y cargar escombro), los
renta por dia con todo y operador. Sus costos diarios netos para cada Bobcat cuando no
trabaja los estima en $420.00, mientras que sus utilidades netas cuando si trabaja son de
$1,200.00 por dia.
Segim sus estadisticas mensualmente (24 dias laborales) Ie solicitan equipos en renta como
sigue:
Este empresano esta considerando comprar
Deman
da(X)
0
1
2
3
4

No. de
dias
1
3
7
7
6
24

P(X)

P(X)

1/24
3/24
7/24
7/24
6/24

0.0417
0.125
0.291
0.291
0.250

hasta 2 Bob cat mas. ; Le conviene comprar

los eguipos? Y si es as., cuantos debera
comprar?
La columna 1 indica que la cantidad solicitada oscila
entre 0 Y 4 equipos diarios. La columna 2, muestra el

ninnero de elias en que se repite la cantidad demandada

Tabla 4.8

en el periodo.

EI empresario puede tener dos tipos de

perdidas.
significara

Si

su

una

eqUlpo

no trabaja

perdida

diaria

de

$420.00, es una perdida por gastos

fijos. EI otm tipo de perdida llamado
perdida de oportunidad resulta de 10
que deja de ganar por no cubrir la
demanda, en este caso, $1,200.00 diarios
por cada Bobcat que no tenga cuando se
Ie solicite.

En la Tabla 4.9 observamos.las

perdidas
-',
que pueden resultar por tener 0,1,2,3 6
4 equipos disponibles. Por ejemplo si

Posibles
solicitudes
0
1
2
3
4

TABLA DE PERDIDAS
si tiene
si tiene
Si tiene
2 maQUinas 3
as 4 nuiQuinas
840
1260
1680
420
840
1260
0
420
840
1200
0
420
2400
1200
0
Tabla 4.9

Perdida esperada por teoer solo dos maouinas

Valor
Posibles
Perdida por Probabilidad
solicitudes gastos fijos de demanda esperado 0
P(X)
perdida
ode
oportunidad
esperada
(X)
XPOO
840
0.0417
35.028
0
1
420
0.125
52.50
2
0.291
0.00
0
1200
0.291
349.20
3
600.00
4
2400
0.25
Total = 10
1036.73
Tabla 4.10

UNIDAD IV

JesUs Diaz Diaz

tiene solo 2 y Ie demandan 2 sus

perdidas senin $0.00, cOOre exactamente
la demanda; pero si Ie demandan 3,
entonces dejani de ganar $1,200 por
tanto es una perdida; Si tiene 3 y Ie
solicitan cero maquinas, sus perdidas
senin de ($420.00 X 3)

$1,260.00 y

asi formamos la Tabla 4.9

Enseguida

calcularemos

el

valor

esperado 0 perdida esperada teniendo

solo sus dos maquinas (Tabla 4.10).
Luego haremos 10 mismo para cuando
tenga 3 maquinas (Tabla 4.11) y
finalmente

calcularemos igual para

cuando tenga 4 milquinas (tabla 4.12).

Variables aleatorias y Distribuciones de probabilidad discreta

128

Perdida esoerada por tener 3 ma JUinas

Valor
Posibles
Perdida por ProbabiJidad
solicitudes gastos fijos dedemanda esperado 0
P(X)
perdida
ode
esperada
oportunidad
XP(X)
(X)
1260
52.54
0
0.0417
105.00
1
840
0.125
122.22
420
2
0.291
0
0.291
0
3
4
1200
0.250
300
579.76
Total = 10
Tabla 4.11
Perdida esperada por tener 4 ma luinas
Valor
Posibles
Perdiqaj10Y Probabilidad
solicitudes gastosfijos de demanda esperado 0
P(X)
perdida
ode
esperada
oportunidad
XP(X)
(X)
70.06
0
1680
0.0417
1
1260
0.125
157.50
244.44
2
840
0.291
122.22
3
420
0.291
4
0.25
0
0
Total = 10
594.2.2
Tabla 4.12

Donde registre menor perdida, sera el nivel donde mejor Ie convenga estar pues es donde
mayor utilidad espera tener.

EI cuadro donde refleja menor perdida es en el que tiene tres maquinas $579.76. Entonces
solo debera comprar otra maguina vas. completar 3 Bobcats.

Recordemos que estamos considerando tambien como perdida 10 que deja de ganar cuando
Ie piden mas de 10 que puede ofrecer, por tanto la perdida esperada que reflejan los cuadros
al buscar el nivel de minimizar la perdida en realidad estan encontrando el nivel donde
optimiza su ganancia

Este problema 10 resolvimos mediante el valor esperado minimizando la perdida pero

igual de facil hubiera sido si maximizamos la ganancia que sabemos que es de $1,200.00

JesUs ow Diaz

UNIDAD IV

variables aleatorias y Distribuciones de probabJidad. discreta 129

diarios por equipo e igualmente hubieramos obtenido el resuitado que Ie conviene, tener 3
Bobcats.

./

4.4

VARIANZA Y DESVIACION ESTANnAR DE UNA

DISTRIBUCION DE PROBABILIDAD DISCRETA

LA VARIANZA

Se obtiene
mediante

II
0

(X)

= E(X2) -

[E(X)]2

Donde:
E(X2)

= x2 P(X) Uamado cuadrado ponderado

(E(X)r= El resultado de calcular el valor

esperado de X y elevarlo al
cuadrado

- Primero formaremos la
distribuci6n de
probabilidades
- Enseguida calculamos el
valor esperado y el
valor ponderado al
cuadrado.

Finalmente calculamos la
varianza aplicando la
formula

LA
DESVIACION

ESTANDAR

Se obtiene
mediante

Solo necesitamos
extraer raiz cuadrada a
la varianza para obtener
la desviaci6n estandar.

JesUs Diaz Diaz

UNmAD IV

Variables aleatorias y Distribnciones de probabiJidad discreta 130

EJEMPLO 4.10
Calcule la varianza y la desviaci6n esUindar para el numero de servicios de alimentos en la
habitaci6n del ejemplo 4.7.

NUmerode
senicios

P(X)

XP(X)

(X)

10
20
30
40
50
Total

(X)'"

X"'P(X)

En el ejemplo 4.7 ya calculamos el l

0.033
0.233
0.500
0.200
0.033
1.000

3.33
.333
100
4.660
400
93.20
450.00
15.0000
900
8.000
1600
320.00
1.650
82.50
= 2500
E(X)= 29.643 ~
E(Xi=949.03
Tabla 4.13

valor esperado Jm<l estos datos,

entonces solo nos faltanl cakular
E(X2) 0 10 que es 10 mismo, X1(X),

por 10 que tomamos las colunmas 1,4

y5 de la Tabla 4.6 y solo calculamos

en la Tabla 4.13 10 que faIta.

La varianza sera:
0'2 (X) = E(X2) - [E(X)J2 sustituyendo valores 0'2 (X) = 949.03 - (29.643i = 70.322
Este resultado significa que en el hotel
esperan

La desviacion estandar sera

en

promedio

29.643

solicitudes servicio de alimento a la

habitacion con una variacion promedio
de 0 2 = 70.322 servicios al cuadrado, 0
bien,

= 8.386 servicios.

EJEMPLO 4.11

Con base en los datos del Ejemplo 4.5 calcuJe su varianza y la desviaci6n estandar.

Posfbles
defedos

Probabllidad
P(x)

XP(X)

x2

x2p(X)

o.

0
1

0
0.04
0.48
1.80

4.48
8.75

porlote

0
I

2
3
4

5
Total

.01
.04
.12
.20
.28
.35
1

0.04
0.24
0.60
1.12
1.75
EOO=3.75

Tabla 4.14

9
16
25

Aprovecharemos la distribucion de
probabilidad (tabla 4.4). que calculamos
en el ejemplo 4.5 y en base a ello:

Primero necesitamos calcular el

valor
esperado
con
XP(X)
resultando E(X) = 3.75

Enseguida calculamos el cuadrado

ponderado con X2p(X) y sera
E(X2) = 15.55

Finalmente aplicamos la f6rmula

E(X2}=1~55

JaW; Diaz Diaz

UNmAD IV

Variahles aleatorias y Distribuciones de probabi~dad discreta 131

La varianza sera:
0'2 (X) = E(X2) - [E(X)2 sustituyendo valores 0'2 (X) = 15.55 - (3. 75i = 1.4875

La desviacion estandar sera:

Este resultado significa que Ia

empresa espera en promedio 3.294

solicitudes servicio de nmdanzas

con

Wl3

variaci6n promedio de

a 1=1.48 servicios

at cuadrado,

bien, a=1.219 servicios

4.5

EL PROCESO DE BERNOULLI

Para poder aplicar correctamente las distribuciones de probabilidad discreta que veremos
mas adelante, nos ayuda mucho el conocer que es el proceso de Bernoulli.

Jakob Bernoulli encontr6 la conveniencia de un modele de probabilidad general donde

engloba todos los experimentos en que se realizan pruebas repetidas y que contienen
esencialmente tres caracteristicas:

1.- En cada prueba solo puede existir dos posibles resultados [por conveniencia
les lIamamos (exito 0 fracaso).

2.- Cada uno de los ensayos u observaciones que se lIeve a cabo deberan ser
independientes entre si, es decir, no afectar la ocurrencia de los otros.

3.- La probabilidad de exito, que Uamamos (P) y por tanto Ia probabilidad de no

exito

(PJ, permanecera constante en cada ensayo que se realice.

JesUs Diaz Diaz

UNlDAO rv

Variables aleatorias yDistribuciones de probabi~d.ad. dUicreta 132

Por ejemplo si quiero saber cuantas ilguilas puedo obtener al lanzar una moneda cinco
veces. Podemos observar que sigue perfectamente el proceso Bernoulli por\ que solo
existen dos posibles resultados (exito cuando resulta aguila,

fracaso si fuese

sel~o); Cada
i

vez que lanzo la moneda puede caer en cualquiera de sus dos caras independientemente del
resultado obtenido antes y por ello tambien, cada vez que se lance, su probabilidad de exito
sera Yz.

Otro ejemplo puede ser el experimento que consiste en seleccionar al azar 100 de entre
10,000 personas que asisten a un concierto de rock y checar cuantas de ellas son fum adores
si estudios previos demostraron que el 40% de las personas fuman.

Este es otto caso que sigue el proceso Bernoulli. De cada persona que se Ie pregunte
obtendremos solo dos posibles resultados (si, sera exito,

DO,

sera fracaso); Lo que conteste

cada entrevistado no influenciara a los demas, por que son independientes, y a cada
persona podemos asociarle una probabilidad de acierto de 4()oJO por los estudios previos, y
se mantendra constante en todo aquel que se investigue.

Ahora bien: Si lanzo un dado 20 veces esperando obtener el numero 4, mi probabilidad de

acierto cada vez que 10 lance sera 1/6 y no variara en ningiln lanzamiento; P y pC se
mantendran constantes por que son independientes. Y cada vez que tire el dado solo puedo
esperar dos posibles resultados, si cae en 4, sera un exito, cualquier otro numero,(1,2,3,5,6)
sera un fracaso. Entonces sigue el proceso de Bernoulli.

Ahora si extraigo tres cartas sucesivas sin remplazo de una baraja de 52 cartas, esperando
obtener tres ases, estamos ante un problema que no sigue el proceso Bernoulli. Cada vez
que extraigo una carta obtengo un exito

un fracaso, pero tambien cada vez que extraigo

una carta modifico el espacio muestral y por tanto las condiciones para la ocurrencia de la
siguiente, por 10 que seran eventos dependientes y P YpC no se mantendran constantes.

UNIDAD IV

4.6

Variables aleatorias y Distribuciones de probabiJidad discreta 133

DISTRIBUCION BINOMIAL

Es una distribuci6n de probabilidad discreta que puede aplicarse

proceso de muestreo donde deseamos calcular la probabilidad

cad~

vez que se realice un

de'~btener un determinado

numero de exitos en un numero previamente determinado de ensayos en un experimento

que sigue el proceso Bernoulli

II

Se obtiene
mediante

LA DISTRIBUCION BINOMIAL

DONDE:
P(X)

= ProbabiJidad de obtener un
determinado niunero de exitos
cuando realizamos un determinado
niunero de ensayos

n=
x=

Nu.mero de ensayos que se real.izar3n

Niunero de exitos que se esperan

DC. =

Para obtener 1000s los posibles

arreglos tamafto "x", cuando
realizamos "n" experimentos.

P=

Probabilidad de exito en cada ensayo

u observaci6n.

ONDICIONES PARA PODERSE APLICAR:

I.-La distribuci6n sigue un proceso de Bernoulli.

[Solo
hay dos posibles resultados, brito 0 fracaso; P Y pC se
mantienen constantes en cada ensayo; y debecln ser pruebas

independimtes.

2. -Se realizar3n una cantidad previamente determinada

de ensayos u observaciones.
3.-Deseamos calcular la probabilidad de obtener un
determinado niunero de exitos en "n" ensayos.

II

(l-P) = pc = Probabilidad de no acierto

EJEMPLO 4.12

En una gran ciudad se estima que de cada 100 autos robados se recuperan 60. Estime la
probabilidad que de 10 autos robados se recuperen exactamente 3.
Es una binomial por que comple con todos los requisitos

= JOe3 (0.6i

(1_0.6)10-3

= 120 (0.216)(0.0016) =

0.042

1.- Sigue un proceso de Bernoulli:

Solo existen dos posibles resultados en cada ensayo
(exito si 10 encuentran y fracaso si no 10 encuentran).
Para cada auto la probabilidad de recuperaci6n se
mantiene constante P=60/100.
Son pruebas independientes ya que cada roOO es
independiente de los otros robos.
2.- Se realizar3n exactamente 10 ensayos
3.- Calcularemos la probabilidad de obtener exactamente 3 exitos

J(S' Diaz Diaz

UNIDAD IV

Variables aleatorias y Distribuciones de probabilidad disereta 134

EJEMPLO 4.13

Si un estudio realizado en el Tecnologico deterrninara que el 28% de los estudiantes por

semana estudian 120 mas hora extra clase. l.qtre probabilidad existiria si seleccionamos al
\

azar a 15 alumnos y 8 de ellos estudien 120 mas poras extra clase por semana?

Es una binomial por que comple con todos los requisitos

=15C 8

(0.28)8

1.- Sigue un proceso de Bernoulli:

Solo existen dos posibles resultados en cada ensayo
(exito si
estudia mas de 12 horas extra clase y
fracaso si no 10 hace).
Para cada estudiante la probabilidad de que estudie
12 0 mas horas se estima en P=O.28, y se mantiene
constante.
Son pruel)3S independientes ya que cada estud.iante es
independiente de los demas.
2.- Se real.i.zanin exactamente 15 ensayos
3.- Calcularemos la probabilidad de obtener exaetamente 8
exitos

(1

0.28i 5-8 =

=6435

(0.000038)

(0.100) =

EJEMPLO 4.14
En una sucursal de Bancomer se tiene estimado que el 69% de los clientes que recurren a
los cajeros automciticos van a retirar dinero, el restante 31% hacen otras operaciones como
depositos, consulta de saldos etc. ( para este ejercicio omitimos a aquellos que hagan mas de una
operaci6n ala vez). siendo asi, l.que probabilidad existe de que de los siguientes 20 clientes de

esos cajeros 17 retiren dinero?

P(X)

= nex Px (l_p)n-x =

1140 (0.0018)(0.029) =

= 0.0618

Comple con todos los requisitos por tanto es una binomial por que:

1.- Sigue un proceso de Bernoulli:

Solo existen dos posibles resultados en cada ensayo (exito si
retira dinero y fracaso si no 10 hace).
Para cada cliente la probabilidad de que retire dinero se estima
en P=O.69 y se mantiene constante.
Son pruebas independientes ya que cada cliente es
independiente de los demas.
2.- Se real.i.zanin exactamente 20 ensayos
3. - Calcu1aremos la probabilidad de obtener exactamente 17 exitos

UNmAD TV

JesUs Diaz Diaz

Variables aleatorias y Distribuciones de probabilidad disenta 135

EJEMPLO 4.15
SegiIo sus estadisticas una empresa constructora estima que de cada diez concursos de obra
eo que participa gana tres de ellos.

~Que

probabilidad tiene de ganar en cinco ocasiones de

los siguientes 8 concursos en que participe si las\condiciones se mantienen?

\

P(X) = nCI Px (I-Pf-X =

gC 5 (0.3)5 (0.7)8-5

= 56 (0.0024)(0.343) =
=

Cumple COD todos los'requisitos por tanto es una binomial por que:

1.- Sigue un proceso de Bernoulli:

Solo existen dos posibles resultados en cada ensayo (exito si
gana y fracaso si pierde).
Para cada concurso la probabilidad de exito se estima en P=
3/10 = 0.3.
Son pruebas independientes ya que cada concurso es
independiente de los demas.
2.- Se reali.zar3n exactamente 8 ensayos
3. - Calcularemos Ia probabilidad de obtener exaetamente 5 exitos

0.046

4.7

DISTRIBUCION GEOMETRICA

La aplicamos cuando deseamos conocer la probabilidad de que el primer acierto ocurra en

un determinado ensayo. Es decir, si deseamos obtener el primer exito en el "0" ensayo,
previamente deben ocurrir (n-l) fracasos. Esta distribuci6n puede ser aplicada solamente
en casos con caraeteristicas iguales a las que requiere la aplicaci6n de la binomial

Se obtiene
mediante

P(X) = (P) (l_p)X-l

I CONDICIONES PARA PODERSE

APLICAR:
I. -La distnbuci6n sigue un proceso de
Bernoulli. [Solo hay dos posibles resuhados,
exito 0 fracaso; P Y pC se mantienen constantes en
cada ensayo; son pruebas independientes.

2.- Deseamos calcuIar Ia probabilidad de

obtener el primer exito en un
determinado nfunero de ensayo.

DONDE:
P=
I

Probabilidad de exito

= Nfunero de ensayo donde queremos calcolar Ia

probabilidad de que suceda el primer exito.

X-I = Nfunero de fracasos que deben suceder antes de

obtener el primer exito.

UNlOAD IV

Je:.--us Diaz Diaz

Variables aleatorlas y Distribuciones de probabilidad discreta 136

EJEMPLO 4.16

Con los datos del ejemplo 4.12, calcule la probabilidad de que el primer auto recuperado
sea el tercero robado.

P(X) = (P) (l_p)X-l =

= (60/100) ( 1 - 60/100)3-1=

= 0.096

Ya vimos, en el ejemplo 4.12 que si sigue el proceso

Bernoulli :
Aqui 10 que deseamos es calcular la probabilidad de
obtener el primer exito en el x=3er ensayo. Entonces
aplicaremos la distribuci6n geometrica.

EJEMPLO 4.17

Con los datos del ejemplo 4.13 calcule la probabilidad que sea hasta el decimo estudiante
entrevistado, el primero que si estudie 12 0 mas horas extra clase por semana.

Ya vimos en el ejemplo 4.13 que sigue el proceso Bernoulli .

P(X)

(P) (l_p)X-l

Aqui 10 que deseamos es calcular la probablidad de obtener el

primer exito en el x= 10 ensayo. Entonces aplicaremos la
distribuci6n geometrica.

- 0.28 (0.72)10-1 = 0.0146

EJEMPLO 4.18

Con los datos del ejemplo 14, calcule la probabilidad de que sea hasta el 5 cliente el
primero en retirar dinero de los cajeros automaticos.

P(X) = (P) (l_p)X-l

= 0.69 (0.31 i-I = 0.0064

Ya vimos en el ejemplo 4.14 que sigue el proceso Bernoulli .

Aquf 10 que deseamos es calcular la probablidad de obtener el
primer exito en el x=5 ensayo. Entonces aplicaremos la
distribuci6n geometrica.

UNIDAD IV

JesUs Diaz Diaz

Variables aleatorias y Distribuclones de probabilidaJ discreta 137

EJEMPLO 4.19
Con los datos del Ejemplo 4.15, calcule la probabilidad que sea hasta el 3er concurso el
primero que pierda la constructora.

P(X) = (P) (1-pl-1 =

=

0.7 ( 1_0.7)3-1

0.063

Ya vimos en el ejempl04.15 que sigue el proceso Bernoulli .

Aqui 10 que deseamos es calcular la probabilidad de obtener el
primer exito en el n=3 ensayo. Entonces aplicaremos Ia distribuci6n
geometrica.
Vimos en el problema 15 que P= 3/10 = 0.3. Pero en este ejemplo,

la probabiJidad de exito sera la probabilidad de que pierda, por

que queremos calcular Ia probabilidad de que sea basta el 3er
concurso el primero que pierda, entonces:
P = (1 - 0.3) =.7

4.8

LA DISTRIBUCION HIPERGEOMETRICA.

Se utiliza cuando queremos calcular la probabilidad de obtener determinado numero de

elementos de exito en una muestra que extraeremos de una poblaci6n finita formada por
elementos tanto de exito como de no exito.

Llamamos "elementos de exito" a aquellos que tiene algunas caracteristicas que nos
interesan, mientras que los de "no exito" no las tienen.

Una caracteristica importante para poder aplicar esta distribuci6n es que el muestreo se
realiza sin remplazo, por tanto cada elemento que se extrae, modifica las probabilidades
para la siguiente extracci6n, ''P'' no se mantiene constante en cada ensayo y los eventos
serlin dependientes. Por tanto, no sigue el proceso de Bernoulli, y para estos casos la
distribuci6n Hipergeom&rica es la apropiada..

UNIDAD IV

JesUs Diaz Diaz

Variables aleatorias y Distribuciones de probabilidad dmcta 138

LA DISTRIBUCION HIPERGEOMETRICA

Se obtiene

mediante

II

[(N-X1)C

(n-x)]

[xTCx]

P(X N,XT,n) = ----------------------

NCu

CONDICIONES PARA PODERSE APLICAR

1-

2-

No sigue el proceso de Bernoulli por qu~ realiza un muestreo

sin remplazo y las probabilidades van variaiiaoen cada extracci6n
siendo entonces eventos dependientes.

N
n

= Tamaiio de la poblaci6n
=

Tamafio de la muestra

XT

= Cantidad de elementos
que tienen caracteristicas
de exitos dentro de los
elementos de la poblaci6n.

= Ninnero de elementos
de exito que deseamos
dentro de la muestra.

[(N-X1)C (u-X)]

Hay una poblaei6n formada por elementos de exito y otros de no

Una
combinaci6n de (N
menos X T) en (n menos x).

exito.
3- Extraeremos una muestra de dieha poblaci6n.
4-

Caleularemos la probabilidad de que la muestra extraida contenga

un detenninado niunero de elementos de exito y por tanto, a la
vez. detenninado niunero de no exitos.

EJEMPLO 4.20

La flotilla de camiones repartidores de Coca Cola consta de cincuenta camiones en cierta

ciudad, de los cuales el 40% [ 20 camiones] emanan excesiva cantidad de gases toxicos.
Si un inspector selecciona al azar diez camiones para un chequeo l,que probabilidad hay de
que cinco de ellos emanen cantidades excesivas de gases toxicos?

[(N-XTC (o-X)] [xTCx]

P(X N,xT,n) = ------------------- =

NCn

[(50-20) C (10-5) [ 20C S)

50ClO

Tenemos una poblaci6n N= 50 camiones de los

cuales Xr= 20 emiten cantidades excesivas de
hurno. Tomaremos una muestra n= 10 y
calcu1aremos la probabilidad de que en dieha
muestra resulten X = 5 elementos de exito
(camiones que emiten mueho burno).
Es un muestreo sin remplazo. No sigue el proceso
Bernoulli.
Tiene todas las caraeteristicas para ser
solucionado
mediante
una
distribuci6n
hipergeometrica

UNIDAD rv

J estis Diaz Diaz

Variables aleatorias yDistribuciones de probabilidad d.iscreta 139

boCs) (20C S)
(142,506) (15,504)
= ---------------------------- = ------------------------------ = 0.215
soC 10
1.027227817 X 1010 -

EJEMPLO 4.21
Un fabricante de Malasia contrata con un cliente en Mexico la venta de 100 monitores de
un mismo modelo. Por sus estadisticas el fabricante sabe que el 4 % de sus productos
presentan'm fallas, y el cliente exige no mas del 2% de articulos con falla. Si el vendedor se
arriesga con estas condiciones y al "I1egar .--el pedido el comprador decide revisar una
muestra seleccionada al azar de 50 monitores,

~Que

probabilidad existe de que la venta se

realice?
Si

fabricante

estima

en

4%

Ia

proporci6n defectuosa de su producto

PARAX=O

P(X N,xT,n)

el

[(N-XT))C

(n-x)]

entonces consideramos que de N=100

[XT CX]

=--------------------=

monitores,

NCo

Xr= 4 vendcin defectuosos

(4%). EI cornprador rnuestreara n=50

monitores y solo aceptani el pedido si

aparece no mas del 2% de defectuosos, es
decir, aceptara el pedido solo si en la

- ------------------------ =

muestra resulta X= (0) 0 X= ( 1).

Tenemos entonces un problema cuya

27

[5.925514769 X 10 ][1]
= ------------------------------- =

soluci6n debeni realizarse mediante la

distribuci6n hipergeometrica calculando la

0.059

probabilidad de:

1.008913445 X 1029

[(X=O) + (X=l)]
PARAX=I

--------------- -- -------------------

-- 0.250

1.008913445 X 29

PARA X = (0 Ii I)

(0

P(O 6 1)

= 0.059 + 0.250 = 0.309 Es la probabiJidad de que solo salgan

1) monitores defectuosos y la veDta se realice

UNIDAD IV

Jesill; Diaz Diaz

Variables aleatorias y Distribuciones de probabilidacl discreta 140

EJEMPLO 4.22

En una empresa 18 de las 26 secretarias saben usar el "Excel". Si selecciono al azar 8 de

ellas que probabilidad tengo de que exactamente 3 de las seleccionadas sepan usar el
"Excel"

Este es tambien un caso donde la soluci6n se

obtiene

mediante

hipergeometrica porque

distnbuci6n

Ia

Ia

deseamos

probabilidad de obtener X = 3 exitos en una

muestra n= 8 que extraeremos de

(56) (816)
= ------------------------ = ----------- = 0.029

una

poblaci6n N=26, que esti formada por

Xr=18 elementos de exito y 8 de no exito.

1'562,275

4.9

DISTRIBUCION POISSON

Esta distribuci6n sirve como modele para experimentos donde no se reatiza un numero
predetenninado de experimentos u observaciones, sino donde los eventos estfm ocurriendo
en un espeetro continuo del tiempo y espacio. Mediante esta distribuci6n podemos calcular
la probabilidad de la ocurrencia de un numero designado de exitos en un determinado
tiempo y espacio.

EI proceso Poisson es semejante at proceso Bernoulli [solo considera dos poslbles resultado
(exito 0 fracaso), Py

pC

se mantienen constantes, cada evento es independiente de los demas)

>

solo difiere

en que no realizamos un numero de ensayos y observaciones fijas sino que es un proceso

continuo.

Variables aleatorias y Distribuciones de probabiJidad discreta 141

UNIDAD IV

JesUs Diaz Diaz

Se obtiene
mediante

LA DISTRIBUCION POISSON
'1

r..

e-I..

P(x) = -------
x!

}., = Promedio de bdlos

para la dimension
especifica del
tiempo y espacio de
interes.

CONDICIONES PARA PODERSE APUCAR

1.- Que sigaun proceso Poiss~.
2.- Con<x:er el promedio de 'exita~
para la dimension

especifica del tiempo y espacio 1.

3.- Deseamos conocer la probabilidad de que ocurran "x

exitos" en un determinado tiempo y espacio.

4.- La cantidad de unidades que se desee obtener en x

deben corresponder a cualquier determinado tiempo
y espacio que se emplee pero siempre y cuando el
tiempo y espacio en que se presente }., sea el mismo
,y si no, hay que igualarlas.

e = 2.7183 = Base de los

logaritmos
Neperianos 0
Naturales.

Niunero designado de
exitos

EJEMPLO 4.23

Una casa de cambio recibe en promedio 4 billetes falsos cada mes. l.Que probabilidad
existe de que un mes cualquiera reciba 8 billetes falsos?

Tenemos como dato solamente el promedio A. = 4

para un periodo de un mes en un proceso continuo.

AX.

e-I..

(4)8 (2.7183)-4

P(8) = -------- = ------------------- =

x!
8!

= 0.0298

Cada evento es independiente entre sl.

Deseamos calcular la probabilidad de que reciba x

8 (exitos = billetes falsos) en un periroo de un meso

Supuesto que cumple con el proceso Poisson

aplicaremos esa distribucion.

JesUs Diaz Diaz

UNIDAD IV

Variables aleatorias y Distribuciones de probabilidad disereta 142

EJEMPLO 4.24

EI numero detectado y consignado de vehiculos que transportan droga en un reten movible

entre Guadalajara y Tijuana promedia 6 cada meso "Que probabilidad existe de que en un
mes seleccionado al azar detecten y consignen solo 2 vehiculos con droga en dicho reten?

'AX. e-'J..

(6i

(2~-6

P(2) =------- =----------------- =

x!
2!
=

0.0446

Tenemos como dato solamente el promedio A = 6

para un periodo de un mes en un proceso continuo.
Cada evento es independiente entre si.
Deseamos calcular la probabilidad de que detecten
x=2 (exitos = vehiculos con droga) en un periodo
de unmes.
Supuesto que cumple con el proceso Poisson
aplicaremos esa distnbucion.

Tip

Cuando se presentan easos en que el promedio (I..) de que disponemos

esta ealeulado para una unidad de tiempo y espacio determinada, y deseamos

ealeular Ia probabilidad de obtener (x) exitos en otra diferente unidad de tiempo y
espacio, sera necesario ealcular el (I..) eorrespondiente al tiempo y espaeio en que
se eneuentre (x). Generalmente una regia de tres simple es sufieiente.

EJEMPLO 4.25

Un sitio de radio taxis recibe en promedio 8 llamadas por hora solicitando servicio para ir
fuera de la ciudad. Calcule la probabilidad de que en dos horas solo una vez se solicite el
servlclo.

UNmAD IV

JesUs Diaz Diaz

Variabb aleatorias y Distribuciones de probabili.dad. d.iscreta 143

[(16)]1 [2.7183r I6

Tenemos de datos solo un promedio en

P(x) = ------------ = --------:------------

1.800 XI0-6 el tiempo 1. = 8 por hora. Y pide la

(Ay (erA.

x!

probabilidad de x=1 servicio en dos

1!

horns por tanto 1.

habra que

calcularal para periodos de 2 horas

8:1::X:2

= [(8)(2)]/1 = 16. Entoces 1.=16

para periodos de 2 horns. Ahora si

aplicamos la fOrmula

EJEMPLO 4.26

En una eiudad estiman que 12 es el promedio de naeimientos por hora que ahi sueeden.
i,Cual sera la probabilidad de que en un periodo de diez minutos seleccionados al azar se
registren tres nacimientos?
Tenemos un promedio 1.=12 por hora
deseamos calcular la probabilidad de que en
10 minotos sucedan x=3 nacimientos.

(J.y (erA.
P(X) --

Tiene las caracteristicas para ser una

distribuci6n Poisson.

(2)3 (2.7183)"2

---------- -- ---------------- -

x!

3!
=

1. = 12 por hora deberemos adecuarla a

periodos de 10 minutos mediante una regia
de tres:
12:60::X:I0 = (12X1O)/60 =2;
ahora 1. = 2 para periodos de 10 minutos

0.1804

EJEMPLO 4.27

Una empresa productora de vidrio para ventanas estima que la ealidad de su vidrio esta

garantizada a un defeeto por eada 100m2 fabrieados. Si un cliente pide 20 m2 de vidrio,

eual es la probabilidad que Ie surtan eero defeetos?

,------------------------,

Tenemos un promedio 1.=1 por cada 100 m2 y

deseamos calcular la probabilidad de que en 20
m 2 sucedan x=O defectos.

(At (erA.
P(X)

(0.2) (2.7183)-02

= --------- = ------------- =
x!

Tiene las caracteristicas

distribuci6n Poisson.

para

ser

una

O!
=

0.8187

1.=1 por cada 100 m2. Deberemos calcu1ar 1.

para cada 20 m2 mediante una regia de tres:
100: l::20:X = (lX20)/100 = 0.2, ahora 1. = 0.2
para espacios de 20m 2

UNIDAD IV

Variables aleatorias y Distribuciones de pr<kbihdad discreta 144

EJEMPLO 4.28

Obras publicas del estado acondicion6 un carril especial para que los vemculos que van a
entrar al tecnol6gico esperen hasta que el semiUoro 10 indique. Dicho carril tiene capacidad
para cuatro vehiculos y un estudio estadistico encontr6 que en las horas pico en promedio
se juntan 7 vehiculos esperando la vuelta. l,Cucil sera la probabilidad de que en una hora
pico seleccionada al azar se congestione el trMico por excederse la capacidad del carril?

Q..Y (e)-'P(O)=

'f (2.7183r 7

= 0.00091

O!

xl

T (2.7183r7
P(I)=------------ = 0.00638;
l!
para

igualmente para

P(2) =0.022

P(3) = 0.052 y para P(4)= 0.091

entones:

P(O,I,2~ 0

4)

0.00091+ 0.00638

0.052+0.091 =

+ 0.022 +

0.1723

P(AC ) = I-P(A); P(Ac ) = 1-0.1723 = 0.8277 es la

probabilidad de que en una hora pico se junten mas

Es una distribuci6n Poisson, tenemos un

promedio de "),=7 vehiculos en un cicIo de luces
del semMoro y deseamos obtener la probabilidad
de x = 5,6,7,8...... vehiculos en un cicIo de luces.
Cualquier cantidad mayor a 4 vehiculos no cabra
en el carril y congestionara el tnifico. Deberiamos
calcular la probabilidad que se junten 5,6,7,8,9.....
vehiculos, pero es mas sencillo
calcular
P(A)=[P(0)+P(I)+p(2)+p(3)+P(4)] vehiculos, que
si caben en
el carril y luego empleando
P(Ac)=l-P(A) obtendremos la probabilidad de
todas las cantidades de autos superior a 4
vehiculos en un cicIo de 1uees del semMoro.
x y"). estan considerando el mismo espacio en el
tiempo, por 10 que no es necesario modificar nada

de 4 vehiculos en un cicIo de luces del semMoro.

4.10

APROXIMACION DE POISSON A LA BINOMIAL.

Cuando tenemos un problema que se resuelve mediante la distribuci6n binomial, donde el

numero de ensayos es muy grande, los calculos se hacen bastante tediosos y mas aun si la
probabilidad de acierto es muy pequeiia.

En este tipo de problemas si (n

20) Y (P S 0.05) podremos resolverlo mas mcilmente

mediante la distribuci6n Poisson y obtendremos una buena aproximaci6n a los resultados

que obtendriamos con la de la distribuci6n binomial Los resultados por ambos metodos
son muy similares.

JesUs Diaz Diaz

Se obtiene
mediante

illHDAD IV

Variables aleatorias y Distribuciones de pnkbilidad diacrd:a 145

rrll!::============n

(opt enp
P(X) = ---------------

X!

= Probabilidad de exito

Nfunero de aeiertos esperado.

en cada

ensayo.
(np) = E(X) = A. =Numero de
aeiertos.
0
bien
el
promedio.

CONDICIONES PARA PODERSE APLICAR

1. Solo en casos en que puede resolverse mediante ]a

binomial. Es decir queremos obtener detenninado
niunero de exi.tos en un nfunero determinado de
ensayos dentro de lID proceso Bernoulli.

e = 2.7183 = base de los

logaritmos Neperianos 0
naturales.

2. - SoIamente si el nUmero de observaciones 0 ensayos es

muy grande y la probabilidad de exito 0 la de no
exito son muy pequetlas ademas que al multiplicar
(npq) resulte mayor que uno.
Entonces se puede aplicar si y solo si (n ~ 20),
(P
~ 0.5) Yque npq > 1.

EJEMPLO 4.29
Si la probabilidad de que falle un determinado componente e1ectr6nieo at apliearle el
voltaje nominal es de 0.001, "emil es la probabilidad de que de un lote de 2000 de diehDs
eomponentes fallen tres?

Si resolvemos mediante fa distribucion binomial sera:

P(3) = (2000C3) (0.001)3 (1 - 0.001)2000-3 =1331334000) ( 1 X 1O-~ (0.1356) = 0.1805

Si no disponemos de una calculadora grande, resulta muy complicado el cMculo

UNmAD IV

Variahles aleatorias y Distrihuciones d.e prohabiJid.ad dmta 146

Resolviendo mediante la aproximacion de Poisson sera:

)

~
Primero checamos si puede aplicarse:
n si es grande, es mayor que 20; p si es muy

pequeno, es Menor que 0.05; npq = (2000)

Primero calculamos J.. = E(X) = np=

=

(2000) (.001) = luego aplicamos la

formula.

(0.001) (0.999) = 1998 por tanto si es mayor que

uno.

Concluimos que si puede aplicarse la

aproximaci6n Poisson por que si comp1e todos

/..,3

P(3) =

e-'A

(23 )(2.7183y2

---------- = ----------------- =

x!

los requisitos

3!
P(3) = 0.1804

EJEMPLO 4.30

El aeropuerto de una gran ciudad asegura que todo avion para poder salir de alli, es
checado perfectamente para constatar que haya cumplido su programa de mantenimiento y
que los pilotos se encuentren en perfectas condiciones fisicas y mentales. En base a ello
estiman que la probabilidad de que un avion sufra un accidente grave es de 0.004% . Si de
ese aeropuerto anualmente salen 40,000 vuelos y las estimaciones son correctas, i,Ctuil es
la probabilidad de en un ano dos aviones sufran un accidente grave?

Si reso1vemos mediante Ia distribuci6n binomial sera:

P(3)

(40000~) (o.o0004i (1- 0.(0004)40,000-2 = (799980000)(1.6 X10-'1 (0.2019) =

=0.2584
Si no disponemos de una calculadora grande resulta muy complicado e1 cAlculo

UNmAD IV

JesUs Diaz Diaz

Variables aleatorias y Distribuciones de prdJahilidad. discreta 147

Resolviendo mediante la aproximacion Poisson sera:

Primero calculamos A. = E(X) = np =

Primero checamos si puede a,brse:

= (0.00004)(40000) = 1.6; luego

n si es grande, es mayor que 20; p si es muy

aplicamos la formula.

pequefio, es Menor que 0.05; npq = (40,000)

(0.00004) (0.99996) = 1.599 poT tanto si es mayor

que uno. Concluimos que si puede aplicarse la

AX e-"A
(1.6 )2 (2.7183)"1.6
P(2) = ---------- = ------------ =

aproximaci6n Poisson poT que si cumple todos

21

x!

P(3) = 0.2584

EJEMPLO 4.31
Una empresa que fabrica diskettes asegura que de las plezas que salen al mercado
solamente el 0.02% pudieran presentar alguna falla.

Si su estimacion es correcta y un

mayorista compra 50,000 piezas, i,que probabilidad tiene de que Ie salgan 20 diskettes con
falla?
Si resolvemos mediante Ia distribucion binomial sera:
P(20) = (50.000~O> (0.0002)20 (1-0.0002)50,000-20 = (3.905035049 X 1075 ) (1.048 X 10'74) (4.554 X 10'5) =
= 0.00186
Si no disponemos de una calculadora grande resulta muy complicado el cilculo

Primero checamos
aplicarse:

si

puede

Resolviendo mediante la aproximacion Poisson sera:

n si es grande, es mayor que

Primero calculamos A. = E(X) = np =

20; p si es muy pequeno, es

menor que 0.05;

npq

(50,000) (0.0002) (0.9998) =

= (0.0002)(50,000) = 10; luego aplicamos la formula.

9.998 por tanto si es mayor

que uno. Concluimos que si

puede

aplicarse

aproximaci6n Poisson por

que

si

requisitos

AX e-"A

la

cumple todos los

P(2) =

(10)2(2.7183)"10

--------- = -------------- =

x!

20!

P(3) = 0.00186

UNIDAD IV

JesUs Diaz Diaz

Variables aleatorias y Distribuciones de probabiJick.d clilicrm. 148

4.11 APLICACION DE TABLAS PARA LA SOLUCION DE

DISTRIBUdIONES BINOMIALES Y DE POISSON

El uso de tablas facilita la soluci6n de estos problemas ya que nos evita hacer engorrosos
calcuJos matematicos principalmente cuando se desea deterrninar la probabilidad de que el
resultado ocurra dentro de un rango de valores.

Soluci6n mediante tablas binomiales

La tabla de probabilidades binomiales es la Tabla 1 que se encuentran en el apendice
de este manual. Para aplicarlas solo necesitamos conocer (0, r,
columna 1 el valor de

0,

pl.

Buscamos en la

luego en la columna 2 su respectivo valor de r, luego en el

reng16n de encabezados el valor de p. Finalmente en el cruce de la columna donde

estuvo P. con el rengl6n donde estuvo o,r encontraremos la p(x)

EJEMPLO 4.32

Mediante el uso de las tablas calcule la soluci6n al problema 4.15

Cooocemos:

0=8, X= 5, p=O.3

Buscamos en la tabla binomiales del apendice; en la columna 1 el valor

de 0=8. Enseguida en la columna 2 encontraremos el valor de (x=5
cuaodo 0=8). Luego buscaremos en el primer rengl6n el valor cuando p=
0.3. Finalmente, en el cruce de (o,x) con p, tendremos el valor de P(X),

que es 0.0467

UNIDAD IV

Variables aleatorias y Distribuciones de probabilidad dmda 149

Soluci6n mediante tablas de Poisson

La tabla de Poisson corresponde a la tabla 2 que se encuentran en el apendice de este

manual. Para usarla solo necesitamos conocer A y x Buscamos el bloque de numeros cuyo

primer rengl6n abarque el valor de A. Luego en ese mismo bloque buscamos en la primer

comuna el valor respectivo de x y en el cruce de ambos encontraremos el valor de P(X)

EJEMPLO 4.33

Calcule P(X) mediante el uso de tablas de Poisson el problema 4.23.

Conocemos A= 4, x= 8.
Buscamos en la tabla de probabilidades de Poisson del apendice el
bloque que alcance a cubrir el valor de A= 4; Encontramos que es el
cuarto bloque ya que cubre los valores de lambda desde 3.1 hasta 4.
Enseguida buscamos en ese bloque, en la primer columna el valor de
x=8. En el cruce del rengl6n y columna encontraremos el valor de P(X)

que es 0.0298

EJEMPLO 4.34

Calcule P(X) mediante el uso de tablas de Poisson el problema 4.24

Conocemos A= 6, x= 2. Buscamos en la tabla de probabilidades de Poisson del apendice

el bloque que alcance a cubrir el valor de A= 6; Encontramos que es el
sexto bloque el necesario ya que cubre los valores de lambda desde 5.1
hasta 6. Enseguida buscamos en ese bloque, en la primer columna el
valor de x = 2. En el cruce del rengl6n y columna encontraremos el valor
de P(X) que es 0.0446

mHDAD IV

JesUs Diaz Diaz

4.12

Variables aleatorias y Distribuciones de probabilidad discreta 150

RECOMENDACIONES

DIDACTICAS

BmLIOGRAFICAS DEL CAPITULO.

Luego de haber analizado

esta

unidad, es recomendable practicar resolviendo los

problemas propuestos en:

FREUND - SIMON ''Estadistica elemental" Ed. Prentice Hall, Octava

edici6n, Mexico 1994, pp. 182-185, 188,189

KAZMIER Leonard 1. ''Estadistica aplicada a la administraci6n y a la

economia" Serie Schaums, Ed. Mc Graw Hill 1a Edici6n, Mexico 1978. pp
105.

LEVIN & RUBJN ''Estadistica para administradores" Ed. prentice Hall 68

edici6n, Mexico 1996. pp. 246, 255, 263.

BmLIOGRAFiA DEL CAPITULO.

Ademas de los anteriores.

DEVORE Jay L. ''Probabilidad y estadistica para ingenieria y ciencias"

Ed. Thomson editores 1a edici6n , Mexico 1998.

WIMER Richard C. ''Estadistica'' Ed. CECSA, 1a Edici6n, Mexico 1996.

.ksUs Diaz Diaz

UNIDAD IV

varia.11es aleatorias y Distribuciones de probabilidad discreta 151

4.13 RESUMEN
El concepto de variable\Ieatoria es 10 que nos permite pasar de resultados
experimentales a una fimcid numerica de los resultados. Una variable aleatoria es una
regia

funcion que asigna un Unico numero real a cada resultado (cualitativo

cuantitativo) del espacio muestral de un experimento aleatorio.

Las variables aleatorias pueden ser discretas si podemos enlistar y graficar punta a
punta todos los elementos de su espacio muestral; y la variable sera continua si en cada
intervalo de su espacio muestral aun por pequeno que este sea, existe una cantidad infinita
de posibles resultados
Una distribuci6n de probabilidad es un listado de todos los posibles resultados que
pudieran obtenerse cuando un experimento aleatorio se realiza. Este listado resulta de
asociar a cada uno de los valores que pueda tomar la variable aleatoria discreta su
probabilidad de ocurrencia generando una tabla de probabilidades.
EI valor esperado de una variable aleatoria 0 la media de probabilidades, es el valor

que mayor oportunidad tiene de ocurrir. Resulta de LXP(X). Mientras que la desviaci6n
estandar sera el promedio de dispersion con relacion al valor esperado.

Para poder aplicar correctamente las distribuciones de probabilidad que aqui vemos, nos
ayuda mucho conocer el proceso de Bernoulli, que es un modelo que permite englobar
todos los experimentos que se realizan mediante pruebas repetidas y que contiene
esencialmente tres caracteristicas: a) En cada prueba solo pueden existir dos posibles
resultados (por conveniencia les Hamamos, exito 0 fracaso). b) Todos de los ensayos u
observaciones que se Heven a cabo deberan ser independientes entre si, es decir, no afectar
la ocurrencia de otros. c) La probabilidad de exito que Hamamos (P) y la de no exito (pc),
permanecenin constantes en cada ensayo que se realice.

El proceso Poisson es semejante al proceso Bernoulli, solo difiere en que no ocurre en

ensayos, sino que, es un proceso continuo en el tiempo y espacio.

ALGUNAS DISTRIBUCIONES DE PROBABILIDAD DISCRETA.

lSIGUE EL
DISTRIBUCION

lcuANDO SE USA?

PROCESO

FORMULA

BERNOULLI?
BINOMIAL

GEOMETRICA

HIPERGEOMETRICA

POISSON

Jesus Diaz Dlaz

Cada vez que se realice un proceso de

muestreo donde deseamos calcular Ia
probabilidad de obtener un determinado
Dl.lmero de exitos cuando realizamos un Si completamente
nUmero previamente determinado de
ensayos

P(X)= nCx (PY ~t-X donde:

Cuando deseamos conocer la probabilidad

de que el primer acierto ocurra en un
Si completamente
determinado nUmero de ensayo

P(X)

Cuando realizamos un muestreo sin

remplazo y queremos calcular Ia
probabilidad de obtener determinado
nUmero de elementos de exito en una
muestra que extraeremos de una poblaci6n
finita formada por elementos tanto de exito
como de no exito.

Cuando queremos Ia probabilidad de

obtener un determinado nUmero de exitos
en un proceso
donde no se realizan
ensayos u observaciones.

P = probabilidad de exito
p C= Probabilidad de no exito
n "" N6mero de ensayos
r = NUmero de exitos esperadOs: -- /'

= (P) (PjX-l
P = Probabilidad de exito
pc = Probabilidad de no exito

x = NUmero de ensayo en el que se espera el

primer exito.
No 10 sigue. Para poderla
[(N-XT))C (n-x)] [XTCx ]
aplicar
es
necesario P(X IN,Xr,n) = ----------------------
realizar muestreo sin
NCo
remplazo por 10 que (P) y
P = Probabilidad de exito
(pc) modificanin su valor
x = nUmero de elementos de exito que esperamos
cada vez que se extraiga
en la muestra.
un nuevo elemento de Ia
N = Tamado de la poblaci6n
poblaci6n,
siendo
Xr = Cantidad de elementos que tienen
entonces
eventos
caracterlsticas para poder ser exito que
dependientes.
contiene la poblaci6n
n = Tamafio de la muestra
~ x
-AEs similar. El proceso
li. . e
Poisson
no
realiza P(x) = -------
ensayos sino que es un
xl
proceso continuo en el
').. = Promedio de exitos en un determinado tiempo
tiempo y espacio
yespacio.
e = 2.7183 = Base de los logaritmos Naturales.
x = N6mero designado de exitos.
Unid.d IV Vari~hl...htoriu y Diatrihucioo... d. pruh~hi6dad

dila<l~

152

{JNmAD V Variables aleatorias y Distribuciones de probabiJidad continua

Jesis Diaz Diu

153

UNlOAD CINCO

VARIABLES ALEATORIAS Y DISTRmUCIONES

DE PROBABILIDAD CONTINUA.

5. 1 Introducci6n.
5.2 Distribuciones de probabilidad continua y funci6n de densidad.

5.3 Distribuci6n uniforme continua

5.4 Valor esperado y varianza para una distribuci6n unifonne

continua

5.5 Distribuci6n normal

5.5. 1

Construcci6n de la curva normal estcindar

5.5.2

Calculo de areas bajo la curva normal estandar

5.6 Aproximaci6n de la normal a la binomial

5.7 Recomendaciones didacticas y bibliogrMicas del capitulo

5.8 Resumen

UNIDAD V Variables aleatorias y Distribuciones de probahiJidaJ contimIa

JesUs Diaz Diaz

5.1

l~

INTRODUCCION

Ya en la secci6n 4.1 estabiecimos 10 que es una variable aleatoria continua. Se coment6 que
una variable aleatoria continua se presenta en situaciones donde la variable aleatoria puede
tomar valores que resulta imposible enlistar

graficar punto por punto, por que en cualquier

intervalo, aun por pequeno que este sea puede existir un numero infinito de posibles
resultados.

En esta secci6n, analizaremos mas a detalle como los valores continuos, que si bien no se
pueden tabular, si generan funciones de probabilidad continua llamadas funciones de
densidad y su representaci6n grafica que son las curvas de densidad. Veremos tambien como
estas curvas de densidad forman un area entre ellas y el eje x, que representa el total de las
probabilidades de ocurrencia de un intervalo de valores.

Luego analizaremos la curva normal, que es quiza, la mas importante de todas las
distribuciones de probabilidad.

5.2 DISTRIBUCIONES DE PROBABILIDAD CONTINUA Y

FUNCION DE DENSIDAD
Si consideramos el diametro de un barreno hecho sobre una placa de acero podemos pensar
que al medirlo obtendremos resultados exactos igual a las medidas en que se fabrican las
brocas, por ejemplo 12 nun. Pero si requirieramos absoluta precisi6n, encontraremos
variaciones importantes que resultan de muy diversos factores como el desgaste que va
teniendo la broca, la deformaci6n que sufre el metal con la temperatura, ademas del

UNIDAD V Variables aleatorias y Distribuciones de probabilidad cmtinna

JesUs Diaz Diaz

155

diametro preciso que haya tenido la broca al fabricarse, entre otros. Quiza el barreno mida
12.0001, 12.00000001, 12.00000000001, 12 u 11.9999mm, etc. Entonces l,cUllntos valores
pudiera tomar la variable aleatoria entre 12.0001 y 11.9999? Aun por pequeno que es el
intervaJo, la variable puede tomar una cantidad infinita de valores.

Ante 10 anterior, 16gico es pensar que si deseamos calcular la probabilidad de la ocurrencia

de un punto determinado, por ejemplo 12.16 mm, su probabilidad sera igual a cero:
P(12.16)=1I00= 0; por tanto conc1uimos que no podemos calcular la probabilidad de la
ocurrencia de un punta

cuando los valores que puede tomar la variable aleatoria son

continuos. En estos casos 10 que podemos hacer es calcular la probabilidad de un intervalo

de valores. Analicemos 10 aqui dicho:

Imaginemos que el barreno de 12 mill, no puede tener variaci6n mas alia de 2 decimas de
milimetro y medimos aproximando las lecturas a la decima de milimetro mas cercana.
Ahora ya podemos considerar la variable aleatoria como "discreta" puesto que, al redondear,
los valores que puede tomar, ahora seran puntuales, los puedo enJistar y graficar, seran: [
11.8,11.9,

12, 12.1 Y 12.2], podemos formar un histograma (Gnifica 5.1) mismo que

contiene todos los posibles valores, y que por tanto su probabilidad de ocurrencia sera igual
a1.

Ahora consideremos que redondeamos a la centesima de milimetro mas cercano; cada barra
del histograma (Gnifica 5. 1) se transformara en 10 barras, el histograma tendria 50 barras. Si
redondeamos a la milesima mas cercana, el ancho de cada barra del histograma tendriamos
que dividirla en 100 partes. Y asi, cada aproximaci6n mas precisa reducira cada vez mas
cada intervalo y generara una cantidad de barras cada vez mucho mayor que tendera a
infinito y por tanto imposible de graficar salvo como una curva de densidad (Grafica 5.2),
donde la probabilidad de cualquier punta sera: P(x)=lI00=O; y como anteriormente dijimos,
en estos casos solo podemos calcular la probabilidad de un intervalo de valores.

UNIDAD V Variables almtorias y Distribueiones de probabilidad coalinna

JesUs Diaz Diaz

11.8

11.9

12

12.1

156

12.2

Gratica 5.1

Histograma de p-robabiJidad

Grlifica 5.2

Curva de densidad

Las curvas de densidad pueden tomar diversas fonnas, ella dependera de la funci6n de la
que provengan, pero siempre el area que forma con el eje x representara el 100% de la
probabilidades y sabiendo que las probabilidades siempre seran valores numericos positivos,
la curva de densidad siempre estara completamente por encima del eje x.

5.3 DISTRIBUCION UNIFORME CONTINUA

Es la mas simple de las distribuciones de probabilidad continua. Se representa en un primer
cuadrante mediante un segmento de recta paralelo al ej e x. De cada uno de sus extremos se
traza una perpendicular hasta el eje x fonnando un rectangulo cuya altura (en el eje Y), la
determinara la funci6n de densidad de probabilidad uniforme. Y el ancho del rectangulo (en
el eje x) seran los puntos maximo (b) y minimo (a) que puede tomar la variable aleatoria
continua. El area del rectangulo representa todos los valores que la variable aleatoria
continua puede tomar, por tanto su probabilidad de ocurrencia sera igual a 1.

Dentro del rectangulo, sobre la escala del eje x, colocaremos los limites
intervalo del

que deseamos conocer su probabilidad de ocurrencia.

[Xl

X2]

del

Trazaremos

perpendiculares desde cada uno de estos puntos hacia la curva de densidad fonnando otro
rectlingulo, y el area de este representara la probabilidad de ocurrencia del intervalo en
cuesti6n.

UNIDAD V Variables a1ealorias y Distribuciones de probabiJidad

JesUs Dial Di.u

FUNCION DE DENSIDAD
DE
PROBABJLD>AD
VNIFORME 0 bien (ALTURA

IS7

n
PROBABnJDAD DEL INTERVALO,

pIxl y X2]

DE LA CURVA DE DENSlDAD)

Se obtiene
mediante

P (Xl ~X ~ Xl) = AREA - (LoNGITOD)(ALTIJRA)

f(x)

=-----
b-a

para:

(~:C;

DONDE:
LONGITUD =: [Xl Xl)

b)

() cero en tulquier
otro taSO

1
ALTIJRA

:II:

f{x)"

b-a

.
EJEMPLO 5.1

Consideremos que al perforar una pieza meUilica con una broca cuyo diAmetro se estima en
12 mm, el control de calidad aceptarA la pieza solo que dicho diametro no sea menor que
11.8 mm, ni mayor que 12.2 mm. Cualquier medida entre esos dos valores puede ocurrir, es
decir, puede ocurrir un numero infinito de valores. i.Que probabilidad existe de que una
pieza aceptada seleccionada al azar tenga un barreno que mida entre 12.1 y 12.15 mm?
Primero calcularemos Ia altura de fa curva de densidad

2.5

uniforme mediante ttx) y localizamos eJ punlo en eje (y).

II

Enseguida dibujamos una recta paralela at eje So a ta altura

anteriormeote caJcuIada cuya longitud Ie marcariln en el eje

(x) los valores minimo (a) y maximo (b) del diAmetro que

puode tener el barreno, es decir, la variable aleatoria

continua;

,,
I
I

II

.....

o
11.8

12.1 12.15

GrAfi~V't.

formaremos el primer rectAngulo lrazando

perpwdicuJares de los extremos de la tecta bacia ole eje x.

Luego' fijaremos los pwttos

Xl

X2.

Y dibujaremos el

seg\Uldo rect8ngulo de anOOUfa 12.10 a

12.15. que

representar8 la probabilidad del intenaJo buscado, y para

ello catculamos dicha

area. (largo por 811000)

I
I

I
I

12.2

b-a

12.2-11.8

f(x) =... = --_..-.-.. = l.S ;:; alhr.

4==.

UNmAn V VarUhles ahtoria;s y Dittribucioou de probahilidad continua

158

L8 probabiUdad del ....tenalo baseado) =( (aDcbo)

(lito) ]
Ancbo"(l2.lS-12.1)-o.os

= (O.05){2.S) = 0.125

P(12.1SX$I2.15)

es la

probabilidad de que el barreno tenga un dlAmetro entre

12.10y 12.15 mID.

EJEMPLO 5.2
Suponiendoque en la ciudad de Mexico en los dias en que no hay lluvia

]a

visibilidad al

amanecer es una variable aleatoria que se distribuye normalmente de 1 a 25 Kms.

Si seleccionamos a a.zar un dfa , lque probabilidad existe de que en ese amanecer la
visibilidad sea de entre lOy 12 Kms.?

Calculamos la altura f{x),

dibujamos la curva de

densidad con llmites en [a,b], colocamos en el eje 1

los valores de

XI

X2.

fonnamos es red&1gul9 y

finalmente aplicamos la fOrmula para caJcular la

probabilidad de [10-12].
c>~t

~!

I
I

II

. f(x) = ------ = - - - - ::z: 0.042

b -8

II

25-1

25
b

a
GrAf!Q 5.4

P( 10 a 11 Km)::a a.clIo por alto

p(

1O~

X ~12 ) = (12 - 10)(0.042) = !!:!y

es la probabilldad de que haya visibilidad de entre

JOy 12 Km.

159

UNmAn V Variablea abtoriaa y Distribuciooes de prohahilid.l.

EJEMPL05.3
En una zona de Ia chJdad el SlAPA raciona el agua potable a 2 horas diarias de servicio. En
ese tiempo

]a

cantidad de agua que un aljibe puede recibir se distribuye normalmente entre

600 y 3000 litros, dependiendo de Ia presiOn que haya en las tuberfas carla dfa.
En un dia seleccionado al azar que probabilidad existe de que se alcance a juntar entre 1800
Y2000 litros
1

f(x) =-~--- = ~.--_.-- = 0.0004

b-a

3000-600

P(1800 ~ 2000) = aacho por alto

0.0004
I

~~--'l_-'b-+"",+-_ _3->,:OOO-:-~--::t'!_

5.4

VALOR ESPERADO

P(l800 $XS 1000) = (2000 - 1800) (0.0004)

VARIANZA

PARA

UNA

DISTRIBUCION UNIFORME CONTINUA

Se obtiene
mediante

I
U

YALOR ESPEllAJ)O
QESVIACION tsTANPAB

(a+b)
J11 = E (X) =- -...
2

b_a)2

O"~-

12
a - ~lor miDlmo que paede tomar Ia variable a"tori.
b - valor _DIDO qlle puede toInar Ia variable alealGria

UNlOAD V Variables altalorias y Distribucionel de pro6bilidad coorinu~

160

EJEl\'lPLO 5.4

Calcule el valor esperado y la varianza de los datos expuestos en el ejemplo 5.1.

- - - - - - - _.. ----_._ .. _------ ..

r V~riarv.~-----------

Valor cspcrndo:

( a + b)
Jlx = E (X)

11.8 + 12.2

(b-

=--------- = 12

=2

al

(12.2 - 11.8i

x =---- =

0.0133

12

12

EJEMPLO 5.5.
i

Calcule el valor esperado y la varianza para los datos expuestos en el ejemplo 5.2

!
i

-----'-- - - -

--V~rl~~-a------------

Valor esperado

1 + 25
~LI = E (X) =- - - =---

'.' - - -'---'1

\
I

!
I

(a+ b)

.-- -

(b_a)2
=13

(25_1)2

cr x2 -- --------- -- ---------- -- .48

]2

--'-_._---

12
_...

_._--_. __ ._.-.- ----------

EJElVlPLO 5.6

Calcule el valor esperado y la varianza para los datos expuestos en el ejemplo 5.3

-----------

- V_----.------------------ - __-----------1
ananza
I

VaJor esper-ado

( a + b) 3000 + 600
~x

= E (X) = ----- =------- = 1,8-00

2

- - - - -----_.-.- -- - ... --

__ . __ .. -

cr 2x

l . _.

~ ~-~-~~~ =~~~~-~~~~!~
12

12

480 ,'000

!I

_J

UNIDAD V Variables alratorias y Distribuciones de probahilid.ad COIltinna

161

5.5 DISTRIBUCION NORMAL

Esta distribuci6n fue descubierta por Abraham Levoire hacia 1733 al tratar de resolver
problemas de los apostadores. Posteriormente, hacia inicios del siguiente siglo, Karl Gauss
observ6 que los errores en medidas repetidas de las mismas cantidades fisicas como peso,
altura, estudios meteorol6gicos, etc., presentan comunmente una gran regularidad en la
distribuci6n de sus frecuencias que genera una grafica acampanada, y en base a ello estudi6
las propiedades

de las distribuciones norrnales. Asi en su honor tambien se Ie llama

distribuci6n Gaussiana y a la grafica resultante, campana de Gauss.

En la actualidad, la curva normal, es una herramienta esencial para analisis estadisticos y
toma de decisiones en todas las ramas de la industria, comercio e investigaci6n de todas las
ClenCIas.
AI graficar una distribuci6n normal obtenemos siempre una figura en forma de campana por
que 1a gran mayoria de los datos observados

bien las mayores probabilidades, 16gicamente

se concentraran en tomo a la media (Jl), yam por tanto, las frecuencias (eje y) alcanzaran los
niveles mas altos, e iran bajando, seran menos, mientras mas se retiren hacia la izquierda

hacia la derecha de la media.

La ecuaci6n de una curva con forma de

campana

=(

esta

1 )~~2Jr(J

dada

(x-~? 12,,2)

pOf: ~

de tal manera

que la altura y la posicion de la grilfica la

determinaran los valores de !l y de cr que
generen los datos. A mayor dispersi6n (cr)
del conjunto de observaciones, mas baja y
ancha sera la grmca y viceversa.
Grlifica 5.6 Ambas curvas tienen igual!J. pero la
curva (a) tiene

menor dispersion (cr),

(menor anchura) que 1a curva (b).

JesUs Diaz Diaz

UNIDAD V Variables aleatorias y Distribuciones de probabilidad. continua

162

Para dibujar la curva, en el eje x se anotani una escala de valores desde el minimo hasta el
maximo que se estime pueda tomar la variable aleatoria, y utilizando el par de valores (Il y
cr) podemos calcular las ordenadas (y) para varios valores de x y asi dibujar la curva.
Cada poblaci6n tiene su propia curva, por que cada par de valores (Il Y cr) generaran una
diferente curva especificando completamente su posici6n en cuanto a 10 ancho y alto,
conservando la forma de campana simetrica, cuya area siempre sera igual a 1 y representara
el 100% de las probabilidades. Las colas de esta gnifica siempre se extienden hacia (-00) y
hacia (+00) acercandose cada vez mas al eje x sin llegar a tocarlo. Tendra solamente una
parte mas alta, siempre en el centro, y es justamente en ese punto donde se localiza el valor
de la media Il y donde ademas coincidiran la mediana y la moda.
Como ya dijimos el area de la curva sera igual aI, y representa el 100% de la probabilidad
de ocurrencia por 10 que ahora podemos calcular el area bajo la curva para cualquier
intervalo de valores mediante la utilizaci6n del calculo integral.
La utilizaci6n de estos metodos matematicos representa un proceso fiUy complejo dada la
dificultad de la utilizaci6n del caIculo para cada curva resultante y para cada area deseada.
Y seria una tarea sin fin intentar tabular todos los posibles valores, que puede tomar cada

par de (Il y cr) que pudieran surgir.

Por fortuna la utilizaci6n de dichos metodos resulta innecesario por que al trabajar con
curvas normales 10 que nos interesa son sus areas, que sabemos, siempre seran igual a 1.
Asi, con esta idea podemos simplificar el proceso si elaboramos una sola tabla (Tabla 3 del
apendice) de pequefias porciones de areas bajo la curva normal estandar con Il = 0 Y cr=1

cuya area siempre sera igual a 1, y que por tanto puede aplicarse a cualquier curva normal
con cualquier par de panimetros (Il Y cr) si tipificamos sus valores transformandolos a
unidades z (unidades estandar) mediante la ecuaci6n:

=x-

p. . Ahora la nueva escala estara

en funci6n de la cantidad de desviaciones estandar que el dato x se desvia con respecto a su

promedio J.l.

UNIDAD V Variables aleatoms y Distribuciones de probabilidad. continua

5.5.1

CONSTRUCCION

DE

LA

CURVA

163

NORMAL

ESTANDAR.
1.- En el eJe x de un pnmer
cuadrante

localizaremos

puntos a igual distancia entre

puntos. El punto central 10
marcaremos J.l. El siguiente a
la derecha sera cr, el que sigue

-40

subdividiendo cr/2, cr/4, crIlO).

-20

-<:J

+cr

+20

+30

+40

Gnifica 5.7

es 2cr, luego 3cr y 4cr.

Hacia la izquierda de J.l sera

-30

-0',

-20", -3cr Y -4cr. (Grafica 5.7). (Puede precisarse mas

[utilizamos este rango por que en toda distribuci6n

normalmente distribuida las probabilidades de encontrar valores por debajo de -4cr 0

por encima de +4cr son mucho muy pequeiias, por tanto son despreciables].

2.- Sustituiremos los valores en el eje x por los valores reales de las observaciones
realizadas en el problema en cuesti6n iniciando con el valor ca1culado de J.l, luego hacia
la derecha 10 que resulte de (J.l +cr), luego (J.l +20") Y asi hasta (J.l +4cr). Luego hacia la
izquierda sera (J.l-O') y hasta (J.l-4o'),

3.- Enseguida dibujamos la curva en forma de campana simetrica cuidando que el punto
mas alto quede en la linea de J.l.y que sus colas se extiendan de -4cr a 4cr acercandose sin
tocar el ej e x

EJEMPL05.7

Luego de tomar una gran cantidad de mediciones del diametro de un barreno en igual
numero de piezas un inspector observa que los valores obtenidos se distribuyen

UNIDAD V Variables aleatorias y Distnbuciones de probabihdad continna

164

normalmente con una media II = 12.05 mm y un desviaci6n esUindar a = 0 .11 mm. Con
dichos datos construya una curva normal estimdar.
1.- Localizamos 7 puntos en el eje x.

AI punto central 10 marcamos

con 11, al siguiente a la derecha
con a, el que sigue con 2a, luego
30,

y 4a. Hacia la izquierda de 11

colocaremos

-0",

luego -2a, -3a y

-4cr

-3cr

-2cr

11.61

11.72

11.83

-a

I-l

+a

+2a

11.94 12.05 12.16 12.27

+3cr

+4cr

12.38

12.49

-4a.

GrMica 5.8
si se cree necesario puede dividirse a a/2 0

menor.

2.- Sustituimos los valores reales en el eje x iniciando por el valor de 11 = 12.05, hacia la
derecha sera (l1+a) = 12.16. El siguiente a la derecha (11+2a) = 12.27. El siguiente
(11+3a) = 12.38. Luego (ll+4a) = 12.49. Hacemos 10 mismo hacia la izquierda (l1-a) =

11.94; para (11-2a) = 11.83; para (11-3a) = 11.72 Yfinalmente para (ll-4a) = 11.61.

3.- Finalmente dibujamos la curva (Figura 5.8) en forma de campana simetrica cuidando
que el punta mas alto quede en la linea de 11 y que las colas se extiendan de -4a a +4a.

5.5.2 CALCULO DE AREAS BAJO LA CURVA NORMAL

ESTANDAR.
La utilizaci6n de la curva normal estandar para obtener las probabilidades representadas en
cualquier area bajo la curva normal, facilita en forma extraordinaria el proceso del calculo
puesto que como anteriormente se dijo no necesitaremos una tabla para cada par de valores
11 y a sino que siempre consideraremos solo una curva con 1.1 = 0 Y a = 1 y con estos dos

parametros se ha preparado la Tabla 3 del apendice donde se muestran las areas

previamente calculadas.

J~Diaz

Diaz

UNIDAD V Variables aleatorias y Distribuciones de probabilidad. continua

Asi, para cualquier conjunto de valores

X,

165

normalmente distribuidos solo tendremos que

transformar sus valores en unidades z mediante la f6rmula

=x-

, con 10 que

Jl

CJ'

cambiamos sus valores reales a terminos de desviaci6n estandar. Estos valores obtenidos
podemos consultarlos en la Tabla 3 del apendice, para determinar el area

la probabilidad

de encontrar la variable aleatoria normalmente distribuida dentro de ciertas distancias a

partir de la media Il.

La Tabla 3 solo contempla valores para calcular areas que se encuentren

dentro del

intervalo de la linea de Il y hasta el punto (1l+40-) es decir, ellado derecho de la curva; pero
aprovechando la simetria de la curva podemos tambien calcular ellado Izquierdo.

AI calcular areas bajo la curva normal pueden presentarse 7 diferentes casos:

CASO 1. - Calcular el area de todos los valores mayores que Il.

CASO 2.- Calcular el area de todos los valores menores que 1.1.

CASO 3.- Calcular el area entre la linea de 1.1 y un punto en x a su derecha.

CASO 4.- Calcular el area entre la linea de 1.1 y un punto en x hacia su izquierda.

CASO 5.- Calcular el area entre dos puntos en x que se encuentran a la derecha de 1.1.

CASO 6.- Calcular el area entre dos puntos en x que se encuentran a la izquierda de Il.

CASO 7. - Calcular el area entre un punto en x a la izquierda de Il y otro a su derecha.

EJEMPL05.8
Seg{In un anaIisis estadistico la cantidad de agua que recibe diariamente un aJjibe es una
variable aleatoria que se distribuye normalmente con una media

J.l. = 1800

litros y con una

desviaci6n estandar (J = 692.82 Its. [Este enunciado se aplicara a cada uno de los siguientes siete casos]

UNTDAD V Variables aleatorias y Distribuciones de probabilidad cmtinua

JesUs Diaz Diaz

166

CASO 1. Calcular el area de todos los valores mayores que Jl.

EJEMPLO 5.8.a.- . l,Cwil es la probabilidad que en un dia elegido al azar, reciba mas de
1800 litros?

Senin entonces todos aquellos valores que se

encuentren a la derecha de !J.. Por tanto, sabiendo
que el area de la curva siempre vale 1, entonces el
area de media curva seni A(z) = 0.50 bien 50%.
!J.

1800

Lo obtenemos por razonamiento directo.

Grafica 5.9

CASO 2. Calcular el area de todos los valores menores que Jl.

EJEMPLO 5.8.b.- l,Cwil es la probabilidad de que en un dia elegido al azar reciba menos
de 1800 litros?

Ahora deberemos considerar todos los valores que

se encuentren antes de la linea de !J., es decir, el
lado izquierdo de la curva normal. En este caso
seni tambien la mitad de la curva, es decir:
A(z) = 0.5 0 bien 50%.

Igualmente
directo.

10

obtenemos

por

razonarniento
Grmca5.10

UNIDAD V variables aleatorias y Distribuciones de probabilidad continua

167

CASO 3. Calcular el area entre J.l y un punto a su derecha.

EJEMPLO 5.8.c.-

"emil es la probabilidad de que en un dia seleccionado al azar reciba

entre 1800 y 3000 litros de agua?

Recordemos que todas las areas que podemos

obtener de la Tabla 3 del apendice, siempre se
refieren al

area

que forma la linea de 1.1., el

segmento del eje x desde 1.1. basta el punto en

cuesti6n (Xl), su perpendicular basta la curva
normal y el segmento de curva. Por tanto solo
transfonnamos el valor buscado (Xl
unidades z mediante z

=X

= 3000 )

en

- J.l, buscamos el

valor obtenido en la Tabla 3 del apendice, y esa

Grafica 5.11

sera el area buscada.

=X-

J.l = 3000 -1800 = 1.73

Ahora buscamos en la Tabla 3 del apendice el valor

692.82

calculado como sigue: Localizaremos en la primera columna el valor de z= 1.7 y en el

renglen de encabezados el valor de z=.03, asi con ambos valores formamos 1.73, y en el
cruce de renglen y columna encontraremos su respectiva area y probabilidad que es 0.45818
o bien 45.818%.

A(z) = .4518 () bien 45.818% representa la probabilidad de que en un dia seleccionado al

azar el aljibe reciba entre 1800 y 3000 litros de agua.

UNmAD V Variables aleatorias y Distribuciones de probabilidad continua

168

CASO 4. Calcular el area entre la linea de Jl y un punto a su

izquierda.

EJEMPLO 5.8.d.- i,Cmll es la probabilidad de que en un dia seleccionado al azar reciba

entre 1000 y1800 litros de agua?

La Gnifica 5.12 representa el area que deseamos,-

-,

calcular y para eHo procederemos como sigue:

Primero convertiremos el valor 1000 a unidades

,
.
estandar mediante z

X - f.l

1000 - 1800
692.82

= ---- = - - - - = -1.15
(J

-3<r

J.l -m:\\

_20'//1-<J

Como la Tabla 3 del apendice no contempla valores

negativos,

calcularemos su

simetrico,

+20' +3<r

1.15 a

-1.150'

1000

es decirl----------------'
Grlifica 5.12

buscaremos el area de J.l hasta 1.15.

Buscaremos en la Tabla 3 del apendice el area corresponruente: En la primer columna

localizaremos el valor z=1.1 y en el reng16n de encabezados el valor z= .05, con ambos
formamos el valor 1.15

y en el cruce de columna y reng16n encontraremos su respectiva

area y probabilidad que es 0.374930 bien 37.493%.

Aunque en realidad calculamos el area desde J.l hasta el punta 1.15 unidades estandar, el area
buscada de J.l a -1.15 unidades estandar, es simetrica, por tanto identica y por tanto vale 10
mlsmo.

A(z) = -1.15

= .037493;

Este valor indica que existe una probabilidad igual a 0.37493 0

bien 37.493% de que ese dia reciba entre 1000 y 1800 litros de agua.

UNIDAD V Variables aleatorias y Distribuciones de probabilidad cmtinna

Jt:Slis Diaz Diaz

169

CASO 5. Calcular el area de dos puntos que se encuentran a la

derecha J.1.
EJEMPLO 5.8.e.- l,Cmil es la probabilidad de que en un dia seleccionado al azar reciba

entre 2700 y 3186 litros de agua?.---

---.

No podernos hacerlo directamente. Deberemos

calcuJar individualmente cada area, primero de Il
a

XI,

y luego de Il

3 X2.

Enseguida restaremos el

area mayor al area menor y obtendremos el area

entre los dos puntos. [Area de (Il
de (Il a XI)]

3 X2)] menos[ Area

19ual a area de (XI 3 X2).

Gnifica 5.13

Calculemos el area 1, de Il a
J:'.'
Ia z
lormu

X -Jl. =
=(J

Xl.

Para ello debemos estandarizar el valor de

XI

mediante la

2700 -1800 = 1.30 ahora consu Itamos en Ia Tabl a 3 de I apen

'doIce.
692.82

Buscaremos en la primera columna el valor z=1.3 y en el renglon de encabezados el valor

z= .00 con ambos formamos el valor 1.30 y en el cruce de columna y fila encontraremos su

respectiva area siendo

31

= .40320.

Ahora de igual manera calcularemos para el area 2, de Il a X2. Primero estandarizamos:

formula z

=X (J

Jl. = 3186 -1800 = 2.00.

Buscamos en la Tabla 3 del apendice

692.82

encontrando que cuando z=2 su area vale 0.47725

Finalmente restamos el area menor a la mayor y asi por diferencia obtenemos el area
buscada:
32 - 31

=0.47725 - 0.40320 = 0.074050 bien 7.405%, que es la probabilidad de que en

un dia seleccionado al azar el aljibe reciba entre 2700 y 3186 litros de agua.

UNIDAD v V. . . . aIcatcrias y Distribuciones de probabiJidad continua

JesUs Diaz Diaz

170

CASO 6 . Calcular el area de dos puntos que se encuentran a la

izquierda de J.1 '
EJEMPLO 5.8.f.- l.Cuill es la probabilidad de que en un dia seleccionado al azar reciba
entre 414 y 900 litros de agua?
Al igual que el caso 4 usaremos la simetria de la

curva. Primero transformamos los dos valores

X2

a unidades

z~

Xl

Luego trasladamos los puntos a

sus simetncos hacia la derecha de J1, enseguida

procedemos como en el caso 5 a calcular

-20' -0'
414 900

individualmente cada punto respecto a J1 Y

finalmente mediante una resta de sus areas obtener
el area deseada.

GrMica 5.14

Transformemos los valores X a unidades z.

Para el punto Xl:
Z

=X

Para el punto X2:

- f.J = 414 -1800 =-2

(j
692.82

= X - J.l =
(j

900 - 1800
692.82

-1.3

Ambos valores se encuentran a la izquierda de J1 por 10 que buscaremos en la Tabla 3 del

apendice el A(z) para sus simetricos :

Para el punto

Xl

donde (z = -2) su simetrico es (z = 2) Ysu area sera A(z) = 0.47725

Para el punto X2 donde (z=-1.3) su simetrico es (z=1.3) Ysu area sera A(z) = 0.40324

Restaremos el area menor a la mayor: 0.47725 - 0.40324 = 0.07401

= 7.401 %

EI valor encontrado indica la probabilidad de que en un dia tornado al azar el aljibe recibe
414 Y900 litros de agua.

UNIDAD V

vIriahlt.s altatorias yDistribuciones de probabilidad. continua

171

CASO 7. Calcular el area entre dos puntos que se encuentran

uno a la izquierda y el otro a la derecha de J.l.

EJEMPLO 5.8.g.- l,CUlil es la probabilidad de que en un dia seleccionado al azar reciba

entre 500 y 2700 litros de agua?

Calcularernos las areas del punta

punta

Xl

Xt

a J.l, y del

a J.l. Puesto que las areas estan en

diferente lado de la curva, deberemos sumar

arnbas

areas para obtener el area total entre los dos

puntos en cuesti6n.

Primero convertiremos

Xt

Xl

XI

....:12

500

1800 2700

a unidades z Y

mediante la Tabla 3.1 del apendice calculemos sus

Gdfica5.15

areas con respecto a J.l.

Para Xt

x-P
z = -
a

= 500 -

1800

692.82

= -1.88

.
,
Calculamos A(zt) aprovechando la slmettia:
Para

1.88: A(Zl) = 0.46995

Para Xl

=X a

p = 2700 -1800 = 1.3

692.82

por 10 que A(z) = 0.40320

Ambas areas se sumaran para obtener el area total y con la probabilidad buscada.

Area total

A(zt) + A(Zl)

0.46995+0.40320

0.87315

bien 87.315% es la

probabilidad de que en un dia seleccionado al azar

el aljibe reciba entre 500 y 2700 litros de agua.

JesUs Dlaz Dlaz

UNlDAD V

Variabtes aleatorias y Distribuciones de probabilidad continua

172

5.6 APROXIMACION NORMAL PARA LA DISTRIBUCION

BINOMIAL.

Como vimos en el punta 6 del capitulo 4, muchas veces cuando realizamos experimentos

con.. datos discretos debemos recurrir a la distribuci6n binomial para calcular sus

probabilidades. Pero muchas otras veces, dado algunos experimentos, la gran cantidad de

ca-lculos que debieramos hacer mediante la aplicaci6n de la binomial resulta demasiado

complicado. EflfflUChos de estos Gasos Ja apJwaciQJt de Ja d.istr.iblJ~IDJ} Derma} DOS PernJ.i-te

obtener mas facilmente e] resultado con una aproximaci6n muy aceptable a Ja que

obtendriamos con la binomial.

Si por ejemplo consideramos cierta ciudad donde se estima que en los cajeros automaticos

de una sucursal de Bancomer, el 69% de las operaciones que realizan los clientes son para

retirar dinero; y si queremos conocer la probabilidad de que de 500 c1ientes seleccionados

al azar al menos 401 de ellos retiren dinero.

Pudieramos resolverlo mediante la distribuci6n binomial calculando para: X= 401 + X=

402 + X

403 +......+ X

500, cien veces aplicariamos la formula de la distribuci6n

binomial y final mente sumariamos los 100 resultados

para obtener el resultado final

deseado. Y ademas nos enfTentariamos a operaciones como la siguiente:

P(400) = 500C 4OO .69400- (l_.69i5OO-400) = (necesitariamos una computadora para estos

caIculos).

En casos como el anterior, la aplicaci6n de la normal para aproximar la binomial es un

metodo excelente que logra una aproximaci6n del resultado muy aceptable.

UNJDAD V V..IIII*SQidllr11IS1 Dislribocimmde p-obabilWlad mntimm

J esU.~ Div. Diaz

]TJ

Para. que. nnadistribnci6R

binomial

pueda

ser

aproximada

mediante la normal debe cumplir

con las caracteristicas

r;=====:!b===============:::::n
a. - EI numero de observaciones debe ser relativamente

siguientes:

grande, ( n ~ 30 observaciones).
b.- [(n)(p)]

Si cumpli610 anterior, se
obtiene mediante los
siguientes pasos

5, Y [(n)(1-p)]

"

a.- Calcule el valor esperado, (E =11) para 1a distribuci6n

binomial mediante Il=(np).
b.- Calcule la desviacion estandar (cr) para la distribucion
binomial mediante O=~IqJ(l- p)
C.-

Construya una curva normal estandar.

d.- Calcule el area deseada mediante z

=x -

f.l , (antes de

CT

aplicar ''X" en la formula debe ser eorregido su valor romo

enseguida se indica).

EI valor de "X" antes de aplicarse en z

=X -

f.l , debera ser corregido de la siguiente

CT

manera:

.l~

I-
f--

Suponga que se desea calcular un

intervalo de 343 a 348. Como se
observa en 1a figura 5. 16 el valor
inicial real debera ser 342.5 y el fInal
sera 348.5 por 10 que el valor real del

..
~

343
344
345
346
347
348
341.5 343.5 344.5 345.5 346.5
347.5
348.5

intervalo debeni ser 342.5 a 348.5.

GrMica 5.16

De esa manera corregimos los valores de X con los que calcularemos el area bajo 1a curva
normal estandar de acuerdo a los pasos anteriormente visto en el punto 5.5.

UNlDAD V

Variables al.ea.torias y Distribuciones de p:obabi1ida.d continua

174

EJEMPL05.9
Se estima que en los cajeros autonuiticos de una sucursal de Bancomer el 69% de las
operaciones que realizan sus clientes son para retirar dinero. "Cmil sera la probabilidad si
seleccionamos al azar 500 clientes, que al menos 370 de enos vayan a retirar dinero?

Puede solucionarse mediante Ia distribuci6n binomial caJculando individualmente

[(X=370) + (X = 371) + (X = 372) + ....+ ( X

para

= 500)], 10 que resulta por demas complicado.

Por tanto mejor optamos pol aproximar el resultado mediante la distribuci6n normal.
Analicemos si cumple los requisitos para aproximar mediante la normal

a.- Checamos que si son mas de 30 observaciones.

b.- Checamos que:

[(n)(p)~]:.

(500)(.69) = 345 (cumple); y que:

[(n)(l-p)] ~5 :. (500)(.31) = 155 (cumple).

Entonces si podemos aproximar la solucion mediante la normal

a.- Va antes calculamos el valor esperado:

A{z) = .4911

E(X) = J1 = (up) = (500)(.69)= 345

A(z) =.0089

=.89%

b.- CalcuJemos la desviacion estandar:

11 = 345

(J(X)=~np(1-p)

369.5

Gnifica 5.17

= ~(500)(.69)(l- .69) = .)106.95 = 10.34

c.- Calcularemos el area de (z) desde 370 a

500~

pero antes corregiremos el valor de

X=370 ya que inicia realmente desde 369.5; por tanto el area a calcular sera
de [369.5 a 500].

UNIDAD V Variables aleatorias y Distribuciones de pubabiJidad mntinoa

175

A(z) = X - f.l- = 369.5 - 345 = 2.37 checamos en la Tabla 3 del apendice y corresponde a
(J
10.34
0.4911 por 10 que el area y probabilidad del intervalo [369.5 a 500J = 0.5 - 0.4911=0.0089
=

P(blnomJal)

(X ~370 1n=500, p=O.69) ==

P(nonnal)

0.89%

(X ~ 369.5 111=345,0=10.34)=0.6089= 0.89%

EJEMPLO 5.10

Seg(m sus estadlsticas una empresa constructora estima que de cada 10 concursos de obra
en que participa gana en tres de ellos. Este ano espera participar en 40 concursos. Si
acierta en sus pron6sticos "Que probabilidad existe de que gane al menos en 18 de ellos?

Puede solucionarse mediante ]a distribuci6n binomial caIculando individualmente para

[(X=18) + (X=19) + (X=20) + ..... + (X=40), (es decir calcular 23 veces la binomial).
Entonees resulta mas flicil aproximar mediante ]a normal.
Analicemos si cumpJe los requisitos para aproximar mediante la normal:

I
If- - - - - - - - - '

a.- Checamos que si son mas de 30 observaciones.

b.- Checamos que [(n)(p) 2 5] :. (40) (0.3)

12 ( si cumple); y que:

[(n)(I-p) 2 5] :. (40){1-Q.3) = 28 (si cumple)

Entonces si podemos aproximar la soloci6n mediante la normal.

8.-

Ya antes caleulamos el valor esperado:

E(X) =

A(z) = 0.47728

=47.728%
A(z) = QOZZ7=

= (np) = (40) (.3 ) = 12

2.27"10

b.- Calculemos fa desviaci6n estandar:

O(X) = ~np(1- p) = ~(40)(.3Xl-.3) =
=

2.898

c.- Calculamos el area de (z) de 18 a 40

J.l=12

Gratica 5.18

17-5

UNlDAD V Variables aleatorias y Distribuciones de probabilidad antinua

176

pero antes corregiremos el valor X = 18 ya que realmente inicia en 17.5 . Por tanto el area
a calcular sera de [17.5

A(z) de Il-a 17.5

X-p.
= -~

40]

17.5-12
2.898

0.190 :.A(z) entabras= .47128 entonces:

A(z) 17.5ymas

P(binomlal)

(X ~181 n=40, p=O.3) ==

P(normal)

0.5 - ..47128 = 0.02872

(X ~ 17.5 11.1. = 12, cr

2.87%

= 2.898) = 0.02272 = 2.27%

Sera la probabilidad de que aI menos. gane 18 de los. concursos. que es.pera.

EJEMPLO 5.11
En una gran ciudad para el presente afio estiman las autoridades que 1520 autos seran
robados, y segtin las estadisticas solo recuperaran el 60% de ellos. 8i la estimaci6n resulta
correcta i,que probabilidad existe que sean recuperados al menos de 950 de esos autos?

Resolver mediante la binomial es una empresa muy complicada. Resulta mas facil
aproximar mediante la nonna!.

Analicemos si cumple los requisitos para aproximar mediante la normal:

a.- Checamos que si son mas de 30 observaciones.
b.- checamos que [(n)(p) ~ 5] ; (1520)(.6) = 912 (si cumple); y que:
[(n)(l-p) ~ 5 ] ; (1520)(.4) = 608 (si cumple)

Entonces si podemos aproximar la solucion mediante la normal

A(z) = .47500

=9. 5%

50%

8.-

A(z) = .025
=2.5%

Ya antes calculamos el valor esperado:

E(X) = J1 = (np) = (1520)(.6)

912

b.- Calculemos la desviacion estsndar:

11 = 912

l[l

= 949.5

<r(X) = ~np(l- p) =

= ~(1520)(.6)(l- .6) = 19.1

Grifica 5.19

Jems Diaz Diaz

UNlDAD V Variables aJeatorias y Distribuciones de probabilidad COlltinua

177

c.- La Gnlfica 5.19 muestra el area que nos interesa conocer (949.5 hasta +(0). Sabemos

que media curva representa el 50% del area total por tanto calcularemos el area desde
~

hasta 950 y por diferencia obtendremos el area buscada.

Calculemos el area de (z) de ~ a 950. Pero primero corrijamos el valore de x:

Xl = 950, realmente debera terminar en 949.5 .

A(z)

dllUl 949.5

_ X - J.l
(Y

9495-912

19.1

1.96:. A(z)

en Tabla 3 del apemtke

= 0.47500=

47.5%

y por 10 tanto la probabilidad de recuperar mas de 950 sera:

0.50000 - 0.47500 = 0.025 0 bien 2.5%

P(binomiaI)

(X ~650 10=1520, p=O.6) ==

P(nonual)

(X ~ 949.51 J.L=912,cr = 19.01 = 0.025 = 2.5%

UNIDAD V Variahles alea.torias y Distribucionesde probabi1ida.d. continua

178

5.7 RECOMENDACIONES DmAcTICAS Y BmLIOGRAFiA

DEL CAPITITLO.
LUEGO

DE

BABER

ANALIZADO

ESTA

UNIDAD

ES

RECOMENDABLE RESOLVER LOS EJERCICIOS PROPUESTOS EN:

FREUND Thon E.

''Estadistica elemental" Ed. Prentice Hall, 88

edici6n, Mexico 1994. pp 223-226, 235-237.

KAZMIER Leonard

''Estadistica aplicada a la administraci6n y la

economia" serie Schaums. Ed. Mc. Graw Hill. 13 edici6n,

Mexico 1987. pp 122-124.

WEIMER Richard

''Estadistica'' Ed. CECSA 13 edici6n, Mexico

1996. p297,31O, 311,320,321,328,

BIBLIOGRAFIA DEL CAPITULO.

Ademas de los anteriores:

INFANTE Gil Said "Metodos estadisticos" Ed. Trillas, 28 reimpresi6n,

Mexico 1994

STEPHEN S. Willoughb "Probabilidad y estadistica" Ed. Publicaciones

cultural S.A. 143 reimpresi6n, Mexico 1986.

WALPOLE myers

"Probabilidad y estadistica" Ed. Mc Graw Hill,

68 edici6n, Mexico, 1999

UNIDAD V Variablcs &leatocias y Distribuciones d.e ~iliJaJ continna

179

5.8 RESUMEN.
En esta seccion analizamos como los datos continuos generan funciones de probabilidad
continua llamadas mnciones de densidad y sus representaciones grafica que son las curvas
de densidad . Estas curvas forman entre ellas y el eje x, un

area que representa el 100% de

las probabilidades de ocurrencia del intervalo total por 10 que tambien la probabilidad de
su area seni P(X) = 1.
La distribuci6n uniforme continua es la mas simple de las distribuciones continuas. Se
representa en un primer cuadrante mediante un segmento de recta en cuyos extremos se
traza sus perpendiculares hasta el eje x, formando un rectangulo que representara el 100%
de las probabilidades y dentro de et podremos calcular probabilidades de cualquier
intervalo en x; ademas calculamos el valor esperado (11) y la desviaci6n estilDdar (cr) para
estas distribuciones.
La distribucion normal es una herramienta escencial para el anaHsis estadistico y toma de
decisiones. Esta distribuci6n genera una grMlca en forma de campana Ilamada tambien
"Campana de Gauss". Cada par de valores (11 Ycr) generan una gratlca diferente pero en
todas ellas siempre el area bajo la curva representara el 100% de las probabilidades de
ocurrencia por 10 que P(A) = 1. En estas curvas podemos catcular la probabilidad de
cualquier intervalo mediante la utilizacion del calculo integral pero en vez de usar este
procedimiento podemos recurrir a estandarizar cualquier curva mediante la f6rmula
z=

x - Ii con 10 que transformamos los valores necesarios a unidades estilndar en una

(f

uruca curva normal estandarrzada con 11=0 y cr=l; asi podemos construir la curva normal
estandar que es una curva simetrica en forma de campana sobre un eje x. El area de esta
curva tambien representara el 100% de la probabilidad y dentro de ella podremos calcular
la probabilidad de ocurrencia de cualquier intervalo. La curva nonnal estlmdar, entre
muchas otras aplicaciones, nos sirve para soIucionar casos donde la apHcaci6n de la
distribucion binomial seria una larga tarea. En esos casos la aplicacion de la distribuci6n
normal es un metodo excelente que logra una aproximaci6n dei resultado muy aceptable.

180

APENDlCE

APENDICE

TABLA 1.- Distribuciones Binomiales

TABLA 2.

Distribuci6n Poisson

TABLA 3.

Distribuci6n normal Estandar (Areas bajo la curva)

Jem Diaz Diaz

TABLA 1

APENDlCE

181

DISTRIBUCIONES BINOMIALES
.95 .99
.5
.6
.7
.8
.9
.4
.600 .500 .400 .300 .200 .100 .050 .010
.400 .500 .600 .700 .800 .900 .950 .990

0
1

.01 .05
.1
.2
.3
.999 .950 .900 .800 .700
.010 .050 .100 .500 .600

0
1
2

.098 .903 .810 .640 .490 .360 .250 .160 .090 .040 .010 .003 .000
.020 .095 .180 .320 .420 .480 .500 .480 .420 .320 .180 .095 .020
.000 .003 .010 .040 .090 .160 .250 .360 .490 .640 .810 .903 .980

0
1
2

0
1
2
3

.970
.029
.000
.000

.857
.135
.007
.000

.729
.243
.027
.001

.512
.384
.096
.008

.343
.441
.189
.027

.216
.432
.288
.064

.125 .064 .027 .008 .001

.375 .288 .189 .096 .027
.375 .432 .441 .384 .243
.125 .216 .343 .512 .729

.000
.007
.135
.857

.000
.000
.029
.970

0
1
2
3

0
1
2
3
4

.961
.039
.00 1
.000
.000

.815
.171
.014
..000
.000

.656
.292
.049
.004
.000

.410
.410
.154
.026
.002

.240
.412
.265
.076
.008

.130
.346
.346
.154
.026

.063
.250
.375
.250
.063

.026
.154
.346
.346
.130

.008
.076
.264
.412
.240

.002
.026
.154
0410
.410

.000
.004
.049
.292
.656

.000
.000
.014
.171
.815

.000
.000
.001
.039
.961

0
1
2
3
4

0
1
2
3
4
5

.951
.048
.001
.000
.000
.000

.774
.204
.021
.001
.000
.000

.590
.328
.073
.008
.000
.000

.328
.410
.205
.051
.006
.000

.168
.360
.309
.132
.028
.002

.078
.259
.346
.230
.077
.010

.031
.156
.313
.313
.156
.031

.010
.077
.230
.346
.259
.078

.002
.028
.132
.309
.360
.168

.000
.006
.051
.205
.410
.328

.000
.000
.008
.073
.328
.590

.000
.000
.00 1
.021
.204
.774

.000
.000
.000
.001
.048
.951

0
1
2
3
4
5

0
1
2
3
4
5
6

.941
.057
.001
.000
.000
.000
.000

.735
.232
.031
.002
.000
.000
.000

.531
.354
.098
.015
.001
.000
.000

.262
.393
.246
.082
.015
.002
.000

.118
.303
.324
.185
.060
.010
.001

.047
.187
.311
.276
.138
.037
.004

.016
.094
.234
.313
.234
.094
.016

.004
.037
.138
.276
.311
.187
.047

.001
.010
.060
.185
.324
.303
.118

.000
.002
.015
.082
.246
.393
.262

.000
.000
.001
.015
.098
.354
.531

.000
.000
.000
.002
.031
.232
.735

.000
.000
.000
.000
.001
.057
.941

0
1
2
3
4
5
6

0
1
2
3
4
5
6
7

.932
.066
.002
.000
.000
.000
.000
.000

.698
.257
.041
.004
.000
.000
.000
.000

.478
.372
.124
.023
.003
.000
.000
.000

.210
.367
.275
.115
.029
.004
.000
.000

.082
.247
.318
.227
.097
.025
.004
.000

.028
.131
.261
.290
.194
.077
.017
.002

.008
.055
.164
.273
.273
.164
.055
.008

.002
.017
.077
.194
.290
.261
.131
.028

.000
.004
.025
.097
.227
.318
.247
.082

.000
.000
.004
.029
.115
.275
.367
.210

.000
.000
.000
.003
.023
.124
.372
.478

.000
.000
.000
;000
.004
.041
.257
.698

.000
.000
.000
.000
.000
.002
.066
.932

a
1
2
3
4
5
6
7
8

.923
.075
.003
.000
.000
.000
.000
.000
.000

.663
.279
.051
.005
.000
.000
.000
.000
.000

.430
..383
.149
.033
.005
.000
.000
.000
.000

.168
.336
.294
.147
.046
.009
.001
.000
.000

.058
.198
.296
254
.136
.047
.010
.001
.000

.017
.090
.209
.279
.232
.124
.041
.008
.001

.004
.031
.109
.219
.273
.219
.109
.031
.004

.001
.008
.041
.124
.232
.279
.209
.090
.017

.000
.001
.010
.047
.136
.254
.296
.198
.058

.000
.000
.001
.009
.046
.147
.294
.336
.168

.000
.000
.000
.000
.005
.033
.149
.383
.430

.000
.000
.000
.000
.000
.005
.051
.279
.663

.000
.000
.000
.000
.000
.000
.003
.075
.923

1
2
3
4
5
6
7
8

0
1
2
3

.914
.083
.003
.000

.630 .387 .134

.299 .387 .302
.063 .172 .302
.OOB .045 .176

.040 .010 .002 .000

.156 .060 .018 .004
.267 .161 .070 .021
.267 .251 .164 .074

.000
.000
.004
.021

.000
.000
.000
.003

.000
.000
.000
.000

.000
.000
.000
.000

.000
.000
.000
.000

0
1
2
3

n
1

JC

a
1

1
2
3
4
5
6
7

Jcs6s Diaz Diaz

APENDICE

182

4
5
6
7
8
9

.000
.000
.000
.000
.000
.000

.001
.000
.000
.000
.000
.000

.007
.001
.000
.000
.000
.000

.066
.017
.003
.000
.000
.000

.172
.074
.021
.004
.000
.000

.251
.167
.074
.021
.004
.000

.246
.246
.164
.070
.018
.002

.167
.251
.251
.161
.060
.010

.074
.172
.267
.267
.156
.040

.017
.066
.176
.302
.302
.134

.001 .000
.007 .001
.045 .008
.172 .063
.387 .299
.387 .630

.000
.000
.000
.003
.083
.914

4
5
6
7
8
9

10

0
1
2
3
4
5
6
7
8
9
lD

.904
.091
.004
.000
.000
.000
.000
.000
.000
.000
.000

.599
.315
.075
.010
.001
.000
.000
.000
.000
.000
.000

.349
.387
.194
.057
.011
.001
.000
.000
.000
.000
.000

.107
.268
.302
.201
.088
.026
.006
.00 1
.000
.000
.000

.028
.121
.233
.267
.200
.103
.037
.009
.001
.000
.000

.006
.040
.121
.215
.251
.201
.111
.042
.011
.002
.000

.001 .000
.010 .002
.044 .011
.117 .042
.205 .111
.246 .201
.205 .251
.117 .215
.044 .121
.0lD .040
.001 .006

.000
.000
.001
.009
.037
.103
.200
.267
.233
.121
.028

.000
.000
.000
.001
.DOt"
.026
.088
.201
.302
.268
.107

.000
.000
.000
.000
.000
.001
.011
.057
.194
.387
.349

.000
.000
.000
.000
.000
.000
.001
.010
.075
.315
.599

.000
.000
.000
.000
.000
.000
.000
.000
.004
.091
.904

0
1
2
3
4
5
6
7
8
9
10

11

0
1
2
3
4
-5
6
7
8
9
lD
11

.895
.099
.005
.000
.000
.000
.000
.000
.000
.000
.000
.000

..569
.329
.087
.014
.001
.000
.000
.000
.000
.000
.000
.000

.314
.384
.213
.071
.016
.002
.000
.000
.000
.000
.000
.000

.086
.236
.295
.221
.111
.039
.0lD
.002
.000
.000
.000
.000

.020 .004 .000

.093 .027 .005
.200 .089 .027
.257 .177 .081
.220 .236 .161
.132 .221 .226
.057 .147 .226
.017 .070 .161
.004 .023 .081
.001 .005 .027
.000 .001 .005
.000 .000 .000

.000
.001
.005
.023
.070
.147
.221
.236
.177
.089
.027
.004

.000
.000
.001
.004
.017
.057
.132
.220
.257
.200
.093
.020

.000
.000
.000
.000
.002
.0lD
.039
.115
.221
.295
.236
.086

.000
.000
.000
.000
.000
.000
.002
.016
.074
.213
.384
.314

.000
.000
.000
.000
.000
.000
.000
.001
.014
.087
.329
.569

.000
.000
.000
.000
.000
.000
.000
.000
.000
.005
.099
.895

0
1
2
3
4
5
6
7
8
9
lD
11

12

0
1
2
3
4
5
6
7
8
9
lD
11
12

.886
.107
.006
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000

.540
.341
.099
.017
.002
.000
.000
.000
.000
.000
.000
.000
.000

.282
.377
.230
.085
.021
.004
.000
.000
.000
.000
.000
.000
.000

.069
.206
.283
.236
.133
.053
.016
.003
.00 1
.000
.000
.000
.000

.014
.071
.168
.240
.231
.158
.079
.029
.008
.001
.000
.000
.000

.002 .000
.017 .003
.064 .016
.142 .054
.213 .121
.227 .193
.177 .226
.101 .193
.042 .121
.012 .054
.002 .016
.000 .003
.000 .000

.000
.000
.002
.012
.042
.101
.177
.227
.213
.142
.064
.017
.002

.000
.000
.000
.001
.008
.029
.079
.158
.231
.240
.168
.071
.014

.000
.000
.000
.000
.001
.003
.016
.053
.133
.236
.286
..206
.069

.000
.000
.000
.000
.000
.000
.000
.004
.021
.085
.230
.377
.282

.000
.000
.000
.000
.000
.000
.000
.000
.002
.017
.099
.341
.540

.000 0
.000 1
.000 2
.000 3
.000 4
.000 5
.000 6
.000 7
.000 8
.000 9
.006 10
.107 11
.886 12

13

0
1
2
3
4
5
6
7
8
9
10
11

.878
.115
.007
.000
.000
.000
.000
.000
.000
.000
.000
.000

.513
.351
.111
.021
.003
.000
.000
.000
.000
.000
.000
.000

.254
.367
.245
.100
.028
.006
.001
.000
.000
.000
.000
.000

.055
.179
.268
.246
.154
.069
.023
.006
.001
.000
.000
.000

.0lD
.054
.139
.218
.234
.180
.103
.044
.014
.003
.001
.000

.001
.011
.045
.111
.184
.221
.197
.131
.066
.024
.006
.001

.000
.000
.001
.006
.024
.066
.131
.197
.221
.184
.111
.045

.000
.000
.000
.001
.003
.014
.044
.103
.180
.234
.218
.139

.000
.000
.000
.000
.000
.001
.006
.023
.069
.154
.246
.268

.000
.000
.000
.000
.000
.000
.000
.001
.006
.028
;100
.245

.000
.000
.000
.000
.000
.000
.000
.000
.000
.003
.021
.111

.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.007

.000
.002
.010
.035
.087
.157
.209
.209
.157
.087
.035
.0lD

0
1
2
3
4
5
6
7
8
9
lD
11

APENDICE

14

12
13

.000 .000 .000 .000 .000 .000 .002 .Oll

.000 .000 .000 .000 .000 .000 .000 .001

.869
.123
.008
.000
.000
.000
.000
.000
.000
.000
.000

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

a
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

20

a
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

.054 .179-.367 .351 -.llS

.010 .055 .254 .513 .878

12
13

.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000

.488
.359
.123
.026
..004
.000
.000
.000
.000
.000
.000
.boo .000
.000 .000
.000 .000
.000 .000

.229
.356
.257
.ll
.035
.008
.001
.000
.000
.000
.000
.000
.000
.000
.000

.044
.154
.250
.250
.172
.086
.032
.009
.002.
.000
.000
.000
.000
.000
.000

.007
.041
.1l3
.194
.229
.196
.126
.062
.023
.007
.001
.000
.000
.000
.000

.001
.007
.032
.085
.155
.207
.207
.157
.092
.041
.014
.003
.001
.000
.000

.000
.001
.006
.022
.061
.122
.183
.209
.183
.122
.061
.022
.006
.001
.000

.000
.000
.001
.003
.014
.041
.092
.157
.207
.207
.155
.085
.032
.007
.001

.000
.000
.000
.000
.001
.007
.023
.062
.126
.196
.229
.194
.1l3
.041
.007

.000
.000
.000
.000
.000
.000
.002
.009
.032
.086
.1TZ
.250
.250
.154
.044

.000
.000
.000
.000
.000
.000
.000
.000
.001
.008
.035
.114
.257
.356
.229

.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.004
.026
.123

.860
.130
.009
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000

.463
.366
.135
.031
.005
.001
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000

.203
.343
.267
.129
.043
.010
.002
.000
.000
.000
.000
.000
.000
.000
.000
.000

.035
.132
.231
.250
.188
.103
.043
.014
.003
.001
.000
.000
.000
.000
.000
.000

.005
.031
.092
.170
.219
.206
.147
.081
.035
.012
.003
.001
.000
.000
.000
.000

.000
.005
.022
.063
.127
.186
.207
.177
.118
.061
.024
.007
.002
.000
.000
.000

.000
.000
.003
.014
.042
.092
.153
.196
.196
.153
.092
.042
.014
.003
.000
.000

.000
.000
.000
.002
.007
.024
.061
.118
.177
.207
.186
.127
.063
.022
.005
.000

.000
.000
.000
.000
.001
.003
.012
.035
.081
.147
.206
.219
.170
.092
.031
.005

.000
.000
.000
.000
.000
.000
.001
.003
.014
.043
.103
.188
.250
.231
.132
.035

.000
.000
.000
.000
.000
.000
.000
.000
.000
.002
.010
.043
.129
.267
.343
.206

.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.001
.005
.031
.135
.366
.463

.818
.165
.016
.001

.358
.377
.189
.060
.013
.002
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000

.122
.270
.285
.190
.090
.032
.009
.002
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000

.012
.058
.137
.205
.218
.175
.109
.055
.022
.007
.002
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000

.001
.007
.028
.072
.130
.179
.192
.164
.114
.065
.031
.012
.004
.001
.000
.000
.000
.000
.000
.000
.000

.000
.000
.003
.012
.035
.075
.124
.166
.180
.160
.117
.071
.035
.015
.005
.001
.000
.000
.000
.000
.000

.000
.000
.000
.001
.005
.015
.037
.074
.120
.160
.176
.160
.120
.074
.037
.015
.005
.001
.000
.000
.000

.000
.000
.000
.000
.000
.001
.005
.015
.035
.071
.117
.160
.180
.166
.124
.075
.035
.012
.003
.000
.000

.000
.000
.000
.000
.000
.000
.000
.001
.004
.012
.031
.065
.114
.164
.192
.179
.130
.072
.028
.007
.001

.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.002
.007
.022
.055
.109
.175
.218
.205
.137
.058
.012

.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.002
.009
.032
.090
.190
.285
.270
.122

.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.002
.013
.060
.189
.377
.358

.obo
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000

183

.OOB

.35~

.123
.448 .869
.000
..000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.009,
.130
.860

1
2
3
4
5
6
7
8
9
10
II
12
13
14

a
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

.000 0
.000 1
.000 2
.000 3
.000 4
.000 5
.000 6
.000 7
.000 8
.000 9
.000 10
.000 11
.000 12
.000 13
.000 14
.000 15
.000 16
.001 17
.016 18
.165 19
.818 20

APENDICE

25

.778 .277 .072

1 .196 .365 .199
2 .024 .231 .266
3 .002 .093 .226
4 .000 .027 .138
5 .000 .006 .065
6 .000 .001 .024
7 .000 .000 .007
.000 .000 .002
8
9 .000 .000 .000
10 .000 .000 .000
11 .000 .000 .000
12 .000 .000 .000
13 .000 .000 .000
14 .000 .000 .000
15 .000 .000 .000
16 .000 .000 .000
17 .000 .000 .000
18 .000 .000 .000
19 .000 .000 .000
20 .000 .000 .000
21 .000 .000 .000
22 .000 .000 .000
23 ..000 .000 .000
24 .000 .000 .000
25 .000 .000 .000

.004
.024
.071
.136
.187
.196
.163
.111
.062
.029
.012
.004
.001
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000

.000
.001
.007
.024
.057
.103
.147
.171
.165
.134
.092
.054
.027
.011
.004
.001
.000
..000
.000
.000
.000
.000
.000
.000
.000
.000

.000
.000
.000
.002
.007
.020
.044
.080
.120
.151
.161
.147
.114
.076
.043
.021
.009
.003
.001
.000
.000
.000
.000
.000
.000
.000

.000
.000
.000
.000
.000
.002
.005
.014
.032
.061
.097
.133
.155
.155
.133
.097
.061
.032
.014
.005
.002
.000
.000
.000
.000
.000

.000
.000
.000
.000
..000
.000
.000
.001
.003
.009
.021
.043
.076
.114
.147
.161
.151
.120
.080
.044
.020
.007
.002
.000
.000
.000

.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.001
.004
.011
.027
.054
.092
.134
.165
.171
.147
.103
.057
.024
.007
.001
.000

.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.001
.004
.012
.029
.062
.111
.163
.196
.187
.136
.071
.024
.004

.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.002
.007
.024
.065
.138
.226
.266
.199
.072

.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.001
.006
.027
.093
.231
.365
.277

.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.002
.024
.196
.778

184

a
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

Fuente: Tablwl tornadllll de .. Estadistlca" Weimer Rkluud C.

APENDlCE

JeD DIaz Diaz

TABLA 2

185

DISTRIBUCION POISSON
A

0,1

0,2

0,3

0,4

0,5

0,6

0,7

0,8

0,9

1,0

0
1
2
3
4

0,9048
0,0905
0,0045
0.0002
0.0000

0,8187
0.1637
0.0164
0.0011
0.0001

0,7408
0.2222
0.0333
0.0033
0.0002

0,6709
0.2681
0.0536
0.0072
0.007

0,6065
0.3033
0.0758
0.0128
0.0016

0,5488
0.3293
0.0988
0.0198
0.0030

0,4966
0.3476
0.1217
0.0284
0.0050

0,4493
0.3595
0.1438
0.0383
0.0077

0,4066
0.3659
0.1647
0.0494
0.0111

0,3679
0.3679
0.1839
0.0613
0.0153

5
6
7

0.0000
0.0000
0.0000

0.0000
0.0000
0.0000

0.0000
0.0000
0.0000

0.0001
0.0000
0.0000

0.0002
0.0000
0.0000
A

0.0004
0.0000
0.0000

0.0007
0.0001
0.0000

0.0012
0.0002
0.0000

0.0020
0.0003
0.0000

0.0031
0.0005
0.0001

X
0
1
2
3
4

1.1

1.2

1.3

1.4

1.5

1.6

1.7

1.8

1.9

2.0

0.3329
0.3662
0.2014
0.0738
0.0203

0.3012
0.3614
0.2169
0.0867
0.0260

0.2725
0.3543
0.2303
0.0998
0.0324

0.2466
0.3452
0.2417
0.1128
0.0395

0.0031
0.3347
0.2510
0.1255
0.0471

0.2019
0.3230
0.2584
0.1378
0.0581

0.1827
0.3106
0.2640
0.1496
0.0636

0.1653
0.2975
0.2678
0.1607
0.0723

0.1496
0.2842
0.2700
0.1710
0.0812

0.1353
0.2707
0.2707
0.1804
0.0902

5
6
7
8
9

0.0045
0.0045
0.0001
0.0000
0.0000

0.0062
0.0012
0.0002
0.0000
0.0000

0.0084
0.0018
0.0003
0.0001
0.0000

0.0111
0.0026
0.0005
0.0001
0.0000

0.0141
0.0035
0.0008
0.0001
0.0000
A

0.0176
0.0047
0.0011
0.0002
0.0000

0.0216
0.0061
0.0015
0.0003
0.0001

0.0260
0.0078
0.0020
0.0005
0.0001

0.0309
0.0098
0.0027
0.0006
0.0001

0.0361
0.0120
0.0034
0.0009
0.0002

X
0
1
2
3
4

2.1

2.2

2.3

2.4

2.5

2.6

2.7

2.8

2.9

3.0

0.1225
0.2572
0.2700
0.1890
0.0992

0.1108
0.2438
0.2681
0.1966
0.1082

0.1003
0.2306
0.2652
0.2033
0.1169

0.0907
0.2177
0.2613
0.2090
0.1254

0.0821
0.2052
0.2565
0.2138
0.1336

0.0743
0.1931
0.2510
0.2176
0.1414

0.0672
0.1815
0.2450
0.2205
0.1488

0.0608
0.1703
0.2384
0.2225
0.1557

0.0550
0.1396
0.2314
0.2237
0.1622

0.0498
0.1494
0.2240
0.2240
0.1680

5
6
7
8
9

0.0417
0.0146
0.0044
0.0011
0.0003

0.0476
0.174
0.0055
0.0015
0.0004

0.0538
0.0206
0.0068
0.0019
0.005

0.0602
0.0241
0.0083
0.0025
0.0007

0.0668
0.0278
0.0099
0.0031
0.009

0.0735
0.0319
0.0118
0.0038
0.0011

0.0804
0.0362
0.0139
0.0047
0.0014

0.0872
0.0407
0.0163
0.0057
0.0018

0.0940
0.0455
0.0188
0.0068
0.0022

0.1008
0.0504
0.0216
0.0081
0.0027

10
11
12

0.0001
0.0000
0.0000

0.0001
0.0000
0.0000

0.0001
0.0000
0.0000

0.0002
0.0000
0.0000

0.0002
0.0000
0.0000
A

0.0003
0.0001
0.0000

0.0004
0.0001
0.0000

0.0005
0.0001
0.0000

0.0006
0.0002
0.0000

0.0008
0.0002
0.0001

X
0
1
2
3
4

3.1

3.2

3.3

3.4

3.5

3.6

3.7

3.8

3.9

4.0

0.0450
0.1397
0.2165
0.2237
0.1734

0.0408
0.1304
0.2087
0.2226
0.1781

0.0369
0.1217
0.2008
0.2209
0.1823

0.0334
0.1135
0.1929
0.2186
0.1858

0.0302
0.1057
0.1850
0.2158
0.1888

0.0273
0.0984
0.1771
0.2125
0.1912

0.0247
0.0915
0.1692
0.2087
0.1931

0.0224
0.0850
0.1615
0.2046
0.1944

0.0202
0.0789
0.1539
0.2001
0.1951

0.0183
0.0733
0.1465
0.1954
0.1954

5
6
7
8
9

0.1075
0.0555
0.0246
0.0095
0.0033

0.1140
0.0608
0.0278
0.0111
0.0040

0.1203
0.0662
0.0312
0.0129
0.0047

0.1264
0.0716
0.0348
0.0148
0.0056

0.1322
0.0771
0.0385
0.0169
0.0066

0.1377
0.0826
0.0425
0.0191
0.0076

0.1429
0.0881
0.0466
0.0215
0.0089

0.1477
0.0936
0.0508
0.0241
0.0102

0.1522
0.0989
0.0551
0.0269
0.0116

0.1563
0.1042
0.0595
0.0298
0.0132

10
11
12
13

0.0010
0.0003
0.0001
0.0000

0.0013
0.0004
0.0001
0.0000

0.0016
0.0005
0.0001
0.0000

0.0019
0.0006
0.0002
0.0000

0.0023
0.0007
0.0002
0.0001

0.0028
0.0009
0.0003
0.0001

0.0033
0.0011
0.0003
0.0001

0.0039
0.0013
0.0004
0.0001

0.0045
0.0016
0.0005
0.0002

0.0053
0.0019
0.0006
0.0002

APENDICE

JesUs Diaz DIaz

0.0000

0.0000

0.0000

0.0000

186

0.0001

14

0.0000

0.0000

0.0000

0.0000

0.0000

X
0
1
2
3
4

4.1

4.2

4.3

4.4

4.5

4.6

4.7

4.8

4.9

5.0

0.0166
0.0679
0.1393
0.1904
0.1951

0.0150
0.0630
0.1323
0.1852
0.1944

0.0136
0.0583
0.1254
0.1798
0.1933

0.0123
0.0540
0.1188
0.1743
0.1917

0.0111
0.0500
0.1125
0.1687
0.1898

0.0101
0.0462
0.1063
0.1631
0.1875

0.0091
0.0427
0.1005
0.1574
0.1849

0.0082
0.0395
0.0948
0.1517
0.1820

0.0074
0.0365
0.0894
0.1460
0.1789

0.0067
0.0337
0.0842
0.1404
0.1755

5
6
7
8
9

0.1600
0.1093
0.0640
0.0328
0.0150

0.1633
0.1143
0.0686
0.0360
0.0168

0.1662
0.1191
0.0732
0.0393
0.0188

0.1687
0.1237
0.0778
0.0428
0.0209

0.1708
0.1281
0.0824
0.0463
0.0232

0.1725
0.1323
0.0869
0.0500
0.0255

0.1738
0.1362
0.0914
0.0537
0.0280

0.1747
0.1398
0.0959
0.0575
0.0307

0.1753
0.1432
0.1002
0.0614
0.0334

0.1755
0.1462
0.1044
0.0653
0.0363

10
11
12
13
14

0.0061
0.0023
0.0008
0.0002
0.0001

0.0071
0.0027
0.0009
0.0003
0.0001

0.0081
0.0032
0.0011
0.0004
0.0001

0.0092
0.0037
0.0014
0.0005
0.0001

0.0104
0.0043
0.0016
0.0006
0.0002

0.0118
0.0049
0.0019
0.0007
0.0002

0.0132
0.0056
0.0022
0.0008
0.0003

0.0147
0.0064
0.0026
0.0009
0.0003

0.0164
0.0073
0.0030
0.0011
0.0004

0.0181
0.0082
0.0034
0.0013
0.0005

15

0.0000

0.0000

0.0000

0.0000

0.0001
A.

0.0001

0.0001

0.0001

0.0001

0.0002

X
0
1
2
3
4

5.1

5.2

5.3

5.4

5.5

5.6

5.7

5.8

5.9

6.0

0.0061
0.0311
0.0793
0.1348
0.1719

0.0055
0.0287
0.0746
0.1293
0.1681

0.0050
0.0265
0.0701
0.1239
0.1641

0.0045
0.0244
0.0659
0.1185
0.1600

0.0041
0.0225
0.0618
0.1133
0.1558

0.0037
0.0207
0.0580
0.1082
0.1515

0.0033
0.0191
0.0544
0.1033
0.1472

0.0030
0.0176
0.0509
0.0985
0.1428

0.0027
0.0162
0.0477
0.0938
0.1383

0.0025
0.0149
0.0446
0.0892
0.1339

5
6
7
8
9

0.1753
0.1490
0.1086
0.0692
0.0392

0.1748
0.1515
0.1125
0.0731
0.0423

0.1740
0.1537
0.1163
0.0771
0.0454

0.1728
0.1555
0.1200
0.0810
0.0486

0.1714
0.1571
0.1234
0.0849
0.0519

0.1697
0.1584
0.1267
0.0887
0.0552

0.1678
0.1594
0.1298
0.0925
0.0586

0.1656
0.1601
0.1326
0.0962
0.0620

0.1632
0.1605
0.1353
0.0998
0.0654

0.1606
0.1606
0.1377
0.1033
0.0688

10
11
12
13
14

0.0200
0.0093
0.0039
0.0015
0.0006

0.0220
0.0104
0.0045
0.0018
0.0007

0.0241
0.0116
0.0051
0.0021
0.0008

0.0262
0.0129
0.0058
0.0024
0.0009

0.0285
0.0143
0.0065
0.0028
0.0011

0.0309
0.0157
0.0073
0.0032
0.0013

0.0334
0.0173
0.0082
0.0036
0.0015

0.0359
0.0190
0.0092
0.0041
0.0017

0.0386
0.0207
0.0102
0.0046
0.0019

0.0413
0.0225
0.0113
0.0052
0.0022

15
16
17

0.0002
0.0001
0.0000

0.0002
0.0001
0.0000

0.0003
0.0001
0.0000

0.0003
0.0001
0.0000

0.0004
0.0001
0.0000
A.

0.0005
0.0002
0.0001

0.0006
0.0002
0.0001

0.0007
0.0002
0.0001

0.0008
0.0003
0.0001

0.0009
0.0003
0.0001

X
0
1
2
3
4

6.1

6.2

6.3

6.4

6.5

6.6

6.7

6.8

6.9

7.0

0.0022
0.0137
0.0417
0.0848
0.1294

0.0020
0.0126
0.0390
0.0806
0.1249

0.0018
0.0116
0.0364
0.765
0.1205

0.0017
0.0106
0.0340
0.0726
0.1162

0.0015
0.0098
0.0318
0.0688
0.1118

0.0014
0.0090
0.0296
0.0652
0.1076

0.0012
0.0082
0.0276
0.0617
0.1034

0.0011
0.0076
0.0258
0.0584
0.0992

0.0010
0.0070
0.0240
0.0552
0.0952

0.0009
0.0064
0.0223
0.0521
0.0912

5
6
7
8
9

0.1579
0.1605
0.1399
0.1066
0.0723

0.1549
0.1601
0.1418
0.1099
0.0757

.0.1519
0.1595
0.1435
0.1130
0.0791

0.1487
0.1586
0.1450
0.1160
0.0825

0.1454
0.1575
0.1462
0.1188
0.0858

0.1420
0.1562
0.1472
0.1215
0.0891

0.1385
0.1546
0.1480
0.1240
0.0923

0.1349
0.1529
0.1486
0.1263
0.0954

0.1314
0.1511
0.1489
0.1284
0.0985

0.1277
0.1490
0.1490
0.1304
0.1014

10

0.0441

0.0469

0.0498

0.0528

0.0558

0.0558

0.0618

0.0649

0.0679

0.0710

A.

APENDICE

Diaz Diaz

187

11
12
13
14

0.0245
0.0124
0.0058
0.0025

0.0265
0.0137
0.0065
0.0029

0.0285
0.0150
0.0073
0.0033

0.0307
0.0164
0.0081
0.0037

0.0330
0.0179
0.0089
0.0041

0.0353
0.0194
0.0098
0.0046

0.0377
0.0210
0.0108
0.0052

0.0401
0.0227
0.0119
0.0058

0.0426
0.0245
0.0130
0.0064

0.0452
0.0264
0.0142
0.0071

15
16
17
18
19

0.0010
0.0004
0.0001
0.0000
0.0000

0.0012
0.0005
0.0002
0.0001
0.0000

0.0014
0.0005
0.0002
0.0001
0.0000

0.0016
0.0006
0.0002
0.0001
0.0000

0.0018
0.0007
0.0003
0.0001
0.0000
A

0.0020
0.0008
0.0003
0.0001
0.0000

0.0023
0.0010
0.0004
0.0001
0.0000

0.0026
0.0011
0.0004
0.0002
0.0001

0.0029
0.0013
0.0005
0.0002
0.0001

0.0033
0.0014
0.0006
0.0002
0.0001

X
0
1
2
3
4

7.2

7.3

7.4

7.S

7.6

7.7

7.8

7.9

8.0

0.0008
0.0059
0.0208
0.0492
0.0874

0.0007 0.0007
0.0054 0.0049
0.0194 0.0180
0.0464 0.0438
0.0836 0.0799

0.0006
0.0045
0.0167
0.0413
0.0764

0.0006
0.0041
0.0156
0.0389
0.0729

0.0005
0.0038
0.0145
0.0366
0.0696

0.0005
0.0035
0.0134
0.0345
0.0663

0.0004
0.0032
0.0125
0.0324
0.0632

0.0004
0.0029
0.0116
0.0305
0.0602

0.0003
0.0027
0.0107
0.0286
0.0573

5
6
7
8
9

0.1241
0.1468
0.1489
0.1321
0.1042

0.1204
0.1445
0.1486
0.1337
0.1070

0.1167
0.1420
0.1481
0.1351
0.1096

0.1130
0.1394
0.1474
0.1363
0.1121

0.1094
0.1367
0.1465
0.1373
0.1144

0.1057
0.1339
0.1454
0.1382
0.1167

0.1021
0.1311
0.1442
0.1388
0.1187

0.0986
0.1282
0.1428
0.1392
0.1207

0.0951
0.1252
0.1413
0.1395
0.1224

0.0916
0.1221
0.1396
0.1396
0.1241

10
11
12
13
14

0.0740
0.0478
0.0283
0.0154
0.0078

0.0770
0.0504
0.0303
0.0168
0.0086

0.0800
0.0531
0.0323
0.0181
0.0095

0.0829
0.0558
0.0344
0.0196
0.0104

0.0858
0.0585
0.0366
0.0211
0.0113

0.0887
0.0613
0.0388
0.0227
0.0123

0.0914
0.0640
0.0411
0.0243
0.0134

0.0941
0.0667
0.0434
0.0260
0.0145

0.0967
0.0695
0.0457
0.0278
0.0157

0.0993
0.0722
0.0471
0.0296
0.0169

15
16
17
18
19

0.0037
0.0016
0.0007
0.0003
0.0001

0.0041
0.0019
0.0008
0.0003
0.0001

0.0046
0.0021
0.0009
0.0004
0.0001

0.0051
0.0024
0.0010
0.0004
0.0002

0.0057
0.0026
0.0012
0.0005
0.0002

0.0062
0.0030
0.0013
0.0006
0.0002

0.0069
0.0033
0.0015
0.0006
0.0003

0.0075
0.0037
0.0017
0.0007
0.0003

0.0083
0:0041
0.0019
0.0008
0.0003

0.0090
0.0045
0.0021
0.0009
0.0004

20
21

0.0000
0.0000

0.0000
0.0000

0.0001
0.0000

0.0001
0.0000

0.0001
0.0000
A

0.0001
0.0000

0.0001
0.0000

0.0001
0.0000

0.0001
0.0001

0.0002
0.0001

X
0
1
2
3
4

8.1

8.2

8.3

8.4

8.S

8.6

8.7

8.8

8.9

9.0

0.0003
0.0025
0.0100
0.0269
0.0544

0.0003
0.0023
0.0092
0.0252
0.0517

0.0002
0.0021
0.0086
0.0237
0.0491

0.0002
0.0019
0.0079
0.0222
0.0466

0.0002
0.0017
0.0074
0.0208
0.0443

0.0002
0.0016
0.0068
0.0195
0.0420

0.0002
0.0014
0.0063
0.0183
0.0398

0.0002
0.0013
0.0058
0.0171
0.0377

0.0001
0.0012
0.0054
0.0160
0.0357

0.0001
0.0011
0.0050
0.0150
0.0337

5
6
7
8
9

0.0882
0.1191
0.1378
0.1395
0.1256

0.0849
0.1160
0.1358
0.1392
0.1269

0.0816
0.1128
0.1338
0.1388
0.1280

0.0784
0.1097
0.1317
0.1382
0.1290

0.0752
0.1066
0.1294
0.1375
0.1299

0.0722
0.1034
0.1271
0.1366
0.1306

0.0692
0.1003
0.1247
0.1356
0.1311

0.0663
0.0972
0.1222
0.1344
0.1315

0.0635
0.0941
0.1197
0.1332
0.1317

0.0607
0.0911
0.1171
0.1318
0.1318

10
11
12
13
14

0.1017
0.0749
0.0505
0.0315
0.0182

0.1040
0.0776
0.0530
0.0334
0.0196

0.1063
0.0802
0.0555
0.0354
0.0210

0.1084
0.0828
0.0579
0.0374
0.0225

0.1104
0.0853
0.0604
0.0395
0.0240

0.1123
0.0878
0.0629
0.0416
0.0256

0.1140
0.0902
0.0654
0.0438
0.0272

0.1157
0.0925
0.0679
0.0459
0.0289

0.1172
0.0948
0.0703
0.0481
0.0306

0.1186
0.0970
0.0728
0.0504
0.0324

15
16
17

0.0098
0.0050
0.0024

0.0107
0.0055
0.0026

0.0116
0.0060
0.0029

0.0126
0.0066
0.0033

0.0136
0.0072
0.0036

0.0147
0.0079
0.0040

0.0158
0.0086
0.0044

0.0169
0.0093
0.0048

0.0182
0.0101
0.0053

0.0194
0.0109
0.0058

7.1

APENDlCE

JeWs Diaz Diaz

0.0012
0.0005
0.0002
0.0001
0.0000

0.0014
0.0006
0.0002
0.0001
0.0000

0.0017
0.0008
0.0003
0.0001
0.0001
A

0.0026
0.0012
0.0005
0.0002
0.0001

0.0029
0.0014
0.0006
0.0003
0.0001

9.8

9.9

0.0001
0.0005
0.0027
0.0087
0.0213

0.0001
0.0005
0.0025
0.0081
0.0201

10.0
0.0000
0.0005
0.0023
0.0076
0.0189

0.0418
0.0682
0.0955
0.1170
0.1274

0.0398
0.0656
0.0928
0.1148
0.1263

0.0378
0.0631
0.0901
0.1126
0.1251

0.1245
0.1098
0.0888
0.0662
0.0459

0.1249
0.1112
0.0908
0.0685
0.0479

0.1250
0.1125
0.0928
0.0707
0.0500

0.1251
0.1137
0.0948
0.0729
0.0521

0.0281
0.0168
0.0095
0.0051
0.0026

0.0297
0.0180
0.0103
0.0055
0.0028

0.0313
0.0192
0.0111
0.0060
0.0031

0.0330
0.0204
0.0119
0.0065
0.0034

0.0347
0.0217
0.0128
0.0071
0.0037

0.0012
0.0006
0.0002
0.0001
0.0000

0.0014
0.0006
0.0003
0.0001
0.0000

0.0015
0.0007
0.0003
0.0001
0.0001

0.0017
0.0008
0.0004
0.0002
0.0001

0;0019
0.0009
0.0004
0.0002
0.0001

0.0019
0.0009
0.0004
0;0002
0.0001

0.0021
0.0010
0.0004
0.0002
0.0001

18
19
20
21
22

0.0011
0.0005
0.0002
0.0001
0.0000

X
0
1
2
3
4

9.1

9.2

9.3

9.4

9.S

9.6

9.7

0.0001
0.0010
0.0046
0.0140
0.0319

0.0001
0.0009
0.0043
0.0131
0.0302

0.0001
0.0009
0.0040
0.0123
0.0285

0.0001
0.0008
0.0037
0.0115
0.0269

0.0001
0.0007
0.0034
0.0107
0.0254

0.0001
0.0007
0.0031
0.0100
0.0240

0.0001
0.0006
0.0029
0.0093
0.0226

5
6
7
8
9

0.0581
0.0881
0.1145
0.1302
0.1317

0.0555
0.0851
0.1118
0.1286
0.1315

0.0530
0.0822
0.1091
0.1269
0.1311

0.0506
0.0793
0.1064
0.1251
0.1306

0.0483
0.0764
0.1037
0.1232
0.1300

0.0460
0.0736
0.1010
0.1212
0.1293

0.0439
0.0709
0.0982
0.1191
0.1284

10
11
12
13
14

0.1198
0.0991
0.0752
0.0526
0.0342

0.1210
0.1012
0.0776
0.0549
0.0361

0.1219
0.1031
0.0779
0.0572
0.0380

0.1228
0.1049
0.0822
0.0594
0.0399

0.1235
0.1067
0.0844
0.0617
0.0419

0.1241
0.1083
0.0866
0.0640
0.0439

15
16
17
18
19

0.0208
0.0118
0.0063
0.0032
0.0015

0.0221
0.0127
0.0069
0.0035
0.0017

0.0235
0.0137
0.0075
0.0039
0.0019

0.0250
0.0147
0.0081
0.0042
0.0021

0.0265
0.0157
0.0088
0.0046
0.0023

20
21
21
23
24

0.0007
0.0003
0.0001
0.0000
0.0000

0.0008
0.0003
0.0001
0.0001
0.0000

0.0009
0.0004
0.0002
0.0001
0.0000

0.0010
0.0004
0.0002
0.0001
0.000

0.0011
0.0005
0.0002
0.0001
0.0000

Fuente:

0.0015
0.0007
0.0003
0.0001
0.0000

188

0.0024
0.0011
0.0005
0.0002
0.0001

Tablas tomadas de "Estadistica para la administraci6n y la economla" KASMIER Leonard 1.

APENDICE

JesUs DIaz DIaz

TABLA 3
z

189

AREAS BAJO LA CURVA NORMAL ESTANDAR

0

0.01

0.02

0.03

0.04

0.05

0.06

0.07

0.08

0.09

O.CXXXXl

0.1
0.2
0.3
0.4

0.03983
0.07926
0.11791
0.15542

0.00399
0.04380
0.08317
0.12172
0.15910

0.00700
0.04776
0.08706
0.12552
0.16276

0.01197
0.05172
O.ooog;

0.1664)

0.01595
0.05567
0.09483
0.1:ffJ7
0.17003

0.01994
0.05962
0.06871
0.13683
0.17364

0.02392
0.06356
0.10257
0.14058
0.17724

0.02700
0.06749
0.10642
0.14431
0.18082

0.03188
0.07142
0.11026
0.14803
0.18439

0.03586
0.07535
0.11400
0.15173
0.18793

0.5
0.6
0.7
0.8
0.9

0.19146
0.22575
0.25804
0.28814
0.31594

0.19497
0.22907
0.26115
0.29103
0.31859

0.10047
0.23237
0.26424
0.29389
0.32121

0.20194
0.23565
0.26730
0.29673
0.32381

0.2CE40
0.23891
0.27035
0.20055
0.32639

0.20884
0.24215
0.27337
0.30234
0.32894

0.21226
0.24537
0.27637
0.3CE11
0.33147

0.21566
0.24857
0.27935
0.30785
0.33396

0.21904
0.25175
0.28230
0.31057
0.33646

0.22240

0.34375
0.36650
0.38686
0.40400
0.42073

0.34614
0.36864
0.38877
0.40658
0.42220

0.34850
0.37076
0.30065
0.40024
0.42364

0.30083
0.37286
0.39251
0.40088
0.42507

0.35314
0.37493
0.39435
0.41149
0.42647

0.35543
0.37696
0.39617
0.41300
0.42786

0.357~

1.1
1.2
1.3
1.4

0.34134
0.36433
0.38493
0.40320
0.41924

0.37900
0.39796
0.41466
0.42922

0.35993
0.38100
0.30073
0.41621
0.43056

0.36214
0.38200
0.40147
0.41774
0.43189

1.5
1.6
1.7
1.8
1.9

0.43319
0.44520
0.45543
0.46407
0.47128

0.43448
0.44630
0.45637
0.46485
0.47193

0.43574
0.44738
0.45728
0.46562
0.47257

0.43699
0.44845
0.45818
0.46638
0.47320

0.43822
0.44950
0.45907
0.46712
0.47381

0.43943
0.45CS3
0.45994
0.46784
0.47441

0.44062
0.45154
0.4&8)
0.46856
0.47500

0.44179
0.45254
0.46164
0.46926
0.47558

0.44296
0.45352
0.46246
0.46995
0.47615

0.44408
0.45449
0.46327
0.47062
0.47670

2
2.1
2.2
2.3
2.4

0.47725
0.48214
0.48610
0.48928
0.49180

0.47778
0.48257
0.48645
0.48956
0.49202

0.47831
0.48300
0.48679
0.48983
0.49224

0.47882
0.48341
0.48713
0.40010
0.49245

0.47932
0.48382
0.48745
0.40036
0.49266

0.47982
0.48422
0.48778
0.40061
0.49286

0.48031
0.48461
0.488m
0.40086
0.493a5

0.48077
0.48500
0.48840
0.49111
0.49324

0.48124
0.48537
0.48870
0.49134
0.49343

0.48574
O.4889d
0.49158
0.49361

2.5
2.6
2.7
2.8
2.9

0.49379
0.4S534
0.49653
0.49744
0.49613

0.49396
0.4S547
0.49664
0.49752
0.49619

0.49413
0.49500
0.49674
0.49700
0.49625

0.49430
0.4S573
0.49683
0.49767
0.49631

0.49446
0.4g:j85
0.49693
0.49774
0.49386

0.49461
0.49702
0.49781
0.49641

0.49477
0.49600
0.49711
0.49788
0.49646

0.49492
0.49621
0.49720
0.49795
0.49851

0.49506
0.49632
0.49728
0.49601
0.40056

0.4S52O
0.49643
0.49736
0.49607
0.49661

3
3.1
3.2
3.3
3.4

0.49665
0.49903
0.49931
0.49952
0.49966

0.496~

0.49906
0.49934
0.49953
0.49968

0.49674
0.49910
0.49936
0.49955
O.~

0.49678
0.49913
0.49938
0.45957
0.49970

0.49682
0.49916
0.49940
0.49958
0.49971

0.49686
0.49918
0.49942
0.49900
0.49972

0.49689
0.49321
0.49944
0.49961
0.40063

0.49693
0.49324
0.49946
0.49962
0.49974

0.49697
0.49925
0.49948
0.49964
0.49975

0.49900
0.49929
0.49950
0.49965
0.49976

3.5
3.6
3.7
3.8
3.9

0.49977
0.49984
0.49980
0.49993
0.40095
0.49997

0.49978
0.49985
0.49900
0.49993
0.49996

0.49979
0.49986
0.49900
0.49994
0.49996

0.49980
0.49986
0.49991
0.49994
0.49996

0.49981
0.49987
0.49991
0.49994
0.49996

0.49981
0.49987
0.49992
0.49994
0.49996

0.49982
0.49988
0.49992
0.40095
0.49996

0.49983
0.49988
0.49992
0.40095
0.49997

0.49983
0.49989
0.49992
0.40095
0.49997

0.49978
0.49985
0.49900
0.49993
0.49995

0.1~

o.~

..

0.25400
0.28524
0.31327
0.33891

0.481~

Fumt.e: Tablas tomadas de "EstadlsllCll para 1a administracl6n y 1a ecmomia" SHAO Estqlhen

APENDICE

190

BffiLIOGRAFIA

FREUND, John E. "Estadistica elemental" Ed. Prentice hill, 88 edici6n, Mexico

1994.
FREUND, Williams Pedes "Estadistica para la administraci6n. Con enfoque
modeino" Ed. Prentice Hall, 58 edici6n, Mexico 1990
LEVIN, Richard I. ''Estadistica para administradores" Ed. Prentice Hall, 68 edici6n,
Mexico 1996
LIPSCHlITZ,Seymor "Teoria de conjuntos y temas afines",

E~

Mc Graw Hill

LIPSCHlITZ, Seymor. "Probabilidad" Ed. Me Graw Hill

MONTGOMERY, Douglas C. Probabilidad y estadistica aplicadas a la ingenieria"

Ed Mc Graw Hill, 18 edici6n, Mexico 1996
SAID, Infante Gil "Metodos estadisticos" Ed Trillas, 28 edici6n Mexico 1994
KASMlER, Leonard 1. ''Estadistica aplicada a la administraci6n y la economia"
Serie Schaums, Ed. Mc Graw Hill, 18 edici6n, Mexico
1978
LEVIN, & Rubin ''Estadistica para administradores" Ed Prentice Hall 68 edici6n,
Mexico 1996.
DEVORE, Jay L ''Probabilidad y estadistica para ingenieria y ciencias" Ed
Thomson editores 18 edici6n, Mexico 1998
STEPHEN, S. Willoughb ''Probabilidad y estadistica" Ed Publicaciones Cultura
S.A. 148 reimpresi6n, Mexico 1986
SHAO, Stephen ''Estadistica para la administraci6n y la economia"
WALPOLE, Myers ''Probabilidad y estadistica" Ed. Mc Graw Hill 68 edici6n,
Mexico 1999.
WEIMER, Richard C. ''Estadistica'' Ed. Ceccsa, l a edici6n, Mexico 1996
PARRA, Mayorquin Luis A. Notas de clase
DIAZ, Diaz Jesus. Notas de clase

Pagina 1 de 4
DATOS DE LA ASIGNATURA

Nombre de la asignatura Probabilidad y estadistica:

Carrera: Ingenieria enSislemas Computacionales

Clave de la asignatura: sec - 0424

Horas teoria-horas practica-CrE3ditos: 4-2-10

OBJETIVOtS) GENERAL(ES) DEL CURSO

EI estudiante seleccionara modelos probabilisticos, aplicara calculos de inferencia
,estadistica sobre datos y desarrollara modelos para la toma de decisiones en
sistemas con componentes aleatorios.
TEMARIO
Unidad

'

Temas
Es.tadfstica
descriptiva

Subtemas
1.1 Conceptos basicos de estadistica.
1.1.1 Definici6n de estadistica.
1.1.2 Inferencia estadistica.
1.1.3 Teoria de decisi6n.
1.1.4 Poblaci6n.
1.1.5 Muestra aleatoria.
1.1.6 P~nametros aleatorios.
1.1.7 Enfoque c1.asico.
1.1.8 Enfoque Bayesiano.
1.2 Descripci6n de datos.
1.2.1 Datos agrupados y no agrupados.
1.2.2 Frecuencia de c1ase.
1.2.3 Frecuencia relativa.
1.2.4 Punto medio.
1.2.5 Umites.
1.2.6 Histograma.
1.2.7 Histograma de frecuencia relativa.
1.3 Medidas de tendencia central.
1.3.1 Media aritmetica, geometrica y ponderada.
1.3.2 Mediana.
1.3.3 Moda.
1.4 Medidas de dispersi6n.
1.4.1 Varianza.
1.4.2 Desviaci6n estandar.
1.4.3 Desviaci6n media.
1.4.4 Desviaci6n mediana.
1.4.5 Rango.
1.5 Parametros para datos agrupados.
1.5.1 La media.
1.5.2 La desviaci6n tipica.
1.6 Distribuci6n de frecuencias .
1.6.1 Distribuciones numericas.
1.6.2 Distribuciones categ6ricas.
1.6.3 Distribuciones acumuladas.
1.6.4 Distribuciones porcentuales.
1.6.5 Distribuciones porcentuales acumuladas.

Instituto Tecno16gicode Tepic

Departamento de Ciencias Basicas

'.

Pcigina 2 de 4

~-

Probabilidad.

- -.

1.7 Tecnicas de agrupaci6n de datos.

1.7.1 Lirilites de c1ase.
1.7.2 Rango de c1ase.
1.7.3 Fronteras de c1ase.
1.7.4 Marca de c1ase.
1.7.5 Intervalo de c1ase.
1.7.6 Diagrama de tallos y hojas.
1.7.7 Diagrama de Pareto.
1.7.8 Diagrama de puntos.
1.8 Histograma.
1.8.1 Diagrama de barras.
1.8.2 Poligono de frecuencias.
1.8.3 Ojivas.
1.8.4 Graficas circulares.
1.9 Distribuciones muestrales.
2.1 Teoria elemental de probabilidad.
2.1.1 Concepto clasico y como frecuencia
relativa-.
2.1.2 Interpretacion subjetiva de la probabilidad.
2.2 Probabilidad de eventos.
2.2.1 Definicion de espacio muestral.
2.2.2 Discreto y continuo.
2.2.3 Definici6n de evento.
2.2.4 Simbologia, uniones e intersecciones.
2.2.5 Diagramas de Venn.
2.3 Tecnicas de conteo.
2.3.1 Diagrama de arbol.
2.3.2 Notaci6n factorial.
2.3.3 Permutacion.
2.3.4 Combinaciones.
2.3.5 Teorema del Binomio.
2.4 Probabilidad con tecnicas de conteo.
2.4.1 Aplicacion del concepto c1asico de
probabilidad.
2.4.2 Ejercicios de permutaci6n.
2.4.3 Ejercicios de combinaciones.
2.4.4 Axiomas.
2.4.5 Teoremas.
2.5 Probabilidad condicional.
2.5.1 Dependiente.
2.5.2Independiente.
2.6 Ley multiplicativa.
2.6.1 Calculo de probabilidad de eventos.
2.6.2 Conjuntos.
2..6.3 Problemas de eventos independientes.
2.6.4 Eventos dependientes.
2.6.5 Diagramas de arbol.
2.7 Eventos Independientes.
2.7.1 Aolicacion de teoremas.

Instituto TecnoJ6gico de Tepic

Departamento de Ciencias Basicas

Pagina 3 de 4

Funciones y
distribuciones
muestrales.

Estadfstica aplicada.

;
"

.
!.".\

1-.
o.

2.7.2 Regia de Bayes.

2.7.3 Conocer teoremas y realizar ejercicios.
2.7.4 Resolver problemas que apliquen el
teorema.
3.1 Funcion de probabilidad.
3.1.1 Variables aleatorias discretas.
3.1.2 Variables aleatorias continuas.
3.2 Distribuc,i6n binomial.
3.2.1 Conceptos de ensayos repetidos.
3.2.2 Conceptos de ensayos de Bernoulli.
3.2.3 Simbolos de representaci6n
3.3 Distribuci6n hipergeometrica.
3.3.1 Muestra con reemplazo.
3.3.2 Muestra sin reemplazo.
3.4 Distribuci6n de Poisson.
3.5 Esperanza matematica.
3.5.1 Medida de una variable aleatoria.
3.5.2 Valor esperado.
3.6 Propiedades de la curva Binomial.
3.6.1 Propiedades geometricas.
3.6.2 Parametros.
3.7 Distribuci6n normal.
3.7.1 Distribuci6n de la probabiHdad continua.
3.7.2.Ecuaci6n de la normal.
3.7.3 Graficas.
3.7.4 Tablas.
3.7.5 Aplicaciones
3.8 Aproximaci6n de la binomial a la normal.
3.9 Otras distribuciones muestrales.
3.9.1 Distribuci6n T-student.
3.9.2 Distribuci6n X cuadrada.
3.9.3 Distribuci6n F.
3.9.4 CPU ..
4.1 Inferencia estadfstica.
4.1.1 Concepto.
4.1.2 Estimaci6n.
4.1.3 Prueba de hip6tesis.
4.1.4 Metodo clasico de estimad6n (puntual).
4.1.5 Estimador Insesgado.
4.1.6 Varianza de un estimador puntual.
4.2 Intervalos de confianza.
4.2.1 Estimaci6n por intervalo.
4.2.2 Limites de confianza.
4.2.3 Intervalo de confianza para medida con
varianza conocida.
4.2.4 Intervalo de confianza para medida con
varianza desconocida.
4.2.5 Intervalo de confianza para proporciones.
4.3 Pruebas de hip6tesis.

Instituto Tecnol6gico de Tepic

Departamento de Ciencias Basicas

Pagina 4 de 4

Regresion y
correlacion.

5.1

5.2

5.3

5.4

5.5
5.6

5.7

4.3.1 Prueba de hipotesis para la media

poblacional.
4.3.2 Prueba de hipotesis para diferencias de
medias.
4.3.3 Prueba de hipotesis para proporciones.
Introduccion.
5.1.1 Graficas de los datos.
5.1.2 Variables de regresion independientes.
5.1.3 Regresion lineal simple.
5.1.4 Coeficientes de regresion.
5.1.5 Uneas de regresion ajustada.
Diagrama de dispersion.
5.2.1 Tabla de datos.
5.2.2 Construccion de diagramas.
Estimacion mediante la linea de regresion.
5.3.1 Ecuacion de la recta como ajuste de datos.
5.3.2 Modelos.
lVIetodos de minimos cuadrados.
5.4.1 Ecuaciones normales.
5.4.2 Estimacion de los coeficientes de regresion.
Error estandar de estimacion.
Coeficientes de determinacion y correlacion.
5.6.1 Coeficiente de determinacion de la muestra.
5.6.2 Coeficiente de correlacion de la muestra.
5.6.3 Error estandar deLcQeficiente-~de regresi6n.
Problemas practicos de ajuste de curvas.

FUENTES DE INFORMACION

3. Richard I. Levin, David s.

Rubin.
Estadistica para
Administradores.
Ed. Prentice Hall.

1. R. E. Walpole, R.H.
Myers.
Probabilidad y EstadIstica
para Ingenieros.
Ed. Interamericana.

2. Irwin R. Miller, John E.

Freud, Richard Jhonston.
Probabilidad y Estadistica
para Ingenieros.
Ed. Prentice Hall.

4. Murria Spiegel, John

Schiller, R. Alu Srinivasan.
Probabilidad y Estadistica.
Ed. Me. Graw - Hill.

5. Paul l. Meyer.
Probabilidad y
Aplicaciones Estad isticas.
Ed. Fondo Educativo
Interamericana.

Instituto Tecnol6gico de Tepic

Departamento de Ciencias Basicas