Вы находитесь на странице: 1из 47

N O TA S D E P R O B A B I L I D A D Y E S TA D S T I C A

roman anselmo mora gutirrez


antonin ponsich
eric alfredo rincn garca

Departamento de Sistemas

Universidad Autnoma Metropolitana

Unidad Azcapotzalco
NDICE GENERAL

1 semana 1 1
1.1 Estadstica descriptiva 1
1.1.1 Conceptos bsicos 1
1.1.2 Clculo de frecuencias para datos discretos 2
1.1.3 Clculo de frecuencias para datos agrupados o continuos 3
1.1.4 Histogramas y polgonos de frecuencia 4
1.1.5 Medidas de localizacin y variabilidad para datos no agrupa-
dos 7
1.1.6 Medidas de localizacin y variabilidad para datos agrupados 12
1.1.7 Ms representaciones grficas 15
2 semana 2 21
2.1 Tcnicas de conteo 21
2.1.1 Regla del producto para pares ordenados 21
2.1.2 Regla del producto para k-arreglos 21
2.1.3 Permutaciones 22
2.1.4 Combinaciones 22
2.2 Introduccin a la probabilidad 23
2.2.1 Definiciones bsicas 23
2.2.2 Teora de conjuntos 24
2.2.3 Diagramas de Venn 26
2.2.4 Propiedades de las operaciones con conjuntos 27
2.3 Probabilidad 27
2.3.1 Axiomas 27
2.3.2 Propiedades de la probabilidad 28
3 semana 3 33
3.1 Probabilidad condicional 33
3.2 Regla de la multiplicacin 33
3.3 Regla de la probabilidad total 35
3.4 Teorema de Bayes 35
3.5 Eventos independientes 36
3.6 Independencia de k eventos 36
3.6.1 Variable aleatoria 37
4 semana 4 39
4.1 Autoevaluacin 1 39
a tabla de ecuaciones 41
b bibliografa recomendada 43

Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. iii
SEMANA 1
1
1.1 estadstica descriptiva

La Estadstica Descriptiva consiste en organizar, resumir y simplificar informacin


que frecuentemente es bastante compleja.

1.1.1 Conceptos bsicos

Durante el curso se hablar mucho de poblacin y muestra, por lo cual es importante


definir estos conceptos. La Poblacin es el conjunto de todos los eventos potenciales para
los cuales el dato de inters puede ser observado. Una muestra es un subconjunto de la
poblacin, seleccionado de tal forma que sus caractersticas sean representativas de la
poblacin global. Se considerarn dos clases de poblaciones: Poblacin Finita y Poblacin
Infinita. Es importante destacar que los procesos y poblaciones infinitas no son posibles
de representar en la prctica, son conceptos tericos cuya aplicacin resulta til en una
gran variedad de casos.
A cada resultado que se obtiene al realizar un experimento se le llama observacin o dato.

 Ejemplo 1.1 A continuacin se presentan algunos ejemplos de poblaciones finitas e


infinitas.
Poblaciones finitas.
1. Resultados obtenidos al lanzar al aire un dado 200 veces.
2. Nmero de tornillos producidos por una mquina cada hora de trabajo.

Poblaciones infinitas.
1. Los nmeros racionales contenidos en el intervalo [0,1].
2. Resultados obtenidos al lanzar al aire una moneda un nmero infinito de veces.


En general las medidas dan origen a datos continuos, mientras que las enumeracio-
nes o conteos dan origen a datos discretos.
Denicin 1.1.1 Cuando se selecciona una muestra de una poblacin en la que todos
los elementos son independientes y tienen igual oportunidad de ser seleccionados, se
dice que se tiene una muestra aleatoria. Cuando no todos los elementos de la pobla-
cin tienen igual oportunidad de ser seleccionados o cuando no son independientes
se tienen una muestra sesgada.

Denicin 1.1.2 Valor es cada uno de los distintos resultados que se pueden obtener
en un estudio estadstico.

Denicin 1.1.3 Frecuencia es la cantidad de veces que se repite un determinado


valor en la muestra analizada.
Se pueden considerar diferentes tipos de frecuencia:

Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 1
semana 1

Frecuencia absoluta, es el nmero de veces que se aparece un determinado valor.


Se representa por f.
La suma de las frecuencias absolutas es igual al nmero total de datos, que se
representa por N.
P
n
f(x1 ) + f(x2 ) + f(x3 ) + ... + f(xn ) = N entonces f(xi ) = N
i=1
Frecuencia relativa, es el cociente entre la frecuencia absoluta de un determinado
valor y el nmero total de datos, se representa por fr .
fr (x) = f(x)
N
La suma de las frecuencias relativas es igual a 1.
Frecuencia acumulada, es la suma de las frecuencias absolutas de todos los valores
inferiores o iguales al valor considerado. Se puede representar por F o por fa .
P
F(x) = fa (x) = f(xi )
xi 6x
Frecuencia relativa acumulada, es el cociente entre la frecuencia acumulada de un
determinado valor y el nmero total de datos. Se puede expresar como far .
far (x) = faN
(x)

1.1.2 Clculo de frecuencias para datos discretos

En esta seccin se presenta la forma en que puede analizarse una muestra formada
por datos discretos.

 Ejemplo 1.2 Durante el mes de julio, en una ciudad se han registrado los siguientes

nmeros de nacimientos:
32, 31, 28, 29, 33, 32, 31, 30, 31, 31, 27, 28, 29, 30, 32, 31, 31, 30, 30, 29, 29, 30, 30, 31, 30,
31, 34, 33, 33, 29, 29.
Se utiliza una representacin tabular para mostrar la frecuencia absoluta, la frecuencia
relativa, la frecuencia acumulada y la frecuencia acumulada relativa.
Primero se observa que se trata de una variable discreta, por lo cual se pueden poner
todos los valores que ha tomado la variable, ver la primera columna de la tabla 1.
En la segunda columna se coloca el nmero de veces que aparece el valor x, este nme-
ro es la frecuencia absoluta de x, f(x).
La frecuencia acumulada, fa (x), es el resultado de las sumas acumuladas de las obser-
vaciones, por ejemplo:
fa (27) = f(27) = 1.
fa (28) = f(27) + f(28) = 1 + 2 = 3.
fa (29) = f(27) + f(28) + f(29) = 1 + 2 + 6 = 9.

Las columnas 4 y 5 son la frecuencia relativa y frecuencia relativa acumulada, respec-


tivamente. Su clculo se realiza al dividir las columnas 2 y 3 entre el nmero total de
observaciones, en este caso 31. 

 Ejemplo 1.3 Las puntuaciones obtenidas por un grupo en una prueba son:
15, 20, 15, 18, 22, 13, 13, 16, 15, 19, 18, 15, 16, 20, 16, 15, 18, 16, 14, 13.

La representacin tabular de este ejemplo se presenta en la tabla 2. 

2 Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
1.1 estadstica descriptiva

x f(x) fa (x) fr (x) far (x)


27 1 1 0.032 0.032
28 2 3 0.065 0.097
29 6 9 0.194 0.29
30 7 16 0.226 0.516
31 8 24 0.258 0.774
32 3 27 0.097 0.871
33 3 30 0.097 0.968
34 1 31 0.032 1
Total = 31 Total = 1

Tabla 1: Representacin tabular de los datos discretos, ejemplo 1.2.

x f(x) fr (x) fa (x) far (x)


13 3 0.15 3 0.15
14 1 0.05 4 0.2
15 5 0.25 9 0.45
16 4 0.2 13 0.65
18 3 0.15 16 0.8
19 1 0.05 17 0.85
20 2 0.1 19 0.95
22 1 0.05 20 1
Total =20 Total = 1

Tabla 2: Representacin tabular de datos discretos, ejemplo 1.3.

1.1.3 Clculo de frecuencias para datos agrupados o continuos

En esta seccin se presenta la forma de analizar datos continuos, o bien, la forma de


agrupar datos discretos para su posterior anlisis.

La distribucin de frecuencias agrupadas o tabla con datos agrupados se emplea si


las variables toman un nmero grande de valores o la variable es continua.
Para poder realizar el anlisis es necesario definir algunos conceptos como son: Rango,
intervalo de clase y marca de clase.
Para obtener el Rango, se realiza la diferencia entre el mayor y menor de los datos.
Rango = valor mximo - valor mnimo.
Los valores observados deben agruparse en intervalos que tengan la misma amplitud
denominados Intervalo de clase. Para obtener la amplitud de cada intervalo, se divide
el rango de la variable entre el nmero de grupos que se deban formar. Se recomienda
manejar entre 5 y 20 intervalos de clase.
Los extremos de un intervalo de clase reciben el nombre de lmite inferior y el lmite
superior de la clase.

Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 3
semana 1

La frecuencia de cada intervalo de clase se calcula al contar el nmero de observaciones


entre el lmite inferior y el lmite superior de cada clase.
La amplitud de clase es la diferencia entre el lmite superior e inferior de la clase.
La marca de clase se obtiene sumando el lmite superior y lmite inferior y dividiendo
entre dos.
Para analizar los datos se puede recurrir nuevamente a la representacin tabular. Sin
embargo, en este caso toda la informacin ser analizada en trminos de los intervalos
de clase.
 Ejemplo 1.4 Emplea una representacin tabular para los siguientes datos obtenidos
despus de medir el tiempo requerido por una mquina para terminar un proceso.
En este ejemplo se decide utilizar 5 intervalos de clase.

35.8 30.9 37.0 31.3 35.8 32.3 33.8 30.6 36.0


40.0 35.5 36.0 34.6 31.7 31.2 31.5 37.2 34.5
31.7 36.7 32.3 29.0 35.9 39.0 33.2

Como Rango = 40.0 29.0 = 11, entonces cada intervalo deber medir 11 5 = 2.2.
En la tabla 3 se presentan los intervalos de clase construidos para este caso.

Intervalos de clase Datos observados en cada clase Frecuencias absolutas


296 x < 31.2 30.9, 30.6, 29.0 3
31.26 x < 33.4 31.3,31.7,31.2,31.5,31.7,32.2,32.3,32.3 8
33.46 x < 35.6 33.8,34.6,34.5,35.5 4
35.66 x < 37.8 35.8,35.8,35.9,36.0,36.0,36.7,37.0,37.2 8
37.86 x 640 39.0,40.0 2

Tabla 3: Representacin tabular de variables continuas, ejemplo 1.4.

Otras tcnicas utilizadas para describir a una poblacin o a una muestra, son los m-
todos grficos. En las siguientes secciones se definen y se muestra la forma de emplear
estas herramientas.

1.1.4 Histogramas y polgonos de frecuencia

En algunas ocasiones la representacin tabular puede resultar poco clara, por lo cual
se recomienda recurrir al uso de mtodos grficos que pueden facilitar la comprensin
de los datos. En esta seccin se describe el uso de histogramas y polgonos de frecuen-
cias.

Para realizar un histograma rimero se determina la frecuencia de cada valor de x y


despus se marcan los posibles valores de x en una escala horizontal. Arriba de cada

4 Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
1.1 estadstica descriptiva

valor se traza un rectngulo cuya altura es igual a la frecuencia de ese valor.

 Ejemplo 1.5 Los siguientes datos representan el nmero de lotes rechazados en una
lnea de produccin durante 51 das.
74221240432053313
48042131131143226
35023210642160335
a) Usa una representacin tabular para indicar las frecuencias absolutas, frecuencias
relativas, frecuencias acumuladas y frecuencias acumuladas relativas.
b) Dibuja un histograma de frecuencias absolutas, frecuencias relativas y frecuencias
acumuladas.
c) Dibuja un polgono de frecuencias absolutas, polgono de frecuencias relativas y un
polgono de frecuencias acumuladas.
Primero se realiza la representacin tabular como se explic anteriormente, dando
como resultado la tabla 4.

x Frecuencia absoluta Frecuencia Relativas Frecuencia Acumuladas Frecuencia Relativa Acumulada


6
0 6 51 = 0.11 6 0.11
9
1 9 51 = 0.17 6 + 9 = 15 0.28
10
2 10 51 = 0.19 6+9+10=25 0.47
11
3 11 51 = 0.21 36 0.68
7
4 7 51 = 0.13 43 0.81
3
5 3 51 = 0.05 46 0.86
3
6 3 51 = 0.05 49 0.91
1
7 1 51 = 0.01 50 0.92
1
8 1 51 = 0.01 51 0.93
Total=51

Tabla 4: Representacin tabular de datos discretos, ejemplo 1.5.

Para realizar un histograma de frecuencia absoluta se colocan los posibles valores de


x en el eje horizontal. Se construye un intervalo de igual longitud con centro en el valor
de x y un rectngulo cuya altura es equivalente a la frecuencia absoluta observada, por
ejemplo para el valor x = 0, se coloca un rectngulo de altura igual a 6, ver tabla 3. Para
el valor x = 1, se coloca un rectngulo de altura igual a 9. El resultado final se presenta
en la figura 1.
Al unir con lneas los puntos medios ubicados en la cima de cada rectngulo del histo-
grama se obtiene el polgono de frecuencia absoluta, ver figura 1.

Al repetir este procedimiento con los datos asociados a la frecuencia relativa y fre-
cuencia acumulada se obtienen los histogramas y polgonos buscados, ver figuras 2 y
3.

Considera que los datos anteriores indican el nmero de aparatos defectuosos en


cada lote revisado. Utiliza la informacin de la tabla 4 para responder las siguientes
preguntas.

Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 5
semana 1

Figura 1: Histograma y polgono de frecuencia absoluta, ejemplo 1.5.

Figura 2: Histograma y polgono de frecuencia relativa, ejemplo 1.5.

a) Qu porcentaje de lotes tiene exactamente 5 aparatos defectuosos?


Al observar la columna 3 de la tabla se tiene que el 0.05, o bien el 5 % de los lotes
tiene exactamente 5 aparatos defectuosos.
b) Qu porcentaje de lotes tiene al menos 5 aparatos defectuosos?
0.11 + 0.17 + 0.19 + 0.21 + 0.13 + 0.05 = 0.86, es decir, el 86 % de los lotes tie-
nen a lo ms 5 aparatos defectuosos. Observa la columna de frecuencia relativa
acumulada.
c) Qu porcentaje de lotes tiene a lo ms 3 aparatos defectuosos?
0.11 + 0.17 + 0.19 + 0.21 = 0.68, es decir, el 68 % de los lotes tienen a lo ms 3
aparatos defectuosos


Otras herramientas tiles y de frecuente uso al analizar los datos de una muestra
son las medidas de localizacin y las medidas de variabilidad. Sin embargo, la forma
en que se emplean debe ajustarse al tipo de informacin que se tenga, en este trabajo

6 Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
1.1 estadstica descriptiva

Figura 3: Histograma y polgono de frecuencia acumulada, ejemplo 1.5.

se presentan dos divisiones importantes: Datos no agrupados y datos agrupados. Es


importante que se estudie cada caso con mucho cuidado para poder emplear la tcnica
adecuada segn los tipos de datos obtenidos.

1.1.5 Medidas de localizacin y variabilidad para datos no agrupados

En esta seccin se presentan las medidas de localizacin y variabilidad ms frecuen-


tes al trabajar con datos no agrupados. Estas medidas pueden clasificarse de la siguiente
forma.
Medidas de localizacin
Media
Mediana
Moda

Medidas de variabilidad
Varianza
Desviacin estndar
Coeficiente de variacin
Desviacin media
Rango
Cuartiles
A continuacin se mostrar la forma de calcular cada una de estas medidas.

1.1.5.1 Media muestral


La media muestral se define generalmente como el promedio aritmtico de las ob-
servaciones de una muestra. Si las N observaciones de una muestra se denotan por
x1 , x2 , ..., xN , entonces la media muestral se denota como x y se calcula de la siguiente

Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 7
semana 1

manera:

(x1 + x2 + ... + xN ) X xi
N
x = = (1)
N N
i=1

1.1.5.2 Media poblacional


Cuando hay un nmero finito N de observaciones en la poblacin, se puede definir
la media poblacional, denotada como , dada por:
P
N
xi
i=1
= (2)
N

1.1.5.3 Mediana
Es una medida de tendencia central que divide los datos en dos partes iguales (con
el mismo nmero de elementos). Es importante tener cuidado al calcular la mediana,
ya que el procedimiento vara dependiendo del nmero de datos, par o impar, que se
tenga.

La mediana muestral se obtiene de ordenar las N observaciones de menor a mayor


incluyendo los valores repetidos.


N+1
El dato en la posicin 2 , si N es impar
Mediana = x = (3)


El promedio de los datos en las posiciones N y N + 1, si N es par
2 2
Un error que los estudiantes cometen con frecuencia es pensar que el resultado de la
operacin N+1 N N
2 , o el promedio de 2 y 2 + 1, es la mediana. Debe recordarse que los
resultados de estas operaciones son la posicin en que se encuentra la mediana, por
lo tanto slo sirven de gua para localizarla. En los siguientes ejemplos se ilustra esta
observacin.

 Ejemplo 1.6 Supongan que los datos a1 , a2 , a3 , a4 , a5 , a6 , a7 , a8 , a9 estn ordenados


de menor a mayor, entonces la mediana se calculara de la siguiente manera:

Caso 1 (Impar): N+1


2 =
9+1
2 =5
Por lo tanto,
Mediana = x = a5


 Ejemplo 1.7 Supongan que los datos a1 , a2 , a3 , a4 , a5 , a6 , a7 , a8 , a9 , a10 estn ordena-


dos de menor a mayor, entonces la mediana se calculara de la siguiente manera:

N 10 N 10
Caso 2 (par) : 2 = 2 =5y 2 +1 = 2 +1 = 6
Por lo tanto,

a5 +a6
Mediana = x = 2

8 Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
1.1 estadstica descriptiva

1.1.5.4 Moda
La moda (moda muestral) es el valor de los datos observados que ocurre con mayor
frecuencia. Si existe una nica moda, la distribucin es unimodal; en caso de varias
modas, la distribucin es multimodal.

 Ejemplo 1.8 Calcula la media, moda y mediana muestral para los siguientes datos:
7, 3, 4, 2, 4, 4, 11, 10, 26, 9, 11, 11.
Media = x = 7+3+4+2+4+4+11+10+26+9+11+11
12 = 102
12 = 8.5

Moda: 4 y 11. Ambos se repiten 3 veces.


Para calcular la mediana se ordenan los datos de menor a mayor:
2, 3, 4, 4, 4, 7, 9, 10, 11, 11, 11, 26.
N N
Son un nmero par de datos, N = 12, por lo cual se calculan las posiciones 2 y 2 +1 .
En este caso son las posiciones 6 y 7.

2, 3, 4, 4, 4, 7, 9 , 10, 11, 11, 11, 26


|{z}
7+9
Por lo tanto el valor de la mediana es x = 2 = 8. 

1.1.5.5 Varianza muestral / desviacin estndar muestral


Si x1 , x2 , ..., xN es una muestra de N observaciones, entonces la varianza muestral,
denotada como s2 , se calcula de la siguiente manera:

P
N
(xi x)2
i=1
Var = s2 = (4)
N1

s= s2 representa la desviacin estndar muestral.

Nota que la unidad de la varianza es el cuadrado de la unidad del dato observado,


mientras que la unidad de la desviacin estndar es la unidad del dato observado.

1.1.5.6 Varianza poblacional / desviacin estndar poblacional


Asimismo, cuando hay un nmero finito N de observaciones en la poblacin, se
puede calcular la variancia poblacional, denotada por 2 , dada por:

P
N
(xi x)2
i=1
2 = (5)
N
Observa que el denominador es N1 para la varianza muestral, mientras que vale
N para la varianza poblacional.

= 2 representa la desviacin estndar poblacional.

Es importante mencionar que la media y varianza muestral deben representar una


estimacin razonable de la media y varianza poblacional.

Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 9
semana 1

1.1.5.7 Coeficiente de variacin


Es una medida de variabilidad relativa (en porcentajes), con respecto al valor de la
media muestral:

CV = 100 % (6)
x
Mientras mayor sea el valor del coeficiente de variacin, mayor ser la dispersin de
los datos.

1.1.5.8 Desviacin media


La desviacin media es la media aritmtica de los valores absolutos de las desviacio-
nes respecto a la media, y se representa por Dm .

1 X
N
Dm = |xi x| (7)
N
i=1

1.1.5.9 Rango muestral


Es la diferencia entre la observacin ms grande y la observacin ms pequea, por
lo tanto define el espacio de variacin posible del parmetro observado.

r = max xi min xi (8)


i=1,...,N i=1,...,N

Este dato no da mucha informacin ya que no conlleva datos sobre el promedio y la


variabilidad de una muestra.
 Ejemplo 1.9 Calcula la Varianza = s2 , Desviacin estndar = s, Rango muestral, CV y
Dm para los siguientes datos: 2, 3, 4, 4, 4, 7, 9, 10, 11, 11, 11, 26.
Como se tratan de los datos vistos en el ejemplo anterior ya se conoce el valor de la
media, x = 8.5. Ahora, para calcular la varianza y la desviacin media se recurre a la
tabla 5.

La columna 1 sirve para conocer el nmero total de datos, no es necesaria para rea-
lizar los clculos pero facilita futuras revisiones. En la columna 2 se colocan los datos
observados, y en las siguientes columnas se hacen las operaciones necesarias para ob-
tener el resultado buscado.

463
Varianza = s2 = 121 = 42.0909

Desviacin estndar = s = 42.0909 = 6.4877
Rango muestral = 262 = 24
Para calcular el coeficiente de variacin se utilizar la desviacin estndar muestral, ya
que no se dispone de la poblacional:
CV = 6.4877
8.5 100 % = 76.33 %
54
Por ltimo, la desviacin media es Dm = 12 = 4.5

10 Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
1.1 estadstica descriptiva

i xi xi x (xi x)2 |xi x|


1 2 -6.5 42.25 6.5
2 3 -5.5 30.25 5.5
3 4 -4.5 20.25 4.5
4 4 -4.5 20.25 4.5
5 4 -4.5 20.25 4.5
6 7 -1.5 2.25 1.5
7 9 0.5 0.25 0.5
8 10 1.5 2.25 1.5
9 11 2.5 6.25 2.5
10 11 2.5 6.25 2.5
11 11 2.5 6.25 2.5
12 26 17.5 306.25 17.5
(xi x)2 = 463 |xi x| = 54

Tabla 5: Clculo de varianza y desviacin media, ejemplo 1.9.

1.1.5.10 Cuartiles
Es el nombre que se le da a los puntos que dividen los datos ordenados en cuatro
partes iguales. El primer cuartil q1 divide la muestra de tal forma que el 75 % de los
datos son mayores que q1 y 25 % menores. El tercer cuartil q3 divide la muestra de tal
forma que el 25 % de los datos son mayores que q3 y 75 % menores. El segundo cuartil,
q2 , es idntico a la mediana.

El rango intercuartil es la diferencia q3 q1 , y es ms estable que el rango muestral


ya que los extremos no tienen tanto impacto.

Para determinar cada uno de los cuartiles se deben ordenar los datos de menor a
mayor y determinar los valores ubicados en las siguientes posiciones:

n 1
q1 = Dato en la posicin 4 + 4.
n 1 (9)
q2 = Dato en la posicin 2 + 2.
3n 1
q3 = Dato en la posicin 4 + 4.

Donde n es el nmero de observaciones.

Nuevamente se debe observar que el resultado de las operaciones indica la posicin


en que se encuentra cada cuartil, igual que en el caso de la mediana, pero para conocer
su verdadero valor se debe recurrir a los datos dados, y en algunas ocasiones ser ne-
cesario obtener el promedio de dos datos contiguos.

 Ejemplo 1.10 Considera los siguientes datos: 2, 3, 4, 4, 4, 7, 9, 10, 11, 11, 11, 26.

Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 11
semana 1

Aplicando las frmulas se puede determinar la posicin en la que se encuentran los


cuartiles con n = 12.
q1 = Dato en la posicin 12 1
4 + 4 = Dato en la posicin 3.25.
12 1
q2 = Dato en la posicin 2 + 2 = Dato en la posicin 6.5.
312 1
q3 = Dato en la posicin 4 + 4 = Dato en la posicin 9.25.
Ahora se ubican los valores de cada cuartil usando los datos ordenados.

2, 3, 4, 4 , 4, 7, 9 , 10, 11, 11, 11, 26


|{z} |{z} | {z }
q1 q2 q3

Por lo tanto, q1 = 4 + (4 4) 0.25 = 4, q2 = 7 + (9 7) 0.5 = 8 y q3 = 11 +


(11 11) 0.25 = 11. Ahora que ya se tiene el valor de cada posicin se puede usar
la igualdad, =. Observa que el valor del segundo cuartil coincide con el valor de la
mediana calculado anteriormente. 

1.1.6 Medidas de localizacin y variabilidad para datos agrupados

En varios casos, los datos se presentan de forma agrupada para hacer ms sencilla
su lectura. En estos casos los clculos de las medidas de localizacin y variabilidad
deben realizarse de forma diferente, por lo qu en esta seccin se muestran algunas de
las tcnicas empleadas con mayor frecuencia.

1.1.6.1 Media
Si se tienen N datos agrupados en k clases, entonces la media muestral puede calcu-
larse como:

1 X
k
x = y i fi (10)
N
i=1

Donde
yi es la marca de la clase i.
fi es la frecuencia de la clase i.
La marca de la clase i, yi , es el punto medio de dicha clase.

1.1.6.2 Varianza
Una vez conocida la media muestral con los datos agrupados se puede calcular la
varianza muestral de la siguiente manera:
P
k
(yi x)2 fi
i=1
s2 = (11)
N

Nuevamente, la desviacin estndar muestral ser s = s2 .

1.1.6.3 Mediana
Para determinar la mediana de datos agrupados se utiliza la siguiente ecuacin:
N
2 fa
x = L + C (12)
fm

12 Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
1.1 estadstica descriptiva

Donde:
C es amplitud de la clase mediana.
L es lmite inferior de la clase mediana.
fa es la frecuencia acumulada antes de la clase mediana.
fm es la frecuencia absoluta de la clase mediana.
Para determinar la clase mediana se busca la clase en la cual la frecuencia acumulada
alcanza, o sobrepasa por primera vez, el valor N
2.

1.1.6.4 Moda
Para datos agrupados el clculo de la moda se realiza de la siguiente manera:
fmo f1
Moda = L + C (13)
(fmo f1 ) + (fmo f2 )
Dnde:
C es la amplitud de la clase modal.
L es el lmite inferior de la clase modal.
fmo es la frecuencia absoluta de la clase modal.
f1 es la frecuencia absoluta de la clase anterior a la clase modal.
f2 es la frecuencia absoluta de la clase posterior a la clase modal.
La clase modal es aquella que presenta una frecuencia absoluta mayor.

1.1.6.5 Desviacin media


Cuando se cuenta con N datos agrupados en k clases la expresin para calcular la
desviacin media es la siguiente:
P
k
|yi x|fi
i=1
Dm = (14)
N
Donde:
x, es la media de los datos agrupados.
yi , es la marca de la clase i.
fi , es la frecuencia de la clase i.
 Ejemplo 1.11 En una compaa automotriz hay 100 trabajadores los cuales producen
refacciones. Algunos construyen ms que otros, debido a su experiencia o habilidad, al
trmino de cada mes. La distribucin de frecuencias se presenta en la tabla 6. Determi-
na la media, varianza, mediana y moda.

La informacin est ordenada en 10 intervalos de clase, por lo cual deben usarse


las ecuaciones para datos agrupados. Primero se determinan las marcas de clase y se
comprueba que son 100 datos en total, ver tabla 7. Debe recordarse que las marcas de
clase se obtienen como el punto medio de cada clase.
a) Media
x = fNi yi = 2(46)+2(48)+3(50)+...+5(62)+3(64)
100
x = 56.16
b)Varianza
x)2 fi
s2 = (yi N
2 2+(4856.16)2 2+(5056.16)2 3+...+(6456.16)2 3
= (4656.16) 100
= 12.1344

Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 13
semana 1

Intervalo de clase Frecuencia


1 45-47 2
2 47-49 2
3 49-51 3
4 51-53 7
5 53-55 18
6 55-57 28
7 57-59 24
8 59-61 8
9 61-63 5
10 63-65 3

Tabla 6: Datos agrupados, ejemplo 1.11.

Intervalo de clase Frecuencia, fi Marcas de clase, yi


1 45-47 2 46
2 47-49 2 48
3 49-51 3 50
4 51-53 7 52
5 53-55 18 54
6 55-57 28 56
7 57-59 24 58
8 59-61 8 60
9 61-63 5 62
10 63-65 3 64
N = 100

Tabla 7: Marcas de clase.

14 Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
1.1 estadstica descriptiva

c) Mediana
N
f
x = L + 2 fm a C
Primero se debe determinar la clase mediana, para lo cual se calcula
N 100
2 = 2 = 50.
Por lo tanto, la clase mediana ser aquella que en la cual se acumulen 50, o ms,
datos por primera vez, para lo cual se obtinen las frecuencias acumuladas, como
se muestra en la tabla 8.

Se observa que el primer momento en que se acumulan 50, o ms, datos es en la


clase 6, por lo tanto esa ser la clase mediana. De esta forma se tiene:

Intervalo de clase Frecuencia, fi Marcas de clase, yi Frecuencia acumulada, Fi


1 45-47 2 46 2
2 47-49 2 48 4
3 49-51 3 50 7
4 51-53 7 52 14
5 53-55 18 54 32
6 55-57 28 56 60
7 57-59 24 58 84
8 59-61 8 60 92
9 61-63 5 62 97
10 63-65 3 64 100

Tabla 8: Clculo de la frecuencia acumulada.

C = amplitud de la clase mediana = 5755 = 2.


L = Lmite inferior de la clase mediana = 55.
fa = Frecuencia acumulada antes de la clase mediana = 32.
fm = Frecuencia de la clase mediana = 28.
Por lo tanto, la mediana muestral ser
x = 55 + ( 5032 55+18
28 )(2) = ( 28 )(2) =
55+36
28 = 56.2857

d) Moda La clase con mayor frecuencia absoluta es la 6, por lo tanto se tiene:


Moda = L + (fmo ff1mo f1
)+(fmo f2 ) C
Donde
L = 55
fmo f1 = 28 18 = 10
fmo f2 = 28 24 = 4
C=2
10
Moda = 55 + ( 10+4 )(2) = 55 + 1.43 = 56.42857


1.1.7 Ms representaciones grficas

Aunque ya se estudi el uso de histogramas para representar grficamente los datos


obtenidos durante un experimento, es importante conocer otras formas de representar
la informacin. En esta seccin se estudiarn los diagramas de tallo y hoja, los diagra-
mas de puntos y las grficas de caja y bigotes.

Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 15
semana 1

1.1.7.1 Diagrama de tallo y hoja


Esta representacin es til cuando cada dato tiene al menos 2 dgitos.
Pasos para construir un diagrama de tallos y hojas.
1. Seleccione uno o ms dgitos iniciales para los valores de tallo. El digito o dgitos
finales se convierten en hojas.
2. Haga una lista de valores de tallo en una columna vertical.
3. Registre la hoja por cada observacin junto al valor correspondiente de tallo.
4. Indique las unidades para tallos y hojas en algn lugar del diagrama.
 Ejemplo 1.12 Considera los siguientes valores.

105 143 146 121 141


97 154 153 174 120
168 144 179 131 158
163 131 154 115 160
11 122 140

Para este caso se propone utilizar como tallos a las centenas y decenas. De esta forma
las hojas sern las unidades. Por lo tanto, se tendrn 9 tallos: 09, 10, 11, 12, 13, 14, 15,
16 y 17.
Ahora cada dato debe clocarse en el tallo que le corresponde, por ejemplo:
El dato 97 se quedar con el tallo 09 y la hoja 7.
El dato 143 se colocar en el tallo 14 y la hoja 3.
El dato 146 tambin se colocar en el tallo 14 y con una hoja 6.
Si los datos se repiten, tambin se deben repetir las hojas.

El resultado final se presenta en la tabla 9

Tallos Hojas
Centenas y decenas Unidades
09 7
10 5
11 5 1
12 1 0 2
13 1 1
14 3 6 1 4 0
15 4 3 8 4
16 8 3 0
17 4 9

Tabla 9: Diagrama de tallos y hojas, ejemplo 1.12.

Observacin 1 Se recomienda utilizar entre 5 y 20 tallos.

16 Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
1.1 estadstica descriptiva

 Ejemplo 1.13 Considera el diagrama de tallos y hojas de la tabla 10.

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

Tabla 10: Diagrama de tallos y hojas, ejemplo 1.13.

Nota que no se proporciona un dato importante que son las unidades con que se
formaron los tallos y las hojas. Esto puede causar confusin al tratar de interpretar la
informacin. Por ejemplo:
Se podra pensar que los tallos son decenas y las hojas son unidades, de esta
forma los datos seran: 4, 11, 13, 14, 21, 22, 27, etc.
O bien, podra ser que los tallos sean unidades y las hojas sean dcimas, y enton-
ces se tendra: 0.4, 1.1, 1.3, 1.4, 2.1, 2.2, 2.7, etc.


1.1.7.2 Diagrama de puntos


Se utiliza cuando el conjunto de datos es pequeo o hay pocos valores diferentes de
los datos, cada observacin se representa por un punto arriba del lugar correspondien-
te, en una escala de medida horizontal. Cuando un valor se representa por ms de una
vez se pone un punto para cada observacin y esos puntos se apilan verticalmente.

 Ejemplo 1.14 Realice el diagrama de puntos para los siguientes datos:

84 49 61 40 83 67 45 66 70 69
67 72 73 70 57 63 70 78 52 52
61 70 81 76 79 75 76 58 30 60
80 58 68 67 53 75 67

El resultado final se presenta en la figura 4.




1.1.7.3 Grfica de caja y bigotes


Este tipo de grfica consiste en una caja rectangular, donde los lados ms largos
muestran la distancia entre el primer y tercer cuartil de los datos, por lo tanto la lon-
gitud de la caja es igual al rango intercuartil. La caja est dividida por un segmento
vertical que indica la posicin de la mediana.
Un bigote se trata de un par de lneas que se extienden desde cada extremo de la caja.

Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 17
semana 1

Figura 4: Diagramas de puntos, ejemplo 1.14.

El bigote bajo es una lnea que va del primer cuartil al menor de los datos dentro de
una distancia menor o igual a (1.5)*(rango intercuartil) a partir del primer cuartil.
El bigote superior o derecho es una lnea que va del tercer cuartil al mayor dato ubica-
do dentro de una distancia menor o igual a (1.5)*(rango intercuartil) a partir del tercer
cuartil.
Puntos atpicos, cualquier dato que no se encuentre dentro de la caja o de los bigotes
es marcado e identificado individualmente mediante puntos llamados puntos atpicos.

 Ejemplo 1.15 La edad de un colectivo de 30 personas se presenta en la tabla 11. Em-

plea esta informacin para realizar un diagrama de caja y bigotes.

36 25 37 24 39
39 24 29 23 41
21 50 61 65 70
36 45 31 31 20
33 24 34 40 40
24 21 30 23 22

Tabla 11: Edades de 30 personas, ejemplo 1.15.

Primero se deben calcular los cuartiles, para lo cual se ordenan los datos.

20 21 21 22 23 23 24 24 24 24 25 29 30 31 31 33 34 36 36 37 39 39 40 40 41 45
50 61 65 70.
La posicin del primer cuartil es 30 1
4 + 4 = 7.75.
Entonces q1 = 24.
N
La posicin del segundo cuartil, que coincide con la mediana, es 2 + 0.5 = 15.5.
Entonces x = q2 = 31+33
2 = 32.
Finalmente la posicin del tercer cuartil es 3N
4 + 0.25 = 22.75.
Con lo cual se tiene q3 = 39 + (40 39) (0.75) = 39.75.

Por lo tanto, los lmites de la caja estarn en lo puntos 24 y 39.75. Mientras que en el
punto 32 se dibujar una lnea para indicar la posicin de la mediana.

Ahora se calcula el rango intercuartil = 39.5 24 = 15.5.

18 Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
1.1 estadstica descriptiva

Por lo tanto se dibujarn bigotes hasta los datos que disten menos de (1.5)(15.5) =
23.25 del extremo ms cercano de la caja.

El bigote de la izquierda llegar hasta el dato con el valor 20, el dato ms pequeo,
cuya distancia al cuartil 1 es 2420 = 4 < 23.25.

El bigote de la derecha llegar hasta el dato con el valor 61 por ser el valor ms
grande que dista del cuartil 3 menos que 23.25, 61 - 39.75 = 21.25.

Los datos con valores 65 y 70 se representarn como datos atpicos.


El resultado final se presenta en la figura 5.

Figura 5: Diagrama de caja con bigotes.

Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 19
SEMANA 2
2
2.1 tcnicas de conteo

2.1.1 Regla del producto para pares ordenados

Si el primer elemento se puede seleccionar de n1 formas diferentes y por cada una


de estas n1 formas se puede seleccionar el segundo elemento del par de n2 maneras
entonces el nmero de pares est dado por

n1 n2 (15)

 Ejemplo 2.1 El Lanzamiento de dos dados puede dar un total de 36 posibles solucio-
nes
|S| = 6 6 = 36


 Ejemplo 2.2 Lanzar un dado y despus realizar un volado tiene un total de 12 posibles
soluciones
|S| = 6 2 = 12 

 Ejemplo 2.3 Se puede realizar un examen con el profesor A o con el profesor B. Ca-
da uno realiza 3 tipos de exmenes diferentes y dependiendo del examen puedo elegir
uno de 4 horarios disponibles. De cuntas formas diferentes se puede hacer el examen?

|S| = 6 4 = 24 

2.1.2 Regla del producto para k-arreglos

Supongamos que un conjunto est formado por grupos de k elementos (k-arreglos)


y que hay n1 posibles opciones para el primer elemento; para cada opcin del primer
elemento hay n2 posibles opciones del segundo elemento, ..., por cada opcin de los
k 1 elementos hay nk opciones del k-simo elemento. Entonces el nmero total de
posibles arreglos est dado por:

n1 n2 n3 ... nk (16)

 Ejemplo 2.4 Para tunear un automvil se cuenta con 9 tipo de rines y 27 tipos de
pinturas.
a) Si primero ponemos los rines y despus la pintura, de cuntas formas diferentes
lo podemos hacer?
9 27 = 243
b) Ahora aadimos 15 opciones diferentes para los faros del vehculo, cuntas opcio-
nes se tienen ahora?
9 27 15 = 3645.


Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 21
semana 2

2.1.3 Permutaciones

Cualquier secuencia ordenada de k objetos tomados de un conjunto con n elementos


distintos se llama permutacin de tamao k. El nmero de permutaciones de tamao
k que pueden construirse con n objetos esta dado por:

n!
Pk,n = (17)
(n k)!

 Ejemplo 2.5 Tengo 20 libros y los quiero ordenar en 5 espacios individuales, cuntos

posibles resultados hay?


20!
P5,20 = (205)! = 1860480


 Ejemplo 2.6 De un grupo de 50 alumnos se eligen a 5 para asignarles las calificaciones


de 10, 8, 6, 4 y 2 dependiendo del orden en que sean seleccionados, cuntos posibles
resultados pueden obtenerse?
50!
P5,50 = (505)! = 254251200. 

 Ejemplo 2.7 Determinar el nmero de permutaciones de las letras a, b y c tomadas


de dos en dos.
n = 3, k = 2
3! 3!
P2,3 = (32)! = 1! = (3)(2)(1) = 6.

Estas permutaciones son ab, ba, ac, ca, bc, cb. 

 Ejemplo 2.8 Se quieren sentar 5 hombres y 4 mujeres en una fila de modo que las
mujeres ocupen los sitios pares de cuntas formas pueden sentarse?

Para resolver este ejemplo debemos observar varios detalles. Tenemos 9 asientos, 5
para hombres y 4 para mujeres. Primero veremos de cuantas formas podemos acomo-
dar a las 4 mujeres en 4 asientos, esto lo obtenemos con
4! 4!
P4,4 = (44)! = 0! = (4)(3)(2)(1) = 24.
Ahora debemos calcular el nmero de formas en que podemos acomodar a 5 hombres
5! 5!
en los 5 asientos P5,5 = (55)! = 0! = (5)(4)(3)(2)(1) = 120.

Por lo tanto, el nmero total de opciones es:


(P5,5 )(P4,4 ) = (120)(24) = 2880.


2.1.4 Combinaciones

En un conjunto de n objetos diferentes cualquier subconjunto no ordenado de tama-


o k de los objetos se llama combinacin. El nmero de posibles combinaciones esta
dado por:

!
n n!
= (18)
k k!(n k)!

22 Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
2.2 introduccin a la probabilidad

 Ejemplo 2.9 Tengo 20 libros de los cuales quiero tomar 5, de cuntas formas diferen-
tes lo !
puedo hacer?
20 20! 20!
= 5!(205)! = 5!15! = 15504. 
5
 Ejemplo 2.10 De un grupo de 50 alumnos se eligen a 5 para quedar exentos, de

cuntas
! formas diferentes pueden elegirse?
50 50! 50!
= 5!(505)! = 5!45! = 2118760. 
5
 Ejemplo 2.11 De cuntas formas se pueden seleccionar dos platillos de verduras de
un men
! en el que hay cinco opciones.
5 5! 5!
= 2!(52)! = 2!3! = 10.
2


 Ejemplo 2.12 Un estudiante tiene que resolver 10 preguntas de 13 en un examen de


computacin.
a) De cuntas
! formas diferentes las puede escoger?
13 13! 13!
= 10!(1310)! = 10!3! = 286.
10
b) De cuntas
! formas diferentes si las dos primeras preguntas son obligatorias?
11 11! 11!
= 8!(118)! = 8!3! = 165.
8
c) De cuntas
! formas diferentes si slo una de las dos primeras es obligatoria?
11 11! 11!
= 9!(119)! = 8!2! = 55.
9


2.2 introduccin a la probabilidad

2.2.1 Definiciones bsicas

Un experimento aleatorio es aquel que puede producir resultados diferentes an


cuando se repita siempre de la misma manera.

Al conjunto de todos los resultados posibles de un experimento aleatorio se le llama


espacio muestral, denotado por S.

Experimento Aleatorio Espacio Muestral


Lanzar un moneda S = {guila, Sol}
Lanzar una moneda 2 veces S = {(guila, guila), (guila, Sol), (Sol, Sol)}
Lanzar un dado S = {1, 2, 3, 4, 5, 6}

Denicin 2.2.1 Un evento es cualquier coleccin o subconjunto de resultados con-


tenido en el espacio muestral S. Un evento es simple si est formado por slo un
resultado; es compuesto si consta de ms de un resultado.

Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 23
semana 2

 Ejemplo 2.13 El espacio muestral asociado a lanzar dos dados y anotar la suma de

los puntos obtenidos es: S = {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12} 

 Ejemplo 2.14 Se sacan dos bolas de una urna que se compone de una bola blanca,
otra roja, otra verde y otra negra. Escribir el espacio muestral cuando:
a) La primera bola se devuelve a la urna antes de sacar la segunda.
S = {BB, BR, BV, BN, RB, RR, RV, RN, VB, VR, VV, VN, NB, NR, NV, NN}
b) La primera bola no se devuelve.
S = {BR, BV, BN, RM, RV, RN, VB, VR, VN, NB, NR, NV}


 Ejemplo 2.15 Experimento aleatorio: {Lanzar un dado}


Espacio muestral: S = {1, 2, 3, 4, 5, 6}
Evento simple: {3}
Evento compuesto: {4, 5}
Otros ejemplos seran cae un nmero par,cae un nmero impar.


 Ejemplo 2.16 

Considere un experimento donde cada uno de tres automviles, toma una salida a la
derecha, o a la izquierda en una bifurcacin. Sea D = un automvil toma a la derecha, I
= un automvil toma a la izquierda. Utilizando esta notacin es el espacio de soluciones
es:
S = {III, IID, IDI, DII, IDD, DID, DDI, DDD}
Algunos ejemplos de eventos simples son: {III}; {DID}; {DDI}.
Algunos ejemplos de eventos compuestos son: {IDD,DDD}; {DID,III,DDI}; {III,DDD}
Ahora construye los conjuntos que se piden:
i) Exactamente un automvil va a la derecha
A = {DII, IDI,IID}
ii) A lo ms uno da vuelta a la derecha
B = {III, DII, IDI, IID}
iii) Los tres van en la misma direccin
C = {III, DDD}

2.2.2 Teora de conjuntos

Denicin 2.2.2 La unin de 2 eventos A, B, denotada A B, es el evento formado por


todos los resultados que estn en A o en B o en ambos. Algebraicamente se expresa
de la siguiente manera:

A B = {x : x A o x B} (19)

Denicin 2.2.3 La interseccin de dos eventos A, B, denotada A B, es el evento


formado por todos los resultados que estn en A y B al mismo tiempo. Algebraica-
mente se expresa de la siguiente manera:

A B = {x : x A y x B} (20)

24 Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
2.2 introduccin a la probabilidad

Denicin 2.2.4 El complemento de un evento A, denotado A 0 , es el conjunto de to-


dos los resultados en S que no estn en A. Algebraicamente se expresa de la siguiente
manera:

A 0 = {x : x
/ A} (21)

Observacin 2 Las operaciones de unin y de interseccin se pueden extender a ms de


dos eventos.
Denicin 2.2.5 La diferencia del conjunto A menos el conjunto B es el conjunto de
puntos que pertenecen al conjunto A y no pertenecen al conjunto B. Algebraicamente
se expresa de la siguiente manera:

A B = {x : x A y x
/ B} (22)

Denicin 2.2.6 Cuando dos eventos A, B no tienen resultados en comn se dice que
son mutuamente excluyentes o disjuntos. Algebraicamente se denota como:

AB = (23)

Por ejemplo:

A A 0 = .

Denicin 2.2.7 Dados los eventos A1 , A2 , A3 , ..., AN se dice que son disjuntos por
pares o mutuamente excluyentes, si no hay 2 eventos que tengan un resultado en
comn.
 Ejemplo 2.17 Considere el espacio muestral S = {1, 2, 3, 4, 5, 6}, y los eventos A, B y C
dados por: A = {1, 2, 3, 4}, B = {1, 3, 5} y C = {2, 4, 6}.
Encuentre A B, A B, C 0 y B C.
A B = {1, 2, 3, 4, 5}
A B = {1, 3}
C 0 = {1, 3, 5}
B C = .


 Ejemplo 2.18 Considere un experimento donde cada uno de tres automviles, toma
una salida a la derecha, o a la izquierda en una bifurcacin. Sea D = un automvil toma
a la derecha, I = un automvil toma a la izquierda.

Utilizando esta notacin es el espacio de soluciones es S = {III, IID, IDI, DII, IDD,
DID, DDI, DDD}.Considere los siguientes eventos:
A = Exactamente un automvil va a la derecha.
B = A lo ms uno da vuelta a la derecha.
C = Los tres van en la misma direccin.
Encuentre: A B, A B, A 0 , A B C, A 0 B C.
A B = {DII, IDI, IID}.
A B = {DII, IDI, IID, III}.
A 0 = {III, IDD, DID, DDI, DDD}.

Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 25
semana 2

A B C = .
A 0 B C = {III}.

2.2.3 Diagramas de Venn

Los diagramas de Venn son representaciones pictricas de conjuntos en el plano.

En el siguiente ejemplo se muestra la forma en que se usan los diagramas de Venn


para representar diferentes operaciones entre conjuntos. La regin sombreada corres-
ponde a cada uno de los eventos indicados.

 Ejemplo 2.19 Emplea diagramas de Ven para representar a cada uno de los siguientes
conjuntos: (A B), (A B) C, (B C) 0 , (A B) 0 C.

a) A B

b) (A B) C

c) (B C) 0

d) (A B) 0 C

26 Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
2.3 probabilidad

2.2.4 Propiedades de las operaciones con conjuntos

Conmutativas

AB = BA (24)

AB = BA (25)

A B 6= B A (26)

Asociativas

(A B) C = A (B C) (27)

(A B) C = A (B C) (28)

Distributivas

(A B) C = (A C) (B C) (29)

(A B) C = (A C) (B C) (30)

Leyes de Morgan

(A B) 0 = A 0 B 0 (31)

(A B) 0 = A 0 B 0 (32)

2.3 probabilidad

El objetivo de la probabilidad es asignar a cada evento A un nmero P(A) que dar


una medida de la probabilidad de que el evento A ocurra.

2.3.1 Axiomas

1. Para cualquier evento A, P(A) > 0.


2. La probabilidad del espacio total es 1, P(S) = 1.
3. Si tenemos un conjunto finito de eventos mutuamente excluyentes, A1 , A2 , ...Ak
entonces:
P
k
P(A1 A2 A3 ... Ak ) = P(Ai )
I=1

Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 27
semana 2

Ms an, si tenemos un conjunto infinito de eventos mutuamente excluyentes


entonces:

S P
P( Ai ) = P(Ai )
I=1 I=1

Observacin 3 Un error que se comete con mucha frecuencia es pensar que P(A B) =
P(A) + P(B) para cualquier caso, pero en general esto no es cierto. Sin embargo, cuando
sabemos, o el ejercicio mismo nos dice, que los eventos A, B son mutuamente excluyentes,
entonces podemos aplicar el axioma 3 y obtener: P(A B) = P(A) + P(B).

2.3.2 Propiedades de la probabilidad

Proposition 2.3.1 Para cualquier evento A se tiene la siguiente igualdad

P(A) = 1 P(A 0 ) (33)

Demostracin. Primero se debe tener presente la siguiente igualdad:

1 = P(S) = P(A A 0 )
Ahora como A y A 0 son mutuamente excluyentes, entonces:

P(A A 0 ) = P(A) + P(A 0 ).


Por lo tanto:
1 = P(A) + P(A 0 ).
Despejando se obtiene el resultado buscado. 

Proposition 2.3.2 Si A y B son mutuamente excluyentes entonces


P(A B) = 0

Demostracin. Como A y B son mutuamente excluyentes se tiene lo siguiente:


AB =
Ahora usando la proposicin anterior y el hecho de que S 0 = .
P() = 1 P(S) = 1 1 = 0.
Por lo tanto:
P(A B) = P() = 0.


Proposition 2.3.3 Para dos eventos A y B

P(A B) = P(A) + P(B) P(A B) (34)

Cuando se tienen ms de dos eventos el uso de esta propiedad se complica, por


ejemplo para tres eventos se tiene lo siguiente:

P(A1 A2 A3 ) = P(A1 ) + P(A2 ) + P(A3 ) P(A1 A2 ) P(A1 A3 )


(35)
P(A2 A3 ) + P(A1 A2 A3 )

28 Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
2.3 probabilidad

 Ejemplo 2.20 Si P(A) =0.3, P(B) =0.4 y P(A B) = 0.5 determine las siguientes

probabilidades.
a) P(A B)
En este caso se emplea la ecacin 34 para obtener la siguiente igualdad.
P(A B) = P(A) + P(B) P(A B)
Sustituyendo los valores conocidos se obtiene el resultado buscado.
P(A B) = 0.3 + 0.4 0.5 = 0.2
b) P(A 0 B)
En este caso es recomendable recurrir a los diagramas de Venn para comprobar
las siguiente igualdad.
P(A 0 B) = P(B) P(A B)
De esta forma se obtiene el resultado final.
P(A 0 B) = 0.4 0.2 = 0.2
c) P[(A B) 0 ]
En esta ocasin se puede utilizar la ecuacin 33 para obtener las siguientes igual-
dades.
P[(A B) 0 ] = 1 P(A B) = 1 0.5 = 0.5
d) P(A 0 B)
Nuevamente se recurre a los diagramas de Venn y a la ecuacin 33 para obtener
las siguientes igualdades.
P(A 0 B) = P(A 0 ) + P(A B) = [1 P(A)] + P(A B)
Al sustituir los valorres conocidos se obtiene la probabilidad buscada.
P(A 0 B) = [1 0.3] + 0.2 = 0.9
e) P(A 0 B 0 )
Para este caso es recomendable recurrir a las leyes DMorgan y a la ecuacin 33
para obtener las siguientes igualdades.
P(A 0 B 0 ) = P(A B) 0 = 1 P(A B)
Por lo tanto, el resultado final es:
P(A 0 B 0 ) = 1 0.2 = 0.8


 Ejemplo 2.21 Muestras de 3 proveedores se clasifican de acuerdo a si cumplen o no


con las especificaciones. Los resultados de 100 muestras se resumen en la siguiente
tabla.

Cumple
Proveedor Si No
1 18 2
2 17 3
3 50 10

De acuerdo a la tabla se tomaron 20 muestras del proveedor 1 y 18 de ellas si cum-


plen con las especificaciones, mientras que 2 no lo hacen. Del mismo modo se debe
interpretar con los dos proveedores restantes.

Ahora considere A como el evento de que una muestra es del proveedor 1, B como
el evento de que una muestra cumple con las especificaciones.

Determine el nmero de muestras en A 0 B, A B y A B.

Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 29
semana 2

a) |A 0 B| = 67.
b) |A B| = 18.
c) |A B| = 87.


Observacin 4 Una forma de asignar probabilidades es establecer la probabilidad para


todos los eventos simples cuidando que las siguientes condiciones se cumplan:
i) P(Ei ) > 0
P
ii) P(Ei ) = 1
Entonces la probabilidad de todo evento compuesto A se calcula como:
P
P(A) = P(A Ei )

En muchos experimentos todos los eventos simples tiene la misma probabilidad, por
ejemplo en una rifa. Si denotamos con Ei a los eventos simples de un experimento con
N posibles resultados, entonces tendremos lo siguiente:
N
S
S= Ei
i=1
1
P(Ei ) = N Ai
Ahora, si A es un evento compuesto entonces:
P P 1 |A|
P(A) = P(Ei ) = N = N
Ei A Ei A
Donde |A| es el nmero de eventos simples contenidos en A, tambin se conoce como
cardinalidad de A.

 Ejemplo 2.22 Se selecciona al azar a una persona y sealamos con A el evento de que
el individuo seleccionado fuma y B el evento anlogo para un individuo que practica
natacin. Supongamos que el 50 % fuma, el 40 % nada y el 25 % hace ambas actividades.
Por lo tanto, se tienen las siguientes probabilidades: P(A) = 0.50, P(B) = 0.40, P(A
B) = 0.25.
Ahora, calcule las siguientes probabilidades:
a) Probabilidad de que el individuo seleccionado realice al menos una de las dos
actividades.
P(A B) = P(A) + P(B) P(A B) = 0.50 + 0.40 0.25 = 0.65.
b) Probabilidad de que el individuo seleccionado no realice ninguna de las activida-
des.
P((A B) 0 ) = 1 P(A B) = 0.35.
c) Probabilidad de que un individuo fume pero no nade.
P(A B 0 ) = P(A) P(A B) = 0.5 0.25 = 0.25.
Para comprender mejor este ejemplo es conveniente realizar los diagramas de Venn
correspondientes. 

 Ejemplo 2.23 Un estudiante va a presentar 3 exmenes el mismo da. Suponga que

Ai = {Examen i aprobado} con i = 1, 2, 3. Suponga que las probabilidades de aprobar


son las siguientes:
P(A1 ) = 0.25, P(A2 ) = 0.22, P(A3 ) = 0.28, P(A1 A2 ) = 0.11, P(A1 A3 ) = 0.05, P(A2
A3 ) = 0.07, P(A1 A2 A3 ) = 0.01.
Ahora determine las siguientes probabilidades.
a) La probabilidad de aprobar el examen 1 o el 2.
P(A1 A2 ) = P(A1 ) + P(A2 ) P(A1 A2 ) = 0.25 + 0.22 0.11 = 0.36.

30 Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
2.3 probabilidad

b) La probabilidad de reprobar el examen 1 y el 2.


P(A10 A20 ) = P((A1 A2 ) 0 ) = 1 P(A1 A2 ) = 1 0.36 = 0.64.
c) La probabilidad de aprobar alguno de los tres exmenes.
P(A1 A2 A3 ) = P(A1 ) + P(A2 ) + P(A3 ) P(A1 A2 ) P(A1 A3 ) P(A2
A3 ) + P(A1 A2 A3 ) = 0.25 + 0.22 + 0.28 0.11 0.05 0.07 + 0.01 = 0.53.


En este momento debe resultar clara la necesidad de emplear las palabras adecuadas
cuando se desea explicar un problema relacionado con probabilidad, por ejemplo el
uso de las conjunciones y/o"hace una diferencia entre el uso de una interseccin
o una unin de eventos. En la siguiente seccin se explicar la forma en que deben
considerarse las probabilidades cuando hay de por medio condiciones, en estos casos
son frases o palabras condicionales como, si o dado que, son las que dan la clave
para determinar la relacin que existe entre los eventos. A partir de este momento, ser
necesario poner mucha atencin en las palabras que se emplean para poder calcular
las probabilidades de forma adecuada, el siguiente ejemplo ilustra lo fcil que resulta
equivocarse.
 Ejemplo 2.24 Ante la dificultad del curso de probabilidad, la falta de ganas de estu-
diar y la cercana del primer examen, un estudiante ha iniciado plticas para promover
la transferencia de informacin durante la evaluacin. Bajo estas condiciones surge el
siguiente planteamiento, es ms probable que dicho estudiante acredite el examen, o
es ms probable que el estudiante acredite el examen porque se logr de forma exitosa
la transferencia de informacin durante la evaluacin?

Con frecuencia se piensa que la opcin ms probable es la de acreditar el examen


porque se logr de forma exitosa la transferencia de informacin. Sin embargo, al optar
por esta opcin se est omitiendo el hecho de que este caso es la interseccin de dos
eventos: Acreditar el examen y transferencia exitosa, y como ya hemos visto, la inter-
seccin de dos eventos siempre es menos probable que los eventos por separado.

Por lo tanto, el evento ms probable es acreditar el examen.




Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 31
SEMANA 3
3
En este captulo se vern algunos de los temas ms importantes en probabilidad. Es
muy importante que comprendas correctamente cada uno de ellos porque se relacionan
de forma estrecha entre si, y arrastrar carencias con uno de estos temas puede resultar
en grandes dificultades con los otros.

3.1 probabilidad condicional

Sabemos que a todo posible resultado de un experimento se le puede asociar una


probabilidad de ocurrencia. Por ejemplo, si se considera el llenado de botellas de 600
ml, se pueden analizar varios eventos como son: lograr que la cantidad de lquido ver-
tido en cada botella se encuentre dentro de los lmites especificados, A = {x : 590 ml <
x < 610 ml}, que la mquina de llenado se encuentre bien calibrada, que se cumpla
con la produccin diaria, etc. Cada evento tendr una probabilidad de ocurrencia que
depender, en principio, de la calidad del proceso de produccin. Sin embargo, resulta
claro que la ocurrencia de alguno de estos eventos puede afectar a los otros, por ejem-
plo si se sabe que la mquina de llenado est mal calibrada ser menos probable que las
botellas contengan la cantidad de lquido esperada, o que se logr cubrir la produccin
diaria.

Entonces, la probabilidad de ocurrencia de un evento A puede cambiar cuando existe


certeza en la ocurrencia de otro evento B. Esta probabilidad es conocida como proba-
bilidad condicional, se denota como P(A|B) y se lee probabilidad de A dado B, o
probabilidad de que ocurra el evento A cuando sabemos, o creemos, que ocurrir el
evento B.
Denicin 3.1.1 La probabilidad condicional, para dos eventos cualesquiera A, B con
P(B) > 0, se calcula mediante la siguiente ecuacin:

P(A B)
P(A|B) = (36)
P(B)

Donde:
P(A B) denota la probabilidad de que los eventos A y B ocurran al mismo tiempo.

Un simple despeje de la ecuacin anterior nos lleva a la regla de la multiplicacin.

3.2 regla de la multiplicacin

Al despejar la ecuacin de la probabilidad condicional obtenemos una forma de


calcular la probabilidad de que dos eventos ocurran al mismo tiempo

P(A B) = P(A|B)P(B) = P(B|A)P(A) (37)

Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 33
semana 3

 Ejemplo 3.1 En cierta escuela superior, 25 % de los hombres y 10 % de las mujeres son

estudiantes de ingeniera. De la poblacin total de estudiantes las mujeres constituyen


el 60 %.
a) Si se selecciona un estudiante al azar y es hombre, determine la probabilidad de
que estudie ingeniera.
Para resolver este tipo de ejemplos se pueden utilizar rboles de probabilidad. En
la figura 6 se muestra el rbol asociado a este ejemplo. Observa que la suma de
las probabilidades de las ramas de un mismo vrtice es igual a 1.

Figura 6: Arbol de probabilidad.

Para entender adecuadamente la estructura del rbol vamos a describirlo. Pri-


mero observamos la probabilidad de que un estudiante sea mujer, P(M), y la
probabilidad de que sea hombre, P(H).
Dependiendo del camino que sigamos tendremos la certeza de haber elegido a
una mujer o a un hombre, por eso las siguientes ramas ya son probabilidades
condicionales, por ejemplo la probabilidad de que estudie ingeniera dado que es
mujer, P(I|M), y la probabilidad de que no estudie ingeniera dado que es mujer,
P(I 0 |M). Cuando el rbol ya tiene la informacin disponible estamos listos para
multiplicar las probabilidades de las ramas. De acuerdo a la regla de la proba-
bilidad total obtendremos la probabilidad de la interseccin de los eventos, por
ejemplo la probabilidad de que estudie ingeniera y sea mujer, P(I M).
Ahora ya estamos listos para contestar la pregunta (a). Nos dicen que el estu-
diante elegido es hombre (certeza) y queremos la probabilidad de que estudie
ingeniera, entonces buscamos
P(I|H) = 0.25.
b) Si se selecciona un estudiante al azar, determine la probabilidad de que sea hombre
y estudie ingeniera.
En este caso nos piden la interseccin de dos eventos, hombre y estudie ingenie-
ra, por lo tanto buscamos
P(I H) = (0.40)(0.25) = 0.10.

Otra regla importante para el clculo de probabilidades es conocida como regla de


la probabilidad total. 

34 Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
3.3 regla de la probabilidad total

3.3 regla de la probabilidad total

Si E1 , E2 , ..., En son mutuamente excluyentes y exhaustivos, entonces para todo even-


to A tenemos lo siguiente:

X
n
P(A) = P(A Ei ) (38)
i=1

 Ejemplo 3.2 En cierta escuela superior, 25 % de los hombres y 10 % de las mujeres son
estudiantes de ingeniera. De la poblacin total de estudiantes las mujeres constituyen
el 60 %. Si se selecciona un estudiante al azar, determine la probabilidad de que estudie
ingeniera.

Para resolver esta pregunta debemos observar que nos piden la probabilidad de que
un estudiante, sin importar su gnero, estudie ingeniera, P(I). Pero toda la informacin
que tenemos es dependiente del gnero de los estudiantes. Sin embargo, los gneros
hombre y mujer son mutuamente excluyentes y cubren a toda la poblacin de estudian-
tes, son eventos exhaustivos, por lo tanto podemos utilizar la regla de la probabilidad
total
P(I) = P(I M) + P(I H) = (0.60)(0.10) + (0.40)(0.25) = 0.06 + 0.10 = 0.16

Aunque las reglas anteriores son muy valiosas, tal vez una de las consecuencias ms
importantes de la probabilidad condicional es el teorema de Bayes.

3.4 teorema de bayes

Sea A1 , A2 , ..., An una coleccin de n eventos mutuamente excluyentes y exhaustivos


con P(Ai ) > 0 para i = 1, 2, ..., n. Entonces para cualquier otro evento B con P(B) > 0,
se tiene:

P(Aj B) P(B|Aj )P(Aj )


P(Aj |B) = = n j = 1, 2, ..., n (39)
P(B) P
P(B|Ai )P(Ai )
i=1

Donde dos eventos Aj , Ai son mutuamente excluyentes si su interseccin es vaca, Aj


n
S
Ai = , y exhaustivos implica que todo posible resultado est contenido en Ai .
i=1
 Ejemplo 3.3 En cierta escuela superior, 25 % de los hombres y 10 % de las mujeres son

estudiantes de ingeniera. De la poblacin total de estudiantes las mujeres constituyen


el 60 %. Si se selecciona un estudiante al azar y estudia ingeniera, determine la proba-
bilidad de que sea mujer.

Nuevamente es importante determinar lo que nos estn pidiendo, la probabilidad de


que un estudiante de ingeniera, certeza, sea mujer P(M|I). Observa que es lo opuesto
a lo que ya tenamos, P(I|M), por lo tanto debemos recurrir al teorema de Bayes.

Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 35
semana 3

P(MI) 0.06
P(M|I) = P(I) = 0.16 = 0.375.

Observa que no tuvimos que realizar demasiadas operaciones porque ya conocamos


los resultados gracias a los ejemplos anteriores. 

3.5 eventos independientes

La probabilidad condicional permite reevaluar la probabilidad de un evento A cuan-


do se sabe que un evento B ha ocurrido. Sin embargo, en algunas ocasiones la pro-
babilidad que ocurra el evento A no se ve afectada por la ocurrencia de B. Bajo estas
condiciones, se tiene la siguiente igualdad:

P(A|B) = P(A) (40)

y se dice que los eventos A y B son independientes. En caso contrario son llamados
dependientes.

Se puede demostrar que dos eventos son independientes si y solo si cumplen cual-
quiera de las siguientes condiciones:
i) P(A|B) = P(A)
ii) P(B|A) = P(B)
iii) P(A B) = P(A)P(B)
Observacin 5 La igualdad del inciso (iii) suele usarse de forma inadecuada cuando se
tiene poca prctica en la aplicacin de la probabilidad. Por este motivo es importante
remarcar que estas igualdades implican independencia entre eventos, por lo tanto es
incorrecto usarlas cuando no se puede garantizar esta propiedad.
 Ejemplo 3.4 Considere el experimento de lanzar una moneda y sean los eventos:
A: Sol en el quinto lanzamiento.
B: Sol en el sexto lanzamiento.

Cul es la probabilidad de que se tenga sol en el quito y sexto lanzamiento si los


lanzamiento son independientes entre s?

Como A y B son eventos independientes:


P(A B) = P(A)P(B) = (0.5)(0.5) = 0.25. 

3.6 independencia de k eventos

Lo eventos A1 , A2 , ..., An son mutuamente independientes para toda k 1, 2, ..., n si

P(A1 A2 ... Ak ) = P(A1 )P(A2 )...P(Ak ) (41)

 Ejemplo 3.5 Si la probabilidad de que cada una de las componentes funcionen correc-

tamente es 0.90, y si su funcionamiento es independiente una de otra. Determine la


probabilidad de que el siguiente circuito funcione.
Primero vamos a representar al evento de que cada componente funcione correcta-
mente como Ai . De esta forma tenemos:

36 Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
3.6 independencia de k eventos

P(A1 ) = P(A2 ) = P(A3 ) = P(A4 ) = 0.90

Ahora observamos que para que el circuito funcione correctamente basta con que
funcione bien la parte de arriba o la parte de abajo.

La parte de arriba funciona bien cuando funcionan la componente 1 y la componente


2. Mientras que la parte de abajo funciona bien cuando funcionan la componente 3 y la
componente 4.

Entonces, que el circuito funcione correctamente se puede representar como:


P((A1 A2 ) (A3 A4 ))

Usando la probabilidad de la unin tenemos:


P((A1 A2 ) (A3 A4 )) = P(A1 A2 ) + P(A3 A4 ) P((A1 A2 ) (A3 A4 )) =
P(A1 A2 ) + P(A3 A4 ) P(A1 A2 A3 A4 )

Como los eventos son independientes tenemos lo siguiente:


P((A1 A2 ) (A3 A4 )) = P(A1 )P(A2 ) + P(A3 )P(A4 ) P(A1 )P(A2 )P(A3 )P(A4 ) =
(0.90)(0.90) + (0.90)(0.90) (0.90)(0.90)(0.90)(0.90) = 0.81 + 0.810.6561 = 0.9639. 

3.6.1 Variable aleatoria

Otro concepto muy importante en probabilidad es el de variable aleatoria. Un estudio


detallado se realizar en los captulos ?? y ??, pero este espacio resulta adecuado para
una introduccin ms general.
Denicin 3.6.1 Una variable aleatoria es una funcin que le asigna un valor numri-
co a cualquier posible resultado de un experimento aleatorio.

X:S< (42)

Se considerarn dos tipos de variables aleatorias:


1. Variable aleatoria discreta, es aquella variable que solamente puede tomar un
nmero finito, o un nmero infinito numerable, de valores, por ejemplo el nmero
de clientes en un gasolinera, el nmero de accidentes en un crucero.
2. Variable aleatoria continua, es aquella variable que puede tomar cualquier va-
lor entre dos valores dados, por ejemplo el nmero de litros de gasolina que se
expende a cada cliente, o la temperatura de una persona.
Las variables aleatorias suelen representarse con letras maysculas como X e Y, mien-
tras que las letras minsculas se reservan para los valores que puede tomar la variable
aleatoria, por ejemplo: X = x, indica que X da el valor x un evento.

Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 37
semana 3

Aunque el concepto de variable aleatoria puede parecer ajeno a la realidad, lo cierto


es que lo usamos con mucha frecuencia como se ilustra en el siguiente ejemplo.

 Ejemplo 3.6 Los primeros dos ejemplos ilustran el uso de variables aleatorias discretas,

mientras que en los ltimos dos se emplean variables aleatorias continuas.


1. Considere que seleccionamos al azar a un estudiante de la UAM-Azcapotzalco, y
definimos como variable aleatoria X al nmero de su matrcula. De esta forma,
cualquiera de ustedes es un resultado del experimento, elegir a un estudiante,
y su matricula es el valor asociado al resultado obtenido, por ejemplo:

X(Juan) = 209333664

2. Considere que seleccionamos al azar a un estudiante de la UAM-Azcapotzalco, y


definimos como variable aleatoria X al nmero de libros que solicit en prstamo
de la biblioteca durante el pasado trimestre. De esta forma, el resultado del expe-
rimento ser un estudiante, y la variable aleatoria le asignar un valor positivo o
cero, por ejemplo:

X(Juan) = 0 libros

3. Sea X la cantidad de minutos invertidos por un estudiante para leer este ejemplo.
Nuevamente el resultado del experimento ser un estudiante elegido al azar, pe-
ro el valor dado por la variable aleatoria ser una cantidad de tiempo. En este
caso tendremos resultados que van desde cero hasta, tericamente, infinito, por
ejemplo:

X(Juan) = 1.911707 minutos.

4. Sea X la distancia en metros recorrida por un estudiante desde su casa hasta la


universidad, por ejemplo:

X(Juan) = 1257.087 metros.

38 Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
SEMANA 4
4
En este momento se ha cubierto la cantidad de material necesaria y suficiente para
realizar la primera evaluacin del curso. Para determinar tu nivel de comprensin hasta
este momento se te recomienda resolver los siguientes ejercicios. Entre los corchetes se
encuentra la respuesta correcta de cada pregunta.

4.1 autoevaluacin 1

1. Si P(A) =0.3, P(B) =0.4 y P(A B) = 0.5 determine las siguientes probabilidades:
a) P(A 0 B) = {0.2}
b) P[(A B) 0 ] = {0.5}
c) P(A 0 B) = {0.9}
2. Sean A y B dos eventos con P(A) = 12 , P(A B) = 34 , P(B 0 ) = 85 . Determine:
a) P(A 0 B 0 ) = {0.25}
b) P(B A 0 ) = {0.625}
3. Se clasifican muestras de aluminio fundido con base en el acabado de la superficie
(en micropulgadas) y las mediciones de la longitud. Los resultados de 100 piezas
se resumen a continuacin:

Longitud
Excelente Buena
Acabado de la Excelente 75 7
superficie Buena 10 8

Sea que A denote el evento de que una muestra tiene acabado de la superficie
excelente y sea que B denote el evento de que una muestra tenga una longitud
excelente. Determine:
a) Si se selecciona una pieza al azar cul es la probabilidad de que tenga acaba-
do de la superficie y longitud excelentes? = {0.75}.
b) Si se selecciona una pieza al azar que tiene acabado de la superficie excelente,
cul es la probabilidad de que la longitud sea excelente? = {0.9146}
c) Si se selecciona una pieza al azar que tiene buena longitud, cul es la proba-
bilidad de que el acabado de la superficie excelente? = {0.4666}
4. Las muestras de vidrio de un laboratorio se colocan en empaques pequeos o
en empaques grandes. Suponga que el 2 % y el 1 % de las muestras enviadas en
empaques pequeos y grandes, respectivamente, se rompen durante el trayecto a
su destino. Si el 60 % de las muestras se envan en empaques grandes:
a) Cul es la proporcin de muestras que se rompern durante el envo? ={1.4 %}
b) Si una muestra se rompi, cul es la probabilidad de que estuviera en un
empaque pequeo? ={0.5714}
5. Un lote de 100 chips semiconductores contiene 20 que estn defectuosos. Se van
a seleccionar dos chips del lote, al azar.
a) Cul es la probabilidad de que el primero que se seleccione est defectuoso?
= {0.20}

Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 39
semana 4

b) Cul es la probabilidad de que el segundo que se seleccione est defectuoso,


si el primero estuvo defectuoso?{0.1919}
c) Cul es la probabilidad de que los dos chips seleccionados estn defectuosos?
= {0.03838}
6. Setenta por ciento de los automviles examinados en un centro de verificacin
pasan la prueba. Si se supone que automviles sucesivos pasan la prueba o no de
forma independiente, calcule las siguientes probabilidades:
a) Probabilidad de que tres automviles contiguos pasen la verificacin. = {0.343}
b) Probabilidad de que al menos uno de los tres automviles consecutivos sea
rechazado (cuidado al determinar los elementos que forman al evento). =
{0.657}
c) Probabilidad de que exactamente uno de los tres automviles inspeccionados
pase la prueba (cuidado al determinar los elementos que forman al evento).
= {0.189} Sugerencia: Considere Pi el evento en que el automvil i pasa la
prueba.
7. Cierto equipo de futbol gana (G), con probabilidad 0.6; pierde (P), con proba-
bilidad 0.3 y empata (E), con probabilidad 0.1. El equipo juega tres encuentros
durante el fin de semana. Suponga que ganar, perder o empatar son eventos in-
dependientes.
a) Determinar los elementos del evento A en que el equipo gana por lo menos
dos y no pierde y hallar la probabilidad P(A). = {GGG, GGE, GEG, EGG},
{0.252}
b) Determinar los elementos del evento B en que el equipo gana, pierde y empata
y hallar la probabilidad P(B). = {GPE}, {0.108}

40 Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
TA B L A D E E C U A C I O N E S
A
Captulo 1.1

Datos no agrupados
(x1 +x2 +...+xN ) P
N
xi
Media muestral x = N = N 1
i=1
P
N
xi
i=1
Media poblacional = 2
N


N+1
2 ,
El dato en la posicin

si N es impar

Mediana x = 3

El promedio de los datos en las posiciones


N N
2 y 2 + 1, si N es par
P
N
(xi x)2
Varianza muestral s2 = i=1
N1 4
P
N
(xi x)2
Varianza poblacional 2 = i=1
N 5
Coeficiente de
CV = x 100 % 6
variabilidad
P
N
Desviacin media Dm = 1
N |xi x| 7
i=1
Rango muestral r = max xi min xi 8
i=1,...,N i=1,...,N
n 1
q1 = Dato en la posicin 4 + 4.
Cuartiles n 1
q2 = Dato en la posicin 2 + 2.
9
3n 1
q3 = Dato en la posicin 4 + 4.
Datos agrupados
1 P
k
Media x = N y i fi 10
i=1
P
k
(yi x)2 fi
Varianza muestral s2 = i=1
N 11
N
2 fa
Mediana x = L + fm C 12
fmo f1
Moda L+ (fmo f1 )+(fmo f2 ) C 13
Pk
|yi x|fi
i=1
Desviacin media Dm = N 14

Captulo 2.1

Pares ordenados n1 n2 15

Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 41
tabla de ecuaciones

k-arreglos n1 n2 n3 ... nk 16
n!
Permutaciones Pk,n = (nk)! 17
!
n n!
Combinaciones = k!(nk)! 18
k

Captulo 2.2

(A B) 0 = A 0 B 0 31
Leyes DMorgan
(A B) 0 = A0 B0 32

Captulo 2.3

Complemento P(A) = 1 P(A 0 ) 33


Unin P(A B) = P(A) + P(B) P(A B) 34
P(AB)
Condicional P(A|B) = P(B) 36
Regla de la
P(A B) = P(A|B)P(B) = P(B|A)P(A) 37
multiplicacin
Regla de la P
n
P(A) = P(A Ei ) 38
probabilidad total i=1
P(Aj B) P(B|Aj )P(Aj )
Teorema de Bayes P(Aj |B) = P(B) = P
n j = 1, 2, ..., n 39
P(B|Ai )P(Ai )
i=1

P(A|B) = P(A)
Eventos independientes P(B|A) = P(B)
P(A B) = P(A)P(B)

42 Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
BIBLIOGRAFA RECOMENDADA
B
1. Grabinsky J., Gua SAI de probabilidad y estadstica. Tronco general. Universi-
dad Autnoma Metropolitana. Disponible en:
http://espartaco.azc.uam.mx/UAM/217523/217523.html.

2. Rivera B. J., Probabilidad condicional. Universidad Autnoma Metropolitana.


Disponible en:
http://espartaco.azc.uam.mx/UAM/217423/217423.html.

3. Grabinsky J., Ramrez R. J., Rivera B. J., Alonso J., Lpez B. R., Problemas de pro-
babilidad y estadstica. Universidad Autnoma Metropolitana. Disponible en:
http://espartaco.azc.uam.mx/UAM/101416/101416.html.

4. Ramrez R. J., Rivera B. J., Taller de probabilidad y estadstica. Espacio muestra


y eventos. Universidad Autnoma Metropolitana. Disponible en:
http://espartaco.azc.uam.mx/UAM/217404/217404.html.

5. Lpez B. R., Taller de probabilidad y estadstica. Tcnicas de conteo y probabili-


dad. Universidad Autnoma Metropolitana. Disponible en:
http://espartaco.azc.uam.mx/UAM/223512/223512.html.

6. Gutirrez A. M. A., Variables aleatorias. Universidad Autnoma Metropolitana.


Disponible en:
http://espartaco.azc.uam.mx/UAM/223498/223498.html.

7. Meyer, Paul L., Introductory Probability and Statistical Applications", Ed.Addison


Wesley, 1965.

8. Walpole R. E. y Myers R. H., Probabilidad y Estadstica", Ed. Mc Graw Hill,1992.

9. Devore J.L., Probabilidad y Estadstica para Ingeniera y Ciencias", Ed. Int.Thompson


Editores, Mxico, 1998.

10. Montgomery D. C. y Runger G. C., Probabilidad y Estadstica Aplicada a laInge-


niera", Mc Graw Hill, 1996.

Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 43

Вам также может понравиться