Академический Документы
Профессиональный Документы
Культура Документы
Departamento de Sistemas
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
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.
Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 1
semana 1
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.
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.
2 Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
1.1 estadstica descriptiva
Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 3
semana 1
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.
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.
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.
4 Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
1.1 estadstica descriptiva
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.
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.
Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 5
semana 1
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
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.
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
1.1.5.3 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.
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
P
N
(xi x)2
i=1
Var = s2 = (4)
N1
s= s2 representa la desviacin estndar muestral.
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.
Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 9
semana 1
1 X
N
Dm = |xi x| (7)
N
i=1
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
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.
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.
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
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.
Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 13
semana 1
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.
Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 15
semana 1
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.
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
16 Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
1.1 estadstica descriptiva
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
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.
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
Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 17
semana 1
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.
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
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.
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.
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
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
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
n!
Pk,n = (17)
(n k)!
Ejemplo 2.5 Tengo 20 libros y los quiero ordenar en 5 espacios individuales, cuntos
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.
2.1.4 Combinaciones
!
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
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
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 2.16
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}
A B = {x : x A o x B} (19)
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
A 0 = {x : x
/ A} (21)
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}.
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
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
2.3.1 Axiomas
Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 27
semana 2
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).
1 = P(S) = P(A A 0 )
Ahora como A y A 0 son mutuamente excluyentes, entonces:
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
Cumple
Proveedor Si No
1 18 2
2 17 3
3 50 10
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.
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.
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.
30 Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
2.3 probabilidad
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?
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.
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.
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
34 Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
3.3 regla de la probabilidad total
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.
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.
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.
Ejemplo 3.5 Si la probabilidad de que cada una de las componentes funcionen correc-
36 Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
3.6 independencia de k eventos
Ahora observamos que para que el circuito funcione correctamente basta con que
funcione bien la parte de arriba o la parte de abajo.
X:S< (42)
Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 37
semana 3
Ejemplo 3.6 Los primeros dos ejemplos ilustran el uso de variables aleatorias discretas,
X(Juan) = 209333664
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:
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
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
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.
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.
Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 43