Presentación de Estadística Probabilística PDF

ESTADÍSTICA PROBABILÍSTICA
PROGRAMA DE INGENIERÍA INDUSTRIAL –

INGENIERÍA DE SISTEMAS
Fray Ramiro Romero Osorio

Ingeniero de Alimentos – Universidad de Córdoba
Esp. Administración Total de la Calidad – Universidad de Córdoba
Estudiante Maestría Sistemas Integrados de Gestión - UNIR
Auditor de Calidad - ICONTEC
Celular: 312-657-6711
E-mail: frayr96@gmail.com
fray.romero@uniremington.edu.co
Inspector Sanitario Gobernación
Inicio y
Finalización Finalización Capacitador y Certificador en
académica Esp. Calidad Manipulación de Alimentos
del
Programa I.A Inicio Maestría
Auditor SIG
PAE MEN
Graduación del
Programa Docente
2012 2016 Unicor 2019
2014 2018
Capacitador y Consultor
Supervisor de Posada y Ganem Consultores
Producto Gobernación de
Terminado Córdoba – Coordinador de
Galipan - Seguridad Asesor de Apropiación y
Barranquilla Alimentaria Investigación Formación del
CUN Conocimiento CUN
Jefe de Analista de
Producción Calidad - Docente Medio Tiempo
Galipan - Codelac Uniremington
Barranquilla
MÓDULO
Fecha de Inicio: 15-10-2019

Fecha de Finalización: 14-11-2019
Salón: 1025
Hora: 6:00 PM – 8:00 PM
Total Clases: 15
SISTEMA DE CALIFICACIÓN
Primer Examen 25 % (29 Octubre)

Segundo Examen 25 % (6 Noviembre)
Tercer Examen 20 % (14 Noviembre)
Seguimiento 30 %
• Talleres
• Participación en Clases
• Asistencia a Clases
CONTENIDO
UNIDAD I. PROBABILIDAD
1.1. Técnicas de Conteo o Análisis Combinatorio.
UNIDAD II. DISTRIBUCIÓN DE PROBABILIDADES

2.1. Variables Discretas.
2.2. Variables Continuas.
UNIDAD III. INTRODUCCIÓN A LA INFERENCIA

ESTADÍSTICA
3.1. Distribuciones Muestrales.
UNIDAD I. PROBABILIDAD
TEMA 1. CONCEPTOS BÁSICOS
Probabilidad: La probabilidad es un método por el cual se obtiene la
frecuencia de un acontecimiento determinado mediante la realización de
un experimento aleatorio, del que se conocen todos los resultados
posibles, bajo condiciones suficientemente estables.
Ejemplo:
Al lanzar una moneda cual es la probabilidad que Caiga Sello.
R/ ½ o 0,5 o 50%.
Estadística Probabilística: La rama de las matemáticas que: estudia,

mide o determina los experimentos o fenómenos aleatorios.
Para que un experimento sea aleatorio, se deben dar dos hechos

fundamentales:
1. Se debe tener un espacio muestral, en la cual se encuentran los
diferentes resultados que pueden suceder.
2. Que los resultados de repeticiones no tienen un comportamiento
igual o predecible.
Experimento: Es un conjunto de pruebas o la realización de un proceso
que conduzcan a un resultado y observación del cual no se está seguro.
Ejemplos:
• El lanzamiento de una moneda para observar el lado que aparece.
• Examinar las unidades producidas por una máquina, a fin de detectar
el número de unidades defectuosas.
• Hacer girar la flecha de una ruleta, para observar en cual número se
detiene con mayor frecuencia.
• Extraer una carta de una baraja de 52 cartas.
• Entrevistar a los alumnos de la universidad acerca de una reciente
medida académica.
Experimento Determinístico: Resultado cierto o seguro
Ejemplo: La gravedad, Movimiento de los planetas, las leyes, normas
Experimento Aleatorio: Aquel que no se puede predecir.

Ejemplo: El Lanzamiento de un dado, los juegos de azar.
Es importante clarificar al definir lo que es experimento, donde los datos

se obtienen ya sea por observación directa de sucesos incontrolables en
la naturaleza o por experimentación controlada en el laboratorio.
Esta aclaración nos permite definir la Probabilidad Apriori y la Empírica.
Probabilidad Apriori: Es aquella que se determina sin necesidad de

realizar el experimento, es decir, se conoce de antemano los resultados.
Ejemplo: Lanzamiento de una moneda.

Probabilidad Empírica: Es aquella que para su determinación requiere de
la realización del experimento.
Ejemplo: Hallar la probabilidad de germinación de una semilla especial.
Probabilidad Subjetiva: Creencia de una persona de la posibilidad de que

algo suceda.
Frecuencia Relativa: Es un método empírico que resulta al dividir el

número de eventos ocurridos en el pasado, por el número total de
observaciones.
Prueba: Es la realización de un acto. El conjunto de pruebas conforman
un experimento.
Espacio Muestral (S): Grupo de resultados específicos que se pueden

obtener tras una experimentación de carácter aleatorio.
Ejemplo: Al lanzar un dado el espacio muestral sería (1, 2, 3, 4, 5, 6)
Evento: es un subconjunto del espacio muestral de un experimento

aleatorio. Los eventos eventualmente se denotan con las letras
mayúsculas A, B, C, y tienen la característica de ser subconjunto de S.
Evento Simple: Siendo aquel que tiene un solo punto muestral.
Ejemplo: Al lanzar tres monedas al tiempo que salgan tres sellos.
A = (SSS)
A=1
Evento Compuesto: Siendo aquel que tiene dos o más puntos

muestrales.
Ejemplo: Al lanzar tres monedas al tiempo que salgan al menos dos

sellos.
B = (SSS), (SSC), (SCS), (CSS)

B=4
Evento Seguro: Es aquel que tiene todos los posibles resultados.
Por Ejemplo: Al tirar un dado obtener una puntuación que sea menor a 7.
Evento Imposible: Es aquel que no tiene posible resultado.
Por ejemplo: Al tirar un dado obtener una puntuación igual o mayor a 7.
Permutación: Es la variación del orden o de la disposición de los

elementos de un conjunto.
Ejemplo: Sea el conjunto (1, 2, 3) existe permutación (3, 1, 2).
Combinación: Técnica de conteo que permite calcular el número de

arreglos que pueden realizarse con todos o con una parte de los
elementos de un solo conjunto, en donde no interesa el orden de los
elementos.
Ejemplo: Si se seleccionan 5 cartas de 9 que hay, cuanto sería el número

de arreglos que existen.
TEMA 2. EVENTOS
Ejemplos.
1. Al lanzar 3 monedas, defina el espacio Muestral del experimento.
2. En el lanzamiento de 2 dados, defina el espacio Muestral.
• Calcule la probabilidad de obtener en uno de los datos el 2 y en el otro

el 5.
• Calcule la probabilidad de obtener en uno de ellos el 2 o el 4, y en el
otro el 3 o el 5.
TEMA 2. EVENTOS
Ejemplos.
Solución.
1. U = (CCC, CCS, CSC, SCC, CSS, SCS, SSC, SSS)
2. U = 11, 12, 13, 14, 15, 16

21, 22, 23, 24, 25, 26 a) P (2 y 5) = 25, 52
31, 32, 33, 34, 35, 36 P = 2/36 = 0,0555
41, 42, 43, 44, 45, 46
51, 52, 53, 54, 55, 66 b) P ( 2 o 4, y 3 o 5) = 23, 25, 43,
61, 62, 63, 64, 65, 66 45, 32, 52, 34, 54.
P = 8/36 = 0,222
TEMA 3. PERMUTACIONES, VARIACIONES Y
COMBINACIONES
Se denominan Permutaciones de n elementos, los diferentes grupos o
arreglos que se pueden hacer tomándolos todos de una vez. Las
permutaciones implican orden en la colocación de los elementos.
Ejemplo:
Con los números 1, 2, 3 y 4 se van a efectuar permutaciones, tomándolos en su
totalidad. Se pueden obtener las siguientes cifras de cuatro dígitos:
COMBINACIONES
La formula para calcular las permutaciones es:
𝑃𝑛 = 𝑛!
Se lee “Permutaciones de n elementos es igual a n factorial”.
𝑃4 = 4! = 4 x 3 x 2 x 1 = 24
COMBINACIONES
Las Variaciones, son permutaciones, con la diferencia de que se toma
parte de los elementos.
Ejemplo:
Con los números 1, 2, 3, 4, formar cifras de dos dígitos.
COMBINACIONES
La formula para calcular las variaciones es:
𝑛!
𝑉𝑟𝑛 =
𝑛−𝑟 !
Se lee “variación de n elementos tomados de r en r, es igual, a n factorial
dividido por (n-r) factorial”.
4! 4! 4𝑥3𝑥2𝑥1 24
𝑉24 = = = = = 12
4−2 ! 2! 2𝑥1 2
COMBINACIONES
En las combinaciones, no se tiene en cuenta el orden de colocación
de los elementos.
Ejemplo:
¿Cuantas combinaciones se logran con las letras A, B, C y D?
Los resultados son: ABCD, BACD, ABDC, DBCA, CBDA, etc. En total se
obtiene una sola combinación, ya que da lo mismo ABCD que DBCA, y
así sucesivamente pues no se tiene en cuenta el orden de los
elementos.
COMBINACIONES
La formula para calcular las combinaciones es:
𝑛!
𝐶𝑟𝑛 =
𝑛 − 𝑟 ! 𝑟!
Se lee “Combinación de n elementos tomados de r en r ”.
¿Cuantas combinaciones se pueden hacer con las 4 letras anteriores, si solo se

toman dos de ellas?
4! 4! 4𝑥3𝑥2𝑥1 24 24
𝐶24 = = = = = =6
4−2 ! 2! 2! 2! 2 𝑥 1 (2 𝑥 1) 2𝑥2 4
COMBINACIONES
Ejercicios
¿Cuantas palabras de 18 letras se pueden formar con la Frase Santa fe

de Antioquia?
En un evento de belleza se seleccionaron la reina, la virreina y la

princesa de un grupo de 5 finalistas, de ¿De cuantas maneras se
pueden seleccionar por parte del jurado?
¿De cuantas maneras se pueden sacar 10 naranjas de una caja que

contiene 20 naranjas?
TEMA 4. LEYES O REGLAS DE PROBABILIDAD
Se ha dicho que el espacio Muestral es el conjunto de resultados posibles de

un experimento o ensayo.
Cualquier subconjunto del espacio Muestral es considerado como evento, un

subconjunto que contiene un solo punto Muestral se denomina un evento
elemental o punto Muestral.
Ejemplo: Lanzamiento de un dado
U = (1, 2, 3, 4, 5, 6)
P3= 1/6 = 0,167 = 16,7%
El evento favorable es el 3, es decir, hay un evento elemental posible en el

espacio Muestral.
Los cinco eventos restantes, se denominan eventos complementarios. Se dice

que el complemento de un evento consta de todos los resultados del espacio
Muestral que no forman parte de él.
Existe una forma de Visualizar los elementos del espacio Muestral y es a través
del diagrama de Venn.
Ejemplo:
Recordemos que la probabilidad representada en el espacio Muestral es 100%.

Y la probabilidad de cualquier evento A, corresponderá a un valor que puede
variar entre 0 y 1.
Además la probabilidad de que un evento no ocurra es igual a uno, menos la

probabilidad de que si ocurra.
𝑃 𝐴′ = 1 − 𝑃(𝐴)
𝑃 𝐴 + 𝑃 𝐴′ = 1
Los eventos A y A’ son complementarios.

Supongamos ahora, que al realizar el experimento de un lanzamiento de un

dado, se quiere hallar la probabilidad de que aparezca el dos o el cuatro.
Sabemos que al hacer un solo lanzamiento de un dado, debe aparecer el dos o
el cuatro, pero no los dos, es decir la aparición de uno de ellos excluye la
aparición del otro y, en este caso, se dice que los eventos son mutuamente
excluyentes.
Se dice que si dos eventos A y B son mutuamente

excluyentes se debe aplicar la regla de adición.
Es decir que la probabilidad de que ocurra uno o el otro evento es igual

a la suma de sus probabilidades.
𝑃 𝐴 𝑜 𝐵 = 𝑃 𝐴 + 𝑃 𝐵 + … … + 𝑃(𝑛)
Los eventos A y B son mutuamente excluyentes, ya que no se superpone, es

decir, son incompatibles.
EJEMPLOS
¿Cual es la probabilidad de extraer un As, o u Seis de

Punta, o un 10 de corazón rojo de una baraja de 52
cartas?
𝑃 𝐴 𝑜 𝐵 𝑜 𝐶 = 𝑃 𝐴 + 𝑃 𝐵 + 𝑃(𝐶)
4 1 1 6
𝑃 𝐴𝑜𝐵𝑜𝐶 = + + = = 0,1154 = 11,54 %
52 52 52 52
Ahora, si deseamos saber cual es la probabilidad de que al extraer una carta

sea As o corazón rojo.
Observemos que al extraer la carta puede ser As, pero

también puede ser As de corazón rojo, cumpliéndose la
realización de dos pruebas de forma simultanea; por tal
razón se dice que los procesos son compatibles. O
también nos podemos referir a una probabilidad
conjunta.
También se dice que no son mutuamente excluyentes.
𝑃 𝐴 𝑜 𝐵 = 𝑃 𝐴 + 𝑃 𝐵 − 𝑃(𝐴𝑦𝐵)
𝑃 𝐴 𝑜 𝐵 = 𝑃 𝐴 + 𝑃 𝐵 − 𝑃(𝐴𝑦𝐵)
4 13 1 16
𝑃 𝐴𝑜𝐵 = + − = = 0,3077 = 30,77 %
52 52 52 52
Los Eventos A y B no
son mutuamente
excluyentes, ya que
tienen algunos
elementos en
común.
EVENTOS COMPATIBLES (Diagrama de Venn)
Ejercicio
En una muestra de 750 estudiantes, 300 dijeron tener un video

grabador, 250 dijeron tener un computador y 200 dijeron tener
ambos.
Si un estudiante es seleccionado al azar, ¿Cuál es la probabilidad

de que tenga solo un video grabador, sólo un computador y uno
de cada uno?
Si un estudiante es seleccionado al azar, ¿Cuál es la probabilidad

de que tenga un computador o un video grabador en su casa?
Regla de la Multiplicación
Se dice que dos eventos o más son independientes entre sí, cuando la ocurrencia de
un evento no está relacionada con la ocurrencia de los otros. Si hay tres eventos
independientes A, B y C, la probabilidad de que ocurra A, B y C se obtiene al
multiplicar las tres probabilidades.
𝑃 𝐴 𝑦 𝐵 𝑦 𝐶 = 𝑃 𝐴 ∗ 𝑃 𝐵 ∗ 𝑃(𝐶)
Ejemplo.
Supongamos que se dispone de tres barajas de 52 cartas. Se desea extraer tres

cartas, una de cada baraja; ¿Cuál es la probabilidad de obtener un As, un 10 de
Corazón, y un Seis de Diamante?
Ejercicio
En una fabrica de calzado se manufactura independientemente costura (toda la

parte superior del calzado relacionada con el cuero), suela y tacón, siendo estas
partes armadas aleatoriamente en cada zapato. Se sabe que en este proceso, el 5%
de las costuras, el 4% de las suelas y el 1% de los tacones tienen fallas; ¿qué
porcentaje de zapatos resultan:
a) ¿Con fallas en sus tres componentes?
b) ¿Sin fallas en sus tres componentes?
Ejercicio
Una máquina en buenas condiciones de trabajo, produce un artículo defectuoso

por cada mil. Los resultados correspondientes a artículos producidos sucesivamente
son independientes. ¿Cuál es la probabilidad, para que los próximos dos artículos
producidos por esta máquina, no tengan fallas?
Se dice que dos eventos o más son dependientes, cuando la ocurrencia de uno,
determina la ocurrencia de los otros en un orden determinado. En caso contrario
los eventos son independientes. Si hay tres eventos independientes A, B y C, la
probabilidad de que ocurra A, B y C se obtiene al multiplicar las tres probabilidades.
𝑃 𝐴 𝑦 𝐵 𝑦 𝐶 = 𝑃 𝐴 ∗ 𝑃 𝐵/𝐴 ∗ 𝑃(𝐶/𝐴𝑦𝐵)
Ejemplo:
De una baraja de 52 cartas, se desea extraer tres cartas de forma sucesiva sin
reposición, es decir, la carta que se extrae no se regresa a la baraja; ¿cuál es la
probabilidad de que en la primera extracción aparezca un As, en la segunda
extracción un Q de corazón, y en la tercera un 10 de diamantes?
4 1 1
𝑃 𝐴𝑦𝐵𝑦𝐶 = 52
∗ 51 ∗ 50
4
𝑃 𝐴𝑦𝐵𝑦𝐶 = = 0,00003 = 0,003%
132600
Ejercicio:
1. Supongamos que se tiene una caja con 10 monedas de $1.000. y tres de
ellas son falsas. Se va a extraer dos monedas, una después de otra sin
reposición; ¿Cuál es la probabilidad de seleccionar una moneda falsa
seguida por otra también falsa?
2. Se extraen tres cartas sin reposición de una baraja de 52 cartas; ¿Cuál es

la probabilidad de que las tres sean un 7?
TEMA 5. TEOREMA DE BAYES
El teorema de bayes se utiliza para analizar probabilidades posteriores,

es decir, después de una información nueva. Se tienen eventos con
unas probabilidades previas o a priori los cuales son mutuamente
excluyentes y la unión de todos ellos es el espacio Muestral, o sea que
la suma de todas sus probabilidades es igual a uno.
Ejemplo.
Una empresa manufacturera recibe embarques de parte de dos proveedores.
Sea A1 el evento de que una parte provenga del proveedor 1 y A2 el evento de
que una parte provenga del proveedor 2. Actualmente el 65% de las partes que
compra la empresa provienen del proveedor 1 y el restante del proveedor 2.
Además, se tienen datos históricos, B representa el evento de que una parte
sea buena y M representa el evento de que la parte sea Mala o defectuosa. Los
datos son:
98% de que la parte sea buena y provenga del proveedor A.
95% de que la parte sea buena y provenga del proveedor B.
¿Cuál es la probabilidad de que al seleccionar un producto, este sea malo y

provenga del proveedor A?
¿Cuál es la probabilidad de que al seleccionar un producto, este sea malo y
provenga del proveedor B?
¿Cuál es la probabilidad de que al seleccionar un producto, este sea bueno y
provenga del proveedor A?
¿Cuál es la probabilidad de que al seleccionar un producto, este sea bueno y
provenga del proveedor B?
Ejercicio
Tres máquinas de una empresa de confección, producen el 40%, 33% y 27%
respectivamente del total de las piezas producidas. Los porcentajes de
producción de piezas defectuosas de estas máquinas son del 4%, 3% y 2%.
Seleccionamos una pieza al azar, ¿cuál es la probabilidad de que sea

defectuosa?
Se toma una pieza al azar y resulta que es defectuosa. ¿Cuál es la probabilidad

de que sea producida por la maquina A?
¿Cuál es la máquina que produce mayor cantidad de piezas defectuosas?

TEMA 6. DIAGRAMA DE ÁRBOL
Cuando se tiene que hallar las probabilidades de varios sucesos conjuntos,

suele ser útil de dibujar un árbol de probabilidades.
“Un diagrama de árbol es una herramienta que se utiliza para determinar todos
los posibles resultados de un experimento aleatorio.
En el cálculo de la probabilidad se requiere conocer el número de objetos que

forman parte del espacio muestral, estos se pueden determinar con la
construcción de un diagrama de árbol.
EJEMPLO
Una Universidad está formada por tres facultades:
La Primera con el 50% del total de los estudiantes.
La segunda con el 30% del total de los estudiantes.
La tercera con el 20% del total de los estudiantes.
Las mujeres en las tres facultades están distribuidas de la siguiente manera:

Primera Facultad 20%
Segunda Facultad 65%
Tercera Facultad 45%
Realice el diagrama de árbol y calcule la probabilidad de encontrar un varón o

una mujer en cada facultad.
EJEMPLO
0,2 Mujer
1 Facultad 0,8
Hombre
0,5
0,3 0,65 Mujer
2 Facultad
0,35 Hombre
0,2 0,45 Mujer

3 Facultad
0,55 Hombre
UNIDAD II. DISTRIBUCIÓN DE
PROBABILIDAD
DISTRIBUCIONES DE PROBABILIDAD
Se dice que una distribución de probabilidades muestra los resultados esperados al
realizar un experimento, junto con la probabilidad en cada uno de estos resultados. Es
decir, nos referimos a los valores posibles de una variable con sus respectivas
probabilidades.
Estas distribuciones de probabilidad pueden corresponder a variables aleatorias

discretas o continuas.
Una variable es aleatoria cuando los valores que toma están determinados por factores
en los que interviene el azar.
Variables aleatorias discretas, es aquella que puede asumir un número finito de valores
y si los valores que asume se pueden contar.
Entre las distribuciones discretas los modelos más utilizados son: Bernoulli, Binomial,
Multinomial, Hipergeométrico, Poisson.
La variable aleatoria continua es aquella que puede asumir cualquier valor dentro de
un determinado intervalo, es decir, comprende un número infinito de valores posibles.
El modelo más importante y básico es la Distribución Normal.
TEMA 1. DISTRIBUCIÓN BINOMIAL
En la distribución binomial se requiere tener presente 5 características de gran

importancia, al plantear un problema.
a) Existe un número fijo o constante “n” de pruebas repetidas.
b) Cada una de las n pruebas da lugar a un acontecimiento “favorable” o

“desfavorable”; uno de los dos debe presentarse.
c) La probabilidad de “éxito” es aquel acontecimiento que consideramos

“favorable”; debe ser la misma en cada una de las pruebas. Por lo tanto, “p”
será constante.
d) Las pruebas son independientes.
e) Nos interesa determinar el número de “éxitos” en las “n” pruebas.
“P” = Probabilidad de éxito de un suceso en un solo

ensayo.
𝑛 𝑥
𝑃(𝑥) = 𝑝 ∗ 𝑞𝑛−𝑥
𝑥
“P”, probabilidad de éxito de un suceso en un solo ensayo.
q, probabilidad de fracaso.
n, es el tamaño de la muestra.
x, es el número de éxitos.
𝒏 𝑛!
𝒙
, son combinaciones. 𝐶𝑥𝑛 =
𝑛 − 𝑥 ! ∗ 𝑥!
Ejemplo
Hallar la probabilidad de obtener exactamente 3 caras al lanzar 4 monedas,
mediante la distribución binomial.
3 4−3
4 1 1
𝑃(𝑥=3) = ∗ ∗
3 2 2
3 1
4! 1 1
𝑃(𝑥=3) = ∗ ∗
4 − 3 ! ∗ 3! 2 2
Continuar el desarrollo del ejemplo ……

Ejemplo
Ampliemos el ejercicio anterior al lanzamiento de 8 monedas, si se quiere
obtener la probabilidad de obtener:
a) Exactamente 6 caras. X=6; 𝑃𝑥=6
b) Menos de dos caras. X=0, 1. 𝑃𝑥≤1
c) Menos de seis caras. X=0, 1, 2, 3, 4, 5 𝑃𝑥≤5
d) Más de dos caras. X=3, 4, 5, 6, 7, 8 𝑃𝑥≥3
e) Más de 4 caras y menos de 6 caras. X=5 𝑃𝑥=5
f) Menos de 4 y más de 6 caras. X=0, 1, 2, 3, 7, 8 𝑃(3≥𝑥≥7)

Ejemplo (Solución)
a)
6 8−6
8 1 1
𝑃(𝑥=6) = ∗ ∗
6 2 2
6 2
8! 1 1
𝑃(𝑥=3) = ∗ ∗
8 − 6 ! ∗ 6! 2 2

Ejemplo (Solución)
b)
𝑃(𝑥≤1) = 𝑃0 + 𝑃1
0 8−0 1 8−1
8 1 1 8 1 1
𝑃(𝑥≤1) = ∗ ∗ + ∗ ∗
0 2 2 1 2 2

Ejemplo (Solución)
c)
𝑃(𝑥≤5) = 𝑃0 + 𝑃1 + 𝑃2 + 𝑃3 + 𝑃4 + 𝑃5
𝑃(𝑥≤5) = 1 − (𝑃6 + 𝑃7 + 𝑃8 )
8 1 0 1 8−0 8 1 1 1 8−1
𝑃(𝑥≤5) = 0
∗ 2
∗ 2 + 1
∗ 2
∗ 2 +…..

Ejemplo (Solución)
d)
𝑃(𝑥≥3) = 𝑃3 + 𝑃4 + 𝑃5 + 𝑃6 + 𝑃7 + 𝑃8
𝑃(𝑥≥3) = 1 − (𝑃0 + 𝑃1 + 𝑃2 )
8 1 0 1 8−0 8 1 1 1 8−1
𝑃(𝑥≥3) = 1 − 0
∗ 2
∗ 2 + 1
∗ 2
∗ 2 +…..

Ejemplo (Solución)
e)
5 8−5
8 1 1
𝑃(𝑥=5) = ∗ ∗
5 2 2
5 3
8! 1 1
𝑃(𝑥=3) = ∗ ∗
8 − 5 ! ∗ 5! 2 2

Ejemplo (Solución)
f)
𝑃(3≥𝑥≥7) = 𝑃0 + 𝑃1 + 𝑃2 + 𝑃3 + 𝑃7 + 𝑃8
𝑃(𝑥≥3) = 1 − (𝑃4 + 𝑃5 + 𝑃6 )
8 1 4 1 8−4 8 1 5 1 8−5
𝑃(𝑥≥3) = 1 − 4
∗ 2
∗ 2 + 5
∗ 2
∗ 2 +…..

TEMA 2. DISTRIBUCIÓN NORMAL
En una distribución binomial, si el valor de “n” es demasiado grande, se

presenta dificultad en el cálculo de las probabilidades; con el fin de abreviar
o simplificar las operaciones se utiliza la distribución normal.
La distribución binomial es una distribución de variables discretas, en

cambio la distribución normal corresponde a una variable continua, así que
los problemas de distribución binomial (denominado método exacto), se
pueden resolver mediante la distribución normal (denominado método
aproximado), transformando las variables discretas en variables continuas.
Por otra parte, se debe obtener la media y la desviación estándar de una

distribución binomial, mediante la aplicación de las siguientes formulas:
𝜇 =𝑛∗𝑝 𝜎 = 𝑛∗𝑝∗𝑞
La distribución normal gráficamente se representa mediante una curva en

forma de campana denominada curva normal, curva de error, curva de
probabilidad o campana de gauss.
El área bajo la curva normal es igual al 100%. La media se encuentra

localizada en el centro, dividiendo la curva en dos partes iguales,
correspondiéndole a cada una de ellas el 50%.
Para hallar el área bajo la curva, se utiliza la variante estadística “Z”, la cual
calculamos mediante la siguiente fórmula:
𝑋−𝜇
𝑍=
𝜎
Ejemplo:
Un test de inteligencia, que está normalizado tiene una media de 100 y una
desviación típica de 15.
a) ¿Entre que par de valores se presenta el 68,26%?
b) ¿Entre que par de valores se presenta el 95,44%?
c) ¿Entre que par de valores se presenta el 99,74%?
Solución:
a) 100-15 =85
100+15 = 115
El 68,26% de la población a la que se le aplique el test se le puntuará entre
85 y 115.
b) 100 – (2*15) = 70
100 + (2*15) = 130
El 95,44% de la población a la que se le aplique el test se le puntuará entre 70 y 130.
Ejemplo:
a) ¿Qué porcentaje de la población tendrá un coeficiente intelectual entre
100 y 120?
120 − 100
𝑍= = 1,33
15
Por valor en la Tabla tenemos para un Z = 1,33. P = 0,4082 *100 = 40,82%.

Ejemplo:
b) ¿Qué porcentaje de la población tendrá un coeficiente intelectual mayor
que 120?
120 − 100
𝑍= = 1,33
15
Luego, 0,5 – 0,4082 = 0,0918 *100% = 9,18%.

Ejemplo:
c) ¿Qué porcentaje de la población tendrá un coeficiente intelectual menor
que 120?
120 − 100
𝑍= = 1,33
15
Luego, 0,5 + 0,4082 = 0,9082 *100% = 90,82%.

Ejemplo:
d) ¿Qué porcentaje de la población tendrá un coeficiente intelectual entre
80 y 100?
80 − 100
𝑍= = −1,33
15

Ejemplo:
Si consideramos el ejemplo anterior de lanzar 4 monedas, la probabilidad de
obtener exactamente dos caras, sería:
En primer lugar, la forma de plantear la pregunta varía: 𝑃(1,5<𝑋<2,5)

Transformando la variable discreta en continua.
Siendo 𝜇=2; recuerden 𝜇=n*p = 4*(0,5) = 2
𝜎=1; recuerden 𝜎 = 𝑛 ∗ 𝑝 ∗ 𝑞 = 4 ∗ 0,5 ∗ 0,5 = 1
2,5 − 2 1,5 − 2
𝑍= = 0,5 𝑍= = −0,5
1 1
Ejemplo:
Para Z=0,5 el área será igual a 0,1915; por ser simétrico para Z=-0,5 se
tendrá el mismo valor de 0,1915, el área total de la región sombreada será
igual a la suma: 0,1915 + 0,1915 = 0,3830 = 38,3%.
(Ver Tabla, área bajo la curva normal).

TEMA 3. OTRAS DISTRIBUCIONES
DISTRIBUCIÓN DICOTÓMICA (BERNOULLI)

CONSIDERACIONES:
✓ Para la probabilidad de éxito (P) toma el valor de 1.
✓ Para la probabilidad de fracaso (q) toma el valor de 0.
✓ La formula para determinar la distribución está dada por:
𝑃 𝑥 = 𝑝 𝑥 ∗ (1 − 𝑝)1−𝑥 con X=0,1

✓ En la práctica este modelo se utiliza cuando solo se tienen dos resultados
posibles.
DISTRIBUCIÓN DICOTÓMICA (BERNOULLI)

EJEMPLO:
¿Al lanzar un dado cual es la probabilidad de que salga 2?
Solución:
La probabilidad de que salga dos es un éxito por tanto X=1
1 1−1 1
1 1 𝑃𝑥=1 = ∗1
𝑃𝑥=1 = ∗ 1− 6
6 6
1
𝑃𝑥=1 = = 0,167 = 16,7%
6
0
1 1
𝑃𝑥=1 = ∗ 1−
6 6
DISTRIBUCIÓN DE POISSON
Es una distribución de probabilidad discreta que, a partir de una frecuencia de
ocurrencia media, expresa la probabilidad de que ocurra un determinado número de
eventos durante cierto periodo de tiempo.
𝑒 −𝜆 ∗ 𝜆𝑘
Está dada por la ecuación: 𝑃 𝑘, 𝜆 =
𝑘!
Donde:
K, es el número de ocurrencias del evento.
𝜆 , es un parámetro positivo (representa el número de veces que se espera ocurra el
fenómeno durante el intervalo de tiempo determinado.)
Por ejemplo si un suceso tiene lugar en promedio cada 2 segundos y se está
interesado de que ocurra k veces durante 15 segundos:
𝜆=15*2=30
e, es la base de logaritmo naturales e=2,71828……
Ejemplo:
Si el 2% de los libros encuadernados en cierto taller tiene encuadernación
defectuosa. Obtener la probabilidad de que 5 de 400 libros encuadernados en este
taller tengan encuadernaciones defectuosas.
K = 5;
𝜆 = 2% * 400 = 8
𝑒 −8 ∗ 85
𝑃(5,8) = = 0,0916 = 9,16%
5!
DISTRIBUCIÓN EXPONENCIAL
Esta distribución describe procesos en los que:
✓ Nos interesa saber el tiempo hasta que ocurre determinado evento,
sabiendo que:
✓ El tiempo que pueda ocurrir desde cualquier instante dado t, hasta que
t
ello ocurra en un instante f, no depende del tiempo transcurrido
anteriormente en el que no ha pasado nada.
Función de densidad: describe la probabilidad relativa según la cual dicha

variable aleatoria tomará determinado valor.
𝑃(𝑥) = 𝜆𝑒 −𝜆𝑥
Si, 0 < x.
Se dice que sigue una distribución exponencial cuando integramos la
función de densidad. Un calculo inmediato nos dice que si X > 0, tenemos:
𝑥
𝑥
න 𝜆𝑒 −𝜆𝑡 = −𝜆𝑡
−𝑒 ൧0 = 1 − 𝑒 −𝜆𝑡
0
Así, la función de distribución es:
1 − 𝑒 −𝜆𝑡 𝑠𝑖 0 < 𝑥
𝑃𝑥 = ቊ
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
Ejemplo:
Se ha comprobado que el tiempo de vida de cierto tipo de marcapasos
sigue una distribución exponencial con media de 16 años. ¿Cuál es la
probabilidad de que a una persona a la que se le ha implantado este
marcapasos se le deba reimplantar otro antes de 20 años?
Si el marcapasos lleva funcionando correctamente 5 años en un paciente,

¿cuál es la probabilidad de que haya que cambiarlo antes de 25 años?
Ejemplo:
Solución.
20 1
−16∗20
𝑃(𝑡≤20) = න 𝑃 𝑡 𝑑𝑡 = 𝑃(20) = 1 − 𝑒
0
20
−16
𝑃(𝑡≤20) = 1 −𝑒 = 0,7135 = 71,35%
Ejemplo:
Solución. En el segundo caso tenemos:
25
𝑃(5≤𝑡≤25) = න 𝑃 𝑡 𝑑𝑡 = 𝑃 25 − 𝑃 5
5
1 1
− ∗25 − ∗5
=1− 𝑒 16 −1 + 𝑒 16 = 0,522
+∞
𝑃(𝑡≥5) = න 𝑃 𝑡 𝑑𝑡 = 𝑃 +∞ − 𝑃 5
5
1
− ∗5
=1−1+𝑒 16 = 0,7316
Ejemplo:
Solución. En el segundo caso tenemos:
𝑃(5≤𝑡≤25) 0,522
𝑃(𝑡≤25ȁ𝑡≥5) = = = 0,7135 = 71,35%
𝑃(𝑡≥5) 0,7316
Otras Distribuciones
Distribución Beta.
Distribución de Cauchy.
Distribución F (Fisher).
Distribución Gamma.
Distribución Geométrica.
Distribución Hipergeométrica.
Distribución de Laplace.
Distribución Logística.
Distribución Loglogística.
Distribución Triangular.
Distribución Uniforme.
Distribución de Weibull.
Distribución Ji Cuadrado (Unidad I)
UNIDAD III. INTRODUCCIÓN A LA
INFERENCIA ESTADÍSTICA
TEMA 1. MUESTREO
TEMA 1. MUESTREO
VENTAJAS
✓ Menos costoso
✓ Menos manejo del producto, se reducen daños.
✓ Puede aplicarse cuando las muestras son destructivas.
✓ Menos personal implicado en la inspección
DESVENTAJAS
✓ Se pueden aceptar lotes malos y rechazar lotes buenos.
TEMA 1. MUESTREO
MUESTREO ALEATORIO SIMPLE (M.A.S.)
Se utiliza cuando las probabilidades de los elementos son todos iguales y

constantes durante el proceso de selección. Es utilizado frecuentemente
en poblaciones relativamente pequeñas, en especial, cuando las
características presentan poca variabilidad.
Existen numerosas posturas sobre el número de muestra ideal. Algunos

autores mencionan que la muestra ideal mínima es de 30 unidades de
análisis. Otros mencionan que el número ideal es el correspondiente al
30% de la población.
TEMA 1. MUESTREO

Determinación del tamaño de la muestra
Para el calculo de la muestra es necesario conocer algunos componentes

como son:
a) Grado de confianza.
b) Grado de Variabilidad.
c) Error de muestreo.
d) Tamaño poblacional.
TEMA 1. MUESTREO

Determinación del tamaño de la muestra.
a) Grado de Confianza:
Es fijado por el investigador de acuerdo con la experiencia y
conocimiento que tenga de la población que va a investigar. Sin
embargo, por lo general, se trabaja con el 95% o el 95,5%,
correspondiendo un valor de Z=1,96 y Z=2,0 respectivamente.
TEMA 1. MUESTREO

b) Grado de Variabilidad:
Está dado por la varianza. Entre más variabilidad presente la
característica principal que tiene que ver con el objetivo de la
investigación, mayor será el tamaño de la muestra, necesario para que
represente a la población.
2 2 2 2
σ 𝑋𝑖 − 𝑁𝜇 σ 𝑋𝑖 𝑓𝑎𝑖 − 𝑁𝜇
𝜎2 = 𝑆2 = 𝜎2 = 𝑆2 =
𝑁−1 𝑁−1
Datos Agrupados
Datos Sin Agrupar
𝜎𝑝2 = 𝑆𝑝2 = 𝑃𝑄
Atributos
TEMA 1. MUESTREO

b) Grado de Variabilidad:
En la mayoría de los casos, por no decir siempre, la varianza poblacional
se desconoce; por tanto, se debe estimar ya sea:
✓ Consultando censos que contengan esta característica.
✓ Consultando encuestas similares.
✓ Utilizando el procedimiento más común, es decir, estimando la
varianza a través de la realización de una encuesta preliminar, piloto
o pretest.
Estos tres procedimientos son válidos tanto en variables como en
atributos.
Para atributos es común una cuarta recomendación.

✓ Considerar el valor de P=0,5, con el cual se obtiene el máximo valor
posible de n. Quiere decir que si P aumenta o disminuye, de 0,5, el
tamaño de la muestra disminuirá.
TEMA 1. MUESTREO

c) Error de Muestreo:
Simbolizado por e ó E, al igual que el nivel de confianza es determinado
por el investigador, teniendo en consideración que a mayor error menor
será el tamaño de la muestra, y al contrario, a menor error mayor será el
tamaño de la muestra.
d) Tamaño Poblacional:
En muchos casos, la población puede ser conocida y se le considerará
como una población finita, en caso contrario, la población será definida
como infinita.
TEMA 1. MUESTREO
Muestreo de población infinita
En la cual el investigador no conoce el número exacto de la población a
estudiar, y este número seguramente se modificará en el tiempo de
estudio. ( población mayor a 100.000 )
𝑍 2 𝑆𝑥2 𝑍 2 𝑃𝑄
𝑛= 2 Variable 𝑛= Atributo
𝐸 𝐸2
Donde:
n = tamaño de la muestra.
Z = Constante estadística que depende del nivel de confianza.
E = error de muestreo
P = Probabilidad de éxito
Q = Probabilidad de fracaso.
𝑆𝑥2 = Varianza poblacional.
TEMA 1. MUESTREO
Ejemplo:
Una corporación de ahorro y vivienda, localizada en una ciudad
intermedia, desea determinar a qué proporción de sus ahorradores le
pagan su sueldo en forma quincenal. En estudios similares se ha
encontrado que la proporción es del 72%. Si se establece que debe
haber una estimación correcta con aproximación de ± 6% de la
proporción verdadera y una confianza del 90%, ¿qué tamaño de muestra
se necesita, suponiendo que la población es infinita o demasiado
grande?
Solución:
Z=1,64 (1,64)2 ∗ 0,72 ∗ (0,28)
P=0,72 𝑛= 2
= 150,6 = 151
(0,06)
Q=0,28
E=0,06
TEMA 1. MUESTREO
Ejemplo:
En un instituto de educación intermedia, el departamento de bienestar
desea estimar el peso promedio de sus alumnos. El error debe ser más o
menos 3 libras y una confianza del 95%. ¿Cuál debe ser el tamaño de la
muestra, bajo el supuesto que no se conoce el tamaño de la población y
además se estima que la desviación típica es de 11 libras?
Solución:
Z=1,96
S=11
E=3
(1,96)2 ∗ (11)2
𝑛= 2
= 51,65 = 52 𝑎𝑙𝑢𝑚𝑛𝑜𝑠
(3)
TEMA 1. MUESTREO
Ejemplo:
Se requiere estudiar la valoración de la calidad de los servicios de la
salud en pacientes que acuden a hospitales públicos en los siguientes 5
años. Utilizando un nivel de confianza del 95% y asumiendo una
probabilidad de éxito de 96%. Calcule el tamaño de la muestra.
Solución:
Z=1,96
P=0,96
Q=0,04
E=0,05
(1,96)2 ∗ 0,96 ∗ (0,04)
𝑛= 2
= 59
(0,05)
TEMA 1. MUESTREO
Muestreo de población finita
Se utiliza cuando el investigador conoce el número exacto de la

población a estudiar (Población menor a 100.000), misma que no se
modificará durante el estudio.
𝑍2𝑆2𝑁 𝑁𝑍 2 𝑃𝑄
𝑛= 𝑛=
𝑁𝐸 2 + 𝑍 2 𝑆 2 𝑁𝐸 2 + 𝑍 2 𝑃𝑄
Variable Atributo
TEMA 1. MUESTREO
Ejemplo:
Una corporación de ahorro y vivienda, localizada en una ciudad
intermedia, desea determinar a qué proporción de sus ahorradores le
pagan su sueldo en forma quincenal. En estudios similares se ha
encontrado que la proporción es del 72%. Si se establece que debe
haber una estimación correcta con aproximación de ± 6% de la
proporción verdadera y una confianza del 90%, ¿qué tamaño de muestra
se necesita, suponiendo que la población es de 1.200 ahorradores?
Solución:
Z=1,64 (1,64)2 ∗ 0,72 ∗ 0,28 ∗ (1200)
P=0,72 𝑛= = 133
Q=0,28 [1200 ∗ 0,06 2 ] + [(1,64)2 ∗ 0,72 ∗ 0,28 ]
E=0,06
N=1200
TEMA 1. MUESTREO
Ejemplo:
En un instituto de educación intermedia, el departamento de bienestar
desea estimar el peso promedio de sus alumnos. El error debe ser más o
menos 3 libras y una confianza del 95%. ¿Cuál debe ser el tamaño de la
muestra, si la población de estudiantes es de 800 y además se estima
que la desviación típica es de 11 libras?
Solución:
Z=1,96
S=11
E=3
N=800
(1,96)2 ∗ 800 ∗ (11)2
𝑛= 2 2 2 48,52 = 49 𝑎𝑙𝑢𝑚𝑛𝑜𝑠
[800 ∗ (3) ] + [ 1,96 ∗ 11 ]
TEMA 1. MUESTREO
Ejemplo:
Se requiere estudiar la valoración de la calidad de los servicios de salud
en pacientes que acudieron al servicio de ginecología del hospital Y, en el
mes de Abril del 2019. Para ello se conoce que el tamaño de la población
es 3.000 pacientes. Asumiendo un nivel de confianza del 95% y una
probabilidad de éxito del 96%, calcule el tamaño de la muestra.
Fin del Módulo
Muchas gracias……

Presentación de Estadística Probabilística PDF

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Presentación de Estadística Probabilística PDF

Загружено:

Авторское право:

Доступные форматы

ESTADÍSTICA PROBABILÍSTICA

PROGRAMA DE INGENIERÍA INDUSTRIAL –

Fray Ramiro Romero Osorio

Fecha de Inicio: 15-10-2019

Primer Examen 25 % (29 Octubre)

UNIDAD II. DISTRIBUCIÓN DE PROBABILIDADES

UNIDAD III. INTRODUCCIÓN A LA INFERENCIA

Al lanzar una moneda cual es la probabilidad que Caiga Sello.

Estadística Probabilística: La rama de las matemáticas que: estudia,

Para que un experimento sea aleatorio, se deben dar dos hechos

Experimento Aleatorio: Aquel que no se puede predecir.

Es importante clarificar al definir lo que es experimento, donde los datos

Esta aclaración nos permite definir la Probabilidad Apriori y la Empírica.

Probabilidad Apriori: Es aquella que se determina sin necesidad de

Ejemplo: Lanzamiento de una moneda.

Probabilidad Subjetiva: Creencia de una persona de la posibilidad de que

Frecuencia Relativa: Es un método empírico que resulta al dividir el

Espacio Muestral (S): Grupo de resultados específicos que se pueden

Ejemplo: Al lanzar un dado el espacio muestral sería (1, 2, 3, 4, 5, 6)

Evento: es un subconjunto del espacio muestral de un experimento

Ejemplo: Al lanzar tres monedas al tiempo que salgan tres sellos.

Evento Compuesto: Siendo aquel que tiene dos o más puntos

Ejemplo: Al lanzar tres monedas al tiempo que salgan al menos dos

B = (SSS), (SSC), (SCS), (CSS)

Evento Imposible: Es aquel que no tiene posible resultado.

Por ejemplo: Al tirar un dado obtener una puntuación igual o mayor a 7.

Permutación: Es la variación del orden o de la disposición de los

Ejemplo: Sea el conjunto (1, 2, 3) existe permutación (3, 1, 2).

Combinación: Técnica de conteo que permite calcular el número de

Ejemplo: Si se seleccionan 5 cartas de 9 que hay, cuanto sería el número

• Calcule la probabilidad de obtener en uno de los datos el 2 y en el otro

1. U = (CCC, CCS, CSC, SCC, CSS, SCS, SSC, SSS)

2. U = 11, 12, 13, 14, 15, 16

¿Cuantas combinaciones se pueden hacer con las 4 letras anteriores, si solo se

¿Cuantas palabras de 18 letras se pueden formar con la Frase Santa fe

En un evento de belleza se seleccionaron la reina, la virreina y la

¿De cuantas maneras se pueden sacar 10 naranjas de una caja que

Se ha dicho que el espacio Muestral es el conjunto de resultados posibles de

Cualquier subconjunto del espacio Muestral es considerado como evento, un

Ejemplo: Lanzamiento de un dado

P3= 1/6 = 0,167 = 16,7%

El evento favorable es el 3, es decir, hay un evento elemental posible en el

Los cinco eventos restantes, se denominan eventos complementarios. Se dice

Recordemos que la probabilidad representada en el espacio Muestral es 100%.

Además la probabilidad de que un evento no ocurra es igual a uno, menos la

Los eventos A y A’ son complementarios.

Supongamos ahora, que al realizar el experimento de un lanzamiento de un

Se dice que si dos eventos A y B son mutuamente

Es decir que la probabilidad de que ocurra uno o el otro evento es igual

Los eventos A y B son mutuamente excluyentes, ya que no se superpone, es

¿Cual es la probabilidad de extraer un As, o u Seis de

Ahora, si deseamos saber cual es la probabilidad de que al extraer una carta

Observemos que al extraer la carta puede ser As, pero

También se dice que no son mutuamente excluyentes.

En una muestra de 750 estudiantes, 300 dijeron tener un video

Si un estudiante es seleccionado al azar, ¿Cuál es la probabilidad

Si un estudiante es seleccionado al azar, ¿Cuál es la probabilidad

Supongamos que se dispone de tres barajas de 52 cartas. Se desea extraer tres

En una fabrica de calzado se manufactura independientemente costura (toda la

Una máquina en buenas condiciones de trabajo, produce un artículo defectuoso

2. Se extraen tres cartas sin reposición de una baraja de 52 cartas; ¿Cuál es

El teorema de bayes se utiliza para analizar probabilidades posteriores,

¿Cuál es la probabilidad de que al seleccionar un producto, este sea malo y

Siendo 𝜇=2; recuerden 𝜇=np = 4(0,5) = 2