Estadistica y Probabilidades2

UNIVERSIDAD TECNICA DE AMBATO
FACULTAD DE INGENIERIA EN SISTEMAS, ELECTRONICA E INDUSTRIAL

ESTADISTICA Y PROBABILIDADES
Nivel: TERCERO
Carreras: Sistemas, Electrnica e Industrial
Docente: Ing. LUIS MORALES
ESTADISTICA
INTRODUCCIN
QU ES LA ESTADSTICA?
Es una rama de las matemticas que tiene por objetivo la recopilacin, clasificacin,
interpretacin o anlisis y presentacin de datos del fenmeno o hecho que se est
estudiando.
DEFINICIN.- Es una ciencia cuantitativa que describe los fenmenos colectivos, los
analiza cientficamente y predice conclusiones o resultados lo ms objetivo posible.
OTRAS DEFINICIONES
Es la ciencia de la recopilacin, clasificacin, presentacin e interpretacin de

datos.
Es una ciencia incluida en el conjunto de las matemticas, cuyo campo de accin es
el de recoger, ordenar, clasificar e interpretar los datos proporcionados por la
investigacin cientfica, permitiendo conocer a travs de ellos con la mayor
precisin posible, los caracteres de los hechos y fenmenos observados o que se
produce en las diferentes ciencias.
OBJETIVOS DE LA ESTADSTICA
1. Clasificar o reordenar, analizar y presentar grficamente el conjunto de datos
obtenidos de manera que sea fcil reconocer los hechos ms importantes o
significativos del fenmeno o problema a analizar.
2. Mediante el clculo de probabilidades y correlacin estadstica pretende predecir
las condiciones futuras mediante el conocimiento de las condiciones pasadas y
presentes. Ejemplo: crecimiento poblacional
3. Lograr informacin sobre una gran masa de hechos, tomando para ello una
muestra representativa. Ejemplo: eleccin de autoridades de un pas.
TIPOS DE ESTADSTICA.
ESTADSTICA DESCRIPTIVA.- Se ocupa de la presentacin y anlisis de hecho o fenmeno,
explicando sus diferentes partes, pero sin extraer conclusiones que puedan generalizarse
a un todo.
Mtodo de la estadstica descriptiva.
1. Recoleccin de datos.- Obtener los datos relacionados con el problema motivo de
estudio para lo cual utiliza tcnicas de la investigacin cientfica.
2. Clasificacin.- Ordenar y tabular datos.

3. Anlisis.- Utilizar tcnicas estadsticas para buscar aspectos relevantes.
4. Presentacin.- Mediante tablas o grficos presentar los resultados obtenidos.
ESTADSTICA INFERENCIAL.- Extrae conclusiones vlidas de una muestra de la poblacin
investigada que una vez ensayada y analizada, pueden proporcionar ciertas caractersticas
comunes de la poblacin.
Mtodo de la estadstica inferencial.
1. Delimitar el problema o fenmeno motivo de estudio.
2. Formulacin de hiptesis.- Describir o hacer el enunciado o enunciados que sern
objetos de comprobacin (hiptesis) para que posteriormente sean admitidos o
rechazados.
3. Recoleccin de datos.- Obtener los datos relacionados con el problema motivo de
estudio para lo cual utiliza tcnicas de la investigacin cientfica.
4. Clasificacin.- Ordenar y tabular datos.
5. Anlisis.- Utilizar tcnicas estadsticas para buscar aspectos relevantes.
6. Aceptacin o rechazo de la hiptesis.- Una vez que se ha aplicado la prueba
estadstica conveniente, se debe realizar el ensayo de hiptesis, mediante el cual
se la acepta o se la rechaza
7. Conclusiones.- Bajo el supuesto de no haber incurrido en fallas se toman las
decisiones que sean confiables y oportunas para dar solucin al problema.
INVESTIGACIN ESTADSTICA
Cuando se realiza una investigacin las caractersticas bsicas que debe tener la misma
son:
Validez.- Que sea demostrable.

Confiabilidad.- Que permita ser aplicable con igual o parecidos resultados.
Precisin.- Que su exactitud sea satisfactoria en concordancia con el objetivos de la
investigacin.
Antes de realizar cualquier investigacin es imprescindible determinar el fenmeno que se

va a investigar y las caractersticas que interesa para el anlisis es decir clarificar Qu es
lo que se quiere investigar.
FENMENO ESTADSTICO
Es la conformacin de un grupo o colectivo alrededor de ciertas caractersticas que
permitan ser investigadas en cuanto a su comportamiento.
Los fenmenos pueden ser de carcter econmico, social, poltico, deportivo u otros.
ETAPAS DE LA INVESTIGACIN ESTADISTICA
Permite sealar con claridad las fases o actividades necesarias en cuanto a una
investigacin.
En un proceso de investigacin estadstica se debe seguir cuatro fases fundamentales:
1. RECOPILACIN DE DATOS
Esta fase tiene como objetivo recopilar u obtener informacin que se requiere en la
investigacin estadstica. Los datos pueden recopilarse de fuentes interna y externa.
Fuente Interna.- Los datos se obtienen dentro de la organizacin o institucin que

auspicia la investigacin.
Fuente Externa.- Los datos se obtienen de fuentes ajenas a la organizacin y se los
puede obtener a travs de datos publicados, encuestas, observacin directa.
2. CLASIFICACIN DE LOS DATOS

Los datos recolectados de cualquier fuente deben ser organizados. Los de fuente interna y
fuente externa mediante datos publicados deben ser relaborados. Mientras los obtenidos
a travs de encuestas deben ser organizados mediante un proceso que abarca tres etapas.
2.1 Correccin de datos.- Consiste en la depuracin de datos, descartando respuestas
vagas, incompletas y errneas.
2.2 Organizacin de los datos.- Es un proceso de ordenamiento en funcin de la
similitud de caractersticas y obedeciendo a cuatro aspectos diferenciales:
TIEMPO, AREAS ESPACIALES, MAGNITUD Y MODALIDADES o CATEGORAS, las
cuales determinan series cronolgicas, geogrficas, cuantitativas y cualitativas
respectivamente.
2.3 Tabulacin.- Resumir los datos clasificados en tablas.
3. PRESENTACIN DE DATOS
Es el proceso mediante el cual los datos deben presentarse definitivamente en forma clara
y adecuada para su respectivo anlisis e interpretacin.
Los datos se pueden presentar de tres formas: textual, tabular, grfica.
3.1 Presentacin textual.- Es un tipo particular de presentacin que se lo utiliza

cuando la investigacin abarca pocos datos y se los describe mediante palabras o
smbolos. Este tipo de presentacin los utiliza usualmente los medios de
comunicacin impresos.
3.2 Presentacin tabular.- Se utiliza tablas para presentar la informacin la cual debe
contener ttulo, encabezado, columna matriz y cuerpo.
3.3 Presentacin graficativa.- Se presenta los datos mediante grficas como
histogramas, Diagramas de pastel, polgonos de frecuencia.
MEDIDAS DE TENDENCIA CENTRAL

TRMINOS ESTADSTICOS
VARIABLE: Es una caracterstica cualitativa o cuantitativa que puede tomar diferentes
valores para cada uno de los elementos de la poblacin. Ejemplo: Estaturas de los
estudiantes de tercer nivel de la FISEI de la Universidad Tcnica de Ambato.
VARIABLE DISCRETA: Es una caracterstica cuantitativa que no puede tomar valores
comprendidos entre dos nmeros enteros consecutivos. Ejemplo: Nmero de presidentes
constitucionales del Ecuador.
VARIABE CONTINUA.- Es una caracterstica cuantitativa que puede tomar cualquier valor
numrico. Ejemplo: Edad de los Presidentes constitucionales del Ecuador.
POBLACIN: Es el grupo o colectivo que va hacer investigado y que posee caractersticas
comunes. Ejemplo: Profesores de educacin media de la provincia de Tungurahua.
Parmetros.- Son los valores numricos que corresponden a las caractersticas de la
poblacin. Ejemplo: Media aritmtica de la edad de los profesores de educacin media de
la provincia de Tungurahua.
MUESTRA: Es una parte de la poblacin de cuyo anlisis se puede obtener caractersticas
que corresponden a la poblacin. Ejemplo: Profesor de educacin media del cantn
Ambato.
Estadstico.- Son los valores numricos que corresponden a las caractersticas de la
muestra. Ejemplo: Media aritmtica de la edad de los profesores de educacin media del
cantn Ambato.
TAMAO DE LA MUESTRA
Para calcular el tamao de la muestra se puede recurrir a diferentes frmulas en las cuales
se toma en cuenta el tamao de la poblacin, el error que se considera aceptable en el
clculo de la muestra, la expresin que se utilizara en ste mdulo para dicho clculo es la
siguiente:
Donde:
n: Tamao de la muestra
m: Tamao de la poblacin.
e: error admisible
Ejemplo: En una poblacin de 10000 alumnos Cul es tamao de la muestra si el

error mximo admisible es del 5%?
) (
n = 384.65 z 386 alumnos

Caractersticas de la muestra:
-
Debe ser representativa.- Es decir que represente en verdad a toda la poblacin

salvo el margen de error admisible.
Tamao adecuado.- De tal modo que los resultados de la investigacin no sean
dudosos por haber tomado una muestra muy pequea.
Que el margen de error admisible est dentro del lmite aceptado por la estadstica
< = 15%.
REDONDEO DE DATOS
En la actualidad, con el uso de las computadoras, se pueden obtener miles de cifras
decimales o enteras, pero en la estadstica no se requiere de la precisin absoluta, sino
ms bien de la aproximacin o redondeo de ciertos valores. Para realizar la aproximacin
o redondeo se puede utilizar sistemas de redondeo.
Sistemas de redondeo:
Sistema convencional
ste sistema menciona que si el ltimo dgito es menor que 5 se lo suprime y la cantidad
resultante es la misma:
Ejemplos:
7,23
redondeando a la dcima sera
7,2
10, 284
redondeando a la centsima sera
10,28
Si el ltimo dgito es mayor o igual que 5, se lo suprime y el dgito anterior es redondeado

a la cifra inmediata superior.
Ejemplos:
8,277
redondeando a la centsima es
8,28
14,375
redondeando a la centsima es
14,38
Sistema internacional
Cuando la cantidad entera de un nmero es impar se aumenta una unidad ms.
Ejemplo:
39,5
redondeando a dos cifras enteras
40
Si la fraccin decimal es exactamente 5 y si le precede una cifra par, no vara el nmero.

Ejemplo:
74,5
redondeando a dos cifras enteras
74
MEDIDAS DE TENDENCIA CENTRAL PARA DATOS NO AGRUPADOS

CONCEPTO.- Son los valores ms representativos de un conjunto de datos o valores con
los cuales se pueden hacer comparaciones y que sirven de base para un sistema
estadstico.
TIPOS
1. COMPUTACIONALES: Utilizan formulas comprobadas matemticamente o
cientficamente
2. NO COMPUTACIONALES O POSICIONALES: Cuando se lo realiza por simple
observacin o se utilizan frmulas empricas con principios de interpolacin.
MEDIDAS COMPUTACIONALES
MEDIA ARITMETICA ( )
Es la razn de la sumatoria de los valores de la variable para el nmero total de ellas.
Ejemplo:
Mediante los siguientes datos hallar la media aritmtica. 10, 8, 6, 5, 10, 7
Aproximado
MEDIA ARITMETICA PONDERADA ()

Consiste en asignar importancia pesos a cado uno de los valores de la variable:
Ejemplo: Promedio de calificaciones las materias seguidas en tercero.
Materia
Importancia Nota
Fsica
Estadstica
4.7
Redes
8.5
Programacin 8
9.1
Clculo
10
7.4
Circuitos
10
8.3
MEDIA ARITMTICA CON FRECUENCIAS ()

Es utilizada cuando los valores de la variable se repiten muchas veces.
Del ejemplo de la media aritmtica:
Aproximado
Propiedades de la media aritmtica:

1.- La sumatoria de los valores de la variable X menos la media aritmtica es cero o
aproximadamente cero.
(
2.- La sumatoria (
es mnimo cuando X=
Desventaja:
La media aritmtica se ve muy afectada por valores extremos que tengan las variables.
MEDIA GEOMETRICA ( )
Se define como la raz ensima del producto de los n valores que puede tomar la
variable X.
Ejemplo: Hallar la media geomtrica de los nmeros 3, 5, 6, 6, 7, 10, 12
Ventaja:
Es menos influenciada por valores externos a diferencia de la media aritmtica.
Desventaja:
No es aplicable cuando existe valor 0 o cuando en ciertos casos hay nmeros negativos.
MEDIA ARMNICA ()
Es el recproco de la media aritmtica de los recprocos de los valores de la variable X.
Ejemplo: Una persona viaja de A hasta B con una velocidad media de 30 millas por hora
(mi/h) y regresa de B hasta A, a una velocidad media de 60 mi/h. Cul es la velocidad
media en el viaje completo.
mi/h
La media armnica est asociada directamente con series mecnicas donde intervenga el
tiempo.
MEDIDAS POSICIONALES
MEDIANA (MED)
Es el valor ms central de la serie, divide al conjunto de valores en 2 partes iguales. Se la
puede calcular mediante un promedio o por simple observacin. La mediana es un
parmetro de tendencia central muy aplicado y que es muy cercano a la media aritmtica
pero que no se ve influenciado en absoluto por los valores extremos. No se utiliza en
clculos matemticos muy profundos.
Ejemplo: encuentre la mediana de los siguientes nmeros: 9.6, 8.0, 7.7, 6.5, 10.0, 9.9
Para encontrar la mediana se sigue los siguientes pasos.
1. Ordenar los datos. Puede ser en forma ascendente o descendente.
10.0 9.9 9.6 8.0 7.7 6.5
2. Si el nmero de datos es par, se escoge los dos valores ms centrales y se les saca
un promedio.
3. En el caso de que el nmero de datos sea impar, se escoge el valor central de los
datos ordenados. Ejemplo: en los datos 14, 9, 8, 6, 5, 4, 3 la mediana sera 6.
MODA (MOD)
Es el valor que ms se repite en una serie estadstica
Ejemplo: encuentre la moda de los siguientes valores 3, 5, 6, 6, 7, 10, 12.
La moda es 6.
Nota: Cuando existe ms de un nmero que se repite el mismo nmero de veces se dice
que no existe moda, a su vez se denomina segn el nmero de veces que se repite el valor
seria bimodal, trimodal, etc. Segn sea el caso.
Ejemplo: 3, 5, 6, 6, 7, 10,10, 12.
Se puede decir que la moda es bimodal por el nmero 6 y 10; o a su vez que no existe moda.
CUANTILES
Es el nmero de partes que se divide una serie estadstica o un conjunto de valores. Se
tiene cuatro tipos de cuantiles a saber:
CUANTILES
# DE PARTES QUE DIVIDE

LA SERIE
# DE CUANTILES A
ENCONTRAR
Cuartiles (Ki)
Quintiles (Qi)
Deciles (Di)
10
Percentiles (Pri)
100
99
Para el clculo de los cuantiles en datos no agrupados primeramente se debe ubicar la

posicin en la serie a travs de frmulas empricas para posteriormente determinar el
valor correspondiente.
Las frmulas empricas para encontrar la posicin de los cuantiles es:
1.- Cuartiles:
(
2.- Quintiles:
3.-Decil:
4.-Percentil:
Donde:
N: Nmero de valores de la variable
i: Nmero de posicin del cuantil.
Ejemplo: La estatura en metros de siete estudiantes de ingeniera fueron: 1.83, 1.72, 1.77,
1.80, 1.71, 1.85, 1.80; determinar el quintil nmero uno, decil nmero 6, cuartil nmero 3,
percentil nmero 61.
Para poder calcular los cuantiles es necesario en primer lugar ordenar los valores ya sea
en forma descendente o ascendente.
En forma descendente: 1.85 1.83 1.80 1.80 1.77 1.72 1.71
Cuartil 3
(
Es la posicin que va a tener el valor en la serie
Para encontrar el valor se procede a contar las posiciones en forma descendente por lo
tanto el valor de cuartil 3 es V(Q3) = 1.72
Quintil 1
(
(
)
)
Cuando la posicin del cuantil no es un nmero entero se procede a interpolar el valor de

la siguiente forma:
1. Se observa entre que datos esta contenido el valor dependiendo de la posicin
calculado, en ste ejemplo la posicin es 1.6 por lo tanto el valor buscado estar
entre 1.85 y 1.83
2. Se interpola de la siguiente forma:
(
[
(
)]
Decil 6
(
(
(
[
(
)]
Percentil 61
(
(
(
)
(
)
[
)]
MEDIDAS DE DISPERSION PARA DATOS NO AGRUPADOS

CONCEPTO.- Es el grado de alejamiento de los valores de la serie estadstica con respecto
a una medida de tendencia central.
La dispersin de los datos intenta dar una idea de cun esparcidos se encuentran stos, es
de mucha utilidad cuando se realiza un anlisis estadstico en mediciones, en control de
produccin, en investigacin estadstica y cuando se requiere realizar anlisis de cualquier
informacin que se investigue.
Las ms utilizadas son rango, rango semiintercuartil, rango percentil, MAD, desviacin
tpica o estndar, coeficiente de variacin.
RANGO (R)
Es la diferencia entre el valor mximo y el valor mnimo del conjunto de valores de la serie
estadstica.
R
L.min
L.max
Ejemplo: Cul es el rango del conjunto de datos 2, 3, 3, 5, 5, 5, 8, 10, 12
RANGO SEMIINTERCUARTIL (RK)

El rango semiintercuartil es la distancia dividida para dos entre el cuartil tres y el cuartil
uno.
(
RANGO PERCENTIL (RPr)

Es la distancia que existe entre el percentil noventa y el percentil diez.
(
Ejemplo: Para los siguientes datos calcule el rango semiintercuartil y rango percentil. 12,
6, 7, 3, 15, 10, 18, 5.
Antes de resolver se debe ordenar los datos en forma descendente o ascendente.

18
15 12 10
Se procede a calcular las posiciones y valores de los cuartiles y percentiles.

(
)
(
(
)]
)
)
(
)
(
)]
Finalmente se calcula los valores de los rangos.
Recordar que el rango es una distancia por lo tanto no se toma en cuenta el signo.
DESVIACION MEDIA ABSOLUTA (MAD)
Media
Diferencia
Sin el signo
Promedio
Desviacin
Absoluta
Permite determinar el promedio de las desviaciones con respecto a una medida de

tendencia central ya sea esta computacional o posicional.
Computacional
Posicional
DESVIACION TPICA O ESTANDAR ()

Permite calcular el grado de dispersin real de una serie estadstica por que utiliza
desviaciones cuadrticas para su clculo
Computacional
Posicional
VARIANZA (2)
La varianza no es ms que la desviacin tpica elevada al cuadrado y es utilizada para el
clculo inicial de la dispersin pero tiene el inconveniente de que las unidades quedan
elevadas al cuadrado.
VARIANZA EXPERIMENTAL (2)

Es una variante de la varianza que se utiliza en el clculo de la incertidumbre
generalmente presente en las mediciones.
(
(
)
)
COEFICIENTE DE VARIACION (CV)

Permite determinar en porcentaje el grado de dispersin que existe en los valores de la
serie estadstica.
Ejemplo 1: Para el conjunto de datos mostrados calcule todas las medidas de dispersin
analizadas. 18, 15, 12, 10, 7, 6, 5, 3
Xi
|Xi-X|
(Xi-X)2
18
8.5
72.25
15
5.5
30.25
12
2.5
6.25
10
0.5
0.25
2.5
6.25
3.5
12.25
4.5
20.25
6.5
42.25
sumatoria 34
190
Media aritmtica
Desviacin media absoluta
Desviacin Tpica
Varianza
Coeficiente de variacin
DATOS AGRUPADOS
La agrupacin de datos generalmente responde a necesidades de carcter metodolgico
debido a que cuando se tienen demasiados valores de las variables investigadas es
imposible analizarlos sin previamente ordenarlos o agruparlos de alguna manera. Razn
ms que fundamental para utilizar conceptos como frecuencias, distribucin de
frecuencias, intervalos, clases que a continuacin se definirn.
DISTRIBUCION DE FRECUENCIAS
Organizar los datos en series estadsticas de tipo cuantitativas a travs de clases y
frecuencias para posteriormente determinar por separado mediante tcnicas de conteo el
nmero de observaciones pertenecientes a cada una de ellas.
Tabla de distribucin de frecuencias.- Colocar las clases y frecuencias en tablas
tabulacin para su posterior anlisis mediante tcnicas estadsticas.
Clase.- Categoras o niveles que se establece al clasificar o dividir los datos obtenidos en
una investigacin.
Frecuencias (f) .- Es el nmero de veces que se repite un mismo valor de la variable. En la
distribucin de frecuencias se considera la frecuencia de la clase que es el nmero de
valores que estn contenidos en una clase.
Tabla de distribucin de frecuencias
Clases
CLASES
0.1355
0.1287
0.1287
0.1219
0.1219
0.1151
0.1151
0.1083
0.1083
0.1015
0.1015
0.0947
0.0947
0.0879
f
5
6
10
14
9
5
1
Frecuencias de
clase
Intervalo de clase.- Son todos los valores que estn comprendidos entre dos lmites
incluidos ellos. Ejemplo: en el intervalo de 70 a 75 estn incluidos los valores de 70, 71, 72,
73, 74, 75.
Lmites de clase.- Son los valores extremos que forman el intervalo, siendo los valores
ms grande y ms pequeo de la clase respectivamente. Del ejemplo anterior el lmite
inferior es 70 y el lmite superior es 75.
Lmites reales de clase.- Son los valores verdaderos que se consideran como lmites
tomando en cuenta que los valores pueden aproximarse a un nmero determinado de
cifras significativas. Ejemplo: en los datos anteriores los lmites reales son: 69.5 y 75.5.
Se considera el limite real inferior (LRi) y lmite real superior (LRs). Para encontrarlos se
debe considerar el nmero de cifras decimales que tiene los datos y aumentarle y quitarle
5 a las ltimas cifras segn sea el caso.
Ejemplo: los lmites de un intervalo son 56.786 y
reales?
LRi = 56.7855
60.787. Cules sern los lmites
LRs = 60.7875
Amplitud o recorrido de la variable Rango (R)

Se define como la distancia o diferencia que se establece entre el valor mayor y el valor
menor de la variable en el conjunto de datos recolectados.
Ancho del intervalo o longitud de clase (i).- Es la diferencia entre los lmites reales
superior e inferior.
NOTA: i tiene que tener

un decimal ms que los
que tienen los datos.
Nmero de intervalos (ni).- Constituye un nmero entero que refleja la totalidad de las
clases. Se puede calcular a travs de las siguientes frmulas.
Frmula de Sturges
( )
Donde: n = nmero de datos.
En el caso de que se plantee el ancho del intervalo el nmero de intervalos ser:
NOTA: (ni) siempre va a

Ser un valor entero.
Generalmente se calcula primero el nmero de intervalos y luego el ancho del intervalo

con la expresin.
El nmero de intervalos no debe ser

menor a 5 ya que las frecuencias
estaran muy concentradas
El nmero de intervalos no debe ser

mayor que 15 ya que las frecuancias
estaran muy dispersas.
Frecuencia acumulada (fa).- Es la suma de las frecuencias a partir de la frecuencia del

ltimo de los intervalos.
Frecuencia relativa (fr).- Es la relacin que se establece al dividir la frecuencia de cada
clase para el nmero total de datos.
Frecuencia porcentual (%f).- Es el producto de la frecuencia relativa por el cien por ciento.
Marca de clase (Xm).- Es el valor promedio de cada intervalo.
Ejemplo: Elabore una tabla de distribucin de frecuencias para los siguiente datos
presentados.
0.110
0.113
0.124
0.117
0.108
0.118
0.110
0.098
0.118
0.111
0.120
0.106
0.126
0.122
0.132
0.112
0.099
0.128
0.112
0.105
0.108
0.101
0.102
0.094
0.117
0.103
0.115
0.112
0.129
0.111
Rango:
Nmero de intervalos (ni)
0.113
0.119
0.120
0.111
0.115
0.135
0.100
0.107
0.119
0.121
0.107
0.117
0.123
0.103
0.130
0.122
0.113
0.109
0.100
0.134
Ancho del intervalo (i)

Para comenzar a elaborar la tabla se toma el valor mayor de los datos y se lo toma como
lmite real superior es decir se lo adiciona 5 como ltima cifra decimal es decir: 0.135
como lmite real superior sera 0.1355.
Posteriormente para encontrar el lmite real inferior se lo hace restando del lmite real
superior el ancho del intervalo.
Este lmite calculado se convierte en el superior del siguiente intervalo y as se procede

hasta obtener el nmero de intervalos calculados.
CLASES
0.1355
0.1287
0.1287
0.1219
0.1219
0.1151
0.1151
0.1083
0.1083
0.1015
0.1015
0.0947
0.0947
0.0879
SUMATORIA
Xm
0.1321
0.1253
0.1185
0.1117
0.1049
0.0981
0.0913
f
5
6
10
14
9
5
1
50
fa
50
45
39
29
15
6
1
fr
0.1000
0.1200
0.2000
0.2800
0.1800
0.1000
0.0200
%f
10.0000
12.0000
20.0000
28.0000
18.0000
10.0000
2.0000
1.0000
100.0000
Nota: La primera y la ltima siempre debe tener un valor de frecuencia y no puede ser
cero.
PRESENTACIN GRFICA DE LA DISTRIBUCIN DE FRECUENCIAS

Para observar mejor los datos agrupados en la distribucin de frecuencias se recurre a la
presentacin grfica de los mismos utilizando sistemas de referencia adecuados,
generalmente el primer cuadrante del sistema cartesiano.
Histograma.- Un histograma es un conjunto de rectngulos que estn juntos unos a otros
y que tienen el mismo espesor y que corresponde al ancho del intervalo. En el eje X se
representa las clases y en el eje Y las frecuencias. Ejemplo
Frecuencias
Histograma
16
14
12
10
8
6
4
2
0
46.3
42.1
37.9
33.7
29.5
25.3
21.1
50.5
46.3
42.1
37.9
33.7
29.5
25.3
Serie Estadstica
Polgonos de frecuencia.- Es un grfico de trozos de la frecuencia de cada clase con
relacin a las marcas de clase; se lo puede representar en el mismo grfico del histograma
simplemente aadiendo un punto ms antes y despus de la ltima y la primera clase.
El polgono de frecuencias se grafica utilizando las marcas de clase en el eje X y las
frecuencias en el eje Y. Ejemplo
POLIGONO DE FRECUENCIAS
16
14
12
10
8
POLIGONO DE
FRECUENCIAS
6
4
2
0.0913
0.0981
0.1049
0.1117
0.1185
0.1253
0.1321
Diagrama de sectores pastel.- El diagrama de sectores es una representacin de los

datos en un circulo para lo cual se utiliza los valores de la frecuencia porcentual (%f)
distribuidos en los 360 grados que posee dicho circulo. Para lo cual se puede recurrir
fcilmente a una regla de tres.
100 %
360 grados
%f
Ejemplo:
DIAGRAMA DE SECTORES
2.0
10.0
10.0
1
12.0
18.0
2
3
4
20.0
5
6
28.0
Diagrama de frecuencias acumuladas Ojiva.- El diagrama de frecuencias acumuladas

permite observar la tendencia de concentracin de los datos segn la longitud de los
segmentos dibujados.
Para graficar se lo debe hacer colocando en el eje X las marcas de clase, y en el eje Y las
frecuencias acumuladas. Ejemplo
Frecuencia acumulada
60
50
40
30
20
10
0
0.1321
0.1253
0.1185
0.1117
0.1049
0.0981
0.0913
Frecuencia acumulada
MEDIDAS DE TENDENCIAL CENTRAL PARA DATOS AGRUPADOS

CONCEPTO.- Son los valores ms representativos de un conjunto de datos o valores
agrupados en la tabla de distribucin de frecuencias con los cuales se pueden hacer
comparaciones y que sirven de base para el anlisis de un sistema estadstico.
TIPOS
COMPUTACIONALES: Utilizan formulas comprobadas matemticamente o cientficamente
para su clculo pero que utilizan las frecuencias y marcas de cada clase a diferencia de los
datos no agrupados.
NO COMPUTACIONALES O POSICIONALES: Se utilizan frmulas empricas con principios
de interpolacin y que utilizan las columnas de frecuencia, frecuencia acumulada y lmites
para su clculo.
MEDIDAS COMPUTACIONALES
MEDIA ARITMETICA ( )
Es la razn de la sumatoria de los valores de la marca de clase por la frecuencia de cada
clase para el nmero total de datos.
MEDIA GEOMETRICA ( )
Se define como el antilogaritmo de la razn entre la sumatoria del producto de las

frecuencias de cada clase y el logaritmo decimal de las marcas de clase para el nmero de
datos.
El antilogaritmo es la operacin contraria al logaritmo.
MEDIA ARMNICA ()
Es el recproco de la media aritmtica de los recprocos de la marca de clase por la
frecuencia de cada una de las clases.
Las operaciones de multiplicacin y

sumas se las realiza rpidamente en la
misma tabla de distribucin de
frecuencias
Ejemplo: En la oficina de un diario, el tiempo que se tardan en imprimir la primera plana

fue registrado durante 50 das. A continuacin se presentan los datos.
20.8
25.3
23.7
21.3
19.7
22.8
20.7
20.3
21.5
24.2
21.9
22.5
23.6
23.1
23.8
DATOS
20.7
20.9
23.8
23.3
25.1
25
24.2
24.1
23.8
24.3
22
21.2
19
19.9
20.7
25
20.9
19.5
19.8
21.1
22.2
22.9
24.1
23.9
20.9
22.8
23.5
24.2
22.8
21.6
20.1
19.5
21.8
23.9
22.7
Determine las medidas de tendencia central computacionales.

Rango:

( )
( )

DISTRIBUCIN DE FRECUENCIAS
CLASES
Xm
fa
25.35
24.30
24.30
23.25
23.25
22.20
22.20
21.15
21.15
20.10
20.10
19.05
19.05
18.00
SUMATORIA
5
14
8
7
10
5
1
50
24.83
23.78
22.73
21.68
20.63
19.58
18.53
50
45
31
23
16
6
1
Medidas computacionales
Media aritmtica
fr
%f
0.10 10.00
0.28 28.00
0.16 16.00
0.14 14.00
0.20 20.00
0.10 10.00
0.02 2.00
1.00 100.00
f*Xm
124.13
332.85
181.80
151.73
206.25
97.88
18.53
1113.15
f*log(Xm) f*(1/Xm)
6.97
19.27
10.85
9.35
13.14
6.46
1.27
67.31
0.20
0.59
0.35
0.32
0.48
0.26
0.05
2.26
Media geomtrica
)
(
)
)
Media Armnica
MEDIDAS POSICIONALES
MEDIANA (MED)
Es el valor ms central de la serie estadstica, divide al conjunto de las clases en 2 partes
iguales. La mediana es un parmetro de tendencia central muy aplicado y que para su
determinacin se utiliza la columna de las frecuencias acumuladas junto con el ancho del
intervalo.
Donde:
: Lmite real inferior de la clase de la mediana.
: Frecuencia acumulada anterior a la clase de la mediana.
: Frecuencia de la clase de la mediana.
: Ancho del intervalo.
MODA (MOD)
Es el valor que ms se repite en una serie estadstica, para su clculo se utiliza la columna
de las frecuencias junto con el ancho del intervalo.
Donde
: Lmite real inferior de la clase modal.

CUANTILES
Es el nmero de partes iguales que se divide una serie estadstica, para su clculo se
determina con la columna de las frecuencias acumuladas y el ancho del intervalo.
CUARTIL (K)
La frmula utilizada para encontrar los cuartiles segn su nmero es:
Donde:
: Lmite real inferior de la clase del cuartil.
: Frecuencia acumulada anterior a la clase del cuartil.
: Frecuencia de la clase del cuartil.
j: Nmero del cuartil.
QUINTIL (Q)
La frmula utilizada para encontrar los quintiles segn su nmero es:
Donde:
: Lmite real inferior de la clase del quintil.
: Frecuencia acumulada anterior a la clase del quintil.
: Frecuencia de la clase del quintil.
j: Nmero del quintil.
DECIL (D)
La frmula utilizada para encontrar los deciles segn su nmero es:
Donde:
: Lmite real inferior de la clase del decil.
: Frecuencia acumulada anterior a la clase del decil.
: Frecuencia de la clase del decil.
j: Nmero del decil.
PERCENTIL (Pr)
La frmula utilizada para encontrar los percentiles segn su nmero es:
Donde:
: Lmite real inferior de la clase del percentil.
: Frecuencia acumulada anterior a la clase del percentil.
: Frecuencia de la clase del percentil.
j: Nmero del percentil.
Ejemplo: La tabla adjunta muestra los dimetros en centmetros de una muestra de 60
bolas de cojinete manufacturados por una fbrica.
1.738
1.736
1.728
1.738
1.736
1.729
1.735
1.738
1.739
1.744
1.743
1.724
1.725
1.727
1.732
1.740
1.733
1.733
1.735
1.737
1.736
1.742
1.734
1.735
1.731
1.741
1.736
1.732
1.732
1.746
1.735
1.739
1.733
1.735
1.735
1.731
1.735
1.730
1.727
1.735
1.726
1.745
1.732
1.734
1.729
1.737
1.736
1.730
1.732
1.734
1.728
1.742
1.739
1.736
1.730
1.737
1.740
1.734
1.741
1.740
Determine la mediana, la moda el cuartil 3, quintil 2, decil 5 y percentil 90. Utilice la raz
para el clculo del nmero de intervalos
Rango:
Medidas posicionales de tendencia central
CLASES
1.7465
1.7434
1.7434
1.7403
1.7403
1.7372
1.7372
1.7341
1.7341
1.7310
1.7310
1.7279
1.7279
1.7248
1.7248
1.7217
f
3
5
9
17
14
7
4
1
SUMATORIAS
60
fa
60
57
52
43
26
12
5
1
Xm
1.7450
1.7419
1.7388
1.7357
1.7326
1.7295
1.7264
1.7233
Mediana
Procedimiento de clculo:
1. Determine el resultado de
2. Con el resultado anterior determine en la columna de la frecuencia acumulada en

que clase queda contenido dicho valor. En este ejemplo est en la clase nmero 4,
ya que el valor de 30 es mayor que 26 y menor 43.
3. Se localiza el
frecuencias. Los valores son:
4. Se calcula la mediana
Moda
observando en la tabla de distribucin de
Procedimiento de clculo
1. En la tabla de distribucin de frecuencia se observa la clase que tiene mayor
frecuencia; sta se convierte en la frecuencia modal y se obtiene tambin el
. En ste ejemplo la frecuencia modal es 17 y lmite real inferior de la clase
modal es 1.7341. En el caso de haber ms de una clase con la misma frecuencia
no existir moda.
2. Se localiza la frecuencia premodal que es aquella que est antes de la frecuencia
modal en ste ejemplo es 14, y de la misma forma la postmodal que es la que est
despus de la frecuencia modal en ste ejemplo 9. Se comienza a contar desde la
ltima clase.
3. Se calcula
y
4. Se calcula la moda.
Cuantiles
El procedimiento de clculo es similar al de la mediana ya que hay que recordar que la
mediana es un cuantil que divide en dos partes iguales a la serie estadstica.
Cuartil 3.
Quintil 2.
Decil 5
Percentil 90
MEDIDAS DE DISPERSION PARA DATOS AGRUPADOS

CONCEPTO.- Es el grado de alejamiento de los valores de la serie estadstica con respecto
a una medida de tendencia central.
RANGO (R)
Es la diferencia entre el lmite real superior de la primera clase y el lmite real inferior de
la ltima clase.
RANGO SEMIINTERCUARTIL (RK)

El rango semiintercuartil es la distancia dividida para dos entre el cuartil tres y el cuartil
uno que se encuentren en la tabla de distribucin de frecuencias.
RANGO PERCENTIL (RPr)

Es la distancia que existe entre el percentil noventa y el percentil diez encontrados en la
tabla de distribucin de frecuencias.
DESVIACION MEDIA ABSOLUTA (MAD)

Media
Diferencia
Sin el signo
Promedio
Desviacin
Absoluta
Permite determinar el promedio de las desviaciones con respecto a una medida de

tendencia central ya sea esta computacional o posicional. Para su clculo se utiliza
frecuencias y marcas de clase.
Computacional
Posicional
DESVIACION TPICA O ESTANDAR ()

Permite calcular el grado de dispersin real de una serie estadstica por que utiliza
desviaciones cuadrticas para su clculo. Se determina con las frecuencias y marcas de
clase.
Computacional
(
Posicional
(
VARIANZA (2)
La varianza no es ms que la desviacin tpica elevada al cuadrado y es utilizada para el
clculo inicial de la dispersin pero tiene el inconveniente de que las unidades quedan
elevadas al cuadrado.
COEFICIENTE DE VARIACION (CV)

Permite determinar en porcentaje el grado de dispersin que existe en los valores de la
serie estadstica.
Ejercicio: En el ejemplo anterior calcule las medidas de dispersin.

Medidas de dispersin para datos agrupados
CLASES
1.7465
1.7428
1.7428
1.7391
1.7391
1.7354
1.7354
1.7317
1.7317
1.7280
1.7280
1.7243
1.7243
1.7206
f
4
7
15
20
9
4
1
SUMATORIAS
60
fa
60
56
49
34
14
5
1
Xm
1.7447
1.7410
1.7373
1.7336
1.7299
1.7262
1.7225
f*|Xm-X|
0.0392
0.0427
0.0361
0.0259
0.0450
0.0348
0.0124
f*(Xm-X)^2
0.0004
0.0003
0.0001
0.0000
0.0002
0.0003
0.0002
0.2361
0.0014
Rango
Rango semiintercuartil
Rango percentil
Desviacin media absoluta
Desviacin tpica o estndar

(
Varianza (2)
Coeficiente de variacin
RELACIN ENTRE MEDIDAS DE TENDENCIA CENTRAL COMPUTACIONALES Y MEDIDAS DE

DISPERSIN
CAMPANA DE GAUSS
La estadstica nos sirve para encontrar patrones de comportamiento y, as, entender
mejor un proceso.
Cuando el dato es una variable continua, es decir, que puede tomar cualquier valor entre
infinito y menos infinito; y cuando las causas especiales de variacin han sido eliminadas
del proceso, la distribucin ser parecida a una curva normal o campana de Gauss.
En este tipo de distribucin se sabe que el 68 % de los datos caern entre +/- 1 desviacin
estndar (1 Sigma) a cada lado de la Media. A +/- 2 Sigmas el 95 % de los datos.
Este patrn es el que nos permitir saber rpidamente si los procesos estn controlados o
fuera de control.
CLCULO DE PERCENTILES
Los percentiles se pueden calcular en funcin de la media aritmtica y la desviacin tpica
o estndar ( ) de una forma rpida a travs de unas constantes que dependen del nmero
de percentil.
La expresin para determinar dichos percentiles es:
Donde:
Pr: Percentil
: Media aritmtica
Z: Constante segn el percentil elegido.
: Desviacin tpica o estndar.
Valores de la constante Z segn el percentil
Ejemplo de clculo:
En un estudio sobre la talla de una poblacin de estudiantes se la media aritmtica fue de

1750 mm, y la desviacin tpica de 67,07 mm. Calcular los valores de estatura que
quedaran comprendidos en el 90% de sta poblacin
Esto significa que se debe analizar los valores comprendidos entre el 5 y 95 % de la

poblacin por lo cual es necesario calcular el percentil 5 y 95.
El valor de Z segn la tabla para estos percentiles es de 1.65
Por lo tanto los valores de estatura que corresponden al 90% de la poblacin est entre
1639.3 mm y 1860.7 mm.
Utilidad de los percentiles
Los percentiles son muy tiles en el diseo y tienen mucha significancia en el
dimensionamiento. Ejemplo: analice el siguiente grfico.
Como dimensionar la estantera para que un porcentaje de la poblacin no tenga ningn

inconveniente en tomar la caja de la repisa. De una solucin.
MOMENTOS ESTADSTICOS
Al igual que las medidas de dispersin y de tendencia central los momentos estadsticos
permite tambin realizar un anlisis estadstico de los datos que resulten de la
investigacin estadstica.
Algunos de los momentos estadsticos son muy tiles en el anlisis de curvas de
distribucin de frecuencias por ejemplo en la determinacin el sesgo y el curtosis.
Concepto.- Es un parmetro que permite un anlisis cuantitativo de los datos de una serie
estadstica.
Se definen los momentos con respecto a la variable X y con respecto a la media aritmtica.
a) Con respecto a la variable X
Su frmula matemtica es:

Para datos no agrupados
Para datos agrupados
El momento de grado 1 con respecto a la variable X es la media aritmtica.
b) Con respecto a la media aritmtica
Su frmula matemtica es:

Si r = 1, el momento de grado 1 con respecto a la media aritmtica es cero, si r = 2, el

momento de grado dos con respecto a la media aritmtica es la varianza.
Tambin se puede definir un momento con respecto a un valor constante cualquiera.
Ejemplo 1:
Para los valores 5, 8, 7, 3, 2, 1, 9 calcule el momento de grado 1, momento de grado 4,
momento de grado 3 con respecto a la media aritmtica.
a) Momento de grado 1
Este valor corresponde a la media aritmtica.
b) Momento de grado 4.
c) Momento de grado 3 con respecto a la media aritmtica
Ejemplo 1:
Para la siguiente tabla de distribucin de frecuencias calcule el momento estadstico 6 y el
momento 5 con respecto a la media aritmtica.
Distribucin de frecuencias
CLASES
1.7465
1.7434
1.7434
1.7403
1.7403
1.7372
1.7372
1.7341
1.7341
1.7310
1.7310
1.7279
1.7279
1.7248
1.7248
1.7217
f
3
5
9
17
14
7
4
1
SUMATORIAS
60
fa
60
57
52
43
26
12
5
1
Xm
1.7450
1.7419
1.7388
1.7357
1.7326
1.7295
1.7264
1.7233
f*Xm
5.2349
8.7093
15.6488
29.5061
24.2557
12.1062
6.9054
1.7233
104.0894
f*Xm^6
84.6875
139.6479
248.6940
464.7526
378.6541
187.3036
105.8847
26.1872
1635.8117
f*(Xm-X)^5
0.0000000003
0.0000000001
0.0000000000
0.0000000000
0.0000000000
0.0000000000
-0.0000000002
-0.0000000002
-0.000000000001
a) Momento 6
b) Momento 5 con respecto a la media aritmtica
MOMENTOS ESTADSTICOS ADIMENSIONALES

Para evitar unidades particulares se utiliza los momentos adimensionales respecto a la
media aritmtica.
Todo momento adimensional se lo obtiene dividiendo para la desviacin tpica elevada al

exponente del momento.
( )
Para momento adicional 1 su valor ser cero, y para el momento adicional 2 su valor ser
1.
Ejemplo: Para los valores 5, 8, 7, 3, 2, 1, 9 calcule el momento adimensional 4.
La media aritmtica es 5.
a) Momento de grado 4 con respecto a la media aritmtica
Desviacin tpica:
Momento adimensional 4
SESGO
El sesgo es el grado de asimetra que tiene distribucin de frecuencia, es decir, cunto se
aparta de la simetra. Si la curva del polgono de frecuencias suavizado sin trazos rectos
de una distribucin tiende a la derecha una cola ms larga que a la izquierda, se dice
sesgada a la derecha, o de sesgo positivo. Por lo contrario si la distribucin tiene una cola
ms larga a la izquierda, se dice sesgada a la izquierda, o de sesgo negativo.
Sesgada a la derecha:
Sesgada a la izquierda:
Distribucin normal:
Coeficiente de Karl Pearson (SK)

Para una distribucin normal la media aritmtica, la moda, y la mediana tienen el mismo
valor. Mientras ms diferente sean media aritmtica y la moda, ms asimtrica es la curva
de distribucin. El coeficiente de Karl Pearson mide el grado de asimetra en unidades de
desviacin estndar con la siguiente expresin:
Si la media es mayor que la moda, entonces, SK es positivo. Es decir, el sesgo es positivo.

Si la media es menor que la moda, SK es negativo, es decir el sesgo es negativo.
Si la media es igual a la moda, SK=0 y la distribucin es simtrica.
Ejemplo: Para un conjunto de datos el valor de la media es 0.2608, el valor de la moda es

0.258. Por otra parte, el valor de la desviacin estndar es 0.0408. Qu tipo de
distribucin se tiene.
Respuesta: Se tiene una distribucin positiva o sesgada a la derecha.

Coeficiente de Arthur Bowley (SKK)
Este coeficiente, utiliza para su clculo los cuartiles de orden uno, dos y tres.
Si SKK es positivo, el sesgo es positivo.

Si SKK es negativo, el sesgo es negativo.
Si SKK = 0, la distribucin es simtrica.
Ejemplo: Calcular el coeficiente de Arthur Bowley para los datos en los cuales el cuartil 3
tiene un valor de 0.291, el cuartil 2 tiene un valor 0.260 y el cuartil 1 tiene un valor de
0.232.
El sesgo es positivo implica que es sesgada a la derecha.

Momento estadstico adimensional para la determinacin del sesgo
La expresin ms importante con sustento matemtico para la determinacin del sesgo es
a travs del momento estadstico adimensional 3.
Si
es positivo, el sesgo es positivo.
Si es negativo, el sesgo es negativo.
Si = 0, la distribucin es simtrica.
Ejemplo: Para la distribucin de frecuencias presentada a continuacin determine qu
tipo de curva de distribucin se obtiene.
Distribucin de frecuencias
CLASES
1.7465
1.7428
1.7428
1.7391
1.7391
1.7354
1.7354
1.7317
1.7317
1.7280
1.7280
1.7243
1.7243
1.7206
f
4
7
15
20
9
4
1
SUMATORIAS
60
fa
60
56
49
34
14
5
1
Xm
1.7447
1.7410
1.7373
1.7336
1.7299
1.7262
1.7225
f*Xm
6.9786
12.1867
26.0588
34.6710
15.5687
6.9046
1.7225
f*(Xm-X)^2
0.0004
0.0003
0.0001
0.0000
0.0002
0.0003
0.0002
f*(Xm-X)^3
0.000004
0.000002
0.000000
0.000000
-0.000001
-0.000003
-0.000002
104.0907
0.0014
-0.00000013
Media aritmtica
Desviacin tpica
Momento adimensional 3.
Momento estadstico 3 con respecto a la media.
Esto implica que la curva de distribucin de frecuencias est sesgada a la izquierda.

DISTRIBUCION DE FRECUENCIAS
MEDIA ARITMTICA
25
20
15
10
5
0
1.7200
1.7250
1.7300
1.7350
1.7400
1.7450
1.7500
CURTOSIS
La curtosis mide cuan puntiaguda es una distribucin con respecto a la distribucin
normal. Si tiene un pico alto se dice que es leptocrtica, mientras si es aplastada se dice
que es platicrtica. La distribucin normal segn ste criterio es mesocrtica.
Leptocrtica
Platicrtica
Mesocrtica
Momento estadstico adimensional para la determinacin de la curtosis

Una medida del la curtosis utiliza el cuarto momento respecto a la media adimensional y
viene dada por:
Una distribucin es mesocrtica cuando

Una distribucin es leptocrtica cuando
Una distribucin es platicrtica cuando
=3
>3
<3
Otra medida de la curtosis se la puede obtener a travs del clculo del rango
semiintercuartil y el rango percentil.
Curtosis =
Ejemplo: En la tabla de distribucin mostrada anteriormente calcule la curtosis.
f*(Xm-X)^4
0.00000004
0.00000001
0.00000000
0.00000000
0.00000001
0.00000002
0.00000002
0.00000010
Suma
Momento estadstico 4 con respecto a la media.
Esto implica que la curva de distribucin de frecuencias platicrtica.
TEORIA ELEMENTAL DEL MUESTREO

La teora del muestreo estudia la relacin entre una poblacin y las muestras tomadas de
ella. Se utiliza para estimar magnitudes desconocidas de una poblacin, tales como la
media y la varianza llamados como parmetros de la poblacin, a partir del conocimiento
de esas magnitudes estadsticos sobre muestras.
Permite tambin determinar si las diferencias observadas entre dos muestras son debidas
a variaciones fortuitas o si son realmente significativas. Ejemplo si la seleccin de circuitos
para el armaje de un microcontrolador es mejor que la seleccin de otro tipo de circuitos
para armar el mismo microcontrolador.
Poblacin
(
Muestra
Caractersticas de la muestra
- Representativa. Todos los elementos de la poblacin tienen que tener la misma
oportunidad de ser considerado en la muestra.
- Tamao adecuado.- De tal modo que los resultados de la investigacin no sean
dudosos por haber tomado una muestra muy pequea.
- Que el margen de error admisible est dentro del lmite aceptado por la estadstica
< = 15%.
Muestras aleatorias
Para que las conclusiones del muestreo y de la inferencia estadstica sean vlidas, las
muestras deben escogerse representativamente de la poblacin. El anlisis de los
mtodos de muestreo y problemas relacionados se llama diseo del experimento.
Una forma para obtener una muestra representativa es mediante muestreo aleatorio de
acuerdo con el cual, cada miembro de la poblacin tiene la misma probabilidad de ser
incluido en la muestra.
Un mtodo para lograr esto es recurrir a nmeros aleatorios. Ver apndice IX pgina 545
Estadstica Spiegel Murray segunda edicin
Muestreo con y sin reposicin

Si se saca un nmero de una urna, se lo puede volver a ponerlo o no, antes de la siguiente
extraccin. En el primer caso ese nmero puede salir de nuevo ms veces, mientras que
en el segundo caso slo puede salir cada nmero una vez. Esos dos tipos de muestreo se
llaman, respectivamente muestreo con reposicin y muestreo sin reposicin.
Ejemplo: Seleccionar 10 muestras de 4 estudiantes con reposicin de la siguiente tabla:
Altura de 100 estudiantes de los niveles bsicos
Altura
(pulgadas)
Nmero de
estudiantes
60-62
63-65
66-68
69-71
72-74
5
18
42
27
8
Total = 100
1. Se debe asignar nmeros a los 100 estudiantes comenzando desde el 0.

Asignacin de nmeros de muestreo
Altura
(pulgadas
Xm
Nmero de
estudiantes
60-62
63-65
66-68
69-71
72-74
61
64
67
70
73
5
18
42
27
8
Nmero
de
muestreo
00-04
05 -22
23-64
65-91
92-99
2. Escoger nmeros de la tabla de valores aleatorios y hacer una correspondencia a

los intervalos en la columna del nmero de muestra en los cuales est contenido
as, el nmero aleatorio 51 corresponde al intervalo 66 68 pulgadas porque en el
nmero de muestra est entre 23 y 64 y el valor que toma es el de la marca de
clase 67.
Nmeros aleatorios
# de muestra Nmeros aparecidos en la muestra Altura correspondiente

1
51,77,27,46
67, 70, 67, 67
2
40,42,33,12
67, 67, 67,64
3
90,44,46,62
70, 67, 67, 67
4
16,28,98,93
64, 67, 73, 73
5
58,20,41,86
67, 64, 67, 70
6
19,64,08,70
64, 67, 64, 70
7
56,24,03,32
64, 67, 61, 67
8
34,9183,58
67, 70, 70, 67
9
70,65,68,21
70, 70, 70, 64
10
96,02,13,87
73, 61, 64, 70
Distribuciones de muestreo
Si se considera todas las posibles muestras de tamao (n) en una poblacin dada (con o
sin reposicin), y para cada una de las muestras se calcula un estadstico (media
aritmtica, desviacin tpica, etc.) que varan para cada una de ellas, de ste modo se
obtiene una distribucin del estadstico que se llama distribucin de la muestra.
Si el estadstico utilizado es la media, se obtiene una distribucin de muestreo de la
media.
Distribucin de muestreo de medias
Si se toman todas las posibles muestras de tamao de n, sin reposicin de una poblacin
finita de tamao m > n y de ellas se calcula la media y la desviacin tpica de la distribucin
de muestreo de medias se obtiene que:
Donde:
: Media aritmtica de la muestra.
: Desviacin tpica de la muestra
: Desviacin tpica de la poblacin.
: Media aritmtica de la poblacin.
Para una poblacin infinita o muestreo con reposicin las relaciones son:
Ejemplo: Para el problema anterior determine la media a partir de las muestras.

# de muestra
1
2
3
4
5
6
7
8
9
10
Nmeros aparecidos en la muestra

51,77,27,46
40,42,33,12
90,44,46,62
16,28,98,93
58,20,41,86
19,64,08,70
56,24,03,32
34,9183,58
70,65,68,21
96,02,13,87
Altura
correspondiente
67, 70, 67, 67
67, 67, 67,64
70, 67, 67, 67
64, 67, 73, 73
67, 64, 67, 70
64, 67, 64, 70
64, 67, 61, 67
67, 70, 70, 67
70, 70, 70, 64
73, 61, 64, 70
Media de muestras
67.8
66.3
67.8
69.3
67.0
66.3
64.8
68.5
68.5
67.0
67.3
Para ste ejemplo a partir de las medias aritmticas de cada una de las muestras se
determina la media de todas ellas y por lo tanto la media de la poblacin ser:
Para valores grandes de tamao de la muestra n a partir de (n30), la distribucin de

muestreo de medias es aproximadamente normal independientemente de la poblacin
siempre y cuando la media poblacional y la varianza sean finitas y el tamao de la
poblacin sea al menos el doble que de la muestra.
CORRELACION Y REGRESION ESTADISTICA

Muchos fenmenos en la naturaleza estn asociados a la relacin de las variables que
rigen su comportamiento de tal modo que existen leyes que los gobiernan como es el caso
de una velocidad en el movimiento rectilneo uniforme en el cual dicha velocidad depende
del cambio de posicin en un intervalo de tiempo o la presin atmosfrica que cambia con
la altura de la localidad en la cual se mide. Existen otros fenmenos en los cuales es de
inters saber la relacin que existe entre sus variables por ejemplo el consumo de gasolina
de un auto en funcin del peso y la potencia del motor para lo cual sera conveniente
encontrar una relacin entre dichas variables. Cmo hacerlo?
CORRELACION
Es el grado de relacin que existe entre los datos o las variables en un fenmeno
estadstico.
Es el grado de interconexin entre las variables, para las cuales intenta determinar con
qu precisin describe o explica la relacin a travs de una ecuacin.
Se dice que los datos estn correlacionados si por su ubicacin grfica, pueden
definirse como parte de una familia, dependencia funcional o ley matemtica.
El grado de correlacin se concepta como el nivel de acercamiento o alejamiento

respectivamente de los datos respecto de una expresin funcional o ley.
Cuando todos los valores de la variable satisfacen una ecuacin exactamente, se dice que
las variables estn perfectamente correlacionadas. Ejemplo la circunferencias C y los
radios r de todos los crculos estn perfectamente correlacionados con la expresin.
Existe correlacin entre el peso de una persona y su altura?
Correlacin simple
Cuando la relacin existe entre solo dos variable se habla de una correlacin simple y
regresin simple, y se dice que se tiene una variable independiente y otra dependiente,
Caso contrario se trata de correlaciones y regresiones mltiples.
REGRESIN
Es el proceso matemtico que permite encontrar la relacin que existe entre las variables
de un fenmeno estadstico, o permite determinar la funcin que ms o mejor se ajuste a
los datos correlacionados.
Aplicaciones del anlisis de regresin

Descripcin cuantitativa de las relaciones existentes entre una variable dada y un
conjunto de variables.
Interpolacin entre valores de una funcin.
Prediccin y pronstico.
Seleccin entre varios modelos alternativos.
CORELACION LINEAL
Si dos variables X e Y que se estn analizando y que se las grafica en un sistema
coordenado dan como resultado puntos coordenados que parecen estar en una lnea
recta la correlacin se la llama lineal.
Correlacin lineal
Tipos de correlacin
a. Si la variable Y tiende a incrementarse cuando se incrementa X la correlacin se
dice que es positiva o correlacin directa.
b. Si la variable Y disminuye cuando se incrementa X la correlacin es negativa.
c. Si todos los puntos parecen estar sobre una cierta curva la correlacin es no lineal.
Correlacin lineal positiva
Correlacin lineal negativa
Sin correlacin
Diagrama de dispersin
El diagrama de dispersin es un grfico en un sistema coordenado donde se representa los
puntos coordenados de las variables que se estn analizando y que permiten observar la
correlacin que existe entre ellas.
Diagrama de dispersin
REGRESIN LINEAL
La regresin lineal consiste en encontrar la ecuacin de una lnea recta para lo cual se
puede seguir los siguientes pasos.
1. Definir: Que variable es dependiente y cual independiente.
2. Dibujar el diagrama de dispersin: Ubicar pares ordenados (solo puntos sin unir).
3. Observar: Si existe correlacin lineal ya sea positiva o negativa.
4. Determinar: La ecuacin de la lnea recta.
Para encontrar la ecuacin de la lnea recta se puede utilizar las herramientas de la
geometra analtica, en la cual una recta puede quedar defina por dos puntos y se puede
obtener la ecuacin de una recta:
Considerando los dos puntos P1 y P2 de coordenadas (X1, Y1) y (X2, Y2) se puede
determinar la ecuacin:
)(
Donde:
Pendiente de la recta.
(
O la ecuacin general de la recta:
El inconveniente al utilizar las ecuaciones anteriores es que solo se utiliza dos puntos de la
dispersin por lo cual el grado de correlacin no es tan bueno, para mejorar esto se puede
utilizar el mtodo de los mnimos cuadrados.
REGRESIN LINEAL POR EL METODO DE MINIMOS CUADRADOS
La recta por mnimos cuadrados es aquella lnea que tiene por propiedad que las
sumatoria de las distancias al cuadrado de cada uno de los puntos de dispersin con
respecto a la recta es mnimo.
Recta de mnimos cuadrados
Para poder encontrar la recta de mnimos cuadrados se debe determinar los coeficientes
de la ecuacin general de la recta
Para lo cual se utiliza las siguientes expresiones:
Que pueden ser expresadas tambin como:
Estas expresiones representan un sistema de ecuaciones con incgnitas a y b, que

puede ser resuelto por cualquiera de los mtodos de resolucin de sistemas de
ecuaciones.
Ejemplo:
En una fbrica se est analizando la relacin que existe entre la fuerza aplicada a una
banda de transmisin de una mquina y la deformacin que sufre. Los valores arrojados
por las pruebas fueron.
Fuerza (N) Deformacin(mm)
0.5
3.2
1.5
5.6
7.1
2.5
8.6
20
1. Dado que la deformacin es consecuencia de la fuerza aplicada a la banda de

transmisin, sta es la variable dependiente y la fuerza la independiente.
Y: Deformacin en mm
X: Fuerza en Newton.
2. Diagrama de dispersin.
DEFORMACIN (mm)
DIAGRAMA DE DISPERSIN
25
20
15
10
5
0
0
0.5
1.5
FUERZA (N)
2.5
3.5
3. Del diagrama de dispersin se puede concluir que existe una correlacin lineal
positiva sobre todo en los primeros puntos coordenados por lo cual se procede a
determinar la ecuacin de la recta que ms se ajuste.
4. Determinar la ecuacin de la recta
En un clculo inicial se proceder a encontrar la ecuacin con la expresin:
)(
Se tomar los pares ordenados P1 (0.5; 3.2) y el punto P2 (2.5; 8.6)

)(
(
(
)
)
Para mejorar el clculo se procede a determinar la recta por mnimos cuadrados:

Es necesario encontrar la sumatoria de la variable X y tambin su sumatoria al cuadrado,
la sumatoria de la variable Y, como tambin la sumatoria del producto de X por Y.
Tabulacin para el mtodo mnimos cuadrados
SUMATORIA
Fuerza (N)
Alargamiento(mm)
0.5
1
1.5
2
2.5
3
3.2
4
5.6
7.1
8.6
20
10.5
48.5
X^2
0.25
1
2.25
4
6.25
9
22.75
X*Y
1.6
4
8.4
14.2
21.5
60
109.7
22.75a + 10.5b = 109.7
10.5a + 6b = 48.5
Resolviendo para a y b se tiene que
a = 5.674 X 1.846
DIAGRAMA DE DISPERSIN
25
DEFORMACIN (mm)
20
y = 5.6743x - 1.8467
15
10
0
0
0.5
1.5
2.5
3.5
FUERZA (N)
EVALUACIN Y SIGNIFICACIN DE LA CORRELACIN LINEAL

Cuando se elabora el proceso de correlacin lineal se llega a determinar una ecuacin de
una lnea recta a travs de la regresin pero queda la incertidumbre de que si la recta
encontrada es la apropiada o si es posible encontrar otra lnea curva que se ajuste mejor
a los datos, razn por la cual es necesario realizar la evaluacin de la ecuacin
encontrada.
La evaluacin se realiza con los valores de la variable dependiente Y, es decir los valores
que se encuentran remplazando en la ecuacin, y con ellos se determinan las desviaciones
medias absolutas para comprobar a travs de valores de tolerancia la bondad de la recta
de regresin, es decir si a futuro los pronsticos pueden ser o no abalizados.
Los parmetros de tolerancia son:

VARIACIN TOTAL (VT)
Representa la sumatoria de las desviaciones cuadradas de los valores dados de la variable
independiente Y respecto a su media aritmtica ( ).
DONDE
: Valores de la variable dependiente.
: Media aritmtica de los valores de la variable dependiente.
VARIACIN EXPLICADA (VE)
Representa la parte de la variacin total que depende de la variable independiente X
influenciando a la variable dependiente Y. Se calcula como la sumatoria de las
desviaciones cuadradas de los valores de la variable dependiente pronosticada (Yc)
respecto a la media aritmtica ( ).
)
VARIACION NO EXPLICADA (VI)

Es la variacin residual que refleja el comportamiento de las fluctuaciones de la variable
independiente X sobre la variable dependiente Y. Se calcula como la sumatoria de las
desviaciones al cuadrado de los valores de la variable dependiente Y, respecto de los
valores pronosticados (Yc).
COEFICIENTE DE CORRELACION (CR)

Expresa el grado de asociacin de las dos variables dependiente e independiente.
Para que la correlacin se considere aceptable el valor de coeficiente de correlacin debe

ser mayor que 0.75.
ERROR DE ESTIMACIN (m)

El error de estimacin se debe que al determinar la ecuacin de una lnea se comete un
error al calcular la pendiente de la misma.
El valor de K depende del nmero de variables en la correlacin, en una correlacin

simple es de solamente 2.
Ejemplo: Se desea hacer una correlacin lineal entre la produccin de dixido de uranio
(kg) de Rusia en el periodo 1989-1993 segn la tabla presentada a continuacin.
AO Kg(Dixido de Uranio)
1989
1990
1991
1992
1993
144.6
129.5
107.5
93.5
80.5
Para poder trabajar con series cronolgicas estas deben ser transformadas a cuantitativas
se lo hace fcilmente numerando los aos desde el 0.
#
0
1
2
3
4
AO Kg(Dixido de uranio)
1989
1990
1991
1992
1993
144.6
129.5
107.5
93.5
80.5
1. La produccin de dixido de uranio depende del ao en cuestin por lo tanto

Y: Kg (Dixido de uranio)
X: Nmero de ao
2. Diagrama de dispersin.
160
DIXIDO DE URANIO (Kg)
140
120
100
80
60
40
20
0
0
0.5
1.5
2.5
3.5
4.5
# AO
DIAGRAMA DE SIPERSIN
3. Del diagrama de dispersin se puede concluir que existe una correlacin lineal
negativa, por lo cual se procede a determinar la ecuacin de la recta que ms se
ajuste.
4. Regresin lineal por el mtodo de los mnimos cuadrados
Tabulacin datos
SUMATORIA
X
0
1
2
3
4
10
144.6
129.5
107.5
93.5
80.5
555.6
X^2
0
1
4
9
16
30
X*Y
0
129.5
215
280.5
322
947
30a + 10b = 947
10a + 5b = 555.6
Resolviendo para a y b se tiene que
a = -16.42
b = 143.9
Por lo cual la ecuacin ser
160
DIXIDO DE URANIO (Kg)
140
y = -16.42x + 143.96
R = 0.9913
120
100
80
60
40
20
0
0
0.5
1.5
2.5
3.5
4.5
# AO
DIAGRAMA DE SIPERSIN
Lineal (DIAGRAMA DE SIPERSIN)
La produccin baja con forme transcurre los aos.

5. Evaluacin de la correlacin lineal.
Se elabora la tabla para la evaluacin de la correlacin lineal segn los parmetros
necesarios de clculo.
Evaluacin y significacin de la Correlacin.
SUMATORIA
X
0
1
2
3
4
10
144.6
129.5
107.5
93.5
80.5
555.6
X^2
0
1
4
9
16
30
X*Y
0
129.5
215
280.5
322
947
(Y-Yc)^2 (Y- )^2 (Yc- )^2 (Xi- )^2

0.49
1120.91 1074.53
4
4.08
337.82 267.65
1
12.67
13.10
0.00
0
1.30
310.46 271.59
1
5.20
937.58 1082.41
4
23.74 2719.89 2696.18
10
Yc
143.9
127.48
111.06
94.64
78.22
Medias aritmticas de las variables

Independiente
Dependiente
Variacin total (VT)

(
Variacin explicada (VE)

(
Variacin no explicada (VI)
Coeficiente de correlacin (CR)
El valor del coeficiente es mayor que 0.75 lo que se considera una buena correlacin.
Error de estimacin (m)
REGRESIONES NO LINEALES
Muchas ocasiones el clculo del coeficiente de correlacin determina que la regresin
lineal no sea la que ms se ajusta a los datos de dispersin, por lo cual es necesario
encontrar lneas que se ajusten de mejor forma a dichos datos, para ello se puede recurrir
a las mismas ecuaciones que determina el mtodo de mnimos cuadrados.
LA PARABOLA DE MNIMOS CUADRADOS
La parbola de mnimos cuadrados se acerca a los puntos de dispersin por medio de la
ecuacin:
Las ecuaciones que permiten calcular los valores constantes (a, b, c) son:
Ejemplo: La tabla mostrada a continuacin representa la temperatura media anual en

varios sitios de Pas de acuerdo a su altura del nivel del mar.
Altura (metros) Temperatura ( C )
10
32
200
27
800
23
1200
20
1500
17
2500
15
3000
13
3500
12
La dispersin resultante es:
DISPERSIN NO LINEAL
35
30
25
20
15
10
5
0
0
500
1000
1500
2000
2500
3000
3500
4000
DISPERSIN NO LINEAL
Realice una regresin no lineal con los datos.

1. Se procede a calcular los coeficientes y las sumatorias para establecer las
ecuaciones.
Regresin no lineal
Altura
(metros)
X
10
200
800
1200
1500
2500
3000
3500
12710
Temperatura ( C )
Y
32
27
23
20
17
15
13
12
159
X^2
100
40000
640000
1440000
2250000
6250000
9000000
12250000
31870100
X^3
1000
8000000
512000000
1728000000
3375000000
1.5625E+10
2.7E+10
4.2875E+10
9.1123E+10
X^4
x^2*Y
10000
3200
1600000000 1080000
4.096E+11 14720000
2.0736E+12 28800000
5.0625E+12 38250000
3.9063E+13 93750000
8.1E+13
117000000
1.5006E+14 147000000
2.7767E+14 440603200
2. Formar el sistema de ecuaciones.
Resolviendo el sistema de ecuaciones tendramos:
y = 2x10 -6 X2 - 0.010X + 30.60
X*Y
320
5400
18400
24000
25500
37500
39000
42000
192120
REGRESIN NO LINEAL
35
30
25
y = 2E-06x2 - 0.0109x + 30.609
20
15
10
5
0
0
500
1000
1500
DISPERSIN NO LINEAL
2000
2500
3000
3500
Polinmica (DISPERSIN NO LINEAL)
4000
PROBABILIDADES
TEORA DE PROBABILIDADES
INTRODUCCIN
La teora de probabilidades es muy importante en muchos campos de estudio como
economa, administracin y la INGENIERA no se es indiferente, ya que siempre se
necesita tomar decisiones ante situaciones de incertidumbre preguntndose por ejemplo
cunto horas durar un circuito electrnico, el software desarrollado ser aceptado para
ms del 50% del mercado para el cual fue diseado, para un cierto poltico cuantos
votantes lo hicieron por l, para un ingeniero industrial sera importante saber cuntos
horas de funcionamiento tendr una mquina en su rea de produccin antes que se
dae.
Todos estos cuestionamientos provienen de fenmenos cuyo resultado no puede ser
anticipado con certeza, si no que existe cierta probabilidad de que un cierto resultado se
d, a diferencia de los fenmenos cuyo resultado se determina unvocamente a partir de
ciertas condiciones, por ejemplo, los resultados de mediciones geomtricas, clculos
financieros o procesos mecnicos.
Histricamente se puede decir que las probabilidades surgieron de los juegos de azar en
los siglos XV y XVI con resolucin de puntuales problemas de juego de dados por personas
como: Blaise Pascal y Pierre de Fermat.
Otras personas influyentes fueron Christian Huygens quien public el primer libro de
probabilidades, James Bernoulli y Abraham de Moivre fueron las personas que ms
influyeron en el desarrollo de probabilidades.
Por el Ao de 1812 Pierre de Laplace introdujo gran cantidad de ideas nuevas y tcnicas
matemticas en su libro, Teora Analtica de Probabilidades con lo cual la probabilidad ya
no solo estaba destinada a los juegos de azar sino aplicaciones ms all de ella.
DEFINICIN TERICA
Las probabilidades constituyen una rama de las matemticas que se ocupa de medir o
determinar cuantitativamente la posibilidad de que un experimento produzca un
determinado resultado.
Es el estudio de las posibilidades de que ocurra o no un evento.
EXPERIMENTO ALEATORIO, ESPACIO MUESTRAL Y EVENTOS

EXPERIMENTO ALEATORIO ()
Los experimentos u operaciones reales o hipotticos pueden dividirse en dos clases:
determinsticos y no determinsticos.
Determinstico.- Si los resultados del experimento estn completamente determinados y

puede describirse por una frmula matemtica llamado modelo Determinstico. Ejemplos:
a) Soltar una piedra desde una cierta altura Cada libre de los cuerpos.
b) Colocar una pelota en el agua Principio de flotacin.
c) Los cambios de aceleracin que produce una fuerza Segunda ley de Newton
No Determinstico.- Si los resultados del experimento no pueden predecirse con exactitud
antes de realizar el experimento. Ejemplos:
a) Lanzar una moneda y observar el resultado cara o sello.
b) Lanzar una moneda y observar el nmero que aparece uno, dos, tres, cuatro,
cinco, seis.
c) Observar el nmero de autos que pasan por una estacin de servicio en un da
uno, dos, tres,, n.
Caractersticas de un experimento no Determinstico:
Cada experimento puede repetirse indefinidamente sin cambiar esencialmente las
condiciones.
Cada experimento es no Determinstico.
Cada experimento tiene varios resultados posibles que pueden describirse de
antemano con precisin. En el caso del lanzamiento de la moneda sus
posibilidades son cara o sello no sabremos cual sale pero si los resultados posible.
Por lo tanto un experimento aleatorio es aquel que tiene las tres caractersticas
mencionadas.
Para denotar un experimento aleatorio se utilizar el smbolo:
Ejemplos de experimentos aleatorios:
1: Fabricar artculos, hasta fabricar cinco defectuosos y contar el nmero total de
artculos fabricados.
2: Elegir un punto en el intervalo cerrado [0 ,1].
3: Verificar el estado de un transistor (0 = apagado, 1 = encendido).
4: Elegir un presidente de un curso de 30 estudiantes.
5: Extraer un artculo de un lote que contiene artculos defectuosos y no defectuosos.
ESPACIO MUESTRAL ()
Es el conjunto de todos los resultados posibles de un experimento aleatorio ().
Por lo cual es muy conveniente utilizar notacin de conjuntos y consecuencia de ello

utilizar algebra de conjuntos.
Ejemplos:
1) 1: Lanzar una moneda y observar su resultado.
1 = {cara, sello}
2) 2: Lanzar un dado y observar el nmero resultante.
2 = {1, 2, 3,4, 5, 6}
3) 3: Fabricar artculos hasta producir 5 defectuosos y contar el total de nmeros de
artculos producidos.
3 = {5, 6, 7, 8, 9, 10,}
4) 4: Contar el nmero de vehculos que llegan a una estacin de servicio a recargar
gasolina.
4 = {0, 1, 2, 3, 4,.}
5) 5: Verificar el estado de un transistor (0 = apagado, 1 = encendido).
5 = {0, 1}
6) 6: Elegir un punto en el intervalo cerrado [0 ,1].
6 = {X R/ 0 X 1}
7) 7: Elegir un presidente de un curso de 30 estudiantes.
7 = {A1, A2, A3, A4, A5,, A30} A: Representa a cada uno de los estudiantes
Clasificacin del Espacio Muestral

1. El espacio muestral puede ser finito o infinito
Espacio muestral finito.- Posee un determinado nmero de posibilidades, o se le puede
considerar como un experimento sin reposicin.
Ejemplo:
2: Lanzar un dado y observar el nmero resultante.
2 = {1, 2, 3,4, 5, 6}
Espacio muestral infinito.- Posee un nmero indeterminado de posibilidades, o se le
puede considerar un experimento con reposicin.
Ejemplo:
4: Contar el nmero de vehculos que llegan a una estacin de servicio a recargar
gasolina.
4 = {0, 1, 2, 3, 4,.}
2. El espacio muestral puede ser Simple o compuesto
Espacio muestral simple.- Es el espacio que resulta de un solo experimento aleatorio
(experimento simple).
2 = {1, 2, 3,4, 5, 6}
Espacio muestral compuesto.- Es aquel que resulta de dos o ms experimentos simples
sucesivos o simultneos.
1: Lanzar una moneda y un dado a la vez
Cul ser su espacio muestral?
Para responder la pregunta anterior se debe incluir el criterio que los espacios muestrales
compuestos son de dos tipos bsicos aquellos que estn unidos por la letra gramatical O
y la letra gramatical Y.
Experimentos unidos por la O excluyente

Un experimento compuesto , es una O combinacin de los experimentos simples, 1
y 2, slo si el experimento 1 ocurre y 2 no, o viceversa.
Ejemplo: Considere el experimento, que consiste en lanzar un dado o una moneda. Hallar
El espacio muestral para ste experimento.
: lanzar un dado o una moneda.
El experimento consiste de dos simple unidos por la O.
1: Lanzar una moneda y observar su resultado.
1 = {cara, sello}
2 = {1, 2, 3,4, 5, 6}
= 1 O 2 Por lo tanto el espacio muestral ser:
= {cara, sello, 1, 2, 3, 4, 5, 6}
Experimentos unidos por la Y

Un experimento compuesto , es una Y combinacin de los experimentos simples, 1
y 2, cuando ambos experimentos, 1 Y 2 ocurren.
Una consecuencia directa del experimento compuesto por la Y combinacin es que su
espacio muestral resultante es el producto cartesiano de los espacios muestrales de los
experimentos simples correspondientes. Es decir: = 1 x 2
Ejemplo: Cul es el espacio muestra de lanzar una moneda y un dado a la vez:
: Lanzar una moneda y un dado a la vez.
Experimentos simples:
1 = {cara, sello}
2 = {1, 2, 3,4, 5, 6}
= 1 x 2: Por lo tanto el espacio muestral ser:
= {(C, 1); (C, 2); (C, 3); (C, 4); (C, 5); (C, 6); (S, 1); (S, 2); (S, 3); (S, 4); (S, 5); (S, 6)}
Cuando se desea determinar un espacio muestral resultado de una Y combinacin de
dos experimentos aleatorios simples es til usar tablas de doble entrada para encontrar
dicho espacio muestral.
Ejemplo: Se lanzan dos monedas simultneamente y se observan las secuencias de caras o
sellos. Determine su espacio muestral.
: Se lanzan dos monedas simultneamente y se observan las secuencias de caras o sellos.
= 1 x 2
1 = {cara, sello}
2 = {cara, sello}
Tabla de doble entrada
SEGUNDA MONEDA
CARA
SELLO
PRIMERA MONEDA
CARA
CARA- CARA
CARA - SELLO
SELLO
SELLO - CARA SELLO - SELLO
= {cara-cara, cara-sello, sello-cara, sello-sello}

Ejemplo: Se lanzan dos dados simultneamente y se observan los resultados. Determine
su espacio muestral.
: Se lanzan dos dados simultneamente y observar los resultados.
= 1 x 2
1: Lanzar una dado y observar su resultado.
1 = {1, 2, 3, 4, 5, 6}
2 = {1, 2, 3, 4, 5, 6}
SEGUNDO DADO
PRIMER DADO
1
(1, 1) (1, 2) (1, 3) (1, 4) (1, 5) (1, 5)
(2, 1) (2, 2) (2, 3) (2, 4) (2, 5) (2, 6)
(3, 1) (3, 2) (3, 3) (3, 4) (3, 5) (3, 6)
(4, 1) (4, 2) (4, 3) (4, 4) (4, 5) (4, 6)
(5, 1) (5, 2) (5, 3) (5, 4) (5, 5) (5, 6)
(6, 1) (6, 2) (6, 3) (6, 4) (6, 5) (6, 6)
Debido a que el espacio muestral resultando es un conjunto de pares ordenados se puede

utilizar la simbologa de la teora de conjuntos para representarlo as:
= {(x, y) / x, y = 1, 2, 3, 4, 5, 6}
En muchos casos es ms sugerente utilizar un diagrama para encontrar el Espacio

Muestral de un experimento compuesto, ste es llamado Diagrama de rbol.
Ejemplos:
1) Se lanza una moneda tres veces. Hallar el espacio muestral resultante de ste
experimento.
: Se lanza una moneda tres veces y se observan los resultados
El experimento consiste de tres experimentos simples unidos por la Y. Po lo tanto se
puede dividir en tres experimentos que dan espacios muestrales simples as:
= 1 x 2 x 3
1 = {cara, sello}
2 = {cara, sello}
3 = {cara, sello}
Aplicando el diagrama de rbol se tendr:
= {CCC, CCS, CSC, CSS, SCC, SCS, SSC, SSS}

2) Cul es el espacio muestral en el lanzamiento de una moneda hasta que salga cara.
= {C, S, SC, SSC, SSS, SSSC, SSSS }

3) Cul es el espacio muestral en el lanzamiento de dos dados simultneamente.
1
1
2
3
4
D1
2
3
4
D2
= {(x, y) / x, y = 1, 2, 3, 4, 5, 6}
4) Los artculos provenientes de una lnea de produccin se clasifican en defectuosos
y no defectuosos se observan los artculos y se anotan su condicin, el proceso
continua hasta observar dos artculos defectuosos o hasta que se observen 3
artculos no defectuosos. Cul es su espacio muestral?
= {DD, DNDD, DNDNDD, DNDNDN, DNDNN, DNNDD, DNNDN, DNNN, NDD, NDNDD,
NDNDN, NDNN, NNDD, NNDN, NNN}
3. El espacio muestral puede ser discreto o continuo

Espacio muestral discreto
Si tiene un nmero finito o infinito numerable de elementos.
Espacio muestral discreto finito: Si el espacio muestral tiene un nmero finito de
elementos. Ejemplo
: Lanzar una dado y observar su resultado.
= {1, 2, 3, 4, 5, 6} Es espacio muestral discreto finito ya que no puede haber valores en
l como 2.5, 3.4 etc.
Espacio muestral discreto infinito: Cuando puede establecerse una correspondencia uno a
uno con el conjunto de los enteros positivos de modo que pueda ser enumerado como 1,
2, 3,4,.. Ejemplo:
: Lanzar una moneda hasta que ocurra cara.
= {C, SC, SSC, SSSC, SSSSC,}
Espacio muestral continuo

Un espacio muestral es continuo si tiene un nmero no numerable de elementos. Es decir
todos los elementos posibles en un intervalo. Ejemplo
: Elegir un punto en el intervalo cerrado [0 ,1].
= {X R/ 0 X 1} se puede escoger un nmero infinito de valores entre esos dos
puntos.
EVENTO
Se define como un subconjunto del espacio muestral. Por lo que al espacio muestral
tambin se lo considera como el conjunto universo. Se representa con las letras
maysculas del alfabeto (A, B, C, DZ). El evento A se lo puede representar como AT
Ejemplo:
: Salga par en el lanzamiento de un dado
= {1, 2, 3, 4, 5, 6}
A = {2, 4, 6}
Evento elemental
Cuando tiene solamente una posibilidad. Ejemplo
: Que un transistor est encendido
= {encendido, apagado}
A = {encendido}
Evento Nulo
No existe ningn elemento en el subconjunto.
A = {0}
SUCESOS
Son los elementos ms bsicos de un espacio muestral o un evento. Se representan con
las letras minsculas x, y, z. Ejemplo:
: Sacar un cuatro en una baraja
A = {4 corazn rojo, 4 corazn negro, 4 trbol, 4 brillos}
Un suceso puede ser: x = {4 corazn negro}
PROBABILIDAD
Definicin
La probabilidad de un evento es la razn entre el nmero de casos (sucesos) favorables y
el nmero total de casos (sucesos) posibles, siempre que nada obligue a creer que algunos
de estos sucesos debe tener preferencia a los dems, lo que hace que todos sean
igualmente posibles.
Para determinar la expresin matemtica se considera lo siguiente:
El nmero total de sucesos posibles: N()
El nmero de sucesos del evento A: N(A)
La probabilidad del evento A: P[A]
( )
( )
[ ]
Corolarios:
1. La probabilidad de un evento A cualquiera est comprendido entre 0 y 1.

[ ]
2. P[A] = 0, si A es un evento imposible.
3. P[A] = 1, si A es el evento seguro.
4. Puesto que todos los sucesos de = {1, 2, 2,..., n} son igualmente
probables, se tiene que P[{i}] = 1/n, i = 1, 2, 3,, n.
Y por lo tanto [ ]
[{ }]
Ejemplo 1: Probabilidad de sacar un nmero par en un lanzamiento de un dado

: Lanzamiento de un dado
= {1, 2, 3, 4, 5, 6}
N() = 6
A: sacar un nmero par

A = {2, 4, 6}
N(A) = 3
( )
( )
[ ]
[ ]
Ejemplo 2: Se lanza una moneda tres veces. Calcular la probabilidad que ocurran a lo ms
dos caras.
: Lanzar una moneda tres veces

= {CCC, CCS, CSC, SCC, CSS, SCS, SSC, SSS}
N() = 8
A: Ocurre a lo ms dos caras

A = {SSS, SSC, SCS, CSS, CCS, SCS, SCC}
N(A) = 7
( )
( )
[ ]
[ ]
Ejemplo 3: Se elige una carta aleatoriamente de una baraja de 52 cartas. Cul es la

probabilidad que sea una carta negra?
: Extraer una carta de 52
= {La baraja completa}
N() = 52
A: Obtener una carta negra

A = {13 corazn negro, 13 trbol}
N(A) = 26
( )
( )
[ ]
[ ]
No Probabilidad (Q)
La no probabilidad se considera como el evento que no va a ocurrir en un experimento

aleatorio.
Matemticamente se considera como:
[ ]
[ ]
Del ejemplo 3: Cul es la probabilidad de que no salga una carta negra

[ ]
[ ]
Tendencia
Es la divisin entre la probabilidad para la no probabilidad.
[ ]
[ ]
Tendencias Favorables y en Contra
Tendencia Favorable
[ ]
[ ]
Tendencia En Contra
[ ]
[ ]
Ejemplo: Que tendencia a favor existe que al lanzar un dado para que salga un nmero par
: Lanzamiento de un dado
= {1, 2, 3, 4, 5, 6}
N() = 6
A: sacar un nmero par

A = {2, 4, 6}
N(A) = 3
( )
( )
[ ]
[ ]
[ ]
[ ]
[ ]
[ ]
OPERACIONES CON EVENTOS

SUB EVENTOS
Dados dos eventos A y B se dice que A est contenido en B o que A es sub evento de B, si
todo seceso favorable A, es favorable a B; es decir si ocurre el evento A tambin ocurre el
evento B. Simblicamente:
Ejemplo: Un experimento consiste en lanzar una moneda hasta que ocurra cara y contar
el nmero de lanzamientos de la moneda. En dicho experimento se define los eventos:
A: Se necesita por lo menos 20 lanzamientos
B: Se necesita ms de 5 lanzamientos
: Lanzar una moneda hasta que ocurra cara y contar el nmero de lanzamientos de la
moneda.
= {1, 2, 3, 4, 5, 6,..}
A: Se necesita por lo menos 20 lanzamientos
A = {20, 21, 22, 23,..}
B = {6, 7, 8, 9, 10,..}
Se puede concluir que:
EVENTOS IGUALES
Dos eventos A y B son iguales (A = B), si
A = B: { / A y B}
Ejemplo: Un experimento consiste lanzar un dado hasta que salga seis y contar el nmero
de lanzamientos. En dicho experimento se considera los siguientes eventos:
A: Se necesita a lo ms 10 lanzamientos.
B: Se necesita menos de 11 lanzamientos.
: Lanzar un dado hasta que salga seis y contar el nmero de lanzamientos.
= {1, 2, 3, 4, 5,..}
A: Se necesita a lo ms 10 lanzamientos.
A = {1, 2, 3, 4, 5, 6, 7, 8, 9, 10}
B: Se necesita menos de 11 lanzamientos.
B = {1, 2, 3, 4, 5, 6, 7, 8, 9, 10}
Se puede concluir que:
UNIN DE EVENTOS
Dado dos eventos A y B, la unin de A con B (
sucesos que pertenecen a A o a B o de ambos.
) genera un evento formado por los
AUB
Ejemplo: Un experimento consiste en observar a los estudiantes que ingresan a un bar

hasta que uno de ellos sea una persona conocida. En dicho experimento se define los
siguientes eventos:
A: Observar 10 estudiantes
B: Observar ms de 12 estudiantes.
: Observar a los estudiantes que ingresan a un bar hasta que uno de ellos sea una
persona conocida.
= {1, 2, 3, 4, 5,..}
A: Observar 10 estudiantes
A = {1, 2, 3, 4, 5, 6, 7, 8, 9, 10}
B: Observar ms de 12 estudiantes.
B = {13, 14, 15, 16, 17,..}
{
INTERSECCIN DE EVENTOS
La interseccin de dos eventos A con B (
) genera un evento formado por todos los
sucesos favorables a A y a B, es decir ambos eventos ocurren A y B.
Ejemplo: Un experimento consiste en lanzar una moneda hasta que ocurra cara y contar el
nmero de lanzamientos de la moneda. En dicho experimento se define los eventos:
A: Se necesita un nmero par de lanzamientos
: Lanzar una moneda hasta que ocurra cara y contar el nmero de lanzamientos de la
moneda.
= {1, 2, 3, 4, 5, 6,..}
A: Se necesita un nmero par de lanzamientos

A = {2, 4, 6, 8, 10,.}
B = {11, 12, 13, 14, 15,..}
{
DIFERENCIA DE EVENTOS
La diferencia de dos eventos A B, es un nuevo evento formado por los sucesos
favorables a A y que no son favorables a B.
B
Del anterior ejemplo:

{
EVENTO COMPLEMENTO (A)

Es un evento (A) que contiene todos los sucesos que no tiene o no posee el evento A.
A
A
Ejemplo: Cual es el complemento del evento sacar un nmero par en el lanzamiento de un

dado.
: Lanzar un dado
= {1, 2, 3, 4, 5, 6}
A: Sacar un nmero par.
A = {2, 4, 6}
{
EVENTOS MUTUAMENTE EXCLUYENTES

Dos eventos A y B definidos en el mismo espacio muestral, se dice que son mutuamente
excluyentes si no pueden ocurrir juntos. Es decir la ocurrencia de uno excluye la
ocurrencia del otro.
Ejemplo:
Se lanza un dado dos veces. Sean los eventos
A: La suma de los puntos obtenidos en los dos lanzamientos es 7
B: En los dos dados se obtiene el mismo nmero
Son estos eventos mutuamente excluyentes.
A: {(3,4); (4,3); (1,6); (6,1); (5,2); (2,5)}
B: {(1,1); (2,2); (3,3); (4,4); (5,5); (6,6)}
Respuesta: Los eventos son mutuamente excluyentes ya que
EVENTOS COLECTIVAMENTE EXHAUSTIVOS
Un conjunto de eventos son colectivamente exhaustivos si la unin de ellos es igual al
espacio muestral.
Ejemplo: Sea el experimento contar el nmero de personas atendidas por un banco en un

periodo de tiempo. En el cual se tiene los siguientes eventos
A: Se han atendido a menos de 20 personas.
B: Se han atendido a exactamente 25 personas.
C: Se han atendido exactamente 15 personas.
Los eventos A, B, C son colectivamente pues la unin de ellos generan el espacio muestral.
LEYES DISTRIBUTIVAS DE LOS CONJUNTOS APLICABLES A EVENTOS
Dados los eventos A, B, C se tiene que:

(
LEYES DE MORGAN
(
PROPOSICIONES TILES EN OPERACIONES CON EVENTOS
Proposiciones
Interpretacin de Conjuntos
Por lo menos uno de los eventos A o B ocurren

Ambos eventos A y B ocurren
No ocurre A
Ni A ni B ocurren
Exactamente ocurre uno de los eventos
No ms de los eventos A o B ocurren
Si ocurre A tambin B
A y B se excluyen mutuamente
Evento A o evento B
Evento A y evento B
Ejemplo: Dados los eventos A, B, C del espacio muestral . Expresar mediante
operaciones entre conjuntos los eventos:
a) Tan solo ocurre A.
b) Si ocurre A, no ocurre B.
c) Por lo menos uno de los eventos ocurren.
Solucin:
a) Puede ocurrir A, y simultneamente no ocurre B y no ocurre C por lo cual el evento
resultante es:
b) Si no ocurre B entonces ocurre B, es decir que si ocurre A, tambin ocurre B, el

evento es
.
c) Ocurrirn (A y B) o (A y C) o (B y C) o (A y B y C), pero ste ltimo est contenido en
(
) (
) (
los tres primeros eventos. El resultado es:
)
PRODUCTO CARTESIANO
Dados los eventos A y B, se llama producto cartesiano de A con B, denotado A x B, al
conjunto de pares ordenados cuyos primeros elementos pertenecen a A y cuyos segundos
elementos pertenecen a B.
{(
Ejemplo: Se lanzan dos dados simultneamente y se observan los resultados. Se definen

los eventos:
A: Los resultados de los dados son iguales
B: la suma del resultado de los dos dados es menor o igual a 3
Cul es el resultado de A x B.
: Se lanzan dos dados simultneamente y observar los resultados.
= 1 x 2
1 = {1, 2, 3, 4, 5, 6}
2 = {1, 2, 3, 4, 5, 6}
SEGUNDO DADO
PRIMER DADO
1
(1, 1) (1, 2) (1, 3) (1, 4) (1, 5) (1, 5)
(2, 1) (2, 2) (2, 3) (2, 4) (2, 5) (2, 6)
(3, 1) (3, 2) (3, 3) (3, 4) (3, 5) (3, 6)
(4, 1) (4, 2) (4, 3) (4, 4) (4, 5) (4, 6)
(5, 1) (5, 2) (5, 3) (5, 4) (5, 5) (5, 6)
(6, 1) (6, 2) (6, 3) (6, 4) (6, 5) (6, 6)
Debido a que el espacio muestral resultando es un conjunto de pares ordenados se pude

utilizar la simbologa de la teora de conjuntos para representarlo as:
= {(x, y) / x, y = 1, 2, 3, 4, 5, 6}
A: {(1,1); (2,2); (3,3); (4,4); (5,5); (6,6)}
B: {(1,1); (1,2); (2,1)}
{(
ANLISIS COMBINATORIO
TCNICAS DE CONTEO
La tcnicas de conteo ayudan a determinar el nmero de elementos que tiene un espacio
muestral o un evento y que son de utilidad en el momento de calcular una probabilidad.
1. MULTIPLICACIN
Si un experimento aleatorio u operacin (1) ocurre de n1 formas y si para cada una de
estas, un experimento u operacin (2) ocurre de n2 formas, entonces los dos
experimentos juntos ocurren de n1 x n2 formas.
En forma general: n = n1 x n2 x n3 x n4 x..x nk
Ejemplo 1: Cuntos elementos tiene el espacio muestral del experimento aleatorio

lanzar una moneda y un dado simultneamente?
: Lanzar una moneda y un dado simultneamente
1: Lanzar una moneda.
1 = {Cara, Sello}
N (1) = 2
2: Lanzar una dado.

2 = {1, 2, 3, 4, 5, 6}
N (2) = 6
( )
( )
( )
Ejemplo 2: Una persona puede viajar de una ciudad A a otra ciudad B de 5 formas y de B a
C de 6 formas. De cuantas formas puede ir de A a C pasando por B?
: Ir de A hacia C pasando por B.

1: Ir de de A hacia B.
1 = {1, 2, 3, 4, 5}
N (1) = 5
2: Ir de B hacia C.
2 = {1, 2, 3, 4, 5, 6}
N (2) = 6
( )
( )
( )
Existen 30 formas de ir de A hacia C pasando por B.
COROLARIO: Si es que el nmero de formas en que pueden ocurrir los experimentos
simples es igual es decir:
Se tiene que el total de formas que puede ocurrir un experimento compuesto por dichos
experimentos simples es:
( )
Ejemplo3: Se lanza una moneda sucesivamente seis veces De cuantas formas ocurre?
: Lanzar seis veces una moneda sucesivamente.
1: lanzar una moneda.
1 = {Cara, Sello}
N (1) = 2
( )
( )
( )
Ocurre de 64 formas diferentes.
2. ADICIN
Si un experimento aleatorio u operacin (1) ocurre de n1 formas y un experimento u
operacin (2) ocurre de n2 formas, entonces el experimento aleatorio u operacin (),
que consiste en realizar (1 o 2) no pueden ocurrir juntos ocurre de la siguiente forma:
( )
Siempre y cuando los espacios muestras de los experimentos simples sean disjuntos.
En forma general:
( )
Ejemplo 1: Consideremos el experimento de lanzar una moneda o un dado. De cuntas

formas ocurre?
: lanzar un dado o una moneda.
El experimento consiste de dos simple unidos por la O.
1 = {cara, sello}
N (1) = 2

2 = {1, 2, 3, 4, 5, 6}
N (2) = 6
( )
( )
( )
Ejemplo 2: Una persona puede viajar de A hacia B por va area o por va terrestre y
dispone de 5 lneas areas y 6 lneas terrestres. De cuantas formas puede hacer el viaje?
: Formas de viajar de A hacia B.
1: Ir de de A hacia B en va area.
1 = {1, 2, 3, 4, 5}
N (1) = 5
2: Ir de de A hacia B en va terrestre.
2 = {1, 2, 3, 4, 5, 6}
N (2) = 6
( )
(
( )
( )
COROLARIO: Si A y B son conjuntos disjuntos se tiene que;

(
( )
( )
En general si se tiene los eventos A1, A2, A3,, Ak

(
( )
3. PERMUTACIONES
Nmero factorial
Sea n un nmero entero positivo, el factorial de n se denota por
producto de todos los enteros consecutivos de 1 hasta n.
y se define como el
Ejemplo 1: Cual es el nmero factorial de 3

3! = 3 x 2 x 1 = 6
Permutacin (
Una permutacin es un arreglo de todos o parte de los elementos sucesos de un

conjunto espacio muestral o evento.
Muchas veces para encontrar el nmero de sucesos que tiene un espacio muestral N() o
un evento N(A) es necesario determinar todas las ordenaciones o arreglos.
Ejemplo 1: Asumiendo que se tiene un conjunto A = {a, b, c}. Cul es el nmero de
arreglos con los elementos de A:
Respuesta:
Arreglos: {abc, acb, bac, bca, cab, cba}
6 arreglos.
Por lo tanto una permutacin se puede calcular con un nmero factorial as:
La anterior frmula se lee: Nmero de permutaciones de n objetos tomados de n en n y

equivale al factorial de un nmero.
En las permutaciones el orden de los elementos es importante.
Ejemplo2: Un inspector quiere revisar la forma como trabajan sus operarios en las 6
maquinas que posee, pero quiere caerles de sorpresa. De cuantas formas lo puede
hacer?
6! = 6 x 5 x 4 x 3 x 2 x 1 = 720
Lo puede hacer de 720 formas.
Ejemplo3: En una eleccin de candidatas para reina se tienen 10 chicas los jueces quieren
determinar de cuantas formas se pueden ordenar en un fila sabiendo que 2 chicas no
pueden estar juntas.
9! x 8 = 2903040 formas
Ejemplo4: Se tienen 12 nios en un aula de clase la profesora quiere ponerle en una fila
pero 4 nios siempre deben estar juntos.
Nmero de formas = 4!x8!x9
4. VARIACIONES (
Las variaciones es el nmero de permutaciones de n objetos diferentes tomados de r a r.

(
Ejemplo 1: Un grupo est formado por 5 personas y desea formar una comisin integrado
por presidente y secretario. De cuantas formas puede nombrarse esa comisin?
Ejemplo 2: Encontrar el nmero total de enteros positivos que pueden formarse

utilizando los dgitos {1, 2, 3, 4}, si ningn digito ha de repetirse cuando se forma un
nmero.
5. PERMUTACIONES CIRCULARES (nPc)

Son aquellas que se forman cuando se hace ordenamientos alrededor de un crculo. En
ste tipo de agrupaciones no hay primero ni ltimo elemento. Para poder calcular una
permutacin circular con n elementos se debe fijar uno y los (n-1) restantes pueden
cambiar de lugar de (
) formas diferentes tomando todas las posiciones sobre la
circunferencia relativa al primer punto.
Las permutaciones circulares se denotan por (nPc)
(
Ejemplo 1: De cuantas maneras pudieron sentarse los apstoles en la ltima cena si la

mesa fuera circular.
(
Ejemplo 2: Existen 8 personas en una familia y poseen un comedor circular, cuando se

sientan a comer 2 de los integrantes no deben estar juntos porque pelean. De cuantas
formas pueden sentarse en la mesa?
(
PERMUTACIONES CON REPETICIN

El nmero de permutaciones distintas de n objetos de los cuales n1 son de una clase, n2
de una segunda clase,, nk de una k-sima clase y todo los dems objetos de clase 1, se
denota por:
Ejemplo 1: Un estante de una librera tiene capacidad para 10 libros de matemticas que
tiene pasta verde, 8 de fsica de pasta roja y 7 de qumica de pasta azul. De cuantas
maneras puede colocarse los libros segn los colores?
Ejemplo 2: Suponga que un da obscuro nacen en cierto hospital cuatro pares de mellizos,
idnticos, dos pares de mellizas, idnticas, nueve nios y once nias. Se utiliza una tinta no
indeleble para escribir sus nombres. El da siguiente (an obscuro) la tinta desaparece.
De cuantas maneras es posible mezclar a los nios?
( )
COMBINACIONES (
Las combinaciones son las ordenaciones de un subconjunto de r elementos de un

conjunto que tiene n elementos diferentes. Y se llama combinaciones de los n elementos
tomados de r en r.
En las combinaciones el orden de los elementos no es importante.
Si se tiene un conjunto formado por los elementos {a, b, c, d}. Cules sern las
combinaciones que se pueden hacer tomando de una en una, de dos en dos, de tres en
tres y de cuatro en cuatro.
1. De 1 en 1.
{a}, {b}, {c}, {d}
2. De 2 en 2.
{a, b}, {a, c}, {a, d}, {b, c}, {b, d}, {c, d}
3. De 3 en 3
{a, b, c}, {a, b, d}, {a, c, d}, {b, c, d}
4. De 4 en 4
{a, b, c, d}
Por lo tanto la expresin que permite calcular el nmero de combinaciones es:
(
Ejemplo 1: Se extraen dos cartas de una baraja de 52. De cuantas maneras se puede
hacer esto?
Se necesita subconjuntos de dos cartas sin importar el orden por lo tanto se tiene lo
siguiente:
)
(
Ejemplo 2: un estudiante tiene que contestar 8 de 10 preguntas en un examen.

a) De cuantas maneras puede el estudiante escoger las 8 preguntas?
b) Si las tres primeras preguntas son obligatorias. De cuantas maneras puede
escoger las preguntas?
c) Si tiene que contestar 4 de las 5 preguntas. De cuantas formas puede hacerlo?
a)
(
b)
(
c) si tiene que contestar 4 de las 5 primeras preguntas, lo hara

, y las 4 preguntas
restantes seleccionar de las 5 preguntas finales, lo cual lo hara de
. Entonces las 8
preguntas se seleccionan de la siguiente forma.
EJERCICIOS DE PROBABILIDADES
1. En una caja hay 20 bolas numeradas del 1 al 20, se extrae al azar una bola. cul es
la probabilidad que el nmero de la bola extrada?
a) No exceda de 20?
b) Sea por lo menos 15?
: Extraer una bola de la caja.
: {1, 2, 3, 4,, 20}
N() = 20
a) A: El nmero de la bola extrada no exceda de 20

A: {1, 2, 3, 4,, 20}
N(A) = 20 Ya que cualquier bola que se extraiga no
supera 20.
( )
[ ]
( )
[ ]
[ ]
b) B: El nmero de bola extrada sea por lo menos 15.
B: {15, 16, 17, 18, 19, 20}
N(B) = 6
( )
[ ]
( )
[ ]
[ ]
2. En una compaa hay 6 varones y 4 damas que aspiran a ser miembros de un

comit. Si se desea escoger 2 al azar escribiendo los nombres en hojas de papel y
sacndoles de una urna. Cul es la probabilidad que los dos sean hombres?
: Extraer 2 nombres de los diez.
Como cada conjunto que se saca es de dos personas el espacio muestral se transforma en
un problema de combinacin.
: {(A, B); (A, C); (A, D);}
N() = 10C2
A: Las dos personas elegidas son hombres

N(A) = 6C2
[ ]
( )
( )
[ ]
[ ]
3. Un experimento aleatorio consiste en disponer los dgitos 2, 3, 4, 5, 6, 7, 8, 9 uno a
continuacin del otro; calcular la probabilidad de:
a) Que el 3 aparece junto al cuatro y en ese orden.
b) El nmero formado sea par.
: Disponer los dgitos uno a continuacin de otro.
: {23456789, 24685379,}
( )
a) A: El tres aparece junto al cuatro y en ese orden

A: {23456789, 34256978, 85967342,}
( )
Ya que el 3
y 4 deben estar juntos en ese orden como un solo nmero por lo cual solo bastara
en permutar 7 nmeros.
( )
[ ]
( )
[ ]
[ ]
b) B: El nmero formado sea par.
( )
B: {34256978, 85967342,}
Para que sea par
debe terminar en 2, 4, 6, 8 por lo cual existen 4 formas de que termine el nmero
en par y los dems nmeros pueden ordenarse en forma de permutaciones.
[ ]
( )
( )
[ ]
[ ]
4. En el consejo universitario cada una de las 17 facultadas est representada por el
decano y Subdecano. Se nombra una comisin de 17 miembros elegidos al azar.
Determine la probabilidad de que una determinada facultad est representada.
: Nombrar una comisin de 17 miembros elegidos al azar.
: {Arreglos formados por la combinacin de todos los representantes tomados de

17 en 17}
( )
A: Una determinada facultad est representada.
Significa que cada una de las facultas debe tener un representante. Para facilitar el
clculo se puede encontrar el complemento del evento A y luego restar del
espacio muestral as:
A: Una facultad dada no est representada.
A: {Arreglos formados por la combinacin de todos los representantes quitando
una facultad tomados de 17 en 17}
( )
( )
( )
[ ]
[ ]
[ ]
[ ]
[ ]
[ ]
[ ]
[ ]
AXIOMAS DE PROBABILIDAD Y PROPIEDADES

Axioma 1: Para cada evento A definido en el espacio muestral se tiene que:
[ ]
La probabilidad del evento A est entre 0 y 1.
Axioma 2: La probabilidad del espacio muestral es:
[ ]
Axioma 3: Para cualquier nmero finito k de eventos mutuamente excluyentes
definidos en el espacio muestral se tiene que:
[
[ ]
De ste axioma si se tienen dos eventos A y B los cuales son mutuamente excluyentes
definidos en el espacio muestral . Se tiene que:
[ ]
[ ]
Axioma 4: Si se tiene el evento imposible A definido en el espacio muestral se tiene

que:
[ ]
Axioma 5: Para cada evento A definido en el espacio muestral se tiene que:
[ ]
[ ] O
[ ]
[ ]
Axioma 6: Si se tiene los eventos A y B definidos en el espacio muestral tales que

ATB se tiene que:
[ ]
[ ]
Axioma 7: Si se tiene los eventos A y B definido en el espacio muestral y si ellos se

intersecan entre s, se tiene:
[ ]
[ ]
Axioma 8: Si A, B, C son tres eventos cualesquiera definidos en el espacio muestral y

si ellos se intersecan entre s, se tiene:
A
[ ]
[ ]
[ ]
Ejemplo 1: La probabilidad de que llueve en Latacunga en Diciembre es 0.10, de que

truene es 0.05 y que llueve y truene es de 0.03. Cul es la probabilidad de que llueve o
truene ese da?
Sean los eventos:
A: Llueve en Latacunga en Diciembre
B: Truene en Latacunga en Diciembre
C: Llueve o truene en Latacunga en Diciembre
Sean las probabilidades:
P[A] = 0.10
P[B] = 0.05
[ ]
[ ]
[ ]
[ ]
[ ]
Ejemplo 2: La probabilidad que la central de riesgos de la provincia de Tungurahua reciba

a lo ms 5 llamadas telefnicas en un da es 0,20; y por lo menos 9 llamadas en un da es
0.50. Cul es la probabilidad que la central de riesgos reciba 6, 7 u 8 llamadas en un da?
: La central de riesgos de Tungurahua recibe en un da una llamada telefnica.
: {0, 1, 2, 3, 4, 5,...}
Sean los eventos:
A: La central de riesgos reciba a lo ms 5 llamadas.

[ ]
A: {0, 1, 2, 3, 4, 5}
B: La central de riesgos reciba por lo menos 9 llamadas.

[ ]
B: {9, 10, 11, 12, 13, 14,...}
C: La central de riesgos reciba 6, 7 u 8 llamadas

C: {6, 7, 8}
Los eventos no tienen interseccin por lo cual se tiene:
[ ]
]
[ ]
[ ]
Ejemplo 3: De un grupo de personas, el 30% practica ftbol y el 40% juega ajedrez. De los
futbolistas el 50% juega ajedrez. Si se elige aleatoriamente una persona. Cul es la
probabilidad?
a) Practica slo uno de estos deportes?
b) No practique ni futbol ni ajedrez?
: Elegir aleatoriamente una persona de un grupo de personas.
: {1, 2, 3, 4, 5,...n}
Sean los eventos:
A: La persona elegida es futbolista.
[ ]
B: La persona elegida juega ajedrez.
[ ]
a) Practica slo uno de estos deportes?

(
C: La persona elegida practica solo uno de estos deportes.
15%
15%
25%
Los eventos (
) son mutuamente excluyentes por lo cual se tiene:

[ ]
[ ]
[ ]
b) No practique ni futbol ni ajedrez?
Sea el evento:
(
D: la persona elegida no practica ni futbol ni ajedrez.

[ ]
[(
[ ]
)]
[
[ ]
[ ]
PROBABILIDAD CONDICIONAL
La probabilidad condicional est determinada o condicionada a la ocurrencia de un evento
dado que ya ocurri otro.
Si se considera un evento A y un evento B definido en un espacio muestral . Se tiene
que:
Si se quisiera determinar la ocurrencia del evento A dado que ya a ocurrido el evento B se

tendra grficamente:
Es evidente que la probabilidad del evento A es diferente cuando ya a ocurrido un evento

anterior definido en dicho espacio muestral. Si el evento B fue el que ya ocurri se tiene
que el espacio muestral queda restringido a dicho evento, y es obvio pensar que el
complemento de B no ha ocurrido por lo cual se puede definir probabilidad del evento A
dado que ya ocurri B. Y se denota por [
] cuya frmula matemtica es:
]
[ ]
De esta frmula tambin se deriva la expresin:

[
]
[ ]
[ ]
Ejemplo 1: Se considera el experimento lanzar un dado y observar su resultado en el cual

se definen los eventos:
A: Se observa un nmero impar
B: Se observa un nmero mayor que 3.
Determina la probabilidad de A dado que ya ocurri B:
: Lanzar un dado y observar su resultado.
: {1, 2, 3, 4, 5, 6}
N() = 6
A: {1, 3, 5}
N(A) = 3
B: {4, 5, 6}
N(B) = 3
A
1
[ ]
Ejemplo 2: En un estudio sociolgico sobre la fidelidad en el matrimonio se obtuvo el

siguiente modelo probabilstico, calificando al hombre y a la mujer como fiel (F) o infiel (I).
MUJER
HOMBRE
F
I
F
0.22
0.31
I
0.24
0.23
Cul es la probabilidad condicional de que un esposo sea fiel, dado que su esposa es fiel?
Se denotara por:
Hombre fiel (HF)
Mujer fiel (MF)
[
]
[
Axiomas
Axioma 1:
]
[
Axioma 2:
Axioma 3: Para un conjunto de n eventos A1, A2, A3,..., An, mutuamente excluyentes se
tiene:
[
Axioma 4:
Axioma 5:
]
[
Axioma 6: Si ATB;
Axioma 7:
]
[
]
[
Ejemplo 1: En una universidad de 10000 estudiantes y 1000 profesores, el 10% de los

profesores son zurdos y el 90% derechos, mientras que en los estudiantes ste porcentaje
es lo contrario. Se selecciona al azar un miembro de la Universidad y se encuentra que es
derecho. Cul es la probabilidad que se haya selecciona un estudiante?
: Seleccionar al azar un miembro de la universidad y observar si es derecho o izquierdo;
: {1, 2, 3, 4, 5, 6,...,11000}
N() = 11000
D: El miembro seleccionado es derecho

E: el miembro seleccionado es estudiante
A calcular:
Tamaos: (
]
[ ]
( )
[
[
]
]
REGLA DE LA MULTIPLICACIN
La regla de la multiplicacin permite calcular la probabilidad de la interseccin de dos o
ms eventos: Si se tiene dos eventos A y B y que no son mutuamente excluyentes se
puede establecer que: La probabilidad de que ocurra A y B
es igual a la
probabilidad de la ocurrencia de uno de ellos multiplicado por la probabilidad condicional
que ocurra el segundo, dado que el primero ha ocurrido.
[
[ ]
[ ]
Ejemplo: Una urna contiene 5 bolas blancas y 6 negras; se extrae al azar sucesivamente y
sin reposicin, cul es la probabilidad que las dos resultan blancas?
Se considera los eventos:
A1: La primera bola result blanca
A2: La segunda bola resulto blanca
E: Las dos bolas resultan blancas
La probabilidad buscada es del evento
eventos.
[ ]
, es decir es la interseccin de los dos
En la urna existe 11 bolas de las cuales 5 son blancas, por lo cual:

[
Despus de la ocurrencia del evento A1, queda 10 bolas de las cuales 4 son blancas, luego
[
Por lo tanto
[ ]
[ ]
EVENTOS INDEPENDIENTES Y DEPENDIENTES

Dados dos eventos A y B se dicen que son independientes si la probabilidad de ocurrencia
de uno de ellos no afecta para nada la probabilidad de ocurrencia del otro, caso contrario
son dependientes
[ ]
[ ]
[ ] Eventos Independientes
] Eventos Dependientes
Ejemplo 1: Sean los eventos A1 y A2 cara en el quinto lanzamiento y cara en el sexto

lanzamiento de una moneda, respectivamente. Determine la probabilidad de que salga
cara en ambos intentos
[
] Ya que son independientes
PROBABILIDAD COMPLETA Y TEOREMA DE BAYES

Antes de definir lo que se es una probabilidad completa o el teorema de Bayes hay que definir
ciertos parmetros muy importantes para poder comprender lo antes mencionado as:
PARTICIN DE UN ESPACIO MUESTRAL

Se dice que la coleccin de eventos B1, B2, B3,..., Bk del espacio muestral representan una
particin del espacio muestral si cumplen las siguientes condiciones:
a) Los eventos B1, B2, B3,..., Bk son mutuamente excluyentes.
b) Los eventos B1, B2, B3,..., Bk son colectivamente exhaustivos.
c) La probabilidad de cada uno de los eventos es mayor que cero.

[ ]
B1
B2
B3
B4
Bk
PROBABILIDAD TOTAL
Sean los eventos B1, B2, B3,..., Bk que forman una particin del espacio muestral entonces para
cualquier evento A definido en el mismo espacio muestral se cumple:
B3
B2
B1
B4
Bk
[ ]
[ ] [
] [
Corolario: Si B es un evento en tal que

tiene que:
[ ]
[ ] [
[ ]
] [
] [
, entonces para cualquier evento A en se
[ ] [
Ejemplo: En un laboratorio hay tres jaulas. En la jaula I hay 2 ratas negras y 3 blancas, la jaula
II tiene 4 ratas negras y 2 blancas y la jaula III contiene 5 negras y 5 blancas. Se selecciona al
azar una jaula y se saca una rata de esa jaula. Cul es la probabilidad que la rata sea blanca?
Solucin:
: Sacar una rata de una jaula elegida al azar de tres existentes.
: {11 ratas negras, 10 ratas blancas}
Se definen los eventos;
I: La jaula I es seleccionada.
II: La jaula II es seleccionada.
III: La jaula III es seleccionada.

A: La rata escogida es blanca
[ ]
[ ] [
[ ] [
] [
[ ]
[ ]
TEOREMA DE BAYES
El teorema de Bayes se puede considerar como una operacin inversa al de la probabilidad total.
Sean los eventos B1, B2, B3,..., Bk que forman una particin del espacio muestral y el evento A
definido tambin en se tiene que:
] [
[ ] [
]
]
Corolario: Si A y B son eventos en tales que P[A] > 0 y 0 < P[B] <1 entonces:
[
[ ] [
]
]
[ ] [
[ ] [
Ejemplo: Del problema anterior suponer que la rata escogida fue blanca. Cul es la probabilidad
que venga de la primera jaula?
[ ] [
]
[ ]
VARIABLES ALEATORIAS
Cuando se calcula probabilidades muchas veces los elementos de los espacios muestrales son
abstractos por ejemplo en el lanzamiento de una moneda sus elementos son: cara, sello y por
ello muchas veces tambin es difcil escribir el asociado a un experimento aleatorio cuando sus
elementos no son nmeros, sobre todo cuando se trata de experimentos que definen espacios
muestrales discretos infinitos y continuos.
Cuando se maneja variables aleatorias se introduce el concepto de funcin de la misma forma que
se trata en lgebra; as se denomina la funcin de probabilidad P cuyo dominio es ( ) y
rango el intervalo de nmeros reales [0, 1] se tiene que:
P:
( )
Pero cuando los elementos son abstractos no se puede aplicar un clculo matemtico, por lo cual
es conveniente que el dominio de la funcin P sea tambin un conjunto de los nmeros reales
para esto se debe asignar un valor numrico
, a lo que se denomina
cuantificar los sucesos.
Ejemplo: Considere el experimento aleatorio lanzar una moneda tres veces, y en l se define el
evento nmero de caras obtenidas. Determine una funcin que permita asignar valores a los
sucesos de dicho evento.
: {CCC, CCS, CSC, SCC, CSS, SCS, SSC, SSS}
A: {CCC, CCS, CSS, SSS}
Debido a que el evento slo pide el nmero de caras los sucesos CCS, CSC, SCC son iguales as
como tambin los sucesos, CSS, SCS, SSC.
Se puede definir la funcin:
X(CCC) = 3
X(CCS) = X(CSC) = X(SCC) = 2
X (CSS) = X(SCS) = X(SSC) = 1
X(SSS) = 0
Es decir, la funcin X en definida por X() = nmero de caras obtenidas al lanzar una moneda
tres veces es una funcin a valores reales, que tiene como dominio el espacio muestral y el
subconjunto de nmeros reales,
{
} como rango
X:
En el ejemplo se podra determinar la probabilidad correspondiente a que salga tres caras, dos
caras, una cara y cero caras, observado que son eventos independientes los lanzamientos de las
monedas as:
[{ }]
[{ }]
[{ }]
[{ }]
Definicin variable aleatoria.- Se llama variable aleatoria a cualquier funcin definida en un

espacio muestral y con rango o recorrido en un subconjunto finito o infinito de los nmeros
reales, el cual asigna un nico valor de
El dominio de la variable aleatoria X es (conjunto de partida) y el rango o

recorrido es un subconjunto de los reales que se va a denotar como
(conjunto de
LLEGADA).
Notacin:
{
( )
( )
Ejemplo: Sea X una variable aleatoria que se considera como el beneficio de un jugador, en un
juego en el que se tira un dado y el jugador gana 100 dlares, si sale los nmeros 1 o 3, no gana ni
pierde si sale los nmeros 2 o 5, pierde 100 dlares si sale 4 o 6. Cul es su recorrido
El dominio de X es:
: {1, 2, 3, 4, 5, 6} es decir las posibilidades del dado. N() = 6
Los valores que toma la funcin en su recorrido que tambin se les puede llamar imgenes son
segn el enunciado:
X(1) = X(3) = 100 $; X(2) = X(5) = 0; X(4) = X(6) = -100 $
Por lo cual l recorrido es:
{
Clculo de probabilidades en el recorrido de una funcin

Cada elemento del rango Rx de la variable aleatoria X tiene una probabilidad que han sido
inducidas por las probabilidades asignadas a los posibles resultados del espacio muestral a
travs de la funcin X, lo cual implica que se puede utilizar la teora de probabilidades para calcular
probabilidades en Rx.
Al igual que se habla de eventos como subconjuntos del espacio muestral, a travs de la variable
aleatoria tambin se puede hablar de eventos como subconjuntos de Rx, con la siguiente notacin:
[X() = x] o [X = x] que se lee: la variable aleatoria toma el valor de x
P[X = x] se lee: La probabilidad que la variable aleatoria tome el valor de x
Ejemplo: Del problema anterior cul es la probabilidad que la persona que juega gane 100 dlares.
Para que gane 100 dlares la persona, el dado lanzado debe salir 1 o 3
[
[ ]
[ ]
Donde:
Se definen los eventos
A: Sale 1 en el lanzamiento del dado N(A) = 1
B: Sale 3 en el lanzamiento del dado
N(B) = 1
Los eventos no tienen interseccin.

[
]
[
EVENTOS EQUIVALENTES
Sea un espacio muestral asociado a un experimento aleatorio , y X una variable aleatoria con
rango Rx definida sobre . Un evento A en y un evento Ex en Rx son equivalentes si:
{
( )
Simplemente, si A es un evento en que consiste de todos los resultados posibles para el cual
( )
, entonces A y
son equivalentes
( )
Si A es un evento en tal que
{
} su evento equivalente en Rx es
{ },
lo cual se denota por [X = a], es decir el evento [X = a] es el conjunto de puntos en el espacio
que son aplicados en el nmero real a por la funcin X.
Ejemplo: En el experimento aleatorio lanzar una moneda tres veces, y X() = nmero de caras
obtenidas.
( )
Sea
Y sea
} su evento equivalente es {CCS, CSC, SCC} o [X = 2]
} se tendra que A = {CSS, SCS, SSC, SSS} o
( )
} o [X = 1 o 0]
En forma general se tiene que:

{
( )
} , se denota por [X = a, b]
( )
}, se denota por [a < X < b]
Definicin.- Si A es un evento en el espacio muestral y

variable aleatoria X, entonces definimos la probabilidad
[
[ ]
( )
un evento en el rango
como:
de la
VARIABLES ALEATORIAS DISCRETAS

Definicin.- Una variable aleatoria X se dice que es discreta si su rango RX es un conjunto finito o
infinito numerable as:
{
Ejemplo: suponiendo que el nmero de das de trabajo de un ao en particular es 280 y los

records de los empleados se marcan cada da cada da que ellos se ausentan. Se selecciona
aleatoriamente un record y se observa los das marcados. Cul es el rango de la variable aleatoria.
Respuesta
La variable aleatoria se define como el nmero de das ausentes del trabajo, por lo cual:
{
La variable aleatoria es discreta con un nmero finito de posibles valores.
FUNCIN O LEY DE PROBABILIDAD

Definicin.- Sea X una variable aleatoria discreta con rango
[
( )
{
Donde la suma es sobre los sucesos
condiciones:
. Una funcin definida por
[{ }]
( )
tal que ( )
y satisface las siguientes
( )
( )
A esta sta ltima expresin se la conoce como funcin o ley de probabilidad.
Distribucin de probabilidad
La coleccin de pares ordenados [(x,
( ) ),
] se llama distribucin de probabilidad.
Nota: si
, [X = x] es un evento imposible, por lo tanto
( )
La distribucin de probabilidad se representa en tablas o grficamente:

Representacin tabular de la distribucin de probabilidad
x
( )
x1
[
x2
)
x3
)
Representacin grfica de la distribucin de probabilidad
Para cualquier evento definido en RX como puede ser A, B, C o ya el conocido EX , se lo puede

definir como sigue:
[ ]
( )
Ejemplo: En el lanzamiento de una moneda tres veces considere la variable aleatoria que define el
nmero de caras menos el nmero de sellos. Compruebe la ley de probabilidad y halle la
distribucin de probabilidad den forma tabular y grfica.
: {CCC, CCS, CSC, SCC, CSS, SCS, SSC, SSS}
X() = #caras - #sellos
Por lo tanto su recorrido ser:
{
[
( )
( )
[
]
[
[
}
]
]
[
Representacin tabular
x
( )
-3
-1
1/8
3/8
3/8
1/8
Representacin grfica
FUNCIN DE DISTRIBUCIN DE UNA VARIABLE ALEATORIA DISCRETA

La funcin de distribucin o distribucin acumulativa es un concepto muy importante dentro del
estudio de las variables aleatorias. Y se les considera s a eventos que tienen la forma:
Definicin.- Sea X una variable aleatoria discreta con rango

{
} y funcin de
[
] , sea x un nmero real cualquiera, la Funcin de Distribucin de
probabilidad, ( )
X se denota por F(x) y se define como:
( )
( )
Del ejemplo anterior se determino la distribucin de probabilidad como:

x
( )
-3
-1
1/8
3/8
3/8
1/8
Determine: F(-3), F(-1), F(1), F(3).
Si x < -3, se tiene que:
( )
( )
Si x = -3,
(
Si x
( )
( )
[
]
( )
( )
Si x = -1
(
Si x
[
[
( )
( )
Si x = 1
[
( )
Si x
( )
( )
[
[
( )
( )
( )
( )
( )
Si x = 3
[
( )
( )
Si x > 3
( )
0, si x < -3
1/8, si -3 x < -1
F(x) = 4/8, si -1 x < 1
7/8, si 1 x < 3
1, si x 3
( )
( )
( )
x
[
( )
F(x)
-3
-1
1/8
3/8
3/8
1/8
1/8
4/8
7/8
Propiedades de la funcin de distribucin

Se usa la siguiente notacin:
( )
( )
( )
( )
PROPIEDAD 1:
para todo (
) , pues F(x) es una probabilidad para cualquier (x)
real y las propiedades estn limitadas por 0 y 1.
PROPIEDAD 2: F(x) es una funcin no decreciente.
Sean x1, x2 (
) tales que x1 x2, entonces se tiene

{
En funcin de las probabilidades se tiene:

(
PROPIEDAD 3:
( )
{
[{
}]
} es el conjunto de todos los nmeros reales.
[{
}]
{
PROPIEDAD 4: Sea
} es el conjunto nulo
, si x es tal que
, entonces F(x) = F(xk)
Es decir, la funcin F(x) es constante e igual a F(xk) para todo

[
). Esto implica, que si X
es una variable discreta, F(x) es una funcin escalonada y la altura de un escaln en (
)
es igual a la P[X = xk]
De esta propiedad se deriva que:
a) La funcin de distribucin da directamente
P[X a] = F(a)
b) P[X a] = 1 - P[X < a] = 1 F(a 1), Si a es entero
= 1 F([a]), si a no es entero.
c) La funcin de distribucin F(x) se puede usar para determinar probabilidades de cualquier
clase con relacin a X; en particular consideremos el evento.
(
Se considera los siguientes eventos:

A = { / X() a } = (X a)
B = { / a < X() b } = ( a < X b)
Desde que a y b son dos nmeros reales cualesquiera tales, que a < b, entonces es claro que
.
Luego, [
Pero,
[ ]
[ ]
)
Por lo tanto:
[
( )
( )
]
]
De donde
[
Tambin se puede calcular [

[
( )
( )
]
]
) son excluyentes, se tiene que:
Desde que los eventos (X = a) y (

[
( )
( )
Suponiendo que se desee calcular [
] se tiene que:
( )
( )
VARIABLES ALEATORIAS CONTINUAS

DEFINICIN.- Si el rango RX de una variable aleatoria X es un intervalo sobre la recta de
los nmeros reales.
Ejemplo: Se considera los estudiantes de una Universidad A y a cada alumno se le
considera como un suceso, y este suceso se considera como la estatura que posee. As se
podra tener que:
X(Juan) = 1.78 m,
X(Marco) = 1.89 m,
X(Antonio) = 1.65 m.
Segn esto se puede concluir que RX debe estar contenido en
Es decir la estatura de los estudiantes puede tomar cualquier valor positivo dentro de los
reales.
FUNCION DE DENSIDAD DE PROBABILIDAD
Sea X una variable aleatoria continua con rango RX. La funcin de densidad de
probabilidad asociada a la variable aleatoria, es una funcin f(x) integrable que satisface
las siguientes condiciones:
1. f(x) 0, para todo
2.
( )
La grfica mostrada indica que la funcin de densidad es una curva que est definida en
los nmeros reales con rango RX y que est sobre la lnea horizontal segn la condicin 1,
y la condicin 2 indica que si integrramos la funcin f(x) entre los lmites que tiene su
rango esta debe darnos un valor de 1.
PROBABILIDAD PARA CUALQUIER INTERVALO DEFINIDO EN EL RANGO RX

De las condiciones 1 y 2 expuestas anteriormente tambin se puede extender al anlisis y
decir que la probabilidad de la variable aleatoria X es 1 si la funcin de densidad se
integra entre los lmites mximos, y que tambin se puede calcular la probabilidad para
cualquier otro rango que est dentro de RX.
Suponiendo que se requiera calcular la probabilidad de una variable aleatoria continua X
entre los valores a y b definidos en el rango RX de la siguiente forma [ ]
. Es decir
calcular la [
].
La [
] pedida se considera como el rea rayada en la grfica anterior que est
limitada por las rectas x = a, x = b, y el eje X. Por lo tanto la probabilidad del evento pedido
es.
[
( )
Corolarios
1. Es importante resaltar que f(x) no representa la probabilidad de algo y que
solamente cuando la funcin se integra entre dos puntos produce una
probabilidad.
2. Para cualquier valor especfico de X, digamos xo, P[X = xo] = 0. Debido a que
P[X = xo] = P[xo < X xo] =
3.
( )
[
]
[
]
[
cuando X sea una variable aleatoria continua.
].
Siempre
Ejemplo 1. Sea X una variable aleatoria continua definida por la funcin de densidad
(
f(x) =
Calcular:
a) Qu valor tiene el coeficiente a
b) Construir la grfica de la funcin de densidad de probabilidad.
c) Calcular la probabilidad de que la variable aleatoria X se encuentre en el intervalo
de 1 a 2 incluidos.
d) La probabilidad de que x se encuentre de -1 a 3/2 en un intervalo abierto
La funcin de densidad de la variable aleatoria X solo est definida en un intervalo cerrado

[0, 3] para otros valores toma un valor de 0, por lo cual el rango de dicha variable es:
RX = [0, 3]
Si se integra la funcin de densidad en dicho intervalo se tendr el valor de 1. As:
Por lo tanto
Para obtener la grfica de la funcin de densidad se debe graficar la curva:
fuera de ese intervalo la funcin de densidad toma el valor de 0.
Para encontrar la probabilidad pedida se debe integrar en el intervalo [1, 2]
[
FUNCION DE DISTRIBUCION (F (X))

Es una probabilidad acumulativa.
Ley fundamental
Funcin de densidad= derivada de la funcin de distribucin.
Si quiere encontrar F(1) se remplaza

F(1)= (1)2 /3-2/27(1)3
Ejemplo
Defina una funcin de distribucin de la siguiente forma
a) determine el valor de k
Se selecciona al azar un punto del interior del triangulo equiltero cuyo lado mide 6cm sea
x la VAC que define la distancia de dicho punto a la base del triangulo encuentre F(x) y f(x)
ESPERANZA MATEMATICA
Se expresa por E (X), es un promedio o el valor esperado que tome una variable aleatoria
X
Tambin se puede utilizar la notacin E(X)= u: esperanza matemtica.
( )
( ) Para el caso de una variable aleatoria discreta.
( )
( )
Para el caso de una variable aleatoria continua.
VARIANZA MATEMATICA
Es la desviacin entre el valor que toma la variable aleatoria y el valor esperado de la
misma. Es el grado de alejamiento entre 2 valores definidos dentro del rango de la
variable aleatoria.
Se representa por V(X) o
( )
( )
)
)
( ) Para el caso de una variable aleatoria discreta.
( )
Para el caso de una variable aleatoria continua.
Ejemplo:
Sea x una variable aleatoria continua con funcin de distribucin
DISTRIBUCIONES PROBABILISTICAS
VARIABLES ALEATORIAS
ENSAYOS Y DISTRIBUCION DE BERNOULLI
En teora de probabilidad y estadstica, la distribucin de Bernoulli (o distribucin
dicotmica), nombrada as por el matemtico y cientfico suizo Jakob Bernoulli, es una
distribucin de probabilidad discreta, que toma valor 1 para la probabilidad de xito p y
valor 0 para la probabilidad de fracaso q = 1 p. Por lo tanto, si X es una variable aleatoria
con esta distribucin tenemos un experimento que se llama ensayo de Bernoulli.
Se define a la variable aleatoria X de tal manera que ( )= nmero de xitos en el ensayo
{ }.
Bernoulli. Su rango ser
Es decir (
)= 0,
)= 1
X
REALES
EXITO
1
FRACASO
0
Se denota por
[ ] y
[ ]
La distribucin de probabilidad de la variable aleatoria X de Bernoulli, es llamada

distribucin de Bernoulli y su grafica se muestra a continuacin.
( )
( )
La distribucin de Bernoulli se escribe como una funcin de la siguiente manera.

( )
La esperanza y varianza de distribucin viene dado por:

( )
( )
Ejemplo:
"Lanzar un dado y salir un 6".
Cuando lanzamos un dado tenemos 6 posibles resultados:
= {1, 2, 3, 4, 5, 6}
Estamos realizando un nico experimento (lanzar el dado una sola vez).
Se considera xito sacar un 6, por tanto, la probabilidad para este evento ser 1/6 segn la
definicin clsica de la probabilidad.
p = 1/6
Se considera fracaso no sacar un 6, por tanto, se considera fracaso sacar cualquier otro
resultado.
q = 1 - p = 1- 1/6 = 5/6
La variable aleatoria X medir "nmero de veces que sale un 6", y solo existen dos valores
posibles, 0 (que no salga 6) y 1 (que salga un 6).
Por tanto, la variable aleatoria X se distribuye como una Bernoulli de parmetro p = 1/6
La probabilidad de que obtengamos un 6 viene definida como la probabilidad de que X sea
igual a 1.
( )
( ) (
( ))
Que tendr como valor 1/6.

DISTRIBUCION BINOMIAL
Muchas de las ocasiones solo se esta interesado en el nmero total de xitos E
obtenidos en un proceso de n ensayos de Bernoulli al margen del orden en que se
presenten. El espacio muestral de los n ensayos, tiene
elementos o sucesos los cales
son, una sucesin de n smbolos E y F.
{
En esa situacin se define la variable aleatoria X de la siguiente forma:

( )= nmero de xitos obtenidos en los n ensayos de Bernoulli. Su rango ser:
{
}.
La variable aleatoria as definida se llama una variable aleatoria binomial.

La distribucin Binomial se escribe como una funcin de la siguiente manera.
( )
La esperanza y varianza de distribucin viene dado por:
( )
( )
Ejemplo: Determine P(X=8) para n = 10 y p = 0,5
Solucin:
Aplicando la ecuacin se obtiene:
( )
DISTRIBUCION HIPERGEOMETRICA
La distribucin hipergeomtrica es especialmente til en todos aquellos casos en los que
se extraigan muestras o se realizan experiencias repetidas sin devolucin del elemento
extrado o sin retornar a la situacin experimental inicial.
Modeliza , de hecho, situaciones en las que se repite un nmero determinado de veces
una prueba dicotmica de manera que con cada sucesivo resultado se ve alterada la
probabilidad de obtener en la siguiente prueba uno u otro resultado. Es una distribucin
fundamental en el estudio de muestras pequeas de poblaciones pequeas y en el clculo
de probabilidades de, juegos de azar y tiene grandes aplicaciones en el control de calidad
en otros procesos experimentales en los que no es posible retornar a la situacin de
partida.
Esta distribucin se aplica cuando el muestreo se realiza sin repeticin y la probabilidad de
xito no permanece constante de un ensayo a otros calcula mediante la frmula:
Esta distribucin tiene por variable aleatoria a:
( ) Nmero de xitos en la muestra de tamao n sin remplazo.
La cual genera un rango dado por:
( )
Donde:
N: Tamao de la poblacin
M: Cantidad de xitos en la poblacin
N - M: Cantidad de fracasos en la poblacin.
x : Nmero de xitos
n: Tamao de la muestra
)}
Los valores de esperanza y varianza matemtica son:

( )
( )
[ ]
[ ][
][
Ejemplo
Considerando que en la urna hay un total de 10 objetos, 3 de los cuales son defectuosos,
si de seleccionan 4 objetos al azar, cul es la probabilidad de que 2 sean defectuosos?
Solucin:
N = 10 objetos en total
a = 3 objetos defectuosos
n = 4 objetos seleccionados en muestra
x = 2 objetos defectuosos deseados en la muestra
Donde:
Probabilidad asociada a cada muestra de 4 objetos que se seleccionaron, con lo que se

demuestra que las probabilidades no son constantes
Formas o maneras de obtener 2 objetos defectuosos entre los 4 seleccionados = muestras

de 4 objetos entre los que 2 son defectuosos
Como se observa en el desarrollo de la solucin del problema, la pretensin es demostrar
que las probabilidades asociadas a cada uno de los resultados no son constantes.
Luego la probabilidad de obtener 2 objetos defectuosos entre los 4 seleccionados al azar
sera:
Para evitar que lo descubran en la aduana, un viajero ha colocado 6 tabletas de narctico

en una botella que contiene 9 pldoras de vitamina que son similares en apariencia. Si el
oficial de la aduana selecciona 3 tabletas aleatoriamente para analizarlas, a) Cul es la
probabilidad de que el viajero sea arrestado por posesin de narcticos?, b) Cul es la
probabilidad de que no sea arrestado por posesin de narcticos?.
Solucin:
a) N = 9+6 =15 total de tabletas
a = 6 tabletas de narctico
n = 3 tabletas seleccionadas
x = 0, 1, 2, o 3 tabletas de narctico = variable que nos indica el nmero de tabletas
de narctico que se puede encontrar al seleccionar las 3 tabletas
p(viajero sea arrestado por posesin de narcticos) = p(de que entre las 3 tabletas
seleccionadas haya 1 o ms tabletas de narctico)
b) p(no sea arrestado por posesin de narcticos)
DISTRIBUCION DE POISSON
En probabilidades, la distribucin de Poisson es una de las distribuciones de probabilidad
discreta. Esta distribucin se utiliza para calcular las posibilidades de un evento con la
tasa media dada de valor (). Una variable aleatoria de Poisson (x) se refiere al nmero de
xitos en un experimento de Poisson.
Esta distribucin es una de las ms importantes distribuciones de variable discreta. Sus
principales aplicaciones hacen referencia a la modelizacin de situaciones en las que nos
interesa determinar el nmero de hechos de cierto tipo que se pueden producir en un
intervalo de tiempo o de espacio, bajo presupuestos de aleatoriedad y ciertas
circunstancias restrictivas.
En este tipo de experimentos los xitos buscados son expresados por unidad de rea,
tiempo, pieza, etc. Ejemplos
- # de defectos de una tela por m2

- # de aviones que aterrizan en un aeropuerto por da, hora, minuto, etc.
- # de bacterias por cm2 de cultivo
- # de llamadas telefnicas a un conmutador por hora, minuto, etc.
- # de llegadas de embarcaciones a un puerto por da, mes, etc.
En un proceso Poisson de parmetro se observa t unidades de medida, en la cual se

define la variable aleatoria como:
( ) Nmero de ocurrencia de eventos en t unidades de medida
{
La cual genera un rango dado por:
La variable as definida se llama variable aleatoria de Poisson y la distribucin de

probabilidad de X se llama distribucin de Poisson la cual esta definida por:
( )
Los valores de esperanza y varianza matemtica son:
( )
( )
Ejemplos:
1. Si un banco recibe en promedio 6 cheques sin fondo por da, cules son las
probabilidades de que reciba, a) cuatro cheques sin fondo en un da dado, b) 10
cheques sin fondos en cualquiera de dos das consecutivos?
Solucin:
a) x = variable que nos define el nmero de cheques sin fondo que llegan al banco en
un da cualquiera = 0, 1, 2, 3,....
= 6 cheques sin fondo por da
= 2.718
b)
x= variable que nos define el nmero de cheques sin fondo que llegan al banco en
dos das consecutivos = 0, 1, 2, 3,
= 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en dos das

consecutivos
Nota: siempre debe de estar en funcin de x siempre o dicho de otra forma,
debe hablar de lo mismo que x.
DISTRIBUCION PROBABILISTICA NORMAL

La distribucin normal fue reconocida por primera vez por el francs Abraham de Moivre
(1667-1754). Posteriormente, Carl Friedrich Gauss (1777-1855) elabor desarrollos ms
profundos y formul la ecuacin de la curva; de ah que tambin se la conozca, ms
comnmente, como la "campana de Gauss". La distribucin de una variable normal est
completamente determinada por dos parmetros, su media y su desviacin estndar,
denotadas generalmente por y .
Con esta notacin, la densidad de la normal viene dada por la ecuacin:
( )
Esta ecuacin determina la curva conocida como campana de Gauss.
Propiedades de la distribucin normal:

La distribucin normal posee ciertas propiedades importantes que conviene destacar:
i.
ii.
iii.
iv.
v.
Tiene una nica moda, que coincide con su media y su mediana.

La curva normal es asinttica al eje de abscisas. Por ello, cualquier valor
entre
y
es tericamente posible. El rea total bajo la curva es, por
tanto, igual a 1.
Es simtrica con respecto a su media . Segn esto, para este tipo de
variables existe una probabilidad de un 50% de observar un dato mayor
que la media, y un 50% de observar un dato menor.
La distancia entre la lnea trazada en la media y el punto de inflexin de la
curva es igual a una desviacin tpica. Cuanto mayor sea, ms aplanada
ser la curva de la densidad.
La forma de la campana de Gauss depende de los parmetros y La
media indica la posicin de la campana, de modo que para diferentes
valores de la grfica es desplazada a lo largo del eje horizontal. Por otra
parte, la desviacin estndar determina el grado de apuntamiento de la
curva. Cuanto mayor sea el valor de , ms se dispersarn los datos en
torno a la media y la curva ser ms plana. Un valor pequeo de este
parmetro indica, por tanto, una gran probabilidad de obtener datos
cercanos al valor medio de la distribucin.
Como se deduce de este ltimo apartado, no existe una nica distribucin normal, sino
una familia de distribuciones con una forma comn, diferenciadas por los valores de su
media y su varianza. De entre todas ellas, la ms utilizada es la distribucin normal
estndar, que corresponde a una distribucin de media 0 y varianza 1. As, la expresin

que define su densidad se puede obtener
Es importante conocer que, a partir de cualquier variable X que siga una distribucin, N (,
) se puede obtener otra caracterstica Z con una distribucin normal estndar, sin ms
que efectuar la transformacin:

Estadistica y Probabilidades2

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Estadistica y Probabilidades2

Uploaded by

Copyright:

Available Formats

UNIVERSIDAD TECNICA DE AMBATO

FACULTAD DE INGENIERIA EN SISTEMAS, ELECTRONICA E INDUSTRIAL

Es la ciencia de la recopilacin, clasificacin, presentacin e interpretacin de

2. Clasificacin.- Ordenar y tabular datos.

Validez.- Que sea demostrable.

Antes de realizar cualquier investigacin es imprescindible determinar el fenmeno que se

Fuente Interna.- Los datos se obtienen dentro de la organizacin o institucin que

2. CLASIFICACIN DE LOS DATOS

3.1 Presentacin textual.- Es un tipo particular de presentacin que se lo utiliza

MEDIDAS DE TENDENCIA CENTRAL

Ejemplo: En una poblacin de 10000 alumnos Cul es tamao de la muestra si el

n = 384.65 z 386 alumnos

Debe ser representativa.- Es decir que represente en verdad a toda la poblacin

redondeando a la dcima sera

redondeando a la centsima sera

Si el ltimo dgito es mayor o igual que 5, se lo suprime y el dgito anterior es redondeado

redondeando a dos cifras enteras

Si la fraccin decimal es exactamente 5 y si le precede una cifra par, no vara el nmero.

redondeando a dos cifras enteras

MEDIDAS DE TENDENCIA CENTRAL PARA DATOS NO AGRUPADOS

Mediante los siguientes datos hallar la media aritmtica. 10, 8, 6, 5, 10, 7

MEDIA ARITMETICA PONDERADA ()

Ejemplo: Promedio de calificaciones las materias seguidas en tercero.

MEDIA ARITMTICA CON FRECUENCIAS ()

Del ejemplo de la media aritmtica:

Propiedades de la media aritmtica:

Ejemplo: Hallar la media geomtrica de los nmeros 3, 5, 6, 6, 7, 10, 12

# DE PARTES QUE DIVIDE

Para el clculo de los cuantiles en datos no agrupados primeramente se debe ubicar la

Es la posicin que va a tener el valor en la serie

Cuando la posicin del cuantil no es un nmero entero se procede a interpolar el valor de

MEDIDAS DE DISPERSION PARA DATOS NO AGRUPADOS

Ejemplo: Cul es el rango del conjunto de datos 2, 3, 3, 5, 5, 5, 8, 10, 12

RANGO SEMIINTERCUARTIL (RK)

RANGO PERCENTIL (RPr)

Antes de resolver se debe ordenar los datos en forma descendente o ascendente.

Se procede a calcular las posiciones y valores de los cuartiles y percentiles.

Finalmente se calcula los valores de los rangos.

Permite determinar el promedio de las desviaciones con respecto a una medida de

DESVIACION TPICA O ESTANDAR ()

VARIANZA EXPERIMENTAL (2)

COEFICIENTE DE VARIACION (CV)

Desviacin media absoluta

Tabla de distribucin de frecuencias

60.787. Cules sern los lmites

Amplitud o recorrido de la variable Rango (R)

NOTA: i tiene que tener

NOTA: (ni) siempre va a

Generalmente se calcula primero el nmero de intervalos y luego el ancho del intervalo

El nmero de intervalos no debe ser

El nmero de intervalos no debe ser

Frecuencia acumulada (fa).- Es la suma de las frecuencias a partir de la frecuencia del

Marca de clase (Xm).- Es el valor promedio de cada intervalo.

Nmero de intervalos (ni)

Ancho del intervalo (i)

Tabla de distribucin de frecuencias

Este lmite calculado se convierte en el superior del siguiente intervalo y as se procede

PRESENTACIN GRFICA DE LA DISTRIBUCIN DE FRECUENCIAS

Diagrama de sectores pastel.- El diagrama de sectores es una representacin de los

Diagrama de frecuencias acumuladas Ojiva.- El diagrama de frecuencias acumuladas

MEDIDAS DE TENDENCIAL CENTRAL PARA DATOS AGRUPADOS

Se define como el antilogaritmo de la razn entre la sumatoria del producto de las

Las operaciones de multiplicacin y

Ejemplo: En la oficina de un diario, el tiempo que se tardan en imprimir la primera plana