Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Estadstica y Probabilidades
UNIDAD I
ESTADSTICA
1.
INTRODUCCIN
El uso de los mtodos estadsticos para analizar datos se ha convertido en una
prctica comn en todas las disciplinas cientficas. Este material de ayuda
pretende introducir mtodos que utilizan los estudiantes en sus carreras de
formacin tecnolgica.
La exposicin matemtica es relativamente modesta. El uso sustancial del
clculo se hace slo en el captulo de probabilidades. No se utiliza lgebra
matricial en absoluto. Por lo tanto, casi toda la exposicin deber ser accesible
para aquellos estudiantes cuyo conocimiento en matemtica es bsico.
La unidad 1 se inicia con algunos conceptos y terminologa bsicos (poblacin,
muestra, estadstica descriptiva e inferencial, variables y tipos) y contina con la
elaboracin de tablas de frecuencia para variables cualitativas y cuantitativas y
grficos importantes. La unidad 2 corresponde a las medidas resumen de
posicin y de dispersin. La unidad 3 se estudia el anlisis de dos variables:
cualitativas vs cualitativas, cualitativas vs cuantitativas y cuantitativas vs
cuantitativas, adems de grficos importantes. En la unidad 4 se ofrece el
desarrollo un tanto tradicional de la probabilidad, la probabilidad condicional, la
probabilidad total y el teorema de Bayes.
1.1 POBLACIN Y MUESTRA
A fin de entender cmo se puede aplicar los mtodos estadsticos, se debe
distinguir entre poblacin y muestra. Una poblacin o universo es cualquier
coleccin finita o infinita de individuos o elementos, para cada uno de los
cuales se tiene que contar o medir una o varias caractersticas. Los
elementos son los objetos que poseen la informacin que busca el
investigador y acerca del cual deben hacerse las inferencias. Entre posibles
elementos se tiene: una sustancia, un compuesto, un mineral, etc.
Aunque existe la libertad de llamar poblacin a un grupo cualquiera de
elementos definidos en el tiempo y el espacio, en la prctica depende del
contexto en el cual se observarn los elementos. Suponga, por ejemplo, el
nmero de total de compuestos que pueden elaborarse con 5 sustancias,
puede considerarse como una poblacin.
Una muestra es un subconjunto de elementos de la poblacin que puede
servir de base para generalizaciones vlidas En trabajos qumicos, se
toman muestras de un material, se ensayan y se hacen deducciones para
la totalidad de dicho material, a partir de los resultados obtenidos. La
muestra no es exactamente la poblacin, sino que se supone que la
Estadstica y Probabilidades
TECSUP - PFR
TECSUP - PFR
Estadstica y Probabilidades
Figura 1
Ciclo metodolgico de un trabajo estadstico
Estadstica y Probabilidades
TECSUP - PFR
1.4 VARIABLES
Se dice que algo vara si puede tomar por lo menos dos valores, grados o
formas o, incluso, cuando una caracterstica puede estar presente o
ausente en una situacin especfica.
Dicho esto, podramos estar de acuerdo en que nociones como sexo,
nmero de hijos por familia, color de automvil, nmero de huelgas
anuales, nivel de estudios, etc., son variables, ya que son caractersticas
que admiten por lo menos dos valores, grados o formas dentro de un
universo determinado.
No obstante, al empezar a familiarizarse con este tema, se suele confundir
la caracterstica que admite variaciones con el universo o con los elementos
del mismo. Comprese la lista del prrafo anterior con esta otra: persona,
vivienda, lmpara, automvil. Estos trminos se refieren a objetos y no a
caractersticas de objetos; por lo tanto, no son variables. Variables seran
las caractersticas que quisiramos indagar de esos objetos. Por ejemplo,
de un universo formado por personas podramos conocer su edad, lugar de
nacimiento, nivel de escolaridad, clase social a que pertenecen, etc. Estas
peculiaridades son variables. Tambin son variables, de un universo
formado por automviles, su marca, modelo, color, potencia, etc., ya que
son caractersticas que van cambiando de auto en auto.
Otra confusin frecuente se da con los datos estadsticos. Consideremos
estos ejemplos: "nmero de huelgas" y "produccin de azcar". Si decimos
que el nmero de huelgas en una regin y en un periodo determinados es
A, estamos aportando informacin global del fenmeno, que es un dato
estadstico, no una variable. El nmero de huelgas se convierte en variable
si se estudia, digamos, en un periodo determinado y en diferentes
regiones, o en una sola regin y en diferentes periodos (anualmente,
sexenalmente, etc.). Lo mismo pasa si afirmamos que la produccin de
azcar en el ingenio X es B toneladas: se trata de un dato estadstico, no
de una variable. La produccin de azcar se convertir en variable cuando
se indague en diferentes fbricas y en un mismo momento o en una misma
fbrica y en distintos momentos.
Ahora bien, toda variable tiene dos niveles: uno conceptual o terico y otro
operacional o de medicin. Si nos preguntaran qu se entiende por
alcoholismo, por ejemplo, podramos decir que se trata de una enfermedad
progresiva y mortal, exclusiva de los seres humanos, que consiste en la
ingestin de bebidas alcohlicas. De ser ms o menos correcta esta
definicin, estaramos en el nivel estrictamente conceptual o terico, que
no permite efectuar ninguna medicin. Si, en cambio, a partir de este
concepto definimos al alcoholismo como el grado de dependencia de los
seres humanos respecto a la ingestin de bebidas alcohlicas, habremos
pasado del nivel conceptual a otro donde es posible medir, pues en una
poblacin dada encontraramos desde el que no ha bebido jams una gota
de alcohol, el abstemio, hasta el que no puede dejar de beber.
TECSUP - PFR
Estadstica y Probabilidades
Estadstica y Probabilidades
TECSUP - PFR
representar
una
relacin
de
TECSUP - PFR
Estadstica y Probabilidades
ESCALAS DE MEDICIN
La medicin de una variable consiste en asignar un valor a la caracterstica o
propiedad observada. Por ejemplo, si la caracterstica observada es el gnero
de las personas, al clasificar a una persona como de sexo femenino le
estamos asignando un valor, estamos haciendo una medicin de la
caracterstica.
El proceso de medicin utiliza diversas escalas: Nominal, Ordinal, Intervalo y
Razn.
Escala Nominal: Slo permite asignar un nombre, etiqueta o valor al
elemento sometido a medicin. Los nmeros que se puedan asignar a las
propiedades observadas en los elementos se utilizan slo como etiquetas con
la finalidad de clasificarlos. Con esta escala no tiene sentido realizar
operaciones aritmticas.
Por ejemplo:
Gnero (femenino, masculino), nacionalidad (peruano, colombiano, etc.),
marcas de gaseosa preferida (fanta, coca cola, pepsi etc.).
Escala Ordinal: Adems de asignar un nombre, etiqueta o valor, esta escala
permite establecer un orden entre los elementos sometidos a medicin. Con
esta escala solo se puede establecer una relacin de orden. Los nmeros que
se asignen a las propiedades deben respetar el orden de la caracterstica que se
mide.
Cada categora puede ser comparada con otra en relacin de mayor que o
menor que.
Por ejemplo:
Grado de satisfaccin (alto, medio, bajo), estado de salud (bueno, regular,
malo), grado de instruccin (primaria, secundaria, superior).
Escala de Intervalo: Adems de asignar un nombre o etiqueta y establecer
un orden entre los elementos, esta escala permite calcular diferencias entre los
nmeros asignados a las mediciones (el intervalo entre observaciones que se
expresa en trminos de una unidad fija de medida).
Los datos de intervalo siempre son numricos.
En esta escala el cero es relativo, es decir, no indica la ausencia de la
caracterstica medida.
Por ejemplo:
Temperatura (se puede medir en grado Celsius o grado Fahrenheit), ao
calendario (el ao puede referirse al calendario gregoriano o calendario chino),
en el caso de la escala de intervalos podemos asignar el cero a cualquier valor
posible (el cero es arbitrario).
Estadstica y Probabilidades
TECSUP - PFR
Escala de Razn: Una variable est medida en escala de razn si los datos
tienen todas las propiedades de los datos de intervalo y el cociente de los dos
valores es significativa. La escala de medicin de razn tiene las propiedades de
la escala de intervalo con la propiedad adicional de tener un punto de partida
natural o cero (cero absoluto), que indica que ausencia de la variable (no existe
nada para una variable).
Para esta escala de medicin, es posible establecer una relacin de
proporcionalidad entre sus distintos valores, es decir el cociente de los valores
es significativo.
Por ejemplo:
Costo de un automvil, nmero de aprobados, nmero de artculos
defectuosos.
2.
ESTADSTICA DESCRIPTIVA
La estadstica descriptiva se ocupa de la recopilacin, clasificacin, presentacin y
descripcin de los datos.
2.1 RECOPILACIN
Los datos pueden recopilarse de dos maneras fundamentales:
a) Si se consideran todos los elementos de la poblacin y se registran
sus caractersticas se denomina censo.
b) Si se seleccionan algunos elementos de la poblacin, pero no todos,
se denomina muestra y la informacin obtenida por este
procedimiento se llama por muestreo; si la recopilacin de los
elementos muestrales se efecta al azar se dice que el muestreo es
aleatorio y la muestra se denomina muestra aleatoria.
Un ejemplo de una recopilacin completa o censo es el Censo Poblacional
del Per realizado en el ao 1993.
2.2 CLASIFICACIN
Los datos obtenidos por observacin o medicin suelen ser registrados en
el orden en que se recopilan. Para facilitar su interpretacin y el anlisis
correspondiente deben ser clasificados y esto equivale a que los datos
deben ser organizados de alguna manera sistemtica o particionado en
clases bien definidas y una manera sencilla de hacerlo es ordenar los
datos segn su magnitud o agruparlos de acuerdo a sus caractersticas.
TECSUP - PFR
Estadstica y Probabilidades
3.
Estadstica y Probabilidades
TECSUP - PFR
Tabla N 1
Tabla N 2
4.
10
TECSUP - PFR
Estadstica y Probabilidades
Opinin
Deficiente
Bueno
Excelente
Otros
Total
Frecuencia
20
35
65
40
160
Frecuencia relativa
20/160 = 0.1250
35/160 = 0.2188
0.4063
0.2500
1
Porcentaje
0.125*100 = 12.50 %
21.88 %
40.63 %
25.00 %
5.
11
Estadstica y Probabilidades
TECSUP - PFR
6.
DIAGRAMA DE BARRAS
Un diagrama de barras es una grfica para representar un conjunto de
datos cualitativos que se han resumido en una distribucin de frecuencias
absolutas, relativas o porcentuales. En uno de los ejes de la grfica, por lo
general el eje horizontal, se colocan las categoras de la variable y en el
otro eje de la grfica (por lo general el eje vertical) se pueden usar las
frecuencias absolutas, relativas o porcentuales. Luego, se construye una
barra de ancho fijo en cada categora y cuya altura corresponda a la
frecuencia utilizada en el grfico. Las barras deben estar separadas para
enfatizar el hecho que las categoras no se superponen.
Ejemplo:
6.2
DIAGRAMA CIRCULAR
El diagrama circular, tambin llamado diagrama de pie, es otra forma de
representar la distribucin de frecuencias relativas o porcentuales. Para su
12
TECSUP - PFR
Estadstica y Probabilidades
6.3
2
3
0
4
3
5
9
8
5
12
0
11
1
10
1
0
0
4
3
1
8
3
13
3
1
0
1
8
2
10
3
0
0
3
4
6
A 0; 13
I i Li , Li 1 , i=1, 2, ...,k
Los intervalos semi-abiertos por la derecha Ii se denominan intervalos
de clase.
13
Estadstica y Probabilidades
TECSUP - PFR
k 1 3,3logn
Donde n es el nmero total de datos disponibles.
La frmula es un poco conservadora y nos da un nmero de intervalos
un poco menor del que se utiliza en la prctica. Cuando el nmero de
datos es menor que 100, el nmero de intervalos se debe tomar menor
que 10. Para un nmero de datos bastante grande, el nmero de
intervalos es mayor que 10, la prctica aconseja los siguientes lmites:
5 k 15 .
En el ejemplo:
k = 1 + 3,3 log(40) = 6,286
Luego k podr tomar valores enteros: 5, 6 o 7
Tomemos:
k=7.
Wi l ( I i ) Li 1 Li
Para conseguir anchos de clase iguales (W ), como es deseable; se usa
la siguiente relacin:
l ( A)
, donde l ( A) es la longitud del alcance.
k
En el ejemplo:
W
13
1,857
7
tomamos W = 2
14
TECSUP - PFR
Estadstica y Probabilidades
Cabezas de ganado
Tabulacin
N de familias por
clases
Intervalos de clase o
clases: Ii
[0; 2>
Frecuencias Absolutas:
[2; 4>
[4; 6>
[6; 8>
[8; 10>
[10; 12>
[12; 14>
TOTAL
40
En el ejemplo: n = 40
ni
14
,k=7
Se verifica que:
i
14
1
k
ni n1 n2 n3 n4 n5 n6 n7 14 9 7 1 4 3 2 40 n
i 1
15
Estadstica y Probabilidades
TECSUP - PFR
Tabla N 5
Cabezas
de ganado
N de
familias
Marcas
de clase
Frecuencias
relativas
Frecuencias
relativas
acumuladas
Frecuencias
absolutas
acumuladas
Frecuencias
relativas
porcentuales
Frecuencias
relativas
acumuladas
porcentuales
Clases
ni
xi
hi
Hi
Ni
100hi%
100Hi%
[0; 2>
14
0,350
0,35
14
35
35
[2; 4>
0,225
0,575
23
22,5
57,5
[4; 6>
0,175
0,750
30
17,5
75
[6; 8>
0,025
0,775
31
2,5
77,5
[8; 10>
0,100
0,875
35
10
87,5
[10; 12>
11
0,075
0,950
38
7,5
95
[12; 14>
13
0,050
40
100
TOTALES
40
100
xi
Li Li 1
2
i = 1, 2, ....., k
L L2 0 2
x1 1
1
2
2
L L3 2 4
x2 2
3
2
2
......
; .....
Se verifica que:
0 hi 1
k
hi h1 h2 h3 h4 h5 h6 h7 0,350 0,225 0,175 0,025 0,100 0,075 0,050 1
i 1
16
TECSUP - PFR
Estadstica y Probabilidades
i = 1, 2, ....., k
En el ejemplo:
N1 n1 14
N2 n1 n2 14 9 23
N3 30,.... N7 40
Se verifica:
0 Ni 40
Nk N7 40
H i h1 h2 ... hi
Hi
H1 h1 0,350
H2 h1 h2 0,575
H3 0,750,..... H7 1
Se verifica:
0 Hi 1
17
Ni
; i 1, 2, ... , k
n
Estadstica y Probabilidades
TECSUP - PFR
Hk H7 1
Ii
vs. ni
Ii
vs. hi
b) Polgonos de frecuencias
(Fig. 3)
,n
,h
i
i
i
i
Son polgonos construidos uniendo los puntos
mediante segmentos de recta, o uniendo los puntos medios de los
techos de los rectngulos del histograma. (Fig. N 3)
ni
ni
Histograma
15
15
Figura 3
10
10
10
12
14
Polgono de Frecuencias
Ii
18
Figura 4
10
12
14
Ii
TECSUP - PFR
Estadstica y Probabilidades
Ii
vs. Ni
Ii
vs. H i
(Fig. 5)
d) Ojivas
Son poligonales asociadas a distribuciones de frecuencias absolutas o
relativas acumuladas construidas como aparece en la Figura 5.
Ojiva
Ni
Funcin Escalonada
Ni
40
40
30
30
20
20
10
10
10
12
14
Ii
Figura 5
Figura 6
19
10
12
14
Ii
Estadstica y Probabilidades
7.
TECSUP - PFR
PROBLEMAS PROPUESTOS
1.
36
71
93
136
263
39
74
96
139
289
44
76
99
141
322
47
78
101
148
388
5
7
10
15
51
14
61
84
105
168
a.
b.
c.
d.
20
65
85
112
184
23
67
89
118
206
11
59
81
105
161
2.
3.
Ojos: 5
Piernas: 1
Los siguientes datos constituyen las vidas tiles en horas de una muestra
aleatoria de 60 bombillas de luz de 100 watts:
807
660
881
811
753
872
620
1050
869
650
918
841
815
850
863
20
725
876
842
743
1027
851
703
889
837
844
878
822
907
890
811
TECSUP - PFR
Estadstica y Probabilidades
766
1056
832
5.
787
1076
863
923
958
852
792
970
788
799
765
968
816
740
678
758
891
865
817
1075
759
753
1074
923
a)
b)
c)
a)
937
896
817
Frecuencias
32
47
75
89
126
38
10
417
21
Estadstica y Probabilidades
TECSUP - PFR
862
873
700
790
909
851
926
885
753
784
912
864
857
910
882
922
800
844
847
859
791
931
907
784
903
825
722
917
936
925
935
774
786
706
704
895
903
820
758
792
758
925
930
887
888
890
763
892
914
889
925
805
893
794
791
895
796
915
931
782
768
759
890
701
713
869
916
888
772
724
892
853
865
935
868
895
789
909
887
842
912
943
931
880
892
850
712
710
933
905
920
764
798
905
792
a)
8.
b)
11,1% de agricultores,
10,6% de patronos,
16,5% de ejecutivos,
16,7% de empleados,
38,6% de obreros,
6,5% de personal de servicios y otras categoras.
22
TECSUP - PFR
Estadstica y Probabilidades
Toallas desechables: 85
Otros: 12 productos
a)
b)
c)
11. Los siguientes datos son las velocidades (en km/h) de 80 carros que pasaron
por un punto de control de velocidad:
60
40
49
102
70
25
120
60
30
54
49
60
60
70
45
70
31
38
85
80
31
108
39
100
60
35
83
35
65
26
83
55
45
27
30
28
34
24
65
50
20
45
40
60
73
27
72
63
34
40
46
82
68
40
46
64
29
55
105
72
81
75
62
65
35
45
29
63
65
43
43
61
20
60
38
36
80
85
63
69
23
Estadstica y Probabilidades
TECSUP - PFR
360
120
1000
2200
3400
4000
SUELDO
Cunto de impuesto mensual paga una persona que gana s/.1500? Cunto
gana una persona que paga mensualmente s/.300 de impuesto?
13. La siguiente tabla de frecuencias muestra los haberes mensuales de 200
obreros de cierta fbrica, en nuevos soles (ao2000)
Haberes mensuales
Nmero de obreros
Menores a 500
500 , 700
700 , 900
900 , 1100
1100 ,1300
1300 ,1500
1500 ,1700
60
40
48
24
14
8
ms de 1700
TOTAL
200
24
TECSUP - PFR
Estadstica y Probabilidades
b)
c)
d)
25
Estadstica y Probabilidades
TECSUP - PFR
ANOTACIONES:
26
TECSUP - PFR
Estadstica y Probabilidades
UNIDAD II
MEDIDAS RESUMEN
En esta etapa nos ocuparemos del clculo y estudio de los estadgrafos.
Tabla N 1
b)
Estadgrafos de Dispersin: Nos indican como estn dispersos los datos con
respecto a algn estadgrafo de posicin. Miden el grado de variabilidad de los
datos alrededor de alguna medida de tendencia central, por esta razn, se les
denomina tambin estadgrafos de variabilidad. Ejemplos: rango, la desviacin
media, varianza, desviacin tpica, coeficiente de variacin, rango intercuartlico,
etc.
1.
MEDIA ( x )
Llamada tambin media aritmtica o promedio aritmtico es un estadgrafo que
localiza el centro de la distribucin en base a su centro de gravedad y se
obtiene a partir de las siguientes frmulas.
27
Estadstica y probabilidades
TECSUP - PFR
datos
muestrales, entonces:
x
i 1
xn
i i
i 1
x xi hi
i 1
Donde:
k : nmero de clases
Media Ponderada:
k
x P
i 1
k
i i
P
i 1
Siendo
pesos
P1 , P2 ,..., Pk
asociados
las
variables
x1 , x2 ,..., xk
respectivamente.
Media global:
Si una muestra de tamao n se particiona en k submuestras y x1 , x 2 ,..., x k
son
las
medias
de
las
submuestras
de
tamaos
n1 , n 2 ,..., n k
respectivamente.
k
Entonces:
particionada.
i 1
ni xi
n
Ejemplos:
28
TECSUP - PFR
Estadstica y Probabilidades
x1 9 ,
x2 5 ,
x3 3 ,
x4 10 ,
x5 8
5
xi
x x2 x3 x 4 x5 9 5 3 10 8
x i 1 1
7
5
5
5
Intervalos
de clase
[10, 26
ni
[26, 42
12
[42, 58
[58, 74
[74, 90
[90, 106
Total
30
xini
1356
i
x 1
45, 2
n
30
x xihi 45,15
i 1
Media ponderada:
Tabla N 3
Notas
Pesos
xi
Pi
xi Pi
05
13
1
3
5
39
44
Ex. Parcial
Ex. Final
k
xiPi
44
x i 1
11
k
4
Pi
i 1
29
Estadstica y probabilidades
TECSUP - PFR
Media Global:
Si una muestra de tamao 60 se divide en 5 sub-muestras de tamaos 8, 18,
12, 9, 13 con medias 15, 14, 12, 8,11 respectivamente. Entonces, la media
global ser:
xini
8 * 15 18 * 14 12 * 12 9 * 8 13 * 11 731
i
x 1
12,18
n
60
60
2.
MEDIANA
(Xm)
Xm
x n 1
; si n es impar
1
( xn xn 2 )
2 2
2
; si n es par
x2 6
x3 9
x 4 10
x5 14
como n es impar ( n = 5 )
X m x 5 1 x3 9
2
30
TECSUP - PFR
Estadstica y Probabilidades
x 2 10
x3 17
x 4 21 x5 29
x 6 43
como n es par ( n = 6 ) Xm 19
N m 1
X m Lm Wm 2
nm
donde:
Lm
N m 1 ni
i 1
nm
Wm
Wm Lm 1 Lm
n
total de datos ( 2 0,5) o super por primera vez a la mitad.
Clase mediana=
[ Lm , Lm 1 ;
X m [ Lm , Lm 1
Ejemplo:
31
Estadstica y probabilidades
TECSUP - PFR
Tabla N 4
Velocidades en
Km/h
[10, 26
[26, 42
[42, 58
[58, 74
[74, 90
[90, 106
Total
ni
Ni
Hi
4
12
7
4
2
1
30
4
16
23
27
29
30
0,133
0,533
0,766
0,899
0,966
1
n 30
15
2
2
Lm 26
n = 12
Wm 16
nm 12
N m 1 4
30
2 4
Xm 26 16
40, 67
12
Ni
30
25
20
15
10
5
10
26
32
42
58
74
90
106
Ii
TECSUP - PFR
Estadstica y Probabilidades
X 3500;
x1 1000,
x2 1000,
x3 1000,
x 4 1000,
x5 1000,
x 6 16 000
X m = 1000
En este caso, la mediana es la ms representativa en el sentido que localiza
mejor que la media el centro de los datos bajo consideracin.
Existe un valor extremo bastante discrepante o exagerado ( x6 16 000).
2.3 USOS DE LA MEDIA ARITMTICA
Estadstica y probabilidades
TECSUP - PFR
3.
MODA ( M o )
La moda es un valor de la variable que tiene la ms alta frecuencia, esto es, es el
valor ms frecuente de la distribucin.
Si la distribucin de frecuencias tiene un solo mximo (mximo absoluto), se dice
que la distribucin es unimodal; en cambio si tiene ms de un mximo (mximos
relativos), se dice que la distribucin es multimodal.
Si todas las frecuencias son iguales se dice que la distribucin no tiene moda y se
trata de una distribucin uniforme.
a)
34
TECSUP - PFR
Estadstica y Probabilidades
1
M o Li Wi
1 2
Ii
ni
[12,5
20,5
[20,5
28,5
[28,5 36,5
22
[36,5 44,5
26
[44,5 52,5
20
[52,5 60,5
12
[60,5 68,5
[68,5
76,5
TOTALES
35
Estadstica y probabilidades
TECSUP - PFR
1 =
26 -22 = 4
2 =
26 -20 = 6
1
4
Mo 36,5 W
36,5 8
39,7
4 6
1
2
ni
Ii
4.
CUARTILES (QI)
Son medidas de posicin que dividen en cuatro partes iguales al conjunto de
valores ordenados en una distribucin de frecuencias. Estas medidas son: el
primer Cuartil Q1, el segundo Cuartil Q2 y el tercer Cuartil Q3
25%
Q1
Q2
25%
Q3
75%
Las frmulas para calcular los cuartiles se derivan de la frmula utilizada para
calcular la mediana y los pasos para el clculo son los mismos:
Para el primer cuartil: Para el tercer cuartil:
N i 1
Q1 Li Wi 4
ni
3n
N i 1
Q3 Li Wi 4
ni
Ejemplo
A partir de la siguiente tabla determinar el 25% inferior y el 25% superior.
36
TECSUP - PFR
Estadstica y Probabilidades
Tabla N 6
Altura en pulgadas
ni
Ni
Hi
[60, 63
0,05
[63, 66
18
23
0,23
[66, 69
42
65
0,65
[69, 72
27
92
0,92
[72, 75
100
TOTALES
Luego:
100
4 23
Q1 66 3
66,14
42
Clculo de Q3 :
3n 3x100
Luego:
3x100
4 65
Q3 69 3
70,11
27
5.
DECILES ( DI )
Son medidas de posicin que dividen en 10 puntos iguales al conjunto de los
valores ordenados de una distribucin de frecuencias. Estas medidas son: el
primer decil D1, el segundo decil D2 y as sucesivamente hasta el noveno decil D9.
El primer decil distribuye al lado izquierdo el 10% de los datos y al otro lado el
90%, es decir, ocupa la posicin n/10.
En igual forma para los dems deciles hasta el noveno decil 9n/10 que deja a la
izquierda el 90% de los datos y a la derecha el 10%.
37
Estadstica y probabilidades
TECSUP - PFR
30%
D1
D2
D3
D4
D5
10%
D6
D7
D8
D9
90%
rn
N i 1
Dr Li Wi 10
ni
Donde:
Dr = el decil buscado.
Li = lmite inferior del intervalo donde se halla el decil buscado
r = indica el decil. Por ejemplo si queremos el tercer decil r = 3.
rn
indica la situacin del decil, es decir, la clase donde est el decil
10
Los dems signos: n , Ni-1 , Wi , ni tienen los mismos significados que para
el caso de la mediana.
Ejemplo
Se presenta la distribucin de frecuencias de los puntajes obtenidos por 250
alumnos en una prueba de rendimiento de Fsica. Determinar qu puntajes
deben tener los que se hallen en el 20% inferior y cules puntajes los que
se encuentren en el dcimo superior.
38
TECSUP - PFR
Estadstica y Probabilidades
Tabla N 7
Intervalos
40; 45
45; 50
50; 55
55; 60
60; 65
65; 70
70; 75
75; 80
80; 85
85; 90
Totales
ni
Ni
10
14
18
32
25
57
46
103
53
156
37
193
29
222
18
240
10
250
250
CARACTERSTICAS DE DISPERSIN
Las dos siguientes series de datos:
39
Estadstica y probabilidades
TECSUP - PFR
MEDIDAS DE DISPERSIN
Varianza ( S x2 V( x ) )
Se define:
V( x )
n
2
( xi x)
i 1
2
n
Sx k
( xi x) 2 ni
i 1
, datos no clasifcados
, datos clasificados
V( x )
n x
2
i i
i 1
x ; datos clasificados
Desviacin Tpica
S x
S x V( x )
Una idea sencilla del significado de la desviacin tpica se obtiene cuando se
comparan dos series de la misma naturaleza: la que posee una desviacin
tpica ms alta es la ms dispersa.
C.V .
Sx
x
40
TECSUP - PFR
Estadstica y Probabilidades
Rango interdeclico = D9 D1
Rango intercuartlico = Q3 Q1
Por ejemplo, a partir de la tabla N8, tenemos:
Rango intercuartil = 74,26 60.97 = 13,99
Rango interdeclico = 80,83 53,06 = 27,77
7.
GRFICAS DE CAJA
Los histogramas transmiten impresiones un tanto generales sobre un conjunto
de datos, mientras que un resumen nico tal como la media o la desviacin
estndar se enfoca en slo un aspecto de los datos. En aos recientes, se ha
utilizado con xito un resumen grfico llamado grfica de caja para describir
varias de las caractersticas ms prominentes de un conjunto de datos. Estas
caractersticas incluyen 1) el centro, 2) la dispersin, 3) el grado y naturaleza de
cualquier alejamiento de la simetra y 4) la identificacin de las observaciones
extremas o apartadas inusualmente alejadas del cuerpo principal de los datos.
Como incluso un solo valor extremo puede afectar drsticamente los valores de x y s, una grfica de caja est basada en medidas resistentes a la presencia de
unos cuantos valores apartados, la mediana y una medida de variabilidad
llamada dispersin de los cuartos.
Se ordenan las observaciones de la ms pequea a la ms grande y se separa la
mitad ms pequea de la ms grande; se incluye la mediana Xm en ambas
mitades si n es impar. En tal caso el cuarto inferior es la mediana de la mitad
ms pequea y el cuarto superior es la mediana de la mitad ms grande. Una
medida de dispersin que es resistente a los valores apartados es la dispersin
de los cuartos fs o tambin conocido como rango intercuartilico, dada por:
fs = cuarto superior cuarto inferior
41
Estadstica y probabilidades
TECSUP - PFR
Ejemplo
Se utiliz ultrasonido para reunir los datos de corrosin adjuntos de la placa de
piso de un tanque elevado utilizado para almacenar petrleo crudo (Statistical
Analysis of UT Corro- sion Data from Floor Plates of a Crude Oil Aboveground
Storage Tank, Materials Eval; 1994: 846-849); cada observacin es la
profundidad de picadura ms grande en la placa, ex- presada en milsimas de
pulgada.
40 52 55 60 70 75 85 85 90 90 92 94 94 95 98 100 115 125 125
El resumen de cinco nmeros es como sigue:
xi ms pequea = 40
xi ms grande = 125
cuarto inferior = 72.5
cuarto superior = 96.5
Mediana = Xm = 90
La figura muestra la grfica de caja resultante. El lado derecho de la caja est
mucho ms cerca a la mediana que el izquierdo, lo que indica una asimetra
sustancial en la mitad derecha de los datos. El ancho de la caja (fs) tambin es
razonablemente grande con respecto al rango de datos (distancia entre las
puntas de los bigotes).
8.
ASIMETRA
Es la deformacin horizontal de las curvas de frecuencias.
Cuando la curva est inclinada o alargada hacia la derecha se denomina
asimetra a la derecha o asimetra positiva (Fig.2). Observamos que la media
aritmtica queda hacia el lado ms largo (el derecho) y que x X m M o .
Cuando la curva est inclinada o alargada al lado izquierdo se denomina
asimetra a la izquierda o negativa (Fig.3). Notamos que la media aritmtica est
del lado ms largo (el izquierdo) y que x X m M o .
42
TECSUP - PFR
Estadstica y Probabilidades
En la Fig. 4 observamos que la curva est igualmente inclinada a los dos lados
por eso se llama curva simtrica. En este caso: x X m M o
Fig. 1
Fig. 2
Mo Md x
Fig. 3
x Md Mo
x
Md
Mo
AS1
Media Moda
desviacin estndar
AS1
x Mo
Sx
Notar que el valor del Primer coeficiente de Asimetra de Pearson nos indica el
tipo de asimetra que tendr la curva.
Ejemplo:
Considerando la tabla del Problema 1, calcular: la varianza, la desviacin tpica,
el coeficiente de variacin, el rango, el rango intercuartil, el rango interdeclico y
con ayuda del primer coeficiente de Pearson indicar que tipo de asimetra
presenta a la curva.
Tabla N 9
Ii
10; 26
26; 42
42; 58
58; 74
74; 90
90;106
Total
ni
xi
xi X 2 ni
xi.ni
ni xi2
18
2959,36
72
1296
12
34
1505,28
408
13872
50
161,28
350
17500
66
1730,56
264
17424
82
2708,48
164
13448
98
2787,84
98
9604
11852,8
1356
73144
30
43
Estadstica y probabilidades
V(x)
TECSUP - PFR
11852,8
395,09
30
Sx
V(x)
395,09 19,88
19,88
C.V.
0, 44
45, 2
X
e l(A) 105 10 95
30
4 4
Q1 26 16
30, 67
12
90
4 16
Q3 42 16
56,86
7
30
10 0
D1 10 16
22
4
270
10 23
D9 58 16
74
4
RID D9 D1 74 22 52
AS1
1356
45, 2
30
8
M0 26 16
35,85
8 5
Sx
AS1
73144
45, 22 395,09
30
X Mo
Sx
45, 2 35,85
0, 47
19,88
44
TECSUP - PFR
Estadstica y Probabilidades
8.2
13.8 74.1 85.3
94.8 94.9 95.5 95.8
103.7 106.0 113.5
88.0
95.9
90.2
96.6
91.5
96.7
92.4
98.1
fs = 6.5
1.5fs = 9.75
3fs = 19.50
45
92.9 93.6
99.0
Estadstica y probabilidades
TECSUP - PFR
Por lo tanto, cualquier observacin menor que 90.2 - 9.75 = 80.45 o mayor
que 96.7 + 9.75 = 106.45 es un valor apartado. Hay un valor apartado en el
extremo superior de la muestra y cuatro en el extremo inferior. Debido a que
90.2 - 19.5 = 70.7, las tres observaciones 5.3, 8.2 y 13.8 son valores
apartados extremos; los otros dos son moderados. Los bigotes se extienden
a 85.3 y 106.0, las observaciones ms extremas que no son valores
apartados. La grfica de caja resultante aparece en la figura. Existe una gran
cantidad de asimetra negativa en la mitad media de la muestra as como
tambin en toda la muestra.
5,50
6,75
2,65
7,60
6,25
3,78
4,90
5,21
2,51
6,20
3,87
1,52
1,38
5,92
6,90
4,56
2,46
5,84
4,72
8,80
7,40
7,86
9,45
4,71
6,25
8,79
7,41
5,92
9,65
4,79
2,45
5,33
8,64
3,90
3,24
3,10
6,43
3,75
5,15
6,77
5,62
3,49
3,81
9,20
1,20
4,04
2,50
6,43
1,58
a)
b)
c)
2.
46
TECSUP - PFR
Estadstica y Probabilidades
Mtodo A:
Mtodo B:
1,34
1,30
1,33
1,26
1,32
1,30
1,34
1,33
1,31
1,24
Compuesto
A
B
C
D
E
F
G
a)
b)
c)
4.
N2
16,8
17,1
33,6
25,4
27,9
14,3
35,2
O2
19,2
39,0
57,3
28,2
26,1
45,8
53,5
5.
6.
81.47
64.90
70.88
86.02
77.25
76.76
84.21
84.92
90.23
78.01
88.05
73.37
87.09
57.41
85.43
74.76
86.51
86.37
76.15
88.64
84.71
66.05
83.91
a)
47
56.02
Estadstica y probabilidades
b)
7.
TECSUP - PFR
8.
9.
510
460
475
420
490
480
450
435
485
470
465
500
455
435
Nmero de
trabajadores
15
600 , 900
900 , 1400
1400 , 1700
1700 , 2100
2100 , 2400
24
29
38
24
2400 , 2600
20
Tabla N 8
48
TECSUP - PFR
Estadstica y Probabilidades
b)
11. El ingreso per cpita anual de un pas es de 9000 dlares. El sector obrero
1
que constituye el 60% de la poblacin percibe 5 del ingreso total. Calcular
el ingreso per cpita del sector no obrero.
12. La distribucin siguiente corresponde a las lecturas con un contador Geiger
del nmero de partculas emitidas por una sustancia radiactiva en 100
intervalos sucesivos de 40 segundos:
Nmero de partculas
Frecuencia
5-9
10-14
15-19
20-24
25-29
30-34
35-39
a)
b)
c)
d)
e)
1
10
37
36
13
2
1
49
Estadstica y probabilidades
TECSUP - PFR
50
TECSUP PFR
Estadstica y Probabilidades
UNIDAD III
CUALITATIVA VS CUALITATIVA
Supongamos que se toma una muestra de tamao n de una poblacin que se
est investigando.
Sean X e Y las variables a estudiar, tal que los datos obtenidos son:
( X1,Y1 ),( X2,Y2), .,( Xn,Yn).
Distribucin conjunta y marginal
La tabla de frecuencia que agrupa a esta informacin se conoce tabla de
contingencia. Por ejemplo, para el caso de dos variables cualitativas con dos
modalidades o categoras, la tabla sera:
Y
Categora 1 Categora 2
Categora 1
Categora 2
Total
Celda
f12
Celda
f22
Total
marginal
f.2
Celda
f11
Celda
f21
Total
marginal
f.1
51
Total
Total marginal
f1.
Total marginal
f2.
Total de
individuos
n
Estadstica y Probabilidades
TECSUP PFR
Distribucin Marginal
Cuando slo interesa conocer la frecuencia de ocurrencia de cada una de las
variables por separado se habla de Frecuencia Marginal de la variable
Por ejemplo:
Hbitos de Fumar
SI
NO
SEXO
Total
VARON
MUJER
DISTRIBUCION
CONJUNTA
DISTRIBUCION
MARGINAL
Total
DISTRIBUCION
MARGINAL
Tamao
de
muestra
SI
Hbitos de Fumar
NO
Total
800
1200
2000
1000
2000
3000
1800
3200
5000
52
TECSUP PFR
Estadstica y Probabilidades
Categora
variable Y
To
tal
Categora
variable X
f11
f12
Total
marginal
Categora
variable X
f21
X/Y
Total
f22
Total
marginal
Total
marginal
f.1/n
f.2/n
f1./n
Total
marginal
f2./n
Total de
individuos
n/n
HbitosdeFumar
SI
NO
0.16
0.24
0.20
0.40
0.36
0.64
SEXO
VARON
MUJER
Total
Total
0.40
0.60
1
Frecuencia Condicional
Cuando se pregunta por la frecuencia relativa de una de las variables, digamos
X, restringida a los elementos observados de una clase dada de la otra; esto es,
estudiar el comportamiento de una variable dado un valor fijo de la otra.
Y
2.
Categora
variable Y
Categora
variable Y
Categora 1
f1 / f.1
f12/f.2
Categora 2
f21/f.1
f22/f.2
Total
53
Estadstica y Probabilidades
TECSUP PFR
2.
3.
4.
3.
54
TECSUP PFR
Estadstica y Probabilidades
Coeficientes de correlacin r
Existen diversos coeficientes que miden el grado de correlacin, adaptados a la
naturaleza de los datos. El ms conocido es el coeficiente de correlacin de
Pearson (introducido en realidad por Francis Galton), que se obtiene dividiendo la
covarianza de dos variables entre el producto de sus desviaciones estndar.
r = cos
Propiedades de r
Las propiedades ms importantes de r son las siguientes:
1.
2.
3.
4.
5.
55
Estadstica y Probabilidades
TECSUP PFR
Una pregunta planteada es cundo existe correlacin fuerte entre las variables
y cundo es dbil? Una regla emprica notable es decir que la correlacin es
dbil si 0 < r< 0.5, fuerte si 0.8 < r< 1, y moderada de lo contrario. Puede
sorprender que r = 0.5 se considere dbil, pero r2 = 0.25 implica que en una
regresin de y en x (modelo: y = mx + b), solo 25% de la variacin de y
observada sera explicada por el modelo.
4.
REGRESIN
La regresin es una tcnica estadstica para estudiar la naturaleza de la relacin
entre dos o ms variables. Aunque puede utilizarse en esto las ecuaciones no
lineales, la presenta unidad se limitar a la explicacin de las ecuaciones de
regresin del tipo lineal (lnea recta).
Un caso prctico de anlisis es construir las curvas de calibracin utilizadas en
los mtodos fotomtricos: hay que proceder a la medicin de la respuesta de un
aparato en relacin con cantidades variables del constituyente a estudiar. En
anlisis gravimtrico, puede presentarse la necesidad de relacionar el peso de
precipitado con la temperatura, el pH, el contenido en electrolito inerte o con
otras variables.
56
TECSUP PFR
Estadstica y Probabilidades
Los objetivos de la regresin son mostrar la forma como la variable independiente (X) se relaciona con la variable dependiente (Y), hacer pronsticos
sobre los valores de la variable dependiente, con base en el conocimiento de los
valores de la variable independiente.
5.
PROBLEMAS PROPUESTOS
1.
2.
15.0
14.0
14.4
14.0
11.6
Marca 2 16.3
15.7
17.2
14.9
14.4
17.2
Marca 3 13.7
13.9
12.4
13.8
14.9
13.3
Marca 4 15.7
13.7
14.4
16.0
13.9
14.7
Marca 5 13.5
13.4
13.2
12.7
13.4
12.3
3.
Observaciones
26,15
26,25
26,39
26,18
26,20
24,95
25,01
24,89
24,85
25,13
25,00
25,36
25,20
25,09
25,12
26,81
26,75
26,15
26,50
26,70
57
Estadstica y Probabilidades
TECSUP PFR
TOST
RBOT
4200
370
3600
340
3750
375
3675
310
4050
350
TOST
RBOT
4870
400
4500
375
3450
285
2700
225
3750
345
2770
200
3300
285
3
115
6
147
9
239
12
356
15
579
18
864
48
55
57
60
72
81
85
94
Y:
X:
109
Y:
a.
b.
c.
121
132
137
148
58
149
184
185 187
TECSUP PFR
Estadstica y Probabilidades
4 5
8 11 12 16 17 20 22 28 30 31 39
5 7 10 10 14 15 13 25 20 24 31 28 39
1,5
4
2
6
2,5
8
3
9
3,5
11
9.
1
2
6,5
5,6
6,0
5,8
6,3
6,0
5,8
5,5
5,7
5,7
6,0
5,5
6,0
5,8
59
Estadstica y Probabilidades
Grupo de
edad
16 - 21
21 - 30
30 - 49
50 a ms
TECSUP PFR
Restaurant
McDonalds Burger-King
34
10
42
19
52
28
25
7
Kentuky
75
89
54
21
Otro
6
10
18
10
3
8
16
Defecto en lata
Grieta en lata
Ubicacin incorrecta de arillo
Arillo faltante
Otras
60
TECSUP PFR
Estadstica y Probabilidades
61
Estadstica y Probabilidades
TECSUP PFR
ANOTACIONES:
62
TECSUP - PFR
Estadstica y Probabilidades
UNIDAD IV
PROBABILIDAD
El trmino probabilidad se refiere al estudio de azar y la incertidumbre en cualquier
situacin en la cual varios posibles sucesos pueden ocurrir; la disciplina de la
probabilidad proporciona mtodos de cuantificar las oportunidades y probabilidades
asociadas con varios sucesos. El lenguaje de probabilidad se utiliza constantemente
de manera informal tanto en el contexto escrito como en el hablado. Algunos ejemplos
incluyen enunciados tales como es probable que el ndice Dow-Jones se incremente al
final del ao, existen 50-50 probabilidades de que la persona con posesin de su
cargo busque la reeleccin, probablemente se ofrecer por lo menos una seccin del
curso el prximo ao, las probabilidades favorecen la rpida solucin de la huelga y
se espera que se vendan por lo menos 20 000 boletos para el concierto. En esta
unidad, se introducen algunos conceptos de probabilidad, se indica cmo pueden ser
interpretadas las probabilidades y se demuestra cmo pueden ser aplicadas las reglas
de probabilidad para calcular las probabilidades de muchos eventos interesantes. La
metodologa de probabilidad permite entonces expresar en lenguaje preciso
enunciados informales como los antes expresados.
1.
Estadstica y Probabilidades
TECSUP PFR
2.
SUCESOS O EVENTOS
En el estudio de la probabilidad, interesan no slo los resultados individuales de
sino tambin varias recopilaciones de resultados de .
Un evento es cualquier recopilacin (subconjunto) de resultados contenidos en el
espacio muestral . Un evento es simple si consiste en exactamente un
resultado y compuesto si consiste en ms de un resultado.
Podemos combinar sucesos para formar nuevos sucesos, utilizando las diferentes
operaciones con conjuntos:
A B es el suceso que ocurre si y slo si A o B o ambos ocurren;
A B es el suceso que ocurre si y slo si A y B ocurren simultneamente.
TECSUP - PFR
Estadstica y Probabilidades
= {1, 2, 3, 4, 5, 6}
Sea A el suceso de salir un nmero par, B de salir impar y C de salir primo;
A = {2, 4, 6},
B = {1, 3, 5},
C = {2, 3, 5}
Entonces:
A C = {2, 3, 4, 5, 6}
B C ={3, 5}
C = {1, 4, 6}
3.
APLICACIN FRECUENCIAL
Tres caras de un cubo se han pintado de color azul, dos de color rojo, y se ha
dejado una de color blanco.
Si vamos lanzando el cubo y anotando el color de la cara sobre la que queda
apoyado, cuntas veces saldr cada color? Cul ser su frecuencia relativa?
Es razonable pensar que, ya que la mitad de las caras son de color azul, este
color aparecer la mitad de las veces que se tire el cubo; la frecuencia relativa
del color azul tender a 1/2 si repetimos las tiradas muchas veces.
Anlogamente, una tercera parte de las veces saldr de color rojo, y una sexta
parte el color blanco; la frecuencia relativa del color rojo tender a 1/3, y la del
blanco a 1/6 si los lanzamientos se repiten muchas veces.
De este modo, asignando a cada color un nmero que exprese la frecuencia
relativa esperada para dicho color, tendremos la siguiente aplicacin:
Azul
Rojo
Blanco
1/2
1/3
1/6
65
Estadstica y Probabilidades
4.
TECSUP PFR
PROBABILIDAD
Consideremos la experiencia aleatoria que consiste en lanzar el cubo anterior y
anotar el color de la cara sobre la que queda apoyado, el conjunto de resultados
posibles o espacio muestral de la experiencia es:
{azul}
{azul,rojo} .
1
. .
2
1 1
2 3
{azul,rojo,blanco}
{rojo}
{azul,blanco} .
1 1
2 6
1
.
3
1
6
1 1
{rojo,blanco}
3 6
{blanco}
1 1 1
2 3 6
66
TECSUP - PFR
Estadstica y Probabilidades
Las tres propiedades se toman como axiomas para definir una probabilidad en un
espacio muestral finito . Toda aplicacin entre el conjunto de los sucesos de
una experiencia aleatoria y los nmeros reales, con estas tres caractersticas,
reciben el nombre de probabilidad definida en el espacio muestral
correspondiente.
Teorema 1: dado un suceso A, entonces: p ( A) 1 p( A)
Teorema 2: dados dos sucesos A y B, entonces: p( A B) p( A) p( A B )
Teorema 3: dados dos sucesos A y B, entonces:
p ( A B) p ( A) p( B) p( A B)
4.1 PROBABILIDAD UNIFORME
En algunas experiencias aleatorias, todos los resultados tienen la misma
frecuencia relativa esperada, el mismo peso; entonces, los sucesos
elementales son equiprobables y la probabilidad se llama probabilidad
uniforme.
Por ejemplo, si tiramos un dado, cada resultado posible tiene el mismo
peso, 1/6
En general, si el espacio muestral tiene n elementos, la probabilidad
uniforme de cualquier suceso elemental ser 1/n y la probabilidad de un
suceso que conste de m resultados, ser m/n
En este caso de sucesos elementales equiprobables, puede indicarse una
expresin sencilla par el clculo de la probabilidad de un suceso cualquiera.
Si llamamos casos favorables a los elementos de dicho suceso, se tendr:
casos favorables
casos totales
Ejemplo
Calcula la probabilidad de sacar un as de una baraja, en una sola
extraccin.
Resolucin.
Puesto que en la baraja hay 4 ases (de oros, de copas, de espadas y de
bastos) y un total de 52 cartas ser:
4
52
67
Estadstica y Probabilidades
TECSUP PFR
c
1/3
cruz
1/2
b
1/6
a
1/2
a
cara
1/2
c
1/3
= { (cara, a); (cara, b); (cara, c);
1/2
a
cruz
1/2
1/6
1/6
1/3
68
TECSUP - PFR
Estadstica y Probabilidades
69
Estadstica y Probabilidades
TECSUP PFR
70
TECSUP - PFR
5.
Estadstica y Probabilidades
6.
TEOREMA DE BAYES
Sean A1, A2, . . . , Ak un conjunto de eventos mutuamente excluyentes y
exhaustivos con probabilidades previas P(Ai) (i = 1, . . . , k). Entonces para
cualquier otro evento B para el cual P(B) > 0, la probabilidad posterior de Aj
dado que B ha ocurrido es
71
Estadstica y Probabilidades
TECSUP PFR
Regla de la multiplicacin
Con frecuencia la naturaleza de un experimento sugiere que dos eventos A y B
deben suponerse independientes. Este es el caso, por ejemplo, si un fabricante
recibe una tarjeta de circuito de cada uno de dos proveedores diferentes, cada
tarjeta se somete a prueba al llegar y A = {la primera est defectuosa} y B = {la
segunda est defectuosa}. Si P(A) = 0.1, tambin deber ser el caso de que P(A
| B) = 0.1; sabiendo que la condicin de la segunda tarjeta no informa sobre la
condicin de la primera. El siguiente resultado muestra cmo calcular P(A _ B)
cuando los eventos son independientes.
7.
EJERCICIOS PROPUESTOS
1.
2.
3.
Una caja contiene 220 tornillos iguales, de los cuales 80 son producidos por
la mquina A, 60 por la mquina B, 50 por la mquina C y 30 por la mquina
D. Si se elige un tornillo al azar de la caja, determinar:
a)
b)
72
TECSUP - PFR
a.
b.
c.
d.
e.
f.
4.
Estadstica y Probabilidades
5.
73
Estadstica y Probabilidades
TECSUP PFR
Cul es la probabilidad que el chofer est ebrio dado que el resultado fue
positivo?
7.
8.
En una gasolinera, 40% de los clientes utilizan gasolina regular (A1), 35%
usan gasolina plus (A2) y 25% utilizan premium (A3). De los clientes que
utilizan gasolina regular, slo 30% llenan sus tanques (evento B). De los
clientes que utilizan plus, 60% llenan sus tanques, mientras que los que
utilizan premium, 50% llenan sus tanques.
a.
b.
9.
El 70% de todos los clientes que utilizan gasolina regular y que llenan el
tanque usan una tarjeta de crdito.
El 60% de todos los clientes que llenan el tanque con gasolina plus
usan una tarjeta de crdito.
74
TECSUP - PFR
Estadstica y Probabilidades
El 50% de todos los clientes que utilizan gasolina plus y que no llenan
el tanque usan una tarjeta de crdito.
El 50% de todos los clientes que utilizan gasolina premium y que llenan
el tanque usan una tarjeta de crdito.
75
Estadstica y Probabilidades
TECSUP PFR
76