Está en la página 1de 29

UNIVERISIDAD CENTRAL DEL ECUADOR

FACULTAD DE CIENCIAS ECONMICAS



CARRERA DE ECONOMA

TERCER SEMESTRE
AULA 31
INFERENCIA ESTADSTICA
ING. CESAR ESCOBAR
TRABAJO N 1

TEMA: DEFINICIN E IMPORTANCIA, EJEMPLOS DE LOS PRINCIPALES
CAPITULOS DE ESTADISTICA PROBABILISTICA

PAMELA AYALA CRUZ

N DE LISTA 3
1

Tabla de contenido

Tabla de contenido ...................................................................................................................... 1
PROBABILIDAD ........................................................................................................................ 2
DEFINICIN DE PROBABILIDAD ....................................................................................... 2
PRINCIPALES PROPIEDADES DE LAS PROBABILIDADES ........................................... 2
ESPACIO MUESTRAL ............................................................................................................ 3
PRINCIPALES EVENTOS ...................................................................................................... 3
- Eventos dependientes .................................................................................................. 4
- Eventos independientes: ............................................................................................. 4
DIAGRAMA DE VENN .......................................................................................................... 5
PERMUTACIONES ................................................................................................................. 6
COMBINACIONES ................................................................................................................. 7
DISTRIBUCIONES DE VARIABLES DISCRETAS DE PROBABILIDADES ................. 8
DISTRIBUCIN BINOMIAL .................................................................................................. 8
DISTRIBUCIN GEOMTRICA ........................................................................................... 9
DISTRIBUCIN HIPERGEOMTRICA .............................................................................. 11
DISTRIBUCIN DE POISSON ............................................................................................. 12
DISTRIBUCIN MULTINOMIAL ....................................................................................... 13
TEOREMA DE CHEBYSHEV .............................................................................................. 14
DISTRIBUCIONES DE VARIABLES CONTINUAS DE PROBABILIDAD .................... 16
DISTRIBUCIN NORMAL .................................................................................................. 16
DISTRIBUCIN EXPONENCIAL ........................................................................................ 18
DENSIDAD TRIANGULAR ................................................................................................. 19
APROXIMACION DE LA NORMAL A LA BINOMIAL .................................................... 21
APROXIMACION DE LA NORMAL A POISSON ............................................................. 22
ESPERANZA MATEMATICA .............................................................................................. 23
MEDIA, VARIANZA, DESVIACIN ESTNDAR DE UNA DISTRIBUCIN
BINOMIAL ............................................................................................................................. 24
- MEDIA DE UNA DISTRIBUCIN BINOMIAL .................................................. 24
- VARIANZA DE UNA DISTRIBUCIN BINOMIAL .......................................... 26
- DESVIACIN ESTNDAR DE UNA DISTRIBUCIN BINOMIAL ............... 26
Bibliografa ................................................................................................................................ 28
2


PROBABILIDAD
DEFINICIN DE PROBABILIDAD
La probabilidad es un mtodo mediante el cual se obtiene la frecuencia de un suceso
determinado mediante la realizacin de un experimento aleatorio, del que se conocen
todos los resultados posibles, bajo condiciones suficientemente estables.
PRINCIPALES PROPIEDADES DE LAS PROBABILIDADES
- La suma de las probabilidades de un suceso y su contrario vale1, por tanto la
probabilidad del suceso contrario es:

- Probabilidad del suceso imposible es cero.

- La probabilidad de la unin de dos sucesos es la suma de sus probabilidades
restndole la probabilidad de su interseccin.

- Si un suceso est incluido en otro, su probabilidad es menor o igual a la de ste.

- Si A1, A2, ..., Ak son incompatibles dos a dos entonces:
3


- Si el espacio muestral E es finito y un suceso es S = {x1, x2, ..., xn} entonces:

Por ejemplo la probabilidad de sacar par, al tirar un dado, es:
P (par) = P (2) + P (4) + P (6)
ESPACIO MUESTRAL
Definicin:
Es el conjunto de todos los posibles resultados que hay en un fenmeno o experimento
aleatorio.
Ejemplo:
Mano de pker
De una baraja de 52 de juego, se reparte una mano pker. Describa un espacio muestral
y determine el nmero de puntos mustrales.
Solucin:
Un espacio muestral consiste en todas las combinaciones de 53 cartas tomadas cinco a
la vez. Es decir de puntos muestrales es de 52C5=2598960
PRINCIPALES EVENTOS
Definicin de evento: Es un subconjunto de un espacio muestral, es decir, un conjunto
de posibles resultados que se pueden dar en un experimento.
4

- Eventos dependientes
Dos eventos, A y B, son dependientes cuando la probabilidad de que suceda A se ve
afectada porque haya sucedido o no B.
Ejemplo:
Sea A el suceso de sacar un As de una baraja estndar de 52 cartas y B sacar un Rey de
corazn rojo. Calcular la probabilidad de sacar un As y un Rey de corazn rojo en dos
extracciones sin devolver la carta extrada.
Solucin: A y B son sucesos dependientes porque la ocurrencia de A afecta la
probabilidad de ocurrencia de B. La probabilidad de que la primera carta sea un As es:
() =
4
52

La probabilidad de que la segunda carta sea un rey dado que ya se sac en AS en la
primera extraccin es: (\) =
1
51

- Eventos independientes:
Dos o ms eventos son independientes cuando la ocurrencia o no-ocurrencia de un
evento no tiene efecto sobre la probabilidad de ocurrencia del otro evento (o eventos),
es decir que la ocurrencia del evento A no cambia la probabilidad de el evento B
suceda.
Ejemplo:
En un estudio los pacientes se clasifican de acuerdo al tipo de sangre: A, B, AB,
O y tambin de acuerdo a su presin sangunea: BAJA, NORMAL, ALTA
En cuntas formas pueden los pacientes clasificarse de acuerdo con el tipo de
sangre y la presin sangunea?
5

Cul es la probabilidad de que el tipo de sangre de un paciente sea B y a la vez
su presin sangunea sea baja?


R1: existen 12 posibilidades (3 x 4 = 12)

R2: La probabilidad de que el tipo de sangre de un paciente sea B y a la vez
tenga su presin sangunea baja es de 1/12
DIAGRAMA DE VENN
Es un diagrama para representar los espacios mustrales y los eventos, el espacio
muestral se representa por medio de un rectngulo y los eventos por medio de un
circulo o partes de crculos dentro del rectngulo.
Ejemplo:
Una escuela tiene maestros que ensean en ms de un grado. El total de maestros es 20.
Siete ensean en 7mo grado, ocho ensean en 8vo grado y dos ensean en 7mo y 8vo.
Hacer un diagrama de ven que muestre cuantos maestros quedan en el universo que no
ensean ni en 7mo ni en 8vo grado.
6



Al colocar las cantidades de cada conjunto le restamos las intersecciones. En este caso
tanto a 7mo como a 8vo hay que restarle 2. As se obtenemos que solamente 7mo es 5 y
solamente 8vp es 6.
Para saber cuntos del universo quedan fuera de esos dos conjuntos restamos todos los
elementos contenidos en ellos.
De ah surge 7 como el restante.
PERMUTACIONES
Es todo arreglo de elementos en donde nos interesa el lugar o posicin que ocupa cada
uno de los elementos que constituyen dicho arreglo.
7

FORMULA:
=
!
( )!

Ejemplo: Puestos en un club
Un club tiene 20 miembros deben ocuparse los puestos de presidente, vicepresidente,
secretario y tesorero y ningn miembro puede ocupar ms de un puesto. Cuntas
planillas diferentes de candidatos son posibles?
Solucin:
Se considerara una planilla en el orden de presidente, vicepresidente, secretario y
tesorero. Cada ordenacin de 4 miembros constituye una planilla, por lo que el nmero
de planillas es 204
204 =
20!
(20 4)!
=
20!
16!
=
20.19.18.17.16!
16!
= 20.19.18.17 = 116280
: 116280
COMBINACIONES
Es todo arreglo de elementos en donde NO nos interesa el lugar o posicin que ocupa
cada uno de los elementos que constituyen dicho arreglo.
FRMULA:
nCr=
!
()!!

Ejemplo: Mano de pker
Una mano de pker consiste en cinco cartas repartidas de una baraja ordinaria de 52
cartas Cuntas manos de pker distintas existen?
8

Solucin: una mano posible es
2 corazones, 3 de diamantes, 6 de bastos, 4 de espaldas, rey de corazones que pueden
abreviarse como 2C, 3D, 6B, 4E, RC.
El orden en que se reparten las cartas no importa, por lo tanto esta mano es la misma
que
RC, 4E, 6B, 3D, 2C
As el nmero de manos posibles es el nmero de formas en que 5 objetos pueden
seleccionarse de entre 52, sin importar el orden. Es un problema de combinaciones
525 =
52!
5! (52 5)!
=
52!
5! 47!

=
52.51.50.49.48.47!
5.4.3.2.1.47!

=
52.51.50.49.48
5.4.3.2
= 2598960
DISTRIBUCIONES DE VARIABLES DISCRETAS DE PROBABILIDADES
Definicin:
Los valores observados solo pueden presentarse en puntos aislados a lo largo de una
escala, por lo tanto se pueden listar en una tabla todos los valores numricos de la
variable con sus probabilidades correspondientes valores enteros.
DISTRIBUCIN BINOMIAL
Definicin: es aplicable como un modelo de toma de decisiones en las que se supone
que el proceso de muestreo que en cada ensayo solo puede presentarse dos resultados
(xito y fracaso) y los resultados de una serie de ensayos son eventos independientes.
9

FRMULA:

Ejemplo:
AUDITORIA AL IMPUESTO SOBRE LA RENTA:
Para un grupo particular de individuos la probabilidad de que se auditan es el 0.2 de sus
declaraciones de impuesto sobre la renta cada ao. De 5 personas elegidas al azar Cul
es la probabilidad de que exactamente 2 sean auditados?
DATOS:
p=0.2
q=0.8
k= 2
n= 5
SOLUCIN
(p=2)=9n520.220.85-2
(p=2)= (10) (0.04) (0.512)
(p=2)=0.02048
R= Por lo tanto, la probabilidad de que haya 2 auditados entre 5 personas elegidas al
azar es el 20.48%
DISTRIBUCIN GEOMTRICA
Definicin:
Es un modelo adecuado para aquellos procesos en los que se repiten pruebas hasta la
consecucin del xito a resultado deseado y tiene interesantes aplicaciones en los
10

muestreos realizados de esta manera. Tambin implica la existencia de una dicotoma de
posibles resultados y la independencia de las pruebas entre s.
FORMULA:

Ejemplo:
1. S la probabilidad de que un cierto dispositivo de medicin muestre una
desviacin excesiva es de 0.05, cul es la probabilidad de que; a) el sexto de
estos dispositivos de medicin sometidos a prueba sea el primero en mostrar una
desviacin excesiva?, b) el sptimo de estos dispositivos de medicin sometidos
a prueba, sea el primero que no muestre una desviacin excesiva?
Solucin:
a) x = 6 que el sexto dispositivo de medicin probado sea el primero que
muestre una variacin excesiva
p = 0.05 =probabilidad de que un dispositivo de medicin muestre una
variacin excesiva
q = 0.95 =probabilidad de que un dispositivo de medicin no muestre una
variacin excesiva
p(x = 6) =
b) x = 5 que el quinto dispositivo de medicin probado, sea el primero que
no muestre una desviacin excesiva
p = 0.95 = probabilidad de que un dispositivo de medicin no muestre una
variacin excesiva
03869 0 05 0 95 0
1 6
. ) . ( ) . ( =

11

q = 0.05 = probabilidad de que un dispositivo de medicin muestre una
variacin excesiva
p(x = 5) =
DISTRIBUCIN HIPERGEOMTRICA
Definicin:
Este tipo de distribucin es aplicable cuando:
El muestreo se hace sin devolver es decir sin reemplazar los elementos del experimento;
cada elemento que se toma de una poblacin finita es nico para el clculo ya que la
probabilidad cambia sistemticamente a medida que se va sustrayendo elementos de la
poblacin y los elementos ya utilizados se restan de la muestra.
FRMULA:

Ejemplo:
Una urna contiene 2 canicas negras y 4 blancas, cinco de las cuales se extraen al azar.
Hallar la probabilidad de que cuatro de las cinco canicas extradas aleatoriamente sean
blancas.
(4) =
[
4
4
][
6 4
5 4
]
[
6
5
]

DATOS
N: 6
0000059 0 95 0 05 0
1 5
. ) . ( ) . ( =

12

P (4) =
1
3
= 0.333
n: 5
x: 4
(4) =
[
4
4
] [
2
1
]
[
6
5
]


(4) =
[1][2]
[6]


DISTRIBUCIN DE POISSON
Definicin:
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.
FRMULA:

Ejemplo:
La probabilidad de tener un accidente de trfico es de 0,02 cada vez que se viaja, si se
realizan 300 viajes, cul es la probabilidad de tener 3 accidentes?
13

Como la probabilidad " p " es menor que 0,1, y el producto " n * p " es menor que 10,
entonces aplicamos el modelo de distribucin de Poisson.
Luego,

P (x = 3) = 0,0892
Por lo tanto, la probabilidad de tener 3 accidentes de trfico en 300 viajes es del 8,9%
DISTRIBUCIN MULTINOMIAL
La distribucin multinomial es similar a la distribucin binomial, con la diferencia de
que en lugar de dos posibles resultados en cada ensayo, puede haber mltiples
resultados.
FRMULA:


Ejemplo:
Segn una encuesta preliminar acerca del voto que los ciudadanos darn por los
candidatos para gobernador del estado se ha detectado que aproximadamente un 52%
votar por el partido verde, un 40% por el partido azul y un 8% por los partidos
restantes, si se seleccionan aleatoriamente 6 personas con edad de votar, determine la
probabilidad de que:
2 voten por el partido verde, 1 por el azul y 3 por el resto de los partidos.
Solucin:
14

n = 6
x1= 2 voten por partido verde;
x2= 1 vote por partido azul;
x3= 3 voten por otros partidos;
p1= probabilidad de que una persona vote por partido verde = 0.52
p2 = probabilidad de que una persona vote por partido azul = 0.40
p3 = probabilidad de que una persona
(
1
= 2,
2
= 1,
3
= 3: = 6) =
6!
2! 1! 3!
(0.52
2
(0.40
1
)(0.08)
3
= 0.0033226
TEOREMA DE CHEBYSHEV
El teorema de Chebyshev da una estimacin conservadora de la probabilidad de que una
variable aleatoria X tome un valor dentro de k desviaciones estndar de su media, es
aplicable a cualquier conjunto de datos (muestra o poblacin), sin importar la
distribucin de los mismos.
FORMULA:
2
1
1 ) (
k
k X k P > + < < o o

Ejemplo:
El nmero de llamadas que recibe un servicio de contestacin entre las 10 a 11 de la
maana es una variable aleatoria cuya distribucin de la media es igual a =26, por
desviacin estndar es o= 3.33 Que nos dice el teorema de Chebyshev con K=3 acerca
del nmero de llamadas que puede recibir el servicio telefnico de contestaciones entre
las 10 y las 11 de la maana?
15

Para obtener el intervalo


El nmero de llamadas telefnicas estar entre 16 a 36

Podemos afirmar una probabilidad de 89% que al servicio telefnico de contestacin
recibir entre 16 a 36 llamadas.











16

DISTRIBUCIONES DE VARIABLES CONTINUAS DE PROBABILIDAD
Definicin:
En caso de esta variable no puede alistarse todos los posibles valores fraccionarios de la
variable y por tanto las probabilidades se determinan a travs de funcin matemtica se
puede graficar y representa valores con decimales.
DISTRIBUCIN NORMAL
Definicin:
En estadstica y probabilidad se llama distribucin normal, distribucin de
Gauss o distribucin gaussiana, a una de las distribuciones de probabilidad de variable
continua que con ms frecuencia aparece aproximada en fenmenos reales.
La grfica de su funcin de densidad tiene una forma acampanada y es simtrica
respecto de un determinado parmetro estadstico. Esta curva se conoce como campana
de Gauss y es el grfico de una funcin gaussiana.
La importancia de esta distribucin radica en que permite modelar numerosos
fenmenos naturales, sociales y psicolgicos. Mientras que los mecanismos que
subyacen a gran parte de este tipo de fenmenos son desconocidos, por la enorme
cantidad de variables incontrolables que en ellos intervienen, el uso del modelo normal
puede justificarse asumiendo que cada observacin se obtiene como la suma de unas
pocas causas independientes.
FRMULA:

17

Dnde:
x = valor de la variable aleatoria que nos preocupa.
= media de la distribucin de la variable aleatoria.
= desviacin estndar de la distribucin.
z = nmero de desviaciones estndar que hay desde x a la media de la distribucin. (El
uso de z es solamente un cambio de escala de medicin del eje horizontal)
Ejemplo:
El dimetro interno medio de una muestra de 200 blusas producidas por una mquina es
de 0.502 cm y la desviacin estndar es de 0.005cm. Se permite una tolerancia mxima
en el dimetro de 0.496 a 0.508 cm, o sern consideradas defectuosas. Determine el
porcentaje de camisas defectuosas producidas por la mquina, suponiendo que los
dimetros estn distribuidos normalmente.
Solucin:
0.496 en unidades estndar:
0.496 0.502
0.005
= - 1.2
0.508 en unidades estndar:
0.508 0-502
0.005
= 1.2
Proporcin de camisas sin defecto:
18

= (rea bajo la curva normal entre z = -1.2 y z = 1.2)
= 2 (0.3849)
= 0.7698
= 77% aproximadamente
Por lo tanto, el porcentaje de camisas sin defecto es de:
100% - 77% = 23%
DISTRIBUCIN EXPONENCIAL
Definicin:
Comportamiento de todo problema que cae en el terreno de los fenmenos de espera.
- Tiempo de espera entre dos hechos que sigan un proceso de Poisson-Tiempo de
vida.
- Tiempo que transcurre hasta que se produce un fallo.
FRMULA:
Para intervalos
F(x)=
Para un solo valor
F(x)=
Espacio paramtrico: >0
Valor esperado: =
1


19

Varianza: =
1

2

Ejemplo:
Se ha comprobado que el tiempo de vida de cierto tipo de marcapasos sigue una
distribucin exponencial con media de 16 aos.
1. Cul es la probabilidad de que a una persona a la que se le ha implantado este
marcapasos se le deba reimplantar otro antes o en 20 aos?
Si el marcapasos lleva funcionando correctamente 5 aos en un paciente,
2. Cul es la probabilidad de que haya que cambiarlo antes o en los 25 aos?
Solucin 1:
=
1

F(x)=
=
1

=
1
16


Respuesta=71.3% de probabilidad de que se debe reimplantar el marcapasos antes o en
20 aos.
DENSIDAD TRIANGULAR
Definicin: es la distribucin de probabilidad continua que tiene un valor mnimo a, un
valor mximo b y una moda c, de modo que la Funcin de densidad de probabilidad es
cero para los extremos (a y b), y afn entre cada extremo y la moda, por lo que su
grfico es un tringulo es decir define por tres parmetros: el mnimo a, el mximo b,y
20

el valor ms probable c. Variando la posicin del valor ms probable con relacin a los
extremos, la distribucin puede ser simtrica o no.
Formula:

Ejemplo:
Triangular TR(a,b,c)
Funcin de densidad f(x)= 2(x-a)/(c-a)*(b-a) si a =< x
<=b
f(x)= 2(c-x)/(c-a)(c-b) si b =< x
<=c
Distribucin
acumulada
F(x)= (x-a)^2/(c-a)(c-b) si a =< x
<=b
F(x)= 1-[(c-x)^2/(c-a)*(c-b) si b =< x
<=c
Parmetros parmetro de
localizacin:
u
parmetro de escala: p
Rango a,b
Media (a+b+c)/3
Varianza (a^2+b^2+c^2+ac-ab-bc)/18

Para cualquier otro caso
21


APROXIMACION DE LA NORMAL A LA BINOMIAL
Definicin:
Es cuando el clculo de probabilidades de experimentos Binomiales de una forma muy
aproximada con la distribucin Normal, esto puede llevarse a cabo si n y p= p
(xito) no es muy cercana a 0 y 1, o cuando n es pequeo y p tiene un valor muy
cercano a ; esto es:
Formula:

Donde:
x = variable de tipo discreto; solo toma valores enteros
m = np = media de la distribucin Binomial
o = npq = desviacin estndar de la distribucin Binomial
Ejemplo:
22

Supngase una distribucin de probabilidad binomial, con n = 40 y u = 0.55. Calcule
lo siguiente:
a. La media y la desviacin estndar de la variable aleatoria.
= 40
= 0.55
= 40 0.55 = 22

2
= 22(1 0.55)
= 9.9 = 3.15
b. La probabilidad de que x sea igual o superior a 25.
=
24.5 22
3.15
= 0.79 = 0.2852
0.5 0.2852 = 0.2148
c. La probabilidad de que x sea igual o inferior a 15.
=
15.5 22
3.15
= 2.06 = 0.4803
0.5 0.4803 = 0.0197
APROXIMACION DE LA NORMAL A POISSON
Definicin:
Si una variable aleatoria X tiene distribucin Poisson con parmetros , entonces, si
es grande, la variable aleatoria tiene distribucin normal estndar.
FORMULA:
=


23

Esto es vlido porque si es mucho mayor que 1, entonces la forma de la distribucin
de Poisson, a pesar de ser discreta, se parece mucho a la de una distribucin normal.
En cambio la variable Z no es otra cosa que la estandarizacin de esa variable
aproximadamente normal (ya que es a la vez la media y la varianza de X).
Ejemplo:
El nmero de partculas de asbesto por
2
de polvo en una superficie sigue una
distribucin de Poisson con media igual a 1000. Determinar la probabilidad de que en
una muestra de
2
de polvo analizada, se encuentren a lo sumo 950 partculas de
asbesto
Datos:
X = 950
= 1000

ESPERANZA MATEMATICA
Definicin:
En estadstica la esperanza matemtica (tambin llamada esperanza, valor esperado,
media poblacional o media) de una variable aleatoria, es el nmero que formaliza la
idea de valor medio de un fenmeno aleatorio.

Ejemplo:
m = E(X) =
x*P(x)
24

En una concesionaria llegaron 3 marcas nuevas de autos 10 Toyota, 20 Chevrolet y 25
Mercedes Benz y se busca vender en la semana 5 autos Toyota, 10 autos Chevrolet y 5
mercedes Benz.
Determinar el valor esperado:
Xi P(x) Xi * P(x)
10 5 50
20 10 200
25 5 125
55

375
E() =
()


E() =

= 6,82%
MEDIA, VARIANZA, DESVIACIN ESTNDAR DE UNA DISTRIBUCIN
BINOMIAL
- MEDIA DE UNA DISTRIBUCIN BINOMIAL
Es un valor particular que sirve para representar una distribucin probabilstica.
Tambin es el valor promedio a largo plazo de la variable aleatoria. La media es
denominada tambin valor esperado.
FORMULA:
M=E(x)=E(X.P(x))
En donde:
=

25

E(x)=valor esperado
=sigma o sumatoria
X= variable aleatoria
P(X)=probabilidad de los datos obtenidos
Ejemplo:
Dan Woodman es el propietario y gerente de Dans Truck Stop, y ofrece repeticin
gratis en todos los servicios de caf. Reuni la siguiente informacin acerca del nmero
de tales repeticiones. Calcule la media, la varianza y la desviacin estndar para la
distribucin del nmero de repeticiones de caf.
- CALCULO DE LA MEDIA Y LA VARIANZA
Rellenos Probabilidad
0 0,30
1 0,40
2 0,20
3 0,10
1.00



Rellenos
X
Proba.
P(X)
x.P(X) (x-) (X-M)^2
0 0,30 0,00 0-1,10 1,21 0,363
1 0,40 0,40 1-1,10 0,01 0,004
2 0,20 0,40 2-1,10 0,81 0,162
3 0,10 0,30 3-1,10 3,61 0,361
1,00 E(x)=1,10
26

X x^2 P(x) x^ p(x)
0 0 0,30 0,00
1 1 0,40 0,40
2 4 0,20 0,80
3 9 0,10 0,90
1,00 2,10






- VARIANZA DE UNA DISTRIBUCIN BINOMIAL
La varianza describe el grado de dispersin (variacin) en una distribucin.
FORMULA:


- DESVIACIN ESTNDAR DE UNA DISTRIBUCIN BINOMIAL
La deviacin estndar o desviacin tpica es la raz cuadrada de la varianza, es decir la
raz cuadrada de la media de los cuadrados de las puntuaciones de desviacin.
FORMULA:
Se=




27

Ejemplo de varianza y desviacin estndar:
La siguiente tabla muestra la distribucin de probabilidad para premios en efectivo de
una rifa llevada a cabo en la tienda Lawsons Department Store
PREMIO (dlares) PROBABILIDAD
0 0.45
10 0.30
100 0.20
500 0.05

Xi P(xi) Pa(Xi) Xi * P(xi) (Xi-)
2
* P(Xi)
0 0.45 0.45 0 1036.80
10 0.30 0.75 3 433.20
100 0.20 0.95 20 540.80
500 0.05 1.00 25 10215.20
1.00 48 12226

Valor Esperado =
48 dlares
Varianza =
12226
Desviacin estndar =
110,57 dlares
28

Bibliografa

Aula Virtual Unal. (10 de 09 de 2013). Obtenido de
http://www.virtual.unal.edu.co/cursos/ciencias/2001065/html/un2/cont_226_68.
html
EMIS. (08 de 09 de 2013). European Mathematical Information Service. Obtenido de
http://www.emis.de/journals/RCE/V32/v32n1a08OlivaresEtAl.pdf
Haeussler, E., Richard, P., & Wood , R. (2008). Matemticas para administracin y
economa. Mexico: Pearson.