ESTADSTICA 1

PRESENTADO POR:
ESTEFANA BETANCOURT ALVARN (1088310059)
FABIAN DAVID ALARCON BETANCUR (1088291088)

PRESENTADO A:
PROFESOR LVARO TREJOS

UNIVERSIDAD TECNOLGICA DE PEREIRA

FACULTAD DE INGENIERIAS
INGENIERIA INDUSTRIAL
PEREIRA, DICIEMBRE
2013

Contenido

1. PARA QU SIRVE LA ESTADSTICA?.......................................................... 5

1.1

DEFINICIN .............................................................................................. 5

La estadstica es la ciencia de la sistematizacin, recogida, ordenacin y

presentacin de los datos referentes a un fenmeno que presenta variabilidad o
incertidumbre para su estudio metdico con objeto de deducir las leyes que
rigen esos fenmenos. ......................................................................................... 5
2. VARIABLE ..................................................................................................... 5
2.1

CODIFICACIN DE VARIABLES .............................................................. 6

3. DISTRIBUCIN DE FRECUENCIAS PARA VARIABLES CUANTITATIVAS

CONTINUAS ........................................................................................................... 7
3.1

HISTOGRAMA ......................................................................................... 10

3.2

OJIVA ....................................................................................................... 10

4. REDUCCIN DE DATOS ............................................................................... 11

4.1

MEDIDAS DE TENDENCIA CENTRAL.................................................... 11

4.1.1

MEDIANA (Me) ..................................................................................... 14

4.1.1.1 MODA .................................................................................................... 16

4.1.1.1.1

ESTADSTICOS DE POSICIN ........................................................ 16

1. PERCENTILES............................................................................................ 16
2. DECILES ..................................................................................................... 17
3. CUARTILES ................................................................................................ 17
4.2

MEDIDAS DE VARIABILIDAD O DISPERSIN ...................................... 18

5. PRINCIPIO DE CHEBYCHEF ........................................................................ 22

6. DIAGRAMA BOX PLOT O DE CAJA .............................................................. 23
7. COEFICIENTE DE ASIMETRA O SESGO .................................................... 23
7.1 CURTOSIS O APUNTAMIENTO ................................................................. 24
2

8. TEORA DE LA PROBABILIDAD .................................................................... 26

8.1 Probabilidad a priori (Pascal): ...................................................................... 26
8.2

Probabilidad a posteriori (Kolmogorov) .................................................... 27

8.3

Eventos: ................................................................................................... 29

8.3.1

Clasificacin de los eventos:.............................................................. 29

8.4 OPERACIN ENTRE EVENTOS ................................................................ 31

9.

CLCULO DE PROBABILIDADES ................................................................ 33

9.1 Propiedades de la probabilidad .................................................................... 33
9.2

MTODO PARA CALCULAR PROBABILIDADES................................... 35

10. TCNICAS DE CONTEO Y MTODOS DE ENUMERACIN ........................ 40

10.1 Principio de la multiplicacin ...................................................................... 40
10.2
11.

Permutaciones ...................................................................................... 42

PROBABILIDAD CONDICIONAL: ............................................................... 45

11.1 INDEPENDENCIA DE EVENTOS:............................................................. 45

11.2 LEY DE LA MULTIPLICACIN: ................................................................. 46
11.3 TEOREMA DE LA PROBABILIDAD TOTAL .............................................. 47
11.4 TEOREMA DE BAYES .............................................................................. 48
12.

VARIABLE ALEATORIA .............................................................................. 49

12.1 DISTRIBUCIN DE PROBABILIDAD ........................................................ 50

12.2 FUNCIN DE PROBABILIDAD ................................................................. 50
12.3 PROPIEDADES LA VARIABLE ALEATORIA ............................................ 51
12.4 FUNCIN DE PROBABILIDAD ACUMULADA .......................................... 52
12.5 VALOR ESPERADO DE UNA VARIABLE ALEATORIA ............................ 53
12.6 VARIANZA DE UNA VARIABLE ALEATORIA ........................................... 54
13. VARIABLES ALEATORIAS DISCRETAS CON NOMBRE PROPIO .............. 57

13.1 DISTRIBUCIN UNIFORME DE PROBABILIDAD .................................... 57

13.2

DISTRIBUCIN DE PROBABILIDAD BERNOULLI .............................. 58

13.3 DISTRIBUCIN DE PROBABILIDAD BINOMIAL ...................................... 60

14. DISTRIBUCIN DE PROBABILIDAD MULTINOMIAL .................................... 61
15.

DISTRIBUCIN DE PROBABILIDAD POISSON ........................................ 62

16

DISTRIBUCIN DE PROBABILIDAD HIPERGEOMTRICA...................... 63

16.2

DISTRIBUCIN DE PROBABILIDAD HIPERGEOMTRICA

MULTIVARIADA................................................................................................. 64
17

DISTRIBUCIN EXPONENECIAL .............................................................. 65

1. PARA QU SIRVE LA ESTADSTICA?

La ciencia se ocupa en general de fenmenos observables.

Los modelos que crea la ciencia son de tipo determinista o aleatorio

(estocstico).

Tiene unas leyes que rige el comportamiento de un problema, validando o

rechazando dichas leyes.

Casi todo es aleatorio.

En todas las ciencias hay incertidumbre y variabilidad.

1.1

DEFINICIN

La estadstica es la ciencia de la sistematizacin, recogida, ordenacin y

presentacin de los datos referentes a un fenmeno que presenta variabilidad o
incertidumbre para su estudio metdico con objeto de deducir las leyes que rigen
esos fenmenos.
Estadstica descriptiva Organizar, recoger
Probabilidad Deducir las leyes
Inferencia Tomar decisiones y conclusiones
2. VARIABLE
Es una caracterstica medible de la poblacin
-

Escala nominal: Ejemplo: Gnero, rutas, etc.

Cualitativa: La podemos dividir en dos:

Nominal Aquellas donde NO hay un orden.
Ordinal Tiene un orden o jerarqua.

Cuantitativa: La podemos dividir en dos:

Discretas No puede tomar cualquier valor en un intervalo. Ej. No. De
hijos. S las variables son numricas discretas se pueden medir
ordinalmente.
5

Continuas Puede tomar cualquier valor en un intervalo. Ej. El peso. S las

variables son continuas se mide por medio de intervalos.
-

Las variables cualitativas medidas nominalmente utilizan los nmeros para

nombrar las categoras.

Las variables medidas ordinalmente (cualitativas o cuantitativas) utilizan los

nmeros para indicar jerarqua o posicin frente a la variable.

La escala de medida por intervalo (variable cuantitativa continua) utiliza los

nmeros para nombrar, jerarquizar y ubicar la distancia entre los datos.

VARIABLES

CUALITATIVAS

NOMINAL

2.1

ORDINAL

CUANTITATIVAS

DISCRETA

CONTINUA

CODIFICACIN DE VARIABLES
-

ni = Frecuencia Absoluta

hi = Frecuencia relativa

Ni = Frecuencia absoluta acumulada

Hi = Frecuencia relativa acumulada

hi =
6

Ni = ni

Hi = hi

3. DISTRIBUCIN DE FRECUENCIAS PARA VARIABLES CUANTITATIVAS

CONTINUAS

Ejemplo: En un centro de salud se midi el tiempo en que demora un paciente

para ser atendido (tiempo en minutos). La informacin se presenta a continuacin:
Tiempo en minutos de 50 pacientes
4,2 7,1 7,4 8,3 10,2 10,2 10,8 11,2 11,2 12 12,4 12,9 13,1
13,4 13,5 13,8 14 14,3 14,4 14,5 14,7 14,8 14,9 15 15 15,4 15,8 16 16,5 16,6 17 17,1 17,3 17,6 17,9 18 18 18,2 18,4
18,9 19 19,8 19,8 - 20,2 21 21,2 21,2 22 22,3 26,7
1. Definir los siguientes trminos:
a) Unidad experimental: Es el elemento, cosa, persona, animal, etc., del
cual se va a extraer la informacin. (Para el ejemplo seran los
pacientes).
b) Variable de inters: Lo que se va a medir. (Para el ejemplo sera el
tiempo)
c) Xmin, Xmax: Menor valor de la variable (Xmin), y mayor valor de la
variable (Xmax).
d) Rango:
R= Xmax - Xmin

R* =

R=26,7 4,2

R*= 6 3,8

R= 22,5

R* = 22,8

2. Hallar el nmero de intervalos (m) :

a) Mtodo de la raz cuadrada:
7

Para el ejemplo sera:

b) Mtodo de Sturges:

Para el ejemplo sera:

c) Mtodo de la inecuacin: Hallar el mnimo valor de m que cumpla con la

siguiente inecuacin:

Para el ejemplo sera: m=6

3. Hallar la amplitud del intervalo:

Para el ejemplo sera:

C* = 3,8 (Se redondea C)

4. Lo = Lmite inferior del primer intervalo.
Li = Lmite superior del intervalo i.
Li 1= Lmite inferior del intervalo i.

Para el ejemplo sera:

8

5. Realizar la tabla:

Intervalo

Marca de

ni

hi

Ni

Hi

hi*

0.06

0.06

0,016

(7,9 11,7]

9,8

0,12

0,18

0,032

(11,7 15,5]

13,6

17

0,34

26

0,52

0,089

(15,5 19,3]

17,4

15

0,3

41

0,82

0,079

(19,3 23,1]

21,2

0,16

49

0,98

0,042

(23,1 26,9]

25

0,02

50

0,05

clase x
(4,1 - 7,9]

Interprete: n2 ; h3 ; N4 ; H5
-

n2= 6 personas son atendidas entre 7,9 y 11,7 minutos.

h3= El 34% de los pacientes son atendidos entre 11,7 min y 15,5 min.

N4= 41 personas son atendidas entre 4,1 min y 19,3 min.

9

H5= El 98% de los pacientes son atendidos entre 4,1min y 23,1min.

h(11,7-23,1) = El 80% de los pacientes han sido atendidos entre un lapso

de 11,7min y 23,1min.

h(7,9- 19,3)= El 76% de los pacientes han sido atendidos entre 7,9min y
19,3min.

h(10-20)= (11,7-10)h2*+h3+h4+h5*(20-19,3)= 0,72

El 72% de los pacientes son atendidos entre los 10 y 20 minutos.

3.1 HISTOGRAMA
Un tipo de representacin grfica, para variables continuas, formada por una serie
de barras contiguas de altura proporcional a la frecuencia de la categora de la
variable.

3.2 OJIVA

10

Ojiva
1,2
1

Hi

0,8
0,6
0,4
0,2
0
4,1

7,9

11,7

15,5

19,3

23,1

4. REDUCCIN DE DATOS
Es el proceso donde se hace un anlisis numrico de la informacin y consiste de
dos partes:
4.1 MEDIDAS DE TENDENCIA CENTRAL
1. La media: Es el estadstico de tendencia central ms utilizado y se calcula
de la siguiente manera:

a) Datos no agrupados:

Ejemplo: x1=23, x2= 21 , x3= 18, x4=19

b) Datos

agrupados

en

una

distribucin

de

frecuencia

medidos

ordinalmente.
Ejemplo: Sea la variable el # de personas en el hogar de 100 familias.

11

ni

hi

10

0,10

15

0,15

25

0,25

15

0,15

0,06

0,04

c) Media para datos agrupados medidos por intervalo:

Tiempo promedio para la atencin de un paciente.

4.1.1 Propiedades de la media

1. La media de una constante es la constante.
Demostracin: Xi=C

12

2. Si a una variable se multiplica por una constante la nueva media

aparece multiplicando por la constante.

a=Constante

y= La nueva variable

Xi= La variable

Y1= aX

Ejemplo:

a=10

X1=1, X2=2, X3=3, X4=4

Y1= 1(10)=10

Y2= 2(10)=20
Y3= 3(10)=30
Y4= 4(10)=40

3. S a una variable se le suma una constante, la media de la

nueva variable es igual a la media ms la constante.
S

, donde a es constante y Xi, yi son variables.

4. La sumatoria de las distancias de los datos a la media es 0.

13

5. S una poblacin se divide en 2 subpoblaciones con tamaos

n1,n2 y medias

la media total de la poblacin ser la

siguiente:

, donde n1+ n2= n

Ejemplo: El grupo de estadstica 1 tiene 15 hombres con una

edad promedio de 21 aos y 18 mujeres con una edad promedio
de 19 aos. Cul es la edad promedio del curso?

n1=15
n2=18

4.1.1 MEDIANA (Me)

Es aquel valor de la variable por debajo del cual se encuentra el 50% de los datos.
1. Calculo de la mediana para datos no agrupados:
a) Los datos son impares:

14

Ejemplo: X1=18, X2=18, X3=20, X4=19, X5=17

n=5

17-18-18-19-20 Se organizan los datos de menor a mayor.

X3 = 18

b) Los datos son pares:

Ejemplo: X1=18, X2=18, X3=20, X4=19, X5=17, X6=22

2. Calculo de la mediana para datos agrupados:

0,50=0,18+0,089(x-11,7)
0,32=0,089x-1,0413
1,3613=0,089x
x=15,29~15,3
R// Por debajo de 15,3 min son atendidos el 50% de los pacientes.

15

4.1.1.1 MODA
Es el dato que ms se repite.
a) Datos no agrupados:
Ejemplo: 1. X1=18, X2=18, X3=20, X4=19, X5=17
Mo= 18

2. X1=18, X2=18, X3=20, X4=19, X5=17, X6=19

Mo=18
Mo=19
b) Datos agrupados:
(

Ejemplo:
(

4.1.1.1.1 ESTADSTICOS DE POSICIN

1. PERCENTILES
Son valores de la variable por debajo del cual se haya el
1%,2%,3%,...,98%,99%,100% de la informacin.

Ejemplo:

16

R// El 77% de los pacientes son atendidos por debajo de 18,64 min.

2. DECILES
Son valores de la variable por debajo del cual se encuentra el 10%,
20%, 30%,,80%, 90%, 100%.

Ejemplo:

3. CUARTILES
Son valores de la variable por debajo del cual se encuentra el 25%, 50%,
75% y 100%.

Ejemplo:

17

4.2 MEDIDAS DE VARIABILIDAD O DISPERSIN

Dan idea de la homogeneidad o heterogeneidad de los datos. Los ms
utilizados son los siguientes:

Rango:
R=

Rango Intercuartlico:

La varianza
Es el estadstico de dispersin ms utilizado y se define como el promedio
de las distancias al cuadrado de los datos a la media.

a) Varianza para datos no agrupados:

Poblacin A: x1=48, x2=49, x3=51, x4=52

18

R//El cuadrado de las distancias de los datos a la media es de 2,5.

Poblacin B: x1=1, x2=2, x3=98, x4=99

R//

La

poblacin

es

muy

heterognea.

NOTA: S la varianza es muy grande la media no es un buen

representante.

b) Varianza para datos medidos ordinalmente (agrupados):

# Personas en el hogar
1

15

0,23

25

0,38

15

0,23

0,09

0,06

19

c) Varianza para datos agrupados medidos por intervalos

Desviacin estndar

Se define como la raz cuadrada de la varianza; solucionando el problema que

tiene esta al distorsionar el medida real de los datos.
Ejemplo: X1=154cm, X2=178cm, X3=158cm, X4=155cm, X5=187cm

m
m

El segundo problema de la varianza es que est sujeta a la unidad de la medidad

de la variable.

Coeficiente de variacin

Mide la homogeneidad o heterogeneidad de las variables y se calcula de la

siguiente manera:

20

Ejemplo:
El coeficiente de variacin es adimensional; quiere decir que no importa la unidad
de medida de las variables y se pueden comparar las variables.

CV {

Ejemplo:

La poblacin A es muy homognea.

La poblacin B es heterognea.

Propiedades de la varianza
1. La varianza de una constante es 0 cer
x1=20, x2=20, x3=20, x4=20

Demostracin:

2. La varianza es mayor que 0. Todo cuadrado siempre es mayor a 0.

3. Si a una variable se le suma una constante, la varianza no cambia:

Ejemplo:

x1=18, x2=20, x3=19, x4=17

21

Demostracin:

4. Si una variable se multiplica por una constante, la varianza sale

multiplicada por la constante al cuadrado.

5.

Demostracin:

PRINCIPIO DE CHEBYCHEF

El porcentaje de informacin que se ubica en un intervalo k-desviaciones a la

media es mayor o igual a:

Ejemplo: Para k=2 y S=4,31

)
22

El porcentaje de personas que son atendidas entre 6,68 min y 23,92 min es > al
75%.

6.

DIAGRAMA BOX PLOT O DE CAJA

7. COEFICIENTE DE ASIMETRA O SESGO

El concepto de asimetra se refiere a si la curva que forman los valores de la serie
presenta la misma forma a izquierda y derecha de un valor central (media
aritmtica).
Sesgo es el grado de asimetra de una distribucin, es decir, cunto se aparta de
la simetra.

23

A=0

A>0

A<0

Asimetra para datos no agrupados:

Asimetra para datos agrupados (ordinalmente):

Asimetra para datos agrupados (intervalos):

La distribucin es asimtrica negativa. Est muy cerca de cero.

7.1 CURTOSIS O APUNTAMIENTO

24

Datos no agrupados:
[

Datos agrupados:

Ordinal:

Intervalos:

25

8. TEORA DE LA PROBABILIDAD
Es un modelo matemtico que trata de cuantificar los experimentos aleatorios
8.1 Probabilidad a priori (Pascal):
La probabilidad de eventos favorables en unos experimentos sobre el total de
resultados posibles, se le llama probabilidad a priori de un evento A.

Donde
h: nmero de casos favorables al evento A
n: nmero de resultados posibles
Ejemplo:
Sea el evento que consiste en lanzar dos dados, hallar la probabilidad de que
salga 6.
Dado1/Dado2 1

1,2

1,2

1,3

1,4

1,5

1,6

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

26

Sea el evento que consiste en lanzar dos dados, hallar la probabilidad de que
salga 1.

8.2 Probabilidad a posteriori (Kolmogorov)

Cuando el nmero de experimentos, replica o tamao de muestras son muy
pequeos, los resultados de calcular probabilidad suelen ser distorsionados.
El clculo de probabilidad posteriori plantea que la probabilidad de un evento en
un experimento en muchas repeticiones tiende a

donde:

h: nmero de casos favorables

n: nmero de resultados posibles

Experimento

Es una operacin que conlleva a un resultado de varios resultados posibles, se

den ta p r ().
Ejemplo:

Lanzar una moneda

27

Lanzar un dado
Lanzar dos monedas
Lanzar una moneda y un dado
Diagrama de rbol para la el experimento que consiste en lanzar dos
monedas

Cara
Cara
Sello
Moneda
Cara
Sello
Sello

Tipos de experimentos:

Probabilsticos
Deterministicos

Probabilsticos: son los ejemplos anteriores

Deterministico: Un carro que viaja a 40Km en dos hojas, cuantos

kilmetros recorri

Espacio Muestral: se define como todos los eventos posibles de un

experiment , se dan p r S.
28

Ejemplo:

Sea el evento que consiste en lanzar un dados

c:cara;

s: sello

Sea el evento que consiste en lanzar un dado

Espacio muestral

Nmero de puntos finitos (como los ejemplos que

tenemos anteriormente)
Nmero de puntos infinitos (la duracin de una
bombilla, los granos de arena en el ocano, etc)

8.3 Eventos:
Es un elemento o varios elementos del resultado de un experimento, es un
subconjunto del espacio muestral.

8.3.1 Clasificacin de los eventos:

1. Evento nulo { }: El evento nulo es aquel que no tiene ningn resultado
posible en el espacio muestral
Ejemplo:

Sea el evento que consiste en lanzar una moneda, sea el evento que salga
dos caras, entonces
Sea el evento que consiste en lanzar un dado, sea el evento un nmero
mayor que 6, entonces

2. Evento simple:Un evento simple en aquel que tiene un resultado posible

en el espacio muestral.

29

Ejemplo: sea el experimento que consiste en lanzar una moneda, sea B el evento
que salga cara, entonces.
3. Evento compuesto: es aquel tiene ms de un evento simple en su espacio
muestral.
Ejemplo: sea el experimento que consiste en lanzar dos monedas, sea A el evento
que salga como mnimo una cara
4. Evento seguro: un evento seguro es aquel que siempre se va a presentar
Ejemplo: sea el experimento que consiste en lanzar un dado, sea A el evento que
salga par

Nota: El evento se denota por letra mayscula y entre {} se representa los eventos
simples que conforman el grado de evento.

Ejercicios
1. Sea el experimento que consiste en lanzar dos monedas
a- Hallar el espacio muestral
b- Definir un evento nulo, simple, compuesto y seguro
c- Sea A el experimento que al menos salga una cara, hallar la
probabilidad del evento A.
2. El jefe de personal va a seleccionar 2 candidatos de una lista de 5
elegibles, supngase supngase que el 1 es el mejor, el 2 es el menos
mejor, sucesivamente.
a- Hallar la probabilidad de que el jefe de personal seleccione al menos
uno de los dos mejores (evento A).
b- Hallar la probabilidad de que el jefe de personal seleccione el mejor
candidato

30

8.4 OPERACIN ENTRE EVENTOS

Espacio muestral
S
Evento A

Complemento de un evento

Sea E un experimento con S como su espacio muestral y A un evento de ese

espacio muestral. Se define el complemento de un evento A como aquellos
eventos simples que estn en S pero no estn en A

Unin entre eventos

Sea E un experimento con S como su espacio muestral, A y B dos eventos de

dicho espacio muestral. Se define la unin de A y B y se representa por AUB como
los eventos simples que pertenecen a A o pertenecen a B o pertenecen a A y B.

31

Interseccin de eventos

Sea un experimento con S como su espacio muestral, A y B dos evento de dicho

espacio muestral se define como la interseccin como los eventos simples que
determinen a A y B.

Eventos mutuemente excluyentes

Sea E un experimiento y S como su espacio muestral, se definene dos eventos

excluyentes si

Ejercicio:
1- Sea el experimento que consiste en lanzar dos monedas. Sea A el evento
que consiste que salga como mnimo cara. Sea B el evento que consiste
que salga como mnimo sello. Sea C el evento que no salga cara y sea D el
evento que no salga sello.
a- Hallar:
b- Hallar :
c- Hallar:
d- Que eventos son mutuamente excluyentes

32

9. CLCULO DE PROBABILIDADES
Sea el experimento E con S como su espacio muestral y A un evento del espacio
muestral, al nmero real asignado al evento A y calculado de la siguiente forma:

Donde
h: nmero de casos favorables al evento A
n: nmero de resultados posibles

Se le llama la probabilidad del evento A su cumple los siguientes axiomas:

1234-

9.1 Propiedades de la probabilidad

12-

Demostracin de las propiedades

1-

33


2-

Ejemplo:
Sea el experimento que consiste en lanzar un dado, para dicho dado los nmeros
pares tienen el doble de probabilidad de ser elegidos que los nmeros impares.
Sea C el evento que el nmero observado sea mayor o igual a cuatro.

34

9.2 MTODO PARA CALCULAR PROBABILIDADES

Existen dos mtodos para el clculo de probabilidades
1- Mtodo de composicin de eventos
2- Mtodo de los puntos muestrales.
1. Mtodo de los puntos muestrales
Para el clculo de probabilidades se presentan problemas cuyas soluciones no
son tan sencillas. Para solucionar este problema se recomienda en el clculo de
probabilidades aplicar el mtodo de los puntos mustrales, el cual consiste en
desarrollar secuencialmente cinco puntos que se enuncian a continuacin.
1. Definir claramente el experimento (entenderlo, poder explicarlo, etc)
2. Pintar o dibujar el espacio muestral (entender cada uno de los puntos
muestrales)
3. Identificar la probabilidad de cada evento simple, determinando si estos son
equiprobables o no.
4. El evento A ocurre si cualquiera de los eventos simples que lo conforman
se presentan
5. La probabilidad del evento A es igual a la suma de las probabilidades de los
eventos simples que lo conforman.

Ejercicios
1. Sea el experimento que consiste en lanzar una moneda sea A el evento de
obtener un sello
Entender
Dibujar

35

2. Sea E el experimento de lanzar dos monedas, sea B el evento que consiste

en obtener un sello.
Entender el experimento

3. El gerente de una empresa debe seleccionar dos aspirantes de un grupo de

5 para un empleo, imagine que los aspirantes estn clasificados del mejor
hasta el menos preparado, el gerente no sabe de esta clasificacin. El
evento A que el jefe de personal selecciones el mejor y el menos
preparado. Sea el evento B que el jefe seleccione alguno de los dos
mejores.
Entender el experimento

36

2
3
1
4
5
3
Candidatos

4
5
4

3
5
5

4. Sea el experimento que consiste en lanzar dos dados uno verde y otro azul

37

Se asume que los resultados son equiprobables, hallar las siguientes

probabilidades
a) Que la suma sea mayor que 8
b) Que ocurra un 2 en cualquiera de los dados
c) Que se produzca un nmero mayor que cuatro en el verde
d)
.

Entender el problema

Dado

1,2

1,2

1,3

1,4

1,5

1,6

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

azul/
Dado
verde

Dado

azul/
Dado
verde
1

9
38

10

10

11

10

11

12

10

11

12

13

5. La probabilidad de que una industria de EEUU de ubique en Alemania es

de 0,7 , la probabilidad de que e ubique en Brasil es de 0,4, la probabilidad
que se que se ubique en Alemania o Brasil ambas es de 0,8. Calcular la
probabilidad de que se ubique en ambas cuidades, la probabilidad que no
ubique en alguna de estas ciudades.

Entender el experimento

0,7

0,
4

0,2

39

10. TCNICAS DE CONTEO Y MTODOS DE ENUMERACIN

10.1 Principio de la multiplicacin: si una operacin tiene

resultados posibles

y si para cada uno de los resultados posibles, es probable analizar una segunda
operacin con

resultados posibles, el total del resultado es

40

C
C
S
Monedas
C
S
S
Ejemplo: Un mdico desea clasificar a sus pacientes de acuerdo a la presin
arterial (alta-media-baja) y de acuerdo a su tipo de sangre (

). De

cuantas formas un medico puede clasificar a sus pacientes.

A+
AAlta

AB
O+
OA+
A-

Monedas

Media

AB
O+
OA+
A-

Baja

AB
O+
O-

41

10.2 Permutaciones
-

Permutaciones de tamao n: una permutacin de tamao n es un arreglo

del nmero de formas, como se pueden organizar n elementos donde el
orden importa. El nmero de organizar n elemento es

donde el orden

importa.
Ejemplo
1

No son iguales

Permutaciones de tamao K, donde K<n: se presentan muchos

problemas en la vida cotidiana de extraer K elementos de una poblacin de
tamao n donde el orden importa y est dada por la siguiente ecuacin:

Ejemplo

42

1
2

Ejemplo
De un grupo de 11 estudiantes voy a elegir 2 para ocupar los cargos de
coordinador de campo y el segundo para coordinador de oficina. De cuantas
maneras se puede hacer?

Con repeticin

: hay un poblacin de tamao n. extraigo K y hay repeticiones

Ejemplo

3
2

43

Permutaciones circulares: en la naturaleza se presentan muchos

problemas donde se van a organizar n-elementos de una mesa redonda.
De cuantas maneras puede hacerse esto?
El nmero de formas de organizar n-elementos en una mesa redonda es:

Ejemplo: de cuantas formas puede organizarse 5 rboles en un terreno circular?

Permutaciones mltiples: se presentan donde n-elementos de una

poblacin se clasifican en P grupos de tamao

con la

condicin que
Ejemplo: Se va a realizar un paseo a las ciudades que a continuacin se enuncia y
se desea armar un grupo de
personas,

a Cancn de 4 personas,

a San Andrs de tres personas y

a Cartagena de 2

a Santa Marta de 2 personas.

Maneras de formar los grupos.

44

Combinaciones: Una combinacin es un arreglo de una poblacin de nelementos, extrayendo K elementos donde

y el orden no importa.

Ejemplo: de un grupo de 11 estudiantes se van a elegir 2 estudiantes quienes

formaran un comit que tiene como fin de dialogar con el rector de la actual crisis
en la UTP. (en el comit no hay clasificacin, orden, jerarqua) el orden no importa
y la forma para combinar es:

( )

11. PROBABILIDAD CONDICIONAL:

Sea S un espacio muestral con A y B dos eventos de dicho espacio muestral. Se
defina la probabilidad condicional de A dado B como la probabilidad que ocurra el
evento A dado que el evento B ya ocurri, y se calcula de la siguiente manera.

11.1 INDEPENDENCIA DE EVENTOS:

Sea S un espacio muestral, A y B 2 eventos de dicho espacio muestral. Se dice
que los eventos A y B son independientes si la ocurrencia de un evento no
aumenta o disminuye la probabilidad de ocurrencia del otro evento.

Ejemplo: Sea R el evento que un convicto haya robado a mano armada, sea D que
dicho convicto haya vendido droga. Interprete con palabras las siguientes
probabilidades.

45

a)
b)
c)
d)
e)
f)
g)
h)
i)

dado que el convicto haya vendido droga, cual es la probabilidad

de que haya robado a mano armada?

dado que el convicto hay robado a mano armada, cual es la

probabilidad de que haya vendido drogas?
dado que el convicto no robo a mano armada, cual es la
probabilidad de que haya vendido droga?
dado que el convicto no haya vendido droga, cual es la
probabilidad de que haya robado a mano armada?
dado que el convicto no haya vendido drogas, cual es la
probabilidad de que no haya robado a mano armada?
cual es la probabilidad de que el convicto haya robado a mano
armada y tambin haya vendido drogas?
cual es la probabilidad de que el convicto no haya robado a
mano armada ni tampoco vendido drogas?
cual es la probabilidad de que el convicto robe a mano armada y
venda drogas a la vez?
cual es la probabilidad de que el convicto no robe a mano armada
y venda drogas a la vez?

11.2 LEY DE LA MULTIPLICACIN:

Sea S un espacio muestral, Ay B 2 eventos de dicho espacio muestral. Se define
la probabilidad de que ocurra A y B como:

Para dos eventos

46

11.3 TEOREMA DE LA PROBABILIDAD TOTAL

Sea S un espacio muestral y

eventos mutuamente excluyentes y

colectivamente exhaustivos (forman una particon de S). Sea E otro evento de

dicho espacio muestral, la probabilidad de que ocurra E est dada por la siguiente
expresin:

E
Demostracin

47

Ejercicio: La produccin total de una fbrica depende las maquinas x, y, z. el 50%

del total de artculos producidos depende de la maquina x, de los cuales el 3% es
defectuoso. El 30% de los artculos son producidos por la mquina y, de los cuales
el 4% son defectuosos, el 20% es producido por la maquina z, de los cuales el 5%
son defectuosos.
Si un artculo es aleatoriamente, hallar la probabilidad de que este sea defectuoso.

S
X

0,03

0,04

0,05

Conclusin: El total de la produccin defectuosa es del 0.037.

11.4 TEOREMA DE BAYES

Sea S un espacio muestral,

una porcin del espacio muestral, sea

E un evento del espacio muestral. Si el evento E se presenta es importante

preguntarse la probabilidad de que venga del evento

la solucin a

este problema de la formula de Bayes se enuncia a continuacin.

48

Demostracin

Ejemplo: Para el problema anterior, si el artculo es elegido aleatoriamente y este

es defectuoso. Hallar las siguientes probabilidades.

12. VARIABLE ALEATORIA

Es una funcin definida sobre el espacio muestral y se denota por las letras
maysculas X, Y y Z, , etc.
Ejemplo:

Sea E el experimento que consiste en lanzar 2 monedas, sea X la variable

aleatoria que cuenta el nmero de caras.

49

Sea E el experimento que consiste en lanzar 3 monedas, sea Y la variable

aleatoria que cuenta el nmero de sellos. Cul es el espacio recorrido de la
variable aleatoria?

12.1 DISTRIBUCIN DE PROBABILIDAD

Es una pareja ordenada donde el primer valor correspondiente al nmero
observado de la variable aleatoria y el segundo valor correspondiente a la
probabilidad asociada a la variable aleatoria.
Ejemplo
Para el caso de 2 monedas, sea X la variable aleatoria que cuenta el nmero de
caras.
x

F(x) 1/4 2/4 1/4

Para el caso de Sea E el experimento que consiste en lanzar 3 monedas, sea Y la

variable aleatoria que cuenta el nmero de sellos.
y

f(y) 1/8 3/8 3/8 1/8

12.2 FUNCIN DE PROBABILIDAD

Llamada tambin funcin de de densidad y es la encargada de asignar la
probabilidad a cada valor de la variable aleatoria.
Ejemplo:
50

Para el caso de, sea X la variable aleatoria que cuenta el nmero de caras.
x

f(x) 1/4 2/4 1/4

Para el caso de Sea E el experimento que consiste en lanzar 3 monedas, sea Y la

variable aleatoria que cuenta el nmero de sellos.
y

f(y) 1/8 3/8 3/8 1/8

12.3 PROPIEDADES LA VARIABLE ALEATORIA

1.

51

12.4 FUNCIN DE PROBABILIDAD ACUMULADA

Se denota por la letra mayscula F(X) llamada tambin funcin de densidad
acumulada y se define como la acumulada o la probabilidad de ocurrir un valor
menor o igual que

Ejemplo
Para el caso de, sea X la variable aleatoria que cuenta el nmero de caras.
x
f(x)

1/4 2/4 1/4

F(x) 1/4 3/4

Para el caso de: Sea E el experimento que consiste en lanzar 3 monedas, sea Y la
variable aleatoria que cuenta el nmero de sellos.
Y

f(y)

1/8 3/8 3/8 1/8

F(y) 1/8 4/8 7/8

52

12.5 VALOR ESPERADO DE UNA VARIABLE ALEATORIA

Llamada tambin esperanza matemtica de una variable aleatoria y corresponde
tambin a la media de la variable aleatoria y se calcula de la siguiente manera.

Variables continas aleatorias

Ejemplo: Para el caso de, sea X la variable aleatoria que cuenta el nmero de
caras.
x

f(x) 1/4 2/4 1/4

( )

( )

( )

Para el caso de Sea E el experimento que consiste en lanzar 3 monedas, sea Y la

variable aleatoria que cuenta el nmero de sellos.
y

f(y) 1/8 3/8 3/8 1/8

( )

( )

( )

( )

53

12.6 VARIANZA DE UNA VARIABLE ALEATORIA

1. Variable discreta

2. Variable aleatoria continua

Ejemplo:Para el caso de, sea X la variable aleatoria que cuenta el nmero de

caras.
x

f(x) 1/4 2/4 1/4

( )

( )

( )
( )

Para el caso de: Sea E el experimento que consiste en lanzar 3 monedas, sea Y la
variable aleatoria que cuenta el nmero de sellos.

54

f(y) 1/8 3/8 3/8 1/8

( )

( )

( )

( )

( )

Problemas
1. De un grupo que contiene 4 bolas negras y 2 verdes, se extrae dos de ellas
en forma sucesiva y se regresa a la caja antes de realizar la siguiente
extraccin.
Encontrar la distribucin de probabilidad
El valor esperado
La varianza de la variable aleatoria definida en el nmero de bolas verdes.
Respuesta

f(x)

1/8 3/8 3/8 1/8

F(x) 1/8 4/8 7/8

( )

( )

( )

55

( )

( )

( )

( )

( )

2. Una compaa piensa comprar dos computadores, en la distribucin de

estos equipos tiene 9 en el almacn de los cuales 3 son defectuosos. Sea Z
la variable aleatoria que cuenta el nmero de aparatos defectuosos por la
compaa. Hallar la distribucin de probabilidad, el vector esperado y la
varianza de la variable aleatoria.
M: computadores malos
B: computadores buenos

f(z)

15/36 18/36 3/36

F(z) 1/8

4/8

7/8

( )

( )

( )
56

( )

( )

( )

13. VARIABLES ALEATORIAS DISCRETAS CON NOMBRE PROPIO

13.1 DISTRIBUCIN UNIFORME DE PROBABILIDAD
Se presentan muchas variables aleatorias con k resultados posibles, mutuamente
excluyentes, igualmente probables y colectivamente exhaustivas.
Ejemplo

Tirar un dado
Tirar una moneda
Hacer un Shift-Ranzaso en la clase de estadstica 1 con el profesor lvaro
Trejos.

La esperanza y la varianza de una variable aleatoria uniforme, est dada por la

siguiente expresin:

57

Ejemplo: sea E el experimento que consiste en lanzar un dado, hallar la

distribucin de probabilidad, el valor esperado y la varianza para esta variable
aleatoria.
X

P(x) 1/6 1/6 1/6

1/6

1/6 1/6

13.2 DISTRIBUCIN DE PROBABILIDAD BERNOULLI

En la naturaleza existen muchos problemas donde las variables aleatorias
presentan uno de dos resultados posibles (xito fracaso). Los resultados son
mutuamente excluyentes y colectivamente exhaustivos.
Ejemplo

Al votar por un candidato

En un proceso de produccin si sale defectuoso o no
Al naces un bebe si es hombre o mujer.

Esperanza

58

P(x) q

Ejemplo: Si suponemos que la probabilidad de que nazca un nio es igual a la de

que nazca una nia. Hallar la distribucin de probabilidad, valor esperado,
varianza de esta distribucin de Bernoulli.
a.
X

P(x) 0,5 0,5

b.
c.

59

13.3 DISTRIBUCIN DE PROBABILIDAD BINOMIAL

Si un proceso Bernoulli se repite n-veces y de estas n-veces se est interesado en
k-xitos donde

diremos que estamos en presencia de un distribucin de

probabilidad binomial.
Ejemplos
1. La probabilidad de que una persona vote por el candidato A es de 0,20, si
se elige al azar 100 personas, hallar la probabilidad de que 5 personas
voten por el candidato A.
n=10, k=4
2. En un proceso de produccin el 10% de los artculos salen defectuosos, si
un producto es elegido a lazar, hallar la probabilidad de que 4 productos de
los seleccionados sean defectuosos.
n=10, k=4
Condiciones para aplicar la distribucin de probabilidad binomial
1. El experimento consiste en repeticiones ensayos.
2. Cada ensayo proporciona un resultado que puede clasificarse como xito o
fracaso (experimento Bernoulli).
3. La probabilidad de xito o fracaso no cambia en el tiempo y el xito se
identifica por P y el fracaso se identifica por q
4. Los ensayos son independientes.
5. La forma para calcular probabilidades con el modelo binomial es la
siguiente:
( )
P: probabilidad xito
q: probabilidad no xito
k: numero de xitos a observar
n: numero de experimento (tamao de la muestra) a realizar.

Ejemplo: en un proceso de produccin el 5% de los artculos son defectuosos, si

se elige aleatoriamente 20 artculos. Hallar las siguientes probabilidades:
a. Encontrar dos defectuosos
60

b. Dos o menos defectuosos

c. Ms de dos defectuosos
Respuesta
( )

a.

b.

c.

14. DISTRIBUCIN DE PROBABILIDAD MULTINOMIAL

Es una generalizacin de la distribucin binomial. En lugar de considerar solo 2
tipos de ocurrencia (xito-fracaso), se tienen k-tipos. La probabilidad de cada tipo
se denota por P1,P2,P3,,Pk, donde se cumple las siguientes condiciones:
9 P1 + P2 + P3,,Pk= 1, y se extrae un tamao de muestra n con n-resultados
n2,n3,,nk, donde n1+n2+n3,,nk=n
La probabilidad para este tipode variables se calcula de la siguiente manera:

Ejemplo:

61

Segn la revista Semana para el ao 1998 el 40% de los divorcios se debe a

infidelidad de alguno de los cnyugues, el 50% a disputas econmicas y el 10% a
otras

causas,

principalmente

el

alcoholismo.

Cul e sla probabilidad de que de 12 divorcios elegidos al azar, 5 estn

motivados por infidelidad, 5 por problemas econmicos y 2 por otras causas?
n=12 ; k=3; P1=0,40%; P2=0,50%; P3=0,10%; n1=5; n2=5; n3=2
(

La probabilidad de que en 12 matrimonios encontremos 5 por infidelidad, 5 por

problemas econmicos y 2 por otras causas es de 0,053%.

15. DISTRIBUCIN DE PROBABILIDAD POISSON

Esta distribucin de probabilidad es utilizada para hallar el nmero de ocurrencias
(xitos) en una unidad de intervalo, y su funcin de probabilidad est dada por la
siguiente expresin:
e= nmero neperiano e=2,71

k= El nmero de xitos en el intervalo

al cual se le halla la probabilidad.
x= Variable aleatoria discreta.
Ejemplo: Un grupo de 3 ingenieros se asocian para montar una empresa en
asesoras en ingeniera industrial. Para ello disponen de una oficina dotada de
equipos y una secretaria.
Abren la empresa el da 15 de diciembre y se registra la llegada de clientes
distribuidas por horas de la siguiente forma:

62

14

15 Probablidad de que la prxima hora lleguen 3 clientes:

La probabilidad de que la prxima hora lleguen 3 clientes es de 0,18.

16 DISTRIBUCIN DE PROBABILIDAD HIPERGEOMTRICA

La distribucin de la probabilidad de la variable aleatoria hipergeomtrica, cuenta
el nmero de xitos en una muestra aleatoria de tamao n, seleccionados de una
poblacin de tamao N, de los cuales k son xitos y N-k son fracasos. La funcin
de probabilidad est dada por la siguiente expresin:

( )(

( )
Ejemplo: En lotes de 40 componentes, se consideran aceptables si contienen
como mximo no ms de 3 defectuosos. El procedimiento para muestrear el lote,
consiste en seleccionar 5 componentes al azar y rechazar todo el conjunto si en la
muestra hay como mnimo un defectuoso. Cul es la probabilidad de no rechazar
el lote?
N=40; n=5; k=3; x=0

( )(
(

)
)

63

La probabilidad de no rechazar el lote es de 0,6624.

16.2 DISTRIBUCIN DE PROBABILIDAD HIPERGEOMTRICA
MULTIVARIADA
Es una distribucin multivariada que generaliza la hipergeomtrica (corresponde a
ensayos sin repeticin), y se presentan ms de 2 tipos de ocurrencias. Suponga
que una poblacin presenta N-elementos de los cuales k1 son del grupo 1, k2 son
del grup 2,,kr del grupo r, dnde k1+k2++kr=N. Entonces la probabilidad de
que una muestra contenga x1 elementos del tipo 1, x2 elementos del tipo 2, xr
elementos del tipo r, donde naturalmente x1+x2++xr=n y n es el tamao de la
muestra tomada aleatoriamente, la funcin de probabilidad est dada por la
siguiente expresin:

)(

( )
Ejemplo: Se van a analizar 10 personas para un estudio biolgico. El grupo consta
de 3 con sangre tipo O, 4 con sangre tipo A, 3 con sangre tipo B. Cul es la
probabilidad de que una muestra aleatoria de 5 personas se presente el siguiente
resultado?
a) 1 persona con sangre tipo O
b) 2 personas con sangre tipo A
c) 2 personas con sangre tipo B

N=10; k1=3; k2=4; k3=3; x1=1; x2=2; x3=2;n=5

( )( )( )
(

)
64

17 DISTRIBUCIN EXPONENECIAL
Es el equivalente continuo de la distribucin geomtrica discreta. Esta ley de
distribucin describe procesos en los que:
18 Nos interesa saber el tiempo hasta que ocurre determinado evento, sabiendo
que,
19 El tiempo que pueda ocurrir desde cualquier instante dado t, hasta que ello
ocurra en un instante tf, no depende del tiempo transcurrido anteriormente en
el que no ha pasado nada.
Ejemplos:
El tiempo que puede transcurrir en un servicio de urgencias, para la llegada de un
paciente;
El tiempo para cargar un camin.
En un proceso de Poisson donde se repite sucesivamente un experimento a
intervalos de tiempo iguales, el tiempo que transcurre entre la ocurrencia de dos
sucesos consecutivos sigue un modelo probabilstico exponencial. Por ejemplo, el
tiempo que transcurre entre que sufrimos dos veces una herida importante.
Concretando, si una v.a. continua X distribuida a lo largo de

, es tal que su

funcin de densidad (# de fallos por unidad de tiempo) es:

{

Se dice que sigue una distribucin exponencial de parmetro

Funcin

,X Exp(

de densidad , de una Exp (

65

Funcin de distribucin:
{

Valor
esperado:

Variable aleatoria:
Funcin exponencial: Pueden modelar el lapso de

eventos consecutivos de

Poisson que ocurren de manera independiente a una frecuencia constante.

La funcin exponencial no tiene memoria, los eventos del presente o del futuro no
dependen de los que ocurrieron en el pasado.
66

Origen: Distribucin de probabilidad Poisson

donde = promedio y k= # de xitos

donde
Que es una variable aleatoria continua x que mide el tiempo que tarda en ocurrir el
primer evento Poisson:
; x=distancia o tiempo; D.F=1 cuando
Se deduce funcin de distribucin con respecto a x y se obtendra la funcin de
densidad.
Ejemplo: El tiempo de vida de un fusible en cierta aplicacin tiene un valor
esperado promedio de 2 aos.
a) Cul es el valor de ?
=V[x]=2 aos

b) Cal es la desviacin estndar?

Ejemplo: La variable x representa el tiempo en horas que una personas tarde en

realizar determinado trabajo y sigue una distribucin exponencial con parmetro

a) Cul es el tiempo medio en que se espera realice dicho trabajo?

67

El tiempo medio es 0,5 horas.

b) Cul es la probabilidad de que lo realice en menos de 30 minutos y en
ms de una hora?

La probabilidad de que lo realice en menos de 30min es de 0,22.

Pero como es ms de una hora:

1-0,39= 0,61

La probabilidad de que lo realice en ms de una hora es de 0,61.

68