Está en la página 1de 57

Carpeta de Evidencias

Probabilidad y Estadística
Jesús A. Solís Lemus
Universidad Vasco de Quiroga
Prof. Ing. Roberto Contreras Marín
Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

Programas de estudios SEE ANEXO 2

LICENCIATURA EN INFORMÁTICA ADMINISTRATIVA


1.- ASIGNATURA :
PROBABILIDAD Y ESTADISTICA.
2.- CICLO 3.- CLAVE 4.- SERIACION
CUARTO LIA0417 NINGUNA
CUATRIMESTRE
5.- HORAS / SEMANA CON 6.- HORAS / CUATRIMESTRE 7.- 8.- AULA, TALLER,
DOCENTE CRÉDITOS LABORATORIO
CON DOCENTE INDEPENDIENTES
2 26 70 6

9.- OBJETIVO GENERAL DE LA ASIGNATURA

Fomentar en el alumno la capacidad de reconocer y establecer modelos apropiados para describir fenómenos aleatorios
que surjan en sus áreas de especialidad en ingeniería. Familiarizar al alumno con el concepto de variabilidad. Reconocer
a la estadística como una ciencia cuyos métodos permitan el tratamiento sistemático de fenómenos que involucran
variaciones aleatorias y a la probabilidad como la ciencia que estudia los modelos con los que se puedan describir
dichos fenómenos.

10.- VÍNCULOS CON LOS OBJETIVOS GENERALES DEL CURRICULUM

Esta asignatura proporciona las bases para el análisis de datos por medio de tecnicas probabilísticas y estadísticas que se
pueden representar en los diseños de circuitos en el muestreo de la información.

Cd. Lázaro Cárdenas. Michoacán Página 2


Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

11.- HORAS 12.- TEMAS Y SUBTEMAS 13.-OBJETIVO


ESTIMADAS
CON INDEPEN
DOCENTE
DIENTES
DIENT
ES
1. 1 PROBABILIDAD. Definiciones de probabilidad
1.1 Definir experimento aleatorio espacio muestral experimento
aleatorio probabilidad de eventos
1.2 Definir espacio muestral de un experimento
independientes y dependientes,
aleatorio.
16 unió e intersección de conjuntos.
5 1.3 Obtener espacio muestral de un experimento
aleatorio dado.
1.4 Definir probabilidad de un punto en el
espacio
1.5 Definir espacio muestral equiprobable
1.6 Combinaciones de eventos y probabilidad
condicional
1.7 Eventos: definir evento o suceso y ocurrencia
de un evento en un espacio muestral dado.
1.8 Obtener la probabilidad de un evento.
1.9 Definir el complemento de un evento y su
probabilidad.
1.10 Definir la unión e intersección de eventos.
1.11 Obtener la probabilidad de la unión e
intersección de eventos.
Probabilidades de eventos
1.12 Enunciar y aplicar las leyes de probabilidad.
independientes y dependientes
1.13 Definir eventos mutuamente excluyentes.
y aplicara el Teorema de Bayes
1.14 Dada una colección de eventos determinar si
son independientes.
1.15 Establecer y aplicar la ley particular
multiplicativa para n eventos independientes.
1.16 Teorema de Bayes
1.17 Aplicaciones del teorema de Bayes.
1.18 Técnicas de conteo, diagramas de árbol y
principio multiplicativo.
1.19 Aplicar las técnicas de conteo a través de
permutaciones y combinaciones.

11.- HORAS 12.- TEMAS Y SUBTEMAS 13.-OBJETIVO


ESTIMADAS
CON INDEPEN
DOCENTE
DIENTES
DIEN
TES
Cd. Lázaro Cárdenas. Michoacán Página 3
Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

2 VARIABLES ALEATORIAS
2.1 Definir variables aleatorias discretas y
continuas. Aprenderá: definición de variables
5 16 2.2 Definir función de probabilidad de una aleatorias continuas
variable aleatoria discreta. definición de una distribución de
2.3 Obtener la probabilidad de eventos haciendo probabilidad como una función
uso de la probabilidad de una variable puntos percentiles para una distribución
aleatoria discreta. normal
2.4 Definir la función de distribución acumulada
de una variable aleatoria discreta.
2.5 Obtener y graficar la función de
Estimación puntual de parámetros de
probabilidad acumulada de una variable
población o del proceso.
aleatoria discreta dada su función de
probabilidad. Concepto de distribución de muestreo.
2.6 Obtener probabilidades de eventos con la
función de distribución acumulada.
2.7 Definir función de probabilidad de una
variable aleatoria continúa.
2.8 Obtener la probabilidad de eventos haciendo
uso de la probabilidad de una variable
aleatoria continua.
2.9 Definir la función de densidad de una
variable aleatoria continua.
2.10 Obtener y graficar la función de
probabilidad acumulada de una variable
aleatoria continua dada su función de
probabilidad.
2.11 Obtener probabilidades de eventos con la
función de distribución acumulada.
2.12 Verificar que una función dada es una
función de densidad

11.- HORAS 12.- TEMAS Y SUBTEMAS 13.-OBJETIVO


ESTIMADAS
CON INDEPEN
DOCENTE
DIENTES
DIEN
TES

Cd. Lázaro Cárdenas. Michoacán Página 4


Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

11.- HORAS 12.- TEMAS Y SUBTEMAS 13.-OBJETIVO


ESTIMADAS
CON INDEPEN
DOCENTE
DIENTES
DIEN
TES
3 DISTRIBUCIONES DISCRETAS Conocerá el concepto de función
3.1 Definir la imagen de una función de de una variable aleatoria continua
probabilidad. el valor esperado y la varianza y obtendrá probabilidades a partir
4 10
de las variables aleatorias discretas que tienen de la función de densidad.
las siguientes distribuciones.
3.2 Bernoulli y binomial
3.3 Geométrica y binomial negativa. Identificara si la función dada es
3.4 Hipergeométrica. una función de densidad y aplicara
el tipo de distribución adecuado
3.5 Poisson.
para la solución de problemas
3.6 Reconocer las condiciones bajo las cuales se
puede aplicar cada uno de los modelos
anteriores a la resolución de problemas.
Aleatorias
3.7 Resolución de problemas

.
4 DISTRIBUCIONES CONTINUAS. Definirá la función de densidad a partir
4 8
4.1 Definir la imagen de una función de de la variable así como la imagen
densidad. la media y las variables
aleatorias Estimación puntual de parámetros de
4.2 Uniforme. población o del proceso. Concepto de
4.3 Exponencial distribución de muestreo.
4.4 Resolver problemas que involucren las
variables aleatorias citadas.

5 LA DISTRIBUCIÓN NORMAL
4 12 5.1 Uso de la distribución normal en el calculo de Se mostraran los pasos para la
probabilidades hipótesis con el método del valor
5.2 Calcular probabilidades para eventos crítico, frente a la media usando la
relacionados con una variable normal distribución normal. Errores de
estándar tipo I Y II en pruebas de hipótesis.
5.3 Distribuciones relacionadas con la
distribución normal.

Cd. Lázaro Cárdenas. Michoacán Página 5


Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

11.- HORAS 12.- TEMAS Y SUBTEMAS 13.-OBJETIVO


ESTIMADAS
CON INDEPEN
DOCENTE
DIENTES
DIEN
TES
6 INFERENCIAS EN UNA POBLACIÓN.
4 8 6.1 Distribución de muestreo e intervalos de
confianza para la media
6.2 Intervalos de confianza.
6.3 Determinar la cota del error de estimación de
mediante un coeficiente de confianza con
varianza conocida.
6.4 Determinar el tamaño de la muestra mínima.
6.5 Construir intervalos de confianza para la
media de una población arbitraria con
varianza conocida y desconocida.
6.6 Otros intervalos de confianza.

Cd. Lázaro Cárdenas. Michoacán Página 6


Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

14.- ACTIVIDADES DE APRENDIZAJE

15. CRITERIOS GENERALES Y PROCEDIMIENTOS DE EVALUACIÓN DE LA ASIGNATURA


NUM. CON DOCENTE: PORCENTAJE INDEPENDIENTES: PORCENTAJE
DE
TEMA DE
EVALUACIÓN
EVALUACIÓN
Solución de ejercicios frente a 20% Solución de problemas, tareas 80%
Tema 1 grupo.

Realización de ejercicios frente 60% Solución de problemas, tareas 40%


Tema 2 al grupo. Examen parcial

Realización de ejercicios frente 30% Solución de problemas, tareas 70%


Tema 3 al grupo

Solución de ejercicios frente a 60% Solución de problemas, tareas 40%


Tema 4 grupo. Examen parcial

Solución de ejercicios frente a 50% Solución de problemas, tareas 50%


Tema 5 grupo

Solución de ejercicios frente a 60% Solución de problemas, tareas 40%


Tema 6 grupo. Examen parcial

Cd. Lázaro Cárdenas. Michoacán Página 7


Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

16.-RECURSOS DIDÁCTICOS:

Pizarrón, Calculadora, Cañón. Acetatos.

17.- BIBLIOGRAFIA (AUTOR, TÍTULO, EDITORIAL, ANO Y NÚMERO DE EDICIÓN

Titulo: Estadística Aplicada Estadística aplicada para administración / Rosalinda Flores


a la Administración y a la Economía García y Héctor Lozano de los Santos -- México :
Autor: Leonard Kazmier Alfredo Díaz Mata Iberoamerica, 1998
Serie: Mc Graw Hill, 2002

Dígalo con números / Hans Zeisel ; tr.


Roberto Helier -- 3a.Ed. -- México : FCE, 1990

Cd. Lázaro Cárdenas. Michoacán Página 8


Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

18.- PERFIL PROFESIONAL DEL DOCENTE

La estipulada en el acuerdo 279 del Diario Oficial de la Federación, de fecha 10 de julio de 2000, en el artículo 10,
capitulo II, apartado I, incisos a ó b.

Disciplinas del ámbito de competencia


Ciencias Exactas.

Área de formación
Licenciatura en Ciencias Físico-Matemáticas o carrera afín a Matemáticas o Educación en Ingeniería.

Formación docente requerida


Preferentemente algún curso en docencia

Conocimientos de
Programas para manipular datos SPSS, Excel
Probabilidad y estadística
Matemáticas Elementales.

Habilidad para
Exponer frente al grupo, presentar problemas didácticos y claros, responder de manera clara y ordenada.

Destrezas para:
Para hablar frente a grupo, tratar con jóvenes en formación.

Actitudes de:
Ecuánime con capacidad de escuchar y responder con argumentos lógicos y actitud de liderazgo.

Cd. Lázaro Cárdenas. Michoacán Página 9


Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

Las probabilidades pertenecen a la rama de las matematicas que estudia ciertos experimentos
llamados aleatorios, osea regidos por el azar, en que se conocen todos los resultados posibles, pero
no es posible tener certeza de cual será en particular el resultado del experimento.
Ejemplo:
 El lanzamiento de una moneda
 El lanzamiento de un dado
 Extraccion de una carta de un mazo.

1.2 – 1.3

Probabilidades, Algunas definiciones.

Espacio Muestral:
Se llama espacio muestral asociado a un experimento aleatorio, el conjunto de todos los
resultados posibles de dichos experimentos.

Cada uno de los elementos del espacio muestral se denomina “Punto Muestral del experimento”

Al lanzar una moneda, el espacio muestral es :

E=(águila, sol) ó E=(a,s)

Al lanzar un dado de seis caras


E=(1,2,3,4,5,6)

Al lanzar dos monedas


E=(s,s)(s,a)(a,a)(a,s)

Al lanzar 3 monedas
E=(s,s,s)(s,s,a)(s,a,s)(a,s,s)(a,a,s)(a,a,a)(s,a,a)(a,s,s)(a,s,a)

Ejemplo:
Una bolsa contiene 3 bolas blancas y 3 bolas negras.

Calcular:
1. El espacio muestral
E= (b,b,b)(b,b,n)(b,n,b)(n,b,b)(b,n,n)(n,b,n)(n,n,b)(n,n,n)

2. El suceso A= Extraer 3 bolas del mismo color


A=(b,b,b)(n,n,n)
3. El suceso B = Extraer al menos una bola blanca
B=(b,b,b)(b,b,n)(b,n,n)(n,b,b)(b,n,n)(n,b,n)(n,n,b)(b,n,b)(n,b,b)

Cd. Lázaro Cárdenas. Michoacán Página 10


Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

1.5 Espacio Muestral de Sucesos

En el lanzamiento de una moneda o de un dado observamos que ambos eventos tienen una
característica común. En el primer caso, al lanzar una moneda, podemos observar que si la
moneda no esta cargada, es decir, no esta acomodada para darle prioridad a uno de los lados,
ambas caras tienen la misma probabilidad de caer, a este tipo de eventos se le conoce como
eventos equiprobable o equiposibles.

1.6 Probabilidad Condicional

Hasta ahora hemos calculado la probabilidad de un evento sin conocer si, otro evento
relacionado había ocurrido. En esta sección discutiremos las oportunidades que tiene un
evento E. cuando se sabe que un evento relacionado F ha ocurrido, esto se llama probabilidad
condicional de E. Tambien la discusión demostrara como hallar la probabilidad de dos
eventos conjuntos.

1.8 – 1.9 Eventos

Muchos de los eventos que ocurren en la vida diaria no pueden ser predichos con exactitud
desde antes, por diversas razones, pues la mayoría de los hechos están influidos por factores
externos.
Además existen aquellos sucesos que están directamente influidos por el azar, es decir por
procesos que no se esta seguro de lo que va a ocurrir. Sin embargo la probabilidad nos
permite acercarnos a esos sucesos y estudiarlos, ponderando las posibilidades de su
ocurrencia y proporcionando métodos para tales ponderaciones.

Para calcular la probabilidad de eventos es necesario que estas se comporten de una manera
mas o menos estable. Precisamente se echa mano de la regularidad de la estadística, que es la
propiedad de los fenómenos aleatorios y que consiste en que al aumentar el numero de
repeticiones de un experimento en condiciones prácticamente constantes , la frecuencia
relativa de ocurrencia para cada evento tiende a un valor fijo.
Sin embargo al momento de definir la probabilidad de un evento podemos tomar en cuenta
los sig. Criterios:
1) La probabilidad objetiva de un evento se le asigna la persona que hace el estuido y
depende del conocimento que esta persona tenga sobre el tema.
Precisamente por su carácter de subjetividad no se considera con validez científica
aunque en la vida diaria es de las mas comuenes que se utilizan, al no apoyarse mas que
en el sentido común y de los conocimientos previos y no en resultados estadísticos.
2) La probabilidad frecuencial de u nevento es el valor fijo al que tienden las de frecuencia
relativa ocurrencia del evento de acuerdo a la regularidad estadística. Esta definición seria
la mas real, pero proporciona probabilidades aproximadas, es decir, proporciona
estimaciones, y no valores reales. Además los resultados son a posterior pues se necesita
realizar el experimento para obtenerlo.

Cd. Lázaro Cárdenas. Michoacán Página 11


Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

La probabilidad clasica de un evento E, que denotaremos por P(E), se define como el numero de
eventos elementales que componen el evento B, entre el numero de eventos elementales que
componen el espacio muestral.

P(E) = Numero de eventos elementales del evento E / Numero de eventos elementales del espacio
muestral.

Es la definición mas utilizada porque supone de antemano, y se necesita como requisito


indispensable, que todos los eventos elementales tienen la misma probabilidad de ocurrir.
1.10.

B
A B A

A A
B

B
B
A
Intersección de A B
Complemento de A Unión de Dos Conjuntos A U B

A
U

Diagrama del complementario de un conjunto

Diagrama de la diferencia de conjuntos


A La diferencia de B – A es la parte de B que no esta
En A.
B

Cd. Lázaro Cárdenas. Michoacán Página 12


Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

A
B

Diagrama de la inclusión de conjuntos


En el diagrama se puede observar como el conjunto B esta contenido( o incluido) en el conjunto A.
Obteener la probabilidad de la unión e intersección de eventos
Ejemplo: En una salón de clases hay 15 alumnos, 7 de los cuales son de tercer semestre, 5 son de
cuarto semestre, y 3 son de quinto semestre de la carrera de ingeniería química , del os cuales 4, 2 y
1, respectivamente dominan el in|gles, si se selecciona un alumno al azar de este grupo a cual es la
probabilidad de que el alumno seleccionado sea de quinto semestre? b: Cual es la probabilidad de q
sea de cuarto o tercer cuatrimestre? C: Cual es la probabilidad de que sea de tercer semestre y
domine el ingles? D:Cual es la probabilidad de que el alumno no domine el ingles?
E: Diga si los eventos T y Q, son mutuamente excluyentes, diga si los eventos Q e I, son
mutuamente excluyentes?
Solucion:
Empezamos por definir algunos eventos.
T= Ecvento de que un alumno sea de tercer semseztre
Cu= Evento de que un alumno sea de cuarto semestre?
Q= evento de que un alumno sea de quinto semestre
I= Evento de que un Alumno domine el Ingles

a) P(alumno seleccionado sea de quinto semestre)=P(Q)=3/15=0.2


b) P(alumno seleccionado sea de tercero o cuarto semestre)= P(T u Cu) – p(T) + p(cu) – 7/15 + 5/15 –
12/15 = 0.8
c) P(alumno sea de tercer semestre y domine el ingles ) = P(T intersección I) = 4/15 = 0.2667
d) P(alumno seleccionado no domine el ingles ) = P(I) – 8/15 = 0.533
e) Los eventos T y Q son mutuamente excluyentes dado que T intersección Q = o/
Los eventos Q e I no son eventos mutuamente excluyentes ya que Q intersección I = {I}
Ya que hay un alumno que cumple con ambos eventos, es de quinto semestre y domina el ingles.

Cd. Lázaro Cárdenas. Michoacán Página 13


Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

Conjuntos y Técnicas de conteo

Deterministico Son aquellos fenómenos cuyo


comportamiento lo podemos
conocer o predecir de antemano
Experimento (son los que menos ocurren en la
naturaleza)

No se puede predecir con exactitud,


Aleatorio solo de manera aproximada o
probable. Son aquellos experimentos
que se realizan en condiciones
iguales y con resultados diferentes.

Espacio Muestral:

Son todos los resultados posibles que pueden ocurrir en un experimento o fenómeno aleatorio.
Ejemplo de fenom enos aleatorios.
1. Lanzamiento de un dado
2. Lanzamiento de una moneda
3. Resultado de un encuentro Deportivo
4. Numero de días de lluvia en una temporada
5. Alumbramiento

Tipo de espacios muestrales


Son aquellos que tienen numero especifico de posibles resultados
Conjunto:
Se puede indicar con letras mayúsculas.
Los elementos de un conjunto se puede indicar con números.
Los conjuntos se puede describir de dos maneras ;
a) Por extensión
Consiste en describir la totalidad de los elementos que pertenecen a un conjunto

Cd. Lázaro Cárdenas. Michoacán Página 14


Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

b) Por comprensión
Consiste en describir un conjunto mediante una regla, utilizando los simbolos apropiados.

A ={ a,e,i,o,u}
A={xIx es vocal)
A={xIx pertenece a una Vocal}
Ejemplo:

A={ Conjunto de los continentes de la tierra} Extension


A={ Asia, America, Europa, Africa, Oceania} Compresion

A={x I x es un continen te } A es un conjunto q contiene a x, tal ke x, es un continente

Cd. Lázaro Cárdenas. Michoacán Página 15


Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

Teorema de Valles

En teria de las probabilidades, Teorema de Bayes, (llamado a menudo Ley de bayes) relaciona
probabilidades condicionales y marginales de dos acontecimientos al azar. Es de uso frecuente
computar probabilidades posteriores observaciones dadas, por ejemplo, un paciente puede ser
observado para tener ciertos síntomas. El teorema de bayes se puede utilizar para computar la
probabilidad que una diagnosis propuesta esta correcta, dado esa observación como formal teorema,
el teorema de Bayes es valido en todo común interpretación de la probabilidad. Sin embargo,
desempeña un papel central en la discusión alrededor de fundaciones de la estadística: Frequentist y
Bayesian las interpretaciones discrepan sobre las maneras de las cuales las probabilidades se deben
asignar en usos. Frequentist asigna probabilidades a os acontecimientos al azar según sus frecuencias
de la ocurrencia o a los subconjuntos de poblaciones como proporciones del conjunto, mientras que
Bayesians describe probabilidades en términos de creencia y grados de incertidumbre. Los articuos
encendido Probabilidad Bayesian y probabilidad del Frequentist discutua estos discusiones con mas
detalle.

Cd. Lázaro Cárdenas. Michoacán Página 16


Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

1.18 Diagrama de árbol y pricipio multiplicativo


Para la construcción de un diagrama en árbol se partira poniendo una rama para cada una de las
posibilidades, acompañada de su probabilidad.
En el final de cada rama parcial se constituye a su ves, un nudo del cual parten nuevas ramas, según
las posibilidades del siguiente paso, salvo si el nudo representa un posible final del
experimento(nudo final).
Hay que tener en cuenta que la suma de probabilidades de las ramas de cada nudo ha de dar.
Un instrumento útil dentro de la probabilidad, condicional son las representacions que nos permiten
analizar la problemática de los eventos cuando estos ocurren no después del otro.
Concretamente estamos hablando de los diagramas de árbol. Este esta constituido de varias ramas,
cada rama parte de un nodo que representa un evento aleatorio diferente. En el esquema que se
presenta a continuacon se observa que la rama principal esta constituida de evento con diferentes
posibilades como son: A1,A2,A3……La siguiente rama consta de eventos distintos por ejemplo B1,
B2, B3…..que se realizan despes de ocurrir A1, asi de manera sucesiva pueden ocurrir eventos
después de cualquiera de ellos. Otro ejemplo es el que se muestra, ocurren después del evento An
ocurriendo los eventos C1,C2,C3…Cn…Tambien observamos que cada evento forma un universo
para cada evento, por lo que cada rama, de acuerdo con el axioma de normalizabilidad, tendrá que
ser igual.

Ejemplo:
En un proceso productivo se toman 3 articulos de los cuales se clasifican como defectuoso y no
defectuoso determinece el espacio muestral de dicho evento

Cd. Lázaro Cárdenas. Michoacán Página 17


Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

1.19
Permutaciones
Aplicar las técnicas de conteo atraves de permutaciones y combinaciones.

Permutaciones
Son un arreglo de todos o de una parte (subconjunto) de un grupo de elementos, en donde la principal
característica es el orden.
Ejemplo: Obtener las permutaciones de tres elementos(A,B,C) tomando todo a la ves

1.19 Aplicar técnicas de conteo a través de permutaciones.

Combinaciones

Es un arreglo de elementos en donde no nos interesa el lugar o posición que ocupan los mismos
dentro del arreglo. En una combinación, nos interesa formar grupos y el contenido de los mismos.
Formula:
NCr= N fact / N fact (n-r)fact

Ejemplo:
a) Si se cuenta con 14 alumnos que desean colaborar con una compañia Pro Limpieza del tec,
cuantos grupos de limpieza podran formarse si se desea que consten de 5 alumnos cada uno de
ellos, y si entre los 14 hay 8 mujeres Cuantos de los grupos tendran a 3 mujeres? ¿Cuántos de los
grupos contaran con 4 hombres x lo menos?

Solucion:
n= 14
r=5

14C5= 14 fact / 14 fact (9)fact


14c5= 87178291200/ 87178291200 (362880)
14C5 = 87178291200/31635258310656000
= 2002 grupos

b) Entre los 2002 grupos hay grupos ke contienen solo hombres, y grupos de solo mujeres y grupos
mixtos,
N – 14(8 Hombres y 6 muijeres) r=5
En este caso nos interesan aqwuerllos grupos k contengan 3 mujeres y 2 hombres

3C2 2C2=
= 840 grupos con 3 mujeres y 2 hombres

Cd. Lázaro Cárdenas. Michoacán Página 18


Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

La expresión anterior nos explica como las combinaciones de r objetos tomados de entre a objetos
pueden ser obtenidas a partir de las permutaciones de r objetos tomados de entre a objetos. Esto se
debe a que como en las combinacones no nos importa el orden de los objetos, entonces si tenemos
las permutaciones de esos objetos, al dividirlas entre R fact, les estamos quitando el orden y por
tanto transformándolas en combinaciones, de otra forma, también si deseamos calcular
permutaciones y tenemos las combinaciones simplemente con multiplicar estas por el R fact
obtendremos las poermutaciones requeridas.

Npr= N fact /N – R fact


Ejemplo
Elegir el orden de 3 bolas de 16 series
16pr3= 16 fact/ 16 – 3fact
= 3360

Cd. Lázaro Cárdenas. Michoacán Página 19


Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

Variables aleatorias
Definir la variable aleatoria discreta y continua
Variables aleatorias
Si elegimos Un experimento estadístico es cualquier proceso que proporciona datos, para su
utilización en estadística estos datos tienen que despojarse de detalles accesorios para convertirse en
descripciones nu mericas del resultado, la utilización de clasificaciones cualitativas, restinge a la
mera descreipcion las posibilades de manejo estadístico.

Estas descripciones numéricas son observaciones aleatorias. A las observaciones aleatorias se les
considera como la expresión en cada caso concreo de una variable aleatoria que toma valores en los
resultados del experimento.
Asi pues, una variable aleatoria es una función cuyos valores son números reales determinados por
los elementos del espacio muestral. Es decir, na variable aleatoria es una variable matematica cuyos
valores posibles son las descripciones numéricas de todos los resultados posibles de un experimento
estadístico.
A los valores posibles de la variable se les asigna una probabilidad que es la frecuencia del resultado
al que corresponden.

Cd. Lázaro Cárdenas. Michoacán Página 20


Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

2.1 Variables continuas y discretas


Variables aleatorias

Si elejimos, un experimento estadístico es cualquier proceso que proporciona datos. Para su


utilización en estadística, estos datos tienen que despojarse de detalles accesorios para convertirse en
descripciones numéricas del resultado; la utilización de clasificaciones cualitativas, restringe a la
mera descripción las posibilidades de manejo estadístico.

Estas descripciones numéricas son observaciones aleatorias. A las observaciones aleatorias se les
considera como la expresión en cada caso concreto de una variable aleatoria que toma valores en
los resultados del experimento.

Así pues, una variable aleatoria es una función cuyos valores son números reales determinados por
los elementos del espacio muestral, es decir, una variable aleatoria es una variable matemática cuyos
valores posibles son las descripciones numéricas de todos los resultados posibles de un experimento
estadístico.

A los valores posibles de la variable aleatoria se les asigna una probabilidad que es la frecuencia del
resultado al que corresponden.

2.2 Variables cualitativas y cuantitativas

Se pueden distinguir distintos tipos de variables aleatorias según dos criterios de clasificación:

1. Variables cuantitativas que son las que resultan de experimentos cuyos resultados son
directamente numéricos.

2. Variables cualitativas que son las que proceden de experimentos cuyos resultados
expresan una cualidad no numérica que necesita ser cuantificada.

Otra clasificación más operativa de las variables aleatorias sería:

Cd. Lázaro Cárdenas. Michoacán Página 21


Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

Variable discreta: Aquella que se define sobre un espacio muestral numerable, finito o infinito.
Espacio numerable es aquel cuyos elementos se pueden ordenar, asignándoles a cada uno un número
de la serie de los números naturales (del 1 al n ó del 1 al I). Todas las variables con un número finito
de valores y todas las que tomen valores en números enteros o racionales (fraccionarios), son
variables discretas.

Variable continua: Es aquella que se define sobre un espacio asimilable al conjunto de los
números reales, es decir, un espacio no numerable. En general, la regla de oro es que todas las
variables que proceden de experimentos en los que se cuenta son discretas y todas las variables que
proceden de experimentos en los que se mide son continuas.

Variables aleatorias discretas

Función de probabilidad

Una variable aleatoria discreta toma cada uno de sus valores con una determinada probabilidad.
La relación entre valores y probabilidades en una variable X se puede expresar de forma tabular de la
siguiente manera:

Valores de X x1 x2 ... xi
P(X = x) P(x1) P(x2) P(xi)

Variables aleatorias continuas


Función de densidad

Una variable aleatoria continua tiene la característica de tomar cada uno de sus valores con
probabilidad infinitesimal, a efectos prácticos, 0. Por tanto, no se pueden expresar en forma tabular.
Sin embargo, aunque no se pueden considerar probabilidades de valores concretos, puede calcularse

Cd. Lázaro Cárdenas. Michoacán Página 22


Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

la probabilidad de que la variable tome valores en determinados intervalos (los intervalos en cuestión
pueden ser abiertos o cerrados, sin que se modifique la probabilidad total).

P(a ≤ X ≤ b) = P(X = a) + P(a < X < b) + P(X = b) = P(a < X < b)

Población vs. Muestra

Población es la totalidad de los elementos del grupo particular que se estudia. Como por ejemplo,
una empresa que está llevando a cabo un estudio a todos los 350 empleados de la empresa. Esto es
población ya que se estudiará cada elemento de la población; en este caso la población es todos los
empleados de la empresa, sus 350 empleados. Muestra es una parte de la población seleccionada de
forma que puedan hacerse inferencias de ella con respecto a la población completa. Por ejemplo, la
empresa del ejemplo anterior escogerá 100 empleados de los 350 para hacerles un estudio. Esto es
una muestra ya que el total de empleados es 350, se escogió a 100 para hacerse inferencia del resto.

Medidas de Tendencia Central

Las medidas de tendencia central son la media, la mediana y la moda.

La media es la suma de los valores de los elementos dividida por la cantidad de éstos. Es conocida
también como promedio, o media aritmética.

Fórmula de la media:

Media Poblacional = µ = X
N
= sumatoria
µ = media
N = número de elementos
X = valores o datos

Esta fórmula se lee:

Cd. Lázaro Cárdenas. Michoacán Página 23


Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

“mu es igual a la sumatoria de x dividido entre N”

_
Media Muestral: x = x
n

Ejemplo: Calcule la media de los siguientes números:

10, 11, 12, 12, 13

1. Sumar las cantidades < 10 + 11 + 12 + 12 + 13 = 58>


2. Dividir la suma por la cantidad de elementos < 58/5>
3. El resultado es la media <11.6>

Por lo tanto, la media de los 5 números es 11.6. Note que la media resulta un número que
está entre el rango de elementos; en este caso, 11.6 está entre 10,11,12 y 13.

La mediana es el valor del elemento intermedio cuando todos los elementos se ordenan.

Fórmula de la mediana:

Mediana = X [n/2 +1/2] La parte de [n/2 + 1/2] representa la posición.

Donde X es la posición de los números y n es el número de elementos.

Ejemplo: Buscar la mediana de los siguientes números:

2 4 1 3 5 6 3

Primero, hay que ordenarlos:

1 2 3 3 4 5 6
X 1 X2 X3 X4 X 5 X6 X7

(Las posiciones de los números)

Cd. Lázaro Cárdenas. Michoacán Página 24


Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

Mediana = X[7/2 + ½]

X[3.5 + .5] < Se cambió el ½ a .5>

X4 < La mediana está en la posición 4>

Por lo tanto, la mediana es 3.

Ejemplo: Buscar la mediana del ejemplo anterior de la media.

Números del ejemplo anterior: 10, 12, 13, 12,11

1. Hay que ordenarlos, en este caso de forma ascendente; aunque también puede ser
descendente.

10, 11, 12, 12, 13

2. Buscar el elemento intermedio.

10, 11, 12, 12, 13

El elemento del medio es 12.

Por lo tanto, la mediana es 12.

Nota: Si el número de elementos es impar, la mediana es el número del elemento


intermedio. Si el número de elementos es par, se hace el cómputo mostrado en el ejemplo
siguiente:

Buscar la mediana de:

15, 13, 11, 14, 16, 10, 12, 18

Como el número de elementos es par, hay que utilizar los dos números intermedios.

Cd. Lázaro Cárdenas. Michoacán Página 25


Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

10, 11, 12, 13, 14, 15, 16, 18 (ordenados)

13 y 14

Ahora, para buscar la mediana:

1. Sumar ambos números. <13 + 14 = 27>


2. Dividirlo entre 2. < 27/2 = 13.5>
3. El resultado es la mediana. < 13.5>

La moda es el valor que se presenta el mayor número de veces.

Ejemplo 1: Buscar la moda de:

5 12 9 5 8 7 1

Como la moda es el número que más se repite, la moda es 5.

Ejemplo 2: Buscar la moda de:

14 16 18 16 15 12 14 14 16 18 20 16 16

El 14 se repite 3 veces.
El 18 se repite 2 veces.
El 16 se repite 5 veces.

Por lo tanto, la moda es 16.

Ejemplo 3: Buscar la moda de:

23 35 45 33 47 31 29 22

Como ningún número se repite, no tiene moda.

2.2 Variables cuanlitativas y cuantitativas


Se pueen distinguir distintos tipos de variables aleatorias según dos criterios de clasificación:
Cd. Lázaro Cárdenas. Michoacán Página 26
Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

1) Variables cuantitativas que son las que resultan de experimentos cuyos resultados son directamente
numéricos.
2) Variables cualitativas que son los que proceden de experimentos cuyos resultados expresan una
cualidad no numérica que necesita ser cuantificada.

Una clasificación mas operativa de las variables aleatorias seria:


Variable Discreta:
Aquella que se define sobre un espacio muestral numerable. Finito o infinito. Espacio numerable es
aquel cuyos elementos se pueden ordenar. Asignadoles a cada uno un numero de la serie de los
números naturales del 1 al n o del 1 al infinito).
Lasw variables con un numero finito de valores y tolas las que tomen valores en números enteros, o
racionales, (fraccionarios) son variables discretas.
Variable continua:
Es aquella que se define sobre un espacio asimilable al conjunto de los números reales, es decir un
espacio no numerable en general. La regla de oro es que todsA Las variables que
proceden de experimentos en los que se cuenta con discretas y todas las vatiables que proceden de
experimentos en los que no se mide son continuas.

2.3 Variables aleatorias discretas


Funcion de probabilidad
Una variable aleatoria discreta toma cada uno de sus valores con una determinada probabilidad.
La relación entre valores y probabilidades en una variable X se puede expresar de forma tabular de la
siguiente manera:

Valores de X X1 X2…….. X5
P(X=x) P(x1) P(x2)…………. P(x5)

Cd. Lázaro Cárdenas. Michoacán Página 27


Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

Variable Aleatoria

Si en un experimento aleatorio a cada suceso aleatorio elemental le asignamos un valor numérico obtenemos una
variable aleatoria, que puede ser discreta o continua. Cuando el conjunto numérico es el de los números enteros la
variable aleatoria es discreta. Si el conjunto numérico es el de los números reales la variable aleatoria es continua.

2.7 Variable Aleatoria Discreta

Si x es una variable aleatoria continua, sólo puede tomar ciertos valores en un intervalo.

V. A. Discreta: Función de Probabilidad

Si x1, x2, x3,..............xn son los valores de x y p1, p2, p3,...........pn las probabilidades de los sucesos correspondientes a los
valores de x se llama función de probabilidad o distribución de probabilidades de la variable x al conjunto de los
pares (xi, pi)

(x1, p1), (x2, p2), (x3, p3), .......... (xn, nn)

formados por los valores de x y sus probabilidades correspondientes.

Si el conjunto de valores de x tiene n elementos: p = 1


i

Y si es infinito numerable:

La función de probabilidad P(x) de la variable aleatoria x es la función que asigna a cada valor xi de la variable su
correspondiente probabilidad pi

Ejemplo. Lanzamos al aire una moneda repetidamente, veamos la probabilidad de obtener cara la primera vez, la
segunda, etc. y su distribución de probabilidades

Cd. Lázaro Cárdenas. Michoacán Página 28


Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

xi 1 2 3 ... n
pi 1/2 1/4 1/8 .... 1/2n
Lanzamiento y probabilidad

Distribución de probabilidad

2.8 V. A. Discreta: Función de Distribución

En muchas ocasiones no nos interesa tanto conocer la probabilidad de que la variable aleatoria x tome exactamente un
determinado valor xi, sino conocer la probabilidad de que tome valores menores o iguales que un cierto valor xi. En tales
casos es necesario acumular los distintos valores de la función de probabilidad hasta el valor deseado. Se trata de una
nueva aplicación llamada función de distribución

Sea x una variable aleatoria. La probabilidad de que x sea menor o igual que un valor t , se escribe P (x ≤ t) y esta
probabilidad será función de t. Si a esta función la designamos por F(t):

F(t) = P (x ≤ t)

Esta función se llama función de distribución.

Si xi es creciente con i y suponemos que t está comprendido entre dos de estos valores valores:

xh-1 < t ≤ xh

la condición: x ≤ t  x = x1 ó x = x2 ................x = xh

P (x ≤ t) = P (x1) + P (x2) + .......... + P (xh)

Cd. Lázaro Cárdenas. Michoacán Página 29


Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

Luego la función de distribución F(t) es la suma de las probabilidades de todos los sucesos x = xi tales que xi ≤ t

Ejemplo. En el ejemplo anterior del lanzamiento de una moneda, la función F(t) toma los siguientes valores:

Para 0<t≤1 F(t) = 1/2


Para 1<t≤2 F(t) = 1/2 + !/4 = 3/4 = 1 - 1/22
Para 2<t≤3 F(t) = 1/2 + !/4 + 1/8 = 7/8 = 1 - 1/23
Para n-1 < t ≤ n F(t) = 1 - 1/2n

Vemos que F(t) es una función escalonada, creciente y si t 

Lo que hemos visto se puede generalizar al caso en que la función de distribución es una función continua.

2.9 definir la función de densidad de una variable aleatoria continua

Variable Aleatoria Continua


Si x es una variable aleatoria continua, puede tomar cualquier valor en un intervalo.

V. A. Continua: Función de Probabilidad

Si la variable aleatoria es continua hay infinitos valores posibles de la variable y entre cada dos de ellos se podrían
definir infinitos valores más. En estas condiciones no es posible deducir la probabilidad de un valor puntual de la
variable, como se puede hacer en el caso de variables aleatorias discretas. Pero sí es posible calcular la probabilidad
acumulada hasta un cierto valor (función de distribución), y podremos analizar como cambia la probabilidad acumulada
en cada punto (estos cambios no son probabilidades sino otro concepto denominado densidad de probabilidad).

Ejemplo. Sea x la v.a. que describe la duración de las lámparas de una determinada marca y modelo. Los valores de una
variable estadística continua siempre se consideran agrupados en intervalos de clase, luego no tiene sentido plantearse la

Cd. Lázaro Cárdenas. Michoacán Página 30


Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

probabilidad de resultados "aislados" (como, por ejemplo, la probabilidad de que una lámpara dure, exactamente, 265 h).
En todo caso, esas probabilidades deben valer cero. Pero sí podemos preguntarnos, por ejemplo, ¿cuál es la probabilidad
de que una lámpara dure menos de 265 horas? o ¿cuál es la probabilidad de que una lámpara dure entre 300 y 340 horas?

V. A. Continua: Función de Distribución

Para conocer la probabilidad de que la variable aleatoria x tome valores menores o iguales que un cierto valor xi es
necesario acumular los distintos valores de la función de probabilidad hasta el valor deseado. Se trata de una nueva
aplicación llamada función de distribución

La probabilidad de que x sea menor o igual que un valor t , se escribe P (x ≤ t) y esta probabilidad será función de t. Si a
esta función la designamos por F(t):

F(t) = P (x ≤ t)

Esta función se llama función de distribución.

Ejemplo. Sea un disco graduado entre dos valores a y b, a<b, que se hace girar en presencia de una pestaña que
permanece inmóvil. Veamos la probabilidad de que al parar el disco la pestaña marque un valor entre a y un valor t, y
también la función de distribución correspondiente:

Cd. Lázaro Cárdenas. Michoacán Página 31


Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

V. A. Continua: Función de Densidad

Sea la función de distribución F(t) = P (x ≤ t) y supongamos dos números reales a y b, a<b, entonces:

F(a) = P (x ≤ a) y F(b) = P (x ≤ b)

F(b) - F(a) = P (x ≤ b) - P (x ≤ a) = P(a<x≤b)

Se llama densidad media de probabilidad en el intervalo [a, b] a:

En el ejemplo anterior del círculo que gira, la función de densidad es

Cd. Lázaro Cárdenas. Michoacán Página 32


Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

Cd. Lázaro Cárdenas. Michoacán Página 33


Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

Cd. Lázaro Cárdenas. Michoacán Página 34


Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

2.4 & 2.5Ejemplo


Un embarque de 8 computadoras similares que se envían a un distribuidor que contiene tres aparatos
defectuosos si en una escuela realizan una compra aleatoriamente de dos de estas computadoras,
encuentre la distribución de probabilidad para el numero de computadoras defectuosas.
Nota.
Sea X una variable aleatoria cuyos valores de X son los posibles números de computadoras
defectuosas compradas por la escuela. Entonces X puede ser cualquiera de los números

F(x)=(x=0,1,2,3,….n)
X=Una variable aleatoria
X=0,1,2
F(0)= P(x=0)= (3/0) (5/2) // (8/2) = (1)x(10) / 28= 0.35 = 35% probabilidad de que salgan cero
defectuosas.

X 0 1 2
Probabilidad 10/28 15/28 6/28

Cd. Lázaro Cárdenas. Michoacán Página 35


Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

Calcular el valor esperado del experimento, que consiste en arrojar un dado:


a) Considerese a X al numero que cae hacia arriba
b) Grafique la distribución de X

X 0 1 2 3 4 5 6
P(x) 1/6 1/6 1/6 1/6 1/6 1/6 1/6

E(x)= 0(1/6)+1(1/6)+2(1/6)+3(1/6)+4(1/6)+5(1/6)+6(1/6)
=0 + 2/6 + 3/6 + 4/6 + 5/6 + 6/6=
=21/6 = 7/2= 3.5 (Media de probabilidad)
E(x”2)=

Cd. Lázaro Cárdenas. Michoacán Página 36


Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

3Distribuciones discretas
3.1Función de probabilidad
Se llama f u n c i ó n d e p r o b a b i l i d a d d e u n a v a r i a b l e a l e a t o r i a d i s c r e t a X a l a a p l i c a c i ó n q u e
asocia a cada valor de xi de la variable su probabilidad pi.
0 ≤ pi ≤ 1
p1 + p2 + p3 + · · · + pn = Σ pi = 1
Ejemplo
Calcular la d i s t r i b u c i ó n d e p r o b a b i l i d a d de las puntuaciones obtenidas al lanzar un dado.
Representación
x pi

La representación de una d i s t r i b u c i ó n d i s c r e t a d e p r o b a b i l i d a d e s u n d i a g r a ma d e b a r r a s .

Cd. Lázaro Cárdenas. Michoacán Página 37


Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

Función de dist rib ución

Sea X una variable aleatoria discreta cuyos valores supone mo s ordenados de menor a

ma yor. Lla mare mo s función de distribución de la variable X , y escribiremos F( x) a la

función

F(x) = p(X ≤ x)

La función de distribución asocia a cada valor de la variable aleatoria la

probabilidad acumula da hasta ese valor.

EjemploCalcular la función de distribución de probabilidad de las puntuaciones

obtenidas al lanzar un dado.

X p i

x <1 0

1≤ x < 2

2≤ x < 3

3≤ x < 4

4≤ x < 5

5≤ x < 6

6≤ x 1

Cd. Lázaro Cárdenas. Michoacán Página 38


Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

Representación
La representación de una f u n c i ó n d e d i s t r i b u c i ó n d e p r o b a b i l i d a d es una gráfica escalonada.

Parám etros de una distribuc ión de pr obabilida d

I . M e d i a o e s pe r a n za m a t em á t i c a

La media de una distribución de probabilidad se denota por la letra

griega µ (mu).

A la me dia ta mbié n se le suele lla mar valor esperado o esperanza

mate mática y se puede denotar como E( x).

Cd. Lázaro Cárdenas. Michoacán Página 39


Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

Estos no mbre s tiene n su orige n en los jue gos de azar y hacen re ferencia

a la gana ncia pro medio esperada por un jugad or cuando hace un gra n número

de apuestas.

S i l a e s p e r a n z a ma t e m á t i c a e s c e r o , E ( x ) = 0 , e l j u e g o e s e q u i t a t i v o ,

es decir, no existe ventaja ni para el jugador ni para la banca.

I I . V a r i a n za

La varianza y desviación típica de una distribución de probabilidad se

denotan por la letra griega σ (sig ma) : σ2 y σ.

I I I . D e s v i ac i ó n t í pi c a

Cd. Lázaro Cárdenas. Michoacán Página 40


Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

Ejemplo

Calcular la esperanza matemática, la varianza, y la desviación típica ,

de la distribución de pr obabilidad de las puntuaciones obtenidas al lanzar un

dado.

2
x p i x· p i x ·pi

6 1 6

Cd. Lázaro Cárdenas. Michoacán Página 41


Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

3.2Función de Probabilidad de la Binomial


Función de probabilidad de la distribución Binomial o también denominada función de la
distribución de Bernoulli (para n=1). Verificándose: 0  p  1

Sea X una variable aleatoria discreta correspondiente a una distribución binomial.

Ejemplo 1

Una
máquina
fabrica una
determinada
pieza y se
sabe que produce un 7 por 1000 de piezas defectuosas. Hallar la probabilidad de que al examinar 50
piezas sólo haya una defectuosa.

Solución:

Se trata de una distribución binomial de parámetros B(50, 0'007) y debemos calcular la


probabilidad p(X=1).

Ejemplo 2

La probabilidad de éxito de una determinada vacuna es 0,72. Calcula la probabilidad de a que una
vez administrada a 15 pacientes:
a) Ninguno sufra la enfermedad

Cd. Lázaro Cárdenas. Michoacán Página 42


Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

b) Todos sufran la enfermedad


c) Dos de ellos contraigan la enfermedad

Solución:

Se trata de una distribución binomial de parámetros B(15, 0'72)

3.3 Distribución binomial negativa es una distribución de probabilidad discreta que incluye a la
distribución de Pascal

El número de experimentos de Bernoulli de parámetro θ independientes realizados hasta la


consecución del k-esimo éxito es una variable aleatoria que tiene una distribución binomial
negativa con parámetros k y θ.
La distribución geométrica es el caso concreto de la binomial negativa cuando k = 1.

Para enteros x mayores o iguales que k, donde

Su media es

Cd. Lázaro Cárdenas. Michoacán Página 43


Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

Si se piensa en el número de fracasos únicamente y

Si se cuentan también los k-1 éxitos.

Su varianza es

Si la probabilidad de que un niño expuesto a una enfermedad contagiosa la contraiga es 0,40, ¿cuál
es la probabilidad de que el décimo niño expuesto a la enfermedad sea el tercero en contraerla? En
este caso, X es el número de niños expuestos la enfermedad y

La solución es:

En teoría
de la
probabili
dad la distribución hipergeometrica es una distribución discreta relacionada con muestreos
aleatorios y sin reemplazo. Supóngase que se tiene una población de N elementos de los cuales, d
pertenecen a la categoría A y N-d a la B. La distribución hipergeométrica mide la probabilidad de
obtener x ( ) elementos de la categoría A en una muestra de n elementos de la población
original

La función de probabilidad de una variable aleatoria con distribución hipergeométrica puede


deducirse a través de razonamientos combinatorio y es igual a

Cd. Lázaro Cárdenas. Michoacán Página 44


Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

3.4DISTRIBUCIÓN HIPERGEOMÉTRICA.

Los experimentos que tienen este tipo de distribución tienen las siguientes características:
a) a) Al realizar un experimento con este tipo de distribución, se esperan dos tipos
de resultados.
b) b) Las probabilidades asociadas a cada uno de los resultados no son constantes.
c) c) Cada ensayo o repetición del experimento no es independiente de los demás.
d) d) El número de repeticiones del experimento (n) es constante.

Ejemplo:
En una urna o recipiente hay un total de N objetos, entre los cuales hay una
cantidad a de objetos que son defectuosos, si se seleccionan de esta urna n objetos al
azar, y sin reemplazo, ¿cuál es la probabilidad de obtener x objetos defectuosos?
Solución:
Luego;
a C x* N a Cn x
p( x ,n )
N Cn

Donde:
p(x,n) = probabilidad de obtener x objetos defectuosos de entre n seleccionados

a C x * N a Cn x muestras de n objetos en donde hay x que son defectuosos y n-x


buenos
Ejemplos:
1. Para evitar que lo descubran en la aduana, un viajero ha colocado 6 tabletas de
narcótico en una botella que contiene 9 píldoras de vitamina que son similares en
apariencia. Si el oficial de la aduana selecciona 3 tabletas aleatoriamente para
analizarlas, a) ¿Cuál es la probabilidad de que el viajero sea arrestado por posesión de
narcóticos?, b) ¿Cuál es la probabilidad de que no sea arrestado por posesión de
narcóticos?.

Solución:
a) N = 9+6 =15 total de tabletas
a = 6 tabletas de narcótico
n = 3 tabletas seleccionadas

Cd. Lázaro Cárdenas. Michoacán Página 45


Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

x = 0, 1, 2, o 3 tabletas de narcótico = variable que nos indica el número de tabletas de


narcótico que se puede encontrar al seleccionar las 3 tabletas

p(viajero sea arrestado por posesión de narcóticos) = p(de que entre las 3 tabletas
seleccionadas haya 1 o más tabletas de narcótico)

6 C1* 9 C2 6 C2* 9 C1 6 C3* 9 C0


p( x 1,2ó3tabletas; n 3)
15 C3 15 C3 15 C3

( 6 )( 36 ) ( 15 )( 9 ) ( 20 )( 1 ) 216 135 20 371


0.81538
455 455 455 455 455

3.5 En teoría de probabilidad

la distribución de possion es una distribución de probabilidad discreta así tiempo fijo si estos
eventos ocurren con una frecuencia media conocida y son independientes del tiempo discurrido
desde el último evento.

Experimento de Bernoulli, entonces:

Donde lambda es igual a n * P (tamaño de muestra multiplicado por la probabilidad de éxito)

n = Tamaño de muestra

x = Cantidad de éxitos

P = Probabilidad de éxito

e = base de logaritmos = 2.718281828

Si ya se conoce que solo el 3% de los alumnos de Contabilidad son muy inteligentes λ ¿calcular la
probabilidad de que si tomamos 100 alumnos al azar 5 de ellos sean muy inteligentes.

n = 100

Cd. Lázaro Cárdenas. Michoacán Página 46


Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

P = 0.03

lambda (λ ) = 100 * 0.03 = 3

x=5

e = 2.718281828

Ejemplos
Si el 2% de los libros encuadernados en cierto taller tiene encuadernación dfectuosa, para obtener la
probabilidad de que 5 de 400 libros encuadernados en este taller tengan encuadernaciones
defectuosas usamos la distribución de Poisson. En este caso concreto, k es 5 y , λ, el valor esperado
de libros defectuosos es el 2% de 400, es decir, 8. Por lo tanto, la probabilidad buscada es

Cd. Lázaro Cárdenas. Michoacán Página 47


Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

4.- Distribuciones continuas

DISTRIBUCIONES DE PROBABILIDAD DE UNA VARIABLE CONTINUA

La distribución uniforme es aquella que puede tomar cualquier valor dentro de un intervalo,
todos ellos con la misma probabilidad.

Es una distribución continua porque puede tomar cualquier valor y no únicamente un


número determinado (como ocurre en las distribuciones discretas).

Ejemplo: el precio medio del litro de gasolina durante el próximo año se estima que puede
oscilar entre 140 y 160 ptas. Podría ser, por tanto, de 143 ptas., o de 143,4 ptas., o de 143,45
ptas., o de 143,455 ptas, etc. Hay infinitas posibilidades, todas ellas con la misma
probabilidad.

Su función de densidad, aquella que nos permite conocer la probabilidad que tiene cada
punto del intervalo, viene definida por:

Donde:

b: es el extremo superior (en el ejemplo, 160 ptas.)

a: es el extremo inferior (en el ejemplo, 140 ptas.)

Por lo tanto, la función de distribución del ejemplo sería:

Es decir, que el valor final esté entre 140 ptas. y 141 ptas. tiene un 5% de probabilidad, que
esté entre 141 y 142, otro 5%, etc.

El valor medio de esta distribución se calcula:

Cd. Lázaro Cárdenas. Michoacán Página 48


Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

En el ejemplo:

Por lo tanto, el precio medio esperado de la gasolina para el próximo año es de 150 ptas.

Veamos otro ejemplo:

El volumen de precipitaciones estimado para el próximo año en la ciudad de Sevilla va a


oscilar entre 400 y 500 litros por metro cuadrado. Calcular la función de distribución y la
precipitación media esperada:

Es decir, que el volumen de precipitaciones esté entre 400 y 401 litros tiene un 1% de
probabilidades; que esté entre 401 y 402 litros, otro 1%, etc.

El valor medio esperado es:

Es decir, la precipitación media estimada en Sevilla para el próximo año es de 450 litros.

Cd. Lázaro Cárdenas. Michoacán Página 49


Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

5. Distribuciones continuas: Normal

Es el modelo de distribución más utilizado en la práctica, ya que multitud de fenómenos se


comportan según una distribución normal.

Esta distribución se caracteriza porque los valores se distribuyen formando una campana de
Gauss, en torno a un valor central que coincide con el valor medio de la distribución:

Un 50% de los valores están a la dercha de este valor central y otro 50% a la izquierda

Esta distribución viene definida por dos parámetros:

X: N (
 2)

es
 el valor medio de la distribución y es precisamente donde se sitúa el centro de la curva
(de la campana de Gauss).

2: es la varianza. Indica si los valores están más o menos alejados del valor central: si la
varianza es baja los valores están próximos a la media; si es alta, entonces los valores están
muy dispersos.

Cuando la media de la distribución es 0 y la varianza es 1se denomina "normal tipificada",


y su ventaja reside en que hay tablas donde se recoge la probabilidad acumulada para cada
punto de la curva de esta distribución.

Además, toda distribución normal se puede transformar en una normal tipificada:

Ejemplo: una variable aleatoria sigue el modelo de una distribución normal con media 10 y
varianza 4. Transformarla en una normal tipificada.

X: N (10, 4)

Cd. Lázaro Cárdenas. Michoacán Página 50


Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

Para transformarla en una normal tipificada se crea una nueva variable (Y) que será igual a
la anterior (X) menos su media y dividida por su desviación típica (que es la raíz
cuadrada de la varianza)

En el ejemplo, la nueva variable sería:

Esta nueva variable se distribuye como una normal tipificada, permitiéndonos, por tanto,
conocer la probabilidad acumulada en cada valor

La distribución normal tipificada tiene la ventaja, como ya hemos indicado, de que las
probabilidades para cada valor de la curva se encuentran recogidas en una tabla.

X 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5723
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7090 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7813 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8416 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706

Cd. Lázaro Cárdenas. Michoacán Página 51


Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,0 0,97725 0,97778 0,97831 0,97882 0,97932 0,97982 0,98030 0,98077 0,98124 0,98169
2,1 0,98214 0,98257 0,98300 0,98341 0,98382 0,98422 0,98461 0,98500 0,98537 0,98574
2,2 0,98610 0,98645 0,98679 0,98713 0,98745 0,98778 0,98809 0,98840 0,98870 0,98899
2,3 0,98928 0,98956 0,98983 0,99010 0,99036 0,99061 0,99086 0,99111 0,99134 0,99158
2,4 0,99180 0,99202 0,99224 0,99245 0,99266 0,99286 0,99305 0,99324 0,99343 0,99361
2,5 0,99379 0,99396 0,99413 0,99430 0,99446 0,99461 0,99477 0,99492 0,99506 0,99520
2,6 0,99534 0,99547 0,99560 0,99573 0,99585 0,99598 0,99609 0,99621 0,99632 0,99643
2,7 0,99653 0,99664 0,99674 0,99683 0,99693 0,99702 0,99711 0,99720 0,99728 0,99736
2,8 0,99744 0,99752 0,99760 0,99767 0,99774 0,99781 0,99788 0,99795 0,99801 0,99807
2,9 0,99813 0,99819 0,99825 0,99831 0,99836 0,99841 0,99846 0,99851 0,99856 0,99861

¿Cómo se lee esta tabla?

La columna de la izquierda indica el valor cuya probabilidad acumulada queremos conocer.


La primera fila nos indica el segundo decimal del valor que estamos consultando.

Ejemplo: queremos conocer la probabilidad acumulada en el valor 2,75.Entonces buscamos


en la columna de la izquierda el valor 2,7 y en la primera fila el valor 0,05. La casilla en la
que se interseccionan es su probabilidad acumulada (0,99702, es decir 99.7%).

Atención: la tabla nos da la probabilidad acumulada, es decir, la que va desde el inicio de la


curva por la izquierda hasta dicho valor. No nos da la probabilidad concreta en ese punto. En
una distribución continua en el que la variable puede tomar infinitos valores, la probabilidad
en un punto concreto es prácticamente despreciable.

Ejemplo: Imaginemos que una variable continua puede tomar valores entre 0 y 5. La
probabilidad de que tome exactamente el valor 2 es despreciable, ya que podría tomar
infinitos valores: por ejemplo: 1,99, 1,994, 1,9967, 1,9998, 1999791, etc.

Veamos otros ejemplos:

Probabilidad acumulada en el valor 0,67: la respuesta es 0,7486

Probabilidad acumulada en el valor 1,35: la respuesta es 0,9115

Probabilidad acumulada en el valor 2,19: la respuesta es 0,98574

Veamos ahora, como podemos utilizar esta tabla con una distribución normal:

Cd. Lázaro Cárdenas. Michoacán Página 52


Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

Ejemplo: el salario medio de los empleados de una empresa se distribuye según una
distribución normal, con media 5 millones de ptas. y desviación típica 1 millón de ptas.
Calcular el porcentaje de empleados con un sueldo inferior a 7 millones de ptas.

Lo primero que haremos es transformar esa distribución en una normal tipificada, para ello
se crea una nueva variable (Y) que será igual a la anterior (X) menos su media y dividida por
la desviación típica

En el ejemplo, la nueva variable sería:

Esta nueva variable se distribuye como una normal tipificada. La variable Y que corresponde
a una variable X de valor 7 es:

Ya podemos consultar en la tabla la probabilidad acumulada para el valor 2 (equivalente a la


probabilidad de sueldos inferiores a 7 millones de ptas.). Esta probabilidad es 0,97725

Por lo tanto, el porcentaje de empleados con salarios inferiores a 7 millones de ptas. es del
97,725%.

6.Inferencia en una población

- Concepto de Intervalo de Confianza.

En el contexto de estimar un parámetro poblacional, un intervalo de confianza es un rango de valores


(calculado en una muestra) en el cual se encuentra el verdadero valor del parámetro, con una
probabilidad determinada.

La probabilidad de que el verdadero valor del parámetro se encuentre en el intervalo construido se


denomina nivel de confianza, y se denota 1- . La probabilidad de equivocarnos se llama nivel de
significancia y se simboliza . Generalmente se construyen intervalos con confianza 1- =95% (o
significancia =5%). Menos frecuentes son los intervalos con =10% o =1%.

Cd. Lázaro Cárdenas. Michoacán Página 53


Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

Para construir un intervalo de confianza, se puede comprobar que la distribución Normal Estándar
cumple 1:

P(-1.96 < z < 1.96) = 0.95

(lo anterior se puede comprobar con una tabla de probabilidades o un programa computacional que
calcule probabilidades normales).

Luego, si una variable X tiene distribución N( , ), entonces el 95% de las veces se cumple:

Despejando en la ecuación se tiene:

El resultado es un intervalo que incluye al el 95% de las veces. Es decir, es un intervalo de


confianza al 95% para la media cuando la variable X es normal y es conocido.

INTERVALOS DE CONFIANZA

Estimación puntual y por intervalo

Las medias o desviaciones estándar calculadas de una muestra se denominan ESTADÍSTICOS,


podrían ser consideradas como un punto estimado de la media y desviación estándar real de
población o de los PARAMETROS.

¿Qué pasa si no deseamos una estimación puntual como media basada en una muestra, qué otra cosa
podríamos obtener como margen, algún tipo de error?
“Un Intervalo de Confianza”

ESTIMADOR PUNTUAL: Utiliza un número único o valor para localizar una estimación del
parámetro.

Cd. Lázaro Cárdenas. Michoacán Página 54


Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

ESTIMADOR POR INTERVALO DE CONFIANZA: Denota un rango dentro del cual se puede
encontrar el parámetro y el nivel de confianza que el intervalo contiene al parámetro.

LIMITES DE CONFIANZA: Son los límites del intervalo de confianza inferior (LIC) y superior
(LSC), se determinan sumando y restando a la media de la muestra X un cierto número Z
(dependiendo del nivel o coeficiente de confianza) de errores estándar de la media X
.

Cd. Lázaro Cárdenas. Michoacán Página 55


Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

P(Z<= - Zexcel ) = alfa/2 P(Z>= + Zexcel ) = alfa/2

Intervalo de confianza donde


se encuentra el parámetro con
un NC =1-

INTERPRETACIÓN DEL INTERVALO DE CONFIANZA: Tener un 95% de confianza en que la


media poblacional real y desconocida se encuentra entre los valores LIC y LSC.

NIVEL DE SIGNIFICANCIA = 1- INTERVALO DE CONFIANZA = ERROR TIPO 1 = ALFA

¿Cómo obtenemos un intervalo de confianza?

Estimación puntual + error de estimación

¿De dónde viene el error de estimación?


Desv. estándar X multiplicador de nivel de confianza deseado Z /2

Por Ejemplo:
Si la media de la muestra es 100 y la desviación estándar es 10, el intervalo de confianza al 95%
donde se encuentra la media para una distribución normal es:
100 + (10) X 1.96 => (80.4, 119.6) 1.96 = Z0.025

El 95% de Nivel de Confianza significa que sólo tenemos un 5% de oportunidad de obtener un punto
fuera de ese intervalo.

Esto es el 5% total, o 2.5% mayor o menor. Si vamos a la tabla Z veremos que para un área de
0.025, corresponde a una Z de 1.960.
C. I. Multiplicador Z /2

Cd. Lázaro Cárdenas. Michoacán Página 56


Lic. Informática Administrativa // 4to. Semestre
Universidad Vasco de Quiroga

99 2.576
95 1.960
90 1.645
85 1.439
80 1.282

Para tamaños de muestra >30, o conocida usar la distribución Normal


Para muestras de menor tamaño, o desconocida usar la distribución t

El ancho del intervalo de confianza decrece con la raiz cuadrada del tamaño de la muestra.

Cd. Lázaro Cárdenas. Michoacán Página 57