Documentos de Académico
Documentos de Profesional
Documentos de Cultura
TSP
Coordinación
Matías Tesoriero
Equipo de docentes
Natalia Espósito
Susana Guccione
Gabriel Calogero
Bibliografía
EdUTecNe.
Segunda edición.
Las variables o atributos de un conjunto de elementos tienen una clasificación por ser
tratados de diferente forma al momento de ser analizados.
Parámetros y estadísticos1
Parámetro: Es una cantidad numérica calculada sobre una población y resume los
valores que esta toma en algún atributo. Intenta resumir toda la información que hay
en la población en unos pocos números (parámetros). La altura media de los sujetos
por ejemplo.
Estadístico: Es una cantidad numérica calculada sobre una muestra que resume su
información sobre algún aspecto. Si un estadístico se usa para aproximar un
parámetro también se le suele llamar «estimador»
Normalmente nos interesa conocer un parámetro, pero por la dificultad que conlleva
estudiar a *TODA* la población, calculamos un estimador sobre una muestra y
“confiamos” en que sean próximos
1
http://www.um.es/docencia/pguardio/documentos/Tec2.pdf
1
Estadística – T.S.P.
bien al conjunto de los números reales. En el primer caso la variable es discreta y en
el segundo caso, continua.
Ejercicio:
Clasificar las siguientes variables:
Número de componentes defectuosos en una computadora.
Número de usuarios que acceden a un sistema de red.
Altura de una persona.
Preferencia por tipo de computadoras (Notebooks o Netbooks).
Tiempo en espera para acceder a un sistema.
Medida del tamaño de los monitores.
Distribuciones de frecuencia
El primer paso para hacer estadística es la “toma de datos”, la cual se puede enunciar
como la obtención de una colección de ellos que no han sido ordenados
numéricamente.
2
Estadística – T.S.P.
Para realizar el análisis y facilitarlo, se utiliza la tabulación, es decir se confecciona
una tabla en la cual se vuelcan los datos ordenados ya sea en orden creciente o
decreciente.
La frecuencia absoluta
Es el número de veces que se presenta cada valor de la variable.
f a : frecuencia absoluta correspondiente a cada valor
La frecuencia relativa
Resulta del cociente entre la frecuencia absoluta y el total de observaciones. Es un
número real comprendido ente 0 y 1 que representa la parte de la cantidad de veces
que se observó un valor sobre el total de observaciones.
fa
fr
n
f r : frecuencia relativa f a : frecuencia absoluta n : número total de observaciones
La frecuencia acumulada
Es la sumatoria de los valores hasta un determinado punto. Sirve para visualizar
rápidamente la cantidad de valores que se encuentran hasta un punto.
Fa f a
La frecuencia acumulada porcentual Fr %
Es la acumulación de la frecuencia relativa porcentual hasta un determinado valor.
Para facilitar el recuento y los cálculos existen variados softwares estadísticos, el más
común es el uso de Microsoft Excel, siguiendo los siguientes pasos:
Se abre una planilla de cálculo.
3
Estadística – T.S.P.
Se introducen los datos y mediante la opción “ordenar de forma ascendente” se
ordenan de menor a mayor y se realiza el recuento para obtener la frecuencia
absoluta.
Intervalos de Clase
4
Estadística – T.S.P.
Para obtener una correcta agrupación de datos disminuyendo al máximo los errores
que se cometen, procedemos de la siguiente manera:
Los valores comprendidos entre 59-65; 65-71; etc., son los Intervalos de Clase,
siendo cada par de valores los límites de la clase.
El número menor es el límite inferior y el número mayor es el límite superior.
Representaciones Gráficas
5
Estadística – T.S.P.
Cuando la elección sea construir un gráfico de barras, hay que considerar que las
barras deben tener el mismo ancho y la longitud es igual a la frecuencia de cada
observación. Pueden ser barras simples o múltiples, según se trate de representar uno
o más atributos.
Las barras pueden ser horizontales o verticales.
Gráfico de barras
Evaluación del Gobierno
Positivo
Neutro
Negativo
0 10 20 30 40 50 60
Los gráficos circulares o gráficos de torta son útiles para comparar datos pues, en
general, trabajan con porcentuales. El área de cada sector representa el porcentaje
que corresponde a la frecuencia de un cierto valor de la variable. Esta representación
es conveniente cuando el número de sectores es pequeño y sus áreas están bien
diferenciadas.
ZONA “A”
Respuesta Cantidad de Personas
SI 200
NO 81
NO CONTESTA 139
TOTAL 420
6
Estadística – T.S.P.
ZONA “B”
Respuesta Cantidad de Personas
SI 150
NO 55
NO CONTESTA 65
TOTAL 270
Los gráficos circulares, suelen ser muy útiles cuando se comparan muestras de
diferente tamaño, en las cuales se hace necesaria la comparación a través de
porcentajes.
En este caso para poder comparar las respuestas se hace necesario ver con qué
porcentaje respondieron en cada zona.
Superficie de océanos
200 180
En millones de km2
150
105
100
73
50
20 12
0
Antártico Artico Atlántico Indico Pacífico
Océanos
7
Estadística – T.S.P.
Gráfico comparativo: es una forma útil de mostrar los resultados de datos de
clasificación cruzada.
300 Bancario
100 Educación
0
Enero Febrero Marzo
1200
1000
Gráfico comparativo
800
En miles
600
Gastos
400
Ingresos
200
0
8
Estadística – T.S.P.
Ejercicios
1. Para cada una de las siguientes situaciones:
a) Ordenar los datos
b) Organizarlos por agrupación simple (Tabla de Frecuencias) o por intervalo de
clase según sea más conveniente y calcular el Rango
c) Construir el gráfico estadístico correspondiente.
2. Las edades de veinte chicos son 12, 13, 14, 10, 11, 12, 11, 13, 14, 12, 10, 12,
11, 13, 12, 11, 13, 12, 10 y15. Realizar los ítems pedidos inicialmente y
además responder:
a) ¿Qué porcentaje de chicos tienen 12 años?
b) ¿Cuántos chicos tienen menos de 14 años?
3. En cada día del mes de enero, en el camping Iglú hubo la siguiente cantidad de
turistas: 12, 14, 17, 16, 19, 15, 15, 21, 24, 26, 28, 24, 25, 26, 20, 21, 34, 35,
33, 32, 34, 38, 40, 43, 41, 45, 50, 53, 58.
4. Estas son las notas obtenidas por los 100 candidatos que se presentaron a un
concurso:
38 51 32 65 25 28 34 12 29 43
71 62 50 37 8 24 19 47 81 53
16 62 50 37 4 17 75 94 6 25
55 38 46 16 72 64 61 33 59 21
13 92 37 43 58 52 88 27 74 66
63 28 36 19 56 84 38 6 42 50
98 51 62 3 17 43 47 54 58 26
12 42 34 68 77 45 60 31 72 23
18 22 70 34 5 59 20 68 55 49
33 52 14 40 38 54 50 11 41 76
6 4 2 8 18 16 10 6 7 5 12 8 9
12 17 11 9 16 19 18 18 16 14 12 7 10
3 11 7 12 5 9 11 15 9 4 1 6 11
7 8 10 15 3 2 13 9 11 17 13 12 8
Xi fa Fa fr Fra
1 4 0,08
2 4
3 16 0,16
4 7 0,14
5 5 28
6 38
7 7 45 0,14
8
9
Estadística – T.S.P.
EMPRESA B
Sueldo fa fr fr% Fa
[ 200 ; 500 ) 33,33
[ 500 ; 800 ) 33 0,22
[ 800 ; 1100 ) 130
[ 1100 ; 1400 )
Totales
b) ¿Cuál de las dos empresas paga mayor fracción de sueldos por debajo de $
500?
10
Estadística – T.S.P.
Se utilizan para encontrar un valor que represente a todos los datos. Proporcionan el
valor central del conjunto de datos. Las más importantes son: la media aritmética,
la media aritmética ponderada, la moda y la mediana.
La media aritmética o promedio ( x ) de varios números se calcula como el
cociente entre la suma de todos esos números y la cantidad de números que
sumamos.
La media aritmética ponderada o promedio ponderado: El promedio
ponderado es una manera de calcular el promedio pero dando más importancia a
algunos valores que a otros. Esa “importancia” se conoce como “peso” de los
valores. Se calcula sumando el producto de los pesos de cada variable por el valor
de cada una y dividiendo por la suma de los pesos.
Ejemplo: Si el examen final de un curso cuenta tres veces más que una evaluación
parcial, y un estudiante tiene calificación 85 en el examen final y 70 y 90 en los dos
parciales, la
2-3-5-2-6-4-4-2-6-8
2 3 5 2 6 4 4 2 6 8 42
Media aritmética o promedio: 4,2
10 10
Observamos que el valor obtenido se encuentra dentro del rango de datos, esto es
lógico ya que representa un valor central de los mismos, así también para la media
aritmética no es necesario ordenar los datos en forma creciente o decreciente. Si el
número de datos es extenso podemos calcular la media multiplicando cada valor por
su frecuencia correspondiente, ya que sumar n veces un valor equivale a multiplicarlo
por n.
2-2-2-3-4-4-5-6-6-8
11
Estadística – T.S.P.
Ejercicios
9. Se tiene la información de 80 semanas de operación de un terminal de
computación conectado por vía telefónica a un computador central, donde se
registró el número de caídas del sistema por semanas. Los datos son los
siguientes:
1 0 2 0 0 3 2 3 1 0 1 0 2 0 1 0 0 2 1 1
0 1 0 0 0 1 0 2 0 1 0 1 1 1 0 0 0 3 0 3
0 2 0 1 2 1 0 1 1 2 1 0 2 0 1 0 1 1 1 3
0 1 0 0 0 1 0 2 0 1 0 1 1 1 0 0 0 3 0 3
Los conjuntos de datos pueden tener el mismo centro pero con aspecto diferente por
la forma en que los números se dispersan desde el centro. Considere las dos
distribuciones que se muestran en la figura 2.6. Ambas distribuciones están centradas
en x =4, pero hay una gran diferencia en la forma en que las mediciones se dispersan
o varían. Las mediciones de la figura 2.6ª) varían de 3 a 5; en la figura 2.6b) las
mediciones varían de 0 a 8.
2.6a) 2.6b)
Las medidas de tendencia central no son suficientes para realizar comparaciones entre
varios conjuntos de datos y tomar decisiones, para ello se calculan otras medidas que
representan variación de los datos respecto de la media aritmética. Ellas son la
varianza 2 y el desvío estándar :
2
Medidas de variabilidad. Introducción a la probabilidad y Estadística. Mendenhall-Beaver-
Beaver. Décima tercera edición. Página 60. Copia fiel.
12
Estadística – T.S.P.
x x
n n
2 2
i x i x
Varianza:
2 i 1
; Desvío Estándar: i 1
n: número de datos
n n
Diego y Sergio, dos de los nadadores del ejercicio anterior, obtuvieron el mismo
promedio y sin embargo sus tiempos están distribuidos de manera diferente.
Calculamos los desvíos estándares de los tiempos de los nadadores:
13
Estadística – T.S.P.
Ejercicios
10.Calcular varianza y desvío estándar para los datos del ejemplo número 1.
12. Los siguientes datos numéricos corresponden a la cantidad de veces que cada
alumno de un grupo ha ido a un recital o concierto.
2–4–3–2–1–1–6–3–0–3–2–4–6–9–3–2–1–6
Calcular media, moda, mediana, desvío estándar
4º A: 45 38 43 29 34 60 54 27 32 33 23 34 34 28 56 62 56 57 45 47
48 54 33 45 44 41 34 36 34 54
4º B: 43 45 44 38 34 46 43 42 43 45 57 44 38 38 37 43 61 38 37 45
28 42 49 40 37 34 44 41 43 62
¿Cuál de los dos cursos tiene el rendimiento más parejo? ¿Qué distribución estadístico
permite comparar la distribución de este tipo de datos?
4º A : 3.2 3.5 4.9 5.0 3.1 4.1 2.9 2.8 3.8 4.5 4.3 4.5 4.1 5.8 3.9 3.6 4.2
4.6
2.8 2.9 3.3 3.9 4.2 4.1 4.3 4.6 4.4 3.8 3.6 5.8
4º B : 3.5 2.9 1.3 1.7 3.6 5.6 2.8 5.2 5.3 4.1 4.1 4.4 1.6 5.1 4.3 5.0 5.3
3.2
2.6 5.5 5.4 4.8 4.9 4.3 2.9 3.9 5.4 5.3 4.2 2.8
a) Calcular el promedio de ambos cursos.
b) Construir una tabla de frecuencias para cada curso
14
Estadística – T.S.P.
15.El capataz de una fábrica anotó los minutos que demoraron sus empleados en
efectuar un determinado trabajo:
150,8 172 180 161,3 135 171 146,4 160 183,5 140.
También anotó respectivamente los días que faltaron al trabajo en el año:
15 23 21 30 18 34 21 10 15 26.
¿Cuál de las dos series tiene mayor variabilidad? Justifique la respuesta
analíticamente e interprete los resultados hallados.
Intervalos M.C. fa fa . x Fa
(x)
[60 – 65) 62,5 5 312.5 5
[65 – 70) 67,5 5 337.5 10
[70 – 75) 72,5 8 580 18
[75 – 80) 77,5 12 930 30
[80 – 85) 82,5 16 1320 46
[85 – 90) 87,5 4 350 50
TOTALES 50 3830
La Media Aritmética: x f a ·x
x
3830
76.6 ptos. 77 ptos.
n 50
Entonces:
L = 75 (límite inferior)
fa = 8
A = 5 (80 – 75 = 5)Fa = 18 (frecuencia acumulada del intervalo anterior)
15
Estadística – T.S.P.
50
18 ·5
Me 75 75 7·5 75 2.916 77.916 78 ptos.
2
12 12
Observamos que el valor obtenido está comprendido, como es lógico, dentro del
intervalo mediano. Finalmente, para calcular la Moda en datos agrupados,
utilizamos la siguiente fórmula, teniendo presente que la clase modal es la que tiene
mayor frecuencia, y esta es la Frecuencia Modal.
Varianza:
2
x 2
. fa
x
2
Desvío estándar:
x 2
. fa
x
2
n n
Como ejemplo de trabajo utilizando Excel, se presenta el ejercicio visto al
comienzo:
16
Estadística – T.S.P.
Ejercicios
16.Se han medido 75 alumnos, en centímetros, obteniéndose los siguientes datos:
1,75 1,56 1,72 1,59 1,61 1,85 1,86 1,92 1,79 1,63 1,64 1,70 1,64 1,67 1,68
1,74 1,72 1,68 1,76 1,66 1,67 1,69 1,82 1,70 1,69 1,67 1,70 1,62 1,72 1,71
1,74 1,71 1,55 1,71 1,71 1,70 1,57 1,70 1,73 1,73 1,74 1,68 1,66 1,72 1,72
1,58 1,59 1,63 1,63 1,68 1,74 1,75 1,50 1,54 1,75 1,60 1,75 1,77 1,78 1,80
1,69 1,65 1,80 1,66 1,84 1,83 1,74 1,73 1,62 1,85 1,89 1,69 1,73 1,71 1,73
17. A los mismos alumnos anteriores se les aplico una prueba de inteligencia, estos
han sido:
87 105 88 103 114 125 108 107 118 114 129 100 106 113 105
111 94 115 89 82 141 92 132 112 97 135 101 104 130 99
114 91 145 95 101 115 104 87 108 115 103 132 110 113 102
109 124 98 140 107 93 108 122 117 114 141 116 108 102 101
118 138 99 105 112 94 96 132 118 123 108 131 127 100 91
17
Estadística – T.S.P.
18
Estadística – T.S.P.
Experimentos-espacios muestrales-sucesos
Experimento aleatorio: Procesos que dependen del azar cuyos resultados se pueden
observar pero no determinar el valor de éstos con antelación.
Es decir, es imposible predecir el resultado de un experimento aleatorio pero sí se
puede describir cuales son los resultados posibles.
Son fenómenos aleatorios:
Experimentos simples: Son en los que se estudian elementos con una característica.
Ejemplo: Cantidad de unidades defectuosas de una partida de producción en una
fábrica, lanzamiento de un dado, etc.
Experimentos compuestos: Son los formados por varios experimentos simples.
Ejemplo: Lanzar un dado y una moneda.
Ejemplo 1:
Ejemplo 2:
El experimento consistente en lanzar dos monedas al aire y anotar los resultados
producidos tiene el siguiente espacio muestral: E cc, cx, xc, xx .
Ejemplo 3:
En el experimento que consiste en lanzar una dado con las caras numeradas del 1 al
6, el espacio muestral es E 1,2,3,4,5,6 y como ejemplos de sucesos tenemos:
A 2,4,6 Que es el suceso “salir número par”
B 3,6 Que es el suceso “salir múltiplo de 3”
C 4
Ejemplo 4:
El espacio muestral del experimento que consiste en lanzar una moneda al aire tres
veces es:
𝑬 = {(𝑐, 𝑐, 𝑐), (𝑐, 𝑐, 𝑥), (𝑐, 𝑥, 𝑐), (𝑥, 𝑐, 𝑐), (𝑥, 𝑥, 𝑐), (𝑥, 𝑐, 𝑥), (𝑐, 𝑥, 𝑥), (𝑥, 𝑥, 𝑥)}
19
Estadística – T.S.P.
Ejercicios
1. Si el suceso A es obtener un 3 al arrojar un dado, describa:
a) El experimento.
b) El espacio muestral de dicho experimento.
c) El suceso A.
3. Enumera todos los sucesos elementales del espacio muestral para cada uno de
los siguientes experimentos:
Se lanza una moneda una vez Se lanza una moneda dos veces
Se lanza una moneda tres veces Se lanza una moneda cuatro veces
Se lanza un dado una vez Si se lanzan a la vez un dado y una
moneda
Se extraen dos bolillas de una Se extraen tres bolillas de una bolsa
bolsa que contiene dos blancas y que contiene 4 rojas y 4 verdes.
dos rojas
El suceso imposible sería no obtener ninguno de los números que figuran en sus
caras.
Sucesos incompatibles
Son aquellos que no se pueden verificar simultáneamente. Cuando pueden verificarse
ambos a la vez se llaman compatibles.
Si A y B son incompatibles, entonces 𝐴 ∩ 𝐵 = ∅
Si A y B son compatibles, entonces 𝐴 ∩ 𝐵 ≠ ∅
21
Estadística – T.S.P.
Unión de Sucesos compatibles
Dados dos sucesos A y B se llama unión de A y B, y se representa por AB, al
suceso que se realiza cuando se realiza alguno de ellos, A o B, o ambos.
A B A B A B
A B
B
A
Intersección de sucesos
Dados dos sucesos A y B, se llama suceso intersección de A y B, y se representa
por A B, al suceso que se realiza si y sólo si se realizan simultáneamente A y B.
Dos sucesos A y B cuya intersección es el conjunto vacío, es decir, es el suceso
imposible se llaman sucesos incompatibles.
Observación: Un suceso y su contrario son siempre incompatibles.
22
Estadística – T.S.P.
Diferencia de sucesos
Dados dos sucesos A y B, se llama suceso diferencia de A y B, y se representa por
A -B, al suceso A B . O sea, A-B está formado por todos los puntos muestrales de A
que no están en B.
Ejercicios
6. En familias de tres hijos se estudia la distribución de sus sexos. Por ejemplo (V,
M, M) significa que el mayor es varón y las otras dos mujeres. ¿Cuántos
elementos tiene el espacio muestral? Además describir los siguientes sucesos:
A = “La menor es mujer” B = “El mayor es varón”, A B , A B
b) Ocurre solamente A.
c) Ocurre B, y no ocurre C.
d) Ocurre alguno de los tres.
e) Ocurren los tres simultáneamente.
f) Ocurre solamente uno de los tres
g) No ocurre ninguno de los tres.
h) Ocurre a lo sumo uno de los tres.
23
Estadística – T.S.P.
9. Dado el siguiente circuito eléctrico en serie
y supongamos que R1 y R2 pueden o no
funcionar. El espacio muestral S consta de
cuatro puntos: (𝑅1 , 𝑅2 ) , (𝑅̅1 , 𝑅2 ) , (𝑅1 , 𝑅̅2 ) , (𝑅̅1 , 𝑅̅2 )
donde Ri indica que el componente funciona y Ri que no funciona.
Si E1 es el evento “el circuito total opera” y E 2 el evento “al menos una de las
componentes está operando”, responde:
a) ¿Son E1 y E 2 mutuamente excluyentes?
b) ¿Cuál es la relación entre E1 y E 2 ?
Cálculo de Probabilidades
La teoría de las probabilidades se inició con los juegos de azar en el siglo XVI, pero al
poco tiempo se aplicó a diversos problemas, como las estadísticas de las poblaciones
humanas, en la que la probabilidad aparece como resultado de la experiencia, sin que
se pueda calcularla de antemano.
Ejemplo 2: ¿Cuál es la probabilidad de sacar dos caras al tirar dos monedas iguales?
Ley de los grandes números: La ley de los grandes números afirma que cuando la
cantidad de observaciones de un experimento aleatorio tiende al infinito, la frecuencia
24
Estadística – T.S.P.
relativa de un suceso toma valores que se aproximan cada vez más a la probabilidad
de ese suceso. Es decir que la probabilidad experimental y la probabilidad teórica, si
puede calcularse, tienden a coincidir cuando el número de experimentos es grande.
P( A B) P( A) P( B) P( A B)
P( A B C) P( A) P( B) P(C) P( A B) P( A C) P( B C) P( A B C)
Ejercicios
10.Se tiran dos dados no cargados. Indicar la probabilidad de que:
a) salgan dos 3
b) Salgan dos 4
c) No salga ningún 5
d) Salga algún 5
e) No salga ningún 5 ni ningún 6.
f) Salgan solamente números pares.
25
Estadística – T.S.P.
11.En una determinada población, el 60 % de las personas son mujeres, el 35 %
de la gente tiene ojos claros y el 25 % de la gente es rubia. El 20 % de la
población son mujeres de ojos claros. El 10 % de la población son mujeres
rubias. El 15 % de la población son personas rubias y de ojos claros. El 5 % de
Ejemplo 1:
Un estudiante terminó de imprimir su trabajo de investigación y antes de numerar las
9 hojas, se le cayeron y desparramaron. Si las levanta al azar, ¿cuál es la probabilidad
de que queden en el orden correcto?
26
Estadística – T.S.P.
1
Entonces: P(A) = = 0,000002755
362880
10!
V10 , 4 = = 5040
(10 4)!
1
P(A) = 0,0001984
5040
Ejemplo 3: Un joyero trabaja con 5 pares de aros distintos. Si elige 2 aros al azar.
¿Cuál es la probabilidad de que sean del mismo par?
10 10!
C10 , 2 45
2 2!.8!
5 1
P(A)=
45 9
Ejercicios de repaso
27
Estadística – T.S.P.
18.En una fábrica de tanques plásticos para bolígrafo se observa que el 89% de la
producción resulta apto para su uso, el 7% presenta defectos en su bolilla y, el
6% presenta defectos en la unión del plástico y metal.
a) ¿Cuál es la probabilidad de que un tanque tomado al azar presente ambos
defectos?
b) ¿Cuál es la probabilidad de que un tanque tomado al azar presente un solo
defecto?
19.En un colegio, los alumnos de los cursos A y B de tercer año del polimodal se
tienen que reunir con el rector para organizar las condiciones del viaje de
egresados. Para no reunirse con todos los alumnos juntos, el rector decidió
hacerlo con una comisión formada por 5 de esos alumnos. Si el curso A tiene 20
alumnos y el B tiene 30 alumnos, ¿Cuál es la probabilidad de que, eligiendo al
azar entre todos los alumnos de dichos cursos, la comisión esté integrada por
más alumnos del curso B que del A?
Probabilidad condicionada
Observa la siguiente tabla que representa a los empleados de una empresa:
Si hay que elegir a uno de ellos, la elección puede realizarse bajo distintos criterios:
28
Estadística – T.S.P.
Ejercicios
21.Sean A y B dos sucesos tales que: 𝑃(𝐴) = 0.4 ; 𝑃(𝐴̅ ∩ 𝐵) = 0.4 ; 𝑃(𝐴 ∩ 𝐵) = 0.1 ,
calcula: 𝑃(𝐴 ∪ 𝐵)𝑦 𝑃(𝐵). Rta: 0.8; 0.5
23.En una asignatura se ha decidido aprobar a aquellos que superen al menos uno
de dos parciales. Con este criterio aprobó el 80%. Sabiendo que el primer
parcial lo superó el 60% y el segundo el 50%, cuál hubiese sido el porcentaje
de aprobados si se hubiese exigido superar ambos? Rta: 30%
24.De una urna que contiene 9 bolillas rojas y 5 negras, se extraen sucesivamente
Calcula la probabilidad de los siguientes sucesos:
a) Que las dos sean negras
b) Que las dos sean rojas
c) Que la primera se roja y la segunda negra
d) Que la segunda se roja sabiendo que la primera fue negra.
26.Los registros indican que las partes que salen de un taller de reparación de
componentes hidráulicas en una instalación de reparación de aviones, el 2%
tendrá un defecto en el eje; el 1% tendrá un defecto en el buje, y el 97,5% no
tendrá defectos. Para un artículo seleccionado al azar, calcule la probabilidad de
que:
a) El artículo tengo por lo menos un defecto.
b) El artículo tenga los dos defectos sabiendo que tiene por lo menos uno.
c) El artículo tenga defecto en el buje, sabiendo que tiene defecto en el eje.
29
Estadística – T.S.P.
Independencia de Sucesos
Dos sucesos son independientes si el hecho de conocer que ocurrió uno de ellos no
afecta la probabilidad de que ocurra el otro.
Matemáticamente:
Cuando P(B/A)=P(B) se dice que A y B son sucesos independientes. En caso contrario
los sucesos se llaman dependientes.
P( A B) P( A).P( B)
Sucesos disjuntos: Si los sucesos son disjuntos, el hecho de que ocurra uno implica
que el otro no ocurre. Es decir, en el caso de que sean disjuntos, el hecho de que un
suceso ocurra no solamente afecta la probabilidad de que el otro ocurra, sino que
además la hace directamente cero. Por lo tanto los sucesos son fuertemente
dependientes.
Ejemplo: Si el suceso R es que una persona sea rubia, y el suceso M es que sea
morocha, R M 0 , y por lo tanto si se sabe que una persona es rubia, la
probabilidad de que sea morocha es cero. Vemos que por tratarse de sucesos
disjuntos, el hecho de que ocurra uno, hace que la probabilidad no solamente sea
afectada sino que la hace valer cero.
E E
No independientes No independientes
Los sucesos disjuntos no Si un suceso está incluido en
pueden ser independientes otro no pueden ser
independientes
31
Estadística – T.S.P.
Ejemplo:
Determina si los sucesos A y B son independientes de acuerdo con los siguientes
datos:
Solución:
P(A). P (B) = 0,3. 0,2 = 0,06 ≠ 0,05 = P(A ∩ B), por lo tanto no son independientes.
Ejercicios
28.En un curso de 30 chicos, la mitad son mujeres. El 40% de las mujeres son
rubias y el 20% de los varones no son rubios. Se elige un alumno al azar:
a) ¿Cuál es la probabilidad de que sea mujer y rubia?
b) ¿Ser rubia y ser mujer son sucesos independientes?¿Por qué?
c) ¿Cuál es la probabilidad de que sea varón y que no sea rubio?
30.Sean:
P (A): la probabilidad de que haga buen tiempo es de 0.4
P (B): la probabilidad de tener un accidente es de 0.1
P(A ∩ B): la probabilidad de que haga buen tiempo y de tener un accidente es de
0.08
Halla: P(A/B); P(B/A) y P(A ∩ B)
32
Estadística – T.S.P.
máquina B, un 5%. ¿Cuál es la probabilidad de que al elegir al azar una lata sea
defectuosa?
Resolución:
𝑃(𝐴) = 3𝑃(𝐵) →
𝑃(𝐴) + 𝑃(𝐵) = 1 → 3𝑃(𝐵) + 𝑃(𝐵) = 1 → 4𝑃(𝐵) = 1 → 𝑃(𝐵) = 0,25
Entonces, 𝑃(𝐴) = 0,75
𝑃(𝐷⁄𝐴) = 0,1
𝑃(𝐷⁄𝐵 ) = 0,05
Se pide la probabilidad de que una lata, fabricada por cualquier máquina, sea
defectuosa, por lo tanto:
𝑃(𝐷) = 𝑃(𝐷 ∩ 𝐴) + 𝑃(𝐷 ∩ 𝐵)
𝑃(𝐷∩𝐴)
𝑃(𝐷⁄𝐴) = 0,1 = haciendo pasaje de término: 𝑃(𝐷 ∩ 𝐴) = 𝑃(𝐷⁄𝐴) . 𝑃(𝐴)
𝑃(𝐴)
Usando el mismo razonamiento, se obtiene: 𝑃(𝐷 ∩ 𝐵) = 𝑃(𝐷⁄𝐵) . 𝑃(𝐵)
33
Estadística – T.S.P.
P ( A D) P( D | A).P( A)
P ( A | D)
P ( D) P( D | A).P( A) P( D | B).P( B)
P( A i ) • P(B / A i )
P( A i / B ) n , i 1,2,..., n
P( A ) • P(B / A )
i 1
i i
Ejercicios
32.En una fábrica de golosinas se producen cajas de caramelos masticables y cajas
de caramelos duros. Las cajas de caramelos masticables contienen un 50% de
caramelos de frutilla y un 50% de caramelos de naranja. Las cajas de
caramelos duros están compuestas por un 65% de caramelos de frutilla y un
35% de caramelos de naranja.
Un empleado coloca en un cajón el contenido de algunas cajas de caramelos
masticables y duros. En el cajón el 45% de los caramelos son masticables y el resto
son duros. ¿Cuál es la probabilidad de que al elegir al azar del cajón un caramelo de
naranja sea masticable?
34
Estadística – T.S.P.
36.Un ladrón, al huir de un policía, puede hacerlo por las calles A, B o C, con
probabilidades P(A)=0.25; P(B)=0.6 y P(C)=0.15. La probabilidad de ser
alcanzado por la calle A es 0.4, si huye por la calle B es 0.5 y si huye por la C
es 0.6.
a) Calcula la probabilidad de que la policía alcance al ladrón.
b) Si el ladrón ha sido alcanzado, cuál es la probabilidad de que haya sido en la
calle A?
2) Para obtener el registro de conducir se deben realizar dos exámenes; uno teórico y
otro práctico. La probabilidad de aprobar el examen teórico es 0,8; la probabilidad de
aprobar el examen práctico es de 0,6 y la probabilidad de aprobar ambos exámenes
es 0,5. Considerando que el suceso A es aprobar el examen teórico y el suceso B es
aprobar el examen práctico.
a) ¿Son independientes los sucesos A y B?
b) ¿Cuál es la probabilidad de aprobar solamente uno de los exámenes?
c) Si una persona ya aprobó el examen teórico, ¿cuál es la probabilidad de que
apruebe el práctico?
3) Se sabe que una fábrica fue visitada por 200 personas, de las cuales el 70 % eran
hombres y de las mujeres, el 25% menores de 30 años de edad y que entraron 80
personas de 30 años o más de edad. Ese día se cometió un robo a la empresa. Se
sabe que el ladrón es uno de los visitantes. ¿Cuál es la probabilidad de que el ladrón
sea:
a) un hombre de menos de 30 años
b) una mujer
c) una persona de menos de 30 años.
4) En una ciudad, el 70% de los motociclistas son hombres, y de éstos, el 20% utiliza
casco. El porcentaje de mujeres motociclistas que conducen con casco en esa ciudad
es 75%.
a) Hallar la probabilidad de que un motociclista elegido al azar use casco.
Edad fa fr Fa fr % Fa %
[20-25) 45
[25-30) 50
[30-35) 30
[35-40) 22
[40-45) 20
[45-50) 15
[50-55) 10
[55-60) 5
[60-65) 3
[65-70) 2
Totales:
36
Estadística – T.S.P.
10) Laura y Javier se reparten los ejercicios que les ha propuesto su profesora.
Laura se queda con el 45 % y Javier con el resto. Por otro lado, sabemos que
Laura resuelve incorrectamente un 10 % de los ejercicios que intenta y Javier,
un 8 %.
a) Hallar la probabilidad de que al elegir la profesora un ejercicio al azar, esté
mal resuelto.
b) Hallar la probabilidad de que al elegir la profesora un ejercicio al azar, halla
sido hecho por Javier, sabiendo que está mal resuelto.
37
Estadística – T.S.P.
b) Si el último vehículo que entró cargó nafta, ¿qué probabilidad hay de que haya
sido un ómnibus?
15) Una fábrica de automotores produce sus unidades en tres plantas diferentes.
La primera de ellas realiza 500 unidades; la segunda, 1000, y la tercera, 2000.
El porcentaje de unidades defectuosas en cada planta es, respectivamente, 2%,
1%, y 4%. Si se selecciona una unidad al azar, ¿cuál es la probabilidad de que
ésta sea defectuosa?
16) En un cajón hay 100 frutas de las cuales 20 son manzanas, 50 son naranjas,
10 son pomelos y 20 son mandarinas.
a. Se selecciona una fruta de manera aleatoria. ¿Cuál es la probabilidad de
que sea una manzana o naranja o una mandarina?.
b. ¿Cuál es la probabilidad de seleccionar una manzana o una naranja o una
mandarina o un pomelo?.
c. Si se seleccionan 3 frutas simultáneamente al azar, determinar la
probabilidad de que sean exactamente 3 pomelos?.
d. Si se seleccionan 10 frutas al azar de manera simultánea, determinar la
probabilidad de que se obtengan 2 manzanas, 4 mandarinas, 3 naranjas
y 1 pomelo.
17) Entre los alumnos de una escuela primaria el 10% tiene dificultades visuales,
el 8% tiene audición imperfecta, el 12% tiene dentadura defectuosa, el 4%
tiene ojos y dentadura con problemas, el 3% audición y dentadura imperfectos,
el 2% ojos y audición imperfectos y el 1% tiene ojos, oídos y dientes con
problemas. Seleccionando un niño de manera aleatoria, ¿cuál es la probabilidad
de que tenga problemas en los ojos o en la audición o en la dentadura?
38
Estadística – T.S.P.
20) Un examen consta de 10 preguntas que deben ser contestadas con verdadero
o falso. Si Julián contesta todas las preguntas al azar, ¿cuál es la probabilidad
de que responda todas correctamente?
22) Una caja contiene veinte sobres iguales y cerrados de los cuales doce
contienen $1000, cinco contienen $5000 y tres contienen $10000. Se toma un
sobre al azar:
a) ¿Cuál es el espacio muestral para las diferentes cantidades de dinero?
b) ¿Cuál es la probabilidad de que el sobre elegido contenga menos de $ 10000?
Respuestas
39
Estadística – T.S.P.
40
Estadística – T.S.P.
Variables aleatorias
Una variable aleatoria queda definida cuando a cada resultado de un experimento
aleatorio se le asocia un número real.
Desde el punto de vista matemático, una variable aleatoria es una función que va
desde el espacio muestral a un conjunto de números reales El conjunto de valores
posibles recibe el nombre de recorrido o imagen.
Supongamos que se lanza una moneda dos veces, el espacio muestral es:
Punto muestral CC CS SC SS
𝑆 = {𝐶𝐶, 𝐶𝑆, 𝑆𝐶, 𝑆𝑆} X 2 1 1 0
Si es X el número de caras que pueden salir, podemos asociar cada punto con un
número de X:
Una primera interpretación que se le puede dar al concepto de variable aleatoria es la
que dice: una variable aleatoria es aquella que asume valores de acuerdo con los
resultados de un experimento aleatorio.
V.A.C: es aquella que puede tomar cualquier valor de entre todos los
contenidos en un intervalo de la recta.
Ejemplos:
41
Estadística – T.S.P.
Distribución de Probabilidad
Para una variable aleatoria en general, cada uno de los valores posibles puede tener
distinta probabilidad, es por eso que estudiamos como se distribuyen las
probabilidades en los distintos valores de la variable.
A la relación entre los valores posibles de una variable aleatoria y sus respectivas
probabilidades, se la conoce como distribución de probabilidad y la forma de
expresarla depende de si la variable es discreta o continua.
Cuando una variable aleatoria es discreta se utiliza una función que a cada valor le
asigna una probabilidad. Dicha función se conoce con el nombre de “Función de
Probabilidad”. Se utiliza la notación P(X=x), donde X es la variable aleatoria que se
distribuye y x es el valor cuya probabilidad se evalúa.
P( X x) 1
Ejemplo1: si tiramos tres monedas y contamos la cantidad de caras que salen:
X 0 1 2 3
P(X = x)
Se tiene que: P(X=0)=1/8 ; P(X=1)=3/8; P(X=2)=3/8 y
P(X=3)=1/8. Estos resultados se pueden resumir en una tabla llamada distribución
de probabilidad:
Ejemplo 2: Tiramos un dado y observamos el número que sale. (X: número que sale
al tirar un dado)
1 / 6; si x 1
1 / 6; si x 2
1 / 6; si x 3
PX ( x) P( X x)1 / 6; si x 4
1 / 6; si x 5
1 / 6; si x 6
0 otro x
42
Estadística – T.S.P.
En forma abreviada:
1 / 6 ; si x 1,2,3,4,5,6
PX ( x)
0 otro x
En forma de tabla:
X 1 2 3 4 5 6
P(X=x) 1/6 1/6 16 1/6 1/6 1/6
En forma gráfica:
𝟐
( ) 𝟏
𝟐 = 𝒔𝒊 𝒙 = 𝟎
𝟒
( ) 𝟔
𝑷(𝑿 = 𝒙) = 𝟐
… 𝒔𝒊 𝒙 = 𝟏
… 𝒔𝒊 𝒙 = 𝟐
{𝒄𝒐𝒎𝒑𝒓𝒖𝒆𝒃𝒂 𝒒𝒖𝒆 𝑝𝑖 = 1
43
Estadística – T.S.P.
X 2 3 4 5 6 7 8 9 10 11 12
P(X=x) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36
44
Estadística – T.S.P.
X 0 1 2
P(x) ¼ 2/4 1/4
0 −∞<𝑥 <0
1
0≤𝑥<1
𝐹(𝑥) = 4
1 1 3
+ = 1≤𝑥<2
4 2 4
{ 1 2 ≤ 𝑥 < +∞
1 2 3 4 10
𝑃(𝑋 ≤ 5) = 0 + 0 + + + + = = 0.28
36 36 36 36 36
2 1 3 1
Y si queremos hallar 𝑃(𝑋 > 10) = 36 + 36 = 36 = 12
X 0 1 2
P(x) 1/4 2/4 ¼
𝑆𝑢𝑚𝑎 0.1000000+1.2000000+2.1000000 1 1 1
= = 0. + 1. + 2. =1
𝑛 4000000 4 2 4
Desde el punto de vista intuitivo, el método para calcular el valor esperado de una
VAC es similar, pero en la práctica se utiliza el cálculo y cómo no has aprendido al
respecto, queda fuera del alcance de este módulo.
Definición:
Sea X una variable aleatoria discreta que asume los valores 𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑛 con
probabilidades respectivas 𝑝1 , 𝑝2 , 𝑝3 , … , 𝑝𝑛 el valor esperado de X se denota y define de
la siguiente manera:
𝝁𝒙 = 𝑬(𝑿) = 𝒙𝟏 . 𝒑𝟏 + 𝒙𝟐 . 𝒑𝟐 + 𝒙𝟑 . 𝒑𝟑 + ⋯ + 𝒙𝒏 . 𝒑𝒏
45
Estadística – T.S.P.
E( x) xi . p( xi )
Se la utiliza por ejemplo para calcular el consumo medio por hora de una máquina, la
cantidad de clientes que podemos esperar tener en un determinado día o la cantidad
media de líquido que una embotelladora envasa en las botellas, etc.
1/ 3; si x 1
1/ 3; si x 2
Ejemplo 1: Sea X discreta distribuida según p X ( x)
1/ 3; si x 3
0otrox
3 3
1 6
E(x)= x. p( x) 3 x 3 2
1 1
1 / 6; six 1
1 / 6; six 2
1 / 6; six 3
PX ( x) 1 / 6; six 4
1 / 6; six 5
1 / 6; six 6
0otrox
6 6
1 1 6 21
E(x)= 1 x. p ( x ) 1 6 6 1 x 6 3,5
x.
Si dijéramos que es el puntaje que debes esperar que dé cuando lanzas el dado
muchas veces, con razón podrías decir que eso es imposible, puesto que en el dado
puedes ver 3 ó 4 puntos, pero jamás 3.5 puntos. Pero si te propongo que no cuentes
los puntos de cada lanzamiento sino que sumes el puntaje de dos lanzamientos y los
promedies, puedes hallar lógica al valor 3.5.
A pesar de que la interpretación que le hemos dado al valor 3.5 es acertada, en la
práctica el valor esperado se interpreta de una manera distinta, que en el ejemplo
presente es:
Si lanzamos un dado un número grande de veces y tomamos la media aritmética de la
suma de los distintos puntajes que se van obteniendo entonces, la media tiende a 3.5.
Igual interpretación sería para cualquier otra situación.
Luego el valor esperado de X se interpreta como una media ponderada de los posibles
valores de X, y no como el valor que se espera que tome X, pues puede suceder que
E(X) no sea uno de los posibles valores de X
46
Estadística – T.S.P.
1 , 𝑠𝑖 𝑠𝑎𝑙𝑒 𝑐𝑎𝑟𝑎
𝑋={
−1 , 𝑠𝑖 𝑠𝑎𝑙𝑒 𝑠𝑒𝑙𝑙𝑜
X -1 1
P(X=x) 0.5 0.5
Esto quiere decir que si estas personas juegan un gran número de veces, a la larga no
hay ganador ni perdedor.
Ahora vamos a suponer que la moneda está diseñada de tal forma que la posibilidad
de obtener cara es 2/3 y la obtener sello es 1/3. En este caso la distribución sería:
X -1 1
P(X=x) 1/3 2/3
1 2 1
Y la ganancia esperada (por jugada) para A sería: 𝐸(𝑋) = −1. 3 + 1. 3 = 3 . Esto quiere
decir que si juegan unas 3000 veces, se espera que A gane $1000. Esta es la esencia
de los juegos de azar como loterías, rifas,…
Qué ocurre con los valores de probabilidad? Los valores no se alteran, puesto que
decir Y=15 equivale a afirmar que X=3. La distribución de Y es:
Y 5 10 15 20 25 30
P(Y=y) 1/6 1/6 1/6 1/6 1/6 1/6
𝟏 𝟏 𝟏 𝟏 𝟏 𝟏 𝟑𝟓
𝐄(𝐘) = 𝟓. + 𝟏𝟎. + 𝟏𝟓. + 𝟐𝟎. + 𝟐𝟓. + 𝟑𝟎. =
𝟔 𝟔 𝟔 𝟔 𝟔 𝟔 𝟐
Propiedades de la esperanza
La varianza se define como la suma de todos los desvíos de cada valor que toma la
variable con respecto a la E(x), elevado al cuadrado y multiplicado por su respectiva
probabilidad:
2 x V ( X ) xi E( x)2 . p( X xi )
( x) 2 x
Ejemplo 1: Calculemos la varianza para la variable X que corresponde al número de
puntos de la cara superior del dado.
1 1 1 1 1 1
𝑉(𝑋) = (1 − 3.5)2 . + (2 − 3.5)2 . + (3 − 3.5)2 . + (4 − 3.5)2 . + (5 − 3.5)2 . + (6 − 3.5)2 .
6 6 6 6 6 6
35
𝑉(𝑋) =
12
Ahora hagamos: 𝐸(𝑋 2 ) − [𝐸(𝑋)]2
1 91
𝐸(𝑋 2 ) = (12 + 22 + 32 + 42 + 52 + 62 ). =
6 6
2) 2
91 49 35
𝐸(𝑋 − [𝐸(𝑋)] = − = = 𝑉(𝑋)
6 4 12
Propiedades de la varianza
48
Estadística – T.S.P.
0,5; x 2 0,5; x 2
0,5; x 2 0,2; x 3 0,3; x 3
a) P( X x) 0,3; x 3 b) P( X x)
c) P ( X x )
0otrox 0,7; x 6 0,2; x 6
0otrox 0otrox
0,1; x 1
0,15; x 2
0,1; x 4
3. La variable aleatoria X está distribuida según: P( X x)
0,2; x 5
0,45; x 7
0otrox
Indica la probabilidad de que X:
a) sea 4
b) sea menor o igual a 4
c) sea a lo sumo 4
d) sea menor a 4
e) sea mayor o igual a 4
f) sea como mínimo 4
g) sea mayor a 4
h) esté entre 3 y 6
i) sea menor que 4, sabiendo que es menor que 5
4. Sea X una variable aleatoria que expresa el número de personas que habitan en
una vivienda elegida al azar. La distribución de probabilidad de X es:
𝑥𝑖 1 2 3 4 5 6 7 >=8
𝑝𝑖 0.230 0.322 0.177 a 0.067 0.024 0.015 0.010
49
Estadística – T.S.P.
0; x 1
0,4 ;1 x 1
6. La función de distribución de la variable aleatoria X es: F ( X ) 0,5 ;1 x 2 .
0,8 ;2 x 3
1; x 3
Halla la función de probabilidad de X
7. Para una variable X se cumple que 𝜇𝑋 = 𝐸(𝑋) = 3 𝑦 𝐸(𝑋 2 ) = 25. Aplicando las
propiedades de la esperanza y de la varianza, calcula:
a) 𝐸[(𝑋 − 1)]. Rta: 2 b) 𝐸(5𝑋). Rta:15
c) 𝐸[(𝑋 − 3)2 ].
Rta:16 d) 𝑉(𝑋). Rta: 16
e) 𝑉(𝑋 + 3). Rta: 16 f) 𝑉(2𝑋).Rta: 64
11.Un contratista debe elegir entre dos obras. La primera promete una ganancia
de $240000, con una probabilidad de 0.75 o una pérdida de $60000 (debido a
huelgas y otras demoras), con una probabilidad de 0.25, la segunda obra
promete una ganancia de $360000 con una probabilidad de 0.5 o una pérdida
de $90,000 con una probabilidad 0.5. Cuál debería elegir el contratista si quiere
maximizar su ganancia? Justifica.
12.En un negocio aventurado, una señora puede ganar $300 con probabilidad 0,6
o perder $100 con probabilidad 0,4. Halla su esperanza matemática.
X 0 1 2 3 4 5
P(X=x) 0,35 0,28 0,17 0,09 0,08 0,03
50
Estadística – T.S.P.
14.En una casa de venta de artículos para oficinas se realiza un estudio para
analizar la cantidad de computadoras de cierta marca que se venden
diariamente. Sea X: el número de computadoras vendidas diariamente, y se
sabe que:
X 1 2 3 4 5 6
P(X) 0.18 0.23 0.20 0.15 0.14 0.10
3) Un boleto de una rifa ofrece dos premios, uno de $5000 y otro de $2000, con
probabilidades 0,001 y 0,003 ¿Cuál sería el precio justo a pagar por el?
Le cuesta a la fábrica $10 cada vez que utiliza la herramienta. Encuentra la media
y la varianza del costo diario para el uso de la herramienta.
51
Estadística – T.S.P.
𝒑 𝒔𝒊 𝒙 = 𝟏
𝑷(𝑿 = 𝒙) = { 𝒒 𝒔𝒊 𝒙 = 𝟎
𝟎 𝒆𝒏 𝒐𝒕𝒓𝒐 𝒄𝒂𝒔𝒐
Una variable con un comportamiento probabilístico como el señalado se dice que tiene
distribución de Bernoulli.
Ejemplos de ensayos:
Hay dos casos posibles en cada ensayo, éxito o fracaso. el éxito tiene una probabilidad
p y el fracaso una probabilidad q=1-p de ocurrir (sin inferir de esto que un caso exitoso
sea necesariamente un caso deseado).
La probabilidad de éxito y de fracaso permanece constante durante el proceso.
Hay n pruebas, siendo n una constante dada y son independientes, es decir, el
resultado de cualquiera en particular no es afectado por el resultado de cualquier otra.
Distribución binomial
52
Estadística – T.S.P.
n: la cantidad de veces que se hace el experimento (número de pruebas)
p: la probabilidad de que un experimento arroje éxito.
k: la cantidad de veces que se obtiene éxito en las n veces que se hace el experimento.
Ejemplo: Si arrojo una moneda 8 veces con probabilidad 0,5 de que salga cara
(considerando cara como éxito) y sale cara 5 veces, tengo:
n = 8 ; p = 0,5 y k = 5
Se define: X: Bi (n ; p)
X es una variable binomial con parámetros n y p
X es la variable que representa la cantidad de éxitos obtenidos en n
experimentos de Bernoulli independientes cada uno con probabilidad de éxito
p
Se calcula:
𝒏
( ) 𝒑𝒙 . (𝟏 − 𝒑)𝒏−𝒙 𝟎 ≤ 𝒙 ≤ 𝒏
𝑷(𝑿) = { 𝒙
𝟎 ∀ 𝒐𝒕𝒓𝒐 𝒙
Su Varianza: n. p.(1 p)
2
Donde:
n: es un número natural, la cantidad de elementos que hay en total
p: es un número real comprendido entre 0 y 1, la probabilidad de que un elemento cumpla
con la condición.
Estrategia:
Sabemos que nos encontramos frente a la necesidad de emplear una distribución Binomial
cuando:
Se tiene una determinada cantidad de elementos (piezas, intentos)
Cada uno de esos elementos puede o no cumplir con una determinada condición (que
la pieza sea defectuosa, que el intento haya salido bien, etc.)
Se conoce o es posible calcular la probabilidad de que un elementos cumpla con la
condición
Se necesita saber cuál es la probabilidad de que determinada cantidad de elementos de
los n que hay en total cumplan con la condición (cuántas piezas son defectuosas,
cuántos intentos salieron bien, etc.)
53
Estadística – T.S.P.
4) Una máquina produce un determinado número de piezas. Las piezas a veces salen
defectuosas. La probabilidad de que una pieza salga defectuosa es 0,01.
a) ¿Cuál es la probabilidad de que haya piezas defectuosas en un lote de 50 piezas?
b) ¿Cuál es la probabilidad de que haya 2 o más piezas defectuosas en dicho lote?
c) ¿Cuál es la cantidad esperada de piezas defectuosas en el lote?. ¿Cuál es la varianza?
5) Si se tira una moneda una determinada cantidad de veces, se sabe que la cantidad de
veces que sale cara es una variable binomial cuya media es 5 y su varianza es 2,5.
¿Diría usted. Que la moneda es honesta?
1) Las probabilidades de que un delegado que asiste a una convención llegue por avión,
autobús, automóvil o tren son respectivamente 0,4; 0,2; 0,3 y 0,1. ¿Cuál es la
probabilidad de que entre 9 delegados seleccionados al azar al menos 3 hayan llegado
por avión?.
Distribución de Poisson3
Es un buen modelo para la distribución de frecuencias relativas del número de eventos raros
que ocurren en una unidad de tiempo, distancia,…
Es utilizada para modelar la distribución de frecuencias de:
Número de accidentes industriales por unidad de tiempo
Número de reclamaciones de seguros
Número de llegadas a un lugar
Número de errores por capítulo de un libro
…
Un fenómeno aleatorio que cumple las siguientes hipótesis constituye un proceso e Poisson:
Los sucesos o éxitos ocurren dentro de un continuo y son puntuales que no ocupan
una porción apreciable del continuo (suelen denominarse: casos raros).
El número de éxitos en distintas porciones del continuo no superpuestas son V.A.
independientes.
La distribución de probabilidades del número de éxitos en cualquier porción del
continuo, depende sólo de la longitud de la porción y no de la ubicación en el continuo.
La probabilidad de que ocurra un éxito en una porción del continuo suficientemente
pequeña, es proporcional a la longitud de dicha porción.
La probabilidad de que ocurran dos o más éxitos, en una porción de continuo
suficientemente pequeña es despreciable.
Condición inicial P(0)=1
Generalmente se estudia un intervalo continuo y los eventos que ocurren en él. Se definen los
siguientes parámetros:
λ la intensidad (cantidad media de eventos)
T: la longitud de un intervalo continuo que va a estudiarse.
K: la cantidad de eventos que hay en ese intervalo.
Ejemplo: Una máquina falla habitualmente en promedio 2 veces por hora. La controlamos
durante 3 horas y falla 7 veces. Entonces tenemos:
λ= 2 eventos / hora.
T = 3 horas.
K = 7 eventos
Generalmente conocemos el valor de λ, y entonces nos preguntamos cuántos eventos
obtendremos en una determinada cantidad de tiempo, o cuánto tiempo tendremos que
esperar hasta observar una determinada cantidad de eventos.
La distribución de Poisson trabaja solo con el parámetro μ = λ.T. Como T es la longitud del
intervalo, y λ es la cantidad esperada de eventos por unidad de tiempo, entonces μ resulta
ser la media.
3
Estadística-Probabilidades y Distribuciones. Gabriela Kurincic. Ediciones Cooperativas. 2001
(Página144)
55
Estadística – T.S.P.
Entonces:
𝒆−𝝁 . 𝝁𝒙
𝑷(𝑿 = 𝒙) = { 𝒙! 𝒔𝒊 𝒙 ≥ 𝟎
𝟎 𝒔𝒊 𝒙 < 𝟎
𝑬(𝑿) = 𝝁 , 𝝈𝟐 = 𝝁 (𝝁 ∈ 𝑹 > 𝟎)
Ejemplo 1: Teniendo en cuenta que un cajero de una entidad bancaria atiende en promedio
1.2 personas cada 10 minutos, se desea determinar la probabilidad de que dicho cajero:
Solución:
X: cantidad de personas atendidas por el cajero en 10 minutos. La distribución de la variable
es Poisson con promedio 1.2, 𝜆 = 1.2, la función de probabilidades es:
𝒆−𝝀 . 𝝀𝒙 𝒆−𝟏.𝟐 ∗ 𝟏. 𝟐𝒙
𝑃(𝑥) = = 𝒙 = 𝟎, 𝟏, 𝟐, 𝟑, … . , +∞
𝒙! 𝒙!
𝒆−𝟏.𝟐 ∗𝟏.𝟐𝟐
a) 𝑃(𝑥 = 2) = 𝟐!
= 0.21685
𝒆−𝟏.𝟐 ∗𝟏.𝟐𝟎 𝒆−𝟏.𝟐 ∗𝟏.𝟐𝟏 𝒆−𝟏.𝟐 ∗𝟏.𝟐𝟐 𝒆−𝟏.𝟐 ∗𝟏.𝟐𝟑 𝒆−𝟏.𝟐 ∗𝟏.𝟐𝟒
b) 𝑃(𝑥 ≤ 4) = 𝟎!
+ 𝟏!
+ 𝟐!
+ 𝟑!
+ 𝟒!
= 𝟎. 𝟗𝟗𝟐𝟐
𝒆−𝟏.𝟐 ∗𝟏.𝟐𝟑
𝑃(𝑥=3∩𝑥<4)
e) 𝑃(𝑥 = 3⁄𝑥 < 4) = 𝑃(𝑥<4)
= 𝟑!
𝟎.𝟗𝟔𝟔𝟐
= 0.089733
Ejemplo 2: Supón que una compañía de seguros asegura las vidas de 5000 hombres de 42
años de edad. Si los estudios actuariales indican que la probabilidad de que un hombre de 42
años muera en un determinado año es 0.001, entonces la probabilidad exacta de que la
compañía pague x=4 indemnizaciones en un determinado año está dada por la distribución
binomial como:
5000
𝑃(𝑥 = 4) = 𝑝(4) = ( ) . 0.0014 . 0.9994996
4
El valor de la expresión no aparece en tablas y su cálculo es complicado, por lo que se usa
como aproximación la distribución de Poisson.
Solución:
56
Estadística – T.S.P.
𝜆 = 𝑛𝑝 = 5000.0.001 = 5
𝜆4 . 𝑒 −𝜆 54 . 𝑒 −5
𝑃(𝑥 = 4) = = = 0.1745
4! 4!
Ejemplo 3: Supón que una gran planta procesadora y enlatadora de alimentos tiene 20
máquinas enlatadoras automáticas en operación constante. Si la probabilidad de que una
máquina se descomponga durante un día determinado es 0.05, encuentra la probabilidad de
que durante un día determinado fallen dos máquinas. Usa la distribución binomial para
calcular la probabilidad exacta y luego calcula la aproximación de Poisson correspondiente.
Solución:
𝑛 = 20 ; 𝑝 = 0.5 ; 𝜆 = 20 ∗ 0.05 = 1
20
𝑃(𝑥 = 2) = ( ) . 0.052 . 0.9518 = 0.189 (Redondeando a tres cifras decimales)
2
12 .𝑒 −1
𝑃(𝑥 = 2) = 2!
= 0.184 (Redondeando a tres cifras decimales)
Observa que la aproximación de Poisson está bastante cerca del valor exacto de la
probabilidad binomial. La aproximación de Poisson mejora a medida que aumenta el valor de
n. Esta aproximación se recomienda para los casos en que n es grande y 𝜇 = 𝑛. 𝑝 ≤ 7
Ejemplo 4: Un fabricante de podadoras de césped adquiere de un proveedor motores de dos
tiempos de 1 caballo de fuerza, en lotes de 1000. En cada podadora se instala uno de estos
motores. La experiencia indica que la probabilidad de que un motor suministrado por este
proveedor esté defectuoso es 0.001. en un envío de 1000 motores, cuál es la probabilidad de
que:
a) Ninguno salga defectuso.
b) Uno, dos, tres y cuatro salgan defectuosos.
Solución:
Este es un experimento binomial con n=1000 y p=0.001. El número esperado de defectos es:
𝜆 = 𝑛𝑝 = 1000 ∗ 0.001 = 1
𝑒 −1 .10
a) 𝑃(0)~ 0!
= 0.368
𝑒 −1 .11 𝑒 −1 .12 𝑒 −1 .13 𝑒 −1 .14
b) 𝑃(1)~ 1!
= 0.368 ; 𝑃(2)~ 2!
= 0.184 ; 𝑃(3) = 3!
= 0.061 ; 𝑃(4) = 4!
= 0.015
57
Estadística – T.S.P.
Propiedades reproductivas
Si se tiene:
m variables X i
X i : Pois( i )
X i independiente de X j para i j
m
Y Xi
i 1
Entonces:
Y : Pois( y )
m
y i
i 1
Ejemplo: Un estacionamiento tiene dos entradas. Los coches llegan a la entrada I de acuerdo
con una distribución de Poisson con una media de tres por hora, y a la entrada II de acuerdo
con una distribución de Poisson con una media de cuatro por hora. ¿Cuál es la probabilidad de
que tres coches lleguen al estacionamiento durante una hora dada? (Se supone que los
números de coches que llegan a las dos entradas son independientes)
2) Una determinada máquina necesita ser reparada, en promedio, 8 veces por día. ¿cuál
es la probabilidad de que tenga que ser reparada menos de 3 veces?
3) Se tienen 3 gallinas. Una de ellas pone en promedio 2 huevos por día. Otra pone en
promedio 3 huevos por día. La restante pone en promedio 4 huevos por día. ¿Cuál es la
probabilidad de que en un determinado día se produzcan exactamente 10 huevos?
4) Se sabe que el número de microorganismos por gramo de una cierta muestra de suelo
en agua destilada, sigue una distribución de Poisson de parámetro λ = 0,8 por gramo.
Si una preparación con un gramos de esta dilución se vuelve turbia, éste gramo
contiene al menos u microorganismo. Hallar la probabilidad de que una preparación
que se ha vuelto turbia tenga:
a) un solo microorganismo
b) Menos de tres microorganismos
c) Más de dos microorganismos
6) El promedio de personas que llegan a la ventanilla de un banco por minuto durante las
horas hábiles es una. Halla la probabilidad de que en un minuto dado:
8) Si un banco recibe en promedio 6 cheques sin fondo por día, ¿cuáles son las
probabilidades de que reciba:
a) Cuatro cheques sin fondo en un día dado? Rta: 0.134
b) 10 cheques sin fondos en cualquiera de dos días consecutivos? Rta: 0.105
6) Los camiones llegan a una empresa de transporte con un tiempo medio entre llegadas
de 5 minutos. Cuánto tiempo en minutos debe transcurrir para que la probabilidad de
que no llegue ningún camión sea 0.002479?
¿Cuál es la probabilidad de tener que esperar x tiempo hasta obtener el primer evento?
Características:
X es una variable exponencial negativa con intensidad λ.
X es la variable que representa el tiempo que hay que esperar hasta obtener el primer
evento en un continuo con intensidad λ
Sabemos que nos encontramos frente a una distribución exponencial negativa cuando:
Hay un continuo en el cual suceden eventos, como por ejemplo visitas a lo largo del
día, defectos a lo largo de una tela, fallas de un circuito a lo largo de un determinado
período, etc.
Vamos a continuar observando hasta que suceda el primer evento. Ejemplo: hasta que
llegue una visita, hasta que encontremos un defecto en la tela, hasta que el circuito
falle, etc. O también se puede pensar al revés: mientras no llegue ninguna visita,
mientras no encontremos un defecto en la tela, mientras el circuito no falle, etc.
Se conoce o es posible calcular la frecuencia promedio con que los eventos suceden.
Ejemplo: 3 visitas en 15 minutos, 2 defectos por metro de tela, 3 fallas del circuito por
día.
Se necesita conocer la distribución de la cantidad de continuo, por ejemplo: cuál es la
probabilidad de que el evento ocurra en menos de x tiempo, la probabilidad de que
tome más de x tiempo, la probabilidad de tener que revisar más de 5 metros de tela,
etc.
1 .ex x 0
P( X x) F ( x)
0 x0
1
Su esperanza matemática: E ( x)
1
Su varianza: x2
2
60
Estadística – T.S.P.
Ejemplos resueltos:
Ejemplo 1: El tiempo durante el cual las baterías para un teléfono celular trabajan en forma
efectiva hasta que fallan se distribuye según un modelo exponencial, con un tiempo promedio
de falla de 500 horas.
a) Calcula la probabilidad de que una batería funcione por más de 600 horas.
b) Si una batería ha trabajado 350 horas, cuál es la probabilidad de que trabaje más de 300
horas adicionales?
Solución:
X: tiempo que dura la batería hasta que falla.
Como E(x)=500, 𝜆 = 1/500. Por lo tanto su función de distribución será:
0, 𝑠𝑖 𝑥 < 0
𝐹(𝑥) = { 𝑥
1− 𝑒 −500 , 𝑠𝑖 𝑥 ≥ 0
600
a) 𝑃(𝑥 > 600) = 1 − 𝑃(𝑥 ≤ 600) = 1 − 𝐹(60) = 1 − (1 − 𝑒 −500 ) = 0.301
𝑃(𝑥>650)
b) 𝑃(𝑥 > 350 + 300⁄𝑥 > 350) =
𝑃(𝑥>350)
1 − 𝐹(650)
𝑃(𝑥 > 350 + 300⁄𝑥 > 350) =
1 − 𝐹(350)
650
650
1 − (1 − 𝑒 −500 ) 𝑒 −500 650 350
− −(− )
𝑃(𝑥 > 350 + 300⁄𝑥 > 350) = 350 = 350 =𝑒 500 500 = 𝑒 −300/500 = 𝑒 −3/5 = 𝑃(𝑥 > 300)
1 − (1 − 𝑒 −500 ) 𝑒 −500
= 0.549
Lo cual significa que la variable aleatoria exponencial no tiene memoria y se puede
generalizar como:
𝑃(𝑋 ≤ 𝑡 + (𝑠 ) ⁄ ( 𝑋) > 𝑡) = 1 − 𝑒^(−𝑠𝜆) = 𝑃(𝑋 ≤ 𝑠)
Ejemplo 2: El tiempo durante el cual cierta marca de batería trabaja en forma efectiva hasta
que falle (tiempo de falla) se distribuye según el modelo exponencial con un tiempo promedio
de fallas igual a 360 días.
a) Qué probabilidad hay de que el tiempo de falla sea mayor que 400 días?.
b) Si una de estas baterías ha trabajado ya 400 días, ¿qué probabilidad hay que trabaja más
de 200 días más?
Solución:
b) Si la batería ya trabajó 400 días, quiere decir que su tiempo de falla es mayor que este
valor, entonces:
𝑃[𝑥 > 400 + 200⁄𝑥 > 400] = 𝑃(𝑥 > 200) = 𝑒 −200/360 = 0.574
61
Estadística – T.S.P.
2. El periodo de vida en años de una estufa de cierta marca tiene una distribución
exponencial con un promedio de falla de μ=6 años. a) Cuál es la probabilidad de que
una estufa falle después del 4 año? b) Cuál debe ser el tiempo de garantía que deberá
tener la estufa si se desea que a lo más el 20 % de las estufas fallen antes de que
expire su garantía? Rtas: 0.5134 ; 1.34 años
4. Los administradores de cierta industria han notado que su producto tiene un tiempo de
duración que puede considerarse una variable aleatoria con distribución exponencial
con una vida media de 5 años. a) ¿cuál es la probabilidad de que al elegir un artículo
de dicha producción dure más de 10 años? b)¿si el tiempo de garantía asignado por los
administradores es de 1 año, qué porcentaje de sus productos tendrá que reparar la
industria durante el periodo de garantía? Rtas:0.1353; 18,13%
2) Una lavadora tiene una vida media de 10 años. Si la vida útil de ese motor
puede considerarse como una variable aleatoria distribuida en forma
exponencial. ¿Cuál debe ser el tiempo de garantía que deben tener dichas
lavadoras si desea que a lo sumo 20 % de estas fallen antes de que expire su
garantía?
Una variable aleatoria continua era aquella que podía tomar un valor no entero. Una
distribución de probabilidades de variables aleatorias continuas da como resultado una curva
continua que puede adoptar diferentes formas que toman el nombre de “Función de
densidad de Probabilidad”.
De las infinitas formas que adoptan las variables aleatorias continuas, hay muchas cuya
función de densidad tiene forma de campana.
62
Estadística – T.S.P.
Ejemplos:
Se dice que estas variables tienen una distribución normal y la función de densidad recibe
el nombre de curva normal o campana de Gauss.
Para expresar que una v.a. continua X, tiene una distribución normal de media y
desviación típica , escribimos N (, ) .
De las infinitas distribuciones N (, ) , tiene especial interés la de media 0 y desviación típica
1, es decir, N (0,1) . Esta distribución recibe el nombre de estándar o reducida
X
Z
Cálculo de probabilidades en distribuciones normales reducidas
Sea Z una variable que sigue una distribución normal N(0,1).
Veamos algunos ejemplos que nos permiten calcular determinadas probabilidades en las
tablas:
Para el caso a), la probabilidad pedida se encuentra directamente en las tablas. Basta buscar
1,2 en la columna y 0,03 en la fila. Su intersección nos da la probabilidad.
Para el caso b), la probabilidad pedida no está en las tablas. Sin embargo, si tenemos en
cuenta que el área total bajo la gráfica ha de ser 1, deducimos de la figura que:
Para el caso c), en la tabla que utilizamos también se encuentra directamente. Comprobamos
que el resultado final es 0,2358.
63
Estadística – T.S.P.
a) b)
c)
Problemas Resueltos
Ejemplo 1: El peso de los individuos de una población se distribuye normalmente con media
de 70 Kg. y desviación típica 6 Kg. De una población de 2000 personas, calcula cuántas
tendrán un peso comprendido entre 64 y 76 Kg.
Solución:
Es una distribución normal de media 15 y desviación típica 0,5, es decir, N(15; 0,5).
15 15
p( X 15) p( Z ) p( Z 0) p( Z 0) 0,5
0,5
64
Estadística – T.S.P.
Ejemplo 3: La nota media de las pruebas de acceso correspondientes a los estudiantes que
querían ingresar en una facultad era 5,8 y la desviación típica 1,75. Fueron admitidos los de
nota superior a 6.
a) ¿Cuál fue el porcentaje de admitidos si la distribución es normal?
b) ¿Con qué probabilidad exactamente cuatro de diez estudiantes son admitidos?
Solución:
a)
6 5,8
p( X 6) p(Z ) p(Z 0,11) 1 p(Z 0,11) 1 5438 0,4562 45,62%
1,75
n 10
𝑝(𝑜𝑏𝑡𝑒𝑛𝑒𝑟 𝑟 é𝑥𝑖𝑡𝑜𝑠 ) = 𝑝(𝑋 = 𝑟) = p .(1 p) = p ( X 4) (0,4562) (1 0,4562)
r nr 4 6
r 4
10.9.8.7
(0,4562) 4 (0,5438) 6 0,235
4 . 3 .2 .1
En muchos casos se necesita saber el valor que debe tomar X para cumplir una determinada
probabilidad, esto implica realizar el proceso inverso y, dada una probabilidad, buscar en la
tabla el valor de Z que la satisface.
La longitud de los clavos fabricados por una máquina, en milímetros, es una variable aleatoria
X que sigue una distribución normal, con media 10 y varianza 2. Se debe dar una
especificación del máximo de la longitud de los clavos, tal que el 90% de los clavos cumpla
con la especificación, ¿Cuál debe ser?
1) Sea Z una variable normal estandarizada (0;1). Utilizando la tabla, halla las siguientes
probabilidades:
a) P(z 1.28)
b) P(z 1.645)
c) P(z -1.38 )
d) P(z -2.34 )
e) g) P(z 2.5)
f) P(-1.5 z < 0)
g) P(-2.3 z 1)
h) P(0.82 z 1.35)
i) P(0 z 1.25)
2) En la siguiente distribución normal con µ=250 y con =300, calcula las siguientes
probabilidades.
a) P(x 330)
b) P(x > 330)
c) P(x < 210)
65
Estadística – T.S.P.
3) Los resultados de una prueba están distribuidos normalmente, con un µ=500 puntos y
con =100 puntos. Se elige un individuo al azar, halla las siguientes probabilidades:
a) esté entre 500 y 600 puntos.
b) esté entre 450 y 650 puntos.
c) sea superior a 650 puntos.
d) sea inferior a 300 puntos.
7) Una empresa lleva a cabo una prueba para seleccionar nuevos empleados. Por la
experiencia de pruebas anteriores, se sabe que las puntuaciones siguen una distribución
normal de media 80 y desviación típica 25. ¿Qué porcentaje de candidatos obtendrá entre 75
y 100 puntos?
1) La longitud de los clavos fabricados por una máquina, en milímetros, es una variable
aleatoria X que sigue una distribución normal, con media 10 y varianza 2. Calcular:
a) ¿Cuál es la probabilidad de que un clavo elegido al azar mida menos de 12 milímetros?.
b) ¿Cuál es la probabilidad de que un clavo elegido al azar mida menos de 7 milímetros?.
3) La vida útil de las lamparitas producidas por una fábrica es una variable aleatoria
normal con media aritmética de 540 horas y un desvío estándar de 50 horas.
a) ¿Qué probabilidad hay de que una lamparita seleccionada al azar tenga una vida útil
de más de 640 horas?
66
Estadística – T.S.P.
b) ¿Cuál es la probabilidad de que la vida útil de una lamparita elegida al azar sea mayor
que 520 horas y menor que 690 horas?
4) El horario de ingreso en una escuela es 7:45 horas. El tiempo promedio que demora un
determinado alumno en llegar a esa escuela es de 25 minutos, con un desvío estándar
de 3,9 minutos.
a) Calcula la probabilidad de que dicho alumno demore en llegar a la escuela más de
media hora.
b) Si ese alumno sale de su casa a las 7:10 horas, ¿cuál es la probabilidad de que no
llegue tarde a la escuela?
5) Supongamos que las notas de un examen se distribuyen según una variable aleatoria
N 76;15 y al tomarlo se comprueba que un 15% obtiene sobresaliente y un 10%
insuficiente. Hallar la nota mínima para aprobar y la mínima para obtener
sobresaliente.
67
Estadística – T.S.P.
Observación: Al estar aproximando una distribución discreta por una continua, lo que se
hace es tomar intervalos de la continua, que representan los valores puntuales de la discreta.
Por ejemplo, consideremos que la discreta vale 43, si la continua tiene cualquier valor entre
42.5 y 43.5. Entonces la probabilidad de que la discreta esté entre 8 y 12 no es la
probabilidad de que la continua esté ente 8 y 12 sino de que esté ente 7,5 y 12,5. Considerar
esto se conoce como “corrección por continuidad”.
Ejemplo: Se tiene una variable aleatoria X: Pois (μ = 60). ¿Cuál es la probabilidad de que X
sea menor a 70?
El muestreo estadístico
Para averiguar las características de un todo, basta muestrear una parte de él.
Podemos mencionar entre las principales razones para realizar el muestreo a las siguientes:
a) Ensayos de tipo destructivo.
b) Imposibilidad de conocer todas las unidades elementales que componen la
población.
c) Tiempo que insume analizar la población completa cuando su tamaño es muy
grande.
d) Alto costo que a veces implica relevar los datos.
Censo y muestra
En ocasiones, es posible y práctico examinar a todas las personas o miembros de la
población que deseamos describir. A esto lo llamamos enumeración completa o censo.
Recurrimos al muestreo cuando no es posible contar o medir cada elemento de la población.
Los estadísticos usan la palabra "población" para designar no sólo a las personas, sino a todos
los elementos, que han sido escogidos para ser estudiados.
Estadísticos y parámetros
Desde el punto de vista matemático, podemos describir las muestras y poblaciones
mediante medidas como la media, la mediana, el modo y la desviación estándar. Cuando
estos términos describen las características de una muestra, se les llama estadísticos. Cuando
68
Estadística – T.S.P.
En el muestreo aleatorio simple, se seleccionan las muestras mediante métodos que permiten
a cada muestra posible tener igual probabilidad de ser seleccionada y a cada elemento de la
población entera tener igual probabilidad de quedar incluido en la muestra. Por finita
entendemos la población que posee un tamaño formulado o limitado, es decir, hay un número
entero (N) que nos indica cuántos elementos existen en la población.
La población infinita es aquella en que, teóricamente, es imposible observar todos los
elementos. Así pues, en la práctica emplearemos la expresión "población infinita" cuando
hablemos de una población que no puede ser enumerada en un período razonable. De este
modo, usaremos el concepto teórico de "población infinita" como una aproximación de una
gran población finita.
Muestreo sistemático
Muestreo estratificado
Para aplicar el muestreo estratificado, dividimos la población en grupos homogéneos
relativos, llamados estratos. Después recurrimos a uno de dos métodos posibles:
seleccionamos al azar, en cada estrato, un número especificado de elementos
correspondiente a la proporción del estrato de la población total, o bien extraemos un número
igual de elementos de cada estrato y damos un peso a los resultados, de acuerdo con la
proporción del estrato en la población total. En uno y otro método, el muestreo estratificado
garantiza que todos los elementos de la población tengan una posibilidad de ser
seleccionados. El muestreo estratificado es adecuado cuando la población ya está dividida en
grupos de diferentes tamaños, y queremos reconocer ese hecho. La ventaja de las muestras
estratificadas estriba, pues, en que, cuando se diseñan bien, reflejan más exactamente las
características de la población de donde se extrajeron que otras clases de muestreo.
70
Estadística – T.S.P.
comprenda al parámetro de la población; una probabilidad mayor significa más confianza en
la estimación. Los niveles de confianza más utilizados son: 0.90, 0.95 y 0.99, es decir, 90, 95
y 99%. A (1 - α) se lo denomina el coeficiente o nivel de confianza de la estimación.
Teniendo en cuenta estandarización y el teorema central del límite esta probabilidad resulta:
𝜎 𝜎
𝑃 {𝑥̅ − 𝑧1−𝛼 ≤ 𝜇 ≤ 𝑥̅ − 𝑧1−𝛼 }=1−𝛼 𝑠𝑖 𝑛 > 30
2 √𝑛 2 √𝑛
𝜎
Donde |𝑍1−𝛼 . | es el error en la estimación.
2 √𝑛
𝑧2 ∗ 𝜎2
𝑛=
𝑒2
𝑥̅ − 𝜇
Si el desvío estándar σ es desconocido en este caso z será 𝑧 = 𝜎/√𝑛
Pero esta variable del denominador es diferente para cada media de la muestra.
71
Estadística – T.S.P.
Ejemplos para resolver en clase:
1) Una muestra de una gran partida de cierta componente electrónica contiene 100
unidades. La duración media de funcionamiento de la componente de la muestra es de
1000 hs. Hallar el intervalo de confianza del 95% para la duración media de
funcionamiento de toda la partida, si se sabe que la dispersión poblacional es de 40 hs.
(el tiempo se distribuye en forma aproximadamente normal).
2) Por los datos de 9 mediciones independientes de igual precisión de una cierta variable
física, que se distribuye normalmente, se ha hallado la media y la dispersión
muestrales x 30,1 y s 6 . Estimar el valor medio real de la variable aleatoria que se
mide mediante un intervalo del 99%.
2) Una máquina de refrescos está ajustada de tal manera que la cantidad de líquido
despachada se distribuye normalmente con un una desviación estándar de 0,15
decilitros.
a) Encontrar un intervalo de confianza del 95% para la media de todos los refrescos que
sirve ésta máquina si una muestra aleatoria de 36 refrescos tiene un contenido promedio
de 2,25 decilitros.
b) ¿Qué tan grande se requiere que sea la muestra si se desea tener una confianza del 95%
de que la media muestral estará dentro de 0,02 decilitros del promedio real?
3) Las alturas de una muestra aleatoria de 50 estudiantes mostraron una media de 174.5
centímetros y una desviación estándar de 6.9 centímetros.
a) Determinar un intervalo de confianza de 98% para la altura promedio de todos
los estudiantes.
b) ¿Qué se puede afirmar con un 98% de confianza acerca del posible tamaño del
error si se estima que la altura promedio de todos los estudiantes es 174.5
centímetros?
72
Estadística – T.S.P.
5) Un experto en eficiencia desea determinar el tiempo promedio que toma el hacer tres
perforaciones en una cierta pieza metálica. ¿Qué tan grande se requiere que sea la
muestra si se necesita una confianza del 95% de que su media muestral estará dentro
de 15 segundos del promedio real? Asumir que, por estudios previos se sabe que
40 segundos.
0,3; x 2
0,1; x 1
0,2; x 1
0,3; x 3
0,2; x 2
c) P( X x) d) P( X x)
0,3; x 7 0,3; x 3
0otrox 0,1; x 1
0otrox
2) La función de probabilidad de una variable aleatoria X está definida por medio de la
siguiente tabla:
X 8 12 17 20
P( X x) 2a 0,1 b c + 2a
a) Determinar los valores de a, b y c sabiendo que Px 10 2.Px 17 1,2 y
P8 x 17 0,3
b) Obtener Px 12 , Px 20 y Px 8
0 X 3
1 / 3 3 X 4
F ( X ) 1 / 2 4 X 5
2 / 3 5 X 6
1 X 6
a) Calcular P(3 X 5)
b) Hallar la función de probabilidad de X
recorrido R( X ) 3,1,1,3
a) Calcular P( X 0)
73
Estadística – T.S.P.
b) Verificar que P( X 0) P( X 0)
c) Hallar y graficar la función de distribución de X
6) Si llueve, un vendedor de paraguas gana $30, al día, y si no llueve pierde $6. ¿Cuál es
su esperanza matemática si la probabilidad de lluvia es de 0,3?
8) ¿Cuál es el precio justo que se debería a abonar en un juego en el que se gana $25 con
probabilidad 0,2 y $10 con probabilidad 0,4?
10) Una sustancia radioactiva emite un promedio de 1800 partículas por hora.
Calcular la probabilidad de que en un período de 2 segundos se emitan por lo menos 2
partículas.
12) La probabilidad de que un individuo sufra una reacción negativa ante una
inyección de cierto suero es 0.001, hallar la probabilidad de que entre 2000 individuos:
a) exactamente 3 y b) más de 2 de ellos reaccionen negativamente.
15) Se sabe que una fuente de líquidos contiene bacterias, con un promedio de 3
bacterias por mm3 . El número de bacterias por unidad de volumen puede tomarse
como una variable aleatoria Poisson. Diez tubos de 0,5 mm3 se llenan con líquido.
Calcular la probabilidad de que:
a) Todos los tubos queden contaminados, es decir, contengan al menos una bacteria.
b) Exactamente 7 tubos queden contaminados.
16) El horario de ingreso en una escuela es 7:45 horas. El tiempo promedio que
demora un determinado alumno en llegar a esa escuela es de 25 minutos, con un
desvío estándar de 3,9 minutos.
c) Calcular la probabilidad de que dicho alumno demore en llegar a la escuela mas de
media hora.
d) Si ese alumno sale de su casa a las 7:10 horas, ¿cuál es la probabilidad de que no
llegue tarde a la escuela?
17) Los tiempos de servicio en una ventanilla de cajero de banco siguen una
distribución exponencial con promedio de 3,2 minutos. Un cliente llega a la ventanilla a
las 4:00 p.m.
a) Encontrar la probabilidad de que todavía este allí a las 4:02
b) Calcular la probabilidad de que todavía esté allí a las 4:04, dado que todavía estaba alí
a las 4:02. Obtener conclusiones.
21) Las ausencias por enfermedad de los empleados de una empresa en un mes
determinado tienen una distribución aproximadamente N( 200 hs. ; 20 hs.). Calcular la
probabilidad de que el mes próximo el ausentismo total por enfermedad sea menor que
150 horas.
75
Estadística – T.S.P.
22) La siguiente X 0 1 2 3
distribución de P(X=x) k (k 0,25) 0,5k 0,5 0,25k 0,1 0,2125
probabilidad corresponde a
la variable aleatoria “cantidad de empleados ausentes por día” en una empresa.
1) Hallar el valor de k
2) Calcular la probabilidad de que un cierto día falte algún empleado.
3) Hallar el valor esperado y el desvío estándar de la cantidad de empleados ausentes por
día.
23) Un vendedor de seguros vende pólizas a 5 hombres, todos con la misma edad e
idéntica condiciones de buena salud. Según la tabla de seguros, la probabilidad de que
un hombre de esta edad en particular esté vivo dentro de 30 años es 2/3. Encuentre la
probabilidad de que en 30 años estén vivos:
a) Al menos 3 hombres
b) Solo 2 hombres
24) Un investigador afirma que el ciclo de vida de los ratones puede prolongarse
hasta en 25% cuando las calorías en su alimentación se reducen aproximadamente
40% desde el momento en que se les desteta. Las dietas con restricciones son
enriquecidas a niveles normales con vitaminas y proteínas. Suponiendo que, por
estudios previos, se sabe que 5.8 meses, ¿Cuántos ratones deben incluirse en la
muestra si se desea tener una confianza del 99% de que el ciclo promedio de vida de la
muestra estará dentro de los 2 meses del promedio poblacional para todos los ratones
sujetos a esta dieta reducida?.
25) Una máquina produce piezas metálicas de forma cilíndrica. Se toma una muestra
de piezas cuyos diámetros son 1.01 0.97 1.03 1.04 0.99 0.98 0.99 1.01 1.03
centímetros. Encontrar un intervalo de confianza del 99% para el diámetro promedio
de piezas de esa máquina, si supone una distribución aproximadamente normal.
27) Una máquina de bebidas preparadas se ajusta para que agregue cierta cantidad
de jarabe en una cámara donde éste se mezcla con agua carbonatada. Se encuentra
que una muestra aleatoria de 20 bebidas tiene un contenido medio de jarabe de 1,1
onzas líquidas y una desviación estándar de 0,025 onzas líquidas. Obtener un intervalo
de confianza del 90% respecto a la cantidad media de jarabe mezclado en cada bebida.
28) Por los datos de 9 mediciones independientes de igual precisión de una cierta
variable física, que se distribuye normalmente, se ha hallado la media y la dispersión
muestrales: x 30,1 y S 6 . Estimar el valor medio real de la variable aleatoria que se
mide mediante un intervalo de confianza del 99%.
76
Estadística – T.S.P.
RESPUESTAS:
1) a) Es función de probabilidad. E( x) 2,7 ; ( x) 1,41 ; ( x) 1,187 b y c) No es función
2
6) E( x) 4,8
7) a) P( x 18) 0,92 ; b) E( x) 142,5 ; ( x) 7,125 8) E ( x) 9
2
7
9) a) P( x 1) 0,228 ; b) P( x 0) 0,7374 ; P( x 5) 1,37 *10
10) P( x 2) 0,2642 11) a) P( x 76) 0,00227 ; b) P(60 x 80) 0,8824 ; c)
P( x 55) 0,0139
12) a) P( x 3) 0,1804 ; b) P( x 2) 0,323 ; 13) P( x 0) 0,082
18) a) P( x 180) 0,1292 b) P(138 x 175) 0,7406 c) P( x 160) 0,4207 d) 2584 ; 14812 ;
8414
3 5
19) a) P( x 2) 0,9332 b) P( x 1) 6,2 *10 c) P( x 4) 1,41 *10 20) P( x 3) 0,0548
3
21) P( x 150) 6,2 *10 ; 22) a) k 0,25 , verifica que ninguna probabilidad es negativa
b) P( x 1) 1 ; c) E( x) 1,5875 20) a) P( x 3) 0,790 ; b) P( x 2) 0,1646
24) n=56 25) (0.978;1.033) 26) (1.49;3.71) 27) ( 1,0903 ; 1,1092 ) 28) (23,39 ;
36,81) 29) 13
77
Estadística – T.S.P.
78
Estadística – T.S.P.
79
Estadística – T.S.P.
80
Estadística – T.S.P.
81
Estadística – T.S.P.
Modelos de exámenes parciales y finales
Universidad Tecnológica Nacional – Mar del Plata – Carrera: Técnico Superior en Programación
Estadística: 1º Examen Parcial
1) La siguiente tabla muestra las cantidades vendidas por semana de un determinado producto:
fa fr Fa fr % Fa %
Semana 1 10
Semana 2 8
Semana 3 12
Semana 4 20
Totales
a) Completar la tabla de frecuencias. Calcular el promedio semanal de unidades vendidas.
b) ¿Qué porcentaje se vendieron en la segunda semana? ¿Cuántas unidades llevaban vendidas
en la tercer semana? ¿Qué frecuencias visualizan esa información?
c) Representar la frecuencia absoluta de cada semana en un gráfico estadístico.
2) Una empresa fabrica aparatos electrónicos los cuales pueden salir con defectos o sin defectos. Se
realiza una prueba y se seleccionan al azar 5 aparatos:
a) Encontrar la cantidad de elementos que contiene el espacio muestral asociado al experimento y el
cálculo que efectúa.
b) Describir el suceso asociado a: “Encontrar como mínimo 4 aparatos defectuosos”
c) Describir el suceso contrario a “Se encontró al menos un aparato defectuoso”
3) Dos alarmas que funcionan independientemente tienen probabilidad de fallar de 0,02 para la
primera y 0,01 para la segunda. Hallar:
c) La probabilidad de que al activarse la emergencia funcione solo una de las dos.
d) La probabilidad de que funcione alguna de las dos.
e) La probabilidad de que se active la segunda si se activa la primera.
f) Si se activó alguna de ellas, que haya sido la segunda.
5) Dos candidatos a los consejos de administración A y B, compiten por el control de una corporación.
Las probabilidades de ganar de estos candidatos son 0,7 y 0,3, respectivamente. Si gana A, la
probabilidad de introducir un nuevo producto es 0,8; si gana B, la correspondiente probabilidad es
0,4. Demuestre que, antes de las elecciones, la probabilidad de que sea introducido un nuevo
producto es 0,68.
82
Estadística – T.S.P.
1º Examen Parcial
2) Una revista de noticias publica tres columnas tituladas “arte”, “libros” y “cine”. Los hábitos de lectura de
un lector elegido al azar con respecto a las tres columnas es:
3) Un mecanismo eléctrico que contiene cuatro interruptores sólo funciona cuando todos ellos están
cerrados. En sentido probabilístico, los interruptores son independientes en lo que se refiere al cierre o
a la apertura, y, para cada uno de ellos, la probabilidad de que no funcione es 0,1. Calcúlese la
probabilidad de que no funcione el mecanismo en conjunto, despreciando todas las causas que
pueden hacer que el mecanismo no funcione, excepto los propios interruptores.
4) En una empresa, se sabe por experiencia previa, que la probabilidad es de 0.84 de que un nuevo
trabajador que ha asistido al programa de capacitación de la compañía cumplirá con su cuota de
producción y que la probabilidad correspondiente es de 0.49 de un nuevo trabajador que no ha
asistido al programa de capacitación. Si el 70% de todos los trabajadores de nuevo ingreso asisten al
programa de capacitación, ¿Cuál es la probabilidad de que un nuevo trabajador haya asistido al
programa de capacitación si no cumple con su cuota de producción?
83
Estadística – T.S.P.
Universidad Tecnológica Nacional – Unidad Académica Mar del Plata
Carrera: Técnico Superior en Programación
Estadística: 2º Examen Parcial
2) Las probabilidades de que un delegado que asiste a una convención llegue por
avión, autobús, automóvil o tren son respectivamente 0,4; 0,2; 0,3 y 0,1. ¿Cuál es
la probabilidad de que entre 9 delegados seleccionados al azar al menos 3 hayan
llegado por avión?.
84
Estadística – T.S.P.
1) La función de probabilidad de la tabla representa la variable aleatoria X: cantidad de veces por día que
una computadora falla luego que se la reacondiciona y se la pone a prueba.
X 0 1 2 3 4 5
P(X=x) 0,42 0,28 0,15 0,10 a 0,02
2) Suponiendo que la probabilidad de que un artículo producido por una máquina especial sea defectuoso
es igual a 0,02. Si 10 artículos producidos se seleccionan al azar. ¿Cuál es la probabilidad de que no
se encuentre al menos un artículo defectuoso?. Usar las distribuciones de Binomial y Poisson y
comparar las respuestas.
3) Hallar el promedio de errores en una página manuscrita, si la probabilidad de que la página manuscrita
contenga por lo menos un error, es igual a 0,95. Se supone que el número de errores está distribuido
según la ley de Poisson.
5) La vida media de una máquina es de 7 años. Si esta vida puede considerarse como una variable
aleatoria distribuida en forma exponencial, ¿Cuál es la probabilidad de una máquina falle antes del
séptimo año de uso?
85
Estadística – T.S.P.
1 2 3 4 5 Calificación Final
1) Las siguientes tablas son el resultado del número de componentes defectuosos encontrados en el
armado de 20 computadoras por tres empresas diferentes. Determinar la dispersión de cada
empresa en el armado de las 20 computadoras, comparar los resultados y extraer una conclusión.
Utilizar un gráfico estadístico de comparación para las 3 empresas.
x i : Número de fallas; f a : Cantidad de computadoras Empresa 1 Empresa 2 Empresa 3
xi fa xi : fa xi fa
2) Un estudio demostró que los tiempos de vida de 0 8 0 8 0 7
ciertos tipos de monitores se distribuyen 1 5 1 6 1 7
normalmente con media 1248 hs y desvío 185 hs. 2 3 2 4 2 2
a) Si la garantía cubre hasta las 1077,8 hs, 3 4 3 2 3 4
calcular el porcentaje de monitores a los que Totales Totales Totales
no cubrirá la garantía.
b) Si se seleccionan al azar 10 monitores, calcular la probabilidad de que exactamente a dos
de ellos no les cubra la garantía. Cuantos monitores entre los 10 es esperable encontrar los
cuales si le cubrirá la garantía.
3) El esquema representa un sub-circuito entre M y N. A, B, C son interruptores que cierran desde
un comando, en forma independiente con probabilidades 0,9; 0,9 y 0,8 respectivamente. Si se
acciona el comando de cierre, ¿cuál es la probabilidad de que pase corriente de M a N?
4) En una planta de electrónica, se sabe por experiencia que la probabilidad es de 0.84 de que un
nuevo trabajador que ha asistido al programa de capacitación de la compañía cumplirá con su cuota
de producción y que la probabilidad correspondiente es de 0.49 de un nuevo trabajador que no ha
asistido al programa de capacitación. Si el 70% de todos los trabajadores de nuevo ingreso asisten
al programa de capacitación, ¿Cuál es la probabilidad de que un nuevo trabajador haya asistido al
programa de capacitación si no cumple con su cuota de producción?
86
Estadística - T. S. P.
Contenido
Conceptos básicos .....................................................................................................1
Parámetros y estadísticos ...........................................................................................1
Las variables o atributos se clasifican de la siguiente manera .........................................1
Variables cuantitativas ..................................................................................................1
Variable cuantitativa discreta .........................................................................................2
Variable cuantitativa continua ........................................................................................2
Variable aleatoria cualitativa ..........................................................................................2
Análisis Cuantitativo Unidimensional ............................................................................2
Distribuciones de frecuencia ..........................................................................................2
La frecuencia absoluta ..................................................................................................3
La frecuencia relativa....................................................................................................3
La frecuencia relativa porcentual f r % ............................................................................3
La frecuencia acumulada ...............................................................................................3
La frecuencia acumulada porcentual Fr % ........................................................................3
Intervalos de Clase....................................................................................................4
Representaciones Gráficas ..........................................................................................5
Variables categóricas o cualitativas ................................................................................5
Medios gráficos de representación: Variables cuantitativas ..........................................7
Medidas de posición o de tendencia central ................................................................ 11
Medidas de variabilidad o de dispersión ..................................................................... 12
Experimento aleatorio .............................................................................................. 19
Experimentos simples .............................................................................................. 19
Experimentos compuestos ........................................................................................ 19
Suceso seguro ........................................................................................................ 20
Suceso imposible .................................................................................................... 20
Sucesos incompatibles ............................................................................................. 21
Sucesos contrarios o complementarios....................................................................... 21
Suceso contenido o incluído en otro ........................................................................... 21
Unión de Sucesos compatibles .................................................................................. 22
Unión de sucesos incompatibles ................................................................................ 22
Unión de un suceso contenido en otro........................................................................ 22
Intersección de sucesos ........................................................................................... 22
Diferencia de sucesos ................................................................................................... 23
Definición intuitiva o informal ................................................................................... 24
Definición clásica de probabilidad .............................................................................. 24
Definición experimental de probabilidad ..................................................................... 24
Ley de los grandes números ..................................................................................... 24
Estadística - T. S. P.
Definición axiomática de probabilidad ........................................................................ 25
De los axiomas se desprenden cinco consecuencias ..................................................... 25
Uso de la combinatoria para el cálculo de probabilidades .............................................. 26
Sucesos dependientes e independientes ..................................................................... 30
Sucesos disjuntos ................................................................................................. 30
Un suceso incluido en otro ..................................................................................... 30
Sucesos compatibles ............................................................................................. 31
Teorema de la Probabilidad Total. Teorema de Bayes .................................................. 32
Teorema de la Probabilidad Total ............................................................................ 32
Ejercitación complementaria: Probabilidad Condicionada y sucesos independientes.
Teorema de la probabilidad total. Teorema de Bayes .................................................. 35
Distribución de una Variable Aleatoria Discreta. Función de probabilidad ........................ 42
Distribuciones acumuladas-Función de distribución ...................................................... 44
Media, esperanza matemática o valor esperado de una variable aleatoria discreta ........... 45
Varianza y Desviación estándar para una variable aleatoria discreta .............................. 48
Propiedades de la varianza ....................................................................................... 48
Ejercicios de resolución grupal .................................................................................. 49
Ejercicios de resolución individual: Variables Aleatorias ................................................ 51
¿Cuál es la probabilidad de obtener x éxitos en n intentos?, ........................................ 52
Distribución particular de Variables Aleatorias continua: Distribución Normal .................. 62
Aproximación de Binomial y Poisson por Normal ......................................................... 67
Aproximación de la distribución binomial por la distribución normal ............................... 67
Aproximación de la distribución de Poisson por la distribución normal ............................ 67
El muestreo estadístico ............................................................................................ 68
Razones del muestreo.............................................................................................. 68
Censo y muestra ..................................................................................................... 68
Estadísticos y parámetros ........................................................................................ 68
Ejercitación Integradora 2° Parcial ............................................................................ 73