CUADERNO DE ESTADÍSTICA PRIMER PARCIAL

Camacho Fernando - Gualotuña Erick - Narváez Italo - Méndez Daniel - Ponluisa Carla -
Rosero Camila

ESTADÍSTICA:

• Recolectar datos
• Organizar
• Presentar
• Analizar

• Tomar decisiones

• Big Data
• Inteligencia Artificial
• Machine Learning

POBLACIÓN: Conjunto de entes a ser estudiado.

MUESTRA: Subconjunto de la población.

VARIABLES:

• CUALITATIVAS

– Nominales: Sin orden o posición como Género, Religión o Etnia.

– Ordinales: Nivel de escolaridad.
– Jerárquicas: Tienen orden como Rango militar, Nivel jerárquico organizacional.

• CUANTITATIVAS
– Discretas: Variables que están claramente separadas.
∗ Edad
∗ Número de hijos
∗ Tallas
– Continuas:
∗ Dinero
∗ Peso
∗ Estructura
∗ Tramo
∗ Área
∗ Volumen
∗ Densidad

1
VARIABLES CUALITATIVAS

Tablas de Distribución de Frecuencias.

Consumo de Alimentos Sábado 28-Sep

ALIMENTOS CANTIDAD
Yaguarlocro 20
Fritada 25
Pollo 10
Cuy 15
Caldo de Patas 10
TOTAL 80

Fuente: Restaurante Riobambeñita

Tabla de Distribución de Frecuencias Relativas

Tı́tulo - Subtı́tulo
ALIMENTOS CANTIDAD
Yaguarlocro 0.250
Fritada 0.3125
Pollo 0.125
Cuy 0.1875
Caldo de Patas 0.125
TOTAL 1

Fuente

Tabla de Distribución de Frecuencias Porcentual

Tı́tulo - Subtı́tulo
ALIMENTOS CANTIDAD (%)
Yaguarlocro 25
Fritada 31.25
Pollo 12.5
Cuy 18.75
Caldo de Patas 12.5
TOTAL 100

Fuente

Diagrama de Distribución de Frecuencias

VARIABLES CUANTITATIVAS

2
 Observación 001
Edad 21
Género M
Estatura 168
Peso 80
Ser Bachiller 920
Nota Colegio 9.27
T.C. F
ID -
Provincia Sucumbı́os
Núm. Hnos. 3
Orden Nacimiento 1

• Variables
• Datos

Base de Datos: Conjunto de datos.

Número de datos cuantitativos: 6

Número de datos cualitativos: 5

Número de datos cualitativos nominales: 4 (Género, T. Colegio, Provincia, Cédula)

Número de datos cualitativos jerárquicos: 1 - Orden nacimiento

Número de datos cuantitativos discretos: 3 - (Edad,N. hermanos, Ser B.

Número de datos cuantitativos continuos: 3 - (N. Colegio, Estatura, Peso)

• Medidas Descriptivas
– Medidas de tendencia central:
∗ Media
∗ Mediana
∗ Moda
∗ Media Geométrica
∗ Media Armónica
∗ Media Ponderada
– Medidas de variación:
∗ Varianza
∗ Desviación Estándar
∗ Desviación Media
∗ Coeficiente de Variación
∗ Error Tı́pico
– Medidas de forma:
∗ Coeficiente de Asimetrı́a
∗ Curtosis
– Medidas de posición:
∗ Cuartiles
∗ Quintiles

3
 ∗ Deciles
∗ Percentiles

• Gráfico
– Histograma
– Diagrama de tallo y hojas
– Diagrama de caja y bigotes (Boxplot)
– Diagrama de puntos

MEDIDAS DE TENDENCIA CENTRAL

Media Aritmética (Promedio - Media)

Σx
Población: µ =
N
Σx
Muestra: x̄ =
n
Ejemplo:

A={21,21,21,20,22,19,20,24,19,19,20,19,19}

21 + 21 + ... + 19
x̄ =
13
x̄ = 20.31

Agrupados por frecuencia

Σx ∗ f
µ=
N
Σx ∗ f
x̄ =
n

Edad Frecuencia x*f

x f
19 5 95
20 3 60
21 3 63
22 1 22
24 1 24
Total 13 264

264
x̄ =
13
x̄ = 20.31

Media Geométrica
1
XG = (Π ∗ xi ) n

1
5 3 2
XG = (19 ∗ 20 ∗ 21 ∗ 22 ∗ 24) 12

4
XG = 20.26

Media por Datos Agrupados

EDAD FRECUENCIA MARCA DE CLASE f*Xc

- f Xc
[5 - 10[ 15 7.5 112.5
[10 - 15[ 12 12.5 150
[15 - 20[ 8 17.5 140
[20 - 25[ 5 22.5 112.5
40 515

ΣXc ∗ f
µ=
N
ΣXc ∗ f
x̄ =
n
515
x̄ =
40
x̄ = 12.88

Mediana

{19,19,19,19,19,20,20,20,21,21,21,22,24}

n+1
Localización de la mediana: LM e =
2
13 + 1
LM e = =7
2
M e = 20

{19,19,19,19,19,20,20,20,21,21,21,22,24,72}

336
x̄ = = 24
14
14 + 1
LM e = = 7.5
2
20 + 20
Me = = 20
2
Moda: Valor que se repite con mayor frecuencia.

2 modas = bimodal

≥ 3 multimodal

Mo=19

Datos Agrupados

5
 EDAD FRECUENCIA FREC. ACUMULADA MARCA DE CLASE Xc*f
f F Xc Xc*f
[5 - 10[ 15 15 7.5 112.5
[10 - 15[ 12 27 12.5 150
[15 - 20[ 8 35 17.5 140
[20 - 25[ 10 45 22.5 225
[25 - 30[ 5 50 27.5 137.5
50 765

Media:
ΣXc ∗ f
x̄ =
n
x̄ = 15.30

Mediana
n
−F
M e = Li + ( 2 )∗∆
f

Li: Lı́mite inferior de la clase de la mediana

Li=10

n=50 ; Número de datos

F=15 ; Frecuencia acumulada antes de la mediana

f=12 ; Frecuencia acumulada de la clase de la mediana

∆ = 5 ; Tamaño de la clase

50
− 15
M e = 10 + ( 2 )∗5
12
M e = 14.17

Moda
d1
M o = Li + ( )∗∆
d1 + d2
Li: Lı́mite inferior de la clase modal

d1: Diferencia entre la frecuencia de la clase modal y la frecuencia de la clase anterior a la clase modal.

d2: Diferencia entre la frecuencia de la clase modal y la frecuencia de la clase siguiente a la clase modal.

Li=5

d1=15-0=15

d2=15-12=3

∆=5
15
Mo = 5 + ( )∗5
15 + 3
M o = 9.17

6
 N Edad Peso Estatura Nota Ser B. Nota Cole Genero Tipo Cole N Hermanos Orden Herm.
01 21 80 168 920 8.36 M F 3 1
02 21 67 168 915 8.20 M A 2 1
03 21 65 168 894 8.46 M A 4 4
04 20 66 168 938 8.14 M A 2 1
05 22 55 169 911 8.5 M F 3 3
06 19 69 174 904 8.69 M A 2 1
07 20 64 165 913 8.12 M A 3 2
08 24 60 167 830 9 M A 7 2
09 19 50 159 982 9,47 F A 3 1
10 19 55 170 907 8.5 M A 2 1
11 20 70 170 913 8.31 M A 2 1
12 19 88 175 945 8.9 M A 2 1
13 18 50 159 910 9.45 F P 1 1
14 19 60 171 895 9.26 M A 3 3
15 19 65 165 983 9.27 M F 4 1
16 19 70 166 950 8.9 M F 2 1
17 22 83 179 994 9.46 M A 4 4
18 18 60 167 979 8.74 M P 2 2
19 20 65 166 900 8.54 M F 3 2
Media Aritmética, Moda, Mediana

[0 - 20) 15
[20 - 40) 17
[40 - 60) 18
[60 - 80) 25
[80 - 100) 15

Conjuntos de Datos:
A = 8,10,12,12,14,14,14,14,18,18,20
B = 12,12,13,13,14,14,14,14,15,15,18
X A = 14.0 X B = 14.0
Diagrama de Puntos:

Figure 1: Diagarama de puntos de los conjuntos A y B respectivamente

Rango = Max - Min

RangoA = 20 − 8 = 12
RangoB = 18 − 12 = 6
Desviación
P Media:
|X − X|
DM = Promedio de las distancias
n
Tabulación de datos:

7
 X X −X |X − X| (X − X)2 (X − X)3 (X − X)4
8 -6 6 36 -216 1296
10 -4 4 16 -64 256
12 -2 2 4 -8 16
12 -2 2 4 -8 16
14 0 0 0 0 0
14 0 0 0 0 0
14 0 0 0 0 0
14 0 0 0 0 0
18 4 4 16 64 256
18 4 4 16 64 256
20 6 6 36 216 1296
X
154 0 28 128 48 3392

Media X = 14
Varianza:
(x − µ)2
P
Población σ2 =
N
(x − x)2
P
Muestra S2 =
n−1

128
S2 = = 12.8
11 − 1

Desviación Estándar:

Figure 2: Desviación Estándar

√
S = √ S2
S = 128
S = 3.58

Coeficiente de variación:

S
CV = ∗ 100%
X
3.58
CV = ∗ 100%
14
CV = 25.57%

Error tı́pico

S 3.58
ET = √ ET = √ ET = 1.08
n 11

8
Medidas de Forma
Coeficiente de Asimetrı́a

(X − X)2
P
n
α3 = ∗
(n − 1)(n − 2) S2
11 48
α3 = ∗
10 ∗ 9 3.582
α3 = 0.1278

Figure 3: Coeficiente de Asimetrı́a

0.5 ≤ α3 ≤ 0.5

Medida de Esbeltez (Puntiagudez)

Figure 4: Gráfica Curtosis

(X − X)4 3(n − 1)2

P
n(n + 1)
α4 = ∗ −
(n − 1)(n − 2)(n − 3) S4 (n − 2)(n − 3)
11 ∗ 12 3392 3 ∗ 102
α4 = ∗ −
10 ∗ 9 ∗ 8 3.584 9∗8
α4 = −0.38
0.5 ≤ α3 ≤ 0.5

x f F xf (x − x)f |x − x|f (x − x2 )f (x − x3 )f (x − x4 )f
8 1 1 8 -6 6 36 -216 1296
10 1 2 10 -4 4 16 -64 256
12 2 4 24 -4 4 8 -16 32
14 4 8 56 0 0 0 0 0
18 2 10 36 8 8 32 128 512
20 1 11 20 6 6 36 216 1296
X
11 154 0 28 128 48 3392

9
Media:
P Mediana: Moda:
xf 154 n+1
x= P = = 14 LM e = =6 Mo=14
f 11 2
Me = 14
Media Geométrica:
q q
MG = xf1 ∗ xf22 ∗ ... ∗ xfnk ΠXifi
n n
f = 1 + 2 + .... + k MG = MG = 13.57
Desvación Media
Σ|x − x|f 25
DM = = = 2.55
n 11
Varianza
(x − x)2 f
P
2 128
S = = = 12.8
n−1 10
Coeficiente de Asimetrı́a

(X − X)2
P
n 11 48
α3 = ∗ 2
= ∗ = 0.128
(n − 1)(n − 2) S 10 ∗ 9 3.583

Curtosis

(X − X)4 3(n − 1)2 3 ∗ 102

P
n(n + 1) 11 ∗ 12 3392
α4 = ∗ − = ∗ − = -0.38
(n − 1)(n − 2)(n − 3) S4 (n − 2)(n − 3) 10 ∗ 9 ∗ 8 3.584 9∗8
Ejercicio con Datos Agrupados

clase f F xc xc f (xc − x) |xc − x|f xc − x2 f xc − x3 f xc − x4 f

[5 - 10) 10 10 7.5 75 -10.27 102.7 1054.73 -10832.07 111245.33
[10 - 15) 15 25 12.5 187.5 -5.27 79.05 416.59 -2195.45 11570.01
[15 - 20) 10 35 17.5 175 -0.27 2.7 0.73 -0.20 0.05
[20 - 25) 7 42 22.5 157.5 4.73 33.11 156.61 740.77 3503.83
[25 - 30) 8 50 27.5 220 9.73 77.84 757.38 7369.34 71703.66
[30 - 35) 5 55 32.5 162.5 14.73 73.65 1084.86 15980.05 235386.20
Suma 55 977.5 13.38 369.05 3470.9 11062.44 433409.08

Media:
977.5
x= = 17.77
55
Mediana
n+1 56
LM e = = = 28
2 2
n 55
−F − 25
M e = Li + ( 2 )∆ = 15 + ( 2 ) ∗ 5 = 16.25
f 10
Moda

d1 5
M o = Li + ( )∆ = 10 + ( ) ∗ 5 = 17.5
d1 + d2 5+5
Desviación Estandar

Σ|xc − x|f 369.05

DM = = = 6.71
n 55
Varianza

(xc − x)2 f
P
3470.87
S2 = = = 64.27
n−1 54

10
Coeficiente de Asimetrı́a

(xc − x)2
P
n 55 11062.44
α3 = ∗ 2
= ∗ = 0.413
(n − 1)(n − 2) S 54 ∗ 53 8.0173

Curtosis

(xc − x)4 3(n − 1)2 433409.08 3 ∗ 542

P
n(n + 1) 55 ∗ 56
α4 = ∗ − = ∗ − =
(n − 1)(n − 2)(n − 3) S4 (n − 2)(n − 3) 54 ∗ 53 ∗ 52 8.0174 53 ∗ 52
-1.002

Datos simples
Medidas de Posición

• Cuartiles
n+1
LQ1 = ( )i
4
n+1
LQ1 = ( )1
4
A = {8, 10, 12, 12, 14, 14, 14, 14, 18, 18, 20}
11 + 1
LQ1 = ( ) = 3 → Q1 = 12
4
11 + 1
LQ1 = ( ) ∗ 2 = 6 → Q1 = 14
4
11 + 1
LQ1 = ( ) ∗ 3 = 9 → Q1 = 18
4

Figure 5: Gráfica Boxplot de los datos A.

Rango Intercuartı́lico Valor atı́pico

RIQ=Q3 − Q1 V1 = Q1 − 1.5RIQ; V2 = Q2 − 1.5RIQ;
RIQ = 18 − 12 RIQ = 6 V1 = 3 V1 = 27

• Quintiles

• Primer Quintil

11
 n+1 Posición Valor
Lki = ( )∗i
5 2 10
11 + 1
Lk1 = ( )∗1 2.4 10+x
5 3 12
Lk1 = 2.4
k1 = 10.8 0.4(2)
x= = 0.8
1
• Segundo Quintil
n+1 Posición Valor
Lki = ( )∗i
5 4 12
11 + 1
Lk2 = ( )∗2 4.8 12+x
5 5 14
Lk2 = 4.8
k1 = 13.6 0.8(0)
x= =0
1
• Tercer Quintil
n+1 Posición Valor
Lki = ( )∗i
5 7 14
11 + 1
Lk3 = ( )∗3 7.2 14+x
5 8 14
Lk3 = 7.2
k3 = 14 0.2(0)
x= =0
1
• Cuarto Quintil
n+1 Posición Valor
Lki = ( )∗i
5 9 18
11 + 1
Lk4 = ( )∗4 9.6 18+x
5 19 18
Lk4 = 9.6
k4 = 18 0.6(0)
x= =0
1

Figure 6: Función de densidad

• Histograma
P =
15, 17, 17, 18, 18, 18, 18, 19, 19, 19, 19, 20, 20, 20

12
20, 21, 21, 21, 21, 21, 20, 22, 22, 22, 23, 24, 25, 26}
1: Rango
Rango = M ax − M in
Rango = 26 − 15
Rango = 11
2: Numero de clases
n.class = 1 + log2 n n.class (
= 5.81
ln(n) 5
n.class = 1 + 5.81 ⇒
ln(2) 6
ln(28) n.class = 5
n.class = 1 +
ln(2)
Es preferible seleccionar un número impar de clases
3: Tamaño de la clase
Rango + 1 12
4= = = 2.4
N um.Class 5
Rango − Corregido = 11 + 1
Rango corregido
R = 5 ∗ 2.5 = 12.5

Figure 7: Rango Corregido

Clases Teóricas F
[14.25 - 16.25[ 1
[16.75 - 19.25[ 10
[19.25 - 21.75[ 9
[21.75 - 24.25[ 6
[24.25 - 26.25] 2

Figure 8: Histograma de P

Sin embargo es mejor usar la siguiente distribución de las clases.

13
 Clases Teóricas F
[14 - 16[ 1
[16 - 19[ 10
[19 - 21[ 9
[21 - 24[ 6
[24 - 26] 2

Ej2:
P = 50, 50, 55, 55, 60, 60, 60, 64, 65, 65, 65, 66, 67, 69, 70, 70, 80, 83, 88
1: Rango
Rango = M ax − M in
Rango = 88 − 50
Rango = 38
2: Numero de clases
n.class = 1 + log2 n n.class (
= 5.25
ln(n) 5
n.class = 1 + 5.81 ⇒
ln(2) 6
ln(19) n.class = 6
n.class = 1 +
ln(2)
3: Tamaño de la clase
Rango + 1 39
4= = = 6.5
N um.Class 6
Rango − Corregido = 38 + 1
Rango corregido
R = 6 ∗ 6.5 = 39; 39 − 38 = 1

Clases F
]49.5 - 56.0] 4
]56.0 - 62.5] 3
]62.5 - 69.0] 7
]69.0 - 75.5] 2
]75.5 - 82.0] 1
]82.0 - 88.5] 2

Percentil
 
n+1
Lpi = i → n = 11
 100 
12 + 1
Lpi = 10 → P ercentil[10]
100
4:
39
∆= = 7.8 → 8
5
R = 8 ∗ 5 = 40

Figure 9: Rango Corregido

14
 Clases Frecuencias
[49.0 - 57.0[ 4
[57.0 - 65.0[ 4
[65.0 - 73.0[ 8
[73.0 - 81.0[ 1
[81.0 - 90.0[ 2

Figure 10: Histograma - Datos

Probabilidad

Es la medida entre 0 y 1 de la posibilidad de que un cuento o suceso ocurra. Siendo 0 la

posibilidad de que nunca ocurra y 1 de que siempre ocurra.

Figure 11: Diagrama de Probabilidad

Experimento
Es el proceso que lleva a la ocurrencia de una y solo una de varias observaciones posibles.
(Resultado)
Resultado
Es la consecuencia de un experimento en particular
Evento
Es el connjunto de uno o más resultados posibles de un experimento.

Experimento Resultado Evento

Lanzar una moneda Obtener Cara Obtener Cara
- Obtener Sello Obtener Sello
• • •
Lanzar una moneda tres veces s=ccc,ccs,csc,css,scc,scs,ssc,sss Obtener al menos dos caras
- - E1=ccc,ccs,csc,scc

Enfoque de probabilidades

15
 Inicio

Cara Sello

Cara Sello Cara Sello

Cara Sello Cara Cara

Sello Sello Cara Sello

Probabilidades

Objetiva Subjetiva

Clasica Empı́rica

Ejemplos:
Hallar la probabilidad de sacar un número mayor que 4 al lanzar un dado.
Resultados → 1, 2, 3, 4, 5, 6
2 1
p(x > 4) = =
6 3
¿Cuál es la probabilidad de obtener al menos una cara al lanzar 3 veces una moneda?
Resultadosccc, ccs, csc, css, scc, scs, ssc, sss
7
p(x ≥ 1) =
8
Determinar la probabilidad de obtener al menos un varón en un matrimonio con 4 hijos.
Resultados → vvvv, vvvm, vvmm, vmmm, mmmm
7
p(x ≥ 1) =
8
1 15
p(x ≥ 1) = 1 − =
16 16
 (
 Clásica
Probabilidades Objetiva Empı́rica


Subjetiva


Clásico
Fórmula
N umeroderesultadosf avorables
P = (1)
N umeroderesultados
Ejemplo

• Hallar la probabilidad de sacar un número mayor que 4 al lanzar un dado.

Resultados: 1, 2, 3, 4, 5, 6
2 1
p(x > 4) = =
6 3
• ¿Cuál es la probabilidad de obtener al menos una cara al lanzar tres veces una moneda?
Resultados:{ccc, ccs, csc, css, scc, scs, ssc, sss}
7
p(x ≥ 1) =
8

16
 • Determinar la probabilidad de obtener al menos un varón en un matrimonio con 4 hijos.
Resultados:{vvvv, vvvm, vvmm, vmmm...mmm}
1 15
p(x ≥ 1) = 1 − =
16 16
Mutuamente excluyente
La ocurrencia de un evento significa que ninguno de los otros puede ocurrir al mismo tiempo.

Colectivamente exhaustivo
Por lo menos uno de los eventos debe ocurrir al realizar un experimento.

n
X
pi = 1 0 ≤ pi ≤ 1
i=1

Part I
Empı́rica
Fórmula
N umeroderesultadosf avorablesobtenidosenelpasado
P = (2)
N umerodeobservaciones
Ejemplo:
Probabilidad de que Ecuador venza a Argentina en un partido de fútbol.

3 → tresveceshaganadoEcuador
P =
20 → vecesjugadas
P = 0.5

Probabilidad subjetiva
Es la posibilidad de que suseda un evento en particular asigna un individuo con base, muy poca base o
ninguna a un evento.

Reglas
• Regla de la adición o de la suma
Regla especial de la adición o suma.

Sean A y B dos eventos mutuamente excluyentes, la probabilidad de que ocurra A o B es igual a

la probabilidad de que ocurra A + la probabilidad de que ocurra B.

P (A o B) = P (A) + P (B)

Ejemplo:
• Se lanza un dado, cuál es la probabilidad de obtener un 3 o un 5.
A = Obtener un 3 al lanzar un dado
B = Obtener un 5 al lanzar un dado

P (A o B) = P (A) + P (B)
1 1 2
P (A o B) = + =
6 6 6
1
P (A V B) = = P (A U B)
3
Regla general de la adición

17
 • Probabilidad conjunta
Es la probabilidad que mide la posibilidad donde dos o más eventos ocurren al mismo tiempo.

A B

P (A) P (B)

La intersección de ambos conjuntos se representa de la siguiente forma: P (A ∩ B)

P (A ∪ B) = P (A) + P (B) − P (A ∩ B)

Ejercicio.

1. Estadı́sticamente se ha logrado comprobar que la probabilidad de aprobar cálculo en la universidad

es del 60%, la probabilidad de fı́sica es del 75% y la probabilidad de aprobar las dos asignaturas es
del 50%. Determinar la probabilidad de:

(a) Aprobar cálculo o fı́sica

(b) Aprobar al menos una asignatura
(c) No aprobar ninguna
(d) Aprobar solo fı́sica
(e) Aprobar solo una asignatura

A : probabilidad de aprobar cálculo

B : probabilidad de aprobar fı́sica
P (A) = 0.60
P (B) = 0.75
P (A ∩ B) = 0.50

A B

0.10 0.50 0.25

1. Literal a:
P (A ∪ B) = P (A) + P (B) − P (A ∩ B)
P (A ∪ B) = 0.60 + 0.75 − 0.50
P (A ∪ B) = 0.85

18
 2. Literal b:
P (almenosunaasignatura) = P (A ∪ B)
P (almenosunaasignatura) = 0.85

Ley del complemento

Sea A un evento cualquiera, la probabilidad de que no ocurra dicho evento es:

P (Ac ) = P (A0 )
c
P (A ) = P (∼ A) = 1 − P (A)

A B

El espacio pintado de color azul viene a ser la probabilidad que entrega la ley del complemento.

3. Literal c:
P (∼ (A ∪ B)) = 1 − 0.85
P (∼ (A ∪ B)) = 0.15

4. Literal d:
P (solof isica) = P (B − A) = 0.25
5. Literal e:
P (solounaasignatura) = P (A B) + P (B A)
= P (A∆B)
= 0.10 + 0.25
= 0.35

P (A ∪ B ∪ C) = P (A) + P (B) + P (C) − P (A ∩ B) − P (A ∩ C) − P (B ∩ C) + P (A ∪ B ∪ C)

Demostración:
P ((A ∪ B) ∪ C) = P (A ∪ B) + P (C) − P ((A cupB) ∩ C)
P ((A ∪ B) ∪ C) = P (A) + P (B) − P (A ∪ B) + P (C) − P ((A ∩ C) ∪ (B ∩ C))
P (A ∪ B ∪ C) = P (A) + P (B) + P (C) − P (A ∩ B) − P (A ∩ C) − P (B ∩ C) + P (A ∪ B ∪ C)

Ejemplos:
1. Un grupo de estudiantes (150) que tomaron las asignaturas de álgebra, biologı́a y cálculo. Se obtu-
vieron los siguientes resultados: 72 aprobaron álgebra, 72 aprobaron biologı́a, 54 aprobaron cálculo,
36 aprobaron álgebra y biologı́a, 27 aprobaron álgebra y cálculo, 9 aprobaron las 3 asignaturas, 18
aprobaron solo caálculo. Determinar la probabilidad de que al seleccionar uno de los estudiantes
al azar, este:
(a) Apruebe al menos una asignatura
(b) No apruebe ninguna asignatura
(c) No menos de dos asignaturas
(d) Solo una asignatura
(e) Solo biologı́a
A : Aprobar álgebra
B : Aprobar biologı́a
C : Aprobar caálculo

19
 A B

18 27
9

18

72
• P (A) = = 0.48
150

• P (B) = 0.48

• P (C) = 0.36

• P (A ∩ B) = 0.24

• P (A ∩ C) = 0.18

• P (A ∩ B ∩ C) = 0.06

• P (C − (A ∪ B)) = 0.12

Resolución:

(a) P (Almenosunaasignatura) = P (A ∪ B ∪ C)
P (Almenosunaasignatura) = 0.48 + 0.48 + 0.36 − 0.24 − 0.18 − 0.12 + 0.06
P (Almenosunaasignatura) = 0.84

24
(b) P (ninguna) = = 0.16oo
150
63
(c) P (N omenosdedos) = = 0.4200
150
63
(d) P (Solouna) = = 0.4200
150
27
(e) P (SoloB) = = 0.1800
150
2. De un grupo de 120 estudiantes tomaron los cursos de álgebra, bioestadı́stica y cálculo, la taza de
deserción fue muy elevada, de este grupo 50 perdieron álgebra lineal, 40 perdieron en bioestadı́stica,
10 no reprobaron ninguna asignatura, 5 repitieron las 3 asignaturas 12 perdieron bioestadı́stica y
cálculo, 20 perdieron álgebra y cálculo, 10 perdieron solamente álgebra y bioestadı́stica.
Se selecciona un estudiante de manera aleatoria. Determinar la probabilidad de que este:

(a) Perdió solo álgebra

(b) Perdió solo una asignatura
(c) Perdió cálculo
(d) Perdió en al menos dos asiganturas

20
 (e) No perdió ninguna

A B

20 35
5

18

A : El estudainte perdió álgebra

B : El estudiante perdió cálculo
C : El estudiante perdió bioestadı́stica

20 1
(a) P (A) = = = 0.167
120 6

(b) P (solounaasignatura) = P (A) + P (B) + P (C)

20 + 18 + 35
=
120
73
= = 0.608
120
62
(c) P (B) = = 0.5167
120
10 + 5 + 15 + 7
(d) P (almenosdosasignaturas) =
120
37
= = 0.3083
120
10
(e) P (N operdioningunaasignatura) =
120
1
= = 0.083
12

Regla general de la multiplicación

• Regla particular de la multiplicación

Eventos independientes

Sean A y B dos eventos cualesquiera, se dice que son independientes cuando la ocurrencia de uno
de ellos no inside en la ocurrencia del otro.

Ejemplo 1. Se lanza una moneda dos veces consecutivas. Hallar la probabilidad de obtener las dos
veces cara.

A : Obtener cara en el primer lanzamiento

B : Obtener cara en el segundo lanzamiento

P (A ∩ B) = P (A) ∗ P (B)
1 1
P (A ∩ B) = ∗
2 2

21
 1
P (A ∩ B) =
4

Ejemplo 2. Determinar la probabilidad de que al lanzar un dado en tres ocaciones se obtenga un

uno.

P (A ∩ B ∩ C) = P (A) ∗ P (B) ∗ P (C)

1 1 1
P (A ∩ B ∩ C) = ∗ ∗
6 6 6
1
P (A ∩ B ∩ C) =
216

• Regla general de la multiplicación

Probabilidad condicional → P (B|A)

Sean dos eventos independientes, la probabilidad condicional, se da cuando la ocurrencia de un

evento es afectada por la ocurrencia del otro evento.

P (A ∩ B) = P (A) ∗ P (B|A)

De un juego de cartas se extrae 2 cartas de manera consecutiva. Determinar la

probabilidad de obtener:

1. Un par de A
4 3
p(A | B) = ∗
52 51
1
p(A | B) =
221
2. Un black jack
4 4 4 4
p(A | B) = ∗ + ∗
52 51 52 51
8
p(A | B) =
663
3. 21  
16 4
p(A | B) = ∗ 2
52 51
32
p(A | B) =
663
Hallar la probabilidad de obtenerun poker de A en una mano de este juego.

 
4 3 2 1 48
p(poker A) = ∗ ∗ ∗ ∗ (5)
52 51 50 49 48
p(poker A) = 0.00001847

En una canasta hay 8 pelotas azules,6 pelotas rojas, 4 pelotas amarillas y 2 pelotas
verdes. Hallar la probabilidad de que al extraer 4 pelotitas estas salgan:

1. Todas azules.
8 7 6 5
p(todas azules) = ∗ ∗ ∗
20 19 18 17
p(todas azules) = 0.0144

22
 2. 2 azules + 2 rojas  
8 7 6 5
p(2 azules + 2 rojas) = ∗ ∗ ∗ ∗6
20 19 18 17
p(2 azules + 2 rojas) = 0.0867

3. todas del mismo color

     
8 7 6 5 6 5 4 3 4 3 2 1
p(mismo color) = ∗ ∗ ∗ + ∗ ∗ + ∗ ∗ ∗
20 19 18 17 20 19 18 17 20 19 18 17

p(mismo color) = 0.0178

4. todos de diferente color

   
8 6 4 2 2 4 6 8
p(dif erente color) = ∗ ∗ ∗ + ... + ∗ ∗ ∗
20 19 18 17 20 19 18 17

p(dif erente color) = 0.0793

5. 2 pares de colores
 
8 7 6 5
p(2paresdecolores) = ∗ ∗ ∗ 6+
20 19 18 17
 
8 7 4 3
+ ∗ ∗ ∗ 6+
20 19 18 17
 
8 7 2 1
+ ∗ ∗ ∗ 6+
20 19 18 17
 
6 5 4 3
+ ∗ ∗ ∗ 6+
20 19 18 17
 
6 5 2 1
+ ∗ ∗ ∗ 6+
20 19 18 17
 
4 3 2 1
+ ∗ ∗ ∗ 6
20 19 18 17
p(2paresdecolores) = 0.1315

TECNICAS DE CONTEO
Si hay m formas de que ocurra una cosa y n formas de que ocurra otra cosa, el número de formas de
que pueda ocurrir las 2 es m x n.

m = # formas de que ocurra una cosa

n = # formas de que ocurra otra cosa
# formas = m x n

PERMUTACIÓN
Si tengo m objetos y r posiciones, el número de formas que se pueden ordenar se conoce con el nombre
de permutaciones y tiene dado por:

n objetos
r posiciones
n!
nP r =
(n − 1)!
EJEMPLO:

A B C D E F G

7 6 5 4

23
 7! 7! 7 ∗ 6 ∗ 5 ∗ 4 ∗ 3!
7 P4 = = =
(7 − 4)! 3! 3!
7 P4 = 840

De un grupo de 20 estudiantes se quiere formar un comite que lo represente y tiene 4

dignidades: presidente,vicepresidente,tesorero y vocal. Determinar de cuantas maneras
puede formarse la mejor directiva.

20! 20 ∗ 19 ∗ 18 ∗ 17 ∗ 16!
20 P4 = =
(20 − 4)! 16!
20 P4 = 116280

Determinar el numero de claves que se pueden formar con los digitos del 0 al 9. El
número de dı́gitos va a ser:

1. 3 (sin repetición)
10 ∗ 9 ∗ 8 ∗ 7!
10 P3 =
7!
P
10 3 = 720

2. 4 (sin repetición)
10 ∗ 9 ∗ 8 ∗ 7 ∗ 6!
10 P4 =
6!
10 P4 = 5040

3. 5 (sin repetición)
10 ∗ 9 ∗ 8 ∗ 7 ∗ 6 ∗ 5!
10 P5 =
5!
10 P5 = 30240

4. 3 (con repetición)
103 = 1000

5. 4 (con repetición)
104 = 10000

6. 5 (con repetición)
105 = 100000

Hallar la probabilidad de desbloquear una cuenta bancaria que para generar esta se
emplean letras minusculas y digitos(sin considerar la ñ). Para la cual tiene 3 intentos.

1. 4 (sin repetición)
3! 3
36!
= = 2.12 ∗ 10−6
32!
1413720

2. 5 (sin repetición)
3! 3
36!
= = 6.63 ∗ 10−8
31!
45239040

3. 6 (sin repetición)
3! 3
36!
= = 2.14 ∗ 10−9
30!
1402410240

4. 4 (con repetición)
3 3
= = 1.79 ∗ 10−6
364 1679616

24
 5. 5 (con repetición)
3 3
5
= = 4.96 ∗ 10−8
36 60466176
6. 6 (con repetición)
3 3
= = 1.38 ∗ 10−9
366 2176782336
TEOREMA DE BAYES
Una empresa adquiere cierto articulo a 3 empresas A1 , A2 , A3 distribuidos en un porcentaje 25% ,
35% , 40%. Control de calidad a determinado que de cada uno de las empresas vienen los articulos con
fallas en un 4% , 2% , 3%. En un proceso de inspección se encuentra un articulo defectuoso.
Determinar la probabilidad de que este haya venido de la empresa A1 .

A1 25% 4%
A2 35% 2%
A3 40% 3%

P (Ai ∩ B)
P (Ai | B) =
p(B)
P (A ∩ B)
P (Ai | D) =
P (A1 ∩ B) + P (A2 ∩ B) + P (A3 ∩ B) + ... + P (An ∩ B)

P (A | D) = P (D) ∗ P (A | D)
P (D ∩ A)
P (A | D) =
P (D)
P (D ∩ A1 )
P (A1 | D) =
P (D)
0.010
P (A1 | D) =
0.010 + 0.07 + 0.012
P (A1 | D) = 0.3448

1. P (A1 ) = 0.60, P (A2 = 0.40, P (B1 | A1 ) = 0.05yP (B1 | A2 ) = 0.10

P (B1 ∩ A)
P (A1 | B1 ) =
p(B)
0.03
P (A1 | B1 ) =
0.03 + 0.04
P (A1 | B1 ) = 0.4286

2. P (A1 = 0.20, P (A2 ) = 0.40yP (A3 = 0.40.P (B1 | A1 ) = 0.25, P (B1 | A2 ) = 0.05yP (B1 | A3 = 0.10.
Utilice el teorema de Bayes para determinar P (A3 | B1 ).

P (B1 ∩ A3 )
P (B1 | A3 ) =
p(B)
0.04
P (A3 | B1 ) =
0.05 + 0.02 + 0.04
P (A1 | B1 ) = 0.3636

25
 3. El equipo de béisbol Gatos Salvajes de Ludlow, un equipo de lga menor de la orga-
nización de los Indios de Cleveland, juega 70% de sus partidos por la noche y 30 %
durante el dı́a.El equipo gana 50 % de sus partidos nocturnos y 90 % de los que juega
en el dı́a. Según el periódico de hoy, ganaron ayer. ¿Qué probabilidad hay de que el
partido se haya jugado por la noche?

N ∩G
P (N | G) =
p(G)
0.35
P (N | G) =
0.35 + 0.27
P (A1 | B1 ) = 0.5645

De un juego de cartas se extrae 2 cartas de manera consecutiva. Determinar la

probabilidad de obtener:

1. Un par de A
4 3
p(A | B) = ∗
52 51
1
p(A | B) =
221
2. Un black jack
4 4 4 4
p(A | B) = ∗ + ∗
52 51 52 51
8
p(A | B) =
663
3. 21  
16 4
p(A | B) = ∗ 2
52 51
32
p(A | B) =
663
Hallar la probabilidad de obtenerun poker de A en una mano de este juego.

 
4 3 2 1 48
p(poker A) = ∗ ∗ ∗ ∗ (5)
52 51 50 49 48
p(poker A) = 0.00001847

En una canasta hay 8 pelotas azules,6 pelotas rojas, 4 pelotas amarillas y 2 pelotas
verdes. Hallar la probabilidad de que al extraer 4 pelotitas estas salgan:

1. Todas azules.
8 7 6 5
p(todas azules) = ∗ ∗ ∗
20 19 18 17
p(todas azules) = 0.0144

2. 2 azules + 2 rojas  
8 7 6 5
p(2 azules + 2 rojas) = ∗ ∗ ∗ ∗6
20 19 18 17
p(2 azules + 2 rojas) = 0.0867

3. todas del mismo color

     
8 7 6 5 6 5 4 3 4 3 2 1
p(mismo color) = ∗ ∗ ∗ + ∗ ∗ + ∗ ∗ ∗
20 19 18 17 20 19 18 17 20 19 18 17

p(mismo color) = 0.0178

26
 4. todos de diferente color
   
8 6 4 2 2 4 6 8
p(dif erente color) = ∗ ∗ ∗ + ... + ∗ ∗ ∗
20 19 18 17 20 19 18 17

p(dif erente color) = 0.0793

5. 2 pares de colores
 
8 7 6 5
p(2paresdecolores) = ∗ ∗ ∗ 6+
20 19 18 17
 
8 7 4 3
+ ∗ ∗ ∗ 6+
20 19 18 17
 
8 7 2 1
+ ∗ ∗ ∗ 6+
20 19 18 17
 
6 5 4 3
+ ∗ ∗ ∗ 6+
20 19 18 17
 
6 5 2 1
+ ∗ ∗ ∗ 6+
20 19 18 17
 
4 3 2 1
+ ∗ ∗ ∗ 6
20 19 18 17
p(2paresdecolores) = 0.1315

TECNICAS DE CONTEO
Si hay m formas de que ocurra una cosa y n formas de que ocurra otra cosa, el número de formas de
que pueda ocurrir las 2 es m x n.

m = # formas de que ocurra una cosa

n = # formas de que ocurra otra cosa
# formas = m x n

PERMUTACIÓN
Si tengo m objetos y r posiciones, el número de formas que se pueden ordenar se conoce con el nombre
de permutaciones y tiene dado por:

n objetos
r posiciones
n!
nP r =
(n − 1)!
EJEMPLO:

A B C D E F G

7 6 5 4

7! 7! 7 ∗ 6 ∗ 5 ∗ 4 ∗ 3!
7 P4 = = =
(7 − 4)! 3! 3!
7 P4 = 840

De un grupo de 20 estudiantes se quiere formar un comite que lo represente y tiene 4

dignidades: presidente,vicepresidente,tesorero y vocal. Determinar de cuantas maneras
puede formarse la mejor directiva.

20! 20 ∗ 19 ∗ 18 ∗ 17 ∗ 16!
20 P4 = =
(20 − 4)! 16!
20 P4 = 116280

27
Determinar el numero de claves que se pueden formar con los digitos del 0 al 9. El
número de dı́gitos va a ser:

1. 3 (sin repetición)
10 ∗ 9 ∗ 8 ∗ 7!
10 P3 =
7!
10 P3 = 720

2. 4 (sin repetición)
10 ∗ 9 ∗ 8 ∗ 7 ∗ 6!
10 P4 =
6!
10 P4 = 5040

3. 5 (sin repetición)
10 ∗ 9 ∗ 8 ∗ 7 ∗ 6 ∗ 5!
10 P5 =
5!
10 P5 = 30240

4. 3 (con repetición)
103 = 1000

5. 4 (con repetición)
104 = 10000

6. 5 (con repetición)
105 = 100000

Hallar la probabilidad de desbloquear una cuenta bancaria que para generar esta se
emplean letras minusculas y digitos(sin considerar la ñ). Para la cual tiene 3 intentos.

1. 4 (sin repetición)
3! 3
36!
= = 2.12 ∗ 10−6
32!
1413720

2. 5 (sin repetición)
3! 3
36!
= = 6.63 ∗ 10−8
31!
45239040

3. 6 (sin repetición)
3! 3
36!
= = 2.14 ∗ 10−9
30!
1402410240

4. 4 (con repetición)
3 3
= = 1.79 ∗ 10−6
364 1679616
5. 5 (con repetición)
3 3
= = 4.96 ∗ 10−8
365 60466176
6. 6 (con repetición)
3 3
= = 1.38 ∗ 10−9
366 2176782336
TEOREMA DE BAYES
Una empresa adquiere cierto articulo a 3 empresas A1 , A2 , A3 distribuidos en un porcentaje 25% ,
35% , 40%. Control de calidad a determinado que de cada uno de las empresas vienen los articulos con
fallas en un 4% , 2% , 3%. En un proceso de inspección se encuentra un articulo defectuoso.
Determinar la probabilidad de que este haya venido de la empresa A1 .

28
 A1 25% 4%
A2 35% 2%
A3 40% 3%

P (Ai ∩ B)
P (Ai | B) =
p(B)
P (A ∩ B)
P (Ai | D) =
P (A1 ∩ B) + P (A2 ∩ B) + P (A3 ∩ B) + ... + P (An ∩ B)

P (A | D) = P (D) ∗ P (A | D)
P (D ∩ A)
P (A | D) =
P (D)
P (D ∩ A1 )
P (A1 | D) =
P (D)
0.010
P (A1 | D) =
0.010 + 0.07 + 0.012
P (A1 | D) = 0.3448

1. P (A1 ) = 0.60, P (A2 = 0.40, P (B1 | A1 ) = 0.05yP (B1 | A2 ) = 0.10

P (B1 ∩ A)
P (A1 | B1 ) =
p(B)
0.03
P (A1 | B1 ) =
0.03 + 0.04
P (A1 | B1 ) = 0.4286

2. P (A1 = 0.20, P (A2 ) = 0.40yP (A3 = 0.40.P (B1 | A1 ) = 0.25, P (B1 | A2 ) = 0.05yP (B1 | A3 = 0.10.
Utilice el teorema de Bayes para determinar P (A3 | B1 ).

29
 P (B1 ∩ A3 )
P (B1 | A3 ) =
p(B)
0.04
P (A3 | B1 ) =
0.05 + 0.02 + 0.04
P (A1 | B1 ) = 0.3636

3. El equipo de béisbol Gatos Salvajes de Ludlow, un equipo de lga menor de la orga-

nización de los Indios de Cleveland, juega 70% de sus partidos por la noche y 30 %
durante el dı́a.El equipo gana 50 % de sus partidos nocturnos y 90 % de los que juega
en el dı́a. Según el periódico de hoy, ganaron ayer. ¿Qué probabilidad hay de que el
partido se haya jugado por la noche?

N ∩G
P (N | G) =
p(G)
0.35
P (N | G) =
0.35 + 0.27
P (A1 | B1 ) = 0.5645

30
4. La doctora Stallter ha enseñado estadı́stica básica durante varios años. Sabe que 80% de los
estudiantes terminan los problemas asignados. También determinó que entre aquellos que hacen
las tareas, 90% aprueban el curso. Entre los alumnos que no hacen su tarea, 60% aprueban. El
semestre pasado, Mike Fishbaugh tomó clases de estadı́stica con la doctora Stallter y obtuvo una
calificación aprobatoria. ¿Qué probabilidad hay de que haya terminado sus tareas?

A B A∩B
T 0.80 −→ 0.90 0.72
∼T 0.20 −→ 0.60 0.12

0.72
p(A1 /B) = = 0.857
0.12 + 0.72

5. El departamento de crédito de Lion’s Departament Store en Anahein, California, reportó que 30%
de sus ventas se pagan en efectivo, 30% con cheque en el moemnto de la compra y 40% con cargo
a la tarjeta de crédito. Veinte por ciento de las compras en efectivo, 90% de las que se pagan con
cheque y 60% de las que se cargan a la tarjeta son por más de $50. La señorita Tina Stevens
sólo compró un vestido nuevo que cuesta $120. ¿Cuál es la probabilidad de que haya pagado en
efectivo?

A B A∩B
Ef ectivo 0.3 −→ 0.2 0.06
Cheque 0.3 −→ 0.9 0.27
T arjeta 0.4 −→ 0.6 0.24

0.06
p(A1 /B) = = 0.1053
0.06 + 0.27 + 0.24

6. Una cuarta parte de los residentes de Burning Ridge Estates dejan abierta la puerta de la cochera
cuando no están en casa. El jefe de policı́a calcula que en 5% de las cocheras con la puerta abiera
habrá algún robo, pero en sólo en 1% de las cocheras que tienen la puerta cerrada habrá algún
robo. Si hay un robo en una cochera. ¿qué porbabilidad hay de que las puertas hayan estado
abiertas?

A B A∩B
Abierta 0.25 −→ 0.05 0.025
Cerrada 0.75 −→ 0.01 0.0075

0.0125
p(A1 /B) = = 0.625
0.0125 + 0.00725

EJERCICIOS

1. En un lanzamiento de un dado ¿Cuál es la probabilidad de que:

(a) Salga el 3 o el 4?
(b) No salga un 3 o un 4?

31
 1 1 2 1
a) p(A ∪ B) = p(A) + p(B) = + = =
6 6 6 3

2
b) p(∼ (A ∪ B)) = 1 − p(A ∪ B =
3

2. La probabilidad de que Juan apruebe estadı́stica es 0.7 y que Pedro apruebe es 0.5 ¿Cuál es la
probabilidad de que ambos aprueben estadı́stica?

p(A ∩ B) = p(A) ∗ p(B) = (0.7)(0.5) = 0.35

3. Asumiendo que varones y muejres nacen de igual manera. Determinar cuál es la probabilidad de
que una pareja con 3 hijos tenga:
(a) 2 varones.
(b) Al menos dos varones.
(c) Los dos primeros sean varones.
(d) Ninguno sea varón.
(e) Todos sean varones.

3
a) p(V = 2) =
8
4 1
b) p(V 5 2) = =
8 2
2 1
c) p(2primerosV ) = =
8 4
1
d) p(∼ V ) =
8
1
e) p(todosV ) =
8

32
4. En una cesta hay 10 bolitas rojas, 5 negras, 2 azules y 8 verdes. Se extrae 4 bolitas al azar
determinar la probabilidad de que:
(a) Todas sean rojas.
(b) Todas sean rojas o negras.
(c) Todas de diferente color.
(d) Ninguna azul.

10 9 8 7 21
a) p(todasR) = ∗ ∗ ∗ = = 0.01660
25 24 23 22 1265
10 9 8 7 5 4 3 2 43
b) p(R ∪ N ) = ( ∗ ∗ ∗ )+( ∗ ∗ ∗ )= = 0.017
25 24 23 22 25 24 23 22 2530
10 5 2 8 16
c) p(dif erentes) = ( ∗ ∗ ∗ ) ∗ 24 = = 0.0632
25 24 23 22 253
2 1
d) p(∼ A) = 1 − p(A) = 1 − ( ∗ ) = 0.9967
25 24

5. En una universidad ingresan 1200 estudiantes, los cuales quieren seguir administración, biotec-
nologı́a y construcción. 550 quieren seguir administración, 750 biotecnologı́a y 750 construcción,
200 cualquiera de las 3 carreras, 300 administración y biotecnologı́a, 150 solo administración y con-
strucción y 150 solo construcción. Se selecciona un estudiante al azar. Determinar la probabilidad
de que este:
(a) No siga ninguna de las 3 carreras.
(b) Solo seleccione una carrera.
(c) Solo administración y biotecnologı́a.
(d) Al menos 1 asignatura de estas.
(e) Solo dos asignaturas.

A B

100
100 200
200
150 250

150

1200 − 1150 = 50
5
a) p(∼ estudie) = = 0.04167
1200
100 + 200 + 150 3
b) p(1carrera) = = = 0.375
1200 8
100
c) p(A ∩ B ∼ C) = = 0.0833
1200
d) p(alM enos1) = 1 − p(∼ estudie) = 1 − 0.04167 = 0.9583
100 + 150 + 250 5
e) p(2carreras) = = = 0.4167
1200 12

6. En el juego tradicional de Ecuador que es el 40. Determinar la probabilidad de:

33
 (a) Obtener una ronda en la primera mano.
(b) Obtener una ronda en la segunda mano.

4 3 2 37 36
a) p(ronda) = ( ∗ ∗ ∗ ∗ ) ∗ 10 ∗ 14 ∗ 4 = 0.2267
40 39 38 37 36
4 3 2 37 36
b) p(ronda2m) = ( ∗ ∗ ∗ ∗ ) ∗ 10 ∗ 14 ∗ 4 = 0.2267
40 39 38 37 36

7. Cuatro amigos salen al teatro con sus respectivas esposas. Determinar el número de formas en que
se pueden sentar:
(a) en primera fila (8 asientos).
(b) Junto a sus respectivas esposas.
(c) Todas las mujeres juntas.
(d) Todos los hombres y todas las mujeres juntos.
(e) No pueden estar dos varones juntos.
(f) No pueden sentarse dos mujeres especiales que no se llevan.

a) 8! = 40320
b) 4! ∗ 2! ∗ 2! ∗ 2! ∗ 2! = 384
c) 4! ∗ 4! ∗ 5 = 2880
d) 4! ∗ 4! ∗ 2! = 1152
e) 4! ∗ 4! = 576
f ) 4! ∗ 4! ∗ 2! ∗ 2! = 2304
8. En una Universidad un grupo de estadounidenses selecciona la carrera A(1/5), B(2/5) y la C(2/5)
en la carrera A se gradúa el 40%, en la B se gradúa el 30% y de la C se gradúa el 90%. Determinar
la probabilidad de que:
(a) Un estudiante que ingresa a cualquiera de estas carreras se gradúe.
(b) Ingrese a la B y que no se gradúe.
(c) Habiéndose graduado este haya escogido la carrera B.

a) 0.08 + 0.12 + 0.36 = 0.56

b) p(B∩ ∼ G) = 0.14
0.12 3
c) p(B/G) = = = 0.2143
0.08 + 0.12 + 0.36 14

34
 CUADERNO DE ESTADÍSTICA SEGUNDO PARCIAL

VARIABLE ALEATORIA

Función que asigna un valor a una ocurrencia de algo. X es una variable aleatoria.

Tabla de Distribución de Probabilidad

X P
0 1/8 = 0.125
1 3/8 = 0.375
2 3/8 = 0.375
3 1/8 = 0.125

Gráfica de Distribución de Probabilidad

Se lanza un dado en 4 ocasiones. Construir la tabla de distribución de probabilidades y su gráfico

donde el número de caras del dado es 6.
5
0 ( )4 = 0.4823
6
1 5
1 4 ∗ ( ) ∗ ( )3 = 0.3858
6 6
1 5
2 6 ∗ ( )2 ∗ ( )2 = 0.1158
6 6
1 5
3 4 ∗ ( )3 ∗ ( ) = 0.0154
6 6
1
4 ( )4 = 0.0008
6
Una variable aleatoria es una función que asocia un número con cada elemento del espacio muestral.

Si un espacio muestral contiene un número finito de posibilidades, o una serie infinita con tantos
elementos como números enteros existen (que se puedan contar) se llama espacio muestral discreto.

Si un espacio muestral contiene un número infinito de posibilidades, igual al número de puntos en un

segmento de recta, se llama espacio muestral continuo.

35
El conjunto de pares ordenados x, f(x) es una función de probabilidad, una función de masa de
probabilidad o una distribución de probabilidad de la variable aleatoria discreta X si para cada
resultado X posible se cumple lo siguiente:

• f(x) ≥ = 0
• Σf (x) = 1 ∀x
• P[X=x] = f(x)

Función de Distribución Acumulada o Acumulativa

F(x) de una variable discreta X con distribución de probabilidad es:

F(x)=P[X≤x]

F(x)=Σf (x) ; t≤x ; −∞ ≤ x ≤ ∞

X P(x)=f(x) F(x)
0 0.1250 0.1250
1 0.3750 0.5000
2 0.3750 0.8750
3 0.1250 1

Valor Esperado

Sea X una variable aleatoria discreta y f(x) su función de densidad entonces la esperanza matemática
de X se define como:

E[X] = Σf (x) = µ

x P(x)=f(x) x*f(x)
0 0.125 0
1 0.375 0.375
2 0.375 0.750
3 0.125 0.375
1.5

E[X] = µ = 1.50

x P(x)=f(x) x*f(x)
0 0.4823 0
1 0.3858 0.3858
2 0.1158 0.2315
3 0.0154 0.0463
4 0.0008 0.0031
0.6667

E[X] = µ = 0.6667

Sea f(x) una función de distribución:

x 1 2 3 4 5 6
f(x) 0.1 0.2 0.3 0.2 0.15 0.05

x*f(x) 0.1 0.4 0.9 0.8 0.75 0.3

E[X] = µ = 3.25

36
Varianza

σ 2 = Σ(x − µ)2 ∗ f (x)

x f(x) x*f(x) x − µ (x − µ)2 x2 ∗ f (x)
1 0.1 0.1 -2.25 0.50625 0.1
2 0.2 0.4 -1.25 0.31250 0.8
3 0.3 0.9 -0.25 0.01875 2.7
4 0.2 0.8 0.75 0.1125 3.2
5 0.15 0.75 1.75 0.45938 3.75
6 0.05 0.3 2.75 0.37813 1.8
3.25 1.78751 12.35

E[X] = µ = 3.25

σ 2 = 1.78751

Desviación Estándar: σ = 1.3369

E[X 2 ] = 12.35

Momento

Sea X una variable aleatoria discreta y f su función de densidad, el momento k-ésimo se define como:

E[X k ]=Σxk ∗ f (x) ; ∀x

E[X]=Σx ∗ f (x) Primer Momento

E[X 2 ]=Σx2 ∗ f (x) Segundo Momento

E[X 3 ]=Σx3 ∗ f (x) Tercer Momento

x2 f (x)
0.10
0.80
2.70
3.20
3.75
1.80
12.35

∂ 2 = E[x2 ] − (E[x])2
∂ 2 = 13.25 − (3.25)2
∂ 2 = 1.7875
Reglas del Valor Esperado:
E[kx] = kE[x]
E[x + k] = E[x]X+k X X
E[k] = k ∂ 2 = (x − µ)2 f (x) (x) = xf (f ) = µ

X
∂2 = (x2 − 2xµ + µ2 )f (x) (E[x])2 = µ2
X X X
∂2 = x2 f (x) − xµf (x) + µ2 f (x)
∂ 2 = E[x2 − 2E[x] ∗ E[x] + (E[x])2
∂ 2 = E[x2 ] − (E[x])2

Distribución Uniforme

37
Sea x una variable aleatoria de densidad y f su función de densidad, se dice que esta en una
1
distribución uniforme si f (x) =
n

Figure 12: Diagarama de Distribución Uniforme

Valor Esperado (Esperanza - Media):

X
E[x] = xf (x)
X 1
E[x] = x
n
1X
E[x] = x
n
x1 + x2 + x3 + .... + xn
E[x] =
n
E[x] = µ
1X
E[x]= x//
n
(a + µ)n
Sn =
2
X (1 + n)n
i=
X 2
i2 = 1 + 4 + 9 + ..... + n2
X X
(1 + i)2 = (1 + 2i + i2 )

Varianza:

X n(n + 1)(2n + 1)
(xn ) =
6
∂ 2 = E[x2 ] ∗ (E[x])2
 2
n(n + 1)(2n + 1) n+1
∂2 = −
6 2
n2 − 1
∂2 = //
12
Varianza:
∂ 2 = E[x2X ] − (E[x])2
E[x2 ] = x2 f (x)
X 1
E[x2 ] = x2
n

1X 2
E[x2 ] = x
n

38
 x2 ( x)2
P P
∂2 = −
n n

x2 − ( x)2
P P
∂2 =
n

Figure 13: Diagarama de Distribución Uniforme con valores

P n
n+1 x X (1 + n)n
µ= E[x] = i=
2 n i=1
2

n
1 + 2 + 3.... + n X n(n + 1)(2n + 1)
E[x] = i2 =
n i=1
6
(1 + n)n X n(n + 1) 2
E[x] = i3 = ( )
2n 2
2
n+1 X n(n + 1)(2n + 1)(3n + 3n − 1)
µ= i4 =
2 30

Distribución Binomial

Sea x una variable aleatoria discreta y f su función de densidad se dice que este tiene una distribución
Binomial si:
n
f (x) = ∗ px ∗ (1 − q)n−x
x
p = éxito
1-q = fracaso
n = número de ensayos
x = número de éxito que queremos calcular

Ejemplo:
Un profesor toma un examen a sus alumnos de tipo verdadero/falso. Un estudiante se presenta al
examen sin haber estudiado nada, por lo que decide hacer su examen puramente aleatorio. Determinar
la probabilidad de que:
a. Obtenga 0
b. Obtenga 5

c. Obtenga 7

39
 d. Apruebe (≥ 7)

n=10 p=0.5
 
10
a)P [x = 0] = (0.5)0 (0.5)10−0 P [x = 0] = 9.7656 ∗ 10−4
0
 
10
b)P [x = 5] = (0.5)5 (0.5)5 P [x = 5] = 0.24609
5
 
10
c)P [x = 7] = (0.5)7 (0.5)3 P [x = 7] = 0.1172
7
d)P [x ≥ 7] = P [x = 7]
+ P [x = 8] + P [x =9] +P [x = 10]
10 10
P [x ≥ 7] = 0.1172 + (0.5)8 (0.5)2 + (0.5)9 (0.5)1 + (0.5)10
8 9
P [x ≥ 7] = 0.1718
Un profesor de estadı́stica toma un examen 16 preguntas, algunos estudiantes llegan sin estudiar nada,
ya que ellos consideran que la suerte les va a acompañar y toman este examen a puro azar. El examen
consta de 5 items cada pregunta. Determinar la probabilidad de que uno de estos estudiantes obtenga:

a. 0
b. 16
c. 8

d. 1
e. Apruebe el curso (70% o más)

n=10 p=0.5

   x  16−x
16 1 4
f (x) =
x 5 5

a)P [x = 0] = 0.0281
b)P [x = 16] = 6.553 ∗ 10−12
c)P [x = 8] = 5.527 ∗ 10−3
d)P [x = 1] = 0.1125
e)P [x ≥ 70%] = 3.301 ∗ 10−6

Media: Varianza:
µ = np ∂ 2 = np(1 − p)

Distribución de Probabilidad Geométrica

Sea x una variable de distribución discreta y su función de densidad, se dice que este sigue una
distribución geométrica si f viene dada por:

f (x) = (1 − p)x−1 p = q x−1 p

0<p<1
x = 0, 1, 2....

40
Caracterı́sticas

• Experimenta serie de ensayos, ecuaciones del tipo Bernoulli.

p=éxito
1 − p = q = f racaso

• La variable aleatoria X representa el número de veces que realizamos el ensayo hasta conseguir un
éxito.

• Cada ensayo es idéntico e independiente.

Ejemplos
1. Se lanza una moneda tantas veces sea necesario hasta conseguir una cara. Determinar la probabil-
idad de obtener cara en:
(a) Primer lanzamiento.
(b) Segundo lanzamiento.
(c) Después del segundo lanzamiento.
(d) antes del cuarto lanzamiento.
Resolución:
1
p = = 0.5
2
Ω = {E, F E, F F E, F F F E, ...}

Literal a:
P [X = 1] = (0.5)0 (0.5)1 = 0.5

Literal b:
P [X = 2] = (0.5)1 (0.5)1 = 0.25

Literal c:
P [X > 2] = P [X = 3] + P [X = 4] + ...
P [X > 2] = 1 − P [X ≤ 2]
P [X > 2] = 1 − P [X = 2] − P [X = 1]
P [X > 2] = 1 − 0.5 − 0.25
P [X > 2] = 0.25

Literal d:
P [X < 4] = P [X = 1] + P [X = 2] + P [X = 3]
P [X < 4] = 0.5 + 0.25 + (0.5)2 (0.5)
P [X < 4] = 0.875

2. En el juego ”parchesse” para salir de la casa se necesita obtener un par de unos. Determinar la
probabilidad de obtener este par en:

(a) Primer lanzamiento.

(b) Tercer lanzamiento.
(c) Antes del séptimo lanzamiento.
(d) Después del tercer lanzamiento.
(e) Calcule el valor esperado.

41
Resolución:

1
P =
36
35
q=
36

Literal a:  0  
35 1 1
P [X = 1] = = = 0.02773
36 36 36

Literal b:  2  
35 1
P [X = 3] = = 0.02626
36 36

Literal c:
P [X < 7] = P [X = 1] + P [X = 2] + P [X = 3] + ... + P [X = 6]
    3    4    5  
35 1 35 1 35 1 35 1
P [X < 7] = 0.02773 + + 0.02626 + + +
36 36 36 36 36 36 36 36

P [X < 7] = 0.1555

Literal d:
P [X > 3] = 1 − P [X ≤ 3]
P [X > 3] = 1 − 0.02773 − 0.02361 − 0.02701
P [X > 3] = 0.9189

Literal e:
E[x]

a, ar2 , ar3 , ..., arn−1

| {z }
a(1−r n )
Sn = 1−r

1 − r2 = (1 − r)(1 + r)
1 − r3 = (1 − r)(1 + r + r2 )
1 − r = (1 − r)(1 + r + r2 + r3 + ... + rn−1 )
n

a(1 − rn )
= (1 + r + r2 + r3 + ... + rn−1 )a
1−r
a(1 − rn )
= Sn
1−r
n
1−
a ( r )
Sn = lim
n→∞ 1−r

Si → |r| < 1
−1 ≤ r < 1
rn → 1

a
Sn =
1−r
X∞
ez =
i=0
zz0 z1 z2
e = + + + ...
0! 1! 2!
2
z z3
ez = 1 + z + + + + ...
2! 3!

42
 X
µ = E[X] = xf (x)
X
µ= xq x − 1p
∀x
X p
µ= qx
q
∀x
∞
pX x p
q + 2q 2 + 3q 3 + 4q 4 + ... + nq n


µ= xq =
q x=1 q
p
µ=
q
Valor esperado de una función

Sea X una variable aleatoria discreta y f su función de densidad y H(x) sea también una variable
aleatoria discreta. El valor esperado de H(x) viene dado por:

X
E[H(x)] = H(x)f (x)

X
|H(x)|f (x) → seaf inita

X
E[x] = xf (x)
X
E[x2 ] = x2 f (x)
.
.
. X
E[xk ] = xk f (x)
X
E[et x] = et xf (x)

Función generadora de momentos

Sea X una variable aleatoria discreta con densidad f, la función generadora de momentos de X se denota
por:

mx (t) = E[et x]

A condición de que esta esperanza sea finita ∀ los Rt en un intervalo abierto

−h < t < h

Sea mx (t) la función generadora de momentos de una v. a. d. X, entonces el k-ésimo momento se

calcuları́a como :

dk mx (t) 

n
E[x ] =
dtk t=0

La función generadora de momentos:

43
 X
E[et x] = et xq x−1 p
X p
E[et x] = et xq x
q
t pX t x
E[e x] = e xq
qX
p
x
E[et x] = qet
q
p
E[et x] = qet + (qet )2 + (qet )3 + ... + (qet )n


q
a + ar + ar2 + ar3 + ... + arn−1

a(1 − rn )
S=
1−r
a = qet

r = qet =⇒ Razón

qet (1 − qet )n+1 )

Sn = limn→∞
1 − qet
0 < qet  < 1
 

qet p
E[etx ] = t
∗
1 − qe q

pet pet
E[etx ] = mx (t) =
1 − qet 1 − qet
dx (t)
E[x] = |t=0
dt
dx (t) pet (1 − qet ) − pet (−qet )
=
dt (1 − qet )2
dx (t) pet (1 − qet + qet ) pet
= t 2
=
dt (1 − qe ) (1 − qet )2
p p 1
µ = E[x] = 2
= 2 µ = E[x] =
(1 − q) p p
1
µ=
p
1
µ=
p
d dmx (t)
E[x2 ] = ∗ |t=0
dt dt
d pet pet (1 − qet ) − pet 2(1 − qet )(−qet )
=
dt (1 − qet )2 (1 − qet )4
3t
d pet pet (1 − 2qet + q 2 e2t ) − 2pe2t + pq 2e
t 2
=
dt (1 − qe ) (1 − qet )4
t
d pe pe − 2pqe + pq 2 e3t + 2pqe2t − pq 2 e3t
t 2t
=
dt (1 − qet )2 (1 − qet )4
t t
d pe pe
t 2
= |t=0
dt (1 − qe ) (1 − qet )4
σ 2 = E[x2 ] − (E[x])2
p 1
σ2 = − 2
(1 − q)4 p
p 1
σ2 = 4 − 2
p p

44
 1 1
σ2 = − 2
p3 p

1−p
σ2 =
p3

p
σ2 =
q2

mx (t) = E[etx ] = Σetx f (x)

E[etx ] = Σetx ∗ q x−1 ∗ p

p tx x
E[etx ] = Σe ∗ q
q
n
pX
x
E[etx ] = q ∗ et
q x=1
p
2
n
E[etx ] = [qet + qet + ... + qet ]
q
n
p qet (1 − (qet ))
E[etx ] = lim
q n→∞ 1 − qet
t
p qe
E[etx ] = ∗
q 1 − qet
pet
mx (t) =
1 − qet
Valor esperado:

µ = E[X]

dmx (t) 
E[X] =
dt t=0
dmx (t) pet (1 − qet ) − pet (−qet )
= 2
dt (1 − qet )
t t t
dmx (t) pe (1 − qe + qe )
= 2
dt (1 − qet )
t
dmx (t) pe
= 2
dt (1 − qet ) 
dmx (t) pet 
E[X] = µ = =

dt t 2 
(1 − qe ) t=0
p p 1
E[X] = µ = = 2 =
(1 − q)2 p p
Varianza:

σ 2 = E[x2 ] − (E[x])2

d2 mx (t)
E[x2 ] =
dt2

2 d pet 
E[x ] =

dt (1 − qet )2 

t=0
2
pet (1 − qet ) − pet (2) (1 − qet ) (−qet )
E[x2 ] = 4
(1 − qet )

45
 pet (1 − qet ) [1 − qet + 2qet ]
E[x2 ] = 4
(1 − qet )
pe (1 + qet ) 
t
E[x2 ] = 3 
(1 − qet ) t=0
p(1 + q) p(1 + q)
E[x2 ] = 3 =
(1 − q) p3
1+q
E[x2 ] =
p2
1 + q 1 q
σ2 = − 2 = 2
p p p

1
µ = E[X] =
p
q
σ2 =
p2

Ejemplo La probabilidad de encontrar un enfermo con cierta infección es p = 0.015. Determinar:

1. La probabilidad de encontrar en los 10 primeros casos.
2. La probabilidad de encontrar del 10 en adelnate.
3. Encontrar la media.

4. Encontrar la varianza.
f (x) = q x−1 p
1
X
1) 0(1 − 0.015)x−1 (0.015)
x=1

P [X ≤ 10] = 0.1404

9
X
2) 1 − (1 − 0.015)x−1 (0.015)
x=1

P [X ≥ 10] = 0.8728

1 1
3) µ = = = 66.67
p 0.015

q 1 − 0.015
4) σ 2 = 2
= = 4377.78
p 0.0152

DISTRUBUCIÓN DE POISSON

Sea X una variable aleatoria continua y f su función de densidad, se dice que esta tiene una distribución
de POISSON si:

e−λ λx
f (x) = = p[X = x]
x!

46
donde:
λ = número de eventos esperados (media o promedio)
x = número de eventos
e = número de Euler

Caracterı́sticas

• La interesa contar las veces que se presenta un evento en particular dentro de un intervalo deter-
minado, siendo este: tiempo, longitud, área, volumen.
• La probabilidad de que un evento se presente en cierto intervalo es igual para todos los intervalos.
• El número de eventos que ocurren en un intervalo es inependiente de número de eventos que se
presenta en cualquier otro intervalo.

Ejemplo

λ = 0.25

a) P [X = 0]
b) P [X = 1]
c) P [X = 2]
d) P [X ≥ 0]
e) P [X ≤ 0]

e−2.5 2.50
a) P [X = 0] = = 0.0821
0!
e−2.5 2.5
b) P [X = 1] = = 0.2052
1!
e−2.5 2.52
c) P [X = 2] = = 0.2565
2!
d) P [X ≥ 2] = 1 − P [X = 0] − P [X = 1] = 0.7128
3
X e−λ λx
d) P [X ≤ 3] = = 0.7576
x=1
x!

∞
X
f)Demostrar: f(x) = 1
i=0
∞ ∞
X X λ2
f(x) = e−λ
i=0 i=1
x!
∞
X
f(x) = e−λ eλ
i=0
∞
X
f(x) = e0 = 1
i=0

g) E[X] = µ

= Σxf(x)

e−λ λx
= Σx
x!

47
 e−λ λx
= Σx
(x − 1)!x
λx
= e−λ Σ
(x − 1)!
z =x−1

λz+1
= e−λ Σ
z!
z
λ λ
= e−λ Σ
z!
= e−λ ez Σλ

e−λ λeλ

=λ

e−λ λx
E[ext ] = Σext ( )
x!
(et λ)x
= e−λ Σ
x!
t t
= e−λ ee λ
= ee λ−λ
= Mx (t)


dmx (t) 
E[X] =
dt t=0

dmx (t) t

= ee λ−λ (λet ) = eλ − λ(λe0 )

dt t=0

E[X] = µ = λ
t

2 dee λ−λ
(λet ) 
E[X ] =
dt


t=0

t

E[X 2 ] = ee λ−λ
(λet )(λet + 1)

t=0

E[X 2 ] = λ2 − λ

σ 2 = E[X 2 ] − (E[X])2

σ 2 = λ2 + λ − λ2

σ2 = λ

Ejercicio

En una agencia bancaria, el dı́a más concurrido es el lunes y la hora de mayor movimiento es entre
las 11 a.m. a 12 p.m. con una afluencia promedio de 450 personas por hora. Determinar la probabilidad
de que cierto dı́a lunes a la misma hora señalada, lleguen al banco:

1. 300 personas.
2. 500 personas.

48
 3. La variaza.

1.
e−450 (450)300
a=
300!
300
X
lna = −450 + 300ln(450) − ln(x)
x=1

nla = −32.14
a = e−32.14
a = 1.1E − 14

2.
500
X
lna = −450 + 500ln(450) − ln(x)
x=1

lna = −6.71
a = 1.2273
e−450 /450)500
P [X = 5] =
500!
lna = −6.71
a = e−6.71

3.
5) σ 2 = λ = 450

Distribución de probabilidad hipergeometrica Sea x una v.a.d. y f su función de densidad, se

dice que esta tiene una distribución hipergeometrica si f(x) viene dada por la siguiente ecuación:
r N −r



x n−x
f (x) = N


n

Donde:
N representa tamaño población
r Número de exitos en la población(posee rasgo,caracteristicas)
x Es el número de exitos en la muestra
n Tamaño de la muestra Caracteristicas
• Los resultados de un experimento son de tipo bernuli, es decir que: exito o fracaso.

• La variable aleatoria es el número de exitos en la muestra.

• Los ensayos no son independientes.
• Los muestreos se realizan con una población finita y sin reemplazo y se cumple para
n
> 0.05
N

Ejemplo:
En una inspección de las aduanas 100 sacos de yute hay una contaminación de 8 de ellos.El inspector
de aduanas selecciona 5 sacos.Determinar la probabilidad de:

1. Ninguno este contaminado

8 100−8



0 5−0
f (x) = P [X = 0] = 100


5

f (x) = 0.6532

49
 2. Uno este contaminado
8 100−8



1 5−1
f (x) = P [X = 1] = 100


5
f (x) = 0.2969
3. Dos esten contaminados
8 100−8



2 5−2
f (x) = P [X = 2] = 100


5
f (x) = 0.0470
4. Los 5 esten contaminados
8 100−8



5 5−5
f (x) = P [X = 5] = 100


5
f (x) = 7.44E − 7
5. A lo mas 2 esten contaminados
P [X = 5] = 0.9469
Un entrenador de futbol convocó a 32 jugadores cierto dı́a 8 jugadores se escaparon de la
concentración.El comite de disciplina de la federación entrevisto a 6 jugadores.Determinar la
probabilidad de que:
1. Ninguno de ellos se escapo
8 32−8



0 6−0
P [X = 0] = f (x) = 32


6
f (x) = 0.149
2. Todos se escaparon
8 32−8



8 6−6
P [X = 6] = f (x) = 32


6
f (x) = 1.104E − 6
3. La mayorı́a de ellos se escapó
8 32−8 8 32−8 8 32−8







4 6−4 5 6−5 6 6−6
P [X >= 4] = f (x) = 32

+ 32

+ 32


6 6 6

f (x) = 0.023
4. No mas de 2 se escaparon
8 32−8 8 32−8





1 6−1 2 6−2
P [X <= 2] = f (x) = 32

+ 32


6 6

f (x) = 0.704
Distribución Multinomial es un caso de ggenralización de la binomial se dice que esta tine una
distribución multinomial si:
p[x1 = x1 ; x2 = x2 ; ...; xn = xn ] =
n!
f (x1 , x2 , ..., xn ) = px1 px2 ...pxnn
x1 !x2 !...xn ! 1 2
Donde:
x1 + x2 + ... + xn = n
p(x1 ) + p(x2 ) + ... + p(xn ) = 1
p1 + p2 + ...pn = 1
p1 , p2 , pn −→ constantes
Los peregrinos del camino de Santiago toman 3 rutas,Francia 0.40,Italia 0.35 y España 0.25.De 20
peregrinos que llegaron a Santiago de compostera.Determinar la probabilidad que:

50
 1. P [x1 = 10, x2 = 5, x3 = 5]
20!
P [x1 = 10, x2 = 5, x3 = 5] = ∗ (0.4)10 ∗ (0.35)5 ∗ (0.25)5
10!5!5!
P [x1 = 10, x2 = 5, x3 = 5] = 0.02504

2. P [x1 = 10, x10 ]

20!
P [x1 = 10, x10 ] = ∗ (0.4)10 ∗ (0.35)10
10!10!
P [x1 = 10, x10 ] = 0.0005344

3. P [x1 = 20]
20!
P [x1 = 20] = ∗ (0.40)20
20!
P [x1 = 20] = 1.0995E − 8

4. P [x2 = 20]
20!
P [x2 = 20] = ∗ (0.35)20
20!
P [x2 = 20] = 7.61E − 10

De acuerdo a la teoria genetica, un cierto cruce de conejillo de indias(cuy) resultado en una

descendencia roja,negra y blanca en relacion 8:4:4. Encuentre la probabilidad de que 8 descendientes:
1. 5 sean rojos,2 negros,1 blanco
8!
P [x1 = 5, x2 = 2, x3 = 1] = ∗ (0.5)5 ∗ (0.25)2 ∗ (0.25)1
5!2!1!
P [x1 = 5, x2 = 2, x3 = 1] = 0.08203

2. 4 rojos,2 negros,2 blancos

8!
P [x1 = 4, x2 = 2, x3 = 2] = ∗ (0.5)4 ∗ (0.25)4
4!2!2!
P [x1 = 4, x2 = 2, x3 = 2] = 0.1025

3. 3 rojas,3 negras,2 blancas

8!
P [x1 = 3, x2 = 3, x3 = 2] = ∗ (0.5)3 ∗ (0.25)3 ∗ (0.25)2
3!3!2!
P [x1 = 3, x2 = 3, x3 = 2] = 0.06836

4. Solo rojos
P [x1 = 8] = (0.5)8 P [x1 = 8] = 0.003906

Distribución de probabilidades continuas

Discretas:
f(x)¿=0
X
f (x) = 1
P[X=x]=f(x)
Continuas:
f(x)¿=0
Z ∞
f (x) = 1
−∞ Z x
P [X = x] = f (x)dx
−∞
P [x = σ] = 0 Sea X una v.a. y f su función de densidad donde f viene dado por:

k
 si x > 0
f(x)= x (3)
0 Cualquier otro caso


51
 1. Hallar el valor de k para que f sea una función continua
Z ∞ Z 0 Z ∞
k
f (x) = dx = 0dx + dx
−∞ −∞ 0 x
Z ∞
f (x) = dx = 0 + klnx|∞
0
−∞
Z ∞
f (x) = dx = k[ lim lnx − lim ]
−∞ x→∞ x→0
Z ∞
f (x) = dx = k∞
−∞
No es una función de densidad
NORMAL ESTÁNDAR
x−µ 850 − 890
Z= = = −2
σ 20

Z −2 Z 0
1 − z2 1 − z2
P [z ≤ −2] = √ e 2 dz = 0.5 − √ e 2 dz = 0.22750
−∞ 2π −2 2π

P [X ≤ 850] = P [Z ≤ −2] = 0.22750

c) P [870 ≤ X ≤ 930]

870 − 890
z1 = = −1
20

930 − 890
z2 = = −2
20

Z 2
1 z2
P [−1 ≤ X ≤ 2] = √ e− 2 dz = 0.8186
−1 2π

d) P [900 ≤ X ≤ 975]

1
z1 =
2

17
z2 =
4

Z 17
1 17 4 1 z2
P[ ≤X≤ ]= √ e− 2 dz = 0.3085
2 4 1
2
2π

p z
0.800727 1.28
0.900000
0.901475 1.29

Dh 0.01(0.000273)
d= = = 0.001562
H 0.001748

52
 z = 1.28 + 0.00156 = 1.28156

x = zσ + µ = (1.28156)(20) + 890 = 916

DISTRIBUCIÓN EXPONENIAL

Sea X una variable aleatoria continua y f su función de densidad, se dice que esta es una distribución
exponencial con parámetro λ si su función de densidad viene dada por:

 λe−λx

six > 0
f (x) =
0 encualquierotrocaso


Ejemplo

Demostrar que es una función de densidad

Z ∞
f (x)dx = 1
−∞
Z ∞ Z ∞
λe−λx dx = λe−λx dx
Z−∞
∞
0
Z ∞
−λx
λe dx = λ e−λx dx
−∞ 0
Z ∞ ∞
−λx λ −λx 
λe dx = e
−λ 
Z−∞
∞
0
1
λe−λx dx = − λ∞ + e0
−∞ e
Z ∞
λe−λx dx = 1
−∞

Hallar la media
Z ∞
E[X] = λe−λx dx
0
e−λx e−λx
Z
= λ(−x − − )dx
λ λ
∞
1 
= −e−λx (x − )
λ 0
1
E[X] = µ =
λ
Hallar el segundo momento
Z ∞
2
E[X ] = x2 λe−λe dx
0
−λx
e−λx
Z
2e
= λ(x − − 2xdx)
−λ −λ
e−λx e−λx e−λx
= λ(x2 + 2(−x −2 )
−λ λ λ
∞
2x 2
= −e−λx (x2 + + 
λ λ 0
1
E[X 2 ] = 2
λ
Hallar la varianza

53
 2 1 1
σ2 = − 2 = 2
λ2 λ λ
Halla la función generadora de momentos
Z ∞
tx
E[e ] = etx λe−λx dx
0
Z ∞
=λ e−x(λ−t) dx
0
λ
= = mx (t)
λ−t

Ejemplo

La duración del timepo sin fallo de un elemento eletrónico tiene una distribución exponencial que viene
dada:

f (x) = 0.03e−0.03x

Hallar la probabilidad:

1. P [X ≤ 200]
2. P [100 ≤ X ≤ 200]
3. P [X < 100]

4. P [X > 200]
5. Hallar µ y σ 2
Z 2
1) P [X ≤ 200] = 000.03e−0.03x = 0.9975
0
Z
2) P [100 ≤ X ≤ 200] = 002 000.03e−0.03x = 0.04730
1
Z 1
3) P [X < 100] = 000.03e−0.03x = 0.9502
0
Z 2
4) P [X > 200] = 1 − 000.03e−0.03x = 0.0024788
0
1 1
5) µ = = = 33.33
λ 0.03
1 1
5) σ 2 = 2 = = 1111.11
λ 0.032
Ejercicio

f (x) = 0.25e−0.25x

Halla la probabilidad:

1. P [X ≥ 20]
2. P [0 ≤ X ≤ 20]
3. P [X ≤ 60]

4. P [20 ≤ X ≤ 40]
5. P [X ≥ 40]

54
6. P [X ≤ 40]
7. Hallar µ
8. Hallar σ 2
Z 2
1) P [X ≥ 20] = 1 − 00.25e−0.25x = 0.006738
0
Z 2
2) P [0 ≤ X ≤ 20] = 00.25e−0.25x = 0.993262
0
Z 6
3) P [X ≤ 60] = 1 − 00.25e−0.25x = 3.06E − 7
0
Z
4) P [20 ≤ X ≤ 40] = 04 00.25e−0.25x = 0.0066925
2
Z 4
5) P [X ≥ 40] = 1 − 00.25e−0.25x = 4.54E − 5
0
Z 4
6) P [X ≤ 40] = 00.25e−0.25x = 0.999955
0
1 1
7) µ = = =4
λ 0.25
1 1
8) σ 2 = 2 = = 16
λ 0.252

CUADERNO DE ESTADÍSTICA TERCER PARCIAL

MUESTREO

• Población muy extensa

• Costos
• Tiempo
• Es un buen reflejo de la población
• Imposibilidad de trabajar con la población
• Muestras son destructivas

Probabilı́sticos

• Muestreo aleatorio simple

• Muestreo aleatorio sistemático
• Muestreo aleatorio estratificado
• Muestreo aleatorio conglomerado

Distribución Muestral

La distribución muestral de medias tiene el siguiente comportamiento:

µx̄ = µ
σ
σx̄ = √
n

La distribución muestral tiene una tendencia de una distribución normal.

55
Pruebas de Hipótesis

1. Determinación de las hipótesis:

• Ho = Hipótesis nula (No Rechazar / Rechazar)
• H1 = Hipótesis aleatoria

2. Establecer el nivel de significancia (α)

3. Calcular el estadı́stico de prueba

• z
• x2

• T
• U
• t
• F

• W

4. Encotrar el estadı́stico crı́tico

• zC
• x2C
• TC

• UC
• tC
• FC

• WC

5. Toma de decisión (z vs zC )

6. Cálculo del valor p

V alor − p > α

Rechazo Ho, Acepto H1

TEST

No rechazo Rechazo
Verdadero Decisión Acertada Error I
Falso Error II Decisión Acertada

Prueba de una Media

Validar un parámetro de la población mediante el estadı́stico de la muestra.

σ Conocida

H0 : µ = µ0

56
H1 : µ 6= µ0

bilateral

H0 : µ ≤ µ0

H1 : µ > µ0

bilateral

H0 : µ ≥ µ0

H1 : µ < µ0

bilateral

57
Una empresa exportadora de cacao afirma que sus sacos de exportación tienen un peso de 22kg , el
departamento de control de calidad realizó una muestra de 25 observaciones encontrando una media de
22.1. Por estudios anteriores se conoce que la desviación estándar de la población es 0.20: Realizar una
prueba de hipótesis con un nivel de significancia de 0.05 que valide se se está cumpliendo lo que dice el
fabricante.

I) H0 = 22, H1 6= 22

II) α = 0.05

x−µ 22.1 − 22
III) Z= = = 2.50
σx 0.20
√
25
IV)

V) Z cae en la zona de rechazo

Rechazo H0
Acepto H1

Una fábrica de focos afirma que tienen una duración promedio de al menos 10000 horas. El
departamento de control de calidad realiza una investigación que valide dicha afirmación.
Encontrandose que en una muestra de 36 observaciones los focos tuvieron una duración promedio de
9800 horas, se conoce la desviación estandar de 500 horas. Considere α = 0.02

I) H0 : µ ≥ 10000
H1 : µ < 10000

II) α = 0.02

x−µ 9800 − 10000

III) Z= σ = = −2.40
√ 500
√
n 36

IV) ZC = {α = 0.02 ncolas=1

V) Z cae en la zona de rechazo

Rechazo H0
Acepto H1

VI) Valor-p

58
 Z −2.40
Z2
1 −
Valor-p = 0.5 − √ e 2 · dx
0 2π
Valor-p = 0.008198 < α
Rechazo H0
Acepto H1

El ministerio del ambiente desea conocer si las aguas de un rı́o pueden ser utilizadas para riego, para lo
cual esta no debe superar de los 200 ppm de cierto material. Se toma una muestra de 50 observaciones,
encontrándose una media de 200.05, se conoce que σ = 1.2. Considere α = 0.05. Realizar una prueba
de hipótesis para verificar si el agua se puede utilizar para riego.

I) H0 : µ ≤ 200
H1 : µ > 200

II) α = 0.05

x−µ 200.5 − 200

III) Z= σ = = 0.2946
√ 1.2
√
n 50

IV) ZC = {α = 0.05 ncolas=1

V) Z cae en la zona de no rechazo

No Rechazo H0
No tengo evidencia suficiente para rechazar H0
Si puedo usar el agua para riego

Prueba de Hipótesis de una muestra con sigma σ desconocida

Un estudiante de mecatrónica hace sus prácticas profesionales en una empresa que fábrica artı́culos

59
eléctricos, le dan una tarea,realizar el control en fusibles, los cuales la empresa asegura que son de 2
amperios. Toma una muestra de 25 observaciones obteniendo los siguientes resultados.

1.98 2.05 1.95 2.05 1.92

2.01 2.10 1.97 2.03 1.90
1.97 2.07 1.99 2.03 1.89
2.00 1.98 2.00 1.98 2.01
1.80 1.90 2.10 1.90 2.02

Con un nivel de significancia α = 0.05, realizar un test de hipótesis que valide si la media de los fusibles
es de 2 amperios.

I) H0 : µ = 2.00
H1 : µ 6= 2.00

II) α = 0.05

x−µ
III) t=
S
√
n
x = 1.984 S = 0.0707
1.984 − 2.00
t= = −1.1315
0.0707
√
25

IV) tC = {α = 0.05 ncolas=2 ngl = n-1 = 25-1 = 24

tC = 2.064

V) t cae en la zona de no rechazo

No rechazo H0
x = 2.00amperios

Otro estudiante realiza sus prácticas en una fábrica de baterı́as, la empresa afirma que sus baterı́as
tienen una vida mı́nima promedio de 3 años, este estudiante realiza un estudio con una muestra de 30
observaciones los cuales tuvieron una duración de:

43.1 40.8 36.3 36.5 25.1 37.1

33.9 46.3 27.7 30.6 36.2 30.4
31.0 40.4 33.7 40.7 32.2 29.9
26.6 38.8 30.5 41.3 33.2 33.4
32.9 36.4 38.3 32.2 44.1 33.0
x = 35.087 S = 5.270

60
 I) H0 : µ ≥ 2.00
H1 : µ < 2.00

II) α = 0.05

x−µ 35.087 − 36
III) t= = = −0.949
S 5.270
√ √
n 30

IV) tC = {α = 0.05 ncolas=1 ngl = 29

tC = 2.064

V) t cae en la zona de no rechazo

No rechazo H0
No tengo suficiente evidencia para rechazar H0

Pruebas de hipótesis sobre la proporcioón de una población

H0 : p = p0 H0 : p ≤ p0 H0 : p ≥ p0
I)
H1 : p 6= p0 H1 : p > p0 H1 : p < p0

II) α
p − p0
III) Z = r
p0 (1 − p0 )
 n
n-colas
IV) Zc =
nivel de significancia
V) Z vs Zc

Ejercicios

1. En un estudio llevado a cabo por una revista, indica que el 64% de los compradores de un super-
mercado creen que las marcas propias son tan buenas como las marcas de reconocimiento nacional,
respecto a la calidad del producto. Para investigar, un fabricante de salsa de tomate preguntó a 100
compradores si creı́an que la salsa de tomate de la marca del supermercado era tan buena como la
marca reconocida. Resultó que 52 de los compradores de la muestra indicaron que la marca propia
era tan buena como la marca reconocida con un nivel de significancia de 0,05. Realice una prueba
de hiótesis que valide la información.

(a) Establecer la prueba de hipótesis

H0 : p ≥ 64
H1 : p < 64

61
 (b) Seleccionar el nivel de significancia
α = 0.05
(c) Calcular el estadı́stico de prueba
52
p= = 0.52 n = 100
100
0.52 − 0.64
Z=q
0.64(1−0.64)
100

Z = −2.5
(d) Calcular
 el estadı́stico crı́tico.
n-colas = 1
Zc =
nivel de significancia = 0, 05
Zc = −1.66
(e) Toma de decisión

El valor Z de prueba cae dentro de la zona de rechazo, por lo tanto se rechaza la hipótesis
nula.
(f) Valor-p:

Z 0
Z2
1 −
V alor − p = 0.5 − √ e 2 dZ = 0.04846
−1.66 2π
Ya que 0.04846 < 0.05 se rechaza la hipótesis nula y se acepta H1 .

2. Cierto periódico indica que un candidato presidencial tiene un mı́nimo de aceptación del 35% para
la candidatura a la alcaldı́a, una empresa realiza una encuesta a 500 votantes, de los cuales 175
afirman que van a votar por el candidato mencionado. Realice una prueba de hipótesis con un
nivel de significancia de 0.03, que valide lo que afirma la empresa de comunicación social.

(a) Establecer la prueba de hipótesis

H0 : p ≥ 0.35
H1 : p < 0.35
(b) Seleccionar el nivel de significancia
α = 0.03
(c) Calcular el estadı́stico de prueba
175
p= = 0.35 n = 500
500
0.35 − 0.35
Z=q
0.35(1−0.35)
500

Z=0

62
 (d) Calcular
 el estadı́stico crı́tico.
n-colas = 1
Zc =
nivel de significancia = 0, 03
Zc = −1.885
(e) Toma de decisión

El valor Z de prueba cae dentro de la zona de no rechazo, por lo tanto, no hay evidencia
estadı́stica suficiente para rechazar la hipótesis nula.

3. Un restaurante de comida rápida planea una oferta especial que permita a los clientes comprar
vasos de diseño especial, con conocidos personajes de caricatura. si más del 15% de los clientes
compran esos vasos, se implantará la promoción. En una prueba preliminar (prueba piloto) 88 de
los 500 clientes los compraron. Se debe implantar la promoción especial, para esto debo realizar
una prueba de hipótesis. Use nivel de significancia de 0.01.

(a) Establecer la prueba de hipótesis

H0 : p ≥ 0.15
H1 : p < 0.15
(b) Seleccionar el nivel de significancia
α = 0.01
(c) Calcular el estadı́stico de prueba
88
p= = 0.176 n = 500
500
0.176 − 0.15
Z=q
0.176(1−0.176)
500

Z = 1.63
(d) Calcular
 el estadı́stico crı́tico.
n-colas = 1
Zc =
nivel de significancia = 0, 01
Zc = −2.33
(e) Toma de decisión

63
 El valor Z de prueba cae dentro de la zona de no rechazo, por lo tanto, no hay evidencia
estadı́stica suficiente para rechazar la hipótesis nula.

Prueba de hipótesis de una varianza

H0 : σ 2 = σ02 H0 : σ 2 ≤ σ02 H0 : σ 2 ≥ σ02

I)
H1 : σ 2 6= σ02 H1 : σ 2 > σ02 H1 : σ 2 < σ02

II) α
(n − 1)2 S 2
III) X 2 = 2
 σ0
ngl = (n − 1)
IV) Xc2 =
nivel de significancia = α
V) X 2 vs Xc2

Ejercicios

4. En una muestra de 16 elementos la desviación estándar es de 9.5, prueba la hiótesis que la varianza
de la población no supera los 50. Utilice α = 0.05

(a) Establecer la prueba de hipótesis

H0 : σ 2 ≥ 50
H1 : σ 2 < 50
(b) Seleccionar el nivel de significancia
α = 0.05
(c) Calcular el estadı́stico de prueba

(n − 1)2 s2
χ2 =
σ02
(16 − 1)2 (9.5)2
χ2 =
50
χ2 = 27.08
(d) Calcular
 el estadı́stico crı́tico.
2 ngl = 15
Xc =
nivel de significancia = 0, 05
Xc2 = 24, 99
(e) Toma de decisión

El valor χ2 de prueba cae dentro de la zona de rechazo, por lo tanto se rechaza la hipótesis
nula.

64
 5. En una muestra de 20 elementos, la desviación estándar muestral es de 5, realizar una prueba de
hipótesis que me indique que la varianza es igual a 6.
(a) Establecer la prueba de hipótesis
H0 : σ 2 = 6
H1 : σ 2 6= 6
(b) Seleccionar el nivel de significancia
α = 0.05
(c) Calcular el estadı́stico de prueba

(n − 1)2 s2
χ2 =
σ02
(20 − 1)2 (5)2
χ2 =
6
χ2 = 79.17
(d) Calcular
 el estadı́stico crı́tico.
2 ngl = 19
Xc =
nivel de significancia = 0, 05
2
Xc = 10.117
(e) Toma de decisión

El valor χ2 de prueba cae dentro de la zona de rechazo, por lo tanto se rechaza la hipótesis
nula.

H0 : µ1 = µ2 H0 : µ1 ≤ µ2 H0 : µ1 geqµ2
H0 : µ6 = µ2 H0 : µ1 < µ2 H0 : µ1 > µ2
H0 : µ1 = µ2 H0 : µ1 = µ2 H0 : µ1 = µ2
H0 : µ6 = µ2 H0 : µ1 < µ2 H0 : µ1 > µ2

Con σ 1 y 2 conocidas

I)
H0 : µ1 = µ2
H0 : µ1 6= µ2

II)

α = 0.05

65
 III)
x1 − x2
z=q 2
σ1 σ22
n1 + n2

z=-0.62

IV)
(
ncolas = 2
Zc ⇒
α = 0.05

Figure 14: Prueba de dos muestras

V) Z cae en zona de no rechazo. Estdadı́sticamente no tengo pruebas suficientes que me permitan

rechazar H0

σ1 y σ2 desconocidos
I)
H0 : µ1 = µ2 ; H1 : µ1 6= µ2 H0 : µ1 ≤ µ2 ; H1 : µ1 ≥ µ2 H0 : µ1 = µ2 ; H1 : µ1 ≤ µ2
——————————————————————————————————————————-
H0 : µ1 = µ2 ; H1 : µ1 6= µ2 H0 : µ1 = µ2 ; H1 : µ1 ≥ µ2 H0 : µ1 = µ2 ; H1 : µ1 ≤ µ2
II)

α = 0.05

III) Considerar que σ12 = σ22

x1 − x2 (n1 − 1)S12 + (n2 − 2)s22

t= q 2 sp2 =
sp sp2 n1 + n2 − 2
n1 + n2

Ejemplo:

n1 = 19 y n2 = 29

66
 x1 x2
13.2 12.8 11.2 16.7 14.0 112.5 14.8 19.4
14.7 18.0 18.00 18.9 14.5 13.4 15.2 15.3
16.8 19.6 19.6 18.7 16.3 13.0 16.0 10.0
12.4 17.9 17.4 17.8 12.0 13.5 16.3 8.0
15 17.51 17.5 • 15.4 12.7 15.7 12.0
x1 = 15.73; x2 = 13.55 σ12 = 5.9 ⇒ S1 = 2.43; σ22 = 3.2 ⇒ S2 = 1.85

Ejemplo:

I)
H0 : µ1 = µ2
H1 : µ1 ≥ µ2

II) α = 0.025

III)

(19 − 2)(5.9) + (29 − 1)(3.42)

Sp2 =
29 + 19 − 2
Sp2 = 4.39
15.73 − 13.55
t= q
4.39 4.39
19 + 29

t = 3.53

IV)

ncolas = 1

Zc ⇒ α = 0.025

ngl = n1 + n2 − 2 = 46


tc = 2.013

Figure 15: Prueba de dos muestras

V)
Rechazo H0
Acepto H1

Prueba de Hipótesis con σ1 y σ2

67
 II) Considerar σ12 6= σ22

III)
S12 S22
 
n1 + n2
ngl =  2
2  2
2
S1 S2
n1 n2

n1 −1 + n2 −2
I)
H0 : µ1 = µ2
H1 : µ1 ≥ µ2

II) α = 0.025

III)
15.73 − 13.55
t= q
5.9 3.42
19 + 29

Figure 16: Prueba de dos muestras con σ

desconocida

IV)

ncolas = 1

Zc ⇒ α = 0.05

ngl = 31.36


5.9 3.4


19 + 2.9
ngl = 2 2
( 5.9
19 ) ( 3.4
29 )
18 + 28
tc = 2.04

V)
Rechazo H0
Acepto H1
Prueba de Varianzas
H0 : σ1 = σ2 ; H1 : σ1 6= σ2 H0 : σ1 ≤ σ2 ; H1 : σ1 ≥ σ2 H0 : σ1 = σ2 ; H1 : σ1 ≤ σ2
I)
H0 : σ1 = σ2
H1 : σ1 6= σ2

68
 II) α = 0.05

III)

S12
F =
S22
5.9
F =
3.42
IV)


 ncolas = 2

α = 0.05
Fc ⇒


 nglN = 19 − 1 = 18
nglD = 29 − 1 = 28


Figure 17: Prueba de dos muestras con σ

desconocida

Ejemplo:

Bombas
1.5 1.59 1.4 1.65
1.55 1.58 1.45 1.6
1.58 1.5 1.5 1.54
1.6 1.58 1.49 1.55
A B
1.65 1.6 1.6 1.5
1.64 1.6 1.65 1.5
1.58 1.5 1.6 1.58
1.54 1.56 1.5 1.6

x1 = 1.57; x2 = 1.545 S22 = 0.00511

n1 = 16
S12 = 0.00206 n2 = 16
1. Prueba de Varianza

I)
H0 : σ1 = σ2
H1 : σ1 6= σ2

II) α = 0.05

III)

69
 S12
F =
S22
0.00511
F = = 2.48
0.00206
IV)


 ncolas = 2

α = 0.05
Fc ⇒


 nglN = 15
nglD = 15


Figure 18: Prueba de dos muestras con σ

desconocida

V) F cae en la zona de no rechazo. No rechazo H0

Prueba de t poblaciones independientes.
Con varianzas iguales

I) Ho: µ1 = µ2
H1:µ1 > µ2
II) α = 0.05

III)
(15)(0.045)2 + (15)(0.07)2
sp2 = = 3.533 × 10−3
16 + 16 − 2
1.57 − 1.54
t= q =1.42
3.533×10−3 −3
16 + 3.533×10
16

IV)tc= 1.697
ngl=30
ncolas=1
α = 0.05

V)

70
t=1.42 y tc=1.697
t se encuentra en la zona de no rechazo
No rechazo Ho.

Prueba de Hipótesis con σ12 y σ22 desconocidas y desiguales

I)Ho: µ1 = µ2
H1: µ1 > µ2

II) α = 0.025
III)
X1 − X2
t= q
S12 S22
n1 + n2

15.73 − 13.55
t= q
5.9 3.42
19 + 2.9

S12 S22 2
( + )
IV) ngl= n1 n2
S12 2 S22 2
( ) ( )
n1 + n2
n1 − 1 n2 − 1

2.432 1.852 2
( + )
ngl= 19 29 = 31.366 = 31
2.432 2 1.852 2
( ) ( )
19 + 29
18 28
Se redondea al menor.
tc=2.04
ncolas=1
α = 0.025

V)

t=3.33 y tc=2.04
t cae en la zona de rechazo.
Rechazo Ho
Acepto H1.

Regresión lineal
Covarianza
P
(x − x̄)(y − ȳ)
Sxy =
n−1
Varianza

71
 (x − x̄)2
P
Sxx = Sx2 =
n−1
− ȳ)2
P
(y
Syy = Sy2 =
n−1
Coeficiente de correlación de Pearson
Sxy
r=
Sx · Sy
P
(x − x̄)(y − ȳ)
r= P
r rP
(x − x̄)2 (y − ȳ)2
·
n−1 n−1

Gráfica de la posición de Sxy

GRÁFICAS

Gráfica si r > 0

Gráfica si r < 0

Gráfica si r ≈ 0

72
 Gráfica si r ≈ 0

Gráfica si r = 0
Correlación nula perfecta

Gráfica si r = 1
Correlación directa perfecta

Gráfica si r = −1
Correlación indirecta perfecta.

No es lineal

EJERCICIO.

73
 x y x-x̄ y-ȳ (x-x̄)(y-ȳ)
175 72 4.69 7 32.83
170 67 -0.31 2 -0.62
173 65 2.69 0 0
172 66 1.69 1 1.69
165 60 -5.31 -5 26.55
178 83 7.69 18 138.42
170 55 -0.31 -10 3.1
169 63 -1.31 -2 2.62
172 57 1.69 -8 -13.52
167 64 -3.31 -1 3.31
167 64 -3.31 -1 3.31
168 64 -2.31 -1 2.31
168 65 -2.31 0 0
x̄=170.308
x̄=170.31

ȳ=65
200
r= √ √ = 0.66
156.77 574

RECTA DE PROGRESIÓN

y=βo + β1x

y=mx+b
m=β1
b=βoP
(x − x̄)(y − ȳ)
β1 = P
(x − x̄)2
βo = ȳ − β1 x̄
200
β1 =
156.77
β1 =1.28
βo =65-1.28(170.31)
βo =65-217.99=-153

y= -153+1.28x

y(180)=153+1.28(180)

y=77.4

74
Hora de estudio Calificación x−x y−y (x − x)(y − y) (x − x)2 (y − y)2
x y
2 14 -4 -0.89 3.56 16 12.67
3 15 -3 0.11 -0.33 9 0.11
4 12 -2 -2.89 5.78 4 33.41
5 17 -1 2.11 -2.11 1 4.45
6 14 0 -0.89 0 0 0
7 13 1 -1.89 -1.89 1 3.57
8 14 2 -0.89 -1.78 4 3.17
9 17 3 2.11 6.33 9 40.07
0 -0.01 22 60 239.53

x=6
y = 14.89

Σ(x − x)(y − y)
r= p
Σ(x − xΣ(y − y)
22
r= √
60 ∗ 252.21
r = 0.1835
Σ(x − x)(y − y)
β1 =
Σ(x − x)2
22
β1 = = 0.367
60
β0 = 14.89 − (0.367)6 = 12.688
yb = 12.69 + 0.367x

Fı́sica Cálculo
x y x−x y−y (x − x)(y − y) (x − x)2 (y − y)2
12.66 12.3 6.66 -2.59 -17.25 44.36 297.54
12 12 6 -2.89 -17.34 36 300.68
11 13 5 -1.89 -9.45 25 89.3
12 16 6 1.11 6.66 36 44.36
13 11 7 -3.89 -27.23 49 742.47
16.5 20 10.5 5.11 53.66 110.25 2878.86
16 18 10 3.11 31.1 100 967.21
16.5 20 10.5 5.11 53.66 110.25 2878.86
14 14.5 8 -0.39 -3.12 64 9.73
14.5 15 8.5 0.11 0.93 72.25 0.87
16.43 11.2 10.43 -3.69 -38.49 108.78 1481.23
13 14.5 7 -0.39 -2.73 49 7.45
14.6 18.5 8.6 3.61 31.05 73.96 963.85
14 17.5 8 2.61 20.88 64 435.97
13.9 19.8 7.9 4.91 38.79 62.41 1504.59
120.09 9.95 121.11 1005.26 12601.92

x = 14.01
y = 15.55
Σ(x − x)(y − y)
r= p
Σ(x − xΣ(y − y)

75
 121.11
r= √
1005.26 ∗ 12601.92
r = 0.03
Σ(x − x)(y − y)
β1 =
Σ(x − x)2
121.11
β1 = = 0.12
1005.26
β0 = 15.55 − (0.12)(14.01) = 13.67
yb = 13.67 + 0.12x

En un libro de fundamentos de Quı́mica se obtuvo los datos sobre la cantidad de nitratos de sodio
que ser disuelta en en 100g. de agua dependiendo de su temperatura.

x y
0 66.7 -26 -23.44 609.44 676 549.43 67.5 512.57
4 71.0 -22 -19.14 421.08 484 364.34 70.98 367.11
10 76.3 -16 -13.84 221.44 356 191.55 76.21 194.04
15 80.6 -11 -9.54 104.94 212 91.01 80.56 91-78
21 85.7 -5 -4.44 22.2 25 19.71 85.78 19.01
29 92.9 3 2.76 8.28 9 7.60 92.75 6.81
36 99.4 10 9.26 92.6 100 85.67 98.84 75.69
51 112.6 25 23.46 586.5 625 550.37 111.9 473.5
68 125.1 42 34.97 1468.74 1764 1222.2 126.7 1336.63
0 0 3532.8 4060 3083.98 811.22 3077.14

x = 26
y = 90.14
a)Hacer el diagrama de dispersión
b)Coeficientes de correlación de Pearson
c)Ecuación de regresión
d)Coeficiente de determinación
e)Prueba ”t” de bondad

a)

76
 b)

3534.8
r= √
4060 ∗ 3083.98
r = 0.999

c)

3534.8
β1 =
4060
β1 = 0.8706
β0 = 90.14 − 0.8706(26)
β0 = 67.5
yb = 67.5 + 0.8706x
d)

y − y)2
Σ(b
R2 =
Σ(y − y)2
r: Fuerza con las variables están correlacionadas.

R2 : Mide la proporción con que la variable dependiente es explicada por la variable independiente.

R2 = 0.998
R2 = r 2
No son lo mismo pero poseen el mismo valor numérico.
e)

I)
H0 = β 1 = 0
H1 = β1 6= 0

H0 = r = 0
H1 = r 6= 0

II)
α = 0.05

III) √
r n−2
t= √
1 − r2
√
0.999 7
t= p = 59.12
1 − (0.999)2

77
IV)

 ncolas = 2



t= α = 0.05




ngl = n − 2 = 7

t=2.356

V)
Rechazo H0
Acepto H1
Las dos variables son dependientes, es decir, están correlacionadas.

Regresión Exponencial
x=Horas y=Número de bacterias
x y y1 = ln(y) x − x y − y (x − x)(y − y) (x − x)2 (y − y)2
0 5000 8.52 -4 -1.99 7.96 16 3.96
1 5800 9.05 -3 -1.46 4.38 9 2.13
2 15000 9.62 -2 -0.89 1.78 4 0.79
3 28000 10.24 -1 -0.27 0.27 1 0.073
4 40000 10.60 0 0.09 0 0 0.008
5 60000 11.00 1 0.49 0.49 1 0.24
6 900000 11.41 2 0.90 1.80 4 0.81
7 150000 11.92 3 1.41 4.23 9 1.99
8 210000 12.25 4 1.74 6.96 16 3.03
94.61 0 0.02 27.841 60 12.30

yb = β0 eβ1 x

x=4
y = 10.51
ln(b
y ) = ln(β0 ) + β1 x

27.841
β1 = = 0.456
60

β01 = yb1 − β1 x
β01 = 10.51 − 0.465(4)

78
 β01 = 8.65

ln(β0 ) = β01
β0 = eβ01
β0 = 5710.15

yb = 5710.15e0.465x
r = 1.02

79