REPÚBLICA BOLIVARIANA DE VENEZUELA

MINISTERIO DEL PODER POPULAR PARA LA EDUCACIÓN

UNIVERSIDAD NACIONAL EXPERIMENTAL “RAFAEL MARIA BARALT “

Estadística I
Unidad IV

Programa de Administración: Gerencia Industria l Semestre IV

ESTUDIANTE: Adalberto Manzano / C.I: V-30.833.810 / Sección 311731

ESTUDIANTE: Lisdey Duran / C.I: V-31.250.507 / Sección 311731

ESTUDIANTE: Ivcer Toledo / C.I: V-13.830.164 / Sección 311731

PROFESOR: Juan Castro

 1

Esquema

I Introducción

II Desarrollo

a) Técnicas de contexto

b) Experimento aleatorio

c) Espacio muestral

d) Eventos; tipos de eventos

e) Probabilidad; concepto, cálculos y axiomas

f) Reglas de probabilidad

g) Teorema de bayes

h) Probabilidad aplicada al campo de la administración

i) Valor esperado o esperanza matemática

j) Distribución binomial; uso de la tabla, aplicaciones

k) Campo administrativo

l) Distribución de poisson; características, uso de la tabla

m) Distribuciones continúas de probabilidades

n) Distribución normal

n) Distribución normal estándar, uso de la tabla

o) T student, uso de la tabla

p) Otras distribuciones de probabilidad

III Referencias bibliográficas

IV Conclusiones
 2

Introducción

En este trabajo se recogen y analizan las investigaciones relativas a la

probabilidad, las reglas de las `probabilidades, sus contextos y teoremas, tras
caracterizar las distintas tipologías de análisis de descriptos, se estudian
aportaciones, incluyendo páginas virtuales en la internet de economía, Esta
investigación tiene como finalidad el desarrollo de las capacidades de
interpretación de las estadísticas, caracterizando un estudio, con el objeto de
explicar cuáles son los temas analizados, qué enfoques se utilizan y cuál es la
evolución de estos temas, que consta de diferentes aportes, aumentado
notablemente en los últimos años, un recurso esencial sobre inferencia de las
probabilidades en las estadística, que tienen como margen de desarrollo, Por
último, se proporcionan varias ideas y sugerencias respecto a las
distribuciones de las probabilidades, lo cual son líneas a futuros para
nuestras investigaciones, trabajos de campo, incidiendo especialmente en la
necesidad de los resultados, que se ajusten a la evidencia, que aportaran
dichas investigaciones. En muchos casos resulta muy difícil, sino artificial,
apartar por completo los estudios relativos a la estadística y la probabilidad
de los dedicados a otros ámbitos de las matemáticas, en función de las
administraciones efectivas.
 3

CONCEPTOS FUNDAMENTALES

a) Técnicas de contexto

Las técnicas de conteo son estrategias matemáticas usadas en probabilidad

y estadística que permiten determinar el número total de resultados que
pueden haber a partir de hacer combinaciones dentro de un conjunto o
conjuntos de objetos.

Los contextos de producción involucran todas las costumbres, reglas

sociales, sistema económico, estructura política y social en la que una persona
está inserta, e interpreta esa realidad según su perspectiva personal. De
acuerdo a Restrepo (2012), Además, en la videoconferencia «Reflexiones a
propósito de la lectura de contexto» realizada por la Dra. Elida Giraldo Gil
(2013) se propone pensar al contexto como unidad de análisis. Según la
autora, esto implica salirse de la idea de circunstancia, de la idea de escenario
y pensar el contexto a partir de dónde centramos la atención, qué es lo que
estamos mirando, qué es lo que nos estamos preguntando. En esta línea,
sostiene que esa unidad de análisis nos permite considerar al contexto como
una situación particular dentro de un espacio más amplio, compuesto por
elementos mayores. Visto de este modo, lo consideramos como un conjunto
de capas, como si estuviéramos pensando en una cebolla.
 4

En este sentido identificamos entonces dimensiones de lectura de la unidad

de análisis que refieren a: el espacio, el tiempo, las prácticas, los sujetos y la
cultura. Es decir, estos ejes se articulan como claves, como sistemas de
relaciones, desde donde describir densamente y profundizar la mirada en el
campo, evitando caer en la trampa de la superficialidad y, por tanto, en un
análisis simplista, lo cual generaría una reducción del objeto. Así, si pensamos
experiencias de aprendizaje, el contexto será la trama desde la cual leeremos
esas prácticas a través de las diversas capas. Sin embargo, es menester hacer
un segundo nivel de diferenciación sobre las mismas, que tienen que ver con
el extrañamiento y la relación de las investigadoras con sus objetos de
estudio. Entonces, va a ser fundamental en la observación poder diferenciar
aquellas dimensiones del contexto que son compartidas con las y los sujetos
de la práctica. De ese modo, el saberse inmerso será una clave de la
descripción, lo cual nos llevará a una perspectiva de lectura y escritura más
crítica y problematizadora.

b) Experimento aleatorio

Un experimento aleatorio es una prueba que consiste en repetir un

fenómeno aleatorio con el objetivo de analizarlo y extraer conclusiones sobre
su comportamiento, de la propia definición de experimento aleatorio, así
como de la definición de fenómeno aleatorio, deducimos que se trata del
estudio de situaciones dominadas por las leyes del azar.
 5

No siempre que tratemos de realizar un experimento aleatorio, vamos a

poder experimentar de forma tangible. Por ejemplo, imaginemos que
queremos estudiar el comportamiento de una moneda. La moneda es
tangible, la podemos ver y tocar. Lanzarla y comprobar el resultado (cara o
cruz) nos corresponde a nosotros. Ahora, supongamos el ejemplo del clima. No
podemos mover las nubes o cambiar las temperaturas. Al menos de forma
tangible.

En línea con lo anterior tendremos que ser conscientes de la importancia de

los supuestos de partida de algunos experimentos. Para ello es recomendable
el uso del método axiomático.

En algunas ocasiones, menos de las que nos gustaría, nos topamos con
fenómenos deterministas. Por ejemplo, algunos asuntos de la física o la
química. Por ilustrar alguno de ellos, sabemos sin ningún margen de error que
si una persona ingiere 1 litro de mercurio morirá. De la misma forma si
tiramos una piedra por la ventana, sabemos que en pocos segundos caerá al
suelo. Incluso, podemos calcular el tiempo de forma muy aproximada. En
otros casos, el asunto no es tan claro. Por ejemplo, en el caso de la economía
existen corrientes de pensamiento que indican que es determinista y otros
que es aleatorio. O mejor aún, el caso de la bolsa de valores. Muchos
operadores piensan que es determinista, mientras otros piensan que es
totalmente aleatorio.
 6

Lo que cabe indicar en este caso, es lo siguiente: el hecho de que no se pueda

predecir algo (porque no somos capaces) no sirve para demostrar que es
aleatorio. Es decir, la ausencia de prueba no constituye, necesariamente, la
prueba de ausencia. En otras palabras, que yo no pueda verlo no quiere decir
que no exista. Por tanto, en hilo con lo anterior hay corrientes de
pensamiento de los dos bandos. Yendo desde el pensamiento más extremo
que afirma el determinismo, hasta el pensamiento opuesto que afirma la
aleatoriedad. Entre ellos, existen posturas intermedias. Por ejemplo, podemos
pensar que las cotizaciones bursátiles son deterministas, pero como no
podemos demostrarlo las tratamos (sobre todo de forma estadística) como si
fueran aleatorias.

c) Espacio muestral

Es una parte del espacio probabilístico. Como su propio nombre indica, está
formado por los elementos de la muestra. Al contrario, el espacio
probabilístico engloba todos los elementos. Incluso aunque no salgan
recogidos en la muestra.

El espacio muestral se denota con la letra griega Ω (Omega). Está compuesto

por todos los sucesos elementales y/o compuestos de la muestra y, por tanto,
coincide con el suceso seguro. Es decir, aquel suceso que siempre va a ocurrir.

Un ejemplo de espacio muestral en el lanzamiento de una moneda sería:

Ω = {C, X}

Dónde C es cara y X es cruz. Esto es, los posibles resultados son cara o cruz.

Otro ejemplo sería:

 7

Supongamos el caso de un dado con 6 caras. Numeradas del 1 al 6 ¿Cuál sería

el espacio muestral del experimento lanzar un dado una sola vez?

Ω = {1, 2, 3, 4, 5, 6}

¿Y si el experimento consiste en lanzar el dado dos veces? Diferenciamos entre

un dado rojo y un dado verde.

Ω = {1 y 1, 1 y 2, 1 y 3, 1 y 4, 1 y 5, 1 y 6, 2 y 1, 2 y 2, 2 y 3 … 6 y 6 }

Es decir, que en el dado rojo salga un 1 y que en el dado verde salga un 1, sería
el primer suceso elemental. El segundo suceso elemental consistiría en que en
el dado rojo salga un 1 y en el verde un 2. Así hasta un total de 36 sucesos
elementales.

d) Eventos tipos de eventos

Un evento es el resultado posible de un experimento y es la unidad mínima

de análisis para efectos de cálculo de probabilidades. Los eventos pueden
clasificarse de la siguiente manera: Mutuamente excluyentes. No pueden
ocurrir al mismo tiempo: es uno u otro.

Los eventos pueden ser:

- Independientes (cada evento no se ve afectado por otros eventos),

- Dependientes (también llamado "Condicional", donde un evento se ve

afectado por otros eventos)

- Mutuamente Excluyentes (los eventos no pueden suceder al mismo

tiempo.
 8

• Eventos Independientes

Los eventos pueden ser independientes, lo que significa que cada evento, no
se ve afectado por ningún otro evento, esta es una idea importante, una
moneda no sabe que cayo cara antes, cada lanzamiento de una moneda es
una situación perfectamente aislada.

Ejemplo lanzar.

Lanzas una moneda y aparece cara tres veces, cuál sería la probabilidad de
que el próximo lanzamiento sea cara; la probabilidad sería ½ o 50% como en
cualquier lanzamiento de una moneda.

Lo que ocurrió en el pasado no afectará al lanzamiento actual.

• Evento Dependientes

Pero los eventos también pueden ser "dependientes”... lo que significa que
pueden verse afectados por eventos anteriores.

Ejemplo tomar dos (2) cartas de un mazo.

Después de tomar una carta del mazo, hay menos cartas disponibles, ¡por lo
que las probabilidades cambian.

Veamos las posibilidades de obtener un rey

Para la primera carta, la posibilidad de sacar un Rey es 4 de 52

Pero para la segunda carta:

- Si la primera carta era un Rey, entonces es menos probable que la segunda

carta sea un Rey, ya que solo 3 de las 51 cartas restantes son Reyes.
 9

- Si la primera carta no era un Rey, entonces es más probable que la segunda

carta sea un Rey, ya que 4 de las 51 cartas restantes son Rey

“Esto se debe a que estamos quitando cartas del mazo”

Reemplazo: cuando volvemos a colocar cada tarjeta después de sacarla, las

posibilidades no cambian, ya que los eventos son independientes.

Sin reemplazo: las posibilidades cambiarán y los eventos son dependientes.

Mutuamente excluyente.

Es uno u otro pero no ambos.

Ejemplos:

• Girar a la izquierda y a la derecha son mutuamente excluyentes (no puedes

hacer ambas cosas al mismo tiempo)

• Cara y Escudo son mutuamente excluyentes

• Reyes y Ases son mutuamente excluyentes

Lo que no es mutuamente excluyente

• ¡Los reyes y los corazones no son mutuamente excluyentes, porque

podemos tener un rey de corazones!

e) Probabilidades. Conceptos. Cálculos y axiomas

Cuando hablamos de probabilidad y estadística, nos referimos

comúnmente al estudio del azar desde un punto de vista matemático. Es decir,
al estudio de las leyes formales que lo rigen, desde dos puntos de vista
claramente diferenciados:
 10

• La probabilidad se entiende como el grado de certidumbre que se posee

respecto de que un evento ocurra o no, y constituye también una disciplina
encargada de confeccionar modelos predictivos para fenómenos aleatorios, de
modo de poder anticiparnos y estudiar sus consecuencias lógicas.

• La estadística, en cambio, ofrece métodos y técnicas propios para

comprender lo que dichos modelos significan, ya que es una disciplina
independiente, rama de las matemáticas, centrada en el estudio de la
variabilidad.

La probabilidad y la estadística se encuentran estrechamente vinculadas,

dado que son las dos grandes herramientas de las que dispone la humanidad
para enfrentarse a los fenómenos aleatorios.

Es decir, estudian aquellos cuyos patrones de ocurrencia escapan a

nuestras perspectivas o implican cálculos demasiado grandes y con
demasiado margen de error como para pretender abordarlos de manera
concreta. Así, se impone la necesidad de hacer modelos y aproximaciones, y
trabajar en términos de porcentajes de ocurrencia.

La probabilidad es un campo de estudio, al cual se dedica la Teoría de la

probabilidad, una rama de las matemáticas que se utiliza ampliamente en
disciplinas como la matemática, las ciencias sociales, las finanzas, la economía
y, claro está, la estadística, para obtener conclusiones respecto de qué tan
probable es que un evento ocurra, o no ocurra.
 11

La necesidad de este tipo de estudios surgió gracias al deseo del ser humano
de poder predecir el futuro con cierto margen de certeza, algo que se traduce
en la posibilidad de prever y evitar catástrofes, por ejemplo. Para ello propone
diversas leyes y aproximaciones que permiten, a menudo, el cálculo científico
de aquello que se considera probable, y que a menudo es contrario a lo que
nuestra intuición nos señala.

Cálculos

El cálculo es una rama que deriva de la matemática, la cual estudia la

resolución de problemas matemáticos luego de determinar las variables de
una ecuación de forma progresiva, incrementando cada uno de sus valores.
Esto sirve para determinar curvas, pendientes, los valores mínimo y máximo
de una función, áreas y volúmenes. Se estudiará en un rango o intervalo
determinado. El cálculo es útil para su aplicación en diversas disciplinas, como
por ejemplo, la Estadística.

Cálculo de probabilidades

Este tipo permite conocer las posibilidades de que un hecho acontezca. Para
calcular las probabilidades, se deben tener varios datos: por ejemplo, los casos
posibles de que ese evento ocurra tomando en cuenta todas las formas en las
que eso podría ocurrir y los casos de ocurrencia, que serían las situaciones que
reúnan todas las condiciones para que suceda.

La fórmula para calcular la probabilidad de un suceso está dada por: A =

Casos favorables / Casos posibles. Un ejemplo podría ser el grado de
probabilidad que salga una opción específica (ganar 1 millón de pesos, por
ejemplo) al girar una ruleta con 10 opciones. El caso favorable en este caso
sería que salga el millón de pesos, mientras que los casos posibles serían 10,
expresado así:
 12

A = 1/10 → A = 0,1 lo que también puede traducirse como 10% de probabilidad

que salga la opción ganadora.

Axiomas

Los axiomas son verdades incuestionables universalmente válidas y

evidentes, que se utilizan a menudo como principios en la construcción de una
teoría o como base para una argumentación.

Entre los filósofos griegos antiguos, un axioma era lo que parecía verdadero
sin necesidad de prueba alguna. En muchos contextos, axioma es sinónimo de
postulado, ley o principio.

Un sistema axiomático es el conjunto de axiomas que definen una

determinada teoría y que constituyen las verdades más simples de las cuales
se demuestran los nuevos resultados de esa teoría.

Los sistemas axiomáticos tienen un papel importante en las ciencias exactas,

sobre todo en matemáticas y en física, y los resultados demostrados en
múltiples teorías de estas ciencias generalmente se llaman teoremas o leyes.

Entre las diversas axiomáticas de la matemática y de la física ganaron

notoriedad los principios de Euclides en Geometría clásica, los axiomas de
Peano en Aritmética, las leyes de Newton en Mecánica clásica y los postulados
de Einstein en la Teoría de la relatividad.

Existen sistemas axiomáticos en muchas otras ciencias. Por ejemplo, en

Teoría de la comunicación, Paul Watzlawick y sus colegas presentaron los
axiomas de la comunicación, que definen los efectos conductuales de la
comunicación humana.
 13

La palabra axioma deriva del significado 'lo que parece justo' o 'lo que se
considera evidente, sin necesidad de demostración'. •

Axioma 1: Existen infinitos puntos.

• Axioma 2: Una recta es un conjunto infinito de puntos.

• Axioma 3: Un plano es un conjunto infinito de puntos.

• Axioma 4: Existen infinitas rectas e infinitos planos.

• Axioma 5: Todo punto pertenece a infinitas rectas.

f) Reglas de probabilidad

1. La Regla de Probabilidad #1 establece:

• Para cualquier evento A, 0 ≤ P (A) ≤ 1

2. La Regla de Probabilidad #2 establece:

• La suma de las probabilidades de todos los resultados posibles es 1

3. La Regla del Complemento (#3) establece que

• P (no A) = 1 — P (A) o cuando se reorganizan

• P (A) = 1 — P (no A)

Esta última representación de la Regla del Complemento es especialmente útil

cuando necesitamos encontrar probabilidades de eventos del tipo “al menos
uno de...”
 14

4. La Regla General de Adición (#5) establece que para dos hechos

cualesquiera,

• P (A o B) = P (A) + P (B) — P (A y B), donde, por P (A o B) nos referimos a P (A

ocurre o B ocurre o ambos).

En el caso especial de eventos disjuntos, eventos que no pueden ocurrir

juntos, la Regla General de Adición puede reducirse a la Regla de Adición para
Eventos Disjuntos (#4), que es: P (A o B) = P (A) + P (B). *

*Es usado solo cuando esté convencido de que los eventos son disjuntos (no
se superponen)

5. La versión restringida de la regla de adición (para eventos disjuntos) se

puede extender fácilmente a más de dos eventos.

Afortunadamente, estas reglas son muy intuitivas, y mientras se apliquen

sistemáticamente, nos permitirán resolver problemas más complicados; en
particular, aquellos problemas para los que nuestra intuición podría ser
inadecuada.

Dado que la mayoría de las probabilidades que se le pedirá que encuentre

se pueden calcular utilizando ambos; lógica y conteo

Observación; Si puedes calcular una probabilidad usando lógica y contando no

necesitas una regla de probabilidad (aunque siempre se puede aplicar la regla
correcta;
 15

Probabilidad Regla Uno

Nuestra primera regla simplemente nos recuerda la propiedad básica de la

probabilidad que ya aprendimos.

La probabilidad de un evento, que nos informa de la probabilidad de que

ocurra, puede variar desde 0 (indicando que el evento nunca ocurrirá) hasta 1
(indicando que el evento es cierto).

Probabilidad Regla Uno:

• Para cualquier evento A, 0 ≤ P (A) ≤ 1.

Nota: Un uso práctico de esta regla es que se puede utilizar para identificar
como incorrecto cualquier cálculo de probabilidad que resulte ser más de 1 (o
menor que 0).

Antes de pasar a las otras reglas, primero veamos un ejemplo que

proporcionará un contexto para ilustrar las siguientes reglas.

Ejemplo: Dos tipos de sangre

Como se discutió anteriormente, toda la sangre humana puede ser

tipificada como O, A, B o AB, Además, la frecuencia de ocurrencia de estos
tipos de sangre varía según los grupos étnicos y raciales.

Según el Centro de Sangre de la Universidad de Stamford, estas son las

probabilidades de los tipos de sangre humana en Estados Unidos (la
probabilidad para el tipo A se ha omitido a propósito):
 16

Dado que las probabilidades de O, B y AB juntas suman 0.44 + 0.1 + 0.04 = 0.58,
la probabilidad de tipo A debe ser la 0.42 restante (1 — 0.58 = 0.42;

Este ejemplo ilustra nuestra segunda regla, que nos dice que la probabilidad
de todos los resultados posibles juntos debe ser 1.

Regla de probabilidad dos:

La suma de las probabilidades de todos los resultados posibles es 1.

Este es un buen lugar para comparar y contrastar lo que estamos haciendo

aquí con lo que aprendimos en la sección Análisis Exploratorio de Datos (EDA).

• Observe que en este problema nos estamos enfocando esencialmente en

una sola variable categórica: el tipo de sangre.

• Resumimos esta variable arriba, ya que resumimos variables categóricas

individuales en la sección EDA, enumerando qué valores toma la variable y
con qué frecuencia los toma.

• En EDA usamos porcentajes, y aquí estamos usando probabilidades, pero

los dos transmiten la misma información.

• En la sección EDA, aprendimos que un gráfico circular proporciona una

visualización adecuada cuando una sola variable categórica está involucrada,
y de manera similar podemos usarlo aquí (usando porcentajes en lugar de
probabilidades):
 17

Aunque lo que estamos haciendo aquí es de hecho similar a lo que hemos

hecho en la sección EDA, hay una diferencia sutil pero importante entre las
situaciones subyacentes

• En EDA, resumimos los datos que se obtuvieron de una muestra de

individuos para quienes se registraron valores de la variable de interés.

• Aquí, cuando presentamos la probabilidad de cada tipo de sangre, tenemos

en mente a toda la población de personas en Estados Unidos, para lo cual
presumimos conocer la frecuencia general de valores tomados por la variable
de interés.

Probabilidad Regla Tres

En probabilidad y en sus aplicaciones, frecuentemente nos interesa

conocer la probabilidad de que no ocurra un determinado evento.

Un punto importante a entender aquí es que “el evento A no ocurre” es un

evento separado que consiste en todos los posibles resultados que no están en
A y se llama “el evento complemento de A”.
 18

Notación: escribiremos “no A” para denotar el evento de que A no ocurre. Aquí

hay una representación visual de cómo el evento A y su evento de
complemento “no A” juntos representan todos los resultados posibles

Regla de probabilidad tres (la regla del complemento):

• P (no A) = 1 — P (A)

• Es decir, la probabilidad de que un evento no ocurra es 1 menos la

probabilidad de que ocurra. Ejemplo tipos de sangre:

Volver al ejemplo del tipo de sangre:

Aquí hay alguna información adicional:

• Una persona con tipo A puede donar sangre a una persona con tipo A o AB.

• Una persona con tipo B puede donar sangre a una persona con tipo B o AB.
 19

• Una persona con tipo AB solo puede donar sangre a una persona con tipo
AB.

• Una persona con sangre tipo O puede donar a cualquier persona.

¿Cuál es la probabilidad de que una persona elegida al azar no pueda donar

sangre a todos? En otras palabras, ¿cuál es la probabilidad de que una persona
elegida al azar no tenga el tipo de sangre O? Tenemos que encontrar P (no O).
Usando la Regla del Complemento, P (no O) = 1 — P (O) = 1 — 0.44 = 0.56. En
otras palabras, 56% de la población estadounidense no tiene el tipo de sangre

O; Claramente, también podríamos encontrar P (no O) directamente

agregando las probabilidades de B, AB y A.

Observaciones:

- Obsérvese que la Regla del Complemento, P (no A) = 1 — P (A) puede

reformularse como P (A) = 1 — P (no A).-

- P (no A) = 1 — P (A)

- Se puede reformular como P (A) = 1 — P (no A).

- Esta manipulación algebraica aparentemente trivial tiene una aplicación

importante, y en realidad captura la fuerza de la regla del complemento.
 20

- En algunos casos, cuando encontrar P (A) directamente es muy complicado,

podría ser mucho más fácil encontrar P (no A) y luego simplemente restarlo de
1 para obtener el P (A) deseado.

Probabilidades que involucran múltiples eventos

A menudo nos interesará encontrar probabilidades que involucren

múltiples eventos como

• P (A o B) = P (ocurre el evento A o el evento B ocurre o ocurren ambos)

• P (A y B) = P (ocurre tanto el evento A como el evento B)

Un problema común con la terminología se relaciona con cómo solemos

pensar en “o” en nuestra vida diaria. Por ejemplo, cuando un padre le dice a su
hijo en una juguetería “¿Quieres el juguete A o el juguete B?” , esto significa
que el niño va a conseguir un solo juguete y tiene que elegir entre ellos.
Conseguir ambos juguetes no suele ser una opción. En probabilidad, “OR”
significa uno o el otro o ambos, y así P (A o B) = P (ocurre el evento A o el
evento B ocurre o ocurren ambos

Dicho esto, cabe señalar que hay algunos casos en los que simplemente es
imposible que ambos eventos ocurran al mismo tiempo.

Probabilidad regla cuatro

La distinción entre eventos que pueden ocurrir juntos y los que no pueden
es importante.

Disjuntos: Dos eventos que no pueden ocurrir al mismo tiempo se

denominan disjuntos o mutuamente excluyentes.
 21

Debe quedar claro a partir de la imagen que

• en el primer caso, donde los eventos NO son disjuntos, P (A y B) ≠ 0

• en el segundo caso, donde los eventos SON disjuntos, P (A y B) = 0.

Aquí hay dos ejemplos:

Considere los dos eventos siguientes:

A — una persona elegida al azar tiene el tipo de sangre A, y

B — una persona elegida al azar tiene el tipo de sangre B.

En raras ocasiones, es posible que una persona tenga más de un tipo de

sangre fluyendo por sus venas, pero para nuestros propósitos, vamos a
suponer que cada persona puede tener sólo un tipo de sangre. Por lo tanto, es
imposible que los eventos A y B ocurran juntos.

• Los eventos A y B son disjuntos

Considere los dos eventos siguientes:

A — una persona elegida al azar tiene el tipo de sangre A

 22

B — una persona elegida al azar es una mujer.

En este caso, es posible que los eventos A y B ocurran juntos.

• Los eventos A y B no son disjuntos.

Esta regla es más general ya que funciona para cualquier par de eventos Los
diagramas de Venn sugieren que otra forma de pensar sobre eventos
disjuntos versus no disjuntos es que los eventos disjuntos no se superponen.
No comparten ninguno de los posibles resultados, y por lo tanto no pueden
suceder juntos.

Por otro lado, los eventos que no son disjuntos se superponen en el sentido
de que comparten algunos de los posibles resultados y por lo tanto pueden
ocurrir al mismo tiempo.

Ahora comenzamos con una regla simple para encontrar P (A o B) para

eventos disjuntos.

Regla de Probabilidad Cuatro (La Regla de Suma para Eventos Disjuntos):

• Si A y B son eventos disjuntos, entonces P (A o B) = P (A) + P (B).

Probabilidades regla cinco.

• Llamaremos a esta versión extendida la “Regla General de Adición” y la

declararemos como Regla de Probabilidad Cinco.

Comenzaremos por exponer la regla y dar un ejemplo similar a los tipos de

problemas que generalmente pedimos en este curso. Entonces presentaremos
un ejemplo más otro donde no tenemos los datos brutos de una muestra para
trabajar de.
 23

Como vimos en ejemplos anteriores, cuando los dos hechos no son disjuntos,
hay cierta superposición entre los hechos.

• Si simplemente sumamos las dos probabilidades juntas, obtendremos la

respuesta equivocada porque ¡hemos contado alguna “probabilidad” dos
veces!

• Así, debemos restar esta probabilidad “extra” para llegar a la respuesta

correcta. El diagrama de Venn y las tablas bidireccionales son útiles para
visualizar esta idea.

(Incluso eventos disjuntos). Nuestro consejo sigue siendo tratar de

responder a la pregunta usando la lógica y contando siempre que sea posible,
de lo contrario, debemos ser extremadamente cuidadosos para elegir la regla
correcta para el problema.

Observamos:

Si puedes calcular una probabilidad usando lógica y contando no NECESITAS

una regla de probabilidad (aunque siempre se puede aplicar la regla correcta)

Observe que, si A y B son disjuntos, entonces P (A y B) = 0 y la regla 5 reduce a

la regla 4 para este caso especial.
 24

Repasemos el último ejemplo: estado periodontal y género

Considera seleccionar aleatoriamente un individuo de entre los

representados en la siguiente tabla con respecto al estado periodontal de los
individuos y su género. El estado periodontal se refiere a la enfermedad de las
encías donde los individuos se clasifican como sanos, tienen gingivitis o tienen
enfermedad periodontal.

Repasemos lo que hemos aprendido hasta el momento. Podemos calcular

cualquier probabilidad en este escenario si podemos determinar cuántos
individuos satisfacen el evento o combinación de eventos.

• P (Macho) = 3009/8027 = 0.3749

• P (Hembra) = 5018/8027 = 0.6251

• P (Saludable) = 3750/8027 = 0.4672

• P (No Saludable) = P (Gingivitis o Perio) = (2419 + 1858) /8027 = 4277/8027 =

0.5328 También

podríamos, calcular esto usando la regla del complemento: 1 — P (Saludable)

 25

También encontramos anteriormente que

• P (Masculino Y Sano) = 1143/8027 = 0.1424

Recordar regla 5, P (A o B) = P (A) + P (B) — P (A y B). Ahora usamos esta regla

para calcular P (Masculino O Saludable)

• P (Masculino o Sano) = P (Masculino) + P (Sano) — P (Masculino y Sano) =

0.3749 + 0.4672 — 0.1424 = 0.6997 o aproximadamente 70%

Resolvimos esta cuestión antes simplemente contando cuántos individuos son

Masculinos o Saludables o ambos.

• Todos los machos

• Todos los individuos sanos

• pero, ¡no contar a nadie dos veces!!

Usando este enfoque lógico encontraríamos

• P (Masculino o Sano) = (1143 + 929 + 937 + 2607) /8027 = 5616/8027 = 0.6996

Tenemos una diferencia menor en nuestras respuestas en el último

decimal debido al redondeo que se produjo cuando calculamos P (Masculino),
P (Saludable) y P (Masculino y Saludable

Claramente la respuesta es efectivamente la misma, alrededor del 70%. Si

llevamos nuestras respuestas a más decimales o si usamos las fracciones
originales, podríamos eliminar por completo esta pequeña discrepancia.

g) Teorema de bayes
 26

El teorema de Bayes es utilizado para calcular la probabilidad de un suceso,

teniendo información de antemano sobre ese suceso

Podemos calcular la probabilidad de un suceso A, sabiendo además que ese

A cumple cierta característica que condiciona su probabilidad. El teorema de
Bayes entiende la probabilidad de forma inversa al teorema de la probabilidad
total. El teorema de la probabilidad total hace inferencia sobre un suceso B, a
partir de los resultados de los sucesos A. Por su parte, Bayes calcula la
probabilidad de A condicionado a B.

El teorema de Bayes ha sido muy cuestionado. Lo cual se ha debido,

principalmente, a su mala aplicación. Ya que, mientras se cumplan los
supuestos de sucesos disjuntos y exhaustivos, el teorema es totalmente válido

Para calcular la probabilidad tal como la definió Bayes en este tipo de

sucesos, necesitamos una fórmula. La fórmula se define matemáticamente
como: Donde B es el suceso sobre el que tenemos información previa y A(n)
son los distintos sucesos condicionados. En la parte del numerador tenemos la
probabilidad condicionada, y en la parte de abajo la probabilidad total. En
cualquier caso, aunque la fórmula parezca un poco abstracta, es muy sencilla.
Para demostrarlo, utilizaremos un ejemplo en el que en lugar de A (1), A (2) y
A(3), utilizaremos directamente A, B y C.

Una empresa tiene una fábrica en Estados Unidos que dispone de tres
máquinas A, B y C, que producen envases para botellas de agua. Se sabe que la
máquina A produce un 40% de la cantidad total, la máquina B un 30%, y la
máquina C un 30%. También se sabe que cada máquina produce envases
 27

defectuosos. De tal manera que la máquina A produce un 2% de envases

defectuosos sobre el total de su producción, la máquina B un 3%, y la máquina
C un 5%. Dicho esto, se plantean dos cuestiones:

P(A) = 0,40 P(D/A) = 0,02

P(B) = 0,30 P(D/B) = 0,03

P(C) = 0,30 P(D/C) = 0,05

1. Si un envase ha sido fabricado por la fábrica de esta empresa en Estados

Unidos ¿Cuál es la probabilidad de que sea defectuoso?

Se calcula la probabilidad total. Ya que, a partir los diferentes sucesos,

calculamos la probabilidad de que sea defectuoso.

P(D) =[ P(A) x P(D/A) ] + [ P(B) x P(D/B) ] + [ P(C) x P(D/C) ] = [ 0,4 x 0,02 ] + [ 0,3 x
0,03 ] + [ 0,3 x 0,05 ] = 0,032

Expresado en porcentaje, diríamos que la probabilidad de que un envase

fabricado por la fábrica de esta empresa en Estados Unidos sea defectuoso es
del 3,2%.

2. Siguiendo con la pregunta anterior, si se adquiere un envase y este es

defectuoso ¿Cuál es la probabilidad de que haya sido fabricado por la máquina
A? ¿Y por la máquina B? ¿Y por la máquina C?

Aquí se utiliza el teorema de Bayes. Tenemos información previa, es decir,

sabemos que el envase es defectuoso. Claro que, sabiendo que es defectuoso,
queremos saber cuál es la probabilidad de que se haya producido por una de
las máquinas.
 28

P(A/D) = [P(A) x P(D/A)] / P(D) = [0,40 x 0,02] / 0,032 = 0,25

P(B/D) = [P(B) x P(D/B)] / P(D) = [0,30 x 0,03] / 0,032 = 0,28

P(C/D) = [P(C) x P(D/C)] / P(D) = [0,30 x 0,05] / 0,032 = 0,47

Sabiendo que un envase es defectuoso, la probabilidad de que haya sido

producido por la máquina A es del 25%, de que haya sido producido por la
máquina B es del 28% y de que haya sido producido por la máquina C es del
47%.

h) La probabilidad aplicada al campo de la administración

Muchas empresas aplican la comprensión de la incertidumbre y

probabilidad en sus prácticas de decisión en sus negocios. Los modelos de
probabilidad pueden ayudar enormemente a las empresas a optimizar sus
políticas y tomar decisiones seguras. Aunque complejos, esos métodos de
probabilidad pueden incrementar la rentabilidad y éxito de una empresa.

• Inversión

La optimización en la ganancia de un negocio depende de cómo un negocio

invierte sus recursos. Una parte importante de invertir es conocer los riesgos
involucrados con cada tipo de inversión. La única manera de que un negocio
pueda tener en cuenta estos riesgos al tomar decisiones sobre inversión es
usar la probabilidad como un método de cálculo. Luego de analizar las
probabilidades de ganancia y pérdida asociadas con cada decisión de
inversión, un negocio puede aplicar modelos de probabilidad para calcular qué
inversión o combinaciones de ésta producen la máxima ganancia esperada.
 29

• Servicio al cliente

El servicio al cliente puede ser físico como servicio de ventanilla de un

banco o servicio al cliente virtual como un sistema de Internet. En cualquier
caso, los modelos de probabilidad pueden ayudar a una compañía a crear una
política relacionada al servicio al cliente. Para tales políticas, los modelos de
teoría de colas son integrales. Estos modelos permiten a las compañías
comprender la eficiencia relacionada a su sistema actual de servicio al cliente
y hacer cambios para optimizar el sistema. Si una compañía se encuentra con
problemas relacionados a filas largas o tiempos de espera en línea largos, esto
puede causar que la compañía pierda clientes. En esta situación, los modelos
de hacer filas se vuelven una parte importante de resolución de problemas.

• Estrategia competitiva

Aunque la teoría del juego es una parte importante de determinar la

estrategia de la compañía, ésta carece de la inclusión de incertidumbre en
estos modelos. Un modelo determinista de tal tipo no puede permitir a una
compañía optimizar verdaderamente su estrategia en términos de riesgo. Los
modelos de probabilidad como las cadenas de Markov le permiten a las
compañías diseñar un conjunto de estrategias que no solamente dan cuenta
del riesgo pero se auto-alteran en la fase de nueva información considerando
a las compañías en competencia. Además, las cadenas de Markov le permiten
a las compañías analizar de forma matemática estrategias de largo plazo para
encontrar cuáles producen los mejores resultados.
 30

• Diseño de producto

El diseño de producto, especialmente el diseño de productos complicados

como dispositivos informáticos, incluye el diseño y arreglo de múltiples
componentes en un sistema. La teoría de fiabilidad brinda un modelo
probabilístico que ayuda a los diseñadores a modelar sus productos en
términos de la probabilidad de fracaso o interrupción. Este modelo permite un
diseño más eficiente y permite a los negocios redactar de forma óptima
garantías y políticas de devolución.

i) Valor esperado o esperanza matemática

La esperanza matemática, también llamada valor esperado, es igual al

sumatorio de las probabilidades de que exista un suceso aleatorio,
multiplicado por el valor del suceso aleatorio. Dicho de otra forma, es el valor
medio de un conjunto de datos. Esto, teniendo en cuenta que el término
esperanza matemática está acuñado por la teoría de la probabilidad.

Mientras que en matemáticas, se denomina media matemática al valor

promedio de un suceso que ha ocurrido. En distribuciones discretas con la
misma probabilidad en cada suceso, la media aritmética es igual que la
esperanza matemática.
 31

Cálculo de esperanza matemática.

La esperanza matemática se calcula utilizando la probabilidad de cada

suceso. La fórmula que formaliza este cálculo se enuncia como sigue: Dónde:

• X = valor del suceso.

• P = Probabilidad de que ocurra.

• i = Periodo en el que se da dicho suceso.

• N = Número total de periodos u observaciones.

No siempre la probabilidad de que ocurra un suceso es la misma, como con

las monedas. Existen infinidad de casos en que un suceso tiene más
probabilidad de salir que otro. Por eso utilizamos en la fórmula la P. Además,
al calcular números matemáticos debemos multiplicar por el valor del suceso.
Abajo vemos un ejemplo.

¿Para qué se utiliza la esperanza matemática?

La esperanza matemática se utiliza en todas aquellas disciplinas en las que

la presencia de sucesos probabilísticos es inherente a las mismas. Disciplinas
tales como la estadística teórica, la física cuántica, la econometría, la biología
o los mercados financieros. Una gran cantidad de procesos y sucesos que
ocurren en el mundo son inexactos. Un ejemplo claro y fácil de entender es el
de la bolsa de valores.
 32

En la bolsa de valores, todo se calcula en base a valores esperados ¿Por qué

valores esperados? Porque es lo que esperamos que suceda, pero no podemos
confirmarlo. Todo se basa en probabilidades, no en certezas. Si el valor
esperado o esperanza matemática de la rentabilidad de un activo es de un
10% anual, querrá decir que, según la información que tenemos del pasado, lo
más probable es que la rentabilidad vuelva a ser de un 10%. Si solo tenemos
en cuenta, claro está, la esperanza matemática como método para tomar
nuestras decisiones de inversión.

Dentro de las teorías sobre mercados financieros, muchas utilizan este

concepto de esperanza matemática. Entre esas teorías se encuentra la que
desarrolló Markowitz sobre las carteras eficientes.

En números, simplificando mucho, supongamos que las rentabilidades de un

activo financiero son las siguientes:

Rentabilidad en los años 1, 2, 3 y 4.

1. 12%.

2. 6%.

3. 15%

4. 12%

El valor esperado sería el sumatorio de las rentabilidades multiplicadas por

su probabilidad de suceder. La probabilidad de que «suceda» cada
rentabilidad es de 0,25. Tenemos cuatro observaciones, cuatro años. Todos los
años tienen la misma probabilidad de repetirse.
 33

Esperanza = ( 12 x 0,25 ) + ( 6 x 0,25 ) + ( 15 x 0,25 ) + ( 12 x 0,25 ) = 3 + 1,5 + 3,75

+ 3 = 11,25%

Teniendo en cuenta esta información, diremos que la esperanza de la

rentabilidad del activo es del 11,25%.

j) Distribución binomial. Características. Usos de la tabla. Aplicaciones

La distribución binomial es una distribución de probabilidades mediante la

cual se calcula la probabilidad de ocurrencia de eventos, siempre que se
presentan bajo dos modalidades: éxito o fracaso.

Estas denominaciones (éxito o fracaso) son completamente arbitrarias, ya

que no necesariamente significan cosas buenas o malas. Durante este artículo
indicaremos la forma matemática de la distribución binomial y luego se
explicará con detalle el significado de cada término.

Uso de la tabla de distribución binominal

La distribución binomial es una distribución de probabilidad discreta que

nos dice el porcentaje en que es probable obtener un resultado entre dos
posibles al realizar un número n de pruebas. La probabilidad de cada
posibilidad no puede ser más grande que 1 y no puede ser negativa.

Características: Podemos resumir las características de la distribución

binomial de la siguiente manera:

– Cualquier evento u observación, se extrae de una población infinita sin

reemplazo o de una población finita con reemplazo.

– Se consideran solamente dos opciones, mutuamente excluyentes: éxito o

fracaso, como se explicó al comienzo.
 34

– La probabilidad de éxito debe ser constante en cualquier observación que se

haga.

– El resultado de cualquier evento es independiente de cualquier otro evento.

– La media de la distribución binomial es n.p

– La desviación estándar es:

Los ejemplos anteriores cumplen con estas condiciones, aunque hay ciertas
restricciones para aplicar.

Ejemplo de aplicación:

Tomemos un evento sencillo, que puede ser obtener 2 caras 5 al lanzar un

dado honesto 3 veces. ¿Qué probabilidades hay de que en 3 lanzamientos se
obtengan 2 caras de 5?

Hay varias formas de lograrlo, por ejemplo que:

– Los dos primeros lanzamientos sean 5 y el último no.

– El primero y el último serán 5 pero no el del medio.

– Los dos últimos lanzamientos resultaron 5 y el primero no.

Tomemos como ejemplo la primera secuencia descrita y calculemos su

probabilidad de ocurrencia. La probabilidad de obtener una cara 5 en el
primer lanzamiento es 1/6, y también en el segundo, pues son eventos
independientes.

La probabilidad de obtener otra cara distinta de 5 en el último lanzamiento

es 1 – 1/6 = 5/6. Por lo tanto la probabilidad de que salga esta secuencia, es el
producto de las probabilidades:
 35

(1/6). (1/6). (5/6) = 5 / 216 = 0.023

¿Qué hay de las otras dos secuencias? Tienen idéntica probabilidad: 0.023.

Y como tenemos un total de 3 secuencias exitosas, la probabilidad total será:

P (2 caras 5 en 3 lanzamientos) = Número de secuencias posibles x

probabilidad de una secuencia particular = 3 x 0.023 = 0.069.

Ahora probemos con la binomial, en la cual se hace:

x = 2 (obtener 2 caras de 5 en 3 lanzamientos es el éxito) n= 3 p = 1/6 q = 5/6

k) Campo administrativo

Estadística de proveedores ERP: los especialistas recomiendan analizar

estadísticas de proveedores ERP para saber cuáles son las compañías que
ofrecen mejores servicios. Disponer de buenas estadísticas de proveedores
ERP permite saber qué funcionalidades pueden ofrecer esos proveedores para
responder a las necesidades de la empresa.

Existe una amplia gama de soluciones de software de gestión empleadas

por las empresas, como son: SAP, OpenERP, Oracle, Infor y la peruana Genesys
ERP. Es importante informarse primero acerca de lo que cada una de ellas
ofrece para así elegir la mejor aplicación de acuerdo a las necesidades de la
organización.
 36

Estadística en el análisis financiero: los coautores del libro "Estadística para

administración y economía" señalan que mediante el uso de la estadística, un
banco puede calcular la probabilidad de que un cliente pague su préstamo.
Explican que existen cuatro factores que influyen en gran medida en la
determinación de si un cliente pagará a tiempo un préstamo o si se convertirá
en moroso: 1) el número de años que tenga viviendo en la dirección actual, 2)
su antigüedad en el trabajo, 3) si el cliente es dueño o no de la casa que habita
y 4) si el cliente tiene una cuenta de cheques o de ahorros en el mismo banco.

El banco desconoce el efecto individual que cada uno de dichos factores

tiene sobre el resultado del préstamo, pero posee archivos con información
sobre los clientes y tiene conocimiento, además, del resultado de cada
préstamo. Así, en el caso de un solicitante que vive en su dirección actual
desde hace cuatro años, es dueño de la casa, tiene una antigüedad de tres
años en su trabajo actual y es cliente del banco, existe una alta probabilidad
de que esa persona cumpla con el pago del préstamo.

Estadística en el marketing: gracias al avance de la tecnología,

específicamente por los software que ordenan la información estadística, la
minería de datos o data mining es una herramienta fundamental empleada
por multinacionales y grandes empresas, que explotan sus enormes bases de
datos para averiguar detalles que les permiten optimizar la gestión de su
producto, sus rangos de precios, sus canales de distribución y su promoción
y/o publicidad.

Así, la estadística aporta al marketing una base científica y una

metodología con resultados para la toma de decisiones estratégicas. La
optimización de las estrategias de marketing reduce el riesgo y aporta una
medición real del retorno de inversión (ROI).
 37

l) Distribución de poisson. Características. Usos de la tabla.

La distribución de Poisson es una distribución de probabilidad discreta que

modeliza la frecuencia de eventos determinados durante un intervalo de
tiempo fijado a partir de la frecuencia media de aparición de dichos eventos.

¿Cuándo se utiliza la fórmula de Poisson?

Una de las aplicaciones comunes de la distribución de Poisson es la

predicción del número de eventos en un determinado período de tiempo,
como por ejemplo, el número de automóviles que se presenta a una zona de
peaje en el intervalo de un minuto.

Historia

El nombre de esta distribución proviene de su creador, Siméon-Denis

Poisson (1781-1840), un matemático y filósofo francés, que quería modelar la
frecuencia de eventos durante un intervalo de tiempo fijado. También
participó en perfeccionar la ley de los grandes números.

Aplicación

La distribución de Poisson se utiliza en el campo de riesgo operacional con

el objetivo de modelar las situaciones en que se produce una pérdida
operacional. En riesgo de mercado se emplea el proceso de Poisson para los
tiempos de espera entre transacciones financieras en bases de datos de alta
frecuencia. También, en riesgo de crédito se tiene en cuenta para modelar el
número de quiebras

Dada una variable aleatoria discreta X decimos que su frecuencia se puede

aproximar satisfactoriamente a una distribución de Poisson, tal que:
 38

A diferencia de la distribución normal, la distribución de Poisson solo

depende de un parámetro, mu (marcado en amarillo).

m) Distribuciones continúas de probabilidades

Una distribución continua describe las probabilidades de los posibles

valores de una variable aleatoria continua. Una variable aleatoria continua es
una variable aleatoria con un conjunto de valores posibles (conocido como el
rango) que es infinito y no se puede contar.

Esta distribución es una de las más sencillas, y se usa naturalmente para

cuando no se conoce mayor información de la variable aleatoria de interés,
excepto que toma valores continuos dentro de algún intervalo.

Las distribuciones de probabilidad de variable continua se definen por

medio de una función y = f(x) que se llama función de probabilidad o función
de densidad. Ha de ser f(x) ≥ 0 para todo x. Las probabilidades vienen dadas
por el área bajo la curva. Por tanto, el área encerrada bajo la totalidad de la
curva es 1

Las distribuciones de variable continua más importantes son las siguientes:

Distribución Beta. Distribución exponencial. Distribución F.

Se dice que una variable es discreta cuando no puede tomar ningún valor
entre dos consecutivos, y que es continua cuando puede tomar cualquier valor
dentro de un intervalo.

n) Distribución normal estándar. Uso de la tabla.

 39

En otras palabras, la distribución normal adapta una variable aleatoria a una

función que depende de la media y la desviación típica. Es decir, la función y la
variable aleatoria tendrán la misma representación pero con ligeras
diferencias.

¿Qué necesitamos para representar una distribución normal?

Una variable aleatoria, Calcular la media, Calcular la desviación típica,

Decidir la función que queremos representar: función de densidad de
probabilidad o función de distribución.

Una variable aleatoria continua puede tomar cualquier número real. Por
ejemplo, las rentabilidades de las acciones, los resultados de un examen, el
coeficiente de inteligencia IQ y los errores estándar son variables aleatorias
continuas.

Una variable aleatoria discreta toma valores naturales. Por ejemplo, el

número de estudiantes en una universidad.

Razones para considerar que la variable resultados del examen sigue una
distribución normal:

Distribución simétrica. Es decir, existe el mismo número de observaciones

tanto a la derecha como a la izquierda del valor central. También, que la
media, la mediana y la moda tienen el mismo valor.

Media = Mediana = Moda = 5

Las observaciones con más frecuencia o probabilidad están alrededor del

valor central. En otras palabras, las observaciones con menos frecuencia o
probabilidad se encuentran lejos del valor central.
 40

Uso de la distribución normal estándar; La distribución normal estándar es

una distribución normal de valores estandarizados llamados puntuaciones z.
Una puntuación z se mide en unidades de la desviación típica. Por ejemplo, si
la media de una distribución normal es cinco y la desviación típica es dos, el
valor 11 está tres desviaciones típicas por encima (o a la derecha) de la media.
El cálculo es el siguiente:

x = μ + (z)(σ) = 5 + (3)(2) = 11

La puntuación z es tres.

La media de la distribución normal estándar es cero y la desviación típica es

uno. La transformación z = x–μσ�–�� produce la distribución Z ~ N(0, 1). El
valor x en la ecuación dada proviene de una distribución normal con una
media μ y una desviación típica σ.

Supongamos que X ~ N(5, 6). Esto dice que X es una variable aleatoria
normalmente distribuida, con media μ = 5 y desviación típica σ = 6.
Supongamos que x = 17. Entonces:

z=x–μσ=17–56=2�=�–��=17–56=2

Esto significa que x = 17 está dos desviaciones típicas (2σ) por encima o a la
derecha de la media μ = 5.

Observe que: 5 + (2)(6) = 17 (el patrón es μ + zσ = X)

Supongamos ahora que x = 1. Entonces: z = x–μσ�–�� = 1–561–56 = –0,67

(redondeado a dos decimales)

Esto significa que x = 1 está 0,67 desviaciones típicas (–0,67σ) por debajo o a
la izquierda de la media μ = 5. Observe que: 5 + (-0,67)(6) es aproximadamente
igual a uno (esto presenta el patrón μ + (-0,67)σ = 1)
 41

Resumiendo, cuando z es positiva, x está por encima o a la derecha de μ y

cuando z es negativa, x está a la izquierda o por debajo de μ. O bien, cuando z
es positiva, x es mayor que μ, y cuando z es negativa x es menor que μ

o) T student. Uso de la tabla

La distribución t de Student o distribución t es un modelo teórico utilizado

para aproximar el momento de primer orden de una población normalmente
distribuida cuando el tamaño de la muestra es pequeño y se desconoce la
desviación típica.

En otras palabras, la distribución t es una distribución de probabilidad que

estima el valor de la media de una muestra pequeña extraída de una
población que sigue una distribución normal y de la cual no conocemos su
desviación típica.

Aplicación de la t de Student

La distribución t se utiliza cuando:

Queremos estimar la media de una población normalmente distribuida a

partir de una muestra pequeña.

Tamaño de la muestra es inferior a 30 elementos, es decir, n < 30.

A partir de 30 observaciones, la distribución t se parece mucho a la

distribución normal y, por tanto, utilizaremos la distribución normal.

No se conoce la desviación típica o estándar de una población y tiene que

ser estimada a partir de las observaciones de la muestra.
 42

La tabla t de Student es muy importante para resolver problemas de

intervalos de confianza y pruebas de hipótesis. Recordemos que la
distribución t de Student es una distribución de probabilidad que permite
estimar la media de una población con distribución normal, pero con un
tamaño de muestra pequeño.

La distribución t es más útil para tamaños muestrales pequeños, cuando la

desviación estándar de la población no se conoce, o ambos. A medida que
aumenta el tamaño muestral, la distribución t se hace más parecida a una
distribución normal

p) Otras distribuciones de probabilidad.

Distribución uniforme: continua. Todos los valores tienen la misma

posibilidad.

Distribución Bernoulli: discreta. Dos posibles soluciones. Por ejemplo: echar

una moneda al aire.

Distribución Exponencial: continua. Tiempo medio entre ocurrencia de

eventos de una distribución de Bernoulli.

Distribución Binomial: discreta. Generalización de Bernoulli. Por ejemplo: tirar

varias monedas al aire.

Distribución Gaussiana: continua. Es la distribución más usada, toda

combinación de variables aleatorias tiende a una gaussiana.

Distribución Chi cuadrado: continua. Es el cuadrado de una distribución

gaussiana.
 43

Referencias bibliográficas

- Giraldo Gil, E. (2013) «Reflexiones a propósito de la lectura de contexto».

Recuperado de https://www.youtube.com/watch?v=gX79yzk8-xA

- Castel, R. (2012). Una gran transformación. En: El ascenso de las

incertidumbres. Trabajo, protecciones, estatuto del individuo. Buenos Aires,
Argentina: Fondo de Cultura Económica Prefacio.

- Economipedia experimento aleatorio.

ALEA, V. et al. (1999) Estadística Aplicada a les Ciències Econòmiques i Socials.

Barcelona: Edicions McGraw-Hill EUB.

CANAVOS, G. (1988) Probabilidad y Estadística. Aplicaciones y Métodos.

México: McGraw-Hill.

DURA PEIRó, J. M. y LóPEZ CUñAT, J.M. (1992) Fundamentos de Estadística.

Estadística Descriptiva y Modelos Probabilísticos para la Inferencia. Madrid:
Ariel Editorial.

Anderson D., Sweeney D., Williams T. Estadística para la administración y

economía. Décima edición. Cengage Learning. 2008

Johnson R. Probabilidad y Estadística para ingenieros. Octava edición. Pearson.

2012

Wisniewski P., Velasco G. Problemario de probabilidad. Thomson Learning.

2001
 44

Conclusiones
La Estadística y la probabilidad son imprescindibles, y comprenden el
modelado de la evolución de los mercados financieros, la predicción de riesgos
en modelos colectivos y el modelado estadístico de procesos industriales
complejos, incluyendo métodos para mejorar la calidad y la confiabilidad de
los productos, es decir; que las teorías de probabilidades y de procesos
aleatorios; son en sí mismo esenciales, dándole el enfoques de la inferencia
estadística